CN115179328A - 机器人末端工具残余振动抑制方法 - Google Patents

Abstract

本发明涉及机器人振动控制技术领域，公开了机器人末端工具残余振动抑制方法，包括如下步骤：S1：数据采集阶段，S2：神经网络构建阶段，S3：迁移学习阶段，通过构建神经网络模型，并结合构建的数据集，使得神经网络模型能够预测影响机器人末端残余振动的系统模态频率与阻尼比参数，将得到的系统模态频率与阻尼比参数经过换算后得到整形器参数，整形器用于接收脉冲指令，同时用于接收转换所得的整形器参数，将得到的整形器参数替换原整形器参数，并输出新的脉冲指令，所述控制器获取新脉冲指令并对机器人进行实时调整，使得机器人末端工具运动轨迹达到抑振效果。

Description

机器人末端工具残余振动抑制方法

技术领域

本发明涉及机器人振动控制技术领域，特别涉及机器人末端工具残余振动抑制方法。

背景技术

工业机器人已经越来越多地融入制造业，广泛应用于焊接、油漆和组装等操作中。然而，由于机器人的精度差、刚度低，在高速、高精的道路上还存在较大的挑战。由于工业机器人关节处存在较大的柔性，在进行作业时，不可避免会发生振动，可以将这些振动分为两大部分：过程振动、残余振动。在焊接、货运作业中，需要进行定位操作，但是残余振动的存在导致其在每次定位之后，需要等待振动幅值减少到一定大小之后才可以进行下一步操作，大大降低了工作效率。所以，进行机器人末端残余振动的抑制成为了迫切需要解决的问题。

为了减少残余振动的影响，研究人员提出了两种主要的抑振方法：使用闭环控制的在线抑振和使用轨迹规划的离线抑振。与离线方法相比，在线抑振技术具有更好的抗扰能力，代价是需要额外的传感器和更高的费用；如果可以事先知道系统参数（系统模态频率与阻尼比参数）的精确估值，离线方法也可以有效地避免残余振动。显然，离线抑振更符合工业机器人。

输入整形技术（IST）是一种离线的振动抑制技术，通过产生具有自抵消特性的轨迹来避免残余振动，该技术已经被应用于许多领域，包括起重机、数控机床等。输入整形技术最初是由Singer在1988年针对线性时不变系统提出的，并取得了很好的残余振动抑振效果。该方法通过使用系统的模态频率和阻尼比进行整形器设计从而实现抑振。但是，在使用该输入整形技术进行整形器设计时，使用的系统参数是不变的。所以，将其应用于工业机器人系统或者其他非线性时变系统中很难取得较好的抑振效果。为此，研究人员修改所设计整形器的结构，通过引入新的约束条件来提高整形器的鲁棒性，来适应系统参数的变化，因此整形器由最初的ZV整形器逐步演化为ZVD、EI、SI等整形器。

以上提出的输入整形技术虽然在一定程度上解决了工业机器人系统参数变化的问题，但存在一个问题，他们采用的都是单一不变的系统参数设计整形器来进行轨迹处理，这种整形器鲁棒性较低，难以取得较好的抑振效果。因此，需要设计参数可以实时变化的整形器，以实现更好的抑振效果。

发明内容

本发明的旨在解决上述问题而提出基于神经网络和迁移学习的机器人末端工具残余振动抑制方法，解决现有机器人末端残余振动抑制效果差的问题。

为达此目的，本发明采用以下技术方案：

机器人末端工具残余振动抑制方法，包括如下步骤：

S1：采集数据集：准备一安装有末端工具的机器人，所述末端工具上设置有加速度传感器，确定所述机器人的工作空间范围，在工作空间范围内选取多个可表征该工作空间范围的位置点，在所述多个位置点内，随机选取一个位置点作为初始位置点，以初始位置点为起点，将所述末端工具移动至另一位置点，通过所述加速度传感器记录末端工具到达另一位置点时的残余振动信号，将所述残余振动信号转换为系统模态频率和阻尼比参数；同时机器人的控制器记录此时机器人的关节角度；所述系统模态频率、阻尼比参数和关节角度作为数据集的一组数据保存；

将所述末端工具移回初始位置点，并将末端工具移动至未达到过的其他位置点，记录末端工具达到时刻的系统模态频率、阻尼比参数和机器人关节角度，作为数据集的另一组数据保存；重复动作直至末端工具已到达过选取的所有位置点，并保存到达过的位置点对应的数据；

将保存的多组数据组合形成完整的数据集；

S2：构建神经网络：构建神经网络模型，将步骤S1中所获得的数据集对所述神经网络模型进行训练和验证；将所述经过训练和验证后的神经网络模型应用至所述机器人；

所述控制器获取机器人实时运动过程中的关节角度，通过所述神经网络模型得到该关节角度下所对应的系统模态频率和阻尼比参数，将通过神经网络模型后所得到的系统模态频率和阻尼比参数输入至计算模块中，计算模块将输入的系统模态频率和阻尼比参数计算并转换为整形器参数；所述控制器与整形器相连，所述整形器用于接收脉冲指令，同时用于接收转换所得的整形器参数，将所述整形器参数替换原有的整形器参数，并输出新的脉冲指令，所述控制器获取新脉冲指令并对机器人进行实时调整，使得机器人末端工具运动轨迹达到抑振效果；

S3：迁移学习：当机器人末端工具发生更换，将步骤S2中经过训练和验证后的神经网络模型进行迁移操作，得到适合机器人新末端工具的迁移神经网络模型；

所述控制器获取机器人实时运动过程中的迁移关节角度，通过所述迁移神经网络模型得到该迁移关节角度下所对应的迁移系统模态频率和迁移阻尼比参数，将迁移系统模态频率和迁移阻尼比参数输入至计算模块中，计算模块将输入的迁移系统模态频率和迁移阻尼比参数计算并转换为迁移整形器参数；所述整形器用于接收迁移脉冲指令，同时用于接收转换所得的迁移整形器参数，将所述迁移整形器参数替换原有的整形器参数，并输出新的迁移脉冲指令，所述控制器获取新的迁移脉冲指令并对机器人进行实时调整，使得机器人新末端工具运动轨迹达到抑振效果。

优选的，步骤S1所选取的多个位置点中，相邻位置点间对应的关节角度间的变化在2°-5°之间。

优选的，步骤S1中通过加速度传感器所获得的残余振动信号分别进行快速傅里叶变换和对数衰减法后得到所需的系统模态频率和阻尼比。

优选的，随机将步骤S1中所述的数据集按照7:3的比例分为训练集和验证集。

优选的，步骤S2中神经网络模型包括输入层、隐含层和输出层，输入层输入的是机器人不同位置点处的关节角度数值，输出层输出的是不同关节角度下机器人末端工具的系统模态频率和阻尼比参数，隐含层用于拟合输入层和输出层，使得输入层和输出层之间形成关系映射。

优选的，将所述训练集中包含的不同关节角度和与不同关节角度相对应的系统模态频率和阻尼比参数输入神经网络模型中，对所述神经网络模型进行训练，得到训练后的神经网络模型；

将验证集中的不同关节角度数值带入经过训练后的神经网络模型的输入层中，从输出层中得到对应的系统模态频率和阻尼比参数，将通过训练后的神经网络模型得到的系统模态频率和阻尼比参数分别与验证集中的系统模态频率和阻尼比参数进行比对，当通过训练后的神经网络模型得到的系统模态频率和阻尼比参数与验证集中的系统模态频率和阻尼比参数之间的差值均在允许误差范围内时，则得到步骤S2中所述的经过训练和验证后的神经网络模型。

优选的，步骤S3中的模型迁移操作包括如下步骤：

S31：采集迁移数据集：在更换的机器人新末端工具上设置迁移加速度传感器，在工作空间范围内选取多个可表征该工作空间范围的迁移位置点，在所述多个迁移位置点内，随机选取一个迁移位置点作为迁移初始位置点，以迁移初始位置点为起点，将所述新末端工具移动至另一迁移位置点，通过所述迁移加速度传感器记录新末端工具到达另一迁移位置点时的迁移残余振动信号，将所述迁移残余振动信号转换为迁移系统模态频率和迁移阻尼比参数；同时机器人的控制器记录此时机器人的迁移关节角度；所述迁移系统模态频率、迁移阻尼比参数和迁移关节角度作为迁移数据集的一组迁移数据保存；

将所述新末端工具移回迁移初始位置点，并将新末端工具移动至未达到过的其他迁移位置点，记录新末端工具达到时刻的迁移系统模态频率、迁移阻尼比参数和机器人的迁移关节角度，作为迁移数据集的另一组迁移数据保存；重复动作直至新末端工具已到达过选取的所有迁移位置点，并保存到达过的迁移位置点对应的数据；

将保存的多组迁移数据组合形成完整的迁移数据集；

将所构建的迁移数据集以1：1的比例随机分配为迁移训练集和迁移验证集；

S32：构建迁移神经网络模型：所述的隐含层包括有底层信息，将所述底层信息进行冻结，再将迁移训练集对该神经网络模型中的输入层、除底层信息以外的隐含层和输出层进行训练，训练完成后，解冻所述底层信息，得到经过训练的迁移神经网络模型；

S33：用迁移验证集对训练后的迁移神经网络模型进行验证，通过验证后，得到适合机器人新末端工具的迁移神经网络模型。

本发明的贡献在于：通过构建神经网络模型，并结合构建的数据集，使得神经网络模型能够预测影响机器人末端工具残余振动的系统模态频率和阻尼比参数，系统模态频率和阻尼比参数经过计算模块转换为整形器参数后替换了原有的整形器参数，控制器获取调整后的整形器输出的新的脉冲指令，从而能够实现整形器对机器人末端工具轨迹的实时调整，使得机器人末端工具残余振动达到最优抑制效果；

在机器人末端工具发生改变的情况下，只需收集少量的迁移数据集，并利用原先构建的神经网络模型进行迁移学习操作，即可得到迁移神经网络模型，新的迁移神经网络模型能够适用于发生变更的末端工具，使得机器人新末端工具依旧可以达到最优的残余振动抑制效果。

附图说明

图1是本发明的机器人末端工具残余振动抑制方法的流程图；

图2是本发明中的模型迁移操作的流程图；

图3是对机器人末端工具轨迹进行实时调整的原理图。

具体实施方式

下列实施例是对本发明的进一步解释和补充，对本发明不构成任何限制。

如图1-3所示，机器人末端工具残余振动抑制方法，包括如下步骤：

S1：采集数据集：准备一安装有末端工具的机器人，所述末端工具上设置有加速度传感器，确定所述机器人的工作空间范围，在工作空间范围内选取多个可表征该工作空间范围的位置点，在所述多个位置点内，随机选取一个位置点作为初始位置点，以初始位置点为起点，将所述末端工具移动至另一位置点，通过所述加速度传感器记录末端工具到达另一位置点时的残余振动信号，将所述残余振动信号转换为系统模态频率和阻尼比参数，同时机器人的控制器记录此时机器人的关节角度，所述系统模态频率、阻尼比参数和关节角度作为数据集的一组数据保存；

将所述末端工具移回初始位置点，并将末端工具移动至未达到过的其他位置点，记录末端工具达到时刻的系统模态频率、阻尼比参数和机器人关节角度，作为数据集的另一组数据保存，重复动作直至新末端工具已到达过选取的所有迁移位置点，并保存到达过的迁移位置点对应的数据；

将保存的多组数据组合形成完整的数据集。

由于不同机器人的工作空间范围不同，首先确定机器人工作空间的范围，确定好工作空间范围后，在工作空间范围内选取多个位置点，使得所选取的位置点组合起来能够表征整个工作空间，本发明选取的是能够表征空间范围的80个位置点，位置点的具体选取过程如下：由于机器人是由不同关节组合而成，不同关节间具有一定的角度，本发明采用的是机器人第二关节和第三关节间的角度差值（以华数机器人为例，机器人的机械臂由六个关节组成，不同关节之间均可相对转动，除了第二关节和第三关节间相互转动形成角度差，其余关节间的角度始终保持不变），从而实现对不同位置点的选取，例如，当第二关节和第三关节间的角度差值（即关节角度）为5°时作为运动过程中的一个位置点，改变第二关节和第三关节间的角度差值（关节角度），使其变为8°（改变的度数在2°-5°之间），此为机器人末端工具运动中的另一位置点。

当选取好所需的位置点后，将所选取的位置点所对应的关节角度下发给机器人的控制器，控制器会控制机器人末端工具从初始位置点先后运动至工作空间内的多个位置点处，进一步的说明，本发明中先后运动至工作空间内的多个位置点的具体运动过程如下：控制器会控制机器人末端工具从初始位置点（初始位置点为机器人末端工具未运动时的最初位置点）运动到第一个位置点，控制器会记录并保存此时的机器人关节角度，并通过加速度传感器记录下第一位置点处的残余振动信号，将此处的残余振动信号转化成对应的系统模态频率和阻尼比参数，从而完成第一个位置点的数据收集（即对应关节角度下的系统模态频率和阻尼比参数）。

当第一个位置点的数据收集完成后，控制器命令机器人末端工具回到初始位置点，然后通过控制器控制机器人末端工具运动到第二个位置点，控制器会记录并保存此时机器人的关节角度，并通过加速度传感器记录下第二位置点处的残余振动信号，通过计算将此处的残余振动信号转化成对应的系统模态频率和阻尼比参数，从而完成第二个位置点的数据收集，重复上述操作，可以得到所有位置点的相应数据，从而构成了数据集（数据集可以分为训练集和验证集）。

更进一步的说明，步骤S1中通过加速度传感器所获得的残余振动信号分别进行快速傅里叶变换和对数衰减法后得到所需的系统模态频率和阻尼比参数。

具体的，通过快速傅里叶变换能够求得系统模态频率，通过对数衰减法能够求得系统阻尼比。

其中，快速傅里叶变换的公式为：

式中f（x）为采集到的残余振动信号，等式右边是通过离散傅里叶变换得到的不同频率下的正余弦信号，其中，

表示信号的直流分量；

表示与第n个模态频率对应的余弦信号的幅值；

表示与第n个模态频率对应的正弦信号的幅值，L为残余振动信号总时长的一半数值，n为一变量，表示第n个谐波，

为第n个模态频率。

进一步对残余振动信号的傅里叶变换进行说明，残余振动信号为多种模态频率的叠加，通过快速傅里叶变换能够将残余振动信号分解为多组频率点下的信号，在这些多组频率点下的信号中会有一频率点下的信号明显高于其他频率点的信号（即该频率点的信号幅值最大，该频率点的信号幅值明显大于其他频率点的信号幅值），该频率点就是所需采集并保存的系统模态频率

。

对数衰减法是对傅里叶变换公式筛选出来的系统模态频率下的残余振动信号曲线进行分析从而得到阻尼比参数，公式为：

式中，

和

分别为上述经过傅里叶变换筛选出的系统模态频率下，振动曲线上的两个峰值，其中，

取符合残余振动特性的波形的第一个峰值，

为

和

间的峰值间隔，

为所选出系统模态频率下的阻尼比参数，进一步的，

为大于或等于1的正整数，为了减少误差，需要对

取若干不同数值，得到若干个

，并对若干个

求平均值作为最终的系统模态频率下的阻尼比参数。

具体的上式中，举例说明，

，

的取值一般可为1-5的正整数，例如，1，2，3，4，5，将

和

分别代入公式可以对应求解到五个阻尼比参数，分别为

、

、

、

、

，将

、

、

、

、

相加并求其平均值则可得所需的阻尼比参数（求平均值可减小误差）。

更进一步的说明，步骤S1中所收集的数据集还需要进行随机分配，按照7:3的比例划分为训练集和验证集，训练集用于对步骤S2中构建的神经网络模型进行训练，并在训练过程中对训练误差进行梯度下降，进行神经网络节点的权重系数的调整（位于隐含层中，一般训练调整好后的权重系数就无需再次训练了），验证集用于对训练后（也可以设置部分训练中）的神经网络模型进行验证校准。

具体的，验证集用在训练的过程中，一般在训练时，几个epoch（epoch表示“期”，神经网络和深度学习中常用到，假设有1000个样本，每个样本均需要先后用来训练这个神经网络模型，当这1000个样本都被用过一遍之后，我们就说完成了一期训练，如果设置epoch=5，就是将这个神经网络进行了五期训练）结束后运行一次验证集检验效果（检验太频繁会影响训练速度，所以不宜过频繁，例如总共跑1000遍，那么设置每100个epoch检验一遍验证集）。这样做的第一个好处是，能够及时发现模型或者参数的问题，比如神经网络模型在训练过程中出现结果奇怪现象（出现无穷大），或是准确率不增长或者增长很慢等情况，此时可以及时停止训练，重新调整神经网络模型，而不用等到训练结束才调整，第二个好处是验证神经网络模型的泛化能力，如果在验证集上效果比训练集上差很多，考虑神经网络模型是否过拟合了（过拟合可以通过早停等方式解决）。

S2：构建神经网络模型：将步骤S1中所获得的数据集对所述神经网络模型进行训练和验证；将所述经过训练和验证后的神经网络模型应用至所述机器人；

所述控制器获取机器人实时运动过程中的关节角度，通过所述神经网络模型得到该关节角度下所对应的系统模态频率和阻尼比参数，将通过神经网络模型后所得到的系统模态频率和阻尼比参数输入至计算模块中，计算模块将输入的系统模态频率和阻尼比参数计算并转换为整形器参数；所述控制器与整形器相连，所述整形器用于接收脉冲指令，同时用于接收转换所得的整形器参数，将所述整形器参数替换原有的整形器参数，并输出新的脉冲指令，所述控制器获取新脉冲指令并对机器人进行实时调整，使得机器人末端工具运动轨迹达到抑振效果。

构建神经网络模型（本发明为BP神经网络模型），神经网络模型中包含了输入层、隐含层和输出层，输入层输入的是机器人的关节角度数值，输出层输出的是不同关节角度下机器人末端工具残余振动的系统模态频率和阻尼比参数，隐含层用于拟合输入层和输出层，使得输入层和输出层之间形成关系映射。

输入层、输出层和隐含层中均有相应个数的神经元，三者神经元之间的关系为：

式中，

为输入层神经元个数，

为输出层神经元个数，

为隐含层神经元个数，v为10以内的随机正整数。

将数据集中的训练集带入神经网络模型中，对神经网络模型进行训练，使得神经网络模型的输入层和输出层之间形成关系映射（主要为关节角度与系统模态频率和阻尼比参数间的关系映射），从而得到训练好的神经网络模型，训练好的神经网络模型是否适合机器人末端工具还需要通过验证集的验证，经过验证后的神经网络模型才符合要求。

验证的方法为将验证集中的关节角度带入神经网络模型的输入层中，神经网络模型的输出层会给出相应的系统模态频率和阻尼比参数，将得到的系统模态频率和阻尼比参数分别与验证集的系统模态频率和阻尼比参数相互比对，若经过输出层输出的系统模态频率和阻尼比参数与验证集的系统模态频率和阻尼比参数之间的差值都满足误差允许范围（10%以内就认为该模型具有较好的泛化能力），则此时的神经网络模型为适合机器人末端工具的神经网络模型，若经过输出层输出的系统模态频率和阻尼比参数与验证集的系统模态频率和阻尼比参数之间的差值（此处差值指的是系统模态频率和阻尼比参数两者中任一差值）不满足误差允许范围，则扩大训练集的比例，并对神经网络模型重新进行训练和验证，直至获得适合机器人末端工具的神经网络模型。

如图3所示，整形器起到了调节脉冲指令的作用，经过整形器调节后的脉冲指令（即新的脉冲指令）被控制器（PID控制器）接收，控制器根据接收的脉冲指令对机器人的运动轨迹进行控制。具体的，本发明中整形器的参数是实时进行调整的，通过不断调整整形器参数，使得整形器输出的脉冲指令也相应的进行了调整，控制器接收实时调整的脉冲指令并对机器人的轨迹进行实时调整（整形器能够将脉冲指令分几次给到控制器，以ZV整形器为例，分为两次脉冲指令给到控制器，通过两次脉冲指令所产生的振动线性叠加并抵消后，得到残余振动效果好的运动轨迹）。

更进一步的说明，整形器参数的实时调整是通过以下步骤实现的：通过获取机器人运动过程中的关节角度，神经网络模型会映射出对应关节角度下的模态频率和阻尼比参数，将得到的模态频率和阻尼比参数输入至计算模块中，计算模块会将该模态频率和阻尼比参数换算为整形器参数，再将换算所得的整形器参数替换掉原整形器参数，即完成了整形器参数的调整。

更进一步的说明，计算模块中整形器参数、系统模态频率和阻尼比参数间的转换关系为（以ZV整形器为例）：

上式中，

、

（i=1，2，…，p）是整形器的参数，

为脉冲幅值，

为由脉冲延时设计得到的延时单元，上式公式中等号右边矩阵以p=2时的矩阵为例，当p值变化时，等号右边矩阵也需要相应变化，

为通过神经网络模型映射所得的系统模态频率，

为通过神经网络模型映射所得的系统阻尼比参数，e=2.71828，可以将输入整形器的实现过程理解为输入信号和具有一定延时的输入信号的叠加。

S3：迁移学习：当机器人末端工具发生更换，将步骤S2中经过训练和验证后的神经网络模型进行迁移操作，得到适合机器人新末端工具的迁移神经网络模型；

所述控制器获取机器人实时运动过程中的迁移关节角度，通过所述迁移神经网络模型得到该迁移关节角度下所对应的迁移系统模态频率和迁移阻尼比参数，将迁移系统模态频率和迁移阻尼比参数输入至计算模块中，计算模块将输入的迁移系统模态频率和迁移阻尼比参数计算并转换为迁移整形器参数；所述整形器用于接收脉冲指令，同时用于接收转换所得的迁移整形器参数，将所述迁移整形器参数替换原有的整形器参数，并输出新的迁移脉冲指令，所述控制器获取新的迁移脉冲指令并对机器人进行实时调整，使得机器人新末端工具运动轨迹达到抑振效果。

步骤S3中的模型迁移操作（如图2所示）包括如下步骤：

S31：采集迁移数据集：在更换的机器人新末端工具上设置迁移加速度传感器，在工作空间范围内选取多个可表征该工作空间范围的迁移位置点（迁移数据采集阶段所需的迁移位置点数量较步骤S1中的位置点数量大为减少，一般为S1步骤中位置点数量的一半即可），在所述多个迁移位置点内，随机选取一个迁移位置点作为迁移初始位置点，以迁移初始位置点为起点，将所述新末端工具移动至另一迁移位置点，通过所述迁移加速度传感器记录新末端工具到达另一迁移位置点时的迁移残余振动信号，将所述迁移残余振动信号转换为迁移系统模态频率和迁移阻尼比参数；同时机器人的控制器记录此时机器人的迁移关节角度；所述迁移系统模态频率、迁移阻尼比参数和迁移关节角度作为迁移数据集的一组迁移数据保存；

将所述新末端工具移回迁移初始位置点，并将新末端工具移动至未达到过的其他迁移位置点，记录新末端工具达到时刻的迁移系统模态频率、迁移阻尼比参数和机器人的迁移关节角度，作为迁移数据集的另一组迁移数据保存；重复动作直至新末端工具已到达过选取的所有迁移位置点，并保存到达过的迁移位置点对应的数据；

将保存的多组迁移数据组合形成完整的迁移数据集；

将所构建的迁移数据集以1：1的比例随机分配为迁移训练集和迁移验证集；

S32：构建迁移神经网络：所述的隐含层包括有底层信息，将所述底层信息进行冻结，再将迁移训练集对该神经网络模型中的输入层、除底层信息以外的隐含层和输出层进行训练，训练完成后，解冻所述底层信息，得到经过训练的迁移神经网络模型。

对隐含层的底层信息冻结，具体为对隐含层中靠近输入层的底层信息进行冻结，本文中冻结不代表不再使用，而是在训练过程中无需再次对底层信息进行训练，因为底层信息中保留了之前神经网络模型中的大量参数信息，尤其是权重系数，权重系数在改变末端工具时并不会发生改变，所以靠近输入层的此部分隐含层（即底层信息）是无需重新对其进行训练的，只需对除底层信息外的隐含层进行训练即可，当对除底层信息外的隐含层训练完成后，再将此前冻结的底层信息解冻即可得到完整的迁移神经网络模型。

S33：用迁移验证集对训练后的迁移神经网络模型进行验证，通过验证后，得到适合机器人新末端工具的迁移神经网络模型。

验证所得到的迁移神经网络模型过程与原神经网络模型的验证过程一致，此处不过多赘述。

尽管通过以上实施例对本发明进行了揭示，但本发明的保护范围并不局限于此，在不偏离本发明构思的条件下，对以上各构件所做的变形、替换等均将落入本发明的权利要求范围内。

Claims (7)

1.机器人末端工具残余振动抑制方法，其特征在于，包括如下步骤：

S1：采集数据集：准备一安装有末端工具的机器人，所述末端工具上设置有加速度传感器，确定所述机器人的工作空间范围，在工作空间范围内选取多个可表征该工作空间范围的位置点，在所述多个位置点内，随机选取一个位置点作为初始位置点，以初始位置点为起点，将所述末端工具移动至另一位置点，通过所述加速度传感器记录末端工具到达另一位置点时的残余振动信号，将所述残余振动信号转换为系统模态频率和阻尼比参数，同时机器人的控制器记录此时机器人的关节角度，所述系统模态频率、阻尼比参数和关节角度作为数据集的一组数据保存；

将所述末端工具移回初始位置点，并将末端工具移动至未达到过的其他位置点，记录末端工具达到时刻的系统模态频率、阻尼比参数和机器人关节角度，作为数据集的另一组数据保存，重复动作直至末端工具已到达过选取的所有位置点，并保存到达过的位置点对应的数据；

将保存的多组数据组合形成完整的数据集；

S2：构建神经网络：构建神经网络模型，将步骤S1中所获得的数据集对所述神经网络模型进行训练和验证；将所述经过训练和验证后的神经网络模型应用至所述机器人；

所述控制器获取机器人实时运动过程中的关节角度，通过所述神经网络模型得到该关节角度下所对应的系统模态频率和阻尼比参数，将通过神经网络模型后所得到的系统模态频率和阻尼比参数输入至计算模块中，计算模块将输入的系统模态频率和阻尼比参数计算并转换为整形器参数；所述控制器与整形器相连，所述整形器用于接收脉冲指令，同时用于接收转换所得的整形器参数，将所述整形器参数替换原有的整形器参数，并输出新的脉冲指令，所述控制器获取新脉冲指令并对机器人进行实时调整，使得机器人末端工具运动轨迹达到抑振效果；

S3：迁移学习：当机器人末端工具发生更换，将步骤S2中经过训练和验证后的神经网络模型进行迁移操作，得到适合机器人新末端工具的迁移神经网络模型；

所述控制器获取机器人实时运动过程中的迁移关节角度，通过所述迁移神经网络模型得到该迁移关节角度下所对应的迁移系统模态频率和迁移阻尼比参数，将迁移系统模态频率和迁移阻尼比参数输入至计算模块中，计算模块将输入的迁移系统模态频率和迁移阻尼比参数计算并转换为迁移整形器参数；所述整形器用于接收迁移脉冲指令，同时用于接收转换所得的迁移整形器参数，将所述迁移整形器参数替换原有的整形器参数，并输出新的迁移脉冲指令，所述控制器获取新的迁移脉冲指令并对机器人进行实时调整，使得机器人新末端工具运动轨迹达到抑振效果。

2.根据权利要求1所述的机器人末端工具残余振动抑制方法，其特征在于：步骤S1所选取的多个位置点中，相邻位置点间对应的关节角度间的变化在2°-5°之间。

3.根据权利要求1所述的机器人末端工具残余振动抑制方法，其特征在于：步骤S1中通过加速度传感器所获得的残余振动信号分别进行快速傅里叶变换和对数衰减法后得到所需的系统模态频率和阻尼比参数。

4.根据权利要求1所述的机器人末端工具残余振动抑制方法，其特征在于：随机将步骤S1中所述的数据集按照7:3的比例分为训练集和验证集。

5.根据权利要求1所述的机器人末端工具残余振动抑制方法，其特征在于：步骤S2中神经网络模型包括输入层、隐含层和输出层，输入层输入的是机器人不同位置点处的关节角度数值，输出层输出的是不同关节角度下机器人末端工具的系统模态频率和阻尼比参数，隐含层用于拟合输入层和输出层，使得输入层和输出层之间形成关系映射。

6.根据权利要求4所述的机器人末端工具残余振动抑制方法，其特征在于：将所述训练集中包含的不同关节角度和与不同关节角度下的系统模态频率和阻尼比参数输入神经网络模型中，对所述神经网络模型进行训练，得到训练后的神经网络模型；

将验证集中的不同关节角度数值带入经过训练后的神经网络模型的输入层中，从输出层中得到对应的系统模态频率和阻尼比参数，将通过训练后的神经网络模型得到的系统模态频率和阻尼比参数分别与验证集中的系统模态频率和阻尼比参数进行比对，当通过训练后的神经网络模型得到的系统模态频率和阻尼比参数与验证集中的系统模态频率和阻尼比参数之间的差值均在允许误差范围内时，则得到步骤S2中所述的经过训练和验证后的神经网络模型。

7.根据权利要求5所述的机器人末端工具残余振动抑制方法，其特征在于：步骤S3中的模型迁移操作包括如下步骤：

S31：采集迁移数据集：在更换的机器人新末端工具上设置迁移加速度传感器，在工作空间范围内选取多个可表征该工作空间范围的迁移位置点，在所述多个迁移位置点内，随机选取一个迁移位置点作为迁移初始位置点，以迁移初始位置点为起点，将所述新末端工具移动至另一迁移位置点，通过所述迁移加速度传感器记录新末端工具到达另一迁移位置点时的迁移残余振动信号，将所述迁移残余振动信号转换为迁移系统模态频率和迁移阻尼比参数，同时机器人的控制器记录此时机器人的迁移关节角度，所述迁移系统模态频率、迁移阻尼比参数和迁移关节角度作为迁移数据集的一组迁移数据保存；

将所述新末端工具移回迁移初始位置点，并将新末端工具移动至未达到过的其他迁移位置点，记录新末端工具达到时刻的迁移系统模态频率、迁移阻尼比参数和机器人的迁移关节角度，作为迁移数据集的另一组迁移数据保存，重复动作直至新末端工具已到达过选取的所有迁移位置点，并保存到达过的迁移位置点对应的数据；

将保存的多组迁移数据组合形成完整的迁移数据集；

将所构建的迁移数据集以1：1的比例随机分配为迁移训练集和迁移验证集；

S32：构建迁移神经网络模型：所述的隐含层包括有底层信息，将所述底层信息进行冻结，再将迁移训练集对该神经网络模型中的输入层、除底层信息以外的隐含层和输出层进行训练，训练完成后，解冻所述底层信息，得到经过训练的迁移神经网络模型；

S33：用迁移验证集对训练后的迁移神经网络模型进行验证，通过验证后，得到适合机器人新末端工具的迁移神经网络模型。

Images