CN116423509A - 一种基于深度神经网络的机械臂残余振动抑制方法及装置 - Google Patents
一种基于深度神经网络的机械臂残余振动抑制方法及装置 Download PDFInfo
- Publication number
- CN116423509A CN116423509A CN202310380499.2A CN202310380499A CN116423509A CN 116423509 A CN116423509 A CN 116423509A CN 202310380499 A CN202310380499 A CN 202310380499A CN 116423509 A CN116423509 A CN 116423509A
- Authority
- CN
- China
- Prior art keywords
- mechanical arm
- preset
- pose
- dynamic characteristics
- target
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 75
- 230000001629 suppression Effects 0.000 title claims abstract description 33
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 17
- 238000003062 neural network model Methods 0.000 claims abstract description 33
- 238000012549 training Methods 0.000 claims abstract description 22
- 238000013461 design Methods 0.000 claims abstract description 13
- 230000004044 response Effects 0.000 claims description 24
- 238000013016 damping Methods 0.000 claims description 22
- 238000004088 simulation Methods 0.000 claims description 22
- 238000012360 testing method Methods 0.000 claims description 10
- 238000013507 mapping Methods 0.000 claims description 9
- 238000002474 experimental method Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 4
- 238000010187 selection method Methods 0.000 claims description 3
- 238000010206 sensitivity analysis Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 abstract description 14
- 230000002401 inhibitory effect Effects 0.000 abstract description 6
- 230000000875 corresponding effect Effects 0.000 description 23
- 230000008569 process Effects 0.000 description 8
- 230000000694 effects Effects 0.000 description 7
- 230000010355 oscillation Effects 0.000 description 7
- 230000036544 posture Effects 0.000 description 7
- 230000006399 behavior Effects 0.000 description 5
- 230000001276 controlling effect Effects 0.000 description 5
- 238000011160 research Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 230000002829 reductive effect Effects 0.000 description 4
- 238000007493 shaping process Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000005764 inhibitory process Effects 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 238000001228 spectrum Methods 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 230000002411 adverse Effects 0.000 description 2
- 239000003638 chemical reducing agent Substances 0.000 description 2
- 239000012636 effector Substances 0.000 description 2
- 230000000670 limiting effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000011664 nicotinic acid Substances 0.000 description 2
- 230000002238 attenuated effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000008602 contraction Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 239000003112 inhibitor Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 239000000178 monomer Substances 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000001208 nuclear magnetic resonance pulse sequence Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 238000001356 surgical procedure Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J9/00—Programme-controlled manipulators
- B25J9/16—Programme controls
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J19/00—Accessories fitted to manipulators, e.g. for monitoring, for viewing; Safety devices combined with or specially adapted for use in connection with manipulators
- B25J19/0091—Shock absorbers
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J9/00—Programme-controlled manipulators
- B25J9/16—Programme controls
- B25J9/1602—Programme controls characterised by the control system, structure, architecture
- B25J9/161—Hardware, e.g. neural networks, fuzzy logic, interfaces, processor
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J9/00—Programme-controlled manipulators
- B25J9/16—Programme controls
- B25J9/1628—Programme controls characterised by the control loop
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Robotics (AREA)
- Mechanical Engineering (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Feedback Control In General (AREA)
Abstract
本申请提供一种基于深度神经网络的机械臂残余振动抑制方法及装置。其中，该机械臂振动抑制方法包括：获取机械臂在预设位姿和预设负载下的动力学特征，建立动力学特征与预设位姿、预设负载之间对应的数据集；基于数据集训练深度神经网络模型；根据机械臂的目标位姿和目标负载，利用深度神经网络模型预测目标动力学特征；根据目标动力学特征设计振动抑制器，配合运动控制器控制机械臂运动至目标位姿的同时抑制残余振动。可以实现，以低计算代价实现动力学特征在线实时预测，自适应设计振动抑制器，实现开放工作场景下的振动抑制。
Description
技术领域
本申请涉及运动控制技术领域，具体涉及一种基于深度神经网络的机械臂残余振动抑制方法及装置。
背景技术
残余振动是由机械臂关节弹性和结构惯性力所引起，属于典型的动力学系统阶跃振荡现象。振荡频率即为系统固有频率，最大振幅通常和机械臂的运行加速度正相关，即机械臂的快速启动和制动会引起末端执行器明显振荡。在对效率要求较高的场景下，残余振动会限制机械臂的运行速率，导致无法充分发挥驱动器能力，而且等待振荡耗散也会浪费大量时间；在对末端的任务执行器由高精准度要求的场景下，如协同手术等，振荡引起的执行器位置超调则是不被允许的。
然而，目前对于机械臂的振动抑制控制方法大多只能针对单一频率，但机械臂自身姿态和末端负载的变化，都会直接影响系统的惯量分布，导致系统动力学特征呈现时变性，机械臂的惯量分布与各关节姿态角之间呈强非线性关系，二者之间的映射关系很难通过简单的函数形式准确表示。如果在机械臂实时运行过程中，不断对携带差异化负载的机械臂建立并求解复杂的动力学方程，会显著提高对控制器硬件的要求，引入大量的计算消耗，且计算耗时可能因姿态不同而存在明显的差异，对机械臂控制造成不良影响。因此亟需一种新型的机械臂振动抑制方法来解决上述问题。
发明内容
本申请针对相关技术的缺点，提出一种基于深度神经网络的机械臂残余振动抑制方法及装置，用以解决相关技术中只能针对单一频率进行振动抑制或振动抑制对应的频率自适应性差的问题。
本申请提供一种机械臂振动抑制方法，包括：获取机械臂在预设位姿和预设负载下的动力学特征，建立所述动力学特征与预设位姿、预设负载之间对应的数据集；基于所述数据集训练深度神经网络模型；根据机械臂的目标位姿和目标负载，利用所述深度神经网络模型预测目标动力学特征；根据所述目标动力学特征设计振动抑制器，配合运动控制器控制所述机械臂运动至目标位姿的同时抑制残余振动。
根据上述实施例可知，本申请通过建立动力学特征与预设位姿、预设负载之间的对应的数据集，并根据数据集训练深度神经网络模型；通过预先训练的深度神经网络模型对机械臂系统具有时变性的动力学特征进行在线预测，再结合振动抑制器实现以极低的计算代价实现机械臂末端残余振动的自适应抑制。本申请采用深度神经网络模型(DeepNeural Networks，DNN)替代了动力学求机械臂特征频率的复杂过程，实现了在线快速对机械臂的时变频率进行预测。其中，本申请中用于训练深度神经网络模型的数据集通过动力学参数仿真分析获得，无需依赖实物样机。同时，训练数据集的样本空间内的样本数量可根据机械臂各参数的设计范围、振动抑制效果等方面的要求来确定，因此操作简单，易于实现。
另外，通过预先训练的深度神经网络模型与振动抑制器设计相结合，可快速根据机械臂的目标位姿和目标负载预测机械臂的目标动力学特征，使机械臂平稳移动至目标位置。所需的计算代价极低，可完全满足机械臂在线快速执行的需求。
在一个实施例中，所述获取机械臂在预设位姿和预设负载下的动力学特征，建立所述动力学特征与预设位姿、预设负载之间对应的数据集包括：获取机械臂关节的动力学参数；根据机械臂的结构设计方案和所述关节的动力学参数建立机械臂动力学模型；基于所述机械臂动力学模型，分析得到机械臂在预设位姿和预设负载下的动力学特征，从而建立所述动力学特征与预设位姿、预设负载之间对应的数据集。
在一个实施例中，所述获取机械臂关节的动力学参数包括：获取机械臂关节的脉冲响应曲线；处理所述脉冲响应曲线以得到所述机械臂各关节的等效刚度、等效阻尼和等效惯量信息。
在一个实施例中，所述根据机械臂关节的所述动力学参数建立机械臂动力学模型包括：结合所述机械臂关节的所述动力学参数和机械臂的三维模型，建立机械臂的机械臂动力学模型。
在一个实施例中，所述基于所述机械臂动力学模型，分析得到机械臂在预设位姿和预设负载下的动力学特征，从而建立所述动力学特征与预设位姿、预设负载之间对应的数据集包括：以机械臂的预设位姿、预设负载为自变量建立自变量数据集；利用所述机械臂动力学模型获取机械臂在所述自变量数据集中各自变量组合对应条件下的动力学特征，建立响应数据集。
在一个实施例中，所述基于所述数据集训练深度神经网络模型包括：选择不同层数的神经网络进行训练以确定目标最优层数；选择不同的训练集选择法训练神经网络，以获取所述动力学特征与所述预设位姿、所述预设负载之间对应的数据集之间的映射关系。
在一个实施例中，所述根据机械臂的目标位姿和目标负载，利用所述深度神经网络模型确定目标动力学特征包括：将基于所述数据集训练所得的所述深度神经网络模型引入所述机械臂的控制装置中，将机械臂的目标位姿和目标负载的信息输入所述深度神经网络模型中以确定目标动力学特征。
在一个实施例中，所述基于所述机械臂动力学模型，分析得到机械臂在预设位姿和预设负载下的动力学特征还包括：通过实验获取机械臂样机在预设位姿和预设负载下对应的实际动力学特征，所述机械臂动力学模型为机械臂仿真动力学模型，基于所述机械臂仿真动力学模型得到与实验相同状态下所述机械臂在预设位姿和预设负载下对应的仿真动力学特征，对所述机械臂仿真动力学模型进行修正以确定所述动力学特征。
在一个实施例中，所述通过实验或测试获取机械臂样机在预设位姿和预设负载下对应的实际动力学特征包括：实验测定机械臂样机在若干位姿和若干预设负载下对应的固有频率、模态阻尼比以及振型。
在一个实施例中，所述对所述机械臂仿真动力学模型进行修正以确定所述动力学特征包括：对比实际动力学特征和仿真动力学特征，通过灵敏度分析确定敏感参数，对敏感参数进行修正以确定所述动力学特征。
本申请还提供一种机械臂组件，包括：臂体和控制器。其中，控制器与所述臂体连接，用于控制所述臂体运动至目标位姿并实现如前所述的机械臂振动抑制方法。
本申请还提供一种控制设备，包括：处理器、存储器和至少一个程序。其中，存储器与所述处理器通信连接；至少一个程序被存储在所述存储器中并被配置为由所述处理器执行，所述至少一个程序被配置用于：实现如前所述的机械臂振动抑制方法。
本申请还提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被控制设备执行时实现如前所述的机械臂振动抑制方法。
本申请附加的方面和优点将在下面的描述中部分给出，这些将从下面的描述中变得明显，或通过本申请的实践了解到。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。
图1是本申请实施例提供的一种机械臂振动抑制方法的流程示意图；
图2是本申请实施例提供的一种机械臂振动抑制方法中步骤S100的流程示意图；
图3是本申请实施例提供的一种机械臂振动抑制方法中步骤S110的流程示意图；
图4是本申请实施例提供的另一种机械臂振动抑制方法中步骤S130的流程示意图；
图5是本申请实施例提供的另一种机械臂振动抑制方法中步骤S200的流程示意图；
图6是本申请实施例提供的一种机械臂振动抑制方法中步骤S130中的流程示意图
图7是本申请实施例提供的一种机械臂三维模型示意图；
图8是图7中机械臂三维模型的末端振动响应频谱；
图9是采用本申请实施例提供的一种机械臂振动抑制方法振动抑制前后的测试结果对比图；
图10是本申请实施例提供的一种控制设备的结构示意图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施例并不代表与本申请相一致的所有实施例。相反，它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
在本申请使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本申请。在本申请和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
研究发现，以柔性关节机械臂为代表，残余振动现象的动力学模型可简化为结构动力学中经典的多自由度弹簧-阻尼-质量动力系统，系统固有频率由弹簧刚度、阻尼和质量分布共同决定，残余振动的主频率即为系统低阶固有频率。相关研究表明，关节中的减速器是弹性和阻尼特性的主要贡献因素，其等效刚度和阻尼可视为常数，但机械臂的姿态以及末端负载的变化，都会直接影响系统的惯量分布，从而导致系统动力学特征呈时变性。机械臂的惯量分布与各关节姿态角之间是基于坐标转换矩阵连续相乘的强非线性的关系，以描述关节姿态角和末端负载惯量为定义域，以机械臂固有频率为值域，二者之间的映射很难通过简明的函数形式表示。相关研究工作中通过分析响应数据来提取系统特征的方法进行振动抑制，此类方法存在天然的滞后性，应用效果仅缩短了振荡衰减时长，对最大超调的抑制较为有限，同样无法解决精细化操作的需求。另一种解决方法是引入模型预测，根据预测结果实时设计控制器(反馈或前馈)可以解决根据响应提取系统特征的滞后性，但硬件成本高，无法适用于快过程系统，目前尚无较好的解决方案。在机械臂实时运行过程中，如需不断对附带差异化负载的机械臂建立并求解复杂的动力学方程，会显著提高对控制器硬件的要求，引入大量的计算消耗，且计算耗时可能因姿态不同而存在明显的差异，对机械臂控制造成不良影响。
本申请提供的一种基于深度神经网络的机械臂残余振动抑制方法及装置，旨在解决相关技术的如上技术问题。
下面结合附图，对本申请实施例中的基于深度神经网络的机械臂残余振动抑制方法及装置进行详细说明。在不冲突的情况下，下述的实施例中的特征可以相互补充或相互组合。
本申请实施例提供了一种机械臂振动抑制方法，该方法的流程示意图如图1所示，包括以下步骤：
S100：获取机械臂在预设位姿和预设负载下的动力学特征，建立动力学特征与预设位姿、预设负载之间对应的数据集。
本实施例中的动力学特征包括固有频率fi、模态阻尼比ζi及振型
预设位姿通过各关节角坐标qj(j＝1,…,7)表示，预设负载为m，建立动力学特征与预设位姿、预设负载之间对应的数据集/>
在一些实施例中，动力学特征也可仅包括固有频率fi和模态阻尼比ζi。本领域技术人员可灵活设定。
本实施例中机械臂及一体化关节可应用于工业机器人、服务机器人或特种机器人。在一个示例中，机械臂可应用于弹琴机器人。
本实施例中机械臂的自由度为n，n大于零且为正整数。在一个示例中，机械臂的自由度为7。
需要说明的是，本实施例获取机械臂在预设位姿和预设负载下的动力学特征的方式可以采用暴力求解算法、解析法、动力学建模等常规计算方法获取，本申请不做具体限定。
S200：基于数据集训练深度神经网络模型。
本实施例通过步骤S100中的数据集
训练深度神经网络，以预设位姿和预设负载为设计因子构建定义域{qj,m}，固有频率fi、模态阻尼比ζi及振型/>
为响应参数构建值域/>
以得到设计因子(qj,m)与动力学特征参数/>
之间的映射关系。本实施例通过预先训练的深度神经网络模型对机械臂系统具有时变性的动力学特征进行在线预测，可避免在线仿真求解机械臂的动力学所引起的计算代价，更利于振动抑制器的在线自适应设计，可完全满足机械臂在线快速执行的需求。
S300：根据机械臂的目标位姿和目标负载，利用深度神经网络模型预测目标动力学特征。
本实施例将基于数据集训练所得的深度神经网络模型引入机械臂的控制装置中，在接收到机械臂的目标位姿和目标负载的信息后，将机械臂的目标位姿和目标负载的信息输入深度神经网络模型中以预测并进一步确定目标动力学特征参数
S400：根据目标动力学特征设计振动抑制器，配合运动控制器控制机械臂运动至目标位姿的同时抑制残余振动。
本实施例中的振动抑制器可选用输入整形器，对输入机械臂的初始运动控制命令进行输入整形，以在控制机械臂移动至目标位置的过程中抑制机械臂末端残余振动。输入整形器可依据步骤S300中得到的目标动力学特征参数
进行设计，具体为将各关节的输入参数和对应的输入整形器进行卷积，得到最终的各关节输入参数，配合运动控制器驱动机械臂完成规划动作，平稳到达目标位置，从而实现末端振动抑制。
在一些实施例中，动力学特征也可仅包括固有频率fi和模态阻尼比ζi。本领域技术人员可灵活设定。
需要说明的是，为实现振动抑制，可选用不同的振动抑制器，本申请给出输入整形器的实施例，但不限于此。本领域技术人员可根据实际情况灵活设置。
需要进一步说明的是，在本领域中通过控制抑制机械臂残余振动的方法大致可分为反馈控制和前馈控制两类。反馈控制以基于逆动力学模型的PID控制为代表，实现简单，鲁棒性好，但对机械臂动力学参数敏感，不适用于变载荷及高速运动控制，而且对残余振动最大超调的抑制效果有限；另外，反馈回路引入了延迟，还必须配备反馈控制器和感知末端位姿的传感器，增加了系统的复杂度和硬件成本。
前馈控制的常用方法有最优轨迹规划和输入整形，这类方法不需要反馈传感器，但控制输入同样无法考虑系统的变化。机械臂轨迹规划目前多采用三次多项式或三次均匀B样条插值，所生成的轨迹在起止点的导数值存在突变，在启停时诱发振动。相比之下，基于NURBS曲线的轨迹能够较好地消除振动，但NURBS曲线求解复杂，计算量较大，这也是采用高次多项式或其他复杂曲线进行轨迹规划法的通病，此类算法目前大多是算法层面的研究，部分算法通用性差，同时考虑振动抑制和其他目标，如时间、能耗等，进行综合优化时，通常采用附加权重系数的方法，但权重系数的选择有很大的主观性。而且，最优轨迹在运行时间和驱动器最大功率上也存在矛盾。
输入整形通过前馈控制将指定的频率成分从系统输入中滤除，抑制响应中对应的频率成分，通过前馈控制对系统响应中的特定频率成分实现抑制，本质上就是从系统输入的频率特征中对该频率成分进行滤波。相比于完整的陷波滤波器，输入整形技术仅利用若干指定延迟和幅值比的脉冲实现滤波，具有形式简洁，延迟小，不引入复杂波纹等优势，其时域效果为信号平滑，频域效果则相当于梳状滤波器。输入整形的优势非常适用于机械臂的残余振动抑制，但由于脉冲序列的陷波频率由脉冲的时间间隔直接决定，所以面对机械臂时变的固有频率，必须解决目标频率的预测问题。因此本申请通过在机械臂的振动抑制方法中引入深度神经网络模型，再结合输入整形器可实现准确快速的对机械臂的末端残余振动进行抑制的效果。
本申请通过建立动力学特征于预设位姿、预设负载之间的对应的数据集，并根据数据集训练深度神经网络模型；通过预先训练的深度神经网络模型对机械臂系统具有时变性的动力学特征进行在线预测，再结合振动抑制器实现以极低的计算代价实现机械臂末端残余振动的自适应抑制。本申请采用深度神经网络模型(Deep Neural Networks，DNN)替代了动力学求机械臂特征频率的复杂过程，实现了在线快速对机械臂的时变频率进行预测。其中，本申请中用于训练深度神经网络模型的数据集通过动力学参数仿真分析获得，无需依赖实物样机。同时，训练数据集的样本空间内的样本数量可根据机械臂各参数的设计范围、振动抑制效果等方面的要求来确定，因此操作简单，易于实现。
另外，通过预先训练的深度神经网络模型结合振动抑制器，可快速根据机械臂的目标位姿和目标负载预测机械臂的目标动力学特征并使机械臂平稳移动至目标位置。所需的计算代价极低，可完全满足机械臂在线快速执行的需求。
在一些实施例中，如图2所示，步骤S100包括：
S110：获取机械臂关节的动力学参数。
本实施例中的动力学参数包括等效刚度、等效阻尼和转动部件等效惯量。
本实施例中通过关节单体动力学实验，测定不同型号的机械臂(实物样机)的各个关节的等效刚度,等效阻尼和转动部件等效惯量。
需要说明的是，本实施例中的等效刚度、等效阻尼和转动等效惯量通过常规振动理论的测定和计算方法得到，本申请不做具体限制。
S120：根据机械臂的结构设计方案和关节的动力学参数建立机械臂动力学模型。
本实施例通过结合机械臂的动力学参数和机械臂的三维模型建立机械臂动力学模型，具体为机械臂的动力学仿真模型。其中，结构设计方案包括机械臂的几何信息，具体的，几何信息包括机械臂各个关节之间的各段臂的长度、各个关节的相对位置和角度。
S130：基于所述机械臂动力学模型，分析得到机械臂在预设位姿和预设负载下的动力学特征，从而建立所述动力学特征与预设位姿、预设负载之间对应的数据集。
在一些实施例中，机械臂动力学模型通过MATLAB/Simulink(或ADAMS)多体系统动力学仿真软件建立，机械臂的各臂段结构模型通过CAD模型导入，将步骤100中所得的动力学参数引入机械臂的原始动力学模型中，简化得到最终的机械臂动力学模型，使得机械臂动力学模型具备与实物样机相同或相近的末端残余振动行为。
在一些实施例中，如图3所示，步骤S110包括：
S111：获取机械臂关节的脉冲响应曲线。
本实施例通过固定安装机械臂，并在关节的运动端安装配重块，对关节施加脉冲输入，测量配重块的响应参数以得到脉冲响应曲线。
S112：处理所述脉冲响应曲线以得到所述机械臂各关节的等效刚度、等效阻尼和等效惯量信息。
本实施例通过处理脉冲响应曲线中的响应信号得到各个关节的动力学参数。
在一些实施例中，如图4所示，步骤S130包括：
S131：以机械臂的预设位姿、预设负载为自变量建立自变量数据集。
本实施例以各关节角坐标qj(j＝1,…,7)，末端负载m，构造8维向量{q1,...,q7,m}为自变量向量，按各转角上下限和负载极限范围对各元素进行归一化，利用LatinHypercube方法构造规模为nDOE×8的归一化DOE矩阵，以建立自变量数据集。其中每行为一组随机归一化自变量组合，nDOE的取值需满足步骤S400中的深度神经网络模型训练的要求。其中，各关节角坐标即对应机械臂各自由度的广义位移，即转动副的转角或移动副的伸缩量。
S132：利用机械臂动力学模型获取机械臂在自变量数据集中各自变量组合对应条件下的动力学特征，建立响应数据集。
本实施例从步骤S310中的DOE矩阵中按行抽取自变量组合，去归一化后作为初始状态参数输入机械臂动力学模型，依次施加适当量级的三次多项式准梯形波脉冲信号驱动各关节快速启停，脉冲间歇时长应确保末端振动衰减至足够低，逐段分析各关节驱动与末端振动响应间的动力学传递函数，提取相应的动力学特征，构造机械臂动力学特征参数矩阵，以建立响应数据集。其中动力学特征参数包含
其中i为所需关注的模态阶次。
在一个实施例中，动力学特征也可仅包括固有频率fi和模态阻尼比ζi。本领域技术人员可灵活设定。
在一些实施例中，如图5所示，步骤S200包括：
S210：选择不同层数的神经网络进行训练以确定目标最优层数。
本实施例中目标最优层数为在满足精度要求的情况下的最小层数。
S220：选择不同的训练集选择法训练神经网络，以获取动力学特征与预设位姿、预设负载之间对应的数据集之间的映射关系。
本实施例在步骤S210确定目标最优层数之后，再通过不同的训练集选择方式，训练深度神经网络模型，得到动力学特征与预设位姿、预设负载之间对应的数据集的映射关系，即所得深度神经网络具备根据自变量组合预测机械臂动力学特征参数的能力。
在一些实施例中，如图6所示，步骤S130中基于机械臂动力学模型得到机械臂在预设位姿和预设负载下的动力学特征还包括：
S1301：获取机械臂样机在预设位姿和预设负载下对应的实际动力学特征。
本实施例对机械臂实物样机进行测试并获取机械臂样机的实际动力学特征。具体为，测试实物样机在若干位姿和若干负载状态下的动力学特征，机械臂样机的动力学特征包括机械臂的低阶模态参数，包括固有频率fi、模态阻尼比ζi及振型φi。在一个示例中，考虑到机械臂实际作业中工况复杂多变，选择部分典型位姿，并搭配若干不同负载，作为测试状态，在各测试状态下，测试机械臂的上述动力学特征。
S1302：基于机械臂动力学模型得到机械臂在预设位姿和预设负载下对应的仿真动力学特征。
本实施例基于步骤S200中得到的机械臂动力学模型，复现步骤S301中的各测试状态的初始化参数，得到对应状态下的仿真动力学特征。
S1303：对机械臂动力学模型进行修正以确定动力学特征。
需要说明的是，本申请步骤S1301～S1303可以在步骤S131之前，也可以在步骤S131之后、步骤S132之前。本申请不做特别限定。
本实施例通过对比实际动力学特征和仿真动力学特征，结合灵敏度分析确定敏感参数，对敏感参数进行修正以确定动力学特征。其中，敏感参数为对比实际动力学特征和仿真动力学特征之后，对二者之间的偏差贡献度较高的仿真参数。在合理范围内对敏感参数进行修正，使得动力学模型能够更准确地模拟实物样机的动力学行为，用于分析机械臂的动力学特征。
本实施例结合机械臂实物样机和三维模型进一步对动力学模型进行修正，得到的最终的动力学特征更符合实物样机的运动行为，因此具有更高的准确度。
需要说明的是，本申请实施例中针对动力学模型进行修正需要依赖实物样机方可实现，若无实物样机，则可跳过该步骤，不影响整体方案的实施。
为便于理解，本申请提供一种具体的应用场景，如弹琴机器人在进行钢琴演奏时，弹琴机器人的七自由度仿生手臂在不同琴键位置移动时，快速启停会诱发手部振动，由于仿生手臂的刚度较大，该现象属于典型的柔性关节机械臂残余振动问题。此类问题可简化为结构动力学中经典的多自由度弹簧-阻尼-质量动力系统在阶跃激励下形成的振荡现象。在实际应用中，对机械臂末端振动状态的要求通常是末端的执行器，如手爪、工具等，到达目标位置后能够稳定停止，不出现明显的超调和振荡。
针对上述问题，应从两方面考虑，一是机械臂系统动力学行为的分析，动力系统阶跃振荡的频率即为系统固有频率，由弹簧刚度、阻尼和质量分布共同决定。相关文献研究表明，关节中的减速器是弹性和阻尼特性的主要贡献因素，其等效刚度和阻尼可视为常数，但机械臂的姿态以及末端负载的变化，都会显著影响系统的惯量分布，从而导致系统振动特征呈时变性。而且，惯量分布与各关节姿态角之间的关系是强非线性的，很难通过简明的函数表达式来描述关节姿态角和末端负载到机械臂固有频率的映射。映射关系的复杂性是残余振动抑制的难点之一。二是针对末端到达目标位置后快速稳定停止的需求，引入前馈控制显然是更合适的方法，反馈控制或其他基于响应测量的振动抑制方法都无法避免滞后性。综合二者，具有一定普适性的残余振动抑制方法，应具备较准确地预测机械臂时变固有频率的能力。因此本申请提供了一种更加准确的预测机械臂时变固有频率的能力的机械臂的振动抑制方法，从而可以解决上述应用场景中产生的问题。
上述应用场景中的弹琴机器人的机械臂仿真模型如图7所示，图7中的机械臂仿真模型为七关节机械臂示意图，其中，七关节机械臂包括依次转动连接的第一关节1、第二关节2、第三关节3、第四关节4、第五关节5、第六关节6和第七关节7。在某一姿态下，依次对7个关节施加类梯形波脉冲(等加加速过程)，其末端振动响应图谱如图8所示。从响应频谱中可以看出，手臂存在至少两个主要的振动频率。本申请实施例可解决弹琴机器人的机械臂末端残余振动带来的问题，满足弹琴任务对姿态调节时间的高要求。
在一个示例中，根据上述应用场景对机械臂残余振动进行测试。如图9所示，为机械臂动力学模型在采用本实施例进行振动抑制前后的的测试结果对比图。将振动抑制前后进行对比，结果表明，在1000组测试算例中，平均降幅约82.5％，总振动幅度降低约86.8％，振幅下降超过95％的有107组，90％-95％的有273组，80％-90％的有377组。可见，本申请实施例提供的机械臂振动抑制方法可显著提升振动抑制效果。
基于同一发明构思，本申请还提供一种机械臂组件，包括：臂体和控制器。其中，控制器与所述臂体连接，用于控制所述臂体运动至目标位姿并实现如前所述的机械臂振动抑制方法。
基于同一发明构思，本申请还提供一种控制设备500，如图10所示，包括：处理器510、存储器520和至少一个程序530。其中，存储器520与处理器510通信连接；至少一个程序530被存储在存储器中并被配置为由处理器510执行，至少一个程序530被配置用于：实现如前的机械臂振动抑制方法。
基于同一发明构思，本申请还提供一种计算机可读存储介质，其上存储有计算机程序，计算机可读存储介质的特征在于，该计算机程序被控制设备执行时实现如前的机械臂振动抑制方法。
本申请的上述实施例，在不产生冲突的情况下，可互为补充。
本技术领域技术人员可以理解，本申请中已经讨论过的各种操作、方法、流程中的步骤、措施、方案可以被交替、更改、组合或删除。进一步地，具有本申请中已经讨论过的各种操作、方法、流程中的其他步骤、措施、方案也可以被交替、更改、重排、分解、组合或删除。进一步地，相关技术中的具有与本申请中公开的各种操作、方法、流程中的步骤、措施、方案也可以被交替、更改、重排、分解、组合或删除。
在本申请的描述中，需要理解的是，术语“中心”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本申请和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本申请的限制。
术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本申请的描述中，除非另有说明，“多个”的含义是两个或两个以上。
在本申请的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本申请中的具体含义。
在本说明书的描述中，具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
应该理解的是，虽然附图的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，其可以以其他的顺序执行。而且，附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
以上所述仅是本申请的部分实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本申请的保护范围。
Claims (13)
1.一种机械臂振动抑制方法，其特征在于，包括：
获取机械臂在预设位姿和预设负载下的动力学特征，建立所述动力学特征与所述预设位姿、所述预设负载之间对应的数据集；
基于所述数据集训练深度神经网络模型；
根据机械臂的目标位姿和目标负载，利用所述深度神经网络模型预测目标动力学特征；
根据所述目标动力学特征设计振动抑制器，配合运动控制器控制所述机械臂运动至目标位姿的同时抑制残余振动。
2.根据权利要求1所述的机械臂振动抑制方法，其特征在于，所述获取机械臂在预设位姿和预设负载下的动力学特征，建立所述动力学特征与预设位姿、预设负载之间对应的数据集包括：
获取机械臂关节的动力学参数；
根据机械臂的结构设计方案和所述关节的动力学参数建立机械臂动力学模型；
基于所述机械臂动力学模型，分析得到机械臂在预设位姿和预设负载下的动力学特征，从而建立所述动力学特征与预设位姿、预设负载之间对应的数据集。
3.根据权利要求2所述的机械臂振动抑制方法，其特征在于，所述获取机械臂关节的动力学参数包括：
获取机械臂关节的脉冲响应曲线；
处理所述脉冲响应曲线以得到所述机械臂各关节的等效刚度、等效阻尼和等效惯量信息。
4.根据权利要求2所述的机械臂振动抑制方法，其特征在于，所述根据机械臂关节的所述动力学参数建立机械臂动力学模型包括：结合所述机械臂关节的所述动力学参数和机械臂的三维模型，建立机械臂动力学模型。
5.根据权利要求2所述的机械臂振动抑制方法，其特征在于，所述基于所述机械臂动力学模型，分析得到机械臂在预设位姿和预设负载下的动力学特征，从而建立所述动力学特征与预设位姿、预设负载之间对应的数据集包括：
以机械臂的预设位姿、预设负载为自变量建立自变量数据集；
利用所述机械臂动力学模型获取机械臂在所述自变量数据集中各自变量组合对应条件下的动力学特征，建立响应数据集。
6.根据权利要求1所述的机械臂振动抑制方法，其特征在于，所述基于所述数据集训练深度神经网络模型包括：
选择不同层数的神经网络进行训练以确定目标最优层数；
选择不同的训练集选择法训练神经网络，以获取所述动力学特征与所述预设位姿、所述预设负载之间对应的数据集之间的映射关系。
7.根据权利要求1所述的机械臂振动抑制方法，其特征在于，所述根据机械臂的目标位姿和目标负载，利用所述深度神经网络模型确定目标动力学特征包括：
将基于所述数据集训练所得的所述深度神经网络模型引入所述机械臂的控制装置中，将机械臂的目标位姿和目标负载的信息输入所述深度神经网络模型中以确定目标动力学特征。
8.根据权利要求2所述的机械臂振动抑制方法，其特征在于，所述基于所述机械臂动力学模型，分析得到机械臂在预设位姿和预设负载下的动力学特征还包括：
通过实验获取机械臂样机在预设位姿和预设负载下对应的实际动力学特征，所述机械臂动力学模型为机械臂仿真动力学模型，基于所述机械臂仿真动力学模型得到与实验相同状态下所述机械臂在预设位姿和预设负载下对应的仿真动力学特征，对所述机械臂仿真动力学模型进行修正以确定所述动力学特征。
9.根据权利要求8所述的机械臂振动抑制方法，其特征在于，所述通过实验或测试获取机械臂样机在预设位姿和预设负载下对应的实际动力学特征包括：
实验测定机械臂样机在若干位姿和若干预设负载下对应的固有频率、模态阻尼比以及振型。
10.根据权利要求8所述的机械臂振动抑制方法，其特征在于，所述对所述机械臂仿真动力学模型进行修正以确定所述动力学特征包括：
对比实际动力学特征和仿真动力学特征，通过灵敏度分析确定敏感参数，对敏感参数进行修正以确定所述动力学特征。
11.一种机械臂组件，其特征在于，包括：
臂体；
控制器，与所述臂体连接，用于控制所述臂体运动至目标位姿并实现如权利要求1～10中任一项所述的机械臂振动抑制方法。
12.一种控制设备，其特征在于，包括：
处理器；
存储器，与所述处理器通信连接；
至少一个程序，被存储在所述存储器中并被配置为由所述处理器执行，所述至少一个程序被配置用于：实现如权利要求1～10中任一项所述的机械臂振动抑制方法。
13.一种计算机可读存储介质，存储有计算机程序，其特征在于，该计算机程序被控制设备执行时实现如权利要求1～10任一项所述的机械臂振动抑制方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310380499.2A CN116423509B (zh) | 2023-04-10 | 2023-04-10 | 一种基于深度神经网络的机械臂残余振动抑制方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310380499.2A CN116423509B (zh) | 2023-04-10 | 2023-04-10 | 一种基于深度神经网络的机械臂残余振动抑制方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116423509A true CN116423509A (zh) | 2023-07-14 |
| CN116423509B CN116423509B (zh) | 2024-01-16 |
Family
ID=87090275
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310380499.2A Active CN116423509B (zh) | 2023-04-10 | 2023-04-10 | 一种基于深度神经网络的机械臂残余振动抑制方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116423509B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107738273A (zh) * | 2017-10-16 | 2018-02-27 | 华南理工大学 | 一种基于输入整形器的机器人关节末端残余振动抑制方法 |
| CN111338216A (zh) * | 2020-04-21 | 2020-06-26 | 华中科技大学 | 一种基于混合脉冲激励的输入整形器及设计方法 |
| CN114932546A (zh) * | 2022-03-23 | 2022-08-23 | 燕山大学 | 一种基于未知机械臂模型的深度强化学习抑振系统及方法 |
| CN114995136A (zh) * | 2022-05-28 | 2022-09-02 | 聚时科技(上海)有限公司 | 一种基于单轴伺服系统的惯量时变振动抑制算法 |
| CN115179328A (zh) * | 2022-09-07 | 2022-10-14 | 佛山智能装备技术研究院 | 机器人末端工具残余振动抑制方法 |
| CN115903482A (zh) * | 2022-11-07 | 2023-04-04 | 华南理工大学 | 一种多柔性臂系统的自适应神经网络容错协同控制方法 |
-
2023
- 2023-04-10 CN CN202310380499.2A patent/CN116423509B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107738273A (zh) * | 2017-10-16 | 2018-02-27 | 华南理工大学 | 一种基于输入整形器的机器人关节末端残余振动抑制方法 |
| CN111338216A (zh) * | 2020-04-21 | 2020-06-26 | 华中科技大学 | 一种基于混合脉冲激励的输入整形器及设计方法 |
| CN114932546A (zh) * | 2022-03-23 | 2022-08-23 | 燕山大学 | 一种基于未知机械臂模型的深度强化学习抑振系统及方法 |
| CN114995136A (zh) * | 2022-05-28 | 2022-09-02 | 聚时科技(上海)有限公司 | 一种基于单轴伺服系统的惯量时变振动抑制算法 |
| CN115179328A (zh) * | 2022-09-07 | 2022-10-14 | 佛山智能装备技术研究院 | 机器人末端工具残余振动抑制方法 |
| CN115903482A (zh) * | 2022-11-07 | 2023-04-04 | 华南理工大学 | 一种多柔性臂系统的自适应神经网络容错协同控制方法 |
Non-Patent Citations (1)
| Title |
|---|
| NEWMAN MICHAEL，LU KAIYUE，KHOSHDARREGI MATT: "Suppression of robot vibrations using input shaping and learning-based structural models", 《JOURNAL OF INTELLIGENT MATERIAL SYSTEMS AND STRUCTURES》, vol. 32, no. 9 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116423509B (zh) | 2024-01-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Suomalainen et al. | A survey of robot manipulation in contact | |
| Tinkir et al. | Modelling of neurofuzzy control of a flexible link | |
| JP2008238396A (ja) | ロボットのモーションの発生及び制御のための装置ならびに方法 | |
| Tian et al. | Constrained motion control of flexible robot manipulators based on recurrent neural networks | |
| CN111702767A (zh) | 一种基于反演模糊自适应的机械手阻抗控制方法 | |
| Dupree et al. | Adaptive Lyapunov-based control of a robot and mass–spring system undergoing an impact collision | |
| CN116460860B (zh) | 一种基于模型的机器人离线强化学习控制方法 | |
| Schnelle et al. | Adaptive nonlinear model predictive control design of a flexible-link manipulator with uncertain parameters | |
| Huynh et al. | Comparative application of model predictive control strategies to a wheeled mobile robot | |
| Steinbach et al. | Mathematical optimization in robotics: Towards automated high speed motion planning | |
| Pedrammehr et al. | Model-based control of axisymmetric hexarot parallel manipulators | |
| CN116423509B (zh) | 一种基于深度神经网络的机械臂残余振动抑制方法及装置 | |
| JP2021030359A (ja) | 制御装置、制御方法、及び制御プログラム | |
| Gaudiller et al. | Adaptive active control of flexible structures subjected to rigid body displacements | |
| Chen et al. | Analysis and optimization of interpolation points for quadruped robots joint trajectory | |
| JP2021035714A (ja) | 制御装置、制御方法、及び制御プログラム | |
| CN114080304B (zh) | 控制装置、控制方法及控制程序 | |
| Yang et al. | Control of soft pneumatic actuators with approximated dynamical modeling | |
| Humphreys et al. | Compensation for biodynamic feedthrough in backhoe operation by cab vibration control | |
| Valasek | Modeling, simulation and control of mechatronical systems | |
| Guo et al. | Trajectory control algorithm of flexible joint manipulator based on random matrix and screw theory | |
| de La Cruz | Learning inverse dynamics for robot manipulator control | |
| Caldwell | Towards Efficient Hydraulic Manipulator Control using Learning-Based Model Predictive Control | |
| Katayama | Fast Model Predictive Control of Robotic Systems with Rigid Contacts | |
| Hu et al. | Dynamic linear predictive optimization of flexible robot profiling MFA model |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |