[发明专利]一种基于机器学习的串联机器人关节摩擦力辨识方法

权利要求书

1.一种基于机器学习的串联机器人关节摩擦力辨识方法，其特征在于，包括步骤：

S1、根据串联机器人工作过程中表现出来的关节力矩特性，建立串联机器人的关节摩擦力关于关节转角和关节角速度的关节摩擦力模型；

S2、在串联机器人上进行辨识实验，采集运动中每一时刻的状态信息，采集的状态信息包括关节电机编码器的示数和关节电机的电流系数；

S3、使用步骤S2中采集的状态信息，对步骤S1建立的工业机器人的关节摩擦力模型中的未知参数进行求解，得到考虑关节角度、角速度的关节摩擦力模型，获得与实际摩擦力相吻合的预测曲线；

其中，步骤S3包含以下步骤：

S3.1、对步骤S2辨识实验中采集的状态信息进行单位变换，将关节电机编码器示数以下式换算为弧度制的关节转角：

式中P_encoder表示关节电机编码器的示数，P_offset表示关节处于零位时编码器的偏置示数，ratio是关节电机编码器的分辨率，n_i是关节减速机的减速比；

将关节电流系数以下式换算为标准单位制的力矩：

式中T_motor表示驱动器反馈的电机力矩示数，T_rated表示伺服电机的额定力矩；

S3.2、使用一个低通滤波器对步骤S3.1得到的关节转角和关节力矩进行滤波，减小采样噪声对实验结果的影响；

S3.3、计算每一次实验中的关节力矩数据的均值，即是该次实验中匀速运动转速对应的关节摩擦力矩τ_v，使用不同速度及对应的τ_v进行最小二乘拟合，对摩擦力模型中的系数τ_c和б进行求解，得到库仑-粘性摩擦力模型；

S3.4、计算步骤S3.2得到的关节力矩数据和利用步骤S3.3库仑-粘性摩擦力模型计算的摩擦力矩的差值，得到关节摩擦力中与关节转角有关的非线性分量τ_p的值；

S3.5、选取一个速度的τ_p数据作为训练样本，利用无监督学习算法K均值聚类对数据进行稀疏化预处理；

S3.6、使用S3.5中训练得到的聚类中心作为支持向量回归的训练样本，支持向量回归的输出的模型就是N_f与q的关系其输入是关节转角q，输出是摩擦力τ_p中的N_f；

S3.7、使用步骤S3.6中训练得到的模型，以步骤S3.2中滤波中关节角度为输入，计算所有原始采样点对应的N_f，与设定的和步骤S3.4中计算得到的τ_p，代入得到方程组：

利用最小二乘法解超定方程组，得到系数D和B。

2.根据权利要求1所述的基于机器学习的串联机器人关节摩擦力辨识方法，其特征在于，步骤S1建立的串联机器人关节摩擦力模型中，包含与关节转速有关的库仑-粘性摩擦力模型分量和与关节转角有关的非线性分量：

τ_f＝τ_v+τ_p

式中τ_f表示关节摩擦力矩，τ_v和τ_p分别表示摩擦力中的库仑-粘性摩擦力项和与位置相关的非线性项，τ_c表示库伦摩擦力，σ表示粘性摩擦系数，是机器人关节角速度，D、B是非线性项τ_p中需要辨识的常系数，N_f是τ_p中的非线性系数，与关节转角q的关系表示为

3.根据权利要求1所述的基于机器学习的串联机器人关节摩擦力辨识方法，其特征在于，所述步骤S2包含以下步骤：

S2.1、设置串联机器人关节摩擦力辨识轨迹的起点和终点，所设定的起点和终点满足要求：串联机器人在起点和终点之间只有第一关节，该关节轴线与重力平行，串联机器人运动过程中重力不做功；

S2.2、令串联机器人在起点和终点之间做单关节匀速运动，串联机器人运动过程中没有哥式力、惯性力作用，保存运动过程中每一时刻的关节电机编码器示数和关节电机电流示数；

S2.3、令串联机器人以不同的速度重复步骤S2.2。

4.根据权利要求1所述的基于机器学习的串联机器人关节摩擦力辨识方法，其特征在于，所述的串联机器人包括六自由度关节型工业机器人、SCARA机器人。