[发明专利]一种基于机器学习前馈模型的自抗扰力矩控制方法

权利要求书

1.一种基于机器学习前馈模型的自抗扰力矩控制方法，其特征在于：

PD控制器输入参考力矩τ_d和扩张状态观测器的输出z₁、z₂，输出电流I_c；

机器学习前馈模型输入参考力矩τ_d、电机转速n_m、电机位置p_m、电机温度T_m和减速器温度T_R，输出电机参考电流I_f；

扩张状态观测器输入机器人关节输出力矩τ以及电机实际电流I_m与K_tb的乘积；

所述I_c与I_f求和，再减去扩张状态观测器的输出z₃与(K_tb)^-1的乘积，结果作为机器人关节的输入，机器人关节输出力矩τ；

其中：K_t为电机扭矩系数，参数K为弹簧等效刚度系数，B为电机惯量。

2.根据权利要求1所述的自抗扰力矩控制方法，其特征在于，所述机器学习前馈模型具体为神经网络前馈模型。

3.根据权利要求2所述的自抗扰力矩控制方法，其特征在于，神经网络前馈模型的建立包括数据采集、数据预处理、训练神经网络和神经网络评估。

4.根据权利要求3所述的自抗扰力矩控制方法，其特征在于，所述数据预处理为：对所采集的数据进行滤波和归一化处理。

5.根据权利要求3所述的自抗扰力矩控制方法，其特征在于，所述神经网络的损失函数为：

其中：N是训练集的样本数量，为网络训练过程中的预测电流，Iⁱ为网络训练过程中的实际电流。

6.根据权利要求3所述的自抗扰力矩控制方法，其特征在于，所述数据采集时，机器人关节跟随给定的电流信号转动，所述给定的电流信号是在随机时间点上利用随机函数获得的电流值作为已知点，再进行样条插值。

7.根据权利要求1所述的自抗扰力矩控制方法，其特征在于，PD控制器的控制律为：

I_c＝k_p(τ_d-z₁)+k_d(τ_d-z₂)

其中：k_p、k_d为PD控制器的参数。

8.根据权利要求1所述的自抗扰力矩控制方法，其特征在于，扩张状态观测器的表达式为：

其中：e₀是关节扭矩的估计误差，z₁为τ的估计值，为z₁的一阶导数，z₂为的估计值，为z₂的一阶导数，z₃为的估计值，为z₃的一阶导数，β₁、β₂、β₃是扩张状态观测器的参数，τ_m为电机输出力矩，且系统的总扰动τ_f为关节摩擦力矩，表示关节的角加速度。

9.根据权利要求3所述的自抗扰力矩控制方法，其特征在于，神经网络评估时，测试集数据利用模型评价指标对网络训练过程中的预测电流进行测试，所述模型评价指标为：

其中：N₁是测试集的样本数量，为模型每次计算所用的时间，t_c为理想的计算时间，e_I为容许的最大误差，α为权重，为模型预测电流，I₁ⁱ为测试集中对应的实际电流。