3-PRS制造技术

本发明专利技术提供了一种3‑

【技术实现步骤摘要】
3
‑
PRS并联机器人驱动力估计方法


[0001]本专利技术涉及机器人控制领域，尤其涉及一种3‑
PRS
并联机器人驱动力估计方法
。

技术介绍

[0002]并联机器人，也称为并联机床
、
虚拟轴机床，以下统称为并联机器人，是机器人的两大分支之一
。
并联机器人的组成包括定平台
、
动平台和两个或两个以上独立的运动链
。
通过运动链将定平台与动平台相互联接，构成至少一个闭环结构，并且具有两个及以上的自由度
。
由于并联机器人为多条支链组成，因此不仅没有积累误差，还具有承载能力大
、
结构稳定
、
精度高
、
功能丰富
、
结构紧凑等优点
。3
‑
PRS(P
为移动副，
R
为转动副，
S
为球面副
)
型并联机器人是少自由度并联机构的一类典型代表，具有结构简单
、
刚度大
、
承载能力强
、
累积误差小
、
运动精度高
、
灵活性好等优点，适用于机械加工
、
医疗器械
、
微纳操作等场合
。3
‑
PRS
并联机器人动平台与定平台之间由3个完全相同
、
均布的支链联接，移动副为动力输入端，其特性随着具体布置方式的不同而呈现巨大差异
。
通过改变
P、R、S
运动副的布置方式，或使用柔性铰链，或以3‑
PRS
并联机构为基础平台，可衍生出大量具有不同特性的并联或串并混联机器人，因此具有广阔的应用前景
。
[0003]并联机器人的性能在很大程度上依赖于控制
。
在3‑
PRS
并联机器人的动态控制中，通过控制三个滑块的驱动力来实现机器人末端执行器位姿的动态调整，驱动力的实时估计将成为提高机器人控制性能的核心
。
通过建立机器人的运动学
、
动力学理论模型，通过试验对模型进行标定，提高模型的精度，从而设计控制器来提高机器人的性能
。
而并联机器人的动力学模型涉及到并联支链间的耦合
、
求导运算等，在数字控制系统中的实现精确解算面临着很多技术问题，成为机器人性能提高的关键技术问题之一
。
为了能大幅度提高3‑
PRS
并联机器人的响应速度及精度，亟需一种行之有效的3‑
PRS
并联机器人驱动力估计方法，从而提高机器人的动态性能，进而提升机器人的品质
。

技术实现思路

[0004]本专利技术就是为了解决上述技术问题，提供了一种3‑
PRS
并联机器人驱动力估计方法
。
本专利技术的技术方案是这样实现的：
[0005]一种3‑
PRS
并联机器人驱动力估计方法，将3‑
PRS
并联机器人系统看成一个黑箱模型，以包括滑块位移
、
速度
、
加速度
、
加加速度以及末端位姿的运动学参数作为输入，滑块驱动力为输出
。
[0006]进一步，估计方法包括两个步骤：步骤
A
：获取数据集以及标签值，步骤
B
：训练回归卷积神经网络模型并估计驱动力
。
[0007]进一步，步骤
A
的方法是，设置3‑
PRS
并联机器人的驱动函数，将驱动函数添加到机器人的末端；以动平台作为驱动件，根据驱动函数产生运动，当运动结束后得到运动学参数；将得到的参数换算为灰度图，灰度图的数量与标签值一一对应；以滑块为驱动件得到使机器人运动的驱动力，将驱动力作为转化后的灰度图的标签值
。
[0008]进一步，步骤
B
的方法是，建立回归卷积神经网络算法框架，根据运动学参数转化的灰度图建立数据集并进行训练，经过训练得到驱动力估计模型；将根据数值换算的灰度图输入训练好的模型中进行测试，通过该模型直接估计出滑块驱动力
。
[0009]进一步，步骤
B
中，有3个回归卷积神经网络，每个网络对应一个滑块的驱动力
。
[0010]更进一步，三个滑块的位移
、
速度
、
加速度
、
加加速度共
12
个数据，加上末端姿态2个数据，一共
14
个数据；滑块的驱动力为3个数据
。
[0011]再进一步，将滑块位移
、
速度
、
加速度
、
加加速度数据都标准化到区间
[0,1]上
。
将标准化后的数据转化成灰度图，转化过程如下：
[0012]步骤
S1
：将滑块的位移
、
速度
、
加速度
、
加加速度以及末端姿态
14
个标准化之后的数据组合成一个行向量，该行向量表示为
n1×
14
；
[0013]步骤
S2
：将行向量
n1×
14
每个数扩充
100
倍，扩充后的向量变成了一个矩阵，表示为
n
100
×
14
，根据扩充后的矩阵
n
100
×
14
进一步扩充，每一列值的数量扩充7倍变成的矩阵表示为
n
100
×
98
；
[0014]步骤
S3
：设定灰度图像素为
100
×
100
，在
n
100
×
98
维度的矩阵上加上矩阵0100
×2，将维度为
100
×
100
的矩阵
n
100
×
100
转化成像素为
100
×
100
的灰度图
。
[0015]本专利技术的有益效果为：
[0016](1)
本专利技术提供的驱动力估计方法采用卷积神经网络框架进行计算，避免了冗长的动力学计算公式，并且具有很高的精度水平，为3‑
PRS
并联机器人的驱动力估计提供了崭新的方法
。
[0017](2)
本专利技术提供的驱动力估计方法把3‑
PRS
并联机器人整个系统看作是黑箱，不考虑机器人的具体结构，可适用于其他类型机器人的其他控制量的估计，具本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种3‑
PRS
并联机器人驱动力估计方法，其特征在于，将3‑
PRS
并联机器人系统看成一个黑箱模型，以包括滑块位移
、
速度
、
加速度
、
加加速度以及末端位姿的运动学参数作为输入，滑块驱动力为输出
。2.
根据权利要求1所述的3‑
PRS
并联机器人驱动力估计方法，其特征在于，所述估计方法包括两个步骤：步骤
A
：获取数据集以及标签值，步骤
B
：训练回归卷积神经网络模型并估计驱动力
。3.
根据权利要求2所述的3‑
PRS
并联机器人驱动力估计方法，其特征在于，步骤
A
的方法是，设置3‑
PRS
并联机器人的驱动函数，将驱动函数添加到机器人的末端；以动平台作为驱动件，根据驱动函数产生运动，当运动结束后得到运动学参数；将得到的参数换算为灰度图，灰度图的数量与标签值一一对应；以滑块为驱动件得到使机器人运动的驱动力，将驱动力作为转化后的灰度图的标签值
。4.
根据权利要求3所述的3‑
PRS
并联机器人驱动力估计方法，其特征在于，步骤
B
的方法是，建立回归卷积神经网络算法框架，根据运动学参数转化的灰度图建立数据集并进行训练，经过训练得到驱动力估计模型；将根据数值换算的灰度图输入训练好的模型中进行测试，通过该模型直接估计出滑块驱动力
。5.
根据权利要求4所述的3‑
PRS
并联机器人驱动力估计方法，其特征在于，步骤
B
中，有3个回归卷积神经网络，每个网络对应一个滑块的驱动力
。6.
根据权利要求5所述的3‑
PRS
并联机器人驱动力估计方法，其特征在于，三个滑块的位移
、
速度
、
加速度
、
加加速度共
12...

【专利技术属性】
技术研发人员：陈国强，黄俊杰，康件丽，康金灿，王耿，代军，郭晓波，陈水生，王艳鹏，
申请(专利权)人：河南理工大学，
类型：发明
国别省市：