【技术实现步骤摘要】
本专利技术涉及工业机器人，具体涉及一种基于迟滞模型的电机驱动关节扭转角的补偿控制方法。
技术介绍
1、随着智能制造发展逐渐普及，对工业机器人提出了更高的要求，工业机器人朝着小型化、轻型化和柔性化的方向发展。轻型工业机器人的关节由电机驱动谐波减器所构成，其非线性摩擦、关节柔性和齿轮间隙等造成了关节的复杂迟滞特性，限制了其在精密任务领域的应用。
2、目前基于模型的关节控制成为了实现关节高精度运行的一种有效方法，其中模型精度直接影响控制效果。针对迟滞特性建模，有文献设计了自适应rbf(radial basisfunction)神经网络模型对机器人关节的摩擦模型进行补偿。有文献采用改进的bouc-wen模型对关节中的非线性摩擦和回程间隙进行建模。但是以上模型的参数调整较困难，计算复杂，导致控制系统复杂。近年来，新型神经网络模型也被用于迟滞建模，例如，lstm(longshort-term memory)、gru(gated recurrent unit)神经网络等时间序列模型等。有文献采用多层lstm神经网络模型对压电执行器的位移迟滞进行建模。有文献建立了基于gru和bp(back propagation)神经网络的率相关磁滞模型，用以描述扫描仪的磁滞现象。这些递归神经网络模型在具有记忆特性的时间序列上表现良好，但训练速度较慢，开销较大，且在多层堆叠的情况下梯度不稳定。之后，又有研究引入cnn(convolutional neural network)与传统的迟滞模型结合。有文献采用加入cnn的pi(prandtl-oshi
技术实现思路
1、本专利技术所要解决的是工业机器人关节在负载变化下，存在的较大扭转角对电机驱动谐波减器构成关节模组执行精度的影响，最终导致机器人执行精度不高的问题，提供一种基于迟滞模型的电机驱动关节扭转角的补偿控制方法。
2、为解决上述问题，本专利技术是通过以下技术方案实现的：
3、基于迟滞模型的电机驱动关节扭转角的补偿控制方法，包括步骤如下：
4、步骤1、将当前时刻的关节驱动电流信号i(k)通过卡尔曼滤波得到当前时刻的新驱动电流信号if(k)；
5、步骤2、将当前时刻的关节扭转角δθ(k)与上一时刻的关节扭转角δθ(k-1)输入至相位超前模块，得到当前时刻的超前信号δθpa(k)；其中
6、δθpa(k)＝βδθ(k-1)+(1-β)(δθ(k)-δθ(k-1))
7、式中，β是滤波系数，0<β<1；
8、步骤3、将当前时刻的新驱动电流信号if(k)、当前时刻的超前信号δθpa(k)与上一时刻的关节扭转角δθ(k-1)组合为当前时刻的输入信号xk，输入至改进tcn神经网络中，得到当前时刻的预测扭转角δθp(k)；
9、步骤4、利用当前时刻的预测扭转角δθp(k)对当前时刻的设定扭转角θr(k)进行前馈补偿，得到当前时刻的修改扭转角其中
10、
11、改进tcn神经网络由2个残差块和全连接层组成；第一个残差块的输入形成改进tcn神经网络的输入，第一个残差块的输出连接全连接层的输入，全连接层的输出形成改进tcn神经网络的输出。
12、每个残差块由3个扩张因果卷积层、2个权重归一化层、2个激活层、2个随机失活层和拼接层组成；其中第一扩张因果卷积层的扩张因子等于关节数据采样周期的两倍，第二扩张因果卷积层和第三扩张因果卷积层的扩张因子等于关节数据采样周期；
13、第一扩张因果卷积层和第二扩张因果卷积层的输入形成残差块的输入；第二扩张因果卷积层的输出连接第一权重归一化层的输入，第一权重归一化层的输出连接第一激活层的输入，第一激活层的输出连接第一随机失活层的输入，第一随机失活层的输出连接第三扩张因果卷积层的输入，第三扩张因果卷积层的输出连接第二权重归一化层的输入，第二权重归一化层的输出连接第二激活层的输入，第二激活层的输出连接第二随机失活层的输入；第一扩张因果卷积层和第二随机失活层的输出连接拼接层的输入，拼接层的输出形成残差块的输出。
14、与现有技术相比，本专利技术具有如下特点：
15、1)设计了一种改进tcn神经网络，在模型各分支引入不同因子的扩张卷积，解决直接将传统tcn迟滞模型在极值点存在较大误差问题。
16、2)针对改进tcn迟滞模型依然存在由相位滞后引起的误差，设计相位超前环节与tcn神经网络模型串联，构造一个基于相位超前补偿的改进tcn神经网络迟滞模型，进一步提高了迟滞模型精度。
17、3)基于关节迟滞模型，实现扭转角的补偿控制，有效消除或抑制负载变化所带来较大的扭转角对关节执行精度的影响，通过扭转角的有效补偿控制，实现机器人的高精度控制。
本文档来自技高网...【技术保护点】
1.基于迟滞模型的电机驱动关节扭转角的补偿控制方法，其特征是，包括步骤如下：
2.根据权利要求1所述的基于迟滞模型的电机驱动关节扭转角的补偿控制方法，其特征是，步骤3中，改进TCN神经网络由2个残差块和全连接层组成；第一个残差块的输入形成改进TCN神经网络的输入，第一个残差块的输出连接全连接层的输入，全连接层的输出形成改进TCN神经网络的输出。
3.根据权利要求2所述的基于迟滞模型的电机驱动关节扭转角的补偿控制方法，其特征是，每个残差块由3个扩张因果卷积层、2个权重归一化层、2个激活层、2个随机失活层和拼接层组成；其中第一扩张因果卷积层的扩张因子等于关节数据采样周期的两倍，第二扩张因果卷积层和第三扩张因果卷积层的扩张因子等于关节数据采样周期；
【技术特征摘要】
1.基于迟滞模型的电机驱动关节扭转角的补偿控制方法，其特征是，包括步骤如下：
2.根据权利要求1所述的基于迟滞模型的电机驱动关节扭转角的补偿控制方法，其特征是，步骤3中，改进tcn神经网络由2个残差块和全连接层组成；第一个残差块的输入形成改进tcn神经网络的输入，第一个残差块的输出连接全连接层的输入，全连接层的输出形成改进t...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。