機器人動態(tài)特性及動力學(xué)參數(shù)辨識研究.pdf

1、獲取機械系統(tǒng)的動態(tài)特性對其本身的精確運動和動力控制有很重要的意義和應(yīng)用價值。本學(xué)位論文研究以工業(yè)機器人為典型代表的機械系統(tǒng)，對機器人系統(tǒng)的脈沖響應(yīng)函數(shù)的提取過程中的一系列問題進(jìn)行了探討。對現(xiàn)有的時域法、頻域法及小波方法進(jìn)行了辨析。研究了適用于機器人的階躍激勵下的時域辨識方法。另外，本文對機器人操作臂慣性參數(shù)辨識中的一些相關(guān)問題進(jìn)行了研究。本文還研究了將神經(jīng)網(wǎng)絡(luò)技術(shù)應(yīng)用于系統(tǒng)參數(shù)辨識的方法，并且對時變系統(tǒng)的參數(shù)辨識也進(jìn)行了研究。本論文各章

2、的研究工作概述如下。 1.第一章介紹了工業(yè)機器人的發(fā)展現(xiàn)狀，概括了機器人運動學(xué)、動力學(xué)建模分析方法，指出了機器人操作臂動態(tài)特性及動力學(xué)參數(shù)辨識的意義及關(guān)鍵問題。對系統(tǒng)辨識方法進(jìn)行了概述。明確本學(xué)位論文的研究工作及任務(wù)。 2.第二章主要從理論上辨析了提取系統(tǒng)脈沖響應(yīng)函數(shù)各種方法的關(guān)系，為以后各章作理論上的準(zhǔn)備。首先給出了現(xiàn)有的提取系統(tǒng)脈沖響應(yīng)函數(shù)的方法。針對兩種基于小波變換的方法：循環(huán)小波法及相關(guān)小波法，在小波分解層數(shù)的意

3、義上與現(xiàn)有的時域法比較。指出時域法是這兩種方法的一種特例，并且具有更高的效率及相同的結(jié)果。給出了判斷的理論依據(jù)，并從仿真及實驗進(jìn)行了分析驗證。指出時域法在工程應(yīng)用中的抗噪性能差的缺點，為以后各章指明研究方向。 3.第三章主要研究基于階躍響應(yīng)的系統(tǒng)動態(tài)特性的提取方法。首先指出基于錘擊激勵的平均功率譜方法在機器人操作臂測試中的不適用性以及基于階躍激勵的時域方法的可行性，然后對階躍激勵的時、頻域特性進(jìn)行了分析。提出在實際測試中存在的問

4、題：力傳感器難以正確測量階躍力以及利用矩形脈沖代替階躍進(jìn)行處理會帶來很大的誤差。對問題的原因進(jìn)行了剖析并提出解決的方法。利用線性系統(tǒng)的特點，給出使用階躍響應(yīng)獲取階躍力的技術(shù)。對一種經(jīng)典的利用階躍響應(yīng)獲取系統(tǒng)傳遞函數(shù)參數(shù)的面積法進(jìn)行了分析。分析了時域法、頻域法對不同類型誤差的敏感程度。根據(jù)脈沖與階躍的微積分關(guān)系，研究了由階躍響應(yīng)獲取脈沖響應(yīng)函數(shù)的差分法。仿真結(jié)果表明，差分法比時域法有較高的效率，在沒有噪聲的情況下是零誤差的。 4.

5、第四章針對第二章提出的時域法對噪聲十分敏感的問題，著重研究如何在時域利用平均技術(shù)進(jìn)行降噪，同時進(jìn)行脈沖響應(yīng)函數(shù)的提取。首先分析了各種信號的平均技術(shù)，指出這些方法不能對不同信號進(jìn)行平均，也不適用于提取脈沖響應(yīng)函數(shù)。針對由于響應(yīng)信號的噪聲而造成的辨識病態(tài)問題的機理分別進(jìn)行頻域解釋、Riemann-Lebesgue引理解釋以及矩陣奇異值解釋。在此基礎(chǔ)上，提出了偏差補償方法及誤差偏導(dǎo)數(shù)方法。前者的誤差分析表明誤差是一個累積的過程，后者分別對輸入

6、誤差模型及輸出誤差模型分別提出了算法。仿真驗證表明，方法能對不同激勵下的測試信號進(jìn)行平均，辨識結(jié)果與理論曲線比較吻合。 5.第五章研究了機器人操作臂慣性參數(shù)的辨識方法。首先概括了目前機器人連桿慣性參數(shù)辨識的五種方法，指出這些方法存在的問題是：或者須將機器人解體，不能在線進(jìn)行辨識，或者不能得到獨立的參數(shù)，只能得到組合值，且均不能考慮機器人連桿的關(guān)節(jié)特性。給出了利用腕力傳感器辨識末端連桿慣性參數(shù)的方法，并且用實驗進(jìn)行了驗證。在此基礎(chǔ)

7、上，研究了一種基于腕力傳感器的機器人連桿慣性參數(shù)辨識方法，該方法不需要對關(guān)節(jié)特性進(jìn)行建模，可以獲得機器人連桿獨立的慣性參數(shù)值。仿真結(jié)果表明該方法的有效性。 6.第六章主要研究利用神經(jīng)網(wǎng)絡(luò)模型來進(jìn)行系統(tǒng)參數(shù)辨識。首先對神經(jīng)網(wǎng)絡(luò)及參數(shù)辨識問題的基本理論及發(fā)展現(xiàn)狀進(jìn)行了介紹，指出神經(jīng)網(wǎng)絡(luò)技術(shù)已經(jīng)成為系統(tǒng)辨識的一種新興的方法。給出了利用神經(jīng)網(wǎng)絡(luò)辨識的串-并聯(lián)模型。指出一些常用的參數(shù)辨識方法對含有有色噪聲、時變系統(tǒng)的辨識難以應(yīng)用以及一般的

8、BP神經(jīng)網(wǎng)絡(luò)方法沒有明確的物理意義，網(wǎng)絡(luò)模型的構(gòu)造沒有統(tǒng)一的規(guī)律。提出了基于系統(tǒng)的數(shù)學(xué)模型來構(gòu)造神經(jīng)網(wǎng)絡(luò)的方法，以及將待辨識的參數(shù)作為網(wǎng)絡(luò)權(quán)值的思想。給出構(gòu)造網(wǎng)絡(luò)的一般規(guī)律以及算法。利用第四章慣性參數(shù)辨識的數(shù)學(xué)模型來構(gòu)造神經(jīng)網(wǎng)絡(luò)進(jìn)行驗證，還利用一非線性系統(tǒng)進(jìn)行仿真，結(jié)果均表明了方法的有效性。 7.第七章首先是對本學(xué)位論文的總結(jié)，總結(jié)本學(xué)位論文的工作取得的進(jìn)展和成績以及不足之處。然后指出今后相關(guān)研究工作的著重點、方向以及要解決的問