机器人动态特性及动力学参数辨识研究

论文摘要

获取机械系统的动态特性对其本身的精确运动和动力控制有很重要的意义和应用价值。本学位论文研究以工业机器人为典型代表的机械系统,对机器人系统的脉冲响应函数的提取过程中的一系列问题进行了探讨。对现有的时域法、频域法及小波方法进行了辨析。研究了适用于机器人的阶跃激励下的时域辨识方法。另外,本文对机器人操作臂惯性参数辨识中的一些相关问题进行了研究。本文还研究了将神经网络技术应用于系统参数辨识的方法,并且对时变系统的参数辨识也进行了研究。本论文各章的研究工作概述如下。 1.第一章介绍了工业机器人的发展现状,概括了机器人运动学、动力学建模分析方法,指出了机器人操作臂动态特性及动力学参数辨识的意义及关键问题。对系统辨识方法进行了概述。明确本学位论文的研究工作及任务。 2.第二章主要从理论上辨析了提取系统脉冲响应函数各种方法的关系,为以后各章作理论上的准备。首先给出了现有的提取系统脉冲响应函数的方法。针对两种基于小波变换的方法:循环小波法及相关小波法,在小波分解层数的意义上与现有的时域法比较。指出时域法是这两种方法的一种特例,并且具有更高的效率及相同的结果。给出了判断的理论依据,并从仿真及实验进行了分析验证。指出时域法在工程应用中的抗噪性能差的缺点,为以后各章指明研究方向。 3.第三章主要研究基于阶跃响应的系统动态特性的提取方法。首先指出基于锤击激励的平均功率谱方法在机器人操作臂测试中的不适用性以及基于阶跃激励的时域方法的可行性,然后对阶跃激励的时、频域特性进行了分析。提出在实际测试中存在的问题:力传感器难以正确测量阶跃力以及利用矩形脉冲代替阶跃进行处理会带来很大的误差。对问题的原因进行了剖析并提出解决的方法。利用线性系统的特点,给出使用阶跃响应获取阶跃力的技术。对一种经典的利用阶跃响应获取系统传递函数参数的面积法进行了分析。分析了时域法、频域法对不同类型误差的敏感程度。根据脉冲与阶跃的微积分关系,研究了由阶跃响应获取脉冲响应函数的差分法。仿真结果表明,差分法比时域法有较高的效率,在没有噪声的情况下是零误差的。 4.第四章针对第二章提出的时域法对噪声十分敏感的问题,着重研究如何在时域利用平均技术进行降噪,同时进行脉冲响应函数的提取。首先分析了各种信号的平均技术,指出这些方法不能对不同信号进行平均,也不适用于提取脉冲响应函数。针对由于响应信号的噪声而造成的辨识病态问题的机理分别进行频域解释、Riemann-Lebesgue引理解释以及矩阵奇异值解释。在此基础上,提出了偏差补偿方法及误差偏导数方法。前者的误差分析表明误差是一个累积的过程,后者分别对输入误差模型及输出误差模型分别提出了算法。仿真验证表明,方法能对不同激励下的测试信号进行平均,辨识结果与理论曲线比较吻合。 5.第五章研究了机器人操作臂惯性参数的辨识方法。首先概括了目前机器人连杆惯性参数辨识

论文目录

• 第一章 绪论
• 1.1 工业机器人概述
• 1.1.1 工业机器人
• 1.1.2 工业机器人的发展
• 1.1.3 工业机器人的构成
• 1.1.4 机器人用传感器
• 1.1.5 机器人机械臂的运动学与动力学分析方法
• 1.2 工业机器人动态特性及动力学参数辨识
• 1.2.1 工业机器人动力学建模与控制
• 1.2.2 脉冲响应函数辨识是机器人动态特性分析的关键
• 1.2.3 阶跃激励是获取机器人动态特性的有效途径
• 1.2.4 机器人动力学研究中惯性参数辨识是热点问题
• 1.3 系统辨识的分类及主要研究方法
• 1.3.1 系统辨识的定义
• 1.3.2 系统辨识的分类
• 1.3.3 基于人工神经网络的参数辨识
• 1.4 本论文的研究内容、目的、意义
• 1.4.1 课题来源
• 1.4.2 本论文的主要研究工作
• 1.4.3 本论文研究的目的、意义
• 1.5 主要内容章节安排
• 第二章 提取脉冲响应函数的小波变换方法与时域法分析
• 2.1 引言
• 2.2 脉冲响应函数
• 2.2.1 定义和性质
• 2.2.2 脉冲响应函数与结构系统模态参数
• 2.2.3 现有提取系统脉冲响应函数方法研究
• 2.2.3.1 平均功率谱方法
• 2.2.3.2 时域Duharmal积分方法
• 2.2.4 时域法与频域法的优劣分析
• 2.3 基于小波变换的脉冲响应函数提取方法研究
• 2.3.1 小波分析历史回顾及在振动工程上的应用
• 2.3.2 小波分析理论
• 2.3.2.1 小波函数的定义
• 2.3.2.2 小波变换
• 2.3.2.3 快速小波变换算法——Mallat算法
• 2.3.2.4 小波多分辨分析
• 2.3.2.5 小波正交性
• 2.3.3 提取系统单位脉冲响应函数的小波变换方法研究
• 2.3.3.1 循环小波方法
• 2.3.3.2 相关小波方法
• 2.4 时域法及小波变换方法内在关系分析
• 2.4.1 循环小波方法与时域法关系
• 2.4.1.1 从小波完全分解到小波一层分解
• 2.4.1.2 从小波一层分解到时域法
• 2.4.1.3 矩阵的广义逆应用于时域法
• 2.4.2 相关小波方法与时域法关系
• 2.5 时域方法及小波方法数值仿真及实验
• 2.5.1 仿真模拟分析
• 2.5.2 实验验证
• 本章小结
• 第三章 阶跃激励下的系统动态特性辨识方法
• 3.1 前言
• 3.2 阶跃信号的时域特性和频域特性
• 3.2.1 时域分析
• 3.2.2 频域分析
• 3.3 阶跃信号的测量分析
• 3.3.1 阶跃激励与力传感器
• 3.3.2 阶跃信号与矩形脉冲信号
• 3.4 由阶跃响应确定阶跃力
• 3.5 使用阶跃响应辨识系统的传递函数——面积法
• 3.6 阶跃响应求脉冲响应的时域方法——差分法
• 3.6.1 原理
• 3.6.2 仿真算例
• 本章小结
• 第四章 提取系统脉冲响应函数的时域方法研究
• 4.1 引言
• 4.2 信号平均方法概述
• 4.2.1 谱的线性平均方法
• 4.2.2 时间记录线性平均
• 4.2.3 指数平均
• 4.2.4 RMS平均及RMS指数平均
• 4.3 时域方法病态问题解释
• 4.3.1 频域解释
• 4.3.2 Riemann-Lebesgue引理解释
• 4.3.3 用矩阵的奇异值解释
• 4.3.4 病态问题数值实例
• 4.4 提取脉冲响应函数的偏差补偿方法
• 4.4.1 输出误差模型算法
• 4.4.2 输入误差模型算法
• 4.4.3 阶跃激励下的偏差补偿算法
• 4.4.4 误差分析
• 4.4.4.1 输出误差系统模型误差分析
• 4.4.4.2 输入误差系统模型误差分析
• 4.4.5 偏差补偿算法与传统时域法的关系分析
• 4.4.6 仿真算例
• 4.4.7 实验验证
• 4.5 提取脉冲响应函数的误差偏导数方法
• 4.5.1 输出噪声模型算法
• 4.5.2 输入噪声模型算法
• 4.5.3 仿真验证
• 4.6 对两种时域平均方法的讨论
• 本章小结
• 第五章 机器人操作臂惯性参数辨识方法研究
• 5.1 前言
• 5.1.1 惯性参数
• 5.1.2 机器人惯性参数辨识方法的研究和发展
• 5.2 机器人运动学与动力学方程
• 5.2.1 机器人运动学
• 5.2.1.1 连杆的位姿描述
• 5.2.1.2 坐标系的微分变换
• 5.2.1.3 运动学递推方程
• 5.2.2 机器人动力学递推方程
• 5.2.3 连杆组合体
• 5.2.3.1 符号定义
• 5.2.3.2 连杆组合体与组成连杆的关系
• 5.2.4 惯性张量的坐标系变换
• 5.2.4.1 连杆惯性张量的平行轴变换
• 5.2.4.2 连杆惯性张量的旋转变换
• 5.3 机器人六维腕力传感器
• 5.3.1 机器人六维腕力传感器简要介绍
• 5.3.2 六维腕力传感器的结构
• 5.3.3 六维腕力传感器微分运动影响
• 5.4 末端连杆惯性参数辨识
• 5.4.1 算法原理
• 5.4.2 实验验证
• 5.4.3 辨识结果
• 5.5 操作臂惯性参数全辨识方法
• 5.5.1 用惯性力补偿连杆重力的方法
• 5.5.1.1 基坐标补偿方法
• 5.5.1.2 其它连杆可以自动补偿的证明
• 5.5.2 关节摩擦特性
• 5.5.3 辨识连杆质量及质心坐标
• 5.5.4 辨识连杆的惯性张量
• 5.5.5 方法的流程图
• 5.5.6 仿真算例
• 5.5.7 讨论
• 本章小结
• 第六章 基于人工神经网络的系统参数辨识方法
• 6.1 人工神经网络简述
• 6.1.1 人工神经元的模型
• 6.1.2 神经网络的结构形态
• 6.1.3 神经网络的学习规则
• 6.2 人工神经网络的发展
• 6.3 神经网络应用于系统辨识
• 6.3.1 神经网络在系统辨识的优越性
• 6.3.2 神经网络系统辨识的并联模式与串-并联模式
• 6.4 神经网络参数辨识方法研究
• 6.4.1 问题的提出
• 6.4.2 神经网络参数辨识方法
• 6.4.2.1 构造网络模型
• 6.4.2.2 权值调整算法实现
• 6.4.2.3 神经网络参数辨识步骤
• 6.4.3 神经网络参数辨识应用实例
• 6.4.3.1 机器人惯性参数辨识实验
• 6.4.3.2 非线性系统参数辨识仿真
• 6.4.3.3 讨论
• 本章小结
• 第七章 总结和展望
• 7.1 总结
• 7.2 创新点
• 7.3 有待进一步研究的问题展望
• 参考文献
• 攻读博士期间发表的论文
• 所获得的奖励