为了实现超冗余机械臂动力学模型的精确辨识,提出了一种基于迭代优化和神经网络补偿的半参数动力学模型辨识方法。首先,介绍了超冗余机械臂的动力学模型和最小参数集,建立了关节非线性摩擦模型,使用遗传算法优化回归矩阵条件数生成激励...为了实现超冗余机械臂动力学模型的精确辨识,提出了一种基于迭代优化和神经网络补偿的半参数动力学模型辨识方法。首先,介绍了超冗余机械臂的动力学模型和最小参数集,建立了关节非线性摩擦模型,使用遗传算法优化回归矩阵条件数生成激励轨迹。然后建立了机械臂动力学模型物理可行性约束,基于迭代优化方法设计了两层循环网络对超冗余机械臂的惯性参数和关节摩擦模型进行辨识。最后,利用数据集训练BP神经网络,得到超冗余机械臂半参数动力学模型,并与多种算法进行了比较分析。实验结果表明:相较于传统的最小二乘算法和加权最小二乘算法,通过使用本文提出的辨识算法,关节辨识力矩残差均方根(Root Mean Square,RMS)之和分别提高了32.81%和23.76%,半参数动力学模型相比于全参数动力学模型力矩残差均方根之和提高了23.56%,辨识结果验证了辨识方法的有效性和优越性。展开更多
针对并联柔索驱动机器人力场模拟应用场景下驱动单元的力伺服控制系统设计,基于Links半物理仿真环境,运用Matlab System Identification工具箱,对柔索驱动单元系统数学模型进行模型辨识,并对系统的不确定性进行辨识。结果表明,考虑柔索...针对并联柔索驱动机器人力场模拟应用场景下驱动单元的力伺服控制系统设计,基于Links半物理仿真环境,运用Matlab System Identification工具箱,对柔索驱动单元系统数学模型进行模型辨识,并对系统的不确定性进行辨识。结果表明,考虑柔索驱动单元的不确定性因素后实际系统模型与理论模型相吻合,且系统理论模型具有较高的可靠性。在可靠的理论模型基础上,对柔索驱动单元进行控制器设计,并验证了模型辨识方法的有效性。基于模型辨识的控制器设计方法可以推广到其他类型系统的模型辨识。展开更多
鉴于恢复力曲面法(Restoring Force Surface,RFS)和随机森林(Random Forest,RF)模型在参数辨识领域的优越性,结合上述两种方法提出一种新的基于RFS-RF的局部非线性模型辨识方法。首先,针对局部非线性模型求解其动力响应。其次,根据获得...鉴于恢复力曲面法(Restoring Force Surface,RFS)和随机森林(Random Forest,RF)模型在参数辨识领域的优越性,结合上述两种方法提出一种新的基于RFS-RF的局部非线性模型辨识方法。首先,针对局部非线性模型求解其动力响应。其次,根据获得的动力响应计算恢复力曲面与边际谱,然后再通过边际谱求解非线性指标。再次,通过多次改变结构的刚度和阻尼参数生成若干组非线性指标并建立随机森林模型。然后,将新的非线性指标作为预测集输入已经建立的随机森林模型并判断系统的非线性类型和非线性函数形式。最后,采用最小二乘法对局部非线性系统的待求参数进行精确识别。通过一个四层剪切型框架结构模型对所提方法进行验证,研究结果表明:基于RFS-RF的多自由度局部非线性模型辨识方法能够准确识别结构系统的非线性类型、函数形式以及未知参数。展开更多
文摘为了实现超冗余机械臂动力学模型的精确辨识,提出了一种基于迭代优化和神经网络补偿的半参数动力学模型辨识方法。首先,介绍了超冗余机械臂的动力学模型和最小参数集,建立了关节非线性摩擦模型,使用遗传算法优化回归矩阵条件数生成激励轨迹。然后建立了机械臂动力学模型物理可行性约束,基于迭代优化方法设计了两层循环网络对超冗余机械臂的惯性参数和关节摩擦模型进行辨识。最后,利用数据集训练BP神经网络,得到超冗余机械臂半参数动力学模型,并与多种算法进行了比较分析。实验结果表明:相较于传统的最小二乘算法和加权最小二乘算法,通过使用本文提出的辨识算法,关节辨识力矩残差均方根(Root Mean Square,RMS)之和分别提高了32.81%和23.76%,半参数动力学模型相比于全参数动力学模型力矩残差均方根之和提高了23.56%,辨识结果验证了辨识方法的有效性和优越性。
文摘针对并联柔索驱动机器人力场模拟应用场景下驱动单元的力伺服控制系统设计,基于Links半物理仿真环境,运用Matlab System Identification工具箱,对柔索驱动单元系统数学模型进行模型辨识,并对系统的不确定性进行辨识。结果表明,考虑柔索驱动单元的不确定性因素后实际系统模型与理论模型相吻合,且系统理论模型具有较高的可靠性。在可靠的理论模型基础上,对柔索驱动单元进行控制器设计,并验证了模型辨识方法的有效性。基于模型辨识的控制器设计方法可以推广到其他类型系统的模型辨识。
文摘鉴于恢复力曲面法(Restoring Force Surface,RFS)和随机森林(Random Forest,RF)模型在参数辨识领域的优越性,结合上述两种方法提出一种新的基于RFS-RF的局部非线性模型辨识方法。首先,针对局部非线性模型求解其动力响应。其次,根据获得的动力响应计算恢复力曲面与边际谱,然后再通过边际谱求解非线性指标。再次,通过多次改变结构的刚度和阻尼参数生成若干组非线性指标并建立随机森林模型。然后,将新的非线性指标作为预测集输入已经建立的随机森林模型并判断系统的非线性类型和非线性函数形式。最后,采用最小二乘法对局部非线性系统的待求参数进行精确识别。通过一个四层剪切型框架结构模型对所提方法进行验证,研究结果表明:基于RFS-RF的多自由度局部非线性模型辨识方法能够准确识别结构系统的非线性类型、函数形式以及未知参数。
