买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：桂林电子科技大学

摘要：本发明公开基于NARXNN‑CNN混合迟滞模型的机器人关节补偿控制方法，针对机器人柔性关节传递精度随负载变化，关节输入输出角度之差扭转角与输出力矩表现为强非线性、非对称性及非光滑性的复杂迟滞特性，设计了NARXNN‑CNN混合迟滞模型，并设计分段式损失函数来实现独立分段偏差反向传递学习。通过NARXNN‑CNN混合迟滞模型预测扭转角的修正量，并利用该扭转角的修正量对关节输出角度设定值进行补偿，从而间接避免由于关节材料、制造及复杂结构的装配及负载变化等所造成的关节传递误差。

主权项：1.基于NARXNN-CNN混合迟滞模型的机器人关节补偿控制方法，其特征是，包括步骤如下：步骤1、构建NARXNN-CNN混合迟滞模型；该NARXNN-CNN混合迟滞模型由非线性自回归神经网络和卷积神经网络组成，其中非线性自回归神经网络的输入端形成NARXNN-CNN混合迟滞模型的输入端，非线性自回归神经网络的输出端连接卷积神经网络的输入端，卷积神经网络的输出端形成NARXNN-CNN混合迟滞模型的输出端；步骤2、采集机器人关节在运行之初的N个历史时刻实际的关节力矩和关节扭转角对步骤1所构建的NARXNN-CNN混合迟滞模型的参数进行学习，得到最终NARXNN-CNN混合迟滞模型；在NARXNN-CNN混合迟滞模型的学习过程中：首先，将k-2时刻实际的关节力矩τJk-2、k-1时刻实际的关节力矩τJk-1、k-2时刻实际的关节扭转角Δθk-2、以及k-1时刻实际的关节扭转角Δθk-1同时送入到NARXNN-CNN混合迟滞模型的非线性自回归神经网络中，得到k时刻非线性自回归神经网络预测的关节扭转角Δθ'k，并计算k时刻实际的关节扭转角Δθk与k时刻非线性自回归神经网络预测的关节扭转角Δθ'k的非线性自回归神经网络误差e1＝Δθk-Δθ'k；然后，将k-1时刻实际的关节力矩τJk-1、k-1时刻实际的关节扭转角Δθk-1、k时刻非线性自回归神经网络预测的关节扭转角Δθ'k、以及k时刻非线性自回归神经网络预测的关节扭转角Δθ'k与k-1时刻实际的关节扭转角Δθk-1的差值同时送入到NARXNN-CNN混合迟滞模型的卷积神经网络中，得到k时刻卷积神经网络预测的关节扭转角并计算k时刻实际的关节扭转角Δθk与k时刻卷积神经网络预测的关节扭转角的卷积神经网络误差最后，基于独立分段式损失函数对NARXNN-CNN混合迟滞模型进行独立分段式反向误差传递学习，得到最终NARXNN-CNN混合迟滞模型；其中独立分段式损失函数V为： 其中，e1为非线性自回归神经网络误差，e2为卷积神经网络误差；ω为设定的权重系数，且0＜ω＜1；k＝3,4,…,N+2，N为设定的历史时刻数；步骤3、将当前时刻的前二个时刻实际的关节力矩、当前时刻的前一个时刻实际的关节力矩、当前时刻的前二个时刻实际的关节扭转角、当前时刻的前一个时刻实际的关节扭转角送入到步骤2所得到的最终NARXNN-CNN混合迟滞模型中，得到当前时刻预测的关节扭转角；步骤4、将当前时刻补偿前的关节角度设定值加上步骤3所得到的当前时刻预测的关节扭转角，得到当前时刻补偿后的关节角度设定值；并将当前时刻补偿后的关节角度设定值提供给机器人的关节控制端，以间接抵消关节表现出的迟滞特性，实现在不同负载下关节输出角度不随负载而变化。

全文数据：

权利要求：

百度查询： 桂林电子科技大学 基于NARXNN-CNN混合迟滞模型的机器人关节补偿控制方法