本技术介绍了一种机器人关节伺服系统的参数识别方法,通过将系统视为一个整体进行建模,并特别考虑谐波减速器等传动元件对运动和力矩的影响,实现对关节的精确参数识别。
背景技术
机器人运动控制的底层在于对关节伺服电机系统的控制,对于机器人关节伺服系统而言,常常采用磁场定向矢量控制(FOC)算法,系统的机械参数对其控制效果有着重要意义:系统转动惯量是速度环PI控制器设计的必要参数,精确负载转矩和关节摩擦信息是关节力矩反馈控制、机器人动力学模型的基础。然而,在机器人的运动过程中每个关节的等效惯量和负载转矩会随着工况和机械臂的位姿不同而改变,摩擦力矩也会随着关节转速而变化;以转动惯量、负载转矩和摩擦参数为代表的机械参数的变化对整个关节控制的性能有着重要影响,因此实时辨识这三个机械参数,对于优化机器人关节电机系统的控制至关重要。
在现阶段研究中,电机系统机械参数的在线辨识常用的算法主要包括扩展卡尔曼滤波法、模型参考自适应系统法、神经网络和基于观测器的方法。扩展卡尔曼滤波法存在复杂的矩阵运算,在辨识多个参数时,其协方差的计算和设计较困难;模型参考自适应系统法应用于多个参数估计时,其自适应机制的设计会大大增加算法的复杂度和计算量,且鲁棒性较差;以神经网络为代表的一系列智能算法精度最高,适用于复杂的非线性系统,但计算量极大,不适用于快速的在线辨识算法;以上算法的缺陷都限制了其在线多参数辨识方面的应用。
近年来,由于更好的鲁棒性以及对参数变化不敏感,扩张滑模观测器(ESMO)在在线多参数辨识方面得到了更多的应用,如文献[梁戈,黄守道,李梦迪等.基于高阶快速终端滑模扰动观测器的永磁同步电机机械参数辨识[J].电工技术学报,2020,35(S2):395-403]以及文献[王涛.基于在线参数辨识的永磁同步电机无位置传感器控制研究[D].合肥工业大学,2023]。但这些现有的估计方法或只辨识一个机械参数,或通过多个观测器辨识多个参数,导致算法复杂度加大。此外,现有的ESMO研究中增益系数通常被设定为固定的常数,误差方程的收敛速度和精度也随之确定,在实际使用时,需要进行多次参数调试实验,取得一个在速度和精度之间折中的增益系数,这样的取值方法在面对不同系统时需要重新调参,且无法兼顾辨识的速度与精度。
由此可见,目前的参数辨识算法在应对多参数同时辨识的需求时,仍表现出算法复杂、难以兼顾辨识速度和精度的问题;如何设计一种在线多参数同时辨识的方法,使其能够实现快速辨识参数的同时达到较高的辨识精度,仍具有相当挑战性。
实现思路