检索结果-内蒙古大学图书馆

制造技术与机床 2022年第12期 33-39页

作者：党选举马樑海桂林电子科技大学电子工程与自动化学院广西桂林541004 广西智能综合自动化高校重点实验室广西桂林541004

针对协作机器人柔性关节传动过程中固有复杂迟滞特性影响执行精度的问题,提出基于中间变量的非线性自回归移动平均(NARMAX)结构的改进加权最小二乘支持向量机(WLSSVM)迟滞模型。引入PI算子产生中间变量,将迟滞的多值映射转换为单值映射... 详细信息

针对协作机器人柔性关节传动过程中固有复杂迟滞特性影响执行精度的问题,提出基于中间变量的非线性自回归移动平均(NARMAX)结构的改进加权最小二乘支持向量机(WLSSVM)迟滞模型。引入PI算子产生中间变量,将迟滞的多值映射转换为单值映射,引入输出力矩和扭转角历史值,使模型具有动态特性;LSSVM求解问题时易受模型输出误差大的数据点影响,在目标优化函数中增加具有自适应调整因子的模型输出误差构成的正则项,达到进一步提高模型精度和抗干扰能力目的。以FRANKA协作机器人关节为对象进行建模与验证,实验结果表明,相比LSSVM迟滞模型和NARMAX迟滞模型,改进WLSSVM迟滞模型具有较高的模型精度。

关键词：协作机器人柔性关节复杂迟滞特性中间变量自适应调整因子

来源：评论

学校读者我要写书评

暂无评论

基于iTransformer模型的工业机器人关节迟滞建模研究

引用

组合机床与自动化加工技术 2025年第4期 177-182页

作者：党选举沈远桂桂林电子科技大学电子工程与自动化学院桂林541004

针对工业机器人的柔性关节表现的复杂迟滞特性问题,提出了一种基于改进的iTransformer(inverted transformer)模型的非线性迟滞建模方法,用于描述柔性关节的输出力矩与扭转角之间的复杂迟滞特性。采用具有输入反转嵌入层的iTransformer... 详细信息

针对工业机器人的柔性关节表现的复杂迟滞特性问题,提出了一种基于改进的iTransformer(inverted transformer)模型的非线性迟滞建模方法,用于描述柔性关节的输出力矩与扭转角之间的复杂迟滞特性。采用具有输入反转嵌入层的iTransformer模型,体现时间前后信号关联性,其自注意力机制,描述了迟滞的记忆特性。为了提高迟滞模型的精度,从结构及输入前端信息两个方面对iTransformer模型进行改进:在结构上,将LSTM网络与iTransformer模型并联,以增强迟滞模型的动态特性;在输入端,设计了一个自相关模块。将输入扭转角向量进行哈达玛积运算,构成新输入向量,并与所设计类迟滞算子结合,设计一个iTransformer模型前端的自相关模块,充分体现了输入信号的关联性。与iTransformer、LSTM及PI迟滞模型相比较,实验结果表明,所提出迟滞模型,对工业机器人的复杂迟滞特性的描述,具有更高的精度和泛化能力。

关键词：柔性关节复杂迟滞特性 iTransformer模型类迟滞算子自相关模块

来源：评论

学校读者我要写书评

暂无评论

采用非对称迟滞算子的工业机器人柔性关节迟滞特性建模

引用

光学精密工程 2021年第10期29卷 2412-2420页

作者：党选举贺思颖桂林电子科技大学电子工程与自动化学院广西桂林541004

针对工业机器人柔性关节所具有的多值对应及非对称特点的复杂迟滞特性对其控制精度产生不利影响的问题,在PI(Prandtl-Ishlinskii)模型框架下,提出一种针对非对称、强非线性复杂迟滞特性的神经网络建模方法。在PI模型的对称Play算子的结... 详细信息

针对工业机器人柔性关节所具有的多值对应及非对称特点的复杂迟滞特性对其控制精度产生不利影响的问题,在PI(Prandtl-Ishlinskii)模型框架下,提出一种针对非对称、强非线性复杂迟滞特性的神经网络建模方法。在PI模型的对称Play算子的结构基础上,将Play算子中的线性部分用非线性函数替代:将两个变化后的Sigmoid函数组合,构造一个与迟滞曲线轮廓接近的新函数,作为一个非对称非线性的迟滞算子,以此为激励函数,在PI模型框架下,构建神经网络迟滞模型,对柔性关节表现出的复杂迟滞特性进行建模。在柔性关节不同输入条件下获得的实验数据,对模型进行验证,结果表明最大预测误差能控制在1°以内,相较于PI模型,最大误差减小为其五分之一,均方根误差减小为其五分之一。所建立的神经网络迟滞模型具有较好的泛化能力,建模精度有较大提升。

关键词：柔性关节复杂迟滞特性神经网络迟滞模型 PI模型非对称迟滞算子

来源：评论

学校读者我要写书评

暂无评论

工业机器人柔性关节迟滞特性的在线序列极限学习机混合建模

引用

机床与液压 2020年第23期48卷 7-12页

作者：党选举司亚姜辉桂林电子科技大学电子工程与自动化学院广西桂林541004

为体现柔性关节迟滞的基本特性,构建一个类迟滞算子,将其与在线序列极限学习机(OS-ELM)串联,设计一种工业机器人柔性关节迟滞特性的在线序列极限学习机迟滞混合模型。在混合模型中,采用具有学习效率高、泛化能力强的在线序列极限学习机... 详细信息

为体现柔性关节迟滞的基本特性,构建一个类迟滞算子,将其与在线序列极限学习机(OS-ELM)串联,设计一种工业机器人柔性关节迟滞特性的在线序列极限学习机迟滞混合模型。在混合模型中,采用具有学习效率高、泛化能力强的在线序列极限学习机,能有效地回避使用梯度下降法对模型参数学习时存在的速度慢和局部最小值问题,提高了建模精度。利用不同状态下的实验数据进行模型验证,结果表明所提出的迟滞混合模型具有高精度和较高的泛化能力。

关键词：复杂迟滞特性类迟滞算子在线序列极限学习机谐波减速器柔性关节

来源：评论

学校读者我要写书评

暂无评论

协作机器人的谐波减速器柔性关节迟滞特性的建模研究

协作机器人的谐波减速器柔性关节迟滞特性的建模研究

引用

作者：马樑海桂林电子科技大学

学位级别：硕士

随着机器人技术的不断进步,协作机器人成为机器人行业发展的最新研究方向,逐渐应用于柔性制造、防灾抗疫、医疗服务等领域。多场景、多任务、复杂的作业工况不仅要求协作机器人的功能优异,还要求协作机器人具有更高的位置执行精度。但... 详细信息

随着机器人技术的不断进步,协作机器人成为机器人行业发展的最新研究方向,逐渐应用于柔性制造、防灾抗疫、医疗服务等领域。多场景、多任务、复杂的作业工况不仅要求协作机器人的功能优异,还要求协作机器人具有更高的位置执行精度。但协作机器人柔性关节由于存在复杂结构的谐波减速器,角度传递精度会随负载发生变化,使得扭转角与输出力矩之间表现出复杂的迟滞特性,具有强非线性、非对称性及非平滑性等特点,直接限制协作机器人执行精度的提高。高精度的柔性关节模型是实现关节补偿控制和提高角度传递精度的前提。因此,为满足协作机器人的高精度要求,基于模型的协作机器人柔性关节高精度控制,对协作机器人柔性关节中谐波减速器的迟滞特性建模尤为重要。文章研究内容如下:(1)提出基于非线性自回归移动平均(NARMAX)结构的改进加权最小二乘支持向量机(WLSSVM)动态迟滞模型。为使LSSVM模型具有动态特性,借助NARMAX结构,LSSVM迟滞模型中,将扭转角以及输出力矩的历史值作为模型的输入,实现柔性关节动态特性的描述。针对关节复杂迟滞特性,PI迟滞算子输出引入输入端,作为输入信号预处理,用于描述关节的迟滞特征。LSSVM求解模型参数时,针对求解时易受模型输出误差干扰的影响问题,在目标优化函数中增加具有自适应调整因子的模型输出误差构成的正则项,设计一种改进WLSSVM用于模型的求解,达到提高模型参数精度目的。以FRANKA协作机器人柔性关节为对象进行建模与验证,实验结果表明,相比LSSVM迟滞模型和NARMAX迟滞模型,所提出迟滞模型具有较高的模型精度。(2)提出一种非线性自回归神经网络(NARXNN)与卷积神经网络(CNN)串联迟滞模型。NARXNN被直接用于描述柔性关节的复杂非线性特性,将不可避免地导致较大的幅度和相位滞后偏差。为更进一步提高NARXNN的建模精度,在NARXNN后面串联CNN模型,搭建一个NARXNN与CNN组合的迟滞模型。在CNN中,将关节扭转角历史值与NARXNN输出之间的偏差值作为CNN的输入,获取偏差的幅度和相位特征,同时获得具有非平滑特性的极值点特征,用于解决NARXNN未能描述偏差中包含的非平滑特性的问题。在模型学习中,提出一种新的复合目标函数对NARXNN-CNN组合迟滞模型进行独立的分段学习,以提高模型的学习速度。所提出的迟滞模型已在FRANKA协作机器人柔性关节实验平台上进行建模与验证。实验结果表明,与NARXNN迟滞模型和CNN-NARXNN组合迟滞模型(在CNN后面串联NARXNN)相比,NARXNN-CNN组合迟滞模型具有较高的模型精度。本文所提两种模型经实验验证均能有效描述协作机器人柔性关节中谐波减速器导致的复杂迟滞特性,其中,NARXNN-CNN组合迟滞模型的建模与验证精度均较优于改进WLSSVM动态迟滞模型,而改进WLSSVM动态迟滞模型实质是解方程的形式,在运算速度上优于NARXNN-CNN组合迟滞模型。二者各有优势,可根据对速度和精度不同要求,选择其中一种模型,满足不同要求的应用场景。

关键词：协作机器人柔性关节复杂迟滞特性改进WLSSVM动态迟滞模型 NARXNN-CNN组合迟滞模型

来源：评论

学校读者我要写书评

暂无评论

轻型工业机器人柔性关节迟滞特性分析与建模研究

轻型工业机器人柔性关节迟滞特性分析与建模研究

引用

作者：司亚桂林电子科技大学

学位级别：硕士

工业生产中,工业机器人的应用需求越来越广泛,对其运行速度,精度等要求也愈来愈高,柔性关节是决定工业机器人运动的定位精度的关键之一。谐波减速器作为轻型工业机器人柔性关节主要部件,其稳定精度也成为制约高精度机器人产业发展的关... 详细信息

工业生产中,工业机器人的应用需求越来越广泛,对其运行速度,精度等要求也愈来愈高,柔性关节是决定工业机器人运动的定位精度的关键之一。谐波减速器作为轻型工业机器人柔性关节主要部件,其稳定精度也成为制约高精度机器人产业发展的关键。含有谐波减速器的柔性关节所表现出一种非平滑的强非线性迟滞特性,不可避免地影响传递精度。从信息补偿角度,建模补偿提高谐波减速器转换精度,建立柔性关节的迟滞模型成为首要条件。针对工业机器人含有谐波减速器的柔性关节,所表现出一种非光滑的强非线性的迟滞特性,本文提出了以下两种建模方法:(1)在线序列极限学习机迟滞混合模型对含有谐波减速器的柔性关节进行数据采集实验与分析,为了体现柔性关节迟滞的基本特性,构建了一个类迟滞算子,并与在线序列极限学习机(Online Sequential Extreme Learning Machine,OS-ELM)串联,设计了一种工业机器人柔性关节迟滞特性的在线序列极限学习机迟滞混合模型。混合模型中,为了提高建模精度,采用具有学习效率高、泛化能力强的在线序列极限学习机,能有效地回避使用梯度下降法对模型参数学习时所存在速度慢和局部最小值问题。(2)量子RBF神经网络混合结构迟滞模型柔性关节迟滞特性具有多值映射关系,不同的输入频率下,等值的输入有不同的输出,即输出存在不确定性,而量子比特具有状态记忆和纠缠相干态特性,一个量子比特可以表征两种不同的结果。所以,量子比特的输出不确定性与迟滞输出不确定性相对应。针对柔性关节的迟滞特性,提出了一种量子RBF神经网络混合结构迟滞模型,其由量子比特神经网络和完成非线性映射的量子比特神经网络串联构成。在混合结构迟滞模型中,采用一个量子RBF神经网络对谐波减速器迟滞建模,获得柔性关节所表现出的迟滞特性,之后串联第二个量子RBF神经网络,目的是实现非线性映射,提高所提出的迟滞模型的泛化能力。在所提出的模型学习中,引入深度神经网络中Adam优化算法,有效地提高了模型学习速度。本文主要是对含有谐波减速器的工业机器人柔性关节实验数据进行分析与建模,并以在不同状态条件下的实验数据对所提出的量子RBF神经网络混合结构迟滞模型和在线序列极限学习机迟滞混合模型,进行试验验证。量子RBF神经网络混合结构迟滞模型在预测误差效果优于在线序列极限学习机迟滞混合模型,但模型结构相对复杂。通过使用运算能力不同平台,两种模型都能有效地对迟滞特性进行建模。

关键词：柔性关节复杂迟滞特性谐波减速器类迟滞算子在线序列极限学习机量子RBF神经网络 Adam优化算法

来源：评论

学校读者我要写书评

暂无评论

音圈电机位置伺服驱动系统研究与应用

音圈电机位置伺服驱动系统研究与应用

引用

作者：刘荣昌江西理工大学

学位级别：硕士

论文以医药企业包装机械中的数粒机为应用背景,采用音圈电机(Voice Coil Motor,VCM)为激振源,完成电磁式振动给料机的改进。传统的振动给料机基本以电磁结构为激振源,在数粒机中用于分散和传输物料。但电磁结构的激振存在受弹簧老化的... 详细信息

论文以医药企业包装机械中的数粒机为应用背景,采用音圈电机(Voice Coil Motor,VCM)为激振源,完成电磁式振动给料机的改进。传统的振动给料机基本以电磁结构为激振源,在数粒机中用于分散和传输物料。但电磁结构的激振存在受弹簧老化的影响严重、易受环境影响和振幅不能稳定可控等缺点,在送料效果和速度方面的稳定性不够,不利于数粒机快速和稳定工作。而音圈电机具有运动过程精确可控、抗干扰能力强和自动化程度高等特点,以音圈电机替代电磁结构的振动给料机,能精确控制振幅和频率,有利于提高送料速度和稳定性。论文主要工作内容如下:(1)首先介绍了音圈电机伺服系统的研究现状,描述了电磁式振动给料机的工作过程,分析了电磁结构存在的主要问题,选择采用音圈电机位置伺服驱动系统提供稳定可靠的激振,实现对振动给料机进行改进。(2)为了确立音圈电机的数学模型,从工作原理上进行分析,在等效的情况下,得到其模型的传递函数。由于音圈电机驱动振动给料机时需要做快速往复运动,介绍了音圈电机的复杂迟滞特性,说明高频运动下音圈电机呈现出不可忽略的非线性特性,是一个复杂的非线性被控对象,并通过振动给料机的动力学分析,确定音圈电机做高频往复运动时的位置伺服控制要求。(3)为了得到更优的控制效果,对H桥功率变换器进行了分析,并对音圈电机位置伺服驱动系统进行了研究和仿真验证。为进一步提升电流环动态性能,添加两种前馈补偿环节:反电动势扰动的前馈补偿、电流给定的前馈,组成“PI+前馈补偿”的复合控制方式。介绍了自抗扰控制(Active Disturbance Rejection Control,ADRC)方法并应用于位置环,用于适应音圈电机的复杂迟滞特性,同时能够提高位置环的控制精度。文中详细分析了电流环和位置环的控制算法,并列举了其参数设计的过程,最终通过Simulink平台进行了仿真验证。(4)介绍了音圈电机位置伺服驱动系统的硬件平台和软件结构,并对其中的主要部分进行说明。硬件包括功率电路、操作面板和控制电路,软件包括控制算法模块、面板通信模块和坐标旋转数字计算方法(Coordinate Rotation Digital Computer,CORDIC)。(5)以音圈电机位置伺服驱动系统为激振源,搭建了相应的振动给料机实验平台,并成功应用于包装机械的数粒机中。对所设计的音圈电机位置伺服驱动系统进行了带载测试,并通过与经典PID控制进行对比,验证了ADRC的控制性能。控制音圈电机产生高频振动,进行持续的平台送料测试,验证系统的稳定性。

关键词：音圈电机伺服系统振动给料机自抗扰控制复杂迟滞特性

来源：评论

学校读者我要写书评

暂无评论

基于改进Preisach迟滞构架的工业机器人柔性关节深度神经网络迟滞建模研究

引用

制造业自动化 2024年第9期46卷 7-14页

作者：党选举芮华桂林电子科技大学电子工程与自动化学院广西桂林541004

针对工业机器人柔性关节所具有非对称、速率相关及强非线性的复杂迟滞特性问题,改进Preisach模型,提出一种描述复杂迟滞特性的深度神经网络迟滞模型。从模型内部迟滞算子和外部网络结构两个角度改进Preisach模型,描述柔性关节的复杂迟... 详细信息

针对工业机器人柔性关节所具有非对称、速率相关及强非线性的复杂迟滞特性问题,改进Preisach模型,提出一种描述复杂迟滞特性的深度神经网络迟滞模型。从模型内部迟滞算子和外部网络结构两个角度改进Preisach模型,描述柔性关节的复杂迟滞特性:1)设计一个非对称非线性迟滞函数,替换Preisach模型内部迟滞算子,描述柔性关节的非对称迟滞特性;2)在Preisach模型输出端引入惯性滤波环节,在Preisach模型输入端引入输入输出历史信息,描述柔性关节的速率相关迟滞特性。将改进的Preisach模型与实现非线性映射的全连接神经网络串联构成深度神经网络迟滞模型。通过对比实验验证了所提出的深度神经网络迟滞模型描述工业机器人柔性关节复杂迟滞特性的有效性,其具有良好的预测能力和较高的精度。

关键词：工业机器人柔性关节复杂迟滞特性 Preisach模型深度神经网络迟滞模型

来源：评论

学校读者我要写书评

暂无评论

基于相位超前补偿的TCN神经网络柔性关节的复杂迟滞建模研究

引用

制造技术与机床 2024年第12期 38-44页

作者：党选举张清羽桂林电子科技大学电子工程与自动化学院广西桂林541004 广西智能综合自动化高校重点实验室广西桂林541004

针对轻型工业机器人柔性关节的复杂迟滞特性建模问题,基于电机驱动电流与扭转角之间关系,描述关节的迟滞特性,提出了一个基于相位超前补偿的机器人柔性关节改进TCN(temporal convolutional network)迟滞模型。在通过卡尔曼滤波还原剔除... 详细信息

针对轻型工业机器人柔性关节的复杂迟滞特性建模问题,基于电机驱动电流与扭转角之间关系,描述关节的迟滞特性,提出了一个基于相位超前补偿的机器人柔性关节改进TCN(temporal convolutional network)迟滞模型。在通过卡尔曼滤波还原剔除噪声干扰后的关节迟滞特性数据基础上,主要研究设计一种改进TCN迟滞模型,在模型各分支引入不同因子的扩张卷积,解决了TCN神经网络迟滞模型在极值点存在较大误差问题;针对改进TCN迟滞模型依然存在由相位滞后引起的误差,设计相位超前环节与TCN神经网络模型串联,构造一个基于相位超前补偿的改进TCN神经网络迟滞模型,进一步提高了迟滞模型精度。与改进TCN迟滞模型及典型PI迟滞模型相比,实验结果验证了所提出的机器人关节迟滞模型,具有较高精度。

关键词：柔性关节复杂迟滞特性 TCN 相位超前迟滞模型

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：