检索结果-内蒙古大学图书馆

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

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

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

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：