基于Wiener模型的柔性机械臂系统辨识方法和装置.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115890651A(43)申请公布日2023.04.04(21)申请号202211090440.1(22)申请日2022.09.07(71)申请人江苏理工学院地址213001江苏省常州市中吴大道1801号(72)发明人李峰丁振宇李婕俞洋陶为戈(74)专利代理机构常州佰业腾飞专利代理事务所(普通合伙)32231专利代理师刘松(51)Int.Cl.B25J9/16(2006.01)G06N3/04(2023.01)G06N3/08(2023.01)权利要求书3页说明书12页附图3页(54)发明名称基于Wiener模型的柔性机械臂系统辨识方法和装置(57)摘要本发明提供一种基于Wiener模型的柔性机械臂系统辨识方法和装置，所述方法包括：通过样本数据对四层神经模糊网络进行训练，得到柔性机械臂系统的标称模型，其中，样本数据包括柔性机械臂系统的输入变量力矩和输出变量加速度；构建柔性机械臂系统的Wiener模型，其中，Wiener模型包括动态线性模块和静态非线性模块；将可分离信号和实际力矩构成的组合信号作为Wiener模型的输入，将可分离信号经过标称模型的输出和实际加速度作为Wiener模型输出，辨识Wiener模型中动态线性模块和静态非线性模块的参数；通过辨识后的Wiener模型预测柔性机械臂系统的加速度。本发明能够降低Wiener模型计算的复杂性，提高参数辨识精度，从而能够有效控制柔性机械臂系统，提高柔性机械臂系统的工作效率。CN115890651ACN115890651A权利要求书1/3页1.一种基于Wiener模型的柔性机械臂系统辨识方法，其特征在于，包括以下步骤：通过样本数据对四层神经模糊网络进行训练，得到所述柔性机械臂系统的标称模型，其中，所述样本数据包括所述柔性机械臂系统的输入变量力矩和输出变量加速度；构建所述柔性机械臂系统的Wiener模型，其中，所述Wiener模型包括动态线性模块和静态非线性模块；将可分离信号和实际力矩构成的组合信号作为所述Wiener模型的输入，将所述可分离信号经过所述标称模型的输出和实际加速度作为所述Wiener模型输出，辨识所述Wiener模型中所述动态线性模块和所述静态非线性模块的参数；通过辨识后的Wiener模型预测所述柔性机械臂系统的加速度。2.根据权利要求1所述的基于Wiener模型的柔性机械臂系统辨识方法，其特征在于，所述标称模型为：其中，k表示采样时间，u(k)表示所述柔性机械臂系统的力矩，以所述柔性机械臂系统的力矩作为所述标称模型的输入，y(k)表示所述柔性机械臂系统的加速度，以所述柔性机械臂系统的加速度作为所述标称模型的输出，wl(l＝1,…,L)为神经模糊网络的权重，L为模糊规则数，且为高斯隶属度函数，cl为高斯隶属度函数的中心，σl为高斯隶属度函数的宽度。3.根据权利要求2所述的基于Wiener模型的柔性机械臂系统辨识方法，其特征在于，构建所述柔性机械臂系统的Wiener模型，具体包括：采用时滞状态空间模型拟合所述Wiener模型的动态线性模块；采用多项式模型拟合所述Wiener模型的静态非线性模块。4.根据权利要求3所述的基于Wiener模型的柔性机械臂系统辨识方法，其特征在于，所述时滞状态空间模型为：x(k+1)＝Ax(k)+Bx(k‑1)+hu(k)v(k)＝cx(k)其中，以所述柔性机械臂系统的力矩作为所述时滞状态空间模型的输入，x(k)为状态变量，A∈Rn×n、B∈Rn×n、h∈Rn×1以及c∈R1×n均是系统参数矩阵，v(k)为时滞状态空间模型的输出，基于单位后移算子的特性：x(k‑1)＝z‑1x(k)和x(k+1)＝zx(k)，所述时滞状态空间模型转化为下列输入输出关系：2CN115890651A权利要求书2/3页‑2n2‑1‑2n‑2n+12其中，a(z)＝zdet[zI‑Az‑B]＝1+a1z+…+a2nz，b(z)＝zcadj[zI‑Az‑B]h＝‑1‑(2n‑1)b1z+…+b2n‑1z。5.根据权利要求4所述的基于Wiener模型的柔性机械臂系统辨识方法，其特征在于，所述多项式模型为：2ry(k)＝f(v(k))＝c1v(k)+c2v(k)+…+crv(k)其中，c1,c2,…,cr为所述多项式模型的系数，r为模型阶次。6.根据权利要求5所述的基于Wiener模型的柔性机械臂系统辨识方法，其特征在于，所述Wiener模型的表达式为：y(k)＝f(v(k))+e(k)其中，e(k)表示白噪声，f(·)表示静态非线性模块，由多项式模型描述，na和nb表示模型阶次。7.根据权利要求6所述的基于Wiener模型的柔性机械臂系统辨识方法，其特征在于，辨识所述Wiener模型中所述动态线性模块和所述静