论文部分内容阅读
谐波齿轮传动是随着空间技术的发展而产生的一种传动技术,目前在工业机器人、航空航天技术和机械设备等领域被广泛应用。谐波减速器具有体积小、结构紧凑、重量轻、扭矩大、同轴装配度高、传动比高、接近零间隙等优点,是工业机器人实现运动的核心部件,也是当前国产工业机器人的技术瓶颈之一。谐波减速器由波发生器、刚轮和柔轮三个基本零部件组成,通过柔轮的弹性变形实现运动的传递。柔轮的变形、传动中的非线性摩擦、各个零部件的制造及装配误差,导致了谐波减速器不可避免地出现迟滞现象,反映了输出力矩与输入输出轴之间夹角的迟滞特性。在工业机器人往复运动的过程中,迟滞特性是影响其重复性精度的重要因素。对谐波减速器的迟滞特性进行分析与建模,是实现工业机器人高精度控制的重要基础。针对工业机器人柔性关节中的谐波减速器表现出的特殊非光滑的非线性迟滞特性,本文提出了以下两种建模方法:(1)SDH模型与神经网络串联的谐波减速器混合迟滞模型以输入与输出信号之间具有与谐波减速器迟滞曲线相似迟滞特性的SDH模型为前置模型;以补偿前置模型在描述迟滞特性时存在的误差的非线性动态RBF神经网络作为后置模型,构成了混合迟滞模型,描述谐波减速器迟滞非线性特性。根据所搭建的实验平台,在不同频率输入信号、不同负载状态下获得的数据进行建模,与经典RBF神经网络模型和SDH模型相比,实验表明所构造的混合迟滞模型精度高、适应性强。(2)基于预处理的动态RBF神经网络迟滞模型模型由类迟滞特性预处理环节和动态RBF神经网络两部分组成:1)对输入信号进行预处理,处理后的信号与输入信号之间具有类迟滞特性;2)充分利用动态RBF神经网络实现类迟滞到谐波减速器迟滞特性的强映射。基于本文搭建的实验平台,在不同实验条件下获得的数据进行建模验证,在不同频率输入信号、不同负载,实现相近建模精度下,基于预处理的动态RBF神经网络迟滞模型的验证精度远高于经典RBF神经网络模型的精度,证明了所构造的基于预处理的动态RBF神经网络迟滞模型的有效性。本文所提出的两种迟滞模型的建模和验证误差的均方误差(MSE)基本持平,但是基于预处理的动态RBF神经网络迟滞模型比SDH混合迟滞模型结构更加简洁,更易于实际应用。