欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2020100196582
申请人: 南昌大学
专利类型:发明专利
专利状态:已下证
专利领域: 控制;调节
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种基于粒子群算法的力反馈设备动力学参数估计算法,其特征是按以下步骤:通用力反馈设备的动力学方程具体如下:

其中,θ为关节角;为关节角速度;为关节角加速度;D为力反馈设备的惯性矩阵;C为离心力和科里奥利力矩阵;G为重力矩阵;Fc为库伦摩擦系数矩阵;Fv为黏滞摩擦系数矩阵;τ为关节力矩;ΔX为考虑建模不确定性而引入的补偿项;

需要估计的参数除了参数X外,还有补偿参数ΔX,如下所示:X=[l1,l2,l3,ma,Iaxx,Iayy,Iazz,mbe,Ibexx,Ibeyy,Ibezz,mc,Icxx,Icyy,Iczz,l5,mdf,Idfxx,Idfyy,Idfzz,l6,Idf,Fc1,Fc2,Fc3,Fv1,Fv2,Fv3]ΔX=[a1,b1,a2,b2,a3,b3]

其中:力反馈设备的模型分为A到G七段,X为力反馈设备的动力学参数;l1,l2分别是B段和A段的长度,l3是AB两段交点到C段的距离,l5是BE段的质心到原点的距离,l6是DF段质心到原点的距离;ma,mbe,mc,mdf分别是A段、BE段、C段和DF段的质量;Iaxx,Iayy,Iazz,Ibexx,Ibeyy,Ibezz,Icxx,Icyy,Iczz,Idfxx,Idfyy,Idfzz分别是A段、BE段、C段和DF段的惯性张量矩阵在三个轴的分量;Idf是DF段的惯性张量矩阵;Fd,Fc2,Fc3是三个关节的库伦摩擦系数;Fv1,Fv2,Fv3是三个关节的粘滞摩擦系数,ΔX为考虑建模不确定性而引入的补偿项;a1,b1,a2,b2,a3,b3为三个关节补偿方程的系数;

步骤1:设定力反馈设备关节角理想运动轨迹;

力反馈设备具有N个可旋转的关节J1、J2…JN,对应的N个关节角为θ1、θ2…θN;设定N个关节角的理想运动轨迹分别为:角度θ1(t)、θ2(t)…θN(t),角速度 角加速度

步骤2:对关节角理想运动轨迹进行位置跟踪;

使用PID控制算法,控制力反馈设备的N个关节对理想轨迹进行位置跟踪,得到N个关节的输入力矩τ1、τ2…τN和角度θ1(t)、θ2(t)…θN(t),利用非线性跟踪-微分器得到各关节的角速度 和角加速度步骤3:对关节角运动轨迹和输入力矩采样;

对运动轨迹:关节角度θ1(t)、θ2(t)…θN(t),关节角速度 关节角加速度 以及输入的关节力矩τ1、τ2…τN进行 采样,其中T为采样时间,P为采样点数;得到采样轨迹:关节角度 关节角速度和关节角加速度 及力矩

步骤4:用改进的全面学习粒子群ICLPSO算法估计力反馈设备参数;

(a):将估计的参数 及关节角运动轨迹代入动力学方程中,计算得到估计的关节力矩,第i个关节、第p次采样的力矩 计算公式如下:上式中, 为第i个关节、第p次采样得到的关节角度; 为第i个关节、第p次采样得到的关节角速度; 为第i个关节、第p次采样得到的关节角加速度;Fcip为第i个关节、第p次采样得到的库伦摩擦系数;Fvip第i个关节、第p次采样得到的粘滞摩擦系数;

(b):定义误差矩阵为计算测量的关节力矩τ与估计的关节力矩 之间的误差得到误差矩阵E为:

定义目标函数:

f=||E||2

(c):设置ICLPSO算法的参数:粒子维度D;粒子的个数Q;最大迭代次数max_iteration;

最大评价次数max_EFS;最大停滞次数max_PST;粒子搜索范围为[Hmin Hmax];

①初始化ICLPSO算法的参数,粒子个数Q、粒子维度D、搜索边界[Hmin Hmax]、迭代次数iteration、评价次数EFS、各粒子停滞次数PST,随机初始化粒子位置H、速度V;

②评价粒子的位置,得到各粒子的适应度值,更新各粒子的个体历史最优位置pb和种群在整个搜索过程中找到的最优位置gb,更新iteration和EFS;

③使用分层更新策略更新粒子速度V,更新粒子位置H,设置参数M=Q/2,K=Q/4;评价各粒子得到适应度值,更新各粒子的pb和gb,更新iteration和EFS;

若粒子的f(pbi)<f(S_pbM),则粒子的速度使用下面的公式更新否则,粒子的速度使用下面的公式更新

其中, 是第i个粒子的d维速度;w是惯性权重,调节对解空间的搜索能力; 是第id

个粒子的指导粒子在d维的位置; 是第i个粒子在d维的位置;gb是粒子种群在d维找到的最优位置;pbi是个体的历史最优位置,S_pb为pb按适应度值从小到大排序后的位置,g_pb是pb产生的指导粒子,cn为S_pb中前K个位置的中心,c1和c2为加速度因子,r1和r2是0到1之间均匀分布的随机数;cnd为S_pb中前K个值在第d维位置的中心;

④使用位置学习策略对粒子位置H进行更新;每个粒子都有学习其他粒子的能力,学习其他粒子的概率为PLX=0.25,如果0~1的随机数r3小于PLX,则在此维度上,粒子学习另一个粒子;

⑤使用指导粒子学习策略对指导粒子进行更新;当粒子的停滞次数PST达到设置的最大停滞次数max_PST时,随机选择一个粒子的pb替代停滞粒子的个体指导粒子,另外,为了防止粒子过早的聚集在一起,损失种群的多样性,当粒子的pb更新时,指导粒子g_pb将会等于pb;

⑥使用全局最优学习策略优化gb;在每次迭代时,随机选择一个维度r4,让gb直接学习pb中的一个随机粒子⑦判断算法是否满足结束条件,若满足找到使目标函数f最小的参数,此时的参数 为估计的最优模型参数,算法结束;若不满足,则继续跳到步骤2继续运行。