基于关节力矩补偿的液压机械臂末端力软测量

doi:10.12141/j.issn.1000-565X.220274

华南理工大学学报(自然科学版) ›› 2022, Vol. 50 ›› Issue (10): 140-152.doi: 10.12141/j.issn.1000-565X.220274

所属专题： 2022年流体动力与机电控制工程

• 流体动力与机电控制工程 • 上一篇

基于关节力矩补偿的液压机械臂末端力软测量

李刚李锋丁孺琦木学山

华东交通大学南昌市车辆智能装备与控制重点实验室/机电与车辆工程学院，江西南昌 330013

收稿日期:2022-05-12 出版日期:2022-10-25 发布日期:2022-09-01
通信作者: 丁孺琦（1987-），男，博士，副教授，主要从事机电液智能控制研究。 E-mail:dingruqi@ecjtu.edu.cn
作者简介:李刚（1978-），男，博士，副教授，主要从事电液控制及智能装备研究。E-mail:ligang0794@163.com.
基金资助:
国家自然科学基金资助项目(52175050);国家自然科学基金-区域创新发展联合基金资助项目(U21A20124);江西省自然科学基金资助项目(20212ACB214004)

Terminal Force Soft Sensing of Hydraulic Manipulator Based on Joint Torque Compensation

LI Gang LI Feng DING Ruqi MU Xueshan

Nanchang Key Laboratory of Vehicle Intelligent Equipment and Control/School of Mechatronics and Vehicle，East China Jiaotong University，Nanchang 330013，Jiangxi，China

Received:2022-05-12 Online:2022-10-25 Published:2022-09-01
Contact: 周俊杰（1986-），男，博士，副教授，主要从事软体机器人和流体传动与控制研究。 E-mail:dingruqi@ecjtu.edu.cn
About author:李刚（1978-），男，博士，副教授，主要从事电液控制及智能装备研究。E-mail:ligang0794@163.com.
Supported by:
the National Natural Science Foundation of China(52175050);the Regional Innovation and Deve-lopment Joint Funds of the National Natural Science Foundation of China(U21A20124);the Natural Science Foundation of Jiangxi Province(20212ACB214004)

摘要/Abstract

摘要：

为满足液压机械臂在复杂环境下高精度的作业要求，需使其具备一个精确的力测量系统。由于液压机械臂工作环境复杂且末端接触负载大，力传感器容易受到破坏，因此，针对液压机械臂无末端力传感器的末端力精确感知的难题，以3自由度液压重载机械臂为研究对象，提出了基于关节力矩补偿的液压机械臂末端力软测量方法。本研究通过有限傅里叶级数模型设计激励轨迹，并采用递推最小二乘法辨识机械臂动力学参数。以非线性摩擦力矩模型代替库伦粘性摩擦模型，提升机械臂动力学模型精度。建立神经网络关节力矩补偿模型，减小不确定因素对液压机械臂动力学模型精度的影响。搭建AMESim/Simulink联合仿真模型，设计液压机械臂末端运行三角形轨迹，验证了本研究提出的动力学模型精度较高。分别在液压机械臂末端的水平方向和竖直方向施加500 N的恒力负载和0~500 N的变力负载，在恒力负载下，水平方向和竖直方向的末端力软测量精度分别为4.84%、2.79%；变力负载下，水平方向和竖直方向的末端力软测量精度分别可达5.73%、4.81%。通过与未优化前的末端力软测量精度对比，验证了本研究提出的基于关节力矩补偿的液压机械臂末端力软测量模型可有效提高末端力软测量的精度。

关键词: 液压机械臂, 参数辨识, 非线性摩擦模型, 关节力矩补偿, 末端力软测量

Abstract:

To meet the requirements of the high-precision operation of the hydraulic manipulator in a complex environment, it is necessary to equip it with an accurate force measurement system. Due to the large and complex end-effector contact force against the working environment, the force sensor is vulnerable to damage. Therefore, focu-sing on the accurate measurements of the terminal force with force sensorless, this paper proposed a force soft-sensing method of hydraulic manipulator based on joint torque compensation, taking 3-D of hydraulic manipulator as the research object. A finite Fourier series model was used to design the excitation trajectory, and the recursive least squares method was used to identify the dynamics parameters of the manipulator. The nonlinear friction torque model was used to replace the Coulomb viscous friction model to improve the precision of manipulator dynamics model. A neural network joint torque compensation model was established to reduce the influence of uncertain factors on the precision of the dynamics model. The AMESim/Simulink co-simulation model was built to design the triangular trajectory of the hydraulic manipulator end-effector, which verified the high accuracy of the dynamic model proposed in this research. A constant force load of 500 N and a variable force load of 0~500 N were applied to the horizontal and vertical direction of the end-effector respectively. Under the constant force load, the soft sen-sing accuracy of the end force in the horizontal and vertical directions is 4.84% and 2.79%, respectively. Under the variable force load, the accuracy of the soft sensor can reach 5.73% in the horizontal direction and 4.81% in the vertical direction. By comparing the end force soft sensor accuracy with that before optimization, it is verified that the force soft-sensing model of hydraulic manipulator based on joint torque compensation can effectively improve the accuracy of end-effector contact force.

Key words: hydraulic manipulator, parameter identification, nonlinear friction model, joint torque compensation, terminal force soft sensing

中图分类号:

TH137.9

李刚, 李锋, 丁孺琦, 等. 基于关节力矩补偿的液压机械臂末端力软测量[J]. 华南理工大学学报(自然科学版), 2022, 50(10): 140-152.

LI Gang, LI Feng, DING Ruqi, et al. Terminal Force Soft Sensing of Hydraulic Manipulator Based on Joint Torque Compensation[J]. Journal of South China University of Technology(Natural Science Edition), 2022, 50(10): 140-152.

图/表 17

图1

图2

图3

图4

图5

图6

表1

图7

图8

图9

图10

表2

图11

表3

图12

图13

表4

参考文献 28

1	WANG X， HUANG J， SONG H. Simultaneous robot-world and hand-eye calibration based on a pair of dual equations ［J］．Measurement，2021，181：109623-1-13.
2	段书用，李昌洛，韩旭，等．机械臂动力学分析及关节非线性摩擦模型建立［J］．机械工程学报，2020，56（9）：18-28.
	DUAN Shuyong， LI Changluo， HAN Xu，et al ．Forward-inverse dynamics analysis of robot arm trajectories and development of a nonlinear friction model for robot joints ［J］.Journal of Mechanical Engineering，2020，56（9）：18-28.
3	ROVEDA L， PIGA D ．Sensorless environment stiffness and interaction force estimation for impedance control tuning in robotized interaction tasks ［J］．Autonomous Robots，2021，45（3）：371-388.
4	ZHANG T， SUN H， ZOU Y，et al ．An estimation model of human dynamic arm strength with joint rotation compensation ［J］．Measurement，2021，179：109486-1-10.
5	TRAN C， TRIVEDI M M ．3-D posture and gesture re-cognition for interactivity in smart spaces ［J］．IEEE Transactions on Industrial Informatics，2011，8（1）：178-187.
6	陶东，张强，赵良玉．模型不确定的空间机器人无力传感器阻抗控制方法［J］．宇航学报，2021，42（6）：766-774.
	TAO Dong， ZHANG Qiang， ZHAO Liangyu ．Force sensorless impedance control for a space robot with dynamic uncertainty ［J］．Journal of Astronautics，2021，42（6）：766-774.
7	SEBASTIAN G， LI Z， CROCHER V，et al ．Interaction force estimation using extended state observers：An application to impedance-based assistive and rehabilitation robotics ［J］．IEEE Robotics and Automation Letters，2019，4（2）：1156-1161.
8	PHAM T H， CARON S， KHEDDAR A ．Multicontact interaction force sensing from whole-body motion capture ［J］．IEEE Transactions on Industrial Informatics，2017，14（6）：2343-2352.
9	MAO Z， IIZUKA T， MAEDA S ．Bidirectional electrohydrodynamic pump with high symmetrical performance and its application to a tube actuator ［J］．Sensors and Actuators A：Physical，2021，332：113168-1-7.
10	孙博林，程敏，丁孺琦．带流量前馈与工作腔压力反馈的电液负载敏感系统节能方法［J］．液压与气动，2022，45（10）：1-7.
	SUN Bolin， CHENG Min， DING Ruqi ．Energy sa-ving method for electro-hydraulic load-sensing systems with ［J］．Chinese Hydraulics & Pneumatics，2022，45（10）：1-7.
11	KOIVUMÄKI J， MATTILA J ．Stability-guaranteed force-sensorless contact force/motion control of heavy-duty hydraulic manipulators ［J］．IEEE Transactions on Robotics，2015，31（4）：918-935.
12	KAMEZAKI M， IWATA H， SUGANO S ．Condition-based less-error data selection for robust and accurate mass measurement in large-scale hydraulic manipulators ［J］．IEEE Transactions on Instrumentation and Measurement，2017，66（7）：1820-1830.
13	RENNER A， WIND H， SAWODNY O ．Online payload estimation for hydraulically actuated manipulators ［J］．Mechatronics，2020，66：102322-1-15.
14	丁亚东，陈柏，吴洪涛，等．一种工业机器人动力学参数的辨识方法［J］．华南理工大学学报：（自然科学版），2015，43（3）：49-56.
	DING Ya-dong， CHEN Bai， WU Hong-tao，et al ．An identification method of industrial robot's dynamic parameters［J］．Journal of South China University of Technology（Natural Science Edition），2015，43（3）：49-56.
15	VUONG N， MARCELO JR A H， LI Y，et al ．Improved dynamic identification of robotic manipulators in the linear region of dynamic friction ［J］．IFAC Proceedings Volumes，2009，42（16）：167-172.
16	郭菲，李永泉，李玉昆，等．电液驱动 3-UPS/S 并联稳定平台的动力学参数辨识［J］．中国机械工程，2016，27（21）：2862-2868，2876.
	GUO Fei， LI Yongquan， LI Yukun，et al ．Indentification of dynamics parameters for an electro-hydraulic 3-UPS/S paralled stabilized paltform ［J］．Journal of Mechanical Engineering，2016，27（21）：2862-2868，2876.
17	张铁，胡亮亮，邹焱飚．基于混合遗传算法的机器人改进摩擦模型辨识［J］．浙江大学学报（工学版），2021，55（5）：801-809.
	ZHANG Tie， HU Liang-liang， ZOU Yan-biao ．Identification of improved friction model for robot based on hybrid genetic algorithm ［J］．Journal of Zhejiang University （Engineering Science），2021，55（5）：801-809.
18	李琳，林燕龙，邹焱飚．Scara 机器人关节摩擦建模与补偿的实验与仿真［J］．系统仿真学报，2019，31（8）：1572-1581.
	LI Lin， LIN Yanlong， ZOU Yanbiao ．Simulation and experiment of friction modeling and compensation of scara ［J］．Journal of System Simulation，2019，31（8）：1572-1581.
19	吴文祥，朱世强，靳兴来．基于改进傅里叶级数的机器人动力学参数辨识［J］．浙江大学学报（工学版），2013，47（2）：231-237.
	WU Wen-xiang， ZHU Shi-qiang， JIN Xing-lai ．Dynamic identification for robot manipulators based on modifiedFourierseries ［J］．Journal of Zhejiang University （Engineering Science），2013，47（2）：231-237.
20	席万强，陈柏，丁力，等．考虑非线性摩擦模型的机器人动力学参数辨识［J］．农业机械学报，2017，48（2）：393-399.
	XI Wanqiang， CHEN Bai， DING Li，et al ．Dynamic parameter identification for robot manipulators with nonlinear friction model ［J］．Transactions of the Chinese Society for Agricultural Machinery，2017，48（2）：393-399.
21	贺苗，吴晓敏，邵桂芳，等．基于RBFNN的机器人关节摩擦建模与补偿研究［J］．仪器仪表学报，2020，41（11）：278-284.
	HE Miao， WU Xiaomin， SHAO Guifang，et al ．Research on friction modeling and compensation of robot joint based on RBFNN ［J］．Chinese Journal of Scientific Instrument，2020，41（11）：278-284.
22	张铁，洪景东，李秋奋，等．基于 BP 神经网络的机器人波动摩擦力矩修正方法［J］．工程科学学报，2019，41（8）：1085-1091.
	ZHANG Tie， HONG Jingdong， LI Qiufen，et al ．Wave friction correction method for a robot based on BP neural network ［J］．Chinese Journal of Engineering，2019，41（8）：1085-1091.
23	YANG H， FANG H， FANG Y，et al ．Dimensional synthesis of a novel 5-DOF reconfigurable hybrid perfusion manipulator for large-scale spherical honeycomb perfusion ［J］．Frontiers of Mechanical Engineering，2021，16（1）：46-60.
24	AI BITAR N， GAVRILOV A ．A new method for compensating the errors of integrated navigation systems using artificial neural networks ［J］．Measurement，2021，168：108391-1-12.
25	WANG S， SHAO X， YANG L，et al ．Deep learning aided dynamic parameter identification of 6-DOF robot manipulators ［J］．IEEE Access，2020，8：138102-138116.
26	XIAO J， ZENG F， ZHANG Q，et al ．Research on the forcefree control of cooperative robots based on dynamic parameters identification ［J］．Industrial Robot：the International Journal of Robotics Research and Application，2019，46（4）：499-509.
27	程文明，张道裕，谌庆荣，等．欠驱动起重机的神经网络直接鲁棒自适应控制［J］．华南理工大学学报（自然科学版），2021，49（5）：120-127，144.
	CHENG Wenming， ZHANG Daoyu， CHEN Qingrong，et al ．A directly robust adaptive neural network controller for an underacuated crane［J］．Journal of South China University of Technology （Natural Science Edition），2021，49（5）：120-127，144.
28	LIU S， WANG L， WANG X V ．Sensorless force estimation for industrial robots using disturbance observer and neural learning of friction approximation ［J］．Robotics and Computer-Integrated Manufacturing，2021，71：102168-1-11.

关节	k₁	k₂	k₃	k₄	k₅	k₆	k₇	k₈
关节1	-807.3	3 162	368.7	-838.2	-242	-35.22	158.3	-2376
关节2	-34.62	11.79	-36.98	1.33	0.82	109.8	0.34	5.39
关节3	-19.46	40.05	-5.42	-13.72	0.45	18.67	0.17	-17.95

关节	RMES/（N·m）
关节	库伦粘性	非线性
关节1	138.04	38.33
关节2	41.87	29.22
关节3	21.44	19.58

关节	RMES/（N·m）
关节	非线性	关节补偿
关节1	38.33	26.30
关节2	29.22	8.16
关节3	19.58	6.10

受力方向及大小	M/%
受力方向及大小	理论值一	理论值二
水平500 N	8.39	4.84
竖直500 N	7.59	2.79
水平0～500 N	111.12	5.73
竖直0～500 N	52.49	4.81

[1]	巫春玲, 付俊成, 徐先峰, 等. 基于多新息最小二乘和多新息扩展卡尔曼算法的锂电池SOC估计[J]. 华南理工大学学报(自然科学版), 2024, 52(2): 74-83.
[2]	姚斌, 张子豪, 代煜, 等. 基于VFF-RLS的力传感器的动态特性研究[J]. 华南理工大学学报(自然科学版), 2023, 51(5): 86-94.
[3]	曹小华魏恒王鑫. 考虑温度影响的永磁同步电机参数辨识方法[J]. 华南理工大学学报（自然科学版）, 2018, 46(8): 64-71.
[4]	张铁梁骁翃覃彬彬刘晓刚. 基于牛顿欧拉法的 SCARA 机器人动力学参数辨识[J]. 华南理工大学学报（自然科学版）, 2017, 45(10): 129-136,143.
[5]	丁力吴洪涛姚裕李耀谢本华陈柏. 基于 WLS-ABC 算法的工业机器人参数辨识[J]. 华南理工大学学报（自然科学版）, 2016, 44(5): 90-95.
[6]	郑伟佳王孝洪皮佑国. 基于输出误差的永磁同步电机分数阶建模[J]. 华南理工大学学报（自然科学版）, 2015, 43(9): 8-13.
[7]	张宝珍张尧林凌雪. 基于改进差分进化算法的估计等值法[J]. 华南理工大学学报（自然科学版）, 2014, 42(4): 7-12,18.
[8]	李毅波张猛黄明辉陆新江. 模锻压机低速运行摩擦力的参数辨识与补偿控制[J]. 华南理工大学学报（自然科学版）, 2013, 41(7): 38-44.
[9]	林棻黄超王伟. 基于串行RLS 的汽车双参数联合辨识[J]. 华南理工大学学报(自然科学版), 2012, 40(12): 105-110.
[10]	田富洋吴洪涛赵大旭程世利孙宏丽. 在轨服务双臂空间机器人参数辨识研究[J]. 华南理工大学学报（自然科学版）, 2010, 38(2): 73-77，84.
[11]	黄娟周建春. 共轭斜量法在BP2模式Dirichlet级数参数辨识中的应用[J]. 华南理工大学学报（自然科学版）, 2009, 37(3): 127-131.
[12]	毛宗源李琦莫鸿强伍建平. 锌钡白转窑“等质量等能量"控制模型参数辨识[J]. 华南理工大学学报（自然科学版）, 2005, 33(9): 30-34.

基于关节力矩补偿的液压机械臂末端力软测量

Terminal Force Soft Sensing of Hydraulic Manipulator Based on Joint Torque Compensation

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 17

参考文献 28

相关文章 12

编辑推荐

Metrics

本文评价