单关节机器人非线性自适应故障估计方法、装置及存储介质与流程
本技术涉及机器人故障诊断,尤其涉及单关节机器人非线性自适应故障估计方法、装置及存储介质。
背景技术:
1、机器人关节执行器在长期运行过程中不可避免地发生性能退化或故障,需要对其进行在线检测与评估。为保证机器人的定位精度和运行安全,需要实时获取执行器的故障信息,特别是故障幅值的量化数据,以便为容错控制、预测性维护和健康管理提供依据。同时,受限于成本和安装空间,工业机器人通常仅配置关节角度编码器,不安装角速度传感器或加速度计,因此故障检测手段必须能够在仅依赖角度测量的条件下运行。
2、目前主要采用两类技术手段。一类是基于模型的残差生成法,通过构建luenberger(卢恩伯格)观测器或kalman(卡尔曼)滤波器生成残差信号,并与预设阈值进行比较以判断故障是否发生。然而,该类方法通常对系统模型进行线性化处理,而机器人关节动力学包含重力非线性项和科氏力耦合项,具有显著的非线性特征,当系统运行偏离线性化工作点时,模型精度下降,残差信号无法准确反映系统真实状态,容易出现误报或漏报;此外,该类方法本质上仅能实现故障有无的二值判别,无法输出故障严重程度的定量信息。另一类是基于数据驱动的异常检测法,通过采集大量运行数据训练神经网络或支持向量机(support vector machine,svm)等模型来识别故障模式。但该类方法需要大量带标签的故障样本,而工业场景中执行器故障数据难以获取且标签质量难以保证;同时,数据驱动模型缺乏物理可解释性,当工况发生迁移时模型泛化能力明显不足。
3、综上所述,目前方案在非线性适应性、角度测量依赖性以及故障信息量化输出方面均存在局限,无法在线量化获取机器人关节执行器的故障幅值。
技术实现思路
1、本技术的主要目的在于提供一种单关节机器人非线性自适应故障估计方法、装置及存储介质,旨在解决无法在线量化获取机器人关节执行器故障幅值的技术问题。
2、为实现上述目的,本技术提出一种单关节机器人非线性自适应故障估计方法,所述单关节机器人非线性自适应故障估计方法包括:
3、建立单关节机器人的非线性动力学模型,其中,所述非线性动力学模型包括非线性动力学函数和故障通道向量;
4、对所述单关节机器人的关节系统进行局部线性化,得到线性化状态矩阵,基于所述线性化状态矩阵通过预设极点确定观测器增益;
5、利用所述非线性动力学函数、所述故障通道向量和所述观测器增益,构造自适应观测器;
6、获取当前时刻的控制输入值和角度测量值,将所述控制输入值与所述角度测量值输入所述自适应观测器,得到故障估计值。
7、在一实施例中,所述利用所述非线性动力学函数、所述故障通道向量和所述观测器增益,构造自适应观测器,包括:
8、获取预设的离线控制输入值、离线测量输出值、离线状态估计值、离线故障估计值以及自适应学习率;
9、基于所述非线性动力学函数、所述离线状态估计值、所述离线控制输入值、所述离线故障估计值、所述离线测量输出值、所述故障通道向量以及所述观测器增益,建立状态估计方程;
10、根据所述自适应学习率、所述离线测量输出值以及所述离线状态估计值建立故障自适应律;
11、基于所述状态估计方程和所述故障自适应律,构造自适应观测器。
12、在一实施例中,所述基于所述非线性动力学函数、所述离线状态估计值、所述离线控制输入值、所述离线故障估计值、所述离线测量输出值、所述故障通道向量以及所述观测器增益,建立状态估计方程,包括:
13、根据所述离线状态估计值和所述离线控制输入值,通过所述非线性动力学函数,确定名义动态预测值;
14、根据所述离线故障估计值与所述故障通道向量,确定故障影响量;
15、根据所述离线测量输出值与所述离线状态估计值,确定输出误差;
16、根据所述观测器增益与所述输出误差,确定状态校正量;
17、根据所述名义动态预测值、所述故障影响量以及所述状态校正量,确定所述离线状态估计值的变化率;
18、基于所述离线状态估计值的变化率建立状态估计方程。
19、在一实施例中,所述根据所述自适应学习率、所述离线测量输出值以及所述离线状态估计值建立故障自适应律,包括:
20、根据所述离线测量输出值与所述离线状态估计值确定输出误差;
21、根据所述自适应学习率与所述输出误差确定所述离线故障估计值的变化率;
22、基于所述离线故障估计值的变化率,建立故障自适应律。
23、在一实施例中,所述对所述单关节机器人的关节系统进行局部线性化,得到线性化状态矩阵,基于所述线性化状态矩阵通过预设极点确定观测器增益,包括:
24、获取所述非线性动力学模型中的测量矩阵;
25、对所述单关节机器人的关节系统进行局部线性化,得到线性化状态矩阵;
26、根据所述线性化状态矩阵、所述测量矩阵以及所述预设极点,确定观测器增益。
27、在一实施例中,所述获取当前时刻的控制输入值和角度测量值,将所述控制输入值与所述角度测量值输入所述自适应观测器,得到故障估计值,包括:
28、获取当前时刻的控制输入值和角度测量值以及预设的初始故障估计值;
29、将所述初始故障估计值、所述控制输入值以及所述角度测量值输入所述自适应观测器进行估计值更新,得到更新后的故障估计值;
30、将更新后的故障估计值作为初始故障估计值,返回执行将所述初始故障估计值、所述控制输入值以及所述角度测量值输入所述自适应观测器进行估计值更新,得到更新后的故障估计值的步骤,直到满足终止条件,输出故障估计值。
31、在一实施例中,所述获取当前时刻的控制输入值和角度测量值,将所述控制输入值与所述角度测量值输入所述自适应观测器,得到故障估计值之后,还包括:
32、获取预设的初始状态估计值;
33、将所述初始状态估计值、所述控制输入值以及所述角度测量值输入所述自适应观测器进行估计值更新,得到更新后的状态估计值;
34、将更新后的状态估计值作为初始状态估计值,返回执行将所述初始故障估计值、所述控制输入值以及所述角度测量值输入所述自适应观测器进行估计值更新,得到更新后的故障估计值的步骤,直到满足终止条件,输出状态估计值;
35、根据所述状态估计值向所述单关节机器人的控制系统提供状态反馈。
36、在一实施例中,所述建立单关节机器人的非线性动力学模型,包括:
37、建立关于单关节机器人的关节角度和角速度的二阶状态空间方程;
38、获取加性故障参数,将所述加性故障参数叠加至所述二阶状态空间方程,得到故障动力学模型;
39、从所述故障动力学模型中提取非线性动力学函数和故障通道向量,得到非线性动力学模型。
40、此外,为实现上述目的,本技术还提出一种单关节机器人非线性自适应故障估计装置,所述单关节机器人非线性自适应故障估计装置包括:
41、建模模块,用于建立单关节机器人的非线性动力学模型,其中,所述非线性动力学模型包括非线性动力学函数和故障通道向量;
42、增益模块,用于对所述单关节机器人的关节系统进行局部线性化,得到线性化状态矩阵,基于所述线性化状态矩阵通过预设极点确定观测器增益;
43、构造模块,用于利用所述非线性动力学函数、所述故障通道向量和所述观测器增益,构造自适应观测器;
44、估计模块,用于获取当前时刻的控制输入值和角度测量值,将所述控制输入值与所述角度测量值输入所述自适应观测器,得到故障估计值。
45、此外,为实现上述目的,本技术还提出一种单关节机器人非线性自适应故障估计设备,所述设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述计算机程序配置为实现如上文所述的单关节机器人非线性自适应故障估计方法的步骤。
46、此外,为实现上述目的,本技术还提出一种存储介质,所述存储介质为计算机可读存储介质,所述存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如上文所述的单关节机器人非线性自适应故障估计方法的步骤。
47、此外,为实现上述目的,本技术还提供一种计算机程序产品,所述计算机程序产品包括计算机程序,所述计算机程序被处理器执行时实现如上文所述的单关节机器人非线性自适应故障估计方法的步骤。
48、本技术提出的一个或多个技术方案,至少具有以下技术效果:
49、通过建立包含非线性动力学函数和故障通道向量的非线性动力学模型,对关节系统进行局部线性化并通过预设极点确定观测器增益,进而利用非线性动力学函数、故障通道向量和观测器增益构造自适应观测器,并将当前时刻的控制输入值和角度测量值输入自适应观测器得到故障估计值,使得自适应观测器能够以角度测量值作为唯一外部传感信号,在无需角速度传感器或加速度计的条件下在线输出执行器故障幅值的连续量化估计值。由于非线性动力学模型完整保留了关节动力学中的重力非线性项,避免了线性化精度损失;观测器增益通过预设极点解析求解,避免了数值迭代,降低了计算复杂度;状态估计值与故障估计值在同一递推框架内同步收敛,实现了仅依赖角度测量即可同步输出状态估计与故障幅值估计的效果。本技术克服了现有技术无法在线量化获取机器人关节执行器故障幅值的技术问题,为容错控制和预测性维护提供了精确的故障量化依据。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com