[发明专利]一种七自由度协作机器人刚度建模与辨识方法

权利要求书

1.一种七自由度协作机器人刚度建模与辨识方法，其特征在于：包括如下步骤：

步骤一：对机器人进行运动学建模，定义机器人关节参数；

步骤二：对机器人进行刚度建模；

步骤三：选择逆条件数作为最优方法的观察性指标，求解各关节对逆条件数的个体影响，并根据各关节对逆条件数的影响获得关节空间内的良好识别区域；

求解各关节对逆条件数的个体影响及获得良好识别区域的过程如下：

将的数学模型表示为：

用影响因素x_i的个体效应表示当x_i不变，变化其他m-1个影响因素所得的条件数平均值，即：

使各影响因素x_i在允许变化范围[a_i,b_i]内离散为s_i个小区间，将等分点作为离散节点(s_i+1)，于是：

上式(13)中，p_j为离散点编号，x_j(p_j)表示第j个影响因素在p_j离散点处的数值；

用影响因素x_i和每个影响因素x_i的离散点构造下式(14)中所示的正交阵列(OA)：

其中，Λ_j,i是第j个实验单元中第i个影响因子的离散点的序列号；

通过下式(16)解决个体效用f(x_i)的影响：

其中x_m(Λ_j,m)代表在第Λ_j,m离散点的影响因子x_m的值；

通过执行方差分析来确定影响因素x_i是否对逆条件数数产生重大影响，根据各影响因素x_i对逆条件数的影响获取关节空间中的良好识别区域；

通过执行方差分析来确定影响因素x_i是否对逆条件数产生重大影响，归因于以下假设检验：

H₀:f(x_i(1))＝f(x_i(2))＝…＝f(x_i(s))

H₁:f(x_i(1))，f(x_i(2))，…，f(x_i(s))Not all equal    (17)；

影响因素x_i的总平均值μ(x_i)推导为：

影响因素x_i误差的平方和S_E(x_i)得出：

影响因素x_i的平方和S_A(x_i)得出：

因此，测试统计T_i的F分布检验统计量为：

通过方差分析忽略对逆条件数没有重大影响的因素，并简化逆条件数数学模型，同时通过比较T_i得出各影响因素x_i对逆条件数的影响顺序，T_i越大，第i个因素对逆条件数的影响越大，

步骤四：计算关节刚度。

2.根据权利要求1所述的七自由度协作机器人刚度建模与辨识方法，其特征在于：

步骤一中，将每两个相邻的连杆用改进的DH参数描述为：

其中是第i-1连杆的齐次变换矩阵，表示第i连杆坐标系到第i-1连杆坐标系的变换；

推导出七自由度机器人运动学方程为：

3.根据权利要求1所述的七自由度协作机器人刚度建模与辨识方法，其特征在于：

步骤二中，冗余机器人的刚度模型K_X简化为：

K_X＝(J)^TK_ΘJ        (6)；

上式(6)中，J表示机器人的雅克比矩阵，K_Q表示关节刚度矩阵。