一种机械臂关节伺服模组力矩补偿控制方法与流程

1.本发明属于机器人技术领域，具体涉及一种机械臂关节伺服模组力矩补偿控制方法。

背景技术：

2.机器人机械臂关节伺服系统通常由伺服电机、编码器、谐波减速器等组成一个伺服关节模组。
3.伺服关节模组，其核心部件之一为谐波减速器，通常情况下，谐波减速器齿轮不象普通齿轮具有齿隙，该减速器被设计成零齿隙，但因该种齿轮特有的工作特性，工作过程中，具有一定的柔性，并不完全具有刚性。而这种柔性特性给关节伺服系统性能，尤其是控制精度，位置跟踪精度等带来负面影响。
4.具体的，谐波减速器在承受外加力矩时，会表现出一定程度的机械扭转特性，具有一定的扭转刚性，这种扭转刚性，即扭转角度与扭转力矩之间的关系，呈现出滞回特性，滞回特性的存在，对伺服驱动系统的控制性能、控制精度会带来不利影响，如力矩控制动态响应延迟、位置跟踪精度降低、机械振动等。
5.现有技术条件下，在伺服控制中，通过采用前馈补偿，负载力矩观测等方法对力矩控制性能进行一定程度的补偿控制，这类方法均基于已有控制系统中相关已知参数构建补偿量，从而一定程度上对力矩动态性能进行补偿提升，在实际应用中，针对不同的伺服关节模组，其应用效果有一定的局限性，还需要依据实际系统进行相应参数的调节，适应性较低。

技术实现要素：

6.有鉴于此，本发明提出一种机械臂关节伺服模组力矩补偿控制方法，在谐波减速器的两端设置转动测量器得到谐波减速器输入端与输出端之间的角度差，基于角度差及谐波减速器的刚性系数计算所述谐波减速器的理论力矩；基于角度差及理论力矩，得到反应所述谐波减速器的滞回特性的连续数学关系，最终基于滞回力矩补偿谐波减速器的滞回效应。本发明不需要依据实际系统进行相应参数的调节即能够适用于不同的伺服关节模组，适用性高。
7.为了实现上述技术目的，本发明所采用的具体技术方案为：
8.一种机械臂关节伺服模组力矩补偿控制方法，所述关节伺服模组包括谐波减速器，所述谐波减速器的输入端以及输出端分别安装有输入端转动测量器和输出端转动测量器；所述机械臂关节伺服模组力矩补偿控制方法包括以下步骤：
9.s101:基于所述输入端转动测量器及所述输出端转动测量器测量所述谐波减速器输入端转动特性以及输出端的转动特性，计算所述谐波减速器输入端与输出端之间的角度差；
10.s102:基于所述角度差及所述谐波减速器的刚性系数，计算所述谐波减速器的理
论力矩；
11.s103:基于所述谐波减速器在不同工作状态下的所述角度差及所述理论力矩，得到反应所述谐波减速器的滞回特性的连续数学关系；
12.s104:将基于所述连续数学关系所得到的滞回力矩输入至所述关节伺服模组的控制系统，补偿所述谐波减速器的滞回效应。
13.进一步的，所述理论力矩基于所述关节伺服模组的电机的理论电磁转矩得到，所述s103具体为：
14.s201:计算所述关节伺服模组在不同输出状态下，所述理论力矩与所述理论电磁转矩之间的差值；
15.s202:建立角度差-差值坐标系，基于角度差-差值坐标系的点分布状态建立所述连续数学关系。
16.进一步的，所述理论电磁转矩基于以下公式得到：
17.t
eq
＝i
qref
*k
t
ꢀꢀ
(eq.1)
18.其中：t
eq
：理论电磁转矩；i
qref
：电流指令；k
t
：电机转矩系数。
19.进一步的，所述s202中，基于点分布状态建立的所述连续数学关系基于ai学习模块优化后得到。
20.进一步的，所述理论力矩基于所述关节伺服模组的伺服电机的负载转矩观测器得到；
21.所述s103具体为：
22.s301:建立转动差异-理论力矩坐标系，基于转动差异-理论力矩坐标系的点分布状态建立待补偿连续数学关系；
23.s302:以所述理论力矩为基准补偿所述待补偿连续数学关系，得到所述连续数学关系。
24.进一步的，所述s301中，基于点分布状态建立的待补偿连续数学关系基于ai学习模块得到。
25.进一步的，所述理论力矩基于以下公式得到：
[0026][0027]
其中：t
eh
：谐波减速器输出的理论力矩；k：谐波减速器的刚性系数；r：谐波减速器的减速比；θ
in
：谐波减速器输入端转动角；θ
out
：谐波减速器输出端转动角。
[0028]
进一步的，所述输入端转动测量器及所述输出端转动测量器为旋转编码器。
[0029]
进一步的，所述s102与所述s103之间还包括建模过程，所述建模过程用于基于建立所述关节伺服模组的bouc-wen数学模型；
[0030]
所述bouc-wen数学模型为：
[0031][0032]
[0033][0034]
其中：
[0035]
t
t
：电机的电磁转矩；
[0036]jm
：电机的惯量；
[0037]jl
：谐波减速器及负载惯量；
[0038]
k：谐波减速器的扭转刚度；
[0039]
r：谐波减速器的减速比；
[0040]
θ
in
：谐波减速器的输入端转动角；
[0041]
θ
out
：谐波减速器的输出端转动角；
[0042]
t
eh
：滞回力矩；
[0043]bm
：电机的粘滞系数；
[0044]bh
：谐波减速器的粘滞系数；
[0045]
β：模型参数；
[0046]
γ：模型参数。
附图说明
[0047]
为了更清楚地说明本公开实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
[0048]
图1为本发明具体实施方式中角度差-理论力矩坐标系中的数据集；
[0049]
图2为本发明具体实施方式中执行机械臂关节伺服模组力矩补偿控制方法的硬件架构图；
[0050]
图3为本发明具体实施方式中执行机械臂关节伺服模组力矩补偿控制方法的电流控制及力矩补偿控制框图；
[0051]
图4为本发明具体实施方式中一种机械臂关节伺服模组力矩补偿控制方法的一种实施控制框图；
[0052]
图5为本发明具体实施方式中一种机械臂关节伺服模组力矩补偿控制方法的另一种实施控制框图；
[0053]
图6为本发明具体实施方式中负载转矩观测器结构图；
[0054]
图7为本发明具体实施方式中基于bouc-wen模型的滞回特性数据曲线ai提取示意图。
具体实施方式
[0055]
下面结合附图对本公开实施例进行详细描述。
[0056]
以下通过特定的具体实例说明本公开的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本公开的其他优点与功效。显然，所描述的实施例仅仅是本公开一部分实施例，而不是全部的实施例。本公开还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本公开的精神
下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。基于本公开中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本公开保护的范围。
[0057]
要说明的是，下文描述在所附权利要求书的范围内的实施例的各种方面。应显而易见，本文中所描述的方面可体现于广泛多种形式中，且本文中所描述的任何特定结构及/或功能仅为说明性的。基于本公开，所属领域的技术人员应了解，本文中所描述的一个方面可与任何其它方面独立地实施，且可以各种方式组合这些方面中的两者或两者以上。举例来说，可使用本文中所阐述的任何数目个方面来实施设备及/或实践方法。另外，可使用除了本文中所阐述的方面中的一或多者之外的其它结构及/或功能性实施此设备及/或实践此方法。
[0058]
还需要说明的是，以下实施例中所提供的图示仅以示意方式说明本公开的基本构想，图示中仅显示与本公开中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。
[0059]
另外，在以下描述中，提供具体细节是为了便于透彻理解实例。然而，所属领域的技术人员将理解，可在没有这些特定细节的情况下实践所述方面。
[0060]
在本发明的一个实施例中，提出一种机械臂关节伺服模组力矩补偿控制方法，所述关节伺服模组包括谐波减速器，所述谐波减速器的输入端以及输出端分别安装有输入端旋转编码器和输出端旋转编码器；所述机械臂关节伺服模组力矩补偿控制方法包括以下步骤：
[0061]
s101:基于所述输入端转动测量器及所述输出端转动测量器测量所述谐波减速器输入端转动特性以及输出端的转动特性，计算所述谐波减速器输入端与输出端之间的角度差；
[0062]
s102:基于所述角度差及所述谐波减速器的刚性系数，计算所述谐波减速器的理论力矩；
[0063]
s103:基于所述谐波减速器在不同工作状态下的所述角度差及所述理论力矩，得到反应所述谐波减速器的滞回特性的连续数学关系；
[0064]
s104:将基于所述连续数学关系所得到的滞回力矩输入至所述关节伺服模组的控制系统，补偿所述谐波减速器的滞回效应。
[0065]
在本实施例中，输入端转动测量器和输出端转动测量器可为编码器、旋转编码器等能够分辨出谐波减速器转动方式(转动特性)的设备，此处不作限定。
[0066]
在一个实施例中，所述理论力矩基于所述关节伺服模组的电机的理论电磁转矩得到，所述s103具体为：
[0067]
s201:计算所述关节伺服模组在不同输出状态下，所述理论力矩与所述理论电磁转矩之间的差值；
[0068]
s202:建立角度差-差值坐标系，基于角度差-差值坐标系的点分布状态建立所述连续数学关系。
[0069]
在本实施例中，所述理论电磁转矩基于(eq.1)得到；
[0070]
其中：t
eq
：理论电磁转矩；i
qref
：电流指令；k
t
：电机转矩系数。
[0071]
在本实施例中，所述理论力矩基于(eq.2)得到；
[0072]
其中：t
eh
：谐波减速器输出的理论力矩；k：谐波减速器的刚性系数；r：谐波减速器的减速比；θ
in
：谐波减速器输入端转动角；θ
out
：谐波减速器输出端转动角。
[0073]
在一个实施例中，所述s202中，基于点分布状态建立的所述连续数学关系基于ai学习模块优化后得到。
[0074]
在一个实施例中，所述理论力矩基于所述关节伺服模组的伺服电机的负载转矩观测器得到；
[0075]
所述s103具体为：
[0076]
s301:建立角度差-理论力矩坐标系，基于角度差-理论力矩坐标系的点分布状态建立待补偿连续数学关系；
[0077]
s302:以所述理论力矩为基准补偿所述待补偿连续数学关系，得到所述连续数学关系。
[0078]
在本实施例中，所述s301中，基于点分布状态建立的待补偿连续数学关系基于ai学习模块得到。
[0079]
在一个实施例中，所述输入端转动测量器及所述输出端转动测量器为旋转编码器。
[0080]
所述s102与所述s103之间还包括数据优化过程，建模过程，所述建模过程用于基于建立所述关节伺服模组的bouc-wen数学模型；
[0081]
所述bouc-wen数学模型为(eq.3)-(eq.4)
[0082]
其中，
[0083]
t
t
：电机的电磁转矩；
[0084]jm
：电机的惯量；
[0085]jl
：谐波减速器及负载惯量；
[0086]
k：谐波减速器的扭转刚度；
[0087]
r：谐波减速器的减速比；
[0088]
θ
in
：谐波减速器的输入端转动角；
[0089]
θ
out
：谐波减速器的输出端转动角；
[0090]
t
eh
：滞回力矩；
[0091]bm
：电机的粘滞系数；
[0092]bh
：谐波减速器的粘滞系数；
[0093]
β：模型参数；
[0094]
γ：模型参数。
[0095]
在一个实施例中，所述输入端转动测量器及所述输出端转动测量器为旋转编码器。
[0096]
上述实施例可利用人工神经元学习算法来提取谐波减速器的扭转刚性数据，并据此进行力矩补偿的控制方法；利用该控制方法，可从一定程度上消除谐波减速器的扭转刚性特性对伺服性能造成的不利影响，从而提升伺服控制性能，改善力矩控制动态特性，改进伺服关节位置跟踪精度。
[0097]
上述实施例所提出的力矩补偿控制方法通过伺服控制硬件平台以及软件控制实
现方法。本发明可利用安装在谐波减速器输入侧和输出侧的两个编码器信号，在伺服模组工作时因外力矩的施加而造成一定的机械扭转现象时，该两编码器输出角度会有一定的角度差异，该角度差异的大小与谐波减速器所受的力矩具有关联关系，通过人工神经元学习算法，对该角度差异与力矩之间的关系数据进行训练、学习，从而从特性数据中，提取出能够表明该两者参数之间的确定性的数学表达关系或规律曲线，基于此关系，将处理之后的补偿力矩参数馈入电流控制环进行补偿控制，从而实现对伺服模组力矩滞回特性造成的不良影响的补偿，使系统力矩性能提升，位置跟踪精度改善。
[0098]
机器人机械臂关节伺服系统通常由伺服电机、编码器、谐波减速器等组成一个伺服关节模组。
[0099]
通常，谐波减速器主要由柔轮和钢轮组成；一般的谐波减速器通常具有一定的柔性传动特性，相对于传统齿轮的齿对齿接触类的传动方式，这种传动方式无齿隙存在，但具有一定的扭转刚性特性。扭转刚性意味着当关节上施加一定的力矩时，谐波减速器输入和输出两端会产生一定程度的相对机械扭转，这种机械扭转在一定范围内可反映力矩的大小。因此，在谐波减速器的两端安装高精度编码器，通过两编码器角度的差异来判断力矩的大小成为可能。
[0100]
设安装于谐波减速器输入端的编码器称为输入端编码器，安装于谐波减速器输出端的编码器称为输出端编码器。
[0101]
设输入端编码器输出角度与输出端编码器输出角度之间的转动差异(角度差)为θ
t
，其与模组受到的理论力矩t
eh
之间的关系如图1所示。
[0102]
这种滞回特性关系数据，在测试一个谐波减速器扭转特性的时候获得的数据分布不一定是非常规律的，是如图1所示，分散在一个滞回区域面上的，如何从这些分散的数据阵列中以某种规则到或提取出最能反映该伺服模组的扭转特性的规律性的数学表达式或者曲线，进而可以应用到实际伺服电机控制环路中，本发明据此提出了三种执行方式。
[0103]
在上述实施例的技术方案中，可利用ai人工神经元学习算法，通过对相关历史数据的迭代、学习，来提取其中的规律，该规律能较真实反映所在伺服模组的扭转刚性特性，进而执行比较准确的力矩补偿，提高伺服性能。
[0104]
为了运行ai算法(人工神经元学习算法)以及对相关数据进行并行处理，本发明设计了基于fpga的伺服模组扭转力矩补偿及ai处理模块；该处理模块与电机驱动器所属的dsp进行参数交换。硬件组成如图2所示。
[0105]
如图2所示，伺服模组扭转力矩补偿及ai处理模块，运行于fpga上；为配合ai算法实现对基于历史数据的迭代、学习，配置了大容量ram和大容量flash disk，用于存储历史数据，两者采用数据总线进行数据读取和存放。模块输入分别为，谐波减速器输入侧编码器信号θ
in
，输出侧编码器信号θ
out
，来自电机驱动器的电流指令i
qref
；模块输出至电机驱动器的参数δt为补偿力矩(滞回力矩)分量。
[0106]
同时，谐波减速器输入侧编码器信号θ
in
还输入至电机驱动器dsp，作为电机控制用。
[0107]
模块输出参数δt进入dsp中运行的控制环之后，被馈入电流环控制器进行补偿，如图3所示电流环补偿控制框图。
[0108]
如图3所示，伺服模组扭转力矩补偿及ai处理模块输出的δt进入dsp中运行的电流
环控制，对电流指令进行补偿控制。
[0109]
上述执行方式的第一种执行方式：
[0110]
一般情况下，谐波减速器扭转刚性系数为已知值；则根据安装于谐波减速器两端的编码器的角度差异可以计算谐波减速器受到的理论力矩大小，如(eq.2)，式中，
[0111]
t
eh
：谐波减速器输出的理论力矩；k：谐波减速器的刚性系数；r：谐波减速器的减速比；θ
in
：谐波减速器输入端转动角；θ
out
：谐波减速器输出端转动角。
[0112]
在伺服控制环路中，根据电流控制环中电流指令，i
qref
，可以计算理论电机电磁转矩，如(eq.1)，
[0113]
式中，
[0114]
t
eq
：理论电磁转矩；i
qref
：电流指令；k
t
：电机转矩系数。
[0115]
则由eq.1得到的t
eh
与eq.2得到的t
eq
，进行归一化及数据处理之后，计算该两参数的差值δt，该差值与双编码器角度差异值δθ之间有一定的对应关系。利用人工神经元模块算法对该数据阵列进行迭代学习，可提取出δθ与δt值之间的确定性关系(或为表达式，或为曲线)，该δt参数值作为馈入电流环进行力矩补偿的参数值。本实施例的系统处理框图如图4所示。
[0116]
该执行方式中，通过对两力矩差值与双编码器角度差异这两种数据阵列，依据一定的规则，采用人工智能算法迭代、学习，得到确定性的关系曲线或者规则关系，从而实现，根据监测到的双编码器角度差异的大小，对伺服模组力矩的补偿控制作用的目的。有益的效果是，提高力矩控制的动态性能，消除因谐波减速器柔性扭转特性造成的对所在伺服系统位置跟踪精度的影响。
[0117]
这种实施方式中，不考虑谐波减速器扭转刚性的滞回特性，仅把谐波减速器的柔性扭转特性作为一种非线性的、能够反映力矩大小的信号数据，通过人工神经元算法的迭代、学习，从大量历史数据中提取出确定性的δθ与δt之间的近似确定性关系，从而将δt引入电流环进行补偿控制，提升控制性能。
[0118]
该技术方案中，并没有考虑谐波减速器的扭转刚性的滞回特性，以及，仅通过电流指令来计算理论电磁转矩，优点是数据处理算法简单，包括ai算法迭代学习速度快，需要历史数据量小，实时性高，耗费fpga计算资源少；缺点是无法准确补偿谐波减速器的扭转滞回特性带来的影响；对具有较窄滞回区特性的伺服模组具有较好的控制效果，对较宽滞回区特性的伺服模组的补偿控制效果具有一定的局限性。
[0119]
为此，进一步，在此基础上，本发明提出了第二种执行方式。
[0120]
第二种执行方式：
[0121]
本执行方式的控制架构如图5所示。
[0122]
如图5所示，相比于图4的控制架构，主要有两处进行了改进。一，ai学习模块首先对基于双编码器角度差异的扭转力矩进行计算，计算方法基于eq.1；二，依据谐波减速器输入侧编码器信号和电流指令，构建了负载转矩观测器，对实际关节负载大小进行实时计算，这种通过观测器计算负载力矩的方式，比仅通过指令电流计算力矩的方法更优，能够更准确的反映实际负载力矩动态大小变化，且在数据处理过程中，数据较平滑，噪音较小。
[0123]
ai学习模块直接对谐波减速器输出的力矩数据以及δθ进行迭代、学习计算，通过设定一定的学习规则，可提取出包含了滞回特性的力矩数据表达关系。该力矩能够更准确
的反映谐波减速器力矩特性，之后，再由数据处理模块，与负载转矩观测器得到的负载力矩相减，可得到需要补偿的力矩分量δt。负载转矩观测器结构如图6所示。
[0124]
负载转矩观测器模块的输入为编码器信号和电流指令。图6中，jm为关节电机惯量，jh为谐波减速器惯量，s为拉普拉斯算子，t
l
为观测器输出，计算得到的负载力矩。ωr为力矩观测器输入的速度指令，ωf为观测器模型中计算得到的反馈速度。
[0125]
谐波减速器输入侧编码器信号θ
in
输入负载转矩观测器之后，首先转换成速度指令ωr，然后和模组模型输出速度反馈ωf构成速度闭环控制，在闭环控制器作用下，输出控制量与实际电机指令力矩(电流)相减，成为最终控制量控制模组模型。速度控制器的输出作为负载力矩观测值t
l
。
[0126]
该负载转矩观测器以实际关节电机速度为参考速度值，以实际电机控制环计算的电磁转矩(或电流指令)为负载力矩，通过闭环控制实现对实际电机的理论负载力矩的估算。在控制器参数调整合适的情况下，该负载转矩观测器计算的负载力矩能较好的跟踪实际系统的负载力矩动态变化。
[0127]
在本执行方式中，通过ai人工神经元算法实现对谐波减速器扭转力矩特性的迭代学习，从而提取出较能真实反映其力矩特性的确定的关系表达或曲线；再通过基于负载转矩观测器的力矩计算，最终得到能够对控制力矩进行补偿控制的力矩补偿量。这一执行方式，较第一执行方式，其优点为，通过ai算法学习提取出的谐波减速器扭转特性更接近真实情况，已经包含了滞回特性，力矩补偿控制的效果更优；但其缺点为，需要足够多的历史数据进行迭代学习，实时性有所降低，运算速度降低，耗费fpga资源较多。
[0128]
进一步，为了更准确的在力矩补偿控制中考虑谐波减速器的扭转滞回特性，以及降低ai迭代学习的算力负担和提高处理速度增强实时性，建立了基于bouc-wen方法的伺服模组模型，如下第三执行方式。
[0129]
第三种执行方式：
[0130]
bouc-wen方法是对具有滞回特性的数据对象进行建模的常用方法。本发明技术方案中，引入bouc-wen方法对基于谐波减速器的伺服模组进行数学建模，在此基础上，利用人工智能学习算法对理论力矩与角度差异数据阵列进行迭代学习，提取出最能反映所在谐波减速器扭转力矩滞回特性的连续数学关系，从而更准确的进行力矩补偿控制，提高伺服系统的动态性能和位置跟踪控制精度。
[0131]
本执行方式中关节伺服模组的bouc-wen数学模型表达式如(eq.3)-(eq.5)，式中：
[0132]
t
t
：电机的电磁转矩；
[0133]jm
：电机的惯量；
[0134]jl
：谐波减速器及负载惯量；
[0135]
k：谐波减速器的扭转刚度；
[0136]
r：谐波减速器的减速比；
[0137]
θ
in
：谐波减速器的输入端转动角；
[0138]
θ
out
：谐波减速器的输出端转动角；
[0139]
t
eh
：滞回力矩；
[0140]bm
：电机的粘滞系数；
[0141]bh
：谐波减速器的粘滞系数；
[0142]
β：模型参数；
[0143]
γ：模型参数。
[0144]
基于以上(eq.3)-(eq.5)所示的bouc-wen模型，通过输入双编码器角度值，电机电磁转矩值，设置合适的相关参数，即可得到t
eh
，即滞回力矩值。
[0145]
之后，通过人工神经网络学习算法，对已得到的t
eh
和角度差异数据进行迭代学习，最终提取出较确定的、较完整的滞回力矩表达关系式或曲线，即滞回力矩值与双编码器角度差异之间的数据阵列或者曲线关系式，该数据阵列较准确的反映了该谐波减速器模组的特性。
[0146]
如图7所示为利用该bouc-wen模型及ai人工神经元学习算法提取的滞回特性数据及曲线。
[0147]
由图7，根据提取的滞回特性曲线数据阵列，依据编码器角度差异δθ，可计算得到t
eh
值，从而利用图5所示的反馈补偿控制方法，对伺服模组控制力矩进行准确补偿，可有效消除模组因扭转滞回特性对伺服系统造成的不利影响，如系统动态特性受限，位置跟踪精度降低等。
[0148]
在本执行方式中，尽管数据源与前述执行方式相同，但因为建立了该谐波减速器伺服关节系统的bouc-wen模型，其输出参数更能准确表达谐波减速器扭转特性的滞回特征，相当于对原始粗糙数据先进行了一次梳理和规范，剔除了不符合模型要求的“无效数据”，因而利用ai进行迭代学习时，具有速度快，需要的历史数据少，准确性更高的优点，从而实时性提高，耗费fpga资源少，力矩补偿控制效果更优，系统位置跟踪精度提高。
[0149]
以上所述，仅为本公开的具体实施方式，但本公开的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本公开揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本公开的保护范围之内。因此，本公开的保护范围应以权利要求的保护范围为准。

技术特征：

1.一种机械臂关节伺服模组力矩补偿控制方法，其特征在于，所述关节伺服模组包括谐波减速器，所述谐波减速器的输入端以及输出端分别安装有输入端转动测量器和输出端转动测量器；所述机械臂关节伺服模组力矩补偿控制方法包括以下步骤：s101:基于所述输入端转动测量器及所述输出端转动测量器测量所述谐波减速器输入端转动特性以及输出端的转动特性，计算所述谐波减速器输入端与输出端之间的转动差异；s102:基于所述转动差异及所述谐波减速器的刚性系数，计算所述谐波减速器的理论力矩；s103:基于所述谐波减速器在不同工作状态下的所述转动差异及所述理论力矩，得到反应所述谐波减速器的滞回特性的连续数学关系；s104:将基于所述连续数学关系所得到的滞回力矩输入至所述关节伺服模组的控制系统，补偿所述谐波减速器的滞回效应。2.根据权利要求1所述的机械臂关节伺服模组力矩补偿控制方法，其特征在于，所述理论力矩基于所述关节伺服模组的电机的理论电磁转矩得到，所述s103具体为：s201:计算所述关节伺服模组在不同输出状态下，所述理论力矩与所述理论电磁转矩之间的差值；s202:建立转动差异-差值坐标系，基于角度差-差值坐标系的点分布状态建立所述连续数学关系。3.根据权利要求2所述的机械臂关节伺服模组力矩补偿控制方法，其特征在于，所述理论电磁转矩基于以下公式得到：t
eq
＝i
qref
*k
t
其中：t
eq
：理论电磁转矩；i
qref
：电流指令；k
t
：电机转矩系数。4.根据权利要求2所述的机械臂关节伺服模组力矩补偿控制方法，其特征在于，所述s202中，基于点分布状态建立的所述连续数学关系基于ai学习模块优化后得到。5.根据权利要求1所述的机械臂关节伺服模组力矩补偿控制方法，其特征在于，所述理论力矩基于所述关节伺服模组的伺服电机的负载转矩观测器得到；所述s103具体为：s301:建立角度差-理论力矩坐标系，基于角度差-理论力矩坐标系的点分布状态建立待补偿连续数学关系；s302:以所述理论力矩为基准补偿所述待补偿连续数学关系，得到所述连续数学关系。6.根据权利要求5所述的机械臂关节伺服模组力矩补偿控制方法，其特征在于，所述s301中，基于点分布状态建立的待补偿连续数学关系基于ai学习模块得到。7.根据权利要求2或5所述的机械臂关节伺服模组力矩补偿控制方法，其特征在于，所述理论力矩基于以下公式得到：其中：t
eh
：谐波减速器输出的理论力矩；k：谐波减速器的刚性系数；r：谐波减速器的减速比；θ
in
：谐波减速器输入端转动角；θ
out
：谐波减速器输出端转动角。8.根据权利要求1所述的机械臂关节伺服模组力矩补偿控制方法，其特征在于，所述输
入端转动测量器及所述输出端转动测量器为旋转编码器。9.根据权利要求7所述的机械臂关节伺服模组力矩补偿控制方法，其特征在于，所述s102与所述s103之间还包括建模过程，所述建模过程用于基于建立所述关节伺服模组的bouc-wen数学模型；所述bouc-wen数学模型为：wen数学模型为：wen数学模型为：其中：t
t
：电机的电磁转矩；j
m
：电机的惯量；j
l
：谐波减速器及负载惯量；k：谐波减速器的扭转刚度；r：谐波减速器的减速比；θ
in
：谐波减速器的输入端转动角；θ
out
：谐波减速器的输出端转动角；t
eh
：滞回力矩；b
m
：电机的粘滞系数；b
h
：谐波减速器的粘滞系数；β：模型参数；γ：模型参数。

技术总结

本发明属于机器人技术领域，具体涉及一种机械臂关节伺服模组力矩补偿控制方法，在谐波减速器的两端设置旋转编码器得到谐波减速器输入端与输出端之间的角度差，基于角度差及谐波减速器的刚性系数计算所述谐波减速器的理论力矩；基于角度差及理论力矩，得到反应所述谐波减速器的滞回特性的连续数学关系，最终基于滞回力矩补偿谐波减速器的滞回效应。本发明不需要依据实际系统进行相应参数的调节即能够适用于不同的伺服关节模组，适用性高。适用性高。适用性高。