機器人動態(tài)特性及動力學參數(shù)辨識研究

總序
致謝
摘要
第1章 緒論
1.1 工業(yè)機器人概述
1.1.1 工業(yè)機器人
1.1.2 工業(yè)機器人的發(fā)展
1.1.3 工業(yè)機器人的構成
1.1.4 機器人用傳感器
1.1.5 機器人機械臂的運動學與動力學分析方法
1.2 工業(yè)機器人動態(tài)特性及動力學參數(shù)辨識
1.2.1 工業(yè)機器人動力學建模與控制
1.2.2 脈沖響應函數(shù)辨識是機器人動態(tài)特性分析的關鍵
1.2.3 階躍激勵是獲取機器人動態(tài)特性的有效途徑
1.2.4 機器人動力學研究中慣性參數(shù)辨識是熱點問題
1.3 系統(tǒng)辨識的分類及主要研究方法
1.3.1 系統(tǒng)辨識的定義
1.3.2 系統(tǒng)辨識的分類
1.3.3 基于人工神經(jīng)網(wǎng)絡的參數(shù)辨識
1.4 本論文的研究內(nèi)容、目的、意義
1.4.1 課題來源
1.4.2 本論文的主要研究工作
1.4.3 本論文研究的目的、意義
1.5 主要內(nèi)容章節(jié)安排
第2章 提取脈沖響應函數(shù)的小波變換方法與時域法分析
2.1 引言
2.2 脈沖響應函數(shù)
2.2.1 定義和性質
2.2.2 脈沖響應函數(shù)與結構系統(tǒng)模態(tài)參數(shù)
2.2.3 現(xiàn)有提取系統(tǒng)脈沖響應函數(shù)方法研究
2.2.4 時域法與頻域法的優(yōu)劣分析
2.3 基于小波變換的脈沖響應函數(shù)提取方法研究
2.3.1 小波分析歷史回顧及其在振動工程上的應用
2.3.2 小波分析理論
2.3.3 提取系統(tǒng)單位脈沖響應函數(shù)的小波變換方法研究
2.4 時域法與小波變換方法內(nèi)在關系分析
2.4.1 循環(huán)小波方法與時域法關系
2.4.2 相關小波方法與時域法關系
2.5 時域方法與小波方法數(shù)值仿真及實驗
2.5.1 仿真模擬分析
2.5.2 實驗驗證
本章小結
第3章 階躍激勵下的系統(tǒng)動態(tài)特性辨識方法
3.1 引言
3.2 階躍信號的時域特性與頻域特性
3.2.1 時域分析
3.2.2 頻域分析
3.3 階躍信號的測量分析
3.3.1 階躍激勵與力傳感器
3.3.2 階躍信號與矩形脈沖信號
3.4 由階躍響應確定階躍力
3.5 使用階躍響應辨識系統(tǒng)的傳遞函數(shù)——面積法
3.6 階躍響應求脈沖響應的時域方法——差分法
3.6.1 原理
3.6.2 仿真算例
本章小結
第4章 提取系統(tǒng)脈沖響應函數(shù)的時域方法研究
4.1 引言
4.2 信號平均方法概述
4.2.1 譜的線性平均方法
4.2.2 時間記錄線性平均
4.2.3 指數(shù)平均
4.2.4 RMS平均及RMS指數(shù)平均
4.3 時域方法病態(tài)問題解釋
4.3.1 頻域解釋
4.3.2 Riemann—Lebesgue引理解釋
4.3.3 用矩陣的奇異值解釋
4.3.4 病態(tài)問題數(shù)值實例
4.4 提取脈沖響應函數(shù)的偏差補償方法
4.4.1 輸出誤差模型算法
4.4.2 輸入誤差模型算法
4.4.3 階躍激勵下的偏差補償算法
4.4.4 誤差分析
4.4.5 偏差補償算法與傳統(tǒng)時域法的關系分析
4.4.6 仿真算例
4.4.7 實驗驗證
4.5 提取脈沖響應函數(shù)的誤差偏導數(shù)方法
4.5.1 輸出噪聲模型算法
4.5.2 輸入噪聲模型算法
4.5.3 仿真驗證
4.6 對兩種時域平均方法的討論
本章小結
第5章 機器人操作臂慣性參數(shù)辨識方法研究
5.1 引言
5.1.1 慣性參數(shù)
5.1.2 機器人慣性參數(shù)辨識方法的研究和發(fā)展
5.2 機器人運動學與動力學方程
5.2.1 機器人運動學
5.2.2 機器人動力學遞推方程
5.2.3 連桿組合體
5.2.4 慣性張量的坐標系變換
5.3 機器人六維腕力傳感器
5.3.1 機器人六維腕力傳感器簡要介紹
5.3.2 六維腕力傳感器的結構
5.3.3 六維腕力傳感器微分運動影響
5.4 末端連桿慣性參數(shù)辨識
5.4.1 算法原理
5.4.2 實驗驗證
5.4.3 辨識結果
5.5 操作臂慣性參數(shù)全辨識方法
5.5.1 用慣性力補償連桿重力的方法
5.5.2 關節(jié)摩擦特性
5.5.3 辨識連桿質量及質心坐標
5.5.4 辨識連桿的慣性張量
5.5.5 方法的流程圖
5.5.6 仿真算例
5.5.7 討論
本章小結
第6章 基于人工神經(jīng)網(wǎng)絡的系統(tǒng)參數(shù)辨識方法
6.1 人工神經(jīng)網(wǎng)絡簡述
6.1.1 人工神經(jīng)元的模型
6.1.2 神經(jīng)網(wǎng)絡的結構形態(tài)
6.1.3 神經(jīng)網(wǎng)絡的學習規(guī)則
6.2 人工神經(jīng)網(wǎng)絡的發(fā)展
6.3 神經(jīng)網(wǎng)絡應用于系統(tǒng)辨識
6.3.1 神經(jīng)網(wǎng)絡在系統(tǒng)辨識中的優(yōu)越性
6.3.2 神經(jīng)網(wǎng)絡系統(tǒng)辨識的并聯(lián)模式與串一并聯(lián)模式
6.4 神經(jīng)網(wǎng)絡參數(shù)辨識方法研究
6.4.1 問題的提出
6.4.2 神經(jīng)網(wǎng)絡參數(shù)辨識方法
6.4.3 神經(jīng)網(wǎng)絡參數(shù)辨識應用實例
本章小結
第7章 總結與展望
7.1 總結
7.2 創(chuàng)新點
7.3 有待進一步研究問題的展望
參考文獻
攻讀博士學位期間發(fā)表的論文