本技术涉及工业机器人相关，具体涉及一种基于卡尔曼滤波观测器的关节摩擦力辨识方法及装置。
背景技术：
1、工业机器人在现代制造业中发挥着至关重要的作用，其性能的精确性和可靠性对于生产效率和产品质量有着直接的影响。然而，机器人传动系统中固有的摩擦特性是一个复杂且难以精确计算的问题。
2、摩擦会导致能量损耗、运动精度下降以及系统稳定性受到影响。特别是在工业机器人的高速、高精度应用中，摩擦力的准确辨识变得尤为关键。
3、但是，现有技术中缺乏适用于工业机器人领域的，可以对摩擦力进行快速识别与精确辨识的技术。
技术实现思路
1、有鉴于此，本技术的实施例致力于提供一种基于卡尔曼滤波观测器的关节摩擦力辨识方法及装置，以对工业机器人摩擦力进行快速、精确地辨识。
2、本技术提供了一种基于卡尔曼滤波观测器的关节摩擦力辨识方法，包括：
3、在预设的不同的关节运动数据下，基于卡尔曼滤波观测器对关节摩擦力进行观测，得到观测结果；
4、其中，所述卡尔曼滤波观测器的状态变量为关节摩擦力广义冲量和关节摩擦力，卡尔曼滤波观测器的观测量为关节摩擦力广义冲量；
5、基于所述观测结果确定所述关节摩擦力与关节运动数据的关系曲线：
6、基于所述关系曲线构建关节摩擦力模型：
7、通过所述关节摩擦力模型，基于已知的关节运动数据计算关节摩擦力。
8、在一些实施例中，所述关节运动数据包括：通过关节电机编码器反馈获取的关节角度和速度信息。
9、在一些实施例中，关节摩擦力广义冲量为实际广义动量与已知力所引起的广义冲量的偏差。
10、在一些实施例中，基于卡尔曼滤波观测器对关节摩擦力进行观测包括：
11、首先卡尔曼滤波观测器状态变量的定义，令x1＝e，x2＝τd，则观测器的状态方程和测量方程为
12、
13、式中，x＝[x1 x2]t表示状态变量组成的向量；表示状态变量一阶导数组成的向量；表示状态方程中的系统矩阵；w表示系统的动态噪声；y＝[x1 0]t表示观测量；表示观测矩阵；v表示观测噪声；
14、离散化处理后得到如下表达式
15、
16、式中，xk+1表示k+1时刻的状态变量；xk表示k时刻的状态变量；
17、表示离散化后的状态转移矩阵；表示噪声转移矩阵；t表示采样周期；wk表示k时刻的系统动态噪声；vk+1表示k+1时刻的测量噪声。
18、将过程噪声和测量噪声，视为期望为零的高斯白噪声，且两者不相关；
19、统计特性为：
20、
21、cov[wk,vk]＝0
22、式中，rk表示k时刻测量噪声的方差，qk表示k时刻系统动态噪声的方差。wk，vk均与初始状态不相关，
23、cov[xt0,vk]＝0，cov[xt0,wk]＝0
24、由上述公式，得卡尔曼滤波器状态变量最优估计方程，其表达式如下：
25、
26、式中，表示k+1时刻状态变量的最优估计；表示k时刻状态变量的最优估计；kk+1表示k+1时刻的增益矩阵；yk+1表示k+1时刻的观测量；
27、其中，k+1时刻状态变量的最优估计是由k时刻状态变量的最优估计、增益矩阵以及实际观测量与估计观测量的偏差三者共同计算得出；状态变量最优估计是一个由前一时刻估计量与当前时刻实际观测量共同估计当前时刻状态变量的递推过程；
28、增益矩阵kk+1由卡尔曼增益方程确定：
29、kk+1＝pk+1|kct(cpk+1|kct+rk+1)-1
30、式中，pk+1|k表示由k时刻误差方差预测的k+1时刻预报误差方差阵；rk+1表示k+1时刻测量噪声的方差；pk+1|k由预报误差方差方程确定：
31、pk+1|k＝φpkφt+γqkγt
32、式中，pk表示k时刻误差方差阵；qk表示k时刻系统动态噪声的方差。pk由滤波误差方差方程确定：
33、pk＝(i-kkc)pk|k-1
34、其中，kk表示第k个采样周期的增益矩阵；pk|k-1表示由k-1时刻误差方差预测的k时刻预报误差方差阵；
35、已知后，获得k时刻关节摩擦力的最优估计：
36、
37、式中，表示k+1时刻状态变量分量x2的最优估计；表示k时刻所有关节摩擦力所构成向量的最优估计。
38、在一些实施例中，所述关节摩擦力模型为库伦-粘滞摩擦模型。
39、在一些实施例中，所述基于所述关系曲线构建关节摩擦力模型，包括：
40、构建一个库伦-粘滞摩擦模型：
41、基于所述关系曲线计算库伦-粘滞摩擦模型中的参数信息。
42、在一些实施例中，库伦-粘滞摩擦模型的表达式为：
43、所述基于所述关系曲线计算库伦-粘滞摩擦模型中的参数信息，包括：
44、模型中的参数信息分别是库伦摩擦力τc和粘滞摩擦力系数b。
45、在机器人沿辨识轨迹运动的过程中，同时采集所有时刻的与表示k时刻所有关节摩擦力所构成向量的最优估计，表示k时刻所有关节速度所构成的向量：
46、将每个关节采样点的摩擦力做上的最小二乘回归，即可得到[τc b]t＝(wtw)-1wtt
47、式中，w为回归矩阵，其行数等于采样点个数，第i行的行向量为i表示采样点序号，t表示各采样点的摩擦力组成的列向量。
48、本技术还提供一种基于卡尔曼滤波观测器的关节摩擦力辨识装置，包括：
49、在预设的不同的关节运动数据下，基于卡尔曼滤波观测器对关节摩擦力进行观测，得到观测结果；
50、其中，所述卡尔曼滤波观测器的状态变量为关节摩擦力广义冲量和关节摩擦力，卡尔曼滤波观测器的观测量为关节摩擦力广义冲量；
51、基于所述观测结果确定所述关节摩擦力与关节运动数据的关系曲线：
52、基于所述关系曲线构建关节摩擦力模型：
53、通过所述关节摩擦力模型，基于已知的关节运动数据计算关节摩擦力。
54、本技术还提供一种电子设备，包括：
55、处理器，以及用于存储所述处理器可执行程序的存储器；
56、所述处理器，用于通过运行所述存储器中的程序，实现如上述的基于卡尔曼滤波观测器的关节摩擦力辨识方法。
57、本技术还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序在被处理器运行时使得所述处理器执行如上述的基于卡尔曼滤波观测器的关节摩擦力辨识方法。
58、本技术所提供的基于卡尔曼滤波观测器的关节摩擦力辨识方法，首先在预设的不同的关节运动数据下，基于卡尔曼滤波观测器对关节摩擦力进行观测，得到观测结果；其中，所述卡尔曼滤波观测器的状态变量为关节摩擦力广义冲量和关节摩擦力，卡尔曼滤波观测器的观测量为关节摩擦力广义冲量；基于所述观测结果确定所述关节摩擦力与关节运动数据的关系曲线：基于所述关系曲线构建关节摩擦力模型：通过所述关节摩擦力模型，基于已知的关节运动数据计算关节摩擦力。如此设置，本技术提供的方案：通过将卡尔曼滤波观测器的状态变量设置为关节摩擦力广义冲量和关节摩擦力，能够在线识别工业机器人执行作业时的摩擦力，从而提高辨识的准确性。降低噪声影响：卡尔曼滤波观测器具有良好的噪声抑制能力，能够有效降低动态噪声和测量噪声对辨识结果的影响，使观测结果更加可靠。准确反映关节特性：基于预设的不同关节运动数据进行观测，能够全面了解关节在各种运动情况下的摩擦力特性，从而更准确地确定关节摩擦力与关节运动数据的关系曲线。构建精确模型：根据关系曲线构建的关节摩擦力模型能够更精确地描述关节摩擦力与关节运动之间的关系，为后续的计算和分析提供可靠的基础。实现准确计算：通过精确的关节摩擦力模型，基于已知的关节运动数据能够准确计算出关节摩擦力，为工业机器人的控制和优化提供重要依据。提升机器人性能：准确的关节摩擦力辨识和计算有助于优化机器人的控制策略，提高机器人的运动精度、稳定性和效率，从而提升机器人的整体性能。适应性强：该方法能够适用于不同的关节运动情况，具有较强的适应性和通用性，可以应用于各种工业机器人系统中。综上所述，基于卡尔曼滤波观测器的关节摩擦力辨识方法在提高工业机器人的性能和可靠性方面具有显著的有益效果。
1.一种基于卡尔曼滤波观测器的关节摩擦力辨识方法，其特征在于，包括：
2.根据权利要求1所述的基于卡尔曼滤波观测器的关节摩擦力辨识方法，其特征在于，所述关节运动数据包括：通过关节电机编码器反馈获取的关节角度和速度信息。
3.根据权利要求1或2所述的基于卡尔曼滤波观测器的关节摩擦力辨识方法，其特征在于，关节摩擦力广义冲量为实际广义动量与已知力所引起的广义冲量的偏差。
4.根据权利要求3所述的基于卡尔曼滤波观测器的关节摩擦力辨识方法，其特征在于，基于卡尔曼滤波观测器对关节摩擦力进行观测包括：
5.根据权利要求4所述的基于卡尔曼滤波观测器的关节摩擦力辨识方法，其特征在于，所述关节摩擦力模型为库伦-粘滞摩擦模型。
6.根据权利要求5所述的基于卡尔曼滤波观测器的关节摩擦力辨识方法，其特征在于，所述基于所述关系曲线构建关节摩擦力模型，包括：
7.根据权利要求6所述的基于卡尔曼滤波观测器的关节摩擦力辨识方法，其特征在于，库伦-粘滞摩擦模型的表达式为：
8.一种基于卡尔曼滤波观测器的关节摩擦力辨识装置，其特征在于，包括：
9.一种电子设备，其特征在于，包括：
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序在被处理器运行时使得所述处理器执行如权利要求1至7中任一项所述的基于卡尔曼滤波观测器的关节摩擦力辨识方法。
