(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211210807.9 (22)申请日 2022.09.30 (71)申请人 北京理工大 学 地址 100081 北京市海淀区中关村南大街5 号 (72)发明人 高峻峣　马晓帅　余张国　陈学超　 孟非　黄强　于晗　 (74)专利代理 机构 南京智造力知识产权代理有 限公司 32382 专利代理师 张明明 (51)Int.Cl. B25J 9/16(2006.01) (54)发明名称 一种基于机器学习前馈模型的自抗扰力矩 控制方法 (57)摘要 本发明公开了一种基于机器学习前馈模型 的自抗扰力矩控制方法， PD 控制器输入参考力矩 τd和扩张状态观测器的输出z1、 z2， 输出电流Ic； 机器学习前馈模型输入参考力矩τd、 电机转速 nm、 电机位置pm、 电机转加速度ωm、 电机温度Tm和 减速器温度TR， 输出电机参考电流If； 扩张状态 观测器输入机器人关节输出力矩τ 以及电机实 际电流Im与Ktb的乘积； Ic与If求和， 再减去扩张 状态观测器的输出z3与(Ktb)‑1的乘积， 结果作为 机器人关节的输入， 机器人关节输出力矩τ。 本 发明能够对 大部分扰动进行准确的估计， 大大降 低扩张状态观测器所需观测的总扰动范围， 减少 扩张状态 观测器的负担 。 权利要求书2页 说明书6页 附图2页 CN 115416027 A 2022.12.02 CN 115416027 A 1.一种基于 机器学习前馈模型的自抗扰力矩控制方法， 其特 征在于： PD控制器输入参 考力矩 τd和扩张状态 观测器的输出z1、 z2， 输出电流 Ic； 机器学习前馈模型输入 参考力矩 τd、 电机转速nm、 电机位置pm、 电机温度Tm和减速器温度 TR， 输出电机参 考电流If； 扩张状态 观测器输入机器人关节输出力矩 τ 以及电机实际电流 Im与Ktb的乘积； 所述Ic与If求和， 再减去扩张状态观测器的输出z3与(Ktb)‑1的乘积， 结果作为机器人关 节的输入， 机器人关节输出力矩 τ； 其中： Kt为电机扭矩系数， 参数 K为弹簧等效刚度系数， B为电机惯量。 2.根据权利要求1所述的自抗扰力矩控制方法， 其特征在于， 所述机器学习前馈模型具 体为神经网络前馈模型。 3.根据权利要求2所述的自抗扰力矩控制方法， 其特征在于， 神经网络前馈模型的建立 包括数据采集、 数据预处 理、 训练神经网络和 神经网络 评估。 4.根据权利要求3所述的自抗扰力矩控制方法， 其特征在于， 所述数据预处理为： 对所 采集的数据进行 滤波和归一 化处理。 5.根据权利要求3所述的自抗扰力矩控制方法， 其特征在于， 所述神经网络的损失函数 为： 其中： N是训练集 的样本数量， 为网络训练过程中的预测电流， Ii为网络训练过程中 的实际电流。 6.根据权利要求3所述的自抗扰力矩控制方法， 其特征在于， 所述数据采集时， 机器人 关节跟随给定的电流信号转动， 所述给定的电流信号是在随机时间点上利用随机函数获得 的电流值作为已知点， 再进行样条插值。 7.根据权利要求1所述的自抗扰力矩控制方法， 其特 征在于， P D控制器的控制律 为： Ic＝kp( τd‑z1)+kd( τd‑z2) 其中： kp、 kd为PD控制器的参数。 8.根据权利要求1所述的自抗扰力矩控制方法， 其特征在于， 扩 张状态观测器的表达式 为： 其中： e0是关节扭矩的估计误差， z1为τ 的估计 值， 为z1的一阶导数， z2为 的估计值， 为z2的一阶导数， z3为 的估计值， 为z3的一阶导数， β1、 β2、 β3是扩张状态观测器 的参数， τm为电机输出力矩， 且系统的总扰动 τf为关节摩权　利　要　求　书 1/2 页 2 CN 115416027 A 2擦力矩， 表示关节的角加速度。 9.根据权利要求3所述的自抗扰力矩控制方法， 其特征在于， 神经网络评估时， 测试集 数据利用模型评价指标对网络训练过程中的预测电流进行测试， 所述模型评价指标为： 其中： N1是测试集的样本数量， 为模型每次计算所用的时间， tc为理想的计算时间， eI 为容许的最大误差， α 为权 重， 为模型预测电流， I1i为测试集中对应的实际电流。权　利　要　求　书 2/2 页 3 CN 115416027 A 3