机器人动态特性及动力学参数辨识研究

　　总序
　　致谢
　　摘要
　　第1章  绪论
　　1.1 工业机器人概述
　　1.1.1 工业机器人
　　1.1.2 工业机器人的发展
　　1.1.3 工业机器人的构成
　　1.1.4 机器人用传感器
　　1.1.5 机器人机械臂的运动学与动力学分析方法
　　1.2 工业机器人动态特性及动力学参数辨识
　　1.2.1 工业机器人动力学建模与控制
　　1.2.2 脉冲响应函数辨识是机器人动态特性分析的关键
　　1.2.3 阶跃激励是获取机器人动态特性的有效途径
　　1.2.4 机器人动力学研究中惯性参数辨识是热点问题
　　1.3 系统辨识的分类及主要研究方法
　　1.3.1 系统辨识的定义
　　1.3.2 系统辨识的分类
　　1.3.3 基于人工神经网络的参数辨识
　　1.4 本论文的研究内容、目的、意义
　　1.4.1 课题来源
　　1.4.2 本论文的主要研究工作
　　1.4.3 本论文研究的目的、意义
　　1.5 主要内容章节安排
　　第2章  提取脉冲响应函数的小波变换方法与时域法分析
　　2.1 引言
　　2.2 脉冲响应函数
　　2.2.1 定义和性质
　　2.2.2 脉冲响应函数与结构系统模态参数
　　2.2.3 现有提取系统脉冲响应函数方法研究
　　2.2.4 时域法与频域法的优劣分析
　　2.3 基于小波变换的脉冲响应函数提取方法研究
　　2.3.1 小波分析历史回顾及其在振动工程上的应用
　　2.3.2 小波分析理论
　　2.3.3 提取系统单位脉冲响应函数的小波变换方法研究
　　2.4 时域法与小波变换方法内在关系分析
　　2.4.1 循环小波方法与时域法关系
　　2.4.2 相关小波方法与时域法关系
　　2.5 时域方法与小波方法数值仿真及实验
　　2.5.1 仿真模拟分析
　　2.5.2 实验验证
　　本章小结
　　第3章  阶跃激励下的系统动态特性辨识方法
　　3.1 引言
　　3.2 阶跃信号的时域特性与频域特性
　　3.2.1 时域分析
　　3.2.2 频域分析
　　3.3 阶跃信号的测量分析
　　3.3.1 阶跃激励与力传感器
　　3.3.2 阶跃信号与矩形脉冲信号
　　3.4 由阶跃响应确定阶跃力
　　3.5 使用阶跃响应辨识系统的传递函数--面积法
　　3.6 阶跃响应求脉冲响应的时域方法--差分法
　　3.6.1 原理
　　3.6.2 仿真算例
　　本章小结
　　第4章  提取系统脉冲响应函数的时域方法研究
　　4.1 引言
　　4.2 信号平均方法概述
　　4.2.1 谱的线性平均方法
　　4.2.2 时间记录线性平均
　　4.2.3 指数平均
　　4.2.4 RMS平均及RMS指数平均
　　4.3 时域方法病态问题解释
　　4.3.1 频域解释
　　4.3.2 Riemann-Lebesgue引理解释
　　4.3.3 用矩阵的奇异值解释
　　4.3.4 病态问题数值实例
　　4.4 提取脉冲响应函数的偏差补偿方法
　　4.4.1 输出误差模型算法
　　4.4.2 输入误差模型算法
　　4.4.3 阶跃激励下的偏差补偿算法
　　4.4.4 误差分析
　　4.4.5 偏差补偿算法与传统时域法的关系分析
　　4.4.6 仿真算例
　　4.4.7 实验验证
　　4.5 提取脉冲响应函数的误差偏导数方法
　　4.5.1 输出噪声模型算法
　　4.5.2 输入噪声模型算法
　　4.5.3 仿真验证
　　4.6 对两种时域平均方法的讨论
　　本章小结
　　第5章  机器人操作臂惯性参数辨识方法研究
　　5.1 引言
　　5.1.1 惯性参数
　　5.1.2 机器人惯性参数辨识方法的研究和发展
　　5.2 机器人运动学与动力学方程
　　5.2.1 机器人运动学
　　5.2.2 机器人动力学递推方程
　　5.2.3 连杆组合体
　　5.2.4 惯性张量的坐标系变换
　　5.3 机器人六维腕力传感器
　　5.3.1 机器人六维腕力传感器简要介绍
　　5.3.2 六维腕力传感器的结构
　　5.3.3 六维腕力传感器微分运动影响
　　5.4 末端连杆惯性参数辨识
　　5.4.1 算法原理
　　5.4.2 实验验证
　　5.4.3 辨识结果
　　5.5 操作臂惯性参数全辨识方法
　　5.5.1 用惯性力补偿连杆重力的方法
　　5.5.2 关节摩擦特性
　　5.5.3 辨识连杆质量及质心坐标
　　5.5.4 辨识连杆的惯性张量
　　5.5.5 方法的流程图
　　5.5.6 仿真算例
　　5.5.7 讨论
　　本章小结
　　第6章  基于人工神经网络的系统参数辨识方法
　　6.1 人工神经网络简述
　　6.1.1 人工神经元的模型
　　6.1.2 神经网络的结构形态
　　6.1.3 神经网络的学习规则
　　6.2 人工神经网络的发展
　　6.3 神经网络应用于系统辨识
　　6.3.1 神经网络在系统辨识中的优越性
　　6.3.2 神经网络系统辨识的并联模式与串一并联模式
　　6.4 神经网络参数辨识方法研究
　　6.4.1 问题的提出
　　6.4.2 神经网络参数辨识方法
　　6.4.3 神经网络参数辨识应用实例
　　本章小结
　　第7章  总结与展望
　　7.1 总结
　　7.2 创新点
　　7.3 有待进一步研究问题的展望
　　参考文献
　　攻读博士学位期间发表的论文

　　    陈恩伟，1979年生，广西合浦人，合肥工业大学机械设计及理论专业博士，现于中国科学技术大学固体力学博士后流动站工作。合肥工业大学机械与汽车工程学院教师。研究方向为：振动测试与控制、结构动力学系统参数识别、机器人运动学及动力学。发表学术论文20余篇。

　　    获取机械系统的动态特性对其本身的精确运动和动力控制有着重要的意义和应用价值。本书主要研究以工业机器人为典型代表的机械系统，对机器人系统的脉冲响应函数在提取过程中的一系列问题进行了探讨。对现有的时域法、频域法及小波方法进行了辨析，并研究了适用于机器人的阶跃激励下的时域辨识方法，同时对机器人操作臂惯性参数辨识中的一些相关问题进行了研究。本书还研究了将神经网络技术应用于系统参数辨识的方法，并且对时变系统的参数辨识进行了研究。