两轴机器人手腕力传感器的动态补偿

摘要

为了改善两轴力传感器的动态特性，提出了一种动态补偿方法。假设两轴力传感器系统为一阶系统。采用后向差分网络数字滤波器扩展系统的工作频率。为了滤除高频噪声，在动态补偿网络后加入低通滤波器。为避免过补偿，采用试错法确定动态补偿方法的参数。动态标定实验采用阶跃响应法。与未进行补偿的实验数据相比，动态补偿数据的响应时间缩短了30%~40%。实验结果证明了该方法的有效性。

1.介绍

多轴机器人手腕力传感器是需要获取机器人与环境接触力信息的机器人系统所必需的。在商业和研究领域有各种各样的多轴力传感器，例如，交叉梁型多轴力传感器[1，2、压电式多轴力传感器[3.]，光纤Multiaxis力传感器[4，等等[5］．Multiaxis机器人腕部力传感器始终安装在机器人手腕上，将多维接触力信号转换为多通道电压信号。这些应用程序可以经常在组装机器人，远程机器人系统，康复机器人中找到[6- - - - - -9］．

在机器人执行任务时，力在线感知和反馈的有效性在很大程度上取决于多轴机器人手腕力传感器的性能。机器人任务的实时性和快速性要求多轴力传感器具有较高的动态特性。但多轴力传感器(以下简称力传感器)由于弹性体的低刚度和应变片的使用，其固有频率低，阻尼比小。因此力传感器的动态响应大于0.2 ms，调整时间相对较长[10］．用于力传感器的A / D转换器也将延长响应时间。机器人任务的动态要求和动力传感器的当前性能的差异是有必要提高力传感器的动态特性。通过硬件改善力传感器的动态特性有限且昂贵。在测量领域，通过算法通常改善传感器的动态性能。因此，需要设计动态补偿算法以改善力传感器的动态行为。altintas和公园在[11为主轴集成力传感器设计了卡尔曼滤波器动态补偿算法。徐和李在[10，12]设计了基于功能链接人工神经网络(FLANN)的六轴腕力/力矩传感器动态补偿算法。Yu等人在[13[关键词]遗传神经网络，机器人腕力传感器，动态补偿，遗传神经网络14］．

在本文中，我们提出了一种基于具有向后差异设计的数字滤波器的动态补偿方法。由于力传感器的输出电压中存在高频噪声，因此在动态补偿系统中添加了低通滤波器。进行动态校准实验，其中使用阶梯响应方法。在动态校准实验期间，使用在我们的实验室中设计和制造的双轴力传感器。产生力的步进信号，而通过高频数据采集卡记录双轴力传感器的对应步骤响应。所提出的动态校准方法应用于动态校准实验数据。我们的方法大大减少了响应时间。实验结果证明了我们方法的正确性和有效性。

2.动态补偿系统

２.１.动态补偿原理

力传感器原有的工作频带太窄，无法覆盖输入力信号的所有频率分量。这导致高频成分的衰减。此外，力传感器的动态特性也会受到影响。为了拓宽工作频率，本文在力传感器系统中增加了动态补偿部分。该方法可提高力传感器的动态性能。分别对各维输入力进行动态补偿。数字1给出了力传感器动态补偿的流程图。

在图1，是输入力信号，和为两轴力传感器的输出电压。是结果通过动态补偿网络，和为经过低通滤波后的动态补偿数据。表示力传感器的传递函数，表示动态补偿的传递函数，表示低通滤波器的传递函数，以及表示整个力传感器系统的传递函数。

我们有

２.２.动态补偿算法

力传感器系统如图所示1，假设为一阶系统。力传感器的传递函数，，可以表示为 在哪里一阶系统的时间常数是和吗为力传感器的滞后时间。

力传感器的截止角频率可以计算为

如果将力传感器的频带加宽为时，截止角频率为．然后，可以表示为 的组合(1), (2)和(4)导致

经过A/D转换后，力传感器输出的电压信号为数字信号。等效数字滤波器域可从(5)及后向差值法，如(6）： 在哪里是抽样间隔。

的组合(5)和(6） 导致 在哪里，．

的差分方程7)可计算为 方程(8）是力传感器的动态补偿算法。所提出的动态算法简单快速。它可以很容易地在软件中实现。

２.３.数字低通滤波器

如前一节所述，所提出的动态补偿算法扩大了力传感器的工作频率。但是，工作频率的扩大会使输出电压信号在各个维度中的高频噪声加剧。因此，在动态补偿部分后增加了一个低通滤波器，如图所示1，滤除高频噪声信号。

使用普通的低通滤波器，称为“移动平均滤波器”。移动平均滤波器能够在保留尖锐阶跃响应的同时降低随机噪声。因此，对于带有随机噪声的时域编码信号，移动平均滤波器是首选滤波器。移动平均滤波器的工作原理是对输入信号中的一些点进行平均，从而产生输出信号中的每个点[15］．

在动态补偿过程中，对信号进行移动平均点的数目，如图所示（9）：

3.动态补偿结果

３.１.动态标定实验

动态标定实验使用了本实验室自行设计制作的两轴力传感器样机，如图所示2．

力传感器的关键部件是横梁弹性体。当施加外力时，横梁弹性体会发生变形。将八个应变片贴在力传感器的横梁弹性体上，检测力传感器的变形，并将输入力的变化转化为电阻的变化。每四个应变片连接成一个惠斯通电桥电路。应变片电阻的变化可以转化为电压的变化。电压由放大电路放大[16］．

两轴力传感器可以同时测量X方向和Y方向的水平力。由于两轴力传感器的对称特性，我们只做X方向的动态标定实验。

传感器有三种常见的动态校准方法，即频率方法，阶梯响应法和影响响应方法[12］．对于力传感器来说，很难产生正弦波输入的力信号。可由带有压电传感器的锤产生冲击力[17，18］．然而，敲击的位置和角度很难控制。因此，阶跃响应法[19]在动力传感器的动态校准实验中是优选的。

数字3.展示了动态标定实验设置平台。

如图所示3.时，两轴力传感器安装在标定台中心的分度板上。分度盘可旋转，以保证加载力的方向。外部水平力由滑轮、尼龙绳和重物产生。

在校准实验中，尼龙绳的切割位置将由一把剪刀进行切割。当力传感器附近的尼龙绳被切断时，重物就会掉到地上。产生一个负的阶跃力。切割过程应该是快速而果断的。

两轴力传感器的响应由采样频率为250 KHz的数据采集卡记录。

３．２．结果

整个动态标定实验重复三次。选择振动最小的最佳实验数据。数字4显示数据采集卡记录的原始负阶跃响应数据。

校准实验数据支持双轴力传感器是一阶系统的假设。力传感器的传递函数可以在（2）.的时间常数ms和采样间隔ms。

在动态补偿网络中，动态补偿算法和低滤波器通滤波器的参数都是通过试错来定义的。最后,因素定义为3;也就是说，操作频率扩展三次。可以获得双轴力传感器的动态算法，如图所示（10）：

数字5显示无低通滤波器的动态补偿数据。红线表示动态补偿后无低通滤波器的阶跃响应数据。

比较图5与图4，红线表示动态补偿算法引入了更多的高频噪声。因此，在动态补偿网络后需要一个低通滤波器。

移动平均滤波器用作低通滤波器。移动平均滤波器内核的长度定义为100，即，．低通滤波器可以表示为

为了进行对比，将两组原始数据如图所示4动态补偿数据如图所示5都通过了移动平均滤波器。数字6显示经过低通滤波器后的原始数据和动态补偿数据的比较。

在图6，黑线表示经过低通滤波器过滤的原始数据。红线表示由同一低通滤波器过滤的动态补偿数据。数字6结果表明，两轴力传感器的响应时间由4 ms左右缩短到2.5 ms左右。的时间常数从约1毫秒减少到约0.6毫秒。

动态补偿的双轴力传感器的单元阶跃响应功能可以表示为 在哪里表示单位步骤功能。

结果表明，所提出的动态补偿方法大大改善了两轴力传感器的动态特性。动态补偿方法简单，不受局部极小值的限制。

4.结论

本文介绍了有效地改善双轴力传感器的动态特性的动态补偿方法。动态补偿方法包含动态补偿网络和低通滤波器。假设双轴力传感器作为一阶系统。基于向后差分方法的动态补偿网络拓宽了力传感器的操作频率。高频噪声可以从补偿网络加强。添加移动平均滤波器以过滤高频噪声。

实现了动态标定实验。负阶跃力信号是由施加的载荷的突然释放产生的。标定实验得到的阶跃响应验证了力传感器为一阶系统假设的合理性。在实验数据中应用了所提出的动态补偿方法。实验结果证明了该方法的有效性。阶跃响应的调整时间从4 ms左右减少到2.5 ms左右。的时间常数从约1毫秒减少到约0.6毫秒。

与传统的基于人工神经网络的动态补偿算法相比，该方法具有速度快、不受局部极小的特点。所提出的动态补偿方法也可用于其他多轴力传感器。

承认

基金资助:国家自然科学基金资助项目(no. 201430430429);61272379)。

参考

1. 马建军，“基于机械建模的交叉梁六轴力/力矩传感器的应变快速估计”，传感器，卷。13，pp。6669-6686,2013。视图:谷歌学术搜索
2. A. Song, J. Wu, G. Qin, and W. Huang，“一种新型的自耦四自由度手腕力/力矩传感器”，测量，第40卷，第5期。9-10，页883-891,2007。视图:出版商的网站|谷歌学术搜索
3. Y.-J。李,B.-Y。张建军，钱敏，孙志勇。Jia，“一种新型并联压电六轴重力/扭矩传感器”，测量，第42卷，第2期5, pp. 730-736, 2009。视图:出版商的网站|谷歌学术搜索
4. M.S.Müller，L.Hoffmann，T.C.Back和A. W.Koch，“纤维布拉格光栅的力量 - 扭矩传感器，具有六个自由度”，国际光电子学杂志，第3卷，第2期。3, pp. 201-214, 2009。视图:出版商的网站|谷歌学术搜索
5. R. J. Wood，K.-J.CHO，K. Hoffman，“用于微型藻体应用的新型多轴力传感器”，“智能材料与结构第18卷第2期12、Article ID 125002, 2009。视图:出版商的网站|谷歌学术搜索
6. B.西西里亚诺和O.哈提卜，施普林格机器人手册，春天，纽约，纽约，美国，2008年。
7. T. Lefebvre, J. Xiao, H. Bruyninckx, G. De Gersem，“主动顺应运动:综述”，先进的机器人，卷。19，没有。5，pp。479-499，2005。视图:出版商的网站|谷歌学术搜索
8. Xu G.， A. Song, H. Li，“基于进化动态递归模糊神经网络的上肢康复机器人自适应阻抗控制”，智能与机器人系统学报，卷。62，没有。3-4，pp。501-525,2011。视图:出版商的网站|谷歌学术搜索
9. F. Nagata, Y. Kusumoto, K. Watanabe等，“使用基于学习的混合位置/力控制器的PET瓶模具抛光机器人”第五届亚洲控制会议的诉讼程序，页914-921,2004年7月。视图:谷歌学术搜索
10. K.-J。“多轴力传感器的动态解耦与补偿方法”，IEEE仪器仪表与测量汇刊，第49卷，第49期。5，页935-941,2000。视图:出版商的网站|谷歌学术搜索
11. Y. Altintas和S. S. Park，“主轴集成力传感器的动态补偿”，CIRP Annals-Manufacturing技术，第53卷，第53期1, 2004。视图:谷歌学术搜索
12. K.-J。徐超，李志南。“机器人六轴腕力/力矩传感器的动力学建模与补偿”，IEEE仪器仪表与测量汇刊第56期5，页2094-2100,2007。视图:出版商的网站|谷歌学术搜索
13. “基于遗传神经网络的新型机器人手腕力传感器动态建模与补偿方法”，机械工程学报，第42卷，第2期12，第239-244页，2006。视图:出版商的网站|谷歌学术搜索
14. S. Chen和S. A.账单，“非线性动态系统建模和识别神经网络”，国际控制杂志，第56卷，319-346页，1992。视图:谷歌学术搜索
15. p·j·布罗克韦尔和r·a·戴维斯，时间序列:理论与方法，施普林格，纽约，纽约，美国，2009。
16. 马建军，“一种新型的两轴力传感器的研制”，中国机器人，应用力学与材料， vol. 103, pp. 299-304, 2012。视图:出版商的网站|谷歌学术搜索
17. 胡n.， Fukunaga H.， S. Matsumoto, B. Yan, and X. H. Peng，“一种利用压电传感器识别冲击力的有效方法”，国际冲击工程学报第34卷第3期7，页1258-1271,2007。视图:出版商的网站|谷歌学术搜索
18. M. Tracy和f - k。Chang，“基于分布式压电传感器测量的复合材料板冲击载荷识别”，in智能结构和材料:智能结构和集成系统，第2717卷学报学报， 231-236页，1996年2月。视图:出版商的网站|谷歌学术搜索
19. M. P. Schoen，“智能传感器的动态补偿”，IEEE仪器仪表与测量汇刊第56期第5页，1992-2001,2007。视图:出版商的网站|谷歌学术搜索

版权

版权所有©2013马俊青等。这是一篇发布在知识共享署名许可协议，允许在任何媒介上不受限制地使用、传播和复制，但必须正确引用原作。