Метод идентификации торсионной жесткости вращательного шарнира манипулятора с использованием инерциального измерительного модуля

Информация о параметрах жесткости шарниров и звеньев манипуляторов часто необходима для реализации высокоточных систем управления, использующихся для выполнения технологических операций с субмиллиметровой точностью при наличии внешних нагрузок. В статье предлагается метод идентификации коэффициента торсионной жесткости шарнира одностепенного манипулятора на основе использования микроэлектромеханического инерциального измерительного модуля (ИИМ), состоящего из акселерометра и датчика угловых скоростей. Метод основан на идентификации модели динамики шарнира с неизвестным коэффициентом торсионной жесткости, описываемой с помощью передаточной функции (ПФ), на основе информации о входных и выходных сигналах этой ПФ (угол поворота двигателя и угол поворота звена соответственно). Для идентификации параметров ПФ шарнира строится амплитудно-частотная (АЧХ) и фазо-частотная (ФЧХ) характеристики системы. Для этого на вход привода подаются гармонические сигналы, имеющие разную частоту. Входной сигнал ПФ измеряется с помощью энкодера двигателя, а выходной сигнал восстанавливается по данным, поступающим от ИИМ. С помощью измеренных входных и выходных сигналов рассчитываются изменение амплитуды и сдвиг фазы проходящего через систему сигнала. На основе этих данных и аналитического описания АЧХ и ФЧХ рассчитываются постоянные времени ПФ, описывающей шарнир с неизвестным коэффициентом жесткости. Затем значения идентифицированных постоянных времени используются для расчета коэффициента жесткости. Предложенный метод, в отличии от существующих методов идентификации коэффициентов жесткости манипуляторов, не требует дополнительного оборудования для приложения внешних сил к манипулятору или использования дорогостоящих внешних высокоточных измерительных систем для измерения смещений рабочего инструмента в пространстве. Результаты экспериментальной проверки предложенного метода на одностепенном манипуляторе подтверждают его работоспособность и высокую точность.

1. Wang C., Zheng M., Wang Z., Tomizuka M. Robust TwoDegree-of-Freedom Iterative Learning Control for Flexibility Compensation of Industrial Robot Manipulators // IEEE International Conference on Robotics and Automation (ICRA). 2016. P. 2381—2386.

2. Klimchik A., Furet B., Caro S., Pashkevich А. Identification of the manipulator stiffness model parameters in industrial environment // Mechanism and Machine Theory. 2015. Vol. 90. P. 1—22. DOI: 10.1016/j.mechmachtheory.2015.03.002.

3. Mikhel S. K., Klimchik А. S. Stiffness Model Reduction for Manipulators with Double Encoders: Algebraic Approach // Rus. J. Nonlin. Dyn. 2021. Vol. 17, N. 3. P. 347—360.

4. Ilyukhin Yu. V., Kolesnichenko R. V. Accuracy of Milling by Robots with Two-Motor Servo Drives // Russian Engineering Research. 2019.. Vol. 39, N. 12. P. 1069—1072.

5. Klimchik A., Pashkevich A., Chablat D. CAD-based approach for identification of elasto-static parameters of robotic manipulators // Finite Elements in Analysis and Design. 2013. Vol. 75. P. 19—30.

6. Hu M., Wang H., Pan X. et al. Elastic deformation modeling of series robots with consideration of gravity // Intel Serv Robotics. 2022. Vol. 15. P. 351—362. DOI: 10.1007/s11370-022-00426-6.

7. Monsarrat B. et al. In-situ elastic calibration of robots: Minimally-invasive technology, cover-based pose search and aerospace case studies // Robotics and Computer-Integrated Manufacturing. 2024. Vol. 89.

8. Yukhimets D., Gubankov А. Method of identification of kinematic and elastostatic parameters of multilink manipulators without external measuring devices // IFAC-PapersOnLine. 2020. Vol. 53, Iss. 2. P. 9879—9884.

9. Zollo L., Lopez E., Spedaliere L., Aracil N. G., Guglielmelli E. Identification of Dynamic Parameters for Robots with Elastic Joints // Advances in Mechanical Engineering. 2014. Id 843186.

10. Zhao P. А novel parameter identification method for flexible-joint robots using input torque and motor-side motion data // Robotica. 2022. Vol. 40. P. 1—11. DOI: 10.1017/S0263574722000066.

11. Miranda-Colorado R., Moreno-Valenzuela J. Experimental parameter identification of flexible joint robot manipulators // Robotica. 2017. Vol. 36, Iss. 03. P. 313—332. DOI: 10.1017/s0263574717000224.

12. Tsang K., Chan W. Non-destructive stiffness detection of utility wooden poles using wireless MEMS sensor // Measurement. 2011. Vol. 44. P. 1201—1207. DOI: 10.1016/j.measurement.2011.03.025.

13. Kustiana W., Trilaksono B., Riyansyah M. et al. Bridge Damage Detection with Support Vector Machine in Accelerometer-Based Wireless Sensor Network // J. Vib. Eng. Technol. 2024. Vol. 12. P. 21—40. DOI: 10.1007/s42417-024-01400-5.

14. Pham M., Gautier M., Poignet P. Accelerometer Based Identification of Mechanical Systems // IEEE International Conference on Robotics and Automation. 2002. Vol. 4. P. 4293—4298. DOI: 10.1109/ROBOT.2002.1014433.

15. Nedelchev S., Kirsanov D., Gaponov I. IMU-based Parameter Identification and Position Estimation in Twisted String Actuators // 2020 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS). DOI: 10.1109/iros45743.20.

16. Karimov A., Kopets E., Nepomuceno E., Butusov D. Integrate-and-Differentiate Approach to Nonlinear System Identification // Mathematics. 2021. Vol. 9, Iss. 23. DOI: 10.3390/math9232999.

17. Kopets E., Karimov A., Scalera L., Butusov D. Estimating Natural Frequencies of Cartesian 3D Printer Based on Kinematic Scheme // Applied Sciences. 2022. Vol. 12. P. 4514. DOI: 10.3390/app12094514.

18. Zhu W.-H., Lamarche T. Velocity Estimation by Using Position and Acceleration Sensors // IEEE Transactions on Industrial Electronics. 2007. Vol. 54, Iss. 5. P. 2706—2715.

19. Roan P., Deshpande N., Wang Y., Pitzer В. Manipulator state estimation with low cost accelerometers and gyroscopes // IEEE/RSJ International Conference on Intelligent Robots and Systems. Vilamoura-Algarve, Portugal, 2012. P. 4822—4827. DOI: 10.1109/IROS.2012.6385893.

20. Chen H., Ahmadi K. Estimating pose-dependent FRF in machining robots using multibody dynamics and Gaussian Process Regression // Robotics and Computer-Integrated Manufacturing. 2022. Vol. 77. DOI: 10.1016/j.rcim.2022.102354.

21. Тарг С. М. Краткий курс теоретической механики: учеб. для вузов.. 20-е изд., стер.. М.: Высш. шк., 2010. 323 с.

22. Smith J. O. Mathematics of the Discrete Fourier Transform (DFT). Stanford: CCRMA, 2002.