本發(fā)明屬于系統(tǒng)參數(shù)辨識領(lǐng)域，更具體地，涉及一種基于改進高斯群優(yōu)化算法的進給系統(tǒng)lugre摩擦模型參數(shù)辨識方法、系統(tǒng)、計算機可讀存儲介質(zhì)和計算機程序產(chǎn)品。

背景技術(shù)：

1、摩擦是影響機床進給系統(tǒng)跟蹤性能的主要因素之一，建立準確的摩擦模型是基于模型的摩擦補償方法的關(guān)鍵。參數(shù)化模型是目前學(xué)術(shù)研究和工程應(yīng)用上主流的摩擦模型，主要分為靜態(tài)摩擦模型和動態(tài)摩擦模型。其中動態(tài)摩擦模型因其可以描述預(yù)滑動、摩擦滯后、摩擦滯回等動態(tài)摩擦特性，在高精度控制場景下得到了廣泛應(yīng)用。lugre模型作為著名的動態(tài)摩擦模型之一，幾乎可以所有摩擦特性，因此受到了廣泛關(guān)注。

2、雖然lugre模型的表達能力很強，但該模型存在大量的需要辨識的參數(shù)。由于參數(shù)辨識困難，使得lugre模型在工程應(yīng)用上受到了極大限制?，F(xiàn)有辨識方法普遍采用基于穩(wěn)態(tài)數(shù)據(jù)先辨識模型的靜態(tài)參數(shù)，然后通過預(yù)滑動階段的位移和摩擦數(shù)據(jù)辨識模型的動態(tài)參數(shù)的策略。這種辨識方法存在辨識精度低，工程化應(yīng)用困難的問題。

3、為此，本發(fā)明提出了一種基于改進高斯群優(yōu)化算法的進給系統(tǒng)lugre摩擦模型參數(shù)辨識方法，該方法在辨識精度和易用性上有明顯優(yōu)勢。

技術(shù)實現(xiàn)思路

1、針對現(xiàn)有技術(shù)的以上缺陷或改進需求，本發(fā)明提供了一種基于改進高斯群優(yōu)化算法的進給系統(tǒng)lugre摩擦模型參數(shù)辨識方法、系統(tǒng)、計算機可讀存儲介質(zhì)和計算機程序產(chǎn)品，其目的在于，解決現(xiàn)有l(wèi)ugre模型參數(shù)辨識困難，辨識精度低的問題。

2、為實現(xiàn)上述目的，按照本發(fā)明的一個方面，提供了一種基于改進高斯群優(yōu)化算法的進給系統(tǒng)lugre摩擦模型參數(shù)辨識方法，包括如下步驟：

3、(1)利用辨識激勵信號激勵進給系統(tǒng)并采集進給系統(tǒng)的運行數(shù)據(jù)；所述的運行數(shù)據(jù)為辨識激勵信號激勵下進給系統(tǒng)的速度、加速度和相應(yīng)的負載電流；

4、(2)將lugre模型參數(shù)劃分為滑動參數(shù)pslide＝{fs,fc,vs,σ2}和預(yù)滑動參數(shù)pstick＝{σ0,σ1}；其中，fc為庫倫摩擦力，fs為最大靜摩擦力，vs為stribeck速度，σ2是粘性阻尼系數(shù)，σ0為鬃毛剛度，σ1為鬃毛阻尼系數(shù)；

5、(3)構(gòu)造用于辨識滑動參數(shù)和預(yù)滑動參數(shù)的損失函數(shù)l1和l2；

6、(4)基于步驟(1)的運行數(shù)據(jù)，先使用高斯群優(yōu)化算法最小化損失函數(shù)l1，得到滑動參數(shù)pslide的辨識結(jié)果，然后將上述辨識結(jié)果代入損失函數(shù)l2，使用高斯群優(yōu)化算法最小化損失函數(shù)l2，得到預(yù)滑動參數(shù)pstick的辨識結(jié)果。

7、進一步地，步驟(1)所述的辨識激勵信號為為一種由截斷及平移的高斯函數(shù)拼接而成的速度信號，其數(shù)學(xué)表達式如下：

8、

9、其中，v(t)為關(guān)于時間t的辨識激勵信號，a和∑分別為高斯函數(shù)的幅值和方差，tv為v(t)的周期，v1(t)、v2(t)是截斷及平移后的兩個高斯函數(shù)，n＝0,1,2,...。

10、進一步地，利用運行數(shù)據(jù)，根據(jù)式(4)對進給系統(tǒng)的摩擦力進行計算：

11、

12、其中，ff為摩擦力，kt為電機轉(zhuǎn)矩常數(shù)，i為負載電流，j為進給系統(tǒng)等效總慣量，θ為電機軸轉(zhuǎn)角，為θ的二階導(dǎo)數(shù)，h為絲桿導(dǎo)程。

13、進一步地，步驟(2)所述的模型為lugre模型，數(shù)學(xué)表達式如下：

14、

15、其中，f是摩擦力，v是接觸面的相對運動速度，z是鬃毛形變，g(v)用于描述stribeck特性，sgn()為符號函數(shù)；

16、lugre模型的待辨識參數(shù)包括fc、fs、vs、σ0、σ1和σ2。進一步地，通過參數(shù)靈敏度分析，當系統(tǒng)進入宏觀滑動狀態(tài)時，摩擦力與{fs,fc,vs,σ2}相關(guān)性強，與{σ0,σ1}相關(guān)性不強，模型可等效為stribeck模型；故將摩擦參數(shù)劃分為滑動參數(shù)pslide＝{fs,fc,vs,σ2}，預(yù)滑動參數(shù)pstick＝{σ0,σ1}；

17、令φ為lugre模型，則

18、ff＝φ(v|pslide,pstick)?(8)

19、當系統(tǒng)進入滑動狀態(tài)時有

20、ff_slide＝φslide(vslide|pslide)?(9)

21、ff_slide為滑動狀態(tài)下的摩擦力，φslide為滑動狀態(tài)下的lugre模型，vslide為滑動狀態(tài)下接觸面的相對運動速度。

22、進一步地，步驟(4)所述的損失函數(shù)構(gòu)建如下：

23、辨識滑動參數(shù)pslide的損失函數(shù)l1：

24、

25、其中，m為{vslide,ff_slide}的數(shù)據(jù)長度，為估計摩擦力，上標(t)表示t時刻；

26、然后構(gòu)造用于辨識預(yù)滑動參數(shù)pstick的損失函數(shù)l2

27、

28、其中，k為{v,ff}的數(shù)據(jù)長度，為全程摩擦力。

29、進一步地，對高斯群優(yōu)化算法中的4個超參數(shù)的更新策略進行了改進；4個超參數(shù)分別為個體協(xié)方差矩陣系數(shù)pc1、隨機更新概率pc2、學(xué)習更新概率pc3和變異概率pc4；在每次迭代過程中分別根據(jù)式(27)～式(30)進行自適應(yīng)調(diào)整：

30、

31、其中，max_iter是最大迭代次數(shù)，c1是協(xié)方差因子，c2是隨機因子，c3是學(xué)習因子，c4是變異因子，c1、c2、c3和c4均為常數(shù)，β1、β2、β3和β4為常數(shù)，上標q是當前迭代次數(shù)。

32、按照本發(fā)明的另一方面，提供了一種基于改進高斯群優(yōu)化算法的進給系統(tǒng)lugre摩擦模型參數(shù)辨識系統(tǒng)，包括存儲器、處理器及存儲在存儲器上的計算機程序，所述處理器執(zhí)行所述計算機程序以實現(xiàn)如前任一項所述的基于改進高斯群優(yōu)化算法的進給系統(tǒng)lugre摩擦模型參數(shù)辨識方法的步驟。

33、按照本發(fā)明的另一方面，提供了一種計算機可讀存儲介質(zhì)，其上存儲有計算機程序/指令，該計算機程序被處理器執(zhí)行時實現(xiàn)如前任一項所述的基于改進高斯群優(yōu)化算法的進給系統(tǒng)lugre摩擦模型參數(shù)辨識方法的步驟。

34、按照本發(fā)明的另一方面，提供了一種計算機程序產(chǎn)品，包括計算機程序，該計算機程序被處理器執(zhí)行時實現(xiàn)如前任一項所述的基于改進高斯群優(yōu)化算法的進給系統(tǒng)lugre摩擦模型參數(shù)辨識方法的步驟。

35、總體而言，本發(fā)明所構(gòu)思的以上技術(shù)方案與現(xiàn)有技術(shù)相比，能夠取得下列有益效果。

36、(1)本發(fā)明的基于改進高斯群優(yōu)化算法的lugre模型參數(shù)辨識方法，將參數(shù)劃分為了滑動參數(shù)和預(yù)滑動參數(shù)，降低了參數(shù)辨識問題的復(fù)雜度。通過改進高斯群優(yōu)化算法先后對滑動參數(shù)和預(yù)滑動參數(shù)進行辨識，全程無需人為手動干預(yù)，自動實現(xiàn)辨識。

37、(2)本發(fā)明所提lugre模型參數(shù)辨識方法使用的改進高斯群優(yōu)化算法具有很強的優(yōu)化性能，可以實現(xiàn)更高精度的辨識。與高斯群優(yōu)化算法相比，改進的超參數(shù)自適應(yīng)更新策略可以更好的平衡算法探索與利用能力，避免陷入局部最優(yōu)的同時在迭代后期具有更強的利用能力，提高收斂精度提升收斂精度。

技術(shù)特征：

1.一種基于改進高斯群優(yōu)化算法的進給系統(tǒng)lugre摩擦模型參數(shù)辨識方法，其特征在于，包括如下步驟：

2.如權(quán)利要求1所述的一種基于改進高斯群優(yōu)化算法的進給系統(tǒng)lugre摩擦模型參數(shù)辨識方法，其特征在于，步驟(1)所述的辨識激勵信號為一種由截斷及平移的高斯函數(shù)拼接而成的速度信號，其數(shù)學(xué)表達式如下：

3.如權(quán)利要求1所述的一種基于改進高斯群優(yōu)化算法的進給系統(tǒng)lugre摩擦模型參數(shù)辨識方法，其特征在于，利用運行數(shù)據(jù)，根據(jù)式(4)對進給系統(tǒng)的摩擦力進行計算：

4.如權(quán)利要求3所述的一種基于改進高斯群優(yōu)化算法的進給系統(tǒng)lugre摩擦模型參數(shù)辨識方法，其特征在于，步驟(2)所述的模型為lugre模型，數(shù)學(xué)表達式如下：

5.如權(quán)利要求4所述的一種基于改進高斯群優(yōu)化算法的進給系統(tǒng)lugre摩擦模型參數(shù)辨識方法，其特征在于，通過參數(shù)靈敏度分析，當系統(tǒng)進入宏觀滑動狀態(tài)時，摩擦力與{fs,fc,vs,σ2}相關(guān)性強，與{σ0,σ1}相關(guān)性不強，模型可等效為stribeck模型；故將摩擦參數(shù)劃分為滑動參數(shù)pslide＝{fs,fc,vs,σ2}，預(yù)滑動參數(shù)pstick＝{σ0,σ1}；

6.如權(quán)利要求5所述的一種基于改進高斯群優(yōu)化算法的進給系統(tǒng)lugre摩擦模型參數(shù)辨識方法，其特征在于，步驟(4)所述的損失函數(shù)構(gòu)建如下：

7.如權(quán)利要求6所述的一種基于改進高斯群優(yōu)化算法的進給系統(tǒng)lugre摩擦模型參數(shù)辨識方法，其特征在于，對高斯群優(yōu)化算法中的4個超參數(shù)的更新策略進行了改進；4個超參數(shù)分別為個體協(xié)方差矩陣系數(shù)pc1、隨機更新概率pc2、學(xué)習更新概率pc3和變異概率pc4；在每次迭代過程中分別根據(jù)式(27)～式(30)進行自適應(yīng)調(diào)整：

8.一種基于改進高斯群優(yōu)化算法的進給系統(tǒng)lugre摩擦模型參數(shù)辨識系統(tǒng)，包括存儲器、處理器及存儲在存儲器上的計算機程序，其特征在于，所述處理器執(zhí)行所述計算機程序以實現(xiàn)權(quán)利要求1～7任一項所述的基于改進高斯群優(yōu)化算法的進給系統(tǒng)lugre摩擦模型參數(shù)辨識方法的步驟。

9.一種計算機可讀存儲介質(zhì)，其上存儲有計算機程序/指令，其特征在于，該計算機程序被處理器執(zhí)行時實現(xiàn)權(quán)利要求1～7任一項所述的基于改進高斯群優(yōu)化算法的進給系統(tǒng)lugre摩擦模型參數(shù)辨識方法的步驟。

10.一種計算機程序產(chǎn)品，包括計算機程序，其特征在于，該計算機程序被處理器執(zhí)行時實現(xiàn)權(quán)利要求1～7任一項所述的基于改進高斯群優(yōu)化算法的進給系統(tǒng)lugre摩擦模型參數(shù)辨識方法的步驟。

技術(shù)總結(jié)
本發(fā)明屬于系統(tǒng)參數(shù)辨識領(lǐng)域，涉及一種基于改進高斯群優(yōu)化算法的進給系統(tǒng)LuGre摩擦模型參數(shù)辨識方法、系統(tǒng)、計算機可讀存儲介質(zhì)和計算機程序產(chǎn)品，該方法包括：(1)利用辨識激勵信號激勵進給系統(tǒng)并采集進給系統(tǒng)的運行數(shù)據(jù)；所述的運行數(shù)據(jù)為辨識激勵信號激勵下進給系統(tǒng)的速度、加速度和相應(yīng)的負載電流；(2)將LuGre模型參數(shù)劃分為滑動參數(shù)和預(yù)滑動參數(shù)；(3)構(gòu)造用于辨識滑動參數(shù)和預(yù)滑動參數(shù)的損失函數(shù)；(4)基于步驟(1)的運行數(shù)據(jù)，先使用高斯群優(yōu)化算法最小化滑動參數(shù)的損失函數(shù)，再使用高斯群優(yōu)化算法最小化預(yù)滑動參數(shù)的損失函數(shù)，得到滑動參數(shù)和預(yù)滑動參數(shù)的辨識結(jié)果。本發(fā)明在辨識精度和易用性上有明顯優(yōu)勢。

技術(shù)研發(fā)人員：黃德海,楊建中,許光達,周會成,尤哲涵,李敏
受保護的技術(shù)使用者：華中科技大學(xué)
技術(shù)研發(fā)日：
技術(shù)公布日：2025/1/9