Data-Driven Modeling and Analysis of Transmission Error in Harmonic Drive Systems: Nonlinear Dynamics, Error Modeling, and Compensation Techniques
作者: Ju Wu
分类: cs.RO
发布日期: 2023-10-24
备注: arXiv admin comment: This artucle has been removed by arXiv administrators as the submitter did not have the rights to agree to the license at the time of submission
💡 一句话要点
提出数据驱动建模以解决谐波驱动系统传动误差问题
🎯 匹配领域: 支柱一：机器人控制 (Robot Control)
关键词: 谐波驱动系统 运动传动误差 数据驱动建模 非线性神经网络 补偿机制 机器人技术 高精度控制
📋 核心要点
- 现有谐波驱动系统在高精度应用中存在运动传动误差，影响其性能稳定性。
- 通过数据驱动的方法，构建非线性模型以提高运动误差的补偿效果，采用实验数据进行训练。
- 基于非线性神经网络的模型在预测准确率上超过98%，显著提升了系统的精度表现。
📝 摘要（中文）
谐波驱动系统（HDS）是一种高精度的机器人传动装置，具有体积小和高齿比的特点。然而，运动传动误差等问题影响了其精度表现。本文聚焦于HDS的数据驱动建模与分析，以改善运动误差补偿。背景部分介绍了HDS的机械特性、非线性属性及文献中的建模方法。通过拉格朗日方程推导HDS的动力学，实验在激烈条件下提供了展示确定性模式的训练数据。开发了多种线性和非线性模型，其中基于非线性神经网络的最佳模型在训练和验证数据集上的一步预测准确率超过98%。提出了一种现象学模型，将运动误差分为周期性纯部分和柔性部分，并分析了包括非线性模型预测控制和频率回路整形在内的新型补偿机制。主要贡献包括非线性动力学推导、数据驱动的柔性运动误差建模、可重复的实验设计及新型补偿机制和策略的提出。
🔬 方法详解
问题定义：本文旨在解决谐波驱动系统中的运动传动误差问题，现有方法在高动态条件下的补偿效果不足，导致精度下降。
核心思路：通过数据驱动的建模方法，利用实验数据训练非线性模型，以实现对运动误差的有效补偿，提升系统的整体性能。
技术框架：整体架构包括HDS动力学推导、数据采集与处理、模型训练与验证、误差补偿机制设计等主要模块。
关键创新：最重要的技术创新在于提出了一种基于非线性神经网络的建模方法，能够准确捕捉复杂的运动误差特性，与传统线性模型相比，具有更高的预测精度和适应性。
关键设计：在模型设计中，采用了特定的损失函数以优化预测效果，并通过实验验证了不同网络结构的性能，最终选择了最优的非线性神经网络架构。
🖼️ 关键图片
📊 实验亮点
实验结果显示，基于非线性神经网络的模型在训练和验证数据集上的一步预测准确率超过98%，相比传统线性模型，性能提升显著，展示了数据驱动建模在运动误差补偿中的有效性。
🎯 应用场景
该研究的潜在应用领域包括高精度机器人、自动化生产线及航空航天等领域，能够显著提升谐波驱动系统的精度和可靠性。未来，研究成果可为智能控制系统的设计提供理论支持，推动相关技术的发展与应用。
📄 摘要（原文）
Harmonic drive systems (HDS) are high-precision robotic transmissions featuring compact size and high gear ratios. However, issues like kinematic transmission errors hamper their precision performance. This article focuses on data-driven modeling and analysis of an HDS to improve kinematic error compensation. The background introduces HDS mechanics, nonlinear attributes, and modeling approaches from literature. The HDS dynamics are derived using Lagrange equations. Experiments under aggressive conditions provide training data exhibiting deterministic patterns. Various linear and nonlinear models have been developed. The best-performing model, based on a nonlinear neural network, achieves over 98\% accuracy for one-step predictions on both the training and validation data sets. A phenomenological model separates the kinematic error into a periodic pure part and flexible part. Apart from implementation of estimated transmission error injection compensation, novel compensation mechanisms policies for the kinematic error are analyzed and proposed, including nonlinear model predictive control and frequency loop-shaping. The feedback loop is analyzed to select the controller for vibration mitigation. Main contributions include the nonlinear dynamics derivation, data-driven nonlinear modeling of flexible kinematic errors, repeatable experiment design, and proposed novel compensation mechanism and policies. Future work involves using physics-informed neural networks, sensitivity analysis, full life-cycle monitoring, and extracting physical laws directly from data.