要約
ハーモニック ドライブ システム (HDS) は、コンパクトなサイズと高いギア比を特徴とする高精度ロボット トランスミッションです。
ただし、運動学的伝達誤差などの問題により、精度のパフォーマンスが妨げられます。
この記事では、運動学的な誤差の補正を改善するための HDS のデータ駆動型モデリングと分析に焦点を当てています。
背景では、文献からの HDS メカニズム、非線形属性、モデリング アプローチを紹介します。
HDS ダイナミクスは、ラグランジュ方程式を使用して導出されます。
攻撃的な条件下での実験により、決定論的なパターンを示すトレーニング データが得られます。
さまざまな線形および非線形モデルが開発されています。
非線形ニューラル ネットワークに基づく最高のパフォーマンスのモデルは、トレーニング データ セットと検証データ セットの両方で 98\% 以上のワンステップ予測の精度を達成します。
現象論的モデルは、運動学的誤差を周期的な純粋な部分と柔軟な部分に分離します。
推定伝送誤差注入補償の実装とは別に、非線形モデル予測制御や周波数ループ整形など、運動学的誤差に対する新しい補償メカニズム ポリシーが分析および提案されます。
フィードバック ループを分析して、振動を軽減するコントローラーを選択します。
主な貢献には、非線形力学の導出、柔軟な運動学的誤差のデータ駆動型非線形モデリング、再現可能な実験設計、提案された新しい補償メカニズムとポリシーが含まれます。
今後の取り組みには、物理学に基づいたニューラル ネットワークの使用、感度分析、ライフサイクル全体のモニタリング、データからの物理法則の直接抽出が含まれます。
要約(オリジナル)
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.
arxiv情報
| 著者 | Ju Wu,Philippe Louis Schuchert,Alireza Karimi |
| 発行日 | 2023-10-24 14:30:45+00:00 |
| arxivサイト | arxiv_id(pdf) |
提供元, 利用サービス
arxiv.jp, Google