(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111561529.7 (22)申请日 2021.12.20 (71)申请人 中国科学院长春光学精密机 械与物 理研究所 地址 130033 吉林省长 春市东南湖大路 3888号 (72)发明人 朱明超　崔靖凯　徐振邦　李艳辉　 (74)专利代理 机构 长春众邦菁华知识产权代理 有限公司 2 2214 代理人 于晓庆 (51)Int.Cl. G06F 30/27(2020.01) G06N 3/12(2006.01) G06F 111/08(2020.01) G06F 119/14(2020.01) (54)发明名称 基于改进灰狼算法的机器人关节摩擦模型 参数辨识方法 (57)摘要 基于改进灰狼算法的机器人关节摩擦模型 参数辨识方法， 属于电机系统辨识领域， 包括建 立空载状态下机器人关节的摩 擦模型； 建立适应 度函数； 初始化种群， 输入种群规模、 问题维度、 最大迭代次数； 从量程下限逐步增大机器人关节 转速， 测量机器人关节在该转速下匀速转动时的 输出力矩； 通过改进灰狼算法， 对机器人关节摩 擦模型进行辨识， 得到模型参数。 改进灰狼算法 中的邻居效应策略提高灰狼算法的局部搜索能 力、 随机分散策略提高灰狼算法的全局搜索能 力、 协同进化机制平衡灰狼算法的探索和开发能 力。 本发明将灰狼算法应用于机器人关节摩擦模 型的辨识， 并通过改进灰狼算法有效地实现了摩 擦模型的辨识， 提高了辨识精度、 收敛速度和稳 定性。 权利要求书4页 说明书9页 附图3页 CN 114186498 A 2022.03.15 CN 114186498 A 1.基于改进灰狼算法的机器人关节摩擦模型参数辨识方法， 其特征在于， 包括以下步 骤： S1： 建立空载状态下机器人关节的摩擦模型； S2： 建立适应度函数； S3： 初始化种群， 输入种群规模、 问题维度、 最大迭代次数； S4： 从量程下限逐步增大机器人关节转速， 测量机器人关节在该转速下匀速转动时的 输出力矩； S5： 通过改进灰狼算法， 对机器人关节摩擦模型进行辨识， 得到模型参数。 2.根据权利要求1所述的基于改进灰狼算法的机器人关节摩擦模型参数辨识方法， 其 特征在于， 步骤S1中， 所建立的机器人关节摩擦模型如下： 其中， θ为电机转角， τmf为折算到电机端的摩擦力矩， z为鬃毛平均形变量， σ0为鬃毛刚 度， σ1为鬃毛阻尼系数， σ2为黏滞摩擦系数， 为Stribeck效应， Fc为库仑摩擦力， Fs为最大 静摩擦力， ωs为Stribeck速度， 为鬃毛形变量的变化 率， 为电机转速 。 3.根据权利要求2所述的基于改进灰狼算法的机器人关节摩擦模型参数辨识方法， 其 特征在于， 步骤S2中， 所建立的适应度函数公式如下： 其中， fi和fdi分别为第i个估计摩擦力和实际摩擦力， i ＝1， 2， ...， N， N为种群规模。 4.根据权利要求3所述的基于改进灰狼算法的机器人关节摩擦模型参数辨识方法， 其 特征在于， 步骤S3中， 在各辨识参数取值范围内生成随机数， 组成向量作为一个搜索代理， 公式如下： Xij＝rand×(ubj‑lbj)+lbj (26) 其中， rand为区间[0， 1]的随机数， ubj为第j个辨识参数的取值上限， lbj为第j个辨识参 数的取值下限； j＝1， 2， . ..， k， k为问题维度； i ＝1， 2， ...， N， N为种群规模。 5.根据权利要求4所述的基于改进灰狼算法的机器人关节摩擦模型参数辨识方法， 其 特征在于， 步骤S5中， 所述改进灰狼算法具有三个策略， 包括： 策略1： 邻居效应策略 权　利　要　求　书 1/4 页 2 CN 114186498 A 2其中， 为邻居效应引起的个体位置变化量， M为第i个个体的邻居， Ki和Kj分别 为第i个个体和第j个邻居的适应度值， Kworst和Kbest为当前种群中最好和最差的两个个体的 适应度值， Xi和Xj分别为第i个个体和第j个邻居的的位置， ε＝10‑8， 为个体i的感应 距离， N为种群规模， 邻居的定义为： 若两个个体的距离 小于感应距离 则 它们互为邻居； 为个体i和个体j的适应度差值， 为个体i和个体j的位置 差值； 策略2： 随机分散策略 其中， 为随机分散引起的个体位置变化量， Xm和Xn分别为当前种群中随机选 择的两个 个体， ρ ～N(0.5， 0.12)为随机数； 策略3： 协同进化机制 Ui＝Xa+F(Xb+Xc)  (19) 其中， α为GWO种群中最好的解， DE_best和DE_worst分别为DE种群中最好和最差的解， 和 分别为DE种群中最好和最差的解所对应的位置， 为DE种群中最 好的解所对应的适应度值， Kα为GWO种群中最好的解所对应的适应度值， Xa、 Xb和Xc分别为DE 种群中随机选择的三个个体， F为区间[0， 1]内的随机数， CR＝0.4为交叉概率， rand(j)为区 间[0， 1]的随机数， rnbr(i)为集合{1， 2， ...， k}的随机数， k为问题维度， t为迭代次数， Ui为 个体i的变异体， Vij为个体i的交叉体， Xij为个体i的第j个维度对应的参数值， Uij为变异体i 的第j个维度对应的参数值， X(t+1)为第t+1次迭代的个体i的位置， X(t)为第t次迭代的个 体i的位置， V(t)为第t次迭代交叉体 i的位置， KX为个体i的适应度值， KV为交叉体 i的适应度 值。 6.根据权利要求5所述的基于改进灰狼算法的机器人关节摩擦模型参数辨识方法， 其 特征在于， 所述策略3， 即协同进化机制包括以下步骤： (1)将初始种群复制两份， 一份作为DE算法的初始种群， 一份作为GWO算法的初始种群； (2)在DE算法中， 使用公式(19)～(21)更新种群， 根据 适应度函数公式计算每个个体的 适应度值， 并输出最 好的解DE_best和最差的解DE_w orst； (3)在GWO算法中， 使用传统灰狼算法和更新公式更新种群， 并输出最 好的解α； (4)比较两个种群中最好的解： 若DE种群中最好的解优于GWO种群中最好的解， 则令DE_ best替代GWO种群中的α； 否则， 令α 替代DE种群中的DE_worst； 同时使用公式(18)进行迁移 操作；权　利　要　求　书 2/4 页 3 CN 114186498 A 3