本發明屬于機電控制相關，更具體地，涉及一種基于逆模型的機電系統動力學參數識別方法及系統。

背景技術：

1、機電系統是指由機械裝置與電氣設備組成的系統，廣泛應用于自動化、機器人技術、航空航天、智能制造等領域。機電系統的性能與其動力學參數（如慣性、摩擦力、剛度、阻尼等）密切相關，直接影響系統的運動響應、穩定性、控制精度及抗干擾能力。對機電系統進行動力學參數識別，旨在通過觀測系統的輸入和輸出數據，識別模型中的未知動力學參數來提升系統的性能與可靠性。通過對機電系統進行準確的動力學參數識別，能夠有效提高系統的控制精度、響應速度、以及對不同工況的適應能力。

2、傳統參數識別方法通過構建數學模型并結合觀測數據來估計動力學參數值，主要包括最小二乘法、最大似然估計法等。然而，這些方法通常在假設系統模型線性或近似線性時使用，并且僅考慮誤差最小化，忽略了機電系統的復雜非線性特性，表現出對初始值依賴性強、對系統外部擾動敏感、計算復雜度高等不足。為克服傳統參數識別方法的不足，基于優化算法的參數識別方法通過使用遺傳算法、粒子群算法等優化算法尋找能夠最小化目標函數的最優動力學參數值，雖然能夠有效處理非線性問題，但在實際應用中往往存在收斂速度慢、易陷入局部最優等問題；基于數據驅動的參數識別方法通過機器學習算法擬合動力學參數值，能夠便捷處理非線性問題，但識別精度依賴于觀測數據的規模與質量，并且泛化性較差，工況變化時識別精度將大幅下降。

技術實現思路

1、針對現有技術的以上缺陷或改進需求，本發明提供了一種基于逆模型的機電系統動力學參數識別方法及系統，解決克服現有參數識別技術在處理具有強非線性特性的機電系統時計算效率低下、魯棒性差，且無法適應變工況場景的問題。

2、為實現上述目的，按照本發明的一個方面，提供了一種基于逆模型的機電系統動力學參數識別方法，該方法包括下列步驟：

3、將待處理機械臂中簡化為單軸機械臂，以此構建待處理機械臂關于轉動慣量的驅動力矩逆模型；

4、設置待處理機械臂的期望運動參數，采集待處理機械臂在該期望運動參數下運動時的實際運動參數，利用所述逆模型計算期望驅動力矩和實際驅動力矩；

5、利用期望驅動力矩和實際驅動力矩構建誤差函數，以待處理機械臂的實際轉動慣量為變量，誤差函數最小為目標構建優化模型，求解該優化模型獲得誤差函數最小時對應的實際轉動慣量，以此實現待處理機械臂的動力學參數的識別。

6、進一步優選地，所述驅動力矩逆模型如下：

7、；

8、其中，和是機械臂的關節驅動力矩和負載力矩， j是機械臂的額定關節轉動慣量， b是機械臂的關節摩擦系數， m和 l是機械臂的連桿質量和連桿長度， g是重力加速度，、和是機械臂的關節期望轉角、關節期望角速度和關節期望角加速度，由人為設定，和通過差分法獲得。

9、進一步優選地，所述將待處理機械臂簡化為單軸機械臂的方法為：將待處理機械臂的結構簡化為包括一個連桿和一個旋轉關節的單軸機械臂，多軸簡化為連桿末端的負載力矩。

10、進一步優選地，所述期望運動參數為連桿的期望轉角，期望角速度和期望角加速度，所述實際運動參數為連桿的實際轉角、實際角速度和實際角加速度。

11、進一步優選地，所述優化模型如下：

12、；

13、其中，和是機械臂的實際關節轉動慣量和其估計值， n是采樣點數量，下標 i表示第 i個采樣點，、和是機械臂的關節實際轉角、關節實際角速度和關節實際角加速度。

14、進一步優選地，所述求解所述優化模型采用梯度下降迭代法。

15、進一步優選地，所述梯度下降迭代法按照下列步驟進行：

16、（1）設定實際轉動慣量的初始值，計算誤差函數和梯度；

17、（2）更新轉動慣量估計值和學習率；

18、（3）重復步驟（2）直至達到預設迭代次數。

19、進一步優選地，所述更新轉動慣量按照下列公式進行：

20、；

21、其中， α是學習率，控制梯度下降法每次迭代的步長， k表示第 k次迭代，和分別表示第 k+1和 k次迭代時機械臂的實際關節轉動慣量的估計值，是的簡化形式，表示第 k次迭代時誤差函數對于求偏導得到的梯度。

22、按照本發明的另一個方面，提供了一種基于逆模型的機電系統動力學參數識別系統，該系統包括執行器，該執行器用于執行上述所述的一種基于逆模型的機電系統動力學參數識別方法。

23、按照本發明的又一個方面，提供了一種計算機可讀存儲介質，其中包括計算機程序，所述計算機程序被執行時實現上述所述的一種基于逆模型的機電系統動力學參數識別方法。

24、總體而言，通過本發明所構思的以上技術方案與現有技術相比，具備下列有益效果：

25、1.?本發明便是將逆模型技術應用在模型參數識別中，利用逆模型建立誤差最小優化模型，通過結合逆模型對系統輸出和輸入之間的非線性關系進行反向建模，有效消除傳統模型參數識別方法中非線性誤差傳播的影響，尤其適用于具有強非線性特性的機電系統，顯式地反映系統的核心物理規律，有助于降低冗余參數和外部擾動的干擾，具有較強的魯棒性和泛化性，在處理變工況場景時尤其具有優勢。

26、2.?本方法能夠有效提高識別精度，并顯著減少計算時間。傳統的機電系統參數識別方法通常依賴于觀測數據的數量與質量、迭代初始值的設置，且在處理具有強非線性特性的系統時容易受到非線性誤差累積和外部擾動的影響。通過結合逆模型對系統輸出和輸入之間的非線性關系進行反向建模，提供了一種更直觀、可解釋的模型框架，從而減少了傳統方法中非線性誤差傳播的影響，提高了參數識別的精度。此外，通過結合數值微分方法和逆模型，優化了計算過程，使得計算效率得到顯著提升，避免了不必要的冗余計算，從而縮短了整個參數識別過程的時間。

27、3.?本方法具有較強的魯棒性和適應性，尤其適用于變工況場景。傳統的參數識別方法在面對環境或工況變化時，往往需要重新進行模型訓練或者調整參數，導致識別精度下降或計算效率降低。而逆模型只對與系統狀態反饋相關的關鍵參數進行建模，基于逆模型的識別方法能夠通過構建逆模型消除工況變化和外部擾動帶來的干擾。通過這種方法，即使在復雜且動態變化的工況下也能保持良好的識別性能，確保在不同工作環境下依然能高效、準確地對機電系統進行動力學參數識別。

技術特征：

1.一種基于逆模型的機電系統動力學參數識別方法，其特征在于，該方法包括下列步驟：

2.如權利要求1所述的一種基于逆模型的機電系統動力學參數識別方法，其特征在于，所述驅動力矩逆模型如下：

3.如權利要求2所述的一種基于逆模型的機電系統動力學參數識別方法，其特征在于，所述將待處理機械臂簡化為單軸機械臂的方法為：將待處理機械臂的結構簡化為包括一個連桿和一個旋轉關節的單軸機械臂，多軸簡化為連桿末端的負載力矩。

4.如權利要求1或2所述的一種基于逆模型的機電系統動力學參數識別方法，其特征在于，所述期望運動參數為連桿的期望轉角，期望角速度和期望角加速度，所述實際運動參數為連桿的實際轉角、實際角速度和實際角加速度。

5.如權利要求1或2所述的一種基于逆模型的機電系統動力學參數識別方法，其特征在于，所述優化模型如下：

6.如權利要求1或2所述的一種基于逆模型的機電系統動力學參數識別方法，其特征在于，所述求解所述優化模型采用梯度下降迭代法。

7.如權利要求6所述的一種基于逆模型的機電系統動力學參數識別方法，其特征在于，所述梯度下降迭代法按照下列步驟進行：

8.如權利要求7所述的一種基于逆模型的機電系統動力學參數識別方法，其特征在于，所述更新轉動慣量按照下列公式進行：

9.一種基于逆模型的機電系統動力學參數識別系統，其特征在于，該系統包括執行器，該執行器用于執行權利要求1-8任一項所述的一種基于逆模型的機電系統動力學參數識別方法。

10.一種計算機可讀存儲介質，其中包括計算機程序，其特征在于，所述計算機程序被執行時實現權利要求1-8任一項所述的一種基于逆模型的機電系統動力學參數識別方法。

技術總結
本發明屬于機電控制相關技術領域，并公開了一種基于逆模型的機電系統動力學參數識別方法及系統。該方法包括下列步驟：構建待處理機械臂的驅動力矩逆模型；采集待處理機械臂在該期望運動參數下運動時的實際運動參數，利用所述逆模型計算期望驅動力矩和實際驅動力矩；利用期望驅動力矩和實際驅動力矩構建誤差函數，以待處理機械臂的實際轉動慣量為變量，誤差函數最小為目標構建優化模型，求解該優化模型獲得誤差函數最小時對應的實際轉動慣量，以此實現待處理機械臂的動力學參數的識別。通過本發明，解決克服現有參數識別技術在處理具有強非線性特性的機電系統時計算效率低下、魯棒性差，且無法適應變工況場景的問題。

技術研發人員：黃磊,劉笑炎,上官端森,陳立平
受保護的技術使用者：華中科技大學
技術研發日：
技術公布日：2025/4/28