(19)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 202211004848.2 (22)申请日 2022.08.22 (71)申请人 桂林电子科技大 学 地址 541004 广西壮 族自治区桂林市七 星 区金鸡路1号 (72)发明人 党选举　覃创业　原翰玫　李晓　 张向文　伍锡如　张斌　季运佳　 邹水中　 (74)专利代理 机构 桂林市持衡专利商标事务所 有限公司 45107 专利代理师 陈跃琳 (51)Int.Cl. B25J 9/16(2006.01) (54)发明名称 一种基于CNN-LSTM的机器人气动夹持力的 建模估计方法 (57)摘要 本发明公开一种基于CNN ‑LSTM的机器人气 动夹持力的建模估计方法， 先通过对工业机器人 气动夹持控制系统的分析合理选择夹持力估计 模型的输入参数来体现系统的复杂迟滞非线性 特性， 再引入CNN特征提取层， 利用CNN优化LSTM 网络， 解决传统LS TM模型难以有效获取数据关联 特征的问题； 与传统电动爪控制的相比较， 该发 明是一种无传感器、 低成本的气动夹持力有效估 计方法。 权利要求书1页 说明书6页 附图2页 CN 115366101 A 2022.11.22 CN 115366101 A 1.一种基于 CNN‑LSTM的机器人气动夹持力的建模 估计方法， 其特 征是， 包括步骤如下： 步骤1、 构建CN N‑LSTM组合神经网络 夹持力估计模型； 该CNN‑LSTM组合神经网络夹持力 估计模型主要由改进的CNN神经网络和LSTM神经网络 组合而成； 改进的CNN神经网络的输入作为CNN ‑LSTM组合神经网络夹持力估计模 型的输入， 改进的CNN神经网络的输出连接LSTM神经网络的输入， LSTM神经网络的输出作为CNN ‑LSTM 组合神经网络 夹持力估计模型的输出； 步骤2、 先获取工业机器人气动夹持控制系统的输出气压和估计夹持力， 即t ‑1时刻输 出气压Pt‑1、 t时刻输出气压Pt、 t‑2时刻估计夹持力ht‑2和t‑1时刻估计夹持力ht‑1； 后利用t ‑ 2时刻估计夹持力ht‑2和t‑1时刻估计夹持力ht‑1计算估计夹持力变化增量E， 其中E＝ht‑1‑ ht‑2， E值正负体现迟滞特性正逆程特征； 后将这5个特征进行信号归一化处理后作为t时刻 模型输入向量Xt＝(Pt,Pt‑1,ht‑1,ht‑2,E)T； 步骤3、 将t时刻模型输入向量Xt送入到CNN ‑LSTM组合神经网络夹持力估计模型； 在CNN ‑ LSTM组合神经网络夹持力估计模 型中， 先通过2层卷积层 对模型输入向量提取数据特征， 再 利用展平层将提取的数据特征进 行展平， 后将展平的数据特征送入到LSTM神经网络进 行预 测， 估计得到t时刻模型输出向量ht即t时刻估计夹持力。 2.根据权利要求1所述的一种基于CNN ‑LSTM的机器人气动夹持力的建模估计方法， 步 骤1中， 改进的CNN神经网络包括输入层、 两层卷积层和展平层组成， 输入层的输入形成改进 的CNN神经网络的输入， 输入层的输出层的输出与第一层卷积层的输入连接， 第一层卷积层 的输出与第二层卷积层的输入连接， 第二层卷积层的输出与展平层的输入连接， 展平层的 输出形成改进的CN N神经网络的输出。 3.根据权利要求1所述的一种基于CNN ‑LSTM的机器人气动夹持力的建模估计方法， 其 特征是， 步骤1中， LSTM神经网络的数 学模型如下： ft＝σ(Wf,hht‑1+Wf,xxt+bf) it＝σ(Wi,hht‑1+Wi,xxt+bi) ot＝σ(Wo,hht‑1+Wo,xxt+bo) ht＝ot⊙tanh(Ct) 其中， ht‑1为t‑1时刻LSTM神经网络的输出即t ‑1时刻估计夹持力， xt为t时刻LSTM神经网 络的输入即t时刻展平的数据特征； ft为t时刻遗忘门的状态， Wf,h和Wf,x分别为遗忘门中与 ht‑1和xt对应的权值， bf为遗忘门的偏置； it为t时刻输入门的状态， Wi,h和Wi,x分别为输入门 中与ht‑1和xt对应的权值， bi为输入门的偏置； 为t时刻记忆单元的中间状态， Wc,h和Wc,x分 别为记忆单元中与ht‑1和xt对应的权值， bc为记忆单元的偏 置； ot为t时刻输出门的状态， Wo,h 和Wo,x分别为输出门中与ht‑1和xt对应的权值， bo为输出门的偏置； Ct为t时刻记忆单元的状 态， Ct‑1为t‑1时刻记忆单元的状态； ht为t时刻LSTM神经网络的输出即t时刻估计夹持力； ⊙ 为Hadamard乘积 操作； σ(x)为Sigmo id函数， tanh(x)为双曲正切函数。权　利　要　求　书 1/1 页 2 CN 115366101 A 2一种基于CN N‑LSTM的机 器人气动夹持力的建模估计方 法 技术领域 [0001]本发明涉及 工业机器人技术领域， 具体涉及一种基于CNN ‑LSTM的机器人气动夹持 力的建模 估计方法。 背景技术 [0002]随着工业4.0时代的不断发展， 气动系统以其清洁高效、 性价比高等优点， 被广泛 应用于工业机器人末端执行器中， 气动执行末端的工业机器人越来越广泛地应用于机械精 密制造、 交通运输、 化工等领域。 但由于气动执行末端的工业机器人存在复杂非线性， 工作 介质具有可压缩性、 易受环境干扰等特点， 这给工业机器人末端实现高精度夹持力控制带 来了较大的挑战。 此外， 采用夹持力检测是提高机器人系统性能的关键要 素， 而传统夹持力 检测方法通常依赖 于力传感器实现， 而这会 存在成本增 加、 易受电磁干扰等问题。 [0003]近年来， 针对机器人气动末端无传感器夹持力估计展开了研究。 例如， 有文献以气 动系统和机器人动力学模型为基础， 并考虑气动系统气路收缩和 膨胀的影响， 提出一种基 于系统机理模型 的无传感器夹持力估计方法； 有文献针对气动肌肉使能的机器人系统， 提 出一种基于 自适应增 益积分终端滑模控制的无传感器力估计方案。 此外， 为提高系统在扰 动下的估计效果， 又有文献提出了一种时变 自适应最优力估计方案， 其采用延时估计法对 系统中的非线性和扰动进 行近似估计， 以减少系统摩擦的影响。 然而， 由于气动系统易受环 境干扰， 系统模型参数具有时变性， 导致上述方法难以获取精确的模 型参数， 且模型计算复 杂。 [0004]为了克服这一缺点， 有文献针对机器人气动末端力估计问题， 提出一种基于神经 网络的夹持力估计方案， 利用神经网络建立夹持力与所输入的控制信号之间的关系模型， 该方法更简单有效， 但当气 压压力变化时， 模型的估计精度会降低。 由于气动夹持系统的非 线性特性， 使用单一神经网络的力估计方法难以达不到期望的效果。 为了提高夹持力估计 模型的精度， 有文献提出了一种基于遗传算法优化的神经网络夹持力估计方案； 有文献使 用PSO优化BP神经网络， 并结合联合扭矩扰动观测 器， 提出了一种夹持力估计方法。 虽然该 类方法相比单一网络而言， 可以提高估计精度， 但以上方法未考虑到气动系统特有的迟滞 强非线性特性， 限制了 夹持力估计精度的进一 步提高。 发明内容 [0005]本发明所要解决的是现有机器人气动夹持力建模估计精度不高的问题， 提供一种 基于CNN‑LSTM的机器人气动夹持力的建模 估计方法。 [0006]为解决上述问题， 本发明是通过以下技 术方案实现的： [0007]一种基于 CNN‑LSTM的机器人气动夹持力的建模 估计方法， 包括 步骤如下： [0008]步骤1、 构建CN N‑LSTM组合神经网络 夹持力估计模型； [0009]该CNN‑LSTM组合神经网络夹持力估计模型主要由改进的CNN神经 网络和LSTM神经 网络组合而成； 改进的CNN神经网络的输入作为CNN ‑LSTM组合神经网络夹持力估计模型的说　明　书 1/6 页 3 CN 115366101 A 3