本發(fā)明涉及關(guān)節(jié)模組校準，尤其涉及一種機器人一體化關(guān)節(jié)雙編碼器的校準方法及系統(tǒng)。

背景技術(shù)：

1、在工業(yè)自動化領(lǐng)域，機器人一體化關(guān)節(jié)的精準控制是確保生產(chǎn)效率和產(chǎn)品質(zhì)量的關(guān)鍵要素之一。然而，傳統(tǒng)校準方法往往面臨著諸多挑戰(zhàn)，尤其是在機器人關(guān)節(jié)的編碼器校準方面。傳統(tǒng)方法通常依賴于人工檢查和頻繁的拆裝操作，這一過程不僅耗時且費力，還可能對機器人關(guān)節(jié)造成額外的損傷，影響其長期性能和穩(wěn)定性。此外，人工校準的主觀性和不一致性也限制了校準的準確性和效率，增加了維護成本，降低了生產(chǎn)效率。

2、傳統(tǒng)校準流程通常包括以下步驟：首先，需要將機器人關(guān)節(jié)拆卸，以便于直接接觸和調(diào)整編碼器；然后，使用標準工具或設(shè)備對關(guān)節(jié)角度進行測量，并與編碼器讀數(shù)進行對比，識別偏差；最后，根據(jù)偏差調(diào)整編碼器的參數(shù)，再重新組裝關(guān)節(jié)。這一系列操作不僅繁瑣，而且在頻繁拆裝過程中，可能會導致關(guān)節(jié)內(nèi)部組件的松動或損壞，從而影響機器人的整體性能。

技術(shù)實現(xiàn)思路

1、為了解決上述提出的至少一個技術(shù)問題，本發(fā)明提供一種機器人一體化關(guān)節(jié)雙編碼器的校準，通過實施預設(shè)轉(zhuǎn)速下的數(shù)據(jù)采集、基于關(guān)節(jié)減速比的角度差值計算、閾值分析與智能決策等關(guān)鍵技術(shù)手段，能夠在不拆卸關(guān)節(jié)的情況下，精準識別并校正編碼器的偏差，極大地提高了校準的準確性和效率。

2、一方面，本發(fā)明提供了一種機器人一體化關(guān)節(jié)雙編碼器的校準方法，所述方法包括：

3、以預設(shè)的轉(zhuǎn)速對關(guān)節(jié)進行旋轉(zhuǎn)，采集標準關(guān)節(jié)角度曲線、第一編碼器輸出的第一角度曲線和第二編碼器輸出的第二角度曲線，所述第一編碼器位于關(guān)節(jié)輸出側(cè)，所述第二編碼器位于電機側(cè)；

4、基于預設(shè)的關(guān)節(jié)減速比，分別計算所述標準關(guān)節(jié)角度曲線與第一角度曲線和第二角度曲線的差值，得到第一角度差值曲線和第二角度差值曲線，根據(jù)所述第一角度差值曲線和所述第二角度差值曲線，得到平均角度差值曲線；

5、計算所述平均角度差值曲線中大于預設(shè)的第一閾值的占比，當所述占比處于預設(shè)的非拆卸校準閾值區(qū)間時，根據(jù)所述第一角度差值曲線和所述第二角度差值曲線并采用預訓練好的編碼器校準模型對所述第一編碼器和所述第二編碼器進行非拆卸校準，當所述占比大于所述非拆卸校準閾值區(qū)間的最大值時，對所述第一編碼器和所述第二編碼器重新進行安裝并校準。

6、優(yōu)選地，所述基于預設(shè)的關(guān)節(jié)減速比，分別計算所述標準關(guān)節(jié)角度曲線與第一角度曲線和第二角度曲線的差值，得到第一角度差值曲線和第二角度差值曲線，包括：

7、將所述標準關(guān)節(jié)角度曲線與所述第一角度曲線進行逐點作差處理，得到第一角度差值曲線，將所述第二角度曲線逐點乘以預設(shè)的減速比，并將所述標準關(guān)節(jié)角度曲線與乘積結(jié)果進行所述逐點作差處理，得到第二角度差值曲線。

8、優(yōu)選地，所述根據(jù)所述第一角度差值曲線和所述第二角度差值曲線并采用預訓練好的編碼器校準模型對所述第一編碼器和所述第二編碼器進行非拆卸校準之前，還包括訓練編碼器校準模型，具體包括：

9、在多種不同工作速度下，采集機器人關(guān)節(jié)的運行參數(shù)；

10、基于所述運行參數(shù)設(shè)計損失函數(shù)并通過優(yōu)化函數(shù)訓練基于神經(jīng)網(wǎng)絡(luò)模型的所述編碼器校準模型；其中運行參數(shù)至少包括標準角度、關(guān)節(jié)轉(zhuǎn)動速度、第一編碼器角度和第二編碼器角度。

11、優(yōu)選地，所述神經(jīng)網(wǎng)絡(luò)模型采用lstm網(wǎng)絡(luò)模型，所述lstm網(wǎng)絡(luò)模型為stl-lstm網(wǎng)絡(luò)模型，所述stl-lstm網(wǎng)絡(luò)模型由兩層stl-lstm網(wǎng)絡(luò)組成，每層stl-lstm網(wǎng)絡(luò)包含兩個lstm網(wǎng)絡(luò)和一個全連接層；

12、將提取的特征傳進第一層stl-lstm網(wǎng)絡(luò)中的兩個lstm網(wǎng)絡(luò)，分別訓練兩個lstm網(wǎng)絡(luò)，將兩個lstm網(wǎng)絡(luò)的輸出分別輸入到對應的全連接層進行融合，得到第一融合數(shù)據(jù)；

13、將所述第一融合數(shù)據(jù)分別傳入第二層stl-lstm網(wǎng)絡(luò)中兩個lstm網(wǎng)絡(luò)，訓練兩個lstm網(wǎng)絡(luò)，將兩個lstm網(wǎng)絡(luò)的輸出分別輸入到對應的全連接層進行融合，進行不斷迭代，直至模型收斂得到所述編碼器校準模型；

14、采用反向傳播算法獲取與所述優(yōu)化函數(shù)對應的梯度，采用梯度下降法優(yōu)化所述編碼器校準模型的網(wǎng)絡(luò)參數(shù)。

15、優(yōu)選地，所述標準角度基于時間周期計算公式計算得到，所述時間周期計算公式表示為：

16、，

17、式中，表示標準角度，表示測量時間，表示關(guān)節(jié)旋轉(zhuǎn)一周所需時間。

18、優(yōu)選地，所述根據(jù)所述第一角度差值曲線和所述第二角度差值曲線并采用預訓練好的編碼器校準模型對所述第一編碼器和所述第二編碼器進行非拆卸校準，包括：

19、將所述第一角度差值曲線和所述第二角度差值曲線作為輸入，通過所述編碼器校準模型輸出校正系數(shù)，所述校正系數(shù)包括第一校正系數(shù)和第二校正系數(shù)，基于所述第一校正系數(shù)調(diào)整所述第一編碼器的讀數(shù)，基于所述第二校正系數(shù)調(diào)整所述第二編碼器的讀數(shù)。

20、優(yōu)選地，所述根據(jù)所述第一角度差值曲線和所述第二角度差值曲線并采用預訓練好的編碼器校準模型對所述第一編碼器和所述第二編碼器進行非拆卸校準之后，還包括對校準效果進行評估，具體包括：

21、采用已校準的所述第一編碼器和所述第二編碼器進行多次重復的關(guān)節(jié)旋轉(zhuǎn)測試，采集新的第一角度曲線、第二角度曲線以及標準關(guān)節(jié)角度曲線，計算新的所述第一角度差值曲線和所述第二角度差值曲線；

22、比較新舊角度差值曲線的均方根誤差，判斷新角度差值曲線的均方根誤差是否低于預設(shè)的校準效果閾值，若是則判定校準成功；若否則重新執(zhí)行校準流程。

23、第二方面，本發(fā)明提供了一種機器人一體化關(guān)節(jié)雙編碼器的校準系統(tǒng)，所述系統(tǒng)包括：

24、數(shù)據(jù)獲取模塊，用于以預設(shè)的轉(zhuǎn)速對關(guān)節(jié)進行旋轉(zhuǎn)，采集標準關(guān)節(jié)角度曲線、第一編碼器輸出的第一角度曲線和第二編碼器輸出的第二角度曲線，所述第一編碼器位于關(guān)節(jié)輸出側(cè)，所述第二編碼器位于電機側(cè)；

25、數(shù)據(jù)比對模塊，用于基于預設(shè)的關(guān)節(jié)減速比，分別計算所述標準關(guān)節(jié)角度曲線與第一角度曲線和第二角度曲線的差值，得到第一角度差值曲線和第二角度差值曲線，根據(jù)所述第一角度差值曲線和所述第二角度差值曲線，得到平均角度差值曲線；

26、編碼器校準模塊，用于計算所述平均角度差值曲線中大于預設(shè)的第一閾值的占比，當所述占比處于預設(shè)的非拆卸校準閾值區(qū)間時，根據(jù)所述第一角度差值曲線和所述第二角度差值曲線并采用預訓練好的編碼器校準模型對所述第一編碼器和所述第二編碼器進行非拆卸校準，當所述占比大于所述非拆卸校準閾值區(qū)間的最大值時，對所述第一編碼器和所述第二編碼器重新進行安裝并校準。

27、優(yōu)選地，所述系統(tǒng)還包括模型訓練模塊，所述模型訓練模塊包括：

28、數(shù)據(jù)采集單元，用于在多種不同工作速度下，采集機器人關(guān)節(jié)的運行參數(shù)；

29、模型訓練單元，用于基于所述運行參數(shù)設(shè)計損失函數(shù)并通過優(yōu)化函數(shù)訓練基于神經(jīng)網(wǎng)絡(luò)模型的所述編碼器校準模型；其中運行參數(shù)至少包括標準角度、關(guān)節(jié)轉(zhuǎn)動速度、第一編碼器角度和第二編碼器角度。

30、優(yōu)選地，所述系統(tǒng)還包括校準評估模塊，所述校準評估模塊：

31、差值曲線計算單元，用于采用已校準的所述第一編碼器和所述第二編碼器進行多次重復的關(guān)節(jié)旋轉(zhuǎn)測試，采集新的第一角度曲線、第二角度曲線以及標準關(guān)節(jié)角度曲線，計算新的所述平均角度差值曲線；

32、差值曲線比對單元，用于比較新的所述平均角度差值曲線的均方根誤差，判斷所述均方根誤差是否低于預設(shè)的校準效果閾值，若是則判定校準成功；若否則重新執(zhí)行校準流程。

33、本發(fā)明的有益效果在于：

34、（1）傳統(tǒng)校準方法依賴于人工檢查，而本發(fā)明避免了傳統(tǒng)校準方法中頻繁的拆裝操作，有效減少了由此帶來的額外損傷風險和高昂的維護成本，通過實施預設(shè)轉(zhuǎn)速下的數(shù)據(jù)采集、基于關(guān)節(jié)減速比的角度差值計算、閾值分析與智能決策等關(guān)鍵技術(shù)手段，能夠在不拆卸關(guān)節(jié)的情況下，精準識別并校正編碼器的偏差，極大地提高了校準的準確性和效率；

35、（2）本發(fā)明基于神經(jīng)網(wǎng)絡(luò)的智能校準模型能夠更加精準地識別和修正編碼器的偏差，顯著提升機器人關(guān)節(jié)的定位精度和系統(tǒng)的整體可靠性，進一步的，通過在多種工作條件下訓練模型，使得校準模型具備良好的泛化能力，能夠自動適應不同的工作環(huán)境和速度，提高機器人關(guān)節(jié)的運行穩(wěn)定性；

36、（3）本發(fā)明通過基于時間周期計算公式的標準角度確定方法，可以更準確地掌握關(guān)節(jié)的實際位置，從而提升編碼器的校準精度，進而提高機器人關(guān)節(jié)的定位精度，進一步的，定期進行基于時間周期計算公式的校準，可以及時發(fā)現(xiàn)并糾正編碼器的偏差，預防潛在的運行不穩(wěn)定，增強系統(tǒng)的整體穩(wěn)定性。