下肢外骨骼康复机器人的动力学建模及神经网络辨识仿真

下肢外骨骼康复机器人的动力学建模及神经网络辨识仿真 下肢外骨骼康复机器人的动力学建模及神经网络辨识 仿真 第 期 机械设计与制造 年 月下肢外骨骼康复机器人的动力学建模及 神经网络辨识仿真 陈贵亮,李长鹏,赵月,刘更谦 河北工业大学机械学院,天津 摘要:针对下肢外骨骼康复机器人的灵敏度放大控制需要精确逆动力学模型的问题,通过软件建立精确的 三维实体模型,联合/建立下肢外骨骼康复机器人的动力学模型,以角度、角速度和角加速度作为输 入信号,输出信号为髋、膝关节力矩,进行逆动力学仿真分析。将仿真后的输入输出数据利用神经网络进行训练并获 得外骨骼逆动力学动态数学模型。仿真结果表明,该方法可以获得下肢外骨骼康复机器人精确的模型,并为进一步的实 现外骨骼的灵敏度放大控制提供保证。 关键词:下肢外骨能康复机器人:神经网络:/;;逆动力学 中图分类号:; 文献标识码: 文章编号:?一 , ?, , , 。 .: ‖?删/ , , 咖,珊孔站 , 以帆脚幽。,妒山.池咖 . ’妒眦/印眦口 ?. .帆 ,,, : ; ;;; 黜 别进行控制并处理之间的协调关系。康复训练过程中,健肢需要 引言 进行不受外在干扰的患者主动训练;患肢则要经过被动、助力、主 针对人体下肢康复训练问题,以现代康复医学理论、脑卒中 动及抗阻康复训练模式。传统的外骨骼机器人需要在患者与外骨 患者肢体康复机理和方法为理论基础,对患者下肢康复训练的作 骼机器人之间安置大量的传感器如力传感器、肌电传感器等来 用和效果进行了系统深入地研究,并提出下肢康复机器人被动、 测量人机之间的交互信息,大大降低了患者训练过程中的舒适 助力、主动及抗阻康复训练模式。依据、运动康复 ,方法 度。灵敏度放大控制 治疗技术提出了患者主动训练模式,其主要目的是在肢体能够实 则不需要在人机之间安置任何传感器,同时又能控制外骨骼机器 现基本运动功能之后,实现患者腿部共同运动到精细动作的分 人跟随患者运动【。 离,患者主动参与对关节的灵活点和身体协调度的训练,便可以 然而,控制器需要获得严格的系统动态模型但外骨骼 抑制其偶尔发生的异常肢体运动。同肘,该摸式下患者与外骨骼 之间维持一定小范围内的相互作用力.此时外骨骼与患者的运动 康复机器 人是一个多刚体、多自由度的非线性系统,利用常规的 数据相同,通过外骨骼上安装的角度传感器及力传感器等检查装 动力学建模方法无法建立其准确的数学模型,同时构建 置,可于对患者进行康复评价。 模型时,计算量大不易实现,而可以通过将连抒、 下肢外骨骼康复机器人系统主要针对的是因患脑卒中而导 关节等机械部件用带有质量惯量特性和坐标系的模块表示出来, 致的偏瘫患者进行康复训练,所以需要对外骨骼的左腿和右腿分 构成完整的机构模型。神经网络 来稿日期:? 作者简介:陈贵亮.一,男,河北人,高级工程师,丁学博士,主要研究方向:机 器人技术及应用 万方数据 第期 陈贵亮等:下肢外骨骼康复机器人的动力学建模及神经网络辨识仿真 可以通过能够反映系统特征输入输出的数据以任意精度逼近任 输出为角 度、角速度和角加速度时,采用神经网络训练出的 意非线性映射,并经过训练得到系统精确的数学模型。 动态模型即为系统的 正模型;当输入信号为角度、角速度和角加 速度,输出为关节力矩时,即为系统的逆模型。文献同中针对骨骼 下肢外骨骼康复机器人动力学建模及 服的摆动腿给定运动轨迹为各种不同幅值不同频率的随机正弦 仿真 信号的组合,并保证关节角度的变化在人体正常人运动的角度范 如图所示,下肢外骨骼机器人大腿杆绕点,转动,长 围内。鉴于下肢外骨骼康复机器人与骨骼服之间在工作环境和任 度为。,与竖直垂线之间的夹角为髋关节角.;小腿杆绕点:转 务目的的区别,通过从人体运动仿真软件获取正常人 动,长度为,与大腿杆延长线的夹角为膝关节角:。根据以上下 的关节数据,并用拟合成数学模型作为人体步行过程中 支夕骨骼康复机器人系统的物理模型,可为其建立完整的拉格朗 髋、膝关节的标准变化轨迹作为输入信号,下肢外骨骼机器人右 日动力学方程为: 腿逆动力学仿真模型,如图所示。 ,百可【日,每,每 式中:,,.×维关节角度、角速度、角加速度矢量;排用 在关节上的维转矩矢量,康复机器人系统中参数 为维对称正定惯量矩阵;,?×维向心力转矩 和哥氏力转矩矢量;?维重力矢量。 一’,’? ???????? 掣母鑫势毒鲁虽专曹蠡昏挺 电机膝 ? ? 口‘ ?? ?自装扳 ’? ‘ 口 ?一 ? ? 墨 ’九 ? ?:? ? ? ’~? ? 目 一 ’’, ? ’四 .:?. ’? ?? ???, 一? ?‘?’ ? ? ’四?’ ? ’一 图外骨骼右腿模型 ’?’ ? ’??‘? ? ’ . ’“.? 一 ?四 【 【 图外骨骼右腿结构简图及其虚拟样机模型 . 目前,作为一种计算和仿真软件,在机器人技术中具 有很大的优势并得到了广泛的应用,不仅扩展了 图基于的逆动力学模型 的建模能力,而且建立的模型可以相互融合,实现对机 .器人系统进行动态性能分析和设计的目的。 框图的建立可以通过两种途径:根据简化 ??愫天 模型在 中拖拽相应的模块进行连接,建立 框图;在软件中装入连接插件,将模型直接转换成. 文件,从而直接得到框图。由于需要获得下肢 外骨骼康复机器人精确的逆动力学模型,因此采用第二种方法获 得框图。 二/一 一。 .一’ 根据课题中设计的下肢外骨骼康复机器人机构各构件尺寸 参数,采用软件建立实体模型,然后根据各构件之间 。 的连接关系建立如图所示的机构装配体并为机构各部件添 步态岗期数掂集 .’ 加材料圈。另存为.格式文件后,系统后台自动启动 图逆动力学模型的输出 力矩 . 并在其中输人,之后在弹出的对话框,选择转化 仿真结果,如图所示。横轴为一个步态周期中采样点 的.文件,该模型转化为中的模型, 数,纵轴为髋、膝关节的输出力矩,起步阶段存在较大的瞬时关节 并创建大腿杆、小腿杆及踝关节和脚底板三个子系统。下肢外骨 力矩,为了使通过训练得到的数学模型更能表现外骨骼机械腿在 骼康复机器人右腿的动力学模型,如图所示。 中包含模块集模块集和 康复训练过程中的动态响应,仿真过程中的数据集 包含个采 模块集等,选择驱动模块 和关节传感器 样点,将其起始阶段的 个数据点去 掉作为神经网络的原 模块 添加到外骨骼模型中,当输入信号为关节力矩, 始数据。 万方数据. . 机械设计与制造 层各单元的训练误差:。 外骨骼机器人逆动力学模型辨识仿真 . 神经网络 :??‰:一。:,,?, 神经网络由输入层、隐含层一个或多个及输出层组 成,各层的神经元之间全互连接,但同一层之间不存在连接,是一 利用输出层各单元的训练误差与隐含层各单元的输 个多层前馈神经网络,其结构,如图所示。可以完成对任意有理 出蜮来修正连接权埘。和阈值。 函数的逼近,而通过增加网络的层数及各层的神经元数可以增加 ?,《《 网络的精度。针对下肢外骨骼康复机器人的动力学模型进行分 析,该模型是一个连续的非线性有理函数,因此采用三层神 。一。?叼《 经网络完成逆动力学模型输入到输出的映射,建立外骨骼训练过 式中:,,?,,,,?,,?学习率。 程中的逆动力学模型。 利用隐含层各单元的训练误差:,输入层单元的输入样 输入层 隐含层 输出层 本来修正连接权埘。和阈值.。 ?%,班:茸/: 其中,扛,,?,,,,?, 当样本集中的所有样本都经历了~步后,即完成 了一个训练周期,计算性能指标。图神经网络结构示意图 肚善乓委【妻矗 . 如果性能指标满足精度要求,即,那么训练结束,否 三层神经网络的算法过程如下: 则,转到,继续下一个训练周期。占是小的正数,根据实际情况 设置权值和阈值的初始值为区间一 内的随机值,即输 而定,例如。 入层到隐含层的连接权值埘。,隐含层各神经元的阈值.,隐含层 依据拉格朗日动力学法建立了外骨骼的逆动力学模型,输 到输出层胁。,输出层各神经元的阈值。。 入为髋和膝关节的关节角度、角速度及角加速度,输出为髋和膝 关节的关节力矩。因此,三层神经网络中输入层包含个神 随机选取一组网络输入和目标样本声式,莲,?,蠢、矿 经元,输出层包含个神经元。针对神经网络隐含层神经元 ,戎,?,,:提供给网络,其中,,,?为样本数据个数, 数量的选择目前缺乏理论指导,许多学者的经验表明选择尽量少 和分别为输入层和输出层神经元个数。 的节点数能够实现尽量好的泛化能力,可参考文献内中使用的经 用随机选择的网络输入样本、连接权和阈值计算各个网 验公式选取,即: 络层单元的输入,然后通过传递函数计算各个网络层单元的实际 ,? 输出::/. ?..一, 隐含层: 式中:凡?输入层神经元数目;卜输出层神经元数目。计算后隐含 层神经元数为,为提高网络的精度增加至。 :?‰茁一矧川一, 神经网络仿真 《钒。 ..数据处理 输出层: 数据归一化,即把数变为,之间的小数,其目的是为了 数据处理方便提出来的,把数据映射到一范围之内处理.更加 《 .,?, 菇? 扼三 ‘~。 一。 一, 便捷快速。归一化采用的方法为网: 、叶 。,,?, 天:?骁粤粤百 %爿死 一;了二;吾 其中,隐含层输入和输出向量为,,:,?。坛和 式中:、?样本数据的最大值和最小值;卜归一化 ,%,,输出层输入和输出向量为,,,。和 之后的影响因子值。 数据乱序及分类处理,即将采集的原始数据打乱其顺序,从 ,,?,。。 新的数据集中分别抽取%的训练数据、%的变量数据和% 利用神经网络的目标向量和网络的实际输出向量,计算 的测试数据。 输出层各单元的训练误差。 ..网络建立及训练 ,莲了《:。, 网络输入信号为髋和膝关节的角度、角速度和角加速度,输 利用连接权、输出层训练误差和隐含层的输出计算隐含 出为髋和膝关节的 关节力矩,应用函数建立,阿络的结 万方数据 “. . 机械设计与制造 关节训练数据、变量数据和测试数据的目标力矩数据与三层 构为一一,即输入层、输出层和隐含层神经元数目分别为、 神经网络的输出力矩数据对比图,如图、图所示。 和。设置网络参数:训练函数选为“”,输入层到隐含层 由图、图可以看出仿真效果十分理想,髋关节力矩及膝 和隐含层到输出成的传输函数选择“”,训练次数为, 关节力矩在各自三组数据上的拟合效果很好。因此,利用三层 训练目标设为,学习率设为.,网络训练的算法为 神经网络拟合出的下肢外骨骼康复机器人的逆动力学模型符合 算法。训练后得到的训练、验证和测试误差 实际应用的要求,可以应用到控制器中。 曲线,如图所示。 网络结构中输入层到隐含层的连接权值埘。,隐含层各神经 元的阈值。,隐含层到输出层胁。,输出层各神经元的阈值。。 结论 依据下肢外骨骼康复机器人的机构设计参数,通.吐 建立了精确的三维实体模型.利用工具箱建立了 外骨骼的动力学模型,以关节角度、角速度和角加速度作为输入, 关节力矩作为输出进行逆动力学仿真。相对于传统的动力学建模 一兰吕一警芒丑焉宝?日。至 方法,采用将输入输出数据利用三层神经网络 进行训练的方 法,可以建立系统精确的逆动力学的动态数学模型。仿真实验结 果表明,当下肢外骨骼康复机器人进行患者主动模式和抗阻模式 、 康复训练时,能够保证灵敏度放大控制器的控制精度。 图训练误差、验证误差、测试误差曲线 参考文献 、 、 . . . 网络的训练过程中训练误差、验证误差和测试误差三条曲 ,. : 线的变化过程,如图所示。经过步的训练后网络误差基本 . ’ .: 达到要求。 ,. ..网络仿真 薛定字,陈阳泉.基于/的系统仿真技术与应用. 北京:清华大学出版社,:. , . /.: : ?.:. ’ 胡铁松.神经网络预测与优化.大连:大连海事大学出版社,. 路 妊 . .: 妊最 ,. 担 :型 谢红,施炜.用计算机软件进行装配体三维设计.机械 籍 设计与制造,:.? , .. & .:?. 顾文锦,朱字光,杨智勇.下肢骨骼服全过程运动控制研究控制工 图髋关节日标力矩与网络输出力矩曲线 程,,:. ., . . , ,:. ,, ,三 .?:?, 基 //. 蠹 ? .,,. 正 付秀琢,土兆辉.基于实例改进的算法的联合应用山东交通学 “ 塑 院学报.,:?. ?. , ,, :. 步态周期数瓠;集 柳小桐.神经网络输入层数据归一化研究.机械工程与自动化. 图膝关节目标力矩与网络输出力矩曲线 。:?. ..对建立的三层神经网络的响应进行分析,将训练数据、 .。,: 验证数据和测试数据放在一个数据集中,绘制网络,髋关节和膝 . 万方数据