本发明涉及stewart平台的控制领域，特别涉及一种以六维力传感器作为采集元件、通过神经网络实现的stewart平台的主动柔顺控制策略。本发明可为飞行模拟器、自动控制、并联机床、材料性能测试等领域所涉及的stewart平台的加载、定位等技术范畴，提供一种简便的主动柔顺控制方式。
背景技术：
并联机构，即通过两个以上的独立的运动链将动平台与定平台进行连接，形成一种以并联方式进行驱动控制的闭环机构。并联机构的出现可以回溯至20世纪30年代。其中六自由度平台作为并联机器人机构中的一个分支，是国内外学者研究最多的并联机构。最早有关并联六自由度机构的文章由stewart.d于1965年发表，起初设计用于轮胎测试，后又将这类机械结构置于飞机模拟装置中作为飞行模拟器，因而这种运动机构又称为stewart机构。该机构由动平台和静平台组成，二者之间通过一个旋转副和一个万向节组成的四连杆机构进行的连接。并联机构具有承载能力大、微动精度高、运动负荷小的特点，且与串联机构相比，具有更大的刚度，结构稳定。在位置求解上，串联机构正解容易，但反解十分困难，而并联机构正解困难反解却非常容易。因此，目前对于并联六自由度机构的理论研究，主要集中于机构学、运动学、动力学和控制策略研究等领域，涉及到如输入运动信号的“洗出”、位姿正逆解、机构的运动学和奇异位形等方面。
机器人控制是机器人学研究中的一个重要领域。当单一位置的轨迹控制不可避免地产生一些不希望的环境接触力时，就要求引入力检测传感器，以检测出机械手与环境接触状态的有关信息，通过响应控制的处理，实现机器人与环境相适应的控制，这对于提高机器人性能、增强机器人的适应性、扩大其应用范围具有重要的意义。机器人研究中的核心矛盾之一为：机器人在特定接触环境操作时对可以产生任意作用力柔性的高要求和机器人在自由空间操作时对位置伺服刚度及机械结构刚度的高要求之间的矛盾。机器人能够对接触环境顺从的这种能力被称为柔顺性。为解决这一矛盾，国内外进行了大量的研究，称之为柔顺控制研究。柔顺性有主动柔顺性及被动柔顺性两种。借助辅助柔顺机构而对外力产生顺从的方式称为被动柔顺性，而通过力采集元件，根据反馈信息，通过一定控制策略进行控制的方式称为主动柔顺性，即所谓的力控制。目前典型的并联六自由度机构力控制主要是基于位置控制进行的，通过选用腕力传感器等元件作为检测工具或直接引入力信号等方式进行闭环反馈控制。
综上，尽管关于stewart平台的力控方面已有多人研究并提出各种不同控制策略，但大部分是采用将传感器分布在stewart平台的各个驱动缸上，通过对单缸输出载荷的采集与控制进行耦合进而得到平台总输出载荷；或是针对液压驱动的stewart平台，通过控制各液压缸的流量、流速等参数进行输出载荷的控制，但在实际应用条件下，电驱stewart平台的电机转速、实际输出力矩等参数很难测量，无法进行控制，因此该方法不适用于电驱的stewart平台。以stewart平台为加载装置，通过六维力传感器进行采集，应用于材料性能测试方面并对待测试件施加指定载荷加载的控制手段尚未有研究。
技术实现要素：
本发明的目的在于提供一种stewart平台的主动柔顺控制策略，是一种以载荷为参量的控制方法，解决了现有的stewart平台大部分是以速度、位移为控制参量的现状，避免了传统针对stewart平台的控制中的复杂解耦与耦合问题，且控制策略的设计无需设备的先验信息，容错率高，不受装配误差、测量误差等因素的干扰。本发明是以六维力传感器作为采集元件、通过神经网络实现的stewart平台的主动柔顺控制策略。结合轨迹规划和神经网络，可以在平台设计参数未知的情况下，得出平台运动轨迹与输出载荷间的关系模型。再将期望对试件施加的载荷输入模型后，即可获得使试件达到预期载荷时平台的运动轨迹，进而通过位移控制实现stewart平台以载荷为参量的控制方法。
本发明的上述目的通过以下技术方案实现：
所述的加载装置，由stewart平台的定平台1，驱动单元2，动平台3，六维力传感器4，上夹具5，下夹具7，试件6组成。
stewart平台的主动柔顺控制策略，以载荷为参量对stewart平台进行控制，应用对象为以六维力传感器为力采集模块的stewart平台，包括以下步骤：
步骤1：轨迹规划
由于以stewart平台的动平台3为加载单元，动平台3是通过位移进行控制的，因此需求出对加载的试件6施加特定载荷过程中所对应的动平台3的运动轨迹；首先以固定端，即下夹具7处为初始坐标系r，计算试件纯弯曲过程中运动端，即上夹具5处的运动轨迹；由挠曲线方程可得a点轨迹，并设该a点轨迹为c1；在此基础上，由于连接件ab段为刚性段，可求在坐标系r中b点，即stewart平台的动平台1中心点处的轨迹，并设该动平台3的中心点轨迹为c2；而在stewart平台的实际控制中，是以平台自身坐标系r′为参考，对动平台中心即b点进行轨迹控制；因此需再根据坐标系r与r′间的空间关系，通过坐标系变换，将c2转换为坐标系r′中动平台中心位置，即b点的运动轨迹，并设该b点轨迹为c3；该轨迹c3即为使试件6进行复合加载时输入stewart平台的实际运动轨迹；
步骤2：误差分析
由于力采集元件采用的是六维力传感器4，此类六维力传感器4位姿变化时，由于其受重力作用，会对六维力传感器4产生影响导致采集结果存在误差；因此需先在空载条件下，使动平台3沿所求轨迹c3运动，并记录在此过程中六维力传感器4所受载荷；此载荷即为六维力传感器4在运动过程中由于重力影响而产生的误差；
步骤3：模型训练
将待加载的试件6与stewart平台的动平台3连接后，将运动轨迹c3输入stewart平台，并通过六维力传感器4采集动平台3运动过程中试件6所受载荷；将所得载荷减掉步骤2中所得的误差值，即为试件所受真实载荷；以真实载荷的六个分量(fxfyfzmxmymz)为行数，以所采集的载荷数据个数n为列数，形成一个6*n的六维力矩阵；调用matlab中的神经网络工具箱，将六维力矩阵设为输入量，动平台3的运动轨迹设为输出量，两者间的转换关系为隐层，建立stewart平台的输出载荷与其运动轨迹间关系，形成一个6输入—隐层—6输出的模型；其中，算法选用feed-forwardbackprop即前馈bp神经网络，该算法优点在于具有实现任何复杂非线性映射的功能，且生成网络具有一定的推广、概括能力。训练方式选用trainscg，即共轭梯度法，此方法耗时少，收敛快，且在不收敛时会自动停止。在隐层的神经元个数方面，由经验公式
k＝(i+o)/2
其中k为神经元个数，i为输入层变量数，o为输出层变量数；可得隐层的神经元个数为6；其余参数选择默认，并最终建立神经网络模型；
步骤4：模型预测
将拟对试件施加的载荷输入训练好的模型，即可获得该加载条件下对应的动平台3运动轨迹；由于stewart平台运动时存在驱动单元2各驱动缸间的耦合与协同运动，因此动平台3到达某一特定姿态的路径是不确定的。欲使stewart平台输出指定载荷且避免运动轨迹的不确定性对试件材料性能造成破坏，需对动平台3的运动轨迹进行微分，确保运动路径的准确性；因此采用的方法为，将目标输出载荷细分为m份，形成一个以载荷的六个分量(fxfyfzmxmymz)为行数，以m为列数的6*m的载荷矩阵；将所得的6*m矩阵输入已训练好的模型中，即可得该指定载荷下动平台3的运动轨迹。
通过计算待加载的试件在加载过程中的运动轨迹，根据坐标转换，可得欲使试件获得预期加载时的stewart平台的运动轨迹；令动平台3在空载状态下沿所求轨迹运动，通过六维力传感器4，采集运动过程中传感器受力状态。此为重力对六维力传感器4的影响；令动平台3在装夹试件6的状态下沿所求轨迹运动，通过六维力传感器4，采集运动过程中试件受力状态；将所得载荷减掉重力对六维力传感器4的影响即为试件6所受真实载荷；将试件6所受真实载荷与所对应的平台轨迹通过神经网络进行训练，建立stewart平台的输出载荷与其运动轨迹间关系，获得一个6输入—隐层—6输出模型,；将期望载荷输入已训练好的模型，获得该加载条件下的平台运动轨迹，进而可实现stewart平台的主动柔顺控制。
通过上述由待加载试件运动轨迹求出stewart平台的动平台运动轨迹，再根据动平台运动轨迹与试件所受载荷之间的关系建立神经网络模型，并将期望载荷输入训练好的模型反推出使平台输出期望载荷时平台的运动轨迹的方法，可实现stewart平台以载荷为参量的控制模式。
本发明的有益效果在于：
(a)避免了传统针对stewart平台的控制中的复杂解耦与耦合问题，利用多层神经网络的隐含层神经元采用的激活函数，有效解决此类非线性控制问题。
(b)传统自适应控制方法需要模型的先验信息来设计控制方案。由于神经网络的逼近能力，控制器不需要具体的模型信息。
(c)在神经网络的大规模并行处理架构下，网络的某些节点损坏并不影响整个神经网络的整体性能，有效提高了控制系统的容错率。
(d)无需考虑机构的装配误差、测量误差等带来的影响。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实例及其说明用于解释本发明，并不构成对本发明的不当限定。
图1为本发明的stewart平台及加载装置；
图2为本发明的纯弯曲加载的几何解析方法；
图3为本发明的神经网络模型的结构图；
图4为本发明的神经网络训练拟合结果；
图5为本发明的神经网络全部样本回归系数分析图。
具体实施方式
下面结合附图进一步说明本发明的详细内容及其具体实施方式。
参见图1至图5所示，本发明的stewart平台的主动柔顺控制策略，以载荷为参量对stewart平台进行控制，应用对象为以六维力传感器为力采集模块的stewart平台。本发明结合轨迹规划和神经网络，可以在平台设计参数未知的情况下，得出平台运动轨迹与输出载荷间的关系模型。再将期望对试件施加的载荷输入模型后，即可获得使试件达到预期载荷时平台的运动轨迹，进而通过位移控制实现stewart平台以载荷为参量的控制方法。
包括以下步骤：
步骤1：轨迹规划
stewart平台由定平台1，驱动单元2，动平台3构成。由于以stewart平台的动平台3为加载单元且该平台是通过位移进行控制的，因此需求出对加载的试件6施加特定载荷过程中所对应的动平台3的运动轨迹；首先以固定端，即下夹具6处为初始坐标系r，计算试件纯弯曲过程中运动端，即上夹具5处的运动轨迹；由挠曲线方程可得a点轨迹，并设该a点轨迹为c1；在此基础上，由于连接件ab段为刚性段，可求在坐标系r中b点，即stewart平台的动平台1中心点处的轨迹，并设该动平台3的中心点轨迹为c2；而在stewart平台的实际控制中，是以平台自身坐标系r′为参考，对动平台中心即b点进行轨迹控制；因此需再根据坐标系r与r′间的空间关系，通过坐标系变换，将c2转换为坐标系r′中动平台中心位置，即b点的运动轨迹，并设该b点轨迹为c3；该轨迹c3即为使试件6进行复合加载时输入stewart平台的实际运动轨迹；
步骤2：误差分析
由于力采集元件采用的是六维力传感器4，此类六维力传感器4位姿变化时，由于其受重力作用，会对六维力传感器4产生影响导致采集结果存在误差；因此需先在空载条件下，使动平台3沿所求轨迹c3运动，并记录在此过程中六维力传感器4所受载荷；此载荷即为六维力传感器4在运动过程中由于重力影响而产生的误差；
步骤3：模型训练
将待加载的试件6与stewart平台的动平台3连接后，将运动轨迹c3输入stewart平台，并通过六维力传感器4采集动平台3运动过程中试件6所受载荷；将所得载荷减掉步骤2中所得的误差值，即为试件6所受真实载荷；以真实载荷的六个分量(fxfyfzmxmymz)为行数，以所采集的载荷数据个数n为列数，形成一个6*n的六维力矩阵；调用matlab中的神经网络工具箱，将六维力矩阵设为输入量，动平台3的运动轨迹设为输出量，两者间的转换关系为隐层，建立stewart平台的输出载荷与其运动轨迹间关系，形成一个6输入—隐层—6输出的模型；其中，算法选用feed-forwardbackprop即前馈bp神经网络，该算法优点在于具有实现任何复杂非线性映射的功能，且生成网络具有一定的推广、概括能力。训练方式选用trainscg，即共轭梯度法，此方法耗时少，收敛快，且在不收敛时会自动停止。在隐层的神经元个数方面，由经验公式
k＝(i+o)/2
其中k为神经元个数，i为输入层变量数，o为输出层变量数；可得隐层的神经元个数为6；其余参数选择默认，并最终建立神经网络模型；
步骤4：模型预测
将拟对试件施加的载荷输入训练好的模型，即可获得该加载条件下对应的动平台3运动轨迹；由于stewart平台运动时存在驱动单元2各驱动缸间的耦合与协同运动，因此动平台3到达某一特定姿态的路径是不确定的。欲使stewart平台输出指定载荷且避免运动轨迹的不确定性对试件材料性能造成破坏，需对动平台3的运动轨迹进行微分，确保运动路径的准确性；因此采用的方法为，将目标输出载荷细分为m份，形成一个以载荷的六个分量(fxfyfzmxmymz)为行数，以m为列数的6*m的载荷矩阵；将所得的6*m矩阵输入已训练好的模型中，即可得该指定载荷下动平台3的运动轨迹。
通过计算待加载的试件在加载过程中的运动轨迹，根据坐标转换，可得欲使试件获得预期加载时的stewart平台的运动轨迹；令动平台3在空载状态下沿所求轨迹运动，通过六维力传感器4，采集运动过程中传感器受力状态。此为重力对六维力传感器4的影响；令动平台3在装夹试件6的状态下沿所求轨迹运动，通过六维力传感器4，采集运动过程中试件受力状态；将所得载荷减掉重力对六维力传感器4的影响即为试件6所受真实载荷；将试件6所受真实载荷与所对应的平台轨迹通过神经网络进行训练，建立stewart平台的输出载荷与其运动轨迹间关系，获得一个6输入—隐层—6输出模型,；将期望载荷输入已训练好的模型，获得该加载条件下的平台运动轨迹，进而可实现stewart平台的主动柔顺控制。
通过计算试件加载过程中的轨迹，根据坐标变换，可获得试件加载过程中stewart平台的运动轨迹；在空载状态下，使平台沿轨迹运动，获得传感器在重力影响下产生的误差值；在试件加持状态下，使平台沿轨迹运动，获得试件所受载荷；将试件所受载荷减去空载状态下所得的传感器误差值，即为试件在加载过程中所受真实载荷；将试件所受真实载荷与所对应的平台轨迹通过神经网络进行训练，获得一个6输入—隐层—6输出的模型，即为平台运动轨迹与试件所受载荷间的关系模型；将期望载荷输入已训练好的模型，获得该加载条件下的平台轨迹。将此运动轨迹输入stewart平台，即可使平台对试件施加指定载荷。
该方法对以六维力传感器为力采集元件的stewart平台提供了一种以载荷为参量的控制策略。
实施例：
参见图1至图5所示，对试件施加指定载荷加载。这里以纯弯曲加载为例。
步骤1：轨迹规划。由于以stewart平台的动平台为加载单元，因此需求出试件在弯曲过程中动平台的运动轨迹。首先以固定端，即下夹具处为初始坐标系r，计算试件纯弯曲过程中运动端，即上夹具处的运动轨迹。由纯弯曲挠度方程
y＝0(2)
u＝0(4)
v＝α(5)
z＝0(6)
式中，fb为弯曲挠度，α为弯曲转角，me为弯曲力矩；e和i分别为试件的弹性模量及截面惯性矩；x、y、z分别为在坐标系中沿x、y、z方向的位移；u、v、w分别为在坐标系中绕x、y、z轴的转角。
在此基础上，由于连接件ab段为刚性段，可求在坐标系r中b点，即stewart平台的动平台中心点处的轨迹，并设该点轨迹为c2，为
y＝0(8)
u＝0(10)
v＝α(11)
w＝0(12)
而在stewart平台的实际控制中，是以平台自身坐标系r′为参考，对动平台中心即b点进行轨迹控制。因此需再根据坐标系r与r′间的空间关系，通过坐标系变换
将c2转换为坐标系r′中动平台中心位置，即b点的运动轨迹，并设该点轨迹为c3。该轨迹即为使试件进行复合加载时平台输入的实际运动轨迹。其中θ为坐标系r与r′间夹角。[x′y′z′]t分别为在坐标系r′中沿x′、y′、z′方向的位移。
步骤2：误差分析。由于力采集元件采用的是六维力传感器4，此类六维力传感器4位姿变化时，由于其受重力作用，会对六维力传感器4产生影响导致采集结果存在误差；因此需先在空载条件下，使动平台3沿所求轨迹c3运动，并记录在此过程中六维力传感器4所受载荷；此载荷即为六维力传感器4在运动过程中由于重力影响而产生的误差。
步骤3：模型训练。将待加载的试件6与stewart平台的动平台3连接后，将运动轨迹c3输入stewart平台，并通过六维力传感器4采集动平台3运动过程中试件6所受载荷；将所得载荷减掉步骤2中所得的误差值，即为试件6所受真实载荷；以真实载荷的六个分量(fxfyfzmxmymz)为行数，以所采集的载荷数据个数n为列数，形成一个6*n的六维力矩阵，通过matlab建立平台运动轨迹与输出载荷间的关系。
以下为所涉及的matlab操作流程：
(a)在命令窗口输入nntool命令，进入神经网络模块。将载荷矩阵输入[inputs]窗口，将运动轨迹矩阵输入[targets]窗口。点击[newnetwork]，建立带一个隐层的三层神经网络。其中，算法选用feed-forwardbackprop即前馈bp神经网络，该算法优点在于具有实现任何复杂非线性映射的功能，且生成网络具有一定的推广、概括能力。训练方式选用trainscg，即共轭梯度法，此方法耗时少，收敛快，且在不收敛时会自动停止。在隐层的神经元个数方面，由经验公式
k＝(i+o)/2
其中k为神经元个数，i为输入层变量数，o为输出层变量数。由此可得隐层的神经元个数为6。其他参数方面，layer1transferfunction选用tansig，layer2transferfunction选用logsig。所有参数输入后，点create按钮进行创建。
(b)点击train按钮到达traininginfo选项卡。将载荷矩阵设置为输入量，运动矩阵设置为输出量。在trainparameters选项卡中进行参数填写。其中，迭代次数[epochs]选择1000，或根据收敛结果自行调整。目标误差[goal]可根据goal*样本数量<0.5自行调整。当结果收敛，即训练误差不大于标准误差时，训练成功。
步骤4：将拟对试件施加的载荷输入训练好的模型，即可获得该加载条件下对应的动平台3运动轨迹；由于stewart平台运动时存在驱动单元2各驱动缸间的耦合与协同运动，因此动平台3到达某一特定姿态的路径是不确定的。欲使stewart平台输出指定载荷且避免运动轨迹的不确定性对试件材料性能造成破坏，需对动平台3的运动轨迹进行微分，确保运动路径的准确性；因此采用的方法为，将目标输出载荷细分为m份，形成一个以载荷的六个分量(fxfyfzmxmymz)为行数，以m为列数的6*m的载荷矩阵；将所得的6*m矩阵输入已训练好的模型中，即可得该指定载荷下动平台3的运动轨迹。
模型预测。将拟对试件施加的载荷输入训练好的模型，即可获得该加载条件下对应的动平台3运动轨迹；由于stewart平台运动时存在驱动单元2各驱动缸间的耦合与协同运动，因此动平台3到达某一特定姿态的路径是不确定的。欲使stewart平台输出指定载荷且避免运动轨迹的不确定性对试件材料性能造成破坏，需对动平台3的运动轨迹进行微分，确保运动路径的准确性；当施加纯弯曲加载时，令fx、fy、fz、my、mz始终为零，将mx均分为m份，形成一个6*m的载荷矩阵。将载荷矩阵输入已训练好的模型进行预测，可得一组动平台运动轨迹。将此运动轨迹输入stewart平台，即可使stewart平台对试件施加指定载荷。
以上所述仅为本发明的优选实例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡对本发明所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。