本论文以新型机器人多维腕力传感器系统为研究对象,围绕传感器输出力信号预处理方法、标定方法、动态建模方法、动态补偿方法、与操作环境相互作用时动态性能变化情况及动态补偿器的设计方法等问题开展研究工作,并将仿生算法用于所进行的研究中,主要内容有:1.对目前机器人多维腕力传感器的研究现状和存在的一些问题进行了总结概括,介绍了几种仿生算法的基本原理,指出采用新的算法提高建模的准确性,采用新原理、新方法与新型器件实现补偿器的实时性与实用性等仍是多维腕力传感器动态特性研究中需进一步深入研究的关键问题。2.对研制的一种用于MotomamV3X机器人的新型多维腕力传感器进行了分析,详细给出了其结构、工艺、工作原理及信号获取方式,对这种传感器弹性体进行了有限元分析。分析结果证实了设计的正确性与合理性。3.维间耦合是制约多维腕力传感器测量精度的主要因素,为了克服传统线性标定方法的局限性,文章介绍了利用径向基函数(RBF)神经网络强非线性逼近能力进行多维腕力传感器静态标定的方法,以研制的新型多维腕力传感器为对象进行了实验,并将其与最小二乘法和BP神经网络标定法进行了比较。结果表明,采用RBF神经网络对多维腕力传感器标定比用最小二乘有更高的标定精度,网络训练速度大大快于BP神经网络。这种新方法具有一定的实用价值。4.机器人多维腕力传感器工作在工业现场时,不可避免的受到各种噪声的干扰,从而影响了测量和控制精度的提高。为了克服传统去噪方法的局限性,将多重小波变换应用到机器人多维腕力传感器输出信号预处理中,采用浮动阈值法消除噪声,并将传统的低通滤波和FFT/IFFT方法与本文介绍的方法进行比较。结果表明,多重小波浮动阈值去噪方法在机器人多维腕力传感器输出信号去噪的效果优于传统的方法。5.对遗传算法的交叉和变异操进行了改进,提出了融合改进遗传算法(IGA)的函数连接型人工神经网络(FLANN),并将其用于新型多维腕力传感器动态模型与动态补偿模型的建立上,介绍了动态建模、补偿原理与算法。该方法利用多维腕力传感器的动态标定数据,采用遗传神经网络搜索来优化动态模型和补偿模型参数。这样,既保留了遗传算法的全局搜索能力,又具有FLANN的结构简单、鲁棒性好和自学习能力强的特点,同时,补偿模型的建立不依赖动态模型。结果表明:提出的动态建模与补偿方法能克服FALNN容易陷入局部极小与网络训练速度慢的缺点,具有网络训练速度快、实时性好、精度高及动态补偿器设计简单等优点。6.由于目前对多维腕力传感器安装在机器人上与环境相互作用时的动态性能变化情况研究的不多,故对此问题进行了探讨,研究了固有频率与环境质量、环境刚度及阻尼的关系。这对动态补偿实用化研究有重要意义。为了解环境特性,需对操作环境进行建模。因此进一步研究了环境的动力学模型。(1)提出了用RBF神经网络建立机器人系统中环境非线性动力学模型的新方法,阐述了其建模机理和建模算法。(2)提出了一种新的基于小波神经网络(WNN)的环境非线性动力学模型的建立方法,分析网络的拓扑结构,给出网络参数训练和初始化方法。采用引入动量项的最速下降法训练网络权值、尺度因子和平移因子,将小波网络参数的初始化与小波类型、小波时频参数和学习样本等联系起来。结果表明,采用RBF神经网络和小波神经网络的机器人系统中操作环境模型优于同等规模的BP网络,具有网络训练速度大大快于BP神经网络、非线性逼近能力更强及建模精度更高等优点,此研究对机器人系统控制结构和控制算法的设计具有重要意义。7.把电荷转移器件(CTD)用于机器人多维腕力传感器动态补偿器的设计中,设计出具有频率特性可调节的动态补偿器。论述了补偿原理、电路设计及其技术难点和相应的解决方法,理论分析和实验表明了所设计的动态补偿器是有效的,提高了补偿器的通用性和实时性,对补偿器的实用化有重要意义。