1.一种基于极限学习机的负载识别方法，其特征在于，包括以下步骤：构建机器人的刚柔耦合动力学模型，并根据所述刚柔耦合动力学模型确定机器人的第一参数组和第二参数组；

根据所述第一参数组获取机器人的第一监测参数，并根据所述第一监测参数确定训练样本集；

构建极限学习机模型，所述极限学习机模型包括输入层、隐含层以及输出层，所述输入层根据所述第一参数组确定，所述输出层根据所述第二参数组确定；

将所述训练样本集输入到所述极限学习机模型中进行训练，得到训练好的负载识别模型，进而根据所述负载识别模型对机器人的负载进行识别；

所述刚柔耦合动力学模型为：

其中，q表示机器人关节的转角矩阵，表示机器人关节的角速度矩阵，表示机器人关节角加速度矩阵，M(q)表示广义质量矩阵， 表示广义阻尼矩阵，G(q)表示广义惯性力矩阵，J表示机器人雅可比矩阵，B表示哥式力系数矩阵，K表示广义刚度矩阵，θ表示关节变形转角，F表示负载力，τ表示关节扭矩；

所述第一参数组包括关节电流、关节电流误差、关节位置误差以及关节速度误差，所述第二参数组包括关节变形转角、连杆校正刚度以及连杆校正质量。

2.根据权利要求1所述的一种基于极限学习机的负载识别方法，其特征在于，所述根据所述第一参数组获取机器人的第一监测参数，并根据所述第一监测参数确定训练样本集这一步骤，其具体包括：根据所述第一参数组获取机器人的第一监测参数；

对所述第一监测参数进行滤波处理和归一化处理，得到第一样本数据；

根据所述第一样本数据和所述刚柔耦合动力学模型确定第二样本数据，所述第二样本数据为所述第二参数组中的参数；

根据所述第一样本数据和所述第二样本数据确定训练样本集。

3.根据权利要求1所述的一种基于极限学习机的负载识别方法，其特征在于，所述构建极限学习机模型这一步骤中，还包括以下步骤：确定所述极限学习机模型的激活函数，并确定所述隐含层的神经元个数。

4.根据权利要求3所述的一种基于极限学习机的负载识别方法，其特征在于，所述将所述训练样本集输入到所述极限学习机模型中进行训练，得到训练好的负载识别模型这一步骤，其具体包括：将所述训练样本集输入到所述极限学习机模型中，根据所述训练样本集和所述激活函数确定所述隐含层的输出矩阵；

根据所述输出矩阵求解所述隐含层的输出权重矩阵，所述输出权重矩阵使得所述极限学习机模型的误差函数最小；

根据所述输出权重矩阵得到训练好的负载识别模型。

5.根据权利要求1至4中任一项所述的一种基于极限学习机的负载识别方法，其特征在于，所述根据所述负载识别模型对机器人的负载进行识别这一步骤，其具体包括：获取机器人的实时监测参数，所述实时监测参数为所述第一参数组中的参数；

将所述实时监测参数输入到所述负载识别模型中，根据所述负载识别模型的输出结果和所述刚柔耦合动力学模型确定机器人的实时负载。

6.一种基于极限学习机的负载识别系统，其特征在于，包括：动力学模型构建模块，用于构建机器人的刚柔耦合动力学模型，并根据所述刚柔耦合动力学模型确定机器人的第一参数组和第二参数组；

训练样本集确定模块，用于根据所述第一参数组获取机器人的第一监测参数，并根据所述第一监测参数确定训练样本集；

极限学习机模型构建模块，用于构建极限学习机模型，所述极限学习机模型包括输入层、隐含层以及输出层，所述输入层根据所述第一参数组确定，所述输出层根据所述第二参数组确定；

模型训练与识别模块，用于将所述训练样本集输入到所述极限学习机模型中进行训练，得到训练好的负载识别模型，进而根据所述负载识别模型对机器人的负载进行识别；

所述刚柔耦合动力学模型为：

其中，q表示机器人关节的转角矩阵，表示机器人关节的角速度矩阵，表示机器人关节角加速度矩阵，M(q)表示广义质量矩阵， 表示广义阻尼矩阵，G(q)表示广义惯性力矩阵，J表示机器人雅可比矩阵，B表示哥式力系数矩阵，K表示广义刚度矩阵，θ表示关节变形转角，F表示负载力，τ表示关节扭矩；

所述第一参数组包括关节电流、关节电流误差、关节位置误差以及关节速度误差，所述第二参数组包括关节变形转角、连杆校正刚度以及连杆校正质量。

7.一种基于极限学习机的负载识别装置，其特征在于，包括：至少一个处理器；

至少一个存储器，用于存储至少一个程序；

当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现如权利要求1至5中任一项所述的一种基于极限学习机的负载识别方法。

8.一种计算机可读存储介质，其中存储有处理器可执行的程序，其特征在于，所述处理器可执行的程序在由处理器执行时用于执行如权利要求1至5中任一项所述的一种基于极限学习机的负载识别方法。