1.一种基于未知机械臂模型的深度强化学习抑振系统，其特征在于：包括机械臂模块、振动采集模块、处理器和抑振控制模块；

所述机械臂模块，是振动抑制的对象，能够是机器人的悬臂，也能够是单独存在的机械臂；

所述振动采集模块，包括陀螺仪和TTL转485模块，陀螺仪通过固定装置固定在机械臂的末端，实时采集机械臂末端的偏航、俯仰、横滚姿态的振动数据，所述振动数据以TTL电平信号发送至TTL转485模块，以提高其传输距离至1000m，然后将其转化为485电平信号，发送至抑振控制模块；

所述处理器，用来接收实时采集到的机械臂振动数据，并进行处理分析，同时搭载抑振控制模块，实现对机械臂的振动抑制控制；

所述抑振控制模块，其功能为根据实时接收采集到的机械臂振动数据，推导出机械臂系统的阻尼比与频率，进而设计输入整形器，对机械臂运行的加速度信号进行整形，并再次得到振动数据；此时根据深度强化学习DDPG算法选取一个动作，再次对机械臂运行的加速度信号进行整形，得到振动数据，对此次过程的振动数据进行处理，再次根据强化学习DDPG算法选取动作，不断循环此训练过程，直至机械臂达到较好的抑振效果。

2.一种如权利要求1所述的基于未知机械臂模型的深度强化学习抑振系统的抑振方法，其特征在于：将深度强化学习与输入整形二者结合；在机器人机械臂精确动力学模型未知的情况下，通过深度强化学习DDPG算法，不断优化输入整形器参数，以此来对机械臂振动进行优化，以提高机械臂工作效率。

3.根据权利要求2所述的一种基于未知机械臂模型的深度强化学习抑振方法，其特征在于：该方法不需要已知机械臂精确的动力学模型，而是将机械臂系统近似为二阶系统，通过陀螺仪传感器采集机械臂末端振动数据，以此来求解系统的阻尼比与频率，进而设计输入整形器；具体实现步骤如下：步骤1，根据机械臂振动数据推导出其阻尼比与频率参数，将机械臂系统近似为二阶系统，取机械臂振动数据中的俯仰数据，取俯仰数据的最大值为系统的峰值YP，对应的时间为峰值时间tP，对应的超调量为σ，超调量的计算公式如下：σ＝[YP‑Y(∞)]/Y(∞)*100％                    (1)其中，Y(∞)为系统稳定下的输出，ε为系统的阻尼比，联立(1)(2)式求得系统的阻尼比ε，计算公式如下：系统的峰值时间tP计算公式如下：

由式(3)计算出系统的阻尼比，峰值时间tP直接读取，由此得系统的频率wn计算公式为：由此便求出机械臂系统的阻尼比与频率；

步骤2；根据第一步求出的机械臂系统的阻尼比与频率，将机械臂系统近似为二阶系统，表达式为：根据拉普拉斯变换，将系统的表达式改写为传递函数的形式：

输入整形器的时域表达式为：

其中，Ai为脉冲幅值，ti为脉冲时滞，n为输入整形所包含的脉冲个数，对其进行拉普拉斯变换，得到其频域表达式为：引入输入整形后，二阶系统的响应为：

考虑到系统响应的快速性，取n＝2,则有：

t1＝0                            (11)

A1+A2＝1                        (15)

由式(11)‑(15)便求得输入整形器的参数t1、t2、A1、A2，由此完成输入整形器的设计；

步骤3，对机械臂的加速度进行输入整形，设整形前加速度为a0,整形后的加速度：在0至t2时间段内，加速度a1＝A1*a0/(A1+A2)，在t2之后，加速度a2＝a0，以此完成对机械臂加速度的整形；通过振动采集模块将整形后机械臂的振动数据再次发送至抑振模块；

步骤4，深度强化学习DDPG算法训练：将强化学习DDPG算法与输入整形器两者结合，通过DDPG算法的训练得到最优的输入整形器参数，以此达到最佳抑振效果。

4.根据权利要求3所述的一种基于未知机械臂模型的深度强化学习抑振方法，其特征在于：步骤4中，强化学习DDPG算法训练过程如下：基于深度确定性策略梯度算法，应用深度学习技术，同时基于Actor‑Critic算法的确定性策略算法，该算法中的Actor和Critic都使用深度神经网络来建立近似函数，直接从Actor的策略生成确定性的行为；该算法在学习阶段在确定性行为基础上增加一个噪声函数，以实现在确定性行为周围进行小范围探索；此外，该算法还为Actor和Critic网络分别备份了一套参数来计算行为价值的期待值，以更稳定的提升Critic的策略指导水平，从而减少因近似数据的引导性而发生不收敛的情况，共用到了两个Actor网络，两个Critic网络共4个网络；

奖励机制：在每个循环周期内，求该周期内的振动数据的方差，公式如下：

其中，Di为第i次训练周期，[x1x2x3…xn]为每个振动采样周期的振动数据，x0为0，将Di作为DDPG算法奖励函数的输入，奖励函数公式如下：能够看到振动数据的方差越小，表示机械臂运行越平稳，其奖励值便越大，反之，方差越大，运行过程中振动越剧烈，其奖励值越小；

搭建Critic网络：Critic网络接收的输入是状态以及行为动作，输出“状态‑行为对”的价值，所设计的Critic共有3个隐藏层，处理状态的隐藏层和行为的隐藏层先分开运算，其中处理状态的隐藏层有两个，分别为256个神经元，128个神经元，处理行为的隐藏层为128个神经元，最后通过一个隐藏层全连接在一起输出“状态‑行为对”价值；

搭建Actor网络：Actor网络的输入为状态，输出为行为动作，所设计的Actor共有3个隐藏层，分别为256个、128个、64个神经元，层与层之间全连接；

确定性策略下探索的实现：在生成的行为基础上添加一个随机噪声，使其在确切的行为周围实现一定范围的探索；噪声模型为Ornstein‑Uhlenbeck，能够生成符合马尔科夫过程的随机过程；

至此，完成DDPG算法框架的搭建，最后对该算法的学习率参数进行配置，完成DDPG算法的设计，通过此算法的训练，不断优化输入整形器参数，使机械臂工作越来越平顺。