CN102298324B - 一种协同智能精准容错控制器及方法 - Google Patents

Abstract

本发明涉及一种协同智能精准容错控制器，包括机构运行状态检测模块、协同容错控制模块、n个相互独立的子系统，其中，n＞1，所述的子系统包括误差计算模块、一级控制器、自适应优化模块、协同补偿模块、二级控制器和执行机构。本发明还涉及一种协同智能精准容错控制方法，该方法能够针对工程实践中冗余机构或多机构协同系统在真实的工程实践中机械部分(主要指驱动器和主动关节)发生局部故障时，能够自动主辨识故障信息(机械间隙、摩擦力等复杂信息)和智能计算出故障需要的补偿优化控制信号，通过正常关节的协同控制进行智能精准容错控制。本发明相对于传统的依靠冗余结构或思想提出的容错方法具有更高的智能性、精准性。

Description

一种协同智能精准容错控制器及方法

技术领域

本发明涉及智能控制技术领域，特别是涉及一种基于生理性止血机制的协同智能精准容错控制器及方法，主要适用于冗余并联机构或多机构协同系统。

背景技术

随着机器人越来越广泛的应用于航天、深海、核工业等特殊场合，机器人一旦出现故障工作人员难以取回，因此对可靠性与稳定性也提出了更高的要求。机器人的容错能力成为一项非常重要的指标，驱动器和主动关节是机器人的故障多发部件，因此在机器人设计时往往采用冗余并联机构或者采用多机构协同完成任务来实现容错。这些机器人一般采用的容错方法是，设计主控制器和备用容错控制器，在发生故障时进行简单的切换。虽然在理论模型上冗余机构按照备用容错控制器控制能够较好地实现容错控制，但是在实际工程中故障关节变为了一个非线性的大负载，导致其它正常关节因为机械间隙、大摩擦力等原因误差被累计放大，最终无法较精准完成任务。因此为完成更加精准的目标，对智能的精准容错控制器提出了更高的要求。

经对现有技术的检索发现，目前国内外还没有发现一种针对解决冗余设备或多机器人协同系统由于机械间隙、摩擦力等因素引起的误差放大问题的协同智能精准容错控制器，特别是基于生理性止血机制启发的能够辨识设备信息在故障情况下重新补偿优化实现精准控制的容错控制器。中国发明专利CN99105211.0提出一种容错控制系统，主要采用配置多个冗余传感器的方法进行容错控制。中国发明专利CN 200910054458.4提出一种用于容错控制的自校验方法，主要是采用多模块信息冗余进行判断正确信号，确保了系统的可靠性。中国发明专利CN 201010209220.7提出一种智能分步容错控制方法，主要是采用建立数据库，然后切换为重构容错控制器的一种方法。中国发明专利CN 200710179452.0提出一种基于龙芯的三模冗余容错控制系统，主要采用冗余思想进行容错控制。中国发明专利CN 200910071282.3提出一种冗余控制的微小型水下机器人及故障诊断和容错控制方法，主要通过线性二次型最优控制方法进行基于故障的控制优化分配，实现容错控制。中国发明专利CN 200910030720.1提出一种基于坐标变换的径向主动磁悬浮轴承容错控制方法，主要应用于主动磁悬浮轴承容错控制。中国实用新型专利CN201020174267.X提出一种适用于核辐射探测机器人的容错控制器，该控制器主要是从控制硬件上进行冗余设计，当发生故障时由备用冗余设备完成任务，优化资源分配。中国实用新型专利CN200920076963.4提出一种基于工业以太网的DCS三重容错控制器主要是从硬件设计上实现多重信息冗余交互判断，提高系统的可靠性。美国发明专利20020129214“System andmethod for minimizing message transactions for fault-tolerant snapshots in a dual-controllerenvironment”提出了一种双边环境容错控制器系统与方法。主要是采用一个计算机管理实施双控制器环境中的源和目标卷上的数据存储快照的方法。美国发明专利20060236150“Timer-based apparatus and method for fault-tolerant booting of a storagecontroller”提出一种基于定时器的容错存储启控制器设备与方法，其容错存储控制器包括一个处理器，一个冗余副本的存储方案，并自动运行一个计时器，采用冗余副本完成容错任务。美国发明专利20080204160，20100141349“Universal and fault-tolerant multiphase digitalPWM controller for high-frequency DC-DC converters”主要针对一种高频率的转换器从硬件角度设计容错控制。国际文献“A fault tolerance framework for cooperative roboticmanipulators”中讨论协同合作操作器的容错问题，主要针对自由摆动、链接断裂、关节锁住、错误检测四类故障进行了讨论，并提出了一种容错框架。国际文献“A methodology foractuator failure recovery in parallel manipulators”提出了一种针对并联操作器错误后恢复的方法，主要是理论上应用冗余特性建立备用运动控制策略实现容错，但没有考虑实际工程实践中的一些如机械间隙等问题。国际文献“Design modification of parallel manipulators foroptimum fault tolerance to joint jam”中提出一种并联机构关节阻塞最优容错的修正设计，在检测到主动关节发生错误时，由一个备份关节代替主动关节，从而机械手能够在发生故障后完成关键任务。综述上所述，国内外专利、文献表明目前最广泛的采用冗余、备用等方法、思想进行容错控制，较少有在此机制或思想上的进一步精准容错控制器的设计。

发明内容

本发明所要解决的技术问题是提供一种基于生理性止血机制的协同智能精准容错控制器及方法，确保在冗余并联机构或者多机构协同系统控制过程中，在发生局部故障的情况下仍然能够较精准地完成预期任务。

本发明解决其技术问题所采用的技术方案是：提供一种协同智能精准容错控制器，包括机构运行状态检测模块、协同容错控制模块、n个相互独立的子系统，其中，n>1，所述的子系统包括误差计算模块、一级控制器、自适应优化模块、协同补偿模块、二级控制器和执行机构；所述的机构运行状态检测模块用于检测被控设备的运行状态，并根据被控设备的运行状态计算原始目标信号；所述的协同容错控制模块用于接收所述的机构运行状态检测模块输出的原始目标信号和所述的各个子系统中的执行机构的实时运行信号，在子系统发生故障时辨识各个子系统的相互关系，向子系统中的误差计算模块发出容错目标信号，向协同补偿模块发出补偿信号；所述的误差计算模块根据收到的容错目标信号和实时运行信号计算子系统的控制误差，并向所述的一级控制器和自适应优化模块输出控制误差信号；所述的自适应优化模块用于接收所述的误差计算模块发出的控制误差信号并对所述的控制误差信号进行自适应优化处理，并将自适应优化处理后的信号发送至所述的一级控制器；所述的一级控制器根据自适应优化模块处理的信号向二级控制器输出控制信号；所述的协同补偿模块用于接收协同容错控制模块输出的补偿信号，并进行累计补偿，输出补偿控制信号；所述的二级控制器根据接收到的一级控制器的控制信号和协同补偿模块输出的补偿控制信号对所述的执行机构进行控制。

所述的机构运行状态检测模块为运动学模型模块或机器视觉检测模块。

所述的运动学模型模块包括正运动学模型和逆运动学模型。

所述的协同容错控制模块包括容错选择单元、故障监控单元、补偿优化单元和n个容错辨识网络单元，其中，n>1；所述的容错辨识网络单元与所述的子系统一一对应；所述的故障监控单元用于检测出发生故障的子系统；所述的容错选择单元用于接收原始目标信号，根据故障监控单元输出的信号选择相应的容错辨识网络单元，并将收到的原始目标信号传输给所述的相应的容错辨识网络单元；所述的容错辨识网络单元根据收到的原始目标信号计算出容错目标信号，并输出容错目标信号；所述的补偿优化模块根据所述的容错目标信号和各个子执行机构的实时运行信号计算补偿信号，向所述的协同补偿模块输出补偿信号。

所述的容错辨识网络单元为先前学习、训练的计算网络单元。

所述的机构运行状态检测模块、协同容错控制模块、n个相互独立的子系统均导入PC系统由CPU控制或嵌入运动控制卡中作为单独的硬件设备使用。

本发明解决其技术问题所采用的技术方案是：还提供协同智能精准容错控制方法，包括以下步骤：

（1）机构运行状态检测模块检测被控设备的运行状态，并根据被控设备的运行状态计算原始目标信号；

（2）协同容错控制模块用于接收原始目标信号和各个子系统中的执行机构的反馈信号，在子系统发生故障时辨识各个子系统的相互关系，向子系统中的误差计算模块发出容错目标信号，向协同补偿模块发出补偿信号；

（3）误差计算模块根据收到的容错目标信号和实时运行信号计算子系统的控制误差；

（4）一级控制器根据自适应优化模块处理的信号向二级控制器输出控制信号；

（5）协同补偿模块接收补偿信号，进行累计补偿输出补偿控制信号；

（6）二级控制器根据一级控制器输出的控制信号和协同补偿模块输出的补偿控制信号控制执行机构。

所述的步骤（1）中的机构运行状态检测模块为运动学模型模块或机器视觉检测模块。

所述的原始目标信号通过所述的运动学模型计算得到。

所述的步骤（2）中包括以下子步骤：

（a）故障监控单元检测出发生故障的子系统；

（b）容错选择单元接收原始目标信号，根据故障监控单元输出的信号选择相应的容错辨识网络单元，并将收到的原始目标信号传输给所述的相应的容错辨识网络单元；

（c）所述的容错辨识网络单元根据收到的原始目标信号计算出容错目标信号，并输出容错目标信号；

（d）补偿优化模块根据容错目标信号和各个子执行机构的实时运行信号计算补偿信号，并向协同补偿模块输出补偿信号。

所述的容错辨识网络单元为先前学习、训练的计算网络单元，并通过神经网络或非线性拟合的方法计算容错目标信号。

本发明中的协同智能精准容错控制器的技术原型来源于生理学中的生理性止血机制，生理性止血机制主要包括血管收缩、血小板血栓形成和血液凝固三个过程：1）血管受到损后，损伤性刺激立即引起局部血管收缩，若破损不大即可使小血管封闭。2）血管损伤后，内皮下组织暴露，可以激活血小板，并且由血小板促使激活血浆中的凝血系统，以及促使血管收缩使血流暂停或减慢，利于血小板粘附与聚集，形成一个松软的止血栓，完成初步止血。3）血管受损也可以启动凝血系统，在局部迅速发生血液凝固，使血浆中可溶性的纤维蛋白原转变成不溶性的纤维蛋白，并交织成网，以加固止血栓，称二期止血。最后，局部纤维组织增生，并长出血凝块，达到永久性止血。生理性止血虽然分为血管收缩、血小板血栓形成和血液凝固三个过程，但是这三个过程相继发生并重叠，彼此密切相关。

根据上述生理性止血调控机制与特性，结合工业中的冗余并联机构或多机构协同系统控制特性，本发明提出了相应的协同智能容错控制方法：某一血管的生理性止血调控过程，可以看成控制系统中的某一个子系统或子机构消除偏差的过程；其中血管损伤可以看成该子系统出现控制偏差；血管内皮下组织暴露可以看成检测装置检测偏差的过程；而激活血小板作为生理性止血系统中的核心过程则可以看成反馈控制系统中重要的计算控制误差的过程；在血小板和血管收缩作用下形成血小板止血栓（初步止血）可以看成在误差较大的情况下，控制子系统根据计算误差进行误差收缩优化防止发生超调或剧烈变化，形成初步的自适应控制；而在凝血系统、纤维蛋白的作用下形成血凝块（二期止血）可以看成子系统能够在整体系统发生局部故障的情况下，激活协同容错功能，进行计算误差的补偿修正和在初步控制的基础上进行二级补偿的精准控制。

有益效果

由于采用了上述的技术方案，本发明与现有技术相比，具有以下的优点和积极效果：本发明由生理性止血机制提出了协同智能容错控制方法，使冗余并联机构或多机构协同系统在发生局部故障的情况下，能够自主辨识故障信息（机械间隙、摩擦力等复杂信息）和智能计算出故障需要的补偿优化控制信号，通过正常关节的协同控制进行智能精准容错控制，从而使得冗余并联机构或多机构协同系统仍然能够按照原目标完成任务，解决了在远程控制或紧急控制情况下，发生故障后的精准容错控制问题。本发明相对于传统的依靠冗余结构或思想提出的容错方法具有更高的智能性、精准性，并且提出的生理性止血机制的容错控制方法也为该领域的进一步研究提出了一种新的方法。

附图说明

图1是本发明的协同智能精准容错控制器结构方框图；

图2是本发明中的协同容错控制模块结构方框图；

图3是本发明协同智能精准容错控制方法原理图；

图4是事例设备的几何示意图；

图5是训练网络示意图；

图6是实验结果第一对比效果图；

图7是实验结果第二对比效果图。

具体实施方式

下面结合具体实施例，进一步阐述本发明。应理解，这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解，在阅读了本发明讲授的内容之后，本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样落于本申请所附权利要求书所限定的范围。

本发明的第一实施方式涉及一种协同智能精准容错控制器，如图1所示，包括机构运行状态检测模块1、协同容错控制模块2、多个相互独立的子系统3和被控设备4。其中，每个独立子系统又包括：误差计算模块301、一级控制器302、自适应优化模块303、协同补偿模块304、二级控制器305和执行机构306。

机构运行状态检测模块1为运动学模型模块，运动学模型模块主要包括被控设备4与各个执行机构306之间的正运动学、逆运动学模型，一般情况下通过逆运动学模型能够把被控机构的任务目标转换成各个子系统3的执行目标，利用正运动学模型再通过子系统3的运行状态判断出被控机构的运行状态。对于并联机构通常逆运动学较易求得，正运动学较难求得，若无法求解正运动学，本发明只求解逆运动学模型也能完成预期任务，除此之外此模块也可以由其它检测手段如机器视觉检测模块来代替。

协同容错控制模块2相当于一个多系统协同辨识补偿模块，当设备各个子系统正常运行时，不进行补偿计算，只起到信号传输作用。而在某一子系统或子机构发生严重故障时，能够通过辨识各个系统的相互关系判断出对其他正常系统的容错目标信号和协同补偿信号，使整个系统在某些子系统故障的情况下仍然能够完成相同的任务，实现较精准的协同容错控制。如图4所示，该模块主要包括一个容错选择单元201，一个故障监控单元202，若干容错辨识网络单元203和一个补偿优化单元204，其中，容错辨识网络单元203与子系统3一一对应。故障监控单元202能够判断出故障子系统，容错选择单元201根据故障监控单元202信号选择相应的容错辨识网络单元203（假设，发生故障的子系统为第j个子系统，那么容错选择单元则自动会选择第j个容错辨识网络单元net_j），并将输入原始目标信号传输给选定的容错辨识网络单元203得到对应的输出信号，此时协同容错控制模块2中输出容错目标信号与输入原始目标信号关系可以表示为：

${[{\stackrel{\‾}{\mathrm{\θ}}}_1\left(t\right),{\stackrel{\‾}{\mathrm{\θ}}}_2\left(t\right),\·\·\·,{\stackrel{\‾}{\mathrm{\θ}}}_n\left(t\right)]}^T={\mathrm{net}}_j{[{\mathrm{\θ}}_1\left(t\right),{\mathrm{\θ}}_2\left(t\right),\·\·\·,{\mathrm{\θ}}_n\left(t\right)]}^T---\left(1\right)$

其中，θ_i(t),(i=1,2,…n)表示设备正常运行时由逆运动学模型计算出第i个子系统的原始目标信号，

(i=1,2,…n)表示在容错控制情况下，由容错辨识网络单元203计算出的输出给第i个子系统中误差计算模块的容错目标信号。协同容错控制模块2中的容错辨识网络单元net_j为先前学习、训练的计算网络，可以采用目前研究比较成熟的神经网络、非线性拟合等方法。补偿优化单元204能够读取各个子执行机构的实时运行信号

(i=1,2,…n)和上述计容错辨识网络单元203计算出的容错目标信号(i=1,2,…n)，并向子系统3中的协同补偿模块304输出补偿信号E_i(t),(i=1,2,…n)。其计算过程如下：

如果第j个子系统出现故障无法驱动，那么根据该关节的误差

$e_j\left(t\right)={\stackrel{\‾}{\mathrm{\θ}}}_j\left(t\right)-{\mathrm{\θ}}_j^{\′}\left(t\right)---\left(2\right)$

则可以计算其它子系统i的协同补偿信号为：

$E_i\left(t\right)=\left\{\begin{array}{cc}0,& \left|e_j\left(t\right)\right|\&le;{\mathrm{\&epsiv;}}_{j_1}\\ \frac{e_j\left(t\right)}{{\mathrm{\&Delta;}\stackrel{\&OverBar;}{\mathrm{\&theta;}}}_j\left(k\right)}\&CenterDot;{\mathrm{\&Delta;}\stackrel{\&OverBar;}{\mathrm{\&theta;}}}_i\left(k\right),& {\mathrm{\&epsiv;}}_{j_1}<\left|e_j\left(t\right)\right|\&le;{\mathrm{\&epsiv;}}_{j_2}\\ {\mathrm{\&epsiv;}}_{j_2}\&CenterDot;\frac{e_j\left(t\right)}{\left|e_j\left(t\right)\right|}\&CenterDot;\frac{{\mathrm{\&Delta;}\stackrel{\&OverBar;}{\mathrm{\&theta;}}}_i\left(k\right)}{{\mathrm{\&Delta;}\stackrel{\&OverBar;}{\mathrm{\&theta;}}}_j\left(k\right)},& \left|e_j\left(t\right)\right|>{\mathrm{\&epsiv;}}_{j_2}\end{array}\right.---\left(3\right)$

其中,

为子系统j设置的两个误差阈值，可以看出当误差|e_j(t)|小于

时其他子系统协同补偿信号为0，误差|e_j(t)|大于时，按设定的上、下限值进行补偿计算。其中

表示第k次采样时（即t=k·T_s时,T_s为采样时间）的值，其定义如下：

${\mathrm{\&Delta;}\stackrel{\&OverBar;}{\mathrm{\&theta;}}}_i\left(k\right)=\left\{\begin{array}{cc}{\stackrel{\&OverBar;}{\mathrm{\&theta;}}}_i\left(k\right)-{\stackrel{\&OverBar;}{\mathrm{\&theta;}}}_i(k-1)& ,{\stackrel{\&OverBar;}{\mathrm{\&theta;}}}_i\left(k\right)\&NotEqual;{\stackrel{\&OverBar;}{\mathrm{\&theta;}}}_i(k-1)\\ {\mathrm{\&Delta;}\stackrel{\&OverBar;}{\mathrm{\&theta;}}}_i(k-1)& ,{\stackrel{\&OverBar;}{\mathrm{\&theta;}}}_i\left(k\right)={\stackrel{\&OverBar;}{\mathrm{\&theta;}}}_i(k-1)\end{array}\right.---\left(4\right)$

子系统3中的误差计算模块301能够计算子系统控制误差，当正常运行时用θ_i(t)计算目标信号，当发生故障后用

计算目标信号，其控制误差计算过程可以表示为：

$e_i\left(t\right)=\left\{\begin{array}{cc}{\mathrm{\&theta;}}_i\left(t\right)-{\mathrm{\&theta;}}_i^{\&prime;}\left(t\right),& t\&Element;T_{\mathrm{normal}}\\ {\stackrel{\&OverBar;}{\mathrm{\&theta;}}}_i\left(t\right)-{\mathrm{\&theta;}}_i^{\&prime;}\left(t\right),& t\&NotElement;T_{\mathrm{normal}}\end{array}\right.---\left(5\right)$

其中，T_normal表示设备正常运行时间集合。

子系统3中的一级控制器302是本系统的主要控制器，可以选用工程实践中控制效果较好的PID控制器、模糊控制器等控制器，其初始控制方法可表示为：

U_i(t)=fu_i(e_i(t))（6）

其中U_i(t)为该模块的输出信号。

子系统3中的自适应优化模块303能够对一级控制器302进行自适应优化处理。根据生理性止血系统中血管收缩机制启发，设计出相应的误差收缩优化方法。即当误差较大时能够自动缩小、限制一级控制器中输入的控制误差信号，防止出现较大的超调或调控信号剧烈变化等现象，当计算误差较小时能够做出适当的放大提高响应速度和控制精度。其计算方法设计为：

$\left\{\begin{array}{c}{\stackrel{\&OverBar;}{e}}_i\left(t\right)=\arctan (\frac{e_i\left(t\right)}{e_{\mathrm{seti}}}\&CenterDot;w)\&CenterDot;e_{\mathrm{seti}}\\ w=\tan \left(1\right)\end{array}\right.---\left(7\right)$

其中，e_seti>0表示第i个子系统中的最佳误差调控设定值，一般可以取值为该子系统常规调控范围内的误差绝对值上限值。由式（7）可以知，当误差|e_i(t)|=e_seti时，

当误差|e_i(t)|>e_seti时，

且

当误差|e_i(t)|<e_seti时，

其优化特性符合预期的误差收缩优化目标，优化后式（6）被修正为：

$U_i\left(t\right)={\mathrm{fu}}_i\left({\stackrel{\&OverBar;}{e}}_i\left(t\right)\right)---\left(8\right)$

子系统3中的协同补偿模块304能够接收协同容错控制模块2输出的补偿信号E_i(t)，并进行累计补偿，其输出为：

F_i(t)=K_i·∫E_i(t)dt    （9）

其中，K_i为调控参数，F_i(t)为该模块的输出信号。

子系统3中的二级控制器305能够接收一级控制器303的输出信号和协同补偿模块304的补偿信号，其对执行机构306的输出信号为：

O_i(t)=U_i(t)+F_i(t)（10）

子系统3中的执行机构306，一般包括驱动器、电机和光电编码器。其中，驱动器能够读取二级控制器的输出控制信号促使电机运转，光电编码器能够实时读取电机当前运行状态，并把相应的信号传输给协同容错控制模块2与误差计算模块301。

需要说明的是，本发明中机构运行状态检测模块、协同容错控制模块、n个相互独立的子系统均导入PC系统由CPU控制或嵌入运动控制卡中作为单独的硬件设备使用。

在设备发生局部故障时，原理如图3所示，本发明的容错工作过程如下：

（1）由操作人员或程序自动设置初始目标指令信号给运动学模型模块1，依据设备运动学模型计算出原始目标信号θ_i(t),(i=1,2,…n)。

（2）协同容错控制模块2中的容错选择单元201开始接收原始目标信号θ_i(t)，根据故障监控单元202监控结果选择对应的容错辨识网络单元203，并按式（1）计算出容错目标信号

(i=1,2,…n)。补偿优化单元204接收容错目标信号

和实时运行信号

(i=1,2,…n)，按式（2）至式（4）计算协同补偿信号E_i(t),(i=1,2,…n)。

（3）误差计算模块301接收容错目标信号

和实时运行信号

按式（5）中

情况计算控制误差e_i(t)。

（4）一级控制器302在自适应优化模块303中的式（7）的修正下按照式（8）进行初步自适应控制，并输出控制信号U_i(t)。

（5）协同补偿模块304接收协同补偿信号E_i(t)按式（9）进行计算输出补偿控制信号F_i(t)。

（6）二级控制器按照式（10）进行计算，将最终控制信号O_i(t)传输给子执行机构。各个子执行机构协同运动，被控设备完成目标任务。

为进一步阐述清楚本发明的具体实施过程和有益效果，下面以固高科技有限公司生产的GPM2002系列“二自由度冗余并联机器人”为例进行实验验证。但是本发明保护范围不局限于在此设备上的使用。事例实验设备的几何示意图如图4所示，该设备为一冗余并联机构，也可以看成三个机械臂的协同合作机构。在该设备的三个基座处安分别装了一个交流伺服电机作为设备的主动驱动关节，其坐标如图为：A₁(0,250),A₂(433,0)和A₃(433,500)，单位为mm。设备中间部位C（X，Y）为末端操作器，并分别由三根两杆串联支链杆和三个基座相连接，串联支链杆两链接杆交界处分别记为B₁、B₂和B₃，由基座上主动关节带动运动，称为被动关节，且所有的链接杆长度都相同为l＝244mm。

此机器人为冗余并联机器人，用A_i(x_ai,y_ai)表示基座坐标，在本该实施例中采用运动学模型模块中的逆运动学模型为：

${\mathrm{\&theta;}}_1=\arctan \left(\frac{Y-y_{a_1}}{X-X_{a_1}}\right)+\arccos \left(\frac{L_{A_{1}C}}{2l}\right)---\left(11\right)$

${\mathrm{\&theta;}}_j=\mathrm{\&pi;}+\arctan \left(\frac{Y-y_{a_j}}{X-x_{a_j}}\right)+\arccos \left(\frac{L_{A_{j}C}}{2l}\right),j=\mathrm{2,3}---\left(12\right)$

$L_{A_{i}C}=\sqrt{{(X-x_{a_i})}^2+{(Y-y_{a_i})}^2}---\left(13\right)$

其中，

为A_iC的长度，式(11)、(12)中所求余玄角部分是A_iC与A_iB_i夹角，所求正切角部分是A_iC与X轴夹角。

由图4中冗余关系可以推导出，如果A₁、A₂、A₃三个关节中某个主动关节出现故障，只要另外两个主动关节按照逆运动学模型运动既可以带动故障关节一起运动，仍然完成预期目标。由于在各个链接关节处存在着机械间隙（毫米级别），如果三个主动关节都正常运行，最终末端操作器的误差不是很大。但是如果某个主动关节电机出现故障不能驱动时，该关节产生的摩擦力等因素使该支链则变为了一个非线性的大负载，并且导致机械间隙被累计放大，末端操作器将出现较大误差。为了保证真实工程中发生上述故障后仍然能够实现精准容错控制，首先需要实现对协同容错控制模块中的容错辨识网络单元进行训练。训练时分别假设关节A₁、关节A₂、关节A₃出现故障，训练容错辨识网络单元，其网络结果分别记为net₁、net₂、net₃。本实验设备主要为了实现末端操作器从初始点（216.5，250）到平面内其它任意一点的直线运动。其训练过程如下：

1）数据采集。为了冗余机构在故障状态下仍然能够完成预期目标实现容错控制，需要采集相关的容错数据，数据采集时要根据任务目标规划合适、全面的训练样本。本实验中首先假设关节A_i发生故障不能主动驱动，给定冗余机构输入末端操作器从初始点到目标点C(X，Y)运动轨迹作为样本，样本的选取如图5中黑色带箭头的虚线向量所示，一般以初始点（216.5，250）为圆心，根据精度要求，按一定的角度间隔选取运动轨迹遍历工作空间，其角度间隔越小，采样时间越长精度越高，反之速度快但精度低，该设备一般间隔1至3度比较合适。并联机构在接收到输入目标值后，先按照式（11）至式（13）计算各个主动关节对应的目标角度值，正常关节按规划运动到目标角度，故障关节不给予输入控制信号只由光电编码器读取实时真实值，记录此时末端操作器的真实值C′(X′,Y′)和此时对应的故障关节真实角度由于此时已经发生故障，末端真实值不能再由正运动学模型推导而求，应该采用机器视觉、激光定位等其它传感器检测末端操作器的真实值。本实验采用一个数字CCD摄像头进行读取末端操作器的真实位置，但是由于图像处理计算量较大，并不是实时计算出所有运动轨迹点，而是计算运动过程中某些离散点的位置值。

2）数据拟合处理。由于发生故障后只是读取某一路径上的一些离散点的真实位置，对每一个样本路径分别进行数据拟合处理可以排除错误样本，提高样本精度和样本数量便于更精准的网络学习。通过数据采集中合理的样本轨迹规划，采用如多项式拟合等常规的拟合方法便能够较好地实现数据拟合。本实验目标点X、Y坐标之间的关系可以由Y＝X·tanα表示，其中α为目标轨迹与X轴的夹角角度。X与X′之间的关系、Y与Y′之间的关系可以由数据拟合得出，从而能够得到某一规划路径值(X，Y)到真实值(X′,Y′)的拟合函数。

3）网络划分。在有大量的样本数据的基础上，根据设备特性和任务目标合理的划分数据网络能够提高网络精度和学习、计算速度。

（1）根据设备特性进行数据的经度划分，经度划分定义为所有样本在不同特性或不同取值范围下的划分。本实验冗余机构在末端操作器运动到离初始点（216.5，250）距离30mm范围内时，机械间隙是非线性增长的；运行到30mm范围外时，机械间隙基本上在最大值附件波动，呈现出不同的特性。如图5中的圆形划分所示将数据以目标值为参考，按离初始点位置划分为2个区域，称为经度划分，一般根据实际情况精度划分2至5部分为宜。

（2）根据任务目标进行数据的纬度划分，纬度划分定义为不同样本之间的样本分类划分。本实验如图5中粗黑线所示，根据样本目标轨迹与X轴的角度α进行划分。

4）网络训练。神经网络等智能学习方法能够较好地对非线性数据进行学习和预测，本实验采用BP神经网络进行自学习和预测。按照网络划分结果，整个工作空间被划分为12区域，每个区域分别使用1个子神经网络进行训练，其训练网络输入为末端操作器的真实值：(X′,Y′)，训练网络输出为目标值和故障关节的真实值：

在每个子神经网络训练时，需要按一定比例扩大被划分区域训练样本的覆盖范围（一般扩大20%左右），一方面为了保证各个子神经网络之间的平滑衔接，一方面也为了确保真实值(X′,Y′)和目标值(X，Y)分别落入不同的网络划分区域时仍然能够以目标值的网络划分的神经网络训练得出结果。这些子神经网络训练完成后，在网络集合输入前加上正运动学模型，网络集合输出后加上逆运动学模型，共同组成容错辨识网络net_i。这样输入原始目标信号θ_i(t),(i＝1,2,…n)后由正运动学模型计算出末端操作器预期到达的真实值(X′,Y′)，选择对应的子神经网络计算出末端操作器需要的给定控制器的目标值(X，Y)，然后由逆运动学模型计算出容错目标信号

(i=1,2,…n)，其中故障关节的目标信号

值由训练网络输出故障关节的预期真实值

替代。其整体函数表达如式（1）所示。

本事例实验中一级控制器选用常规的PID控制器，则式（8）此时可以表示为：

$U_i\left(t\right)={\mathrm{Kp}}_i\&CenterDot;{\stackrel{\&OverBar;}{e}}_i\left(t\right)+{\mathrm{Ki}}_i\&CenterDot;\&Integral;{\stackrel{\&OverBar;}{e}}_i\left(t\right)\mathrm{dt}+{\mathrm{Kd}}_i\&CenterDot;\frac{{d\stackrel{\&OverBar;}{e}}_i\left(t\right)}{\mathrm{dt}}---\left(14\right)$

其它部分按上述的各个式子中的算法表达式计算即可，三个关节设置相同的调控参数：式（3）中

式（7）中e_seti=2；式（9）中K_i=0.005；式（14）中K_pi＝2,Ki_i＝0.001,Kd_i＝0；实验设备采样时间为T_s＝0.005s。

在完成上述离线设置后，在真实实验中假设关节A₂发生故障不给予控制信号情况下，给定目标任务分别是从初始点（216.5，250）沿X轴夹角45度方向运动到点（246.5，280）和（296.5，330）。本发明控制器智能精准容错方法和传统PID控制器冗余容错方法（依靠冗余结构进行容错，发生故障后采用备用运动学模型控制器控制）进行对比实验，其实验结果如图6和图7所示，其中，图6表示的是从初始点到（246.5，280）的实验结果，图7表示的是初始点到（296.5，330）的实验结果，图7中采用本发明的控制器所作出的轨迹与目标轨迹基本完全重合。从实验结果表明，冗余机构在发生故障情况下具有一定的容错能力，但是在本发明的作用下，无论是小范围的目标还是大范围的目标，其轨迹误差要明显小于传统的PID容错控制方法，能够实现智能的精准容错控制。

Claims (11)

1.一种协同智能精准容错控制器，包括机构运行状态检测模块（1）、协同容错控制模块（2）、n个相互独立的子系统（3），其中，n>1，其特征在于，所述的子系统（3）包括误差计算模块（301）、一级控制器（302）、自适应优化模块（303）、协同补偿模块（304）、二级控制器（305）和执行机构（306）；所述的机构运行状态检测模块（1）用于检测被控设备（4）的运行状态，并根据被控设备（4）的运行状态计算原始目标信号；所述的协同容错控制模块（2）用于接收所述的机构运行状态检测模块（1）输出的原始目标信号和所述的各个子系统（3）中的执行机构（306）的实时运行信号，在子系统（3）发生故障时辨识各个子系统（3）的相互关系，向未发生故障的子系统（3）中的误差计算模块（301）发出容错目标信号，向协同补偿模块（304）发出补偿信号 $E_i\left(t\right)=\left\{\begin{array}{cc}0,& \left|e_j\left(t\right)\right|\&le;{\mathrm{\&epsiv;}}_{j_1}\\ \frac{e_j\left(t\right)}{{\mathrm{\&Delta;}\stackrel{\&OverBar;}{\mathrm{\&theta;}}}_j\left(k\right)}\&CenterDot;{\mathrm{\&Delta;}\stackrel{\&OverBar;}{\mathrm{\&theta;}}}_i\left(k\right),& {\mathrm{\&epsiv;}}_{j_1}<\left|e_j\left(t\right)\right|\&le;{\mathrm{\&epsiv;}}_{j_2}\\ {\mathrm{\&epsiv;}}_{j_2}\&CenterDot;\frac{e_j\left(t\right)}{\left|e_j\left(t\right)\right|}\&CenterDot;\frac{{\mathrm{\&Delta;}\stackrel{\&OverBar;}{\mathrm{\&theta;}}}_i\left(k\right)}{{\mathrm{\&Delta;}\stackrel{\&OverBar;}{\mathrm{\&theta;}}}_j\left(k\right)},& \left|e_j\left(t\right)\right|>{\mathrm{\&epsiv;}}_{j_2}\end{array}\right.$ 其中，

为容错目标信号，

为实时运行信号，

为子系统设置的两个误差阈值，其中

表示第k次采样时的值，其定义如下 ${\mathrm{\&Delta;}\stackrel{\&OverBar;}{\mathrm{\&theta;}}}_i\left(k\right)=\left\{\begin{array}{cc}{\stackrel{\&OverBar;}{\mathrm{\&theta;}}}_i\left(k\right)-{\stackrel{\&OverBar;}{\mathrm{\&theta;}}}_i(k-1)& ,{\stackrel{\&OverBar;}{\mathrm{\&theta;}}}_i\left(k\right)\&NotEqual;{\stackrel{\&OverBar;}{\mathrm{\&theta;}}}_i(k-1)\\ {\mathrm{\&Delta;}\stackrel{\&OverBar;}{\mathrm{\&theta;}}}_i(k-1)& ,{\stackrel{\&OverBar;}{\mathrm{\&theta;}}}_i\left(k\right)={\stackrel{\&OverBar;}{\mathrm{\&theta;}}}_i(k-1)\end{array}\right.;$ 所述的误差计算模块（301）根据收到的容错目标信号和实时运行信号计算子系统（3）的控制误差，并向所述的一级控制器（302）和自适应优化模块（303）输出控制误差信号；所述的自适应优化模块（303）用于接收所述的误差计算模块（301）发出的控制误差信号并对所述的控制误差信号进行自适应优化处理，并将自适应优化处理后的信号发送至所述的一级控制器（302）；所述的一级控制器（302）根据自适应优化模块（303）处理的信号向二级控制器（305）输出控制信号；所述的协同补偿模块（304）用于接收协同容错控制模块（2）输出的补偿信号，并进行累计补偿，输出补偿控制信号；所述的二级控制器（305）根据接收到的一级控制器（302）的控制信号和协同补偿模块（304）输出的补偿控制信号对所述的执行机构（306）进行控制。

2.根据权利要求1所述的协同智能精准容错控制器，其特征在于，所述的机构运行状态检测模块（1）为运动学模型模块或机器视觉检测模块。

3.根据权利要求2所述的协同智能精准容错控制器，其特征在于，所述的运动学模型模块包括正运动学模型和逆运动学模型。

4.根据权利要求1所述的协同智能精准容错控制器，其特征在于，所述的协同容错控制模块（2）包括容错选择单元（201）、故障监控单元（202）、补偿优化单元（204）和n个容错辨识网络单元（203），其中，n>1；所述的容错辨识网络单元（203）与所述的子系统（3）一一对应；所述的故障监控单元（202）用于检测出发生故障的子系统（3）；所述的容错选择单元（201）用于接收原始目标信号，根据故障监控单元（202）输出的信号选择相应的容错辨识网络单元（203），并将收到的原始目标信号传输给所述的相应的容错辨识网络单元（203）；所述的容错辨识网络单元（203）根据收到的原始目标信号计算出容错目标信号，并输出容错目标信号；所述的补偿优化模块（204）根据所述的容错目标信号和各个子执行机构（306）的实时运行信号计算补偿信号，向所述的协同补偿模块（304）输出补偿信号。

5.根据权利要求4所述的协同智能精准容错控制器，其特征在于，所述的容错辨识网络单元（203）为先前学习、训练的计算网络单元。

6.根据权利要求1所述的协同智能精准容错控制器，其特征在于，所述的机构运行状态检测模块（1）、协同容错控制模块（2）、n个相互独立的子系统（3）均导入PC系统由CPU控制或嵌入运动控制卡中作为单独的硬件设备使用。

7.一种如权利要求1所述的协同智能精准容错控制器的控制方法，其特征在于，包括以下步骤：

（1）机构运行状态检测模块检测被控设备的运行状态，并根据被控设备的运行状态计算原始目标信号；

（2）协同容错控制模块用于接收原始目标信号和各个子系统中的执行机构的反馈信号，在子系统发生故障时辨识各个子系统的相互关系，向未发生故障的子系统中的误差计算模块发出容错目标信号，向协同补偿模块发出补偿信号；

（3）误差计算模块根据收到的容错目标信号和实时运行信号计算子系统的控制误差；

（4）一级控制器根据自适应优化模块处理的信号向二级控制器输出控制信号；

（5）协同补偿模块接收补偿信号，进行累计补偿输出补偿控制信号；

（6）二级控制器根据一级控制器输出的控制信号和协同补偿模块输出的补偿控制信号控制执行机构。

8.根据权利要求7所述的协同智能精准容错控制方法，其特征在于，所述的步骤（1）中的机构运行状态检测模块为运动学模型模块或机器视觉检测模块。

9.根据权利要求8所述的协同智能精准容错控制方法，其特征在于，所述的原始目标信号通过所述的运动学模型计算得到。

10.根据权利要求7所述的协同智能精准容错控制方法，其特征在于，所述的步骤（2）中包括以下子步骤：

（a）故障监控单元检测出发生故障的子系统；

（b）容错选择单元接收原始目标信号，根据故障监控单元输出的信号选择相应的容错辨识网络单元，并将收到的原始目标信号传输给所述的相应的容错辨识网络单元；

（c）所述的容错辨识网络单元根据收到的原始目标信号计算出容错目标信号，并输出容错目标信号；

（d）补偿优化模块根据容错目标信号和各个子执行机构的实时运行信号计算补偿信号，并向协同补偿模块输出补偿信号。

11.根据权利要求10所述的协同智能精准容错控制方法，其特征在于，所述的容错辨识网络单元为先前学习、训练的计算网络单元，并通过神经网络或非线性拟合的方法计算容错目标信号。

Images