CN106168762A - 一种基于模糊聚类逆模型的残余振动抑制方法 - Google Patents
一种基于模糊聚类逆模型的残余振动抑制方法 Download PDFInfo
- Publication number
- CN106168762A CN106168762A CN201610836064.4A CN201610836064A CN106168762A CN 106168762 A CN106168762 A CN 106168762A CN 201610836064 A CN201610836064 A CN 201610836064A CN 106168762 A CN106168762 A CN 106168762A
- Authority
- CN
- China
- Prior art keywords
- fuzzy clustering
- inversion model
- matrix
- control action
- oscillation
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开一种基于模糊聚类逆模型的残余振动抑制方法,根据系统要抑制的振动模态的当前时刻的输出和当前时刻的输入数据离线构造模糊聚类逆模型,在线获得未来时刻的控制作用。再利用叠加原理,叠加到原控制作用上去,从而实时地抑制系统的残余振动。采用本发明技术方案,有效减少多振动模态的残余振动,可以应用于果蔬采摘机器人柔性负载的振动抑制上。
Description
技术领域
本发明属于自动化控制领域,尤其涉及一种基于模糊聚类逆模型的残余振动抑制方法。
技术背景
航天器、起重机、挠性机器人等具有挠性机械环节的系统,其阻尼往往很小,在阶跃作用下,系统表现出长时间的振动,称为残余振动,给系统的精确控制带来了困难。为了消除这种残余振动,人们提出了不同的方法,从总体上来说可以分为两种方法,一种是开环的抑制方法,典型的代表是输入整形技术。另一种是闭环的抑制方法,包含各种鲁棒控制、优化控制技术。
但现有的振动控制技术多依赖于系统的精确数学模型,为抵消残余振动而施加的脉冲信号对其产生的时间节点要求很精确,残余振动一般要求几个脉冲作用就消除,因而控制作用幅度较大,当有多振动模态存在时处理起来比较困难。
发明内容
本发明要解决的技术问题是,提供一种基于模糊聚类逆模型的残余振动抑制方法,可以有效减少多振动模态的残余振动。
为达到上述目的,本发明采用如下的技术方案:
一种基于模糊聚类逆模型的残余振动抑制方法,主要包括以下步骤:
步骤S1、根据系统要抑制的振动模态采样获得输出输入数据对;
步骤S2、根据获得的输出输入数据对,应用模糊聚类建模技术,离线获得要抑制的振动模态的逆模型;
步骤S3、由得到的模糊聚类逆模型,根据系统的输出和输入在线计算下一个时刻的控制作用。
步骤S4、应用叠加原理,将所获得的模糊聚类逆模型下一个时刻的输出叠加到原来的控制作用上;
步骤S5、系统在复合控制作用的作用下,产生比较理想的输出,系统的残余振动得到一定程度的抑制;
步骤S5、在下一个周期,重复执行步骤S3-步骤S5。
作为优选,所述步骤S1中,要抑制的振动模态的动态响应通过下式获得:yS k=yTk-y k,其中,yS k是要抑制的振动模态的动态响应,yT k是没有振动时理想的输出,y k是实际的过程输出,要抑制的振动模态的获得需要对系统进行充分激励,可采用在原控制信号上叠加多个频率错开的正弦信号作为激励源,即其中,us是充分激励的信号源,ul是原来的控制信号,J是正弦信号的个数,Mi是第i个正弦信号的幅值,ωi是第i个正弦信号的频率,由此可以获得建立逆模型所用的输入输出数据u k+1,u k,y k。
作为优选,所述步骤S2根据所获得的输入输出数据采用模糊聚类的建模技术建立逆模型,模糊聚类逆模型实质上是一个预测模型,即根据当前时刻的输出和当前时刻的输入预测未来时刻的输入,即未来时刻的控制作用,具体步骤如下:
假设数据集Z包含要抑制的振动模态的输出输入数据,选择c个聚类,1<c<N(N为整数),模糊化参数m>1,收敛准则ε>0,随机初始化分割矩阵。
令l=1,2,…,按以下步骤计算:
S1)计算模糊聚类中心
其中,v为模糊聚类中心,μ为隶属的函数,z为模糊化矩阵的观测值,k为整数,表示第i个模糊聚类中的第k个模糊子集,
S2)计算模糊聚类方差矩阵F
其中,T代表矩阵或向量的转置,
S3)计算距离D的范数
其中,Ai为第i个聚类的范数矩阵,ρi为其约束值,det表示求解矩阵行列式的值,n为整数,
S4)更新分割矩阵
如果对于1≤i≤c,1≤k≤N,则
其他:
如果和且
重复上述步骤直到||U(l)-U(l-1)||<ε,其中U代表隶属度函数矩阵,ε是收敛准则,
S5)将单点隶属度函数转化成用二层前馈神经网络表示的显式方程
其中,f表示隶属度函数μ是输入uk或输出yk的隐函数,Ai表示输入uk的模糊子集,Bi表示输出yk的模糊子集,Net表示神经网络,
S6)用最小二乘方法辨识后件变量ai,bi
θ=(XTX)-1XTY
其中:输入矩阵Y=[u(k+1),u(k+2),Λu(k+N)]T,参数矩阵θ=[a1 b1 a2 b2 Λ acbc]T,观测矩阵
S7)得到控制作用uk+1
其中,K为整数,
作为优选,所述步骤S3的控制作用uk+1是根据离线所得到的显式模型由在线输入uk,输出数据yk计算所得,每一个采样周期执行一次。
作为优选,所述步骤S4的控制作用um为原来的控制作用ul加上模糊聚类逆模型所产生的控制作用uk+1,所述步骤S5的复合控制作用u为所述步骤S3的开环控制作用加上PID闭环控制作用共同作用的结果。
本发明具有以下有益效果:
1、利用本发明,采用模糊聚类的方法进行离线建模。由于建模过程的输入只有被控过程的输入-输出数据,无需额外的信息。因而是一种基于数据的方法。因而除了能胜任一般线性系统以外,更能胜任一些机理不清、非线性、时变等不易建模的复杂过程。因而适用范围更广。
2、本发明的建模过程,是用一系列的局部子模型来代替全局模型,通过隶属度函数的定义在这些子模型之间平滑切换。可以逼近任何一个光滑的非线性系统。因而把复杂系统的控制器设计问题转化成多个简单的局部子模型的控制器设计。
3、本发明模糊聚类逆模型控制作用的产生过程将单点隐式模型变成了显式方程,因而可以直接获得控制作用。
4、本发明的残余振动的开环补偿方法,在每个采样周期都起作用,因而可以使控制作用的幅度减小,且对脉冲产生的时间也不像输入整形技术要求那样高,还可以适用于多振动模态存在的被控过程。
5、本发明采用了开环和闭环补偿共同作用,可以减少在开环补偿中不确定因素的影响,使得控制效果更好。
附图说明:
图1为基于模糊聚类逆模型的残余振动抑制方法的框架图;
图2为西红柿串采摘机器人系统示意图;
图3为西红柿串采摘机器人控制系统的Simulink仿真图;
图4为西红柿串采摘机器人系统残余振动抑制效果比较图。
具体实施方式:
为使本发明的目的、技术方案和优点更加清楚明白,下面以一个西红柿串采摘机器人柔性负载的振动控制为例详细阐述本发明的实施方式。
如图1所示,本发明实施例提供一种基于模糊聚类逆模型的残余振动抑制方法,包括以下步骤:
步骤S1、根据系统要抑制的振动模态采样获得输出输入数据对;
步骤S2、根据获得的输出输入数据对,应用模糊聚类建模技术,离线获得要抑制的振动模态的逆模型;
步骤S3、由离线得到的模糊聚类逆模型,根据系统的输出和输入在线计算下一个时刻的控制作用。
步骤S4、应用叠加原理,将所获得的模糊聚类逆模型下一个时刻的输出叠加到原来的控制作用上;
步骤S5、系统在复合控制作用的作用下,产生比较理想的输出,系统的残余振动得到一定程度的抑制;
步骤S6、在下一个周期,重复执行步骤S3-步骤S5。
本发明的基于模糊聚类逆模型的残余振动抑制方法,根据要消除的残余振动的输出输入数据对,通过模糊聚类建模技术,建立逆模型,用当前时刻的输入和当前时刻的输出预测未来时刻的控制作用,再利用叠加原理,在每个控制周期中将控制作用加到原控制作用上共同施加到被控对象上。为了减少不确定因素对控制性能的影响。又采用了开环控制和常规PID闭环控制相结合的技术。
图2所示的是西红柿串采摘机器人的示意图。它是一个刚柔耦合系统。机械臂和西红柿是刚性系统,西红柿串是柔性系统。如果西红柿串足够长,串上的西红柿可以认为重量集中于一个大西红柿上。机器臂可以在导轨上移动。整个系统的运动可以分成两个阶段,强制运动阶段和自由运动阶段。应用Lagrange方程,系统可以建立如下的数学模型:
其中,L代表Lagrange方程,M代表机械臂的重量,m代表西红柿串的重量,l代表西红柿串的长度,μ代表摩擦系数,F代表驱动力,r表示阻尼系数,g代表重力加速度,x,分别代表机械臂的位移,速度和加速度,θ,代表西红柿串的角度,角速度和角加速度。
进一步可以整理为
西红柿串摆动时的阻尼影响和机械臂的作用力相比可以忽略,因此模型可以进一步简化为
具体的模型参数如表1所示
表1西红柿采摘机器人系统模型参数
没有振动时最终西红柿串将稳定在角度为0的位置,因此可选取要抑制的轨迹为0-y(k)=-y(k)。在原系统上施加激励源其中J=3,M1=M2=M3=1,获得辨识的输入输出数据。选取聚类个数c=3,模糊化参数m=2,收敛准则ε=0.01,按照技术方案S1-S7的步骤可建立模糊聚类逆模型为uk+1=0.9979uk-0.0066yk,在Simulink环境下建立如图3所示的仿真模型,PID控制器的参数如表2所示。
表2 PID控制器参数设置
控制效果如图4所示,从图中可以看到,机械臂被控制到了5米的位置,同时西红柿串的振动得到了抑制。其中,单纯的开环(逆模型)补偿对残余振动有很强的抑制效果,但控制效果还不太理想。开环(逆模型)和闭环(PID控制)共同补偿的效果最好。西红柿串很快稳定到了角度为0的位置。该实例生动的证明了本发明的控制效果。
Claims (5)
1.一种基于模糊聚类逆模型的残余振动抑制方法,其特征在于,包括以下步骤:
步骤S1、根据系统要抑制的振动模态采样获得输出输入数据对;
步骤S2、根据获得的输出输入数据对,应用模糊聚类建模技术,离线获得要抑制的振动模态的逆模型;
步骤S3、由得到的模糊聚类逆模型,根据系统的输出和输入在线计算下一个时刻的控制作用。
步骤S4、应用叠加原理,将所获得的模糊聚类逆模型下一个时刻的输出叠加到原来的控制作用上;
步骤S5、系统在复合控制作用的作用下,产生比较理想的输出,系统的残余振动得到一定程度的抑制;
步骤S6、在下一个周期,重复执行步骤S3-步骤S5。
2.如权利要求1所述的基于模糊聚类逆模型的残余振动抑制方法,其特征在于,所述步骤S1中,要抑制的振动模态的动态响应通过下式获得:yS k=yT k-y k,其中,yS k是要抑制的振动模态的动态响应,yT k是没有振动时理想的输出,y k是实际的过程输出,要抑制的振动模态的获得需要对系统进行充分激励,可采用在原控制信号上叠加多个频率错开的正弦信号作为激励源,即其中,us是充分激励的信号源,ul是原来的控制信号,J是正弦信号的个数,Mi是第i个正弦信号的幅值,ωi是第i个正弦信号的频率,由此可以获得建立逆模型所用的输入输出数据u k+1,u k,y k。
3.如权利要求1所述的基于模糊聚类逆模型的残余振动抑制方法,其特征在于,所述步骤S2根据所获得的输入输出数据采用模糊聚类的建模技术离线建 立逆模型,具体步骤如下:
假设数据集Z包含要抑制的振动模态的输出输入数据,选择c个聚类,1<c<N(N为整数),模糊化参数m>1,收敛准则ε>0,随机初始化分割矩阵。
令l=1,2,…,按以下步骤计算:
S1)计算模糊聚类中心
其中,v为模糊聚类中心,μ为隶属的函数,z为模糊化矩阵的观测值,k为整数,表示第i个模糊聚类中的第k个模糊子集,其他符号如前所示。
S2)计算模糊聚类方差矩阵F
其中,T代表矩阵或向量的转置,
S3)计算距离D的范数
其中,Ai为第i个聚类的范数矩阵,ρi为其约束值,det表示求解矩阵行列式的值,n为整数,
S4)更新分割矩阵
如果对于1≤i≤c,1≤k≤N,则
其他:
如果和且
重复上述步骤直到||U(l)-U(l-1)||<ε,其中U代表隶属度函数矩阵,ε是收敛准则。
S5)将单点隶属度函数转化成用二层前馈神经网络表示的显式方程
其中,f表示隶属度函数μ是输入uk或输出yk的隐函数,Ai表示输入uk的模糊子集,Bi表示输出yk的模糊子集,Net表示神经网络,
S6)用最小二乘方法辨识后件变量ai,bi
θ=(XTX)-1XTY
其中:输入矩阵Y=[u(k+1),u(k+2),Λu(k+N)]T,参数矩阵θ=[a1 b1 a2 b2 Λ ac bc]T,观测矩阵
S7)得到控制作用uk+1
其中,K为整数。
4.如权利要求1所述的基于模糊聚类逆模型的残余振动抑制方法,其特征在于,所述步骤S3的控制作用uk+1是根据离线所得到的显式模型由在线输入uk,输出数据yk计算所得,每一个采样周期执行一次。
5.如权利要求1所述的基于模糊聚类逆模型的残余振动抑制方法,其特征在于,所述步骤S4的控制作用um为原来的控制作用ul加上模糊聚类逆模型所产 生的控制作用uk+1,所述步骤S5的复合控制作用u为所述步骤S3的开环控制作用加上PID闭环控制作用共同作用的结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610836064.4A CN106168762B (zh) | 2016-09-20 | 2016-09-20 | 一种基于模糊聚类逆模型的残余振动抑制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610836064.4A CN106168762B (zh) | 2016-09-20 | 2016-09-20 | 一种基于模糊聚类逆模型的残余振动抑制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106168762A true CN106168762A (zh) | 2016-11-30 |
CN106168762B CN106168762B (zh) | 2020-02-04 |
Family
ID=57376234
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610836064.4A Active CN106168762B (zh) | 2016-09-20 | 2016-09-20 | 一种基于模糊聚类逆模型的残余振动抑制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106168762B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107053257A (zh) * | 2017-03-13 | 2017-08-18 | 中国石油大学(华东) | 用于四自由度圆柱坐标型码垛机器人的末端残余振动抑制的方法 |
CN107678277A (zh) * | 2017-03-16 | 2018-02-09 | 南京工业大学 | 一种双摆桥式起重机非线性滑模面的滑模控制方法 |
CN108536016A (zh) * | 2018-04-19 | 2018-09-14 | 北京联合大学 | 一种基于模糊逆模型的网络化控制方法 |
CN114253308A (zh) * | 2020-09-21 | 2022-03-29 | 陕西环保产业研究院有限公司 | 一种空间框架结构振动的主动控制方法和设备 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102138209A (zh) * | 2008-08-28 | 2011-07-27 | 细美事有限公司 | 调节传送构件的速度的方法、使用该方法传送基板的方法以及基板处理设备 |
CN103629293A (zh) * | 2013-12-04 | 2014-03-12 | 中联重科股份有限公司 | 臂架残余振动的抑制方法及装置 |
-
2016
- 2016-09-20 CN CN201610836064.4A patent/CN106168762B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102138209A (zh) * | 2008-08-28 | 2011-07-27 | 细美事有限公司 | 调节传送构件的速度的方法、使用该方法传送基板的方法以及基板处理设备 |
CN103629293A (zh) * | 2013-12-04 | 2014-03-12 | 中联重科股份有限公司 | 臂架残余振动的抑制方法及装置 |
Non-Patent Citations (5)
Title |
---|
DENG HUI ET AL: "robust control of robotic manipulators using fuzzy inverse model", 《自动化学报》 * |
M.THUMMEL ET AL.: "Control of Robots with Elastic Joints based on Automatic Generation of Inverse Dynamics Models", 《INTERNATIONAL CONFERENCE ON INTELLIGENT ROBOTS AND SYSTEMS》 * |
余兵等: "模糊控制及其在液压伺服系统中的应用", 《液压与气动》 * |
徐文福等: "基于粒子群优化的刚柔混合机械臂振动抑制规划", 《控制与决策》 * |
熊根良: "具有柔性关节的轻型机械臂控制系统研究", 《中国博士学位论文全文数据库信息科技辑》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107053257A (zh) * | 2017-03-13 | 2017-08-18 | 中国石油大学(华东) | 用于四自由度圆柱坐标型码垛机器人的末端残余振动抑制的方法 |
CN107053257B (zh) * | 2017-03-13 | 2018-09-14 | 中国石油大学(华东) | 四自由度圆柱坐标型码垛机器人末端残余振动抑制方法 |
CN107678277A (zh) * | 2017-03-16 | 2018-02-09 | 南京工业大学 | 一种双摆桥式起重机非线性滑模面的滑模控制方法 |
CN108536016A (zh) * | 2018-04-19 | 2018-09-14 | 北京联合大学 | 一种基于模糊逆模型的网络化控制方法 |
CN108536016B (zh) * | 2018-04-19 | 2021-11-05 | 北京联合大学 | 一种基于模糊逆模型的网络化控制方法 |
CN114253308A (zh) * | 2020-09-21 | 2022-03-29 | 陕西环保产业研究院有限公司 | 一种空间框架结构振动的主动控制方法和设备 |
CN114253308B (zh) * | 2020-09-21 | 2022-08-30 | 陕西环保产业研究院有限公司 | 一种空间框架结构振动的主动控制方法和设备 |
Also Published As
Publication number | Publication date |
---|---|
CN106168762B (zh) | 2020-02-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106168762A (zh) | 一种基于模糊聚类逆模型的残余振动抑制方法 | |
CN102636995B (zh) | 基于rbf神经网络滑模控制微陀螺仪的方法 | |
CN105773623A (zh) | 基于预测型间接迭代学习的scara机器人轨迹跟踪控制方法 | |
CN101520857B (zh) | 一种基于神经网络的永磁球形电动机逆运动学求解方法 | |
CN105174061B (zh) | 基于伪谱法的双摆吊车全局时间最优轨迹规划方法 | |
CN106527129A (zh) | 一种并联机器人间接自适应模糊控制参数的确定方法 | |
CN107671861A (zh) | 一种改进的scara机器人动力学参数辨识方法 | |
CN105911863A (zh) | 多机器人协作夹持系统神经网络轨迹跟踪控制方法 | |
CN104808487A (zh) | 一种神经网络自适应鲁棒轨迹跟踪方法及控制器 | |
CN107160398A (zh) | 基于确定学习的全状态受限刚性机械臂安全可靠控制方法 | |
CN103927451B (zh) | 一种空间机器人系统参数在轨辨识方法 | |
CN105772917A (zh) | 一种三关节点焊机器人轨迹跟踪控制方法 | |
CN106078741A (zh) | 基于确定学习理论的性能受限柔性机械臂控制方法 | |
CN103433924A (zh) | 串联机器人高精度位置控制方法 | |
Tian et al. | Swing suppression control in tower cranes with time-varying rope length using real-time modified trajectory planning | |
CN105798930A (zh) | 基于龙伯格状态观测器的柔性机械臂系统饱和补偿控制方法 | |
CN109581868A (zh) | 基于评判辨识结构的可重构机器人分散神经最优控制方法 | |
CN103955136B (zh) | 电磁致驱动定位控制方法及其应用 | |
CN106788028A (zh) | 无轴承永磁同步电机强化学习控制器及其构造方法 | |
Nakazono et al. | Vibration control of load for rotary crane system using neural network with GA-based training | |
CN104852639A (zh) | 基于神经网络的永磁同步电机参数自整定速度控制器 | |
CN102411302A (zh) | 基于直接自适应模糊控制的mems微陀螺仪控制方法 | |
CN106371442A (zh) | 一种基于张量积模型变换的移动机器人控制方法 | |
Lin et al. | Recurrent radial basis function network-based fuzzy neural network control for permanent-magnet linear synchronous motor servo drive | |
Wang et al. | Research of manipulator trajectory tracking based on adaptive robust iterative learning control |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |