CN106773684B - 基于智能学习评价的柔性机械臂复合控制方法 - Google Patents
基于智能学习评价的柔性机械臂复合控制方法 Download PDFInfo
- Publication number
- CN106773684B CN106773684B CN201611125098.9A CN201611125098A CN106773684B CN 106773684 B CN106773684 B CN 106773684B CN 201611125098 A CN201611125098 A CN 201611125098A CN 106773684 B CN106773684 B CN 106773684B
- Authority
- CN
- China
- Prior art keywords
- mechanical arm
- matrix
- control
- flexible mechanical
- designer
- 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.)
- Active
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
- G05B13/048—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 using a predictor
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
本发明公开了一种基于智能学习评价的柔性机械臂复合控制方法,用于解决现有柔性机械臂控制方法控制精度差的技术问题。技术方案是对已有的柔性机械臂模型进行线性化处理,控制器考虑系统的集总不确定性,引入神经网络逼近系统不确定项;进一步考虑建模误差,设计系统的预测模型,并将建模误差引入神经网络权重自适应更新律中,使得反馈信息更加全面,提高了控制精度,适用于工程需求。
Description
技术领域
本发明涉及一种柔性机械臂控制方法,特别涉及一种基于智能学习评价的柔性机械臂复合控制方法。
背景技术
柔性机械臂由于其结构弹性,在运动过程中会产生形变和振动,不利于高精度控制。许多控制理论被应用在柔性机械臂的控制中。比例微分控制鲁棒性较差;自适应控制和鲁棒控制算法都对柔性机械臂的参数变化具有一定的适应能力,但需要精确的模型和参数变动范围;奇异摄动控制方法要求摄动参数小,应用具有一定局限性。
文献“柔性机械臂捕获卫星碰撞动力学分析、镇定运动神经网络控制及抑振董楸煌,陈力,《机械工程学报》,2014年第50卷第9期”一文采用奇异摄动法将混合体系统的动力学方程解耦为快、慢变子系统,采用神经网络估计系统的不确定参数进一步控制机械臂刚性运动。满足李雅普诺夫稳定性,然而控制算法忽略了建模误差,使得控制精度较差,无法实现工程高精度需求。
发明内容
为了克服现有柔性机械臂控制方法控制精度差的不足,本发明提供一种基于智能学习评价的柔性机械臂复合控制方法。该方法对已有的柔性机械臂模型进行线性化处理,控制器考虑系统的集总不确定性,引入神经网络逼近系统不确定项;进一步考虑建模误差,设计系统的预测模型,并将建模误差引入神经网络权重自适应更新律中,使得反馈信息更加全面,提高了控制精度,适用于工程需求。
本发明解决其技术问题所采用的技术方案:一种基于智能学习评价的柔性机械臂复合控制方法,其特点是包括以下步骤:
(a)考虑n自由度柔性机械臂动力学模型:
其中,M为正定对称惯性矩阵,是与哥氏力和向心力有关的项,D1、D2为阻尼矩阵,K2为刚度矩阵,u为关节输入力矩。是由机械臂关节角和柔性模态组成的广义矢量,其中θi为第i个关节角变量,δi,j是第i个连杆的第j个模态变量。
(b)定义公式(1)进一步写为:
进一步,针对系统存在的非最小相位特性,进行输出重定义并写成矩阵形式:
y=θ+Cδ
其中,m为模态阶数,-1<αi<1由设计者给定,li为第i个连杆的长度,φi,j为第i个连杆的第j阶模态函数值。
定义得到动态方程,包括输入输出子系统方程(4)和内动态子系统方程(5):
其中,uex为输入输出子系统的控制输入,uin为内动态子系统的控制输入。相关的非线性项如下:
B(α,θ,δ)=H11+CH21
F(θ,δ)=H21
根据系统参数的标称信息,计算矩阵B(α,θ,δ)的标称值:B0(α,θ,δ),即
B(α,θ,δ)=B0(α,θ,δ)+ΔB(α,θ,δ)。
(c)定义误差信号e1=μ1-yr,其中yr为期望的关节角度。设计虚拟控制量
其中,k1∈Rn×n为正定对称非奇异矩阵,由设计者给定。
定义误差信号e2=μ2-u2d,模型预测误差其中由式(7)计算得到:
其中,z=[μT,ψT]T;β∈Rn×n为正定对称非奇异矩阵,由设计者给定;为神经网络基函数向量。神经网络权重自适应更新律为:
其中,γ、γNN、ξ均为正数,由设计者选定。
设计控制器
其中,k2∈Rn×n为正定对称非奇异矩阵,由设计者选定。
(d)内动态子系统采用状态反馈控制器:控制增益kδ和kδ为采用极点配置得到的Rn×mn阶矩阵,控制器总输入:
u=uex+uin (10)
根据所得到的控制输入u,返回柔性机械臂模型(1)中,对关节角进行控制同时实现模态镇定。
本发明的有益效果是:该方法对已有的柔性机械臂模型进行线性化处理,控制器考虑系统的集总不确定性,引入神经网络逼近系统不确定项;进一步考虑建模误差,设计系统的预测模型,并将建模误差引入神经网络权重自适应更新律中,使得反馈信息更加全面,提高了控制精度,适用于工程需求。
下面结合附图和具体实施方式对本发明作详细说明。
附图说明
图1是本发明基于智能学习评价的柔性机械臂复合控制方法的流程图。
具体实施方式
参照图1。本发明基于智能学习评价的柔性机械臂复合控制方法具体步骤如下:
(a)考虑2自由度柔性机械臂动力学模型:
其中,M为正定对称惯性矩阵,是与哥氏力和向心力有关的项,D1、D2为阻尼矩阵,K2为刚度矩阵,u为关节输入力矩。是由机械臂关节角和柔性模态组成的广义矢量,其中θi为第i个关节角变量,δi,j是第i个连杆的第j个模态变量。
连杆长度l1=l2=0.5m,连杆质量m1=m2=0.1kg,连杆抗弯刚度EI1=EI2=10N·m2,末端等效质量mp=0.1kg。以此推导出
i取1、2,模态阶数m=2。
(b)在操作范围内,假设M可逆,令公式(1)变形为:
进一步,针对系统存在的非最小相位特性,进行输出重定义并写成矩阵形式:
y=θ+Cδ
其中,
定义得动态方程,具体形式为输入输出子系统方程(4)和内动态子系统方程(5)。
其中,uex为输入输出子系统的控制输入,uin为内动态子系统的控制输入。
B(α,θ,δ)=H11+CH21
F(θ,δ)=H21
α=[α1,α2]T=[0.9,0.81]T。
结合系统标称物理参数,推出B(α,θ,δ)的标称值
(c)定义误差信号e1=μ1-yr,其中yr为期望的关节角度,具体形式为设计虚拟控制量
其中,
定义e2=μ2-u2d,定义模型预测误差其中,由(7)式得到。
其中,z=[μT,ψT]T, 为神经网络基函数向量,神经网络权重自适应更新律为:
其中,γ=0.5,γNN=50,ξ=0.2。
控制uex设计如下:
其中,
(d)内动态子系统采用状态反馈控制器:
其中,
总控制输入
根据所得到的控制输入u,返回柔性机械臂模型公式(1)中,对关节角进行控制同时实现模态镇定。
Claims (1)
1.一种基于智能学习评价的柔性机械臂复合控制方法,其特征在于包括以下步骤:
(a)考虑n自由度柔性机械臂动力学模型:
其中,M为正定对称惯性矩阵,是与哥氏力和向心力有关的项,D1、D2为阻尼矩阵,K2为刚度矩阵,u为关节输入力矩;是由机械臂关节角和柔性模态组成的广义矢量,其中θi为第i个关节角变量,δi,j是第i个连杆的第j个模态变量;
(b)定义公式(1)进一步写为:
进一步,针对系统存在的非最小相位特性,进行输出重定义并写成矩阵形式:
y=θ+Cδ
其中,i=1…n,m为模态阶数,-1<αi<1由设计者给定,li为第i个连杆的长度,φi,j为第i个连杆的第j阶模态函数值;
定义得到动态方程,包括输入输出子系统方程(4)和内动态子系统方程(5):
其中,uex为输入输出子系统的控制输入,uin为内动态子系统的控制输入;相关的非线性项如下:
B(α,θ,δ)=H11+CH21
F(θ,δ)=H21
根据系统参数的标称信息,计算矩阵B(α,θ,δ)的标称值:B0(α,θ,δ),即
B(α,θ,δ)=B0(α,θ,δ)+ΔB(α,θ,δ);
(c)定义误差信号e1=μ1-yr,其中yr为期望的关节角度;设计虚拟控制量
其中,k1∈Rn×n为正定对称非奇异矩阵,由设计者给定;
定义误差信号e2=μ2-u2d,模型预测误差其中由式(7)计算得到:
其中,z=[μT,ψT]T;β∈Rn×n为正定对称非奇异矩阵,由设计者给定;为神经网络基函数向量;神经网络权重自适应更新律为:
其中,γ、γNN、ξ均为正数,由设计者选定;
设计控制器
其中,k2∈Rn×n为正定对称非奇异矩阵,由设计者选定;
(d)内动态子系统采用状态反馈控制器:控制增益kδ和为采用极点配置得到的Rn×mn阶矩阵,控制器总输入:
u=uex+uin (10)
根据所得到的控制输入u,返回柔性机械臂模型(1)中,对关节角进行控制同时实现模态镇定。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611125098.9A CN106773684B (zh) | 2016-12-09 | 2016-12-09 | 基于智能学习评价的柔性机械臂复合控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611125098.9A CN106773684B (zh) | 2016-12-09 | 2016-12-09 | 基于智能学习评价的柔性机械臂复合控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106773684A CN106773684A (zh) | 2017-05-31 |
CN106773684B true CN106773684B (zh) | 2019-06-04 |
Family
ID=58881878
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611125098.9A Active CN106773684B (zh) | 2016-12-09 | 2016-12-09 | 基于智能学习评价的柔性机械臂复合控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106773684B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107390523B (zh) * | 2017-07-13 | 2020-07-14 | 西北工业大学 | 空间绳系复合体系统的自适应神经网络动态面控制器 |
CN108009380A (zh) * | 2017-12-22 | 2018-05-08 | 湖南上势智能科技有限公司 | 一种设计柔性并联机构的方法 |
CN108388114B (zh) * | 2018-02-07 | 2021-07-09 | 中国航空工业集团公司西安飞机设计研究所 | 一种基于输出重定义的柔性机械臂复合控制方法 |
CN108789418B (zh) * | 2018-08-03 | 2021-07-27 | 中国矿业大学 | 柔性机械臂的控制方法 |
CN109514559B (zh) * | 2018-12-24 | 2022-02-11 | 中国航空工业集团公司西安飞机设计研究所 | 基于输出重定义的柔性机械臂时标分离鲁棒控制方法 |
CN112506057B (zh) * | 2020-12-02 | 2021-09-17 | 郑州轻工业大学 | 不确定奇异摄动系统在线多时间尺度快速自适应控制方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104950678A (zh) * | 2015-06-17 | 2015-09-30 | 浙江工业大学 | 一种柔性机械臂系统的神经网络反演控制方法 |
CN105798930A (zh) * | 2016-04-01 | 2016-07-27 | 浙江工业大学 | 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 |
CN106113040A (zh) * | 2016-07-19 | 2016-11-16 | 浙江工业大学 | 基于串并联估计模型的柔性机械臂系统模糊控制方法 |
-
2016
- 2016-12-09 CN CN201611125098.9A patent/CN106773684B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104950678A (zh) * | 2015-06-17 | 2015-09-30 | 浙江工业大学 | 一种柔性机械臂系统的神经网络反演控制方法 |
CN105798930A (zh) * | 2016-04-01 | 2016-07-27 | 浙江工业大学 | 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 |
CN106113040A (zh) * | 2016-07-19 | 2016-11-16 | 浙江工业大学 | 基于串并联估计模型的柔性机械臂系统模糊控制方法 |
Non-Patent Citations (4)
Title |
---|
《Neuro-sliding-mode control of flexible-link manipulators based on singularly perturbed model》;Yu Z等;《清华大学学报(自然科学版,英文版)》;20091231;全文 |
《Plant inversion control of tail-controlled missiles》;Ryu J H等;《Guidance,Navigation,and Control Conference,1997》;19971231;全文 |
《基于分布估计算法的柔性机械手滑模控制器设计与优化》;张宇等;《东南大学学报(自然科学版)》;20130731;第43卷;全文 |
《基于输出重定义的线性非最小相位系统学习控制》;陈冰玉;《Proceeding of the 27th Chinese Control Conference》;20081231;全文 |
Also Published As
Publication number | Publication date |
---|---|
CN106773684A (zh) | 2017-05-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106773684B (zh) | 基于智能学习评价的柔性机械臂复合控制方法 | |
Wu et al. | Modified adaptive neural dynamic surface control for morphing aircraft with input and output constraints | |
CN106493735B (zh) | 存在外界扰动的柔性机械臂扰动观测控制方法 | |
CN108388114A (zh) | 一种基于输出重定义的柔性机械臂复合控制方法 | |
CN103406909B (zh) | 一种机械臂系统的跟踪控制设备及方法 | |
Chabaud et al. | Real-time hybrid testing for marine structures: challenges and strategies | |
CN102654772B (zh) | 一种基于控制力受限情况下飞行器航迹倾角反演控制方法 | |
Cai et al. | A velocity-based LPV modeling and control framework for an airbreathing hypersonic vehicle | |
CN104678765A (zh) | 压电陶瓷执行器迟滞模型及其控制方法 | |
CN108241292A (zh) | 一种基于扩张状态观测器的水下机器人滑模控制方法 | |
Han et al. | Compound velocity synchronizing control strategy for electro-hydraulic load simulator and its engineering application | |
CN105607472A (zh) | 非线性二元机翼的自适应反演滑模控制方法及装置 | |
Wang et al. | Disturbance observer‐based output feedback control of hydraulic servo system considering mismatched uncertainties and internal pressure dynamics stability | |
CN111930008A (zh) | 基于数据驱动控制的压电微定位平台轨迹跟踪控制方法 | |
CN108762088B (zh) | 一种迟滞非线性伺服电机系统滑模控制方法 | |
Liu et al. | Modeling of hysteresis in piezoelectric actuator based on adaptive filter | |
CN111007724A (zh) | 一种基于区间ii型模糊神经网络的高超音速飞行器指定性能量化跟踪控制方法 | |
CN104965413B (zh) | 受控化发射平台的摩擦补偿自适应控制方法 | |
Zhao et al. | Manipulator trajectory tracking based on adaptive sliding mode control | |
Artola et al. | Modal-based nonlinear estimation and control for highly flexible aeroelastic systems | |
CN109709809B (zh) | 基于磁滞内核的电/磁流变执行器的建模方法及其跟踪方法 | |
CN106066603B (zh) | 具有精确跟踪性能的电液伺服系统自适应鲁棒位置控制器的实现方法 | |
CN109814393B (zh) | 一种悬吊漂浮物随动系统的降维观测器和控制器设计方法 | |
CN106066604B (zh) | 基于自适应及扩张误差符号积分鲁棒的电机伺服系统位置控制器的实现方法 | |
Lesprier et al. | Nonlinear structured H∞ controllers for parameter-dependent uncertain systems with application to aircraft landing |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |