CN108132602B - 固态酿酒翻曲机械手神经网络滑模自适应控制方法 - Google Patents

Abstract

本发明公开了一种固态酿酒翻曲机械手神经网络滑模自适应控制方法，包括以下步骤：S1：建立包括n个关节的翻曲机械手动力学模型；S2：将所述翻曲机械手动力学模型转化为无量纲动力学方程，并将所述无量纲动力学方程转换为状态空间方程，得到需要的控制变量；S3：建立翻曲机械手的神经网络滑模控制系统，设计基于线性反馈的滑模控制系统的控制律，将所述控制变量作为所述控制律的输入，对翻曲机械手进行自适应控制；S4：验证翻曲机械手神经网络滑模自适应控制的稳定性。

Description

固态酿酒翻曲机械手神经网络滑模自适应控制方法

技术领域

本发明涉及一种固态酿酒翻曲机械手神经网络滑模自适应控制方法。

背景技术

针对曲房的搬运以和翻转的自动化设备不高，且翻曲机械手处于悬挂式， 因此在高速重载的情况下，机械手的抖动较大。

随着机械手技术的发展,机械手应用于白酒酿造以及翻曲中来代替白酒酿 造过程中人类劳动。翻曲机械手采用关节型，是一种非线性、多输入的串联结 构机械手。通过各个关节伺服控制来实现翻曲机械手末端执行器的控制。

关节伺服系统是一个高度非线性的系统，运动过程中常存在干扰因素，建 立其精确的运动控制模型比较困难，为了解决上述问题PID、自适应控制、滑 模控制等应用机械手控制中。

公开号为CN104889997A的发明公开了一种固态酿造翻曲高精度定位的机 械手控制系统及方法，该系统包括主控制器、摄像机、激光测距仪、电源模块、 第一光电传感器、第二光电传感器和分控制器；公开号为CN205774444U的实 用新型专利公开了一种丝杆传动型曲房翻曲夹持机构；公开号为CN 205802429 U的实用新型专利公开了一种四连杆机构型曲房翻曲夹持机构，包括机架和若 干对夹持板，所述机架上水平安装导轨。以上专利均未对翻曲机械手抖振以及 控制策略涉及。

发明内容

本发明的目的是提供一种固态酿酒翻曲机械手神经网络滑模自适应控制方 法，以解决现有滑模控制中存在的抖振现象的问题。

为解决上述技术问题，本发明提供一种固态酿酒翻曲机械手神经网络滑模 自适应控制方法，包括以下步骤：

S1：建立包括n个关节的翻曲机械手动力学模型；

S2：将所述翻曲机械手动力学模型转化为无量纲动力学方程，并将所述无 量纲动力学方程转换为状态空间方程，得到需要的控制变量；

S3：建立翻曲机械手的神经网络滑模控制系统，设计基于线性反馈的滑模 控制系统的控制律，将所述控制变量作为所述控制律的输入，对翻曲机械手进 行自适应控制；

S4：验证翻曲机械手神经网络滑模自适应控制的稳定性。

进一步地，所述步骤S1具体包括：

S11：令翻曲机械手被控对象描述方程为：

其中，b>0；θ为角度；

为角速度，u为控制信号输入，f_d为外加干扰信 号，

和b为未知量；

S12：利用拉格朗日方法，建立包括n个关节翻曲机械手受摩擦力、未建模 态和外加的扰动的影响条件下的动力学模型：

令

则有

其中，

M_n,

为确定量；ΔM和

为不确定量。

则包括n关节的机器人动力学模型可改写为：

其中，q为关节位移量；

为速度矢量，

为加速度矢量；M(q)为机械手的 惯性矩阵；

为机械手的离心力和哥氏矩阵；G(q)为作用在关节上的重力 矢量；

为摩擦力构成的矩阵，τ_d为建模误差、参数误差和外加扰动构成的 矩阵，τ为控制力矩构成的矩阵。

进一步地，所述步骤S3具体包括：

S31：令翻曲机械手的运动轨迹为x，翻曲机械手的理想运动轨迹为x_d，得 到令翻曲机械手的运动轨迹x与翻曲机械手的理想运动轨迹x_d之间的跟踪误差 e为：

其中，

为跟踪误差e的导数，

为

的导数；

S32：定义滑模面为：

其中，c＝[c₁ c₂ … c_n-1 1]，c为滑模面参数；

S33：根据线性反馈，将滑模控制律设计为：

得到：

R＝ε(x,t)-ρsgn(s)ρ＞0

其中，u为滑模控制律；R为自定义量，f(x,t)为输出的第一个RBF神经 网络逼近函数，g(x,t)为输出的第二个RBF神经网络逼近函数，ε(x,t)为自定义 量，ρ为正实数，sgn(s)为符号函数。

S34：采用状态反馈方法控制系统模型，利用RBF神经网络线性反馈补偿 器对控制模型的不确定项进行线性反馈补偿。

进一步地，所述采用定义李雅普诺夫稳定性函数对翻曲机械手神经网络滑 模自适应控制的稳定性进行验证，具体方法如下：

定义李雅普诺夫稳定性函数：

对V求导可得到：

将步骤S33中的公式带入

中得到：

即，得出该滑模控制律满足滑模控制器稳定性条件。

进一步地，该控制方法还包括如下步骤：采用RBF神经网络对翻曲机械手 被控对象描述方程中的所述不确定进行f逼近。

进一步地，采用RBF神经网络对翻曲机械手被控对象描述方程中的所述未 知量进行f逼近所述采用的网络算法为：

f＝W^*h(x)+σ

其中，c_j为第j个节点中心矢量，h为向第j个节点径基向量，X为网络的 输入矢量，b_j为节点j的基宽度正参数，i为网络隐含层第i个节点，j为网络 隐含层第j个节点，W^*为网络的理想权值，σ为网络的逼近误差，σ≤σ_N。

本发明的有益效果为：本发明提出了一种基于线性反馈的神经网络滑模控 制方法来实现翻曲机械手关节机械手的位置控制，算法中采用神经网络不确定 进行自适应调节，进一步改进了控制器的效果，有效降低了滑模控制中存在的 抖振现象。

附图说明

此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分， 在这些附图中使用相同的参考标号来表示相同或相似的部分，本申请的示意性 实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：

图1为RBF神经网络结构图；

图2为基于线性反馈的滑模控制算法的位置跟踪图；

图3为基于线性反馈的滑模控制算法的角速度跟踪图；

图4为基于线性反馈的滑模控制算法的控制输入图；

图5为基于线性反馈的滑模控制算法的||f(x)||及其

图。

具体实施方式

一种固态酿酒翻曲机械手神经网络滑模自适应控制方法，包括以下步骤：

S1：建立包括n个关节的翻曲机械手动力学模型；

S2：将所述翻曲机械手动力学模型转化为无量纲动力学方程，并将所述无 量纲动力学方程转换为状态空间方程，得到需要的控制变量；

S3：建立翻曲机械手的神经网络滑模控制系统，设计基于线性反馈的滑模 控制系统的控制律，将所述控制变量作为所述控制律的输入，对翻曲机械手进 行自适应控制；

S4：验证翻曲机械手神经网络滑模自适应控制的稳定性。

下面分别对各步骤进行详细描述：

根据本申请的一个实施例，上述步骤S1具体包括：

S11：令翻曲机械手被控对象描述方程为：

其中，b>0；θ为角度；

为角速度，u为控制信号输入，f_d为外加干扰信 号，

和b为未知量；

S12：利用拉格朗日方法，建立包括n个关节翻曲机械手受摩擦力、未建模 态和外加的扰动的影响条件下的动力学模型：

其中，q为关节位移量；

为速度矢量，

为加速度矢量；M(q)为机械手的 惯性矩阵；

为机械手的离心力和哥氏矩阵；G(q)为作用在关节上的重力 矢量；

为摩擦力构成的矩阵，τ_d为建模误差、参数误差和外加扰动构成的 矩阵，τ为控制力矩构成的矩阵。

根据本申请的一个实施例，所述步骤S3具体包括：

S31：令翻曲机械手的运动轨迹为x，翻曲机械手的理想运动轨迹为x_d，得 到令翻曲机械手的运动轨迹x与翻曲机械手的理想运动轨迹x_d之间的跟踪误差 e为：

其中，

为跟踪误差e的导数，

为

的导数

S32：定义滑模面为：

其中，c＝[c₁ c₂ … c_n-1 1]，c为滑模面参数；

S33：根据线性反馈，将滑模控制律设计为：

得到

R＝ε(x,t)-ρsgn(s)ρ＞0

其中，u为滑模控制律；R为自定义量，f(x,t)为输出的第一个RBF神经 网络逼近函数，g(x,t)为输出的第二个RBF神经网络逼近函数，ε(x,t)为自定义 量，ρ为正实数，sgn(s)为符号函数。图2-图5为基于线性反馈的滑模控制算法 的仿真图。

S34：采用状态反馈方法控制系统模型，利用RBF神经网络线性反馈补偿 器对控制模型的不确定项进行线性反馈补偿，其中，不确定项是指外界因素对 控制模型产生的影响(如翻曲机械手承载的重量变化对控制模型产生的影响、 工作温度对控制模型产生的影响等)，通过分别控制的方法不用机器人关节伺服 的精确模型，即可实现外部扰动及参数变化等不确定性的鲁棒性控制。

根据本申请的一个实施例，步骤S4中所述的采用定义李雅普诺夫稳定性函 数对翻曲机械手神经网络滑模自适应控制的稳定性进行验证，具体方法如下：

根据李雅普诺夫稳定性函数的定义：

对V求导可得到：

将步骤S33中的公式带入

中得到：

即，得出该滑模控制律满足滑模控制器稳定性条件。

根据本申请的一个实施例，该控制方法还包括如下步骤：

由于RBF神经网络具有较强的全局逼近能力，由输入层，隐含层和输出层 3个部分，其结构如图2。在翻曲机器人应用中，模型不确定性f未知。因此。 需要对翻曲机器人不确定项进行逼近。采用径向基函数作为隐含层，广义RBF 网络：从输入层到隐藏层相当于是把低维空间的数据映射到高维空间，输入层 细胞个数为样本的维度，所以隐藏层细胞个数一定要比输入层细胞个数多。RBF 网络能够逼近任意的非线性函数，可以处理系统内的难以解析的规律性，具有 良好的泛化能力，并有很快的学习收敛速度，已成功应用于非线性函数逼近、 时间序列分析、数据分类、模式识别、信息处理、图像处理、系统建模、控制 和故障诊断等。

本申请采用RBF神经网络对翻曲机械手被控对象描述方程中的不确定项 进行f逼近，以

为网络输入，隶属函数取高斯函数。由 于RBF网络具有万能逼近特性，因此采用RBF神经网络逼近f(x)，网络算法 如下：

f＝W^*h(x)+σ

其中，c_j为第j个节点中心矢量，h为向第j个节点径基向量，X为网络的 输入矢量，b_j为节点j的基宽度正参数，i为网络隐含层第i个节点，j为网络 隐含层第j个节点，W^*为网络的理想权值，σ为网络的逼近误差，σ≤σ_N。

本发明提出了一种基于线性反馈的神经网络滑模控制方法来实现翻曲机械 手关节机械手的位置控制，算法中采用神经网络对不确定项进行自适应调节， 进一步改进了控制器的效果，有效降低了滑模控制中存在的抖振现象。

最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管 参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解， 可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的 宗旨和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (5)

1.一种固态酿酒翻曲机械手神经网络滑模自适应控制方法，其特征在于，包括以下步骤：

S1：建立包括n个关节的翻曲机械手动力学模型；

S2：将所述翻曲机械手动力学模型转化为无量纲动力学方程，并将所述无量纲动力学方程转换为状态空间方程，得到需要的控制变量；

S3：建立翻曲机械手的神经网络滑模控制系统，设计基于线性反馈的滑模控制系统的控制律，将所述控制变量作为所述控制律的输入，对翻曲机械手进行自适应控制；

所述步骤S3具体包括：

S31：令翻曲机械手的运动轨迹为x，翻曲机械手的理想运动轨迹为x_d，得到令翻曲机械手的运动轨迹x与翻曲机械手的理想运动轨迹x_d之间的跟踪误差e为：

其中，

为跟踪误差e的导数，

为

的导数；

S32：定义滑模面为：

其中，c＝[c₁ c₂ … c_n-1 1]，c为滑模面参数；

S33：根据线性反馈，将滑模控制律设计为：

得到：

R＝ε(x,t)-ρsgn(s) ρ＞0

其中，u为滑模控制律；R为自定义量，f(x,t)为输出的第一个RBF神经网络逼近函数，g(x,t)为输出的第二个RBF神经网络逼近函数，ε(x,t)为自定义量，ρ为正实数，sgn(s)为符号函数；

S34：采用状态反馈方法控制系统模型，利用RBF神经网络线性反馈补偿器对控制模型的不确定项进行线性反馈补偿。

S4：验证翻曲机械手神经网络滑模自适应控制的稳定性。

2.根据权利要求1所述的固态酿酒翻曲机械手神经网络滑模自适应控制方法，其特征在于，所述步骤S1具体包括：

S11：令翻曲机械手被控对象描述方程为：

其中，b>0；θ为角度；

为角速度，u为控制信号输入，f_d为外加干扰信号，

和b为未知量；

S12：利用拉格朗日方法，建立包括n个关节翻曲机械手受摩擦力、未建模态和外加的扰动的影响条件下的动力学模型：

其中，q为关节位移量；

为速度矢量，

为加速度矢量；M(q)为机械手的惯性矩阵；

为机械手的离心力和哥氏矩阵；G(q)为作用在关节上的重力矢量；

为摩擦力构成的矩阵，τ_d为建模误差、参数误差和外加扰动构成的矩阵，τ为控制力矩构成的矩阵。

3.根据权利要求1所述的固态酿酒翻曲机械手神经网络滑模自适应控制方法，其特征在于，所述采用定义李雅普诺夫稳定性函数对翻曲机械手神经网络滑模自适应控制的稳定性进行验证，具体方法如下：

定义李雅普诺夫稳定性函数：

对V求导可得到：

将步骤S33中的公式带入

中得到：

即，得出该滑模控制律满足滑模控制器稳定性条件。

4.根据权利要求3所述的固态酿酒翻曲机械手神经网络滑模自适应控制方法，其特征在于，该控制方法还包括如下步骤：采用RBF神经网络对翻曲机械手被控对象描述方程中的所述未知量进行f逼近。

5.根据权利要求4所述的固态酿酒翻曲机械手神经网络滑模自适应控制方法，其特征在于，采用RBF神经网络对翻曲机械手被控对象描述方程中的所述未知量进行f逼近所述采用的网络算法为：

f＝W^*h(x)+σ

其中，c_j为第j个节点中心矢量，h径基向量，X为网络的输入矢量，b_j为节点j的基宽度正参数，i为网络隐含层第i个节点，j为网络隐含层第j个节点，W^*为网络的理想权值，σ为网络的逼近误差，σ≤σ_N。

Images