CN108388114A - 一种基于输出重定义的柔性机械臂复合控制方法 - Google Patents
一种基于输出重定义的柔性机械臂复合控制方法 Download PDFInfo
- Publication number
- CN108388114A CN108388114A CN201810123136.XA CN201810123136A CN108388114A CN 108388114 A CN108388114 A CN 108388114A CN 201810123136 A CN201810123136 A CN 201810123136A CN 108388114 A CN108388114 A CN 108388114A
- Authority
- CN
- China
- Prior art keywords
- input
- mechanical arm
- output
- subsystem
- flexible mechanical
- 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
- G05B13/045—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 using a perturbation signal
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J9/00—Programme-controlled manipulators
- B25J9/16—Programme controls
- B25J9/1628—Programme controls characterised by the control loop
- B25J9/163—Programme controls characterised by the control loop learning, adaptive, model based, rule based expert control
-
- 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
- G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
- G05B13/027—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using neural networks only
-
- 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
Abstract
本发明公开了一种基于输出重定义的柔性机械臂复合控制方法,是一种基于输出重定义与复合学习、扰动观测相结合的柔性机械臂控制策略,属于机器人控制领域,用于解决现有柔性机械臂在外界干扰以及内部未知信息影响下关节角无法高精度控制的问题。本发明采用输出重定义处理系统动力学方程,使得系统零动态稳定;设计扰动观测器处理由于外界干扰、关节摩擦等带来的扰动项;设计复合学习控制算法,构造系统建模误差,进一步结合RBF神经网络设计包含建模误差的自适应更新律;扰动观测与复合学习相互作用,实现了对系统不确定信息更为全面的估计,适用于工程高精度控制。
Description
技术领域
本发明基于输出重定义所得柔性机械臂模型设计了复合学习与扰动观测相结合的控制策略,属于机器人控制领域。
背景技术
柔性机械臂由于其质量轻、速度快、操作范围大等特点,成为现阶段机械臂研究的重点,然而由于其结构弹性,在运动过程中会产生形变和振动,使得系统零动态不稳定,即模型的非最小相位特性,进一步导致系统不稳定。
现有的柔性机械臂控制方法将系统模型解耦为内外子系统分别控制,针对外部子系统已有较多的控制方法得以应用。比例微分控制鲁棒性较差,控制器较为脆弱;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,针对模型中存在未知信息的机械臂系统适应性较差。
《一种前馈补偿和模糊滑模相结合的柔性机械臂控制》(党进,倪风雷《西安交通大学学报》,2011年第45卷第3期)一文采用采用前馈补偿实现系统确定项的控制,针对由于外界扰动、摩擦等带来的未知项采用模糊滑模相结合的策略。然而文章为了简化算法,将系统柔性集中在机械臂关节处,而将柔性机械臂连杆假设为刚性杆,进一步忽略了由于弹性杆带来的系统非最小相位特性,因而控制策略具有较强的局限性,不利于工程应用。
发明内容
柔性机械臂由于其结构特点无法避免非最小相位特性,本发明首先采用输出重定义处理系统动力学方程,使得系统零动态稳定;其次,设计扰动观测器处理由于外界干扰、关节摩擦等带来的扰动项;进一步,设计复合学习控制算法,建立考虑扰动项的系统预测模型,计算建模误差,构造包含建模误差的神经网络权重自适应更新律;两种控制方法相互作用,实现了对系统不确定信息更为全面的估计,适用于工程高精度需求。
本发明柔性机械臂包括若干连杆,连杆之间通过关节连接,本发明的控制方法主要包括以下步骤:
(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两个不同项,D1、D2为该柔性机械臂的两个不同的阻尼矩阵,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,fd为外界干扰项;
(b)定义模型(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且由设计者选定,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;
定义得系统动态方程,具体分为输入输出子系统(3)和内动态子系统(4):
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
d=(H11+CH21)fd
F(θ,δ)=H21
通过系统标称信息计算未知矩阵B(α,θ,δ)的标称信息B0(α,θ,δ),即有
B(α,θ,δ)=B0(α,θ,δ)+ΔB(α,θ,δ)
(c)定义误差信号e1=μ1-yr,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,由设计者选定;
定义误差信号e2=μ2-u2d,定义模型预测误差其中由(6)给出
其中,z=[μT,ψT]T,Kp∈Rn×n为正定对称非奇异矩阵,由设计者选定;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;
其中,L∈Rn×n为正定对称非奇异矩阵,由设计者选定;定义
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;
内动态子系统采用状态反馈控制器:
其中,控制增益kδ和为采用极点配置得到的Rn×mn阶矩阵,
(d)控制器总输入
u=uex+uin(12)
将(12)式所得控制输入返回(1)式进而控制系统关节角度同时实现弹性模态镇定。
本发明与现有技术相比有益效果为:
(1)结合系统状态设计包含外界干扰的预测模型,构造出模型预测误差;
(2)结合模型预测误差构造神经网络权重自适应更新律,反馈信息更加全面;
(3)考虑未知外界干扰,设计扰动观测器实现补偿控制;
(4)控制器中两种控制方法有机结合,相互作用,实现对不确定信息更为准确的估计。
附图说明
图1为本发明基于输出重定义的柔性机械臂复合控制方法的一优选实施例的流程图。
具体实施方式
为使本发明实施的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行更加详细的描述。在附图中,自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。所描述的实施例是本发明一部分实施例,而不是全部的实施例。下面通过参考附图描述的实施例是示例性的,旨在用于解释本发明,而不能理解为对本发明的限制。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。下面结合附图对本发明的实施例进行详细说明。
如图1所示,本发明公开了一种基于输出重定义的柔性机械臂复合控制方法,主要包括以下步骤:
步骤一、建立所述柔性机械臂动力学模型;
步骤二、输出重定义动力学方程,使系统零动态稳定,进一步得到输入输出子系统及内动态子系统;
步骤三、对所述输入输出子系统,设计结合复合学习方法与扰动观测方法的控制策略,获得所述输入输出子系统输入uex,对所述内动态子系统,设计状态反馈控制方法,获得所述内动态子系统输入uin;
步骤四、确定控制器总输入u=uex+uin,并将所述控制器总输入代入至步骤一中的动力学模型中,以控制系统关节角度,同时实现弹性模态镇定。
可以理解的是,本发明柔性机械臂控制方法是一种基于输出重定义与复合学习、扰动观测相结合的柔性机械臂控制方法,结合具体实施例分析如下:
(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,fd为外界干扰项;以2自由度机械臂为例,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,令模型(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
定义得系统动态方程,具体为输入输出子系统(4)和内动态子系统(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
d=(H11+CH21)fd
F(θ,δ)=H21
α=[α1,α2]T=[0.9,0.81]T
根据系统标称信息,得B(α,θ,δ)的标称信息
(c)定义关节角角度误差信号e1=μ1-yr,设计虚拟控制量
其中
定义误差信号e2=μ2-u2d,定义模型预测误差其中由(7)式给出
其中,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=0.2,ξ=0.2;
其中定义
设计控制器
其中
内动态子系统采用状态反馈控制器:
其中,
(d)总控制输入
根据(12)式所得到的控制输入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;
需要说明的是,在发明内容中所描述的“yr为期望的关节角度”,其中yr为目标参考值,其它由设计者选定的值为待优化的输入项,其目的在于调整这些输入项的值,以使得动力学模型中输出的关节角度与期望的关节角度相同或相近,具体实施方式中,对于这些“由设计者选定”的值给出了具体数值,这些数值为经过本发明的方法所确定的最优的结果,这些结果是以具有机械臂为例计算的,而非对本发明的限定。
最后需要指出的是:以上实施例仅用以说明本发明的技术方案,而非对其限制。尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (5)
1.一种基于输出重定义的柔性机械臂复合控制方法,所述机械臂包括若干连杆,其特征在于,所述方法包括:
步骤一、建立所述柔性机械臂动力学模型;
步骤二、输出重定义动力学方程,使系统零动态稳定,进一步得到输入输出子系统及内动态子系统;
步骤三、对所述输入输出子系统,设计结合复合学习方法与扰动观测方法的控制策略,获得所述输入输出子系统输入uex,对所述内动态子系统,设计状态反馈控制方法,获得所述内动态子系统输入uin;
步骤四、确定控制器总输入u=uex+uin,并将所述控制器总输入代入至步骤一中的动力学模型中,以控制系统关节角度,同时实现弹性模态镇定。
2.如权利要求1所述的基于输出重定义的柔性机械臂复合控制方法,其特征在于,步骤一中,所述动力学模型包括:
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,fd为外界干扰项。
3.如权利要求2所述的基于输出重定义的柔性机械臂复合控制方法,其特征在于,步骤二中,所述输出重定义动力学方程,以及获得输入输出子系统及内动态子系统,具体包括:
定义模型(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且为待优化的输入值,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;
定义可得系统动态方程,具体分为输入输出子系统(3)和内动态子系统(4):
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
d=(H11+CH21)fd
F(θ,δ)=H21
通过系统标称信息可以计算未知矩阵B(α,θ,δ)的标称信息B0(α,θ,δ),即有B(α,θ,δ)=B0(α,θ,δ)+ΔB(α,θ,δ)。
4.如权利要求3所述的基于输出重定义的柔性机械臂复合控制方法,其特征在于,步骤三中,获得所述输入输出子系统输入uex,以及获得所述内动态子系统输入uin,具体包括:
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,为待优化的输入项;
定义误差信号e2=μ2-u2d,定义模型预测误差其中由(6)给出
其中,z=[μT,ψT]T,Kp∈Rn×n为正定对称非奇异矩阵,为待优化的输入项;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,为待优化的输入项;
其中,L∈Rn×n为正定对称非奇异矩阵,为待优化的输入项;定义
设计控制器
其中,k2∈Rn×n为正定对称非奇异矩阵,为待优化的输入项;
所述内动态子系统采用状态反馈控制器:
其中,控制增益kδ和为采用极点配置得到的Rn×mn阶矩阵。
5.如权利要求1所述的基于输出重定义的柔性机械臂复合控制方法,其特征在于,步骤四中,所述控制系统关节角度,同时实现弹性模态镇定包括调整由步骤二及步骤三中的待优化的输入项,以使系统关节角度输出值趋于期望的关节角度,以及使弹性模态镇定。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810123136.XA CN108388114B (zh) | 2018-02-07 | 2018-02-07 | 一种基于输出重定义的柔性机械臂复合控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810123136.XA CN108388114B (zh) | 2018-02-07 | 2018-02-07 | 一种基于输出重定义的柔性机械臂复合控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108388114A true CN108388114A (zh) | 2018-08-10 |
CN108388114B CN108388114B (zh) | 2021-07-09 |
Family
ID=63074493
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810123136.XA Active CN108388114B (zh) | 2018-02-07 | 2018-02-07 | 一种基于输出重定义的柔性机械臂复合控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108388114B (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109240092A (zh) * | 2018-11-30 | 2019-01-18 | 长春工业大学 | 基于多智能体可重构模块化柔性机械臂轨迹跟踪控制方法 |
CN109514559A (zh) * | 2018-12-24 | 2019-03-26 | 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 |
CN109514558A (zh) * | 2018-12-24 | 2019-03-26 | 中国航空工业集团公司西安飞机设计研究所 | 基于奇异摄动的柔性机械臂时标分离鲁棒控制方法 |
CN111290273A (zh) * | 2020-02-18 | 2020-06-16 | 湖州和力机器人智能科技有限公司 | 基于外骨骼机器人柔性作动器的位置跟踪优化控制方法 |
CN111399640A (zh) * | 2020-03-05 | 2020-07-10 | 南开大学 | 一种面向柔性臂的多模态人机交互控制方法 |
CN111766781A (zh) * | 2020-05-06 | 2020-10-13 | 东北电力大学 | 基于复合学习和dob的多机电力系统自适应动态面控制器 |
CN111958602A (zh) * | 2020-08-20 | 2020-11-20 | 华中科技大学 | 一种手腕偏置型6轴机器人实时逆解算法 |
CN112859602A (zh) * | 2021-01-11 | 2021-05-28 | 电子科技大学 | 一种非最小相位系统输出重定义方法 |
CN113641193A (zh) * | 2021-08-20 | 2021-11-12 | 电子科技大学 | 一种非最小相位系统精确跟踪控制方法 |
CN114407007A (zh) * | 2022-01-17 | 2022-04-29 | 山东新一代信息产业技术研究院有限公司 | 一种机械臂自适应非奇异终端滑模控制方法、装置及介质 |
CN117656084A (zh) * | 2024-01-31 | 2024-03-08 | 哈尔滨工业大学 | 一种基于LuGre模型的摩擦动力学在线辨识方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9488971B2 (en) * | 2013-03-11 | 2016-11-08 | The Board Of Trustees Of The Leland Stanford Junior University | Model-less control for flexible manipulators |
CN106493735A (zh) * | 2016-12-09 | 2017-03-15 | 西北工业大学 | 存在外界扰动的柔性机械臂扰动观测控制方法 |
CN106773684A (zh) * | 2016-12-09 | 2017-05-31 | 西北工业大学 | 基于智能学习评价的柔性机械臂复合控制方法 |
CN109514559A (zh) * | 2018-12-24 | 2019-03-26 | 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 |
-
2018
- 2018-02-07 CN CN201810123136.XA patent/CN108388114B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9488971B2 (en) * | 2013-03-11 | 2016-11-08 | The Board Of Trustees Of The Leland Stanford Junior University | Model-less control for flexible manipulators |
CN106493735A (zh) * | 2016-12-09 | 2017-03-15 | 西北工业大学 | 存在外界扰动的柔性机械臂扰动观测控制方法 |
CN106773684A (zh) * | 2016-12-09 | 2017-05-31 | 西北工业大学 | 基于智能学习评价的柔性机械臂复合控制方法 |
CN109514559A (zh) * | 2018-12-24 | 2019-03-26 | 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 |
Non-Patent Citations (4)
Title |
---|
ZHANG QI 等: "A novel approach for flexible manipulator conducting screwing task based on robot-environment contact classification", 《PROCEEDINGS OF THE INSTITUTION OF MECHANICAL ENGINEERS PART C-JOURNAL OF MECHANICAL ENGINEERING SCIENCE》 * |
史先鹏 等: "机械臂轨迹跟踪控制研究进展", 《控制工程》 * |
张琪 等: "基于输出重定义的柔性机械臂复合控制", 《第19届中国系统仿真技术及其应用学术年会论文集》 * |
李光 等: "一种无模型的柔性关节机械臂非线性状态观测器设计", 《湖南工业大学学报》 * |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109240092B (zh) * | 2018-11-30 | 2021-09-10 | 长春工业大学 | 基于多智能体可重构模块化柔性机械臂轨迹跟踪控制方法 |
CN109240092A (zh) * | 2018-11-30 | 2019-01-18 | 长春工业大学 | 基于多智能体可重构模块化柔性机械臂轨迹跟踪控制方法 |
CN109514559A (zh) * | 2018-12-24 | 2019-03-26 | 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 |
CN109514558A (zh) * | 2018-12-24 | 2019-03-26 | 中国航空工业集团公司西安飞机设计研究所 | 基于奇异摄动的柔性机械臂时标分离鲁棒控制方法 |
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 |
CN111290273A (zh) * | 2020-02-18 | 2020-06-16 | 湖州和力机器人智能科技有限公司 | 基于外骨骼机器人柔性作动器的位置跟踪优化控制方法 |
CN111290273B (zh) * | 2020-02-18 | 2022-08-12 | 湖州和力机器人智能科技有限公司 | 基于外骨骼机器人柔性作动器的位置跟踪优化控制方法 |
CN111399640A (zh) * | 2020-03-05 | 2020-07-10 | 南开大学 | 一种面向柔性臂的多模态人机交互控制方法 |
CN111766781A (zh) * | 2020-05-06 | 2020-10-13 | 东北电力大学 | 基于复合学习和dob的多机电力系统自适应动态面控制器 |
CN111958602A (zh) * | 2020-08-20 | 2020-11-20 | 华中科技大学 | 一种手腕偏置型6轴机器人实时逆解算法 |
CN111958602B (zh) * | 2020-08-20 | 2022-05-20 | 华中科技大学 | 一种手腕偏置型6轴机器人实时逆解算法 |
CN112859602A (zh) * | 2021-01-11 | 2021-05-28 | 电子科技大学 | 一种非最小相位系统输出重定义方法 |
CN112859602B (zh) * | 2021-01-11 | 2022-03-18 | 电子科技大学 | 一种非最小相位系统输出重定义方法 |
CN113641193A (zh) * | 2021-08-20 | 2021-11-12 | 电子科技大学 | 一种非最小相位系统精确跟踪控制方法 |
CN114407007A (zh) * | 2022-01-17 | 2022-04-29 | 山东新一代信息产业技术研究院有限公司 | 一种机械臂自适应非奇异终端滑模控制方法、装置及介质 |
CN117656084A (zh) * | 2024-01-31 | 2024-03-08 | 哈尔滨工业大学 | 一种基于LuGre模型的摩擦动力学在线辨识方法 |
CN117656084B (zh) * | 2024-01-31 | 2024-04-05 | 哈尔滨工业大学 | 一种基于LuGre模型的摩擦动力学在线辨识方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108388114B (zh) | 2021-07-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108388114A (zh) | 一种基于输出重定义的柔性机械臂复合控制方法 | |
Liu et al. | Adaptive neural network control of a flexible spacecraft subject to input nonlinearity and asymmetric output constraint | |
Van Cuong et al. | Adaptive trajectory tracking neural network control with robust compensator for robot manipulators | |
CN109240086B (zh) | 一种非线性双边遥操作系统的自适应鲁棒控制方法 | |
CN107561935B (zh) | 基于多层神经网络的电机位置伺服系统摩擦补偿控制方法 | |
Chen et al. | Adaptive neural output feedback control of uncertain nonlinear systems with unknown hysteresis using disturbance observer | |
CN106493735B (zh) | 存在外界扰动的柔性机械臂扰动观测控制方法 | |
Talebi et al. | Control of flexible-link manipulators using neural networks | |
CN108170151B (zh) | 一种水下机器人的自适应运动控制装置及其方法 | |
CN106773684B (zh) | 基于智能学习评价的柔性机械臂复合控制方法 | |
CN107193210B (zh) | 一种非线性系统的自适应学习预设性能控制方法 | |
Yu et al. | Trajectory switching control of robotic manipulators based on RBF neural networks | |
Zhang et al. | An enhanced coupling nonlinear tracking controller for underactuated 3D overhead crane systems | |
Mehdi et al. | A novel anti-windup framework for cascade control systems: An application to underactuated mechanical systems | |
CN110340894A (zh) | 一种基于模糊逻辑的遥操作系统自适应多边控制方法 | |
CN112904718A (zh) | 一种基于Hammerstein模型的磁流变阻尼器控制系统及方法 | |
CN113650020A (zh) | 一种机械臂系统有限时间自适应镇定控制方法和系统 | |
CN115981162A (zh) | 一种基于新型扰动观测器的机器人系统滑模控制轨迹跟踪方法 | |
CN112276952B (zh) | 一种多机器人系统的鲁棒同时镇定方法及系统 | |
CN110701187B (zh) | 一种五自由度磁轴承的智能双积分滑模控制方法及设备 | |
Miao et al. | Artificial-neural-network-based optimal Smoother design for oscillation suppression control of underactuated overhead cranes with distributed mass beams | |
CN109324503B (zh) | 基于鲁棒积分的多层神经网络电机系统控制方法 | |
Xu et al. | performance control of robot manipulators with kinematics, dynamics and actuator uncertainties | |
Xu et al. | PDE-based boundary event-triggered control of uncertain flexible manipulator with input nonlinearities | |
CN116068893A (zh) | 一种机械臂自适应分数阶滑模控制方法、设备及介质 |
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 |