CN108803326B - 具有干扰和时延的工业机械臂线性自抗扰跟踪控制方法 - Google Patents
具有干扰和时延的工业机械臂线性自抗扰跟踪控制方法 Download PDFInfo
- Publication number
- CN108803326B CN108803326B CN201810576366.1A CN201810576366A CN108803326B CN 108803326 B CN108803326 B CN 108803326B CN 201810576366 A CN201810576366 A CN 201810576366A CN 108803326 B CN108803326 B CN 108803326B
- Authority
- CN
- China
- Prior art keywords
- control
- mechanical arm
- disturbance
- time delay
- formula
- 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
Images
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
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
本发明公开了一种具有干扰和时延的工业机械臂线性自抗扰跟踪控制方法,具体步骤如下:建立包含时延和干扰的工业机械臂系统数学模型;设计系统线性自抗扰控制器设计。本发明针对具有扰动和时延的工业机械臂跟踪控制问题给出了保证工业机械臂稳定跟踪控制的控制器设计方法。本发明线性自抗扰控制方法具有很好的控制性能,能够有效消除扰动和时延对系统控制的不利影响问题,跟踪误差在出现短暂的超调后能够很快地收敛到零。
Description
技术领域
本发明涉及机械臂控制方法领域,具体是一种具有干扰和时延的工业机械臂线性自抗扰跟踪控制方法。
背景技术
近年来,由于劳动力成本的提高工业机械臂被广泛应用于工业生产中,并发挥着越来越重要的作用。然而,随着工业生产规模的不断扩大以及工业机械臂应用环境的逐步复杂化,传统的点对点控制方式已经不能满足应用需要,工业机械臂的网络化控制已成为发展趋势。
由于网络资源约束及传输距离的影响,当工业机械臂控制系统中各节点交换信息时将发生数据碰撞、数据丢失、数据重传等问题。这些问题的存在导致工业机械臂控制系统中诱导时延的产生不可避免,从而引起系统中的控制信息得不到及时更新,造成系统控制性能下降,严重的情况下甚至会使系统不稳定。另外,在工业机械臂的网络控制系统中除了受到时延的影响外,工业机械臂控制系统自身的参数摄动及外部扰动等因素也会对系统的跟踪控制性能产生不利影响。
发明内容
本发明的目的是提供一种具有干扰和时延的工业机械臂线性自抗扰跟踪控制方法,以解决现有技术存在的弥补已有技术的缺陷问题
为了达到上述目的,本发明所采用的技术方案为:
具有干扰和时延的工业机械臂线性自抗扰跟踪控制方法,其特征在于:包括以下步骤:
(1)、建立包含时延和干扰的工业机械臂控制系统数学模型:
(1.1)、对于n关节工业机械臂系统,考虑系统未建模动态、外部有界干扰及摩擦力的影响,其动力学模型可描述为如下方程:
式中,θ,分别表示机械臂各关节角的位置矢量、速度矢量及加速度矢量,R表示实数域;M(θ)∈Rn×n为系统的正定对称惯性矩阵;为系统的离心力和哥氏力矩阵;G(θ)∈Rn为作用在机械臂关节上的重力项矩阵;u∈Rn为模型的输入向量,表示作用在机械臂关节上的驱动力矩;d(t)∈Rn表示系统有界未知不确定性,具体由包含机械臂系统未建模动态、摩擦力矩、外部扰动的不确定性因素组成,,t是时间;
(1.2)、由式(2)可知,工业机械臂第i关节的模型为:
时延网络控制系统结构中,控制器、传感器和执行器通过网络相连接,由于网络的带宽约束以及分时复用机制将导致网络控制系统信息在传输过程中不可避免地产生时延,用τ1表示控制器到执行器之间的网络信息传输时延,τ2表示传感器到控制器之间的网络信息传输时延,系统总时延可表示为τ=τ1+τ2;
假设系统中传感器为时间驱动模式,且采样周期为T,控制器和执行器均采用事件驱动模式,即当新的数据到达节点时立即执行相关的操作;
考虑网络存在不确定时延,且在一个采样周期内变化的短时延情况,网络控制系统的控制信号时序为:
式(4)中,tk为第k个采样时刻;T为采样周期;ui(k-1)为工业机械臂第i关节在k-1时刻的控制信号;uik为工业机械臂第i关节在k时刻的控制信号,若记xi1=θi,则包含网络诱导时延的系统式(3)离散化模型可表示为:
为方便扩张状态观测器的设计,式(5)可重写为:
(1.3)、由式(6)可以看出,工业机械臂系统属于强非线性和强耦合系统,常规的控制方法很难符合其高性能的控制要求,由于自抗扰技术不依赖于系统模型,且仅跟系统的阶次相关,并且可以把系统的未建模动态及各种扰动看成总和扰动,通过设计扩张状态观测器可以实现对系统总和扰动的观测和补偿,将系统解耦为积分串联型系统,实现系统的解耦,进而可对各个关节分别进行控制,所用控制器由跟踪微分器、线性扩张状态观测器及线性状态误差反馈控制律三部分组成;
(2)、线性自抗扰控制器设计:
(2.1)、跟踪微分器设计:
通过对输入信号设计跟踪微分器,一方面可以提取其高品质的微分信号;另一方面可以解决常规PID控制中快速性和超调之间的矛盾,避免了控制量的剧烈变化,提高控制器的鲁棒性,系统第i关节的跟踪微分器可设计为:
式(7)中,e(k)为跟踪误差信号;θir(k)为第i关节角的期望位置信号;θid1(k),θid2(k)分别为期望位置信号在k时刻的跟踪信号及其微分信号;r为跟踪微分器的快速因子;h为跟踪微分器的滤波因子;fhan(·)为最速跟踪控制综合函数,具体形式为:
式(8)中,x1=θid1(k)-θir(k),x2=θid2(k);
(2.2)、线性扩张状态观测器设计:
在实际应用中,由于系统时延和扰动为不确定性因素,无法准确获得,但可以通过设计扩张状态观测器获得其估计值,因此,将式(6)中的总和扰动项ψ(k)扩张为一个新的状态xi3,则式
(6)的等效系统可表示为
式中,h(k)=(ψ(k+1)-ψ(k))/T;xi3(k+1)为扩张状态xi3(k)下一时刻的值;
依据扩张状态观测器的设计理论,工业机械臂系统公式(6)的线性扩张状态观测器设计为:
式中,εi1(k)为线性扩张状态观测器对系统状态变量的观测误差;zi1(k),zi2(k),zi3(k)分别为xi1(k),xi2(k),xi3(k)的估计值;βi1,βi2,βi3为待设计的观测器增益;
(2.3)、线性状态误差反馈控制律设计:
线性状态误差反馈控制律利用跟踪微分器的输出与扩张状态观测器的输出之差来形成反馈控制分量uo为:
为了克服系统时延及扰动因素对跟踪控制性能的不利影响,需将线性扩张状态观测器估计值以前馈补偿的形式加入系统控制律中,由此可得系统总的控制律为:
其中,ki1,ki2为可调参数;θi3(k)为第i关节期望关节位置信号的二阶微分;反馈控制分量uio(k)采用比例微分控制。
本发明针对具有时延、模型参数摄动以及外部有界扰动影响下的工业机械臂跟踪控制问题,采用线性自抗扰控制方法设计控制器以提高系统的跟踪控制性能和鲁棒性能。
本发明的优点是:所述线性自抗扰控制方法能够有效消除工业机械臂系统扰动和时延对控制效果的不利影响问题,可实现系统跟踪误差的快速收敛。
附图说明
图1为本发明所述具有时延的网络控制系统结构图。
图2为本发明所述具有干扰和时延的工业机械臂线性自抗扰跟踪控制结构图。
图3为本发明线性扩张状态观测器的观测误差曲线,其中图3a为关节1的观测误差曲线;图3b为关节2的观测误差曲线。
图4为本发明的位置跟踪轨迹示意图。
图5为本发明的位置跟踪误差示意图。
具体实施方式
下面结合附图和实施例对本发明进一步说明。
如图1、图2所示,具有干扰和时延的工业机械臂线性自抗扰跟踪控制方法,包括以下步骤:
(1)、建立包含时延和干扰的工业机械臂控制系统数学模型:
(1.1)、对于n关节工业机械臂系统,考虑系统未建模动态、外部有界干扰及摩擦力的影响,其动力学模型可描述为如下方程:
式中,θ,分别表示机械臂各关节角的位置矢量、速度矢量及加速度矢量,R表示实数域;M(θ)∈Rn×n为系统的正定对称惯性矩阵;为系统的离心力和哥氏力矩阵;G(θ)∈Rn为作用在机械臂关节上的重力项矩阵;u∈Rn为模型的输入向量,表示作用在机械臂关节上的驱动力矩;d(t)∈Rn表示系统有界未知不确定性,具体由包含机械臂系统未建模动态、摩擦力矩、外部扰动的不确定性因素组成,,t是时间;
(1.2)、由式(2)可知,工业机械臂第i关节的模型为:
时延网络控制系统结构中,控制器、传感器和执行器通过网络相连接,由于网络的带宽约束以及分时复用机制将导致网络控制系统信息在传输过程中不可避免地产生时延,用τ1表示控制器到执行器之间的网络信息传输时延,τ2表示传感器到控制器之间的网络信息传输时延,系统总时延可表示为τ=τ1+τ2;
假设系统中传感器为时间驱动模式,且采样周期为T,控制器和执行器均采用事件驱动模式,即当新的数据到达节点时立即执行相关的操作;
考虑网络存在不确定时延,且在一个采样周期内变化的短时延情况,网络控制系统的控制信号时序为:
式(4)中,tk为第k个采样时刻;T为采样周期;ui(k-1)为工业机械臂第i关节在k-1时刻的控制信号;uik为工业机械臂第i关节在k时刻的控制信号,若记xi1=θi,则包含网络诱导时延的系统式(3)离散化模型可表示为:
为方便扩张状态观测器的设计,式(5)可重写为:
(1.3)、由式(6)可以看出,工业机械臂系统属于强非线性和强耦合系统,常规的控制方法很难符合其高性能的控制要求,由于自抗扰技术不依赖于系统模型,且仅跟系统的阶次相关,并且可以把系统的未建模动态及各种扰动看成总和扰动,通过设计扩张状态观测器可以实现对系统总和扰动的观测和补偿,将系统解耦为积分串联型系统,实现系统的解耦,进而可对各个关节分别进行控制,所用控制器由跟踪微分器、线性扩张状态观测器及线性状态误差反馈控制律三部分组成;
(2)、线性自抗扰控制器设计:
(2.1)、跟踪微分器设计:
通过对输入信号设计跟踪微分器,一方面可以提取其高品质的微分信号;另一方面可以解决常规PID控制中快速性和超调之间的矛盾,避免了控制量的剧烈变化,提高控制器的鲁棒性,系统第i关节的跟踪微分器可设计为:
式(7)中,e(k)为跟踪误差信号;θir(k)为第i关节角的期望位置信号;θid1(k),θid2(k)分别为期望位置信号在k时刻的跟踪信号及其微分信号;r为跟踪微分器的快速因子;h为跟踪微分器的滤波因子;fhan(·)为最速跟踪控制综合函数,具体形式为:
式(8)中,x1=θid1(k)-θir(k),x2=θid2(k);
(2.2)、线性扩张状态观测器设计:
在实际应用中,由于系统时延和扰动为不确定性因素,无法准确获得,但可以通过设计扩张状态观测器获得其估计值,因此,将式(6)中的总和扰动项ψ(k)扩张为一个新的状态xi3,则式(6)的等效系统可表示为
式中,h(k)=(ψ(k+1)-ψ(k))/T;xi3(k+1)为扩张状态xi3(k)下一时刻的值;
依据扩张状态观测器的设计理论,工业机械臂系统公式(6)的线性扩张状态观测器设计为:
式中,εi1(k)为线性扩张状态观测器对系统状态变量的观测误差;zi1(k),zi2(k),zi3(k)分别为xi1(k),xi2(k),xi3(k)的估计值;βi1,βi2,βi3为待设计的观测器增益;
(2.3)、线性状态误差反馈控制律设计:
线性状态误差反馈控制律利用跟踪微分器的输出与扩张状态观测器的输出之差来形成反馈控制分量uo为:
为了克服系统时延及扰动因素对跟踪控制性能的不利影响,需将线性扩张状态观测器估计值以前馈补偿的形式加入系统控制律中,由此可得系统总的控制律为:
其中,ki1,ki2为可调参数;θi3(k)为第i关节期望关节位置信号的二阶微分;反馈控制分量uio(k)采用比例微分控制。
为了更直观地说明本发明的技术方案和技术优势,下面结合具体实施例对本发明的技术方案做进一步描述,参照图3--图5。
下面以二关节机械臂为验证对象,其动力学模型为:
式中,正定惯性矩阵的各元素为:
离心力和哥氏力矩阵的各元素为:
重力项矢量的各元素为:
G1(θ)=(m1+m2)l1gcos(θ2)+m2l2gcos(θ1+θ2),G2(θ)=m2l2gcos(θ1+θ2)。
为更好地说明本发明所提控制方法的有效性,仿真实验中将本发明所提控制方法与PID控制方法相比较。对象参数设定为m1=1.2kg,m2=0.6kg,l1=0.51m,l2=0.42m。期望轨迹设定为θr=[0.4sin(4t) 0.3sin(4t)]Tt∈[0,6];采样周期T为0.01s;跟踪微分器的快速因子r=186,滤波因子h=0.006;两关节的观测器参数设置相同:β11=β21=75,β12=β22=1875,β13=β23=15625。两关节的线性误差状态反馈控制律参数设置相同:k11=k21=81,k12=k22=18;假设系统扰动信号d(t)取为:[0.1sin(t)+0.01 0.1sin(t)+0.02]T。
两种控制方法的仿真实验结果如图3--图5所示,图3为线性扩张状态观测器对工业机械臂两关节总和扰动的观测误差;图4为两种控制方法对两关节的期望位置信号的跟踪轨迹;图5为两种控制方法对两关节的期望位置信号的跟踪误差。由图4、图5可见LADRC方法可以很好地实现对于具有干扰和时延的工业机械臂系统的控制,系统中的干扰及时延通过该算法的在线估计及补偿后,系统输出可以稳定跟踪期望位置信号,且响应时间短稳态误差小。而PID控制方法由于不能很好处理系统中变量间的强耦合、外部干扰及信息传输时延等情况,无法完成对系统的跟踪控制。
Claims (1)
1.具有干扰和时延的工业机械臂线性自抗扰跟踪控制方法,其特征在于:包括以下步骤:
(1)、建立包含时延和干扰的工业机械臂控制系统数学模型:
(1.1)、对于n关节工业机械臂系统,考虑系统未建模动态、外部有界干扰及摩擦力的影响,其动力学模型可描述为如下方程:
式中,θ, 分别表示机械臂各关节角的位置矢量、速度矢量及加速度矢量,R表示实数域;M(θ)∈Rn×n为系统的正定对称惯性矩阵;为系统的离心力和哥氏力矩阵;G(θ)∈Rn为作用在机械臂关节上的重力项矩阵;u∈Rn为模型的输入向量,表示作用在机械臂关节上的驱动力矩;d(t)∈Rn表示系统有界未知不确定性,具体由包含机械臂系统未建模动态、摩擦力矩、外部扰动的不确定性因素组成,t是时间;
(1.2)、由式(2)可知,工业机械臂第i关节的模型为:
时延网络控制系统结构中,控制器、传感器和执行器通过网络相连接,由于网络的带宽约束以及分时复用机制将导致网络控制系统信息在传输过程中不可避免地产生时延,用τ1表示控制器到执行器之间的网络信息传输时延,τ2表示传感器到控制器之间的网络信息传输时延,系统总时延可表示为τ=τ1+τ2;
系统中传感器为时间驱动模式,且采样周期为T,控制器和执行器均采用事件驱动模式,即当新的数据到达节点时立即执行相关的操作;
考虑网络存在不确定时延,且在一个采样周期内变化的短时延情况,网络控制系统的控制信号时序为:
式(4)中,tk为第k个采样时刻;T为采样周期;ui(k-1)为工业机械臂第i关节在k-1时刻的控制信号;uik为工业机械臂第i关节在k时刻的控制信号,记xi1=θi,则包含网络诱导时延的系统式(3)离散化模型可表示为:
为方便扩张状态观测器的设计,式(5)可重写为:
(1.3)、由式(6)可以看出,自抗扰技术不依赖于系统模型,且仅跟系统的阶次相关,并且可以把系统的未建模动态及各种扰动看成总和扰动,通过设计扩张状态观测器可以实现对系统总和扰动的观测和补偿,将系统解耦为积分串联型系统,实现系统的解耦,进而可对各个关节分别进行控制,所用控制器由跟踪微分器、线性扩张状态观测器及线性状态误差反馈控制律三部分组成;
(2)、线性自抗扰控制器设计:
(2.1)、跟踪微分器设计:
通过对输入信号设计跟踪微分器,一方面可以提取其高品质的微分信号;另一方面可以解决常规PID控制中快速性和超调之间的矛盾,避免了控制量的剧烈变化,提高控制器的鲁棒性,系统第i关节的跟踪微分器可设计为:
式(7)中,e(k)为跟踪误差信号;θir(k)为第i关节角的期望位置信号;θid1(k),θid2(k)分别为期望位置信号在k时刻的跟踪信号及其微分信号;r为跟踪微分器的快速因子;h为跟踪微分器的滤波因子;fhan(·)为最速跟踪控制综合函数,具体形式为:
式(8)中,x1=θid1(k)-θir(k),x2=θid2(k);
(2.2)、线性扩张状态观测器设计:
在实际应用中,系统时延和扰动为不确定性因素,无法准确获得,通过设计扩张状态观测器获得其估计值,将式(6)中的总和扰动项ψ(k)扩张为一个新的状态xi3,则式(6)的等效系统表示为
式中,h(k)=(ψ(k+1)-ψ(k))/T;xi3(k+1)为扩张状态xi3(k)下一时刻的值;
依据扩张状态观测器的设计理论,工业机械臂系统公式(6)的线性扩张状态观测器设计为:
式中,εi1(k)为线性扩张状态观测器对系统状态变量的观测误差;zi1(k),zi2(k),zi3(k)分别为xi1(k),xi2(k),xi3(k)的估计值;βi1,βi2,βi3为待设计的观测器增益;
(2.3)、线性状态误差反馈控制律设计:
线性状态误差反馈控制律利用跟踪微分器的输出与扩张状态观测器的输出之差来形成反馈控制分量uo为:
为了克服系统时延及扰动因素对跟踪控制性能的不利影响,需将线性扩张状态观测器估计值以前馈补偿的形式加入系统控制律中,由此可得系统总的控制律为:
θi3(k)为第i关节期望关节位置信号的二阶微分;反馈控制分量uio(k)采用比例微分控制。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810576366.1A CN108803326B (zh) | 2018-06-06 | 2018-06-06 | 具有干扰和时延的工业机械臂线性自抗扰跟踪控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810576366.1A CN108803326B (zh) | 2018-06-06 | 2018-06-06 | 具有干扰和时延的工业机械臂线性自抗扰跟踪控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108803326A CN108803326A (zh) | 2018-11-13 |
CN108803326B true CN108803326B (zh) | 2021-04-23 |
Family
ID=64087255
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810576366.1A Active CN108803326B (zh) | 2018-06-06 | 2018-06-06 | 具有干扰和时延的工业机械臂线性自抗扰跟踪控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108803326B (zh) |
Families Citing this family (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110687870B (zh) * | 2019-08-28 | 2020-11-27 | 济南大学 | 基于非线性扩张状态观测器的机械臂跟踪控制器及系统 |
CN110480641B (zh) * | 2019-10-08 | 2021-03-19 | 北京理工大学 | 一种机械臂的递推分布式快速收敛鲁棒控制方法 |
CN111240347A (zh) * | 2020-01-17 | 2020-06-05 | 中南大学 | 一种自抗扰控制的无人机航向角误差补偿方法、系统 |
CN111216131B (zh) * | 2020-01-21 | 2023-03-24 | 重庆邮电大学 | 基于柔性执行器驱动的机器人串级抗干扰控制方法及系统 |
CN111679644A (zh) * | 2020-07-07 | 2020-09-18 | 南京航空航天大学 | 一种考虑系统延迟的不确定工业机器人运动控制方法 |
CN112476411A (zh) * | 2020-11-12 | 2021-03-12 | 北华大学 | 一种Delta并联机器人轨迹控制方法及系统 |
CN112518755A (zh) * | 2020-12-08 | 2021-03-19 | 北京配天技术有限公司 | 一种机械臂关节的控制系统、方法、设备及存储介质 |
CN112684695A (zh) * | 2020-12-08 | 2021-04-20 | 配天机器人技术有限公司 | 一种机械臂关节的控制系统、方法、设备及存储介质 |
CN112523944B (zh) * | 2020-12-29 | 2022-02-11 | 重庆邮电大学 | 一种风力发电机变桨系统自适应动态面控制方法 |
CN112847303B (zh) * | 2020-12-31 | 2022-04-19 | 北京理工大学 | 一种Stewart平台的协同控制方法 |
CN113110059B (zh) * | 2021-04-26 | 2022-04-19 | 杭州电子科技大学 | 基于事件触发的单连杆机械臂系统实际跟踪的控制方法 |
CN114035588B (zh) * | 2021-11-30 | 2023-03-07 | 黄山学院 | 一种移动机器人轨迹跟踪事件触发控制方法 |
CN114516052B (zh) * | 2022-03-23 | 2023-12-22 | 杭州湖西云百生科技有限公司 | 并行实时高性能多轴机械臂的动力学控制方法及系统 |
CN116352705B (zh) * | 2023-02-28 | 2024-01-09 | 南通大学 | 一种基于数据驱动的水下机械臂抗扰预测控制方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5091683A (en) * | 1989-09-20 | 1992-02-25 | Seiko Instruments Inc. | Servo control apparatus |
JP2010022145A (ja) * | 2008-07-11 | 2010-01-28 | Yaskawa Electric Corp | 同期制御装置 |
CN104142627A (zh) * | 2014-07-03 | 2014-11-12 | 浙江工业大学 | 一种采用自抗扰控制技术的网络化无刷直流电机时延补偿和控制方法 |
CN104201967A (zh) * | 2014-07-22 | 2014-12-10 | 浙江工业大学 | 一种采用自抗扰控制技术的网络化永磁同步电机时延补偿和控制方法 |
CN105629729A (zh) * | 2016-01-04 | 2016-06-01 | 浙江工业大学 | 一种基于线性自抗扰的网络化移动机器人轨迹跟踪控制方法 |
CN107942684A (zh) * | 2017-12-26 | 2018-04-20 | 电子科技大学 | 基于分数阶自适应非奇异终端滑模的机械臂轨迹跟踪方法 |
CN107991867A (zh) * | 2017-11-28 | 2018-05-04 | 浙江工业大学 | 一种基于自抗扰控制器的网络化多轴运动控制系统的迭代学习轮廓误差控制方法 |
-
2018
- 2018-06-06 CN CN201810576366.1A patent/CN108803326B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5091683A (en) * | 1989-09-20 | 1992-02-25 | Seiko Instruments Inc. | Servo control apparatus |
JP2010022145A (ja) * | 2008-07-11 | 2010-01-28 | Yaskawa Electric Corp | 同期制御装置 |
CN104142627A (zh) * | 2014-07-03 | 2014-11-12 | 浙江工业大学 | 一种采用自抗扰控制技术的网络化无刷直流电机时延补偿和控制方法 |
CN104201967A (zh) * | 2014-07-22 | 2014-12-10 | 浙江工业大学 | 一种采用自抗扰控制技术的网络化永磁同步电机时延补偿和控制方法 |
CN105629729A (zh) * | 2016-01-04 | 2016-06-01 | 浙江工业大学 | 一种基于线性自抗扰的网络化移动机器人轨迹跟踪控制方法 |
CN107991867A (zh) * | 2017-11-28 | 2018-05-04 | 浙江工业大学 | 一种基于自抗扰控制器的网络化多轴运动控制系统的迭代学习轮廓误差控制方法 |
CN107942684A (zh) * | 2017-12-26 | 2018-04-20 | 电子科技大学 | 基于分数阶自适应非奇异终端滑模的机械臂轨迹跟踪方法 |
Non-Patent Citations (5)
Title |
---|
Adaptive output feedback consensus of networked robotic manipulators with uncertain parameters and communication delays;Wang Lijiao 等;《IEEE》;20141231;全文 * |
Analysis of middleware and ADRC based techniques for networked control systems;Ahmed, A. 等;《Web of science》;20160707;全文 * |
基于自抗扰技术的网络化无刷直流电机控制系统时延补偿;张文安 等;《控制与决策》;20151231;第30卷(第11期);全文 * |
基于自抗扰控制器的网络化控制系统设计;葛锁良 等;《中国科学技术大学学报》;20121231;第42卷;全文 * |
遥操作机器人系统时延补偿研究;金俊凯;《中国优秀硕士学位论文全文数据库 信息科技辑》;20170415;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN108803326A (zh) | 2018-11-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108803326B (zh) | 具有干扰和时延的工业机械臂线性自抗扰跟踪控制方法 | |
CN110687870B (zh) | 基于非线性扩张状态观测器的机械臂跟踪控制器及系统 | |
Jing et al. | Fuzzy adaptive fault-tolerant control for uncertain nonlinear systems with unknown dead-zone and unmodeled dynamics | |
WO2018023201A1 (zh) | 一种自适应终端滑模控制方法 | |
Liu et al. | Barrier Lyapunov functions-based adaptive control for a class of nonlinear pure-feedback systems with full state constraints | |
CN104950677B (zh) | 基于反演滑模控制的机械臂系统饱和补偿控制方法 | |
Ling et al. | Fixed-time adaptive event-triggered tracking control of uncertain nonlinear systems | |
CN113589689B (zh) | 一种基于多参数自适应神经网络的滑模控制器设计方法 | |
CN110687796B (zh) | 基于神经网络的自适应有限时间命令滤波反步控制方法 | |
CN113110048B (zh) | 采用hosm观测器的非线性系统输出反馈自适应控制系统和方法 | |
CN111965976B (zh) | 基于神经网络观测器的机器人关节滑模控制方法及系统 | |
Xia et al. | Adaptive output feedback dynamic surface control of stochastic nonlinear systems with state and input unmodeled dynamics | |
CN115256386B (zh) | 考虑跟踪误差约束的不确定机械臂神经自适应控制方法 | |
CN111958606A (zh) | 一种应用于多自由度机械臂的分布式鲁棒跟踪控制方法 | |
Bao et al. | Adaptive finite‐time tracking control for robotic manipulators with funnel boundary | |
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 | |
CN115202214A (zh) | 基于分段阈值事件触发的机械臂预设性能控制方法 | |
Li et al. | Asymptotic tracking control for uncertain strict‐feedback nonlinear systems with delayed full‐state constraints | |
Kang et al. | Fixed-time adaptive fuzzy command filtering control for a class of uncertain nonlinear systems with input saturation and dead zone | |
Zhu et al. | Neural control of uncertain robot manipulator with fixed-time convergence | |
CN114063457A (zh) | 一种机械臂系统的事件触发容错控制方法 | |
Li et al. | Neural-based adaptive fixed-time prescribed performance control for the flexible-joint robot with actuator failures | |
Li et al. | Adaptive finite-time fault-tolerant control for the full-state-constrained robotic manipulator with novel given performance | |
Xu et al. | Neural learning fixed-time adaptive tracking control of complex stochastic constraint nonlinear systems | |
CN115502986B (zh) | 基于状态观测器的多关节机械臂事件驱动控制方法 |
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 |