CN109240092B - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN109240092B CN109240092B CN201811450316.5A CN201811450316A CN109240092B CN 109240092 B CN109240092 B CN 109240092B CN 201811450316 A CN201811450316 A CN 201811450316A CN 109240092 B CN109240092 B CN 109240092B
- Authority
- CN
- China
- Prior art keywords
- joint
- mechanical arm
- flexible
- output
- agent
- 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
- 230000009975 flexible effect Effects 0.000 title claims abstract description 131
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000013461 design Methods 0.000 claims abstract description 16
- 239000003795 chemical substances by application Substances 0.000 claims description 68
- 230000008859 change Effects 0.000 claims description 32
- 239000011159 matrix material Substances 0.000 claims description 22
- 238000011217 control strategy Methods 0.000 claims description 15
- 230000003750 conditioning effect Effects 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 6
- 150000001875 compounds Chemical class 0.000 claims description 4
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 2
- 230000003044 adaptive effect Effects 0.000 claims description 2
- 238000013016 damping Methods 0.000 claims description 2
- 230000005484 gravity Effects 0.000 claims description 2
- 230000002441 reversible effect Effects 0.000 claims description 2
- 238000006467 substitution reaction Methods 0.000 claims description 2
- 230000006641 stabilisation Effects 0.000 abstract description 2
- 238000011105 stabilization Methods 0.000 abstract description 2
- 238000011160 research Methods 0.000 description 6
- 230000001133 acceleration Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 230000000750 progressive effect Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 244000145845 chattering Species 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 239000012636 effector Substances 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000012950 reanalysis Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
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
Abstract
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涉及可重构模块化柔性机械臂控制领域,其将可重构模块化柔性机械臂动力学模型描述为一个交联关节智能体子系统的集合,实现单关节智能体柔性机械臂系统的建模;利用重新定义输出的思想,将关节电机转角和柔性模态变量的线性组合作为柔性机械臂系统的输出,通过输入输出线性化,将单关节柔性机械臂系统分解为输入输出子系统和零动态子系统两部分。本发明将零动态子系统在平衡点近似线性化,通过合理选择重新定义系统输出的设计参数,使柔性机械臂系统的零动态子系统在平衡点附近渐进稳定,从而保证整个柔性机械臂系统的渐近稳定,以此来满足机械臂子系统对期望轨迹的跟踪要求。
Description
技术领域
本发明涉及可重构模块化柔性机械臂控制领域,具体涉及一种基于多智能体的可重构模块化柔性机械臂轨迹跟踪控制方法。
背景技术
具有高柔性、设计周期短、高可靠性、成本低和易维护等特点的模块化可重构机械臂,在实验室研究、航天、核工业、军事等领域得到了广泛的研究与应用。可重构模块机械臂具有标准接口与模块,可根据不同的任务需求对自身构形进行重新组合与配置,且不需要重新设计控制器。此外,可重构模块机械臂的关节还包括了通讯、驱动、控制、传动等单元,使重构后的机械臂对新的工作环境具有更好的适应性。因此对可重构模块化柔性机械臂的轨迹跟踪研究具有重要的研究应用价值,使柔性机械臂在相关领域中发挥更好的价值。
由于可重构模块化柔性机械臂在运动过程中关节和连杆柔性效应增加,会使结构发生变形从而导致任务执行的精度降低;并且目前可重构模块化柔性机械臂的轨迹跟踪算法对环境和状态信息的依赖要求比较高,但机械臂系统中存在着较多的不确定性因素和扰动。例如目前采用遗传算法对机械臂进行轨迹规划时,首先要对机械臂建立精确的运动学和动力学模型,然后基于模型再优化末端执行器的轨迹曲线。但是柔性机械臂具有高度非线性、强耦合和时变性,在参数不确定情况下建立精确的模型很困难,导致传统的一些算法对机械臂很难进行有效的轨迹跟踪控制。因此,现有技术中主要是在对机械臂进行运动学和动力学建模基础上,在关节空间或笛卡尔空间中,通过解变换方程、运动学动力学方程反解,或者差值运算来实现柔性机械臂的轨迹规划。目前,柔性机械臂的研究已经非常成熟,但都是基于固定的结构形式,当机械臂的结构发生改变时,需要重新进行控制器的设计;目前,对于可重构机械臂的研究也取得了一定的研究成果,但较少考虑关节的柔性以及柔性模态对系统轨迹跟踪精度的影响。
柔性机械手的控制器设计均基于可测得系统状态的基础上,系统状态包括关节转角、速度、柔性模态及其导数。前三个量分别可以通过光电编码器、测速机和应变测量器获得,而柔性模态导数的获得则一直是个难点。现有的一种方法是在机械臂上安装加速度测量仪,通过对其输出信号积分获得;另一种方法是通过对模态变量直接模拟微分。前者成本较高,不利于实际应用,而后者存在噪声问题。滑模观测器控制对于系统不确定性方面具有良好的鲁棒性能,同时该算法具有响应迅速、无需在线识别、对参数变化及扰动不敏感的优点。传统滑模控制方法中切换函数的选取一般只依赖于系统状态,而与系统输入无关。这样,到达律中的不连续项会直接转移到控制中,使系统在不同的控制逻辑之间来回切换,从而引起系统抖振。而动态滑模控制方法在选取切换面时不仅依赖于系统状态,而且与系统输入甚至输入的一阶或高阶导数有关,因而到达律中不连续项的影响可有相当部分转移到控制的一阶或高阶导数项中去,这便大大削弱滑模系统的抖振,因此对柔性机械臂模型参数的不确定性、外界干扰的不确定性以及非线性时变不确定性等因素导致的柔性臂在执行任务精度不高问题具有良好的控制效果,有效提高柔性机械臂的轨迹跟踪控制精度,并且有效提高了柔性机械臂的复用率。
发明内容
本发明针对可重构模块化柔性机械臂在运动过程中关节和连杆柔性效应的增加,使结构发生变形从而使任务执行的精度降低、复用性低等问题,提出了基于多智能体的可重构模块化柔性机械臂轨迹跟踪控制方法,该方法将柔性机械臂单关节子系统看做一个智能体,首先设计柔性机械臂单关节智能体控制器,然后根据不同工况对多个关节进行串联重组,以适应不同的应用领域需要,方便快捷,轨迹跟踪精度较高且不需要重新设计控制器;该方法实现了可重构柔性机械臂渐进跟踪期望轨迹,且跟踪误差收敛且有界。
本发明解决技术问题所采取的技术方案如下:
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,其包括如下步骤:
步骤一、第i个关节智能体重新定义的系统输出模块根据信号采集与调理模块检测到可重构模块化柔性机械臂的各关节转角和柔性模态,求得第i个关节智能体重新定义的系统输出实际值zi,i为自然数,i=1,2,…,n;
步骤二、第i个关节智能体期望轨迹模块根据给定的柔性臂关节转角参考值θdi,计算求得第i个关节智能体重新定义的系统输出期望轨迹zid,角标符号d表示期望值或参考值,zid表示第i个关节智能体重新定义的系统输出zi的期望轨迹,θdi表示第i个关节智能体柔性臂关节转角θi的参考值;
步骤三、柔性模态变化率观测器模块根据信号采集与调理模块检测到可重构柔性机械臂的关节转角、关节转角变化率以及柔性模态,通过采用自适应动态滑模控制策略以及不确定项及干扰的自适应变化率,计算求得柔性模态变化率的估计值;
步骤四、建立可重构模块化柔性机械臂第i个关节智能体的动力学模型,将关节电机转角和柔性模态变量的线性组合作为单关节柔性机械臂系统的输出,通过输入输出线性化,将系统分解为输入输出子系统和零动态子系统两部分;
步骤五、针对第i个关节智能体的输入输出子系统,根据信号采集与调理模块检测到可重构柔性机械臂的关节转角、关节转角变化率以及柔性模态、步骤一获得的第i个关节智能体重新定义的系统输出实际值与步骤二获得的第i个关节智能体重新定义的系统输出期望轨迹二者的差值、步骤三获得的柔性模态变化率估计值,设计干扰观测器,获得系统中不确定项及干扰的估计值及zi2的估计值并提出基于干扰观测器的二阶滑模控制策略,实现在系统存在干扰及参数不确定情况下对期望轨迹的跟踪;针对n个关节智能体组装重构机械臂的情况,基于多智能体理论修订滑模控制策略,实现n关节可重构模块化柔性机械臂输入输出子系统状态对期望参考轨迹的跟踪;
步骤六、将第i个关节智能体的零动态子系统在平衡点近似线性化,以保证Ai(λ0i,λ1i)的特征值严格在复平面的左半平面,且以矩阵Ai(λ0i,λ1i)的最大特征值与最小特征值的差值最小为目标,选择步骤五中控制器用到的重新定义系统输出的设计参数,保证整个柔性机械臂系统快速的跟踪期望的参考轨迹。
本发明的有益效果如下:
1)针对具有高柔性、设计周期短、高可靠性、成本低和易维护特点的可重构模块化柔性机械臂由于其在轨迹跟踪过程中关节和连杆柔性效应增加,使得结构发生变形从而导致任务执行的精度降低问题,本发明将可重构模块化柔性机械臂动力学模型描述为一个交联关节智能体子系统的集合,从而实现单关节智能体柔性机械臂系统的建模。利用重新定义输出的思想,将关节电机转角和柔性模态变量的线性组合作为柔性机械臂系统的输出,通过输入输出线性化,将单关节柔性机械臂系统分解为输入输出子系统和零动态子系统两部分。本发明提出了一种基于干扰观测器的二阶滑模控制策略,使得输入输出子系统有限时间跟踪期望的参考轨迹。本发明将零动态子系统在平衡点近似线性化,通过合理选择重新定义系统输出的设计参数,使柔性机械臂系统的零动态子系统在平衡点附近渐进稳定,从而保证整个柔性机械臂系统的渐近稳定,以此来满足机械臂子系统对期望轨迹的跟踪要求。
2)本发明提出一种基于自适应估计的柔性模态变化率动态滑模观测器,取代硬件传感器获取柔性模态变化率估计值,大大削弱滑模系统的抖振,提高了参数估计的准确性,减少了硬件体积,降低了系统成本。
3)相比现有的技术,本发明对系统的非线性不确定性具有更好的鲁棒性,并且实现了可重构模块化柔性机械臂子系统渐进跟踪期望轨迹,且跟踪误差收敛且有界;针对不同应用领域,可任意重构柔性机械臂,且不需要重新设计控制器,复用率有效提高;为解决模块化柔性机械臂的轨迹跟踪问题提供了一种新思路。本发明的方法简单易于实现,适宜广泛推广应用。
附图说明
图1是本发明基于多智能体的可重构模块化柔性机械臂轨迹跟踪控制方法的原理示意图。
图2是本发明n关节可重构模块化柔性机械臂的结构示意图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步详细说明。
如图1和图2所示,本发明基于多智能体的可重构模块化柔性机械臂轨迹跟踪控制方法是由第i(i取自然数,i=1,2,…,n)个关节智能体模型、第i个关节智能体输入输出子系统、第i个关节智能体零动态子系统、第i个关节智能体控制器、第i个关节智能体控制器参数选择、n关节可重构模块化柔性机械臂、柔性模态观测器、信号采集与调理、第i个关节智能体期望轨迹与第i个关节智能体重新定义的系统输出实现。
可重构模块化柔性机械臂将每个关节考虑为一个智能体子系统,考虑系统存在的参数不确定性及外界干扰等因素,建立第i个关节智能体模型。通过重新定义第i个关节智能体输出为关节转角与柔性模态的线性组合,将第i个关节智能体分解为第i个关节智能体输入输出子系统和第i个关节智能体零动态子系统。
第i个关节智能体控制器以其输入输出子系统为基础设计控制器,输入为信号采集与调理模块的输出θi,qi,柔性模态变化率观测器模块的输出柔性模态变化率估计值重新定义的系统输出实际值zi与重新定义的系统输出理想值zid的差值。第i个关节智能体控制器参数选择λ0i,λ1i根据满足零动态子系统渐进稳定和快速收敛的条件选取。
第i个关节智能体控制器参数选择模块首先将零动态子系统在平衡点处线性化,建立状态方程,在保证矩阵Ai(λ0i,λ1i)的特征值全为负值的前提条件下,选取适当的λ0i和λ1i值,使得矩阵Ai(λ0i,λ1i)的最大特征值与最小特征值的差值最小。
柔性模态变化率观测器的输入为信号采集与调理模块检测到的实际柔性机械臂的关节转角、关节转角变化率、柔性模态,设计自适应动态滑模控制策略实现柔性模态变化率的估计,通过修改设计参数可调整观测器跟踪系统状态的收敛速度,使参数估计达到预期的指标。
本发明基于多智能体的可重构模块化柔性机械臂轨迹跟踪控制方法具体实施步骤如下:
1)可重构模块化柔性机械臂第i个关节智能体模型
将可重构机械臂的每个关节智能体考虑为一个子系统,则第i个关节智能体子系统的动力学模型可以描述为:
式中,θi(t)为第i个关节智能体的电机转角向量;qi(t)为第i个关节智能体的柔性模态向量,qi=[qi1,…,qir]T;ui(t)为第i个关节智能体的控制转矩向量;ffi(θi,qi)和fri(θi,qi)分别第i个关节智能体受重力、哥氏力和离心力影响的项;和分别为第i个关节智能体正定阻尼矩阵,Ki(qi)为第i个关节智能体正定刚度矩阵。r为柔性模态的个数,分别表示θi和qi的二阶导数和一阶导数。Mi=[Mri Mrfi;Mfri Mfi]为第i个关节智能体的正定惯量矩阵。C1i、C2i为第i个关节智能体与其他智能体的关联项。
式中,Mrij、Mrfij、Mfrij、Mfij分别为Mr Mrf;Mfr Mf的第ij个分量。n为可重构模块化柔性机械臂所包含的关节数,j=1,2,…,n。
当系统存在不确定性时,假设参数Mi、fri、E1i、ffi、E2i、Ki、C1i、C2i的标称量分别为:Mni、frni、E1ni、ffni、E2ni、Kni、C1ni、C2ni,定义:ΔMi=Mi-Mni,Δfri=fri-frni,ΔE1i=E1i-E1ni,Δffi=ffi-ffni,ΔE2i=E2i-E2ni,ΔKi=Ki-Kni,ΔC1i=C1i-C1ni,ΔC2i=C2i-C2ni表示系统中存在的参数不确定性。则可重构柔性机械臂系统第i个关节智能体(1)可重新写为如下的形式:
式中,
Mni=[Mrni Mrfni;Mfrni Mfni]
式(2)中令i=1,2,…,n,即可求得可重构模块化柔性机械臂各个关节智能体的模型。
2)第i个关节智能体输入输出子系统
重新定义可重构模块化柔性机械臂系统的输出z(t)如下
zi=λ0iθi+λ1iqi (3)
式中,λ0i和λ1i为设计参数,λ1i为1×r维矩阵。
令
di(λ0i,λ1i,xi,ui)=λ0i(Ni11d1i+Ni12d2i)+λ1i(Ni21d1i+Ni22d2i)
ci(λ0i,λ1i,xi,ui)=(λ0iNi11+λ1iNi21)C1i+(λ0iNi12+λ1iNi22)C2i
βi(λ0i,λ1i,xi)=λ0iNi11(θ,q)+λ1iNi21(θ,q)
得到系统(1)的输入输出子系统如下
式中,βi(λ0i,λ1i,xi)可逆。
3)第i个关节智能体零动态子系统
当特定的控制输入ui(t)使得输入输出子系统(4)输出为零时:
代入式(2),得零动态子系统如下
可见通过输入输出线性化,将第i个关节智能体系统分解为输入输出子系统(4)和零动态子系统(5)。
4)第i个关节智能体控制器
设第i个关节智能体的参考轨迹为zid,选取如下二阶滑动模态:
式中,c>0,γi>0,p<q<2p,p、q>0。
令
式中,qoi为通过柔性模态变化率观测器获得的柔性模态变化率估计值。
选取滑动模态(7),采用如下控制策略(9),则第i个关节智能体输入输出子系统状态能够跟踪上期望的参考轨迹。
ui=ueqi+uni (9)
uni=-βi -1(λ0i,λ1i,θi,qi)(c-1η3sgn(li)+c-1η4li)
式中,γi满足如下方程:
当n个关节智能体组装重构机械臂时,可将式(7)中的χi(t)修改为:
χi(t)=c(zi1-zid)+ai(i-1)(zi1-zid-z(i-1)1+z(i-1)d)+ai(i+1)(zi1-zid-z(i+1)1+z(i+1)d)(10)
式中,ai(i-1)、ai(i+1)分别为第i个关节智能体与第i-1个关节智能体、第i+1个关节智能体的关联系数。ai(i-1)=1、ai(i+1)=1
将式(10)带入式(8)、(9)中,则选用n个关节重构后的柔性机械臂输入输出子系统状态能够跟踪上期望的参考轨迹。
5)控制器参数选择
将零动态子系统(5)的平衡点xi=0处将零动态子系统线性化。定义Ω1为xi=0的邻域,在Ω1域上将矩阵Ni在xi=0处按泰勒级数展开,可得常值矩阵Ni0和xi的高阶项fhi(x)之和的形式
令
Ai(λ0i,λ1i)=[0,I;–Pi0ki,–Pi0E2i] (12)
式中,Pi0=Ni220-Ni210(λ0iNi110+λ1iNi210)-1(λ0iNi120+λ1iNi220)
则零动态子系统(5)可写成如下形式:
式中,GΔi=–Pi0(fhi+C2i+d2i)。
假设在零点附近有||fhi||≤μ3,||C2i||<μ4,||d2i||<μ5,则
||GΔι||=||fhi+C2i+d2i||≤(μ3+μ4+μ5)||-Pi0||
λ0i和λ1i选取适当的值,保证Ai(λ0i,λ1i)的特征值严格在复平面的左半平面,且λ0i和λ1i的取值还要满足矩阵Ai(λ0i,λ1i)的最大特征值与最小特征值的差值最小。
6)柔性模态观测器
柔性模态变化率观测器的输入为信号采集与调理模块检测到的实际柔性机械臂的关节转角、关节转角变化率、柔性模态,设计自适应动态滑模控制策略,通过修改设计参数可调整观测器跟踪系统状态的收敛速度,使状态估计达到预期的指标。算法如下:
可重构柔性机械臂子系统的模态方程如下:
式中,Gi为设计参数矩阵,Φi为柔性机械臂的输出矩阵,yif为第i个关节智能体端点的实际轨迹,vi为观测器的控制输入,定义ei(t)为系统状态变量的估计值与实际值的偏差:Nio=Ni2-Ni1;NiB=-Ni22E2i-GiΦi。定义Ωo为系统给定参考轨迹的邻域,则在此区域Ωo内,可合理的假设系统变量的变化范围均有界。
将Nio在区域Ωo内做Taylor级数展开,可得
则由系统(14)和(15)可得偏差系统为:
式中,fih=Nih-fi,O(qo 2)表示与qoi 2同阶项。在区域Ωo内,Nio必定有界。
选择动态线性滑模面:
设计Gi使得NiB为Hurwitz矩阵,则控制策略设计如下:
不确定项及干扰变化率的自适应估计值设计如下:
Claims (1)
1.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,其特征在于,该方法包括如下步骤:
步骤一、第i个关节智能体重新定义的系统输出模块根据信号采集与调理模块检测到可重构模块化柔性机械臂的各关节转角和柔性模态,求得第i个关节智能体重新定义的系统输出实际值zi,i为自然数,i=1,2,…,n;
步骤二、第i个关节智能体期望轨迹模块根据给定的柔性机械臂 关节转角参考值θdi,计算求得第i个关节智能体重新定义的系统输出期望轨迹zid;
步骤三、柔性模态变化率观测器模块根据信号采集与调理模块检测到可重构柔性机械臂的关节转角、关节转角变化率以及柔性模态,通过采用自适应动态滑模控制策略以及不确定项及干扰的自适应变化率,计算求得柔性模态变化率的估计值;
步骤四、建立可重构模块化柔性机械臂第i个关节智能体的动力学模型,将关节电机转角和柔性模态变量的线性组合作为单关节柔性机械臂系统的输出,通过输入输出线性化,将系统分解为输入输出子系统和零动态子系统两部分;
步骤五、针对第i个关节智能体的输入输出子系统,根据信号采集与调理模块检测到可重构柔性机械臂的关节转角、关节转角变化率以及柔性模态、步骤一获得的第i个关节智能体重新定义的系统输出实际值与步骤二获得的第i个关节智能体重新定义的系统输出期望轨迹二者的差值、步骤三获得的柔性模态变化率估计值,设计干扰观测器,获得系统中不确定项及干扰的估计值及zi2的估计值并提出基于干扰观测器的二阶滑模控制策略,实现在系统存在干扰及参数不确定情况下对期望轨迹的跟踪;针对n个关节智能体组装重构机械臂的情况,基于多智能体理论修订滑模控制策略,实现n关节可重构模块化柔性机械臂输入输出子系统状态对期望参考轨迹的跟踪;
步骤六、将第i个关节智能体的零动态子系统在平衡点近似线性化,以保证Ai(λ0i,λ1i)的特征值严格在复平面的左半平面,且以矩阵Ai(λ0i,λ1i)的最大特征值与最小特征值的差值最小为目标,选择步骤五中控制器用到的重新定义系统输出的设计参数,保证整个柔性机械臂系统快速的跟踪期望的参考轨迹;
步骤四所述的建立可重构模块化柔性机械臂第i个关节智能体的动力学模型,通过输入输出线性化,将系统分解为输入输出子系统和零动态子系统两部分的过程如下:
1)建立可重构模块化柔性机械臂第i个关节智能体的动力学模型
将可重构机械臂的每个关节智能体作为一个子系统,则第i个关节智能体子系统的动力学模型可以描述为:
式中,θi(t)为第i个关节智能体的电机转角向量;qi(t)为第i个关节智能体的柔性模态向量,qi=[qi1,…,qir]T;ui(t)为第i个关节智能体的控制转矩向量;ffi(θi,qi)和fri(θi,qi)分别第i个关节智能体受重力、哥氏力和离心力影响的项;和分别为第i个关节智能体正定阻尼矩阵,Ki(qi)为第i个关节智能体正定刚度矩阵;r为柔性模态的个数,分别表示θi和qi的二阶导数和一阶导数;Mi=[Mri Mrfi;Mfri Mfi]为第i个关节智能体的正定惯量矩阵;C1i、C2i为第i个关节智能体与其他智能体的关联项;
式中,Mrij、Mrfij、Mfrij、Mfij分别为Mr Mrf;Mfr Mf的第ij个分量;n为可重构模块化柔性机械臂所包含的关节数,j=1,2,…,n;
当系统存在不确定性时,假设参数Mi、fri、E1i、ffi、E2i、Ki、C1i、C2i的标称量分别为:Mni、frni、E1ni、ffni、E2ni、Kni、C1ni、C2ni,定义:ΔMi=Mi-Mni,Δfri=fri-frni,ΔE1i=E1i-E1ni,Δffi=ffi-ffni,ΔE2i=E2i-E2ni,ΔKi=Ki-Kni,ΔC1i=C1i-C1ni,ΔC2i=C2i-C2ni表示系统中存在的参数不确定性,则可重构柔性机械臂系统第i个关节智能体(1)可重新写为如下的形式:
式中,
Mni=[Mrni Mrfni;Mfrni Mfni]
式(2)中令i=1,2,…,n,即可求得可重构模块化柔性机械臂各个关节智能体的模型;
2)得到第i个关节智能体输入输出子系统
重新定义可重构模块化柔性机械臂系统的输出z(t)如下
zi=λ0iθi+λ1iqi (3)
式中,λ0i和λ1i为设计参数,λ1i为1×r维矩阵;
令
di(λ0i,λ1i,xi,ui)=λ0i(Ni11d1i+Ni12d2i)+λ1i(Ni21d1i+Ni22d2i)
ci(λ0i,λ1i,xi,ui)=(λ0iNi11+λ1iNi21)C1i+(λ0iNi12+λ1iNi22)C2i
βi(λ0i,λ1i,xi)=λ0iNi11(θ,q)+λ1iNi21(θ,q)
得到系统(1)的输入输出子系统如下
式中,βi(λ0i,λ1i,xi)可逆;
3)得到第i个关节智能体零动态子系统
当特定的控制输入ui(t)使得输入输出子系统(4)输出为零时:
代入式(2),得零动态子系统如下
通过输入输出线性化,将第i个关节智能体系统分解为输入输出子系统(4)和零动态子系统(5);
步骤五所述的基于干扰观测器的二阶滑模控制策略实现n关节可重构模块化柔性机械臂轨迹跟踪的过程如下:
设第i个关节智能体的参考轨迹为zid,选取如下二阶滑动模态:
式中,c>0,γi>0,p<q<2p,p、q>0;
选取滑动模态(7),采用如下控制策略(9),则第i个关节智能体输入输出子系统状态能够跟踪上期望的参考轨迹:
ui=ueqi+uni (9)
uni=-βi -1(λ0i,λ1i,θi,qi)(c-1η3sgn(li)+c-1η4li)
式中,γi满足如下方程:
当n个关节智能体组装重构机械臂时,可将式(7)中的χi(t)修改为:
χi(t)=c(zi1-zid)+ai(i-1)(zi1-zid-z(i-1)1+z(i-1)d)+ai(i+1)(zi1-zid-z(i+1)1+z(i+1)d) (10)
式中,ai(i-1)、ai(i+1)分别为第i个关节智能体与第i-1个关节智能体、第i+1个关节智能体的关联系数;
将式(10)代入式(8)、(9)中,则n关节可重构模块化柔性机械臂输入输出子系统状态能够跟踪上期望的参考轨迹;
步骤三所述的柔性模态变化率观测器获得柔性模态变化率估计值的过程如下:
柔性模态变化率观测器的输入为信号采集与调理模块检测到的实际柔性机械臂的关节转角、关节转角变化率、柔性模态,设计自适应动态滑模控制策略,通过修改设计参数可调整观测器跟踪系统状态的收敛速度,使状态估计达到预期的指标;算法如下:
可重构柔性机械臂子系统的模态方程如下:
式中,Gi为设计参数矩阵,Φi为柔性机械臂的输出矩阵,yif为第i个关节智能体端点的实际轨迹,vi为观测器的控制输入,定义ei(t)为系统状态变量的估计值与实际值的偏差: Nio=Ni2-Ni1;NiB=-Ni22E2i-GiΦi;定义Ωo为系统给定参考轨迹的邻域,则在此区域Ωo内,可合理的假设系统变量的变化范围均有界;
将Nio在区域Ωo内做Taylor级数展开,可得
则由系统(14)和(15)可得偏差系统为:
式中,fih=Nih-fi,O(qo 2)表示与qoi 2同阶项;在区域Ωo内,Nio必定有界;
选择动态线性滑模面:
设计Gi使得NiB为Hurwitz矩阵,则控制策略设计如下:
不确定项及干扰变化率的自适应估计值设计如下:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811450316.5A CN109240092B (zh) | 2018-11-30 | 2018-11-30 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811450316.5A CN109240092B (zh) | 2018-11-30 | 2018-11-30 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109240092A CN109240092A (zh) | 2019-01-18 |
CN109240092B true CN109240092B (zh) | 2021-09-10 |
Family
ID=65073829
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811450316.5A Active CN109240092B (zh) | 2018-11-30 | 2018-11-30 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109240092B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109856975A (zh) * | 2019-03-04 | 2019-06-07 | 南京农业大学 | 基于重置控制的拖拉机路径跟踪控制器设计方法 |
CN110161852B (zh) * | 2019-05-08 | 2022-01-04 | 杭州电子科技大学 | 一种基于二阶滑模算法的移动机械臂运动控制方法 |
CN110187637B (zh) * | 2019-06-03 | 2021-12-10 | 重庆大学 | 在控制方向和期望轨迹不确定下的机器人系统控制方法 |
CN112207834B (zh) * | 2020-12-10 | 2021-05-25 | 北京科技大学 | 一种基于干扰观测器的机器人关节系统控制方法及系统 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0251514A2 (en) * | 1986-06-04 | 1988-01-07 | Kabushiki Kaisha Toshiba | Apparatus for controlling industrial multijoint arm robot |
US6081754A (en) * | 1997-02-03 | 2000-06-27 | Deutsches Zentrum Fur Luft-Und Raumfahrt E.V. | Method of command control for interactive path guidance of kinematically-redundant manipulator |
JP2012051043A (ja) * | 2010-08-31 | 2012-03-15 | Yaskawa Electric Corp | ロボットシステムまたはロボット制御装置 |
CN104020664A (zh) * | 2014-06-12 | 2014-09-03 | 国电科学技术研究院 | 一种基于偏微分方程的柔性机械臂干扰观测器设计方法 |
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 |
CN106970594A (zh) * | 2017-05-09 | 2017-07-21 | 京东方科技集团股份有限公司 | 一种柔性机械臂的轨迹规划方法 |
CN108388114A (zh) * | 2018-02-07 | 2018-08-10 | 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 |
CN108638037A (zh) * | 2018-07-23 | 2018-10-12 | 长春工业大学 | 一种六自由度工业机器人结构及控制系统 |
CN108789417A (zh) * | 2018-07-30 | 2018-11-13 | 长春工业大学 | 基于自适应动态规划的可重构机械臂保代价分散控制方法 |
Family Cites Families (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4893068A (en) * | 1988-11-15 | 1990-01-09 | Hughes Aircraft Company | Digital servo employing switch mode lead/lag integrator |
DE4111354A1 (de) * | 1991-04-09 | 1992-10-22 | Bodenseewerk Geraetetech | Einrichtung zur fuehrung des endeffektors eines roboters laengs einer sollbahn |
JPH10133703A (ja) * | 1996-10-31 | 1998-05-22 | Fujitsu Ltd | 適応的ロバスト制御装置 |
KR19990066033A (ko) * | 1998-01-21 | 1999-08-16 | 김효근 | 엘보(3축)로봇용 궤적추적 제어방법 및 그 장치 |
US8676379B2 (en) * | 2006-07-04 | 2014-03-18 | Panasonic Corporation | Device and method for controlling robot arm, robot, and robot arm control program |
US8073564B2 (en) * | 2006-07-05 | 2011-12-06 | Battelle Energy Alliance, Llc | Multi-robot control interface |
WO2013192598A1 (en) * | 2012-06-21 | 2013-12-27 | Excelsius Surgical, L.L.C. | Surgical robot platform |
CN105093934B (zh) * | 2015-08-17 | 2017-08-25 | 哈尔滨工业大学 | 考虑干扰与模型不确定性的多机器人系统分布式有限时间跟踪控制方法 |
JP6576255B2 (ja) * | 2016-01-25 | 2019-09-18 | キヤノン株式会社 | ロボット軌道生成方法、ロボット軌道生成装置、および製造方法 |
CN107045557B (zh) * | 2016-11-01 | 2020-05-12 | 长春工业大学 | 面向约束的可重构机械臂非奇异终端滑模力位置控制方法 |
CN108015761B (zh) * | 2016-11-02 | 2021-05-07 | 香港理工大学深圳研究院 | 一种单连杆柔性机械臂控制方法及系统 |
CN107662208B (zh) * | 2017-08-24 | 2020-07-31 | 浙江工业大学 | 一种基于神经网络的柔性关节机械臂有限时间自适应反步控制方法 |
CN108181813B (zh) * | 2017-12-28 | 2020-09-01 | 南京埃斯顿机器人工程有限公司 | 一种柔性关节机械臂的分数阶滑模控制方法 |
CN108789418B (zh) * | 2018-08-03 | 2021-07-27 | 中国矿业大学 | 柔性机械臂的控制方法 |
-
2018
- 2018-11-30 CN CN201811450316.5A patent/CN109240092B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0251514A2 (en) * | 1986-06-04 | 1988-01-07 | Kabushiki Kaisha Toshiba | Apparatus for controlling industrial multijoint arm robot |
DE3785095D1 (de) * | 1986-06-04 | 1993-05-06 | Toshiba Kawasaki Kk | Apparat zur steuerung eines industrieroboters mit mehrgelenkarm. |
US6081754A (en) * | 1997-02-03 | 2000-06-27 | Deutsches Zentrum Fur Luft-Und Raumfahrt E.V. | Method of command control for interactive path guidance of kinematically-redundant manipulator |
JP2012051043A (ja) * | 2010-08-31 | 2012-03-15 | Yaskawa Electric Corp | ロボットシステムまたはロボット制御装置 |
CN104020664A (zh) * | 2014-06-12 | 2014-09-03 | 国电科学技术研究院 | 一种基于偏微分方程的柔性机械臂干扰观测器设计方法 |
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 |
CN106970594A (zh) * | 2017-05-09 | 2017-07-21 | 京东方科技集团股份有限公司 | 一种柔性机械臂的轨迹规划方法 |
CN108388114A (zh) * | 2018-02-07 | 2018-08-10 | 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 |
CN108638037A (zh) * | 2018-07-23 | 2018-10-12 | 长春工业大学 | 一种六自由度工业机器人结构及控制系统 |
CN108789417A (zh) * | 2018-07-30 | 2018-11-13 | 长春工业大学 | 基于自适应动态规划的可重构机械臂保代价分散控制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109240092A (zh) | 2019-01-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109240092B (zh) | 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 | |
CN111152225B (zh) | 存在输入饱和的不确定机械臂固定时间轨迹跟踪控制方法 | |
CN108803324B (zh) | 多关节工业机械臂反步有限时间滑模控制方法 | |
CN111618858B (zh) | 一种基于自适应模糊滑模的机械手鲁棒跟踪控制算法 | |
Huang et al. | Intelligent friction modeling and compensation using neural network approximations | |
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 | |
Slotine et al. | Adaptive manipulator control: A case study | |
Park et al. | Robust-tracking control for robot manipulator with deadzone and friction using backstepping and RFNN controller | |
Chang et al. | Design of a robust position feedback tracking controller for flexible-joint robots | |
CN108155833B (zh) | 考虑电气特性的电机伺服系统渐近稳定控制方法 | |
Zheng et al. | Tracking control of manipulator based on high-order disturbance observer | |
Han et al. | Toward sensorless interaction force estimation for industrial robots using high-order finite-time observers | |
Ferrara et al. | Tracking control via switched integral sliding mode with application to robot manipulators | |
Li et al. | Adaptive robust control of servo mechanisms with compensation for nonlinearly parameterized dynamic friction | |
Vo et al. | An output feedback tracking control based on neural sliding mode and high order sliding mode observer | |
Hu et al. | Impedance sliding mode control with adaptive fuzzy compensation for robot-environment interacting | |
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 | |
CN110842911A (zh) | 考虑关节电机特性的柔性机械臂联合建模和滑模控制方法 | |
Boscariol et al. | Design of a controller for trajectory tracking for compliant mechanisms with effective vibration suppression | |
Le-Tien et al. | Adaptive friction compensation in trajectory tracking control of DLR medical robots with elastic joints | |
CN111673742A (zh) | 一种工业机器人轨迹跟踪控制算法 | |
Cruz et al. | Application of robust discontinuous control algorithm for a 5-DOF industrial robotic manipulator in real-time | |
Chen et al. | Iterative learning control with sensor fusion for robots with mismatched dynamics and mismatched sensing | |
CN115473467A (zh) | 基于模糊观测器的柔性关节机械臂指令滤波反步控制方法 | |
CN112147894B (zh) | 基于运动学和动力学模型的轮式移动机器人主动控制方法 |
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 | ||
TR01 | Transfer of patent right |
Effective date of registration: 20231020 Address after: 134300 No. 1601, Changbaishan street, Badaojiang District, Baishan City, Jilin Province (Development Zone) Patentee after: STATE GRID JILINSHENG ELECTRIC POWER SUPPLY COMPANY BAISHAN POWER SUPPLY Co. Address before: No.2055 Yan'an street, Chaoyang District, Changchun City, Jilin Province Patentee before: Changchun University of Technology |
|
TR01 | Transfer of patent right |