CN109634220B - 一种六自由度机器人运动控制方法及系统 - Google Patents

一种六自由度机器人运动控制方法及系统 Download PDF

Info

Publication number
CN109634220B
CN109634220B CN201811608336.0A CN201811608336A CN109634220B CN 109634220 B CN109634220 B CN 109634220B CN 201811608336 A CN201811608336 A CN 201811608336A CN 109634220 B CN109634220 B CN 109634220B
Authority
CN
China
Prior art keywords
amplification factor
link
updated
obtaining
error signal
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.)
Expired - Fee Related
Application number
CN201811608336.0A
Other languages
English (en)
Other versions
CN109634220A (zh
Inventor
罗庆生
王善达
罗霄
刘星栋
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Institute of Technology BIT
Original Assignee
Beijing Institute of Technology BIT
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Institute of Technology BIT filed Critical Beijing Institute of Technology BIT
Priority to CN201811608336.0A priority Critical patent/CN109634220B/zh
Publication of CN109634220A publication Critical patent/CN109634220A/zh
Application granted granted Critical
Publication of CN109634220B publication Critical patent/CN109634220B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
    • G05B19/414—Structure of the control system, e.g. common controller or multiprocessor systems, interface to servo, programmable interface controller
    • G05B19/4142—Structure of the control system, e.g. common controller or multiprocessor systems, interface to servo, programmable interface controller characterised by the use of a microprocessor
    • 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
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/34—Director, elements to supervisory
    • G05B2219/34013—Servocontroller

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Human Computer Interaction (AREA)
  • Manufacturing & Machinery (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明公开一种六自由度机器人运动控制方法及系统。通过根据BP神经网络PID控制器的目标速度和实际速度，得到误差信号；根据误差信号，得到测度函数；获取PID控制器的比例环节放大系数、积分环节放大系数和微分环节放大系数；根据所述误差信号，得到正则修正项函数；根据测度函数和正则修正项函数，修正各个环节放大系数，得到更新比例环节放大系数、更新积分环节放大系数和更新微分环节放大系数；采用积分饱和机制再次修正更新积分环节放大系数，得到二次更新积分环节放大系数；根据更新比例环节放大系数、二次更新积分环节放大系数和更新微分环节放大系数，得到控制量。采用本发明能够提高机器人系统的鲁棒性和稳定性。

Description

一种六自由度机器人运动控制方法及系统
技术领域
本发明涉及机械控制领域，特别是涉及一种六自由度机器人运动控制方法及系统。
背景技术
工业机器人技术发展迅速。然而，在工业机器人的工作场合中，惯量复杂，信号采集噪声带来的影响与干扰，会使得机器人运动精度不断下降，灵敏度差，极大的降低了效率与质量。所以这一问题严重影响了工业机器人行业。
针对这一问题，现在的精度补偿策略大多从电机驱动器着手。但是，驱动器参数调整困难且不直观，另外，很多驱动器公司并不对用户开放这些调参功能。而现有的控制方法，大多依赖于精确的机器人动力学建模，这在中低端机器人应用场合无法实现。另外，工业上常用的PID控制方法，无法应对机器人变惯量的特性。长久的使用不仅会使机器人精度下降，还会造成机器人本体的形变等问题。这需要采取一定的措施来解决。
发明内容
本发明的目的是提供一种六自由度机器人运动控制方法及系统，能够提高系统的鲁棒性和稳定性。
为实现上述目的，本发明提供了如下方案：
一种六自由度机器人运动控制方法，包括：
获取基于BP神经网络PID控制器的目标速度和实际速度；
根据所述目标速度和所述实际速度，得到误差信号；
根据所述误差信号，得到BP神经网络的测度函数；
获取BP神经网络PID控制器的比例环节放大系数、积分环节放大系数和微分环节放大系数；
根据所述误差信号，得到正则修正项函数；
根据所述测度函数和所述正则修正项函数，修正所述比例环节放大系数、所述积分环节放大系数和所述微分环节放大系数，得到更新比例环节放大系数、更新积分环节放大系数和更新微分环节放大系数；
采用积分饱和机制再次修正更新积分环节放大系数，得到二次更新积分环节放大系数；
根据所述更新比例环节放大系数、所述二次更新积分环节放大系数和所述更新微分环节放大系数，得到BP神经网络PID控制器的控制量。
可选的，所述根据所述目标速度和所述实际速度，得到误差信号，具体包括：
根据所述目标速度和所述实际速度，采用公式e(t)＝Vref-Vcur得到误差信号；
其中，e(t)为t时刻的误差信号，Vref为目标速度，Vcur为实际速度。
可选的，所述根据所述误差信号，得到BP神经网络的测度函数，具体包括：
根据所述误差信号，采用公式
Figure BDA0001924119680000021
得到BP神经网络的测度函数；
其中，e(t)为t时刻的误差信号，J(t)为BP神经网络的测度函数。
可选的，所述根据所述更新比例环节放大系数、所述二次更新积分环节放大系数和所述更新微分环节放大系数，得到BP神经网络PID控制器的控制量，具体包括：
获取BP神经网络PID控制器在比例、积分和微分各个环节的控制量，得到比例控制量、积分控制量和微分控制量；
根据所述更新比例环节放大系数、所述二次更新积分环节放大系数、所述更新微分环节放大系数以及相对应的所述控制量，采用公式u＝Kpup+Kiui+Kdud得到BP神经网络PID控制器的控制量；
其中，u为BP神经网络PID控制器的控制量，Kp为更新比例环节放大系数，Ki为二次更新积分环节放大系数，Kd为更新微分环节放大系数，up为比例控制量、ui为积分控制量和ud微分控制量。
可选的，所述根据所述误差信号，得到正则修正项函数，具体包括：
根据所述误差信号e(t)，得到误差变化量
Figure BDA0001924119680000022
根据所述误差变化量
Figure BDA0001924119680000023
得到正则修正项函数
Figure BDA0001924119680000024
一种六自由度机器人运动控制系统，包括：
第一获取模块，用于获取基于BP神经网络PID控制器的目标速度和实际速度；
误差信号确定模块，用于根据所述目标速度和所述实际速度，得到误差信号；
测度函数确定模块，用于根据所述误差信号，得到BP神经网络的测度函数；
第二获取模块，用于获取BP神经网络PID控制器的比例环节放大系数、积分环节放大系数和微分环节放大系数；
第三获取模块，用于获取正则修正项函数；
第一修正模块，用于根据所述测度函数和所述正则修正项函数，修正所述比例环节放大系数、所述积分环节放大系数和所述微分环节放大系数，得到更新比例环节放大系数、更新积分环节放大系数和更新微分环节放大系数；
第二修正模块，用于采用积分饱和机制再次修正更新积分环节放大系数，得到二次更新积分环节放大系数；
控制量确定模块，用于根据所述更新比例环节放大系数、所述二次更新积分环节放大系数和所述更新微分环节放大系数，得到BP神经网络PID控制器的控制量。
可选的，所述误差信号确定模块，具体包括：
误差信号确定单元，用于根据所述目标速度和所述实际速度，采用公式e(t)＝Vref-Vcur得到误差信号；
其中，e(t)为t时刻的误差信号，Vref为目标速度，Vcur为实际速度。
可选的，所述测度函数确定模块，具体包括：
测度函数确定单元，用于根据所述误差信号，采用公式
Figure BDA0001924119680000031
得到BP神经网络的测度函数；
其中，e(t)为t时刻的误差信号，J(t)为BP神经网络的测度函数。
可选的，所述控制量确定模块，具体包括：
子控制量确定单元，用于获取BP神经网络PID控制器在比例、积分和微分各个环节的控制量，得到比例控制量、积分控制量和微分控制量；
总控制量确定单元，用于根据所述更新比例环节放大系数、所述二次更新积分环节放大系数、所述更新微分环节放大系数以及相对应的所述控制量，采用公式u＝Kpup+Kiui+Kdud得到BP神经网络PID控制器的控制量；
其中，u为BP神经网络PID控制器的控制量，Kp为更新比例环节放大系数，Ki为二次更新积分环节放大系数，Kd为更新微分环节放大系数，up为比例控制量、ui为积分控制量和ud微分控制量。
可选的，所述修正项函数获取模块，具体包括：
误差变化量确定单元，用于根据所述误差信号e(t)，得到误差变化量
Figure BDA0001924119680000041
修正项函数确定单元，用于根据所述误差变化量
Figure BDA0001924119680000042
得到正则修正项函数
Figure BDA0001924119680000043
根据本发明提供的具体实施例，本发明公开了以下技术效果：本发明提供一种六自由度机器人运动控制方法，包括：获取基于BP神经网络PID控制器的目标速度和实际速度；根据所述目标速度和所述实际速度，得到误差信号；根据所述误差信号，得到BP神经网络的测度函数；获取BP神经网络PID控制器的比例环节放大系数、积分环节放大系数和微分环节放大系数；根据所述误差信号，得到正则修正项函数；根据所述测度函数和所述正则修正项函数，修正所述比例环节放大系数、所述积分环节放大系数和所述微分环节放大系数，得到更新比例环节放大系数、更新积分环节放大系数和更新微分环节放大系数；采用积分饱和机制再次修正更新积分环节放大系数，得到二次更新积分环节放大系数；根据所述更新比例环节放大系数、所述二次更新积分环节放大系数和所述更新微分环节放大系数，得到BP神经网络PID控制器的控制量。通过引入正则修正项函数能够修正各个环节放大系数，通过积分饱和机制来进一步修正BP神经网络PID控制器的积分环节放大系数，进而得到能够使机器人系统更稳定的控制量，从而提高了机器人系统的鲁棒性和稳定性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例六自由度机器人运动控制方法流程图；
图2为本发明实施例六自由度机器人运动控制系统结构图。
具体实施方式
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清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做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。
本发明的目的是提供一种六自由度机器人运动控制方法及系统，能够提高系统的鲁棒性和稳定性。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明实施例六自由度机器人运动控制方法流程图。如图1所示，一种六自由度机器人运动控制方法，包括：
步骤101：获取基于BP神经网络PID控制器的目标速度和实际速度；
步骤102：根据所述目标速度和所述实际速度，得到误差信号；
步骤103：根据所述误差信号，得到BP神经网络的测度函数；
步骤104：获取BP神经网络PID控制器的比例环节放大系数、积分环节放大系数和微分环节放大系数；
步骤105：根据所述误差信号，得到正则修正项函数；
步骤106：根据所述测度函数和所述正则修正项函数，修正所述比例环节放大系数、所述积分环节放大系数和所述微分环节放大系数，得到更新比例环节放大系数、更新积分环节放大系数和更新微分环节放大系数；
步骤107：采用积分饱和机制再次修正更新积分环节放大系数，得到二次更新积分环节放大系数；
步骤108：根据所述更新比例环节放大系数、所述二次更新积分环节放大系数和所述更新微分环节放大系数，得到BP神经网络PID控制器的控制量。
步骤102，具体包括：
根据所述目标速度和所述实际速度，采用公式e(t)＝Vref-Vcur得到误差信号；
其中，e(t)为t时刻的误差信号，Vref为目标速度，Vcur为实际速度。
步骤103，具体包括：
根据所述误差信号，采用公式
Figure BDA0001924119680000061
得到BP神经网络的测度函数；
其中，e(t)为t时刻的误差信号，J(t)为BP神经网络的测度函数。
BP神经网络的输入为误差信号e(t)，比例、微分、积分环节各自输出的控制量为up，ui，ud。BP网络共三层，分别为输入层，隐含层，输出层。其输入层到隐含层的连接矩阵为w1，隐含层到输出层的连接矩阵为w2，输出层权值w3。其中w3为传统意义上的PID参数，可由Kp，Ki，Kd具体表示。Kp为比例环节放大系数，Ki为积分环节放大系数，Kd为微分环节放大系数。
BP网络根据J(t)动态变化来修正控制器的PID参数，这种修正程度由误差测度函数对PID系数的变化率表示，即
Figure BDA0001924119680000062
可通过链式求导法则求得：
Figure BDA0001924119680000063
Figure BDA0001924119680000064
Figure BDA0001924119680000065
则更新后的PID参数为:
Figure BDA0001924119680000066
Figure BDA0001924119680000067
Figure BDA0001924119680000068
其中η为迭代更新的步长。这一参数可由网络循环频率和期望收敛速度决定。
但是由于采集的误差信号e(t)中会带有一定的噪声，导致计算的
Figure BDA0001924119680000071
在计算中会变得不准确且带有高频波动。当机器人运动突变，或者受到外界环境影响时，采集的误差信号e(t)会出现较大的峰值，根据本发明提出的以上更新方式，会使得Kp和Kd参数过度调节，引起较大的超调量，而且随着超调量之后出现的小误差，使得更新方法无法快速的将Kp和Kd参数调小来收敛控制量，控制效果将会受到影响。
所以，针对上述问题，本发明在参数更新阶段引入正则修正项函数
Figure BDA0001924119680000072
本发明的参数更新公式为：
Figure BDA0001924119680000073
Figure BDA0001924119680000074
Figure BDA0001924119680000075
其中λ是一个[0,1]之间的超参数，用于控制正则修正项函数的影响。通过Jr的表达式可以得知，Jr是一个极其敏感的系统波动特征。也就是说，当系统遇到了巨大波动时，Jr会表现出巨大的峰值，而系统在平缓的过程中，Jr又会遭到迅速的衰减。所以在修正参数时，使用Jr来对参数进行约束，能够很好的解决上述问题。
根据步骤106中的正则更新方法，使得当误差信号逐步平稳时，Kp和Kd参数能够保证较好的收敛。但是获得的误差信号e(t)始终无法消除时，Ki参数会不断的增大，这会引起系统的不稳定。针对上述问题，本发明步骤107提出，利用积分饱和机制来控制BP神经网络PID中的积分项参数。其中积分饱和机制使得微小误差的积分∫e(t)小于一定范围时，Ki参数将不再更新。
步骤108，具体包括：
获取BP神经网络PID控制器在比例、积分和微分各个环节的控制量，得到比例控制量、积分控制量和微分控制量；
根据所述更新比例环节放大系数、所述二次更新积分环节放大系数、所述更新微分环节放大系数以及相对应的所述控制量，采用公式u＝Kpup+Kiui+Kdud得到BP神经网络PID控制器的控制量；
其中，u为BP神经网络PID控制器的控制量，Kp为更新比例环节放大系数，Ki为二次更新积分环节放大系数，Kd为更新微分环节放大系数，up为比例控制量、ui为积分控制量和ud微分控制量。
步骤105，具体包括：
根据所述误差信号e(t)，得到误差变化量
Figure BDA0001924119680000081
根据所述误差变化量
Figure BDA0001924119680000082
得到正则修正项函数
Figure BDA0001924119680000083
根据获取的参数更新规则，BP网络PID控制器能自动的向误差减小的方法更新Kp，Ki，Kd。并且保证Ki在一个稳定的范围内。但是机器人脱离工作状态时，上一次的工作会使得PID参数发生变化。受到上一次工况的影响，这组已经改变了的参数的泛化能力与适应能力会大大降低。
针对这一问题，本发明引入参数回溯策略。即当机器人在连续作业时，PID参数将不断的进行迭代修正。而每当机器人离开使能状态，则系统会将PID控制参数恢复到一个较小的初始值。使得机器人避免参数累积带来的副作用。
图2为本发明实施例六自由度机器人运动控制系统结构图。如图2所示，一种六自由度机器人运动控制系统，包括：
第一获取模块201，用于获取基于BP神经网络PID控制器的目标速度和实际速度；
误差信号确定模块202，用于根据所述目标速度和所述实际速度，得到误差信号；
测度函数确定模块203，用于根据所述误差信号，得到BP神经网络的测度函数；
第二获取模块204，用于获取BP神经网络PID控制器的比例环节放大系数、积分环节放大系数和微分环节放大系数；
修正项函数获取模块205，用于获取正则修正项函数；
第一修正模块206，用于根据所述测度函数和所述正则修正项函数，修正所述比例环节放大系数、所述积分环节放大系数和所述微分环节放大系数，得到更新比例环节放大系数、更新积分环节放大系数和更新微分环节放大系数；
第二修正模块207，用于采用积分饱和机制再次修正更新积分环节放大系数，得到二次更新积分环节放大系数；
控制量确定模块208，用于根据所述更新比例环节放大系数、所述二次更新积分环节放大系数和所述更新微分环节放大系数，得到BP神经网络PID控制器的控制量。
所述误差信号确定模块202，具体包括：
误差信号确定单元，用于根据所述目标速度和所述实际速度，采用公式e(t)＝Vref-Vcur得到误差信号；
其中，e(t)为t时刻的误差信号，Vref为目标速度，Vcur为实际速度。
所述测度函数确定模块203，具体包括：
测度函数确定单元，用于根据所述误差信号，采用公式
Figure BDA0001924119680000091
得到BP神经网络的测度函数；
其中，e(t)为t时刻的误差信号，J(t)为BP神经网络的测度函数。
所述控制量确定模块208，具体包括：
子控制量确定单元，用于获取BP神经网络PID控制器在比例、积分和微分各个环节的控制量，得到比例控制量、积分控制量和微分控制量；
总控制量确定单元，用于根据所述更新比例环节放大系数、所述二次更新积分环节放大系数、所述更新微分环节放大系数以及相对应的所述控制量，采用公式u＝Kpup+Kiui+Kdud得到BP神经网络PID控制器的控制量；
其中，u为BP神经网络PID控制器的控制量，Kp为更新比例环节放大系数，Ki为二次更新积分环节放大系数，Kd为更新微分环节放大系数，up为比例控制量、ui为积分控制量和ud微分控制量。
所述修正项函数获取模块205，具体包括：
误差变化量确定单元，用于根据所述误差信号e(t)，得到误差变化量
Figure BDA0001924119680000092
修正项函数确定单元，用于根据所述误差变化量
Figure BDA0001924119680000093
得到正则修正项函数
Figure BDA0001924119680000094
工业机器人是典型的变惯量机电系统，同时由于负重环境，会使得机器人的位置跟踪出现误差。第一，由于控制器中采集的速度信号、位置信号带有一定的误差与噪声，现有的技术无法在机器人控制器中计算有效的参数补偿量。第二，一些控制方法依赖于精确的建模，所以其使用繁琐，调试复杂。所以，本发明中采用了BP网络PID控制器在控制器中对机器人运动做出补偿的方法，相比于其他的电机控制算法拥有更广泛的应用范围，且运用更方便。基于BP网络的PID控制器能够对抗变惯量和外部扰动带来的偏差。由于在参数更新中加入了正则修正项函数，更加有利于系统对抗采样噪声，同时使得系数变化更加平滑，电机运动更加平稳，机器人运行更加稳定。积分饱和机制的引入，保证了PID参数中积分项的参数稳定不发散。
此外，引入参数回溯策略，使得BP网络PID控制器的效果更加明显，避免了长久运动参数累积带来的不稳定性。
本发明提出的方法基于电机的独立控制策略，这种方法依赖于每个电机单元独立的更新PID参数。这种策略会引入大量的超参数，并不便于管理与使用。所以，可以对机器人采用集中控制的策略。即，将整个机器人看作被控对象，将机器人末端执行器的速度跟踪误差以及基于末端误差速度的控制信号作为BP网络的输入，BP网络动态调节机器人在操作空间的目标速度。此种情况下可以将系统的超参数个数大大减少。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (4)

1.一种六自由度机器人运动控制方法，其特征在于，包括：
获取基于BP神经网络PID控制器的目标速度和实际速度；
根据所述目标速度和所述实际速度，得到误差信号；
根据所述误差信号，得到BP神经网络的测度函数，具体包括：
根据所述误差信号，采用公式
Figure FDA0002326036440000011
得到BP神经网络的测度函数；
其中，e(t)为t时刻的误差信号，J(t)为BP神经网络的测度函数；
获取BP神经网络PID控制器的比例环节放大系数、积分环节放大系数和微分环节放大系数；
根据所述误差信号，得到正则修正项函数，具体包括：
根据所述误差信号e(t)，得到误差变化量
Figure FDA0002326036440000012
根据所述误差变化量
Figure FDA0002326036440000013
得到正则修正项函数
Figure FDA0002326036440000014
根据所述测度函数和所述正则修正项函数，修正所述比例环节放大系数、所述积分环节放大系数和所述微分环节放大系数，得到更新比例环节放大系数、更新积分环节放大系数和更新微分环节放大系数；
采用积分饱和机制再次修正更新积分环节放大系数，得到二次更新积分环节放大系数；
根据所述更新比例环节放大系数、所述二次更新积分环节放大系数和所述更新微分环节放大系数，得到BP神经网络PID控制器的控制量，具体包括：
获取BP神经网络PID控制器在比例、积分和微分各个环节的控制量，得到比例控制量、积分控制量和微分控制量；
根据所述更新比例环节放大系数、所述二次更新积分环节放大系数、所述更新微分环节放大系数以及相对应的所述控制量，采用公式u＝Kpup+Kiui+Kdud得到BP神经网络PID控制器的控制量；
其中，u为BP神经网络PID控制器的控制量，Kp为更新比例环节放大系数，Ki为二次更新积分环节放大系数，Kd为更新微分环节放大系数，up为比例控制量、ui为积分控制量和ud微分控制量。
2.根据权利要求1所述的六自由度机器人运动控制方法，其特征在于，所述根据所述目标速度和所述实际速度，得到误差信号，具体包括：
根据所述目标速度和所述实际速度，采用公式e(t)＝Vref-Vcur得到误差信号；
其中，e(t)为t时刻的误差信号，Vref为目标速度，Vcur为实际速度。
3.一种六自由度机器人运动控制系统，其特征在于，包括：
第一获取模块，用于获取基于BP神经网络PID控制器的目标速度和实际速度；
误差信号确定模块，用于根据所述目标速度和所述实际速度，得到误差信号；
测度函数确定模块，用于根据所述误差信号，得到BP神经网络的测度函数；
第二获取模块，用于获取BP神经网络PID控制器的比例环节放大系数、积分环节放大系数和微分环节放大系数；
修正项函数获取模块，用于根据所述误差信号，得到正则修正项函数；
第一修正模块，用于根据所述测度函数和所述正则修正项函数，修正所述比例环节放大系数、所述积分环节放大系数和所述微分环节放大系数，得到更新比例环节放大系数、更新积分环节放大系数和更新微分环节放大系数；
第二修正模块，用于采用积分饱和机制再次修正更新积分环节放大系数，得到二次更新积分环节放大系数；
控制量确定模块，用于根据所述更新比例环节放大系数、所述二次更新积分环节放大系数和所述更新微分环节放大系数，得到BP神经网络PID控制器的控制量；
所述测度函数确定模块，具体包括：
测度函数确定单元，用于根据所述误差信号，采用公式
Figure FDA0002326036440000021
得到BP神经网络的测度函数；
其中，e(t)为t时刻的误差信号，J(t)为BP神经网络的测度函数；
所述控制量确定模块，具体包括：
子控制量确定单元，用于获取BP神经网络PID控制器在比例、积分和微分各个环节的控制量，得到比例控制量、积分控制量和微分控制量；
总控制量确定单元，用于根据所述更新比例环节放大系数、所述二次更新积分环节放大系数、所述更新微分环节放大系数以及相对应的所述控制量，采用公式u＝Kpup+Kiui+Kdud得到BP神经网络PID控制器的控制量；
其中，u为BP神经网络PID控制器的控制量，Kp为更新比例环节放大系数，Ki为二次更新积分环节放大系数，Kd为更新微分环节放大系数，up为比例控制量、ui为积分控制量和ud微分控制量；
所述修正项函数获取模块，具体包括：
误差变化量确定单元，用于根据所述误差信号e(t)，得到误差变化量
Figure FDA0002326036440000031
修正项函数确定单元，用于根据所述误差变化量
Figure FDA0002326036440000032
得到正则修正项函数
Figure FDA0002326036440000033
4.根据权利要求3所述的六自由度机器人运动控制系统，其特征在于，所述误差信号确定模块，具体包括：
误差信号确定单元，用于根据所述目标速度和所述实际速度，采用公式e(t)＝Vref-Vcur得到误差信号；
其中，e(t)为t时刻的误差信号，Vref为目标速度，Vcur为实际速度。
CN201811608336.0A 2018-12-27 2018-12-27 一种六自由度机器人运动控制方法及系统 Expired - Fee Related CN109634220B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811608336.0A CN109634220B (zh) 2018-12-27 2018-12-27 一种六自由度机器人运动控制方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811608336.0A CN109634220B (zh) 2018-12-27 2018-12-27 一种六自由度机器人运动控制方法及系统

Publications (2)

Publication Number Publication Date
CN109634220A CN109634220A (zh) 2019-04-16
CN109634220B true CN109634220B (zh) 2020-04-07

Family

ID=66078146

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811608336.0A Expired - Fee Related CN109634220B (zh) 2018-12-27 2018-12-27 一种六自由度机器人运动控制方法及系统

Country Status (1)

Country Link
CN (1) CN109634220B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110597051A (zh) * 2019-09-24 2019-12-20 南京理工大学 基于RBF神经网络的Stewart稳定平台控制方法

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9717440B2 (en) * 2013-05-03 2017-08-01 The Florida International University Board Of Trustees Systems and methods for decoding intended motor commands from recorded neural signals for the control of external devices or to interact in virtual environments
CN103425070B (zh) * 2013-08-15 2016-07-20 青岛远创机器人自动化有限公司 一种用于控制浅水观察级迷你水下机器人的方法
CN104503231B (zh) * 2014-11-25 2017-02-22 北京理工大学 两栖蛙板机器人的摆臂驱动式运动控制方法
CN104898423A (zh) * 2015-05-11 2015-09-09 北京理工大学 基于“库”思想和智能优化算法的控制器自动设计方法
CN105598985A (zh) * 2016-01-05 2016-05-25 北京理工大学 一种用于教育的小型仿人机器人的控制方法
CN107650121B (zh) * 2016-07-26 2022-07-01 深圳力合精密装备科技有限公司 一种用于机器人的控制方法
CN107962562A (zh) * 2016-10-20 2018-04-27 哈尔滨工大天才智能科技有限公司 一种多自由度机械臂视觉伺服系统组建方法
CN106730754B (zh) * 2017-01-16 2022-06-03 北京理工大学 一种网球场发球机器人控制系统及控制方法
CN108803348B (zh) * 2018-08-03 2021-07-13 北京深度奇点科技有限公司 一种pid参数的优化方法及pid参数的优化装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
一种教学机器人控制系统的设计与实现;肖海荣;《机电一体化》;20060920(第5期);第40-43页 *

Also Published As

Publication number Publication date
CN109634220A (zh) 2019-04-16

Similar Documents

Publication Publication Date Title
CN110687800B (zh) 一种数据驱动自适应抗干扰控制器及其估计方法
CN102998973B (zh) 一种非线性系统的多模型自适应控制器及控制方法
JP7293905B2 (ja) 摩擦補償装置
CN105388764A (zh) 基于动态矩阵前馈预测的电液伺服pid控制方法及系统
CN109062040B (zh) 基于系统嵌套优化的预测pid方法
CN109634220B (zh) 一种六自由度机器人运动控制方法及系统
CN110647111B (zh) 考虑输出离散性的电液伺服系统非线性自抗扰控制方法
CN109946979B (zh) 一种伺服系统灵敏度函数的自适应调整方法
CN110209122B (zh) 一种多轴运动平台的控制方法、装置、介质及设备
CN113625547A (zh) 一种控制器的主阀位置控制方法
CN113641181B (zh) 基于在线性能评估飞行器增益自适应姿态控制方法和系统
CN109116721B (zh) 一种将时变系统转变为定常系统的控制方法
CN111103793B (zh) 基于磁流变阻尼器的火炮后坐缓冲系统控制方法、装置
CN113741183B (zh) 基于阻尼比模型的工业机器人自适应导纳控制方法
JP4930040B2 (ja) 状態量推定装置及び角速度推定装置
JP4982905B2 (ja) 制御方法および制御装置
US11237532B2 (en) Hysteresis compensation control of an actuator
CN115128951A (zh) 一种基于期望轨迹受限优化的双环高性能控制方法
CN109695893B (zh) 一种锅炉系统中的氧气浓度控制方法、装置、设备及系统
CN116125785A (zh) 一种光刻机工件台运动控制方法
CN108762085A (zh) 一种鲁棒快速点对点运动控制方法
Hassanzadeh et al. A multivariable adaptive control approach for stabilization of a cart-type double inverted pendulum
CN116400584B (zh) 大载荷电液位置伺服系统快速精确控制系统应用方法
CN116149262B (zh) 一种伺服系统的跟踪控制方法及系统
CN116520680B (zh) 一种抗扰pid控制器整定方法

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
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20200407

Termination date: 20211227

CF01 Termination of patent right due to non-payment of annual fee