CN110471281B - 一种轨迹跟踪控制的变论域模糊控制系统及控制方法 - Google Patents

一种轨迹跟踪控制的变论域模糊控制系统及控制方法 Download PDF

Info

Publication number
CN110471281B
CN110471281B CN201910695432.1A CN201910695432A CN110471281B CN 110471281 B CN110471281 B CN 110471281B CN 201910695432 A CN201910695432 A CN 201910695432A CN 110471281 B CN110471281 B CN 110471281B
Authority
CN
China
Prior art keywords
variable
fuzzy
joint
domain
mechanical arm
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
Application number
CN201910695432.1A
Other languages
English (en)
Other versions
CN110471281A (zh
Inventor
王宏涛
蒋清泽
蒋汶松
郭领
范需
李威
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.)
Nanjing University of Aeronautics and Astronautics
Original Assignee
Nanjing University of Aeronautics and Astronautics
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 Nanjing University of Aeronautics and Astronautics filed Critical Nanjing University of Aeronautics and Astronautics
Priority to CN201910695432.1A priority Critical patent/CN110471281B/zh
Publication of CN110471281A publication Critical patent/CN110471281A/zh
Application granted granted Critical
Publication of CN110471281B publication Critical patent/CN110471281B/zh
Active 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
    • 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

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

本发明公开了机器人轨迹控制领域中的一种轨迹跟踪控制的变论域模糊控制系统以及控制方法，其中轨迹跟踪控制的变论域模糊控制系统。包括输入模块、输出模块、变论域模糊控制器、混合伸缩因子控制模块；输入模块用于输入机械臂多个关节的期望关节角度；变论域模糊控制器中的变量论域利用混合伸缩因子控制模块中的混合伸缩因子在线地调整；最终获得精度较高的输出量，即机器人n个关节的仿真关节角度。

Description

一种轨迹跟踪控制的变论域模糊控制系统及控制方法
技术领域
本发明涉及多关节机器人的控制技术领域，尤其是一种变论域模糊控制器及使用该控制器的控制方法。
背景技术
机械臂轨迹跟踪控制是通过控制器对机械臂各关节施加控制力矩来实现对关节轨迹的跟踪，使得机械臂在实际运动过程中的关节角位移变量均与设定的关节角位移的值相吻合，最终使机械臂末端顺利地完成指定的作业流程。由于机械臂自身的物理参数受负载变化的影响以及关节间的耦合性等，使得建立机械臂的精确数学模型存在不确定性，这在一定程度上明显影响了机械臂的实际控制效果，因此，机械臂轨迹跟踪控制的目标是以较低的偏差对期望关节轨迹进行跟踪。
模糊控制方法不依赖被控对象的精确数学模型，尤其适合机械臂轨迹跟踪控制。但在设计模糊控制器时要解决获得满意控制精度和减少规则数目以降低控制算法复杂性的两个主要问题，导致模糊控制器精度不高的主要原因是控制器缺乏积分环节和控制规则数量有限。为此，一些学者提出了一些解决方案，其中，李洪兴提出了变论域模糊控制方法。变论域模糊控制算法的核心思想是,通过一组非线性伸缩因子在线调节论域，通过论域随偏差和偏差变化率的变化而变化来减少初始控制规则的数量，并使论域划分在期望控制点附近变得非常精细，实现自适应与高精度的控制目的。可见，控制精度与伸缩因子的设计有很大关系，设计合适的伸缩因子是变论域模糊控制器设计的关键环节。现有的伸缩因子的类型主要有比例型、积分型和指数型，这些类型的伸缩因子没有充分考虑到偏差和偏差变化率同时变化时的相关性，以及这种相关性对机械臂轨迹跟踪的变论域模糊控制器在线调节作用产生的影响。
发明内容
本发明的目的是针对多关节机器人提出一种新的轨迹跟踪控制的变论域模糊控制系统，以能够提高多关节机器人的末端轨迹控制精度。
本发明同时提供了采用上述控制系统的控制方法。
本实现上述目的，本发明采用如下技术方案：
一种轨迹跟踪控制的变论域模糊控制系统，用于多关节机械臂轨迹跟踪的变论域模糊控制；包括输入模块、输出模块、变论域模糊控制器、混合伸缩因子控制模块；
所述输入模块用于输入机械臂多个关节的期望关节角度qdn，其中n为正整数，表示机械臂关节数量；
所述变论域模糊控制器采用两输入单输出的模糊控制器，表示为：
Figure BDA0002149220620000021
由该式获得k+1时刻变论域模糊控制器的输出变量un的值
Figure BDA0002149220620000022
通过比例因子Kun将
Figure BDA0002149220620000023
转化为作用于机械臂关节的力矩τn值，
Figure BDA0002149220620000024
式中，j表示变论域模糊控制器规则表中第j条控制规则；en代表经过量化因子作用后的无量纲的关节角度偏差，en＝Ken·(qdn-qn)；ecn代表经过量化因子作用后的关节角度偏差变化率，
Figure BDA0002149220620000025
Figure BDA0002149220620000026
为k时刻输入变量en的模糊子集，
Figure BDA0002149220620000027
为模糊子集
Figure BDA0002149220620000028
的隶属函数，表征k时刻输入变量en的值
Figure BDA0002149220620000029
隶属于模糊子集
Figure BDA00021492206200000210
的隶属度；
Figure BDA00021492206200000211
为k时刻输入变量ecn的模糊子集，
Figure BDA00021492206200000212
为模糊子集
Figure BDA00021492206200000213
的隶属函数，表征k时刻输入变量ecn的值
Figure BDA00021492206200000214
隶属于模糊子集
Figure BDA00021492206200000215
的隶属度；
Figure BDA00021492206200000216
为k时刻对应的输出论域模糊子集的中心；
混合伸缩因子控制模块包括关节角度偏差的伸缩因子α1(en)、偏差变化率的伸缩因子α2(en,ecn)、输出力矩的伸缩因子β(un)；其中α1(en)用以在线地调整输入变量en的论域；α2(en,ecn)用以在线地调整输入变量ecn的论域；β(un)用以在线地调整输入变量un的论域；
其中，
Figure BDA00021492206200000217
Figure BDA00021492206200000218
Figure BDA00021492206200000219
式中，E、EC分别为输入变量en和ecn的初始论域；U为输出变量un的初始论域；动态权值
Figure BDA0002149220620000031
参数ρ为带宽；参数ε称为贴现因子，ε∈(0,1)；δ为充分小的正数；
根据动力学方程以及所设计的轨迹跟踪控制的变论域模糊控制器的输出τn，获得各关节实时采样输出的仿真关节角度；输出模块即用以输出机器人n个关节的仿真关节角度。
有益效果：与现有技术相比，轨迹跟踪控制的变论域模糊控制系统的动态响应快，稳态精度高，具有更好的控制效果，显示了比例-指数混合型伸缩因子在机械臂轨迹跟踪控制中的有效性和优越性。
而采用本发明中轨迹跟踪控制的变论域模糊控制系统的控制方法可采用以下技术方案：
首先将k时刻模糊控制器的输入变量值
Figure BDA0002149220620000032
转化为模糊量，并由所选取的隶属度函数计算得出
Figure BDA0002149220620000033
隶属于不同模糊量的隶属度；然后确定模糊规则，选取模糊推理方法和解模糊化方法确定模糊控制器表达式F(en,ecn,un)，由该式计算得到k+1时刻输出变量un的值
Figure BDA0002149220620000034
最后通过比例因子Kun将
Figure BDA0002149220620000035
转化为作用于机械臂关节的力矩τn值；在控制过程中，利用伸缩因子α1(en)、α2(en,ecn)和β(un)的作用在线地调整输入变量en、ecn与输出变量un的论域；输入论域可随en、ecn的减小而收缩或随en、ecn的增大而膨胀，同样，输出论域亦可随un的减小而收缩或随un的增大而膨胀。
附图说明
图1三关节机械臂轨迹跟踪控制的变论域模糊控制系统的结构示意图；
图2是三关节机械臂中关节1、2、3分别使用混合型伸缩因子与指数型伸缩因子的变论域模糊控制器跟踪机械臂期望关节轨迹图；
图3是三关节机械臂中关节1分别使用混合型伸缩因子与指数型伸缩因子的变论域模糊控制器跟踪机械臂期望关节轨迹所获得的关节角度的对比图；
图4是三关节机械臂中关节2分别使用混合型伸缩因子与指数型伸缩因子的变论域模糊控制器跟踪机械臂期望关节轨迹所获得的关节角度的对比图；
图5是三关节机械臂中关节3分别使用混合型伸缩因子与指数型伸缩因子的变论域模糊控制器跟踪机械臂期望关节轨迹所获得的关节角度的对比图；
图6三关节机械臂笛卡尔空间分别使用混合型伸缩因子与指数型伸缩因子的变论域模糊控制器跟踪机械臂期望关节轨迹所获得的轨迹误差示意图。
具体实施方式
下面结合附图对本发明进一步说明：
请参阅图1所示，本发明公开一种轨迹跟踪控制的变论域模糊控制系统，用于多关节机械臂轨迹跟踪的变论域模糊控制。
包括输入模块、输出模块、变论域模糊控制器、混合伸缩因子控制模块；
所述输入模块用于输入机械臂多个关节的期望关节角度qdn，其中n为正整数，表示机械臂关节数量；
所述两输入单输出的变论域模糊控制器可表示为：
Figure BDA0002149220620000041
通过比例因子Kun将
Figure BDA0002149220620000042
转化为作用于机械臂关节的力矩τn值，
Figure BDA0002149220620000043
式中，j表示变论域模糊控制器规则表中第j条控制规则；en和ecn分别代表经过量化因子作用后的无量纲的关节角度偏差和关节角度偏差变化率；
Figure BDA0002149220620000044
为k时刻输入变量en的模糊子集，
Figure BDA0002149220620000045
为模糊子集
Figure BDA0002149220620000046
的隶属函数，表征k时刻输入变量en的值
Figure BDA0002149220620000047
隶属于模糊子集
Figure BDA0002149220620000048
的隶属度；
Figure BDA0002149220620000049
为k时刻输入变量ecn的模糊子集，
Figure BDA00021492206200000410
为模糊子集
Figure BDA00021492206200000411
的隶属函数，表征k时刻输入变量ecn的值
Figure BDA00021492206200000412
隶属于模糊子集
Figure BDA00021492206200000413
的隶属度；
Figure BDA00021492206200000414
为k时刻对应的输出论域模糊子集的中心；公式中的数据25为该模糊控制器的模糊规则条数，是根据两个输入变量的模糊集个数决定的。两个输入变量的模糊集个数都为5，所以模糊规则数为5×5＝25。
混合伸缩因子控制模块包括关节角度偏差的伸缩因子α1(en)、偏差变化率的伸缩因子α2(en,ecn)、输出力矩的伸缩因子β(un)；其中α1(en)用以在线地调整输入变量en的论域；α2(en,ecn)用以在线地调整输入变量ecn的论域；β(un)用以在线地调整输入变量un的论域；
其中，
Figure BDA00021492206200000415
Figure BDA00021492206200000416
Figure BDA00021492206200000417
式中，E、EC分别为输入变量en和ecn的初始论域；U为输出变量un的初始论域；动态权值
Figure BDA0002149220620000051
参数ρ为带宽；参数ε称为贴现因子，ε∈(0,1)；δ为充分小的正数；
输出模块用以输出的机器人n个关节的仿真关节角度。
忽略摩擦力以及机械臂末端负载，用牛顿-欧拉方程对三关节机械臂进行分析，动力学方程表达形式如下：
Figure BDA0002149220620000052
式中Γ代表机械臂的关节力矩向量，即Γ＝[τ1,τ2,τ3]T，q代表机械臂关节角度向量，
Figure BDA0002149220620000053
代表机械臂关节角速度向量，
Figure BDA0002149220620000054
代表机械臂关节角加速度向量，M(q)是3×3阶的机械臂惯性矩阵,B(q)是3×3阶的哥氏力系数矩阵，
Figure BDA0002149220620000055
是3×1阶的关节速度积矢量，即
Figure BDA0002149220620000056
C(q)是3×3阶的离心力系数矩阵，而
Figure BDA0002149220620000057
是3X1阶矢量，即
Figure BDA0002149220620000058
G(q)是3×1阶的重力矢量。机械臂动力学方程描述了力矩Γ与各关节角度q、角速度
Figure BDA0002149220620000059
以及角加速度
Figure BDA00021492206200000510
之间的关系，同时关节角度、角速度以及角加速度，结合机器人运动学和质量分布方面的知识，在已知力矩Γ的情况下，可计算出各关节角度q、角速度
Figure BDA00021492206200000511
以及角加速度
Figure BDA00021492206200000512
以三关节机械臂仿真数学模型为例，矩阵M(q)表示为：
Figure BDA00021492206200000513
其中，
a11＝Im1+I1+I3·CC2+I7·SS23+I10·SC23+I11·SC2+I21·SS23+2[I5·C2.S23+I12·C2·C23+I15·SS23+I16·C2.S23+I22·SC23]
a12＝I4·S2+I8·C23+I9·C2+I13·S23-I18·C23
a13＝I8·C23+I13·S23-I18·C23
a22＝Im2+I2+I6+2[I5·S3+I12·C2+I15+I16·S3]
a23＝I5·S3+I6+I12·C3+I16·S3+2I15
a33＝Im3+I6+2I15
a21＝a12,a31＝a13,a32＝a23
矩阵B(q)表示为：
Figure BDA0002149220620000061
其中，
b112＝2[-I3·SC2+I5·C223+I7·SC23-I12·S223+2I15·SC23+I16·C223+I21·SC23+I22·(1-2SS23)]+I10·(1-2SS23)+I11·(1-2SS2)
b113＝2[I5·C2·C23+I7·SC23-I12·C2·S23+2I15·SC23+I16·C2·C23+I21·SC23+I22·(1-2SS23)]+I10·(1-2SS23)
b214＝I14·S23+I19·S23+I20·S23
b314＝I20·S23+I14·S23+I19·S23
矩阵C(q)表示为：
Figure BDA0002149220620000062
其中，
c12＝I4·C2-I8·S23-I9·S2+I13·C23+I18·S23
c13＝0.5·b123＝-I8·S23+I13·C23+I18·S23
c21＝-0.5·b112＝I3·SC2-I5·C223-I7·SC23+I12·S223-2I15·SC23-I16·C223-I21·SC23-I22·(1-2SS23)-0.5·I10·(1-2SS23)-0.5·I11.(1-2SS2)
c23＝0.5·b223＝-I12·S3+I5·C3+I16·C3
c31＝-0.5·b113＝-I5·C2·C23-I7·SC23+I12·C2·S23-2I15·SC23-I16·C2·C23-I21·SC23--I22·(1-2SS23)-0.5·I10·(1-2SS23)
c32＝-c23＝I12·S3-I5·C3-I16·C3
矩阵G(q)表示为：
Figure BDA0002149220620000071
其中，
g′2＝g1·C2+g2·S23+g3·S2
g′3＝g2·S23
在上述等式中，In和gn代表动力学方程中出现的计算常数值，In代表惯性常数值，gn代表重力常数值，它们是通过机器人质量分布方面的知识得到的，具体数值如表1所示。上述等式中的Si、Ci以及CCi等均是缩写形式，即：
Si＝sin(qi),Ci＝cos(qi),Cij＝cos(qi+qj)
CCi＝cos(qi)·cos(qi),CSi＝cos(qi)·sin(qi)
Sijk＝sin(qi+qj+qk)
Figure BDA0002149220620000072
Figure BDA0002149220620000081
表1 计算常数值
在图1中以针对三关节机器人的控制系统为例，图中各符号的下标n＝1,2,3表示机械臂关节数量；qdn表示机械臂三个关节的期望关节角度；qn表示输出的三个关节的仿真关节角度；d/dt表示
Figure BDA0002149220620000082
图中虚线部分表示变论域模糊控制器，常数Ken和Kecn分别代表偏差和偏差变化率的量化因子；变量en和ecn分别代表经过量化因子作用后的无量纲的关节角度偏差和关节角度偏差变化率；α1(en)定义为关节角度偏差的伸缩因子，α2(en,ecn)定义为偏差变化率的伸缩因子，β(un)定义为输出力矩的伸缩因子；F(en,ecn,un)是用于计算变量un值的函数；变量un表示无量纲的输出力矩；常数Kun称为变量un的比例因子；τn表示作用于机械臂三个关节的力矩。
核心部分的模糊控制器具体控制原理为：首先将k时刻模糊控制器的输入变量值
Figure BDA0002149220620000091
转化为模糊量，并由所选取的隶属度函数计算得出
Figure BDA0002149220620000092
隶属于不同模糊量的隶属度；然后确定模糊规则，选取模糊推理方法和解模糊化方法确定模糊控制器表达式F(en,ecn,un)，由该式计算得到k+1时刻输出变量un的值
Figure BDA0002149220620000093
最后通过比例因子Kun将
Figure BDA0002149220620000094
转化为作用于机械臂关节的力矩τn值。在控制过程中，利用伸缩因子α1(en)、α2(en,ecn)和β(un)的作用在线地调整输入变量en、ecn与输出变量un的论域。输入论域可随en、ecn的减小而收缩或随en、ecn的增大而膨胀，同样，输出论域亦可随un的减小而收缩或随un的增大而膨胀。
本申请将三关节机械臂的输入变量en和ecn的模糊集取为{FD，FX，L，ZX，ZD}，即{负大，负小，零，正小，正大}；输出变量un的模糊集取为{FD，FZ，FX，L，ZX，ZZ，ZD}，即{负大，负中，负小，零，正小，正中，正大}；设计出如表3所示的具有25条控制规则的变论域模糊控制器规则表。输入变量en、ecn与输出变量un的隶属函数取三角形隶属函数如表2所示。取量化因子Ke1＝9，Ke2＝14，Ke3＝4；Kec1＝7，Kec2＝9，Kec3＝3；取比例因子Ku1＝7.5，Ku2＝6，Ku3＝5，采用强度转移模糊推理法和中心平均解模糊法确定模糊控制器表达式的形式为：
Figure BDA0002149220620000095
式中，j表示表3中第j条控制规则(j＝1,2,…,25)；
Figure BDA0002149220620000096
为k时刻输入变量en的模糊子集，
Figure BDA0002149220620000097
为模糊子集
Figure BDA0002149220620000098
的隶属函数，表征k时刻输入变量en的值
Figure BDA0002149220620000099
隶属于模糊子集
Figure BDA00021492206200000910
的隶属度；同理，
Figure BDA00021492206200000911
为k时刻输入变量ecn的模糊子集，
Figure BDA00021492206200000912
为模糊子集
Figure BDA00021492206200000913
的隶属函数，表征k时刻输入变量ecn的值
Figure BDA00021492206200000914
隶属于模糊子集
Figure BDA00021492206200000915
的隶属度；
Figure BDA00021492206200000916
为k时刻对应的输出论域模糊子集的中心。
Figure BDA0002149220620000101
表2 变论域模糊控制器输入输出变量论域及其隶属函数
Figure BDA0002149220620000102
表3 模糊规则表
伸缩因子的选取作为变论域模糊控制器设计中的关键环节，不同类型、不同参数的伸缩因子所产生的效果大相径庭。考虑关节角度偏差en和关节角度偏差变化率ecn之间的相关性对控制精度的影响，本申请将偏差变化率的伸缩因子
Figure BDA0002149220620000103
设计为与en和ecn二者相关的比例-指数型混合伸缩因子，取为en和ecn的动态加权二元函数，动态权值
Figure BDA0002149220620000104
是一个以en为自变量且包含可调参数ρ的指数函数。通过wk的动态调节作用，可以实时调节en和ecn对
Figure BDA0002149220620000105
的影响程度。一般地，伸缩因子满足对偶性、避零性、单调性、协调性、正规性，本申请提出的混合伸缩因子满足这些特性。由上述对伸缩因子的分析，将关节角度偏差的伸缩因子
Figure BDA0002149220620000106
关节角度偏差变化率的伸缩因子
Figure BDA0002149220620000107
以及输出力矩的伸缩因子
Figure BDA0002149220620000108
分别设计为如下形式：
Figure BDA0002149220620000111
Figure BDA0002149220620000112
Figure BDA0002149220620000113
式中，E、EC分别为输入变量en和ecn的初始论域；U为输出变量un的初始论域；动态权值
Figure BDA0002149220620000114
参数ρ称为带宽，取值为1左右；参数ε称为贴现因子，ε∈(0,1)；δ为充分小的正数。本申请的混合型伸缩因子相关参数值分别取：输入变量en和ecn的初始论域E、EC和输出变量un的初始论域U均定义为[-7,7]；ρ＝1，ε＝0.98，δ＝0.002。
运用上述设计的三关节机械臂变论域模糊控制系统进行轨迹跟踪控制仿真时，需要先获得控制系统的输入qdn，即三个关节的期望关节角度。
Figure BDA0002149220620000115
表4三关节机械臂的D-H参数
以三个关节均为旋转关节的机械臂为例，其D-H参数见表4。an连杆长度，αn两关节轴之间的夹角，dn关节偏置，θn关节转角。通常，对于转动关节，关节转角θn为关节变量，其他三个参数是固定不变的。
根据D-H参数选取如式(11)所示的笛卡尔空间轨迹，取弧长s为参数，可以建立如式(12)所示的弧长参数方程。
Figure BDA0002149220620000116
Figure BDA0002149220620000117
其中，x、y、z为标准笛卡尔空间的坐标系轴，一组(x，y，z)代表空间上点的位置坐标。
采用基于相平面的时间最优轨迹规划方法获得期望关节角度，作为三关节机械臂变论域模糊控制系统进行轨迹跟踪控制仿真时的输入qdn。以机械臂末端走完式(12)轨迹所花时间最短为优化目标，最终得出三关节机械臂各个关节的轨迹。由于所获得的三个关节的轨迹是无法显式表达的非线性函数，所以可根据得出的各个关节的轨迹获取时间-关节角度序列，选取0.02秒的时间间隔进行一次采样，则每一个采样时间对应输出机械臂的一组三个关节角度值，即为期望关节角度值，亦即为机械臂变论域模糊控制系统的输入qdn。如表5和图2所示。
Figure BDA0002149220620000121
Figure BDA0002149220620000131
表5 三关节机械臂期望轨迹采样点值
运用MATLAB/Simulink仿真环境搭建了三关节机械臂变论域模糊控制仿真系统。设置仿真步长t＝0.02秒，仿真总时长为0.4秒时，则机械臂各个关节均可获取21个采样时间-期望关节角度序列，因而亦可获得21个采样时间-笛卡尔空间轨迹点坐标序列，见表6。当设置仿真总时长为1.2秒时，可获得60个采样时间-笛卡尔空间轨迹点坐标序列，可以实现跟踪式(11)所表示的三关节机械臂笛卡尔空间轨迹的理想整圆。
为验证本申请所提出的基于比例-指数混合型伸缩因子的变论域模糊控制器的控制效果，运用两个实验进行了对比分析。
实验一是将本申请提出的比例-指数混合型伸缩因子与现有的文献(基于MATLAB的双关节机械手控制系统仿真研究，该文献同样讨论的是机械臂轨迹跟踪的变论域模糊控制问题)提出的指数型伸缩因子
Figure BDA0002149220620000132
Figure BDA0002149220620000141
的变论域模糊控制器分别应用于三关节机械臂关节角度轨迹跟踪控制仿真，得到如图2、图3、图4所示的关节角度输出响应曲线。图2是关节1分别使用混合型伸缩因子与指数型伸缩因子的变论域模糊控制器跟踪机械臂期望关节轨迹所获得的关节角度的对比图，图3、图4分别为关节2和关节3的关节角度的对比图。由图3、图4、图5可见，与文献基于指数型伸缩因子的变论域模糊控制器相比，使用本申请所设计的基于比例-指数混合型伸缩因子的变论域模糊控制器，机械臂各关节角度输出均无超调，响应速度更快。
实验二是对比分析了本申请提出的比例-指数混合型伸缩因子与现有文献提出的指数型伸缩因子的变论域模糊控制器分别应用于笛卡尔空间机械臂轨迹跟踪控制的误差。首先，将使用两种伸缩因子的变论域模糊控制器得到的60个机械臂末端轨迹点序列，分别运用最小二乘拟合法进行圆轨迹拟合，获得半径分别为0.598m和0.592m的圆，可见，相对于理想圆半径0.6m来说，本申请提出的混合型伸缩因子的变论域模糊控制方法拟合出的圆的半径误差较小。然后，以式(11)表示的理想圆上的轨迹点与仿真获得的轨迹点的欧几里得距离来表示轨迹跟踪误差，误差对比结果如图6所示，横坐标为采样点编号，纵坐标为误差值。表6列出了分别使用指数型伸缩因子和混合型伸缩因子的变论域模糊控制方法进行机械臂轨迹跟踪控制时，前21个采样点的笛卡尔空间轨迹跟踪误差值。由图6和表6可见，与基于指数型伸缩因子的变论域模糊控制方法相比，本申请所设计的基于混合型伸缩因子的变论域模糊控制系统具有更小的误差。
以上两个实验的结果表明，本申请提出的基于比例-指数混合型伸缩因子的变论域模糊控制方法，使得机械臂的关节空间和笛卡尔空间的轨迹跟踪控制均具有更好的控制效果。
Figure BDA0002149220620000142
Figure BDA0002149220620000151
表6 笛卡尔空间轨迹误差值
本发明不局限于上述实施例,在本公开的技术方案的基础上,本领域的技术人员根据所公开的技术内容,不需要创造性的劳动就可以对其中的一些技术特征作出一些替换和变形,这些替换和变形均在本发明的保护范围内。

Claims (6)

1.一种轨迹跟踪控制的变论域模糊控制系统，用于多关节机械臂轨迹跟踪的变论域模糊控制；其特征在于，
包括输入模块、输出模块、变论域模糊控制器、混合伸缩因子控制模块；
所述输入模块用于输入机械臂多个关节的期望关节角度qdn，其中n为正整数，表示机械臂关节数量；
所述变论域模糊控制器采用两输入单输出的模糊控制器，表示为：
Figure FDA0002149220610000011
由该式获得k+1时刻变论域模糊控制器的输出变量un的值
Figure FDA0002149220610000012
通过比例因子Kun将
Figure FDA0002149220610000013
转化为作用于机械臂关节的力矩τn值，
Figure FDA0002149220610000014
式中，j表示变论域模糊控制器规则表中第j条控制规则；en代表经过量化因子作用后的无量纲的关节角度偏差，en＝Ken·(qdn-qn)；ecn代表经过量化因子作用后的关节角度偏差变化率，
Figure FDA0002149220610000015
Figure FDA0002149220610000016
为k时刻输入变量en的模糊子集，
Figure FDA0002149220610000017
为模糊子集
Figure FDA0002149220610000018
的隶属函数，表征k时刻输入变量en的值
Figure FDA0002149220610000019
隶属于模糊子集
Figure FDA00021492206100000110
的隶属度；
Figure FDA00021492206100000111
为k时刻输入变量ecn的模糊子集，
Figure FDA00021492206100000112
为模糊子集
Figure FDA00021492206100000113
的隶属函数，表征k时刻输入变量ecn的值
Figure FDA00021492206100000114
隶属于模糊子集
Figure FDA00021492206100000115
的隶属度；
Figure FDA00021492206100000116
为k时刻对应的输出论域模糊子集的中心；
混合伸缩因子控制模块包括关节角度偏差的伸缩因子α1(en)、偏差变化率的伸缩因子α2(en,ecn)、输出力矩的伸缩因子β(un)；其中α1(en)用以在线地调整输入变量en的论域；α2(en,ecn)用以在线地调整输入变量ecn的论域；β(un)用以在线地调整输入变量un的论域；
其中，
Figure FDA00021492206100000117
Figure FDA00021492206100000118
Figure FDA0002149220610000021
式中，E、EC分别为输入变量en和ecn的初始论域；U为输出变量un的初始论域；动态权值
Figure FDA0002149220610000022
参数ρ为带宽；参数ε称为贴现因子，ε∈(0,1)；δ为充分小的正数；
根据动力学方程以及所设计的轨迹跟踪控制的变论域模糊控制器的输出τn，获得各关节实时采样输出的仿真关节角度；输出模块即用以输出机器人n个关节的仿真关节角度。
2.根据权利要求1所述的轨迹跟踪控制的变论域模糊控制系统，其特征在于，用于三关节机械臂轨迹跟踪的变论域模糊控制，即所述n＝3。
3.根据权利要求2所述的轨迹跟踪控制的变论域模糊控制系统，其特征在于，采用基于相平面的时间最优轨迹规划方法获得期望关节角度，作为三关节机械臂变论域模糊控制系统进行轨迹跟踪控制仿真时的输入qdn。
4.根据权利要求1所述的轨迹跟踪控制的变论域模糊控制系统，其特征在于：将三关节机械臂的输入变量en和ecn的模糊集取为{FD，FX，L，ZX，ZD}，即{负大，负小，零，正小，正大}；输出变量un的模糊集取为{FD，FZ，FX，L，ZX，ZZ，ZD}，即{负大，负中，负小，零，正小，正中，正大}。
5.根据权利要求1或2所述的轨迹跟踪控制的变论域模糊控制系统，其特征在于：三关节机械臂进行分析，动力学方程表达形式如下：
Figure FDA0002149220610000023
式中Γ代表机械臂的关节力矩向量，即Γ＝[τ1,τ2,τ3]T，q代表机械臂关节角度向量，
Figure FDA0002149220610000024
代表机械臂关节角速度向量，
Figure FDA0002149220610000025
代表机械臂关节角加速度向量，M(q)是3×3阶的机械臂惯性矩阵,B(q)是3×3阶的哥氏力系数矩阵，
Figure FDA0002149220610000026
是3×1阶的关节速度积矢量，即
Figure FDA0002149220610000027
C(q)是3×3阶的离心力系数矩阵，而
Figure FDA0002149220610000028
是3×1阶矢量，即
Figure FDA0002149220610000029
G(q)是3×1阶的重力矢量；机械臂动力学方程描述了力矩与各关节角度、角速度以及角加速度之间的关系，根据动力学方程以及所设计的轨迹跟踪控制的变论域模糊控制器的输出τn，获得各关节实时采样输出的仿真关节角度。
6.一种采用如权利要求1至5中任一项所述轨迹跟踪控制的变论域模糊控制系统的控制方法，其特征在于：首先将k时刻模糊控制器的输入变量值
Figure FDA0002149220610000031
转化为模糊量，并由所选取的隶属度函数计算得出
Figure FDA0002149220610000032
隶属于不同模糊量的隶属度；然后确定模糊规则，选取模糊推理方法和解模糊化方法确定模糊控制器表达式F(en,ecn,un)，由该式计算得到k+1时刻输出变量un的值
Figure FDA0002149220610000033
最后通过比例因子Kun将
Figure FDA0002149220610000034
转化为作用于机械臂关节的力矩τn值；在控制过程中，利用伸缩因子α1(en)、α2(en,ecn)和β(un)的作用在线地调整输入变量en、ecn与输出变量un的论域；输入论域可随en、ecn的减小而收缩或随en、ecn的增大而膨胀，同样，输出论域亦可随un的减小而收缩或随un的增大而膨胀。
CN201910695432.1A 2019-07-30 2019-07-30 一种轨迹跟踪控制的变论域模糊控制系统及控制方法 Active CN110471281B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910695432.1A CN110471281B (zh) 2019-07-30 2019-07-30 一种轨迹跟踪控制的变论域模糊控制系统及控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910695432.1A CN110471281B (zh) 2019-07-30 2019-07-30 一种轨迹跟踪控制的变论域模糊控制系统及控制方法

Publications (2)

Publication Number Publication Date
CN110471281A CN110471281A (zh) 2019-11-19
CN110471281B true CN110471281B (zh) 2021-09-24

Family

ID=68509131

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910695432.1A Active CN110471281B (zh) 2019-07-30 2019-07-30 一种轨迹跟踪控制的变论域模糊控制系统及控制方法

Country Status (1)

Country Link
CN (1) CN110471281B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113487848B (zh) * 2021-07-16 2023-04-18 云南电网有限责任公司保山供电局 一种模糊控制的智能火情报警系统
CN113985729B (zh) * 2021-11-16 2024-05-14 江苏大学 基于变论域模糊pid理论的拖拉机水田作业路径跟踪方法及系统
CN115648227B (zh) * 2022-12-27 2023-03-31 珞石（北京）科技有限公司 一种机器人运动轨迹神经网络模糊控制优化方法

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101667015A (zh) * 2009-08-26 2010-03-10 东南大学 汽车驾驶机器人的车速跟踪模糊控制方法
CN103235513A (zh) * 2013-04-24 2013-08-07 武汉科技大学 一种基于遗传算法的移动机械臂轨迹规划优化方法
US8826199B2 (en) * 2011-05-27 2014-09-02 Ryerson University System and method for development of a system architecture
CN104698838A (zh) * 2014-12-23 2015-06-10 清华大学 基于论域动态划分和学习的模糊调度规则挖掘方法
CN104991443A (zh) * 2015-07-08 2015-10-21 中南大学 一种基于自适应论域划分的模糊控制方法
CN105404154A (zh) * 2015-12-30 2016-03-16 哈尔滨理工大学 一种液压四足机器人单腿关节力/位切换控制方法
CN105652667A (zh) * 2016-03-31 2016-06-08 西南石油大学 一种模型不确定双关节机械手的高精度轨迹跟踪控制方法
CN106020197A (zh) * 2016-06-30 2016-10-12 苏州坤厚自动化科技有限公司 一种基于势能场的机器人路径跟踪算法
CN106154829A (zh) * 2016-08-23 2016-11-23 南京航空航天大学 一种基于离散时延估计的机械手轨迹跟踪控制方法
CN106527141A (zh) * 2016-12-05 2017-03-22 清华大学 基于变论域模糊规则迭代学习的玻璃窑炉空燃比调整方法
CN107870570A (zh) * 2017-12-26 2018-04-03 电子科技大学 基于分数阶幂次趋近律的终端滑模机械臂轨迹跟踪方法
CN109108942A (zh) * 2018-09-11 2019-01-01 武汉科技大学 基于视觉实时示教与自适应dmps的机械臂运动控制方法和系统
CN110001654A (zh) * 2019-05-06 2019-07-12 吉林大学 一种自适应驾驶员类型的智能车纵向速度跟踪控制系统及控制方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10861031B2 (en) * 2015-11-25 2020-12-08 The Nielsen Company (Us), Llc Methods and apparatus to facilitate dynamic classification for market research

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101667015A (zh) * 2009-08-26 2010-03-10 东南大学 汽车驾驶机器人的车速跟踪模糊控制方法
US8826199B2 (en) * 2011-05-27 2014-09-02 Ryerson University System and method for development of a system architecture
CN103235513A (zh) * 2013-04-24 2013-08-07 武汉科技大学 一种基于遗传算法的移动机械臂轨迹规划优化方法
CN104698838A (zh) * 2014-12-23 2015-06-10 清华大学 基于论域动态划分和学习的模糊调度规则挖掘方法
CN104991443A (zh) * 2015-07-08 2015-10-21 中南大学 一种基于自适应论域划分的模糊控制方法
CN105404154A (zh) * 2015-12-30 2016-03-16 哈尔滨理工大学 一种液压四足机器人单腿关节力/位切换控制方法
CN105652667A (zh) * 2016-03-31 2016-06-08 西南石油大学 一种模型不确定双关节机械手的高精度轨迹跟踪控制方法
CN106020197A (zh) * 2016-06-30 2016-10-12 苏州坤厚自动化科技有限公司 一种基于势能场的机器人路径跟踪算法
CN106154829A (zh) * 2016-08-23 2016-11-23 南京航空航天大学 一种基于离散时延估计的机械手轨迹跟踪控制方法
CN106527141A (zh) * 2016-12-05 2017-03-22 清华大学 基于变论域模糊规则迭代学习的玻璃窑炉空燃比调整方法
CN107870570A (zh) * 2017-12-26 2018-04-03 电子科技大学 基于分数阶幂次趋近律的终端滑模机械臂轨迹跟踪方法
CN109108942A (zh) * 2018-09-11 2019-01-01 武汉科技大学 基于视觉实时示教与自适应dmps的机械臂运动控制方法和系统
CN110001654A (zh) * 2019-05-06 2019-07-12 吉林大学 一种自适应驾驶员类型的智能车纵向速度跟踪控制系统及控制方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Fuzzy logic based behavior fusion for navigation of an intelligent mobile robot;Li Wei;《Journal of Computer Science and Technology》;19960731;第11卷(第4期);第385-394页 *
Trajectory tracking control of wheeled mobile manipulator based on fuzzy neural network and extended Kalman filtering;Xia Kerui;《NEURAL COMPUTING & APPLICATIONS》;20180731;第30卷(第2期);第447-462页 *
基于MATLAB的双关节机械手控制系统仿真研究;万敏;《塑性工程学报》;20171231;第24卷(第06期);第136-142页 *
基于模糊自抗扰技术的机械臂轨迹跟踪控制;郭一军;《陕西师范大学学报(自然科学版)》;20170430;第45卷(第2期);第42-48页 *

Also Published As

Publication number Publication date
CN110471281A (zh) 2019-11-19

Similar Documents

Publication Publication Date Title
CN110471281B (zh) 一种轨迹跟踪控制的变论域模糊控制系统及控制方法
CN109465825B (zh) 机械臂柔性关节的rbf神经网络自适应动态面控制方法
CN106406085B (zh) 基于跨尺度模型的空间机械臂轨迹跟踪控制方法
CN112904728B (zh) 一种基于改进型趋近律的机械臂滑模控制轨迹跟踪方法
Ko et al. Gaussian processes and reinforcement learning for identification and control of an autonomous blimp
Ishiguro et al. A neural network compensator for uncertainties of robotics manipulators
CN115157238A (zh) 一种多自由度机器人动力学建模和轨迹跟踪方法
CN115990888B (zh) 一种具有死区和时变约束功能的机械臂控制方法
CN108445768A (zh) 空间机器人操作空间轨迹跟踪的增广自适应模糊控制方法
Zhou et al. Integration of fuzzy CMAC and BELC networks for uncertain nonlinear system control
CN109176529B (zh) 一种空间机器人协调运动的自适应模糊控制方法
CN110977971A (zh) 一种基于模糊集理论的Delta机器人控制方法
Dobriborsci et al. Discrete robust controller for ball and plate system
WO2023020036A1 (zh) 一种基于回声状态网络的冗余机械臂追踪控制方法
Han et al. Adaptive critic based neural networks for control-constrained agile missile control
CN114384800A (zh) 一种具有输入信号延时的未知非线性系统反推控制方法
Yang et al. Multi-degree-of-freedom joint nonlinear motion control with considering the friction effect
CN111552317A (zh) 一种多航天器四维协同轨迹确定方法
Yang et al. Tracking control of wheeled mobile robot based on RBF network supervisory control
Qingqing et al. A PID gain adjustment scheme based on reinforcement learning algorithm for a quadrotor
Wu et al. A deterministic robust control with parameter optimization for uncertain two-wheel driven mobile robot
Wang et al. Learning from demonstration using improved dynamic movement primitives
Wei-Dong et al. Two-degree-of-freedom robotic arm based on RBF neural network approximation control method research
Yen Adaptive robust tracking RBF neural networks control for industrial robot minipulators based on backstepping
Ohri et al. Neural network based control of robot manipulator

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