CN110597051A - 基于RBF神经网络的Stewart稳定平台控制方法 - Google Patents
基于RBF神经网络的Stewart稳定平台控制方法 Download PDFInfo
- Publication number
- CN110597051A CN110597051A CN201910902630.0A CN201910902630A CN110597051A CN 110597051 A CN110597051 A CN 110597051A CN 201910902630 A CN201910902630 A CN 201910902630A CN 110597051 A CN110597051 A CN 110597051A
- Authority
- CN
- China
- Prior art keywords
- stewart
- platform
- pose
- neural network
- control
- 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.)
- Pending
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 47
- 238000000034 method Methods 0.000 title claims abstract description 43
- 239000011159 matrix material Substances 0.000 claims abstract description 39
- 238000011217 control strategy Methods 0.000 claims abstract description 15
- 238000012546 transfer Methods 0.000 claims abstract description 12
- 230000004069 differentiation Effects 0.000 claims abstract description 10
- 230000006870 function Effects 0.000 claims description 17
- 238000006073 displacement reaction Methods 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 7
- 230000005484 gravity Effects 0.000 claims description 6
- 230000007246 mechanism Effects 0.000 claims description 5
- 230000001360 synchronised effect Effects 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 3
- 238000011478 gradient descent method Methods 0.000 claims description 2
- 238000009499 grossing Methods 0.000 claims description 2
- 238000005096 rolling process Methods 0.000 claims description 2
- 239000000126 substance Substances 0.000 claims description 2
- 238000011156 evaluation Methods 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 10
- 230000000694 effects Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000003631 expected effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
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
- G05B11/00—Automatic controllers
- G05B11/01—Automatic controllers electric
- G05B11/36—Automatic controllers electric with provision for obtaining particular characteristics, e.g. proportional, integral, differential
- G05B11/42—Automatic controllers electric with provision for obtaining particular characteristics, e.g. proportional, integral, differential for obtaining a characteristic which is both proportional and time-dependent, e.g. P. I., P. I. D.
-
- 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
- G05B13/042—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)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种基于RBF神经网络的Stewart稳定平台控制方法,包括以下内容:根据机器人运动学原理,建立Stewart稳定平台的运动学模型,并通过全微分获取Stewart稳定平台关于位姿的雅克比矩阵;利用拉格朗日方程法,结合雅克比矩阵,建立Stewart稳定平台的动力学模型;根据动力学模型对Stewart的单通道进行数学建模以获得传递函数,再采用PID控制算法与串联控制策略对单通道进行位置控制;构建Stewart稳定平台位姿控制策略,利用该策略对Stewart平台进行稳定控制。本发明可以有效克服Stewart稳定平台的装配误差和模型误差,提高了跟踪精度与抗干扰能力。
Description
技术领域
本发明属于自动化控制技术领域,特别涉及一种基于RBF神经网络的Stewart稳定平台控制方法。
背景技术
Stewart平台属于空间多环并联机构,从结构上来看,是用6根支杆将上下两平台连接而形成的。这6根杆可通过液压或电机进行自由伸缩,它们分别用虎克铰与上下平台连接。上平面相对下平面可以进行6个自由度的运动,因此Stewart平台属于六自由度并联机器人。它的主要特点是,结构紧凑,刚度高,速度快,承载能力大,各运动关节误差不累计,精度高。但是由于Stewart平台是高度非线性,强耦合,动力学模型复杂且多输入多输出系统,因此一些传统的控制方法难以达到预期效果。
目前对Stewart平台的常规控制方法是将6个自由度的位姿通过运动学反解算法解算成6个支杆的杆长变化量,从而将非线性,强耦合的位姿控制转化为对6个单通道的位置控制。上述控制方法本质上仍然属于半闭环控制,即默认单通道的控制效果等效为合成位姿后的控制效果,因此只着力于单通道的控制算法研究,却忽略了整体是现有控制算法的核心问题。事实上,由于实际装置的装配误差和模型误差,会导致Stewart平台的实际合成位姿存在较大误差。
发明内容
本发明的目的在于提供一种能克服装配误差与模型误差、跟踪精度高、抗干扰能力强的Stewart稳定平台控制方法,以对Stewart稳定平台6个自由度的位姿进行控制。
实现本发明目的的技术解决方案为:一种基于RBF神经网络的Stewart稳定平台控制方法,包括以下步骤:
步骤1、根据机器人运动学原理,建立Stewart稳定平台的运动学模型,并通过全微分获取Stewart稳定平台关于位姿的雅克比矩阵;
步骤2、利用拉格朗日方程法,结合雅克比矩阵,建立Stewart稳定平台的动力学模型;
步骤3、根据动力学模型对Stewart的单通道进行数学建模以获得传递函数,再采用PID控制算法与串联控制策略对单通道进行位置控制;
步骤4、构建Stewart稳定平台位姿控制策略,利用该策略对Stewart平台进行稳定控制。
进一步地,步骤1所述根据机器人运动学原理,建立Stewart稳定平台的运动学模型,并通过全微分获取Stewart稳定平台关于位姿的雅克比矩阵,具体为:
步骤1-1、以Stewart稳定平台的6个下铰点中心所在的平面为基平台B(X,Y,Z),以Stewart稳定平台的6个上铰点中心所在的平面为动平台P(Xp,Yp,Zp),基平台上的每个铰点和动平台上与所述铰点呈60°的铰点相连,构成杆向量;
步骤1-2、为基平台B和动平台P分别建立坐标系,称为固定系、运动系,坐标系的原点为基平台的中心或动平台的中心,X轴位于基平台或动平台所在平面且水平向右,Y轴位于基平台或动平台所在平面且与X轴垂直,Z轴垂直于X轴、Y轴所在平面且竖直向上;
步骤1-3、获取Stewart稳定平台的运动学反解方程:
假设固定系的原点为B(0,0,0),运动系的原点P在固定系中坐标为(xp,yp,zp),基平台铰点bi坐标为(xbi,ybi,zbi),动平台铰点pi在固定系中的坐标为(xpi,ypi,zpi);编号为i的杆的杆长为li,i=1,2,…,6,平台位姿变量为q,则反解方程为li=fi(q),具体用如下的非线性方程表示:
li=fi(q)=fi(α,β,γ,x,y,z)
=[(xpi-xbi)2+(ypi-ybi)2+(zpi-zbi)2]1/2
步骤1-4、对li进行全微分获得:
dl=[dl1,dl2,dl3,dl4,dl5,dl6]
dq=[dα,dβ,dγ,dx,dy,dz]
dl=Jdq
式中,q代表平台位姿变量,位移由α,β,γ,x,y,z即横滚角,俯仰角,偏航角,x轴位移,y轴位移及z轴位姿构成,J为雅克比矩阵:
进一步地,步骤2所述利用拉格朗日方程法,结合雅克比矩阵,建立Stewart稳定平台的动力学模型,具体为:
步骤2-1、利用拉格朗日方程法初步建立Stewart稳定平台的动力学模型为:
式中,q表示平台位姿变量,M(q)为惯性矩阵,为Coriolis或离心力矩阵,G(q)为重力矩阵,τ表示作用在六个自由度上的力;
步骤2-2、根据虚功原理:
FTdl=τTdq
结合雅克比矩阵J,获得:
τ=JTF
其中,F=[F1 F2 F3 F4 F5 F6],为六条杆上的力;
由此进一步建立Stewart平台的动力学模型为:
进一步地,步骤3所述根据动力学模型对Stewart的单通道进行数学建模以获得传递函数,具体为:
根据动力学模型对永磁同步电机PMSM添加扰动,之后利用该永磁同步电机PMSM作为单通道的执行机构,对Stewart的单通道进行数学建模:
对数学建模结果进行拉普拉斯变换获得传递函数为:
JeqsWm(s)=Tem-GL-CL
式中,Tem为永磁同步电机PMSM产生的电磁转矩,Tem以克服负载转矩TL,负载转矩TL包括离心力转矩CL与重力转矩GL,ωm为机械角速度,Jeq为电机轴上的总转动惯量,包括电机自身的和机械负载等效至主动轴上的两部分,Wm(s)为ωm拉普拉斯变换后的结果。
进一步地,步骤3所述采用PID控制算法与串联控制策略对单通道进行位置控制,具体为:
步骤3-1、构建单通道控制系统,该系统包括三个串联的控制回路,其中内环用于控制电流或力矩记为电流环,外环用于控制位置记为位置环,内外环之间串联速度环,用于克服永磁体的温度导致的电机参数变化;其中电流环与速度环采用PI控制器,位置环采用PID控制器;
步骤3-2、为步骤3-1构建的单通道控制系统输入位置设定值为杆长伸长量Δli=li-l0i=fi(q)-l0i,其中,l0i为标号为i的杆的初始杆长,利用所述单通道控制系统对单通道进行位置控制,且在控制过程中,根据结构不变性原理,引用位置设定值的微分信号作为一级前馈信号,对单通道控制进行补偿。
进一步地,步骤4所述构建Stewart稳定平台位姿控制策略,具体为:
将当前时刻k的位姿输出值qout(k)、上一时刻k-1的位姿输出值qout(k-1)以及当前时刻位姿控制器的控制量增量Δu(k)作为RBF神经网络的输入;
对RBF神经网络进行训练,RBF神经网络输出拟合后的位姿qm(k);
根据qm(k)、Δu(k)获取用于调节位姿控制器参数的雅克比矩阵
通过步骤1的雅克比矩阵将位姿控制器的输出转换为6个杆长的伸长量,将该伸长量与步骤3-2中的杆长伸长量相叠加作为6个单通道的控制量。
本发明与现有技术相比,其显著优点为:1)采用全闭环控制策略,有效克服了装配误差和模型误差;2)采用RBF神经网络,可以克服系统中的非线性因素,提高了系统的跟踪精度和抗干扰能力。
下面结合附图对本发明作进一步详细描述。
附图说明
图1为本发明采用的Stewart稳定平台的空间结构图。
图2为本发明采用的永磁同步电机的单通道传递函数框图。
图3为本发明中Stewart稳定平台单通道控制结构图。
图4为本发明中Stewart稳定平台位姿控制结构图。
图5为本发明中采用的RBF神经网络结构示意图。
图6为本发明中Stewart稳定平台六自由度位姿控制器PID参数自整定过程示意图。
图7为本发明实施例中的simulink仿真框图。
图8为本发明实施例中采用典型信号输入时的位姿响应验证效果图。
具体实施方式
本发明基于RBF神经网络的Stewart稳定平台控制方法,包括以下步骤:
步骤1、根据机器人运动学原理,建立Stewart稳定平台的运动学模型,并通过全微分获取Stewart稳定平台关于位姿的雅克比矩阵;
步骤2、利用拉格朗日方程法,结合雅克比矩阵,建立Stewart稳定平台的动力学模型;
步骤3、根据动力学模型对Stewart的单通道进行数学建模以获得传递函数,再采用PID控制算法与串联控制策略对单通道进行位置控制;
步骤4、构建Stewart稳定平台位姿控制策略,利用该策略对Stewart平台进行稳定控制。
进一步地,结合图1,步骤1中根据机器人运动学原理,建立Stewart稳定平台的运动学模型,并通过全微分获取Stewart稳定平台关于位姿的雅克比矩阵,具体为:
步骤1-1、以Stewart稳定平台的6个下铰点中心所在的平面为基平台B(X,Y,Z),以Stewart稳定平台的6个上铰点中心所在的平面为动平台P(Xp,Yp,Zp),基平台上的每个铰点和动平台上与所述铰点呈60°的铰点相连,构成杆向量;
步骤1-2、为基平台B和动平台P分别建立坐标系,称为固定系、运动系,坐标系的原点为基平台的中心或动平台的中心,X轴位于基平台或动平台所在平面且水平向右,Y轴位于基平台或动平台所在平面且与X轴垂直,Z轴垂直于X轴、Y轴所在平面且竖直向上;
步骤1-3、获取Stewart稳定平台的运动学反解方程:
假设固定系的原点为B(0,0,0),运动系的原点P在固定系中坐标为(xp,yp,zp),基平台铰点bi坐标为(xbi,ybi,zbi),动平台铰点pi在固定系中的坐标为(xpi,ypi,zpi);编号为i的杆的杆长为li,i=1,2,…,6,平台位姿变量为q,则反解方程为li=fi(q),具体用如下的非线性方程表示:
li=fi(q)=fi(α,β,γ,x,y,z)
=[(xpi-xbi)2+(ypi-ybi)2+(zpi-zbi)2]1/2
步骤1-4、对li进行全微分获得:
dl=[dl1,dl2,dl3,dl4,dl5,dl6]
dq=[dα,dβ,dγ,dx,dy,dz]
dl=Jdq
式中,q代表平台位姿变量,位移由α,β,γ,x,y,z即横滚角,俯仰角,偏航角,x轴位移,y轴位移及z轴位姿构成,J为雅克比矩阵:
进一步地,步骤2中利用拉格朗日方程法,结合雅克比矩阵,建立Stewart稳定平台的动力学模型,具体为:
步骤2-1、利用拉格朗日方程法初步建立Stewart稳定平台的动力学模型为:
式中,q表示平台位姿变量,M(q)为惯性矩阵,为Coriolis或离心力矩阵,G(q)为重力矩阵,τ表示作用在六个自由度上的力;
步骤2-2、根据虚功原理:
FTdl=τTdq
结合雅克比矩阵J,获得:
τ=JTF
其中,F=[F1 F2 F3 F4 F5 F6],为六条杆上的力;
由此进一步建立Stewart平台的动力学模型为:
进一步地,步骤3中根据动力学模型对Stewart的单通道进行数学建模以获得传递函数,具体为:
根据动力学模型对永磁同步电机PMSM添加扰动,之后利用该永磁同步电机PMSM作为单通道的执行机构,对Stewart的单通道进行数学建模:
对数学建模结果进行拉普拉斯变换获得传递函数为:
JeqsWm(s)=Tem-GL-CL
式中,Tem为永磁同步电机PMSM产生的电磁转矩,Tem以克服负载转矩TL,负载转矩TL包括离心力转矩CL与重力转矩GL,ωm为机械角速度,Jeq为电机轴上的总转动惯量,包括电机自身的和机械负载等效至主动轴上的两部分,Wm(s)为ωm拉普拉斯变换后的结果,传递函数框图如图2所示。
进一步地,结合图3,步骤3中采用PID控制算法与串联控制策略对单通道进行位置控制,具体为:
步骤3-1、构建单通道控制系统,该系统包括三个串联的控制回路,其中内环用于控制电流或力矩记为电流环,外环用于控制位置记为位置环,内外环之间串联速度环,用于克服永磁体的温度导致的电机参数变化;其中电流环与速度环采用PI控制器,位置环采用PID控制器;
步骤3-2、为步骤3-1构建的单通道控制系统输入位置设定值为杆长伸长量Δli=li-l0i=fi(q)-l0i,其中,l0i为标号为i的杆的初始杆长,利用所述单通道控制系统对单通道进行位置控制,且在控制过程中,根据结构不变性原理,引用位置设定值的微分信号作为一级前馈信号,对单通道控制进行补偿。
进一步地,结合图4,步骤4中构建Stewart稳定平台位姿控制策略,具体为:
将当前时刻k的位姿输出值qout(k)、上一时刻k-1的位姿输出值qout(k-1)以及当前时刻位姿控制器的控制量增量Δu(k)作为RBF神经网络的输入;
对RBF神经网络进行训练,RBF神经网络输出拟合后的位姿qm(k);
根据qm(k)、Δu(k)获取用于调节位姿控制器参数的雅克比矩阵
通过步骤1的雅克比矩阵将位姿控制器的输出转换为6个杆长的伸长量,将该伸长量与步骤3-2中的杆长伸长量相叠加作为6个单通道的控制量。
进一步地,上述将当前时刻k的位姿输出值qout(k)、上一时刻k-1的位姿输出值qout(k-1)以及当前时刻的位姿控制器的控制量增量Δu(k)作为RBF神经网络的输入,对RBF神经网络进行训练,RBF神经网络输出拟合后的位姿qm(k),具体为:
以横滚角α为例进行说明,第k时刻Stewart平台横滚角的输出量为α(k),第k-1时刻Stewart平台横滚角的输出量为α(k-1),Δuα(k)为针对横滚角的位姿控制器的控制量增量,RBF神经网络的输入量为x=[Δuα(k),α(k),α(k-1)],变量个数n=3,RBF神经网络输出拟合后的横滚角的输出量为αm(k);
选取隐藏层的径向基向量h=[h1,h2,h3,...,hm]T,m=6,径向基函数选取高斯函数,神经网络如图5所示,则有:
式中,Cj=[cj1,cj2,cj3]为第j个隐节点的中心矢量;bj为第j个隐节点的径向宽度,同时也可看做为平滑因子,W=[w1,w2,...,wm]为输出层权值向量;
则RBF神经网络的输出为αm(k)=WTh=w1h1+w2h2+...+wmhm。
进一步地,上述对RBF神经网络进行训练,具体为:利用冲量梯度法结合性能指标对RBF神经网络进行训练。
进一步地,上述由雅克比矩阵调节位姿控制器参数,具体为:
结合图6,因位姿q包含6个自由度,因此以横滚角α为例进行说明,其相应的用于调节位姿控制器参数的雅克比矩阵为
1)建立位姿控制器的增量PID控制算法:
Δu(k)=kpxc(1)+kixc(2)+kdxc(3)
其中,
xc(1)=e(k)-e(k-1)
xc(2)=e(k)
xc(3)=e(k)-2e(k-1)+e(k-2)
其中,e(k)为Stewart平台位姿误差:
e(k)=αd(k)-α(k)
式中,αd(k)为Stewart平台位姿设定值,kp为比例增益,ki为积分增益,kd为微分增益;
2)利用梯度下降法结合增量PID控制算法的评价函数并选取学习因子μ,获取第k时刻kp、ki、kd的变化量,分别为:
3)结合上述RBF神经网络的训练过程可得:
由此可获得上述2)中Δkp、Δki、Δkd的值,利用Δkp、Δki、Δkd动态调整位姿控制器参数。
实施例
本实施例对本发明的基于RBF神经网络的Stewart稳定平台控制方法进行实验验证:
采用永磁同步电机(PMSM)参数如下表1所示:
表1PMSM的参数
从Stewart平台的运动学建模过程中可以发现,存在主要误差包括:动平台球铰的安装偏差ΔXMi,ΔYMi,ΔZMi,基座球铰的安装偏差ΔXFi,ΔYFi,ΔZFi,以及驱动轴的初始零位偏差ΔL0i。整个机构的安装偏差项共有42项。
本实施例采用的基座球铰的安装偏差ΔBi=ΔXFi,ΔYFi,ΔZFi为:
动平台球铰的安装偏差ΔPi=ΔXMi,ΔYMi,ΔZMi为:
驱动轴的初始零位偏差ΔL0i为:
ΔL0=[2.1 -0.3 3.3 -2.1 -1.5 2.3]
以上单位均为毫米(mm)。
在MATLAB/Simulink环境中,根据Stewart稳定平台位姿控制结构图建立如图7所示的仿真模型。Stewart稳定平台的参数如下表2所示:
表2 Stewart稳定平台参数
本实施例中采用正弦信号作为Stewart稳定平台的位姿设定值,6自由度分别的跟踪信号为:
α(t)=5sin(2πt/5)
β(t)=3sin(2πt/4)
γ(t)=7sin(2πt/6)
x=0,y=0,z=0.1
训练神经网络时,选取学习因子λ为0.25,冲量系数η为0.05。输出层权值向量W=[w1,w2,...,w6]的初始权值均为1,kp、ki、kd分别为3.2,0,0,PID在线整定时的学习因子μ为0.1。
实验结果如图8所示,展示了六个自由度上与设定值的误差,反映了跟踪性能。由图8可知,在本发明的控制方法下,姿态角的绝对误差小于0.004°,位移的绝对误差小于0.002m,有效的克服了Stewart稳定平台装配误差和模型误差,提高了跟踪精度与抗干扰能力。
Claims (9)
1.一种基于RBF神经网络的Stewart稳定平台控制方法,其特征在于,包括以下步骤:
步骤1、根据机器人运动学原理,建立Stewart稳定平台的运动学模型,并通过全微分获取Stewart稳定平台关于位姿的雅克比矩阵;
步骤2、利用拉格朗日方程法,结合雅克比矩阵,建立Stewart稳定平台的动力学模型;
步骤3、根据动力学模型对Stewart的单通道进行数学建模以获得传递函数,再采用PID控制算法与串联控制策略对单通道进行位置控制;
步骤4、构建Stewart稳定平台位姿控制策略,利用该策略对Stewart平台进行稳定控制。
2.根据权利要求1所述的基于RBF神经网络的Stewart稳定平台控制方法,其特征在于,步骤1所述根据机器人运动学原理,建立Stewart稳定平台的运动学模型,并通过全微分获取Stewart稳定平台关于位姿的雅克比矩阵,具体为:
步骤1-1、以Stewart稳定平台的6个下铰点中心所在的平面为基平台B(X,Y,Z),以Stewart稳定平台的6个上铰点中心所在的平面为动平台P(Xp,Yp,Zp),基平台上的每个铰点和动平台上与所述铰点呈60°的铰点相连,构成杆向量;
步骤1-2、为基平台B和动平台P分别建立坐标系,称为固定系、运动系,坐标系的原点为基平台的中心或动平台的中心,X轴位于基平台或动平台所在平面且水平向右,Y轴位于基平台或动平台所在平面且与X轴垂直,Z轴垂直于X轴、Y轴所在平面且竖直向上;
步骤1-3、获取Stewart稳定平台的运动学反解方程:
假设固定系的原点为B(0,0,0),运动系的原点P在固定系中坐标为(xp,yp,zp),基平台铰点bi坐标为(xbi,ybi,zbi),动平台铰点pi在固定系中的坐标为(xpi,ypi,zpi);编号为i的杆的杆长为li,i=1,2,…,6,平台位姿变量为q,则反解方程为li=fi(q),具体用如下的非线性方程表示:
li=fi(q)=fi(α,β,γ,x,y,z)=[(xpi-xbi)2+(ypi-ybi)2+(zpi-zbi)2]1/2
步骤1-4、对li进行全微分获得:
dl=[dl1,dl2,dl3,dl4,dl5,dl6]
dq=[dα,dβ,dγ,dx,dy,dz]
dl=Jdq
式中,q代表平台位姿变量,位移由α,β,γ,x,y,z即横滚角,俯仰角,偏航角,x轴位移,y轴位移及z轴位姿构成,J为雅克比矩阵:
3.根据权利要求1或2所述的基于RBF神经网络的Stewart稳定平台控制方法,其特征在于,步骤2所述利用拉格朗日方程法,结合雅克比矩阵,建立Stewart稳定平台的动力学模型,具体为:
步骤2-1、利用拉格朗日方程法初步建立Stewart稳定平台的动力学模型为:
式中,q表示平台位姿变量,M(q)为惯性矩阵,为Coriolis或离心力矩阵,G(q)为重力矩阵,τ表示作用在六个自由度上的力;
步骤2-2、根据虚功原理:
FTdl=τTdq
结合雅克比矩阵J,获得:
τ=JTF
其中,F=[F1 F2 F3 F4 F5 F6],为六条杆上的力;
由此进一步建立Stewart平台的动力学模型为:
4.根据权利要求1所述的基于RBF神经网络的Stewart稳定平台控制方法,其特征在于,步骤3所述根据动力学模型对Stewart的单通道进行数学建模以获得传递函数,具体为:
根据动力学模型对永磁同步电机PMSM添加扰动,之后利用该永磁同步电机PMSM作为单通道的执行机构,对Stewart的单通道进行数学建模:
对数学建模结果进行拉普拉斯变换获得传递函数为:
JeqsWm(s)=Tem-GL-CL
式中,Tem为永磁同步电机PMSM产生的电磁转矩,Tem以克服负载转矩TL,负载转矩TL包括离心力转矩CL与重力转矩GL,ωm为机械角速度,Jeq为电机轴上的总转动惯量,包括电机自身的和机械负载等效至主动轴上的两部分,Wm(s)为ωm拉普拉斯变换后的结果。
5.根据权利要求1或2所述的基于RBF神经网络的Stewart稳定平台控制方法,其特征在于,步骤3所述采用PID控制算法与串联控制策略对单通道进行位置控制,具体为:
步骤3-1、构建单通道控制系统,该系统包括三个串联的控制回路,其中内环用于控制电流或力矩记为电流环,外环用于控制位置记为位置环,内外环之间串联速度环,用于克服永磁体的温度导致的电机参数变化;其中电流环与速度环采用PI控制器,位置环采用PID控制器;
步骤3-2、为步骤3-1构建的单通道控制系统输入位置设定值为杆长伸长量Δli=li-l0i=fi(q)-l0i,其中,l0i为标号为i的杆的初始杆长,利用所述单通道控制系统对单通道进行位置控制,且在控制过程中,根据结构不变性原理,引用位置设定值的微分信号作为一级前馈信号,对单通道控制进行补偿。
6.根据权利要求5所述的基于RBF神经网络的Stewart稳定平台控制方法,其特征在于,步骤4所述构建Stewart稳定平台位姿控制策略,具体为:
将当前时刻k的位姿输出值qout(k)、上一时刻k-1的位姿输出值qout(k-1)以及当前时刻位姿控制器的控制量增量Δu(k)作为RBF神经网络的输入;
对RBF神经网络进行训练,RBF神经网络输出拟合后的位姿qm(k);
根据qm(k)、Δu(k)获取用于调节位姿控制器参数的雅克比矩阵
通过步骤1的雅克比矩阵将位姿控制器的输出转换为6个杆长的伸长量,将该伸长量与步骤3-2中的杆长伸长量相叠加作为6个单通道的控制量。
7.根据权利要求6所述的基于RBF神经网络的Stewart稳定平台控制方法,其特征在于,所述将当前时刻k的位姿输出值qout(k)、上一时刻k-1的位姿输出值qout(k-1)以及当前时刻的位姿控制器的控制量增量Δu(k)作为RBF神经网络的输入,对RBF神经网络进行训练,RBF神经网络输出拟合后的位姿qm(k),具体为:
以横滚角α为例进行说明,第k时刻Stewart平台横滚角的输出量为α(k),第k-1时刻Stewart平台横滚角的输出量为α(k-1),Δuα(k)为针对横滚角的位姿控制器的控制量增量,RBF神经网络的输入量为x=[Δuα(k),α(k),α(k-1)],变量个数n=3,RBF神经网络输出拟合后的横滚角的输出量为αm(k);
选取隐藏层的径向基向量h=[h1,h2,h3,...,hm]T,m=6,径向基函数选取高斯函数,则有:
式中,Cj=[cj1,cj2,cj3]为第j个隐节点的中心矢量;bj为第j个隐节点的径向宽度,同时也可看做为平滑因子,W=[w1,w2,...,wm]为输出层权值向量;
则RBF神经网络的输出为αm(k)=WTh=w1h1+w2h2+...+wmhm。
8.根据权利要求7所述的基于RBF神经网络的Stewart稳定平台控制方法,其特征在于,所述对RBF神经网络进行训练,具体为:利用冲量梯度法结合性能指标对RBF神经网络进行训练。
9.根据权利要求8所述的基于RBF神经网络的Stewart稳定平台控制方法,其特征在于,所述由雅克比矩阵调节位姿控制器参数,具体为:
以横滚角α为例进行说明,其相应的用于调节位姿控制器参数的雅克比矩阵为
1)建立位姿控制器的增量PID控制算法:
Δu(k)=kpxc(1)+kixc(2)+kdxc(3)
其中,
xc(1)=e(k)-e(k-1)
xc(2)=e(k)
xc(3)=e(k)-2e(k-1)+e(k-2)
其中,e(k)为Stewart平台位姿误差:
e(k)=αd(k)-α(k)
式中,αd(k)为Stewart平台位姿设定值,kp为比例增益,ki为积分增益,kd为微分增益;
2)利用梯度下降法结合增量PID控制算法的评价函数并选取学习因子μ,获取第k时刻kp、ki、kd的变化量,分别为:
3)结合上述RBF神经网络的训练过程可得:
由此可获得上述2)中Δkp、Δki、Δkd的值,利用Δkp、Δki、Δkd动态调整位姿控制器参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910902630.0A CN110597051A (zh) | 2019-09-24 | 2019-09-24 | 基于RBF神经网络的Stewart稳定平台控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910902630.0A CN110597051A (zh) | 2019-09-24 | 2019-09-24 | 基于RBF神经网络的Stewart稳定平台控制方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110597051A true CN110597051A (zh) | 2019-12-20 |
Family
ID=68862547
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910902630.0A Pending CN110597051A (zh) | 2019-09-24 | 2019-09-24 | 基于RBF神经网络的Stewart稳定平台控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110597051A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111399210A (zh) * | 2020-04-22 | 2020-07-10 | 中国科学院长春光学精密机械与物理研究所 | 大口径大视场望远镜粗对准方法、装置、设备及存储介质 |
CN112847303A (zh) * | 2020-12-31 | 2021-05-28 | 北京理工大学 | 一种Stewart平台的协同控制方法 |
CN113110062A (zh) * | 2021-05-08 | 2021-07-13 | 湖南太观科技有限公司 | 基于深度物理网络的机器人控制系统 |
WO2023015829A1 (zh) * | 2021-08-10 | 2023-02-16 | 苏州浪潮智能科技有限公司 | 一种天文台主动反射面的面形调整方法、装置及设备 |
CN117539145A (zh) * | 2024-01-10 | 2024-02-09 | 北京理工大学 | 一种基于深度强化学习的稳定平台伺服控制方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103472724A (zh) * | 2013-09-16 | 2013-12-25 | 江苏大学 | 一种用于多自由度并联机构的实时控制动力学建模方法 |
CN108233781A (zh) * | 2018-01-18 | 2018-06-29 | 南京理工大学 | 一种基于非线性干扰观测器的直流无刷电机自适应反演滑模控制方法 |
CN109634220A (zh) * | 2018-12-27 | 2019-04-16 | 北京理工大学 | 一种六自由度机器人运动控制方法及系统 |
-
2019
- 2019-09-24 CN CN201910902630.0A patent/CN110597051A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103472724A (zh) * | 2013-09-16 | 2013-12-25 | 江苏大学 | 一种用于多自由度并联机构的实时控制动力学建模方法 |
CN108233781A (zh) * | 2018-01-18 | 2018-06-29 | 南京理工大学 | 一种基于非线性干扰观测器的直流无刷电机自适应反演滑模控制方法 |
CN109634220A (zh) * | 2018-12-27 | 2019-04-16 | 北京理工大学 | 一种六自由度机器人运动控制方法及系统 |
Non-Patent Citations (1)
Title |
---|
TIANYU HUANG: "Closed-Loop RBF-PID Control Method for Position and Attitude Control of Stewart Platform", 《2019 CHINESE CONTROL CONFERENCE (CCC)》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111399210A (zh) * | 2020-04-22 | 2020-07-10 | 中国科学院长春光学精密机械与物理研究所 | 大口径大视场望远镜粗对准方法、装置、设备及存储介质 |
CN111399210B (zh) * | 2020-04-22 | 2021-05-04 | 中国科学院长春光学精密机械与物理研究所 | 大口径大视场望远镜粗对准方法、装置、设备及存储介质 |
CN112847303A (zh) * | 2020-12-31 | 2021-05-28 | 北京理工大学 | 一种Stewart平台的协同控制方法 |
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 |
CN113110062A (zh) * | 2021-05-08 | 2021-07-13 | 湖南太观科技有限公司 | 基于深度物理网络的机器人控制系统 |
WO2023015829A1 (zh) * | 2021-08-10 | 2023-02-16 | 苏州浪潮智能科技有限公司 | 一种天文台主动反射面的面形调整方法、装置及设备 |
CN117539145A (zh) * | 2024-01-10 | 2024-02-09 | 北京理工大学 | 一种基于深度强化学习的稳定平台伺服控制方法 |
CN117539145B (zh) * | 2024-01-10 | 2024-04-02 | 北京理工大学 | 一种基于深度强化学习的稳定平台伺服控制方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110597051A (zh) | 基于RBF神经网络的Stewart稳定平台控制方法 | |
CN111136633B (zh) | 针对时变时延下柔性主-从机器人系统的全状态控制方法 | |
CN110007594B (zh) | 一种汽车电泳涂装输送用混联机器人的自适应鲁棒滑模控制方法 | |
CN109062052A (zh) | 基于扩张状态观测器的四旋翼无人机积分滑模控制方法 | |
CN113465859B (zh) | 一种六自由度电液振动台的干扰力补偿方法 | |
CN114536334A (zh) | 一种柔性机械臂系统高阶滑模抗干扰控制方法 | |
CN113093538A (zh) | 一种模块化机器人系统的非零和博弈神经-最优控制方法 | |
CN111805536A (zh) | 一种水果分拣并联机器人机构考虑耦合作用自适应滑模控制方法 | |
Zhai et al. | Observer-based adaptive fuzzy control of underactuated offshore cranes for cargo stabilization with respect to ship decks | |
CN111673742A (zh) | 一种工业机器人轨迹跟踪控制算法 | |
Chen et al. | An ADRC-based triple-loop control strategy of ship-mounted Stewart platform for six-DOF wave compensation | |
CN109176480B (zh) | 一种并联机器人的滑模控制方法及系统 | |
CN117086884B (zh) | 一种绳牵引并联机器人的控制方法、装置、设备和介质 | |
Chen et al. | Observer-based adaptive robust precision motion control of a multi-joint hydraulic manipulator | |
Cheng et al. | A PID approach to suppressing stick-slip in the positioning of transmission mechanisms | |
CN112947083A (zh) | 一种基于磁悬浮控制系统的非线性模型预测控制优化方法 | |
CN114572429B (zh) | 一种基于凸轮外形设计的普适火箭回收索系统 | |
Inoan | Movement control of an unloading machine from a rotary furnace | |
Kumar et al. | Variable gain super twisting controller for the position stabilization of Stewart platform | |
CN112000014B (zh) | 一种操控机械臂的模型预测与反演的控制方法 | |
CN111381491B (zh) | 球形机器人控制系统及其设计方法和直线运动控制方法 | |
Huang et al. | Robust controller design and experiment for electric load simulator | |
Huang et al. | Closed-loop RBF-PID control method for position and attitude control of Stewart platform | |
Yang et al. | Research on gravity compensation in motion control of multi-joint robot | |
Shiferaw et al. | High performance control of Stewart platform manipulator using sliding mode control with synchronization error |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191220 |