CN112936270B - 一种基于神经网络的机械臂内模控制方法 - Google Patents
一种基于神经网络的机械臂内模控制方法 Download PDFInfo
- Publication number
- CN112936270B CN112936270B CN202110154850.7A CN202110154850A CN112936270B CN 112936270 B CN112936270 B CN 112936270B CN 202110154850 A CN202110154850 A CN 202110154850A CN 112936270 B CN112936270 B CN 112936270B
- Authority
- CN
- China
- Prior art keywords
- mechanical arm
- neural network
- following
- model
- follows
- 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
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J9/00—Programme-controlled manipulators
- B25J9/16—Programme controls
- B25J9/1602—Programme controls characterised by the control system, structure, architecture
- B25J9/1605—Simulation of manipulator lay-out, design, modelling of manipulator
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J9/00—Programme-controlled manipulators
- B25J9/16—Programme controls
- B25J9/1656—Programme controls characterised by programming, planning systems for manipulators
- B25J9/1664—Programme controls characterised by programming, planning systems for manipulators characterised by motion, path, trajectory planning
Landscapes
- Engineering & Computer Science (AREA)
- Robotics (AREA)
- Mechanical Engineering (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种基于神经网络的机械臂内模控制方法,该方法包括:步骤1,选取永磁同步电机作为关节驱动电机,并将电机模型与机械臂模型整合,建立整体系统的数学模型;步骤2,针对机械子系统,设计基于输出调节理论的内模控制器;步骤3,针对电气子系统,利用神经网络方法设计最终控制器。本发明针对机械臂系统存在参数不确定以及负载干扰的情况,设计了基于内模和神经网络的状态反馈控制器,在允许所有系统参数未知的情况下实现了机械臂系统的位置跟踪和干扰抑制,具有良好的跟踪性能。
Description
技术领域
本发明涉及机械臂系统控制领域,具体为一种基于神经网络的机械臂内模控制方法。
背景技术
随着科学技术的发展,机械臂系统由于其优异的性能,在工业及其自动化领域得到了广泛的应用。同时,作为机械臂的关节驱动电机,永磁同步电机由于其具有功率密度高、体积小、易于维护等特点,在驱动机械臂时性能更加优异。考虑到永磁同步电机及机械臂整个系统是一个十分复杂的非线性系统,且存在参数不确定性和外部干扰,如何设计控制器实现机械臂的高精度控制具有重要的研究意义。
一方面,非线性输出调节理论在过去的几十年取得了很大进展,而其内模控制方法能够方便的解决系统的轨迹跟踪与干扰抑制问题,且具有良好的鲁棒性。另一方面,由于神经网络能够近似复杂的非线性函数,在非线性系统控制方面也应用颇广。在针对永磁同步电机驱动的机械臂系统中,将内模控制方法与神经网络方法相结合,可以在系统参数未知的情况下实现位置跟踪和干扰抑制,且具有更加优良的跟踪性能。
发明内容
基于背景技术存在的技术问题,本发明提出了一种基于神经网络的机械臂内模控制方法。针对永磁同步电机驱动的机械臂系统,设计了基于内模和神经网络的状态反馈控制器,从而得到优良的位置跟踪与干扰抑制性能,并允许系统所有参数未知。
本发明的技术方案是:
一种基于神经网络的机械臂内模控制方法,其特征在于,包括以下步骤:
步骤1:选取永磁同步电机作为关节驱动电机,并将电机模型与机械臂整合,建立整体系统的数学模型;
步骤2:针对机械子系统,设计基于输出调节理论的内模控制器;
步骤3:针对电气子系统,利用神经网络方法设计最终控制器。
步骤1中,选取永磁同步电机作为关节驱动电机,并将电机模型与机械臂整合,建立整体系统的数学模型,其过程如下:
1.1,根据欧拉-拉格朗日方法建立机械臂的动力学模型,由表贴式永磁同步电机驱动的n自由度机械臂模型如下:
其中为机械臂的角位置,为惯性矩阵,为二维向心力和科里奥利力矩,为重力矩,为外界扰动,分别为dq轴定子电流,ID=diag{Id1,Id2,…,Idn},IQ=diag{Iq1,Iq2,…,Iqn},ud,分别为dq轴定子电压,p为电机极对数,Φm=3pΦv/2,Φv=diag{Φv1,Φv2,…,Φvn},R=diag{R1,R2,…,Rn},L=diag{L1,L2,…,Ln}均为n维正定常对角矩阵,分别表示电机转子磁链,定子电阻和电感;
上述系统(1)具有以下性质:
性质1:HM(q)是一个正定对称矩阵,且满足:
其中m1和m2为正常数。
性质3:机械臂模型相对于一组物理参数是线性的:
其中ai0,aij,φij,i=1,2,…,n,j=1,2,…,ni均为未知常数,aij,φij分别为正弦信号的幅值和相位,wij为已知的正弦信号频率。
1.5,结合性质3,系统(2)可以写为如下形式:
步骤2中,针对机械子系统,设计基于输出调节理论的内模控制器,其过程如下:
2.1,对τli进行微分,可得:
2.4,定义如下记号:
根据公式(10),可得:
2.5,设计内模为如下形式:
2.6,进行如下坐标变换:
根据性质3,得到如下误差方程:
2.7,设计如下动态补偿器:
则机械子系统方程可以写为如下形式:
2.9,设计机械子系统的状态反馈控制律为如下形式:
2.12,得到的内模控制器为如下形式:
步骤3中,针对电气子系统,利用神经网络方法设计最终控制器,其过程如下:
3.1,定义如下记号:
3.3,利用径向基神经网络(RBFNN)近似未知连续函数,则f1和f2可以写为如下形式:
其中为神经网络权值,m>1为神经网络结点数,δ1和δ2为近似误差向量,且||δ1||≤ε1,||δ2||≤ε2,ε1,ε2均为正常数,为输入向量,r为神经网络输入层维数,pih(Zi)为神经网络基函数,和σ分别是高斯基函数的中心和宽度。
3.4,设计状态反馈控制律为如下形式:
其中λ3,λ4为正常数。
3.9,进行稳定性分析,根据公式(31)得出以下结果:
则s,都在一个紧集上,即该电气子系统的所有状态有界,根据(7)式可得则根据b3和a3的定义,在选择合适的控制参数α,k1,k2,k3,λ2,λ4之后,使λ1,λ3足够大,lij,εi,i=1,2,j=1,…,n足够小,从而可以实现跟踪误差e任意小。
3.10,得到的最终控制器如下形式:
本发明的优点是:
本发明提出的一种基于神经网络的机械臂内模控制方法,针对永磁同步驱动的机械臂系统中存在系统参数不确定和外界干扰,设计了基于内模和神经网络的状态反馈控制器,实现了机械臂的位置跟踪控制与干扰抑制,具有良好的位置跟踪性能,并且允许系统所有参数未知。
附图说明
图1为二自由度机械臂示意图;
图2为整体系统控制框图;
图3为机械臂关节角位置跟踪曲线;
图4为机械臂关节角位置跟踪误差曲线;
图5为电机d轴电流曲线;
图6为电机q轴电流曲线;
图7为电机d轴电压曲线;
图8为电机q轴电压曲线。
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。
本实施例具体以二自由度机械臂(如图1所示)实施,其中q1和q2表示机械臂的关节角度,g为重力加速度。
结合图1和图2说明本实施方式,本实施方式所述的一种基于神经网络的机械臂内模控制方法,具体步骤如下:
步骤1,选取永磁同步电机作为关节驱动电机,并将电机模型与机械臂整合,建立整体系统的数学模型,其过程如下:
1.1,根据欧拉-拉格朗日方法建立机械臂的动力学模型,由表贴式永磁同步电机驱动的n自由度机械臂模型如下:
其中为机械臂的角位置,为惯性矩阵,为二维向心力和科里奥利力矩,为重力矩,为外界扰动,分别为dq轴定子电流,ID=diag{Id1,Id2,…,Idn},IQ=diag{Iq1,Iq2,…,Iqn},ud,分别为dq轴定子电压,p为电机极对数,Φm=3pΦv/2,Φv=diag{Φv1,Φv2,…,Φvn},R=diag{R1,R2,…,Rn},L=diag{L1,L2,…,Ln}均为n维正定常对角矩阵,分别表示电机转子磁链,定子电阻和电感;
上述系统(1)具有以下性质:
性质1:HM(q)是一个正定对称矩阵,且满足:
其中m1和m2为正常数。
性质3:机械臂模型相对于一组物理参数是线性的:
其中ai0,aij,φij,i=1,2,…,n,j=1,2,…,ni均为未知常数,aij,φij分别为正弦信号的幅值和相位,wij为已知的正弦信号频率。
1.5,结合性质3,系统(2)可以写为如下形式:
步骤2,针对机械子系统,设计基于输出调节理论的内模控制器,其过程如下:
2.1,对τli进行微分,可得:
2.4,定义如下记号:
根据公式(10),可得:
2.5,设计内模为如下形式:
2.6,进行如下坐标变换:
根据性质3,得到如下误差方程:
2.7,设计如下动态补偿器:
则机械子系统方程可以写为如下形式:
2.9,设计机械子系统的状态反馈控制律为如下形式:
2.12,得到的内模控制器为如下形式:
步骤3,针对电气子系统,利用神经网络方法设计最终控制器,其过程如下:
3.1,定义如下记号:
3.3,利用径向基神经网络(RBFNN)近似未知连续函数,则f1和f2可以写为如下形式:
其中为神经网络权值,m>1为神经网络结点数,δ1和δ2为近似误差向量,且||δ1||≤ε1,||δ2||≤ε2,ε1,ε2均为正常数,为输入向量,r为神经网络输入层维数,pih(Zi)为神经网络基函数,和σ分别是高斯基函数的中心和宽度。
3.4,设计状态反馈控制律为如下形式:
其中λ3,λ4为正常数。
3.9,进行稳定性分析,根据公式(31)得出以下结果:
则s,都在一个紧集上,即该电气子系统的所有状态有界,根据(7)式可得则根据b3和a3的定义,在选择合适的控制参数α,k1,k2,k3,λ2,λ4之后,使λ1,λ3足够大,lij,εi,i=1,2,j=1,…,n足够小,从而可以实现跟踪误差e任意小。
3.10,得到的最终控制器如下形式:
本实施例中机械臂的模型以及参数如下:
h1=3.9kg·m2,h2=0.75kg·m2,h3=1.125kg·m2
h4=23.52kg·m2,h5=7.35kg·m2
两个关节均采用相同的永磁同步电机,参数为:电机极对数p=8,电阻R1=R2=1.9Ω,电感L1=L2=0.00636H,磁链Φv1=Φv2=0.714Vs/rad。加入的干扰为τd=[sin(2t)+1-cos(4t)+2]T(N·m),期望的位置信号为
控制器参数选择如下:
α=100,k1=200,k2=120,k3=100,
λ1=λ3=10,λ2=λ4=0.1,
lij=0.5,i=1,2,j=1,2,
神经网络的结点数m为11,节点中心vh均匀分布在[-10,10]之间,宽度σ=2。初值为q(0)=0rad,Id1(0)=Id2(0)=0.1AIq1(0)=Iq2(0)=0A,其余各状态变量初值均取0。基于上述控制器参数,得到仿真结果如图3-8所示。图3为机械臂两个关节的位置跟踪曲线,图4为两个关节位置跟踪误差曲线,图5-6分别表示电机dq轴电流曲线,图7-8为电机的dq轴电压曲线。根据仿真结果可得,在具有外部干扰的情况下,所设计的控制器能够得到很小的机械臂位置跟踪误差。设计的控制输入不仅能够在系统所有参数未知的情况下实现良好的跟踪性能,而且输入信号连续且光滑,适合实际应用。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,根据本发明的技术方案及其发明构思加以同等替换或改变,都应涵盖在本发明的保护范围之内。
Claims (1)
1.一种基于神经网络的机械臂内模控制方法,其特征在于,包括以下步骤:
步骤1:选取永磁同步电机作为关节驱动电机,并将电机模型与机械臂整合,建立整体系统的数学模型;
步骤2:针对机械子系统,设计基于输出调节理论的内模控制器;
步骤3:针对电气子系统,利用神经网络方法设计最终控制器;
步骤1中,选取永磁同步电机作为关节驱动电机,并将电机模型与机械臂整合,建立整体系统的数学模型,其过程如下:
1.1,根据欧拉—拉格朗日方法建立机械臂的动力学模型,由表贴式永磁同步电机驱动的n自由度机械臂的整体系统的数学模型如下:
其中为机械臂的角位置,为惯性矩阵,为二维向心力和科里奥利力矩,为重力矩,为外界扰动,分别为dq轴定子电流,ID=diag{Id1,Id2,…,Idn},IQ=diag{Iq1,Iq2,…,Iqn},分别为dq轴定子电压,p为电机极对数,Φm=3pΦv/2,Φv=diag{Φv1,Φv2,…,Φvn},R=diag{R1,R2,…,Rn},L=diag{L1,L2,…,Ln}均为n维正定常对角矩阵,分别表示电机转子磁链,定子电阻和电感;
上述整体系统的数学模型(2)具有以下性质:
性质1:HM(q)是一个正定对称矩阵,且满足:
其中m1和m2为正常数;
性质3:机械臂模型相对于一组物理参数是线性的:
其中ai0,aij,φij,i=1,2,…,n,j=1,2,…,ni均为未知常数,aij,φij分别为正弦信号的幅值和相位,wij为已知的正弦信号频率;
1.5,结合性质3,整体系统的数学模型(2)可以写为如下形式:
步骤2中,针对机械子系统,设计基于输出调节理论的内模控制器,其过程如下:
2.1,对τli进行微分,可得:
2.4,定义如下记号:
根据公式(10),可得:
2.5,设计内模为如下形式:
2.6,进行如下坐标变换:
根据性质3,得到如下误差方程:
2.7,设计如下动态补偿器:
则机械子系统方程可以写为如下形式:
2.9,设计机械子系统的状态反馈控制律为如下形式:
2.12,得到的内模控制器为如下形式:
步骤3中,针对电气子系统,利用神经网络方法设计最终控制器,其过程如下:
3.1,定义如下记号:
3.3,利用径向基神经网络(RBFNN)近似未知连续函数,则f1和f2可以写为如下形式:
其中为神经网络权值,m>1为神经网络结点数,δ1和δ2为近似误差向量,且||δ1||≤ε1,||δ2||≤ε2,ε1,ε2均为正常数,为输入向量,r为神经网络输入层维数,pih(Zi)为神经网络基函数,和σ分别是高斯基函数的中心和宽度;
3.4,设计状态反馈控制律为如下形式:
其中λ3,λ4为正常数;
3.9,进行稳定性分析,根据公式(31)得出以下结果:
则s,都在一个紧集上,即该电气子系统的所有状态有界,根据(7)式可得则根据b3和a3的定义,在选择合适的控制参数α,k1,k2,k3,λ2,λ4之后,使λ1,λ3足够大,lij,εi,i=1,2,j=1,…,n足够小,从而可以实现跟踪误差e任意小;
3.10,得到的最终控制器如下形式:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110154850.7A CN112936270B (zh) | 2021-02-04 | 2021-02-04 | 一种基于神经网络的机械臂内模控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110154850.7A CN112936270B (zh) | 2021-02-04 | 2021-02-04 | 一种基于神经网络的机械臂内模控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112936270A CN112936270A (zh) | 2021-06-11 |
CN112936270B true CN112936270B (zh) | 2022-05-03 |
Family
ID=76243855
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110154850.7A Active CN112936270B (zh) | 2021-02-04 | 2021-02-04 | 一种基于神经网络的机械臂内模控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112936270B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114147719B (zh) * | 2021-12-10 | 2023-06-23 | 扬州大学 | 基于直接离散型递归神经网络的机械臂跟踪控制方法及系统 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101917150A (zh) * | 2010-06-24 | 2010-12-15 | 江苏大学 | 永磁同步电机模糊神经网络广义逆鲁棒控制器及构造方法 |
CN104808487A (zh) * | 2015-03-03 | 2015-07-29 | 台州学院 | 一种神经网络自适应鲁棒轨迹跟踪方法及控制器 |
CN105186958A (zh) * | 2015-09-08 | 2015-12-23 | 江苏大学 | 基于神经网络逆系统的五相容错永磁电机内模控制方法 |
JP2017123744A (ja) * | 2016-01-08 | 2017-07-13 | ダイキン工業株式会社 | 負荷角推定装置 |
CN107662208A (zh) * | 2017-08-24 | 2018-02-06 | 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 |
CN108390606A (zh) * | 2018-03-28 | 2018-08-10 | 淮阴工学院 | 一种基于动态面的永磁同步电机自适应滑模控制方法 |
CN108942924A (zh) * | 2018-06-25 | 2018-12-07 | 南京理工大学 | 基于多层神经网络的模型不确定性机械臂运动控制方法 |
CN110979024A (zh) * | 2019-12-20 | 2020-04-10 | 合肥工业大学 | 一种基于内模的电动汽车速度跟踪控制方法 |
CN111211724A (zh) * | 2018-11-21 | 2020-05-29 | 浙江工业大学 | 适用于重复性伺服系统的rbf自适应神经网络重复控制器 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110181510B (zh) * | 2019-05-21 | 2021-12-21 | 南京航空航天大学 | 一种基于时延估计与模糊逻辑的机械臂轨迹跟踪控制方法 |
-
2021
- 2021-02-04 CN CN202110154850.7A patent/CN112936270B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101917150A (zh) * | 2010-06-24 | 2010-12-15 | 江苏大学 | 永磁同步电机模糊神经网络广义逆鲁棒控制器及构造方法 |
CN104808487A (zh) * | 2015-03-03 | 2015-07-29 | 台州学院 | 一种神经网络自适应鲁棒轨迹跟踪方法及控制器 |
CN105186958A (zh) * | 2015-09-08 | 2015-12-23 | 江苏大学 | 基于神经网络逆系统的五相容错永磁电机内模控制方法 |
JP2017123744A (ja) * | 2016-01-08 | 2017-07-13 | ダイキン工業株式会社 | 負荷角推定装置 |
CN107662208A (zh) * | 2017-08-24 | 2018-02-06 | 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 |
CN108390606A (zh) * | 2018-03-28 | 2018-08-10 | 淮阴工学院 | 一种基于动态面的永磁同步电机自适应滑模控制方法 |
CN108942924A (zh) * | 2018-06-25 | 2018-12-07 | 南京理工大学 | 基于多层神经网络的模型不确定性机械臂运动控制方法 |
CN111211724A (zh) * | 2018-11-21 | 2020-05-29 | 浙江工业大学 | 适用于重复性伺服系统的rbf自适应神经网络重复控制器 |
CN110979024A (zh) * | 2019-12-20 | 2020-04-10 | 合肥工业大学 | 一种基于内模的电动汽车速度跟踪控制方法 |
Non-Patent Citations (2)
Title |
---|
RBF Neural Network Application in Internal Model Control of Permanent Magnet Synchronous Motor;Liu G, Chen L, Dong B, et al;《International Symposium on Neural Networks》;20110529;全文 * |
内模控制在永磁同步电机中的应用;曾成,张维;《电工电气》;20180615;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112936270A (zh) | 2021-06-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109560736B (zh) | 基于二阶终端滑模的永磁同步电机控制方法 | |
CN108390606B (zh) | 一种基于动态面的永磁同步电机自适应滑模控制方法 | |
CN110347044B (zh) | 一种考虑输出约束的pmsm混沌系统神经网络动态面控制方法 | |
Yu et al. | Approximation-based discrete-time adaptive position tracking control for interior permanent magnet synchronous motors | |
Fareh et al. | Robust active disturbance rejection control for flexible link manipulator | |
CN107121932B (zh) | 电机伺服系统误差符号积分鲁棒自适应控制方法 | |
CN109194219B (zh) | 一种基于无模型非奇异终端滑模控制永磁同步电机的方法及系统 | |
CN109873582B (zh) | 基于动态面的永磁同步电机有限时间位置跟踪控制方法 | |
CN107577149B (zh) | 一种采用分数阶快速终端滑模控制的随动控制方法 | |
CN108155833B (zh) | 考虑电气特性的电机伺服系统渐近稳定控制方法 | |
El-Sousy et al. | Intelligent adaptive dynamic surface control system with recurrent wavelet Elman neural networks for DSP-based induction motor servo drives | |
CN112936270B (zh) | 一种基于神经网络的机械臂内模控制方法 | |
CN111711396A (zh) | 基于分数阶滑模控制器的永磁同步电机速度环控制参数的整定方法 | |
CN112859600A (zh) | 一种基于扩张状态观测器的机械系统有限时间控制方法 | |
Wang et al. | Multi-kernel neural network sliding mode control for permanent magnet linear synchronous motors | |
CN109194224B (zh) | 基于扩张状态观测器的永磁同步电机无传感器控制方法 | |
CN114726278A (zh) | 基于机械参数辨识的永磁同步电机自适应控制方法 | |
CN109639200B (zh) | 一种基于电机负载转矩检测的转动惯量在线辨识方法 | |
CN117081436A (zh) | 一种永磁同步电机电流控制方法及系统 | |
CN109245644B (zh) | 一种永磁同步电机的鲁棒两自由度控制器的实现方法 | |
CN112987770B (zh) | 两栖仿蟹多足机器人步行足抗饱和有限时间运动控制方法 | |
CN114944799A (zh) | 一种永磁电机多参数在线同步辨识方法 | |
Aguilar Mejía et al. | Adaptive Speed Controller for a Permanent Magnet Synchronous Motor | |
CN114519301B (zh) | 具有时滞的非对称输出约束pmsm系统动态面跟踪控制方法 | |
Zheng et al. | Phase-lead Repetitive Control of a PMSM with Field-oriented Feedback Linearization and a disturbance observer |
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 |