CN113031442A - 一种模块化机械臂分散鲁棒容错控制方法及系统 - Google Patents
一种模块化机械臂分散鲁棒容错控制方法及系统 Download PDFInfo
- Publication number
- CN113031442A CN113031442A CN202110240640.XA CN202110240640A CN113031442A CN 113031442 A CN113031442 A CN 113031442A CN 202110240640 A CN202110240640 A CN 202110240640A CN 113031442 A CN113031442 A CN 113031442A
- Authority
- CN
- China
- Prior art keywords
- mechanical arm
- fault
- modular
- representing
- neural network
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000013528 artificial neural network Methods 0.000 claims abstract description 67
- 230000014509 gene expression Effects 0.000 claims abstract description 46
- 239000006185 dispersion Substances 0.000 claims abstract description 9
- 230000008878 coupling Effects 0.000 claims description 52
- 238000010168 coupling process Methods 0.000 claims description 52
- 238000005859 coupling reaction Methods 0.000 claims description 52
- 238000004132 cross linking Methods 0.000 claims description 26
- 239000003638 chemical reducing agent Substances 0.000 claims description 10
- 230000009467 reduction Effects 0.000 claims description 10
- 239000000126 substance Substances 0.000 claims description 10
- 230000001133 acceleration Effects 0.000 claims description 9
- 230000006870 function Effects 0.000 description 39
- 238000004088 simulation Methods 0.000 description 4
- 239000013598 vector Substances 0.000 description 4
- 230000003044 adaptive effect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 206010033799 Paralysis Diseases 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 125000004432 carbon atom Chemical group C* 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000003292 glue Substances 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 238000012795 verification Methods 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
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
本发明涉及一种模块化机械臂分散鲁棒容错控制方法及系统,所述方法包括:构建模块化机械臂的系统动力学模型;根据所述系统动力学模型获得系统状态空间表达式;根据所述模块化机械臂的轨迹跟踪误差和累计误差确定积分终端滑模面;根据所述系统状态空间表达式、所述积分终端滑模面和RBF神经网络确定模块化机械臂分散容错控制器。本发明提高了模块化机械臂系统控制的可靠性和稳定性。
Description
技术领域
本发明涉及机械臂控制技术领域,特别是涉及一种模块化机械臂分散鲁棒容错控制方法及系统。
背景技术
近几年,机器人产业发展迅猛,应用范围涉及到医疗和探索等各个方面,例如涂胶机械臂,防疫机器人等,可以说已经和人们的生活休戚相关。为了解决传统机械臂的构型局限性、体积大等问题,模块化机械臂越来越受到学术界关注。模块化机械臂的主要思想是将一个复杂的机械臂系统分解为多个具有较高便携性和可维护性的子系统模块,因此其控制器的设计就要满足模块化要求,即各个关节模块具备相互独立的控制器,且能够满足不同任务环境与多种机械臂构形下的工作需要,从而表现出传统机械臂所不具备的优势,提高工作效率。
由于模块化机械臂系统是一类具有高度非线性、时变干扰的复杂控制系统,因而其控制问题存在一定难度。众所周知,模块化机械臂的关节故障、外界扰动以及系统不确定性可以通过设计容错控制器来对其进行补偿。然而,补偿项的增加很容易在机械臂关节处产生较大的指令转矩。一旦所需转矩长时间超过电机输出所能承受的最大转矩,控制器可能会积累错误,导致系统不稳定甚至使得系统完全瘫痪,这将给人们的人身及财产安全带来极大的隐患。因此,针对整个关节模块系统进行容错控制是该研究领域亟待解决的问题。
发明内容
本发明的目的是提供一种模块化机械臂分散鲁棒容错控制方法及系统,提高了控制系统的稳定性和可靠性。
为实现上述目的,本发明提供了如下方案:
一种模块化机械臂分散鲁棒容错控制方法,所述方法包括:
构建模块化机械臂的系统动力学模型;
根据所述系统动力学模型获得系统状态空间表达式;
根据所述模块化机械臂的轨迹跟踪误差和累计误差确定积分终端滑模面;
根据所述系统状态空间表达式、所述积分终端滑模面和RBF神经网络确定模块化机械臂分散容错控制器。
可选地,所述系统状态空间表达式为:
其中,S表示系统状态空间表达式,表示模块化机械臂运行时的耦合力矩,表示模块化机械臂系统的摩擦,表示模块化机械臂的系统执行器故障函数及外部干扰信号,q表示qi的集合,qi表示模块化机械臂的第i个关节的位置,表示的集合,表示第i个关节的速度,表示的集合,表示第i个关节的加速度, 表示x1的导数,表示x2的导数,γi表示谐波减速器的减速比,τi表示第i个关节的电机输出力矩,τsi表示第i个关节的力矩传感器输出力矩,B=(Imiγi)-1,Imi表示第i个关节的电机转动惯量。
可选地,所述积分终端滑模面表示为:
其中,s表示积分终端滑模面,r表示所述模块化机械臂的累计误差,t表示时间,k1表示第一正常数,k2表示第二正常数,α1>α2=p′/q′且1<α2<2,p′为第一正奇数,q′为第二正奇数,表示第一非线性项,表示第二非线性项。
可选地,所述根据所述系统状态空间表达式、所述积分终端滑模面和RBF神经网络确定模块化机械臂分散容错控制器,具体包括:
基于所述积分终端滑模面,根据RBF神经网络补偿所述系统状态空间表达式中的耦合交联项和故障函数以及外部干扰,获得所述耦合交联项和故障函数以及外部干扰的RBF神经网络估计值,所述耦合交联项为模块化机械臂运行时的耦合力矩;
通过所述积分终端滑模面获得所述模块化机械臂系统产生的摩擦和估计误差;
采用干扰观测器对所述摩擦和所述估计误差进行观测,获得观测结果;
根据所述耦合交联项、故障函数以及外部干扰的RBF神经网络估计值和所述观测结果,确定模块化机械臂分散容错控制器。
可选地,所述采用干扰观测器对所述摩擦和所述估计误差进行观测表示为:
其中,表示第i个关节的摩擦和估计误差的估计值,si表示第i个关节的积分终端滑模面,s表示si的集合,Θ为常数,表示所述状态空间表达式中耦合交联项的RBF神经网络估计值,表示所述状态空间表达式中故障函数以及外部干扰项的RBF神经网络估计值,k1表示第一正常数,k2表示第二正常数,α1>α2=p′/q′且1<α2<2,p′为第一正奇数,q′为第二正奇数,λ表示第三正常数,qid表示第i个关节的期望位置,表示第一非线性项,表示第二非线性项,表示耦合交联项的神经网络权值,表示故障函数以及外部干扰项的神经网络权值,表示第i个关节的位置跟踪误差的导数,τsi为第i个关节的力矩传感器输出力矩,γi表示谐波减速器的减速比,B=(Imiγi)-1,Imi表示第i个关节的电机转动惯量,qi表示模块化机械臂的第i个关节的位置,表示第i个关节的速度。
可选地,所述模块化机械臂分散容错控制器表示为:
τi=τr+τs
本发明还公开了一种模块化机械臂分散鲁棒容错控制系统,包括:
系统动力学模型构建模块,用于构建模块化机械臂的系统动力学模型;
系统状态空间表达式获得模块,用于根据所述系统动力学模型获得系统状态空间表达式;
积分终端滑模面确定模块,用于根据所述模块化机械臂的轨迹跟踪误差和累计误差确定积分终端滑模面;
模块化机械臂分散容错控制器确定模块,用于根据所述系统状态空间表达式、所述积分终端滑模面和RBF神经网络确定模块化机械臂分散容错控制器。
可选地,所述系统状态空间表达式为:
其中,S表示系统状态空间表达式,表示模块化机械臂运行时的耦合力矩,表示模块化机械臂系统的摩擦,表示模块化机械臂的系统执行器故障函数及外部干扰信号,q表示qi的集合,qi表示模块化机械臂的第i个关节的位置,表示的集合,表示第i个关节的速度,表示的集合,表示第i个关节的加速度, 表示x1的导数,表示x2的导数,γi表示谐波减速器的减速比,τi表示第i个关节的电机输出力矩,τsi表示第i个关节的力矩传感器输出力矩,B=(Imiγi)-1,Imi表示第i个关节的电机转动惯量。
可选地,所述积分终端滑模面表示为:
其中,s表示积分终端滑模面,r表示所述模块化机械臂的累计误差,t表示时间,k1表示第一正常数,k2表示第二正常数,α1>α2=p′/q′且1<α2<2,p′为第一正奇数,q′为第二正奇数,表示第一非线性项,表示第二非线性项。
可选地,所述模块化机械臂分散容错控制器确定模块,具体包括:
RBF神经网络估计值确定单元,用于基于所述积分终端滑模面,根据RBF神经网络补偿所述系统状态空间表达式中的耦合交联项和故障函数以及外部干扰,获得所述耦合交联项和故障函数以及外部干扰的RBF神经网络估计值,所述耦合交联项为模块化机械臂运行时的耦合力矩;
摩擦和估计误差确定单元,用于通过所述积分终端滑模面获得所述模块化机械臂系统产生的摩擦和估计误差;
观测结果获得单元,用于采用干扰观测器对所述摩擦和所述估计误差进行观测,获得观测结果;
模块化机械臂分散容错控制器确定单元,用于根据所述耦合交联项、故障函数以及外部干扰的RBF神经网络估计值和所述观测结果,确定模块化机械臂分散容错控制器。
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:
本发明公开了一种模块化机械臂分散鲁棒容错控制方法及系统,根据所述系统状态空间表达式、所述积分终端滑模面和RBF神经网络确定模块化机械臂分散容错控制器,模块化机械臂分散容错控制器考虑内部及外部不确定干扰信号,增加了系统可靠性和稳定性;控制器的设计满足模块化要求,即各个关节模块具备相互独立的控制器,能够满足不同任务环境与多种机械臂构形下的工作需要,提高机械臂控制的灵活性。
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为本发明一种模块化机械臂分散鲁棒容错控制方法流程示意图;
图2为本发明一种模块化机械臂分散鲁棒容错控制方法原理图;
图3为本发明实施例一种模块化机械臂分散鲁棒容错控制方法流程示意图;
图4为本发明一种模块化机械臂分散鲁棒容错控制系统结构示意图。
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模块化机械臂分散鲁棒容错控制方法及系统,提高了控制系统的稳定性和可靠性。
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为本发明一种模块化机械臂分散鲁棒容错控制方法流程示意图,如图1所示,一种模块化机械臂分散鲁棒容错控制方法包括:
步骤101:构建模块化机械臂的系统动力学模型,系统动力学模型如下:
其中,qi表示模块化机械臂的第i个关节的角度位置,表示第i个关节的速度,表示第i个关节的加速度,Imi为第i个关节的电机转动惯量;τi为第i个关节的电机输出力矩;γi为谐波减速器的减速比;τsi为力矩传感器输出力矩;zmi沿第i个转子的旋转轴的单位向量;T表示转置,表示摩擦项,zj表示第j个关节的旋转轴的单位矢量,zk表示第k个关节的旋转轴的单位矢量,表示第i个关节的第一个相邻关节的速度,表示第i个关节的第二个相邻关节的速度,τd表示外部干扰信号。
步骤102:根据所述系统动力学模型获得系统状态空间表达式。
所述系统状态空间表达式为模块化机械臂系统发生故障时的数学模型,表示如下:
其中,为系统执行器故障函数及外部干扰信号,S表示系统状态空间表达式,表示模块化机械臂运行时的耦合力矩,表示模块化机械臂系统的摩擦,q表示qi的集合,qi表示模块化机械臂的第i个关节的角度位置,表示的集合,表示第i个关节的速度,表示的集合,表示第i个关节的加速度, 表示x1的导数,表示x2的导数,γi表示谐波减速器的减速比,τi表示第i个关节的电机输出力矩,τsi表示第i个关节的力矩传感器输出力矩,B=(Imiγi)-1,Imi表示第i个关节的电机转动惯量。
所述积分终端滑模面表示为:
其中,s表示积分终端滑模面,r表示所述模块化机械臂的累计误差,t表示时间,k1表示第一正常数,k2表示第二正常数,α1>α2=p′/q′且1<α2<2,p′为第一正奇数,q′为第二正奇数,表示第一非线性项,表示第二非线性项。
步骤103:根据所述模块化机械臂的轨迹跟踪误差和累计误差确定积分终端滑模面。具体为:构建模块化机械臂轨迹跟踪误差,轨迹跟踪误差用于通过引入耦合误差信号,设计一种新型积分终端滑模面如下:
接下来对积分终端滑模面s求导:
步骤104:根据所述系统状态空间表达式、所述积分终端滑模面和RBF神经网络确定模块化机械臂分散容错控制器。
所述根据所述系统状态空间表达式、所述积分终端滑模面和RBF神经网络确定模块化机械臂分散容错控制器,具体包括:
基于所述积分终端滑模面,根据RBF神经网络补偿所述系统状态空间表达式中的耦合交联项和故障函数以及外部干扰,获得所述耦合交联项和故障函数以及外部干扰的RBF神经网络估计值,所述耦合交联项为模块化机械臂运行时的耦合力矩。具体为通过RBF神经网络模块来分别补偿其中的耦合交联项、外部干扰以及故障函数,得到耦合交联项故障函数及干扰项动力学的近似,则耦合项故障函数及干扰项的RBF神经网络估计值表达式如下:
其中,εih表示神经网络系统的逼近误差。
通过所述积分终端滑模面获得所述模块化机械臂系统产生的摩擦和估计误差;
采用干扰观测器对所述摩擦和所述估计误差进行观测,获得观测结果;
根据所述耦合交联项、故障函数以及外部干扰的RBF神经网络估计值和所述观测结果,确定模块化机械臂分散容错控制器。
所述采用干扰观测器对所述摩擦和所述估计误差进行观测,表示为:
其中,表示第i个关节的摩擦和估计误差的估计值,si表示第i个关节的积分终端滑模面,s表示si的集合,Θ为常数,表示所述状态空间表达式中耦合交联项的RBF神经网络估计值,表示所述状态空间表达式中故障函数以及外部干扰项的RBF神经网络估计值,k1表示第一正常数,k2表示第二正常数,α1>α2=p′/q′且1<α2<2,p′为第一正奇数,q′为第二正奇数,λ表示第三正常数,qid表示第i个关节的期望位置,表示第i个关节的积分终端滑模面中第一非线性项,表示第i个关节的积分终端滑模面中第二非线性项,表示耦合交联项的神经网络权值,表示故障函数以及外部干扰项的神经网络权值,表示第i个关节的位置跟踪误差的导数,τsi为第i个关节的力矩传感器输出力矩,γi表示谐波减速器的减速比,B=(Imiγi)-1,Imi表示第i个关节的电机转动惯量,qi表示模块化机械臂的第i个关节的位置,表示第i个关节的速度。
所述模块化机械臂分散容错控制器表示为:
τi=τr+τs
本发明的有益效果如下:
本发明的模块化机械臂,其控制器的设计满足模块化要求,即各个关节模块具备相互独立的控制器,且能够满足不同任务环境与多种机械臂构形下的工作需要,从而表现出传统机械臂所不具备的优势,提高工作效率。
本发明所提出的控制方法对存在内部及外部不确定干扰下的模块化机械臂系统进行控制,增加系统可靠性和稳定性。
综上,本发明解决了现有技术中,模块化机械臂系统存在跟踪精度低、收敛速度慢、抖振等问题,为模块化机械臂系统提供了精确和稳定的保障。
下面详细说明本发明一种模块化机械臂分散鲁棒容错控制方法,如图2所示,本发明控制方法的原理为:根据模块化机械臂控制器参数与期望动力学的信息,与期望位置信息进行比较。通过设定RBF神经网路初始值,获得RBF神经网络权值迭代更新率。通过摩擦项模型与系统估计误差的观测值,得到摩擦项及误差的观测信息。通过RBF神经网络近似,得到基于RBF神经网络的自适应分散控制律。把摩擦项动力学观测信息、超螺旋趋近控制律以及自适应分散控制律相结合,得到积分终端滑模的自适应分散容错控制律,运动到动力学模型,获得关节位置变量。与期望位置变量作差得到位置误差,再作用到神经网络权值更新率。
对于相对复杂且关联度高的非线性系统,特别是模块化机械臂系统,交联项的特性与内部动力学模型有很大的不同。通过设计干扰观测器对系统估计误差进行观测,并结合RBF(径向基函数)神经网络近似摩擦、干扰以及交联项的自适应控制律,以及超螺旋控制率,得到积分终端滑模分散鲁棒控制律,运用到模块化机械臂动力学模型,获取关节位置信息。
如图3所示,本发明基于积分终端滑模的模块化机械臂分散容错控制方法,该方法首先建立模块化机械臂系统动力学模型,其次通过位置误差以及累计误差信号,构建新型积分终端滑模面,然后通过干扰观测器对模块化机械臂关节间摩擦项及系统估计误差项观测,接下来采用RBF神经网络对机械臂交联项、故障函数及干扰项进行近似,最后通过仿真实验验证所提出控制方法的有效性。
Step1:模块化机械臂系统动力学模型及故障模型的建立与变换;
考虑具有n个旋转关节和关节力矩传感器的刚性模块化机械臂的动力学方程如下:
其中,qi,分别为第i个关节的位置、速度及加速度;Imi为电机转动惯量,τi为电机输出力矩,τsi为第i个关节的力矩传感器输出力矩,zmi和zi分别为电机转子与关节沿着旋转轴方向的单位向量,为动力学耦合项。
考虑到机械臂系统在运行过程中执行器故障发生的情况,给出模块化机械臂系统故障动力学模型如下所示:
Step2、新型积分终端滑模面的构建
首先,构建关节误差变量为:
其中,ei代表第i个关节的位置跟踪误差,qi,qid分别是第i个关节的实际位置和期望位置,ri代表第i个关节的累积误差信号,λ为确定常数。
定义积分终端滑模面如下:
其中,k1,k2为正常数,α1>α2=p′/q′且1<α2<2,p′和q′为正奇数。
对滑模面进行求导,获取相关模型如下:
Step3、交联项、故障函数及干扰项动力学逼近
由此可得,耦合项、总扰动项和故障函数项的形式如下:
神经网络权值可以通过以下公式进行更新:
根据神经网络近似表达式(7)、(8),此时滑模面导数如下:
Step4、摩擦项及估计误差动力学的观测
采用干扰观测器来观测摩擦项及估计误差项动力学di:
结合(7)、(8)和(14),在实现在线观测以及学习来完成控制更新时,得到基于积分终端滑模的分散容错等效控制律和趋近控制律如下所示:
τi=τr+τs
Step5、仿真实验
验证所提出的积分终端滑模分散容错控制方法的有效性,对二自由度模块化机械臂进行仿真和实验验证如下:
模块化机械臂的参考轨迹定义为:
模块化机械臂分散容错控制系统物理参数及机械表参数按照表1定义。
表1模块化机械臂实验的物理参数及机械参数
通过Matlab仿真结果及实验表明,所提出的积分终端滑模的分散容错控制方法能为模块化机械臂提供稳定性和精确性,以满足各种任务的要求。
图4为本发明一种模块化机械臂分散鲁棒容错控制系统结构示意图,如图4所示,本发明还公开了一种模块化机械臂分散鲁棒容错控制系统,包括:
系统动力学模型构建模块201,用于构建模块化机械臂的系统动力学模型;
系统状态空间表达式获得模块202,用于根据所述系统动力学模型获得系统状态空间表达式;
积分终端滑模面确定模块203,用于根据所述模块化机械臂的轨迹跟踪误差和累计误差确定积分终端滑模面;
模块化机械臂分散容错控制器确定模块204,用于根据所述系统状态空间表达式、所述积分终端滑模面和RBF神经网络确定模块化机械臂分散容错控制器。
所述系统状态空间表达式为:
其中,S表示系统状态空间表达式,表示模块化机械臂运行时的耦合力矩,表示模块化机械臂系统的摩擦,表示模块化机械臂的系统执行器故障函数及外部干扰信号,q表示qi的集合,qi表示模块化机械臂的第i个关节的位置,表示的集合,表示第i个关节的速度,表示的集合,表示第i个关节的加速度, 表示x1的导数,表示x2的导数,γi表示谐波减速器的减速比,τi表示第i个关节的电机输出力矩,τsi表示第i个关节的力矩传感器输出力矩,B=(Imiγi)-1,Imi表示第i个关节的电机转动惯量。
所述积分终端滑模面表示为:
其中,s表示积分终端滑模面,r表示所述模块化机械臂的累计误差,t表示时间,k1表示第一正常数,k2表示第二正常数,α1>α2=p′/q′且1<α2<2,p′为第一正奇数,q′为第二正奇数,表示第一非线性项,表示第二非线性项。
所述模块化机械臂分散容错控制器确定模块204,具体包括:
RBF神经网络估计值确定单元,用于基于所述积分终端滑模面,根据RBF神经网络补偿所述系统状态空间表达式中的耦合交联项和故障函数以及外部干扰,获得所述耦合交联项和故障函数以及外部干扰的RBF神经网络估计值,所述耦合交联项为模块化机械臂运行时的耦合力矩;
摩擦和估计误差确定单元,用于通过所述积分终端滑模面获得所述模块化机械臂系统产生的摩擦和估计误差;
观测结果获得单元,用于采用干扰观测器对所述摩擦和所述估计误差进行观测,获得观测结果;
模块化机械臂分散容错控制器确定单元,用于根据所述耦合交联项、故障函数以及外部干扰的RBF神经网络估计值和所述观测结果,确定模块化机械臂分散容错控制器。
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 (10)
1.一种模块化机械臂分散鲁棒容错控制方法,其特征在于,所述方法包括:
构建模块化机械臂的系统动力学模型;
根据所述系统动力学模型获得系统状态空间表达式;
根据所述模块化机械臂的轨迹跟踪误差和累计误差确定积分终端滑模面;
根据所述系统状态空间表达式、所述积分终端滑模面和RBF神经网络确定模块化机械臂分散容错控制器。
4.根据权利要求1所述的模块化机械臂分散鲁棒容错控制方法,其特征在于,所述根据所述系统状态空间表达式、所述积分终端滑模面和RBF神经网络确定模块化机械臂分散容错控制器,具体包括:
基于所述积分终端滑模面,根据RBF神经网络补偿所述系统状态空间表达式中的耦合交联项和故障函数以及外部干扰,获得所述耦合交联项和故障函数以及外部干扰的RBF神经网络估计值,所述耦合交联项为模块化机械臂运行时的耦合力矩;
通过所述积分终端滑模面获得所述模块化机械臂系统产生的摩擦和估计误差;
采用干扰观测器对所述摩擦和所述估计误差进行观测,获得观测结果;
根据所述耦合交联项、故障函数以及外部干扰的RBF神经网络估计值和所述观测结果,确定模块化机械臂分散容错控制器。
5.根据权利要求4所述的模块化机械臂分散鲁棒容错控制方法,其特征在于,所述采用干扰观测器对所述摩擦和所述估计误差进行观测表示为:
其中,表示第i个关节的摩擦和估计误差的估计值,si表示第i个关节的积分终端滑模面,s表示si的集合,Θ为常数,表示所述状态空间表达式中耦合交联项的RBF神经网络估计值,表示所述状态空间表达式中故障函数以及外部干扰项的RBF神经网络估计值,k1表示第一正常数,k2表示第二正常数,α1>α2=p′/q′且1<α2<2,p′为第一正奇数,q′为第二正奇数,λ表示第三正常数,qid表示第i个关节的期望位置,表示第一非线性项,表示第二非线性项,表示耦合交联项的神经网络权值,表示故障函数以及外部干扰项的神经网络权值,表示第i个关节的位置跟踪误差的导数,τsi为第i个关节的力矩传感器输出力矩,γi表示谐波减速器的减速比,B=(Imiγi)-1,Imi表示第i个关节的电机转动惯量,qi表示模块化机械臂的第i个关节的位置,表示第i个关节的速度。
7.一种模块化机械臂分散鲁棒容错控制系统,其特征在于,包括:
系统动力学模型构建模块,用于构建模块化机械臂的系统动力学模型;
系统状态空间表达式获得模块,用于根据所述系统动力学模型获得系统状态空间表达式;
积分终端滑模面确定模块,用于根据所述模块化机械臂的轨迹跟踪误差和累计误差确定积分终端滑模面;
模块化机械臂分散容错控制器确定模块,用于根据所述系统状态空间表达式、所述积分终端滑模面和RBF神经网络确定模块化机械臂分散容错控制器。
10.根据权利要求7所述的模块化机械臂分散鲁棒容错控制系统,其特征在于,所述模块化机械臂分散容错控制器确定模块,具体包括:
RBF神经网络估计值确定单元,用于基于所述积分终端滑模面,根据RBF神经网络补偿所述系统状态空间表达式中的耦合交联项和故障函数以及外部干扰,获得所述耦合交联项和故障函数以及外部干扰的RBF神经网络估计值,所述耦合交联项为模块化机械臂运行时的耦合力矩;
摩擦和估计误差确定单元,用于通过所述积分终端滑模面获得所述模块化机械臂系统产生的摩擦和估计误差;
观测结果获得单元,用于采用干扰观测器对所述摩擦和所述估计误差进行观测,获得观测结果;
模块化机械臂分散容错控制器确定单元,用于根据所述耦合交联项、故障函数以及外部干扰的RBF神经网络估计值和所述观测结果,确定模块化机械臂分散容错控制器。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110240640.XA CN113031442B (zh) | 2021-03-04 | 2021-03-04 | 一种模块化机械臂分散鲁棒容错控制方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110240640.XA CN113031442B (zh) | 2021-03-04 | 2021-03-04 | 一种模块化机械臂分散鲁棒容错控制方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113031442A true CN113031442A (zh) | 2021-06-25 |
CN113031442B CN113031442B (zh) | 2022-08-02 |
Family
ID=76467854
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110240640.XA Expired - Fee Related CN113031442B (zh) | 2021-03-04 | 2021-03-04 | 一种模块化机械臂分散鲁棒容错控制方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113031442B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114280929A (zh) * | 2021-12-08 | 2022-04-05 | 中国船舶重工集团公司第七0三研究所 | 一种用于机械臂的滑模混合控制方法及计算机设备 |
CN115139340A (zh) * | 2022-09-01 | 2022-10-04 | 北京科技大学 | 一种失效故障下柔性机器人关节神经网络观测器设计方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104589349A (zh) * | 2015-01-16 | 2015-05-06 | 西北工业大学 | 一种混合悬浮微重力环境下带有单关节机械臂的组合体自主控制方法 |
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 |
CN107045557A (zh) * | 2016-11-01 | 2017-08-15 | 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 |
WO2018005346A1 (en) * | 2016-06-27 | 2018-01-04 | Massachusetts Institute Of Technology | Bipedal isotropic lattice locomoting explorer: robotic platform for locomotion and manipulation of discrete lattice structures and lightweight space structures |
CN107703753A (zh) * | 2017-10-25 | 2018-02-16 | 南京邮电大学 | 一种空间机械臂的容错控制方法 |
CN109551479A (zh) * | 2018-11-30 | 2019-04-02 | 长春工业大学 | 基于参数优化可重构模块化柔性机械臂轨迹跟踪控制方法 |
CN110421569A (zh) * | 2019-08-29 | 2019-11-08 | 南京邮电大学 | 一种基于有限时间扰动观测器的反演滑模机械臂控制器设计方法 |
CN111152225A (zh) * | 2020-01-15 | 2020-05-15 | 北京科技大学 | 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 |
CN111650832A (zh) * | 2020-05-28 | 2020-09-11 | 哈尔滨工程大学 | 一种水下多足步行机器人机械足姿态跟踪控制方法 |
-
2021
- 2021-03-04 CN CN202110240640.XA patent/CN113031442B/zh not_active Expired - Fee Related
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104589349A (zh) * | 2015-01-16 | 2015-05-06 | 西北工业大学 | 一种混合悬浮微重力环境下带有单关节机械臂的组合体自主控制方法 |
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 |
WO2018005346A1 (en) * | 2016-06-27 | 2018-01-04 | Massachusetts Institute Of Technology | Bipedal isotropic lattice locomoting explorer: robotic platform for locomotion and manipulation of discrete lattice structures and lightweight space structures |
CN107045557A (zh) * | 2016-11-01 | 2017-08-15 | 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 |
CN107703753A (zh) * | 2017-10-25 | 2018-02-16 | 南京邮电大学 | 一种空间机械臂的容错控制方法 |
CN109551479A (zh) * | 2018-11-30 | 2019-04-02 | 长春工业大学 | 基于参数优化可重构模块化柔性机械臂轨迹跟踪控制方法 |
CN110421569A (zh) * | 2019-08-29 | 2019-11-08 | 南京邮电大学 | 一种基于有限时间扰动观测器的反演滑模机械臂控制器设计方法 |
CN111152225A (zh) * | 2020-01-15 | 2020-05-15 | 北京科技大学 | 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 |
CN111650832A (zh) * | 2020-05-28 | 2020-09-11 | 哈尔滨工程大学 | 一种水下多足步行机器人机械足姿态跟踪控制方法 |
Non-Patent Citations (12)
Title |
---|
BO DONG ETAL.: "Torque sensorless decentralized neuro-optimal control for modular and reconfigurable robots with uncertain environments", 《NEUROCOMPUTING》 * |
GANG CHEN ETAL: "Failure treatment strategy and fault-tolerant path planning of a space manipulator with free-swinging joint failure", 《CHINESE JOURNAL OF AERONAUTICS》 * |
XIAODONG MEN;YUEXI WANG;ZHENGUO ZHANG;YUANCHUN LI;SHENQUAN WANG;: "Torque Estimation-Based Decentralized Control of Modular Robot Manipulators with the External Collisions", 《2020 12TH INTERNATIONAL CONFERENCE ON ADVANCED COMPUTATIONAL INTELLIGENCE (ICACI)》 * |
YAN LI, ZENGPENG LU, FAN ZHOU, BO DONG, KEPING LIU, YUANCHUN LI: "Adaptive sliding mode decentralized control for modular and reconfigurable robots with torque sensor", 《2019 CHINESE CONTROL AND DECISION CONFERENCE (CCDC)》 * |
YAN LI;ZENGPENG LU;FAN ZHOU;BO DONG;KEPING LIU;LIU GUANGJUN;YUAN: "Decentralized active fault tolerant control for modular and reconfigurable robot with torque sensor", 《2019 1ST INTERNATIONAL CONFERENCE ON INDUSTRIAL ARTIFICIAL INTELLIGENCE (IAI)》 * |
刘海亭: "基于滑模变结构控制的机械臂轨迹跟踪", 《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》 * |
卢曾鹏: "基于自适应终端滑模的模块化机械臂分散轨迹跟踪控制方法研究", 《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》 * |
周帆: "受环境约束的可重构机械臂系统鲁棒分散容错控制方法研究", 《中国优秀博硕士学位论文全文数据库(博士)信息科技辑》 * |
李岩: "可重构机械臂的快速指数稳定性分析与最优控制方法研究", 《中国优秀博硕士学位论文全文数据库(博士)信息科技辑》 * |
李永等: "模块化机器人神经网络补偿计算力矩控制研究", 《制造业自动化》 * |
王国刚: "面向环境约束的可重构机械臂自适应力_位置控制方法研究", 《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》 * |
赵博: "多故障并发的可重构机械臂主动分散容错控制方法研究", 《中国优秀博硕士学位论文全文数据库(博士)信息科技辑》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114280929A (zh) * | 2021-12-08 | 2022-04-05 | 中国船舶重工集团公司第七0三研究所 | 一种用于机械臂的滑模混合控制方法及计算机设备 |
CN114280929B (zh) * | 2021-12-08 | 2023-12-01 | 中国船舶重工集团公司第七0三研究所 | 一种用于机械臂的滑模混合控制方法及计算机设备 |
CN115139340A (zh) * | 2022-09-01 | 2022-10-04 | 北京科技大学 | 一种失效故障下柔性机器人关节神经网络观测器设计方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113031442B (zh) | 2022-08-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
Mu et al. | Learning-based robust tracking control of quadrotor with time-varying and coupling uncertainties | |
Ulrich et al. | Modeling and direct adaptive control of a flexible-joint manipulator | |
Ahmed et al. | Robust adaptive fractional‐order terminal sliding mode control for lower‐limb exoskeleton | |
Gao et al. | Adaptive neural network visual servo control for dynamic positioning of underwater vehicles | |
CN113031442B (zh) | 一种模块化机械臂分散鲁棒容错控制方法及系统 | |
Tsuji et al. | Tracking control properties of human-robotic systems based on impedance control | |
Asl et al. | Adaptive neural network control of cable-driven parallel robots with input saturation | |
Korayem et al. | Optimal sliding mode control design based on the state-dependent Riccati equation for cooperative manipulators to increase dynamic load carrying capacity | |
CN113146640A (zh) | 一种考虑执行器故障的机械臂分散最优容错控制方法 | |
CN111965976B (zh) | 基于神经网络观测器的机器人关节滑模控制方法及系统 | |
CN115990888B (zh) | 一种具有死区和时变约束功能的机械臂控制方法 | |
CN112558468A (zh) | 基于双观测器的发射平台自适应鲁棒输出反馈控制方法 | |
Zhang et al. | Robust finite-time command-filtered backstepping control for flexible-joint robots with only position measurements | |
Aksman et al. | Force estimation based compliance control of harmonically driven manipulators | |
Zhou et al. | An improved cerebellar model articulation controller based on the compound algorithms of credit assignment and optimized smoothness for a three-axis inertially stabilized platform | |
Li et al. | Adaptive finite-time fault-tolerant control for the full-state-constrained robotic manipulator with novel given performance | |
Cheong et al. | Adaptive fuzzy dynamic surface sliding mode position control for a robot manipulator with friction and deadzone | |
Wu et al. | Robust integral of neural network and precision motion control of electrical–optical gyro-stabilized platform with unknown input dead-zones | |
Yang et al. | Adaptive neural network control for flexible telerobotic systems with communication constraints | |
CN115890650A (zh) | 一种可重构机械臂事件触发分散最优容错控制方法及系统 | |
CN112947066B (zh) | 一种机械手改进有限时间反演控制方法 | |
Vidaković et al. | Computed torque control for a spatial disorientation trainer | |
CN110187637B (zh) | 在控制方向和期望轨迹不确定下的机器人系统控制方法 | |
Panwar et al. | Design of optimal hybrid position/force controller for a robot manipulator using neural networks |
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: 20220802 |
|
CF01 | Termination of patent right due to non-payment of annual fee |