CN113378363A - 一种实时的工业机械臂故障辨识方法 - Google Patents
一种实时的工业机械臂故障辨识方法 Download PDFInfo
- Publication number
- CN113378363A CN113378363A CN202110589534.2A CN202110589534A CN113378363A CN 113378363 A CN113378363 A CN 113378363A CN 202110589534 A CN202110589534 A CN 202110589534A CN 113378363 A CN113378363 A CN 113378363A
- Authority
- CN
- China
- Prior art keywords
- mechanical arm
- time
- representing
- matrix
- real
- 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
- 238000000034 method Methods 0.000 title claims abstract description 18
- 239000011159 matrix material Substances 0.000 claims description 21
- 230000001960 triggered effect Effects 0.000 claims description 6
- 230000001133 acceleration Effects 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 claims description 3
- 230000005484 gravity Effects 0.000 claims description 3
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/15—Correlation function computation including computation of convolution operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/17—Mechanical parametric or variational design
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Geometry (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Hardware Design (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Algebra (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Feedback Control In General (AREA)
Abstract
一种实时的工业机械臂故障辨识方法,先对六轴工业机械臂进行动力学建模;将系统动力学模型离散化并转化为状态空间方程,构造迭代中间观测器,通过在线迭代的方式估计出执行器故障信号。本发明的方法考虑了工业机械臂系统发生执行器故障的现象,并且本发明不只局限于此实例,同时其估计结果可以满足实际应用的精度与实时性要求。
Description
技术领域
本发明属于网络安全技术领域,具体针对工业机械臂系统存在的实时执行器故障辨识问题,提出了一种迭代中间观测器的解决方法。
背景技术
随着“工业4.0”的提出以及工业化进程的加速,工业机械臂系统发挥的作用日益显著。在系统运行的过程中,不可避免地会受到故障的影响,此时若能对故障作出辨识,无疑有着重要的作用。在实际的工业生产中,由于工业机械臂是快速响应系统,需要对故障进行实时辨识,由于工业机械臂是非线性、时变系统,从而致使观测器难以对故障作出实时准确估计。
对工业机械臂系统进行实时故障辨识,传统方法有着一定的局限性。在现有技术中,有鲁棒观测器、中间观测器。这些观测器均具有一定的鲁棒性。然而标称的中间观测器,虽然具有一定的鲁棒性,但是仅仅通过调节参数,无法得到理想的效果。H∞基于LMI求解,保守性过强,易导致LMI无解。滑模观测器需要故障的先验信息,例如故障导数的上界、故障本身的上界,但是这些信息在实际情况中无法获取。
发明内容
为了克服已有技术的不足,本发明提出了一种实时的工业机械臂故障辨识方法,它偏向工程,更适用于实际工业情况。具体地说,它通过引入一个中间变量,构造一个迭代中间观测器来同时估计状态和故障。
本发明解决其技术问题所采用的技术方案是:
一种实时的工业机械臂故障辨识方法,包括以下步骤
步骤1)建立一个非线性机械臂动力学方程:
其中
x(t)是第t时刻的状态,y(t)是第t时刻的系统输出,T为离散采样时间,O3×3表示3行3列的零矩阵,I3×3表示3行3列的单位矩阵,M-1(x1)表示惯性矩阵的逆矩阵;
步骤2)构造中间观测器,过程如下:
2.1)引入中间变量
ξ(t)=τf(t)-wB'(t)x(t) (3)
其中上标“′”表示矩阵的转置,ξ(t)表示中间变量,ω是调优参数;
2.2)基于中间变量,设计中间观测器如(4)所示;
2.3)通过收集λ∈N个观测值,写出从第i个传感器的值
其中
Y(t)=Qz(t) (5)
其中z(t)即所需要估计的状态变量;
进一步,所述步骤3)的步骤如下;
3.4)循环3.2)-3.3)直到迭代次数m超过设定的次数v1,即m>v1;
3.6)对3.2)-3.5)进行循坏,直到k到达设定的计数值α1,即k≥α1;
本发明的有益效果主要表现在:通过引入一个中间变量,构造投影李雅普诺夫函数来实现对故障信号的实时估计。
附图说明
图1是机械臂故障辨识图。
图2是机械臂故障辨识时间图。
具体实施方式
下面结合附图对本发明作进一步描述。
参照图1和图2,一种实时的工业机械臂故障辨识方法,包括以下步骤
步骤1)建立一个非线性机械臂动力学方程:
其中
x(t)是第t时刻的状态,y(t)是第t时刻的系统输出,T为离散采样时间,O3×3表示3行3列的零矩阵,I3×3表示3行3列的单位矩阵,M-1(x1)表示惯性矩阵的逆矩阵;
步骤2)构造中间观测器,过程如下:
2.4)引入中间变量
ξ(t)=τf(t)-wB'(t)x(t) (3)
其中上标“′”表示矩阵的转置,ξ(t)表示中间变量,ω是调优参数;
2.5)基于中间变量,设计中间观测器如(4)所示;
2.6)通过收集λ∈N个观测值,写出从第i个传感器的值
其中
Y(t)=Qz(t) (5)
其中z(t)即所需要估计的状态变量;
进一步,所述步骤3)的步骤如下;
3.4)循环3.2)-3.3)直到迭代次数m超过设定的次数v1,即m>v1;
3.6)对3.2)-3.5)进行循坏,直到k到达设定的计数值α1,即k≥α1;
此处α1为50,υ1是预置的采样时刻取20,η1取0.05。本发明提供了一种基于迭代中间观测器的实时故障辨识法,它通过引入一个中间变量,构造投影李雅普诺夫函数来实现对故障信号的实时估计。
实验所用机器人平台为史陶比尔TX90型机器人,串联结构,有着6个旋转关节,其控制周期为16毫秒,可获得机械臂的位置信息。采用基于STARC技术的CS8C控制器,该控制器使用了当前的最新PC控制和光纤通讯、数字和现场总线控制技术。机械臂控制板通过六个伺服驱动器控制六个伺服马达。
从实验结果可以看出,基于迭代中间观测器的故障辨识方法对执行器故障有着良好的辨识效果。
本说明书的实施例所述的内容仅仅是对发明构思的实现形式的列举,仅作说明用途。本发明的保护范围不应当被视为仅限于本实施例所陈述的具体形式,本发明的保护范围也及于本领域的普通技术人员根据本发明构思所能想到的等同技术手段。
Claims (2)
1.一种实时的工业机械臂故障辨识方法,其特征在于,所述方法包括以下步骤步骤1)建立一个非线性机械臂动力学方程:
其中
x(t)是第t时刻的状态,y(t)是第t时刻的系统输出,T为离散采样时间,O3×3表示3行3列的零矩阵,I3×3表示3行3列的单位矩阵,M-1(x1)表示惯性矩阵的逆矩阵;
步骤2)构造中间观测器,过程如下:
2.1)引入中间变量
ξ(t)=τf(t)-wB'(t)x(t) (3)
其中上标“′”表示矩阵的转置,ξ(t)表示中间变量,ω是调优参数;
2.2)基于中间变量,设计中间观测器如(4)所示;
2.3)通过收集λ∈N个观测值,写出从第i个传感器的值
其中
Γ(t)=A(t)+ωB(t)B'(t)
Y(t)=Qz(t) (5)
其中z(t)即所需要估计的状态变量;
2.如权利要求1所述的一种实时的工业机械臂故障辨识方法,所述步骤3)的具体过程如下;
3.4)循环3.2)-3.3)直到迭代次数m超过设定的次数v1,即m>v1。
3.6)对3.2)-3.5)进行循坏,直到k到达设定的计数值α1,即k≥α1。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110589534.2A CN113378363A (zh) | 2021-05-28 | 2021-05-28 | 一种实时的工业机械臂故障辨识方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110589534.2A CN113378363A (zh) | 2021-05-28 | 2021-05-28 | 一种实时的工业机械臂故障辨识方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113378363A true CN113378363A (zh) | 2021-09-10 |
Family
ID=77574714
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110589534.2A Pending CN113378363A (zh) | 2021-05-28 | 2021-05-28 | 一种实时的工业机械臂故障辨识方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113378363A (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104570741A (zh) * | 2015-01-22 | 2015-04-29 | 华南理工大学 | 一种柔性机械臂横向振动pd边界控制模拟方法 |
CN108791560A (zh) * | 2018-05-23 | 2018-11-13 | 哈尔滨理工大学 | 一种可协同调控多足机器人的单腿操作和机体平移的遥操作系统及控制方法 |
CN110076783A (zh) * | 2019-06-14 | 2019-08-02 | 北京邮电大学 | 一种基于模糊控制和李雅普诺夫函数的平面欠驱动机械臂位置控制方法 |
CN110170992A (zh) * | 2019-04-02 | 2019-08-27 | 长春工业大学 | 一种基于动态规划的模块化机械臂多故障容错控制方法 |
CN110673469A (zh) * | 2019-07-23 | 2020-01-10 | 华南理工大学 | 一种基于反步迭代学习的欧拉-伯努利梁的振动控制方法 |
CN110744540A (zh) * | 2019-09-26 | 2020-02-04 | 北京航天测控技术有限公司 | 一种工业机器人变阻抗控制器参数整定的方法 |
CN110877333A (zh) * | 2019-04-12 | 2020-03-13 | 国网宁夏电力有限公司电力科学研究院 | 一种柔性关节机械臂控制方法 |
CN112506052A (zh) * | 2020-11-24 | 2021-03-16 | 西北工业大学 | 一种水下考古机器人抗云台转动干扰控制方法 |
-
2021
- 2021-05-28 CN CN202110589534.2A patent/CN113378363A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104570741A (zh) * | 2015-01-22 | 2015-04-29 | 华南理工大学 | 一种柔性机械臂横向振动pd边界控制模拟方法 |
CN108791560A (zh) * | 2018-05-23 | 2018-11-13 | 哈尔滨理工大学 | 一种可协同调控多足机器人的单腿操作和机体平移的遥操作系统及控制方法 |
CN110170992A (zh) * | 2019-04-02 | 2019-08-27 | 长春工业大学 | 一种基于动态规划的模块化机械臂多故障容错控制方法 |
CN110877333A (zh) * | 2019-04-12 | 2020-03-13 | 国网宁夏电力有限公司电力科学研究院 | 一种柔性关节机械臂控制方法 |
CN110076783A (zh) * | 2019-06-14 | 2019-08-02 | 北京邮电大学 | 一种基于模糊控制和李雅普诺夫函数的平面欠驱动机械臂位置控制方法 |
CN110673469A (zh) * | 2019-07-23 | 2020-01-10 | 华南理工大学 | 一种基于反步迭代学习的欧拉-伯努利梁的振动控制方法 |
CN110744540A (zh) * | 2019-09-26 | 2020-02-04 | 北京航天测控技术有限公司 | 一种工业机器人变阻抗控制器参数整定的方法 |
CN112506052A (zh) * | 2020-11-24 | 2021-03-16 | 西北工业大学 | 一种水下考古机器人抗云台转动干扰控制方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107662208B (zh) | 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 | |
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 | |
CN113589689B (zh) | 一种基于多参数自适应神经网络的滑模控制器设计方法 | |
CN112987567B (zh) | 非线性系统的固定时间自适应神经网络滑模控制方法 | |
CN107160398B (zh) | 基于确定学习的全状态受限刚性机械臂安全可靠控制方法 | |
CN105912009B (zh) | 基于极点配置和模糊自抗扰控制技术的四旋翼飞行器控制方法 | |
CN107193211B (zh) | 基于自抗扰和反演技术的单臂机械手控制器及其设计方法 | |
CN110275436A (zh) | 一种多单臂机械手的rbf神经网络自适应控制方法 | |
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 | |
Sierra et al. | Wind and payload disturbance rejection control based on adaptive neural estimators: application on quadrotors | |
CN108594837A (zh) | 基于pd-smc和rise的无模型四旋翼无人机轨迹跟踪控制器及方法 | |
CN103439975A (zh) | 一种分布式指数时变滑模姿态协同跟踪控制方法 | |
CN109062240B (zh) | 一种基于神经网络估计的刚性飞行器固定时间自适应姿态跟踪控制方法 | |
CN106773684B (zh) | 基于智能学习评价的柔性机械臂复合控制方法 | |
CN109352656A (zh) | 一种具有时变输出约束的多关节机械臂控制方法 | |
CN114138010B (zh) | 一种基于加权偏差的多智能体高阶滑模编队控制方法 | |
CN107577146A (zh) | 基于摩擦整体逼近的伺服系统的神经网络自适应控制方法 | |
CN114800519B (zh) | 一种考虑摩擦的六自由度工业机器人动力学参数辨识方法 | |
Yang et al. | Modeling and adaptive neural network control for a soft robotic arm with prescribed motion constraints | |
Ng et al. | Model predictive control and transfer learning of hybrid systems using lifting linearization applied to cable suspension systems | |
CN114063457A (zh) | 一种机械臂系统的事件触发容错控制方法 | |
CN114326405A (zh) | 一种基于误差训练的神经网络反步控制方法 | |
CN117452975A (zh) | 一种四旋翼无人机集群的保性能协同编队控制设计方法 | |
CN113378363A (zh) | 一种实时的工业机械臂故障辨识方法 | |
CN113219842B (zh) | 基于自适应动态规划的机械臂最优跟踪控制方法、系统、处理设备、存储介质 |
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 |