CN113406886A - 单连杆机械臂的模糊自适应控制方法、系统及存储介质 - Google Patents

单连杆机械臂的模糊自适应控制方法、系统及存储介质 Download PDF

Info

Publication number
CN113406886A
CN113406886A CN202110689516.1A CN202110689516A CN113406886A CN 113406886 A CN113406886 A CN 113406886A CN 202110689516 A CN202110689516 A CN 202110689516A CN 113406886 A CN113406886 A CN 113406886A
Authority
CN
China
Prior art keywords
model
trigger
adaptive
fuzzy
controller
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
Application number
CN202110689516.1A
Other languages
English (en)
Other versions
CN113406886B (zh
Inventor
王建晖
马灿洪
黄堃锋
张烨
巩琪娟
洪嘉纯
严彦成
吴宇深
朱厚耀
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.)
Guangzhou University
Original Assignee
Guangzhou University
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 Guangzhou University filed Critical Guangzhou University
Priority to CN202110689516.1A priority Critical patent/CN113406886B/zh
Publication of CN113406886A publication Critical patent/CN113406886A/zh
Application granted granted Critical
Publication of CN113406886B publication Critical patent/CN113406886B/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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Abstract

本发明公开了一种单连杆机械臂的模糊自适应控制方法、系统及存储介质，包括步骤：建立单连杆机械臂的非线性模型及磁滞模型；所述非线性模型的输入为磁滞的线性函数；根据误差模型及所述非线性模型确定虚拟控制器模型及虚拟自适应律；根据所述非线性模型及事件触发模型确定模糊自适应触发控制器模型及触发自适应律；所述事件触发模型根据动态阈值进行更新；根据所述虚拟控制器模型、所述虚拟自适应律、所述模糊自适应触发控制器模型及所述触发自适应律对单连杆机械臂的执行器进行控制。本发明实施例，能够实现迟滞的动态补偿，在有限时间内收敛且可以节省通信资源，可广泛应用于工业自动控制领域。

Description

单连杆机械臂的模糊自适应控制方法、系统及存储介质
技术领域
本发明涉及工业自动控制领域，尤其涉及一种单连杆机械臂的模糊自适应控制方法、系统及存储介质。
背景技术
近年来，随着机器人技术的发展，应用高速度、高精度、高负载自重比的机器人结构受到工业和航空航天领域的关注。在机械臂系统的实际控制过程中滞回现象普遍存在。这种滞后现象会降低系统的跟踪性能，影响控制系统的稳定性，因此如何补偿这种迟滞现象，使系统具有良好的性能是一个热点话题。此外，在实际的控制系统中，由于网络传输资源是非常有限，而系统要求的控制量相当大，因此在考虑输入迟滞的同时节约网络通信带宽也是一个迫切需要解决的问题。
术语解释
有限时间控制方法：指在设定时间的区间内，系统状态轨迹在预定的界限内达到平衡。
反步设计法：通过递归地构造闭环系统的Lyapunov函数获得反馈控制器，选取控制律使得Lyapunov函数沿闭环系统轨迹的导数具有某种性能，使闭环系统轨迹的有界性和收敛到平衡点，所选取的控制律就是系统镇定问题、跟踪问题、干扰抑制问题或者几种问题综合的解。
不确定非线性系统：指同时具有不确定系统和非线性系统特点的系统，即其输出不与其输入成正比，同时带有不确定参数、不确定动力学(系统摄动)及外干扰的系统。
时间触发：间隔固定的周期进行触发。
事件触发机制：根据系统当前的状态决定是否触发，如果系统状态满足触发条件才进行各种操作。
滞环：测量设备输出量与先前输入量顺序有关的一种特性。当输入量分别由增加方向、减小方向到达同一量时，两输出量之差称为滞后误差。
李雅普洛夫稳定性(Lyapunov stability)：在自动控制领域中，李雅普诺夫稳定性可用来描述一个动力系统的稳定性。如果此动力系统任何初始条件在平衡态附近的轨迹均能维持在平衡态附近，那么可以称为在处李雅普诺夫稳定。李雅普诺夫稳定性可用在线性及非线性的系统中。不过线性系统的稳定性可由其他方式求得，因此李雅普诺夫稳定性多半用来分析非线性系统的稳定性。李亚普诺夫稳定性的概念可以延伸到无限维的流形，即为结构稳定性，是考虑微分方程中一群不同但“接近”的解的行为。输入-状态稳定性(ISS)则是将李雅普诺夫稳定性应用在有输入的系统。若任何初始条件在平衡态附近的轨迹最后都趋近，那么该系统可以称为在处渐近稳定。指数稳定可用来保证系统最小的衰减速率，也可以估计轨迹收敛的快慢。
自适应补偿(Adaptive compensation)：是根据系统执行器的冗余情况，设计自适应补偿控制律，利用有效的执行器，达到跟踪参考模型运动的控制目的，同时保持较好的动态和稳态性能的控制方法，其主要解决对于MIMO非线性系统执行器故障的容错控制问题。
模糊逻辑系统(Fuzzy Logic Systems，FLSs)：模糊逻辑系统是指利用模糊概念和模糊逻辑构成的系统。当它被用来充当控制器时，就称为模糊逻辑控制器(Fuzzy LogicController)。由于在选择模糊概念和模糊逻辑上的随意性，可以构造出多种多样的模糊逻辑系统。最常见的模糊逻辑系统有三类：纯模糊逻辑系统、高木-关野模糊逻辑系统和具有模糊产生器以及模糊消除器的模糊逻辑系统。
芝诺行为(Zeno behavior)：指在事件触发控制中，控制在有限时间内发生无限次触发。
发明内容
有鉴于此，本发明实施例的目的是提供单连杆机械臂的模糊自适应控制方法、系统及存储介质，能够实现迟滞的动态补偿，在有限时间内收敛且可以节省通信资源。
第一方面，本发明实施例提供了一种单连杆机械臂的模糊自适应控制方法，包括步骤：
建立单连杆机械臂的非线性模型及磁滞模型；所述非线性模型的输入为磁滞的线性函数；
根据误差模型及所述非线性模型确定虚拟控制器模型及虚拟自适应律；
根据所述非线性模型及事件触发模型确定模糊自适应触发控制器模型及触发自适应律；所述事件触发模型根据动态阈值进行更新；
根据所述虚拟控制器模型、所述虚拟自适应律、所述模糊自适应触发控制器模型及所述触发自适应律对单连杆机械臂的执行器进行控制。
可选地，所述磁滞模型根据输出信号相对时间的导函数及输入信号相对时间的导函数确定。
可选地，所述事件触发模型根据触发控制输入信号确定所述动态阈值。
可选地，所述虚拟控制器模型根据误差变量的指数函数及已知非线性系统函数确定。
可选地，所述根据所述非线性模型及事件触发模型确定模糊自适应触发控制器模型及触发自适应律，包括步骤：
根据非线性模型及误差变量确定事件触发函数；
根据所述事件触发函数及事件触发模型确定模糊自适应触发控制器模型及触发自适应律。
第二方面，本发明实施例提供了一种单连杆机械臂的模糊自适应控制系统，包括：
第一模型确定模块，用于建立单连杆机械臂的非线性模型及磁滞模型；所述非线性模型的输入为磁滞的线性函数；
第二模型确定模块，用于根据误差模型及所述非线性模型确定虚拟控制器模型及虚拟自适应律；
第三模型确定模块，用于根据所述非线性模型及事件触发模型确定模糊自适应触发控制器模型及触发自适应律；所述事件触发模型根据动态阈值进行更新；
综合控制模块，用于根据所述虚拟控制器模型、所述虚拟自适应律、所述模糊自适应触发控制器模型及所述触发自适应律对单连杆机械臂的执行器进行控制。
第三方面，本发明实施例提供了一种单连杆机械臂的模糊自适应控制系统，包括：
至少一个处理器；
至少一个存储器，用于存储至少一个程序；
当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现第一方面实施例所述的模糊自适应控制方法。
第四方面，本发明实施例提供了一种存储介质，其中存储有处理器可执行的程序，所述处理器可执行的程序在由处理器执行时用于执行第一方面实施例所述的模糊自适应控制方法。
第五方面实施例一种单连杆机械臂的模糊自适应控制系统，包括控制器、执行器及单连杆机械臂，所述执行器连接所述控制器及所述单连杆机械臂，所述控制器包括：
至少一个处理器；
至少一个存储器，用于存储至少一个程序；
当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现第一方面实施例所述的模糊自适应控制方法。
实施本发明实施例包括以下有益效果：本发明实施例中的非线性模型考虑输入迟滞的影响，事件触发模型根据动态阈值进行更新，并根据误差模型及非线性模型确定虚拟控制虚拟控制器及虚拟自适应律，以及根据事件触发模型及非线性模型确定模糊自适应触发控制器模型及触发自适应律；从而实现迟滞的动态补充及节省通信资源，以及在有限时间内收敛。
附图说明
图1是本发明实施例提供的一种单连杆机械臂的模糊自适应控制方法的步骤流程示意图；
图2是本发明实施例提供的一种单连杆机械臂的模糊自适应控制系统的结构框图；
图3是本发明实施例提供的一种单连杆机械臂的模糊自适应控制系统的仿真流程图；
图4是本发明实施例提供的一种单连杆机械臂的模糊自适应控制系统的系统输出信号和参考输出信号的对比图；
图5是本发明实施例提供的一种单连杆机械臂的模糊自适应控制系统的跟踪误差图；
图6是本发明实施例提供的一种单连杆机械臂在一般情况下的控制输入和采用本发明实施例中的触发控制输入的信号对比图；
图7是本发明实施例提供的一种单连杆机械臂的模糊自适应控制系统的执行时间间隔图；
图8是本发明实施例提供的第二种单连杆机械臂的模糊自适应控制系统的结构框图；
图9是本发明实施例提供的第三种单连杆机械臂的模糊自适应控制系统的结构框图。
具体实施方式
下面结合附图和具体实施例对本发明做进一步的详细说明。对于以下实施例中的步骤编号，其仅为了便于阐述说明而设置，对步骤之间的顺序不做任何限定，实施例中的各步骤的执行顺序均可根据本领域技术人员的理解来进行适应性调整。
如图1所示，本发明实施例提供了一种单连杆机械臂的模糊自适应控制方法，其包括的步骤如下所示。
S100、建立单连杆机械臂的非线性模型及磁滞模型；所述非线性模型的输入为磁滞的线性函数。
可选地，所述磁滞模型根据输出信号相对时间的导函数及输入信号相对时间的导函数确定。
具体地，考虑如下单连杆机械臂系统，考虑以下一类不确定的非线性系统：
Figure BDA0003125661950000041
其中，x＝[x1,…,xn]T∈Rn是系统的状态变量；u(t)是系统的输入信号；fi(·)∈R,(i＝1,…,n)是系统中的不确定非线性函数，
Figure BDA0003125661950000051
是系统中已知的光滑非线性函数；q∈R表示未知的常量参数。
考虑到系统中存在输入磁滞，将系统输出响应表示为vc＝B(uc)，其中uc为所设计的控制器。磁滞模型可以表示为：
Figure BDA0003125661950000052
其中A，
Figure BDA0003125661950000053
和B是常量，
Figure BDA0003125661950000054
且
Figure BDA0003125661950000055
由此可以得到：
Figure BDA0003125661950000056
其中p(uc)表示有界变量。设p＝p(uc)，输入磁滞的模型可以表示为：
Figure BDA0003125661950000057
S200、根据误差模型及所述非线性模型确定虚拟控制器模型及虚拟自适应律。
可选地，所述虚拟控制器模型根据误差变量的指数函数及已知非线性系统函数确定。
综上所述，设计单连杆机械臂的非线性系统为：
Figure BDA0003125661950000058
其中，x1表示位移，x2表示速度，I是惯性，m是质量，G是重力加速度，l为质心到关节的长度，B是粘性摩擦系数，dk是未知的干扰。
具体地，引入以下误差方程：
Figure BDA0003125661950000059
式中αi(i＝1,2)为虚拟控制律，zi(i＝1,2)为误差变量。在设计程序之前，定义
Figure BDA00031256619500000510
设计过程如下所示。
步骤1设计虚拟控制律为
Figure BDA0003125661950000061
式中，c1是一个正常量，ξ1(·):Rn→Rr是已知的γ阶(γ≥1)光滑非线性函数，β是一个常量，满足
Figure BDA0003125661950000062
是未知参数变量θ1的估计值，即
Figure BDA0003125661950000063
Γ1是一个r×r阶的正定矩阵。
设计自适应律为：
Figure BDA0003125661950000064
步骤2设计虚拟控制律α2为：
Figure BDA0003125661950000065
S300、根据所述非线性模型及事件触发模型确定模糊自适应触发控制器模型及触发自适应律；所述事件触发模型根据动态阈值进行更新；
可选地，所述事件触发模型根据触发控制输入信号确定所述动态阈值。
具体地，由于通信信道带宽和计算能力的限制，为了节省通信网络的网络资源，考虑以下事件触发方案：
Figure BDA0003125661950000066
其中tk，k∈R+表示控制器的触发时刻，tk+1为下一个触发时刻。w(t)为事件触发控制器的输入，fE(·)是变化的阈值。
可选地，所述根据所述非线性模型及事件触发模型确定模糊自适应触发控制器模型及触发自适应律，包括步骤：
根据非线性模型及误差变量确定事件触发函数；
根据所述事件触发函数及事件触发模型确定模糊自适应触发控制器模型及触发自适应律。
具体地，在控制策略中，采用模糊逻辑系统(FLS)逼近未知的连续函数。
KTΓ(X)表示FLSs中的估计参数向量；K＝(K1,K2,…,KN)T是参数变量；Γ(X)＝(Γ1(X),Γ2(X),…,ΓN(X))表示已知的模糊基函数向量；N表示模糊规则的个数；X＝[x1,x2,…,xk]是近似器的输入向量。设区域中心为
Figure BDA0003125661950000071
则模糊基函数Γi(X)为：
Figure BDA0003125661950000072
假设1、q的方向已知但大小未知，q≠0，
Figure BDA0003125661950000073
假设2、期望信号r已知且有界，存在3阶导数。
具体地，事件触发通信方案的触发条件基于控制信号uc(t)的变化，是一种非周期性的事件触发机制。当控制信号uc(t)的变化超过一个阈值时，才对触发器的输出信号进行更新，使更新间隔变长，从而节省资源的目的。在系统运行过程中，随着系统状态逐渐趋于稳定，触发器更新的频率逐渐减小，然后只需消耗更小的资源便能保持系统稳定。事件触发方案的定义如下：
Figure BDA0003125661950000074
其中，tk>0，k∈Z+，γ1＝|w(t)-uc(t)|，σ>0，m1>0，
Figure BDA0003125661950000075
0<δ<1，m1为常数型参数。
u是控制律，定义为：
Figure BDA0003125661950000076
其中，参数
Figure BDA0003125661950000077
和p在实际情况中是存在的，但是未知，这使得后续的分析十分复杂。为解决这问题，本文设
Figure BDA0003125661950000078
为
Figure BDA0003125661950000079
的估计值，
Figure BDA00031256619500000710
为
Figure BDA00031256619500000711
的估计值，其中，
Figure BDA00031256619500000712
设计自适应律为：
Figure BDA00031256619500000713
Figure BDA00031256619500000714
Figure BDA0003125661950000081
S400、根据所述虚拟控制器模型、所述虚拟自适应律、所述模糊自适应触发控制器模型及所述触发自适应律对单连杆机械臂的执行器进行控制。
如图2所示，虚拟控制器模型应用于虚拟控制器，虚拟控制器包含有自适应律；模糊自适应触发控制器模型应用于模糊自适应触发控制器，模糊自适应触发控制器包含有触发自适应律；本发明实施例中单连杆机械臂包括虚拟控制器及其对应的虚拟自适应律、模糊自适应触发控制器及其对应的触发自适应律共同组成控制器，控制器对执行器进行控制。
实施本发明实施例包括以下有益效果：本发明实施例中的非线性模型考虑输入迟滞的影响，事件触发模型根据动态阈值进行更新，并根据误差模型及非线性模型确定虚拟控制虚拟控制器及虚拟自适应律，以及根据事件触发模型及非线性模型确定模糊自适应触发控制器模型及触发自适应律；从而实现迟滞的动态补充及节省通信资源，以及在有限时间内收敛。
本发明实施例的系统稳定性分析如下。
首先，选择Lyapunov函数Vi可表示为
Figure BDA0003125661950000082
Figure BDA0003125661950000083
根据理论分析，对于任意0<κi<1，存在一个正的常量
Figure BDA0003125661950000084
其中ai和bi是常量，设
Figure BDA0003125661950000085
其中，0<κi<1，0<β<1，当
Figure BDA0003125661950000086
时，结合虚拟控制律和自适应律分析，根据理论分析可以得到
Figure BDA0003125661950000087
由式(18)可以推导出Vi是有界的。zi，
Figure BDA0003125661950000088
和
Figure BDA0003125661950000089
都是有界的，另外θi，τ和k都是常量，因此
Figure BDA00031256619500000810
和
Figure BDA00031256619500000811
也是有界的。同时，z1＝y-r和r是有界的，表明y是有界的。可以看出，x1在概率上是半全局一致有界的。α1由z1和
Figure BDA00031256619500000812
组成，因此α1有界，意味着x1也是有界的。同理，x2都是有界的。这意味这控制律
Figure BDA00031256619500000813
也有界。因此，闭环系统的所有输出和跟踪误差都是有界的。此外，上述结果需要满足
Figure BDA00031256619500000814
根据上述分析，可以证明本申请提出的方法可以在有限时间内，使得所有的输出y1，y2都能定位到给定信号r1，r2的一个小区域。
因为
Figure BDA0003125661950000091
e(tk)＝0，根据拉格朗日中值定理可以分析得到
Figure BDA0003125661950000092
因此，在保证时间区间t*的下界满足
Figure BDA0003125661950000093
情况下，系统可以有效地避免Zeno行为。
下面以一个具体实施例进行说明。
参照图3的仿真流程图，首先确定参考输入r、初始跟踪误差、及控制器参数c1、c2；然后确定单连杆机械人手臂模型，初始化部分参数及确定触发自适应律
Figure BDA0003125661950000094
然后确定跟踪误差模型，虚拟控制器的虚拟控制律α1α2；然后确定模糊自适应触发控制器的、
控制律
Figure BDA0003125661950000099
将上述确定的模型作用于事件触发器并进行迭代，迭代次数满足要求则仿真结束。
设置干扰障碍为dk＝sin(t)；参考信号为r＝sin(t)。
模糊自适应控制器隶属度函数如下:
Figure BDA0003125661950000095
选择参数：Γ1＝Γ2＝1，q＝1，γ1＝γ2＝1，
Figure BDA0003125661950000096
a1＝1，a2＝10，ζ＝1，λ1＝0.8，λ2＝0.8，c1＝10，c2＝15，σ＝40，δ＝0.2，m1＝0.6，
Figure BDA0003125661950000097
q＝1；m＝1；g＝9.8；l＝0.4；B＝1；
Figure BDA0003125661950000098
初始值x1(0)＝0.3。
图4-图7为对应的仿真结果，仿真结果表明：该控制方法实现了单连杆机械臂的跟踪控制，且实现系统的全局一致有界状态，保证系统在有限时间内的性能。从图4和图5可以看出，在输出初值为0.3状态下，系统可以在有限时间内实现快速跟踪，使跟踪误差从0.3迅速接近与0，并保持在0.05的预期误差范围内波动，后续系统输出与参考输入几乎重合，实现精准跟踪。在图6中，虚线为连续控制信号输入，实线为阶梯式事件触发控制输入，由此可见，可以很好的节省带宽资源。图7中的结果显示，最低宽带为0.04s，最高宽带为0.31s,说明触发频率较低，可有效节省带宽资源。从表1可以看出，它在0到2秒之间节省了85.5％的带宽，在2到4秒之间节省了87％的带宽，在4到6秒之间节省了90.5％的带宽，在6到8秒之间节省了88％的带宽，在8到10秒之间节省了86.5％的带宽。它在10秒内节省87.5％的带宽。由此可以看出，该控制方法既实现了单臂的跟踪控制，又达到了节省带宽的效果。
表1、单连杆机械臂随时间的触发次数
时间(s) 0-2 2-4 4-6 6-8 8-10
触发次数 29 26 19 24 27
如图8所示，本发明实施例提供了一种单连杆机械臂的模糊自适应控制系统，包括：
第一模型确定模块，用于建立单连杆机械臂的非线性模型及磁滞模型；所述非线性模型的输入为磁滞的线性函数；
第二模型确定模块，用于根据误差模型及所述非线性模型确定虚拟控制器模型及虚拟自适应律；
第三模型确定模块，用于根据所述非线性模型及事件触发模型确定模糊自适应触发控制器模型及触发自适应律；所述事件触发模型根据动态阈值进行更新；
综合控制模块，用于根据所述虚拟控制器模型、所述虚拟自适应律、所述模糊自适应触发控制器模型及所述触发自适应律对单连杆机械臂的执行器进行控制。
可见，上述方法实施例中的内容均适用于本系统实施例中，本系统实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
如图9所示，本发明实施例还提供了一种单连杆机械臂的模糊自适应控制系统，包括：
至少一个处理器；
至少一个存储器，用于存储至少一个程序；
当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现上述方法实施例所述的单连杆机械臂的模糊自适应控制方法步骤。
可见，上述方法实施例中的内容均适用于本系统实施例中，本系统实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
此外，本申请实施例还公开了一种计算机程序产品或计算机程序，计算机程序产品或计算机程序存储在计算机可读存介质中。计算机设备的处理器可以从计算机可读存储介质读取该计算机程序，处理器执行该计算机程序，使得该计算机设备执行上述单连杆机械臂的模糊自适应控制的方法。同样地，上述方法实施例中的内容均适用于本存储介质实施例中，本存储介质实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
如图2所示，本发明实施例还提供了一种单连杆机械臂的模糊自适应控制系统，包括控制器、执行器及单连杆机械臂，所述执行器连接所述控制器及所述单连杆机械臂，所述控制器包括：
至少一个处理器；
至少一个存储器，用于存储至少一个程序；
当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现上述的模糊自适应控制方法。
可见，上述方法实施例中的内容均适用于本系统实施例中，本系统实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
以上是对本发明的较佳实施进行了具体说明，但本发明创造并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做作出种种的等同变形或替换，这些等同的变形或替换均包含在本申请权利要求所限定的范围内。

Claims (9)

1.一种单连杆机械臂的模糊自适应控制方法，其特征在于，包括步骤：
建立单连杆机械臂的非线性模型及磁滞模型；所述非线性模型的输入为磁滞的线性函数；
根据误差模型及所述非线性模型确定虚拟控制器模型及虚拟自适应律；
根据所述非线性模型及事件触发模型确定模糊自适应触发控制器模型及触发自适应律；所述事件触发模型根据动态阈值进行更新；
根据所述虚拟控制器模型、所述虚拟自适应律、所述模糊自适应触发控制器模型及所述触发自适应律对单连杆机械臂的执行器进行控制。
2.根据权利要求1所述的单连杆机械臂的模糊自适应控制方法，其特征在于，所述磁滞模型根据输出信号相对时间的导函数及输入信号相对时间的导函数确定。
3.根据权利要求1所述的单连杆机械臂的模糊自适应控制方法，其特征在于，所述事件触发模型根据触发控制输入信号确定所述动态阈值。
4.根据权利要求1所述的单连杆机械臂的模糊自适应控制方法，其特征在于，所述虚拟控制器模型根据误差变量的指数函数及已知非线性系统函数确定。
5.根据权利要求1所述的单连杆机械臂的模糊自适应控制方法，其特征在于，所述根据所述非线性模型及事件触发模型确定模糊自适应触发控制器模型及触发自适应律，包括步骤：
根据非线性模型及误差变量确定事件触发函数；
根据所述事件触发函数及事件触发模型确定模糊自适应触发控制器模型及触发自适应律。
6.一种单连杆机械臂的模糊自适应控制系统，其特征在于，包括：
第一模型确定模块，用于建立单连杆机械臂的非线性模型及磁滞模型；所述非线性模型的输入为磁滞的线性函数；
第二模型确定模块，用于根据误差模型及所述非线性模型确定虚拟控制器模型及虚拟自适应律；
第三模型确定模块，用于根据所述非线性模型及事件触发模型确定模糊自适应触发控制器模型及触发自适应律；所述事件触发模型根据动态阈值进行更新；
综合控制模块，用于根据所述虚拟控制器模型、所述虚拟自适应律、所述模糊自适应触发控制器模型及所述触发自适应律对单连杆机械臂的执行器进行控制。
7.一种单连杆机械臂的模糊自适应控制系统，其特征在于，包括：
至少一个处理器；
至少一个存储器，用于存储至少一个程序；
当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现如权利要求1-5任一项所述的单连杆机械臂的模糊自适应控制方法。
8.一种存储介质，其中存储有处理器可执行的程序，其特征在于，所述处理器可执行的程序在由处理器执行时用于执行如权利要求1-5任一项所述的单连杆机械臂的模糊自适应控制方法。
9.一种单连杆机械臂的模糊自适应控制系统，其特征在于，包括控制器、执行器及单连杆机械臂，所述执行器连接所述控制器及所述单连杆机械臂，所述控制器包括：
至少一个处理器；
至少一个存储器，用于存储至少一个程序；
当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现如权利要求1-5任一项所述的单连杆机械臂的模糊自适应控制方法。
CN202110689516.1A 2021-06-22 2021-06-22 单连杆机械臂的模糊自适应控制方法、系统及存储介质 Active CN113406886B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110689516.1A CN113406886B (zh) 2021-06-22 2021-06-22 单连杆机械臂的模糊自适应控制方法、系统及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110689516.1A CN113406886B (zh) 2021-06-22 2021-06-22 单连杆机械臂的模糊自适应控制方法、系统及存储介质

Publications (2)

Publication Number Publication Date
CN113406886A true CN113406886A (zh) 2021-09-17
CN113406886B CN113406886B (zh) 2022-07-08

Family

ID=77682234

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110689516.1A Active CN113406886B (zh) 2021-06-22 2021-06-22 单连杆机械臂的模糊自适应控制方法、系统及存储介质

Country Status (1)

Country Link
CN (1) CN113406886B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114047694A (zh) * 2021-10-25 2022-02-15 南京理工大学 一种针对单连杆机械臂的自适应输出反馈控制方法
CN114185268A (zh) * 2021-11-18 2022-03-15 广州大学 一种带输入磁滞的机器人传输资源控制方法、系统及介质
CN114200831A (zh) * 2021-11-18 2022-03-18 广州大学 一种带输入磁滞的机器人混合时间控制方法、系统及介质
CN117359645A (zh) * 2023-12-04 2024-01-09 青岛理工大学 一种单连杆机械臂的自适应预定义时间控制方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2010109667A1 (ja) * 2009-03-27 2010-09-30 本田技研工業株式会社 プラントの制御装置
CN107450320A (zh) * 2017-08-22 2017-12-08 广州大学 一种执行器失效的模糊自适应补偿控制方法
CN109828468A (zh) * 2019-03-04 2019-05-31 燕山大学 一种针对磁滞非线性机器人系统的控制方法
CN110687784A (zh) * 2019-09-16 2020-01-14 广东工业大学 一种针对非线性不确定系统的自适应事件触发控制方法
CN112099345A (zh) * 2020-08-03 2020-12-18 广州大学 一种基于输入磁滞的模糊跟踪控制方法、系统及介质

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2010109667A1 (ja) * 2009-03-27 2010-09-30 本田技研工業株式会社 プラントの制御装置
EP2413205A1 (en) * 2009-03-27 2012-02-01 Honda Motor Co., Ltd. Controller for plant
CN107450320A (zh) * 2017-08-22 2017-12-08 广州大学 一种执行器失效的模糊自适应补偿控制方法
CN109828468A (zh) * 2019-03-04 2019-05-31 燕山大学 一种针对磁滞非线性机器人系统的控制方法
CN110687784A (zh) * 2019-09-16 2020-01-14 广东工业大学 一种针对非线性不确定系统的自适应事件触发控制方法
CN112099345A (zh) * 2020-08-03 2020-12-18 广州大学 一种基于输入磁滞的模糊跟踪控制方法、系统及介质

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114047694A (zh) * 2021-10-25 2022-02-15 南京理工大学 一种针对单连杆机械臂的自适应输出反馈控制方法
CN114047694B (zh) * 2021-10-25 2024-04-05 南京理工大学 一种针对单连杆机械臂的自适应输出反馈控制方法
CN114185268A (zh) * 2021-11-18 2022-03-15 广州大学 一种带输入磁滞的机器人传输资源控制方法、系统及介质
CN114200831A (zh) * 2021-11-18 2022-03-18 广州大学 一种带输入磁滞的机器人混合时间控制方法、系统及介质
CN114200831B (zh) * 2021-11-18 2023-06-20 广州大学 一种带输入磁滞的机器人混合时间控制方法、系统及介质
CN114185268B (zh) * 2021-11-18 2023-06-20 广州大学 一种带输入磁滞的机器人传输资源控制方法、系统及介质
CN117359645A (zh) * 2023-12-04 2024-01-09 青岛理工大学 一种单连杆机械臂的自适应预定义时间控制方法
CN117359645B (zh) * 2023-12-04 2024-02-23 青岛理工大学 一种单连杆机械臂的自适应预定义时间控制方法

Also Published As

Publication number Publication date
CN113406886B (zh) 2022-07-08

Similar Documents

Publication Publication Date Title
CN113406886B (zh) 单连杆机械臂的模糊自适应控制方法、系统及存储介质
CN111596545B (zh) 一种多输入多输出机械系统自适应容错预设性能控制方法
Sun et al. Neural network-based adaptive controller design of robotic manipulators with an observer
CN107390529B (zh) 一种基于带宽节省的模糊自适应执行器失效补偿控制方法
Liu et al. Adaptive fixed-time hierarchical sliding mode control for switched under-actuated systems with dead-zone constraints via event-triggered strategy
CN113110059A (zh) 基于事件触发的单连杆机械臂系统实际跟踪的控制方法
CN113433825B (zh) 单连杆机械臂的自适应容错控制方法、系统及存储介质
Zhao et al. A predictive control-based approach to networked Hammerstein systems: Design and stability analysis
CN109062040B (zh) 基于系统嵌套优化的预测pid方法
CN107450320B (zh) 一种执行器失效的模糊自适应补偿控制方法
CN111439392B (zh) 一种航天器编队位置协同控制方法
Ye et al. Integral barrier Lyapunov function‐based adaptive fuzzy output feedback control for nonlinear delayed systems with time‐varying full‐state constraints
CN111221311A (zh) 基于参数变分法的复杂网络分布式脉冲同步方法及系统
CN111190350A (zh) 一种数据驱动的网络控制系统时延主动补偿控制方法
CN112904726B (zh) 一种基于误差重构权重更新的神经网络反步控制方法
Ling et al. A dead time compensation approach for multirate observer design with large measurement delays
CN115903842A (zh) 一种多智能体编队控制方法、系统及电子设备
CN113459083B (zh) 一种事件触发下的机械臂自适应固定时间控制方法及系统
CN114859725A (zh) 一种非线性系统自适应事件触发控制方法及系统
CN112685835B (zh) 车辆自主驾驶的弹性事件触发控制方法及系统
CN114200830A (zh) 一种多智能体一致性强化学习控制方法
Huang et al. Extended fuzzy adaptive event-triggered compensation control for uncertain nonlinear systems with input hysteresis
Zhao et al. Event-triggered low-computation adaptive output-feedback fuzzy tracking control of uncertain nonlinear systems
Zhu et al. Finite-time adaptive fuzzy output tracking of switched nonlinear systems with ISD-ADT
Chen et al. Reinforcement learning‐based event‐triggered optimal control for unknown nonlinear systems with input delay

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