CN113433825A - 单连杆机械臂的自适应容错控制方法、系统及存储介质 - Google Patents
单连杆机械臂的自适应容错控制方法、系统及存储介质 Download PDFInfo
- Publication number
- CN113433825A CN113433825A CN202110689517.6A CN202110689517A CN113433825A CN 113433825 A CN113433825 A CN 113433825A CN 202110689517 A CN202110689517 A CN 202110689517A CN 113433825 A CN113433825 A CN 113433825A
- Authority
- CN
- China
- Prior art keywords
- model
- failure
- adaptive
- nonlinear system
- determining
- 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
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]
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
本发明公开了一种单连杆机械臂的自适应容错控制方法、系统及存储介质,该控制方法包括:建立单连杆机械臂的失效非线性系统模型;根据失效非线性系统模型、实际跟踪误差及转换函数确定虚拟控制器模型及自适应律;转换函数的参数包括预设稳定时间;根据失效非线性系统模型及触发事件模型确定触发控制器模型及参数更新律;触发事件模型的参数包括更新时间;获取控制输入信号及预设稳定时间,并根据虚拟控制器模型、自适应律、触发控制器模型及参数更新律对单连杆机械臂的执行器进行控制。本发明实施例能够在预设的有限时间内收敛,节省网络带宽且全局统一有界收敛,可广泛应用于工业自动控制领域。
Description
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自适应容错控制方法、系统及存储介质。
背景技术
随着互联网技术和通信行业的发展,网络控制系统(NCSs)被广泛应用于许多实际系统中,如卫星通信、无人机、智能建筑、交通网络、工业控制领域等。由于通信信道带宽是固定的,无法在短期内增加且计算能力有限。而传统的时间触发控制中,系统状态采样和控制器的更新通常是周期性进行的,这将造成通信资源的浪费。为节省网络通信带宽,最大限度地利用带宽资源,事件触发控制得到了广泛的关注。然而,上述所考虑的系统都假定是完全已知的;在工业系统实际运行过程中,执行器难免发生不同程度的失效。这些执行器故障将导致系统不稳定,限制跟踪性能,甚至引发灾难性的事故。随着实际系统越来越复杂,要求越来越高,需要无限时间的渐近收敛已经不能满足系统运行的需要,所以出现了各种有限时间(FTC)控制方法。但是在现有的有限时间控制方法中,不能预先指定具体的稳定时间,因此,研究对于控制增益未知、状态不可测的不确定非线性系统,具有事件触发机制的定常时间跟踪控制问题在理论和实践上都具有重要意义。
术语解释
网络控制系统(NCSs):指控制回路的元件透过通讯网络交换资料的控制系统,控制系统的命令及回授是在网络中以封包的方式传送。
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,保证闭环系统轨迹的有界性和收敛到平衡点,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,当系统状态满足触发条件才进行各种操作。
神经网络系统:一种模仿动物神经网络行为特征,进行分布式并行信息处理的算法数学模型。这种网络依靠系统的复杂程度,通过调整内部大量节点之间相互连接的关系,从而达到处理信息的目的。
部分失效(PFs):因为部分损坏或缺乏动力等因素而导致执行器只产生部分有效输出。
完全失效(TFs):因为完全损坏或失灵而导致的执行器输出全部失效。
自适应补偿: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。
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一种单连杆机械臂的自适应容错控制方法、系统及存储介质,能够在预设的有限时间内收敛,节省网络带宽且全局统一有界收敛。
第一方面,本发明实施例提供了一种单连杆机械臂的自适应容错控制方法,包括步骤:
建立单连杆机械臂的失效非线性系统模型;所述失效非线性系统模型包括已知非线性系统和未知非线性系统;
根据所述失效非线性系统模型、实际跟踪误差及转换函数确定虚拟控制器模型及自适应律;所述转换函数的参数包括预设稳定时间;
根据所述失效非线性系统模型及触发事件模型确定触发控制器模型及参数更新律;所述触发事件模型的参数包括更新时间;
获取控制输入信号及所述预设稳定时间,并根据所述虚拟控制器模型、自适应律、触发控制器模型及参数更新律对单连杆机械臂的执行器进行控制。
可选地,所述建立单连杆机械臂的失效非线性系统模型,包括步骤:
建立单连杆机械臂关于位移和速度的已知非线性系统;
根据神经网络建立单连杆机械臂执行器完全失效或部分失效的未知非线性系统。
可选地,所述根据所述失效非线性系统模型、实际跟踪误差及转换函数确定虚拟控制器模型及自适应律,包括步骤:
根据所述失效非线性系统模型确定虚拟误差模型;
根据实际跟踪误差及转换函数确定误差转换模型;
根据所述误差转换模型确定虚拟控制器模型及自适应律。
可选地,所述根据所述误差转换模型确定虚拟控制器模型及自适应律,包括步骤:
根据所述误差转换模型确定第一虚拟控制器模型及所述第一虚拟控制器模型的第一自适应律;
根据所述误差转换模型确定第二虚拟控制器模型及所述第二虚拟控制器模型的第二自适应律。
可选地,所述根据所述失效非线性系统模型及触发事件模型确定触发控制器模型及参数更新律,包括步骤:
根据所述失效非线性系统模型及触发事件模型确定触发事件补偿模型;
根据所述触发事件补偿模型确定触发控制器模型及参数更新律。
第二方面,本发明实施例提供了一种单连杆机械臂的自适应容错控制系统,包括:
系统模型建立模块,用于建立单连杆机械臂的失效非线性系统模型;所述失效非线性系统模型包括已知非线性系统和未知非线性系统;
虚拟控制器模型确定模块,用于根据所述失效非线性系统模型、实际跟踪误差及转换函数确定虚拟控制器模型及自适应律;所述转换函数的参数包括预设稳定时间;
触发控制器模型确定模块,用于根据所述失效非线性系统模型及触发事件模型确定触发控制器模型及参数更新律;所述触发事件模型的参数包括更新时间;
综合控制模块,用于获取控制输入信号及所述预设稳定时间,并根据所述虚拟控制器模型、自适应律、触发控制器模型及参数更新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自适应容错控制系统,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自适应容错控制方法。
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自适应容错控制方法。
第五方面,本发明实施例提供了一种单连杆机械臂的自适应容错控制系统,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:
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自适应容错控制方法。
实施本发明实施例包括以下有益效果:本发明实施例通过包含有预设稳定时间的转换函数对实际跟踪误差进行非线性变换确定虚拟控制器模型,从而实现在预设的有限时间内收敛;通过包含有更新时间的触发事情模型确定触发控制器模型,从而实现节省网络带宽且全局统一有界收敛。
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自适应容错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自适应容错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采用本发明实施例中的自适应容错控制方法在部分失效时系统输出和参考输出的信号对比图;
图4是本发明实施例提供的一种单连杆机械臂在一般情况下正常控制输入和部分失效时控制输入的信号对比图;
图5是本发明实施例提供的一种单连杆机械臂采用本发明实施例中的自适应容错控制方法时正常控制输入和部分失效时控制输入的信号对比图;
图6是本发明实施例提供的一种单连杆机械臂采用本发明实施例中的自适应容错控制方法在部分失效时的跟踪误差;
图7是本发明实施例提供的一种单连杆机械臂采用本发明实施例中的自适应容错控制方法在部分失效时的事件触发量及时间间隔图;
图8是本发明实施例提供的一种单连杆机械臂采用本发明实施例中的自适应容错控制方法在完全失效时系统输出和参考输出的信号对比图;
图9是本发明实施例提供的一种单连杆机械臂在一般情况下正常控制输入和完全失效时控制输入的信号对比图;
图10是本发明实施例提供的一种单连杆机械臂采用本发明实施例中的自适应容错控制方法时正常控制输入和完全失效时控制输入的信号对比图;
图11是本发明实施例提供的一种单连杆机械臂采用本发明实施例中的自适应容错控制方法在完全失效时的跟踪误差;
图12是本发明实施例提供的一种单连杆机械臂采用本发明实施例中的自适应容错控制方法在完全失效时的事件触发量及时间间隔图;
图13是本发明实施例提供的一种单连杆机械臂的自适应容错控制系统的结构框图;
图14是本发明实施例提供的另一种单连杆机械臂的自适应容错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自适应容错控制方法,其包括的步骤如下所示。
S100、建立单连杆机械臂的失效非线性系统模型;所述失效非线性系统模型包括已知非线性系统和未知非线性系统。
具体地,根据单连杆机械臂几类不确定的非线性系统确定单连杆机械臂的非线性系统,并通过神经网络近似不确定失效的非线性系统。
可选地,所述建立单连杆机械臂的失效非线性系统模型,包括步骤:
建立单连杆机械臂关于位移和速度的已知非线性系统;
根据神经网络建立单连杆机械臂执行器完全失效或部分失效的未知非线性系统。
具体地,针对单连杆机械臂系统,考虑以下一类不确定的非线性系统:
其中,xi∈R,i=1,2,…,n是系统状态;uj(t)∈R(j=1,2,…,m)是系统的输入;y∈R是系统的输出,为系统中已知的光滑非线性函数;fi(·)∈R,(i=1,…,n)是系统中不确定的非线性函数;bj∈R为已知方向且未知大小的参数。
然后,考虑第j个执行器可能在运行期间失效,因此,在tiF瞬间的瞬时故障模型可以表示为:
其中,uPFj(t)是系统的输入;0≤ρj<1,tjF和uTFj都是不确定的常数。
在本申请实施例中,结合单连杆机械臂,考虑以下两种程度的执行器失效:一、执行器部分失效(PFs),这就意味着执行器输出uj(t)在运行时失去了一些性能,因此,这就有uj(t)=ρjuPFj(t)和0<ρj<1;二、执行器完全失效(TFs),这就意味着执行器输出uj(t)不再受uPFj(t)的影响,但受uTFj的影响,所以,这就有uj(t)=uTFj和ρj=0。
综上所述,设计单连杆机械臂的非线性系统为:
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,设置障碍为dk=sin(t)。
为了促进自适应控制器的设计和得到合适的自适应控制器,结合单连杆机械臂系统的实际情况,提出了以下假设:
假设1:在时间间隔[Tc,Tc+1),c=0,1,…,F中,设定M代表执行器全部失效,设定MPj代表其他没有全部失效的执行器,明确MPjUM={1,2,…,m},F是一个自然数。
假设2:全部失效的执行器的最大数量为m-1,但是部分失效的执行器的数量最多可以达到m,剩余的驱动力便可以达到控制目的。同时,任何执行器都不能多次发生状态转换。
设定T0=0,假设在时间间隔[Tc,Tc+1),c=0,1,…,F中,共有mj(0≤mj≤m)个执行器失效且没有出现新的执行器失效,显然,在时间间隔[T0,T1)中所有执行器都可以正常工作,新的执行器失效会出现在T1瞬间之后。从假设2中可得,TF是有限的,TF+1是无限的。
假设3:r是有界且已知的期望信号,此外,r具有n+1阶导数。
S200、根据所述失效非线性系统模型、实际跟踪误差及转换函数确定虚拟控制器模型及自适应律;所述转换函数的参数包括预设稳定时间。
具体地,为了达到实际规定的建立时间跟踪性能,可以引入以下转换函数:
需要说明的是,根据κ(t)的定义,以下有关转换的几个属性为:
2、为了确保变量在转换前后具有相同的初始值,它满足κ(0)=1。
可选地,所述根据所述失效非线性系统模型、实际跟踪误差及转换函数确定虚拟控制器模型及自适应律,包括步骤:
根据所述失效非线性系统模型确定虚拟误差模型;
根据实际跟踪误差及转换函数确定误差转换模型;
根据所述误差转换模型确定虚拟控制器模型及自适应律。
可选地,所述根据所述误差转换模型确定虚拟控制器模型及自适应律,包括步骤:
根据所述误差转换模型确定第一虚拟控制器模型及所述第一虚拟控制器模型的第一自适应律;
根据所述误差转换模型确定第二虚拟控制器模型及所述第二虚拟控制器模型的第二自适应律。
具体地,为了补偿单连杆机械臂中的执行器失效,设计了基于相对阈值策略的事件触发的自适应补偿控制器。值得一提的是,自适应补偿控制方法是采用反步技术来跟踪测量中的未知参数,其中设计2个递归步骤,具体计划如下:
引入以下虚拟误差方程式:
其中,αi(i=1,2)是虚拟控制律,zi(i=1,2)为可变误差。设计程序在以下步骤中给进行了详细说明。
为了实现自适应和在规定的稳定时间内的实际跟踪,引入了非线性转换函数κ(t)来改变实际跟踪误差和虚拟误差,转化后的实际跟踪误差e和虚拟误差zi可以定义为
第一虚拟控制器α1被设计为:
第一自适应律被设计为:
由此可以定义以下内容:
S300、根据所述失效非线性系统模型及触发事件模型确定触发控制器模型及参数更新律;所述触发事件模型的参数包括更新时间。
具体地,由于通信网络的网络资源有限,为了节省包括通信信道带宽和计算能力在内的网络资源,可以考虑采用以下事件触发方案:
其中,ωj(t)是控制输入,tk,k∈R+代表控制器的更新时间;e(t)=ωi(t)-uPFi(t)表示测量误差;F(uPFj(t))是个函数。
可选地,所述根据所述失效非线性系统模型及触发事件模型确定触发控制器模型及参数更新律,包括步骤:
根据所述失效非线性系统模型及触发事件模型确定触发事件补偿模型;
根据所述触发事件补偿模型确定触发控制器模型及参数更新律。
具体地,在单连杆机械臂系统中执行器部分失效的情况下,可以通过更大的阈值获得更长的更新间隔。当系统状态趋于稳定时,可以通过较小的阈值获得较短的更新间隔,然后通过一个更精确的控制信号uPFj(t)获得更好的系统性能。因此,可以设计用于补偿由触发机制引起的测量误差的控制器,建立如下所示的事件触发策略:
在时间间隔[tk,tk+1)中,ωj(t)=(1+λ1(t)δ)uPFj(t)+λ2(t)m1,λ1(t)和λ2(t)都是随时间变化的常数,满足|λ1(t)|≤1和|λ2(t)|≤1。通过转换,可以得出鉴于参数的不可知性,未知参数向量ψj的估计值用于控制律的设计,所以触发控制器设计为:
设定参数更新律ψ为:
其中,ξj是一个正定矩阵。
S400、获取控制输入信号及所述预设稳定时间,并根据所述虚拟控制器模型、自适应律、触发控制器模型及参数更新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;触发控制器模型应用于触发控制器,触发控制器包含有参数更新律;本发明实施例中单连杆机械臂包括第一虚拟控制器及其对应的第一自适应律、第二虚拟控制器及其对应的第二自适应律,第一虚拟控制器、第二虚拟控制器及触发控制器共同组成控制器,控制器对执行器进行控制。
需要说明的是,执行器可以包括若干个。
综上:考虑系统的所有信号都是有界的,存在一段时间t*>0,这样执行间隔t*≤{tk+1-tk}都小于有界时间t*,因此,可以避免Zeno行为。通过推理分析可得以下结论:在单连杆机械臂中所考虑的系统中所有的信号都是有界的,可以有效地避免Zeno行为。且实际的跟踪误差收敛到紧凑集Ξj={ej||ej|≤gA}中,其衰减率表示达到了实际规定的建立时间跟踪性能。分析规定的建立时间T可得通过调整T,和g,影响系统的跟踪误差和收敛速度。
实施本发明实施例包括以下有益效果:本发明实施例通过包含有预设稳定时间的转换函数对实际跟踪误差进行非线性变换确定虚拟控制器模型,从而实现在预设的有限时间内收敛;通过包含有更新时间的触发事情模型确定触发控制器模型,从而实现节省网络带宽且全局统一有界收敛。
下面以一个具体的仿真实例说明。
以单连杆机械臂为实例,模型参考公式(3),其系统中共有两个执行器,将模拟不同的执行器机构失效情况。
系统参数如下:已知和未知函数分别为和bj=1,函数参考输出信号为r=sin(t)。为了确保系统内的所有信号都是有界的,设计了以下参数:Γ1=Γ2=1,γ1=γ2=1,ξj=1,a1=a2=1,c1=34,c2=15,H=[0 0]T,σ=40,δ=0.2,m1=1.35,g=0.3,T=14,ε=40,q=1,m=1,G=9.8,l=0.4,B=1,
假设单连杆机械臂的执行器1在10秒后发生部分失效,执行器2运行正常,其参数设置为:ρ=0.6。
在单连杆机械臂的执行器1在10秒后发生部分失效的情况下,系统输出和参考输出信号如图3所示,一般的控制输入如图4所示,具有事件触发的控制输入如图5所示,系统的跟踪误差如图6所示,事件触发量及其间隔如图7所示。
仿真结果表明:在单连杆机械臂的执行器1在10秒后出现40%的故障,输入输出比为60%,执行器2运行正常的情况下,从图3可以看出,采用本发明实施例中的自适应容错控制方法实现了单连杆机械臂的跟踪控制,且系统的所有信号都是有界的。从图4可以看出,部分失效的执行器系统状态受到了很大的影响。从图5可以看出,通过本发明提出的控制方法,与执行器正常运行时相比,部分失效的执行器系统波动幅度较小。图6的结果显示,跟踪误差在10s后出现了轻微的波动,但波动范围在预期误差范围内,系统在0.2s后误差就稳定在5%内,证明系统在设定的时间0.4s内达到了预设目标状态。
在单连杆机械臂的执行器1在10秒后发生完全失效的情况下,系统输出和参考输出信号如图8所示,一般控制方法的控制输入如图9所示,具有事件触发的控制输入如图10所示,系统的跟踪误差如图11所示,事件触发量及其间隔如图12所示。
仿真结果表明:在单连杆机械臂的执行器1在10秒后完全失效,执行器2运行正常的情况下,从图8可以看出,该方法实现了单连杆机械臂的跟踪控制,且系统的所有信号都是有界的。从图9可以看出,完全失效的执行器系统进入了卡死状态,输出不再受输入的影响。从图10可以看出,通过本发明实施例提出的控制方法,与执行器正常运行时相比,完全失效的执行器系统受到了一定的影响。图11的结果显示,跟踪误差在10s后出现了较大的波动,但波动范围在预期误差范围内,系统在0.2s后误差就稳定在5%内,证明系统在设定的时间0.4s内达到了预设目标状态。
从图6及图11可以看出,跟踪误差迅速减小到工业0.05,此后保持在0左右,可以将带宽从0.02节省到0.19。在执行器一部分失效,执行器二正常运行的情况下,在每2秒的时间间隔内,触发事件的数量随着控制输出的变化而变化,以减少带宽资源的消耗。在传统的时间触发中,每两秒的触发次数为200次,而在本发明涉及到事件触发中,每两秒的平均触发次数为61次,相比之下,带宽资源节省率达到69.5%。在执行器一完全失效,执行器二正常运行的情况下,在每2秒的时间间隔内,触发事件的数量随着控制输出的变化而变化,以减少带宽资源的消耗。在传统的时间触发中,每两秒的触发次数为200次,而在本发明涉及到事件触发中,每两秒的平均触发次数为59次,相比之下,带宽资源节省率达到70.5%。
综上所述,在带有执行器失效的单连杆机械臂系统中,结合所提出的控制方法,能够实现稳定时间的统一预设,使得系统在规定的时间内有限收敛。此外,系统能够实现自适应补偿控制,快速实现补偿,并且在事件触发的机制下,能够有效地节省带宽资源。
如图13所示,本发明实施例提供了一种单连杆机械臂的自适应容错控制系统,包括:
系统模型建立模块,用于建立单连杆机械臂的失效非线性系统模型;所述失效非线性系统模型包括已知非线性系统和未知非线性系统;
虚拟控制器模型确定模块,用于根据所述失效非线性系统模型、实际跟踪误差及转换函数确定虚拟控制器模型及自适应律;所述转换函数的参数包括预设稳定时间;
触发控制器模型确定模块,用于根据所述失效非线性系统模型及触发事件模型确定触发控制器模型及参数更新律;所述触发事件模型的参数包括更新时间;
综合控制模块,获取控制输入信号及所述预设稳定时间,并用于根据所述虚拟控制器模型、自适应律、触发控制器模型及参数更新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14所示,本发明实施例提供了一种单连杆机械臂的自适应容错控制系统,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的自适应容错控制方法。
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。
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,本发明实施例提供了一种单连杆机械臂的自适应容错控制系统,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: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自适应容错控制方法。
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自适应容错控制方法,其特征在于,包括步骤:
建立单连杆机械臂的失效非线性系统模型;所述失效非线性系统模型包括已知非线性系统和未知非线性系统;
根据所述失效非线性系统模型、实际跟踪误差及转换函数确定虚拟控制器模型及自适应律;所述转换函数的参数包括预设稳定时间;
根据所述失效非线性系统模型及触发事件模型确定触发控制器模型及参数更新律;所述触发事件模型的参数包括更新时间;
获取控制输入信号及所述预设稳定时间,并根据所述虚拟控制器模型、自适应律、触发控制器模型及参数更新律对单连杆机械臂的执行器进行控制。
2.根据权利要求1所述的自适应容错控制方法,其特征在于,所述建立单连杆机械臂的失效非线性系统模型,包括步骤:
建立单连杆机械臂关于位移和速度的已知非线性系统;
根据神经网络建立单连杆机械臂执行器完全失效或部分失效的未知非线性系统。
3.根据权利要求1所述的自适应容错控制方法,其特征在于,所述根据所述失效非线性系统模型、实际跟踪误差及转换函数确定虚拟控制器模型及自适应律,包括步骤:
根据所述失效非线性系统模型确定虚拟误差模型;
根据实际跟踪误差及转换函数确定误差转换模型;
根据所述误差转换模型确定虚拟控制器模型及自适应律。
4.根据权利要求3所述的自适应容错控制方法,其特征在于,所述根据所述误差转换模型确定虚拟控制器模型及自适应律,包括步骤:
根据所述误差转换模型确定第一虚拟控制器模型及所述第一虚拟控制器模型的第一自适应律;
根据所述误差转换模型确定第二虚拟控制器模型及所述第二虚拟控制器模型的第二自适应律。
5.根据权利要求1所述的自适应容错控制方法,其特征在于,所述根据所述失效非线性系统模型及触发事件模型确定触发控制器模型及参数更新律,包括步骤:
根据所述失效非线性系统模型及触发事件模型确定触发事件补偿模型;
根据所述触发事件补偿模型确定触发控制器模型及参数更新律。
6.一种单连杆机械臂的自适应容错控制系统,其特征在于,包括:
系统模型建立模块,用于建立单连杆机械臂的失效非线性系统模型;所述失效非线性系统模型包括已知非线性系统和未知非线性系统;
虚拟控制器模型确定模块,用于根据所述失效非线性系统模型、实际跟踪误差及转换函数确定虚拟控制器模型及自适应律;所述转换函数的参数包括预设稳定时间;
触发控制器模型确定模块,用于根据所述失效非线性系统模型及触发事件模型确定触发控制器模型及参数更新律;所述触发事件模型的参数包括更新时间;
综合控制模块,用于获取控制输入信号及所述预设稳定时间,并根据所述虚拟控制器模型、自适应律、触发控制器模型及参数更新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自适应容错控制系统,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任一项所述的自适应容错控制方法。
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任一项所述的自适应容错控制方法。
9.一种单连杆机械臂的自适应容错控制系统,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任一项所述的自适应容错控制方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110689517.6A CN113433825B (zh) | 2021-06-22 | 2021-06-22 | 单连杆机械臂的自适应容错控制方法、系统及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110689517.6A CN113433825B (zh) | 2021-06-22 | 2021-06-22 | 单连杆机械臂的自适应容错控制方法、系统及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113433825A true CN113433825A (zh) | 2021-09-24 |
CN113433825B CN113433825B (zh) | 2022-05-31 |
Family
ID=77756898
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110689517.6A Active CN113433825B (zh) | 2021-06-22 | 2021-06-22 | 单连杆机械臂的自适应容错控制方法、系统及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113433825B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113997317A (zh) * | 2021-12-29 | 2022-02-01 | 南京邮电大学 | 基于事件触发机制的三连杆机械手执行器故障检测方法 |
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 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080270003A1 (en) * | 2007-04-24 | 2008-10-30 | Honeywell International, Inc. | Feedback control system and method that selectively utilizes observer estimates |
US20150168925A1 (en) * | 2013-12-12 | 2015-06-18 | Honeywell International Inc. | Model-based predictive controller with steady-state model adaptation |
CN107390529A (zh) * | 2017-08-22 | 2017-11-24 | 广州大学 | 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 |
CN109227543A (zh) * | 2018-10-19 | 2019-01-18 | 华南理工大学 | 一种位置受限柔性关节机器人基于模式的智能控制方法 |
CN109352656A (zh) * | 2018-11-29 | 2019-02-19 | 华南理工大学 | 一种具有时变输出约束的多关节机械臂控制方法 |
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 |
-
2021
- 2021-06-22 CN CN202110689517.6A patent/CN113433825B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080270003A1 (en) * | 2007-04-24 | 2008-10-30 | Honeywell International, Inc. | Feedback control system and method that selectively utilizes observer estimates |
US20150168925A1 (en) * | 2013-12-12 | 2015-06-18 | Honeywell International Inc. | Model-based predictive controller with steady-state model adaptation |
CN107390529A (zh) * | 2017-08-22 | 2017-11-24 | 广州大学 | 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 |
CN109227543A (zh) * | 2018-10-19 | 2019-01-18 | 华南理工大学 | 一种位置受限柔性关节机器人基于模式的智能控制方法 |
CN109352656A (zh) * | 2018-11-29 | 2019-02-19 | 华南理工大学 | 一种具有时变输出约束的多关节机械臂控制方法 |
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 (4)
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 |
CN113997317A (zh) * | 2021-12-29 | 2022-02-01 | 南京邮电大学 | 基于事件触发机制的三连杆机械手执行器故障检测方法 |
CN113997317B (zh) * | 2021-12-29 | 2023-10-13 | 南京邮电大学 | 基于事件触发机制的三连杆机械手执行器故障检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113433825B (zh) | 2022-05-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Du et al. | Neural-based decentralized adaptive finite-time control for nonlinear large-scale systems with time-varying output constraints | |
Zhang et al. | Adaptive fuzzy fault-tolerant tracking control for partially unknown systems with actuator faults via integral reinforcement learning method | |
Wang et al. | Leader–follower consensus of multivehicle wirelessly networked uncertain systems subject to nonlinear dynamics and actuator fault | |
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 | |
Sathishkumar et al. | Mixed H∞ and passivity-based resilient controller for nonhomogeneous Markov jump systems | |
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 | |
Pan et al. | Event-based output tracking control for fuzzy networked control systems with network-induced delays | |
Li et al. | Robust fuzzy adaptive fault-tolerant control for a class of nonlinear systems with mismatched uncertainties and actuator faults | |
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 | |
Zhang et al. | Adaptive finite‐time tracking control for output‐constrained nonlinear systems with non‐strict‐feedback structure | |
Zhang et al. | Adaptive fault‐tolerant control for a nonlinear flexible aircraft wing system | |
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 | |
Sun et al. | Practical finite-time fuzzy control for Hamiltonian systems via adaptive event-triggered approach | |
Lu et al. | Adaptive fuzzy finite‐time fault‐tolerant control of nonlinear systems with state constraints and input quantization | |
Wang et al. | Optimized adaptive finite-time consensus control for stochastic nonlinear multiagent systems with non-affine nonlinear faults | |
Wang et al. | Finite-time compensation control for state-variable-unmeasurable nonlinear systems with sensor and actuator faults | |
Cheng et al. | Event-triggered-based adaptive command-filtered asymptotic tracking control for flexible robotic manipulators | |
CN114063457B (zh) | 一种机械臂系统的事件触发容错控制方法 | |
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 | |
Liu et al. | Finite‐time adaptive fuzzy control for a class of output constrained nonlinear systems with dead‐zone | |
Hu et al. | Adaptive fuzzy dynamic surface control for nonstrict-feedback nonlinear state constrained systems with input dead-zone via event-triggered sampling | |
Nath et al. | Event-triggered neuro sliding mode control for an uncertain Euler–Lagrange system: An impulsive dynamical system approach | |
Fu et al. | Observer-based finite-time prescribed performance adaptive fuzzy control for nonlinear systems with hysteresis nonlinearity | |
Yuan et al. | Adaptive fuzzy tracking control of stochastic mechanical system with input saturation | |
Jia | Control of flexible joint robot based on motor state feedback and dynamic surface approach |
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 |