CN113459083B - 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 - Google Patents

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 Download PDF

Info

Publication number
CN113459083B
CN113459083B CN202110413699.4A CN202110413699A CN113459083B CN 113459083 B CN113459083 B CN 113459083B CN 202110413699 A CN202110413699 A CN 202110413699A CN 113459083 B CN113459083 B CN 113459083B
Authority
CN
China
Prior art keywords
adaptive
self
event
mechanical arm
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.)
Active
Application number
CN202110413699.4A
Other languages
English (en)
Other versions
CN113459083A (zh
Inventor
朱强强
王晓梅
陈文娣
牛奔
李圣涛
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.)
Shandong Normal University
Original Assignee
Shandong Normal 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 Shandong Normal University filed Critical Shandong Normal University
Priority to CN202110413699.4A priority Critical patent/CN113459083B/zh
Publication of CN113459083A publication Critical patent/CN113459083A/zh
Application granted granted Critical
Publication of CN113459083B publication Critical patent/CN113459083B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • BPERFORMING OPERATIONS; TRANSPORTING
    • B25HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25JMANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J9/00Programme-controlled manipulators
    • B25J9/16Programme controls
    • B25J9/1602Programme controls characterised by the control system, structure, architecture
    • B25J9/1605Simulation of manipulator lay-out, design, modelling of manipulator
    • BPERFORMING OPERATIONS; TRANSPORTING
    • B25HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25JMANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J9/00Programme-controlled manipulators
    • B25J9/16Programme controls
    • B25J9/1656Programme controls characterised by programming, planning systems for manipulators
    • B25J9/1664Programme 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

本发明属于自动控制领域,提供了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。其中,该控制方法包括基于解耦的机械臂系统,构建出动态自适应机械臂系统模型;基于自定义系统误差,得到虚拟控制信号,构造出虚拟控制器;基于虚拟控制器的输出及动态自适应机械臂系统模型的自适应控制率,得到原始控制信号;在原始控制信号与实际控制器通道之间引入事件触发机制,构建出基于事件触发的自适应固定时间跟踪控制器;利用基于事件触发的自适应固定时间跟踪控制器对机械臂系统进行控制,以实现自适应跟踪预设轨迹。

Description

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
技术领域
本发明属于自动控制领域,尤其涉及一种事件触发下的机械臂自适应固定时间控制及系统。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息,不必然构成在先技术。
机械臂被认为是制造业的重要组成部分,在汽车、军事、医疗等方面起着重要的作用。在对机械臂的研究中,提出了许多控制方法,但只能保证无限时间稳定,这就意味着只能在无限时间内实现期望的系统性能,达不到工业上对控制时间限制的普遍要求。近几年虽然出现了一些有限时间控制方法,但是,发明人发现,其依然不能使系统在一个固定的时间内达到稳定状态。按目前的控制方法收敛速度慢且稳态精度低,跟踪效果差。
发明内容
为了解决上述背景技术中存在的技术问题,本发明提供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,其不仅在固定时间内使系统稳定,而且可以更有效地解决控制过程中的资源浪费问题,提高跟踪速度及精度。
为了实现上述目的,本发明采用如下技术方案:
本发明的第一个方面:提供一种事件触发下的机械臂自适应固定时间控制方法。
一种事件触发下的机械臂自适应固定时间控制方法,其包括:
基于解耦技术,针对非线性机械臂系统,构建出动态自适应机械臂系统模型;
基于自定义系统误差,得到虚拟控制信号,构造出虚拟控制器;
基于虚拟控制器的输出及动态自适应机械臂系统模型的自适应控制率,得到原始控制信号;
在原始控制信号与实际控制器通道之间引入事件触发机制,构建出基于事件触发的自适应固定时间跟踪控制器;
利用基于事件触发的自适应固定时间跟踪控制器对机械臂系统进行控制,以实现自适应跟踪预设轨迹。
本发明的第二个方面:提供一种事件触发下的机械臂自适应固定时间控制系统。
一种事件触发下的机械臂自适应固定时间控制系统,其包括:
模型构建模块,其用于非线性机械臂系统,基于解耦技术构建出动态自适应机械臂系统模型;
虚拟控制器构建模块,其用于基于自定义系统误差,得到虚拟控制信号,构造出虚拟控制器;
原始控制信号计算模块,其用于基于虚拟控制器的输出及动态自适应机械臂系统模型的自适应控制率,得到原始控制信号;
事件触发引入模块,其用于在原始控制信号与实际控制器通道之间引入事件触发机制,构建出基于事件触发的自适应固定时间跟踪控制器;
自适应跟踪预模块,其用于利用基于事件触发的自适应固定时间跟踪控制器对机械臂系统进行控制,以实现自适应跟踪预设轨迹。
与现有技术相比,本发明的有益效果是:
本发明首次针对纯反馈非线性系统提出了固定时间事件触发控制器,同时考虑了不可微的非仿射系统函数的存在。与现有的自适应固定时间控制器相比,本发明中固定时间控制器可以更有效的节省通讯资源,解决控制过程中的资源浪费问题,而且本发明中的固定时间不受系统初始条件的限制;本发明考虑了自适应固定时间跟踪问题,相比自适应有限时间稳定控制结果更为普遍。
本发明附加方面的优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。
图1是本发明实施例设计的事件触发模型框图;
图2是本发明实施例设计的控制器系统的跟踪性能曲线图;
图3表示本发明实施例系统的跟踪误差曲线;
图4是本发明实施例事件触发示意图;
图5是本发明实施例控制器输入曲线图;
图6是本发明实施例系统状态变量曲线图;
图7是本发明实施例自适应律曲线图;
图8(a)是本发明实施例柔性单链机械臂系统的跟踪性能曲线;
图8(b)是本发明实施例柔性单链机械臂系统的跟踪误差曲线;
图8(c)是本发明实施例柔性单链机械臂系统的状态变量曲线图;
图9是本发明实施例柔性单链机械臂系统的事件触发示意图;
图10是本发明实施例柔性单链机械臂系统的控制器输入曲线图;
图11是本发明实施例柔性单链机械臂系统模型图。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
应该指出,以下详细说明都是例示性的,旨在对本发明提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本发明的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
实施例一
本实施例的固定时间自适应跟踪控制方法采用了如下引理以及如下假设:
引理1.考虑系统
Figure BDA0003024959680000041
存在光滑正定的函数V(ζ):
Figure BDA0003024959680000042
其中,设计参数p>0,q>0,0<η<1,β>1,ρ>0。
Figure BDA0003024959680000043
其中参数
Figure BDA0003024959680000044
满足
Figure BDA0003024959680000045
然后,系统
Figure BDA0003024959680000046
的状态变量可以在时间[0,Tf]内收敛到集合Ωζ,并且Tf有一个上界Tmax:
Figure BDA0003024959680000047
综上所述,系统
Figure BDA0003024959680000051
在固定时间Tmax内一定会达到稳定.
引理2.对任意的变量x和y,存在正常数μ,ο和ι使得下式成立:
Figure BDA0003024959680000052
假设1:理想的跟踪信号yd是足够平滑的函数,并且存在一个正常数B0使得
Figure BDA0003024959680000053
这表明参考信号yd及其导数
Figure BDA0003024959680000054
是连续且有界的。
假设2:出于现实考虑,假设存在未知的正常数ri *,使得|ri(t)|≤ri *,i=1,...,n。
如图2所示,本实施例的一种事件触发下的机械臂自适应固定时间控制方法,其包括:
步骤1:基于解耦的机械臂系统,构建出动态自适应机械臂系统模型。
机械臂系统为非线性系统,考虑其非线性,机械臂系统的模型为:
Figure BDA0003024959680000055
其中,
Figure BDA0003024959680000056
是系统状态,y∈R是系统输出,系统输出是指机械臂的连杆的角位置,u∈R是系统输入,系统输入是指机械臂的电枢电压。ri(t)和rn(t)是系统的外部扰动,系统的外部扰动包括但不限于外部空气阻力或内部机械摩擦力,
Figure BDA0003024959680000057
是局部Lipschitz参数未知光滑非仿射非线性函数。
为了有效地设计系统的控制输入,使用解耦技术来处理非仿射项。经过一系列处理,可以将系统建模为
Figure BDA0003024959680000058
解耦技术定义为:
Figure BDA0003024959680000061
其中,
Figure BDA0003024959680000062
Figure BDA0003024959680000063
是有界的非负定函数,如下:
Figure BDA0003024959680000064
Figure BDA0003024959680000065
其中,G i,
Figure BDA0003024959680000066
G’,
Figure BDA00030249596800000624
为正常数,Δ1i2i3i4i,i=1,...,n为常数,
Figure BDA0003024959680000068
Figure BDA0003024959680000069
在闭集[0,1]中取值。
Figure BDA00030249596800000610
是解耦后的部分系统函数。
假设3:假设函数
Figure BDA00030249596800000611
Figure BDA00030249596800000612
满足:
Figure BDA00030249596800000613
Figure BDA00030249596800000614
其中
Figure BDA00030249596800000615
Figure BDA00030249596800000616
构建动态自适应机械臂系统模型的过程为:
给出自适应反步技术的控制设计过程,设计Lyapunov函数:
Figure BDA00030249596800000617
其中,设计参数
Figure BDA00030249596800000618
Figure BDA00030249596800000619
是ψ的估计,ψ为神经网络权值参数;
通过前面提供的条件,得出
Figure BDA00030249596800000620
Figure BDA00030249596800000621
针对所考虑的系统,定义一个新的函数:
Figure BDA00030249596800000622
其中
Figure BDA00030249596800000623
通过神经网络的逼近能力和young不等式,在假设2和3下,推导得出V1的时间导数为:
Figure BDA0003024959680000071
步骤2:基于自定义系统误差,得到虚拟控制信号,构造出虚拟控制器。
定义系统误差并进行误差转换,具体为:
Ξi=τii-1,i=1,2,3,...,n,
其中,αi-1是在第i步构造的虚拟控制信号,并且α0=yd。yd是参考信号。
步骤3:基于虚拟控制器的输出及动态自适应机械臂系统模型的自适应控制率,得到原始控制信号。
事件触发机制定义为:
Figure BDA0003024959680000072
tk+1=inf{t∈R||e(t)|≥λm(tk)|+η},
其中tk表示触发时刻,u(t)是系统实际控制信号。e(t)=m(t)-m(tk)是当前信号与上一个触发时刻之间的控制器信号之差。λ∈(0,1)和η>0是两个正的设计参数。
构造虚拟控制器α1
Figure BDA0003024959680000073
其中,设计参数a1,c1,k1>0,β>1,0<η<1。
将构造的虚拟控制器应用到自适应反步技术的控制可以得到:
Figure BDA0003024959680000081
设计表述这一类系统的Lyapunov函数Vi(i=2,...,n-1):
Figure BDA0003024959680000082
通过前面提供的条件,推导得出Vi的时间导数为:
Figure BDA0003024959680000083
其中,
Figure BDA0003024959680000084
针对所考虑的系统,定义一个新的函数:
Figure BDA0003024959680000085
其中
Figure BDA0003024959680000086
通过神经网络的逼近能力和young不等式,在假设2和3下,推导得出V1的时间导数为:
Figure BDA0003024959680000087
Young不等式为:
Figure BDA0003024959680000091
Figure BDA0003024959680000092
其中ε>0,p>1,q>1and(p-1)(q-1)=1。
神经网络函数定义为:
Figure BDA0003024959680000099
i=2,3,...,n。
构造虚拟控制器αi
Figure BDA0003024959680000093
其中,设计参数ai,ci,ki>0,β>1,0<η<1;Ξi为系统误差,ξi神经网络基向量;
Figure BDA0003024959680000094
为系统自适应控制信号。
将构造的虚拟控制器αi应用到的Lyapunov函数Vi(i=2,...,n-1)可以得到:
Figure BDA0003024959680000095
设计表述这一类系统的Lyapunov函数Vn
Figure BDA0003024959680000096
通过前面提供的条件,推导得出Vn的时间导数为:
Figure BDA0003024959680000097
其中,
Figure BDA0003024959680000098
针对所考虑的系统,定义一个新的函数:
Figure BDA0003024959680000101
其中
Figure BDA0003024959680000102
通过神经网络的逼近能力和young不等式,在假设2和3下,推导得出V1的时间导数为:
Figure BDA0003024959680000103
构造虚拟控制器αi
Figure BDA0003024959680000104
其中,设计参数an,cn,kn>0。
设计系统自适应控制率
Figure BDA0003024959680000105
如下:
Figure BDA0003024959680000106
其中,ai>0和Υi>0是两个正的设计参数。
基于构造的虚拟控制器αi和自适应控制率
Figure BDA0003024959680000107
得到下式:
Figure BDA0003024959680000108
步骤4:在原始控制信号与实际控制器通道之间引入事件触发机制,构建出基于事件触发的自适应固定时间跟踪控制器。本发明实施的事件触发模型框图详见图1。
为了更好地解决信号传输过程中的能耗问题,我们在从原始控制器到实际执行器的通道中引入了事件触发机制。设计的控制器如下:
Figure BDA0003024959680000111
实际的执行器输入为u(t)=m(tk),
其中
Figure BDA0003024959680000112
设计参数
Figure BDA0003024959680000113
利用事件触发机制和young不等式,得到:
Figure BDA0003024959680000114
步骤5:利用基于事件触发的自适应固定时间跟踪控制器对机械臂系统进行控制,以实现自适应跟踪预设轨迹。
稳定性分析,根据Θjj)的定义,我们可以得到:
Figure BDA0003024959680000115
然后由
Figure BDA0003024959680000116
我们可以得到下列不等式:
Figure BDA0003024959680000117
通过使用引理二,可以得到下式:
Figure BDA0003024959680000121
Figure BDA0003024959680000122
所以,下式成立:
Figure BDA0003024959680000123
得到
Figure BDA0003024959680000124
进一步可以利用数学方法转换为:
Figure BDA0003024959680000125
其中
Figure BDA0003024959680000126
Figure BDA0003024959680000127
现在,结合引理一我们可以得出闭环系统是实际固定时间稳定的,系统状态变量可以在固定时间T内收敛到集合Ωζ
Figure BDA0003024959680000128
其中参数
Figure BDA0003024959680000129
满足
Figure BDA00030249596800001210
然后,并且收敛时间Tf一定在固定时间Tmax内:
Figure BDA0003024959680000131
综上所述,系统在固定时间Tmax内一定会达到稳定。以上结果表明,系统的解在固定时间内是有界的,非线性系统中的所有信号都是实际固定时间稳定的。更精确地说,我们提出的固定时间控制器可以将跟踪误差收敛到零附近很小的邻域内,并在固定时间Tmax之后一直保持。为了更直观,同时使用一个实例仿真和一个数值仿真示例来确认研究结果。
为了验证提出方法的有效性,首先考虑一个数值系统模型描述如下:
Figure BDA0003024959680000132
其中,
Figure BDA0003024959680000133
是系统状态,y∈R是系统输出,系统输出可以是指机械臂的连杆的角位置,u∈R是系统输入,系统输入可以是指机械臂的电枢电压。
给定参考信号yd(t)=0.5cos(t)。
控制器设计参数选取如下:
Figure BDA0003024959680000134
k1=10,k2=10,c1=2,c2=10,a1=10,a2=10,μ=100,λ=0.5,
Figure BDA0003024959680000135
σ=1,
PM=2,Υ=0.5。
仿真参数初始化如下:
τ1(0)=4,τ2(0)=1,
Figure BDA0003024959680000136
设计自适应律,虚拟控制器和实际控制器分别如下:
Figure BDA0003024959680000137
Figure BDA0003024959680000141
Figure BDA0003024959680000142
Figure BDA0003024959680000143
仿真结果如图2至图7所示。图2是系统的跟踪性能曲线。从图2可以看出,与现有的结果相比,本发明设计的控制器使系统具有更好的跟踪性能。图3表示具有几种不同初始条件的系统的跟踪误差曲线,从图3可以看出本发明设计的控制器能够保证跟踪误差在固定的时间内到达指定区域,并且具有较小的超调量。图4是事件触发示意图。图5是控制器输入曲线图。图6是系统状态变量曲线图。图7是自适应律曲线图。通过选择不同的初始值,系统具有良好的跟踪性能。从图2-图7可以看出本发明设计的控制器能够保证所有信号的固定时间稳定,并且明显优于现有的自适应有限时间控制算法。
为了验证提出方法的有效性,现将控制算法应用于柔性单链机械臂系统,模型描述如下:
Figure BDA0003024959680000144
其中Q是惯性矩,u是输入转矩,g是加速度,p是角度,l是链节的长度,d是链节的质量。当p=τ1并且
Figure BDA0003024959680000145
时,系统可以转换为以下形式的一般形式:
Figure BDA0003024959680000146
其中,系统参数设计为Q=0.5,G=9.8,l=1,d=1。
给定目标信号yd(t)=1.5sin(2t).
控制器参数选取如下:
Figure BDA0003024959680000151
k1=10,k2=10,c1=9,c2=10,a1=10,a2=10,μ=100,λ=0.5,
Figure BDA0003024959680000152
σ=1,PM=2,Υ=0.5。
仿真参数初始化如下:
τ1(0)=0.5,τ2(0)=0.2,
Figure BDA0003024959680000153
设计自适应律,虚拟控制器和实际控制器分别如下:
Figure BDA0003024959680000154
Figure BDA0003024959680000155
Figure BDA0003024959680000156
Figure BDA0003024959680000157
仿真结果如图8(a)至图10所示。一种柔性单链机械臂系统结构如图11所示。从图8(a)-图8(c)可以看出,与现有的结果相比,本发明设计的控制器是系统具有更好的跟踪性能。图9是柔性单链机械臂系统的事件触发示意图。图10是柔性单链机械臂系统的控制器输入曲线图。从图8-图10可以看出本发明设计的控制器能够保证所有信号的固定时间稳定,并且明显优于现有的自适应有限时间控制算法。
实施例二
本实施例提供了一种事件触发下的机械臂自适应固定时间控制系统,其包括:
模型构建模块,其用于非线性机械臂系统,基于解耦技术构建出动态自适应机械臂系统模型;
虚拟控制器构建模块,其用于基于自定义系统误差,得到虚拟控制信号,构造出虚拟控制器;
原始控制信号计算模块,其用于基于虚拟控制器的输出及动态自适应机械臂系统模型的自适应控制率,得到原始控制信号;
事件触发引入模块,其用于在原始控制信号与实际控制器通道之间引入事件触发机制,构建出基于事件触发的自适应固定时间跟踪控制器;
自适应跟踪预模块,其用于利用基于事件触发的自适应固定时间跟踪控制器对机械臂系统进行控制,以实现自适应跟踪预设轨迹。
此处需要说明的是,本实施例的固定时间自适应跟踪控制系统中的各个模块,与实施例一中的各个步骤一一对应,其具体实施过程相同,此处不再累述。
本实施例通过引入一种新的解耦技术和事件触发机制(event-triggermechanism;ETM),首次针对考虑的系统提出了固定时间事件触发控制(fixed-time event-trigger mechanism control;FTETMC)算法,包括如下步骤:首先考虑了一类非仿射系统函数不可微的纯反馈非线性系统,利用解耦技术对系统进行了适当的建模。采用具有自适应律的径向基(radial basis function;RBF)神经网络处理系统中含有的完全未知非线性函数,接着将共同的Lyapunov函数与自适应反步技术相结合,在原始的控制信号与实际的控制器通道之间引入了事件触发机制,设计了新颖的固定时间自适应跟踪控制器。本发明首次利用解耦技术针对纯反馈系统提出了一种新的基于事件触发的自适应固定时间跟踪控制器,考虑了系统非仿射函数的导数不存在或者非正定的情况。与现有的自适应固定时间控制器相比,本发明中固定时间控制器可以更有效的节省通讯资源,而且考虑了自适应固定时间跟踪问题,相比自适应固定时间稳定控制结果更为普遍。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(RandomAccessMemory,RAM)等。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。

Claims (10)

1.一种事件触发下的机械臂自适应固定时间控制方法,其特征在于,包括:
基于解耦的机械臂系统,构建出动态自适应机械臂系统模型;
基于自定义系统误差,得到虚拟控制信号,构造出虚拟控制器;
基于虚拟控制器的输出及动态自适应机械臂系统模型的自适应控制率,得到原始控制信号;
在原始控制信号与实际控制器通道之间引入事件触发机制,构建出基于事件触发的自适应固定时间跟踪控制器;
利用基于事件触发的自适应固定时间跟踪控制器对机械臂系统进行控制,以实现自适应跟踪预设轨迹。
2.如权利要求1所述的事件触发下的机械臂自适应固定时间控制方法,其特征在于,解耦的机械臂系统的过程为:
采用具有自适应律的径向基神经网络解耦机械臂系统模型中的未知非线性函数,得到解耦的机械臂系统模型。
3.如权利要求1所述的事件触发下的机械臂自适应固定时间控制方法,其特征在于,虚拟控制信号为机械臂系统的输出与自定义系统误差的差值。
4.如权利要求1所述的事件触发下的机械臂自适应固定时间控制方法,其特征在于,虚拟控制器αi为:
Figure FDA0003024959670000011
其中,设计参数ai,ci,ki>0,β>1,0<η<1;Ξi为系统误差,ξi为神经网络基向量,
Figure FDA0003024959670000012
为系统自适应控制信号;i=1,2,…,n,表示计算的第i步骤。
5.如权利要求4所述的事件触发下的机械臂自适应固定时间控制方法,其特征在于,自适应控制率
Figure FDA0003024959670000013
为:
Figure FDA0003024959670000021
其中,ai>0和Υ>0是两个正的设计参数;Pm为常系数。
6.如权利要求4所述的事件触发下的机械臂自适应固定时间控制方法,其特征在于,基于事件触发的自适应固定时间跟踪控制器为:
Figure FDA0003024959670000022
其中,设计参数
Figure FDA0003024959670000023
7.一种事件触发下的机械臂自适应固定时间控制系统,其特征在于,包括:
模型构建模块,其用于非线性机械臂系统,基于解耦技术构建出动态自适应机械臂系统模型;
虚拟控制器构建模块,其用于基于自定义系统误差,得到虚拟控制信号,构造出虚拟控制器;
原始控制信号计算模块,其用于基于虚拟控制器的输出及动态自适应机械臂系统模型的自适应控制率,得到原始控制信号;
事件触发引入模块,其用于在原始控制信号与实际控制器通道之间引入事件触发机制,构建出基于事件触发的自适应固定时间跟踪控制器;
自适应跟踪预模块,其用于利用基于事件触发的自适应固定时间跟踪控制器对机械臂系统进行控制,以实现自适应跟踪预设轨迹。
8.如权利要求7所述的事件触发下的机械臂自适应固定时间控制系统,其特征在于,虚拟控制器αi为:
Figure FDA0003024959670000024
其中,设计参数ai,ci,ki>0,β>1,0<η<1;Ξi为系统误差,ξi为神经网络基向量,
Figure FDA0003024959670000031
为系统自适应控制信号;i=1,2,…,n,表示计算的第i步骤。
9.如权利要求8所述的事件触发下的机械臂自适应固定时间控制系统,其特征在于,自适应控制率
Figure FDA0003024959670000032
为:
Figure FDA0003024959670000033
其中,ai>0和Υ>0是两个正的设计参数;Pm为常系数。
10.如权利要求8所述的事件触发下的机械臂自适应固定时间控制系统,其特征在于,基于事件触发的自适应固定时间跟踪控制器为:
Figure FDA0003024959670000034
其中,设计参数
Figure FDA0003024959670000035
CN202110413699.4A 2021-04-16 2021-04-16 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 Active CN113459083B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110413699.4A CN113459083B (zh) 2021-04-16 2021-04-16 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

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110413699.4A CN113459083B (zh) 2021-04-16 2021-04-16 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

Publications (2)

Publication Number Publication Date
CN113459083A CN113459083A (zh) 2021-10-01
CN113459083B true CN113459083B (zh) 2022-06-21

Family

ID=77868478

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110413699.4A Active CN113459083B (zh) 2021-04-16 2021-04-16 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

Country Status (1)

Country Link
CN (1) CN113459083B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116922392B (zh) * 2023-08-28 2024-03-22 山东开泰抛丸机械股份有限公司 单关节机械臂动态预设性能弱扰动解耦控制方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20180126832A (ko) * 2017-05-18 2018-11-28 서강대학교산학협력단 자가 적응형 로봇 시스템 및 그의 오류 검출 방법
CN110750050A (zh) * 2019-10-11 2020-02-04 浙江工业大学 一种基于神经网络的机械臂系统预设性能控制方法
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
CN112338912A (zh) * 2020-10-13 2021-02-09 山东师范大学 一种柔性单链机械臂的有限时间稳定控制方法及系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20180126832A (ko) * 2017-05-18 2018-11-28 서강대학교산학협력단 자가 적응형 로봇 시스템 및 그의 오류 검출 방법
CN110750050A (zh) * 2019-10-11 2020-02-04 浙江工业大学 一种基于神经网络的机械臂系统预设性能控制方法
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
CN112338912A (zh) * 2020-10-13 2021-02-09 山东师范大学 一种柔性单链机械臂的有限时间稳定控制方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
Adaptive Neural Controller Design Scheme of Nonlinear Delayed Systems With Completely Unknown Nonlinearities and Non-Strict-Feedback Structure;Kun Jiang,et al.;《IEEE Access》;20181024;第66418-66427页 *

Also Published As

Publication number Publication date
CN113459083A (zh) 2021-10-01

Similar Documents

Publication Publication Date Title
CN110597061B (zh) 一种多智能体完全分布式自抗扰时变编队控制方法
CN108646758B (zh) 一种多移动机器人预设性能编队控制器结构及设计方法
CN105159096B (zh) 一种基于粒子群算法的冗余度空间机械臂关节力矩优化方法
CN110376879B (zh) 一种基于神经网络的pid型迭代学习控制方法
CN112338912B (zh) 一种柔性单链机械臂的有限时间稳定控制方法及系统
Ma et al. Improved adaptive fuzzy output-feedback dynamic surface control of nonlinear systems with unknown dead-zone output
Zhao et al. Event-triggered consensus of discrete time second-order multi-agent network
CN110262247B (zh) 多机器人系统的分布式命令滤波模糊控制方法
CN114509949A (zh) 一种机器人预定性能的控制方法
CN115502986B (zh) 基于状态观测器的多关节机械臂事件驱动控制方法
CN112947090A (zh) 一种dos攻击下轮式机器人数据驱动迭代学习控制方法
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
Zhao et al. Manipulator trajectory tracking based on adaptive sliding mode control
Ngo et al. Robust adaptive self-organizing wavelet fuzzy CMAC tracking control for de-icing robot manipulator
CN115556089B (zh) 一种带状态约束和执行器故障的单连杆机械臂控制方法
CN115963729A (zh) 一种机械臂预设时间自适应神经网络协同控制方法
CN113296398A (zh) 一种柔性单链机械臂基于事件触发的命令滤波控制方法
Gao et al. Cooperative learning from adaptive neural control for a group of strict-feedback systems
Zhu et al. Finite-time adaptive fuzzy output tracking of switched nonlinear systems with ISD-ADT
Wang et al. A Robust Adaptive CMAC Neural Network‐Based Multisliding Mode Control Method for Unmatched Uncertain Nonlinear Systems
CN117687345B (zh) 多智能体系统的控制方法及相关产品
CN118438438B (zh) 基于模糊滑模的变负载机械臂自适应有限时间容错控制方法及系统
Shao et al. Robust adaptive dynamic memory‐event‐triggered attitude control for nonlinear multi‐UAVs resist actuator hysteresis
CN115556090B (zh) 一种全状态约束多机械臂的快速有限时间稳定控制方法

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