CN113589689A - 一种基于多参数自适应神经网络的滑模控制器设计方法 - Google Patents
一种基于多参数自适应神经网络的滑模控制器设计方法 Download PDFInfo
- Publication number
- CN113589689A CN113589689A CN202110780669.7A CN202110780669A CN113589689A CN 113589689 A CN113589689 A CN 113589689A CN 202110780669 A CN202110780669 A CN 202110780669A CN 113589689 A CN113589689 A CN 113589689A
- Authority
- CN
- China
- Prior art keywords
- neural network
- formula
- sliding mode
- follows
- mode 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
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 37
- 238000000034 method Methods 0.000 title claims abstract description 24
- 230000003044 adaptive effect Effects 0.000 title claims description 18
- 239000011159 matrix material Substances 0.000 claims description 12
- 150000001875 compounds Chemical class 0.000 claims description 11
- 230000001133 acceleration Effects 0.000 claims description 6
- 230000005484 gravity Effects 0.000 claims description 3
- 230000006870 function Effects 0.000 description 14
- 238000010586 diagram Methods 0.000 description 10
- 238000004088 simulation Methods 0.000 description 6
- 239000000126 substance Substances 0.000 description 3
- 244000145845 chattering Species 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005312 nonlinear dynamic Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 230000001052 transient effect Effects 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
Abstract
本发明公开了一种基于多参数自适应神经网络的滑模控制器设计方法,包括:1,建立n自由度旋转关节刚性机械臂动力学模型;2,将步骤1中模型系统转化为基于关节位置的二阶状态方程,并为其设计快速终端滑模面;3,利用RBF神经网络对系统未知动力学参数进行逼近;4,设计自适应非奇异快速终端滑模控制器,并基于步骤3中的动力学参数逼近结果,实现机械臂的无模型控制。本发明适用于受到模型不确定性和外部干扰的影响的机械臂的轨迹跟踪控制,减少了控制设计程序中给出的自适应设计参数的数量,使得机器人动力学的未知非线性函数在RBFNN基础上进行了近似;还提高了误差的收敛速度和跟踪精度,实现了基于李雅普诺夫定理的全局渐近稳定。
Description
技术领域
本发明属于自动控制技术领域,特别涉及一种用于机械臂轨迹跟踪控制的基于多参数自适应神经网络的滑模控制器设计方法。
背景技术
近年来,由于现实应用中对快速响应和高精度跟踪的需求不断增加,机器人的轨迹跟踪控制引起了人们的极大关注。为了解决跟踪问题,许多学者提出了各种控制方案,包括反步控制、自适应控制、滑模控制(SMC)、智能控制。
众所周知,滑模控制方案是一种主要的控制方法,它具有完善的、良好的瞬态性能和对未知系统动态的鲁棒性的优点。滑动模式控制的基本原理是将系统降落在设计的滑动面上。一般来说,如果SMC的开关增益被选择为大于不确定项的上限,那么理想情况下可以实现稳健的稳定。然而,当上界未知时,开关增益被选择得足够大,以涵盖广泛的不确定因素。这样大的开关增益可能会导致颤动,在这种情况下,由于开关设备的物理缺陷,机器人操纵器会围绕滑动流形进行振荡。颤振会导致严重的问题,如移动机械部件的高磨损。为了消除抖振,研究者们开发了诸如边界层法,干扰观测器法以及多种自适应方法。它们虽然能够有效的削弱抖振现象,但对于高精度要求的机械臂,在跟踪性能上仍有待提高。
同时,神经网络(NN)在非线性系统的控制中得到了越来越多的关注,因为它们具有非线性逼近和学习能力。由于其非线性逼近和学习能力。一些研究人员研究了基于神经网络的补偿来消除不确定因素的影响。此外,径向基函数神经网络(RBFNN),有几个重要的优点,如结构简单、学习速度快、近似能力强、学习和更好的近似能力。它具有普遍的近似特性,可以避免局部最小值问题。它不仅可以在数量上减少神经网络的调整参数,从而使初始化更加容易。而且RBFNN的近似特性被用来中和代理中的不确定非线性动态。
发明内容
针对上述问题,本发明提出了一种基于多参数自适应神经网络的非奇异快速终端滑模控制器设计方法,适用于受到模型不确定性和外部干扰的影响的机械臂的轨迹跟踪控制。本发明开发了多参数虚拟控制信号来取代径向基函数神经网络的权重更新法,并进行实时在线学习。此方法减少了控制设计程序中给出的自适应设计参数的数量。使得机器人动力学的未知非线性函数在RBFNN的基础上进行了近似。并应用非奇异快速终端滑模面,提高了误差的收敛速度和跟踪精度。
本发明提出了一种基于多参数自适应神经网络的滑模控制器设计方法,具体设计方案如下:
步骤1,建立n自由度旋转关节刚性机械臂动力学模型;
步骤2,将步骤1中系统转化为基于关节位置的二阶状态方程,并为其设计快速终端滑模面;
步骤3,利用RBF神经网络对系统未知动力学参数进行逼近;
步骤4,设计自适应非奇异快速终端滑模控制器,并基于步骤3中的动力学参数逼近结果,实现机械臂的无模型控制。
进一步的,所述步骤1中建立n自由度旋转关节刚性机械臂动力学模型具体步骤如下:
式中,分别代表机械臂关节的位置、速度和加速度;M(q)=M0(q)+ΔM(q)为正定惯性矩阵,为离心力和科氏力矩阵,G(q)=G0(q)+ΔG(q)为重力向量,为系统参数的标称值,表示系统的不确定部分,τ为控制输入,τd为干扰输入,为摩擦力矩。
进一步的,所述步骤2的具体步骤如下,首先定义误差信号如下:
则可得
进一步的,所述步骤3的具体步骤为,首先选取高斯函数如下:
其中,xi=(xi1,xi2...,xin)T,i=1,2,...,n,j=1,2,...,m为神经网络节点数,ζij表示为径向基函数的中心,σij表示高斯函数的宽度值。
则RBF神经网络输出为
从而可以得到RBFNN逼近的任意非线性函数表达式为:
式中,εi是RBFNN估计误差,wi=(wi1,wi2,...,wim)T为神经网络的理想权重。
进一步的,所述步骤4的具体步骤为,首先引入如下常数:
φi=||wi||2
为实现对期望轨迹的跟踪,设计如下基于RBF神经网络的快速终端滑模控制器:
χi=-ε0iτri
其中,ε0i为常数,τri选取如下形式:
并设计如下自适应律:
式中κ0i,κ1i为正常数。
用以上技术方案,实现了以下有益效果:
(1)本发明采用了一种新型的多参数自适应规律来代替传统RBFNN中的自适应权重更新规律,因此实现了控制设计的简化。
(2)本发明通过使用RBFNN来近似系统中的未知非线性函数,实现了无精确模型信息的自适应神经网络控制;此外近似误差通过设计鲁棒项得到补偿。
(3)本发明通过NFTSM控制器有效地避免了奇异性问题;同时由于在滑动面上引入了非线性项目,系统的收敛速度得到了提高。
附图说明
图1是本发明中控制器的结构框图;
图2是本发明实施例中二连杆刚性机械臂模型示意图;
图3是本发明实施例中机械臂关节位置跟踪示意图;
图4是本发明实施例中机械臂关节速度跟踪示意图;
图5是本发明实施例中机械臂关节位置跟踪误差示意图;
图6是本发明实施例中机械臂关节速度跟踪误差示意图;
图7是本发明实施例中机械臂关节力矩示意图。
具体实施方式
下面结合具体实施例,进一步阐明本发明,为了更好的说明本发明,采用matlab数值仿真对所提出的控制器进行验证,结果如图1至7所示。具体步骤如下:
步骤1,建立n自由度旋转关节刚性机械臂动力学模型具体步骤如下:
步骤2,首先定义误差信号如下:
则可得
步骤3,首先选取高斯函数如下:
其中,xi=(xi1,xi2...,xin)T,i=1,2,...,n,j=1,2,...,m为神经网络节点数,ζij表示为径向基函数的中心,σij表示高斯函数的宽度值。
则RBF神经网络输出为
从而可以得到RBFNN逼近的任意非线性函数表达式为:
式中εi是RBF神经网络估计误差,wi=(wi1,wi2,...,wim)T为神经网络的理想权重。
步骤4,首先引入如下常数:
φi=||wi||2
为实现对期望轨迹的跟踪,设计如下基于RBF神经网络的快速终端滑模控制器:
χi=-ε0iτri
其中ε0i为常数,τri选取如下形式:
并设计如下自适应律:
式中κ0i,κ1i为正常数。
本发明在MATLAB2019a环境下,应用simulink对二关节机械臂对本发明所设计的一种基于多参数自适应神经网络的非奇异快速终端滑模控制器进行仿真验算并与一些其他控制算法相对比,如利用自适应率更新增益的自适应滑模控制、通过高阶滑模避免抖振现象的二阶滑模控制以及将反演与自适应相结合的滑模控制设计方法:
(1)仿真参数如下
C22=0
G1=m1ls1g cos(q1)+m2lr1g cos(q1)+m2ls2g cos(q1+q2)
G2=m2ls2g cos(q1+q2)
对系统施加的干扰如下τd=(0.2sin(t),0.2sin(t))T,控制器参数设计如下:
结果说明:
图3-4分别为机械臂两个关节的位置跟踪情况和速度跟踪情况仿真示意图,由图可以看出,本发明中的两个机械臂均可以在很短的时间内跟踪期望轨迹,体现了本发明快速跟踪的优点。
图5-6分别为机械臂两个关节的位置和速度跟踪误差仿真示意图,由图可以看出,本发明中的两个机械臂的稳态误差非常小,体现了本发明高跟踪精度的优点。
图7为机械臂两关节力矩的仿真示意图,由图可以看出,本发明中的两个关节的控制输入均保持连续,未发生抖振现象。
综上所述,本发明所设计的控制方案可以无需机械臂的准确模型在短时间内实现对期望轨迹的高精度跟踪,针对干扰也表现出强鲁棒性,具有全局渐近稳定性。
上述具体实施案例,只是为了便于本研究领域的人员理解本发明,但本发明并不只适用于案例中的情况,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。
Claims (5)
1.一种基于多参数自适应神经网络的滑模控制器设计方法,其特征在于,包括如下步骤:
步骤1,建立n自由度旋转关节刚性机械臂动力学模型;
步骤2,将步骤1中模型系统转化为基于关节位置的二阶状态方程,并为其设计快速终端滑模面;
步骤3,利用RBF神经网络对系统未知动力学参数进行逼近;
步骤4,设计自适应非奇异快速终端滑模控制器,并基于步骤3中的动力学参数逼近结果,实现机械臂的无模型控制。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110780669.7A CN113589689B (zh) | 2021-07-09 | 2021-07-09 | 一种基于多参数自适应神经网络的滑模控制器设计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110780669.7A CN113589689B (zh) | 2021-07-09 | 2021-07-09 | 一种基于多参数自适应神经网络的滑模控制器设计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113589689A true CN113589689A (zh) | 2021-11-02 |
CN113589689B CN113589689B (zh) | 2024-01-02 |
Family
ID=78246942
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110780669.7A Active CN113589689B (zh) | 2021-07-09 | 2021-07-09 | 一种基于多参数自适应神经网络的滑模控制器设计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113589689B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114147713A (zh) * | 2021-12-01 | 2022-03-08 | 南昌大学 | 基于自适应神经网络高阶动态滑模的轨迹跟踪控制方法 |
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 |
CN114516047A (zh) * | 2022-02-14 | 2022-05-20 | 安徽大学 | 基于径向基神经网络终端滑模控制机械臂轨迹方法及系统 |
CN116909136A (zh) * | 2023-06-21 | 2023-10-20 | 山东大学 | 基于确定学习的2-dof直升机滑模控制方法及系统 |
CN117260736A (zh) * | 2023-11-02 | 2023-12-22 | 北京长木谷医疗科技股份有限公司 | 一种机械臂动力学自适应控制方法、装置及电子设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH11156776A (ja) * | 1997-11-21 | 1999-06-15 | Seiko Seiki Co Ltd | スライディングモード非干渉制御を用いた多関節研磨ロボット |
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 |
CN111496792A (zh) * | 2020-04-27 | 2020-08-07 | 北京科技大学 | 一种机械臂输入饱和固定时间轨迹跟踪控制方法及系统 |
CN112180729A (zh) * | 2020-10-09 | 2021-01-05 | 电子科技大学中山学院 | 一种机械臂自适应轨迹跟踪控制方法 |
CN112904728A (zh) * | 2021-01-21 | 2021-06-04 | 青岛大学 | 一种基于改进型趋近律的机械臂滑模控制轨迹跟踪方法 |
-
2021
- 2021-07-09 CN CN202110780669.7A patent/CN113589689B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH11156776A (ja) * | 1997-11-21 | 1999-06-15 | Seiko Seiki Co Ltd | スライディングモード非干渉制御を用いた多関節研磨ロボット |
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 |
CN111496792A (zh) * | 2020-04-27 | 2020-08-07 | 北京科技大学 | 一种机械臂输入饱和固定时间轨迹跟踪控制方法及系统 |
CN112180729A (zh) * | 2020-10-09 | 2021-01-05 | 电子科技大学中山学院 | 一种机械臂自适应轨迹跟踪控制方法 |
CN112904728A (zh) * | 2021-01-21 | 2021-06-04 | 青岛大学 | 一种基于改进型趋近律的机械臂滑模控制轨迹跟踪方法 |
Non-Patent Citations (4)
Title |
---|
HUA TIAN: "Research on Adaptive Sliding Mode Robust Control Algorithm of Manipulator Based on RBF Neural Network", 《2020 CHINESE AUTOMATION CONGRESS》 * |
吴爱国;刘海亭;董娜;: "机械臂神经网络非奇异快速终端滑模控制", 农业机械学报, no. 02 * |
杨晓辉: "RBFNN-based nonsingular fast terminal sliding mode control for robotic manipulators including actuator dynamics", 《NEUROCOMPUTING》, pages 72 - 77 * |
闵振辉: "串联机械臂的RBF 自适应滑模控制", 《黑龙江科技大学学报》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114147713A (zh) * | 2021-12-01 | 2022-03-08 | 南昌大学 | 基于自适应神经网络高阶动态滑模的轨迹跟踪控制方法 |
CN114147713B (zh) * | 2021-12-01 | 2024-01-19 | 南昌大学 | 基于自适应神经网络高阶动态滑模的轨迹跟踪控制方法 |
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 |
CN114516047A (zh) * | 2022-02-14 | 2022-05-20 | 安徽大学 | 基于径向基神经网络终端滑模控制机械臂轨迹方法及系统 |
CN116909136A (zh) * | 2023-06-21 | 2023-10-20 | 山东大学 | 基于确定学习的2-dof直升机滑模控制方法及系统 |
CN116909136B (zh) * | 2023-06-21 | 2023-12-26 | 山东大学 | 基于确定学习的2-dof直升机滑模控制方法及系统 |
CN117260736A (zh) * | 2023-11-02 | 2023-12-22 | 北京长木谷医疗科技股份有限公司 | 一种机械臂动力学自适应控制方法、装置及电子设备 |
CN117260736B (zh) * | 2023-11-02 | 2024-04-02 | 北京长木谷医疗科技股份有限公司 | 一种机械臂动力学自适应控制方法、装置及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN113589689B (zh) | 2024-01-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113589689A (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 | |
Wang et al. | Finite-time fault-tolerant trajectory tracking control of an autonomous surface vehicle | |
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 | |
Hao et al. | Adaptive dynamic surface control for cooperative path following of underactuated marine surface vehicles via fast learning | |
CN111496792A (zh) | 一种机械臂输入饱和固定时间轨迹跟踪控制方法及系统 | |
CN110347044B (zh) | 一种考虑输出约束的pmsm混沌系统神经网络动态面控制方法 | |
CN107561935A (zh) | 基于多层神经网络的电机位置伺服系统摩擦补偿控制方法 | |
Tripathi et al. | Finite‐time super twisting sliding mode controller based on higher‐order sliding mode observer for real‐time trajectory tracking of a quadrotor | |
Nguyen et al. | Adaptive chattering free neural network based sliding mode control for trajectory tracking of redundant parallel manipulators | |
Gao et al. | Adaptive neural network visual servo control for dynamic positioning of underwater vehicles | |
CN111596545A (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 | |
CN107703753B (zh) | 一种空间机械臂的容错控制方法 | |
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 | |
Yu et al. | Trajectory switching control of robotic manipulators based on RBF neural networks | |
CN110193833A (zh) | 多机械臂系统的自适应有限时间命令滤波反步控制方法 | |
CN110501911A (zh) | 一种考虑执行器受限问题的刚性飞行器自适应固定时间姿态跟踪控制方法 | |
Li et al. | Adaptive finite‐time super‐twisting sliding mode control for robotic manipulators with control backlash | |
CN113110511B (zh) | 一种基于广义模糊双曲模型的智能船舶航向控制方法 | |
Liu et al. | Robust adaptive self-organizing neuro-fuzzy tracking control of UUV with system uncertainties and unknown dead-zone nonlinearity | |
CN109143846A (zh) | 一种考虑执行器受限问题的刚性飞行器自适应神经网络跟踪控制方法 | |
Bao et al. | Adaptive finite‐time tracking control for robotic manipulators with funnel boundary | |
CN110908389B (zh) | 一种针对不确定水下机器人的自适应快速速度跟踪控制方法 | |
CN109164823A (zh) | 一种考虑执行器受限问题的刚体飞行器非奇异固定时间姿态跟踪控制方法 | |
Liu et al. | A novel robust fixed‐time fault‐tolerant tracking control of uncertain robot manipulators | |
Qiu et al. | Robust path‐following control based on trajectory linearization control for unmanned surface vehicle with uncertainty of model and actuator saturation |
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 |