CN114578697B - 一种电机驱动机械手的多约束自适应控制方法 - Google Patents
一种电机驱动机械手的多约束自适应控制方法 Download PDFInfo
- Publication number
- CN114578697B CN114578697B CN202210498223.XA CN202210498223A CN114578697B CN 114578697 B CN114578697 B CN 114578697B CN 202210498223 A CN202210498223 A CN 202210498223A CN 114578697 B CN114578697 B CN 114578697B
- Authority
- CN
- China
- Prior art keywords
- function
- manipulator
- formula
- adaptive
- derivative
- 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.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 65
- 230000003044 adaptive effect Effects 0.000 claims abstract description 50
- 230000009471 action Effects 0.000 claims abstract description 29
- 230000014509 gene expression Effects 0.000 claims abstract description 12
- 230000006870 function Effects 0.000 claims description 115
- 150000001875 compounds Chemical class 0.000 claims description 50
- 230000004888 barrier function Effects 0.000 claims description 26
- 238000004422 calculation algorithm Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 8
- 230000001133 acceleration Effects 0.000 claims description 3
- 230000006978 adaptation Effects 0.000 claims description 3
- 230000005484 gravity Effects 0.000 claims description 3
- 238000012886 linear function Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 2
- 230000008569 process Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 4
- 230000007547 defect Effects 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- 238000009795 derivation Methods 0.000 description 2
- 238000004880 explosion Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 229920006395 saturated elastomer Polymers 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 230000014616 translation 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
-
- 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
本发明公开了一种电机驱动机械手的多约束自适应控制方法,首先建立机械手的动力学模型,将动力学模型中的不确定部分与反演虚拟控制律的导数进行整合,得到状态空间表达式;基于状态空间表达式将机械手执行动作划分为n步;采用Mamdani模糊系统对每一步动作中的非线性函数进行逼近;依次迭代,计算每一步动作的虚拟控制率、自适应率;以第n步的虚拟控制率和自适应率作为实际自适应控制输出信号,以实际自适应控制输出信号控制机械手动作。本发明用以解决现有技术中电机驱动机械手的控制方法存在的上述诸多问题,实现在模型不确定且需满足全状态约束和执行器饱和约束时,实现对机械手稳定且精确的自适应控制的目的。
Description
技术领域
本发明涉及机械手的轨迹跟踪控制领域,具体涉及一种电机驱动机械手的多约束自适应控制方法。
背景技术
机械手轨迹跟踪控制,是通过各个关节的控制器输出驱动力矩控制各关节位置、速度等变量,从而高精度地跟随给定轨迹变化,以使机械手实现期望理想路径的操作过程。传统控制器的设计通常采用基于被控对象模型的设计方法,通过建立机械手动力学方程,依据传统控制理论设计控制律。
在实际应用中,由于负载质量、连杆质心、动/静摩擦力、以及环境干扰等不确定性因素,要想得到机械手精确的数学模型十分困难,并且机械手在运动过程中由于环境、负载等变化导致模型和参数也在实时改变,使这类方法的控制精度始终较低。
另外在机械手的实际控制过程中,在生产安全或者工作空间等原因的限制下,往往需要限制机械手的轨迹运动范围和运动速度,因此不仅需要对机械手各关节位置进行限制,还需要对关节速度进行约束。此外,对于电机驱动的机械手,同时需要对电机电流进行约束以保护电机,而且由于各关节驱动电机功率有限,还存在执行器饱和现象,因此还需要对控制信号进行限制,否则将会出现控制信号和执行器输出不匹配的现象、导致机械手失控。
综上,现有技术中的电机驱动机械手控制方法无法同时解决机械手控制中的模型不确定、全状态约束、执行器饱和约束,以及自适应性差等问题,并且还存在由于计算量大导致控制滞后的缺陷。
发明内容
本发明提供一种电机驱动机械手的多约束自适应控制方法,以解决现有技术中电机驱动机械手的控制方法存在的上述诸多问题,实现在模型不确定且需满足全状态约束和执行器饱和约束时,实现对机械手稳定且精确的自适应控制的目的。
本发明通过下述技术方案实现:
一种电机驱动机械手的多约束自适应控制方法,包括:
建立机械手的动力学模型,将所述动力学模型中的不确定部分与反演虚拟控制律的导数进行整合,得到状态空间表达式;
基于状态空间表达式将机械手执行动作划分为n步;
采用Mamdani模糊系统对每一步动作中的非线性函数进行逼近;
依次迭代,计算每一步动作的虚拟控制率、自适应率;
以第n步的虚拟控制率和自适应率作为实际自适应控制输出信号,以所述实际自适应控制输出信号控制机械手动作。
针对现有技术中机械手控制的模型不确定、全状态约束、执行器饱和约束,以及自适应性差、计算量过大等问题,本发明提出一种电机驱动机械手的多约束自适应控制方法,本方法首先建立机械手的动力学模型,然后将动力学模型中的不确定部分与反演虚拟控制律的导数进行整合,以整合结果作为状态空间表达式,不仅克服了由于负载质量、连杆质心、动/静摩擦力、以及环境干扰等不确定性因素所导致的模型不确定缺陷、解决了未知控制增益等多种不确定问题,还能够避免传统反演设计中反复求导造成的“复杂性爆炸”问题,显著降低了控制算法的复杂性和计算量,有利于提高控制的实时性。
之后,本申请基于状态空间表达式将机械手执行动作划分为n步,并采用Mamdani模糊系统(Mamdani fuzzy system)对每一步动作中的非线性函数进行逼近,即是依次对n步动作逐步的采用Mamdani模糊系统进行迭代逼近,计算出每一步动作的虚拟控制率、自适应率,以第n步(即最后一步)的虚拟控制率和自适应率作为实际自适应控制输出信号,来控制机械手的动作。本申请通过将机械手的执行动作划分为n步,并逐步依次迭代计算的方式,能够有效逼近机械手动力学模型中的不确定部分,保证机械手各状态变量不超过相应的规定限制范围、从而满足全状态约束(包括轨迹运动范围、运动速度、关节速度、电流的约束)和执行器饱和约束的限制。本申请具有良好的适应性、鲁棒性和抗干扰能力,同时控制精度很高,计算量相对现有技术更小,对于不确定机械手系统的控制而言具有较高的实际应用价值。
其中,本领域技术人员应当理解,Mamdani模糊系统为本领域通用术语,无中文标准翻译。
进一步的,所述状态空间表达式为:
式中,x 1、x 2、x 3均为状态变量;分别为x 1、x 2、x 3关于时间的导数;、分别为x 2、x 3的状态估计值;y为机械手输出轨迹;t为时间变量;u(v)为控制输入电压;θ为机械手旋转角速度,为机械手下一时刻的角速度,I为机械手输入电流;f 2(·)、g 2(·)、f 3(·)、g 3(·)均为任意自变量函数;表示自变量为的函数f 2(·);表示自变量为的函数g 2(·);表示自变量为的函数f 3(·);表示自变量为的函数g 3(·);ω 1(t)、ω 2(t)、ω 3(t)均为外界未知干扰;B为轴承粘滞摩擦系数;M t 为机械手转矩;m为机械手连轴重量;g为重力加速度;Q为机械手连轴长度;K t 为扭矩常量;K m1、K m2、K m3均为机械手增益。
本方案给出了整合机械手动力学模型中不确定部分与反演虚拟控制律的导数后,机械手具体的状态空间表达式。本领域技术人员应当理解,其中的任意自变量函数,是指无论该函数的自变量为何,均不影响该函数的表达形式。
进一步的,在所采用的Mamdani模糊系统中,设置模糊系统隶属函数为:
基于所述模糊系统隶属函数,得到第i步的模糊基函数向量ξ i ,i=1,2,…,n。
本方案中i的取值依次从1至n,从而得到每一步的模糊基函数向量,为后续对每一步的虚拟控制率、自适应率计算做好充分准备。
进一步的,计算每一步动作的虚拟控制率、自适应率的方法包括:
确定当前动作属于划分后的第i步,i=1,2,…,n;
定义基于虚拟控制率的误差函数,建立自适应模糊系统;
设置关于自适应率的障碍李亚普洛夫函数,并计算障碍李亚普洛夫函数关于时间的导数;
基于杨氏不等式对障碍李亚普洛夫函数关于时间的导数进行变形,并引入双曲正切光滑函数对执行器饱和现象进行逼近补偿;
采用最小参数学习算法将补偿结果中的自适应调节参数控制为2个,得到虚拟控制率、自适应率。
本方案在计算每一步动作的虚拟控制率、自适应率的过程中,均首先根据误差函数建立自适应模糊系统,并嵌入关于自适应率的障碍李亚普洛夫函数,通过障碍李亚普洛夫函数保证机械手各状态变量不超过相应的规定限制范围,以同时解决机械手控制中的模型不确定和全状态约束的问题,同时还证明了控制系统的稳定性,保证了闭环系统所有信号的半全局一致最终有界性;并且,本方案还引入双曲正切光滑函数对执行器饱和现象进行逼近补偿,使得本申请能够同时解决执行器饱和约束问题;此外,对于引入双曲正切光滑函数逼近补偿后的补偿结果,本方案还通过最小参数学习算法将每一步的自适应调节参数控制为2个,从而可以更明显的降低控制算法的计算量,显著提高机械手控制系统的实时性。
进一步的,当i=1时:
所述误差函数包括第1步的跟踪误差z 1、第2步的虚拟误差z 2;
z 1= x 1-y d ;z 2= x 2-α 1;
式中,x 1、x 2分别为第1步、第2步的状态变量;y d 为给定期望轨迹;α 1为第1步的虚拟控制率;
所建立的自适应模糊系统为:
式中,为z 1关于时间的导数;g 1为第1步中与机械手有关的非线性函数;ω 1为第1步的外界未知干扰;ε 1为第1步的最小逼近误差;θ 1 *为第1步的最优参数向量;T为转置运算符;ξ1为第1步的模糊基函数向量;
所设置的障碍李亚普洛夫函数为:
式中,V 1为第一步的障碍李亚普洛夫函数;k b1为第1步的虚拟误差约束,且k b1>0;γ 11、γ 12均为正设计参数;
D 1=ε 1+ g 1 -1·ω 1;
引入双曲正切光滑函数对执行器饱和现象进行逼近补偿的公式为:
得到的虚拟控制率为:
式中,λ 1、σ 11、σ 12均为正设计参数。
进一步的,当i=2,3,…,n-1时:
所述误差函数包括第i步的虚拟误差z i 、第i+1步的虚拟误差z i+1;
z i = x i -α i-1;z i+1= x i+1-α i ;
式中,x i 、x i+1分别为第i步、第i+1步的状态变量;α i 为第i步的虚拟控制率;α i-1为第i-1步的虚拟控制率;
所建立的自适应模糊系统为:
式中,为z i 关于时间的导数;g i 为第i步中与机械手有关的非线性函数;ω i 为第i步的外界未知干扰;ε i 为第i步的最小逼近误差;θ i *为第i步的最优参数向量;T为转置运算符;ξ i 为第i步的模糊基函数向量;
所设置的障碍李亚普洛夫函数为:
式中,V i 为第i步的障碍李亚普洛夫函数;为V i-1关于时间的导数;V i-1为第i-1步的障碍李亚普洛夫函数;k bi 为第i步的虚拟误差约束,且k bi >|z i |=|x i -α i-1|;γ i1、γ i2均为正设计参数;
D i =ε i + g i -1·ω i ;
引入双曲正切光滑函数对执行器饱和现象进行逼近补偿的公式为:
式中,为V i 关于时间的导数;为V i-1关于时间的导数;μ i 为第i步的控制输入电压;τ为任意给定的正常数;为关于时间的导数;为关于时间的导数;tanh代表双曲正切光滑函数;g im、均为正常数。
得到的虚拟控制率为:
得到的自适应率为:
式中,λ i 、σ i1、σ i2均为正设计参数。
进一步的,当i=n时:
所述误差函数包括第n步的跟踪误差z n :z n = x n -α n-1;
式中,x n为第n步的状态变量;α n-1为第n-1步的虚拟控制率;
所建立的自适应模糊系统为:
式中,为z n 关于时间的导数;g n 为第n步中与机械手有关的非线性函数;ω n 为第n步的外界未知干扰;ε n 为第n步的最小逼近误差;θ n *为第n步的最优参数向量;T为转置运算符;ξ n 为第n步的模糊基函数向量;v为第n步的虚拟控制率;
所设置的障碍李亚普洛夫函数为:
式中,V n为第n步的障碍李亚普洛夫函数;V n-1为第n-1步的障碍李亚普洛夫函数;k bn为第n步的虚拟误差约束,且k bn>|z n |=|x n -α n-1|;γ n1、γ n2均为正设计参数;
D n =ε n + g n -1·ω n ;
引入双曲正切光滑函数对执行器饱和现象进行逼近补偿的公式为:
式中,为V n 关于时间的导数;为V n-1关于时间的导数;μ n 为第n步的控制输入电压;τ为任意给定的正常数; 为关于时间的导数;为关于时间的导数;tanh代表双曲正切光滑函数;g nm、均为正常数。
得到的虚拟控制率为:
得到的自适应率为:
式中,λ n 、σ n1、σ n2均为正设计参数。
本发明与现有技术相比,具有如下的优点和有益效果:
1、本发明一种电机驱动机械手的多约束自适应控制方法,具有良好的适应性、鲁棒性和抗干扰能力,同时控制精度很高,还能够解决机械手全状态约束和执行器约束问题,且计算量小、实时性高,对于不确定机械手的控制而言具有较高的实际应用价值。
2、本发明一种电机驱动机械手的多约束自适应控制方法,将动力学模型中的不确定部分与反演虚拟控制律的导数进行整合,以整合结果作为状态空间表达式,不仅克服了由于负载质量、连杆质心、动/静摩擦力、以及环境干扰等不确定性因素所导致的模型不确定缺陷、解决了未知控制增益等多种不确定问题,还能够避免传统反演设计中反复求导造成的“复杂性爆炸”问题,显著降低了控制算法的复杂性和计算量,有利于提高控制的实时性。
3、本发明一种电机驱动机械手的多约束自适应控制方法,将机械手的执行动作划分为n步,并逐步依次迭代计算,能够有效逼近机械手动力学模型中的不确定部分,保证机械手各状态变量不超过相应的规定限制范围、从而满足全状态约束(包括轨迹运动范围、运动速度、关节速度、电流的约束)和执行器饱和约束的限制。
4、本发明一种电机驱动机械手的多约束自适应控制方法,嵌入了关于自适应率的障碍李亚普洛夫函数,通过障碍李亚普洛夫函数保证机械手各状态变量不超过相应的规定限制范围,以同时解决机械手控制中的模型不确定和全状态约束的问题,还证明了控制系统的稳定性,保证了闭环系统所有信号的半全局一致最终有界性。
5、本发明一种电机驱动机械手的多约束自适应控制方法,引入双曲正切光滑函数对执行器饱和现象进行逼近补偿,使得本申请能够同时解决执行器饱和约束问题。
6、本发明一种电机驱动机械手的多约束自适应控制方法,还通过最小参数学习算法将每一步的自适应调节参数控制为2个,从而可以更明显的降低控制算法的计算量,更加提高机械手控制系统的实时性。
附图说明
此处所说明的附图用来提供对本发明实施例的进一步理解,构成本申请的一部分,并不构成对本发明实施例的限定。在附图中:
图1为本发明具体实施例的流程示意图;
图2为本发明具体实施例中的机械手跟踪误差曲线图;
图3为本发明具体实施例中的机械手速度曲线及其速度边界约束图;
图4为本发明具体实施例中的机械手驱动电机电流曲线及其电流边界约束图;
图5为本发明具体实施例中采用本方法时机械手的控制输入信号图;
图6为本发明具体实施例中采用对比方法时机械手的控制输入信号图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,下面结合实施例和附图,对本发明作进一步的详细说明,本发明的示意性实施方式及其说明仅用于解释本发明,并不作为对本发明的限定。在本申请的描述中,需要理解的是,术语“前”、“后”、“左”、“右”、“上”、“下”、“竖直”、“水平”、“高”、“低”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本申请保护范围的限制。
实施例1:
如图1所示的一种电机驱动机械手的多约束自适应控制方法,包括:
建立机械手的动力学模型,将所述动力学模型中的不确定部分与反演虚拟控制律的导数进行整合,得到状态空间表达式;
基于状态空间表达式将机械手执行动作划分为n步;
采用Mamdani模糊系统对每一步动作中的非线性函数进行逼近;
依次迭代,计算每一步动作的虚拟控制率、自适应率;
以第n步的虚拟控制率和自适应率作为实际自适应控制输出信号,以所述实际自适应控制输出信号控制机械手动作。
实施例2:
一种电机驱动机械手的多约束自适应控制方法,在实施例1的基础上,本实施例中机械手的状态空间表达式为:
式中,x 1、x 2、x 3均为状态变量;分别为x 1、x 2、x 3关于时间的导数;、分别为x 2、x 3的状态估计值;y为机械手输出轨迹;t为时间变量;u(v)为控制输入电压;θ为机械手旋转角速度,为机械手下一时刻的角速度,I为机械手输入电流;f 2(·)、g 2(·)、f 3(·)、g 3(·)均为任意自变量函数;表示自变量为的函数f 2(·);表示自变量为的函数g 2(·);表示自变量为的函数f 3(·);表示自变量为的函数g 3(·);ω 1(t)、ω 2(t)、ω 3(t)均为外界未知干扰;B为轴承粘滞摩擦系数;M t 为机械手转矩;m为机械手连轴重量;g为重力加速度;Q为机械手连轴长度;K t 为扭矩常量;K m1、K m2、K m3均为机械手增益。
在所采用的Mamdani模糊系统中,设置模糊系统隶属函数为:
基于所述模糊系统隶属函数,得到第i步的模糊基函数向量ξ i ,i=1,2,…,n。
此外,计算每一步动作的虚拟控制率、自适应率的方法包括:
确定当前动作属于划分后的第i步,i=1,2,…,n;
定义基于虚拟控制率的误差函数,建立自适应模糊系统;
设置关于自适应率的障碍李亚普洛夫函数,并计算障碍李亚普洛夫函数关于时间的导数;
基于杨氏不等式对障碍李亚普洛夫函数关于时间的导数进行变形,并引入双曲正切光滑函数对执行器饱和现象进行逼近补偿;
采用最小参数学习算法将补偿结果中的自适应调节参数控制为2个,得到虚拟控制率、自适应率。
具体计算过程分为第1步、第i步、第n步三种情况:
(一)第1步,i=1时:
定义跟踪误差z 1、虚拟误差z 2:z 1= x 1-y d ;z 2= x 2-α 1;
式中,x 1、x 2分别为第1步、第2步的状态变量;y d 为给定期望轨迹;α 1为第1步的虚拟控制率;因此可以得到:
因此,有如下自适应模糊系统:
式中,ε 1为第1步的最小逼近误差;θ 1 *为第1步的最优参数向量;T为转置运算符;ξ1为第1步的模糊基函数向量;
令,是的估计值。此外,。令D 1=ε 1+ g 1 -1·ω 1。存在着未知常数D 1 *﹥0,使得|D 1|≤D 1 *成立。是D 1 *的估计值;均为第1步的自适应调节参数。此外有,。定义|z 1|=|x 1-y d |﹤k b1,且k b1>0是、第1步的虚拟误差约束。
设置障碍李亚普洛夫函数:
式中,V 1为第一步的障碍李亚普洛夫函数;γ 11、γ 12均为正设计参数;
根据不等式杨氏(Young’s)不等式,得:
其中,τ为任意给定的正常数;μ 1为第1步的控制输入电压;
由以上公式并引入双曲正切光滑函数对执行器饱和现象进行逼近补偿,可得
由上式,并根据最小参数学习算法可得:
虚拟控制率为:
自适应率为:
式中,λ 1、σ 11、σ 12均为正设计参数。
(二)对于i=2,3,…,n-1的中间步,与i=1时同理:
其中的误差函数包括第i步的虚拟误差z i 、第i+1步的虚拟误差z i+1;
z i = x i -α i-1;z i+1= x i+1-α i ;
式中,x i 、x i+1分别为第i步、第i+1步的状态变量;α i 为第i步的虚拟控制率;α i-1为第i-1步的虚拟控制率;
所建立的自适应模糊系统为:
式中,为z i 关于时间的导数;g i 为第i步中与机械手有关的非线性函数;ω i 为第i步的外界未知干扰;ε i 为第i步的最小逼近误差;θ i *为第i步的最优参数向量;T为转置运算符;ξ i 为第i步的模糊基函数向量;
所设置的障碍李亚普洛夫函数为:
式中,V i 为第i步的障碍李亚普洛夫函数;为V i-1关于时间的导数;V i-1为第i-1步的障碍李亚普洛夫函数;k bi 为第i步的虚拟误差约束,且k bi >|z i |=|x i -α i-1|;γ i1、γ i2均为正设计参数;
D i =ε i + g i -1·ω i ;
引入双曲正切光滑函数对执行器饱和现象进行逼近补偿的公式为:
式中,为V i 关于时间的导数;为V i-1关于时间的导数;μ i 为第i步的控制输入电压;τ为任意给定的正常数;为关于时间的导数;为关于时间的导数;tanh代表双曲正切光滑函数;g im、均为正常数。
得到的虚拟控制率为:
式中,λ i 、σ i1、σ i2均为正设计参数。
(三)对于最后一步,即i=n时,同理可得:
误差函数包括第n步的跟踪误差z n :z n = x n -α n-1;
式中,x n为第n步的状态变量;α n-1为第n-1步的虚拟控制率;
所建立的自适应模糊系统为:
式中,为z n 关于时间的导数;g n 为第n步中与机械手有关的非线性函数;ω n 为第n步的外界未知干扰;ε n 为第n步的最小逼近误差;θ n *为第n步的最优参数向量;T为转置运算符;ξ n 为第n步的模糊基函数向量;v为第n步的虚拟控制率;
所设置的障碍李亚普洛夫函数为:
式中,V n为第n步的障碍李亚普洛夫函数;V n-1为第n-1步的障碍李亚普洛夫函数;k bn为第n步的虚拟误差约束,且k bn>|z n |=|x n -α n-1|;γ n1、γ n2均为正设计参数;
D n =ε n + g n -1·ω n ;
引入双曲正切光滑函数对执行器饱和现象进行逼近补偿的公式为:
式中,为V n 关于时间的导数;为V n-1关于时间的导数;μ n 为第n步的控制输入电压;τ为任意给定的正常数; 为关于时间的导数;为关于时间的导数;tanh代表双曲正切光滑函数;g nm、均为正常数。
得到的虚拟控制率为:
得到的自适应率为:
式中,λ n 、σ n1、σ n2均为正设计参数。
本实施例中机械手的相关参数设置如下:
m=1,Q=0.15,B=1,K t =1,K m1=0.05,K m2=0.5、K m3=10,M t =1,g=9.8;给定期望轨迹y d =sin(t)。
机械手的初始状态为[x 1 , x 2 , x 3 ]=[0,0,0] T ;
各状态变量的限制条件分别为:|x 1(t)|﹤1.07,|x 2(t)|﹤1.8,|x 3(t)|﹤25。
u(v)为具有饱和限制u M =60的输入电压。
为了验证本申请控制方法的有效性和优越性,将本申请中的控制方法和现有的只能对输出进行约束的单约束控制方法进行对比,其中将本申请的控制方法称为本方法,将只能输出约束的单约束控制方法称为对比方法;两种控制方法中相关参数设置完全相同。
通过对比结果可知,在两种控制方法下输出信号x 1均能有效跟踪给定参考轨迹y d ,且满足输出约束条件。两种方法的具体差别请参见图2至图6。
图2为两种控制方法下的跟踪误差曲线,图2中横坐标为时间t、单位为秒,纵坐标为机械手轨迹即移动弧度、单位为rad;可以看出在本方法控制下的误差收敛更快。
图3中横坐标为时间t、单位为秒,纵坐标为机械手移动速度、单位为rad/s;从图3中可以看出,本方法控制下状态变量x 2的轨迹曲线始终在其给定限制范围以内,而对比方法控制下状态变量x 2的轨迹曲线超出了限制范围。
图4中横坐标为时间t、单位为秒,纵坐标为机械手驱动电流、单位为安培;从图4中可以看出,本方法控制下状态变量x 3的轨迹曲线在其限制范围以内,而对比方法控制的状态变量x 3的轨迹曲线超出了限制范围。
图5与图6中,横坐标为时间t、单位为秒,纵坐标为输入控制信号即输入机械手电压、单位为伏特;从图5和图6中可以看出,两种控制方法中的饱和输入信号u(v)均满足饱和限制条件,但是对比方法的输入信号v(t)比本方法的输入信号v(t)要大很多,显然本方法在更小输入信号的前提下,系统的各状态均能达到比对比方法更好的控制效果。
以上所述的具体实施方式,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施方式而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其它变体,意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。此外,在本文中使用的术语“连接”在不进行特别说明的情况下,可以是直接相连,也可以是经由其他部件间接相连。
Claims (4)
1.一种电机驱动机械手的多约束自适应控制方法,其特征在于,包括:
建立机械手的动力学模型,将所述动力学模型中的不确定部分与反演虚拟控制律的导数进行整合,得到状态空间表达式;
基于状态空间表达式将机械手执行动作划分为n步,用于满足全状态约束和执行器饱和约束的限制;
采用Mamdani模糊系统对每一步动作中的非线性函数进行逼近;
依次迭代,计算每一步动作的虚拟控制率、自适应率;
以第n步的虚拟控制率和自适应率作为实际自适应控制输出信号,以所述实际自适应控制输出信号控制机械手动作;
其中,所述状态空间表达式为:
式中,x 1、x 2、x 3均为状态变量; 分别为x 1、x 2、x 3关于时间的导数;、分别为x 2、x 3的状态估计值;y为机械手输出轨迹;t为时间变量;u(v)为控制输入电压;θ为机械手旋转角速度,为机械手下一时刻的角速度,I为机械手输入电流;f 2(·)、g 2(·)、f 3(·)、g 3(·)均为任意自变量函数;表示自变量为的函数f 2 (·);表示自变量为的函数g 2(·);表示自变量为的函数f 3(·);表示自变量为的函数g 3(·);ω 1(t)、ω 2(t)、ω 3(t)均为外界未知干扰;B为轴承粘滞摩擦系数;M t 为机械手转矩;m为机械手连轴重量;g为重力加速度;Q为机械手连轴长度;K t 为扭矩常量;K m1、K m2、K m3均为机械手增益;
在所采用的Mamdani模糊系统中,设置模糊系统隶属函数为:
式中,
基于所述模糊系统隶属函数,得到第i步的模糊基函数向量ξ i ,i=1,2,…,n;
计算每一步动作的虚拟控制率、自适应率的方法包括:
确定当前动作属于划分后的第i步,i=1,2,…,n;
定义基于虚拟控制率的误差函数,建立自适应模糊系统;
设置关于自适应率的障碍李亚普洛夫函数,并计算障碍李亚普洛夫函数关于时间的导数;
基于杨氏不等式对障碍李亚普洛夫函数关于时间的导数进行变形,并引入双曲正切光滑函数对执行器饱和现象进行逼近补偿;
采用最小参数学习算法将补偿结果中的自适应调节参数控制为2个,得到虚拟控制率、自适应率;
当i=1时:
所述误差函数包括第1步的跟踪误差z 1、第2步的虚拟误差z 2;
z 1= x 1-y d ;z 2= x 2-α 1;
式中,x 1、x 2分别为第1步、第2步的状态变量;y d 为给定期望轨迹;α 1为第1步的虚拟控制率;
所建立的自适应模糊系统为:
式中,为z 1关于时间的导数;g 1为第1步中与机械手有关的非线性函数;ω 1为第1步的外界未知干扰;ε 1为第1步的最小逼近误差;θ 1 *为第1步的最优参数向量;T为转置运算符;ξ1为第1步的模糊基函数向量;
所设置的障碍李亚普洛夫函数为:
式中,V 1为第一步的障碍李亚普洛夫函数;k b1为第1步的虚拟误差约束,且k b1>0;γ 11、γ 12均为正设计参数;
D 1=ε 1+ g 1 -1·ω 1;
引入双曲正切光滑函数对执行器饱和现象进行逼近补偿的公式为:
当i=2,3,…,n-1时:
所述误差函数包括第i步的虚拟误差z i 、第i+1步的虚拟误差z i+1;
z i = x i -α i-1;z i+1= x i+1-α i ;
式中,x i 、x i+1分别为第i步、第i+1步的状态变量;α i 为第i步的虚拟控制率;α i-1为第i-1步的虚拟控制率;
所建立的自适应模糊系统为:
式中,为z i 关于时间的导数;g i 为第i步中与机械手有关的非线性函数;ω i 为第i步的外界未知干扰;ε i 为第i步的最小逼近误差;θ i *为第i步的最优参数向量;T为转置运算符;ξ i 为第i步的模糊基函数向量;
所设置的障碍李亚普洛夫函数为:
式中,V i 为第i步的障碍李亚普洛夫函数;V i-1为第i-1步的障碍李亚普洛夫函数;k bi 为第i步的虚拟误差约束,且k bi >|z i |=|x i -α i-1|;γ i1、γ i2均为正设计参数;
D i =ε i + g i -1·ω i ;
引入双曲正切光滑函数对执行器饱和现象进行逼近补偿的公式为:
式中,为V i 关于时间的导数;为V i-1关于时间的导数;μ i 为第i步的控制输入电压;τ为任意给定的正常数;为关于时间的导数;为关于时间的导数;tanh代表双曲正切光滑函数;g im、均为正常数;
当i=n时:
所述误差函数包括第n步的跟踪误差z n :z n = x n -α n-1;
式中,x n为第n步的状态变量;α n-1为第n-1步的虚拟控制率;
所建立的自适应模糊系统为:
式中,为z n 关于时间的导数;g n 为第n步中与机械手有关的非线性函数;ω n 为第n步的外界未知干扰;ε n 为第n步的最小逼近误差;θ n *为第n步的最优参数向量;T为转置运算符;ξ n 为第n步的模糊基函数向量;v为第n步的虚拟控制率;
所设置的障碍李亚普洛夫函数为:
式中,V n为第n步的障碍李亚普洛夫函数;k bn为第n步的虚拟误差约束,且k bn>|z n |=|x n -α n-1|;γ n1、γ n2均为正设计参数;
D n =ε n + g n -1·ω n ;
引入双曲正切光滑函数对执行器饱和现象进行逼近补偿的公式为:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210498223.XA CN114578697B (zh) | 2022-05-09 | 2022-05-09 | 一种电机驱动机械手的多约束自适应控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210498223.XA CN114578697B (zh) | 2022-05-09 | 2022-05-09 | 一种电机驱动机械手的多约束自适应控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114578697A CN114578697A (zh) | 2022-06-03 |
CN114578697B true CN114578697B (zh) | 2022-07-12 |
Family
ID=81769192
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210498223.XA Expired - Fee Related CN114578697B (zh) | 2022-05-09 | 2022-05-09 | 一种电机驱动机械手的多约束自适应控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114578697B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114895570B (zh) * | 2022-07-13 | 2022-09-20 | 西南石油大学 | 一种海洋柔性立管的多约束自适应控制方法 |
CN115990888B (zh) * | 2023-03-22 | 2023-05-16 | 西南石油大学 | 一种具有死区和时变约束功能的机械臂控制方法 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110275435B (zh) * | 2019-05-24 | 2022-07-05 | 广东工业大学 | 基于观测器的多单臂机械手输出一致自适应命令滤波控制方法 |
CN110977988B (zh) * | 2019-12-27 | 2023-06-23 | 青岛大学 | 基于有限时间命令滤波的多关节机械臂阻抗控制方法 |
CN111702767A (zh) * | 2020-07-14 | 2020-09-25 | 重庆邮电大学 | 一种基于反演模糊自适应的机械手阻抗控制方法 |
CN112192573A (zh) * | 2020-10-14 | 2021-01-08 | 南京邮电大学 | 基于反演法的不确定性机器人自适应神经网络控制方法 |
CN112578805B (zh) * | 2020-12-30 | 2024-04-12 | 湖北航天飞行器研究所 | 一种旋翼飞行器的姿态控制方法 |
CN113183710B (zh) * | 2021-05-26 | 2022-07-01 | 华东理工大学 | 一种提升乘坐舒适性的主动悬架系统模糊控制方法 |
CN113485377B (zh) * | 2021-08-16 | 2023-11-17 | 大连海事大学 | 双层虚拟引导机制的无人帆船自适应路径跟踪控制方法 |
CN114442481B (zh) * | 2022-04-11 | 2022-06-07 | 西南石油大学 | 针对模型不确定的海洋柔性立管边界振动控制方法 |
-
2022
- 2022-05-09 CN CN202210498223.XA patent/CN114578697B/zh not_active Expired - Fee Related
Also Published As
Publication number | Publication date |
---|---|
CN114578697A (zh) | 2022-06-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114578697B (zh) | 一种电机驱动机械手的多约束自适应控制方法 | |
CN112180729B (zh) | 一种机械臂自适应轨迹跟踪控制方法 | |
CN106444799B (zh) | 基于模糊扩张状态观测器和自适应滑模的四旋翼无人机控制方法 | |
CN105773623B (zh) | 基于预测型间接迭代学习的scara机器人轨迹跟踪控制方法 | |
CN109581868B (zh) | 基于评判辨识结构的可重构机器人分散神经最优控制方法 | |
CN111273544B (zh) | 基于预测rbf前馈补偿型模糊pid的雷达俯仰运动控制方法 | |
CN109857100B (zh) | 一种基于反演法和快速终端滑模的复合轨迹跟踪控制算法 | |
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 | |
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 | |
CN115990888B (zh) | 一种具有死区和时变约束功能的机械臂控制方法 | |
CN109648564B (zh) | 一种基于递阶结构mpc的多自由度柔性关节机械臂系统的控制方法 | |
CN110456641A (zh) | 一种固定时预定性能循环神经网络机械臂控制方法 | |
CN114942593A (zh) | 一种基于干扰观测器补偿的机械臂自适应滑模控制方法 | |
CN112558468A (zh) | 基于双观测器的发射平台自适应鲁棒输出反馈控制方法 | |
CN115576341A (zh) | 基于函数微分和自适应变增益的无人机轨迹跟踪控制方法 | |
CN115480583A (zh) | 飞行作业机器人的视觉伺服跟踪与阻抗控制方法 | |
CN114939869A (zh) | 一种基于非奇异快速终端滑模的机械臂轨迹跟踪方法 | |
CN112847373B (zh) | 一种机器人轨迹同步控制方法、计算机可读存储介质 | |
Dong et al. | Terminal sliding mode attitude tracking control for unmanned vehicle with predefined-time stability | |
CN116079741B (zh) | 一种电机驱动单连杆机械臂的自适应控制方法 | |
CN112223276A (zh) | 基于自适应神经网络滑模控制的多关节机器人控制方法 | |
CN110095985B (zh) | 一种观测器设计方法和抗干扰控制系统 | |
CN116068893A (zh) | 一种机械臂自适应分数阶滑模控制方法、设备及介质 | |
CN114147713B (zh) | 基于自适应神经网络高阶动态滑模的轨迹跟踪控制方法 | |
CN115473467A (zh) | 基于模糊观测器的柔性关节机械臂指令滤波反步控制方法 |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20220712 |