CN115139340B - 一种失效故障下柔性机器人关节神经网络观测器设计方法 - Google Patents
一种失效故障下柔性机器人关节神经网络观测器设计方法 Download PDFInfo
- Publication number
- CN115139340B CN115139340B CN202211063726.0A CN202211063726A CN115139340B CN 115139340 B CN115139340 B CN 115139340B CN 202211063726 A CN202211063726 A CN 202211063726A CN 115139340 B CN115139340 B CN 115139340B
- Authority
- CN
- China
- Prior art keywords
- inertia
- double
- elastic system
- fault
- inertia elastic
- 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
Links
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J19/00—Accessories fitted to manipulators, e.g. for monitoring, for viewing; Safety devices combined with or specially adapted for use in connection with manipulators
- B25J19/007—Means or methods for designing or fabricating manipulators
-
- 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
- G05B13/0205—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric not using a model or a simulator of the controlled system
- G05B13/024—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric not using a model or a simulator of the controlled system in which a parameter or coefficient is automatically adjusted to optimise the performance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Mechanical Engineering (AREA)
- Robotics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种失效故障下柔性机器人关节神经网络观测器设计方法,包括:建立符合柔性机器人关节要求的双惯量弹性系统的数学模型及状态空间模型;根据双惯量弹性系统的状态空间模型与故障容错控制规律,建立双惯量弹性系统发生失效故障情况下的系统状态空间方程;根据双惯量弹性系统发生失效故障时预设的假设条件,设计自适应反馈容错控制器;设计神经网络观测器,以在双惯量弹性系统发生失效故障时,为所述容错控制器提供双惯量弹性系统的准确测量参数。本发明可准确的观测双惯量弹性系统发生失效故障下的相关参数,并将其用于容错控制器中,以便实现对期望输出信号的跟踪与控制。
Description
技术领域
本发明涉及机器人控制技术领域,特别涉及一种失效故障下柔性机器人关节神经网络观测器设计方法。
背景技术
关节机器人也称关节手臂机器人或关节机械手臂,是当今工业领域中最常见的工业机器人的形态之一,适合用于诸多工业领域的机械自动化作业。比如,自动装配、喷漆、搬运、焊接等工作,关节机器人利用电机驱动,使用高精度永磁同步电机矢量控制系统实现机器人关节的高精度控制。
双惯量弹性系统是以柔性传递运动为主要目的的一种机械传动形式,由交流伺服驱动电机、传动轴、动态负载加载装置组成,具有运动精度高、承载能力大、体积小、无间隙等特点。在双惯量弹性系统中,伺服电机驱动负载运行时,由于中间的传动轴系等传动部件客观柔性的存在,产生的弹性扭转变形将造成动态负载端响应明显的滞后,甚至会成为系统的储能元件。
在双惯量弹性系统发生失效故障时,由于双惯量弹性系统输出达不到预期结果,实际输出参数呈非线性变化,而在实际工程中非线性参数不易测量。
发明内容
本发明提供了一种失效故障下柔性机器人关节神经网络观测器设计方法,以解决在双惯量弹性系统发生失效故障时,由于双惯量弹性系统输出达不到预期结果,实际输出参数呈非线性变化,在实际工程中难以测量的技术问题。
为解决上述技术问题,本发明提供了如下技术方案:
一方面,本发明提供了一种失效故障下柔性机器人关节神经网络观测器设计方法,所述失效故障下柔性机器人关节神经网络观测器设计方法包括:
建立符合柔性机器人关节要求的双惯量弹性系统的数学模型,并根据双惯量弹性系统的数学模型,建立双惯量弹性系统的状态空间模型;
根据双惯量弹性系统的状态空间模型与故障容错控制规律,建立双惯量弹性系统发生失效故障情况下的系统状态空间方程;
根据双惯量弹性系统发生失效故障时预设的假设条件,基于双惯量弹性系统发生失效故障情况下的系统状态空间方程,设计自适应反馈容错控制器;
针对所设计的自适应反馈容错控制器,设计神经网络观测器,以在双惯量弹性系统发生失效故障时,为所述容错控制器提供双惯量弹性系统的测量参数。
进一步地,双惯量弹性系统的数学模型的表达式为:
其中,为电机转动惯量,为电机侧角速度,为电机侧转矩,分别为电机
侧、负载侧粘滞阻尼系数,为负载转动惯量,为轴矩,为负载侧角速度,为负载侧转
矩,为转轴传动刚度系数,分别为电机侧转动角度与负载侧转动角度,为传动轴
的阻尼系数。
进一步地,所述根据双惯量弹性系统的数学模型,建立双惯量弹性系统的状态空间模型,包括:
进一步地,所述根据双惯量弹性系统的状态空间模型与故障容错控制规律,建立双惯量弹性系统发生失效故障情况下的系统状态空间方程,包括:
根据系统发生故障时的实际输出将系统的工作情况分为以下三种:
得到双惯量弹性系统发生失效故障情况下的系统状态空间方程为:
进一步地,双惯量弹性系统发生失效故障时预设的假设条件包括:
假设3:在双惯量弹性系统发生堵转故障之前,双惯量弹性系统仍可根据给定输入达到所需的控制目标,并且双惯量弹性系统可承受部分失效故障的影响;
进一步地,所述根据双惯量弹性系统发生失效故障时预设的假设条件,基于双惯量弹性系统发生失效故障情况下的系统状态空间方程,设计自适应反馈容错控制器,包括:
得到对双惯量弹性系统实现主动容错控制的状态反馈控制律,如式(4)所示:
其中,为任一正常数;分别为电机侧输入矩阵与负载侧输入矩阵,为满足
式(2)~式(3)的正定矩阵;为一段固定积分时间。将式(5)代入双惯量弹性系统发生失效故
障情况下的系统状态空间方程,得到闭环系统方程:
进一步地,所述神经网络观测器的表达式为:
对式(9)取拉氏变换得:
再一方面,本发明还提供了一种电子设备,其包括处理器和存储器;其中,存储器中存储有至少一条指令,所述指令由处理器加载并执行以实现上述方法。
又一方面,本发明还提供了一种计算机可读存储介质,所述存储介质中存储有至少一条指令,所述指令由处理器加载并执行以实现上述方法。
本发明提供的技术方案带来的有益效果至少包括:
本发明为了保证容错控制器能够得到准确的双惯量弹性系统运行参数,设计了一种改进的神经网络观测器来观测系统各项运行参数并将其传递给容错控制器,当双惯量弹性系统发生失效故障后,该神经网络状态观测器能够将发生失效故障时的双惯量弹性系统输出误差进行计算并进行滤波处理,得到最准确的双惯量弹性系统发生失效故障的程度与输出误差,并将修正过的参数送入容错控制器中,进而自适应调节控制参数的大小,保持系统运行状态的稳定收敛。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的失效故障下柔性机器人关节神经网络观测器设计方法的执行流程示意图;
图2是采用了神经网络观测器的控制系统框图。
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,下面将结合附图对本发明实施方式作进一步地详细描述。
第一实施例
本实施例提供了一种失效故障下柔性机器人关节神经网络观测器设计方法,该方法可由电子设备实现。该方法的执行流程如图1所示,包括以下步骤:
S1,建立符合柔性机器人关节要求的双惯量弹性系统的数学模型,并根据双惯量弹性系统的数学模型,建立双惯量弹性系统的状态空间模型;
具体地,在本实施例中,双惯量弹性系统的数学模型的表达式为:
其中,为电机转动惯量,为电机侧角速度,为电机侧转矩,分别为电机
侧、负载侧粘滞阻尼系数,为负载转动惯量,为轴矩,为负载侧角速度,为负载侧转
矩,为转轴传动刚度系数,分别为电机侧转动角度与负载侧转动角度为传动轴
的阻尼系数。
S2,根据双惯量弹性系统的状态空间模型与故障容错控制规律,建立双惯量弹性系统发生失效故障情况下的系统状态空间方程;
需要说明的是,在双惯量弹性系统发生失效故障后,由于双惯量系统是调整柔性
机器人关节位置和姿势的执行机构。本实施例考虑双惯量系统失效和堵转两种故障类型。
令表示双惯量系统的控制输入信号,表示双惯量弹性系统发生堵转故障位置处的
未知有界信号。表示双惯量系统的实际输出信号。当双惯量系统发生故障时,实际的双惯
量弹性系统的输出可以表示为:
由上式可得该双惯量系统的3种工作情况:
由上可知双惯量弹性系统发生失效故障情况下的系统状态空间方程可写为:
S3,根据双惯量弹性系统发生失效故障时预设的假设条件,基于双惯量弹性系统发生失效故障情况下的系统状态空间方程,设计自适应反馈容错控制器;
需要说明的是,由系统发生失效故障的状态空间表达式,可做出如下假设:
假设3:在双惯量弹性系统发生堵转故障之前,双惯量弹性系统仍可根据给定输入达到所需的控制目标,并且双惯量弹性系统可承受部分失效故障的影响;
基于上述假设,将设计一个自适应反馈容错控制器,使得该双惯量闭环系统是一
致有界的,当弹性系统故障和参数不确定同时存在,且对系统动力学产生一定影响,容错误
差能够逐渐收敛。本文主要采用反馈控制器积分增益的设计方法,并在此基础上加上以便实现对期望输出信号的跟踪。由此,得到对双惯量弹性系
统实现主动容错控制的状态反馈控制律,如下:
将式(5)代入双惯量弹性系统发生失效故障情况下的系统状态空间方程,得到闭环系统方程:
S4,针对所设计的自适应反馈容错控制器,设计神经网络观测器,以在双惯量弹性系统发生失效故障时,为容错控制器提供双惯量弹性系统的测量参数。
需要说明的是,针对反馈容错控制算法的设计,为了给该控制算法提供较为准确
的输入信号,提出采用神经网络观测器的算法来对发生失效的双惯量弹性系统输出参数与
失效程度进行准确的测量以达到更好的控制效果。在建立该双惯量弹性系统模型的基础
上,能够对双惯量弹性系统的故障进行很好的估计。对于该控制系统而言,它是一个非线性
强耦合的系统,故而可以用一个函数来表示它的非线性部分,是一个关于状态观测
和控制输入的非线性函数。
基于上述,针对双惯量弹性系统可以设计如下所示的神经网络观测器:
对式(9)取拉氏变换得:
采用了本实施例所设计的神经网络观测器的控制系统如图2所示。
综上,本实施例为了保证在双惯量弹性系统发生失效故障后,容错控制器能够得到准确的双惯量弹性系统运行参数,设计了一种改进的神经网络观测器,本实施例所设计的神经网络观测器能够实时准确的观测双惯量弹性系统发生失效故障下的相关参数及发生失效故障的程度与输出误差,并将相关参数输入至容错控制器中,使其能够自适应调节控制参数大小可以有效补偿失效故障和双惯量弹性系统内部不确定性带来的干扰,保证系统内各参数快速有界收敛。
第二实施例
本实施例提供一种电子设备,其包括处理器和存储器;其中,存储器中存储有至少一条指令,所述指令由处理器加载并执行,以实现第一实施例的方法。
该电子设备可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上处理器(central processing units,CPU)和一个或一个以上的存储器,其中,存储器中存储有至少一条指令,所述指令由处理器加载并执行上述方法。
第三实施例
本实施例提供一种计算机可读存储介质,该存储介质中存储有至少一条指令,所述指令由处理器加载并执行,以实现上述第一实施例的方法。其中,该计算机可读存储介质可以是ROM、随机存取存储器、CD-ROM、磁带、软盘和光数据存储设备等。其内存储的指令可由终端中的处理器加载并执行上述方法。
此外,需要说明的是,本发明可提供为方法、装置或计算机程序产品。因此,本发明实施例可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本发明实施例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上实施的计算机程序产品的形式。
本发明实施例是参照根据本发明实施例的方法、终端设备(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、嵌入式处理机或其他可编程数据处理终端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终端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终端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终端设备上,使得在计算机或其他可编程终端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终端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。
还需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他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、物品或者终端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、物品或者终端设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
最后需要说明的是,以上所述是本发明优选实施方式,应当指出,尽管已描述了本发明优选实施例,但对于本技术领域的技术人员来说,一旦得知了本发明的基本创造性概念,在不脱离本发明所述原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明实施例范围的所有变更和修改。
Claims (1)
1.一种失效故障下柔性机器人关节神经网络观测器设计方法,其特征在于,所述失效故障下柔性机器人关节神经网络观测器设计方法包括:
建立符合柔性机器人关节要求的双惯量弹性系统的数学模型,并根据双惯量弹性系统的数学模型,建立双惯量弹性系统的状态空间模型;
根据双惯量弹性系统的状态空间模型与故障容错控制规律,建立双惯量弹性系统发生失效故障情况下的系统状态空间方程;
根据双惯量弹性系统发生失效故障时预设的假设条件,基于双惯量弹性系统发生失效故障情况下的系统状态空间方程,设计自适应反馈容错控制器;
针对所设计的自适应反馈容错控制器,设计神经网络观测器,以在双惯量弹性系统发生失效故障时,为所述容错控制器提供双惯量弹性系统的测量参数;双惯量弹性系统的数学模型的表达式为:
其中,为电机转动惯量,为电机侧角速度,为电机侧转矩,分别为电机侧、负
载侧粘滞阻尼系数,为负载转动惯量,为轴矩,为负载侧角速度,为负载侧转矩,
为转轴传动刚度系数,分别为电机侧转动角度与负载侧转动角度,为传动轴的阻尼
系数;
所述根据双惯量弹性系统的数学模型,建立双惯量弹性系统的状态空间模型,包括:
其中,
所述根据双惯量弹性系统的状态空间模型与故障容错控制规律,建立双惯量弹性系统发生失效故障情况下的系统状态空间方程,包括:
根据系统发生故障时的实际输出将系统的工作情况分为以下三种:
得到双惯量弹性系统发生失效故障情况下的系统状态空间方程为:
双惯量弹性系统发生失效故障时预设的假设条件包括:
假设3:在双惯量弹性系统发生堵转故障之前,双惯量弹性系统仍可根据给定输入达到所需的控制目标,并且双惯量弹性系统可承受部分失效故障的影响;
所述根据双惯量弹性系统发生失效故障时预设的假设条件,基于双惯量弹性系统发生失效故障情况下的系统状态空间方程,设计自适应反馈容错控制器,包括:
得到对双惯量弹性系统实现主动容错控制的状态反馈控制律,如式(4)所示:
将式(5)代入双惯量弹性系统发生失效故障情况下的系统状态空间方程,得到闭环系统方程:
所述神经网络观测器的表达式为:
对式(9)取拉氏变换得:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211063726.0A CN115139340B (zh) | 2022-09-01 | 2022-09-01 | 一种失效故障下柔性机器人关节神经网络观测器设计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211063726.0A CN115139340B (zh) | 2022-09-01 | 2022-09-01 | 一种失效故障下柔性机器人关节神经网络观测器设计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115139340A CN115139340A (zh) | 2022-10-04 |
CN115139340B true CN115139340B (zh) | 2022-11-18 |
Family
ID=83416607
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211063726.0A Active CN115139340B (zh) | 2022-09-01 | 2022-09-01 | 一种失效故障下柔性机器人关节神经网络观测器设计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115139340B (zh) |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4289501B2 (ja) * | 2004-10-14 | 2009-07-01 | 日本電信電話株式会社 | ロボット制御方法及びプログラム |
CN106292681B (zh) * | 2016-09-19 | 2019-02-19 | 北京航空航天大学 | 一种基于观测器和在线控制分配的卫星主动容错控制方法 |
CN108153322B (zh) * | 2017-12-06 | 2019-03-29 | 北京航空航天大学 | 一种考虑时变的转动惯量的航天器姿态跟踪自适应容错控制方法 |
CN113031442B (zh) * | 2021-03-04 | 2022-08-02 | 长春工业大学 | 一种模块化机械臂分散鲁棒容错控制方法及系统 |
CN113146640B (zh) * | 2021-04-27 | 2023-06-13 | 长春工业大学 | 一种考虑执行器故障的机械臂分散最优容错控制方法 |
-
2022
- 2022-09-01 CN CN202211063726.0A patent/CN115139340B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN115139340A (zh) | 2022-10-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112817231B (zh) | 一种具有强鲁棒性的机械臂高精度跟踪控制方法 | |
Humaidi et al. | Linear and Nonlinear Active Disturbance Rejection Controllers for Single-Link Flexible Joint Robot Manipulator based on PSO Tuner. | |
CN106873383B (zh) | 一种降低工业机器人振动的在线控制方法 | |
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 | |
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 | |
CN110977969B (zh) | 一种基于机械臂位姿变换的柔性负载伺服驱动系统的谐振抑制方法 | |
CN113799136A (zh) | 一种基于全状态反馈的机器人关节高精度控制系统及方法 | |
CN111546346A (zh) | 一种柔性关节扰动观测方法、力矩控制方法和设备 | |
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 | |
CN112643670A (zh) | 一种基于滑模观测器的柔性关节控制方法 | |
CN116991068A (zh) | 基于分布式预设时间梯度下降法的电机控制方法及系统 | |
CN115139340B (zh) | 一种失效故障下柔性机器人关节神经网络观测器设计方法 | |
CN109709807A (zh) | 一种基于摩擦补偿的自适应神经网络控制方法及其装置 | |
Li et al. | Neural-based adaptive fixed-time prescribed performance control for the flexible-joint robot with actuator failures | |
WO2018016628A1 (ja) | 軸トルク制御装置 | |
Shen et al. | Finite‐time command filtered control combined with pi‐sigma fuzzy neural network for hydraulic control system | |
CN116330297A (zh) | 一种柔性机械臂关节系统的自适应控制器、模块及机器人 | |
CN110802602A (zh) | 一种基于pi控制策略的机械臂柔性关节位姿变换抑振方法 | |
CN114290327B (zh) | 基于一阶变增益adrc的六轴机械臂控制系统 | |
CN115750592A (zh) | 一种主动磁悬浮轴承转子的解耦和不平衡振动控制方法 | |
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 | |
Wang et al. | Robust tracking and vibration suppression for nonlinear two-inertia system via modified dynamic surface control with error constraint | |
CN115236990A (zh) | 一种广义估计器、广义抗扰控制器及设计方法 | |
Tang et al. | A fuzzy-PID depth control method with overshoot suppression for underwater vehicle |
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 |