CN115877712A - 考虑输入饱和的基于时延的机械臂多变量螺旋控制方法 - Google Patents
考虑输入饱和的基于时延的机械臂多变量螺旋控制方法 Download PDFInfo
- Publication number
- CN115877712A CN115877712A CN202211531599.2A CN202211531599A CN115877712A CN 115877712 A CN115877712 A CN 115877712A CN 202211531599 A CN202211531599 A CN 202211531599A CN 115877712 A CN115877712 A CN 115877712A
- Authority
- CN
- China
- Prior art keywords
- mechanical arm
- time
- control
- control method
- delay
- 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.)
- Pending
Links
Images
Landscapes
- Feedback Control In General (AREA)
Abstract
本发明公开了考虑输入饱和的基于时延的机械臂多变量螺旋控制方法,首先,对电缆驱动机械臂模型进行合理选择,针对模型参数包括残余的联动动态、电机动态和集总的不确定性,使用时间延迟估计(TDE)来估计和补偿残余的集总系统动态;其次,针对机械臂动力学模型的特点以及控制需求,采用自适应多变量螺旋滑模设计控制器,进一步考虑了参数的不确定性和未知的外部干扰,对TED的估计进行误差补偿,有效地提高了控制系统的鲁棒性;最后基于Lyapunov的稳定性分析方法证明了闭环系统的稳定性。
Description
技术领域
本发明属于机械臂控制技术领域,具体涉及考虑输入饱和的基于时延的机械臂多变量螺旋控制方法。
背景技术
近年来,电缆驱动操纵器因其独特的特性而逐渐成为研究热点,与传统的工业操纵器相比,电缆驱动的操纵器具有更小的移动惯性,更好的灵活性和更高的安全性,以实现与人类的物理交互。所有上述特性都是通过将驱动电机从接头移动到底座,并通过电缆传输力而获得的。由于这些优点,电缆驱动的操纵器已被广泛应用于许多实际应用的。与传统的操纵器相比,电缆驱动技术的应用也给精确控制性能带来了困难。电缆驱动操纵器的主要困难是低刚度、高关节柔性、复杂的系统动力学和外部时变扰动。因此,在实际应用中,设计一个合适的控制方案仍然是一项挑战。
为了提高控制性能,提出了时延估计(TDE)方案,并对其进行了研究。TDE的主要含义是利用时滞系统状态来估计剩余的动态,由于TDE可以产生无模型特性使得控制更加便利,所以TDE技术自被提出以来已被广泛应用。但是利用TDE的延时信号会导致不可避免的估计误差——TDE误差,会导致控制性能下降。因此,通常采用额外的鲁棒控制方案来增强基于TDE的非线性控制,如SM和TSM控制、自适应方法、模糊逻辑控制和神经网络控制。作为最重要的控制工具之一,SM及其变体已与TDE方案广泛结合,并受益于其强大的鲁棒性和简单的形式。虽然使用基于TDE的SM/TSM控制方案已经获得了极好的效果,但它们仍然局限于传统的方法来解决抖动问题。
在工作期间,机械臂不可避免地会受到外部环境的影响,从而干扰机械臂的正常运行条件。因此,如何在有限时间内实现机械臂的收敛已经得到了广泛的研究,目前提出并研究了解决SM控制及其变体的抖动问题的几种技术,如边界层、连续到达律、自适应控制、智能控制和高阶SM控制。其中,自适应多变量螺旋方案是一种二阶连续滑模控制算法。当边界已知且存在具有有界梯度的平滑匹配扰动时,生成一个连续的控制函数,并在有限的时间内将滑动变量及其导数驱动为零。由于其收敛速度快、收敛精度高而受到学术界的广泛研究,自适应控制可以实现更快的收敛速度,提供更高的控制精度和抗干扰能力。
除此之外,为了保证电缆驱动机械手的精确和安全运行,饱和控制要求是不能忽视的。在通常的控制情况下,系统的输入仅仅根据设置的控制率所变化,输入的数值就可能出现过载的问题。由于机械臂控制结构的限制,超出机体能承受的控制力是不安全的,如果机械臂遇到突发事件,产生巨大的响应,那么就可能导致机械系统出现故障以及不受控的情况,与外界发生碰撞,造成安全问题和经济损失。
发明内容
为了克服上述现有技术的不足,本发明考虑机械臂实际操作过程中的未知干扰,执行器饱和以及强耦合的影响,针对机械臂姿态控制的需求,提出了一种新型的考虑输入饱和的基于时延的机械臂多变量螺旋控制方法,进而实现了对机械臂姿态的有限时间快速精确跟踪。
本发明所采用的技术方案是:首先,对电缆驱动机械臂模型进行合理选择,针对模型参数包括残余的联动动态、电机动态和集总的不确定性,使用时间延迟估计(TDE)来估计和补偿残余的集总系统动态;其次,针对机械臂动力学模型的特点以及控制需求,采用自适应多变量螺旋滑模设计控制器,进一步考虑了参数的不确定性和未知的外部干扰,对TED的估计进行误差补偿,有效地提高了控制系统的鲁棒性。此外,考虑到输入饱和度,本文还对输入量进行了安全的约束,避免了输入过载造成的机器坏死。该策略不需要准确地估计外部干扰,仍然可以实现机械臂对参考指令的精确跟踪,并基于Lyapunov的稳定性分析方法证明了闭环系统的稳定性。
步骤1,建立动力学模型用于描述电缆机械臂的状态,便于设计精度高的控制方法;
n自由度的机械臂的动力学模型可表示为:
式中,J和dm是电机惯性和阻尼矩阵,q和θ是关节和电机位置向量,分别表示对q和θ求一阶导数和二阶导数,M(q)是惯性矩阵,/>是科里奥利/离心矩阵,g(q)是引力,/>则是摩擦矢量,τm和τs分别为电机给出的控制转矩和关节柔度转矩,ds为阻尼矩阵,ks为关节刚度矩阵,τd表示集总未知不确定性;
其中,f的表达式为:
步骤2,运用TED方案估计上述提到的未知参数f的估计值;
式中△t为延迟时间,将动力学模型(4)带入(6)可得:
由(6)和(7)可以看出,时延估计方案的主要目的是仅使用控制和加速度信号的时滞值估计集总系统动力学,然后给出一种无模型方案。在工程运用中,τm(t-△t)可以由τm的直接时滞得出,利用数值微分法得到/>
其中,T≥2△t;在初始阶段时t≤2△t,q(t)具有实际测量值,而q(t-2△t)会被手动置零,从而可能导致强烈波动,因此(8)用来缓解可能存在的强烈波动。在任务进行阶段,将设置为(9)的形式,能够对其进行延时估计,得出估计值。
它广泛应用于很多基于TDE的鲁棒控制方案。本发明中的仿真部分证明了它的有效性,如果不采取措施,数值微分(9)会显著放大噪声效应,从而降低控制性能。
由(8)和(9)可知,集总系统动力学的当前值由TDE方案使用时滞系统状态估计得到,所以当出现较大的扰动时,此方法的估计误差会变大。但我们提出的自适应多变量螺旋算法方法能能减少估计误差,本文的仿真证明了该方法的有效性。
步骤3,针对机械臂的特征,设计控制精度更高的自适应控制方法;
针对机械臂的动力学模型,考虑执行器饱和以及外界干扰的影响设计姿态控制器,定义机械臂的姿态跟踪误差为:
eq=q-qd (10)
其中qd为待确定的期望姿态,对(10)两边二次求导可得
考虑机械臂输入饱和的影响,式(12)可转化为下式(13)的形式
其中,τmimax为执行机构所允许的最大力矩值,通过式(14)得:当控制器产生的力|τmi|大于τmimax时,当控制器产生的力|τmi|小于τmimax时,/>通过函数/>通过函数/>将输出控制力矩限制在了执行器允许的范围内。
通过上述变换,得到机械臂系统的面向控制模型:
其中
||ρ||≤D,D>0且未知。
基于式(15),采用自适应多变量螺旋算法设计姿态控制器如式(17)所示:
定理1:对于机械臂系统(1)~(3),在自适应多变量螺旋滑模控制器(17)和自适应增益(18)下,选取适当的参数,姿态系统可实现有限时间稳定,关节姿态误差可以在有限时间内收敛到原点附近的邻域内。
步骤4,设计控制方法后,利用李雅普诺夫函数证明方法的有效性;
为证明系统在的作用下可以实现有限时间稳定,选择如下的Lyapunov候选函数。
参考已有文章,我们可以得到式(21):
其中,λmax(P1),λmin(P1)表示为矩阵的最大特征值和最小特征值
由式(21)可得
当自适应增益k1按照式中自适应律增长到满足k1≥2D时,eq可在有限时间内收敛到限定区间ε1内,此时可证明本发明可以有效地使得机械臂在精准的控制下,并且能够避免输入力矩过大的情况。
与现有技术相比,本发明具有以下有益效果:
(1)本发明中设计的自适应多变量螺旋算法无需预知系统所受干扰及其导数的上界便可实现对系统的精确稳定控制。
(2)针对典型的二阶姿态模型,采用自适应多变量螺旋滑模设计姿态控制器,自适应律的引入有效的抑制了抖振。
(3)本发明中设计的自适应多变量螺旋滑模控制器具有收敛速度快,收敛精度高的优点,适用于机械臂快机动性中对姿态控制器收敛速度的需求。
(4)避免了输入饱和的问题。饱和控制的使用使得机械臂输入能够维持在安全的范围内,提供了更大的稳定性。
附图说明
图1为本发明控制方法与现有方法误差对比图。
图2为本发明控制方法与现有方法力矩对比图。
具体实施方式
下面结合具体附图和实施步骤对本发明的技术方案做进一步详细的说明。
步骤1,针对电缆机械臂建立专有数学模型,便于设计精度高的控制方法
一个n自由度的机械臂的动力学模型表示为:
式中,J和dm是电机惯性和阻尼矩阵,q和θ是关节和电机位置向量,分别表示对q和θ求一阶导数和二阶导数,M(q)是惯性矩阵,/>是科里奥利/离心矩阵,g(q)是引力,/>则是摩擦矢量,τm和τs分别为电机给出的控制转矩和关节柔度转矩,ds为阻尼矩阵,ks为关节刚度矩阵。τd表示集总未知不确定性。
将(2)带入(1),并应用一个常数参数得到:
其中,f的表达式为:
可简化为以下式子
式中△t为延迟时间,将综合系统动力学(4)带入(6)可得:
其中,T≥2△t;在初始阶段时t≤2△t,q(t)具有实际测量值,而q(t-2△t)会被手动置零,从而可能导致强烈波动,因此(8)用来缓解可能存在的强烈波动。在任务进行阶段,将设置为(9)的形式,能够对其进行延时估计,得出估计值。
它广泛应用于很多基于TDE的鲁棒控制方案。本文的仿真部分证明了它的有效性。如果不采取措施,数值微分(9)会显著放大噪声效应,从而降低控制性能。然而,有文章已经证明可以通过降低增益M或使用额外的低通滤波器来解决这个问题。
由(8)和(9)可知,集总系统动力学的当前值由TDE方案使用时滞系统状态估计得到,所以当出现较大的扰动时,此方法的估计误差会变大。但我们提出的自适应多变量螺旋算法方法能能减少估计误差,本文的仿真证明了该方法的有效性。
步骤3,针对机械臂的特征,设计控制精度更高的自适应多变量螺旋控制方法;
针对机械臂的动力学模型,考虑执行器饱和以及外界干扰的影响设计姿态控制器,定义机械臂的姿态跟踪误差为:
eq=q-qd (10)
其中,qd为待确定的期望姿态,对(10)两边二次求导可得
考虑机械臂输入饱和的影响,式(12)可转化为下式(13)的形式
其中,τmimax为执行机构所允许的最大力矩值,通过式(14)得:当控制器产生的力|τmi|大于τmimax时,当控制器产生的力|τmi|小于τmimax时,/>通过函数/>通过函数/>将输出控制力矩限制在了执行器允许的范围内。
通过上述变换,得到机械臂系统的面向控制模型
其中
||ρ||≤D,D>0且未知。
基于式(15),采用自适应多变量螺旋算法设计姿态控制器如式(17)所示:
k1>0为自适应增益,满足式(18)中所示的自适应率:
α1,β1,ε1为大于零的参数。
将姿态控制律(17)代入(15)中,得式(19)
定理1:对于机械臂系统(1)~(2),在自适应多变量螺旋滑模控制器(17)和自适应增益(18)下,选取适当的参数,姿态系统可实现有限时间稳定,关节姿态误差可以在有限时间内收敛到原点附近的邻域内。
步骤4,设计控制方法后,利用李雅普诺夫函数证明方法的有效性。
为证明控制系统作用下可以实现机械臂在有限时间稳定,选择如下的Lyapunov候选函数。
其中,λmax(P1),λmin(P1)表示为矩阵的最大特征值和最小特征值
由式(21)可得
当自适应增益k1按照式(13)中的自适应律增长到满足k1≥2D时,eq可在有限时间内收敛到限定区间ε1内.此时可证明本发明可以有效地使得机械臂在精准的控制下,并且能够避免输入力矩过大的情况。
步骤5,利用matlab编程测试控制率设计的效果;
参数设置为α1=12,β1=2,ε1=0.002。
其中图1中黑色实线为自适应多变量控制方法,灰色实线中为滑模控制方法,滑模控制是机械臂控制的经典方法,我们从误差收敛速度和误差对抗外部干扰能力进行对比。从图1可以看出,滑模控制下的机械臂在初始位置远离期望位置时,其误差在4秒内收敛,而在自适应多变量螺旋控制下,该误差在1秒内收敛,说明自适应多变量螺旋控制收敛速度更快。当控制渐近稳定时,自适应多变量螺旋控制下的机械臂在外部干扰下的误差较小,说明自适应多变量螺旋控制方法对外部干扰更更强,具有较高的控制精度。图2显示了饱和控制下机械臂在受到外部干扰下的力矩的波动。此外,在饱和控制下的扭矩始终保持在安全范围(黑色虚线是我们设定的安全范围)内。这意味着饱和控制可以避免输入过载的情况。在输入过载的情况下,我们可以确保控制输入在机械臂能够维持的范围内。
Claims (5)
1.考虑输入饱和的基于时延的机械臂多变量螺旋控制方法,其特征在于,包括如下步骤:
步骤1,建立动力学模型用于描述电缆机械臂的状态;
步骤2,运用时间延迟估计TED方案估计动力学模型中未知参数的估计值;
步骤3,针对机械臂的特征,设计控制精度更高的自适应多变量螺旋控制方法。
4.如权利要求3所述的考虑输入饱和的基于时延的机械臂多变量螺旋控制方法,其特征在于:针对机械臂的动力学模型,考虑执行器饱和以及外界干扰的影响设计姿态控制器,定义机械臂的姿态跟踪误差为:
eq=q-qd (10)
其中qd为待确定的期望姿态,对(10)两边二次求导可得
考虑机械臂输入饱和的影响,,式(12)可转化为下式(13)的形式
其中,τmimax为执行机构所允许的最大力矩值,通过式(14)得:当控制器产生的力τmi大于τmimax时,当控制器产生的力τmi小于τmimax时,通过函数/>通过函数/>将输出控制力矩限制在了执行器允许的范围内;
通过上述变换,得到机械臂系统的面向控制模型:
其中
ρ≤D,D>0且未知;
基于式(15),采用自适应多变量螺旋算法设计姿态控制器如式(17)所示:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211531599.2A CN115877712A (zh) | 2022-12-01 | 2022-12-01 | 考虑输入饱和的基于时延的机械臂多变量螺旋控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211531599.2A CN115877712A (zh) | 2022-12-01 | 2022-12-01 | 考虑输入饱和的基于时延的机械臂多变量螺旋控制方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115877712A true CN115877712A (zh) | 2023-03-31 |
Family
ID=85765343
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211531599.2A Pending CN115877712A (zh) | 2022-12-01 | 2022-12-01 | 考虑输入饱和的基于时延的机械臂多变量螺旋控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115877712A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117908362A (zh) * | 2024-03-15 | 2024-04-19 | 山东大学 | 柔性关节机器人的复合抗饱和控制方法及控制系统 |
-
2022
- 2022-12-01 CN CN202211531599.2A patent/CN115877712A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117908362A (zh) * | 2024-03-15 | 2024-04-19 | 山东大学 | 柔性关节机器人的复合抗饱和控制方法及控制系统 |
CN117908362B (zh) * | 2024-03-15 | 2024-06-07 | 山东大学 | 柔性关节机器人的复合抗饱和控制方法及控制系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108875253B (zh) | 基于干扰观测器的欠驱动吊车系统的终端滑模消摆控制方法及系统 | |
CN108388114B (zh) | 一种基于输出重定义的柔性机械臂复合控制方法 | |
CN108453732B (zh) | 控制体系封闭机器人自适应动态力/位置混合控制方法 | |
CN110467111B (zh) | 桥式起重机的控制 | |
Zaare et al. | Continuous fuzzy nonsingular terminal sliding mode control of flexible joints robot manipulators based on nonlinear finite time observer in the presence of matched and mismatched uncertainties | |
CN111650832B (zh) | 一种水下多足步行机器人机械足姿态跟踪控制方法 | |
Liu et al. | Barrier function-based adaptive sliding mode control for application to vehicle suspensions | |
CN109911771B (zh) | 变系数自抗扰控制器设计方法、及吊车自抗扰控制器 | |
Markazi et al. | Adaptive fuzzy sliding mode control of under-actuated nonlinear systems | |
CN115877712A (zh) | 考虑输入饱和的基于时延的机械臂多变量螺旋控制方法 | |
CN110703609A (zh) | 一种电机伺服系统智能运动控制方法 | |
CN115816453A (zh) | 基于tde的自适应超螺旋多变量快速终端滑模控制方法 | |
de Jesus Rubio et al. | An asymptotic stable proportional derivative control with sliding mode gravity compensation and with a high gain observer for robotic arms | |
Lee et al. | Model-free force tracking control of piezoelectric actuators: application to variable damping actuator | |
CN107765548B (zh) | 基于双观测器的发射平台高精度运动控制方法 | |
Meng et al. | An EPCH control strategy for complex nonlinear systems with actuator saturation and disturbances | |
Chen et al. | Efficiently computable constrained optimal feedback controllers | |
Fu et al. | Non-switching reference trajectory based discrete-time sliding mode path following control for dynamic positioning ship with time-varying disturbances | |
CN115128951A (zh) | 一种基于期望轨迹受限优化的双环高性能控制方法 | |
Xiao et al. | Anti-swing design for overhead crane based on dual sliding mode control | |
Cruz-Ancona et al. | Adaptive continuous controllers ensuring prescribed ultimate bound for uncertain dynamical systems | |
Fateh et al. | Model-free adaptive task-space sliding mode control of a Delta robot using a novel reaching law | |
Rodriguez et al. | Anti-swing control with hierarchical fuzzy CMAC compensation for an overhead crane | |
CN116736728B (zh) | 一种基于geso的rdob、二自由度rimc及用于直流电机控制的rimc | |
Talebi et al. | Experimental evaluation of neural network based controllers for tracking the tip position of a flexible-link manipulator |
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 |