固态酿酒翻曲机械手神经网络滑模自适应控制方法技术

本发明专利技术公开了一种固态酿酒翻曲机械手神经网络滑模自适应控制方法，包括以下步骤：S1：建立包括n个关节的翻曲机械手动力学模型；S2：将所述翻曲机械手动力学模型转化为无量纲动力学方程，并将所述无量纲动力学方程转换为状态空间方程，得到需要的控制变量；S3：建立翻曲机械手的神经网络滑模控制系统，设计基于线性反馈的滑模控制系统的控制律，将所述控制变量作为所述控制律的输入，对翻曲机械手进行自适应控制；S4：验证翻曲机械手神经网络滑模自适应控制的稳定性。

Neural network sliding mode adaptive control method for solid state wine turning manipulator

The invention discloses a sliding mode adaptive control method for a solid-state wine making and turning mechanical hand neural network, including the following steps: S1: establishing a manual mechanical model of a turning machine including a n joint; S2: conversion of the mechanical mechanical model to the dimensionless dynamic equation and the transformation of the dimensionless dynamic equation. For the state space equation, the required control variables are obtained. S3: a neural network sliding mode control system for a twisted manipulator is established, and the control law of the sliding mode control system based on linear feedback is designed. The control variable is used as the input of the control law to control the turning manipulator adaptive; S4: verifying the turning manipulator The stability of neural network sliding mode adaptive control.

【技术实现步骤摘要】
固态酿酒翻曲机械手神经网络滑模自适应控制方法
本专利技术涉及一种固态酿酒翻曲机械手神经网络滑模自适应控制方法。
技术介绍
针对曲房的搬运以和翻转的自动化设备不高，且翻曲机械手处于悬挂式，因此在高速重载的情况下，机械手的抖动较大。随着机械手技术的发展,机械手应用于白酒酿造以及翻曲中来代替白酒酿造过程中人类劳动。翻曲机械手采用关节型，是一种非线性、多输入的串联结构机械手。通过各个关节伺服控制来实现翻曲机械手末端执行器的控制。关节伺服系统是一个高度非线性的系统，运动过程中常存在干扰因素，建立其精确的运动控制模型比较困难，为了解决上述问题PID、自适应控制、滑模控制等应用机械手控制中。公开号为CN104889997A的专利技术公开了一种固态酿造翻曲高精度定位的机械手控制系统及方法，该系统包括主控制器、摄像机、激光测距仪、电源模块、第一光电传感器、第二光电传感器和分控制器；公开号为CN205774444U的技术专利公开了一种丝杆传动型曲房翻曲夹持机构；公开号为CN205802429U的技术专利公开了一种四连杆机构型曲房翻曲夹持机构，包括机架和若干对夹持板，所述机架上水平安装导轨。以上专利均未对翻曲机械手抖振以及控制策略涉及。
技术实现思路
本专利技术的目的是提供一种固态酿酒翻曲机械手神经网络滑模自适应控制方法，以解决现有滑模控制中存在的抖振现象的问题。为解决上述技术问题，本专利技术提供一种固态酿酒翻曲机械手神经网络滑模自适应控制方法，包括以下步骤：S1：建立包括n个关节的翻曲机械手动力学模型；S2：将所述翻曲机械手动力学模型转化为无量纲动力学方程，并将所述无量纲动力学方程转换为状态空间方程，得到需要的控制变量；S3：建立翻曲机械手的神经网络滑模控制系统，设计基于线性反馈的滑模控制系统的控制律，将所述控制变量作为所述控制律的输入，对翻曲机械手进行自适应控制；S4：验证翻曲机械手神经网络滑模自适应控制的稳定性。进一步地，所述步骤S1具体包括：S11：令翻曲机械手被控对象描述方程为：其中，b>0；θ为角度；为角速度，u为控制信号输入，fd为外加干扰信号，和b为未知量；S12：利用拉格朗日方法，建立包括n个关节翻曲机械手受摩擦力、未建模态和外加的扰动的影响条件下的动力学模型：令则有其中，Mn,为确定量；ΔM和为不确定量。则包括n关节的机器人动力学模型可改写为：其中，q为关节位移量；为速度矢量，为加速度矢量；M(q)为机械手的惯性矩阵；为机械手的离心力和哥氏矩阵；G(q)为作用在关节上的重力矢量；为摩擦力构成的矩阵，τd为建模误差、参数误差和外加扰动构成的矩阵，τ为控制力矩构成的矩阵。进一步地，所述步骤S3具体包括：S31：令翻曲机械手的运动轨迹为x，翻曲机械手的理想运动轨迹为xd，得到令翻曲机械手的运动轨迹x与翻曲机械手的理想运动轨迹xd之间的跟踪误差e为：其中，为跟踪误差e的导数，为的导数；S32：定义滑模面为：其中，c＝[c1c2…cn-11]，c为滑模面参数；S33：根据线性反馈，将滑模控制律设计为：得到：R＝ε(x,t)-ρsgn(s)ρ＞0其中，u为滑模控制律；R为自定义量，f(x,t)为输出的第一个RBF神经网络逼近函数，g(x,t)为输出的第二个RBF神经网络逼近函数，ε(x,t)为自定义量，ρ为正实数，sgn(s)为符号函数。S34：采用状态反馈方法控制系统模型，利用RBF神经网络线性反馈补偿器对控制模型的不确定项进行线性反馈补偿。进一步地，所述采用定义李雅普诺夫稳定性函数对翻曲机械手神经网络滑模自适应控制的稳定性进行验证，具体方法如下：定义李雅普诺夫稳定性函数：对V求导可得到：将步骤S33中的公式带入中得到：即，得出该滑模控制律满足滑模控制器稳定性条件。进一步地，该控制方法还包括如下步骤：采用RBF神经网络对翻曲机械手被控对象描述方程中的所述不确定进行f逼近。进一步地，采用RBF神经网络对翻曲机械手被控对象描述方程中的所述未知量进行f逼近所述采用的网络算法为：f＝W*h(x)+σ其中，cj为第j个节点中心矢量，h为向第j个节点径基向量，X为网络的输入矢量，bj为节点j的基宽度正参数，i为网络隐含层第i个节点，j为网络隐含层第j个节点，W*为网络的理想权值，σ为网络的逼近误差，σ≤σN。本专利技术的有益效果为：本专利技术提出了一种基于线性反馈的神经网络滑模控制方法来实现翻曲机械手关节机械手的位置控制，算法中采用神经网络不确定进行自适应调节，进一步改进了控制器的效果，有效降低了滑模控制中存在的抖振现象。附图说明此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，在这些附图中使用相同的参考标号来表示相同或相似的部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：图1为RBF神经网络结构图；图2为基于线性反馈的滑模控制算法的位置跟踪图；图3为基于线性反馈的滑模控制算法的角速度跟踪图；图4为基于线性反馈的滑模控制算法的控制输入图；图5为基于线性反馈的滑模控制算法的||f(x)||及其图。具体实施方式一种固态酿酒翻曲机械手神经网络滑模自适应控制方法，包括以下步骤：S1：建立包括n个关节的翻曲机械手动力学模型；S2：将所述翻曲机械手动力学模型转化为无量纲动力学方程，并将所述无量纲动力学方程转换为状态空间方程，得到需要的控制变量；S3：建立翻曲机械手的神经网络滑模控制系统，设计基于线性反馈的滑模控制系统的控制律，将所述控制变量作为所述控制律的输入，对翻曲机械手进行自适应控制；S4：验证翻曲机械手神经网络滑模自适应控制的稳定性。下面分别对各步骤进行详细描述：根据本申请的一个实施例，上述步骤S1具体包括：S11：令翻曲机械手被控对象描述方程为：其中，b>0；θ为角度；为角速度，u为控制信号输入，fd为外加干扰信号，和b为未知量；S12：利用拉格朗日方法，建立包括n个关节翻曲机械手受摩擦力、未建模态和外加的扰动的影响条件下的动力学模型：其中，q为关节位移量；为速度矢量，为加速度矢量；M(q)为机械手的惯性矩阵；为机械手的离心力和哥氏矩阵；G(q)为作用在关节上的重力矢量；为摩擦力构成的矩阵，τd为建模误差、参数误差和外加扰动构成的矩阵，τ为控制力矩构成的矩阵。根据本申请的一个实施例，所述步骤S3具体包括：S31：令翻曲机械手的运动轨迹为x，翻曲机械手的理想运动轨迹为xd，得到令翻曲机械手的运动轨迹x与翻曲机械手的理想运动轨迹xd之间的跟踪误差e为：其中，为跟踪误差e的导数，为的导数S32：定义滑模面为：其中，c＝[c1c2…cn-11]，c为滑模面参数；S33：根据线性反馈，将滑模控制律设计为：得到R＝ε(x,t)-ρsgn(s)ρ＞0其中，u为滑模控制律；R为自定义量，f(x,t)为输出的第一个RBF神经网络逼近函数，g(x,t)为输出的第二个RBF神经网络逼近函数，ε(x,t)为自定义量，ρ为正实数，sgn(s)为符号函数。图2-图5为基于线性反馈的滑模控制算法的仿真图。S34：采用状态反馈方法控制系统模型，利用RBF神经网络线性反馈补偿器对控制模型的不确定项进行线性反馈补偿，其中，不确定项是指外界因素对控制模型产生的影响(如翻曲机械手承载的重量变本文档来自技高网...

【技术保护点】
一种固态酿酒翻曲机械手神经网络滑模自适应控制方法，其特征在于，包括以下步骤：S1：建立包括n个关节的翻曲机械手动力学模型；S2：将所述翻曲机械手动力学模型转化为无量纲动力学方程，并将所述无量纲动力学方程转换为状态空间方程，得到需要的控制变量；S3：建立翻曲机械手的神经网络滑模控制系统，设计基于线性反馈的滑模控制系统的控制律，将所述控制变量作为所述控制律的输入，对翻曲机械手进行自适应控制；S4：验证翻曲机械手神经网络滑模自适应控制的稳定性。

【技术特征摘要】
1.一种固态酿酒翻曲机械手神经网络滑模自适应控制方法，其特征在于，包括以下步骤：S1：建立包括n个关节的翻曲机械手动力学模型；S2：将所述翻曲机械手动力学模型转化为无量纲动力学方程，并将所述无量纲动力学方程转换为状态空间方程，得到需要的控制变量；S3：建立翻曲机械手的神经网络滑模控制系统，设计基于线性反馈的滑模控制系统的控制律，将所述控制变量作为所述控制律的输入，对翻曲机械手进行自适应控制；S4：验证翻曲机械手神经网络滑模自适应控制的稳定性。2.根据权利要求1所述的固态酿酒翻曲机械手神经网络滑模自适应控制方法，其特征在于，所述步骤S1具体包括：S11：令翻曲机械手被控对象描述方程为：其中，b>0；θ为角度；为角速度，u为控制信号输入，fd为外加干扰信号，和b为未知量；S12：利用拉格朗日方法，建立包括n个关节翻曲机械手受摩擦力、未建模态和外加的扰动的影响条件下的动力学模型：其中，q为关节位移量；为速度矢量，为加速度矢量；M(q)为机械手的惯性矩阵；为机械手的离心力和哥氏矩阵；G(q)为作用在关节上的重力矢量；为摩擦力构成的矩阵，τd为建模误差、参数误差和外加扰动构成的矩阵，τ为控制力矩构成的矩阵。3.根据权利要求2所述的固态酿酒翻曲机械手神经网络滑模自适应控制方法，其特征在于，所述步骤S3具体包括：S31：令翻曲机械手的运动轨迹为x，翻曲机械手的理想运动轨迹为xd，得到令翻曲机械手的运动轨迹x与翻曲机械手的理想运动轨迹xd之间的跟踪误差e为：其中，为跟踪误差e的导数，为的导数；S32：定...

【专利技术属性】
技术研发人员：周军超，
申请(专利权)人：四川理工学院，
类型：发明
国别省市：四川,51