一种柔性关节机器人的自适应神经网络跟踪控制方法技术

本发明专利技术涉及一种柔性关节机器人的自适应神经网络跟踪控制方法，包括超声波电机，所述超声波电机一侧输出轴与光电编码器相连接，另一侧输出轴与飞轮惯性负载相连接，所述飞轮惯性负载的输出轴经联轴器与力矩传感器相连接，所述光电编码器的信号输出端、所述力矩传感器的信号输出端分别接至控制系统；所述控制系统建立在自适应神经网络基础上，使用补偿器使得跟踪误差最小，从而能获得更好的控制效能。

【技术实现步骤摘要】
一种柔性关节机器人的自适应神经网络跟踪控制方法
本专利技术涉及电机控制领域，特别是一种柔性关节机器人的自适应神经网络跟踪控制方法。
技术介绍
许多机器人，关节的灵活性可以通过谐波传动轴，造成饱和，轴承变形，在液压机械的液压流体的可压缩性，等等。在机器人模型介绍及灵活性相当复杂的运动方程。特别是相关动力学的规则变为刚性机器人的两倍，自由度的数目大于控制输入的数量。因此很难控制这样的系统。本专利技术讨论了一类由直流电机驱动的柔性关节机器人的鲁棒跟踪控制问题。采用自适应神经网络系统来逼近不确定的机电动力学行为。构造了一个降阶观测器来估计速度信号。反馈信号只需要测量链路位置和电枢电流。利用反推技术，建立了一种基于观测器的鲁棒无速度反馈动态跟踪控制器，使闭环系统的所有状态和信号都有界，并可使轨迹跟踪误差尽可能小。
技术实现思路
有鉴于此，本专利技术的目的是提出一种柔性关节机器人的自适应神经网络跟踪控制方法，整个控制器的系统建立在自适应神经网络基础上，使用补偿器使得跟踪误差最小，从而能获得更好的控制效能。本专利技术采用以下方案实现：一种柔性关节机器人的自适应神经网络跟踪控制方法，包括超声波电机，所述超声波电机一侧输出轴与光电编码器相连接，另一侧输出轴与飞轮惯性负载相连接，所述飞轮惯性负载的输出轴经联轴器与力矩传感器相连接，所述光电编码器的信号输出端、所述力矩传感器的信号输出端分别接至控制系统；所述控制系统建立在自适应神经网络基础上，使用补偿器使得跟踪误差最小，从而能获得更好的控制效能，具体设计为：所述超声波电机采用由直流伺服电机驱动的柔性关节机械臂运动方程：式中，其中q1∈Rn、q2∈Rn分别表示连杆角度和电机角度，M(q1)∈Rn×n是对称正定惯性矩阵，表示向心力和科里奥利力的矢量，G(q1)∈Rn表示引力矢量，K＝diag{Ki}∈Rn×n是关节刚度系数矩阵，J∈Rn×n是电机惯量矩阵，B∈Rn×n是执行器阻尼矩阵，KT＝diag{Kti}∈Rn×n是电机的转矩常数矩阵，I∈Rn是电枢电流矢量，L＝diag{Li}∈Rn×n是电感矩阵，R＝diag{Ri}∈Rn×n是电阻矩阵，KB＝diag{Kbi}∈Rn×n表示电动机反电动势常数矩阵，v∈Rn是输入电压的向量，d1、d2、d3均为外在的干扰；给出期望的参考轨迹qr1(t)，并设计包括下式的基于观测器的动态反馈跟踪控制器：对所有有界的初始条件，都确定一个选择增益：k01、k02、k03、k04、k05，使得闭环系统的所有状态和信号都是有界的，跟踪误差是一致且最终有界的。进一步地，所述M(q1)及满足如下性质与假设：性质1：矩阵M(q1)是对称正定的；性质2：矩阵是斜对称的；式(1)至式(3)是由未知时变不确定性引起的扰动；假设1：参数矩阵M(q1)、和G(q1)在式(1)设定为完全未知的；假设2：式(2)中的参数矩阵表示为：J(·)＝J0+ΔJ(t)；B(·)＝B0+ΔB(t)；K(·)＝K0+ΔK(t)；KT(·)＝KT0+ΔKT(t)；式中，(·)表示一个已知的标称矩阵，Δ(·)表示一个小扰动；此外，还有一个常数0≤εK＜1，使得假设3：式(3)中的参数矩阵表示为L(·)＝L0+ΔL(t)；R和KB假定是完全未知且有界。此外，还有一个常数0≤εL＜1，使得||ΔLL-1||2≤εL。进一步地，所述给出期望的参考轨迹qr1(t)，目的是找到一个在有不确定性、未建模扰动和外部扰动的情况下柔性关节机器人系统的自适应神经网络控制器，引入状态变量：x1＝q1；x3＝q2；x5＝I；将式(1)、式(2)以及式(3)改写成：转速表的速度测量容易受噪声影响，不可直接用于控制器的设计，因此使用一个2n维状态估计器来重构缺失的速度信号x2、x4；采用反推设计方法得到控制器并分析其稳定性，从反推技术的观点看，状态变量x2，x3，x4，x5分别视为(4)、(5)、(6)和(7)中的虚拟控制输入。进一步地，所述基于观测器的动态反馈跟踪控制器的设计具体为：定义位置跟踪误差和滤波环节的跟踪误差其中表示位置跟踪误差对时间的导数，对于增益k1＞0，误差动力学方程改写成：其中：定义：式中，则F(xe)表示为：则式(10)中的误差动态方程修改为：式中，Fd(qre)＝Fd0(qre)+K0qr1；假设上式的不确定项Fd(qre)完全未知，自适应逼近系统近似于不确定项Fd(qre)；在此包含可调近似参数；根据线性参数化的神经网络模型，将写成：式中，Yd(qre)表示神经网络模型里近似参数的修正系数；假设4：存在一个最佳逼近参数能够无限近似于Fd(qre)，将当做最佳逼近误差；存在一个常数εd＞0使得||Δωd(·)||2≤εd；由于速度信号x2未测量，滤波环节的跟踪误差不能直接用于控制设计，取η1表示观察状态，表示观测器输出：对于控制器增益k01＞0，定义观测误差值及一个辅助功能在此γ1＞0，经过推导可得：误差动力学方程表示为：使用反推技术，将x3作为式(6)的虚拟控制输入，并选择所需的轨迹，得到：对于控制增益k2＞0，令通过将假设4代入式(14)、式(18)，推导得到：使用表示逼近误差。电机的位置误差动态方程为：由于速度信号x4不能直接用于控制设计，需要开发一个观测器来重建速度信号，取观测器的状态为η2，观测器的输出为其目的是估计x4的值；定义观察器误差：因此式(22)变为：将作为式(23)中的虚拟控件输入，用表示期望的轨迹，定义则有：对于控制增益k3＞0，分别将式(24)和代入式(23)得：取观察器的输出为：对于观测器增益，若k02＞0则误差动力学方程表示为：设对于控制增益k4＞0，修改误差动态方程(27)为：此外，还计算了误差动力学方程对于假设2，将J-1B、J-1K、J-1KT表示为：对于ΔJB,ΔJK,ΔJKT，综合(26)和(28)，将误差动力学方程(30)写成：从反推技术，将I(t)作为一个虚拟控制输入，I*(t)表示所需电流；设则：将式(32)代入式(31)得：因此，最后，考虑误差动力学方程在此考虑到等式和将误差动力学方程(34)表示为：假设3中又有所以有：因此，自适应逼近系统近似于所以将写成：假设5：存在一个最佳逼近参数使使用表示最佳逼近误差加上时变不确定项存在常数ε＞0使得||ΔωI(·)||2≤εI；选择输入电压：对于控制增益k5＞0，则跟踪误差的误差动力学方程表示为：使用表示逼近误差，得到：考虑设备不确定性和外界干扰下柔性关节机器人系统，式(1)-式(3)给出期望的参考轨迹，使用qr1(t)设计包括式(38)-式(44)一种基于观测器的动态反馈跟踪控制器，其中，进一步地，在上述过程中，有不确定项ΔF5(·)和假定其是有界的，然后通过适当设计控制增益来补偿这些不确定项的影响；作为一种替代方法，设计滑模控制算法来消除这些不确定项的影响，具体为：定义在式(38)中的输入电压v修改为：这里由于δ＞0，σ＞0，且：误差动态方程(37)计算为：进一步地，所述控制系统包括超声波电机驱动控制电路，所述超声波电机驱动控制电路包括控制芯片电路和驱动芯片电路，所述光电编码器的信号输出端与所述控制芯片电路的相应输入端相连接，所述控制芯片电路的输出端与所述驱动芯片电路的相应输入端相连接，以驱动所述驱动本文档来自技高网...

【技术保护点】
1.一种柔性关节机器人的自适应神经网络跟踪控制方法，其特征在于：包括超声波电机，所述超声波电机一侧输出轴与光电编码器相连接，另一侧输出轴与飞轮惯性负载相连接，所述飞轮惯性负载的输出轴经联轴器与力矩传感器相连接，所述光电编码器的信号输出端、所述力矩传感器的信号输出端分别接至控制系统；所述控制系统建立在自适应神经网络基础上，使用补偿器使得跟踪误差最小，从而能获得更好的控制效能，具体设计为：所述超声波电机采用由直流伺服电机驱动的柔性关节机械臂运动方程：

【技术特征摘要】
1.一种柔性关节机器人的自适应神经网络跟踪控制方法，其特征在于：包括超声波电机，所述超声波电机一侧输出轴与光电编码器相连接，另一侧输出轴与飞轮惯性负载相连接，所述飞轮惯性负载的输出轴经联轴器与力矩传感器相连接，所述光电编码器的信号输出端、所述力矩传感器的信号输出端分别接至控制系统；所述控制系统建立在自适应神经网络基础上，使用补偿器使得跟踪误差最小，从而能获得更好的控制效能，具体设计为：所述超声波电机采用由直流伺服电机驱动的柔性关节机械臂运动方程：式中，其中q1∈Rn、q2∈Rn分别表示连杆角度和电机角度，M(q1)∈Rn×n是对称正定惯性矩阵，表示向心力和科里奥利力的矢量，G(q1)∈Rn表示引力矢量，K＝diag{Ki}∈Rn×n是关节刚度系数矩阵，J∈Rn×n是电机惯量矩阵，B∈Rn×n是执行器阻尼矩阵，KT＝diag{Kti}∈Rn×n是电机的转矩常数矩阵，I∈Rn是电枢电流矢量，L＝diag{Li}∈Rn×n是电感矩阵，R＝diag{Ri}∈Rn×n是电阻矩阵，KB＝diag{Kbi}∈Rn×n表示电动机反电动势常数矩阵，v∈Rn是输入电压的向量，d1、d2、d3均为外在的干扰；给出期望的参考轨迹qr1(t)，并设计包括下式的基于观测器的动态反馈跟踪控制器：对所有有界的初始条件，都确定一个选择增益：k01、k02、k03、k04、k05，使得闭环系统的所有状态和信号都是有界的，跟踪误差是一致且最终有界的。2.根据权利要求1所述的一种柔性关节机器人的自适应神经网络跟踪控制方法，其特征在于：所述M(q1)及满足如下性质与假设：性质1：矩阵M(q1)是对称正定的；性质2：矩阵是斜对称的；式(1)至式(3)是由未知时变不确定性引起的扰动；假设1：参数矩阵M(q1)、和G(q1)在式(1)设定为完全未知的；假设2：式(2)中的参数矩阵表示为：J(·)＝J0+ΔJ(t)；B(·)＝B0+ΔB(t)；K(·)＝K0+ΔK(t)；KT(·)＝KT0+ΔKT(t)；式中，(·)表示一个已知的标称矩阵，Δ(·)表示一个小扰动；此外，还有一个常数0≤εK＜1，使得假设3：式(3)中的参数矩阵表示为L(·)＝L0+ΔL(t)；R和KB假定是完全未知且有界。此外，还有一个常数0≤εL＜1，使得||ΔLL-1||2≤εL。3.根据权利要求2所述的一种柔性关节机器人的自适应神经网络跟踪控制方法，其特征在于：所述给出期望的参考轨迹qr1(t)，目的是找到一个在有不确定性、未建模扰动和外部扰动的情况下柔性关节机器人系统的自适应神经网络控制器，引入状态变量：x1＝q1；x3＝q2；x5＝I；将式(1)、式(2)以及式(3)改写成：转速表的速度测量容易受噪声影响，不可直接用于控制器的设计，因此使用一个2n维状态估计器来重构缺失的速度信号x2、x4；采用反推设计方法得到控制器并分析其稳定性，从反推技术的观点看，状态变量x2，x3，x4，x5分别视为(4)、(5)、(6)和(7)中的虚拟控制输入。4.根据权利要求3所述的一种柔性关节机器人的自适应神经网络跟踪控制方法，其特征在于：所述基于观测器的动态反馈跟踪控制器的设计具体为：定义位置跟踪误差和滤波环节的跟踪误差其中表示位置跟踪误差对时间的导数，对于增益k1＞0，误差动力学方程改写成：其中：定义：式中，则F(xe)表示为：则式(10)中的误差动态方程修改为：式中，Fd(qre)＝Fd0(qre)+K0qr1；假设上式的不确定项Fd(qre)完全未知，自适应逼近系统近似于不确定项Fd(qre)...

【专利技术属性】
技术研发人员：傅平，
申请(专利权)人：闽江学院，
类型：发明
国别省市：福建,35