基于智能学习评价的柔性机械臂复合控制方法技术

本发明专利技术公开了一种基于智能学习评价的柔性机械臂复合控制方法，用于解决现有柔性机械臂控制方法控制精度差的技术问题。技术方案是对已有的柔性机械臂模型进行线性化处理，控制器考虑系统的集总不确定性，引入神经网络逼近系统不确定项；进一步考虑建模误差，设计系统的预测模型，并将建模误差引入神经网络权重自适应更新律中，使得反馈信息更加全面，提高了控制精度，适用于工程需求。

Composite control method of flexible manipulator based on intelligent learning evaluation

The invention discloses a flexible mechanical arm composite control method based on intelligent learning evaluation, which is used to solve the technical problem of the poor control accuracy of the existing flexible mechanical arm control method. The technical scheme is a flexible manipulator model of the linearized controller system considering the lumped uncertainty, using neural network approximation system uncertainties; further consideration of modeling error, prediction model of system design, and the modeling errors of neural network adaptive weight updating law, the feedback information more comprehensively. To improve the control precision, which is suitable for engineering requirements.

【技术实现步骤摘要】
基于智能学习评价的柔性机械臂复合控制方法
本专利技术涉及一种柔性机械臂控制方法，特别涉及一种基于智能学习评价的柔性机械臂复合控制方法。
技术介绍
柔性机械臂由于其结构弹性，在运动过程中会产生形变和振动，不利于高精度控制。许多控制理论被应用在柔性机械臂的控制中。比例微分控制鲁棒性较差；自适应控制和鲁棒控制算法都对柔性机械臂的参数变化具有一定的适应能力，但需要精确的模型和参数变动范围；奇异摄动控制方法要求摄动参数小，应用具有一定局限性。文献“柔性机械臂捕获卫星碰撞动力学分析、镇定运动神经网络控制及抑振董楸煌，陈力，《机械工程学报》，2014年第50卷第9期”一文采用奇异摄动法将混合体系统的动力学方程解耦为快、慢变子系统，采用神经网络估计系统的不确定参数进一步控制机械臂刚性运动。满足李雅普诺夫稳定性，然而控制算法忽略了建模误差，使得控制精度较差，无法实现工程高精度需求。
技术实现思路
为了克服现有柔性机械臂控制方法控制精度差的不足，本专利技术提供一种基于智能学习评价的柔性机械臂复合控制方法。该方法对已有的柔性机械臂模型进行线性化处理，控制器考虑系统的集总不确定性，引入神经网络逼近系统不确定项；进一步考虑建模误差，设计系统的预测模型，并将建模误差引入神经网络权重自适应更新律中，使得反馈信息更加全面，提高了控制精度，适用于工程需求。本专利技术解决其技术问题所采用的技术方案：一种基于智能学习评价的柔性机械臂复合控制方法，其特点是包括以下步骤：(a)考虑n自由度柔性机械臂动力学模型：其中，M为正定对称惯性矩阵，是与哥氏力和向心力有关的项，D1、D2为阻尼矩阵，K2为刚度矩阵，u为关节输入力矩。是由机械臂关节角和柔性模态组成的广义矢量，其中θi为第i个关节角变量，δi,j是第i个连杆的第j个模态变量。(b)定义公式(1)进一步写为：进一步，针对系统存在的非最小相位特性，进行输出重定义并写成矩阵形式：y＝θ+Cδ其中，m为模态阶数，-1<αi<1由设计者给定，li为第i个连杆的长度，φi,j为第i个连杆的第j阶模态函数值。定义得到动态方程，包括输入输出子系统方程(4)和内动态子系统方程(5)：其中，uex为输入输出子系统的控制输入，uin为内动态子系统的控制输入。相关的非线性项如下：B(α,θ,δ)＝H11+CH21F(θ,δ)＝H21根据系统参数的标称信息，计算矩阵B(α,θ,δ)的标称值：B0(α,θ,δ)，即B(α,θ,δ)＝B0(α,θ,δ)+ΔB(α,θ,δ)。(c)定义误差信号e1＝μ1-yr，其中yr为期望的关节角度。设计虚拟控制量其中，k1∈Rn×n为正定对称非奇异矩阵，由设计者给定。定义误差信号e2＝μ2-u2d，模型预测误差其中由式(7)计算得到：其中，z＝[μT,ψT]T；β∈Rn×n为正定对称非奇异矩阵，由设计者给定；为神经网络基函数向量。神经网络权重自适应更新律为：其中，γ、γNN、ξ均为正数，由设计者选定。设计控制器其中，k2∈Rn×n为正定对称非奇异矩阵，由设计者选定。(d)内动态子系统采用状态反馈控制器：控制增益kδ和kδ为采用极点配置得到的Rn×mn阶矩阵，控制器总输入：u＝uex+uin(10)根据所得到的控制输入u，返回柔性机械臂模型(1)中，对关节角进行控制同时实现模态镇定。本专利技术的有益效果是：该方法对已有的柔性机械臂模型进行线性化处理，控制器考虑系统的集总不确定性，引入神经网络逼近系统不确定项；进一步考虑建模误差，设计系统的预测模型，并将建模误差引入神经网络权重自适应更新律中，使得反馈信息更加全面，提高了控制精度，适用于工程需求。下面结合附图和具体实施方式对本专利技术作详细说明。附图说明图1是本专利技术基于智能学习评价的柔性机械臂复合控制方法的流程图。具体实施方式参照图1。本专利技术基于智能学习评价的柔性机械臂复合控制方法具体步骤如下：(a)考虑2自由度柔性机械臂动力学模型：其中，M为正定对称惯性矩阵，是与哥氏力和向心力有关的项，D1、D2为阻尼矩阵，K2为刚度矩阵，u为关节输入力矩。是由机械臂关节角和柔性模态组成的广义矢量，其中θi为第i个关节角变量，δi,j是第i个连杆的第j个模态变量。连杆长度l1＝l2＝0.5m，连杆质量m1＝m2＝0.1kg，连杆抗弯刚度EI1＝EI2＝10N·m2，末端等效质量mp＝0.1kg。以此推导出i取1、2，模态阶数m＝2。(b)在操作范围内，假设M可逆，令公式(1)变形为：进一步，针对系统存在的非最小相位特性，进行输出重定义并写成矩阵形式：y＝θ+Cδ其中，定义得动态方程，具体形式为输入输出子系统方程(4)和内动态子系统方程(5)。其中，uex为输入输出子系统的控制输入，uin为内动态子系统的控制输入。B(α,θ,δ)＝H11+CH21F(θ,δ)＝H21α＝[α1,α2]T＝[0.9,0.81]T。结合系统标称物理参数，推出B(α,θ,δ)的标称值(c)定义误差信号e1＝μ1-yr，其中yr为期望的关节角度，具体形式为设计虚拟控制量其中，定义e2＝μ2-u2d，定义模型预测误差其中，由(7)式得到。其中，z＝[μT,ψT]T，为神经网络基函数向量，神经网络权重自适应更新律为：其中，γ＝0.5，γNN＝50，ξ＝0.2。控制uex设计如下：其中，(d)内动态子系统采用状态反馈控制器：其中，总控制输入根据所得到的控制输入u，返回柔性机械臂模型公式(1)中，对关节角进行控制同时实现模态镇定。本文档来自技高网...

【技术保护点】
一种基于智能学习评价的柔性机械臂复合控制方法，其特征在于包括以下步骤：(a)考虑n自由度柔性机械臂动力学模型：

【技术特征摘要】
1.一种基于智能学习评价的柔性机械臂复合控制方法，其特征在于包括以下步骤：(a)考虑n自由度柔性机械臂动力学模型：其中，M为正定对称惯性矩阵，是与哥氏力和向心力有关的项，D1、D2为阻尼矩阵，K2为刚度矩阵，u为关节输入力矩；是由机械臂关节角和柔性模态组成的广义矢量，其中θi为第i个关节角变量，δi,j是第i个连杆的第j个模态变量；(b)定义公式(1)进一步写为：进一步，针对系统存在的非最小相位特性，进行输出重定义并写成矩阵形式：y＝θ+Cδ其中，i＝1…n，m为模态阶数，-1<αi<1由设计者给定，li为第i个连杆的长度，φi,j为第i个连杆的第j阶模态函数值；定义得到动态方程，包括输入输出子系统方程(4)和内动态子系统方程(5)：

【专利技术属性】
技术研发人员：许斌，张琪，杨代朋，程怡新，韩毅，
申请(专利权)人：西北工业大学，
类型：发明
国别省市：陕西,61