The invention discloses an optimization design method of a controller of a multi degree of freedom manipulator system, which combines the artificial neural network technology with the evolutionary multi-objective optimization algorithm to determine the optimal parameters of a multi degree of freedom manipulator track tracking control system with nonlinear and uncertain models; the controller of the invention is a multi variable PID controller, which can In addition, the evolutionary multi-objective optimization algorithm adopted in the optimization of the invention can comprehensively consider the tracking accuracy and dynamic performance of the system as well as the stability of the control, determine the most appropriate controller parameters, and has strong universality, It can also overcome the disadvantages of repeated trial and error methods.
【技术实现步骤摘要】
一种多自由度机械臂系统的控制器的优化设计方法
本专利技术属于机械臂控制
,涉及一种多自由度机械臂系统的控制器的优化设计方法。
技术介绍
机械臂系统作为一种先进的机电一体化产品,目前在制造业领域得到了广泛和成功的应用。随着机器人相关技术的飞速发展,机械臂的类型和功能将会不断地发展和完善,并且逐步拓展其应用领域,这是一种有着美好发展前途和广泛应用前景的机器人产品。机械臂控制系统是所有机器人产品的大脑,它控制着机器人的运动、思维和行为。当前,随着智能控制技术的发展和进步,必然带动机器人的智能性和控制性能得到巨大的提升。随着控制理论与技术的发展和进步,许多智能控制方法被应用于机器人或机械臂的控制器的设计。其中典型的智能控制方法包括神经网络控制、模糊控制,以及几种智能控制方法的相互融合,或者智能控制方法与传统控制方法相结合的混合控制方法。这些智能控制方法一般无需对机械臂系统精确的数学模型,并且对于系统参数和控制工况的变化具有较强的自适应性,因而可取得较为理想的动态性能。实际中的机械臂模型在动力学方面往往体现为强耦合、非线性和时变的微分方程组,对应的控制参数数目较多,控制性能要求是多方面的,这些特性恰好适合智能控制方法的应用。机械臂轨迹跟踪技术就是使得多个自由度机械臂的各关节或末端执行器来跟踪设定的运行轨迹或稳定在指定的位置上,并且具有良好的动态性能。但是实际上机械臂各关节的控制闭环并非完全独立,它们相互之间存在较为严重的耦合现象,这种使得机器人的数学模型呈现出严重的非线性特征,给机械臂的轨迹跟踪控制带来了 ...
【技术保护点】
1.一种多自由度机械臂系统的控制器的优化设计方法,其特征在于:包括以下步骤:/nS1:根据机械臂的具体结构和关节参数,建立机械臂的运动学方程,并根据末端执行器期望轨迹,确定多自由度机械臂系统的各关节变量的变化轨迹;/nS2:利用实验建模方法得到训练数据集,训练径向基函数(RBF)神经网络辨识器,替代未知的机械臂系统动力学模型;/nS3:确定RBF神经网络辨识器的初始参数:根据步骤S2中得到的训练数据集,确定RBF神经网络辨识器中隐含层神经元的数目,以及这些神经元对应基函数的初始中心和宽度;/nS4:通过步骤S3得到的神经网络的初始结构和参数,利用步骤S2中得到的训练数据集,并且根据选定的神经网络性能评价指标和梯度下降法,完成神经网络的训练过程;/nS41:根据步骤S3得到的神经网络中所有神经元的径向基函数的中心和宽度后,神经网络的权值则根据所采用的性能评价标准并利用梯度下降法进行调整和确定;/nS42:采用典型的均方误差MSE(Mean Square Error)作为评价指标,其定义如下:/n
【技术特征摘要】
1.一种多自由度机械臂系统的控制器的优化设计方法,其特征在于:包括以下步骤:
S1:根据机械臂的具体结构和关节参数,建立机械臂的运动学方程,并根据末端执行器期望轨迹,确定多自由度机械臂系统的各关节变量的变化轨迹;
S2:利用实验建模方法得到训练数据集,训练径向基函数(RBF)神经网络辨识器,替代未知的机械臂系统动力学模型;
S3:确定RBF神经网络辨识器的初始参数:根据步骤S2中得到的训练数据集,确定RBF神经网络辨识器中隐含层神经元的数目,以及这些神经元对应基函数的初始中心和宽度;
S4:通过步骤S3得到的神经网络的初始结构和参数,利用步骤S2中得到的训练数据集,并且根据选定的神经网络性能评价指标和梯度下降法,完成神经网络的训练过程;
S41:根据步骤S3得到的神经网络中所有神经元的径向基函数的中心和宽度后,神经网络的权值则根据所采用的性能评价标准并利用梯度下降法进行调整和确定;
S42:采用典型的均方误差MSE(MeanSquareError)作为评价指标,其定义如下:
式中,yd(n)表示期望输出,y(n)表示神经网络的实际输出,N表示数据集的样本数目;
S43:在神经网络训练的过程中,如果评价指标的值小于评价指标事先设定的阈值,则结束训练过程;当神经网络的训练结束后,所得到辨识器则替代机械臂的实际动力学模型,用于后续控制器的优化设计;
S5:对机械臂系统的每个关节,分别设计独立的位置闭环控制系统,每个闭环控制系统中均采用传统PID控制策略来确定位置环的控制量;
S6:将机械臂轨迹规划中控制器的设计问题,转化为多目标优化问题,并且确定优化目标、待优化参数和设计相应的多目标优化算法来确定控制器的最优参数;
S7:通过步骤S6中获得的控制器参数来设计运动控制程序,进而实现机械臂的轨迹跟踪控制功能。
2.根据权利要求1所述的一种多自由度机械臂系统的控制器的优化设计方法,其特征在于:所述步骤S1,具体包括以下子步骤:
A1:根据所应用的机械臂各个关节的类型、具体尺寸以及它们之间的连接方式,利用Denavit和Hartenberg所提出的D-H方法建立机械臂的运动学模型;
A2:基于机械臂的末端执行器期望轨迹,采用插补算法求出该执行器在运动过程中所经过各个路径点在操作空间的具体坐标,然后利用坐标变换得到机械臂各个关节的运动变量;
A3:同时,设定机械臂经过各个路径点所对应的具体的控制时刻,来进一步限定机械臂系统的动态性能。
3.根据权利要求2所述的一种多自由度机械臂系统的控制器的优化设计方法,其特征在于:所述机械臂各个关节的运动变量为:转角或位移。
4.根据权利要求1所述的一种多自由度机械臂系统的控制器的优化设计方法,其特征在于:所述步骤S2中,得到训练数据集的步骤如下:
A1:分别确定机械臂每个关节对应的转矩的幅值Tmax,并且在该变化范围内选择周期性的波动信号作为输入信号;
A2:实验测得每个采样时刻所对应的输出信号,包括每个关节的位移或者角位移;
A3:同时利用位移信号计算得到对应的速度值,采集所有的输入-输出数据,即作为训练数据集。
5.根据权利要求1所述的一种多自由度机械臂系统的控制器的优化设计方法,其特征在于:所述步骤S3中,确定RBF神经网络辨识器的初始参数的方法,具体包括以下步骤:
A1:确定RBF神经网络对应的神经元数目m,即神经网络中的隐层节点数目,同时确定这些节点中的径向基函数中心的初值Ci(i=1,2,K,m);
A2:将训练数据集中的每个样本按照欧几里得距离划分到与之最近的中心:
A3:计算每个聚类中所有样本的平均值,并将其赋值作为下一代的聚类中心坐标:
A4:聚类过程的结束条件判断,将所有聚类的中心变化幅度小于设定的阈值作为结束条件,如果满足该条件,则聚类过程结束;否则,转到步骤S32,并进行下一次聚类操作;
A5:聚类结束后计算径向基函数的宽度半径,其为每个聚类中心与...
【专利技术属性】
技术研发人员:张雷,程林云,罗浩,赵祺,张聚伟,史敬灼,梁云朋,
申请(专利权)人:洛阳润信机械制造有限公司,
类型:发明
国别省市:河南;41
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。