基于SCN步行力估计的康复机器人各轴速度直接约束控制制造技术

本发明专利技术公开了一种基于随机配置网络（Stochastic Configuration Networks，SCN）步行力估计的康复训练机器人各轴速度直接约束控制方法。其特征为：基于康复训练机器人的动力学模型，通过分解广义输入力，建立具有训练者步行力的康复机器人动力学模型；基于SCN方法构建训练者步行力的网络估计模型，以运动轨迹和运动速度为网络输入，通过不断随机配置隐含层节点参数，获得训练者的步行力估计；提出各轴速度直接约束方法，抑制训练者步行力对控制精度的影响，同时控制器直接约束康复机器人各轴的实际运动速度，提高控制精度并保障训练者的安全。

【技术实现步骤摘要】
基于SCN步行力估计的康复机器人各轴速度直接约束控制
：本专利技术涉及康复机器人的控制领域，尤其涉及康复机器人速度约束控制方法。
技术介绍
：近年来，康复步行机器人受到了研究者的广泛关注。然而，在实际应用中，训练者的主动步行力，严重影响了机器人的控制精度，从而导致跟踪性能下降；另外，康复机器人不同于一般机械系统，约束机器人的运动速度防止发生突变，对保障训练者的安全性具有重要作用。因此，研究康复机器人的运动速度约束方法，并抑制训练者的步行力对提高人机系统性能及安全性具有重要意义。康复步行机器人轨迹跟踪控制已有许多研究成果，然而这些结果都无法解决训练者步行力及各轴速度直接约束问题，这不仅影响跟踪精度，而且威胁训练者的安全。到目前为止，还没有关于步行力观测及控制器直接约束各轴运动速度的控制方法，本专利技术基于新视角提出了步行力估计方法，并研究了各轴运动速度直接约束的控制方法，对保障人机系统控制精度和安全性具有重要意义。
技术实现思路
：专利技术目的：为了解决上述问题，本专利技术提供了一种基于SCN步行力估计的康复机本文档来自技高网...

【技术保护点】
1.基于SCN步行力估计的康复机器人各轴速度直接约束控制，其特征在于：基于康复机器人的动力学模型，通过分解广义输入力，建立具有训练者步行力的康复机器人动力学模型；基于SCN方法构建训练者步行力的网络估计模型，以运动轨迹和运动速度为网络输入，通过不断随机配置隐含层节点参数，获得训练者的步行力估计；设计各轴速度直接约束控制器，抑制训练者步行力对控制精度的影响，同时控制器直接约束康复机器人各轴的实际运动速度。步骤如下：/n1)基于康复机器人的动力学模型，通过分解广义输入力，建立具有训练者步行力的康复机器人动力学模型；/n2)基于SCN方法构建训练者步行力的网络估计模型，以运动轨迹和运动速度为网络输入...

【技术特征摘要】
1.基于SCN步行力估计的康复机器人各轴速度直接约束控制，其特征在于：基于康复机器人的动力学模型，通过分解广义输入力，建立具有训练者步行力的康复机器人动力学模型；基于SCN方法构建训练者步行力的网络估计模型，以运动轨迹和运动速度为网络输入，通过不断随机配置隐含层节点参数，获得训练者的步行力估计；设计各轴速度直接约束控制器，抑制训练者步行力对控制精度的影响，同时控制器直接约束康复机器人各轴的实际运动速度。步骤如下：
1)基于康复机器人的动力学模型，通过分解广义输入力，建立具有训练者步行力的康复机器人动力学模型；
2)基于SCN方法构建训练者步行力的网络估计模型，以运动轨迹和运动速度为网络输入，通过不断随机配置隐含层节点参数，获得训练者的步行力估计；
3)设计各轴速度直接约束控制器，抑制训练者步行力对控制精度的影响，同时控制器直接约束康复机器人各轴的实际运动速度。


2.根据权利要求1所述基于SCN步行力估计的康复机器人各轴速度直接约束控制，其特征在于基于康复机器人的动力学模型，通过分解广义输入力，建立具有训练者步行力的康复机器人动力学模型，系统的动力学模型描述如下



其中




u(t)＝[f1f2f3f4]T，X(t)＝[x(t)y(t)θ(t)]T分别为康复机器人x轴、y轴、旋转角的实际运动轨迹，u(t)表示广义输入力，M表示康复机器人的质量，m表示康复者的质量，I0表示转动惯量，M0，K(θ)，B(θ)为系数矩阵；θ表示水平轴和机器人中心与第一个轮子中心连线间的夹角，即θ＝θ1，由康复步行机器人结构可知θ3＝θ+π，li表示系统重心到每个轮子中心的距离，r0表示中心到重心的距离，φi表示x′轴和每个轮子对应的li之间的夹角，λi表示重心到每个轮子的距离，i＝1,2,3,4；将u(t)分解为待设计的跟踪控制力u0(t)和待观测的训练者步行力Δu0(t)，代入模型(1)可得



令x1(t)＝X(t)，可得到具有训练者步行力的康复机器人动力学模型





3.根据权利要求1所述基于SCN步行力估计的康复机器人各轴速度直接约束控制，其特征在于基于SCN方法构建训练者步行力的网络估计模型，以运动轨迹和速度为网络输入，通过不断随机配置隐含层节点参数，获得训练者步行力估计，以机器人运动轨迹和速度作为SCN的网络输入层，并通过权重ω和阈值b与隐含层连接，利用高斯函数得到隐含层输出G(x(t))。
其中

b＝[b1,b2,...,bL]T，
G(x(t))＝[g1(ω1x(t)+b1),...,gL(ωLx(t)+bL)]T，
gj(ωjx(t)+bj)为隐含层第j个节点的输出j＝(1,2,...,L)，ωh,j为输入层第h个输入连接隐含层第j个节点的权值，h＝(1,2,...,6)，bj为隐含层第j个节点的阈值。
然后，SCN隐含层通过权重与输出层连接，得到训练者步行力估计的网络输出如下：



其中




为第j个隐含层节点连接第g个输出的权值g＝(1,2,3)。
进一步，根据隐含层节点数为L-1时...

【专利技术属性】
技术研发人员：孙平，王鑫瑶，王殿辉，王硕玉，李树江，李宏亮，
申请(专利权)人：沈阳工业大学，
类型：发明
国别省市：辽宁;21