一种机械臂时间收敛性的控制方法及其7DOF机械臂技术

本发明专利技术公开了一种机械臂时间收敛性的控制方法及其7DOF机械臂，属于自动化控制技术领域。本发明专利技术的控制方法为首先建立7

【技术实现步骤摘要】
一种机械臂时间收敛性的控制方法及其7 DOF机械臂


[0001]本专利技术涉及自动化控制领域，更具体地说，涉及一种机械臂时间收敛性的控制方法及其具有神经网络自适应控制的7 DOF机械臂。

技术介绍

[0002]机械臂系统虽然目前还不如人手那样灵活，但它具有能不断重复工作和劳动、不知疲劳、不怕危险、抓举重物的力量比人手大等特点，因此，机械臂已受到许多部门的重视，并越来越广泛地得到了应用。例如，机床加工工件的装卸，特别是在自动化车床、组合机床上的使用较为普遍；在装配作业中应用广泛，在电子行业中它可以用来装配印制电路板，在机械行业中它可以用来组装零部件；它可以在劳动条件差，单调重复易疲劳的工作环境工作，以代替人的劳动；它可以在危险的场合下工作，如军用品的装卸、危险品及有害物质的搬运等；还可用于宇宙及海洋的开发及军事工程和生物医学方面的研究和实验等。
[0003]当前，随着人工智能化的迅速发展，机器人的应用范围越来越普及，冗余机械臂控制系统的设计与研究成为该领域重要的研究方向。机械臂从静态到动态过程中会产生冲击，其产生的冲击对轨迹追踪的稳定性具有一定的影响。B样条5次插值曲线可以在复杂运动下有效规划机械臂在做复杂运动时的角度、角速度和角加速，从而能在初始运行阶段时减小一定的冲击。在受到摩擦、模型误差以及外界未知扰动等问题时，机械臂末端轨迹会产生明显的偏差，因此对轨迹运动的控制尤为重要，现有的机械臂末端轨迹难以控制，很容易产生明显偏差，精度降低的问题。
[0004]经检索，中国专利公布号：CN 111563346 A，公布日：2020年8月21日，公开了一种基于高斯过程学习的人臂运动学建模方法。建立7自由度(DOF)人臂运动学模型，输入人臂手掌位姿和上臂、下臂的长度，输出人臂运动时最舒适的臂构型。采用红外运动捕捉仪采集人臂以最舒适的方式运动时肩关节、肘关节、腕关节、手掌中心位姿及上下臂的长度，使用高斯过程回归方法学习人臂以最舒适的方式运动时手掌中心位姿及上下臂长度与臂角的高斯过程回归模型，建立基于高斯过程学习的人臂运动学模型。该方法优势在于：无需研究人臂复杂的运动机理，与基于能量最优、生物力学模型等传统方法相比计算更简单；除了将手掌中心位姿作为输入外，还将上下臂的长度作为输入，因此本方法得到的拟人臂构型更精确、普适性更强，但不能解决带有输出约束的机械臂系统的固定时间轨迹跟踪控制问题。

技术实现思路

[0005]1.要解决的技术问题
[0006]本申请旨在提供一种机械臂时间收敛性的控制方法及其具有神经网络自适应控制的7 DOF机械臂，其至少在一个方面比
技术介绍
中说明的现有技术有利。
[0007]2.技术方案
[0008]本专利技术的目的通过以下技术方案实现：
[0009]一种机械臂时间收敛性的控制方法，具体步骤包括：
[0010]S1、建模：建立机械臂系统的数学模型；
[0011]S2、设计控制律：通过设计RBF神经网络自适应控制器，利用神经网络训练求出权重，进而设计控制律；
[0012]S3、设计约束状态范围参数：设计机械臂输出约束状态下的神经网络自适应控制器，设计范围参数，以遗传算法取出其中的最优值；
[0013]S4、验证：通过所设计控制律在保证控制精度的条件下，验证时间收敛性是否增快。
[0014]以上技术方案通过带有时变约束状态的神经网络来进行自适应控制，并利用遗传算法在保证控制精度的条件下，选取参数优化时间收敛性，用以处理机械臂末端轨迹会产生明显偏差，精度降低的问题，仿真结果表明在保证控制精度的条件下，时间收敛性明显增快，本专利技术能够解决传统为解决机械臂在利用RBF神经网络自适应控制克服外界扰动时出现追踪慢的问题。
[0015]更进一步的，机械臂为7
‑
DOF机械臂；所述S1步骤中，建模的具体过程为：根据拉格朗日方法建立7
‑
DOF机械臂系统模型的动力学方程：
[0016][0017]式中：θ为关节角位移，W(θ)为n
×
n的正定惯性矩阵，为关节角加速度，为关节角加速度，是由和θ组成的科里奥利力和向心力的n
×
n的矩阵，G(θ)表示的重力矩阵，为n
×
1的阻尼矩阵，τ
d
为未知外加扰动，τ
*
为控制输入力矩。
[0018]更进一步的，S2步骤中设计控制律的具体过程为：建立李雅普诺夫函数方程和不对称项推导其收敛性，
[0019]跟踪误差函数为：
[0020]e(t)＝θ
d
(t)
‑
θ(t)(14)
[0021]式中，θ
d
为期望输入关节角位移，θ为所得输出关节角位移；
[0022]设计跟踪误差滑模函数为：
[0023][0024]式中，K为正定对角增益矩阵，为角速度跟踪误差，为期望关节角速度；根据式(1)—(3)可得：
[0025][0026][0027]设为不确定项，为网络输入量；
[0028]采用RBF神经网络逼近f，其估计值为设w
n
为权重项；式中，为隐含层激励函数。
[0029]更进一步的，隐含层激励函数为Gaussian径向基函数，RBF神经网络逼近算法为：
[0030][0031]式中，z为输入值，ci为中心点，i为网络输入个数，j为隐含层节点个数；
[0032]设计控制律为：
[0033][0034]式中，v为未知扰动项τ
d
和网络逼近误差ε的n
×
1鲁棒矩阵，K
v
为增益矩阵。
[0035]更进一步的，S3步骤的具体过程为，机械臂输出约束状态设定以下方程式：
[0036][0037]式中，为约束上边界，为约束下界，式中n＝7；
[0038]约束条件为：
[0039][0040]式中，ka和kb有界；定义角位移误差向量为e1＝[e
11
；e
12
；
…
；e
1n
]＝θ
‑
θ
d
，以及角速度误差向量e2＝[e
21
；e
22
；
…
；e
2n
]＝θ
d
‑
α，α为虚拟控制器，定义α为：
[0041][0042]式中，设定
[0043]从而α的导数有界；
[0044]假设分段函数同时定义误差变量转换：
[0045][0046]设定U为n
×
1的不确定项矩阵：
[0047][0048]利用RBF来逼近U(z)，设计自适应律为：
[0049][0050]式中，为逼近未知项，为网络输入值，Γ
i
是正定增益矩阵，以及ks>0，为微小参数。设为对角矩阵，S(z)为Gaus本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种机械臂时间收敛性的控制方法，其特征在于，步骤为：S1、建模：建立机械臂系统的数学模型；S2、设计控制律：通过设计RBF神经网络自适应控制器，利用神经网络训练求出权重，进而设计控制律；S3、设计约束状态范围参数：设计机械臂输出约束状态下的神经网络自适应控制器，设计范围参数，以遗传算法取出其中的最优值；S4、验证：通过所设计控制律在保证控制精度的条件下，验证时间收敛性是否增快。2.如权利要求1所述的机械臂时间收敛性的控制方法，其特征在于，所述机械臂为7
‑
DOF机械臂；所述S1步骤中，建模的具体过程为：根据拉格朗日方法建立7
‑
DOF机械臂系统模型的动力学方程：式中：θ为关节角位移，W(θ)为n
×
n的正定惯性矩阵，为关节角加速度，为关节角加速度，是由和θ组成的科里奥利力和向心力的n
×
n的矩阵，G(θ)表示的重力矩阵，为n
×
1的阻尼矩阵，τ
d
为未知外加扰动，τ
*
为控制输入力矩。3.如权利要求2所述的机械臂时间收敛性的控制方法，其特征在于，所述S2步骤中设计控制律的具体过程为：建立李雅普诺夫函数方程和不对称项推导其收敛性，跟踪误差函数为：e(t)＝θ
d
(t)
‑
θ(t) (1)式中，θ
d
为期望输入关节角位移，θ为所得输出关节角位移；设计跟踪误差滑模函数为：式中，K为正定对角增益矩阵，为角速度跟踪误差，为期望关节角速度；根据式(1)—(3)可得：得：设为不确定项，为网络输入量；采用RBF神经网络逼近f，其估计值为设w
n
为权重项；式中，为隐含层激励函数。4.如权利要求3所述的机械臂时间收敛性的控制方法，其特征在于，所述隐含层激励函数为Gaussian径向基函数，RBF神经网络逼近算法为：
...

【专利技术属性】
技术研发人员：徐向荣，江杨林，
申请(专利权)人：安徽工业大学，
类型：发明
国别省市：