一种基于扰动观测器的柔性关节机械臂神经网络积分滑模控制器设计方法技术

本发明专利技术公开了一种基于扰动观测器的柔性关节机械臂神经网络积分滑模控制器设计方法。综合了神经网络、自适应扰动观测器和积分滑模的优点。考虑到径向基函数神经网络(RBFNN)具有学习收敛速度快、逼近能力强的特点，本发明专利技术采用2个径向基函数神经网络矩阵对机械臂

【技术实现步骤摘要】
一种基于扰动观测器的柔性关节机械臂神经网络积分滑模控制器设计方法


[0001]本专利技术属于自动控制
，特别涉及一种用于柔性关节机械臂轨迹跟踪控制的基于扰动观测器的柔性关节机械臂神经网络积分滑模控制器设计方法。

技术介绍

[0002]近几十年来，由于在航天、深海探测、工业制造、医疗等领域的广泛应用，柔性关节机械臂的研究受到了人们越来越多的关注。越来越受到人们的重视。与传统的刚性机械臂相比，柔性关节机械臂有重量轻、体积小、能耗低、载荷重量比高等优点。此外，由于机械臂的关节是柔性的，这大大提高了机械臂在实际使用时的安全性。当柔性关节发生碰撞时，柔性关节能够有效地缓解碰撞.虽然柔性关节机械臂在实际应用中具有很大的优势，但其控制方案的设计也存在较大的困难。许多研究人员都在努力设计更理想的控制方案来操纵柔性关节机械臂，使其在各项作业中能够有着更为优异的表现。
[0003]值得注意的是，与刚关节型机械臂相比，柔性关节机械臂的控制方案设计尚不成熟。众所周知，柔性关节机械臂是一个复杂的动力学系统，其中控制器中有很多待设计的参数。此外，某些参数在一定条件下不易获得。因此，人们正在考虑设计一种在反馈控制中对机械臂参数更低需求的方法。近年来，神经网络在学习能力映射和并行处理方面的应用引起了研究者们的关注，它能降低在控制器设计中对机械臂动力学系统参数的依赖程度，从而实现无模型控制。尽管径向基神经网络在柔性机械臂控制中的应用已经取得了很大的进展，但在以往的大多数径向基神经网络控制研究中，神经网络的权值估计更新律严重依赖于跟踪误差和瞬时估计数据，无法实现神经网络控制中系统估计误差的收敛。此外，对于时变的外部干扰，径向基神经网络还不能很好地应对。
[0004]在大多数轨迹跟踪控制文献中，扰动观测器是一种常用的处理时变外部扰动问题的技术，可以实现有限时间收敛。此外，该技术还可以补偿径向基神经网络的逼近误差，弥补径向基神经网络估计误差不能渐进收敛的缺点。因此，可以设计一个“神经网络+扰动观测器”联合控制律。
[0005]通常，在柔性关节机械臂的控制方法设计中，最普遍的控制技术是四阶反演控制和四阶动态面控制。这两种方法都要求设计者对状态变量进行多次求导来获得虚拟控制律。多次的求导会增加系统的不稳定性以及计算机在求解时出现奇异的可能性。因此，可以思考寻求一种方法来降低控制器设计中的虚拟控制律个数和对虚拟控制律的求导次数，从而降低奇异性出现的可能性，缓解反演控制中的“计算爆炸”问题。
[0006]此外，滑模控制是一种具有完善的、良好的瞬态性能高鲁棒性控制方法，对于柔性机械臂的控制器而言，选择合适的滑模面将显著提高其性能。这也将是本篇文章探究主题之一。
[0007]值得注意的是，在处理输入饱和问题方面，已有大量文献进行了研究，但在输出约束方面，学界的关注度还不够。在实际应用中，如医疗保健任务和可穿戴外骨骼机械臂，为
了避免机械臂在使用过程中对操作人员造成伤害，输出约束是非常必要的。这也将是本文研究的内容之一。

技术实现思路

[0008]针对上述问题，本专利技术提出了一种基于扰动观测器的柔性关节机械臂神经网络积分滑模控制器设计方法，适用于受到模型不确定性和外部干扰的影响的柔性关节机械臂的轨迹跟踪控制。提出了设计一个“神经网络+扰动观测器”联合控制方法。此方法减少了控制器设计中对柔性关节机械臂动力学模型参数的依赖性，并克服了神经网络估计误差不能渐进收敛缺点，缓解了反演控制设计中的“计算爆炸”问题，并应用了积分滑模面，提高了估计精度，降低了稳态误差。
[0009]本专利技术提出了一种基于扰动观测器的柔性关节机械臂神经网络积分滑模控制器设计方法，具体设计方案如下：
[0010]步骤1，建立n自由度柔性关节机械臂动力学模型；
[0011]步骤2，将步骤1中模型分成两个子系统，并为每个子系统设计积分滑模面；
[0012]步骤3，利用RBF神经网络对模型内部的未知动力学参数进行逼近；
[0013]步骤4，利用新型扰动观测器对由RBF神经网络的估计误差和模型的外部扰动所组成的集总不确定度进行估计；
[0014]步骤5，利用障碍李亚普诺夫函数设计具有位置输出约束性能的基于扰动观测器的柔性关节机械臂神经网络积分滑模控制器，实现机械臂的无模型控制。
[0015]进一步的，所述步骤1中建立n自由度柔性关节机械臂动力学模型具体步骤如下：
[0016][0017][0018]式中，分别表示机械臂连杆侧和电机轴侧的角位置、角速度和角加速度。M(q)为对称正定惯性矩阵，为离心力和科氏力矩阵,G(q)为重力向量，为摩擦力矩，τ为控制输入，τ
d
为未知时变外部干扰，J
m
表示电机转动惯量正定对角矩阵，K表示表示弹簧刚度的正定对角矩阵。
[0019]进一步的，所述步骤2的具体步骤如下，首先将柔性关节机械臂动力学模型分解成两个子系统，连杆侧子系统
[0020][0021]和电机侧子系统
[0022][0023]在这两个子系统中，我们可以看到τ对q
m
的影响是直接的，q
m
对q的影响是直接的，而τ对q的影响是间接的，所以我们定义一个中间的虚拟控制量q
md
，它是q
m
的理想轨迹，只要τ能驱动q
m
跟踪q
md
，那么此时在q
m
的驱动下q就能跟踪上机械臂末端的理想轨迹q
d
。
[0024]由此我们定义误差信号如下：
[0025]e＝q
‑
q
d
ꢀꢀꢀ
(45)
[0026]e
m
＝q
m
‑
q
md
ꢀꢀꢀ
(46)接着，我们为这两个误差信号设计积分滑模面
[0027][0028][0029]式中，增益k1,k2是正常数。
[0030]进一步的，所述步骤3的具体步骤为，首先介绍RBFNN神经网络的原理。RBFNN可以逼近任意非线性函数，其数学表达式为：
[0031]f(x)＝W
T
h(x)+ε
ꢀꢀꢀ
(49)
[0032]式中W是理想权值矩阵,h(x)是高斯基函数向量，ε是神经网络的有界估计误差，它的值满足不等式|ε|≤ε
N
(ε
N
是ε的上界)。
[0033]然后，我们用上述的神经网络原理对柔性关节机械臂动力学模型中的G(q)矩阵进行估计。
[0034][0035][0036]式中，G
ij
(q)分别表示G(q)矩阵中的第i行j列元素。t表示神经网络的节点总数。因此，矩阵G(q)可以表示为
[0037][0038][0039]式中是我们为方便表达定义的一个新的运算符号，它的运算规则的具体表示如下：
[0040][0041][0本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于扰动观测器的柔性关节机械臂神经网络积分滑模控制器设计方法，其特征在于，包括如下步骤：步骤1，建立n自由度柔性关节机械臂动力学模型；步骤2，将步骤1中模型分成两个子系统，并为每个子系统设计积分滑模面；步骤3，利用RBF神经网络对模型内部的未知动力学参数进行逼近；步骤4，利用新型扰动观测器对由RBF神经网络的估计误差和模型的外部扰动所组成的集总不确定度进行估计；步骤5，利用障碍李亚普诺夫函数设计具有位置输出约束性能的基于扰动观测器的柔性关节机械臂神经网络积分滑模控制器，实现机械臂的无模型控制。2.根据权利要求1所述的一种基于扰动观测器的柔性关节机械臂神经网络积分滑模控制器设计方法，其特征在于，所述步骤1中建立n自由度柔性关节机械臂动力学模型具体步骤如下：骤如下：式中，分别表示机械臂连杆侧和电机轴侧的角位置、角速度和角加速度；M(q)为对称正定惯性矩阵，为离心力和科氏力矩阵,G(q)为重力向量，为摩擦力矩，τ为控制输入，τ
d
为未知时变外部干扰，J
m
表示电机转动惯量正定对角矩阵，K表示表示弹簧刚度的正定对角矩阵。3.根据权利要求2所述的一种基于扰动观测器的柔性关节机械臂神经网络积分滑模控制器设计方法，其特征在于，所述步骤2的具体步骤如下，首先将柔性关节机械臂动力学模型分解成两个子系统，连杆侧子系统和电机侧子系统在这两个子系统中，τ对q
m
的影响是直接的，q
m
对q的影响是直接的，而τ对q的影响是间接的，所以定义一个中间的虚拟控制量q
md
，它是q
m
的理想轨迹，只要τ能驱动q
m
跟踪q
md
，那么此时在q
m
的驱动下q就能跟踪上机械臂末端的理想轨迹q
d
；由此定义误差信号如下：e＝q
‑
q
d
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)e
m
＝q
m
‑
q
md
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)接着，为这两个误差信号设计积分滑模面接着，为这两个误差信号设计积分滑模面式中，增益k1,k2是正常数。4.根据权利要求3所述的一种基于扰动观测器的柔性关节机械臂神经网络积分滑模控
制器设计方法，其特征在于，所述步骤3的具体步骤为，首先介绍RBFNN神经网络的原理；RBFNN逼近任意非线性函数，其数学表达式为：f(x)＝W
T
h(x)+ε
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(7)式中W是理想权值矩阵,h(x)是高斯基函数向量，ε是神经网络的有界估计误差，它的值满足不等式|ε|≤ε
N
，ε
N
是ε的上界；然后，用上述的神经网络原理对柔性关节机械臂动力学模型中的G(q)矩阵进行估计；行估计；式中，G
ij
(q)分别表示G(q)矩阵中的第i行j列元素；t表示神经网络的节点总数；因此，矩阵G(q)表示为G(q)表示为式中是为方便表达定义的一个新的运算符号，它的运算规则的具体表示如下：是为方便表达定义的一个新的运算符号，它的运算规则的具体表示如下：矩阵W
C
由子矩阵W
Cij
(i＝1,...,n；j＝1,...,n)组成；矩阵W
G
由子矩阵W
Gij
(i＝1,...,n；j＝1)组成；矩阵h
C
(q)，h
G
(q)分别由子矩阵(i＝1,...,n；j＝1,...,n)和h
Gij
(q)(i＝1,...,n；j＝1)组成；估计误差矩阵ε
G
(q)分别由子矩阵ε
Cij
(i＝1,...,n；j＝1,...,n)和ε
Gij
(i＝1,...,n；j＝1)组成；其中，i表示该子矩阵所处的行，j表示该子矩阵所处的列。5.根据权利要求4所述的一种基于扰动观测器的柔性关节机械臂神经网络积分滑模控制器设计方法，其特征在于，所述步骤4的具体步骤为，首先对引入的新型扰动观测器进行介绍；考虑如下非线...

【专利技术属性】
技术研发人员：杨晓辉，温泉炜，黄超，臧梓坤，袁志鑫，陈苏豪，曾俊萍，许超，李昭辉，伍云飞，陈乐飞，
申请(专利权)人：南昌大学，
类型：发明
国别省市：