基于自适应模糊补偿的机器人滑模控制方法技术

本发明专利技术涉及一种基于自适应模糊补偿的机器人滑模控制方法，属于机械臂控制技术领域，本发明专利技术将滑模控制结合模糊逼近用于非线性系统的控制器设计中，极大的提高了系统的鲁棒性；同时针对被控对象模型中存在的未知非线性函数，设计自适应模糊补偿能够对未知的非线性函数进行很好的逼近，可以有效的提高控制器的性能和鲁棒性。性能和鲁棒性。

【技术实现步骤摘要】
基于自适应模糊补偿的机器人滑模控制方法


[0001]本专利技术涉及一种基于自适应模糊补偿的机器人滑模控制方法，属于机械臂控制


技术介绍

[0002]随着机械臂的快速发展和应用，推动着整个工业化发展高效化和智能化。柔性机械手具有速度快，耗能低，接触面积小等优点，在工业生产、医疗手术、救灾探测、生活护理等方面具有广阔应用前景,受到国内外学者及机构的广泛关注和研究。
[0003]变结构控制(Variable Structure Control,VSC)本质上是一类特殊的非线性控制,其非线性表现为控制的不连续性。这种控制策略与其他控制的不同之处在于系统的“结构”并不固定，而是可以在动态过程中,根据系统当前的状态(如偏差及其各阶导数等)，有目的地不断变化,迫使系统按照预定“滑动模态”的状态轨迹运动,所以又常称变结构控制为滑动模态控制(Sliding Mode Control,SMC),即滑模变结构控制。
[0004]宋齐,王远彬,于潇雁，漂浮基空间机械臂的反演滑模容错控制[J]，在拉格朗日动力学基础上，依据反演控制策略设计滑模控制律，仿真结果表明所提出的控制方法能够实现机械臂系统快速稳定。为了改善和提高多自由度机械臂移动精准度和控制效果
[0005]郭海全,刘烨,周秋坤，多自由度机械臂反演自适应滑模智能控制方法设计[J].智能计算机与应用提出了基于自适应滑模的多自由度机械臂反演智能控制方法，该方法结合智能感应可以对机械臂的期望运动进行轨迹规划，自适应控制律结合滑模控制方法可以对扰动信号进行补偿，进而实现对机械臂控制系统稳定。
[0006]邹思凡,吴国庆,茅靖峰,朱维南,王玉荣,王健，改进非线性干扰观测器的机械臂自适应反演滑模控制[J]，针对在机械臂关节位置跟踪中传统滑模控制器存在控制输入抖振和模型受限等问题，提出一种基于新型非线性干扰观测器的机械臂自适应反演滑模控制(SMC)算法。首先，设计干扰观测器对系统干扰进行观测和估计，并且在后续滑模控制器的设计出进行估计补偿；其次，提出自适应反演控制律可以进一步改善机械臂控制系统的跟踪性能。系统模型参数变化、建模不确定性以及建模误差往往会对控制器设计带来不可忽略的挑战。
[0007]刘云飞,胡盛斌,李洋,李宝磊,徐恩松,钱雨辰；基于模糊干扰观测器的机械臂滑模控制[J]；提出基于FDO的非线性滑模控制方法,与此同时，不需要提前知道不确定性的大小，使用自适应方法估计并在后续控制器设计中进行了补偿。该方法与其它的非线性SMC相比具有，系统的控制精度和鲁棒性更高。
[0008]李正楠,殷玉枫,张锦,祁辰，多关节机械臂反演滑模神经网络干扰观测器控制[J]，针对多关节机械臂在建模过程中存在建模误差及建模过程中不确定性等问题，提出一种将神经网络干扰观测器思想引入滑模控制器设计中，在无需提前知道不确定性干扰的上界先验知识，设计神经网络观测器对不确定性干扰进行逼近，通过李雅普诺夫进行了稳定性证明，通过MATLAB仿真结果表明该控制算法能够有效的提高机械臂跟踪控制精度。为了
降低机械臂运动时存在轨迹偏差，
[0009]柘龙炫,李少波,张星星,宋启松，基于RBF神经网络的六自由度机械臂轨迹优化[J]，设计了六自由度机械臂模型并对末端执行器进行运动轨迹规划，利用RBF神经网络训练离散点，实验结果表明轨迹优化合理，对机械臂生产应用有一定的指导意义。
[0010]郭婷，基于神经网络的欠驱动柔性机械臂的控制与仿真[J]；针对欠驱动柔性机械臂系统动力学方程难以准确建立,系统性能降低的问题,通过自适应神经网络在线对机械臂关节进行切换控制，数字仿真验证了所提出控制策略的有效性。
[0011]基于以上文献分析，本文针对柔性机械臂被控对象模型复杂及具强不确定性等情况，提出了一种将模糊控制思想引入滑模控制器设计中。

技术实现思路

[0012]为解决现有技术存在的技术问题，本专利技术提供了一种基于自适应模糊补偿的机器人滑模控制方法，其能够解决柔性机械手动力学方程复杂，存在外部扰动和模型不确定性问题。
[0013]为实现上述目的，本专利技术所采用的技术方案为1、基于自适应模糊补偿的机器人滑模控制方法，包括柔性机械臂动态方程：
[0014][0015]其中，是向心力和哥氏力矩，G(q)是重力项，D(q)为惯性力矩，是由摩擦F
r
，扰动τ
d
，负载变化不确定项组成，其特征在于：
[0016]设定D(q),和G(q)是已知的，且所有的状态变量是可测的，
[0017]定义滑模函数为
[0018][0019]其中，Λ为正定矩阵；为跟踪误差，
[0020]定义：
[0021][0022][0023]选择Lyapunov函数如下：
[0024][0025]其中，为理想参数，Γ
i
＞0，
[0026]由于
[0027][0028][0029]则
[0030][0031]其中，为未知的非线性函数，设计两种基于模糊补偿的自适应控制律，
[0032]控制律设计为：
[0033][0034]其中，K
D
＝diag(K
i
)，K
i
＞0，i＝1,2,...n。
[0035][0036]模型逼近误差为：
[0037][0038]将控制律代入可得：
[0039]其中，为模糊系统的基向量,
[0040]自适应律设计为：
[0041][0042]则，
[0043][0044]由于逼近误差ω很小，为满足需取K
D
足够大，
[0045]当时，s≡0，则根据Lasalle不变集定理，闭环系统渐近稳定，即t
→
∞时，s
→
0。
[0046]优选的，在控制律中应采用鲁棒项，设计鲁棒自适应律：
[0047][0048]将代入公式可得：
[0049][0050]设定机器人的关节个数为n，如果采用基于多输入多输出的模糊系统来逼近则对每个关节来说，输入变量个数为3，如果针对n个关节机器人力臂，对每个输入变量设计k个隶属函数，则规则总数为k
3n
。
[0051]优选的，当只包括摩擦项时,只考虑针对摩擦进行模糊逼近的模糊补偿，由于摩擦力只与速度信号有关，用于逼近摩擦的模糊系统可表示为根据传统的模糊补偿控制器方法来设计控制律：
[0052]自适应模糊控制律设计：
[0053][0054]鲁棒模糊自适应控制律设计：
[0055][0056]自适应律设计为：
[0057][0058]模糊系统设计为：
[0059][0060]与现有技术相比，本专利技术具有以下技术效果：本专利技术将滑模控制结合模糊逼近用于非线性系统的控制器设计中，极大的提高了系统的鲁棒性；同时针对被控对象模型中存在的未知非线性函数，设计自适应模糊补偿能够对未知的非线性函本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于自适应模糊补偿的机器人滑模控制方法，包括柔性机械臂动态方程：其中，是向心力和哥氏力矩，G(q)是重力项，D(q)为惯性力矩，是由摩擦F
r
，扰动τ
d
，负载变化不确定项组成，其特征在于：设定和G(q)是已知的，且所有的状态变量是可测的，定义滑模函数为其中，Λ为正定矩阵；为跟踪误差，定义：定义：选择Lyapunov函数如下：其中，其中，为理想参数，Γ
i
＞0，由于由于则其中，为未知的非线性函数，设计两种基于模糊补偿的自适应控制律，控制律设计为：其中，K
D
＝diag(K
i
)，K
i
＞0，i＝1,2,...n。
模型逼近误差为：将控制律代入可得：其中，为模糊系统的基向量,自适应律设计为：则，由于逼近误差ω很小，为满足需取K
D
...

【专利技术属性】
技术研发人员：李明辉，牛城波，张静，何政海，谷来喜，常帅，
申请(专利权)人：山西绿建智造装饰铝板科技有限公司，
类型：发明
国别省市：