一种肩肘关节康复机器人轨迹跟踪的控制方法技术

技术编号:36401232 阅读:38 留言:0更新日期:2023-01-18 10:08
本发明专利技术是一种针对康复训练参数不确定条件下肩肘康复机器人期望关节角度跟踪的控制方法,属于机器人控制技术领域,解决了现有技术中康复机器人带动肩肘被动训练时,轨迹跟踪精度不高的问题,它包含步骤为:在肩肘部生理结构的基础上,构建它的模型,分析其动力学特性;设计改进神经滑模控制律,实现对滑模控制中的不确定项逼近,有效降低不确定项对系统的不利影响;基于李雅普诺夫理论证明设计的控制律能使系统稳定性;根据现有肩肘关节训练机器人模型进行案例仿真,分别对改进的与未改进的控制律进行仿真比较;本发明专利技术通过仿真结果表明,改进的控制律具有良好的稳定性和跟踪精度,这种控制方法可以满足瘫痪患者的康复训练需要。需要。需要。

【技术实现步骤摘要】
M4=m2r
22222
C4=0
[0010]其中,q1和q2分别表示关节1和关节2的角度,和分别表示关节1和关节2的角速度,m1和m2分别表示连杆1和连杆2的质量,r1和r2分别表示连杆1和连杆2的长度,表示重力加速度。
[0011]性质1:是对称正定矩阵且有界,满足以下方程m1||ξ||2≤ξ
T
M(q)ξ≤m2||ξ||2ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)
[0012]性质2:是斜对称矩阵,即满足
[0013]性质3:未知扰动满足:d≤d
m
,其中d
m
是已知的正数。
[0014]性质4:期望轨迹集q
d
(t)足够平滑。一阶导数和二阶导数存在且有界,和G(q)存在且有界。
[0015]步骤二:设计改进神经滑模控制律,实现对滑模控制中的不确定项逼近,有效降低不确定项对系统的不利影响;
[0016]肩肘关节康复机器人系统的动力学方程采用上式(1),控制目的是为了使关节角在最大程度上保持最小的偏差,因此,对所述的跟踪误差进行了定义:本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种肩肘关节康复机器人轨迹跟踪的控制方法,其特征在于,包括以下步骤:步骤一:在肩肘部生理结构的基础上,构建它的模型,分析其动力学特性;步骤二:设计改进神经滑模控制律,实现对滑模控制中的不确定项逼近,有效降低不确定项对系统的不利影响;步骤三:基于李雅普诺夫理论证明设计的控制律能使系统稳定性;步骤四:根据现有肩肘关节训练机器人模型进行案例仿真,分别对改进的与未改进的控制律进行仿真比较。2.根据权利要求1所述的在肩肘部生理结构的基础上,构建它的模型,分析其动力学特性,其特征在于,所述的步骤一为:根据拉格朗日方程,考虑到康复训练中摩擦、扰动对肩肘关节康复机器人的影响,建立肩肘关节康复机器人系统的动力学方程其中,分别表示关节的位置、速度和加速度;M(q)∈R
n
×
n
是机器人的惯性矩阵;表示离心力和科里奥利力的非线性耦合矩阵,G(q)∈R
n
×1表示重力项;表示肩肘关节康复机器人上的摩擦力矩;d∈R
n
×1表示扰动;τ∈R
n
×1表示控制扭矩。根据所设计的肩肘关节康复机器人机构,式中的参数分别为M1=(m1+m2)r
12
+m2r
22
+2m2r1r2cosq2M2=m2r
22
+m2r1r2cosq2M3=m2r
22
+m2r1r2cosq2M4=m2r
22222
C4=0其中,q1和q2分别表示关节1和关节2的角度,和分别表示关节1和关节2的角速度,m1和m2分别表示连杆1和连杆2的质量,r1和r2分别表示连杆1和连杆2的长度,表示重力加速度。性质1:是对称正定矩阵且有界,满足以下方程m1||ξ||2≤ξ
T
M(q)ξ≤m2||ξ||2ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)
性质2:是斜对称矩阵,即满足性质3:未知扰动满足:d≤d
m
d≤d
m
,其中d
m
是已知的正数。性质4:期望轨迹q
d
(t)集q
d
(t)足够平滑。一阶导数和二阶导数存在且有界,和G(q)G(q)存在且有界。3.根据权利要求1所述的设计改进神经滑模控制律,实现对滑模控制中的不确定项逼近,有效降低不确定项对系统的不利影响,其特征在于,所述的步骤二为:肩肘关节康复机器人系统的动力学方程采用上式,控制目的是为了使关节角在最大程度上保持最小的偏差,因此,对所述的跟踪误差进行了定义:e=q
d

q
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)设滑模面为:其中:Λ=diag(α1,α2),α
i
>0(i=1,2)为正对角矩阵,e=[e
1 e2]
T
。对上求导得为保证系统状态能在有限时间内到达滑模面,采用指数趋近律来构建滑模控制律,指数趋近律为:其中:ε>0,k>0;是指数趋近项;是等速趋近项。当s值比较大时,指数趋近项其主要作用,使系统的状态能够快速到达滑模面;当s值较小时,等速趋近项能够保证系统状态有限时间内到达滑模面。由上面两式联立可得传统滑模控制律为:上式也可以写成下式:由滑模面表达式可得:其中不确定项f为:
在实际应用中,由于模型的不确定项f是不可知的,因此,传统滑模控制律是理想式。本文采用基于RBF神经网络方法来拟合不确定项的滑模控制f。设计的滑模控制律为:其中:K
v
为滑模控制器的控制参数,为RBF神经网络对其不确定项的近似值。将控制律式(12)带入式(10)中,得:其中:选取Lyapunov函数定义如下:对(14)式求导得:依据李雅普诺夫...

【专利技术属性】
技术研发人员:谢栓成张鹏
申请(专利权)人:哈尔滨理工大学
类型:发明
国别省市:

网友询问留言 已有0条评论
  • 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。

1