【技术实现步骤摘要】
动态阈值事件驱动的多关节机械臂神经网络控制方法
[0001]本专利技术涉及机械臂控制领域,尤其涉及一种动态阈值事件驱动的多关节机械臂神经网络控制方法。
技术介绍
[0002]机械臂可以代替工人完成危险、重复的任务,它改善了工人的劳动环境,并降低了劳动成本,这一系列优势对加快经济建设和发展高端装备制造产业具有重要作用。为了确保机械臂能够为人类服务,必须要设计合格的轨迹跟踪控制系统。但是,多关节机械臂动态模型具有参数摄动、非线性、时变等不确定特性,且在控制过程会受到输入约束的影响,这对机械臂的轨迹跟踪控制带来了挑战。另外,大多数机械臂是受电机驱动的,因此建立机械臂数学模型时考虑电机动态特性是十分有必要的。现有技术针对带有电机动态特性的单关节机械臂可以实现轨迹跟踪控制,但是单关节机械臂的控制方法难以用于多关节机械臂。
[0003]对于机械臂模型中存在不确定项问题,可以采用神经网络对其逼近。但是传统的神经网络需要调节的参数较多,导致控制方法计算量加大,不利于控制方法的在线使用。现有技术利用虚拟参数方法压缩神经网络的调节参数,降低控制方法的计算量。但是虚拟参数技术需要估计所有未知参数的最大值,然后利用估计的最大值设计控制方法,这可能会导致控制器输出较大的能量,引起输入饱和问题。
[0004]输入约束是机械臂控制中经常遇到的非线性问题,若在控制器设计过程不考虑该问题,可能会降低控制性能,甚至破坏闭环系统的稳定性。辅助动态系统是处理输入约束问题比较有效的方法,但是现有基于辅助动态系统的机械臂控制方法很少考虑事件驱动
【技术保护点】
【技术特征摘要】 【专利技术属性】
1.一种动态阈值事件驱动的多关节机械臂神经网络控制方法,其特征在于,包括如下步骤:步骤1.建立带有电机动态特性和输入约束的多关节机械臂数学模型,并将多关节机械臂数学模型转换为状态方程;步骤2.针对得到的状态方程,应用反步设计法构造虚拟控制律;步骤3.根据虚拟控制律和状态方程中不确定的模型参数,设计带有向量投影的神经网络逼近不确定项,得到神经网络估计模型;步骤4.针对状态方程的输入约束,构造辅助动态系统处理输入约束的影响;步骤5.根据神经网络估计模型和辅助动态系统,设计基于动态阈值事件驱动的机械臂神经网络控制律,使得实际轨迹跟踪期望轨迹。2.根据权利要求1所述的动态阈值事件驱动的多关节机械臂神经网络控制方法,其特征在于:步骤1中多关节机械臂数学模型为:其中,q∈R
n
表示关节角位置矢量,表示关节角速度矢量,表示关节角加速度矢量,M
m
(q)∈R
n
×
n
为对称正定惯性矩阵,为离心力和哥氏力矩阵,G
m
(q)∈R
n
为重力矢量,u∈R
n
为输入电压,K
m
∈R
n
×
n
表示电机电枢电流和关节力矩之间的转换矩阵,I
m
∈R
n
为电枢电流,L
m
∈R
n
×
n
表示电感,R
m
∈R
n
×
n
表示电阻,N
m
∈R
n
×
n
为电机反电动势系数,K
m
、L
m
、R
m
和N
m
是正定的对角矩阵。3.根据权利要求1所述的动态阈值事件驱动的多关节机械臂神经网络控制方法,其特征在于:步骤1中状态方程为:其中,x1=q,=q,输入电压的约束特性由下式表示其中,i=1,2,...,n,u
ci
为指令输入电压,sat(
·
)表示饱和函数,sign(
·
)表示符号函数,u
mi
>0为输入电压的最大值。4.根据权利要求1所述的动态阈值事件驱动的多关节机械臂神经网络控制方法,其特征在于:步骤2中虚拟控制律为:
其中,k1∈R
n
×
n
和k2∈R
n
×
n
为设计参数,且为正定矩阵,y
d
为期望的轨迹,误差变量z1=x1‑
y
d
,z2=x2‑
α1。5.根据权利要求1所述的动态阈值事件驱动的多关节机械臂神经网络控制方法,其特征在于:步骤3中神经网络估计模型为:H
x
=[θ1||ξ1(X)||,θ2||ξ2(X)||,...,θ
n
||ξ
n
(X)||]
T
+ε
c
其中,不确定项ε
c
表示逼近误差,并且满足表示逼近误差,并且满足是正常数,对于i=1,2,...,n,θ
i
表示理想的权值向量在高斯基函数向量ξ
i
(X)上的投影,表示激励函数向量,ξ
i
(X)=[ξ
i1
(X),...,ξ
is
(X)]
T
,高斯基函数为其中,s为RBF神经网络的节点个数,为第j个节点的中心矢量,b
j
为第j个节点的高斯基宽度,exp(
·
)表示指数函数。6.根据权利要求1所述的动态阈值事件驱动的多关节机械臂神经网络控制方法,其特征在于:步骤4中辅助动态系统为:其中,ψ∈R
n
为补偿信号,k
ψ
∈R
n
×
技术研发人员:杨迪,刘伟军,赵海超,李芝兰,
申请(专利权)人:沈阳工业大学,
类型:发明
国别省市:
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。