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

本发明专利技术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，该方法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；针对所得到的状态方程，应用反步设计法构造虚拟控制律；设计带有向量投影的神经网络逼近机械臂系统中的不确定项；构造辅助动态系统处理输入约束的影响；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。本发明专利技术针对带有电机动态特性和输入约束的多关节机械臂，在不利用机械臂模型参数的前提下，实现实际轨迹跟踪期望轨迹，并且所设计的神经网络具有较少的调节参数，有效降低控制方法的计算量。另外，新颖的动态阈值事件驱动方法可以减少数据传输，节约控制系统的通信资源。制系统的通信资源。制系统的通信资源。

【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机制。传统的时间驱动控制方法,会造成有限带宽资源的浪费。为节约控制系统的通信资源,避免带宽资源的浪费,有必要在机械臂控制系统中引入事件驱动机制。综上所述，针对带有电机动态特性和输入约束的多关节机械臂，在不利用机械臂模型参数的前提下，设计基于动态阈值事件驱动的神经网络控制方法是机械臂控制领域的难点。

技术实现思路

[0005]本专利技术提供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。其目的在于解决现有控制方法针对带有电机动态特性和输入约束的多关节机械臂，在不利用机械臂模型参数的前提下，不能实现轨迹跟踪，控制方法的计算量大，控制系统的通信资源被大量浪费等问题。
[0006]为实现上述目的，本专利技术采用如下技术方案，包括：
[0007]动态阈值事件驱动的多关节机械臂神经网络控制方法，步骤为：
[0008]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；
[0009]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；
[0010]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；
[0011]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；
[0012]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；
[0013]进一步的，步骤1中所述多关节机械臂数学模型为：
[0014][0015]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，L
m
∈R
n
×
n
表示电感，R
m
∈R
n
×
n
表示电阻，N
m
∈R
n
×
n
表示电机反电动势系数，K
m
、L
m
、R
m
和N
m
是正定的对角矩阵。
[0016]进一步的，步骤1中所述多关节机械臂状态方程为：
[0017][0018]其中，x1＝q，＝q，
[0019]输入电压的约束特性由下式表示
[0020][0021]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。
[0022]进一步的，步骤2中所述虚拟控制律为：
[0023][0024]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。
[0025]进一步的，步骤3中所述神经网络估计模型为：
[0026]H
x
＝[θ1||ξ1(X)||,θ2||ξ2(X)||,...,θ
n
||ξ
n
(X)||]T
+ε
c
[0027]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
[0028][0029]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。
[0030]进一步的，步骤4中所述辅助动态系统为：
[0031][0032]其中，ψ∈R
n
为补偿信号，k
ψ
∈R
n
×
n
、ψ0为设计参数，且分别为正定矩阵和正数，误差变量z3＝x3‑
α2，输入电压与指令输入电压之间的偏差Δu＝u
‑
u
c
，对于i＝1,2,...,n，z
3i
和Δu
i
分别为z3和Δu的第i个分量。
[0033]进一步的，步骤5中所述基于动态阈值事件驱动的机械臂神经网络控制律为：
[0034][0035]其中，υ为正整数，对于i＝1,2,...,n，Λ
hi
、ω
i
、Λ
di
和t
...

【技术保护点】

【技术特征摘要】
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
×

【专利技术属性】
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：