【技术实现步骤摘要】
本专利技术属于机器人控制领域，具体涉及一种基于模糊宽度神经网络的间接自适应阻抗控制方法。
技术介绍
1、阀门在核电站中有着广泛的应用，及时开启或关闭相关阀门将极大的降低核电事故造成的危害，同时，使用机器人进行相关的作业将是一个很好的选择，一方面这将避免核辐射带给操作员的伤害，另一方面也将提高作业效率。旋拧阀门作业作为核电救灾的基本作业形式之一，利用机器人高效的完成该项任务将给灾后救援人员带来极大的便利。在许多人-机器人协作的社会应用中，机器人通常不知道环境，并且有许多因素存在不确定性，因此，控制机器人与环境之间的交互是至关重要的，在这方面已经做出了很多努力，在交互控制中，有两个方法被广泛研究，即混合位置/力控制和阻抗控制。与混合位置/力控制相比，阻抗控制不需要两个方向的分解，在实际应用上更可行。此外，阻抗控制因为其更好的鲁棒性而成为首选。阻抗控制用于机器人与环境之间的物理交互，受未知和不确定环境动力学影响，将未知环境描述为具有未知动力学的线性系统，在此基础上得到期望的阻抗模型。但是产生的阻抗参数一般是以启发的方式获得的，无法轻松扩展到其他应用，而自适应阻抗不需要机器人重复操作来学习所需的阻抗参数，能够在未知环境下进行交互。然而，不同环境下的阻抗参数不尽相同，机器人在与环境发生接触时，机械臂末端与目标可能会存在较大的接触力，为了保证目标或者机械臂本身不被损坏以及任务的顺利进行，需要在机械臂上安装力传感器实现力感知，然后通过设计相应的控制算法将接触力保持在一个合理的范围内。
2、因此，期望设计一种能够对阻抗参数实现实时调
技术实现思路
1、本专利技术的目的是解决在未知环境下机械臂与环境接触存在的不确定性问题，运用李雅普诺夫稳定性理论设计了自适应控制律，提出了一种基于模糊宽度神经网络的间接自适应阻抗控制方法，本专利技术能够在不同情况下实时调整阻抗参数，使机械臂末端的期望力总是保持在一个最佳的范围内。
2、本专利技术是通过以下技术方案实现的。
3、本专利技术所述的一种基于模糊宽度神经网络的间接自适应阻抗控制方法，包括以下步骤：
4、步骤1：建立曲面环境下的间接自适应阻抗控制模型；
5、(a)假设六自由度机械臂，在空间中的信息是解耦的，按照一维信息，对机械臂进行分析，常规的阻抗控制形式为：
6、
7、其中，xc(t)是计算机发给机械臂的实际位置控制信息、xd(t)是在t时间时机械臂运动轨迹的期望位置、fd(t)是在t时刻的期望力、fe(t)是在t时刻时传感器测得的环境力，m、b、k分别为阻抗控制中轨迹误差中二阶导的质量系数，一阶导的阻尼系数，以及常数项的系数；
8、(b)阻抗控制引入比例微分，同时考虑xc(t)的速度项和加速度项，阻抗公式变为：
9、
10、其中，轨迹误差e(t)＝xc(t)-xd(t)，力误差为δf(t)＝fd(t)-fe(t)，kp为偏差力比例项系数，kd为偏差力微分项系数；
11、(c)加入间接自适应控制器：
12、估计期望位置xd的自适应控制器设计如下：
13、
14、
15、
16、
17、其中代表环境位置的估计值，代表环境刚度的估计值，代表环境力的估计值，γ1、γ2分别代表各自积分项的系数，和分别代表在0时刻时和的初始位置估计值。
18、步骤2：根据模糊控制的思想，得到专家或者人们的主观经验的数据集；
19、(a)确定模糊控制器的结构，模糊控制器由模糊化接口、知识库、推理与解模糊接口组成；
20、(b)定义输入输出量的模糊分布，对误差e、误差变化ec及期望力fe的模糊集及其论域进行定义，将输入的清晰值转变为模糊子集；
21、(c)定义输入输出隶属函数；
22、(d)建立模糊规则，根据专家或者人们的主观经验设立模糊规则；
23、(e)进行模糊推理，模糊推理是模糊控制的核心，得出最终的控制量；
24、(f)反模糊化，将模糊推理的结果转化为精确值；
25、(g)根据上述步骤，得到在不同期望力fe下，kp、kd和γ1合适的值，最后整理成数据集。
26、步骤3：根据模糊控制得出数据集并放入模糊宽度神经网络里进行训练；
27、(a)将得到的数据集放倒模糊宽度神经网络里生成相应的网络模型；
28、若xs1对应xs2对应…,xsm对应那么
29、
30、采用一阶ts模糊系统如下：
31、
32、式中xs1，xs2,…,xsm为输入数据，m为样本的维数，i代表第i个模糊子系统，其中有ki个模糊规则，代表第i个模糊子系统中第m个模糊规则，fk表示输入多项式，表示系数；
33、在第i个模糊子系统中第k个模糊规则的输出为：
34、
35、式中为输出，对应于的隶属函数；
36、定义每个模糊规则的输出权重为：
37、
38、对应于的隶属函数选择高斯隶属函数，定义如下：
39、
40、式中和分别代表宽度和中心；
41、第i个模糊子系统的第s个无聚合训练样本xs的输出向量为：
42、
43、第i个模糊子系统的所有训练样本x的输出矩阵为：
44、
45、式中i＝1,2,…n表示有n个模糊子系统，式中n为输入的样本数，m为每个样本的维数；
46、为了保持符号的一致性，将模糊子系统的中间输出矩阵表示为：
47、
48、假设第j个增强节点有lj个神经元，则将增强层的输出表示为：
49、
50、式中是第j个增强节点组的输出矩阵，和分别是连接模糊子系统的从0-1随机生成的权重和偏置，j＝1,2,…m,m为增强节点的个数；
51、用于训练样本xs的第i个模糊子系统的输出向量定义为：
52、
53、在第i个模糊子系统中，将参数引入每个模糊规则的后续部分，然后将初始系数变为其中c＝1,2,…,c，c代表输出的维度；
54、所有训练样本的模糊子系统的输出矩阵为：
55、
56、其中
57、
58、顶层模糊子系统的聚合输出为：
59、
60、式中是由输出组成的矩阵，
61、
62、模糊宽度神经网络的最终输出为：
63、
64、式中表示连接顶层和增强层的权重矩阵，w是模糊宽度神经网络的参数矩阵，由δ和we组成；
65、给定训练目标y，矩阵w可以通过伪逆快速计算：
66、w＝(dω,hm)+y
67、式中(dω,hm)+＝((dω,hm)t(dω,hm))本文档来自技高网...
【技术保护点】
1.一种基于模糊宽度神经网络的间接自适应阻抗控制方法，其特征是包括以下步骤：
【技术特征摘要】
1.一种基于模糊宽度神经网络的间接自适...
【专利技术属性】
技术研发人员：李春泉，姜家良，姚凯文，王咏鹤，陈昌祺，王子韬，苏志勇，邓觐铧，何辉凡，陈荣伶，陶凌，陈利民，伍军云，李亚超，喻俊志，
申请(专利权)人：南昌大学，
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。