【技术实现步骤摘要】
本专利技术属于机器人，具体的说是一种基于数据驱动的机械臂自学习控制方法。
技术介绍
1、近年来，随着智能机械的发展，传统依靠机械的制造业模式有所改变，机械臂及其控制技术被大量应用，并成为当前汽车自动化装配、喷漆、涂胶、抓取等智能制造领域中最为广泛的重要技术之一。智能机械的出现大大降低了人力成本，提高工业生产效率，制造工艺也随着技术的发展大幅度提升。智能机械正在进入崭新的时代，朝着更加智能化的方向发展，从传统的控制技术逐渐向机械自主学习并执行复杂功能任务转变，适应更为复杂的工作环境，这就对智能机械的“大脑”提出了较高的要求。
2、机械臂的关节角位置跟踪控制能力是机械臂独立完成复杂任务的前提。传统机械臂关节角位置跟踪控制器多依赖于精确的建模技术，在建模困难、复杂工作环境下控制器设计成为一大难题。在工业过程中，通过传感器或其他技术得到大量的过程数据，如果控制器的控制过程可利用实时数据调节更新，可减少模型不精确及复杂环境对关节角位置控制的影响，提高系统的鲁棒性。基于数据驱动的控制算法研究为机械臂关节角控制技术提供了新的思路。
技术实现思路
1、为解决上述技术问题，本专利技术提供了一种基于数据驱动的机械臂自学习控制方法，能够提高机械臂关节角位置的控制调节能力，改变传统依靠模型进行算法设计的方式，并且采用被控系统实时数据研究控制器，使复杂的系统也能得到有效控制。
2、本专利技术技术方案结合附图说明如下：
3、一种基于数据驱动的机械臂自学习控制方法，包括以下步
4、步骤一、建立n维机械臂数据驱动模型；
5、步骤二、设计基于数据驱动的机械臂自学习控制器；
6、步骤三、设计rbf神经网络扰动估计器，从而实现对机械臂自学习进行控制。
7、进一步的，所述步骤一的具体方法如下：
8、11)建立关节角位置与输入力矩之间的关系，如下所示：
9、q(t)＝h(u(t))
10、其中，q(t)为t时刻下n维机械臂关节角位置列向量；u(t)为t时刻下n维机械臂关节角控制力矩列向量；h为非线性算子；q(t)、u(t)表示为：
11、
12、
13、12)将n维机械臂关节角非线性系统用离散形式表示，如下所示：
14、q(k)＝f(q(k-1),...,q(k-mq),u(k-1),...,u(k-mu))
15、式中，m为正整数；q(k)∈r，为当前时刻的机械臂关节角位置；u(k)∈r，为当前时刻的输入力矩；
16、进一步的，所述步骤二的具体方法如下：
17、21)设定非线性机械臂关节角位置与控制力矩之间的非线性关系，满足如下条件：
18、(1)在k值下f函数关于第(nq+2)个变量的偏导数是连续的；
19、(2)系统满足广义lipschitz条件，数学表达式为：
20、|q(k1+1)-q(k2+1)|≤b|u(k1)-u(k2)|
21、式中，k1≠k2，且k1、k2均大于零，b为正数；
22、22)对机械臂关节角位置与控制力矩之间的关系经动态线性化处理，关节角位置增量表示为：
23、δq(k+1)＝fc(k)·δu(k)
24、式中，δq(k+1)表示下一时刻机械臂关节角位置的位移增量，δu(k)表示当前时刻与上一时刻的输入差值，fc(k)表示当前k时刻的伪偏导数值，其更新律通过伪偏导数估计法设计；
25、23)对机械臂关节角进行更新，如下所示：
26、q(k+1)＝q(k)+δq(q+1)
27、式中，q(k)为当前时刻机械臂的关节角位置增量，q(k+1)为关节角位置在控制系统作用下的位置增量；δq(q+1)为下一时刻较当前时刻机械臂的关节角位置增量；
28、24)考虑制器中控制力矩更新律设计方法，首先提出如下式所示的误差代价函数，具体如下：
29、j(q(k))＝|q*(k+1)-q(k+1)|2+λ|u(k)-u(k-1)|2
30、式中，q*(k+1)为期望的机械臂关节角位置；q*(k+1)-q(k+1)为下一时刻期望位的关节角位置与下一时刻实际的关节角位置的差值；u(k)-u(k-1)为当前采样时刻控制力矩与上一采样时刻控制力矩之间的差值；λ为有关控制力矩变化量的权重因子，用来调节输入力矩的变化率，值为非零的正数；
31、25)将机械臂关节角位置更新律代入到伪偏导数的误差代价函数当中，并对所代入后的j(u(k))求关于u(k)的偏导数，使求导后的等式置零得到基于数据驱动的无模型控制律：
32、
33、式中，fc(k)为伪偏导数估计更新律，λ为有关控制力矩变化量的权重因子，q(k)为机械臂关节角位置，u(k)为输入力矩；
34、26)引入步进因子调整力矩增量，γ为非零值，得到新的控制力矩更新律，具体如下：
35、
36、式中，γ为步进因子；fc(k)为伪偏导数估计更新律，λ为有关控制力矩变化量的权重因子，q(k)为机械臂关节角位置，u(k)为输入力矩；
37、27)对伪偏导数fc(k)更新律进行设计；
38、伪偏导数估计更新律的误差代价函数：
39、j(fc(k))＝|q(k)-q(k-1)-fc(k)δu(k-1)|2+m|fc(k)-fc(k-1)|2
40、式中，fc(k-1)为伪偏导数fc(k)的估计值；m为关于伪偏导数的权重因子；按照控制力矩更新律的设计方法，对j(fc(k))求关于fc(k)的偏导数后使等式置零，引入第二个阶跃因子h调节伪偏导数输出的变化情况，得到伪偏导数估计表达式：
41、
42、式中，采用重置算法对fc(k)进行限制，如果fc(k)＜c或者|δu(k-1)|≤c，c为给定常数值，以及sign(fc(k))≠sign(fc(1))，上述任意情况出现时使fc(k)＝fc(1)；
43、28)引入前馈控制器，其控制律为：
44、u2(k)＝w(k)q(k)
45、式中，w(k)为前馈控制器的学习参数向量，通过最速下降算法进行权值更新；q(k)为期望位置的参数向量；w(k)、q(k)的类型定义如下所示：
46、w(k)＝[w0(k),w1(k),…,wn(k)]
47、w(k)＝w(k-1)+μ(k-1)qt(k-1)e(k-1)
48、q(k)＝[q*(k),q*(k-1),…,q*(k-n)]t；
49、29)结合前馈控制与反馈控制设计复合控制器如下所示：
50、u(k)＝u1(k)+u2(k)
51、具体表示为：
52、
53、(q*(k+1)-q(k))+w(k)q(k)
本文档来自技高网...
【技术保护点】
1.一种基于数据驱动的机械臂自学习控制方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于数据驱动的机械臂自学习控制方法，其特征在于，所述步骤一的具体方法如下：
3.根据权利要求1所述的一种基于数据驱动的机械臂自学习控制方法，其特征在于，所述步骤二的具体方法如下：
4.根据权利要求1所述的一种基于数据驱动的机械臂自学习控制方法，其特征在于，所述步骤三的具体方法如下：
【技术特征摘要】
1.一种基于数据驱动的机械臂自学习控制方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于数据驱动的机械臂自学习控制方法，其特征在于，所述步骤一的具体方法如下：
3.根据权...
【专利技术属性】
技术研发人员：李岩，董宜坤，石建军，庞树博，范飘，卢曾鹏，
申请(专利权)人：深圳市华成工业控制股份有限公司，
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。