System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术属于机械臂控制领域,涉及一种基于中间变量的机械臂非线性运动状态估计方法,特别是具有未知输入的非线性非高斯噪声条件下机械臂运动的状态估计方法。
技术介绍
1、随着制造业的发展,机械设备的重要性越来越高,其中机械臂尤为突出。它们可以在生产线中发挥重要作用,而且由于其高度的灵活性和可编程性,可以进一步提高生产效率。然而,在实际使用过程中,由于受到各种因素的影响,如外部干扰、内部摩擦力、传感器噪声等,准确估计机械臂的状态始终是一项重要而又艰巨的任务。虽然已经有了许多方法用于解决此问题,但由于传感器数据和机械臂动力学模型之间的不匹配,传感器数据中存在的噪声和不确定性,以及硬件设备的限制等原因,现有的方法难以估计具有未知输入的非线性非高斯噪声条件下的机械臂运动状态。因此,继续研究和创新机械臂状态估计算法是非常重要的。
2、当前,状态估计方法通常可以分为基于数据驱动的状态估计方法和基于模型的状态估计方法两类。基于数据驱动的状态估计方法是分析系统的数据和估计系统状态的方法,而不依赖于系统的数学模型。它的主要思想是从收集到的大量数据中学习系统的行为,并根据这些数据进行状态估计。这类方法使用机器学习算法和数据处理技术,实时对系统状态进行估计,不需要事先建立系统的数学模型,且可以处理高维状态空间和大规模数据。但是基于数据驱动的状态估计方法通常需要大量高质量的数据用于训练和学习,对数据的质量和多样性要求较高,同时需要复杂的训练过程和算法调优。
3、基于模型的状态估计方法利用系统的数学模型进行状态估计,通过模型的预测和更
4、目前基于滤波器的状态估计方法主要采用标准卡尔曼滤波、扩展卡尔曼滤波、自适应卡尔曼滤波、基于中间变量的卡尔曼滤波等滤波方法进行状态估计。其中标准卡尔曼滤波是一种基于线性系统的滤波方法,需要假设系统的噪声是高斯分布的,但是无法应用于非线性系统的状态估计。
5、基于扩展卡尔曼滤波的状态估计方法根据泰勒级数的原理,将非线性模型转化成线性模型进行状态估计。如:如针对汽车电池的安全问题,yang等建立等效电路模型,引入衰落因子,改进扩展卡尔曼滤波,对参数进行在线评估。naseri等基于维纳结构对电路模型建模,提出基于扩展核递归最小二乘法的扩展卡尔曼滤波方法,对电池充电状态进行估计。lai等提出扩展卡尔曼滤波和数据驱动结合的方法。该方法采用三阶扩展卡尔曼滤波方法与动态数据驱动方法结合的方法共同估计电池的荷电状态和容量,并建立离散阿伦尼乌斯老化模型估计容量,解决其参数失配问题。但是这些方法没有考虑系统未知输入的干扰和非高斯观测噪声的情况。
6、基于自适应卡尔曼滤波的状态估计方法可自动调整协方差矩阵和状态转移矩阵的能力,能够更好地适应系统的变化和噪声的变化,从而提高状态估计的准确性和鲁棒性,如xu等基于等效电路,通过老化实验分析锂离子电池的容量衰减特性,采用自适应扩展卡尔曼滤波进行两次滤波,协同估计锂电池的健康状态和充电状态。wang等针对车辆自动化控制中传感器数据受到噪声影响问题,采用自适应扩展卡尔曼滤波平滑汽车跟随模型的传感器数据,再通过单类支持向量机对传感器异常数据进行检测,实现更低延迟的异常检测性能。zhang等利用遗忘因子对噪声的统计特性进行自适应校正,并根据新息序列对误差协方差矩阵进行自适应校正,实现噪声未知情况下的充电状态估计。shrivastava等分别设置系统状态的遗忘因子和测量误差的遗忘因子,根据系统状态及测量误差动态调整遗忘因子,能够在不同环境和系统变化下提供状态估计。sun等采用智能自适应扩展卡尔曼滤波方法,通过最大似然函数检测误差新息协方差矩阵,从而提高充电状态估计的精度,具有较强的鲁棒性。jiang等利用自适应滤波方法更新噪声变量,对协方差矩阵进行平方根分解,并使用遗忘因子递归最小二乘法进行参数调整,提高估计结果准确率,消除计算误差。虽然自适应卡尔曼滤波适用于线性和非线性系统,但是无法解决系统未知输入的干扰。
7、因此部分学者侧重于引入中间变量,描述系统状态及未知输入的扩展状态,研究基于中间变量的卡尔曼滤波方法实现状态估计。如zhou等引入中间变量,通过动态扩展状态对未知输入和系统状态之间的关系进行建模,设计一个修正的卡尔曼滤波来估计系统状态和未知输入。hou等通过坐标系变换,将具有未知输入的线性系统观测器问题转换成标准观测器问题,采用龙伯格观测器进行状态估计。zhou等针对网络物理系统中的传感器和执行器攻击问题,引入中间变量,设计攻击重构方法,建立凸优化问题获取估计方法的增益,从而确定受到攻击的大小。huang等针对单个执行器故障,引入一个中间变量对系统进行状态估计,针对同时发生执行器和传感器故障的情况,引入两个中间变量,设计系统扩展状态,同时估计系统状态、故障和干扰。但是这些方法主要考虑的线性系统,且假设噪声均为高斯白噪声。
8、综上所述,由于具有未知输入的机械臂运动状态大多表现为非线性非高斯形式,目前针对机械臂运动的状态估计问题的大多数方法适用于线性高斯系统,且基于滤波器的状态估计方法没有考虑非线性运行过程中会受到未知输入的干扰且存在非高斯的观测噪声的情况,这些方法难以精确和高效地实现具有未知输入的非线性非高斯噪声条件下机械臂运动的状态估计。
技术实现思路
1、为了克服具有未知输入的非线性非高斯噪声条件下机械臂运动的状态估计问题,本专利技术提供一种基于中间变量的机械臂运动状态估计方法,即提供具有未知输入的机械臂非线性运动状态估计模型、观测噪声符合高斯分布和非高斯分布下的状态估计方法,从而实现高精度和高鲁棒性的状态估计。
2、本专利技术解决其技术问题所采用的技术方案是:
3、一种基于中间变量的机械臂非线性运动状态估计方法,包括以下步骤:
4、步骤1、建立具有未知输入的机械臂非线性运动系统的状态空间模型,其状态方程为线性方程,观测方程为非线性方程;
5、步骤2、引入中间变量,得到同时包含系统状态和未知输入的系统状态zn,并将系统模型转化成系统状态zn对应的系统模型;
6、步骤3、基于步骤2得到的系统模型,对系统状态估计和未知输入估计,此时从非线性模型变化为包含扩展状态的线性模型,基于扩展卡尔曼滤波,判断系统观测噪声vn是否高斯;若系统噪声vn为高斯噪声,则执行步骤4,否则执行步骤14;
<本文档来自技高网...【技术保护点】
1.一种基于中间变量的机械臂非线性运动状态估计方法,其特征在于,所述方法包括以下步骤:
2.如权利要求1所述的一种基于中间变量的机械臂非线性运动状态估计方法,其特征在于,所述方法所述步骤1中,所述机械臂非线性运动系统的状态空间模型构建方法如下:
3.如权利要求1或2所述的一种基于中间变量的机械臂非线性运动状态估计方法,其特征在于,所述步骤2中,系统状态zn对应的系统模型构建方法如下:
【技术特征摘要】
1.一种基于中间变量的机械臂非线性运动状态估计方法,其特征在于,所述方法包括以下步骤:
2.如权利要求1所述的一种基于中间变量的机械臂非线性运动状态估计方法,其特征在于,所述方法所述步骤1中,所...
【专利技术属性】
技术研发人员:任宏亮,延泽军,缪克雷,张旭东,陈友荣,
申请(专利权)人:浙江工业大学,
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。