一种应用于柔性机械臂的跟踪控制方法技术

技术编号:42296397 阅读:14 留言:0更新日期:2024-08-14 15:46
本发明专利技术公开了一种应用于柔性机械臂的跟踪控制方法,包括以下步骤:S1.构建柔性机械臂系统的模型;S2.构建各阶跟踪误差;S3.描述控制目标,设计出反馈控制器;S4.构建神经网络模型;S5.设计虚拟控制器;S6.结合李雅普诺夫第二方法,保证李雅普诺夫函数符合半正定,且该函数的时间的导数为负半定。由于控制器的设计以含有输入的代价函数为基础,充分考虑了能耗问题,从而实现控制器能耗最小化;大大降低设计复杂度;使得跟踪误差更快地收敛到最优解。

【技术实现步骤摘要】

本专利技术涉及机械臂,特别是一种应用于柔性机械臂的跟踪控制方法


技术介绍

1、随着工业自动化的不断发展,机器人在医疗、工业制造和军事等领域的应用越来越广泛,而柔性机械臂以其高度的灵活性、轻便的重量和强大的负载能力,在非结构化和动态环境中展现出了巨大潜力,因此也受到了广泛关注。但柔性机械臂关节弹性的存在使得其在受到驱动力、重力等作用力时极易产生形变及振动,大大增加了机械臂的控制难度。同时由于大多数柔性机械臂的数学模型属于高阶系统,在进行控制器的设计时可能会因为虚拟信号的重复微分引发“复杂性爆炸”的问题,且控制所需能耗会较大。为克服这些问题,本专利针对柔性机械臂的跟踪控制,提出了一种基于优化反推的跟踪控制方法,实现了柔性机械臂在运动过程中连杆的角位置能跟踪期望轨迹。


技术实现思路

1、针对现有技术中存在的问题,本专利技术的目的在于提供一种应用于柔性机械臂的跟踪控制方法,以单连杆柔性机械臂模型为分析基础,以测量的连杆和电机轴的角位置、连杆和电机轴的角速度为反馈信息设计一套基于优化反推的跟踪控制系统,实现了柔性机械臂在运动过程中连杆的角位置能跟踪期望轨迹。1)由于控制器的设计以含有输入信号的代价函数为基础,充分考虑了能耗问题,从而实现控制器能耗最小化;2)由于采用的是一种新型优化反推跟踪控制方案,直接通过神经网络逼近控制器设计中的未知项以设计各阶虚拟控制器及输入控制器,大大降低设计复杂度;3)本专利技术通过利用actor-critic架构进行批评家和执行家两个网络的交互学习,使得跟踪误差更快地收敛到最优解。

2、为解决上述问题,本专利技术采用如下的技术方案

3、一种应用于柔性机械臂的跟踪控制方法,其特征在于,包括以下步骤:

4、s1.构建柔性机械臂系统的模型;

5、s2.构建各阶跟踪误差;

6、s3.描述控制目标,设计出反馈控制器;

7、s4.构建神经网络模型;

8、s5.设计虚拟控制器;

9、s6.结合李雅普诺夫第二方法,保证李雅普诺夫函数符合半正定,且该函数的时间的导数为负半定。

10、构建各阶跟踪误差,各阶跟踪误差ei(t),i=1,2,...,n如下:

11、e1(t)=y(t)-ym(t)

12、ei(t)=xi(t)-αi-1(t),i=2,...,n

13、其中,y(t)为实际输出,ym(t)为给定期望输出,αi(t),i=1,...,n为虚拟控制器,取n=4,则e1(t)为实际输出y(t)与给定期望输出ym(t)的误差值,e2(t)为状态变量x2(t)与虚拟控制器α1(t)的误差值,e3(t)为状态变量x3(t)与虚拟控制器α2(t)的误差值,e4(t)为状态变量x4(t)与虚拟控制器α3(t)的误差值。

14、描述控制目标。设计出反馈控制器,使得连杆角位置的误差满足即当时间趋于无穷时,柔性机械臂的连杆实际输出y(t)与给定期望输出ym(t)之间的误差值趋于零,同时实现其他各阶跟踪误差ei(t),i=2,...,n最小化。

15、构建神经网络模型:采用如下的神经网络模型:

16、

17、其中,χ∈rn是神经网络的输入向量,wt∈rp×m是权重矩阵,p是神经元个数,

18、s(χ)=ps1(χ),...,sp(χ)]t是已知的基函数向量,si一般为高斯函数,即:

19、

20、其中μi=[μi1,...,μin]t,μij是高斯函数在χ中的中心位置,ηi是高斯函数的宽度。

21、为了使柔性机械臂的连杆实际输出角位置跟踪规划的输出角位置,同时实现系统的整体误差最小化,以含有输入的代价函数为基础,设计虚拟控制器αi(t),i=1,2,...,n-1和输入信号u(t),如下所示:

22、

23、

24、其中,σi,i=1,2...,n为可设计的参数;和δi,i=1,2,...,n分别为柔性机械臂系统内已知的动态及控制增益;和分别为critic和actor对未知理想权值w*的估计,的更新率如下:

25、

26、

27、的更新率如下:

28、

29、其中:

30、

31、

32、其中,λci,i=1,2,...,n和λai,i=1,2,...,n分别为critic学习率和actor学习率,均为可设计的参数。

33、结合李雅普诺夫第二方法,只要保证李雅普诺夫函数符合半正定,且该函数的时间的导数为负半定即可,所以各个可设计的参数需要满足以下不等式:

34、

35、本专利技术的有益效果

36、相比于现有技术,本专利技术的优点在于:

37、由于控制器的设计以含有输入的代价函数为基础,充分考虑了能耗问题,从而实现控制器能耗最小化;

38、由于采用的是一种新型优化反推跟踪控制方案,直接通过神经网络逼近控制器设计中的未知项以设计各阶虚拟控制器及输入控制器,大大降低设计复杂度;

39、通过利用actor-critic架构进行critic和actor两个网络的交互学习,使得跟踪误差更快地收敛到最优解。

本文档来自技高网...

【技术保护点】

1.一种应用于柔性机械臂的跟踪控制方法,其特征在于,包括以下步骤:

2.根据权利要求1所述的一种应用于柔性机械臂的跟踪控制方法,其特征在于:

3.根据权利要求2所述的一种应用于柔性机械臂的跟踪控制方法,其特征在于:

4.根据权利要求3所述的一种应用于柔性机械臂的跟踪控制方法,其特征在于:

5.根据权利要求4所述的一种应用于柔性机械臂的跟踪控制方法,其特征在于:

6.根据权利要求5所述的一种应用于柔性机械臂的跟踪控制方法,其特征在于:

【技术特征摘要】

1.一种应用于柔性机械臂的跟踪控制方法,其特征在于,包括以下步骤:

2.根据权利要求1所述的一种应用于柔性机械臂的跟踪控制方法,其特征在于:

3.根据权利要求2所述的一种应用于柔性机械臂的跟踪控制方法,其特征在于:

<...

【专利技术属性】
技术研发人员:钟辉晖赖冠宇范健君
申请(专利权)人:广东工业大学
类型:发明
国别省市:

网友询问留言 已有0条评论
  • 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。

1