【技术实现步骤摘要】
本专利技术属于机器人控制，具体涉及一种机械臂滑模控制方法。
技术介绍
1、护理机器人不仅能够在一定程度上替代护理人员，还可以提高操作的精确性和效率，优化护理流程，提升患者的护理体验。
2、然而，护理机器人中的一类不满足pieper法则的机械臂需要在复杂多变的环境中执行任务，这包括人员密集、物品杂乱的工作场景。机械臂三个相邻关节轴相交于一点或三个相邻关节轴互相平行才满足pieper法则。在这些场景中，护理任务的路径往往不固定且随机性较强，这类机械臂面临着动力学模型不确定性、难以准确预测的外部干扰、以及关节摩擦力等问题。因此，如何实现这类机械臂的精确稳定控制，成为一项极具挑战性的技术课题。
技术实现思路
1、针对现有技术的不足，本申请提出一种机械臂滑模控制方法，包括：
2、获取机械臂数据；
3、根据所述机械臂数据，建立不满足piper法则的机械臂的正向运动学模型；
4、根据所述正向运动学模型，采用拉格朗日法，建立机械臂动力学模型，并将外部干扰和关节摩擦力作为机械臂动力学模型的干扰项；
5、采用基于雅可比矩阵的改进梯度下降法，对机械臂正向运动学模型对应的逆运动学方程进行求解，得到求解后的机械臂的关节角度值；
6、根据求解后的机械臂的关节角度值以及期望关节角度值，计算关节角度误差；
7、根据所述关节角度误差，设计线性滑模面，对关节角度进行滑模控制，其中，滑模控制律是根据机械臂动力学模型中的建模估计值构建得到
8、所述机械臂数据，包括：关节转角、关节偏置、连杆扭角以及连杆长度。
9、所述机械臂滑模控制方法，还包括：
10、针对机械臂动力学模型中的各项，分别使用单隐层径向基神经网络进行参数逼近，采用单隐层径向基神经网络的逼近参数改进机械臂动力学模型的建模估计值，采用双曲正切函数作为滑模控制律的鲁棒项，进而实现对关节角度进行基于单隐层径向基神经网络的滑模控制。
11、所述机械臂滑模控制方法，还包括：
12、根据机械臂的特性，针对机械臂动力学模型的干扰项设计非线性干扰观测器；
13、将滑模控制律与非线性干扰观测器相结合，得到结合控制策略；
14、根据所述关节角度误差，采用结合控制策略，对关节角度进行滑模控制。
15、所述根据所述机械臂数据，建立不满足piper法则的机械臂的正向运动学模型，计算式如下：
16、
17、
18、其中，n′为基座坐标系到末端执行器坐标系的坐标系数量，i为第i个坐标系，0tn'为不满足pieper法则的机械臂的正向运动学模型，i-1t为机械臂第i-1个坐标系到第i个坐标系的转换矩阵，qi为关节转角，di为关节偏置，αi为连杆扭角，ai为连杆长度，rot(z,qi)为围绕z轴旋转qi角度的旋转变换矩阵，trans(0,0,di)为沿z轴方向平移di距离的平移变换矩阵。trans(ai,0,0)为沿x轴方向平移ai距离的平移变换矩阵，rot(x,αi)表示围绕x轴旋转αi角度的旋转变换矩阵。
19、所述根据所述正向运动学模型，采用拉格朗日法，建立机械臂动力学模型，并将外部干扰和关节摩擦力作为机械臂动力学模型的干扰项，计算式如下：
20、
21、
22、其中，τl为连杆l的关节控制输入向量，l为拉格朗日函数(lagrangian)，它是系统的动能和势能之差，l、j、k和o为不同连杆的编号，n为系统中的连杆总数，mj为第j连杆的质量，g为重力加速度。mlj为惯性矩阵的一个元素，表示连杆l和连杆j之间的惯性耦合关系，cljk为科氏力矩阵中的一个系数，描述连杆l和连杆j的速度对连杆k的惯性耦合影响，gl为重力力矩项，描述在重力作用下对第l个连杆产生的力矩。为m(q)的建模估计值，为的建模估计值，为g(q)的建模估计值，q为关节角度向量，为角速度向量，为角加速度向量，为对称正定惯性矩阵，为科氏力矩阵，为重力加速度矩阵，为关节控制输入向量，为外界干扰并存在上界，将关节摩擦力和外界干扰作为复合干扰ρ，tl为连杆l的位姿矩阵，lr为坐标系{l}中该点的位置矢量，jj＝∫jr(jr)tdm为伪惯量矩阵。
23、所述采用基于雅可比矩阵的改进梯度下降法，对机械臂正向运动学模型对应的逆运动学方程进行求解，得到求解后的机械臂的关节角度值，计算式如下：
24、
25、
26、
27、
28、其中，θ为机械臂实际关节角度，xd为机械臂末端期望位姿，x＝f(θ)为机械臂的实际位姿。f(θ)为目标成本函数，β是学习率(learning rate)，它控制了每次迭代中参数更新的步长大小，jτ(θ)为雅可比矩阵，δθ为关节角度的更新步长，δθ′为加入动量项之后的关节角度更新步长，σ为预设定常量，用于避免分母的值为零，pvt-1为t-1时刻梯度，p为动量项的衰减项，rt为t时刻二阶动量项，rt-1为t-1时刻二阶动量项。
29、所述滑模控制律是根据机械臂正向运动学模型中的建模估计值构建得到，并且将滑模控制律中的符号函数用双曲正切函数进行替换，计算式如下：
30、
31、其中，f为滑模控制律，为m(q)的建模估计值，为的建模估计值，为g(q)的建模估计值，k＝diag(k1,,ki)为滑模控制器的增益矩阵，a＝diag(a1,,ai)均为正定矩阵，为双曲正切函数，ε为一个平滑因子，其主要作用是调整s的变化对函数输出的影响。e＝qd-q为滑模控制关节角度误差，qd为期望关节角度向量，q为关节角度向量，为期望关节角速度向量，为期望关节角加速度向量，
32、λ＝diag(λ1,,λi),λi＞0，
33、所述针对机械臂动力学模型中的各项，分别使用单隐层径向基神经网络进行参数逼近，采用单隐层径向基神经网络的逼近参数改进机械臂动力学模型的建模估计值，采用双曲正切函数作为滑模控制律的鲁棒项，包括：
34、针对机械臂动力学模型中的各项，分别使用单隐层径向基神经网络进行参数逼近，计算式如下：
35、
36、其中，为m(q)的建模估计值，为的建模估计值，为g(q)的建模估计值，wm为的权重矩阵，wc为的权重矩阵，wg为的权重矩阵，和均是一种基函数向量分别用于描述和的特征项。
37、采用单隐层径向基神经网络的逼近参数改进机械臂动力学模型的建模估计值，计算式如下：
38、
39、其中，为单隐层径向基神经网络的输入向量，为高斯基函数，
40、为建模估计值，w为权重矩阵，e＝qd-q为滑模控制关节角度误差，为e的一阶导数，qd为期望关节角度向量，q为关节角度向量，为期望关节角速度向量，为期望关节角加速度向量，λ是一种反馈增益矩阵，用来加速误差的收敛，本文档来自技高网...
【技术保护点】
1.一种机械臂滑模控制方法，其特征在于，包括：
2.根据权利要求1所述的机械臂滑模控制方法，其特征在于，所述机械臂数据，包括：关节转角、关节偏置、连杆扭角以及连杆长度。
3.根据权利要求1所述的机械臂滑模控制方法，其特征在于，所述机械臂滑模控制方法，还包括：
4.根据权利要求2所述的机械臂滑模控制方法，其特征在于，所述机械臂滑模控制方法，还包括：
5.根据权利要求1所述的机械臂滑模控制方法，其特征在于，所述根据所述机械臂数据，建立不满足Piper法则的机械臂的正向运动学模型，计算式如下：
6.根据权利要求5所述的机械臂滑模控制方法，其特征在于，所述根据所述正向运动学模型，采用拉格朗日法，建立机械臂动力学模型，并将外部干扰和关节摩擦力作为机械臂动力学模型的干扰项，计算式如下：
7.根据权利要求6所述的机械臂滑模控制方法，其特征在于，所述采用基于雅可比矩阵的改进梯度下降法，对机械臂正向运动学模型对应的逆运动学方程进行求解，得到求解后的机械臂的关节角度值，计算式如下：
8.根据权利要求7所述的机械臂滑模
9.根据权利要求3所述的机械臂滑模控制方法，其特征在于，所述针对机械臂动力学模型中的各项，分别使用单隐层径向基神经网络进行参数逼近，采用单隐层径向基神经网络的逼近参数改进机械臂动力学模型的建模估计值，采用双曲正切函数作为滑模控制律的鲁棒项，包括：
10.根据权利要求4所述的机械臂滑模控制方法，其特征在于，所述根据机械臂的特性，针对机械臂动力学模型的干扰项设计非线性干扰观测器，计算式如下：
...【技术特征摘要】
1.一种机械臂滑模控制方法，其特征在于，包括：
2.根据权利要求1所述的机械臂滑模控制方法，其特征在于，所述机械臂数据，包括：关节转角、关节偏置、连杆扭角以及连杆长度。
3.根据权利要求1所述的机械臂滑模控制方法，其特征在于，所述机械臂滑模控制方法，还包括：
4.根据权利要求2所述的机械臂滑模控制方法，其特征在于，所述机械臂滑模控制方法，还包括：
5.根据权利要求1所述的机械臂滑模控制方法，其特征在于，所述根据所述机械臂数据，建立不满足piper法则的机械臂的正向运动学模型，计算式如下：
6.根据权利要求5所述的机械臂滑模控制方法，其特征在于，所述根据所述正向运动学模型，采用拉格朗日法，建立机械臂动力学模型，并将外部干扰和关节摩擦力作为机械臂动力学模型的干扰项，计算式如下：
7.根据权利要求6所述...
【专利技术属性】
技术研发人员：王义娜，王子腾，纪力尧，俞彦军，杨俊友，王硕玉，周勃，
申请(专利权)人：沈阳工业大学，
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。