【技术实现步骤摘要】
本专利技术涉及柔性关节机械臂控制，具体涉及一种基于神经网络的柔性机械臂自适应变阻抗控制方法。
技术介绍
1、机械臂已广泛地应用于制造装配等场景，此外也有很多机械臂应用于日常生活中，这其中机械臂与人的交互难以避免，实现机械臂与人的安全交互非常重要。柔性关节机器人结构上一般由电机驱动弹性元件，再由弹性元件驱动关节运动，结构设计上先天具有柔顺性，非常适合应用于协作机器人等频繁与人交互的产品上。
2、但是相比于传统刚性机械臂，柔性关节的存在也增加了系统的复杂性，增加了设计控制器的难度，同时，柔性关节机械臂存在强烈的非线性现象，并且在运动和抓取过程中其系统参数往往会发生变化，进一步增加了控制器设计的复杂度。常用的控制方法比如pid控制在柔性关节机械臂这一类高度非线性强耦合的系统中往往容易产生严重的抖振，影响机械臂的控制性能。因此，如何针对存在未知非线性，且系统参数可变的柔性关节机械臂设计合适的控制策略，在仅输出可测的情况下实现机械臂良好的控制效果，是现有技术中亟待解决的问题。此外，考虑到在人机协作等场景中，机械臂需要和人或者环境进行交互。为了保证交互过程的安全性，往往采用阻抗控制的方法。但是传统的固定刚度的阻抗控制因为其控制器参数是固定的，在实际应用中，要么能够快速跟随参考轨迹但是柔顺性欠佳，要么能够表现良好的柔顺性但是跟随参考轨迹的性能欠佳。
3、因此，设计一种能使刚度自适应调整的阻抗控制方法，进而能够在没有外力接触时使机械臂更快跟随参考轨迹，在有外力接触时能够保持更好的柔顺特性，让机械臂相比于传统固定的阻抗控制
技术实现思路
1、有鉴于此，本专利技术提供了一种基于神经网络的柔性机械臂自适应变阻抗控制方法，能够能使刚度自适应调整，进而能够在没有外力接触时使机械臂更快跟随参考轨迹，在有外力接触时能够保持更好的柔顺特性，让机械臂相比于传统固定的阻抗控制更好地适应不同的工作环境。
2、为达到上述目的，本专利技术的技术方案一种基于神经网络的柔性机械臂自适应变阻抗控制方法，包括如下步骤：
3、s1：针对二自由度柔性关节机械臂的四阶标称模型，为简化控制器设计，采用奇异摄动法将其分解为快子系统慢子系统两个二阶子系统。
4、s2：设计神经网络估计系统中的摩擦力以及模型未建模部分，用改进最优有界椭圆算法训练神经网络。
5、s3：针对未知的系统状态，基于神经网络的训练结果设计观测器对其进行观测。
6、s4：针对慢子系统，设计一种自适应改变刚度的变刚度阻抗控制器。
7、s5：针对快子系统，设计滑模控制器，并根据奇异摄动法合并两个子系统的控制器，给出总体控制器设计。
8、进一步地，s1中，针对二自由度柔性关节机械臂的四阶标称模型，为简化控制器设计，采用奇异摄动法将其分解为快子系统慢子系统两个二阶子系统，具体为：
9、考虑如下所示柔性关节机械臂模型
10、
11、其中，为关节角度，为驱动电机角度，为惯性矩阵，为科里奥利力和离心力，为重力，为外力力矩，为系统摩擦力，为系统未建模动态，为控制量输入，为电机的传动比矩阵并且为对角矩阵，为电机转子的转动惯量矩阵并且为对角矩阵，为关节弹性元件的弹性系数矩阵且为对角矩阵；为实数集，其上标为维度。
12、奇异摄动法具体为：首先将系统模型改写为状态空间形式，取如下系统状态：
13、
14、其中x1、x2、y1、y2为四个系统状态，0＜ε＜＜1是预设的参数，b0＝ε2k；同时考虑将系统未建模动态与摩擦力及系统非线性项合并起来写成集总不确定性进而状态空间形式为：
15、
16、其中a1＝d-1b0，a2＝(j-1n-2+d-1)b0，b1＝j-1n-1。
17、因为0＜ε＜＜1，所以系统中的y1,y2变化速度比x1,x2快，系统状态具有两个不同时间尺度，利用奇异摄动法将原四阶系统分解为两个二阶子系统。
18、令新的集总不确定项f*＝d-1f，不确定补偿项和u＝ua+ub，ub为待设计的跟踪控制项，其中是f*的估计值，则(3)式变为(4)式
19、
20、其中
21、令ε＝0，得到系统平衡点
22、
23、其中ubs是当ε＝0时慢子系统的控制分量；用代替(2)中的y1，得到如(6)式所示的慢子系统：
24、
25、其中
26、定义新的状态变量将其代入(2)得到(7)式：
27、
28、定义扩展时间变量并且令(4)式中ε＝0，进而给出快子系统为：
29、
30、其中ubf是当ε＝0时慢快系统的控制分量，且满足ubs+ubf＝ub。
31、进一步地，s2：设计神经网络估计系统中的摩擦力以及模型未建模部分，用改进最优有界椭圆算法训练神经网络，具体为：
32、考虑慢子系统式(5)中的集总不确定项f*，设计一个神经网络来估计集总不确定项f*：
33、f*＝w*tφ(z)+∈ (9)
34、φ(z)＝[φ(z1)，φ(z2)，…，φ(zn)]t (10)
35、其中∈为估计误差，w*是神经网络隐层至输出层的最优权值，z＝[z1，z2，…，zn]t＝vx，为神经网络输入，为神经网络输入层至隐层的权重，n为神经网络中间层节点个数，φ(zi)为神经网络激活函数。
36、所选取的激活函数如下：
37、
38、其中βt为设计参数。
39、利用(9)式，(6)式改写为：
40、
41、进一步地，s2中，采用如下方法对于神经网络进行训练,得到最优的权重w*，具体如下：
42、首先为了防止噪声干扰，同时由于角速度未知，利用二阶滤波器对式(12)左右两边滤波，进而得到：
43、
44、其中ωn是二阶滤波器参数，ζ为阻尼比，复频率s为拉普拉斯变换的自变量，x2f是x2的滤波值，是的滤波值，且c1f是c1的滤波值，φf是φ的滤波值，∈f是∈的滤波值。
45、在(9)式左右两边滤波之后可以得到：
46、
47、其中是ff的滤波值，是的第i列，∈fi是∈f的第i列。
48、考虑如下辨识模型：
49、
50、其中是对应的估计值。
51、定义辨识误差：
52、
53、采用改进最优有界椭圆方法训练神经网络，其具体表达式如下：
54、
55、其中
56、
57、gi＝gi0rirpi (20)
58、
59、其中为增益系数，满足λi＞1；是神经网络估计误差的上界；是一个对称正定矩阵，是pi到下界本文档来自技高网...
【技术保护点】
1.一种基于神经网络的柔性机械臂自适应变阻抗控制方法，其特征在于，包括如下步骤：
2.如权利要求1所述的一种基于输出反馈的柔性机械臂神经网络自适应变阻抗控制方法，其特征在于，所述S1中，针对二自由度柔性关节机械臂的四阶标称模型，为简化控制器设计，采用奇异摄动法将其分解为快子系统慢子系统两个二阶子系统，具体为：
3.如权利要求1所述的一种基于输出反馈的柔性机械臂神经网络自适应变阻抗控制方法，其特征在于，所述S2：设计神经网络估计系统中的摩擦力以及模型未建模部分，用改进最优有界椭圆算法训练神经网络，具体为：
4.如权利要求3所述的一种基于输出反馈的柔性机械臂神经网络自适应变阻抗控制方法，其特征在于，所述S2中，采用如下方法对于神经网络进行训练,得到最优的权重W*，具体如下：
5.如权利要求1～4任一所述的一种基于输出反馈的柔性机械臂神经网络自适应变阻抗控制方法，其特征在于，所述S3：针对未知的系统状态，基于神经网络的训练结果设计观测器对其进行观测,包括针对慢子系统的观测器，具体为：
6.如权利要求如权利要求5所述的一种基于输
7.如权利要求5所述的一种基于输出反馈的柔性机械臂神经网络自适应变阻抗控制方法，其特征在于，所述S4：针对慢子系统，设计一种自适应可变阻抗控制控制器，具体为：
8.如权利要求6所述的一种基于输出反馈的柔性机械臂神经网络自适应变阻抗控制方法，其特征在于，所述S5：针对快子系统，设计滑模控制器，并根据奇异摄动法合并两个子系统的控制器，给出总体控制器设计，具体为：
...【技术特征摘要】
1.一种基于神经网络的柔性机械臂自适应变阻抗控制方法，其特征在于，包括如下步骤：
2.如权利要求1所述的一种基于输出反馈的柔性机械臂神经网络自适应变阻抗控制方法，其特征在于，所述s1中，针对二自由度柔性关节机械臂的四阶标称模型，为简化控制器设计，采用奇异摄动法将其分解为快子系统慢子系统两个二阶子系统，具体为：
3.如权利要求1所述的一种基于输出反馈的柔性机械臂神经网络自适应变阻抗控制方法，其特征在于，所述s2：设计神经网络估计系统中的摩擦力以及模型未建模部分，用改进最优有界椭圆算法训练神经网络，具体为：
4.如权利要求3所述的一种基于输出反馈的柔性机械臂神经网络自适应变阻抗控制方法，其特征在于，所述s2中，采用如下方法对于神经网络进行训练,得到最优的权重w*，具体如下：
5.如权利要求1～4任一所述的一种基于输出反馈的...
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。