CN112681443A - 一种挖掘机器人关节轨迹控制方法及控制*** - Google Patents

Abstract

本发明涉及工程机械技术领域，更具体而言，涉及一种挖掘机器人关节轨迹控制方法及控制***。包括用于规划出挖掘机器人期望的关节轨迹的轨迹规划模块，用于将规划出的挖掘机器人期望关节轨迹求解为挖掘机器人期望的关节角位移的逆方程解析模块，用于根据挖掘机器人实际关节转动数据和期望关节角位移运用挖掘机器人关节轨迹控制方法不断修正关节角位移的偏差量至最小值，并将修正后的关节角位移信号传输给控制指令转换传输模块的关节控制算法模块，用于将修正后的关节角位移转换为挖掘机器人可以识别的控制信号的控制指令转换传输模块；本发明实现了挖掘机器人精确跟踪轨迹规划模块所规划期望轨迹的能力，响应快、鲁棒性强、智能化程度高。

Description

一种挖掘机器人关节轨迹控制方法及控制***

技术领域

本发明涉及工程机械技术领域，更具体而言，涉及一种挖掘机器人关节轨迹控制方法及控制***。

背景技术

挖掘机器人是一种典型的多用途工程机械，在国家的基础建设、采矿、房地产开发、水利等方面发挥着重要的作用，因而在现代工业中应用广泛。由于挖掘机器人的***具有时变性、工作时的强动力学耦合和流量耦合、多输入和多输出的非线性、***参数可能在大范围内变化等特性，所以以实现挖掘机器人的高精度、强鲁棒性的关节轨迹控制研究已经成为挖掘机器人控制领域的热点。

挖掘机器人关节轨迹控制***其实质就是一种电液比例控制***，挖掘机器人的电液比例控制有着多种控制方式，非线性控制、滑模控制、自适应控制、反馈控制等。实际应用中根据工作情况的不同可以使用不同的控制方式。滑模变结构控制作为一种非线性控制方式，对于外部扰动和***参数变化具有很强的自适应性和鲁棒性，而且还对***所建立的模型表现出不敏感性。为了减弱挖掘机器人电液比例***的非线性、外部负载的不确定性、***数学模型建立的不精确性对***控制效果造成的影响，提出将滑模变结构控制应用于挖掘机器人电液比例控制***中，对挖掘机器人的关节轨迹进行控制。但是现有的滑模变结构控制其效果并不是很理想，主要是因为滑模变结构控制有容易产生抖振的问题。

因此，有必要对现有技术进行改进。

发明内容

为了克服现有技术中存在的不足，提供一种通过引入智能神经网络来抑制滑模变结构的抖振、通过智能神经网络算法与滑模变结构的结合来对挖掘机器人关节轨迹进行控制的挖掘机器人关节轨迹控制方法及控制***。

为了解决上述技术问题，本发明采用的技术方案为：

一种挖掘机器人关节轨迹控制方法，包括

S1、建立挖掘机器人工作装置的拉格朗日动力学方程，以挖掘机器人动臂和斗杆为研究对象，铲斗全程处于锁止状态，将挖掘机器人的工作装置简化为二自由度的机械臂，由数据采集装置采集动臂和斗杆的关节角度，则挖掘机器人工作装置的拉格朗日动力学方程为：

S2、定义挖掘机器人关节轨迹控制误差，根据挖掘机器人的期望关节角位移和信号采集装置采集到的实际关节角位移定义挖掘机器人关节轨迹控制误差为：

e(t)＝θ_d(t)-θ(t)；

S3、定义滑模变结构的滑模面为：

进一步得出：

S4、计算RBF神经网络实际输出与理想输出之间的差值：

取RBF神经网络的输入为：

则根据RBF神经网络的结构原理可以得到其理想状态下的输出为：

y＝W^Th(x)＝b，

(i＝1,2,......,n)，

由于在实际情况下RBF神经网络在逼近不确定函数时会产生误差ε，则RBF神经网络的实际输出为：

则RBF神经网络实际输出与理想输出之间的差值表示为：

S5、设计RBF神经网络滑模变结构的控制律为：

将上式带入S3可得：

S6、定义鲁棒控制项q，取τ_d和ε的上界分别为τ_db和ε_b，则：

q＝-(τ_db+ε_b)sgn(s)；

S7、对挖掘机器人关节轨迹控制***进行稳定性分析：

定义Lyapunov函数为：

将上式进行求导并将S5的结果带入得：

根据挖掘机器人动力学结构特性

为斜对称矩阵，且

则满足：

的性质将上式化简可得：

由于在本发明中RBF神经网络的连接权值是在线学习自适应调整的，故隐含层与输出层之间连接权值的误差

可取为零，则上式化简可得：

进一步由S6和上式可得：

s^T(ε+τ_d+q)＝s^T(ε+τ_d)+s^Tq＝s^T(ε+τ_d)-||s||ε_b+τ_db)≤0，

由此可知

当且仅当s等于零时

等于零。

进一步的，包括：

S8、在滑模变结构控制中为了尽量减小因鲁棒项引起的***抖振，将鲁棒项中的符号函数用饱和函数sat(·)代替，得到新的基于RBF神经网络滑模变结构的控制律为：

S9、利用改进的和声搜索优化算法对RBF神经网络的结构参数w、c和b进行优化，根据和声搜索优化算法输出的最优和声向量(c,b,w)即可得到RBF神经网络的最优结构参数c、b和w，将得到的最优参数应用于RBF神经网络，使RBF神经网络无限逼近于不确定项b。

进一步的，所述S9中包括：

S91、根据挖掘机器人的关节角位移输入范围估计RBF神经网络的置信域中心c和置信域宽度b的初始值，神经网络隐含层与输出层的连接权值w由计算机随机产生；

S92、定义和声搜索优化算法的评价函数为：

S93、利用足够数量的训练样本对RBF神经网络进行训练得到K个和声向量(c,b,w)，并且由这K个和声向量组成和声记忆库；

S94、初始化和声搜索优化算法的参数的有关参数，最大以及最小和声记忆库取值概率HMCR_max、HMCR_min，最大以及最小音调微调概率PAR_max、PAR_min，最大以及最小音调微调宽度bw_max、bw_min；

S95、分别运用动态调整公式调整和声记忆库取值概率HMCR、音调微调概率PAR和音调微调宽度bw；

S96、根据新和声产生条件生成新的和声向量，比较和声记忆库中最差的和声向量和新和声向量的评价函数值，如果新和声向量的评价函数值优于和声记忆库中最差和声向量的评价函数值，则以新和声向量代替和声记忆库中最差的和声向量，否则保持原和声记忆库不变；

S97、进一步检查和声搜索优化算法是否达到最大迭代次数，若迭代次数大于最大迭代次数则停止搜索，否则返回S25继续进行循环运算，直到满足算法终止条件为止；

一种挖掘机器人关节轨迹控制***，包括数据采集模块、数据处理模块以及依次连接的轨迹规划模块、逆方程解析模块、关节轨迹控制算法模块和控制指令转换传输模块，所述数据采集模块与关节轨迹控制算法模块相连接，所述数据采集模块、轨迹规划模块、逆方程解析模块、关节轨迹控制算法模块和控制指令转换传输模块均与数据处理模块连接；

所述轨迹规划模块用于规划出挖掘机器人期望的关节轨迹；

所述逆方程解析模块用于将规划出的挖掘机器人期望关节轨迹求解为挖掘机器人期望的关节角位移；

所述关节控制算法模块用于根据挖掘机器人实际关节转动数据和期望关节角位移运用挖掘机器人关节轨迹控制方法不断修正关节角位移的偏差量至最小值，并将修正后的关节角位移信号传输给控制指令转换传输模块；

所述控制指令转换传输模块用于将修正后的关节角位移转换为挖掘机器人可以识别的控制信号；

所述数据处理模块用于保存挖掘机器人关节轨迹控制***的各种数据。

近一步的，还包括位姿显示模块，所述位姿显示模块分别与逆方程解析模块和关节轨迹控制算法模块连接，根据挖掘机器人期望的关节角位移信息和修正后的关节角位移信息不断更新挖掘机器人的显示位姿。

进一步的，还包括车身、动臂、动臂油缸、斗杆、斗杆油缸、铲斗、铲斗油缸和驱动装置，所述车身、动臂、斗杆、铲斗依次铰接，动臂油缸、斗杆油缸、铲斗油缸依次设置在车身与动臂之间、动臂与斗杆之间、斗杆与铲斗之间，所述驱动装置分别与动臂油缸、斗杆油缸，铲斗油缸相连接，所述动臂与车身的铰接点、动臂与斗杆的铰接点均设置有光电编码器，所述光电编码器与数据采集模块连接。

进一步的，所述驱动装置包括电液比例阀，电液比例阀与控制指令转换传输模块连接。

进一步的，还包括液压***，液压***分别与动臂油缸、斗杆油缸、铲斗油缸连接，所述液压***设置有油压传感器和液压流量传感器，油压传感器和液压流量传感器均与数据采集装置连接。

本发明与现有技术相比所具有的有益效果为：

1、本发明综合了滑模变结构控制和RBF神经网络的优点，使得本发明具有更好的挖掘机器人关节轨迹跟踪控制效果，本发明适用于所有的挖掘机器人机型，通用性强。

2、本发明具有精确跟踪轨迹规划模块所规划期望轨迹的能力，响应快、鲁棒性强、智能化程度较高，减轻了挖掘机器人操作人员因频繁手动调整挖掘机器人作业轨迹的工作强度。

3、本发明的关节控制方法是在RBF神经网络和滑模变结构相结合的基础上对挖掘机器人关节轨迹进行跟踪控制，滑模变结构控制的滑动模态不受***参数以及外部扰动的影响，具有很好的鲁棒性。

4、本发明通过RBF神经网络以任意精度逼近挖掘机器人动力学模型中的非线性不确定项，建立更加精确的动力学模型，进而抑制RBF神经网络滑模变结构控制律的抖振现象。

5、本发明利用和声搜索优化算法对RBF神经网络的结构参数进行优化，以提高RBF神经网络逼近挖掘机器人动力学模型不确定项的性能。

附图说明

下面将通过附图对本发明的具体实施方式做进一步的详细说明。

图1为挖掘机器人结构简图；

图2为挖掘机器人关节轨迹控制***示意图；

图3为挖掘机器人动臂和斗杆关节简化示意图；

图4为RBF神经网络逼近不确定函数结构示意图；

图5为声搜索优化算法流程图；

图6为挖掘机器人动臂关节轨迹跟踪实验结果；

图7为挖掘机器人斗杆关节轨迹跟踪实验结果；

图8为挖掘机器人动臂关节逼近不确定函数实验结果；

图9为挖掘机器人斗杆关节逼近不确定函数实验结果；

图10为挖掘机器人动臂关节轨迹跟踪误差结果；

图11为挖掘机器人斗杆关节轨迹跟踪误差结果。

图中：1为动臂油缸，2为动臂，3为斗杆油缸，4为斗杆，5为铲斗油缸，6为铲斗，7为简化动臂，8为简化斗杆，9为理想轨迹Ⅰ，10为理想轨迹Ⅱ。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

实施例：

如图1至图11所示，一种挖掘机器人关节轨迹控制***，包括车身、动臂2、动臂油缸1、斗杆4、斗杆油缸3、铲斗6、铲斗油缸5、驱动装置、数据采集模块、位姿显示模块、数据处理模块以及依次连接的轨迹规划模块、逆方程解析模块、关节轨迹控制算法模块和控制指令转换传输模块，所述数据采集模块与关节轨迹控制算法模块相连接，所述数据采集模块、轨迹规划模块、逆方程解析模块、关节轨迹控制算法模块和控制指令转换传输模块均与数据处理模块连接；

所述车身、动臂2、斗杆4、铲斗6依次铰接，动臂油缸1、斗杆油缸3、铲斗油缸5依次设置在车身与动臂2之间、动臂2与斗杆4之间、斗杆4与铲斗6之间，所述驱动装置分别与动臂油缸1、斗杆油缸3，铲斗油缸5相连接，所述动臂2与车身的铰接点A、动臂2与斗杆4的铰接点F均设置有光电编码器，所述光电编码器与数据采集模块连接。

还包括液压***，液压***分别与动臂油缸1、斗杆油缸3、铲斗油缸5连接，所述液压***设置有油压传感器和液压流量传感器，油压传感器和液压流量传感器均与数据采集装置连接。

所述数据采集模块通过内部的数据采集卡来实现对光电编码器信号、油压信号以及油液流量信号的采集，然后将采集到的数据处理后传输到挖掘机器人关节轨迹控制***中。

所述轨迹规划模块规划出挖掘机器人期望的关节轨迹；

所述逆方程解析模块将规划出的挖掘机器人期望关节轨迹求解为挖掘机器人期望的关节角位移；

所述关节控制算法模块根据挖掘机器人实际关节转动数据和期望关节角位移运用挖掘机器人关节轨迹控制方法不断修正关节角位移的偏差量至最小值，并将修正后的关节角位移信号传输给控制指令转换传输模块；

所述控制指令转换传输模块用于将修正后的关节角位移信号转换为控制指令电压信号，然后再通过模块内部的电液比例控制器将控制指令电压信号转换为控制指令电流信号；

所述驱动装置包括电液比例阀，电液比例阀与控制指令转换传输模块连接，控制指令转换传输模块将控制指令电流信号传输给驱动装置的电液比例阀，通过控制电液比例阀的开口大小和方向变化来实现对挖掘机器人工作液压缸的控制。

所述数据处理模块用于保存挖掘机器人关节轨迹控制***的各种数据，为控制***数据的后处理提供依据。

所述位姿显示模块分别与逆方程解析模块和关节轨迹控制算法模块连接，根据挖掘机器人期望的关节角位移信息和修正后的关节角位移信息不断更新挖掘机器人的显示位姿，保证模块中显示的挖掘机器人实际位姿与期望位姿保持一致。

一种挖掘机器人关节轨迹控制方法，包括下列步骤：

S1、以挖掘机器人动臂和斗杆为研究对象，铲斗全程处于锁止状态，此时可以将挖掘机器人的工作装置简化为二自由度的机械臂,根据光电编码器采集到的关节角度建立挖掘机器人工作装置的拉格朗日动力学方程为:

其中，θ，

分别为机械臂的角位移、角速度和角加速度矢量；D(θ)∈R^2×2、

G(θ)∈R^2×1、

τ(t)∈R^2×1、τ_d(t)∈R^2×1分别为惯性矩阵、哥氏力与离心力矩阵、重力矩阵、摩擦力矩阵、驱动力矩矩阵、外部扰动和未建模动态矩阵。

S2、进一步定义挖掘机器人关节轨迹控制误差为：

e(t)＝θ_d(t)-θ(t) (2)

其中，e(t)为挖掘机器人关节轨迹误差；θ_d(t)为挖掘机器人关节期望角位移；θ(t)为挖掘机器人关节实际角位移。

S3、定义滑模变结构的滑模面为：

其中，s为滑模面函数；

为挖掘机器人关节轨迹误差的动态方程；Λ为对角矩阵且其中元素大于零。

进一步，由式(1)、(2)、(3)可得：

其中，b为不确定项，

S4、如图4所示，利用RBF神经网络能够以任意精度逼近不确定函数的原理对函数b进行逼近，通过观察函数b可以确定其输入变量为e和θ_d，则RBF神经网络的输入可以取为：

则根据RBF神经网络的结构原理可以得到其理想状态下的输出为：

其中，y为RBF神经网络的输出；W^T为RBF神经网络隐含层与输出层之间的理想连接权值矩阵；h_i(x)为RBF神经网络隐含层第i个节点的输出；h(x)为RBF神经网络隐含层节点的输出矩阵，且h(x)＝[h₁(x),h₂(x),......,h_n(x)]；g(·)为RBF神经网络隐含层的激活函数，此处采用的是高斯基函数；c_i为第i个隐含层节点的置信域中心；b_i第i个隐含层节点的为置信域的宽度；i为RBF神经网络隐含层节点；n为RBF神经网络隐含层节点总数。

由于在实际情况下RBF神经网络在逼近不确定函数时会产生误差ε，则可以取RBF神经网络的实际输出为：

其中，

为RBF神经网络的实际输出；

为RBF神经网络隐含层与输出层之间的实际连接权值矩阵。

则RBF神经网络实际输出与理想输出之间的差值表示为：

其中，

为RBF神经网络隐含层与输出层之间连接权值的误差矩阵。

S5、设计RBF神经网络滑模变结构的控制律为：

其中，τ为RBF神经网络滑模变结构的控制律；H_v为对角矩阵且元素都大于零；s为滑模面函数；q为鲁棒控制项。

将式(10)带入式(5)可得：

S6、确定式(10)中的鲁棒控制项，在实际应用中***外部扰动τ_d以及误差ε都具有一定的范围，本发明取τ_d和ε的上界分别为τ_db和ε_b，则鲁棒控制项q可取为：

w＝-(τ_db+ε_b)sgn(s) (12)

其中，τ_db为***外部扰动τ_d的上界；ε_b为RBF神经网络逼近不确定项误差ε的上界；sgn(·)为符号函数。

S7、对挖掘机器人关节轨迹控制***进行稳定性分析，

S7.1、定义Lyapunov函数为：

其中，V为Lyapunov函数；tr(·)为矩阵的迹；

为RBF神经网络隐含层与输出层之间连接权值误差矩阵的转置；M^-1为单位对角阵。

对式(13)求导可得：

进一步将式(11)带入(14)式可得：

S7.2、根据挖掘机器人动力学结构特性

为斜对称矩阵，且

则满足：

的性质将式(15)化简可得：

S7.3、由于在本发明中RBF神经网络的连接权值是在线学习自适应调整的，故隐含层与输出层之间连接权值的误差

可取为零，则上式化简可得：

S7.4、由式(12)和式(17)可知：

s^T(ε+τ_d+q)＝s^T(ε+τ_d)+s^Tq＝s^T(ε+τ_d)-||s||(ε_b+τ_db)≤0 (18)

由此可知

当且仅当s等于零时

等于零，证毕。

根据Lyapunov稳定判定方法，得出挖掘机器人关节轨迹控制***在Lyapunov条件下是稳定的。

S8、在滑模变结构控制中为了尽量减小因鲁棒项引起的***抖振，将鲁棒项中的符号函数用饱和函数sat(·)代替，可得到新的基于RBF神经网络滑模变结构的控制律为：

其中，sat(·)为饱和函数；n为饱和函数边界层宽度。

S9、为了充分发挥RBF神经网络以任意精度逼近不确定函数的特性，利用改进的和声搜索优化算法对RBF神经网络的结构参数w、c和b进行优化。和声搜索优化算法具体流程如图5所示，具体步骤为：

S9.1、定义和声搜索优化算法的评价函数为：

其中，r(u)为和声搜索优化算法的评价函数；N为神经网络训练样本总数；j为神经网络训练样本；

为以u为变量时神经网络的实际输出；f_j(u)为以u为变量时神经网络的理想输出；变量u为(c,b,w)组成的解向量，其中w为神经网络隐含层与输出层的连接权值。

S9.2、初始化RBF神经网络的结构参数，根据挖掘机器人的关节角位移输入范围估计RBF神经网络的置信域中心c和置信域宽度b的初始值，神经网络隐含层与输出层的连接权值w则由计算机随机产生。

S9.3、为了保证RBF神经网络逼近不确定函数的性能要获取足够数量的训练样本，利用训练样本对RBF神经网络进行训练得到K个和声向量(c,b,w)，并且由这K个和声向量组成和声记忆库，和声记忆库可表示为：

S9.4、进一步初始化和声搜索优化算法的参数的有关参数，最大以及最小和声记忆库取值概率HMCR_max、HMCR_min，最大以及最小音调微调概率PAR_max、PAR_min，最大以及最小音调微调宽度bw_max、bw_min，以上参数的初始值均根据以往经验选取。

S9.5、进一步分别运用动态调整公式调整和声记忆库取值概率HMCR、音调微调概率PAR和音调微调宽度bw，其动态调整公式为：

其中，p为算法当前迭代次数；P为算法最大迭代次数；HMCR(p)为调整后的和声记忆库取值概率；PAR(p)为调整后的音调微调概率；bw(p)为调整后的音调微调宽度。

S9.6、根据新和声产生条件生成新的和声向量，首先计算机产生一个随机数，然后用这个随机数与HMCR进行比较，具体伪代码为：

其中，u^new为产生的新和声向量；u^*为HM中的任意和声向量；u^S为三个最小决策变量中的最小值，u^S＝min(c_min,b_min,w_min)；u^B为三个最大决策变量中的最大值，u^B＝max(c_max,b_max,w_max)；rand为随机数且rand∈(0,1)。

S9.7、进一步比较和声记忆库中最差的和声向量和新和声向量的评价函数值，如果新和声向量的评价函数值优于和声记忆库中最差和声向量的评价函数值，则以新和声向量代替和声记忆库中最差的和声向量，否则保持原和声记忆库不变。

S9.8、进一步检查和声搜索优化算法是否达到最大迭代次数，若迭代次数大于最大迭代次数则停止搜索，否则返回S54.5继续进行循环运算，直到满足算法终止条件为止。

S9.9、根据和声搜索优化算法输出的最优和声向量(c,b,w)即可得到RBF神经网络的最优结构参数c、b和w。将得到的最优参数应用于RBF神经网络，可以使RBF神经网络无限逼近于不确定项b，可以使建立的挖掘机器人动力学模型更加精确，RBF神经网络滑模变结构的控制律的鲁棒性更好，挖掘机器人各关节的角位移轨迹控制误差会逐渐趋于零。

图6是经过和声搜索优化算法优化参数后的RBF神经网络滑模变结构控制用于挖掘机器人动臂关节轨迹跟踪控制的结果，其中，理想轨迹9定义为：1+0.2sin(0.5πt)，经过RBF神经网络滑模变结构的控制，挖掘机器人实现了动臂关节轨迹的跟踪。

图7是经过和声搜索优化算法优化参数后的RBF神经网络滑模变结构控制用于挖掘机器人斗杆关节轨迹跟踪控制的结果，其中，理想轨迹10定义为：1-0.2cos(0.5πt)，经过RBF神经网络滑模变结构的控制，挖掘机器人实现了斗杆关节轨迹的跟踪。

上面仅对本发明的较佳实施例作了详细说明，但是本发明并不限于上述实施例，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作出各种变化，各种变化均应包含在本发明的保护范围之内。

Claims (8)

1.一种挖掘机器人关节轨迹控制方法，其特征在于：包括

S1、建立挖掘机器人工作装置的拉格朗日动力学方程，以挖掘机器人动臂和斗杆为研究对象，铲斗全程处于锁止状态，将挖掘机器人的工作装置简化为二自由度的机械臂，由数据采集装置采集动臂和斗杆的关节角度，则挖掘机器人工作装置的拉格朗日动力学方程为：

S2、定义挖掘机器人关节轨迹控制误差，根据挖掘机器人的期望关节角位移和信号采集装置采集到的实际关节角位移定义挖掘机器人关节轨迹控制误差为：

e(t)＝θ_d(t)-θ(t)；

S3、定义滑模变结构的滑模面为：

进一步得出：

S4、计算RBF神经网络实际输出与理想输出之间的差值：

取RBF神经网络的输入为：

则根据RBF神经网络的结构原理可以得到其理想状态下的输出为：

y＝W^Th(x)＝b，

由于在实际情况下RBF神经网络在逼近不确定函数时会产生误差ε，则RBF神经网络的实际输出为：

则RBF神经网络实际输出与理想输出之间的差值表示为：

S5、设计RBF神经网络滑模变结构的控制律为：

将上式带入S3可得：

S6、定义鲁棒控制项q，取τ_d和ε的上界分别为τ_db和ε_b，则：

q＝-(τ_db+ε_b)sgn(s)；

S7、对挖掘机器人关节轨迹控制***进行稳定性分析：

定义Lyapunov函数为：

将上式进行求导并将S5的结果带入得：

根据挖掘机器人动力学结构特性

为斜对称矩阵，且

则满足：

的性质将上式化简可得：

由于在本发明中RBF神经网络的连接权值是在线学习自适应调整的，故隐含层与输出层之间连接权值的误差

可取为零，则上式化简可得：

进一步由S6和上式可得：

s^T(ε+τ_d+q)＝s^T(ε+τ_d)+s^Tq＝s^T(ε+τ_d)-||s||(ε_b+τ_db)≤0，

由此可知

当且仅当s等于零时

等于零。

2.根据权利要求1所述的一种挖掘机器人关节轨迹控制方法，其特征在于：包括：

S8、在滑模变结构控制中为了尽量减小因鲁棒项引起的***抖振，将鲁棒项中的符号函数用饱和函数sat(·)代替，得到新的基于RBF神经网络滑模变结构的控制律为：

S9、利用改进的和声搜索优化算法对RBF神经网络的结构参数w、c和b进行优化，根据和声搜索优化算法输出的最优和声向量(c,b,w)即可得到RBF神经网络的最优结构参数c、b和w，将得到的最优参数应用于RBF神经网络，使RBF神经网络无限逼近于不确定项b。

3.根据权利要求2所述的一种挖掘机器人关节轨迹控制方法，其特征在于：所述S9中包括：

S9.1、根据挖掘机器人的关节角位移输入范围估计RBF神经网络的置信域中心c和置信域宽度b的初始值，神经网络隐含层与输出层的连接权值w由计算机随机产生；

S9.2、定义和声搜索优化算法的评价函数为：

S9.3、利用足够数量的训练样本对RBF神经网络进行训练得到K个和声向量(c,b,w)，并且由这K个和声向量组成和声记忆库；

S9.4、初始化和声搜索优化算法的参数的有关参数，最大以及最小和声记忆库取值概率HMCR_max、HMCR_min，最大以及最小音调微调概率PAR_max、PAR_min，最大以及最小音调微调宽度bw_max、bw_min；

S9.5、分别运用动态调整公式调整和声记忆库取值概率HMCR、音调微调概率PAR和音调微调宽度bw；

S9.6、根据新和声产生条件生成新的和声向量，比较和声记忆库中最差的和声向量和新和声向量的评价函数值，如果新和声向量的评价函数值优于和声记忆库中最差和声向量的评价函数值，则以新和声向量代替和声记忆库中最差的和声向量，否则保持原和声记忆库不变；

S9.7、进一步检查和声搜索优化算法是否达到最大迭代次数，若迭代次数大于最大迭代次数则停止搜索，否则返回S25继续进行循环运算，直到满足算法终止条件为止。

4.一种挖掘机器人关节轨迹控制***，其特征在于：包括数据采集模块、数据处理模块以及依次连接的轨迹规划模块、逆方程解析模块、关节轨迹控制算法模块和控制指令转换传输模块，所述数据采集模块与关节轨迹控制算法模块相连接，所述数据采集模块、轨迹规划模块、逆方程解析模块、关节轨迹控制算法模块和控制指令转换传输模块均与数据处理模块连接；

所述轨迹规划模块用于规划出挖掘机器人期望的关节轨迹；

所述逆方程解析模块用于将规划出的挖掘机器人期望关节轨迹求解为挖掘机器人期望的关节角位移；

所述关节控制算法模块用于根据挖掘机器人实际关节转动数据和期望关节角位移运用挖掘机器人关节轨迹控制方法不断修正关节角位移的偏差量至最小值，并将修正后的关节角位移信号传输给控制指令转换传输模块；

所述控制指令转换传输模块用于将修正后的关节角位移转换为挖掘机器人可以识别的控制信号；

所述数据处理模块用于保存挖掘机器人关节轨迹控制***的各种数据。

5.根据权利要求4所述的一种挖掘机器人关节轨迹控制***，其特征在于：还包括位姿显示模块，所述位姿显示模块分别与逆方程解析模块和关节轨迹控制算法模块连接，根据挖掘机器人期望的关节角位移信息和修正后的关节角位移信息不断更新挖掘机器人的显示位姿。

6.根据权利要求4所述的一种挖掘机器人关节轨迹控制***，其特征在于：还包括车身、动臂(2)、动臂油缸(1)、斗杆(4)、斗杆油缸(3)、铲斗(6)、铲斗油缸(5)和驱动装置，所述车身、动臂(2)、斗杆(4)、铲斗(6)依次铰接，动臂油缸(1)、斗杆油缸(3)、铲斗油缸(5)依次设置在车身与动臂(2)之间、动臂(2)与斗杆(4)之间、斗杆(4)与铲斗(6)之间，所述驱动装置分别与动臂油缸(1)、斗杆油缸(3)，铲斗油缸(5)相连接，所述动臂(2)与车身的铰接点、动臂(2)与斗杆(4)的铰接点均设置有光电编码器，所述光电编码器与数据采集模块连接。

7.根据权利要求6所述的一种挖掘机器人关节轨迹控制***，其特征在于：所述驱动装置包括电液比例阀，电液比例阀与控制指令转换传输模块连接。

8.根据权利要求6所述的一种挖掘机器人关节轨迹控制***，其特征在于：还包括液压***，液压***分别与动臂油缸(1)、斗杆油缸(3)、铲斗油缸(5)连接，所述液压***设置有油压传感器和液压流量传感器，油压传感器和液压流量传感器均与数据采集装置连接。

Images