CN115185187B - 一种基于二型椭球型模糊神经网络的机械臂有限时间跟踪控制方法 - Google Patents
一种基于二型椭球型模糊神经网络的机械臂有限时间跟踪控制方法 Download PDFInfo
- Publication number
- CN115185187B CN115185187B CN202210981267.8A CN202210981267A CN115185187B CN 115185187 B CN115185187 B CN 115185187B CN 202210981267 A CN202210981267 A CN 202210981267A CN 115185187 B CN115185187 B CN 115185187B
- Authority
- CN
- China
- Prior art keywords
- mechanical arm
- joint
- neural network
- tracking error
- tracking
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 40
- 239000011159 matrix material Substances 0.000 claims description 22
- 230000008569 process Effects 0.000 claims description 16
- 238000013461 design Methods 0.000 claims description 10
- 230000014509 gene expression Effects 0.000 claims description 9
- 230000004913 activation Effects 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 8
- 230000001133 acceleration Effects 0.000 claims description 7
- 230000033001 locomotion Effects 0.000 claims description 7
- 230000005484 gravity Effects 0.000 claims description 4
- 230000032683 aging Effects 0.000 claims description 3
- 230000007613 environmental effect Effects 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 230000017105 transposition Effects 0.000 claims 1
- 230000006870 function Effects 0.000 description 31
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 239000008186 active pharmaceutical agent Substances 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005312 nonlinear dynamic Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000003466 welding Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
Abstract
一种基于二型椭球型模糊神经网络的机械臂有限时间跟踪控制方法,它属于工业机械臂控制领域。本发明解决了由于来自操作环境和机械臂自身造成的***不确定性,导致采用现有方法难以实现对机械臂的高精度控制的问题。本发明方法采取的技术方案为:步骤一、建立考虑***不确定性的机械臂动力学模型;步骤二、采用区间二型椭球型模糊神经网络对***不确定性进行估计,得到估计结果;步骤三、设计预定时间内收敛的非奇异终端滑模面;步骤四、基于估计结果和非奇异终端滑模面进行跟踪控制器的设计。本发明方法可以应用于对工业机械臂的控制。
Description
技术领域
本发明属于工业机械臂控制领域,具体涉及一种基于二型椭球型模糊神经网络的机械臂有限时间跟踪控制方法。
背景技术
多自由度机械臂的出现使得在不同操作环境下实现“机器换人”成为可能,近年来,其在医疗康复、焊接、分类和救援等领域取得了成功应用,而如何设计高性能控制器一直是机械臂研究领域的一大热门。机械臂是一类强耦合、时变的非线性动力学***,同时来自操作环境和机械臂自身的扰动造成了***的不确定性,这极大地增加了机械臂高精度控制的难度,因此,采用现有方法将难以实现对机械臂的高精度控制,也使得实现机械臂的鲁棒控制成为提升***性能表现的关键技术。
收敛速度快、响应快、高精度和良好的抗扰能力是衡量***综合性能表现的重要指标,而有限时间控制对于提高这些性能表现大有裨益,尤其对***的故障恢复和维护时间提供可靠的技术依据。此外在许多实际应用场景中,机械臂任务常需满足时间约束,即实现有限时间跟踪,如对弹药传输机械臂而言,将坦克单次装弹时间限制在有限时间内将大幅提高坦克的整体作战能力。同时对执行器出现故障如执行器失效的情形,基于有限时间控制的容错技术有利于机械臂的可靠性维护。因此研究与设计机械臂的有限时间控制问题势在必行。
发明内容
本发明的目的是为解决由于来自操作环境和机械臂自身造成的***不确定性,导致采用现有方法难以实现对机械臂的高精度控制的问题,而提出的一种基于二型椭球型模糊神经网络的机械臂有限时间跟踪控制方法。
本发明为解决上述技术问题所采取的技术方案是:
一种基于二型椭球型模糊神经网络的机械臂有限时间跟踪控制方法,所述方法具体包括以下步骤:
步骤一、建立考虑***不确定性δτ的机械臂动力学模型;
步骤三、设计预定时间内收敛的非奇异终端滑模面;
进一步地,所述步骤一的具体过程为:
具有r个运动关节的机械臂动力学模型为:
其中,q代表各关节角位置向量,代表实数域,/>代表各关节角速度向量,/>代表各关节角加速度向量,/>τ是机械臂的输入控制力矩,/>t是时间,/>代表向心力矩阵,/>G(q)是重力项,/>代表摩擦力矩,M(q)代表对称的惯性矩阵,M(q)=M0(q)+ΔM(q),/>M0(q)是惯性矩阵的标称部分,ΔM(q)代表的是M0(q)的不确定性;
根据M0(q)的非奇异特性,将M0(q)的逆矩阵表示为M0 -1,则将机械臂动力学模型(1)重新表示如下:
考虑机械臂因部件老化和环境变化导致的执行器失效现象,定义机械臂实际的控制输入为τF,τF与τ的关系为:
τF=μτ (4)
其中,μ代表执行器失效因子;
将τF表示为:
τF=τ+(μ-1)τ=τ+τμ (5)
其中,τμ=(μ-1)τ;
则将公式(3)表示为:
其中,δτ=δ+M0 -1τμ。
进一步地,所述执行器失效因子的取值为0<μ<1。
进一步地,所述步骤二的具体过程为:
根据公式(6)定义各关节的跟踪误差为:
其中,xd为各关节的角位置期望值,为各关节的角速度期望值,y1为各关节角位置跟踪误差向量,y1=[y11,y12,…y1r]T,y11为第1个关节的角位置跟踪误差,y12为第2个关节的角位置跟踪误差,y1r为第r个关节的角位置跟踪误差,y2为各关节角速度跟踪误差向量,y2=[y21,y22,…y2r]T,y21为第1个关节的角速度跟踪误差,y22为第2个关节的角速度跟踪误差,y2r为第r个关节的角速度跟踪误差;
区间二型椭球型模糊神经网络包括输入层、隶属函数层、规则层、降型层和输出层;
输入层:区间二型椭球型模糊神经网络输入层的第j个输入为yj;
其中,mij为第j个输入第i个节点的隶属度函数的中心,vij为第j个输入第i个节点的隶属度函数的宽度,α为调整系数,0<α<1;
降型层:通过对激活强度和权值执行降型处理,即由区间二型模糊隶属度函数降为一型模糊隶属度函数,得到输出变量:
其中,i=1,2,…,l,l为模糊规则的数目, ωL为后件的上界权重区间,/>且为l条模糊规则的上界权重中的最小值,/>为l条模糊规则的上界权重中的最大值,ωU为后件的下界权重区间,/>且/>为l条模糊规则的下界权重中的最小值,/>为l条模糊规则的下界权重中的最大值;
进一步地,所述步骤三的具体过程为:
其中,s为非奇异终端滑模面,T1为预定义的机械臂末端跟踪误差收敛的时间,n=[n1,n2,…nr]T,0<ni′<0.5,i′=1,2…r,e是自然对数的底数,c1=1+n,c2=-n,/>和/>的定义均与/>相同,sign(·)是符号函数,sig(y1)2:=[|y11|2sign(y11),…|y1r|2sign(y1r)]T,d=[d1,d2,…dr]T,且di′>0,di′代表机械臂第i′个关节的跟踪精度,/>|y1|≤d代表|y1i′|<di′,/>
更进一步地,所述步骤四的具体过程为:
其中:τ为设计的跟踪控制器,Q1、Q2、Q3、Q4和Q5的定义如下:
其中,代表各关节角加速度的期望值,/>为ω的估计值,Tc描述了y1和y2形成的轨迹沿着滑模面收敛至零点邻域范围内的时间上界,/>m=[m1,m2,…mr]T,0<mi′<0.5,T2是跟踪误差y1和y2从初始状态运动达到实际滑模面上的时间上界,T2>0,/>s1是第1个关节处的滑模面,s2是第2个关节处的滑模面,sr是第r个关节处的滑模面,λ是对角矩阵,对角线上的元素为正数,/>为y1的一阶导数, <y2>:=diag{|y21|,|y22|,…,|y2r|},
本发明的有益效果是:
本发明考虑由操作环境和机械臂自身造成***不确定性的工业多关节机械臂,以其动力学模型为控制对象,设计了一种基于区间二型椭球型模糊神经网络的机械臂有限时间滑模控制器,通过本发明设计的控制器可以实现对机械臂的高精度控制,能实现操作臂末端对期望运动轨迹的高精度跟踪功能,同时能实现末端轨迹跟踪误差以用户预先任意设定的时间为上界收敛,为多情境下有时间限制需求的机械臂提供有效控制方法。
附图说明
图1是机械臂关节1的控制器随时间的变化曲线图;
图2是机械臂关节1的角位置跟踪随时间的变化曲线图;
图3是机械臂关节1的跟踪误差随时间的变化曲线图;
图4是机械臂关节2的控制器随时间的变化曲线图;
图5是机械臂关节2的角位置跟踪随时间的变化曲线图;
图6是机械臂关节2的跟踪误差随时间的变化曲线图;
图7是机械臂关节3的控制器随时间的变化曲线图;
图8是机械臂关节3的角位置跟踪随时间的变化曲线图;
图9是机械臂关节3的跟踪误差随时间的变化曲线图;
图10是机械臂三个关节的角速度跟踪误差随时间的变化曲线图。
具体实施方式
具体实施方式一、本实施方式所述的一种基于二型椭球型模糊神经网络的机械臂有限时间跟踪控制方法,所述方法具体包括以下步骤:
步骤一、建立考虑***不确定性δτ的机械臂动力学模型;
步骤三、设计预定时间内收敛的非奇异终端滑模面;
具体实施方式二:本实施方式与具体实施方式一不同的是,所述步骤一的具体过程为:
具有r个运动关节的机械臂动力学模型为:
其中,q代表各关节角位置向量,代表实数域,/>代表各关节角速度向量,/>代表各关节角加速度向量,/>τ是机械臂的输入控制力矩,/>t是时间,/>代表向心力矩阵,/>G(q)是重力项,/>代表摩擦力矩,M(q)代表对称的惯性矩阵,M(q)=M0(q)+ΔM(q),/>M0(q)是惯性矩阵的标称部分,ΔM(q)代表的是M0(q)的不确定性;
根据M0(q)的非奇异特性,将M0(q)的逆矩阵表示为M0 -1,则将机械臂动力学模型(1)重新表示如下:
定义x1(t)=[x11,x12,…x1r]T=q(t),x11代表第1个关节角位置,x12代表第2个关节角位置,x1r代表第r个关节角位置,x21代表第1个关节角速度,x22代表第2个关节角速度,x2r代表第r个关节角速度,将x1(t)简写为x1,将x2(t)简写为x2,则将机械臂动力学模型的状态空间表达式描述如下:
考虑机械臂因部件老化和环境变化导致的执行器失效现象,定义机械臂实际的控制输入为τF,τF与τ的关系为:
τF=μτ (4)
其中,μ代表执行器失效因子,μ=[μ1,μ2,…,μr]T;
将τF表示为:
τF=τ+(μ-1)τ=τ+τμ (5)
其中,τμ=(μ-1)τ;
则将公式(3)表示为:
其中,δτ=δ+M0 -1τμ。
其它步骤及参数与具体实施方式一相同。
具体实施方式三:本实施方式与具体实施方式一或二不同的是,所述执行器失效因子的取值为0<μ<1。
当μ=0时表示执行器卡死故障,当μ=1时表示执行器正常。
其它步骤及参数与具体实施方式一或二相同。
具体实施方式四:本实施方式与具体实施方式一至三之一不同的是,所述步骤二的具体过程为:
根据公式(6)定义各关节的跟踪误差为:
其中,xd为各关节的角位置期望值,为各关节的角速度期望值,y1为各关节角位置跟踪误差向量,y1=[y11,y12,…y1r]T,y11为第1个关节的角位置跟踪误差,y12为第2个关节的角位置跟踪误差,y1r为第r个关节的角位置跟踪误差,y2为各关节角速度跟踪误差向量,y2=[y21,y22,…y2r]T,y21为第1个关节的角速度跟踪误差,y22为第2个关节的角速度跟踪误差,y2r为第r个关节的角速度跟踪误差;
区间二型椭球型模糊神经网络包括输入层、隶属函数层、规则层、降型层和输出层;
输入层:区间二型椭球型模糊神经网络输入层的第j个输入为yj;
其中,mij为第j个输入第i个节点的隶属度函数的中心,vij为第j个输入第i个节点的隶属度函数的宽度,α为调整系数(用于调整区间二型模糊神经网络所描述的不确定域的形状),0<α<1;
降型层:通过对激活强度和权值执行降型处理,即由区间二型模糊隶属度函数降为一型模糊隶属度函数,得到输出变量:
其中,i=1,2,…,l,l为模糊规则的数目, ωL为后件(输出量的模糊集合)的上界权重区间,且/>为l条模糊规则的上界权重中的最小值,/>为l条模糊规则的上界权重中的最大值,ωU为后件(输出量的模糊集合)的下界权重区间,且/>为l条模糊规则的下界权重中的最小值,/>为l条模糊规则的下界权重中的最大值;
其它步骤及参数与具体实施方式一至三之一相同。
具体实施方式五:本实施方式与具体实施方式一至四之一不同的是,所述步骤三的具体过程为:
其中,s为非奇异终端滑模面,T1为预定义的机械臂末端跟踪误差收敛的时间,n=[n1,n2,…nr]T,e是自然对数的底数,/>0<ni′<0.5,c1=1+n,c2=-n,/>和/>的定义均与/>相同,sig(y1)2:=[|y11|2sign(y11),…|y1r|2sign(y1r)]T,sign(·)是符号函数,d=[d1,d2,…dr]T,且di′>0,i′=1,2…r,di′代表机械臂第i′个关节的跟踪精度,|y1|≤d代表|y1i′|<di′,
符号:=的定义为“符号左端的展开形式为公式右端”。
其它步骤及参数与具体实施方式一至四之一相同。
具体实施方式六:本实施方式与具体实施方式一至五之一不同的是,所述步骤四的具体过程为:
其中:M0(q)将简写为M0,τ为设计的跟踪控制器,Q1、Q2、Q3、Q4和Q5的定义如下:
其中,代表各关节角加速度的期望值,/>为ω的估计值,m=[m1,m2,…mr]T,0<mi′<0.5,/>λ是一个对角矩阵,对角线上的元素为正数,对角线上的元素是适当大的正数,可根据对不确定估计误差值的保守估计选取;/> 为y1的一阶导数,/>T2是跟踪误差y1和y2从初始状态运动达到实际滑模面上的时间上界,T2>0,Tc描述了y1和y2形成的轨迹沿着滑模面收敛至零点邻域范围内的时间上界,/>s1是第1个关节处的滑模面,s2是第2个关节处的滑模面,sr是第r个关节处的滑模面, <y2>:=diag{|y21|,|y22|,…,|y2r|}。
其它步骤及参数与具体实施方式一至五之一相同。
实施例
本发明主要考虑在操作环境和自身负载扰动下具有不确定性的工业多关节机械臂,以其动力学模型为控制对象,设计了一种基于区间二型模糊神经网络的机械臂有限时间滑模控制器,能实现操作臂末端对期望运动轨迹的高精度跟踪功能,同时能实现末端轨迹跟踪误差以用户预先任意设定的时间为上界收敛,为多情境下有时间限制需求的机械臂提供有效控制方法。该控制器具有以下特征和优势:采用非奇异终端滑模控制能避免传统终端滑模控制器存在的奇点问题;同时采用有限时间收敛算法对非奇异终端滑模控制加以改进,实现了操作臂末端在预定时间内达到跟踪性能指标;针对操作臂***动力学模型的不确定性部分,采用区间二型模糊神经网络进行***参数辨识,有效提升了机械臂在实际运行时的鲁棒性及跟踪性能表现,并提供了控制器各参数的确定方法。
(1)具有参数不确定性的机械臂动力学建模
机械臂***是一类具有高度非线性、强耦合、时变特性的研究对象,在实际动力学建模过程中,往往难以得到各参数辨识精确的模型。复杂的机械臂动力学模型对机械臂的控制算法设计造成了困难,因而模型的正确简化对研究机械臂具有重要意义。目前求解机械臂动力学模型的主流方法有牛顿欧拉(Newton-Euler)方法及拉格朗日(Lagrange)方法,拉格朗日力学本质上与牛顿力学一样,它从能量角度入手引入广义坐标系概念,但是其不再依赖空间坐标系且无需分析***内部约束力,同时Lagrange方法对机械臂动力学模型的解析解是显示结构,能更直观理解机械臂动力学模型所体现的物理意义。故本发明选择采用Lagrange方法在运动学基础上建立机械臂动力学模型。
具有r个运动关节的机械臂动力学模型为:
其中以及/>分别代表各关节角位置向量、角速度向量及角加速度向量,/>是机械臂的输入控制力矩,/>代表向心力矩阵,/>是重力项,/>代表摩擦力矩,对称的惯性矩阵表示为/>其中M0(q)是惯性矩阵的标称部分,ΔM(q)代表的是标称参数M0(q)的不确定性,根据矩阵M0(q)的非奇异特性,故其逆矩阵是存在的可表示为M0 -1,则机械臂的动力学模型(1)可重新表示如下:
(2)执行器失效模型描述
考虑机械臂因部件老化或环境变化导致的执行器失效现象,定义机械臂实际的控制输入为τF,它与控制器输出的关系为:
τF=μτ (4)
其中μ=[μ1,μ2,…,μr]T,0<μ<1表示执行器失效因子。另外μ=0表示执行器卡死故障;μ=1表示执行器正常。那么,实际的控制输入为可以进一步表示为:
τF=τ+(μ-1)τ=τ+τμ (5)
其中τμ=(μ-1)τ。则根据该关系式可以进一步得到:
(3)控制器的设计
1)确定跟踪控制设计目标:
根据跟踪误差y设计滑模面非奇异终端滑模面s,在此基础上设计可行的输入控制力矩τ,使得机械臂***各关节在控制力矩的作用下实现跟踪误差e→0。首先针对机械臂***模型(6)定义各关节的跟踪误差为:
其中y1=[y11,y12,…y1r]T,y2=[y21,y22,…y2r]T。
2)采用区间二型椭球型模糊神经网络逼近机械臂***不确定部分:
由于模型(6)中的Δ部分包含机械臂***中的惯性量、向心力以及哥氏力矩,然而这些模型参数在实际中是难以通过观测而准确获得的,可采用区间二型模糊神经网络对模型中的不确定部分δτ进行估计,定义δτ的估计量为那么/>其中h为模糊神经网络隶属度函数构成的向量函数,/>为神经网络权值ω的估计量。定义神经网络的输入变量为/>则在区间二型模糊神经网络逼近器的规则库中,每条模糊规则的形式为:
其中S1i是前件的区间二型模糊集合,ω是后件区间二型模糊集的质心集(也称加权区间集),i=1,2,…l,l是模糊规则的个数。基于上述模糊规则,椭球型区间二型模糊神经网络由5层组成:
(a)输入层:区间二型模糊神经网络输入层的第j个输入为yj。
(b)隶属函数层:对于隶属层的第j个输入和第i各节点,采用改进了的椭球型上、下隶属函数,以追求在简化计算的同时实现***更强的鲁棒性能。上、下隶属度函数的表达式分别为:
其中0<α<1,用于调整区间二型模糊神经网络所描述的不确定域的形状,而mij及vij分别描述的是隶属度函数的中心和宽度。
(d)降型层:该层节点为后件节点,通过对前件激活强度和后件权值执行降型处理,即由区间二型模糊隶属函数降为一型模糊隶属函数,得到输出变量,分别表示如下:
(e)输出层:以mL与mU的均值作为区间二型模糊神经网络的输出值。
3)设计预定时间内收敛的非奇异终端滑模面:
4)跟踪控制器设计:
其中Q1~5的定义如下:
其中代表由适当自适应律对区间二型模糊神经网络中未知的后件权重区间ω的估计值,该参数的自适应更新规则设定为/>其中E是可调节对角矩阵参数,/>此外m=[m1,m2,…mr]T,0<mi<0.5,λ是一个对角矩阵,其对角线上元素是适当大的正数,可根据对不确定估计误差值的保守估计选取。此外,参数T2>0描述的是跟踪误差的相关变量y1和y2从初始状态运动达到实际滑模面上的时间上界,而参数Tc描述了y1和y2形成的轨迹沿着滑模面收敛零点O(y1=y2=0)邻域范围内的时间上界,并且参数T2>0与T1>0均可由用户提前设定。
实验部分
为了验证和展示本发明中针对机械臂***所设计的基于区间二型模糊神经网络的滑模控制器的有效性,在ROKAE机器人平台上进行实验。ROKAE是一种七自由度的冗余柔性关节机器人,用户可在Linux环境下依靠通信网络及调用ROAKE提供的相应的API,与机器人之间进行信息读取、和指令发送。假设机械臂的三个关节执行器实际失效因子μ表示执行器失效因子为介于0.7与0.9之间的未知变量,参数变化引起的***不确定也是未知的。实验在给定ROAKE机械臂各关节相同初始状态和相同期望轨迹条件下进行,那么利用所设计的有限时间容错控制器,选取控制器参数如下:T1=3,T2=5,m=[0.25;0.15;0.07],n=[0.19;0.14;0.23],λ=2,d=[0.001;0.0014;0.0055],那么相应的机械臂关节跟踪响应曲线如图1至图10所示,由这些仿真结果可知所设计控制器实现了在有限时间8秒内的容错跟踪控制,验证了所设计控制器的有效性。
图1至图3分别展示了机械臂关节1的控制器、角位置跟踪以及跟踪误差随时间的变化;图4至图6分别展示了机械臂关节2的控制器、角位置跟踪以及跟踪误差随时间的变化,图7至图9分别展示了机械臂关节3的控制器、角位置跟踪以及跟踪误差随时间的变化,图10展示了机械臂三个关节的角速度跟踪误差随时间的变化。
本发明的上述算例仅为详细地说明本发明的计算模型和计算流程,而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动,这里无法对所有的实施方式予以穷举,凡是属于本发明的技术方案所引伸出的显而易见的变化或变动仍处于本发明的保护范围之列。
Claims (4)
1.一种基于二型椭球型模糊神经网络的机械臂有限时间跟踪控制方法,其特征在于,所述方法具体包括以下步骤:
步骤一、建立考虑***不确定性δτ的机械臂动力学模型;
所述步骤一的具体过程为:
具有r个运动关节的机械臂动力学模型为:
其中,q代表各关节角位置向量,代表实数域,/>代表各关节角速度向量,代表各关节角加速度向量,/>τ是机械臂的输入控制力矩,/>t是时间,代表向心力矩阵,/>G(q)是重力项,/>代表摩擦力矩,M(q)代表对称的惯性矩阵,M(q)=M0(q)+ΔM(q),/>M0(q)是惯性矩阵的标称部分,ΔM(q)代表的是M0(q)的不确定性;
根据M0(q)的非奇异特性,将M0(q)的逆矩阵表示为M0 -1,则将机械臂动力学模型(1)重新表示如下:
考虑机械臂因部件老化和环境变化导致的执行器失效现象,定义机械臂实际的控制输入为τF,τF与τ的关系为:
τF=μτ (4)
其中,μ代表执行器失效因子;
将τF表示为:
τF=τ+(μ-1)τ=τ+τμ (5)
其中,τμ=(μ-1)τ;
则将公式(3)表示为:
其中,δτ=δ+M0 -1τμ;
所述步骤二的具体过程为:
根据公式(6)定义各关节的跟踪误差为:
其中,xd为各关节的角位置期望值,为各关节的角速度期望值,y1为各关节角位置跟踪误差向量,y1=[y11,y12,…y1r]T,y11为第1个关节的角位置跟踪误差,y12为第2个关节的角位置跟踪误差,y1r为第r个关节的角位置跟踪误差,y2为各关节角速度跟踪误差向量,y2=[y21,y22,…y2r]T,y21为第1个关节的角速度跟踪误差,y22为第2个关节的角速度跟踪误差,y2r为第r个关节的角速度跟踪误差;
区间二型椭球型模糊神经网络包括输入层、隶属函数层、规则层、降型层和输出层;
输入层:区间二型椭球型模糊神经网络输入层的第j个输入为yj;
隶属函数层:对于隶属函数层的第j个输入和第i个节点,上隶属度函数gij(yj)和下隶属度函数gij(yj)的表达式分别为:
其中,mij为第j个输入第i个节点的隶属度函数的中心,vij为第j个输入第i个节点的隶属度函数的宽度,α为调整系数,0<α<1;
降型层:通过对激活强度和权值执行降型处理,即由区间二型模糊隶属度函数降为一型模糊隶属度函数,得到输出变量:
其中,i=1,2,…,l,l为模糊规则的数目, ωL为后件的上界权重区间,/>且为l条模糊规则的上界权重中的最小值,/>为l条模糊规则的上界权重中的最大值,ωU为后件的下界权重区间,/>且/>为l条模糊规则的下界权重中的最小值,/>为l条模糊规则的下界权重中的最大值;
步骤三、设计预定时间内收敛的非奇异终端滑模面;
2.根据权利要求1所述的一种基于二型椭球型模糊神经网络的机械臂有限时间跟踪控制方法,其特征在于,所述执行器失效因子的取值为0<μ<1。
4.根据权利要求3所述的一种基于二型椭球型模糊神经网络的机械臂有限时间跟踪控制方法,其特征在于,所述步骤四的具体过程为:
其中:τ为设计的跟踪控制器,Q1、Q2、Q3、Q4和Q5的定义如下:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210981267.8A CN115185187B (zh) | 2022-08-16 | 2022-08-16 | 一种基于二型椭球型模糊神经网络的机械臂有限时间跟踪控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210981267.8A CN115185187B (zh) | 2022-08-16 | 2022-08-16 | 一种基于二型椭球型模糊神经网络的机械臂有限时间跟踪控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115185187A CN115185187A (zh) | 2022-10-14 |
CN115185187B true CN115185187B (zh) | 2023-06-20 |
Family
ID=83524070
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210981267.8A Active CN115185187B (zh) | 2022-08-16 | 2022-08-16 | 一种基于二型椭球型模糊神经网络的机械臂有限时间跟踪控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115185187B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117656084B (zh) * | 2024-01-31 | 2024-04-05 | 哈尔滨工业大学 | 一种基于LuGre模型的摩擦动力学在线辨识方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111152225A (zh) * | 2020-01-15 | 2020-05-15 | 北京科技大学 | 存在输入饱和的不确定机械臂固定时间轨迹跟踪控制方法 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1676286A (zh) * | 2004-04-02 | 2005-10-05 | 李朝辉 | 生物信息随动即时示教控制机器人 |
GB0809443D0 (en) * | 2008-05-23 | 2008-07-02 | Wivenhoe Technology Ltd | A Type-2 fuzzy based system for handling group decisions |
CN110877333B (zh) * | 2019-04-12 | 2023-01-17 | 国网宁夏电力有限公司电力科学研究院 | 一种柔性关节机械臂控制方法 |
CN110048606B (zh) * | 2019-05-23 | 2020-12-25 | 哈尔滨工业大学 | 基于区间二型自适应模糊神经网络的dc-dc升压变换器动态滑模电压控制方法 |
CN110653169B (zh) * | 2019-08-06 | 2022-01-14 | 中国长城科技集团股份有限公司 | 一种垃圾处理方法、装置及终端设备 |
CN111650832B (zh) * | 2020-05-28 | 2022-04-15 | 哈尔滨工程大学 | 一种水下多足步行机器人机械足姿态跟踪控制方法 |
CN114516047B (zh) * | 2022-02-14 | 2024-07-09 | 安徽大学 | 基于径向基神经网络终端滑模控制机械臂轨迹方法及*** |
CN114815624A (zh) * | 2022-05-25 | 2022-07-29 | 国网黑龙江省电力有限公司绥化供电公司 | 一种多自由度机器人***的滑模轨迹跟踪控制方法 |
-
2022
- 2022-08-16 CN CN202210981267.8A patent/CN115185187B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111152225A (zh) * | 2020-01-15 | 2020-05-15 | 北京科技大学 | 存在输入饱和的不确定机械臂固定时间轨迹跟踪控制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115185187A (zh) | 2022-10-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111281743B (zh) | 一种上肢康复外骨骼机器人自适应柔顺控制方法 | |
CN110170992B (zh) | 一种基于动态规划的模块化机械臂多故障容错控制方法 | |
CN110275436B (zh) | 一种多单臂机械手的rbf神经网络自适应控制方法 | |
AU2021103765A4 (en) | Robotic arm motion programming method based on fixed-parameter neural network | |
CN112904728B (zh) | 一种基于改进型趋近律的机械臂滑模控制轨迹跟踪方法 | |
WO2020207219A1 (zh) | 一种利用环境预测优化非模型机器人多轴孔装配控制方法 | |
CN111319036B (zh) | 基于自适应算法的移动机械臂位置/力自抗扰控制方法 | |
Peng et al. | Neural-learning-based force sensorless admittance control for robots with input deadzone | |
CN110340898B (zh) | 一种自由漂浮空间机械臂自适应容错控制方法 | |
CN109240086A (zh) | 一种非线性双边遥操作***的自适应鲁棒控制方法 | |
CN108942924A (zh) | 基于多层神经网络的模型不确定性机械臂运动控制方法 | |
CN105093934A (zh) | 考虑干扰与模型不确定性的多机器人***分布式有限时间跟踪控制方法 | |
CN110877333A (zh) | 一种柔性关节机械臂控制方法 | |
CN110977988A (zh) | 基于有限时间命令滤波的多关节机械臂阻抗控制方法 | |
CN115185187B (zh) | 一种基于二型椭球型模糊神经网络的机械臂有限时间跟踪控制方法 | |
CN108267952B (zh) | 一种水下机器人自适应有限时间控制方法 | |
CN112276954A (zh) | 基于有限时间输出状态受限的多关节机械臂阻抗控制方法 | |
CN112192573A (zh) | 基于反演法的不确定性机器人自适应神经网络控制方法 | |
CN116880478A (zh) | 一种基于事件触发的轮式机器人滑模编队容错控制方法 | |
Tan et al. | A dual fuzzy-enhanced neurodynamic scheme for model-less kinematic control of redundant and hyperredundant robots | |
CN110488854A (zh) | 一种基于神经网络估计的刚性飞行器固定时间姿态跟踪控制方法 | |
Gu et al. | Homography‐based uncalibrated visual servoing with neural‐network‐assisted robust filtering scheme and adaptive servo gain | |
CN113219840B (zh) | 三轴运动平台自适应滑模交叉耦合轮廓控制方法 | |
CN114545777A (zh) | 基于改进q函数的多智能体一致性强化学习方法及*** | |
Wang et al. | Multi-task trajectory tracking control of manipulator based on two-layer sliding mode control |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |