CN115586724A - 一种齿轮巡检机器人***自适应分数阶全局滑模控制方法 - Google Patents
一种齿轮巡检机器人***自适应分数阶全局滑模控制方法 Download PDFInfo
- Publication number
- CN115586724A CN115586724A CN202211329305.8A CN202211329305A CN115586724A CN 115586724 A CN115586724 A CN 115586724A CN 202211329305 A CN202211329305 A CN 202211329305A CN 115586724 A CN115586724 A CN 115586724A
- Authority
- CN
- China
- Prior art keywords
- robot system
- inspection robot
- gear inspection
- mechanical arm
- gear
- 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.)
- Granted
Links
- 238000007689 inspection Methods 0.000 title claims abstract description 173
- 238000000034 method Methods 0.000 title claims abstract description 58
- 230000003044 adaptive effect Effects 0.000 claims abstract description 25
- 238000013459 approach Methods 0.000 claims abstract description 13
- 238000013178 mathematical model Methods 0.000 claims abstract description 13
- 238000013528 artificial neural network Methods 0.000 claims description 8
- 239000000126 substance Substances 0.000 claims description 6
- 230000001133 acceleration Effects 0.000 claims description 4
- 238000013461 design Methods 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000012360 testing method Methods 0.000 abstract description 9
- 230000006870 function Effects 0.000 description 34
- 238000010586 diagram Methods 0.000 description 9
- 238000004590 computer program Methods 0.000 description 5
- 238000004088 simulation Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000011179 visual inspection 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
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)
- Manipulator (AREA)
Abstract
Description
技术领域
本发明涉及工业机器人控制***技术领域,尤其涉及一种齿轮巡检机器人***自适应分数阶全局滑模控制方法。
背景技术
随着智能化、工业化方向的发展,巡检机器人作为工业机器人领域分支之一,其可以有效地解决检测效率低、去人工化等问题。巡检机器人一般具有自移动、自检测的定制化自主设备,达到监测的目的。其中,齿轮巡检机器人作为一种工业机器人,如专利CN217156345U公开的一种用于齿轮视觉检测的工业机器人,主要用于自动化生产线检测齿轮表面工艺等。
齿轮巡检机器人一般由N关节机械臂、高倍相机、图像运算中心组成。高倍相机固定在N关节机械臂末端关节处,可有效地实现多角度、多位移的图像摄取。然而针对高度非线性***(N关节机械臂)轨迹精度控制问题仍需考虑,常规的整数阶控制存在阶数不完整性,无法提高其控制准确性和重复定位性等问题。
发明内容
鉴于上述现有存在的如何针对齿轮巡检机器人轨迹控制精度低和不完整的整数阶等问题,提出了一种齿轮巡检机器人***自适应分数阶全局滑模控制方法:基于齿轮巡检机器人***N关节机械臂数学模型,构建跟踪误差方程;以高斯函数作为隐藏层函数,构建径向基神经网络,实现对齿轮巡检机器人***N关节机械臂未知扰动观测补偿;利用齿轮巡检机器人***输出跟踪误差及其初始项,齿轮巡检机器人***输出跟踪误差分数阶积分项,构建分数阶全局滑模面;以***扰动自适应律为基础,设计自适应趋近律和齿轮巡检机器人***N关节机械臂控制器。
一种齿轮巡检机器人***自适应分数阶全局滑模控制方法,包括:
步骤1,基于齿轮巡检机器人***N关节机械臂数学模型,构建跟踪误差方程;
步骤2,以高斯函数作为隐藏层函数,构建径向基神经网络,实现对齿轮巡检机器人***N关节机械臂未知扰动观测补偿;
步骤3,利用齿轮巡检机器人***输出跟踪误差及其初始项,齿轮巡检机器人***输出跟踪误差分数阶积分项,构建分数阶全局滑模面;
步骤4,以***扰动自适应律为基础,设计自适应趋近律和齿轮巡检机器人***N关节机械臂控制器τ(t)。
进一步地,步骤1中,齿轮巡检机器人***包含图像运算中心、高倍相机、N关节机械臂,高倍相机采集齿轮表面质量图像。
进一步地,步骤1中,定义齿轮巡检机器人***N关节机械臂数学模型:
其中,q(t)代表齿轮巡检机器人***N关节机械臂的关节的角度,一阶和二阶分别代表角速度和角加速度,等式左边分别为:齿轮巡检机器人***N关节机械臂惯性力项齿轮巡检机器人***N关节机械臂离心力和哥氏力项齿轮巡检机器人***N关节机械臂重力项G(q(t))∈Rn×n、齿轮巡检机器人***N关节机械臂摩擦力项齿轮巡检机器人***N关节机械臂外扰项τd(t)∈Rn×n;M(q(t))∈Rn×n为齿轮巡检机器人***N关节机械臂惯性矩阵,为齿轮巡检机器人***N关节机械臂离心力和哥氏力矩阵;等式右边为齿轮巡检机器人***N关节机械臂控制力项τ(t)∈Rn×n;
定义所述的齿轮巡检机器人***N关节机械臂的跟踪误差为:
e(t)=q*(t)-q(t)
其中,q*(t)是所述的齿轮巡检机器人***N关节机械臂的目标轨迹,q(t)是所述的齿轮巡检机器人***N关节机械臂的实际轨迹,e(t)是所述的齿轮巡检机器人***N关节机械臂的跟踪误差;
将所述的齿轮巡检机器人***N关节机械臂的跟踪误差取一阶微分得:
将所述的齿轮巡检机器人***N关节机械臂的跟踪误差取二阶微分得:
进一步地,步骤2中,为实现对齿轮巡检机器人***N关节机械臂未知扰动观测补偿,以高斯函数作为隐藏层函数,构建径向基神经网络:
w*=argmin(τd(t))
e(t)=[e1(t) e2(t) ... en(t)]
h(x)=[h1(x) h2(x) ... hn(x)]
b=[b1 b2 ... bn]
进一步地,步骤3中,以齿轮巡检机器人***输出跟踪误差及其初始项,齿轮巡检机器人***输出跟踪误差分数阶积分项,构建分数阶全局滑模面:
s(t)=[s1(t) s2(t) ... sn(t)]T
kgfp=diag[k1gfp k2gfp ... kngfp]T
kgfi=diag[k1gfi k2gfi ... kngfi]T
e(t)=[e1(t) e2(t) ... en(t)]T
e(0)=[e1(0) e2(0) ... en(0)]T
其中,s1(t),s2(t)...sn(t)是分数阶全局滑模面s(t)的子滑模面;kgfp是分数阶全局滑模面齿轮巡检机器人***输出跟踪误差比例项和初始项的调参增益,kgfi是分数阶全局滑模面齿轮巡检机器人***输出跟踪误差分数阶积分项的调参增益,Dj是分数阶积分,j是分数阶积分阶数;
将所述的分数阶全局滑模面取一阶微分得:
α=[α1 α2 ... αn]
β=[β1 β2 ... βn]
进一步地,步骤6中,联立分数阶全局滑模面和自适应趋近律,得:
根据所述的齿轮巡检机器人***N关节机械臂的跟踪误差一阶微分和二阶微分,得:
联立所述的齿轮巡检机器人***N关节机械臂数学模型和所述的齿轮巡检机器人***N关节机械臂未知扰动观测估计值,设计齿轮巡检机器人***N关节机械臂控制器τ(t):
本发明的有益效果:
1)本发明方法基于齿轮巡检机器人***N关节机械臂数学模型,构建齿轮巡检机器人***N关节机械臂实际轨迹与目标轨迹之间的跟踪误差方程;建立高斯函数径向基神经网络观测器,实现对齿轮巡检机器人***N关节机械臂未知扰动观测补偿;
2)利用齿轮巡检机器人***输出跟踪误差及其初始项,齿轮巡检机器人***输出跟踪误差分数阶积分项,构建分数阶全局滑模面,扩展整数阶范围,具有较为完整的阶数控制;
3)利用自适应控制率实现对于齿轮巡检机器人***N关节机械臂控制器设计,从而提高其***控制鲁棒性。
附图说明
图1为本发明实施例所述的齿轮巡检机器人***自适应分数阶全局滑模控制方法的控制原理图。
图2为本发明实施例所述的齿轮巡检机器人***自适应分数阶全局滑模控制方法的齿轮巡检机器人***双关节机械臂目标轨迹(aim1)以自适应分数阶全局滑模控制方法(AFGSMC)的轨迹跟踪示意图。
图3为本发明实施例所述的齿轮巡检机器人***自适应分数阶全局滑模控制方法的齿轮巡检机器人***双关节机械臂目标轨迹(aim2)以自适应分数阶全局滑模控制方法(AFGSMC)的轨迹跟踪示意图。
图4为本发明实施例所述的齿轮巡检机器人***自适应分数阶全局滑模控制方法的齿轮巡检机器人***双关节机械臂目标轨迹(aim1)以传统整数阶控制方法(TIC)的轨迹跟踪示意图。
图5为本发明实施例所述的齿轮巡检机器人***自适应分数阶全局滑模控制方法的齿轮巡检机器人***双关节机械臂目标轨迹(aim2)以传统整数阶控制方法(TIC)的轨迹跟踪示意图。
具体实施方式
下面结合说明书附图对本发明的技术方案做进一步的详细说明。
参照图1,为本发明的一个实施例,提供了一种齿轮巡检机器人***自适应分数阶全局滑模控制方法,本发明方法将齿轮巡检机器人***N关节机械臂数学模型、高斯函数径向基神经网络、分数阶全局滑模面、自适应趋近律有机地统一进行齿轮巡检机器人***N关节机械臂控制器τ(t)的设计,参照图1,为本发明齿轮巡检机器人***自适应分数阶全局滑模控制框图,具体包括:
S1:基于齿轮巡检机器人***N关节机械臂数学模型,构建跟踪误差方程。
所述的齿轮巡检机器人***包含:图像运算中心、高倍相机、N关节机械臂,高倍相机采集齿轮表面质量图像。
所述的齿轮巡检机器人***N关节机械臂数学模型:
其中,q(t)代表齿轮巡检机器人***N关节机械臂的关节的角度,一阶和二阶分别代表角速度和角加速度,等式左边分别为:齿轮巡检机器人***N关节机械臂惯性力项齿轮巡检机器人***N关节机械臂离心力和哥氏力项齿轮巡检机器人***N关节机械臂重力项G(q(t))∈Rn×n、齿轮巡检机器人***N关节机械臂摩擦力项齿轮巡检机器人***N关节机械臂外扰项τd(t)∈Rn×n;M(q(t))∈Rn×n为齿轮巡检机器人***N关节机械臂惯性矩阵,为齿轮巡检机器人***N关节机械臂离心力和哥氏力矩阵;等式右边为齿轮巡检机器人***N关节机械臂控制力项τ(t)∈Rn×n。
定义所述的齿轮巡检机器人***N关节机械臂的跟踪误差为:
e(t)=q*(t)-q(t)
其中,q*(t)是所述的齿轮巡检机器人***N关节机械臂的目标轨迹,q(t)是所述的齿轮巡检机器人***N关节机械臂的实际轨迹,e(t)是所述的齿轮巡检机器人***N关节机械臂的跟踪误差。
将所述的齿轮巡检机器人***N关节机械臂的跟踪误差取一阶微分得:
将所述的齿轮巡检机器人***N关节机械臂的跟踪误差取二阶微分得:
S2:以高斯函数作为隐藏层函数,构建径向基神经网络,实现对齿轮巡检机器人***N关节机械臂未知扰动观测补偿。
为实现对齿轮巡检机器人***N关节机械臂未知扰动观测补偿,以高斯函数作为隐藏层函数,构建径向基神经网络:
w*=argmin(τd(t))
e(t)=[e1(t) e2(t) ... en(t)]
h(x)=[h1(x) h2(x) ... hn(x)]
b=[b1 b2 ... bn]
S3:利用齿轮巡检机器人***输出跟踪误差及其初始项,齿轮巡检机器人***输出跟踪误差分数阶积分项,构建分数阶全局滑模面。
以齿轮巡检机器人***输出跟踪误差及其初始项,齿轮巡检机器人***输出跟踪误差分数阶积分项,构建分数阶全局滑模面:
s(t)=[s1(t) s2(t) ... sn(t)]T
kgfp=diag[k1gfp k2gfp ... kngfp]T
kgfi=diag[k1gfi k2gfi ... kngfi]T
e(t)=[e1(t) e2(t) ... en(t)]T
e(0)=[e1(0) e2(0) ... en(0)]T
其中,s1(t),s2(t)...sn(t)是分数阶全局滑模面s(t)的子滑模面;kgfp是分数阶全局滑模面齿轮巡检机器人***输出跟踪误差比例项和初始项的调参增益,kgfi是分数阶全局滑模面齿轮巡检机器人***输出跟踪误差分数阶积分项的调参增益,Dβ是分数阶积分,β是分数阶积分阶数。
将所述的分数阶全局滑模面取一阶微分得:
S4:以***扰动自适应律为基础,设计自适应趋近律和齿轮巡检机器人***N关节机械臂控制器τ(t),并验证稳定性。
α=[α1 α2 ... αn]
β=[β1 β2 ... βn]
联立分数阶全局滑模面和自适应趋近律,得:
根据所述的齿轮巡检机器人***N关节机械臂的跟踪误差一阶微分和二阶微分,得:
联立所述的齿轮巡检机器人***N关节机械臂数学模型和所述的齿轮巡检机器人***N关节机械臂未知扰动观测估计值,设计齿轮巡检机器人***N关节机械臂控制器τ(t):
为了证明控制器的稳定性,增加Lyapunov函数为:
参照图1,是齿轮巡检机器人***自适应分数阶全局滑模控制方法的控制原理图,是对本发明方法的进一步说明,主控图过程如下:首先,由齿轮巡检机器人***N关节机械臂实际轨迹和目标轨迹,建立误差跟踪方程;其次,利用高斯函数径向基神经网络实现对未知扰动补偿;最终,采用分数阶全局滑模面和自适应趋近律设计齿轮巡检机器人***N关节机械臂控制器τ(t)。
优选的,本实施例还需要说明的是,与现有技术相比,本发明公开了一种齿轮巡检机器人***自适应分数阶全局滑模控制方法,旨在通过采用分数阶全局滑模面对目标轨迹实现跟踪,用高斯函数径向基神经网络对实现对未知扰动补偿,再通过自适应趋近律达到强鲁棒的动态响应。其中,分数阶全局滑模面扩展了阶数完整性,可有效地提高控制精度。
参照图2~图5,提供了一种齿轮巡检机器人***自适应分数阶全局滑模控制方法的测试验证,包括:
为对本方法中采用的技术效果加以验证说明,本实施例中选择以传统整数阶控制方法(TIC)与本发明方法进行对比测试,以科学论证的手段对比试验结果,以验证本方法所具有的真实效果。
常规的整数阶控制存在阶数不完整性,无法提高其控制准确性和重复定位性等问题,为验证本发明方法相对于传统方法具有阶数完整性和高控制精度,本实施例中将采用自适应分数阶全局滑模控制方法(AFGSMC),在齿轮巡检机器人***双关节机械臂目标轨迹(aim1和aim2),与传统整数阶控制方法(TIC)分别对齿轮巡检机器人***双关节机械臂的输出轨迹和跟踪轨迹进行实时测量对比。
测试环境:参照图1,将齿轮巡检机器人***N关节机械臂运行在仿真平台模拟跟踪齿轮巡检机器人***双关节机械臂目标轨迹(aim1和aim2),分别对齿轮巡检机器人***N关节机械臂的自适应分数阶全局滑模控制方法(AFGSMC)、传统整数阶控制方法(TIC)进行测试并获得测试结果数据。全部测试都将在开启自动化测试设备并运用MATLAB软件编程实现对比方法的仿真测试,根据实验结果得到仿真数据;每种方法各测试3组数据,每组数据采样10s,计算获得每组数据输入轨迹和跟踪误差,与仿真模拟输入的期望目标轨迹进行对比计算误差。
参照图2~图5,为本发明在齿轮巡检机器人***双关节机械臂目标轨迹(aim1和aim2)作为跟踪目标,齿轮巡检机器人***N关节机械臂的自适应分数阶全局滑模控制方法(AFGSMC)、传统整数阶控制方法(TIC)之间对比的轨迹跟踪图。
双关节机械臂参数:连杆1质量m1=1kg,连杆1长度l1=1m,质心到关节1处的距离lc1=1/2m,连杆1转动惯量I1=1/12kg·m,连杆2质量me=3kg,连杆2到关节2处的距离lce=1m,连杆2转动惯量Ie=2/5kg·m,质心与关节2夹角δe=0,摩擦系数e1=-7/12,重力加速度e2=9.81。
q(t)=[q1(t) q2(t)]T
τ(t)=[τ1(t) τ2(t)]T
计算α=6.73,β=3.4,ε=3,η=0。
参照图2~图5,k1gfp=200000,k1gfi=5,k2gfp=0.5,k2gfi=50000,j=[9 4],β1=1,β2=1,c=[-2 -1 0 1 2],b=3,仿真时间为0~10s,齿轮巡检机器人***自适应分数阶全局滑模控制方法(AFGSMC)针对齿轮巡检机器人***双关节机械臂目标轨迹(aim1和aim2)具有较好的跟踪性能,且收敛速度较快,传统整数阶控制方法(TIC)跟踪性能存在一定的滞后性,导致出现一定的偏差。
综上所述,本发明提出的一种齿轮巡检机器人***自适应分数阶全局滑模控制方法在跟踪误差量、鲁棒性两个方面都具有较大的优势,得益于:引入了分数阶,扩大了阶数范围,针对不同周期的目标轨迹,可以有效的跟踪,另外高斯函数作为隐藏层的径向基神经网络观测器可以有效的进行补偿扰动。
应当认识到,本发明的实施例可以由计算机硬件、硬件和软件的组合、或者通过存储在非暂时性计算机可读存储器中的计算机指令来实现或实施。所述方法可以使用标准编程技术-包括配置有计算机程序的非暂时性计算机可读存储介质在计算机程序中实现,其中如此配置的存储介质使得计算机以特定和预定义的方式操作——根据在具体实施例中描述的方法和附图。每个程序可以以高级过程或面向对象的编程语言来实现以与计算机***通信。然而,若需要,该程序可以以汇编或机器语言实现。在任何情况下,该语言可以是编译或解释的语言。此外,为此目的该程序能够在编程的专用集成电路上运行。
此外,可按任何合适的顺序来执行本发明描述的过程的操作,除非本发明另外指示或以其他方式明显地与上下文矛盾。本发明描述的过程(或变型和/或其组合)可在配置有可执行指令的一个或多个计算机***的控制下执行,并且可作为共同地在一个或多个处理器上执行的代码(例如,可执行指令、一个或多个计算机程序或一个或多个应用)、由硬件或其组合来实现。所述计算机程序包括可由一个或多个处理器执行的多个指令。
进一步,所述方法可以在可操作地连接至合适的任何类型的计算平台中实现,包括但不限于个人电脑、迷你计算机、主框架、工作站、网络或分布式计算环境、单独的或集成的计算机平台、或者与带电粒子工具或其它成像装置通信等等。本发明的各方面可以以存储在非暂时性存储介质或设备上的机器可读代码来实现,无论是可移动的还是集成至计算平台,如硬盘、光学读取和/或写入存储介质、RAM、ROM等,使得其可由可编程计算机读取,当存储介质或设备由计算机读取时可用于配置和操作计算机以执行在此所描述的过程。此外,机器可读代码,或其部分可以通过有线或无线网络传输。当此类媒体包括结合微处理器或其他数据处理器实现上文所述步骤的指令或程序时,本发明包括这些和其他不同类型的非暂时性计算机可读存储介质。当根据本发明所述的方法和技术编程时,本发明还包括计算机本身。计算机程序能够应用于输入数据以执行本发明所述的功能,从而转换输入数据以生成存储至非易失性存储器的输出数据。输出信息还可以应用于一个或多个输出设备如显示器。在本发明优选的实施例中,转换的数据表示物理和有形的对象,包括显示器上产生的物理和有形对象的特定视觉描绘。
以上所述仅为本发明的较佳实施方式,本发明的保护范围并不以上述实施方式为限,但凡本领域普通技术人员根据本发明所揭示内容所作的等效修饰或变化,皆应纳入权利要求书中记载的保护范围内。
Claims (7)
1.一种齿轮巡检机器人***自适应分数阶全局滑模控制方法,其特征在于:包括:
步骤1,基于齿轮巡检机器人***N关节机械臂数学模型,构建跟踪误差方程;
步骤2,以高斯函数作为隐藏层函数,构建径向基神经网络,实现对齿轮巡检机器人***N关节机械臂未知扰动观测补偿;
步骤3,利用齿轮巡检机器人***输出跟踪误差及其初始项,齿轮巡检机器人***输出跟踪误差分数阶积分项,构建分数阶全局滑模面;
步骤4,以***扰动自适应律为基础,设计自适应趋近律和齿轮巡检机器人***N关节机械臂控制器τ(t)。
2.根据权利要求1所述的一种齿轮巡检机器人***自适应分数阶全局滑模控制方法,其特征在于:步骤1中,齿轮巡检机器人***包含图像运算中心、高倍相机、N关节机械臂,高倍相机采集齿轮表面质量图像。
3.根据权利要求1~2任一所述的一种齿轮巡检机器人***自适应分数阶全局滑模控制方法,其特征在于:步骤1中,定义齿轮巡检机器人***N关节机械臂数学模型:
其中,q(t)代表齿轮巡检机器人***N关节机械臂的关节的角度,一阶和二阶分别代表角速度和角加速度,等式左边分别为:齿轮巡检机器人***N关节机械臂惯性力项齿轮巡检机器人***N关节机械臂离心力和哥氏力项齿轮巡检机器人***N关节机械臂重力项G(q(t))∈Rn×n、齿轮巡检机器人***N关节机械臂摩擦力项齿轮巡检机器人***N关节机械臂外扰项τd(t)∈Rn×n;M(q(t))∈Rn×n为齿轮巡检机器人***N关节机械臂惯性矩阵,为齿轮巡检机器人***N关节机械臂离心力和哥氏力矩阵;等式右边为齿轮巡检机器人***N关节机械臂控制力项τ(t)∈Rn×n;
定义所述的齿轮巡检机器人***N关节机械臂的跟踪误差为:
e(t)=q*(t)-q(t)
其中,q*(t)是所述的齿轮巡检机器人***N关节机械臂的目标轨迹,q(t)是所述的齿轮巡检机器人***N关节机械臂的实际轨迹,e(t)是所述的齿轮巡检机器人***N关节机械臂的跟踪误差;
将所述的齿轮巡检机器人***N关节机械臂的跟踪误差取一阶微分得:
将所述的齿轮巡检机器人***N关节机械臂的跟踪误差取二阶微分得:
5.根据权利要求1~4任一所述的一种齿轮巡检机器人***自适应分数阶全局滑模控制方法,其特征在于:步骤3中,以齿轮巡检机器人***输出跟踪误差及其初始项,齿轮巡检机器人***输出跟踪误差分数阶积分项,构建分数阶全局滑模面:
s(t)=[s1(t) s2(t) … sn(t)]T
kgfp=diag[k1gfp k2gfp … kngfp]T
kgfi=diag[k1gfi k2gfi … kngfi]T
e(t)=[e1(t) e2(t) … en(t)]T
e(0)=[e1(0) e2(0) … en(0)]T
其中,s1(t),s2(t)…sn(t)是分数阶全局滑模面s(t)的子滑模面;kgfp是分数阶全局滑模面齿轮巡检机器人***输出跟踪误差比例项和初始项的调参增益,kgfi是分数阶全局滑模面齿轮巡检机器人***输出跟踪误差分数阶积分项的调参增益,Dj是分数阶积分,j是分数阶积分阶数;
将所述的分数阶全局滑模面取一阶微分得:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211329305.8A CN115586724B (zh) | 2022-10-27 | 2022-10-27 | 一种齿轮巡检机器人***自适应分数阶全局滑模控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211329305.8A CN115586724B (zh) | 2022-10-27 | 2022-10-27 | 一种齿轮巡检机器人***自适应分数阶全局滑模控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115586724A true CN115586724A (zh) | 2023-01-10 |
CN115586724B CN115586724B (zh) | 2023-11-24 |
Family
ID=84782454
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211329305.8A Active CN115586724B (zh) | 2022-10-27 | 2022-10-27 | 一种齿轮巡检机器人***自适应分数阶全局滑模控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115586724B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116619372A (zh) * | 2023-05-31 | 2023-08-22 | 南京埃斯顿机器人工程有限公司 | 一种机械臂轨迹精度提升方法、设备、产品和介质 |
CN116810773A (zh) * | 2023-03-31 | 2023-09-29 | 南京师范大学泰州学院 | 一种齿轮巡检非线性分数阶滑模线性扩展状态控制方法 |
CN116954063A (zh) * | 2023-03-31 | 2023-10-27 | 南京师范大学泰州学院 | 一种齿轮巡检非线性全局滑模有限时间神经网络控制方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108181813A (zh) * | 2017-12-28 | 2018-06-19 | 南京埃斯顿机器人工程有限公司 | 一种柔性关节机械臂的分数阶滑模控制方法 |
CN112987569A (zh) * | 2021-02-08 | 2021-06-18 | 南京工业大学 | 一种扰动上界自适应分数阶全局终端滑模无模型控制方法 |
CN112987566A (zh) * | 2021-02-08 | 2021-06-18 | 南京工业大学 | 一种气动热的超螺旋非线性分数阶滑模无模型控制方法 |
CN113848731A (zh) * | 2021-11-25 | 2021-12-28 | 北京科技大学 | 多关节协作机器人微机电***故障容错控制方法及*** |
US20220088786A1 (en) * | 2020-07-24 | 2022-03-24 | Yanshan University | Fractional Order Sliding Mode Synchronous Control Method For Teleoperation System Based On Event Trigger Mechanism |
CN115202189A (zh) * | 2022-07-15 | 2022-10-18 | 金陵科技学院 | 分数阶机械臂模型的变结构有限时间振动抑制方法 |
-
2022
- 2022-10-27 CN CN202211329305.8A patent/CN115586724B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108181813A (zh) * | 2017-12-28 | 2018-06-19 | 南京埃斯顿机器人工程有限公司 | 一种柔性关节机械臂的分数阶滑模控制方法 |
US20220088786A1 (en) * | 2020-07-24 | 2022-03-24 | Yanshan University | Fractional Order Sliding Mode Synchronous Control Method For Teleoperation System Based On Event Trigger Mechanism |
CN112987569A (zh) * | 2021-02-08 | 2021-06-18 | 南京工业大学 | 一种扰动上界自适应分数阶全局终端滑模无模型控制方法 |
CN112987566A (zh) * | 2021-02-08 | 2021-06-18 | 南京工业大学 | 一种气动热的超螺旋非线性分数阶滑模无模型控制方法 |
CN113848731A (zh) * | 2021-11-25 | 2021-12-28 | 北京科技大学 | 多关节协作机器人微机电***故障容错控制方法及*** |
CN115202189A (zh) * | 2022-07-15 | 2022-10-18 | 金陵科技学院 | 分数阶机械臂模型的变结构有限时间振动抑制方法 |
Non-Patent Citations (2)
Title |
---|
李正楠等: "多关节机械臂的分数阶滑模变结构神经网络自适应控制" * |
陈炎冬;吴阳;杨敏;许轰烈;: "采用分数阶趋近律的汽车ABS积分滑模控制研究" * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116810773A (zh) * | 2023-03-31 | 2023-09-29 | 南京师范大学泰州学院 | 一种齿轮巡检非线性分数阶滑模线性扩展状态控制方法 |
CN116954063A (zh) * | 2023-03-31 | 2023-10-27 | 南京师范大学泰州学院 | 一种齿轮巡检非线性全局滑模有限时间神经网络控制方法 |
CN116619372A (zh) * | 2023-05-31 | 2023-08-22 | 南京埃斯顿机器人工程有限公司 | 一种机械臂轨迹精度提升方法、设备、产品和介质 |
CN116619372B (zh) * | 2023-05-31 | 2024-02-23 | 南京埃斯顿机器人工程有限公司 | 一种机械臂轨迹精度提升方法、设备、产品和介质 |
Also Published As
Publication number | Publication date |
---|---|
CN115586724B (zh) | 2023-11-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115586724A (zh) | 一种齿轮巡检机器人***自适应分数阶全局滑模控制方法 | |
Yang et al. | Back-stepping control of two-link flexible manipulator based on an extended state observer | |
CN112859600B (zh) | 一种基于扩张状态观测器的机械***有限时间控制方法 | |
CN108469728B (zh) | 一种机载LiDAR姿态角补偿装置解耦控制方法 | |
CN113670314B (zh) | 基于pi自适应两级卡尔曼滤波的无人机姿态估计方法 | |
Hua et al. | Feature‐based recursive observer design for homography estimation and its application to image stabilization | |
Zhou et al. | A model reference adaptive control/PID compound scheme on disturbance rejection for an aerial inertially stabilized platform | |
Yu et al. | Stochastic observability-based analytic optimization of SINS multiposition alignment | |
Changey et al. | Experimental validation | |
Li et al. | A data driven fault detection and isolation scheme for UAV flight control system | |
CN115453890B (zh) | 一种齿轮巡检机器人***全局非奇异终端滑模控制方法 | |
CN116627157B (zh) | 一种运载火箭的运行控制方法、装置及设备 | |
CN109857127A (zh) | 训练神经网络模型以及飞行器姿态解算的方法、装置 | |
Luo et al. | End‐Effector Pose Estimation in Complex Environments Using Complementary Enhancement and Adaptive Fusion of Multisensor | |
CN110614636A (zh) | 一种视觉伺服机器人测量时滞补偿方法 | |
CN115685732B (zh) | 一种齿轮巡检机器人***分数阶非线性pd滑模控制方法 | |
Fontanella et al. | Improving inertial attitude measurement performance by exploiting MEMS gyros and neural thermal calibration | |
Lee et al. | Performance comparison of three different types of attitude control systems of the quad-rotor UAV to perform flip maneuver | |
CN113885499B (zh) | 腔体内检测用机器人轨迹容错控制方法 | |
RU2621374C1 (ru) | Способ оптимальной привязки к подвижной наземной цели и прогноза её параметров на основе субоптимальной процедуры углового сопровождения | |
CN108106634A (zh) | 一种直接观星的星敏感器内参数标定方法 | |
CN110793549B (zh) | 一种惯性测量单元的数据快速离线分析*** | |
Mi et al. | Adaptive unscented kalman filter based line of sight rate for strapdown seeker | |
CN115981144B (zh) | 一种齿轮巡检机器人全局非线性滑模有限时间控制方法 | |
De Marco et al. | Homography estimation of a moving planar scene from direct point correspondence |
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 |