CN117289612B - 一种液压机械臂自适应神经网络控制方法 - Google Patents
一种液压机械臂自适应神经网络控制方法 Download PDFInfo
- Publication number
- CN117289612B CN117289612B CN202311579069.XA CN202311579069A CN117289612B CN 117289612 B CN117289612 B CN 117289612B CN 202311579069 A CN202311579069 A CN 202311579069A CN 117289612 B CN117289612 B CN 117289612B
- Authority
- CN
- China
- Prior art keywords
- mechanical arm
- neural network
- actuator
- control
- hydraulic
- 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
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 83
- 238000000034 method Methods 0.000 title claims abstract description 55
- 230000003044 adaptive effect Effects 0.000 claims abstract description 20
- 230000008569 process Effects 0.000 claims abstract description 10
- 238000013178 mathematical model Methods 0.000 claims abstract description 7
- 238000005312 nonlinear dynamic Methods 0.000 claims abstract description 7
- 238000006073 displacement reaction Methods 0.000 claims description 19
- 238000013461 design Methods 0.000 claims description 14
- 230000001133 acceleration Effects 0.000 claims description 7
- 230000001537 neural effect Effects 0.000 claims description 6
- 239000003921 oil Substances 0.000 claims description 6
- 230000003213 activating effect Effects 0.000 claims description 5
- 239000011159 matrix material Substances 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 3
- 230000036461 convulsion Effects 0.000 claims description 3
- 230000005484 gravity Effects 0.000 claims description 3
- 239000010720 hydraulic oil Substances 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 3
- 238000013459 approach Methods 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 3
- 230000009471 action Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 11
- 238000004088 simulation Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 241000282414 Homo sapiens Species 0.000 description 1
- 238000009435 building construction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000005272 metallurgy Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
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
本发明公开了一种液压机械臂自适应神经网络控制方法，建立液压机械臂的数学模型；基于神经网络的强大逼近能力，设计自适应神经网络逼近***的建模不确定性，设计干扰观测器处理神经网络逼近误差和***外干扰，构建了基于干扰观测器的液压机械臂自适应神经网络控制器，对液压缸的非线性动态进行补偿；运用李雅普诺夫稳定性理论进行基于干扰观测器的液压机械臂自适应神经网络控制器稳定性分析，得到***有界稳定的结果。本发明控制方法采用自适应神经网络逼近***的建模不确定性，采用干扰观测器处理神经网络逼近误差和***外干扰，解决了时变外干扰下非线性参数的自适应控制问题，达到了期望的跟踪效果。
Description
技术领域
本发明属于液压机械臂伺服控制技术领域，具体涉及一种液压机械臂自适应神经网络控制方法。
背景技术
随着科学技术的不断进步，机械臂已逐渐替代人类，在军事和医疗等相关领域得到大量应用。液压机械臂具有功率重量比高、响应速度快、环境适应性好等特点，在建筑施工、水下作业、核废料处理、采矿冶金等领域应用广泛。大多数液压臂采用活塞式液压缸驱动，液压缸与刚体连杆形成闭链机构，导致它们在运动学和动力学上的耦合。此外，液压***还存在流体压缩性、流量/压力耦合等特点，使得液压机械臂相比电驱机械臂更难以实现高精度运动控制。
针对液压机械臂的运动控制问题，大量非线性控制方法相继被提出。如自适应控制可以处理***的不确定参数，获得较好的运动控制性能，但是其前提是基于***中非线性函数是线性参数化的，而对于液压机械臂而言，大多数非线性函数难以被线性参数化。此外自适应控制难以处理时变外干扰等不确定性非线性，这对于实际工程应用并不友好。自适应神经网络因其强大的逼近能力被广泛用于不确定非线性的逼近，避免了对复杂不确定性的建模，即不需要满足***非线性函数是线性参数化的，但***控制效果严重依赖于神经网络的逼近精度，且当***存在外部干扰时，***跟踪性能会受到影响。在处理***外部干扰的领域，干扰观测器被广泛用于液压机械臂的控制，但他们均未考虑参数不确定性，这无疑将会增加干扰观测器的负担。
发明内容
有鉴于此，本发明提供了一种鲁棒性强、跟踪性能高的液压机械臂自适应神经网络控制方法，将自适应神经网络控制与干扰观测器融合到一个控制器中，对集总干扰进行处理，解决了时变外干扰下非线性参数的自适应控制问题，基于反步设计思想，精确补偿阀控液压缸的非线性动态，设计了***的控制输入。
为实现上述目的，本发明所采用的技术方案是：一种液压机械臂自适应神经网络控制方法，包括以下步骤：
步骤1、建立包括液压机械臂机械***动力学模型和液压***动力学模型的液压机械臂数学模型，具体包括：
根据欧拉—拉格朗日方法，构建液压机械臂的机械***动力学模型；
构建液压机械臂的液压***动力学模型；
定义状态变量，构建状态空间方程；
步骤2、基于反步设计思想，构建基于干扰观测器的液压机械臂自适应神经网络控制器；具体包括：
定义误差变量，设计虚拟控制输入；
神经网络逼近，估计液压机械臂建模不确定性，定义***集总干扰，设计干扰观测器同时利用干扰观测器对集总干扰进行处理；
其中，为神经网络逼近误差，/>为未建模扰动；
求解力跟踪误差动态方程，精确补偿阀控液压缸的非线性动态，确定最终的控制输入；
步骤3、运用李雅普诺夫稳定性理论进行基于干扰观测器的液压机械臂自适应神经网络控制器稳定性分析，得到***有界稳定的结果。
更进一步地，构建液压机械臂的机械***动力学模型，满足以下公式：
(1)
其中，分别为机械臂关节角度、角速度和角加速度向量，/>为机械臂惯性矩阵，/>为机械臂离心力与科氏力矩阵，/>为机械臂重力矩向量，/>为机械臂未建模扰动，/>为机械臂控制力矩向量；
考虑到液压机械臂关节力矩是由旋转液压执行器产生的，定义执行器空间状态变量，则机械臂关节空间/>和执行器空间/>有如下关系：
(2)
其中，表示液压机械臂执行器空间和关节空间的位移关系，可根据具体的液压机械臂结构确定；/>表示液压机械臂执行器空间和关节空间的速度关系，/>为第一关节角度，/>为第二关节角度。
更进一步地，构建液压机械臂的液压***动力学模型，满足以下公式：
(3)
(4)
其中，分别表示执行器两控制腔容积，/>分别表示执行器两控制腔初始容积，/>分别表示执行器两控制腔径向位移，/>分别表示两控制腔压力，/>表示液压油弹性模量，/>表示执行器泄漏系数，分别表示进入和流出执行器腔体的流量，/>表示负载压力；
考虑到伺服阀频宽远高于***频宽，因此将伺服阀动态近似为比例环节，即伺服阀的阀芯位移与控制输入/>成比例关系；则伺服阀的流量方程可以描述为：
(5)
(6)
其中，为相对于控制输入/>的总流量增益，/>分别表示***供油压力和回油压力；
液压机械臂的关节力矩可以表示为：
(7)
式中：，表示第一执行器两控制腔径向位移，/>表示第二执行器两控制腔径向位移，表示第一执行器两控制腔压力，/>表示第二执行器两控制腔压力。
更进一步地，定义状态变量，其中/>；则液压机械臂整体***动力学模型可描述为如下状态空间方程：
(8)
式中：
且，/>表示第一伺服阀的总流量增益，/>表示第二伺服阀的总流量增益，/>表示第一执行器两控制腔容积，表示第二执行器两控制腔容积，/>表示第一执行器泄漏系数，/>表示第二执行器泄漏系数，/>表示第一执行器的流量方程，/>表示第二执行器的流量方程。
具体地，基于液压机械臂的数学模型，构造基于干扰观测器的液压机械臂自适应神经网络控制器，满足如下定义：
A、***参考指令信号是三阶连续可微的，且***期望的角度指令、角速度指令、角加速度指令以及角加加速度指令都是有界的；
B、未建模扰动及其一阶导数有界，/>；
其中，为已知正常数；
神经网络可以用于逼近连续函数，其表达式如下：
(9)
式中为神经网络输入向量，/>为神经网络激活函数，/>为神经网络估计，存在一个最优权值向量/>，使得：
(10)
式中为神经网络逼近误差，满足/>，/>为已知正常数；激活函数/>满足/>，/>为已知正常数。
进一步地，步骤2中构造基于干扰观测器的液压机械臂自适应神经网络控制器，包括以下子步骤：
步骤2.1、定义***的跟踪误差，/>是***期望的角度指令，根据式(8)中的第一个方程/>，选取/>为虚拟控制，使方程/>趋于稳定状态；/>与真实状态/>的误差为/>，对/>求导，可得：
(11)
设计虚拟控制入为：
(12)
式中控制增益为正数，则:
(13)
由于，式中/>为复变数，/>是一个稳定的传递函数，当/>趋于0时，/>也必然趋于0；所以在接下来的设计中，将以使/>趋于0为主要设计目标。
步骤2.2、考虑式(8)的第二个方程，选取为/>的虚拟控制，/>与真实状态/>的误差为/>，则误差/>的动态方程为：
(14)
式中为未知的非线性函数，可由如下的神经网络逼近：
(15)
式中为神经网络输入向量，/>为神经网络权值向量，/>为神经网络激活函数，/>为神经网络逼近误差。定义/>为集总干扰，则式(14)可进一步表示为：
(16)
式中为权值估计，/>为权值估计误差。为处理集总干扰，设计如下干扰观测器：
(17)
式中为一个内部状态，/>为一正的增益参数，因此设计虚拟控制输入/>如下：
(18)
式(18)中，控制增益为正数。将式(18)代入式(16)，可得：
(19)
式中为干扰估计误差，其动态方程可描述为：
(20)
步骤2.3、考虑式(8)的第三个方程，设计实际的控制输入，/>的动态方程如下：
(21)
根据式(21)，最终的控制输入可设计为：
(22)
式(22)中，控制增益为正数，/>为基于模型的补偿项，/>为线性鲁棒控制项，将式(22)代入式(21)中，可得：
(23)
步骤2.4、基于李雅普诺夫稳定性证明过程，可得神经网络权值的在线自适应律：
(24)
式(24)中，调节增益，/>为一小的正数。
具体地，步骤3中基于干扰观测器的液压机械臂自适应神经网络控制器的稳定性分析，具体如下：
运用李雅普诺夫稳定性理论，对基于干扰观测器的液压机械臂自适应神经网络控制方法进行稳定性分析
(25)
运用李雅普诺夫稳定性理论进行稳定性证明，得到***有界稳定的结果，因此调节控制增益可以使得***的跟踪误差在时间趋于无穷大的条件下趋于有界。
本发明的有益效果是：
本发明方法通过建立液压机械臂机械***动力学模型和液压***动力学模型，设计了基于干扰观测器的液压机械臂自适应神经网络控制器，克服对复杂不确定性的建模的问题，达到期望的跟踪效果；
基于液压机械臂动态模型，将自适应神经网络控制与干扰观测器融合到一个控制器中，该控制器设计自适应神经网络逼近***的建模不确定性，可避免对复杂不确定性的建模，降低干扰观测器的负担；设计干扰观测器来处理神经网络逼近误差和***外干扰，采用干扰观测器处理神经网络逼近误差和***外干扰，一定程度减小计算量，同时充分考虑了阀控液压缸的非线性动态，更适用于液压机械臂；
鉴于考虑液压执行器动态后无法直接基于机械臂运动指令计算出伺服阀所需电压，本发明基于反步控制思想设计基于干扰观测器的液压机械臂自适应神经网络控制方法，先计算机械臂所需期望力矩再确定伺服阀需要的电压；针对液压机械臂关节跟踪控制问题，该控制方法可同时处理***未建模不确定性和外部干扰，鲁棒性能优越，可获得较高的跟踪性能。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明液压机械臂自适应神经网络控制方法原理图；
图2是本发明液压机械臂的结构原理图，其中为第一关节角度， />为第一连杆长度 ，/>为第二关节角度，/>为第二连杆长度， />为第一连杆质量，/>为第一连杆质心位置， />为第二连杆质量，/>为第二连杆质心位置；
图3是本发明所设计的基于干扰观测器的液压机械臂自适应神经网络控制器作用下第一关节输出对期望指令的跟踪过程图；
图4是本发明所设计的基于干扰观测器的液压机械臂自适应神经网络控制器作用下第二关节输出对期望指令的跟踪过程图；
图5是实施例中***干扰为时Controller1、Controller 2两种控制器分别作用下第一关节的跟踪误差对比曲线图；
图6是实施例中***干扰为时Controller1、Controller 2两种控制器分别作用下第二关节的跟踪误差对比曲线图；
图7是实施例中***干扰为时Controller1作用下第一关节、第二关节不确定性和外干扰的实际值和估计值；
图8是实施例中***干扰为时Controller1作用下第一关节、第二关节的控制输入图；
附图标记如下：
1、第一关节，2、第一连杆，3、第二执行器，4、第一执行器，5、第二关节，6、第二连杆。
具体实施方式
下面给出具体实施例，对本发明的技术方案作进一步清楚、完整、详细地说明。本发明所述实施例仅为本发明的部分较佳实施例而已，并非用于限定本发明的保护范围。
本发明提供一种液压机械臂自适应神经网络控制方法，如图1-2所示， 图2是本发明液压机械臂的结构原理图，其中为第一关节角度， />为第一连杆长度 ，/>为第二关节角度，/>为第二连杆长度， />为第一连杆质量，/>为第一连杆质心位置， />为第二连杆质量，/>为第二连杆质心位置；第一关节1是连接基座和第一连杆2的运动副，第一伺服阀(图中未示出)通过控制第一执行器4驱动第一关节1运动，第二关节5是连接第一连杆2和第二连杆6的运动副，第二伺服阀(图中未示出)通过控制第二执行器3驱动第二关节5运动；
所述控制方法具体步骤如下：
步骤1，建立液压机械臂的数学模型。液压机械臂的数学模型主要包括液压机械臂机械***动力学模型和液压***动力学模型；包括以下子步骤：
步骤1.1、根据欧拉—拉格朗日方法，液压机械臂的机械***动力学模型可以描述为：
(1)
式中：分别为机械臂关节角度、角速度和角加速度向量，/>为机械臂惯性矩阵，/>为机械臂离心力与科氏力矩阵，/>为机械臂重力矩向量，/>为机械臂未建模扰动，/>为机械臂控制力矩向量。
考虑到液压机械臂关节力矩是由旋转液压执行器产生的，定义执行器空间状态变量，则机械臂关节空间/>和执行器空间/>有如下关系：
(2)
式中：表示液压机械臂执行器空间和关节空间的位移关系，可根据具体的液压机械臂结构确定；/>表示液压机械臂执行器空间和关节空间的速度关系，/>为第一关节1角度，/>为第二关节5角度。
步骤1.2、液压机械臂的液压***动力学模型可以描述为：
(3)
(4)
式中：分别表示执行器两控制腔容积，/>分别表示执行器两控制腔初始容积，/>分别表示执行器两控制腔径向位移，/>分别表示两控制腔压力，/>表示液压油弹性模量，/>表示执行器泄漏系数，分别表示进入和流出执行器腔体的流量，/>表示负载压力。
考虑到伺服阀频宽远高于***频宽，因此可以将伺服阀动态近似为比例环节，即伺服阀的阀芯位移与控制输入/>成比例关系。则伺服阀的流量方程可以描述为：
(5)
(6)
式中：为相对于控制输入/>的总流量增益，/>分别表示***供油压力和回油压力；
液压机械臂的关节力矩可以表示为：
(7)
式中：，表示第一执行器4两控制腔径向位移，/>表示第二执行器3两控制腔径向位移，表示第一执行器4两控制腔压力，/>表示第二执行器3两控制腔压力。
步骤1.3、定义状态变量，其中/>；则液压机械臂整体***动力学模型可描述为如下状态空间方程：
(8)
式中：
且；其中，/>表示第一伺服阀的总流量增益，/>表示第二伺服阀的总流量增益，/>表示第一执行器4两控制腔容积，/>表示第二执行器3两控制腔容积，/>表示第一执行器4泄漏系数，/>表示第二执行器3泄漏系数，/>表示第一执行器4的流量方程，/>表示第二执行器3的流量方程。
为便于控制器设计，给出如下定义：
定义1：***参考指令信号是三阶连续可微的，且***期望的角度指令、角速度指令、角加速度指令以及角加加速度指令都是有界的；
定义2：未建模扰动及其一阶导数有界，即：
；
式中，为已知正常数。
神经网络可以用于逼近连续函数，其表达式如下：
(9)
其中，为神经网络输入向量，/>为神经网络激活函数，/>为神经网络估计，存在一个最优权值向量/>，使得：
(10)
其中，为神经网络逼近误差，满足/>，/>为已知正常数；激活函数/>满足/>，/>为已知正常数。
步骤2，基于液压机械臂的数学模型，设计基于干扰观测器的自适应神经网络控制器，具体步骤如下：
步骤2.1、定义***的跟踪误差，/>是***期望的角度指令，根据式(8)中的第一个方程/>，选取/>为虚拟控制，使方程/>趋于稳定状态；/>与真实状态/>的误差为/>，对/>求导，可得：
(11)
设计虚拟控制入为：
(12)
式中控制增益为正数，则
(13)
由于，式中/>是一个稳定的传递函数，/>是复变数，当/>趋于0时，/>也必然趋于0。所以在接下来的设计中，将以使/>趋于0为主要设计目标。
步骤2.2、考虑式(8)的第二个方程，选取为/>的虚拟控制，/>与真实状态/>的误差为/>，则误差/>的动态方程为：
(14)
其中，为未知的非线性函数，可由如下的神经网络逼近：
(15)
其中，为神经网络输入向量，/>为神经网络权值向量，/>为神经网络激活函数，/>为神经网络逼近误差。定义/>为集总干扰，则式(14)可进一步表示为：
(16)
其中，为权值估计，/>为权值估计误差；
为处理集总干扰，设计如下干扰观测器：
(17)
其中，为一个内部状态，/>为一正的增益参数，因此设计虚拟控制输入/>如下：
(18)
式(18)中，控制增益为正数。将式(18)代入式(16)，可得：
(19)
其中，为干扰估计误差，其动态方程可描述为：
(20)。
步骤2.3、考虑式(8)的第三个方程，设计实际的控制输入，/>的动态方程如下：
(21)
根据式(21)，最终的控制输入可设计为：
(22)
式(22)中，控制增益为正数，/>为基于模型的补偿项，/>为线性鲁棒控制项，将式(22)代入式(21)中，可得：
(23)。
步骤2.4、基于李雅普诺夫稳定性证明过程，可得神经网络权值的在线自适应律：
(24)
式(24)中，调节增益，/>为一小的正数。
本发明在设计控制器时充分考虑了阀控液压缸的非线性动态，建立了阀控液压缸的非线性模型，基于反步设计思想，在控制器中对阀控液压缸的非线性动态进行精确补偿，提升了液压机械臂的控制性能。
步骤3，运用李雅普诺夫稳定性理论，对基于干扰观测器的液压机械臂自适应神经网络控制方法进行稳定性分析，得到***有界稳定的结果，具体步骤如下：
定义李雅普诺夫函数如下：
(25)
对式(25)求导，并结合式(13)、(19)、(20)和(23)，可得：
(26)
将设计的神经网络权值的在线自适应律式(24)代入上式，可得：
(27)
根据如下不等式性质：
(28)
(29)
可得：
(30)
式(30)中：
(31)/>
(32)
其中，表示矩阵的最大特征值，控制参数/>的选取需要满足。
因此有结论：针对液压机械臂***设计的基于干扰观测器的自适应神经网络控制器可以使得***得到有界稳定的结果，调节控制增益可以使得***的跟踪误差在时间趋于无穷大的条件下趋于有界。液压机械臂基于干扰观测器的自适应神经网络控制原理图如图1所示。
仿真实验如下：
在仿真实验中取如下表1物理参数对机械臂进行建模：
给定***的期望角度指令。
本次仿真选取***时变扰动为。
取如下的控制器以作对比：
基于干扰观测器的自适应神经网络控制(Controller 1)：取控制器增益；干扰观测器增益/>；权值参数自调节增益/>；
自适应神经网络控制(Controller 2)：取控制器增益；权值参数自调节增益/>，与Controller 1相比，其不包含干扰观测器控制。
Controller 1作用下***输出对期望指令的跟踪如图3和图4所示，可以看出其期望指令和***输出基本重合，具有良好的跟踪性能；Controller 1和Controller 2作用下***的跟踪误差对比图如图5和图6所示。由图5可知，在Controller 1作用下，液压机械臂第一关节1的位置输出对指令的跟踪精度很高，稳态跟踪误差幅值约为(rad)，此外所提控制器Controller 1相比Controller 2具有较好的跟踪性能。由图6可知，在Controller 1作用下，液压机械臂第二关节5的位置输出对指令的跟踪精度很高，稳态跟踪误差幅值约为/>(rad)，所提控制器Controller 1相比Controller 2仍具有较好的跟踪性能。/>
图7为本发明Controller 1作用下第一关节1不确定性和外干扰的实际值和估计值；图8为本发明Controller 1作用下第二关节5不确定性和外干扰的实际值和估计值；可以发现两个关节不确定性和外干扰的实际值和估计值吻合的很好。
图8是***干扰为时Controller 1作用下液压机械臂***控制输入随时间变化的曲线图，从图中可以看出，所获得的控制输入是低频连续的信号，更利于在实际应用中的执行。
综上所述，本发明提供了一种液压机械臂自适应神经网络控制方法，自适应神经网络逼近***的建模不确定性，可避免对复杂不确定性的建模，降低干扰观测器的负担，采用干扰观测器处理神经网络逼近误差和***外干扰，鲁棒性强、跟踪性能高。
以上显示和描述了本发明的主要特征、基本原理以及本发明的优点。本行业技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会根据实际情况有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (6)
1.一种液压机械臂自适应神经网络控制方法，其特征在于，包括以下步骤：
步骤1、建立包括液压机械臂机械***动力学模型和液压***动力学模型的液压机械臂数学模型；具体包括：
根据欧拉-拉格朗日方法，构建液压机械臂的机械***动力学模型；
构建液压机械臂的液压***动力学模型；
定义状态变量，构建状态空间方程；
步骤2、基于反步设计思想，构建基于干扰观测器的液压机械臂自适应神经网络控制器；具体包括：
定义误差变量，设计虚拟控制输入；
神经网络逼近，估计液压机械臂建模不确定性，定义***集总干扰ζ＝ε+d，设计干扰观测器同时利用干扰观测器对集总干扰进行处理；
其中，ε为神经网络逼近误差，d为未建模扰动；
求解力跟踪误差动态方程，精确补偿阀控液压缸的非线性动态，确定最终的控制输入；
步骤2.1、定义***的跟踪误差z1＝x1-x1d，x1d是***期望的角度指令，选取α1为虚拟控制，使方程趋于稳定状态；α1与真实状态x2的误差为z2＝x2-α1，对z1求导，得到：
定义虚拟控制入α1为：
式中控制增益k1为正数，则：
其中，z1(s)＝G(s)z2(s)，式中G(s)＝1/(s+k1)是一个稳定的传递函数，当z1趋于0时，z1也必然趋于0；
x1＝q，x3＝A1P1-A2P2/>分别为机械臂关节角度、角速度和角加速度向量，A1＝diag[A11，A21]，A2＝diag[A12，A22]，P1＝[P11，P21]T，P2＝[P12，P22]T，A11,A12表示第一执行器两控制腔径向位移，A21，A22表示第二执行器两控制腔径向位移，P11，P12表示第一执行器两控制腔压力，P21，P22表示第二执行器两控制腔压力；
M(q)∈R2×2为机械臂惯性矩阵，为机械臂离心力与科氏力矩阵，G(q)∈R2为机械臂重力矩向量；
步骤2.2、选取α2为x3的虚拟控制，α2与真实状态x3的误差为z3＝x3-α2，则误差z2的动态方程为：
其中，F(x1，x2)＝-M-1(x1)(C(x1，x2)x2+G(x1))为未知的非线性函数，由如下的神经网络逼近：
其中，为神经网络输入向量，W为神经网络权值向量，/>为神经网络激活函数，ε为神经网络逼近误差；
定义ζ＝ε+d为集总干扰，则误差z2的动态方程表示为：
其中，为权值估计，/>为权值估计误差；
为处理集总干扰，构造如下干扰观测器：
其中，h为一个内部状态，γ为一正的增益参数，定义虚拟控制输入α2如下：
式中，控制增益k2为正数，得到：
式中为干扰估计误差，其动态方程描述为：
步骤2.3、定义实际的控制输入u，z3的动态方程如下：
式中：
且ku1表示第一伺服阀的总流量增益，ku2表示第二伺服阀的总流量增益，V11，V12表示第一执行器两控制腔容积，V21，V22表示第二执行器两控制腔容积，Ct1表示第一执行器泄漏系数，Ct2表示第二执行器泄漏系数，ΔP11，ΔP12表示第一执行器的流量方程，ΔP21，ΔP22表示第二执行器的流量方程；
根据的动态方程，最终的控制输入设计为：
其中，控制增益k3为正数，ua为基于模型的补偿项，us为线性鲁棒控制项；将控制输入代入z3的动态方程中，得到：
步骤2.4、基于李雅普诺夫稳定性证明过程，神经网络权值的在线自适应律为：
其中，调节增益Γi＞0，σi为一小的正数；
步骤3、运用李雅普诺夫稳定性理论进行基于干扰观测器的液压机械臂自适应神经网络控制器稳定性分析，得到***有界稳定的结果。
2.根据权利要求1所述的一种液压机械臂自适应神经网络控制方法，其特征在于，构建液压机械臂的机械***动力学模型，满足以下公式：
其中，分别为机械臂关节角度、角速度和角加速度向量，M(q)∈R2×2为机械臂惯性矩阵，/>为机械臂离心力与科氏力矩阵，G(q)∈R2为机械臂重力矩向量，τd∈R2为机械臂未建模扰动，τ∈R2为机械臂控制力矩向量；
定义执行器空间状态变量xa∈R2，则机械臂关节空间q和执行器空间xa有如下关系：
其中，h(q)＝[h1(q1)，h2(q2)]T表示液压机械臂执行器空间和关节空间的位移关系，可根据具体的液压机械臂结构确定；表示液压机械臂执行器空间和关节空间的速度关系，q1为第一关节角度，q2为第二关节角度。
3.根据权利要求1所述的一种液压机械臂自适应神经网络控制方法，其特征在于，构建液压机械臂的液压***动力学模型，满足以下公式：
其中，Vi1＝V0i1+Ai1hi，Vi2＝V0i2-Ai2hi，(i＝1，2)分别表示执行器两控制腔容积，
V0i1，V0i2分别表示执行器两控制腔初始容积，Ai1，Ai2分别表示执行器两控制腔径向位移，Pi1，Pi2分别表示两控制腔压力，βe表示液压油弹性模量，Cti表示执行器泄漏系数，Qi1，Qi2分别表示进入和流出执行器腔体的流量，PiL＝Pi1-Pi2表示负载压力；
将伺服阀动态近似为比例环节，即伺服阀的阀芯位移xvi与控制输入ui成比例关系；则伺服阀的流量方程如下：
其中，kui为相对于控制输入ui的总流量增益，Ps，Pr分别表示***供油压力和回油压力；液压机械臂的关节力矩如下：
τ＝J(q)(A1P1-A2P2)；
式中：A1＝diag[A11，A21],A2＝diag[A12，A22]，P1＝[P11,P21]T,P2＝[P12，P22]T，A11，A12表示第一执行器两控制腔径向位移，A21，A22表示第二执行器两控制腔径向位移，P11，P12表示第一执行器两控制腔压力，P21，P22表示第二执行器两控制腔压力。
4.根据权利要求2-3任一项所述的一种液压机械臂自适应神经网络控制方法，其特征在于，构建状态空间方程包括：
定义状态变量其中x1＝q，/>x3＝A1P1-A2P2；则液压机械臂整体***动力学模型为如下状态空间方程：
5.根据权利要求4所述的一种液压机械臂自适应神经网络控制方法，其特征在于，构建基于干扰观测器的液压机械臂自适应神经网络控制器，满足如下定义：
A、***参考指令信号x1d(t)是三阶连续可微的，且***期望的角度指令、角速度指令、角加速度指令以及角加加速度指令都是有界的；
B、未建模扰动d及其一阶导数有界，
其中，δ1,δ2为已知正常数；
神经网络可以用于逼近连续函数fi(X)，其表达式如下：
式中X＝[X1，X2，…Xn]T为神经网络输入向量，为神经网络激活函数，/>为神经网络估计，存在一个最优权值向量/>使得：
式中εi为神经网络逼近误差，满足εm1，εm2为已知正常数；激活函数满足/> 为已知正常数。
6.根据权利要求1所述的一种液压机械臂自适应神经网络控制方法，其特征在于，所述步骤3中基于干扰观测器的液压机械臂自适应神经网络控制器稳定性分析，具体如下：
运用李雅普诺夫稳定性理论，对基于干扰观测器的液压机械臂自适应神经网络控制方法进行稳定性分析：
运用李雅普诺夫稳定性理论进行稳定性证明，得到***有界稳定的结果，因此调节控制增益k1，k2，k3，γ，Γi，σi使得***的跟踪误差在时间趋于无穷大的条件下趋于有界。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311579069.XA CN117289612B (zh) | 2023-11-24 | 2023-11-24 | 一种液压机械臂自适应神经网络控制方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311579069.XA CN117289612B (zh) | 2023-11-24 | 2023-11-24 | 一种液压机械臂自适应神经网络控制方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117289612A CN117289612A (zh) | 2023-12-26 |
| CN117289612B true CN117289612B (zh) | 2024-03-08 |
Family
ID=89252043
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311579069.XA Active CN117289612B (zh) | 2023-11-24 | 2023-11-24 | 一种液压机械臂自适应神经网络控制方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117289612B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109634118A (zh) * | 2018-12-17 | 2019-04-16 | 安徽大学 | 一种机械臂的鲁棒自适应神经切换控制方法 |
| CN110687787A (zh) * | 2019-10-11 | 2020-01-14 | 浙江工业大学 | 一种基于时变非对称障碍李雅普诺夫函数的机械臂***自适应控制方法 |
| CN110750050A (zh) * | 2019-10-11 | 2020-02-04 | 浙江工业大学 | 一种基于神经网络的机械臂***预设性能控制方法 |
| CN111941432A (zh) * | 2020-09-28 | 2020-11-17 | 南京工业大学 | 一种高性能机械臂人工智能输出反馈控制方法 |
| CN112817231A (zh) * | 2020-12-31 | 2021-05-18 | 南京工大数控科技有限公司 | 一种具有强鲁棒性的机械臂高精度跟踪控制方法 |
| CN114895564A (zh) * | 2022-05-20 | 2022-08-12 | 南昌大学 | 一种基于扰动观测器和命令滤波器的电驱动柔性关节机械臂自适应神经网络控制器设计方法 |
-
2023
- 2023-11-24 CN CN202311579069.XA patent/CN117289612B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109634118A (zh) * | 2018-12-17 | 2019-04-16 | 安徽大学 | 一种机械臂的鲁棒自适应神经切换控制方法 |
| CN110687787A (zh) * | 2019-10-11 | 2020-01-14 | 浙江工业大学 | 一种基于时变非对称障碍李雅普诺夫函数的机械臂***自适应控制方法 |
| CN110750050A (zh) * | 2019-10-11 | 2020-02-04 | 浙江工业大学 | 一种基于神经网络的机械臂***预设性能控制方法 |
| CN111941432A (zh) * | 2020-09-28 | 2020-11-17 | 南京工业大学 | 一种高性能机械臂人工智能输出反馈控制方法 |
| CN112817231A (zh) * | 2020-12-31 | 2021-05-18 | 南京工大数控科技有限公司 | 一种具有强鲁棒性的机械臂高精度跟踪控制方法 |
| CN114895564A (zh) * | 2022-05-20 | 2022-08-12 | 南昌大学 | 一种基于扰动观测器和命令滤波器的电驱动柔性关节机械臂自适应神经网络控制器设计方法 |
Non-Patent Citations (3)
| Title |
|---|
| R. Prakash,et al..Adaptive Backstepping Neural Tracking Control of an Uncertain Robot Manipulator with Dynamic Disturbances.《2020 IEEE Symposium Series on Computational Intelligence (SSCI)》.2021,第1936-1943页. * |
| 基于人机交互的重载机械臂控制方法;李连鹏;解仑;刘振宗;郝兵;刘大华;胡同海;;机器人(第04期);第135-143页 * |
| 无模型机械臂BP神经网络状态观测及反演跟踪控制;李光;符浩;;中国机械工程(第07期);第859-864页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117289612A (zh) | 2023-12-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Feng et al. | A new adaptive sliding mode controller based on the RBF neural network for an electro-hydraulic servo system | |
| CN111546350B (zh) | 一种多关节重载液压机器人***及高精度运动控制方法 | |
| Feng et al. | Identification and compensation of non-linear friction for a electro-hydraulic system | |
| CN112817231B (zh) | 一种具有强鲁棒性的机械臂高精度跟踪控制方法 | |
| 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 | |
| CN110181510B (zh) | 一种基于时延估计与模糊逻辑的机械臂轨迹跟踪控制方法 | |
| Zheng et al. | Tracking control of manipulator based on high-order disturbance observer | |
| CN103728988B (zh) | 基于内模的scara机器人轨迹跟踪控制方法 | |
| CN111290276B (zh) | 一种液压位置伺服***神经网络分数阶积分滑模控制方法 | |
| Sha et al. | New model and sliding mode control of hydraulic elevator velocity tracking system | |
| CN111142404A (zh) | 一种基于压电陶瓷驱动的微定位平台及其建模与控制方法 | |
| Ding et al. | Tracking control of electro-hydraulic servo multi-closed-chain mechanisms with the use of an approximate nonlinear internal model | |
| CN113110037A (zh) | 一种电液伺服***智能自学习pid控制方法 | |
| Niu et al. | Neural network-based finite-time command-filtered adaptive backstepping control of electro-hydraulic servo system with a three-stage valve | |
| CN116661294B (zh) | 基于强化学习的阀控液压缸分数阶控制方法及控制*** | |
| Chen et al. | Observer-based adaptive robust precision motion control of a multi-joint hydraulic manipulator | |
| CN116079741B (zh) | 一种电机驱动单连杆机械臂的自适应控制方法 | |
| CN117289612B (zh) | 一种液压机械臂自适应神经网络控制方法 | |
| CN116068901A (zh) | 一种基于自适应有限时间扰动观测器的柔性连杆机械臂控制方法 | |
| CN108333919B (zh) | 一种考虑路面波动干扰的非平衡身管俯仰位置控制方法 | |
| CN113219841B (zh) | 基于自适应鲁棒的水下多关节液压机械臂非线性控制方法 | |
| CN114077192B (zh) | 一种非线性***输出反馈智能控制方法 | |
| CN115473467A (zh) | 基于模糊观测器的柔性关节机械臂指令滤波反步控制方法 | |
| Zhang et al. | Velocity Feedback Control of Swing Phase for 2-DoF Robotic Leg Driven by Electro-hydraulic Servo System. | |
| CN117389156B (zh) | 基于摩擦补偿的液压机械臂自适应积分鲁棒控制方法 |
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 |