[發明專利]基于神經網絡動態面滑模控制的機械臂系統飽和補償控制方法

有效

• 申請號: 201510351699.0
• 申請日: 2015-06-24
• 公開（公告）號: CN105223808B
• 公開（公告）日: 2017-12-05
• 發明（設計）人: 陳強;施琳琳
• 申請（專利權）人: 浙江工業大學
• 主分類號: G05B13/04
• 分類號: G05B13/04
• 代理公司: 杭州斯可睿專利事務所有限公司33241
• 代理人: 王利強

技術領域

本發明涉及一種基于神經網絡動態面滑模控制的機械臂系統飽和補償控制方法，特別是帶有輸入飽和約束的機械臂伺服系統的控制方法。

背景技術

機械臂伺服系統在機器人、航空飛行器等高性能系統中得到了廣泛的應用，如何實現機械臂伺服系統的快速精確控制已經成為了一個熱點問題。機器臂的軌跡跟蹤控制系統與柔性機械臂問題受到越來越多的重視。然而，未知飽和非線性環節廣泛存在于機械臂伺服系統中，往往會導致控制系統的效率降低甚至是失效。因此,輸入飽和的約束必須考慮在控制器設計過程中。針對機械臂伺服系統的控制問題，存在很多控制方法，例如PID控制，自適應控制，滑模控制等。

滑模控制在解決系統不確定性和外部擾動方面被認為是一個有效的魯棒控制方法。滑模控制方法具有算法簡單、響應速度快、對外界噪聲干擾和參數攝動魯棒性強等優點。然而，滑模控制在設計過程中需要滿足匹配條件，實際系統匹配條件的不確定性成為了滑模控制設計的障礙。反演法具有改善滑模控制器性能，放松匹配條件的優點。將滑模控制與反演法相結合，在控制器的每一步設計中引入虛擬控制變量。然而，反演法將引入復雜度爆炸的問題。因此，采用動態面滑模控制，使系統的控制器輸入變得簡單，成為了一個重要的研究方向。

飽和非線性環節廣泛存在于機械臂伺服系統、液壓伺服系統以及其他工業工程領域。飽和的存在往往會導致控制系統的效率降低甚至是失效。因此，為提高控制性能，針對飽和的補償和控制方法必不可少。傳統的飽和補償方法一般是建立飽和的逆模型或近似逆模型，并通過估計飽和的上下界參數設計自適應控制器，以補償飽和的影響。然而，在機械臂伺服系統等非線性系統中，飽和的逆模型往往不易精確獲得。對于系統中存在的未知飽和輸入，基于微分中值定理經行線性化，使其成為一個簡單的時變系統，避免了附加補償。神經網絡廣泛應用于處理系統的非線性和不確定性，并取得了良好的控制效果。從而可以利用神經網絡逼近未知函數和系統模型的未知參數，同時避免反演法帶來的復雜度爆炸問題提高系統的跟蹤控制性能。

發明內容

為了克服現有的機械臂伺服系統的無法有效地飽和補償，模型參數不確定性，以及反演法帶來的復雜度爆炸等的不足，本發明提供一種基于神經網絡動態面滑模控制的機械臂系統飽和補償控制方法，簡化了控制器的設計結構，實現了帶飽和輸入的機械臂系統位置跟蹤控制，保證系統穩定快速跟蹤。

為了解決上述技術問題提出的技術方案如下：

一種基于動態面滑模控制的機械臂系統飽和補償控制方法，包括以下步驟：

步驟1，建立機械臂伺服系統的動態模型，初始化系統狀態、采樣時間以及控制參數，過程如下：

1.1機械臂伺服系統的動態模型表達形式為

其中，q和θ分別為機械臂連桿和電機的角度；g為重力加速度；I為連桿的慣量；J是電機的慣量；K為彈簧剛度系數；M和L分別是連桿的質量和長度；u是控制信號；v(u)為飽和，表示為：

其中sgn(u)，為未知非線性函數；v_max為未知飽和參數，滿足v_max＞0；

定義x₁＝q，x₃＝θ，式(1)改寫為

其中，y為系統輸出軌跡；

1.2定義變量z₁＝x₁，z₂＝x₂，則式(3)改寫成

其中，

步驟2，根據微分中值定理，將系統中的非線性輸入飽和進行線性化處理，推導出帶有未知飽和的機械臂伺服系統模型，過程如下：

2.1對飽和模型進行光滑處理

則

v(u)＝sat(u)＝g(u)+d(u) (6)

其中，d(u)表示光滑函數與飽和模型之間存在的誤差；

2.2根據微分中值定理，存在δ∈(0,1)使

其中u₀∈(0,u)；

選擇u₀＝0，將式(7)改寫為

2.2由式(6)和式(8)，將式(4)改寫為以下等效形式：

其中，

步驟3，計算控制系統跟蹤誤差，滑模面及微分，過程如下：

3.1定義控制系統的跟蹤誤差，滑模面為