[發明專利]基于確定學習理論的性能受限柔性機械臂控制方法

有效

• 申請號: 201610457032.3
• 申請日: 2016-06-21
• 公開（公告）號: CN106078741B
• 公開（公告）日: 2018-04-13
• 發明（設計）人: 王敏;楊安樂;方沖
• 申請（專利權）人: 華南理工大學
• 主分類號: B25J9/16
• 分類號: B25J9/16
• 代理公司: 廣州市華學知識產權代理有限公司44245
• 代理人: 羅觀祥

1.基于確定學習理論的性能受限柔性機械臂控制方法，其特征在于，包含如下步驟：

步驟(1)：建立柔性機械臂動態模型：通過狀態變換，建立單連桿柔性機械臂解耦合的四階規范系統形式的動態模型；

步驟(2)：建立系統狀態觀測器：對模型中不可直接測量的系統狀態設計狀態觀測器：

其中，p和r_i為設計參數，i＝1,…,4，分別為系統中不可測量狀態[υ₂υ₃ υ₄]的狀態觀測器；

步驟(3)：設計跟蹤誤差性能約束條件：對連桿輸出角度與周期參考軌跡輸出角度之間的跟蹤誤差，設計性能函數對跟蹤誤差的暫態和穩態性能進行約束，具體為：

e1=x1-xd-σ‾ρ(t)<e1(t)<σ‾ρ(t)ρ(t)=(ρ0-ρ∞)e-st+ρ∞]]>

其中，ρ(t)為性能函數，ρ₀、ρ_∞、s、σ、為設計常數，x_d為關節連桿角度參考周期性軌跡，e₁為軌跡跟蹤誤差；

設計一個嚴格單調遞增光滑函數Ψ(ε₁)，將受限跟蹤誤差e₁(t)轉換為轉換誤差ε₁(t)：

e1(t)=ρ(t)Ψ(ϵ1)Ψ(ϵ1)=σ‾exp(ϵ1)-σ‾1+exp(ϵ1)ϵ1(t)=Ψ-1(e1/ρ)=In[σ‾ρ(t)+e1(t)]-In[σ‾ρ(t)-e1(t)]]]>

步驟(4)：基于確定學習理論設計神經網絡控制器：利用確定學習理論，設計自適應RBF神經網絡學習控制器：

u=-k4ϵ4-W^TS(X)]]>

其中，為神經網絡輸出，k₄為設計的控制器增益常數，ε₄為通過以下設計過程計算出的中間誤差量：

根據步驟(2)建立的狀態觀測器輸出和步驟(3)中轉換后的非受限轉換誤差ε₁，設計虛擬控制器α₁，α₂，α₃：

其中k_i(i＝1,2,3)為設計的虛擬控制器增益常數，x_d為關節連桿角度參考周期性軌跡，γ，B為虛擬控制中涉及的中間控制變量；

控制器u中出現的中間誤差量ε₄：

步驟(5)：利用經驗知識修正控制器：根據確定學習理論，將步驟(4)中神經網絡權值的收斂值保存為實現利用表達經驗知識的常值RBF神經網絡修正控制器，即控制器形式為：

u=-k4ϵ4-W‾TS(X).]]>