[發明專利]一種機械臂分散化神經魯棒控制的軌跡跟蹤算法

在審

• 申請號: 201710652367.5
• 申請日: 2017-08-02
• 公開（公告）號: CN107203141A
• 公開（公告）日: 2017-09-26
• 發明（設計）人: 胡海兵;楊建德;崔世林;張結文;段敬杰
• 申請（專利權）人: 合肥工業大學
• 主分類號: G05B13/04
• 分類號: G05B13/04
• 代理公司: 北京輕創知識產權代理有限公司11212
• 代理人: 沈尚林

技術領域

本發明屬于機器人的技術領域，具體為一種機械臂分散化神經魯棒控制的軌跡跟蹤算法。

背景技術

隨著機器人行業的迅速發展，對機器人工作指標的要求也越來越高，因此機械臂的軌跡跟蹤精度也越發重要。目前常用的機器人機械臂控制方法主要有PID控制，雖然該控制方法簡單易于實現，但是往往需要很大的控制能量，而且不能夠保證機器人具有良好的靜態以及動態性能；自適應魯棒控制，其缺點是在線辨識參數需要的龐大計算，對實時性要求嚴格，特別是存在非參數不確定時，自適應控制很難保證系統穩定性；神經網絡控制和模糊控制，由于機器人的動力學模型的非線性，模型參數往往很難精確獲取，這使得機械臂的軌跡跟蹤精度在一定程度上受到影響，神經網絡模糊控制具有高度的非線性逼近能力，可以對機器人手臂動力學方程中未知部分在線精確逼近，實現機器人的高精度跟蹤，然而神經網絡控制往往需要較大的訓練量，這就大大增加了計算量。近些年在神經網絡控制方面主要采用RBF網絡對機器人的動力學模型逼近，考慮到機器人的機械臂是由各個關節互連起來的工作系統，關節之間的輸入輸出關系是相互作用的，可以采用遞歸神經網絡模型對機械臂的每個關節設計狀態方程，同時為了抵消關節神經器之間互連產生的擾動，在神經控制器中添加魯棒項盡可能減小干擾對跟蹤精度的影響。因此，本發明通過添加魯棒項，建立分散化神經魯棒軌跡跟蹤算法，減小干擾對跟蹤精度的影響，提高軌跡跟蹤精度。

發明內容

考慮到分散化神經控制器之間產生的擾動以及動力學模型誤差，本發明的目的是設計消除擾動的神經控制器，提高機械臂軌跡跟蹤精度。

為了解決上述技術問題，本發明采用的技術方案是：

一種機械臂分散化神經魯棒控制的軌跡跟蹤算法，按照算法流程依次包括構建高階遞歸神經網絡模型、RHONN模型估計非線性系統、估計模型中未知權重系數、設計分散化魯棒神經控制器和穩定性證明，其中：

①、構建高階遞歸神經網絡模型：輸入機械手動力學模型，根據機械手動力學模型設計高階遞歸神經網絡模型，高階遞歸神經網絡模型過程是由連續時間的微分方程或者離散時間的差分方程描述的，每個神經元的狀態由相應的微分方程表示：

②、高階遞歸神經網絡模型對非線性系統估計：RHONN模型用于估計一般的非線性動力學系統，設定一個非線性系統的輸入與輸出關系如下：

式中uⁱ是系統的輸入，代表系統的狀態，F(.)是用于描述輸入與輸出關系的函數，F(.)是連續的且滿足局部Lipschitz條件，則上述公式存在一定時間范圍存在特解,在系統與足夠的高階網絡連接的情況下，用RHONN模型近似的逼近任何非線性動力系統；

③、估計模型中未知權重系數：慮錯訓練算法估計未知權重系數；

④、設計分散化魯棒神經控制器：本分散化神經魯棒軌跡跟蹤算法是以二自由度機器人手臂為控制對象，對于每個關節設計RHONN模型狀態方程，通過慮錯訓練算法以及自適應調節律估計狀態方程的未知權重系數，控制律中需要添加魯棒項，再利用反演的方法逐步遞推控制器的設計；

關節1的RHONN模型識別方程：

關節2的RHONN模型識別方程：

第i個關節模型的角位置識別誤差定義為：

角速度的識別誤差為：

權重系數的自適應調節律采用：

⑤、穩定性證明：定義Lyapunov函數：

其中：

經過一定的數學計算、推導后可得：

基于上述推導，可以證明設計的神經控制器有漸近穩定的平衡點，從而可以保證機械臂的軌跡跟蹤誤差是趨近于零的。

進一步的，在流程①中，所述高階遞歸神經網絡模型會對當前的信息進行記憶并運用于當前的輸出計算。

進一步的，定理1證明了高階遞歸神經網絡模型逼近的精確性，定理1如下：

假設非線性動力學系統的初始狀態和RHONN模型的初始狀態相同，即則對任意的ε＞0以及一定時間內T＞0，存在整數L和向量使得RHONN模型的狀態具有L個高階網絡連接和權重系數滿足：

進一步的，在流程③中，使用RHONN模型去逼近非線性動力系統，對于模型的權重系數是未知的，系統的狀態滿足：