[發明專利]固態釀酒翻曲機械手神經網絡滑模自適應控制方法

有效

• 申請號: 201711287126.1
• 申請日: 2017-12-07
• 公開（公告）號: CN108132602B
• 公開（公告）日: 2021-03-23
• 發明（設計）人: 周軍超
• 申請（專利權）人: 四川理工學院
• 主分類號: G05B13/04
• 分類號: G05B13/04
• 代理公司: 重慶謝成律師事務所 50224
• 代理人: 鄔劍星

1.一種固態釀酒翻曲機械手神經網絡滑模自適應控制方法，其特征在于，包括以下步驟：

S1：建立包括n個關節的翻曲機械手動力學模型；

S2：將所述翻曲機械手動力學模型轉化為無量綱動力學方程，并將所述無量綱動力學方程轉換為狀態空間方程，得到需要的控制變量；

S3：建立翻曲機械手的神經網絡滑?？刂葡到y，設計基于線性反饋的滑模控制系統的控制律，將所述控制變量作為所述控制律的輸入，對翻曲機械手進行自適應控制；

所述步驟S3具體包括：

S31：令翻曲機械手的運動軌跡為x，翻曲機械手的理想運動軌跡為x_d，得到令翻曲機械手的運動軌跡x與翻曲機械手的理想運動軌跡x_d之間的跟蹤誤差e為：

其中，為跟蹤誤差e的導數，為的導數；

S32：定義滑模面為：

其中，c＝[c₁ c₂ … c_n-1 1]，c為滑模面參數；

S33：根據線性反饋，將滑?？刂坡稍O計為：

得到：

R＝ε(x,t)-ρsgn(s) ρ＞0

其中，u為滑模控制律；R為自定義量，f(x,t)為輸出的第一個RBF神經網絡逼近函數，g(x,t)為輸出的第二個RBF神經網絡逼近函數，ε(x,t)為自定義量，ρ為正實數，sgn(s)為符號函數；

S34：采用狀態反饋方法控制系統模型，利用RBF神經網絡線性反饋補償器對控制模型的不確定項進行線性反饋補償。

S4：驗證翻曲機械手神經網絡滑模自適應控制的穩定性。

2.根據權利要求1所述的固態釀酒翻曲機械手神經網絡滑模自適應控制方法，其特征在于，所述步驟S1具體包括：

S11：令翻曲機械手被控對象描述方程為：

其中，b0；θ為角度；為角速度，u為控制信號輸入，f_d為外加干擾信號，和b為未知量；

S12：利用拉格朗日方法，建立包括n個關節翻曲機械手受摩擦力、未建模態和外加的擾動的影響條件下的動力學模型：

其中，q為關節位移量；為速度矢量，為加速度矢量；M(q)為機械手的慣性矩陣；為機械手的離心力和哥氏矩陣；G(q)為作用在關節上的重力矢量；為摩擦力構成的矩陣，τ_d為建模誤差、參數誤差和外加擾動構成的矩陣，τ為控制力矩構成的矩陣。

3.根據權利要求1所述的固態釀酒翻曲機械手神經網絡滑模自適應控制方法，其特征在于，所述采用定義李雅普諾夫穩定性函數對翻曲機械手神經網絡滑模自適應控制的穩定性進行驗證，具體方法如下：

定義李雅普諾夫穩定性函數：

對V求導可得到：

將步驟S33中的公式帶入中得到：

即，得出該滑?？刂坡蓾M足滑模控制器穩定性條件。

4.根據權利要求3所述的固態釀酒翻曲機械手神經網絡滑模自適應控制方法，其特征在于，該控制方法還包括如下步驟：采用RBF神經網絡對翻曲機械手被控對象描述方程中的所述未知量進行f逼近。

5.根據權利要求4所述的固態釀酒翻曲機械手神經網絡滑模自適應控制方法，其特征在于，采用RBF神經網絡對翻曲機械手被控對象描述方程中的所述未知量進行f逼近所述采用的網絡算法為：

f＝W^*h(x)+σ

其中，c_j為第j個節點中心矢量，h徑基向量，X為網絡的輸入矢量，b_j為節點j的基寬度正參數，i為網絡隱含層第i個節點，j為網絡隱含層第j個節點，W^*為網絡的理想權值，σ為網絡的逼近誤差，σ≤σ_N。