[發明專利]一種任務空間中不確定機械臂的控制方法

有效

• 申請號: 202010714848.6
• 申請日: 2020-07-23
• 公開（公告）號: CN111872937B
• 公開（公告）日: 2022-04-19
• 發明（設計）人: 董秀成;劉久臺;楊勇;陳泓宇;古世甫
• 申請（專利權）人: 西華大學
• 主分類號: B25J9/16
• 分類號: B25J9/16
• 代理公司: 成都方圓聿聯專利代理事務所(普通合伙) 51241
• 代理人: 李鵬

本發明公開了一種任務空間中不確定機械臂的控制方法，包括：A.根據機械臂正向運動學和逆運動學關系，建立機械臂系統在關節空間下的動力學數學模型，引入雅可比矩陣將關節空間下的動力學模型映射到任務空間下，將機械臂系統在任務空間下的動力學模型進行重新變形整理，得到不確定機械臂動力學模型。B.根據不確定機械臂動力學模型，設計神經網絡自適應迭代學習控制器的控制方案，對任務空間下不確定機械臂末端施加的控制力進行設計，采用神經網絡自適應迭代學習控制算法進行設計本系統的控制器，其中采用RBF神經網絡對所有非周期性誤差和外部干擾進行逼近和補償，對神經網絡的更新率進行設計。本發明提高了機械臂系統的學習速度和誤差收斂精度。

技術領域

本發明涉及工業自動化生產技術領域，特別涉及一種基于神經網絡自適應迭代學習對任務空間中不確定機械臂的控制方法。

背景技術

“工業4.0”戰略自提出以來對工業自動化生產領域產生了深遠的影響，加之國家政策的激勵和高新電子技術的快速發展，機械臂已成為生產線上的核心角色并被廣泛應用到批量化、規模化的加工制造和重復性流水作業之中，常見的有搬運、抓取操作、邊界切割、實物焊接和噴涂等。由此可見，對機械臂的軌跡控制方法研究是非常重要的。

機械臂是一個典型的高度非線性、強耦合的動力學系統，這使我們很難獲得機械臂的精確動力學模型和內部參數。傳統的控制方法，比如PID控制、阻抗控制、前饋控制等，對系統的參數和數學模型依賴性很高，系統的不確定性往往會使得控制模型難以得到精確信號信息，從而無法達到預期效果。與此同時，智能控制方法被廣泛應用于研究高度非線性、強耦合的系統，比如模糊控制、神經網絡、迭代學習控制、自適應控制以及滑?？刂频鹊龋@些控制方法的優勢在于不依賴與被控對象精確動力學方程的數學描述，只從仿生思維的角度來處理實際的操作與任務。近些年來，迭代學習控制方法被廣泛應用在機械臂軌跡跟蹤的研究中，其核心思想是利用被控對象的動態過程與期望的理想軌跡之間的誤差來調整修正，并沿迭代方向逐漸完成被控對象趨近至最終完全符合期望軌跡。隨著迭代學習理論的深入發展和不斷拓展，出現了自適應迭代學習控制、魯棒迭代學習控制、最優迭代學習控制等新型迭代學習控制方法。

自適應迭代學習控制方法是自適應控制理論與迭代學習控制的結合，在迭代學習過程可以對不確定的參數進行辨識和修正并且可以自動適應外界的變化，這大大提高了系統的穩定性和魯棒性，但是它也存在一些不足，比如在處理非周期性的誤差和外部干擾以及在估計未知的系統參數時，花費大量時間計算和調整，降低了學習速度和誤差收斂精度。將神經網絡與自適應迭代學習控制相結合，不僅可以處理非周期性的誤差干擾，還具有逼近高度非線性系統和未知參數的優良性能，大大提高了學習速度和誤差收斂精度。

發明內容

本發明針對現有技術的缺陷，提供了一種任務空間中不確定機械臂的控制方法，解決了現有技術中存在的缺陷。

為了實現以上發明目的，本發明采取的技術方案如下：

一種任務空間中不確定機械臂的控制方法，包括以下步驟：

A.機械臂動力學建模；

根據機械臂正向運動學和逆運動學關系，建立機械臂系統在關節空間下的動力學數學模型，引入一個雅可比矩陣將關節空間下的動力學模型映射到任務空間下，考慮到建模過程中存在微小誤差和一些不確定項，將機械臂系統在任務空間下的動力學模型進行重新變形整理，得到一個新的機械臂動力學模型。

B.根據重新得到的機械臂動力學模型，設計神經網絡自適應迭代學習控制器，首先對任務空間下機械臂末端施加的控制力矩 進行設計；然后采用神經網絡與自適應迭代學習相結合對控制器進行設計；最后采用RBF神經網絡對所有非周期性誤差和外部干擾進行逼近和補償，對神經網絡的更新率進行設計。

進一步地，步驟A中引入一個雅可比矩陣將關節空間下的動力學模型映射到任務空間下公式為：

其中關節空間到任務空間的映射關系如下：