基于迭代学习算法的机械臂轨迹跟踪控制研究

发布时间：2020-11-18 20:45

　　 近年来,国内人力资源成本不断上升,国内大型企业纷纷引入工业机器人代替人力做一些繁复沉重的重复性工作,但这些大型企业多采用的是国外一些知名机器人制造商生产的机械臂;而对于中小企业来讲,引入国外厂商机械臂的购买和维护成本太高,研发生产适合于我们自己使用的工业机械臂具有十分现实的意义。在国内,实际投入使用的机械臂中,就使用数量而言,四轴机器人排在第一位,其中平面关节型SCARA机械臂是使用非常广泛的一类。本文选择SCARA机械臂为本文的主要研究对象,主要对其控制器进行研究。迭代学习控制算法是于20世纪80年代提出的一种控制算法,它本身就是以机械臂的控制为背景提出的;迭代学习控制算法在进行控制时不需要知道被控对象的结构和参数信息,而是经过不断的重复学习来习得被控对象的各种信息,它十分适用于对机械臂这种强耦合非线性且具有各种未知扰动的动力学系统进行控制。针对选定的研究对象SCARA机械臂,本文基于迭代学习控制提出了轨迹跟踪控制算法,以提高机械臂的轨迹跟踪控制精度,本文所做的主要工作如下:(1)对SCARA机械臂进行了运动学和动力学分析,得到了其工作空间和拉格朗日动力学方程,并对其进行运动轨迹规划得到期望目标轨迹。(2)对迭代学习控制算法的基本原理、适用性条件、学习律以及收敛性分析方法进行了深入的研究与分析。(3)研究提出了变增益迭代学习控制算法,使用MATLAB对提出的变增益迭代学习控制算法和一般的PD型迭代学习控制算法进行了仿真实验,仿真实验对比结果证明了变增益算法的有效性、优越性;另外,还针对带不同负载和不确定量的机械臂动力学模型进行了变增益迭代学习算法的仿真实验,实验结果证明了所提出算法的鲁棒性与适应性。(4)研究提出了自适应迭代学习控制算法,证明了其稳定性和收敛性,使用MATLAB对算法进行了仿真实验,与变增益迭代学习控制的实验结果对比显示自适应控制算法的控制精度更高、控制效果更好。文中也针对带不同负载和不确定量的机械臂动力学模型进行了自适应迭代学习算法的仿真实验,实验结果证明了自适应迭代学习算法的鲁棒性和自适应性。文中仿真实验使用的均是SCARA机械臂的动力学模型,期望轨迹是在SCARA机械臂的工作空间中进行运动轨迹规划得到的。
【学位单位】：东华大学
【学位级别】：硕士
【学位年份】：2020
【中图分类】：TP241
【部分图文】：

基于迭代学习算法的机械臂轨迹跟踪控制研究3最多的工业机器人是四轴机器人，排第二位的是串联关节型垂直六轴机器人。目前，国内工业机器人的主要工作范围为焊接、装配、喷涂[4]、零件放置、注塑、搬运、码垛、冲压[1][4]等具有重复性质的操作。1.2.2机械臂的控制原理与技术机械臂的工作原理如下图所示：图1-1机械臂的工作原理机械臂主要由人机交互装置、控制系统、驱动系统、执行机构、位置检测装置[10]构成，整个控制过程是由人通过人机交互界面发出控制指令（即期望机械臂执行的运行任务），控制系统通过内置算法计算相应的控制量，输出给驱动系统，驱动系统驱动运行机构和末端执行机构做出与期望目标相近的动作（理想情况下就是期望动作）。运行机构由连杆（手臂）、关节（手腕）构成，末端执行机构根据执行任务的不同而有不同的形式，如分拣机器人的末端执行机构为抓取装置（手爪），喷涂机器人的末端执行机构为喷涂装置，弧焊机器人的末端执行机构为焊接装置。驱动系统是使机械臂运动起来的动力源，不同机械臂使用的驱动方式有所不同，但一般使用的驱动方式有三类：气压传动、液压传动和马达（电气）传动。位置检测装置的主要部件是各类传感器，它将检测到的位置信息传送到控制系统当中，控制系统根据给定的期望指令和实际的位置信息来进行误差计算和控制量的调整，从而准确地使驱动装置驱动各个关节做出相应的旋转或平移；在现在的工业机械臂中，位置检测装置用的较多是光电编码器。力检测装置主要是对末端执行器与外界接触的力的大小进行检测，主要用于对与外界接触力的大小要求比较严苛的机器人系统。根据不同的控制要求和检测装置检测变量的不同，机械臂的控制方式可分为三大类：位置控制、力控制和力位混合控制[11]

基于迭代学习算法的机械臂轨迹跟踪控制研究5中研究最广泛、最成熟的主题，对学习律的研究主要是进行学习律的收敛条件分析、提出新的学习算法、加快算法的收敛速度、研究不同的迭代学习律和各种组合形式的迭代学习律，对不同结构（开环、闭环、开闭环结合）的控制系统进行研究分析等，此外还有对一些特殊的被控系统提出的学习律。稳定性和收敛性是保证迭代学习控制系统能够成功运行的前提条件，稳定性使得控制系统随着迭代次数的增加不发散，收敛性使得控制系统随着迭代次数的增加最终收敛到期望目标附近[16]。因此，进行稳定性和收敛性分析是提出新算法必须解决的首要问题。鲁棒性研究是分析在存在外界干扰、测量误差、被控系统内部状态变化等扰动时，控制过程是否依旧稳定和收敛，即分析控制系统的抗干扰性、强健性。初始值问题主要是进行被控系统的初始状态与控制过程收敛性关系的研究，大部分迭代学习控制算法都要求被控系统的初始状态与期望目标轨迹的初始状态相同，这样才能使学习算法收敛，然而在实际的工业生产中，被控系统的初始状态往往不在期望轨迹上，因此有很多学者研究分析该问题，但并没有通用的解决方法出现，初始值问题还是一个有待研究的方向。1.4论文主要工作与内容安排图1-2主要研究内容本文的主要工作和研究内容如上图所示，主要分为三个方面：（1）理论研究——迭代学习控制学习律的研究，算法的收敛性分析；自适应控制律的设计和稳定性、收敛性分析；

基于迭代学习算法的机械臂轨迹跟踪控制研究7第二章迭代学习控制原理2.1迭代学习控制的基本思想迭代学习控制的基本原理如下图所示：图2-1迭代学习控制的基本原理框图由原理图就可以看出，迭代学习控制每一次新的迭代都是在前一次迭代控制器输出的基础上，加入系统输出误差修正项从而得到本次的控制器输出。迭代学习控制从根本性质上讲是一个二维的控制过程，即包括两个方向上的控制：时间轴上的控制和迭代轴上的控制。在进行迭代学习控制算法的数学描述时，可以用两个变量分别描述出这两个方向的控制，时间变量用来体现时间动态过程，迭代次数用来体现迭代学习动态过程。迭代学习控制主要适用和使用于重复运行的控制任务和控制过程，在每一次迭代过程中，迭代控制器根据时间轴上的误差来调整误差修正量，在迭代过程与迭代过程之间，控制器又将上一次的控制输出加入到整体控制输出量中，从而综合利用了两个独立动态过程的信息，达到不断逼近期望输出的目的[16]。一个被控对象的状态方程可描述为以下形式：=,,=(,,)（2-1）式中，,,()分别为被控系统的状态变量、输出变量和控制输入变量[11]，函数()和()为描述被控系统的适当维数的向量函数。如果已经给定了期望的被控系统输出函数()，且对应的期望状态量()和期望控制输入量()存在，则迭代学习控制的目标为在给定的时间t,内，由设定好的学习控制算法计算控制输出，经过次重复学习，使得控制
【参考文献】

相关期刊论文 前10条

1 郝晓弘;周勃;;具有自适应学习的开环PD型迭代学习控制算法研究[J];电气工程学报;2015年10期

2 赵巧敏;;全球视角下工业机器人竞争力解析[J];机器人产业;2015年01期

3 赵杰;;我国工业机器人发展现状与面临的挑战[J];航空制造技术;2012年12期

4 邹燃;;一种新型迭代学习控制算法在风能转换系统中的应用[J];装备机械;2009年02期

5 赵臣;王刚;;我国工业机器人产业发展的现状调研报告[J];机器人技术与应用;2009年02期

6 王岩;付永领;;模糊滑模迭代学习控制算法在液压系统中应用[J];北京航空航天大学学报;2007年01期

7 吴林;张广军;高洪明;;焊接机器人技术[J];中国表面工程;2006年S1期

8 杨晓峰,樊晓平,杨胜跃,黄浩江;非线性系统开闭环PD型迭代学习控制及其在机器人中的应用[J];长沙铁道学院学报;2002年01期

9 陈佩云,金茂菁,曲忠萍;我国工业机器人发展现状[J];机器人技术与应用;2001年01期

10 曹树平,熊昌仑,邹占江,易孟林;电液位置伺服系统的迭代学习控制[J];机械科学与技术;1998年03期

相关博士学位论文 前2条

1 柳春平;迭代学习控制理论及其在网络控制系统中的应用[D];浙江大学;2013年

2 孙云平;非线性系统的自适应学习控制[D];西安电子科技大学;2009年

相关硕士学位论文 前10条

1 郑壕楠;基于迭代学习的机械臂轨迹跟踪控制研究[D];郑州大学;2018年

2 甘义震;带遗忘因子的变增益迭代学习控制算法研究[D];郑州大学;2018年

3 王文坛;机械臂轨迹规划及动力学研究[D];山东大学;2017年

4 李彦威;基于Lyapunov方法的迭代学习控制器设计[D];浙江工业大学;2017年

5 林清钊;基于运动学模型的机械臂迭代学习控制[D];浙江大学;2017年

6 王成忠;机械手的迭代学习控制研究[D];苏州大学;2016年

7 范鹏飞;SCARA机器人结构优化设计及运动学仿真[D];合肥工业大学;2016年

8 杜媛媛;基于迭代预测控制的机械臂轨迹跟踪的研究[D];浙江工业大学;2014年

9 张翠;基于RBF神经网络的机械臂运动控制算法及应用研究[D];兰州交通大学;2014年

10 郑国穗;SCARA平面关节式装配机器人的设计与研究[D];陕西科技大学;2014年

本文编号：2889185