基于模型控制和无模型控制的机械臂系统轨迹跟踪研究
发布时间：2021-10-10 22:25
随着中国智能制造的快速发展,机械臂的研发水平迅速成长,使得机械臂精确的跟踪控制问题逐渐成为研究热点。本文基于模型控制和无模型控制两种方案研究了多输入多输出的n自由度的机械臂系统的轨迹跟踪控制问题。同时结合机械臂的模型不确定性、存在扰动,以及输出受限、事件触发等非线性问题,设计了基于模型和无模型控制方法下的控制器,利用李雅普诺夫方程等方法从理论上证明控制系统的稳定性,并进行仿真验证所提方法的有效性。首先,介绍了机械臂动力学建模过程及基本控制方法。以二连杆的机械臂系统为例推导出机械臂的欧拉-拉格朗日方程,并推广到n自由度的机械臂系统的动力学方程。同时,介绍了自适应控制、神经网络控制、迭代控制和无模型自适应控制四种控制方法的设计思路,为后面控制器的设计奠定了理论基础。其次,研究了一种存在输出受限和外部扰动情况下基于事件触发的机械臂系统自适应神经网络控制方法。为满足输出具有时变非对称的上下界,提出了一种tan类型的非对称的障碍李雅普诺夫函数。同时,考虑了固定阈事件触发机制来减少能量消耗。利用扰动观测器和自适应神经网络,分别对外界扰动和不确定性的系统模型进行逼近。为验证了所提控制策略在轨迹跟踪控...
【文章来源】：燕山大学河北省
【文章页数】：60 页
【学位级别】：硕士
【部分图文】：
机械臂系
燕山大学工学硕士学位论文-14-诊断和控制等方面已具有良好的应用。采用RBF神经网络来逼近函数f(x)，其算法表示为：22exp()2jijcbx(2-22)Tf()()+xWx(2-23)式中，x表示神经网络的输入，j表示第j个网络隐含层的节点，()=[]Tix为网络的高斯基函数输出，jc为高斯函数的中心值，jb为节点j的高斯函数宽度，W为网络的理想权值，表示逼近误差且具有上界。图2-2径向基神经网络结构图2.3.3迭代学习控制迭代学习控制于1978年提出，是智能控制中的一种，通过不断的迭代修正来实现控制目标的改善，其适用于解决具有重复性运动的非线性、建模困难及耦合强度高的控制问题。由于其不依赖于系统的精确模型，因此算法简单且需要较少的先验知识。目前，迭代学习在收敛性、鲁棒性、学习算法和速度上取得了巨大进展。迭代学习的基本原理可描述为通过迭代修正逐步改善系统性能，达到控制目标。其被控对象的动态过程为：
第3章输出受限和外部扰动下基于事件触发的机械臂系统自适应神经网络控制-27-络，其网络中心分布在1,11,11,11,11,1，参数选取分别为0.01，100。控制增益选取分别为11K=25，12K=20，2K=diag[35,25]。光滑函数设计为31()0.5e0.25tbt，32()0.3e0.2tbt。在扰动观测器设计中2Θ(e)选取为常数dK=diag[5,5]。至于事件触发的参数，我们选取Tm[3,3]，m4，10。第一个连杆和第二个连杆的轨迹追踪图像分别如图3-2和图3-3所示。两连杆的追踪误差图像分别如图3-4和图3-5所示。从图中，可以看出两连杆都成功的追踪上了期望轨迹，并且误差均在给定的非对称的上下界内收敛。带有事件触发机制的控制输入信号图像分别如图3-6和图3-7所示，通过局部放大图中的控制输入信号，可以看出触发机制的效果。图3-8展示了神经网络逼近曲线图像。图3-2连杆1的轨迹跟踪图像图3-3连杆2的轨迹跟踪图像
【参考文献】：
期刊论文
[1]抑制抖振的医疗机械臂轨迹规划方法与仿真[J]. 黄相锦. 电子技术与软件工程. 2018(10)
[2]High-speed Nonsingular Terminal Switched Sliding Mode Control of Robot Manipulators[J]. Fengning Zhang. IEEE/CAA Journal of Automatica Sinica. 2017(04)
[3]多末端苹果采摘机器人机械手运动学分析与试验[J]. 李国利,姬长英,顾宝兴,徐伟悦,董芒. 农业机械学报. 2016(12)
[4]带有死区和摩擦补偿的机械臂伺服系统自适应神经网络控制[J]. 陈强,余梦梦,魏倩. 新型工业化. 2016(08)
[5]行星刷式株间锄草机械手优化与试验[J]. 陈子文,李南,孙哲,李涛,张春龙,李伟. 农业机械学报. 2015(09)
[6]基于PID的现代加工生产机械臂控制系统设计[J]. 欧艳华. 轻工科技. 2015(04)
[7]六自由度机械臂约束预测控制系统的设计[J]. 张晓颖,李德伟,席裕庚,陈卫东. 控制理论与应用. 2014(11)
[8]基于非线性干扰观测器的机械臂自适应反演滑模控制[J]. 席雷平,陈自力,齐晓慧. 信息与控制. 2013(04)
[9]模糊逻辑及神经网络动态摩擦和死区补偿的机器人滑模变控制[J]. 李敏,王家序,肖科,秦毅,徐建春. 重庆大学学报. 2013(06)
[10]机械手鲁棒自适应PD控制[J]. 白好杰,唐大放,曹建斌. 机械传动. 2011(11)
本文编号：3429263
【文章来源】：燕山大学河北省
【文章页数】：60 页
【学位级别】：硕士
【部分图文】：
机械臂系
燕山大学工学硕士学位论文-14-诊断和控制等方面已具有良好的应用。采用RBF神经网络来逼近函数f(x)，其算法表示为：22exp()2jijcbx(2-22)Tf()()+xWx(2-23)式中，x表示神经网络的输入，j表示第j个网络隐含层的节点，()=[]Tix为网络的高斯基函数输出，jc为高斯函数的中心值，jb为节点j的高斯函数宽度，W为网络的理想权值，表示逼近误差且具有上界。图2-2径向基神经网络结构图2.3.3迭代学习控制迭代学习控制于1978年提出，是智能控制中的一种，通过不断的迭代修正来实现控制目标的改善，其适用于解决具有重复性运动的非线性、建模困难及耦合强度高的控制问题。由于其不依赖于系统的精确模型，因此算法简单且需要较少的先验知识。目前，迭代学习在收敛性、鲁棒性、学习算法和速度上取得了巨大进展。迭代学习的基本原理可描述为通过迭代修正逐步改善系统性能，达到控制目标。其被控对象的动态过程为：
第3章输出受限和外部扰动下基于事件触发的机械臂系统自适应神经网络控制-27-络，其网络中心分布在1,11,11,11,11,1，参数选取分别为0.01，100。控制增益选取分别为11K=25，12K=20，2K=diag[35,25]。光滑函数设计为31()0.5e0.25tbt，32()0.3e0.2tbt。在扰动观测器设计中2Θ(e)选取为常数dK=diag[5,5]。至于事件触发的参数，我们选取Tm[3,3]，m4，10。第一个连杆和第二个连杆的轨迹追踪图像分别如图3-2和图3-3所示。两连杆的追踪误差图像分别如图3-4和图3-5所示。从图中，可以看出两连杆都成功的追踪上了期望轨迹，并且误差均在给定的非对称的上下界内收敛。带有事件触发机制的控制输入信号图像分别如图3-6和图3-7所示，通过局部放大图中的控制输入信号，可以看出触发机制的效果。图3-8展示了神经网络逼近曲线图像。图3-2连杆1的轨迹跟踪图像图3-3连杆2的轨迹跟踪图像
【参考文献】：
期刊论文
[1]抑制抖振的医疗机械臂轨迹规划方法与仿真[J]. 黄相锦. 电子技术与软件工程. 2018(10)
[2]High-speed Nonsingular Terminal Switched Sliding Mode Control of Robot Manipulators[J]. Fengning Zhang. IEEE/CAA Journal of Automatica Sinica. 2017(04)
[3]多末端苹果采摘机器人机械手运动学分析与试验[J]. 李国利,姬长英,顾宝兴,徐伟悦,董芒. 农业机械学报. 2016(12)
[4]带有死区和摩擦补偿的机械臂伺服系统自适应神经网络控制[J]. 陈强,余梦梦,魏倩. 新型工业化. 2016(08)
[5]行星刷式株间锄草机械手优化与试验[J]. 陈子文,李南,孙哲,李涛,张春龙,李伟. 农业机械学报. 2015(09)
[6]基于PID的现代加工生产机械臂控制系统设计[J]. 欧艳华. 轻工科技. 2015(04)
[7]六自由度机械臂约束预测控制系统的设计[J]. 张晓颖,李德伟,席裕庚,陈卫东. 控制理论与应用. 2014(11)
[8]基于非线性干扰观测器的机械臂自适应反演滑模控制[J]. 席雷平,陈自力,齐晓慧. 信息与控制. 2013(04)
[9]模糊逻辑及神经网络动态摩擦和死区补偿的机器人滑模变控制[J]. 李敏,王家序,肖科,秦毅,徐建春. 重庆大学学报. 2013(06)
[10]机械手鲁棒自适应PD控制[J]. 白好杰,唐大放,曹建斌. 机械传动. 2011(11)
本文编号：3429263
本文链接：https://www.wllwen.com/shoufeilunwen/xixikjs/3429263.html
最近更新
教材专著
