[发明专利]一种气动肌肉无模型高阶迭代学习控制方法

权利要求书

1.一种气动肌肉无模型高阶迭代学习控制方法，其特征在于，包括以下步骤：

步骤1：对气动肌肉进行数学抽象；

其中，对于重复运行的气动肌肉，将其描述为：

y_k(t+1)＝f[y_k(t),y_k(t-1),…,y_k(t-n_y),u_k(t),u_k(t-1),…,u_k(t-n_u)] (1)；

其中，u_k(t)和y_k(t)分别表示在第k次迭代t时刻的气压和位移，t∈{0,1,…T-1}，k＝0,1,2…，T表示采样时刻，k表示迭代次数，k的取值没有上限，n_u表示气动肌肉输入端阶数，n_y表示气动肌肉输出端阶数；对于公式(1)，控制目标为寻找一个合适的有界的气压信号序列u_k(t)作用于系统，使得系统位移序列y_k(t)等于给定的期望轨迹y_d(t)；

步骤2：建立气动肌肉数据模型；

基于前两次迭代周期的气压值和位移值，建立相邻两个迭代周期的迭代轴紧格式动态数据模型，并定义该模型中的未知参数为“拟伪偏导数”；

其中，利用公式(1)在任意两次相邻迭代轮次的气压和位移数据建立气动肌肉迭代轴数据模型：

Δy_k(t+1)＝φ_k(t)Δu_k(t) (2)；

其中，φ_k(t)被称为“拟伪偏导数”，φ_k(t)是未知参数，需要在线估计；Δy_k(t+1)＝y_k(t+1)-y_k-1(t+1)为气动肌肉在相邻两次迭代周期同一时刻的位移增量，Δu_k(t)＝u_k(t)-u_k-1(t)为气动肌肉在相邻两次迭代周期同一时刻气压值的增量；

步骤3：“拟伪偏导数”估计；

其中，令表示φ_k(t)的估计值；在最初两次迭代中，即迭代次数k＝0,1时，的值是采用人为设定初值；从k＝2开始，采用前两次迭代过程中的气压和位移数据，以及前若干次迭代过程中的进行估计，其中，一阶估计算法只利用前一次迭代的值，高阶估计算法利用了前m次迭代的值；当2≤k＜m时，采用“一阶估计算法”对“拟伪偏导数”进行估计；当k≥m时，采用“高阶估计算法”对“拟伪偏导数”进行估计；其中，阶数m由人为设定；

所述高阶估计算法为：

其中，μ为一个正的权重系数，η_k,t为步长因子，m为阶数，α_i为权重系数；

步骤4：考察“拟伪偏导数”估计值的取值情况和气压值增量的取值情况，若“拟伪偏导数”或控制量在当前时刻相较于前一次迭代的增量小于一个给定的值，则采用“重置算法”对它的值进行重置；

步骤5：根据“拟伪偏导数”的估计值和前两次迭代周期中的气压值和位移值，构建无模型迭代学习控制器，计算出当前迭代周期每个时刻的气压值，传输给气动肌肉；

步骤6：判断气动肌肉的跟踪误差是否满足精度要求，若满足，则停止迭代；若不满足，则重复步骤2～步骤5。

2.根据权利要求1所述的气动肌肉无模型高阶迭代学习控制方法，其特征在于，所述一阶估计算法为：

其中，μ为一个正的权重系数，η_k,t为步长因子。

3.根据权利要求1所述的气动肌肉无模型高阶迭代学习控制方法，其特征在于：步骤4中，的重置算法为：

当或|Δu_k(t)|≤ε (5)；

其中，ε为一个充分小的正数，为“拟伪偏导数”的初值，由人为给定。

4.根据权利要求3所述的气动肌肉无模型高阶迭代学习控制方法，其特征在于：步骤5中，所述无模型迭代学习控制器为：

其中，ρ_k,t为步长因子，φ_k(t)采用估计值替代，e_k-1(t+1)第k-1次迭代在t+1时刻的跟踪误差，λ为权重系数。