[发明专利]一种气动肌肉无模型高阶迭代学习控制方法

说明书

本发明公开了一种气动肌肉无模型高阶迭代学习控制方法，针对气动肌肉这一非线性强、参数时变、建模困难的被控对象，在重复控制中采集气动肌肉前两次运动过程中的气压和位移数据，构建气动肌肉迭代轴动态数据模型。创新性采用高阶估计算法对该模型中的未知参数进行在线估计，利用估计值设计迭代学习控制器，并重复此过程，直至达到精度要求。本发明不依赖被控对象的数学模型，仅通过采集气压和位移数据，就能够实现气动肌肉在重复运动过程中对预定的期望轨迹快速、精确地跟踪控制。

技术领域

本发明属于非线性时变系统控制领域，具体涉及一种气动肌肉无模型高阶迭代学习控制方法。

背景技术

气动肌肉是一种新型拉伸型驱动器件，近年来得到了广泛的研究。相较于传统的驱动器，气动肌肉具有低成本、安全性好、高功率/质量比等优点，被广泛应用于仿生及康复医疗领域。在仿生及医疗设备的工作过程中，通常都需要进行重复性的运动，如康复机器人辅助患者进行某个特定动作的重复训练时，气动肌肉作为驱动器，其伸缩运动行为是重复的，这个过程要求气动肌肉的位置控制尽量精确。然而，气动肌肉具有非线性强、参数时变等特点，这使得对它的精确控制较为困难。同时，由于气动肌肉的数学模型较难建立，传统的基于模型的控制方法难以取得较好的控制效果。

中国专利CN200610053005.6公开了一种气动肌肉运动模拟控制平台装置及位姿控制方法，通过实施采集气动肌肉的伸缩长度和压力，通过控制算法调节相应的气动肌肉的压力，最终达到平台的预期位姿，实现各种运动的模拟要求。此发明采用的控制方法需要设计复杂的非线性函数，同时需要辨识较多与平台模型相关的未知参数，因此控制方法较为局限，无法适用于其他气动肌肉驱动的装置。中国专利CN201510472613.X公开了一种并联踝关节康复机器人及其控制方法，该机器人由气动肌肉驱动，能够调节运动范围，覆盖踝关节三个自由度的运动训练。此发明建立了气动肌肉气压与收缩量的数学模型，根据期望长度解算气动肌肉的期望气压，并通过PID控制器将跟踪误差转换成修正量对理想气压进行补偿。该控制方法需要建立气动肌肉的数学模型，计算量较大，建模过程中存在误差，同时该模型只适用于此发明中的气动肌肉型号，不具备普适性。中国专利CN201710366243.0公开了一种气动肌肉的自适应控制方法和系统，能够使气动肌肉主动适应时变性和不确定性，改善控制效果，提高控制精度。该发明采用的自适应控制方法需要建立气动肌肉的三元素模型，并对模型中的参数进行辨识以得到控制器参数，该控制方法同样是基于模型的，且参数辨识过程和控制器增益计算过程较为复杂，实施起来较为困难。

通过上述分析比较可知，目前气动肌肉的控制方法主要是基于模型的，这类控制方法的局限性在于，气动肌肉的模型较难建立，且不同类型的气动肌肉数学模型不同，使得控制方法不具备普适性。模型参数辨识过程和控制器增益参数选取过程较为复杂，计算量较大，在实际的控制中难以实现。同时，这些方法都是沿着时间轴进行，并不适用于重复运动过程中的气动肌肉控制。因此，针对重复运动的气动肌肉，采用无模型方法，仅利用系统气压和位移数据驱动，对控制器结构、增益参数等进行设计，具有十分重要的意义。

发明内容

为了解决上述技术问题，本发明提供了一种气动肌肉无模型高阶迭代学习控制方法，利用气动肌肉在重复运动过程中的气压和位移数据，建立气动肌肉沿迭代轴的动态线性化数据模型，利用高阶形式改进传统的估计算法，充分利用过往迭代轮次的气压和位移信息对该模型中的“拟伪偏导数”进行在线估计，加速估计算法的收敛。基于“拟伪偏导数”的估计值设计无模型的迭代学习控制器对气动肌肉进行重复运动控制，可实现其对期望轨迹快速、精确的渐进跟踪。

本发明所采用的技术方案是：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；

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”；