[发明专利]基于智能学习评价的柔性机械臂复合控制方法

摘要

本发明公开了一种基于智能学习评价的柔性机械臂复合控制方法，用于解决现有柔性机械臂控制方法控制精度差的技术问题。技术方案是对已有的柔性机械臂模型进行线性化处理，控制器考虑系统的集总不确定性，引入神经网络逼近系统不确定项；进一步考虑建模误差，设计系统的预测模型，并将建模误差引入神经网络权重自适应更新律中，使得反馈信息更加全面，提高了控制精度，适用于工程需求。

主权项

1.一种基于智能学习评价的柔性机械臂复合控制方法，其特征在于包括以下步骤：(a)考虑n自由度柔性机械臂动力学模型：其中，M为正定对称惯性矩阵，是与哥氏力和向心力有关的项，D₁、D₂为阻尼矩阵，K₂为刚度矩阵，u为关节输入力矩；是由机械臂关节角和柔性模态组成的广义矢量，其中θ_i为第i个关节角变量，δ_i,j是第i个连杆的第j个模态变量；(b)定义公式(1)进一步写为：进一步，针对系统存在的非最小相位特性，进行输出重定义并写成矩阵形式：y＝θ+Cδ其中，i＝1…n，m为模态阶数，‑1<α_i<1由设计者给定，l_i为第i个连杆的长度，φ_i,j为第i个连杆的第j阶模态函数值；定义得到动态方程，包括输入输出子系统方程(4)和内动态子系统方程(5)：其中，u_ex为输入输出子系统的控制输入，u_in为内动态子系统的控制输入；相关的非线性项如下：B(α,θ,δ)＝H₁₁+CH₂₁F(θ,δ)＝H₂₁根据系统参数的标称信息，计算矩阵B(α,θ,δ)的标称值：B₀(α,θ,δ)，即B(α,θ,δ)＝B₀(α,θ,δ)+ΔB(α,θ,δ)；(c)定义误差信号e₁＝μ₁‑y_r，其中y_r为期望的关节角度；设计虚拟控制量其中，k₁∈R^n×n为正定对称非奇异矩阵，由设计者给定；定义误差信号e₂＝μ₂‑u_2d，模型预测误差其中由式(7)计算得到：其中，z＝[μ^T,ψ^T]^T；β∈R^n×n为正定对称非奇异矩阵，由设计者给定；为神经网络基函数向量；神经网络权重自适应更新律为：其中，γ、γ_NN、ξ均为正数，由设计者选定；设计控制器其中，k₂∈R^n×n为正定对称非奇异矩阵，由设计者选定；(d)内动态子系统采用状态反馈控制器：控制增益k_δ和为采用极点配置得到的R^n×mn阶矩阵，控制器总输入：u＝u_ex+u_in                  (10)根据所得到的控制输入u，返回柔性机械臂模型(1)中，对关节角进行控制同时实现模态镇定。