[发明专利]基于信息浓缩估计的自适应滑模控制方法

摘要

本发明公开了一种基于信息浓缩估计的自适应滑模控制方法，该方法用于多关节机器人末端速度控制系统，通过对多关节机器人末端速度控制系统分析，建立多关节机器人末端速度控制系统的数学模型，利用先验信息设计信息浓缩估计器估计出未知的系统参数，最后，基于未知系统参数的估计值设计自适应滑模控制器。对信息浓缩估计的自适应滑模控制方法进行仿真验证，仿真实验结果显示该方法在估计未知系统参数和控制效果方面是有效的。通过本发明所述的方法，可以估计出多关节机器人末端速度控制系统的控制量增益系数，克服信息浓缩估计器估计未知系统参数存在误差的缺点。

主权项

1.一种基于信息浓缩估计的自适应滑模控制方法，该方法用于多关节机器人末端速度控制系统，其特征在于它包括以下步骤：步骤一、多关节机器人的末端速度控制系统分析：根据先验知识可知，多关节机器人末端速度控制系统为一阶非线性离散系统，系统的模型为：ω(k+1)＝αω(k)+βu(k)+f(ω(k))+τ(k+1)   (1)其中，ω(k+1)为k+1时刻的输出角度值、ω(k)为k时刻的输出角度值，f(ω(k))为k时刻的未建模动态，u(k)为k时刻的控制信号，τ(k+1)为k+1时刻的随机噪声，α和β为未知的系统模型参数；根据先验知识可知，α为未知参数α的下界，为未知参数α的上界，β为未知参数β的下界，为未知参数β的上界；步骤二、信息浓缩估计的设计为了进行基于信息浓缩估计的自适应滑模控制方法的设计，引入以下假设：假设参考信号是有界的，并且满足其中，Bω是一个正的实数；假设随机噪声是有界的，并且满足其中，Bτ是一个正的实数；假设未建模动态f(ω(k))满足利普希茨连续条件，并且f(ω(k))∈F(L)，则F(L)＝f:|f(x)‑f(y)|≤L|x‑y|+c   (4)其中，L为利普希茨系数，c是一个任意的非负常数；引入记号I，I[a b]是一个区间，是区间I的中心点，是区间I长度的一半，I(x,δ)＝[x‑δ x+δ]表示以x为中心点，区间的长度为2δ的区间；为了估计未知的系统参数，利用ω(0),ω(1),…ω(k)及u(0),u(1)…u(k)，引入以下定义：其中，并且I(k)∈R,Q(k)∈R，集合I(k)和Q(k)中的任何值都有可能是未知参数α和β的值；在实际应用中，选集合的中心点为未知参数α和β的估计值，即：其中，为k时刻未知参数α的估计值，为k时刻未知参数β的估计值；是通过已知信息获得的未知参数α的新上限，是通过已知信息获得的未知参数α的新下限；是通过已知信息获得的未知参数β的新上限；是通过已知信息获得的未知参数β的新下限；通过公式(6)和公式(7)，可以得知不是递增的，不是递减的；步骤三、基于信息浓缩估计的自适应滑模控制器的设计将公式(9)和公式(10)代入公式(1)中，可以得到多关节机器人末端速度控制系统的数学模型为：其中，为k时刻未知参数α的估计误差，为k时刻未知参数β的估计误差；基于信息浓缩估计的自适应滑模控制方法的滑模面为s(k)＝CE＝C(r(k)‑ω(k))   (12)其中，C为正实数，r(k)为参考信号，ω(k)为输出信号；基于信息浓缩估计的自适应滑模控制方法的趋近律为s(k+1)‑s(k)＝‑qTs(k)‑εTsign(s(k))   (13)其中，q＞0,1‑qT＞0，ε＞0，T为采样时间；基于信息浓缩估计的自适应滑模控制方法的控制律为：其中，如果设定在多关节机器人末端速度控制系统中不能直接获得，当采样时间T≤0.01时，在实际的控制律的设计中，用代替公式(15)改写为：其中，为k‑1时刻未知参数α的估计值，为k‑1时刻未知参数β的估计值；经过仿真实验验证，随着时间的推移，和接近真实值，本方法可有效地估计出多关节机器人末端控制系统的未知的系统参数。