一种机械臂伺服系统的神经网络全阶滑模控制方法

摘要

一种机械臂伺服系统的神经网络全阶滑模控制方法，针对含有动态执行机构的机械臂伺服系统，利用全阶滑模控制方法，再结合神经网络，设计一种机械臂伺服系统神经网络全阶滑模控制方法。全阶滑模面的设计是为了保证系统的有限时间收敛，并且通过在实际的控制系中避免出现微分项来消除抖振以及奇异问题。另外，神经网络是用来逼近系统的未知非线性以及内外部扰动的不确定性。本发明提供一种能够消除滑模面的抖振问题以及奇异问题，并且能有效补偿系统未知非线性以及内外部扰动的控制方法，实现系统的快速稳定控制。

权利要求

1.一种机械臂伺服系统神经网络全阶滑模控制方法，其特征在于：所述控制方法包括以下步骤：步骤1，建立机械臂伺服系统的动态模型，初始化系统状态、采样时间以及控制参数，过程如下：

1.1机械臂伺服系统的动态模型表达形式为：其中，q，和 分别为机械臂关节的位置、速度和加速度，M(q)， 以及D分别表示每个关节的对称正定惯性矩阵、离心科里奥利矩阵以及阻尼摩擦系数的对角正定矩阵；G(q)代表重力项；τ代表了关节的转矩输入矢量；

1.2当考虑动态执行机构时，将式(1)重新表示为：其中，

是一个电枢电压输入的矢量； 代表

电磁转矩矢量，其中，Jm和Dm分别表示惯性对角矩阵和扭转阻尼系数；Kτ＝diag(Kτ1,Kτ2,...,Kτn)则是对角矩阵的转矩常数；qm代表的是电机角位置矢量；τL代表的是电机负载转矩的矢量； 表示n关节变速器齿轮的对角矩阵；

1.3由于存在测量噪声，负荷变化以及外部干扰的影响，式(2)中的系统参数并不能精确的获得；那么，又将实际的系统参数改写为：其中，估计值 以及 代表已知部分；ΔMH(q)、ΔDH以及ΔGH(q)代表系统未知项；

步骤2，基于带有未知参数的机械臂伺服系统，设计所需的神经网络，过程如下：定义θ*为理想权重系数矩阵，那么非线性不确定函数f被逼近为：f＝θ*Tφ(x)+ε (4)

其中， 代表输入矢量；φ(x)＝[φ1(x),φ2(x),…φm(x)]T是神经网络的基函数；ε代表神经网络的逼近误差且满足||ε||≤εN，εN则是一个正的常数；φi(x)被取为以下高斯函数：其中，oi代表高斯函数的核参数；σi则表示了高斯函数的宽度；

步骤3，计算控制系统跟踪误差，设计全阶滑模面，过程如下：

3.1定义系统跟踪误差为：

e＝qd-q (6)

其中，qd为二阶可导期望轨迹；那么式(6)的一阶微分和二阶微分被表示为如下形式：

3.2那么全阶滑模面将定义为：

其中，c1和c2是一个正的常数，它的选择是保证多项式p2+c2p+c1的全部特征根在复平面的左半部分以保证系统稳定；α1和α2的选取则是通过以下多项式：其中，αn+1＝1，αn＝α，α∈(1-ε,1)以及ε∈(0,1)；

步骤4，基于含有动态执行机构的机械臂系统，根据全阶滑模以及神经网络理论，设计神经网络全阶滑模控制器，过程如下：

4.1考虑式(2),神经网络全阶滑模控制器被设计为：v＝-(kd+kT+η)sgn(s) (14)其中，ci和αi是常数，i＝1,2，已在式(9)中被定义；kd、kT和η都是常数，T是一个正的常数；

4.2设计神经网络权重系数矩阵的调节规律：其中，Γ是一个正定的对角矩阵；

4.3将式(11)代入式(2)中得到如下等式：其中， 代表神经网络的权重估计误差； 代表系统扰动项，并且是有界的，那么假定d(q,t)≤ld并且 其中ld是一个有界的常数；kT的选取是在kT＞0时满足kT≥Tld；

4.4通过式(2)，式(9)，式(11)-(14)以及式(16)，全阶滑模面被写成如下等式：s＝d(q,t)+un (17)

4.5将式(14)代入式(13)中得到：t0为初始时刻值，un(t)表示t时刻的un值，un(t0)表示t0时刻的un值；

在un(0)＝0的情况下，得到如下等式：kT≥Tld≥T|un(t)|max≥T|un(t)| (19)

4.6设计李雅普诺夫函数：

对式(9)进行求导得：

将式(13)代入式(21)中得到：对式(20)进行微分得到：

将式(19)代入式(23)中，如果 则判定系统是稳定的。

说明书

一种机械臂伺服系统的神经网络全阶滑模控制方法

技术领域

[0001] 本发明涉及一种机械臂伺服系统的神经网络全阶滑模控制方法，特别是带有动态执行机构以及系统未知动态参数的机械臂伺服系统控制方法。

背景技术

[0002] 机械臂伺服系统作为一种高度自动化设备，在机器人、航空飞行器等高性能系统中得到了广泛的应用，如何实现机械臂伺服系统的快速精确控制已经成为了一个热点问题。然而，未知动态参数以及外部干扰广泛存在于机械臂伺服系统中，往往会导致控制系统的效率降低甚至是失效。针对机械臂伺服系统的控制问题，存在很多控制方法，例如PID控制，自适应控制，滑模控制等。

[0003] 滑模控制在解决系统不确定性和外部扰动方面被认为是一个有效的鲁棒控制方法。滑模控制方法具有算法简单、响应速度快、对外界噪声干扰和参数摄动鲁棒性强等优点。因此，滑模控制方法被广泛应用于各个领域。对比传统线性滑模控制,终端滑模控制的优越性在于他的有限时间收。然而，终端滑模控制在本质上的不连续开关特性将会引起系统的抖振，成为了终端滑模控制在实际系统中应用的障碍。为了解决这一问题，许多改进的方法相继被提出，例如高阶滑模控制方法，观测器控制方法。在这些方法中，滑模面的选取都是根据理想系统参数降阶而得到的。最近，一种全阶滑模控制方法被提出，这种方法在系统的响应中很好的避免了抖振问题并且使系统输入信号更加平滑。

[0004] 然而，在上述提出的大部分方法中，机械系统的动态模型参数都必须提前已知。因此，当系统存在不确定因素时，上述提出的方法不能直接应用于对机械臂的控制。众所周知，由于神经网络在一个紧集的任意精度中逼近任何光滑函数的能力，因此它已被广泛应用于处理系统未知性以及非线性问题。基于上述原因，许多自适应神经网络控制方法被用来控制高度非线性的机械臂系统。

发明内容

[0005] 为了克服现有的机械臂伺服系统存在的未知非线性问题以及滑模控制抖振问题的不足，本发明提供一种含有动态执行机构的机械臂伺服系统神经网络全阶滑模控制方法，消除了系统的抖振问题以及奇异问题，保证系统快速稳定收敛。

[0006] 为了解决上述技术问题提出的技术方案如下：

[0007] 一种机械臂伺服系统神经网络全阶滑模控制方法，包括以下步骤：

[0008] 步骤1，建立机械臂伺服系统的动态模型，初始化系统状态、采样时间以及控制参数，过程如下：

[0009] 1.1机械臂伺服系统的动态模型表达形式为：

[0010]

[0011] 其中，q，和 分别为机械臂关节的位置，速度和加速度，M(q)， 以及D分别表示每个关节的对称正定惯性矩阵，离心科里奥利矩阵以及阻尼摩擦系数的对角正定矩阵；G(q)代表重力项；τ代表了关节的转矩输入矢量；

[0012] 1.2当考虑动态执行机构时，将式(1)重新表示为：

[0013]

[0014] 其中，是一个电枢电压输入的矢量； 代表电
磁转矩矢量，其中，Jm和Dm分别表示惯性对角矩阵和扭转阻尼系数；Kτ＝diag(Kτ1,Kτ2,…,Kτn)则是对角矩阵的转矩常数；qm代表的是电机角位置矢量；τL代表的是电机负载转矩的矢量； 表示n关节变速器齿轮的对角矩阵；

[0015] 1.3由于存在测量噪声，负荷变化以及外部干扰的影响，式(2)中的系统参数并不能精确的获得；那么，又将实际的系统参数改写为：

[0016]

[0017]

[0018]

[0019]

[0020] 其中，估计值 以及 代表已知部分；ΔMH(q)，ΔDH以及ΔGH(q)代表系统未知项；

[0021] 步骤2，基于带有未知参数的机械臂伺服系统，设计所需的神经网络，过程如下：

[0022] 定义θ*为理想权重系数矩阵，那么非线性不确定函数f被逼近为：

[0023] f＝θ*Tφ(x)+ε     (4)

[0024] 其中， 代表输入矢量；φ(x)＝[φ1(x),φ2(x),…φm(x)]T是神经网络的基函数；ε代表神经网络的逼近误差且满足||ε||≤εN，εN则是一个正的常数；φi(x)被取为以下高斯函数：

[0025]

[0026] 其中，ci代表高斯函数的核参数；σi则表示了高斯函数的宽度；

[0027] 步骤3，计算控制系统跟踪误差，设计全阶滑模面，过程如下：

[0028] 3.1定义系统跟踪误差为：

[0029] e＝qd-q       (6)

[0030] 其中，qd为二阶可导期望轨迹；那么式(6)的一阶微分和二阶微分被表示为如下形式：

[0031]

[0032]

[0033] 3.2那么全阶滑模面将定义为：

[0034]

[0035] 其中，c1和c2是一个正的常数，它的选择是保证多项式p2+c2p+c的全部特征根在复平面的左半部分以保证系统稳定；α1和α2的选取则是通过以下多项式：

[0036]

[0037] 其中，αn+1＝1，αn＝α，α∈(1-ε,1)以及ε∈(0,1)；

[0038] 步骤4，基于含有动态执行机构的机械臂系统，根据全阶滑模以及神经网络理论，设计神经网络全阶滑模控制器，过程如下：

[0039] 4.1考虑式(2),神经网络全阶滑模控制器被设计为：

[0040]

[0041]

[0042]

[0043] v＝-(kd+kT+η)sgn(s)        (14)

[0044] 其中，ci和αi是常数，i＝1,2，已在式(9)中被定义；kd，kT和η都是常数；

[0045] 4.2设计神经网络权重系数矩阵的调节规律：

[0046]

[0047] 其中，Γ是一个正定的对角矩阵；

[0048] 4.3将式(11)带入式(2)中得到如下等式：

[0049]

[0050] 其中， 代表神经网络的权重估计误差； 代表系统扰动项，并且是有界的，那么假定d(q,t)≤ld并且 其中ld是一个有界的常数；KT的选取是在K＞0时满足kT≥Tld；

[0051] 4.4通过式(2)，式(9)，式(11)-(14)以及式(16)，全阶滑模面被写成如下等式：

[0052] s＝d(q,t)+un      (17)

[0053] 4.5将式(14)带入式(13)中得到：

[0054]

[0055] 在un(0)＝0的情况下，得到如下等式：

[0056] kT≥Tld≥T|un(t)|max≥T|un(t)|      (19)

[0057] 4.6设计李雅普诺夫函数：

[0058]

[0059] 对式(9)进行求导得：

[0060]

[0061] 将式(13)带入式(21)中得到：

[0062]

[0063] 对式(20)进行微分得到：

[0064]

[0065] 将式(19)带入式(23)中，如果 则判定系统是稳定的。

[0066] 本发明基于未知非线性因素，全阶滑模和神经网络，设计机械臂伺服系统的神经网络全阶滑模控制方法，实现系统稳定控制，消除滑模控制的抖振，保证系统快速稳定收敛。

[0067] 本发明的技术构思为：针对含有动态执行机构的机械臂伺服系统，利用全阶滑模控制方法，再结合神经网络，设计一种机械臂伺服系统神经网络全阶滑模控制方法。全阶滑模面的设计是为了保证系统的快速稳定收敛，并且通过在实际的控制系中避免出现微分项来消除抖振以及奇异问题。另外，神经网络是用来逼近系统的未知非线性以及内外部扰动的不确定性。本发明提供一种能够消除滑模面的抖振问题以及奇异问题，并且能有效补偿系统未知动态参数以及内外部扰动的控制方法，实现系统的快速稳定控制。

[0068] 本发明的优点为：消除抖振，补偿系统未动态参数以及内外部不确定扰动项，实现快速稳定收敛。

附图说明

[0069] 图1为本发明k＝10时的位置跟踪效果示意图，其中，(a)表示关节1，(b)表示关节2。

[0070] 图2为本发明k＝10时的位置跟踪误差示意图，其中，(a)表示关节1，(b)表示关节2。

[0071] 图3为本发明k＝10时的速度跟踪示意图，其中，(a)表示关节1，(b)表示关节2。

[0072] 图4为本发明k＝10时的控制器输入示意图，其中，(a)表示关节1，(b)表示关节2。

[0073] 图5为本发明k＝40时的位置跟踪效果示意图，其中，(a)表示关节1，(b)表示关节2。

[0074] 图6为本发明k＝40时的位置跟踪误差示意图，其中，(a)表示关节1，(b)表示关节2。

[0075] 图7为本发明k＝40时的速度跟踪示意图，其中，(a)表示关节1，(b)表示关节2。

[0076] 图8为本发明k＝40时的控制器输入示意图，其中，(a)表示关节1，(b)表示关节2。

[0077] 图9为本发明的控制流程示意图。

具体实施方式

[0078] 下面结合附图对本发明做进一步说明。

[0079] 参照图1-图9，一种机械臂伺服系统的神经网络全阶滑模控制方法，包括以下步骤：

[0080] 步骤1，建立机械臂伺服系统的动态模型，初始化系统状态、采样时间以及控制参数，过程如下：

[0081] 1.1机械臂伺服系统的动态模型表达形式为：

[0082]

[0083] 其中q，和 分别为机械臂关节的位置，速度和加速度，M(q)， 以及D分别表示每个关节的对称正定惯性矩阵，离心科里奥利矩阵以及阻尼摩擦系数的对角正定矩阵；G(q)代表重力项；τ代表了关节的转矩输入矢量；

[0084] 1.2当考虑动态执行机构时，将式(1)重新表示为：

[0085]

[0086] 其中，是一个电枢电压输入的矢量； 代表电
磁转矩矢量，其中，Jm和Dm分别表示惯性对角矩阵和扭转阻尼系数；Kτ＝diag(Kτ1,Kτ2,…,Kτn)则是对角矩阵的转矩常数；qm代表的是电机角位置矢量；τL代表的是电机负载转矩的矢量； 表示n关节变速器齿轮的对角矩阵；

[0087] 1.3由于存在测量噪声，负荷变化以及外部干扰的影响，式(2)中的系统参数并不能精确的获得；那么，又将实际的系统参数改写为：

[0088]

[0089]

[0090]

[0091]

[0092] 其中，估计值 以及 代表已知部分；ΔMH(q)，ΔDH以及ΔGH(q)代表系统未知项；

[0093] 步骤2，基于带有未知参数的机械臂伺服系统，设计所需的神经网络，过程如下：

[0094] 2.1定义θ*为理想权重系数矩阵，那么非线性不确定函数f被逼近为：

[0095] f＝θ*Tφ(x)+ε      (4)

[0096] 其中， 代表输入矢量；φ(x)＝[φ1(x),φ2(x),…φm(x)]T是神经网络的基函数；ε代表神经网络的逼近误差且满足||ε||≤εN，εN则是一个正的常数；φi(x)通常被取为以下高斯函数：

[0097]

[0098] 其中，ci代表高斯函数的核参数；σi则表示了高斯函数的宽度；

[0099] 步骤3，计算控制系统跟踪误差，设计全阶滑模面；

[0100] 3.1定义系统跟踪误差为：

[0101] e＝qd-q     (6)

[0102] 其中，qd为二阶可导期望轨迹；那么式(6)的一阶微分和二阶微分被表示为如下形式：

[0103]

[0104]

[0105] 3.2那么全阶滑模面将定义为：

[0106]

[0107] 其中，c1和c2是一个正的常数，它的选择是保证多项式p2+c2p+c的全部特征根在复平面的左半部分以保证系统稳定；α1和α2的选取则是通过以下多项式：

[0108]

[0109] 其中，αn+1＝1，αn＝α，α∈(1-ε,1)以及ε∈(0,1)；

[0110] 步骤4，基于含有动态执行机构的机械臂伺服系统，根据全阶滑模以及神经网络理论，设计神经网络全阶滑模控制器，过程如下：

[0111] 4.1考虑式(2),神经网络全阶滑模控制器被设计为：

[0112]

[0113]

[0114]

[0115] v＝-(kd+kT+η)sgn(s)      (14)

[0116] 其中，ci和αi(i＝1,2)是常数，已在式(9)中被定义；kd，kT和η都是常数，并且将在之后给予说明；

[0117] 4.2设计神经网络权重系数矩阵的调节规律：

[0118]

[0119] 其中，Γ是一个正定的对角矩阵；

[0120] 4.3将式(11)带入式(2)中得到如下等式：

[0121]

[0122] 其中， 代表神经网络的权重估计误差； 代表系统扰动项，并且是有界的，那么我们假定d(q,t)≤ld并且 其中ld是一个有界的常
数；KT的选取是在K＞0时满足kT≥Tld；

[0123] 4.4通过式(2)，式(9)，式(11)-(14)以及式(16)，全阶滑模面被写成如下等式：

[0124] s＝d(q,t)+un       (17)

[0125] 4.5将式(14)带入式(13)中得到：

[0126]

[0127] 在un(0)＝0的情况下，得到如下等式：

[0128] kT≥Tld≥T|un(t)|max≥T|un(t)|      (19)

[0129] 4.6设计李雅普诺夫函数：

[0130]

[0131] 对式(9)进行求导得：

[0132]

[0133] 将式(13)带入式(21)中得到：

[0134]

[0135] 对式(20)进行微分得到：

[0136]

[0137] 将式(19)带入式(23)中，如果 则判定系统是稳定的。

[0138] 为了得到式(2)中的相应系统参数值，我们给出如下两个关节的机械臂伺服系统表达式：

[0139]

[0140] 其中， a12＝m2r2+m2r1r2cos(q2)，b12＝m2r1r2sin(q2)，c1＝(m1+m2)r1cos(q2)+m2r2cos(q1+q2)，c2＝m2r2cos(q1+q2)，

[0141] 为验证所提方法的有效性，本发明给出了神经网络有限时间控制(Neural network-based finite  time control,NNFTC)方法和神经网络全阶滑模控制(Chattering-free neural sliding mode control,CFNSMC)方法的对比：

[0142] 为了更有效的进行对比，系统所有参数都是一致的，即：q1(0)＝0.5，q2(0)＝0.5，Jm＝diag(0.67×10-4,0.42×10-4)，Dm＝diag(0.21,0.15)，N＝diag(9,1)，并且给定系统扰动为： 系统控制信号参数为：Kτ＝diag(19/40,19/80)，Γ＝diag(50,50)，α1＝13/27，α2＝13/27，c1＝100，c2＝40，T＝1；机械臂实际参数为：r1＝0.2，r2＝0.18，m1＝2.3，m2＝0.6，J1＝0.02，J2＝0.003，g＝9.8。此外，我们令k＝kd+kT+η，并且分别在两种不同k值情况下对两种控制方法进行对比。

[0143] 情况一：k＝10

[0144] 由于我们跟踪的机械臂系统是两个关节，所以我们跟踪qd1＝sin(2πt)以及qd2＝sin(2πt)。从图1和图2我们看出，CFNSMC方法和NNFTC方法在跟踪关节一时拥有近似的跟踪效果；然而CFNSMC方法比NNFTC方法拥有更好的跟踪效果当跟踪关节2。从图3跟踪速度示意图中能明显看出，CFNSMC方法的跟踪速度曲线比NNFTC方法得到的曲线更加平滑。此外在图4中，NNFTC方法有明显的抖振现象，然而CFNSMC方法则消除了这一抖振现象。

[0145] 情况二：k＝40

[0146] 从图5和图6中，我们看出NNFTC方法甚至比CFNSMC方法拥有更好的跟踪效果在跟踪关节1时；然而，在跟踪关节2时，却不如CFNSMC方法。除此之外，从图6和图7中我们得到，在控制输入信号以及跟踪速度曲线上，CFNSMC方法比NNFTC方法都要平滑许多。并且，对比图1和图5，我们很明显看出在面对不同的增益k上，CFNSMC方法比NNFTC方法拥有更强的鲁棒性。

[0147] 综上所述，对比NNFTC方法，CFNSMC方法对不同的控制增益k更不敏感，即拥有更强鲁棒性；并且在控制信号以及速度跟踪信号上拥有更好的消除抖振的能力。

[0148] 以上阐述的是本发明给出的一个实施例表现出的优良优化效果，显然本发明不只是限于上述实施例，在不偏离本发明基本精神及不超出本发明实质内容所涉及范围的前提下对其可作种种变形加以实施。