工业控制 | 能源技术 | 汽车电子 | 通信网络 | 安防监控 | 智能电网 | 移动手持 | 无线技术 | 家用电器 | 数字广播 | 消费电子 | 应用软件 | 其他方案

电路设计->控制电路图->其他控制电路图->冗余度TT-VGT机器人的神经网络自适应控制

冗余度TT-VGT机器人的神经网络自适应控制

作者:卤煮火烧 时间:2009-09-04 收藏

  摘要:提出了采用神经网络进行模型参考自适应控制(MRAC)的方案,建立了自适应控制的状态模型,并推导出相应的自适应算法;最后对冗余度TT-VGT机器人自适应控制进行了仿真。

  关键词:冗余度 TT-VGT机器人 神经网络 模型参考自适应控制

  TT-VGT(Tetrahedron-Tetrahedron-Variable Geometry Truss)机器人是由多个四面体组成的变几何桁架机器人,图1所示为由N个四面体单元组成的冗余度TT-VGT机器人操作手,平面ABC为机器人的基础平台,基本单元中各杆之间由较铰连接,通过可伸缩构件li(i=1,2,…,n)的长度变化改变机构的构形。图2所示为其中的两个单元的TT-VGT机构,设平面ABC和平面BCD的夹角用中间变量qi(i=1,2,…,n)表示,qi与li(I=1,2,…,n)的关系如下[2]:

  

 

  式中,d表示TT-VGT中不可伸缩构件的长度,

  li表示机器人可伸缩构件的长度。

  

 

  TT-VGT机器人关节驱动力F与力矩τ的关系为:

  F=Bττ (2)

  式中,Bτ为对角矩阵,对角元素Bτi为:

  

 

  1 状态模型

  机器人的自适应控制是与机器人的动力学密切相关的。机器人的动力学方程的一般形式可如下表示(不考虑外力的作用):

  τ=D(q)q+C(q,q)q+G(q)q (4)

  式中,D(q)∈R n×n为广义质量矩阵(惯性矩阵),

  C(q,q)∈Rn×(n×n)为向心力及哥氏力作用的矩阵,

  G(q)∈R n为重力矩阵,

  τ∈R n表示机器人的驱动力矩。

  对于TT-VGT机器人,用杆件变量li,ii,Li(i=1,2…,n)代替中间变量qi,qi,qi(i=1,2…,n)(见式(1)),则试(4)可表示为:

  F=D(l)l+C(l,i)i+G(l)l (5)

  式中,F∈Rn表示机器人的驱动力。

  

 

  可把式(5)表示为下列状态方程:

  x=A(x,t)x+B(x,t)F (7)

  式中,

  

 

  上述机器人动力学模型就是机器人自适应控制器的调节对象。

  考虑到传动装置的动力学控制系统模型如下式所示:

  

 

  式中,u、l——传动装置的输入电压和位移矢量,

  Ma、Ja、Ba——传动装置的驱动力矩比例系数、转动惯量和阻尼系数(对角矩阵)。

  联立求解式(5)和式(9),并定义:

  

 

  可求得机器人传动系统的时变非线性状态模型如下:

  

 

  

 

  2 Lyapunov模式参考自适应控制器设计

  定理 设系统的运动方程为:

  e=Ae+Bφr (13)

  φ=-RB T Per (14)

  式中,e为n维向量,r为l维向量,A、B、φ分别为(n×n)、(n×m)、(m×l)维满秩矩阵,R与P分别为(m×m)、(n×n)维正定对称矩阵。

  假若矩阵P满足Lyapunov方程:

  PA+A TP=-Q (15)

  式中,Q为(n×n)维正定对称矩阵。

  同该系统的平衡点e,φ是稳定的。

  如果向量r又是由l个或更多不同频率的分量所组成,那么该平衡点还是渐近稳定的。其证明可参看文献[4]。选择如下的稳定的线性定常系统为参考模型:

  y=Amx+Bmr (16)

  式中,y——参考模型状态矢量:

  

 

  式中,∧1——含有ωi项的(n×n)对角矩阵,

  ∧2——含有2ξωi项的n×n对角矩阵。

  

 

  式(18)表示n个含有指定参数ξ和ωi的去耦二除微分方程式:

  yi+2ξiωiyi+ωi2yi=ωi2r (19)

  令控制器输入为:u=Kxx+Kur (20)

  式中,Kx、Ku——可调反馈矩阵和前馈矩阵。

  根据式(20)可得式(11)的闭环系统状态模型为:

  x=As(x,t)x+Bs(x,t)u (21)

  式中,As(x,t)=Ap(x,t)+Bp(x,t)Kx,Bs(x,t)=Bp(x,t)Ku (22)

  将式(12)代入式(22),可得:

  

 

  适当地设计Kxi、Ku,能够使式(11)所示系统与式(16)所代表的参考模型完全匹配。

  定义状态误差矢量为:

  e=y-x (24)

  则e=Ame+(Am-As)x+(Bm-Bs)r (25)

  控制目标是为Kx和Ku找出一种调整算法,使得状态误差趋近于零,即:

 

  对脚式(13)与式(14),选取正定Lyapunov函数V为:

  

 

  式中,P——正定矩阵,

  FA和FB——正定自适应增益矩阵。

  对上式微分,得

  

 

  根据Lyapunov稳定性理论,保证满足式(24)为稳定的充要条件是V为负定,由此可求得:

  

 

  将式(22)求导并与式(30)联立求解,同时考虑到控制器稳定时式(11)所示系统与式(16)所代表的参考模型完全匹配,可得

  

 

  由此已得到控制器的自适应控制律。

 

  3 TT-VGT机器人的神经网络自适应控制

  本文采用直接MRAC(模型参考自适应控制)神经网络控制器对TT-VGT机器人进行控制。在图3中,NNC(神经网络控制器)力图维持机器人输出与参考模型输出之差e(t)=l(t)-lm(t) →。即通过误差反传,并采用上节的自适应算法,调节NNC,使得其输出控制机器人运动到误差e(t)为0。

  神经网络模型如图4所示。

  4 实例分析

  以四得四面体为例,如图5所示建立基础坐标系,末端参考点H位于末端平台EFG的中点。设参考点H在基础坐标系中,从点(0.8640,-0.6265,0.5005)直线运动到点(1.8725,0.5078,0.7981),只实现空间的位置,不实现姿态。运动的整个时间T设定5秒,

运动轨迹分为等时间间隔的100个区间。不失一般性要求,末端在轨迹的前40个区间匀加速度运动(a=0.2578),中间20个工间匀速度运动,最后40个区间匀减速度运动(a=-0.2578),开始和结束时的末端速度为。设各定长构件长度为1m,机构中各杆质量为1kg,并将质量向四面体各顶点对称简化。

 

  传动装置的参数如下:

  Ma=4.0×10e -3kg·m/V;Ba=0.01N·m/(rad·s -1);

  近似认为各关节电动机轴上的总转动惯量在运动过程中保持不变,其值分别为:

  J1=0.734kg·m2;J2=0.715kg·m2;

  J3=0.537kg·m2;J4=0.338kg·m2

  末端位置误差曲线如图6所示。从误差曲线可看出,

采用神经网络自适应控制的机器人位置控制精度较高,稳定性较好。

 

  本文提出采用直接MRAC神经网络自适应器对机器人进行轨迹控制的方案;建立机器人状态模型,推导出自适应控制算法,并对冗余度TT-VGT机器人轨迹控制进行了仿真。结果表明,该方案控制误差较小,稳定性较好。



评论

技术专区