文摘
本文的建模和控制类的串行变刚度致动器(SVSAs)基于级别机器人应用程序的机制。一个多输入多输出复杂非线性动态模型推导出完全描述SVSAs并相应地确定模型的相对程度。由于非线性、高耦合,SVSAs和参数不确定性,神经网络自适应控制策略提出了基于反馈线性化处理系统的不确定性。建议的方法的可行性SVSAs位置和刚度跟踪的仿真结果验证了。
1。介绍
变刚度致动器(vsa),可以增加物理安全人机交互的动态需求,满足机器人在未知的环境中,开发了新一代的机器人1- - - - - -11]。vsa机械刚度调整方面存在优势,能源存储,力传感功能(3]。根据设计配置,有两种典型的机械安排问题:一个是敌对的配置通过非线性弹簧与一双致动器耦合(10],另一种是串行配置与两个独立的汽车,一个主电机驱动关节的位置通过一个兼容的传播,和第二个汽车调整刚度(11]。
Antagonistic-type vsa开车需要两个单位改变刚度和位置同步,导致高能源消耗和复杂的控制设计。串行类型问题(SVSAs)没有这个要求,获得了更多的关注。最近,新类型的SVSAs开发基于水平臂机制,由机械刚度的移动水平分之一:一个转折点,一个弹簧位于点,或一个力(12- - - - - -14]。因此,SVSAs并不显著影响耦合载荷和刚度之间的传导机制。它也带来了更高的能源效率在卸载条件下(15]。基于可变比例杠杆原理通过改变主位置,小说紧凑与阿基米德螺旋旋转SVSA迁移机制(ASRM)开发获得机械结构紧凑,刚度可调范围大,和更好的力量传输能力(15]。在这个创新设计,美国应用于阿基米德螺线凸轮的旋转转移到主的线性运动,和一个弹性力与弹簧轴垂直的传导机制,提出了输出链接实现大偏转角和高储能能力。
问题是多输入multioutput (MIMO),高度耦合和复杂的非线性系统,包括结构化和非结构化的不确定性(16]。问题的刚度变化带来物理修改,要求控制系统快速交通在不同的操作条件。此外,之间的耦合刚度和定位机制和系统维数的增加使整个控制系统(16]。因此,它是具有挑战性的设计问题在机器人应用程序的控制策略。不同的控制策略提出了问题,其中最简单的一个是PD控制在16]。然而,PD控制的性能高度依赖PD收益由于高非线性的问题。在[17,18),一个经典的非线性控制技术称为反馈线性化问题探讨。然而,反馈线性化建模精度,这样很敏感重大努力在系统建模和参数识别需要实现所需的性能。基于反馈线性化,一些先进的控制方法,如增益调度控制19),主动阻尼控制(20.),同步控制(21),非线性模型预测控制(22),和输出反馈控制(23),综合提高刚度和位置跟踪性能的问题。虽然这些控制方法被证明是有效的问题,他们可能会表现出不受欢迎的表演尤其如果VSA动力学是高度非线性、体验大参数变化由于执行机构刚度的变化和负载条件下(24]。
神经网络(NNs)已被广泛应用于控制复杂的非线性系统,特别是近年来复杂机器人系统(25- - - - - -37]。与传统的自适应控制,神经网络自适应控制(NNAC)有两个突出的有吸引力的功能38]。首先,由于得到的万能逼近特性,在许多实际系统建模的难度可以很大程度上缓解控制问题。其次,由于实际得到的持续兴奋(PE)条件,参数收敛控制导致期间更容易获得一个精确的在线建模和优越的指数跟踪。尽管NNAC承诺问题等复杂的非线性系统,它很少应用于问题除了[39),敌对的问题被认为是在39]。
本文在建模和控制类的SVSAs基于水平的机制。首先,一种复杂的非线性动态模型推导出完全描述SVSAs并相应地确定模型的相对程度;其次,基于反馈线性化,提出了一种直接NNAC策略管理SVSA模型;最后,提供高保真模型验证了该方法的有效性。与其他问题的控制策略相比,该NNAC能处理高SVSAs耦合和参数不确定性。此外,控制位置和刚度跟踪负荷变化条件下是有效的。
2。连续变刚度装置建模
如图1紧凑旋转SVSA由变刚度机制(VSM),主电动机,和一个辅助电机、主马达驱动器的输出链接运动穿过春天的传播,和第二个汽车调整执行机构的刚度通过改变支点的位置与一个走势(15]。
(一)
(b)
(c)
通过考虑重力和外部负载,SVSAs的动态模型表示如下: 在哪里是一个输出链接的位置,与 是一个位置与每个电动机相关联, 是一个弹性传播的偏转角,是一个输出链接的惯性,是一个反映每个电机的惯性,是一个反映阻尼的链接,是一个反映每个运动的阻尼,是一个重力力矩,每个电机的控制输入,是一个外部扭矩,是一个转矩耦合反应,是弹簧的弹性扭矩传输。
整个传输是由弹性扭矩 在哪里是一个弹簧刚度,是一个输出链接的半径,长度是一个杠杆比率。代表传播变形的耦合弹性扭矩,反应在二级电机,给出了 在哪里 切角的阿基米德螺旋齿轮,是一个辅助电机的减速齿轮比,然后呢 是一个联合中心枢轴点的距离。这个SVSA制定的刚度 水平长度比可以用辅助电机的位置如下: 在哪里最初的水平长度比例。
3所示。神经网络控制设计
3.1。问题公式化
SVSAs由动态模型(1)- (5)可以在标准形式 在哪里 系统的状态是一个矢量, 是一个控制输入, 是一个系统输出,
系统的平衡点(6)是 。让 和 是有界的期望输出。定义跟踪错误 和 。
假设1。存在不确定性和由于建模困难和建模错误。
假设2。 存在,是有界的。
本研究的目的是设计NNAC法律没有确切的知识SVSA模型(1),这样跟踪错误和收敛。
3.2。反馈Linearization-Based控制
定义3(标准的谎言导数符号是用于描述(40])。输入相应的学位到输出y的系统(6在平衡)x0是 如果() 对所有 和所有x在一个社区x0和()矩阵 在非奇异的 。
通过简单的计算,输入相对程度的系统(6)是这可以重新安排如下: 因此,存在一个微分同胚映射 转换系统(6) 与 作为一个向量场。
让 和 。定义 与 。然后,一个人 与 , , , 。反馈linearization-based理想给出了控制律 与 作为一个正定对角矩阵控制收益。
3.3。自适应神经网络控制
作为在控制律(14)并不完全知道,一个径向基函数(RBF)神经网络表示为: 应用于近似 ,在哪里 与 是一个神经网络权值矩阵, 是一个向量回归函数,N是神经节点的数量,和 通常选择高斯rbf: 与 和 ,在那里 和 分别是高斯函数的中心和宽度。
让 和 。定义一个最优的神经网络近似误差 一个常数矩阵的最优权重 根据RBF-NNs的万能逼近特性,给出任何小的常数 ,有一个足够大这 (41]。
假设4。存在一个矩阵 与 这样 成立。
现在,实际的控制律设计如下: 和更新的法律是由 在哪里 是一个正定矩阵的学习速度,然后呢是一个投影算符 注意的选择增益矩阵 基于惯性矩阵M的一个粗略的估计, ,和 米的确切值, ,和 在实践中不需要。它遵循标准NNAC结果(41)系统(11)由控制律(19)和(20.)达到实用的渐近稳定的和收敛到零由的小社区和 。
4所示。数值结果
SVSAs在表的一般规范1(15)是用于模拟。的建设提出NNAC遵循下面的步骤:()建立回归函数在(16),选择三个高斯函数的每一个宇宙这样 到729年;()设置过滤错误的参数 在(12);()设置下限 和控制增益 的控制律(19);(学习速率矩阵设置 为适应法律(20.)。
跟踪任务所需的位置 (°)和所需的刚度 (Nm / rad)(频率0.5赫兹)选择显示拟议的SVSAs控制器的跟踪性能,在所需的刚度范围之间的5和105 Nm / rad。进行比较,选择一个PD控制器作为基线控制器,在PD收益合理控制进行优化,尽量减少错误u。
跟踪结果的PD控制和该NNAC中演示了数据2和3分别给出了图和比较系统的错误5,没有负载应用于致动器。结果表明,该控制器实现了位置跟踪精度远高于PD控制类似的控制输入u尽管刚度的变化。位置跟踪精度的PD控制和拟议中的NNAC约0.4547°,7.3490°,分别。刚度跟踪结果还显示了更好的性能提出NNAC PD控制,跟踪精度的刚度降低从1.1200 Nm / rad 0.2857 Nm / rad。此外,图4表明神经网络权重的规范和收敛于一些常量,这意味着一个精确的估计系统的不确定性是实现根据神经网络学习理论(38]。
调查提出的适应性NNAC, 2公斤负载添加到链接t= 15秒。系统错误和控制在30年代描绘在图输入6。结果表明,在15秒的时候,位置误差和刚度误差显著增加然后减少逐渐小值。改编后大约15年代,高位置跟踪精度仍由提出NNAC维护,最大定位误差(0.8744°)甚至比之前还要小添加负荷(0.9265°)。提出的适应性NNAC明显位置错误继续减少小范围尽管未知负载补充道。注意,增加负载不影响刚度跟踪精度。
5。结论
本文已经成功应用控制SVSAs NNAC方法。仿真结果验证该方法的能力应对系统变化,通过展示非凡的表演位置和刚度控制跟踪负载下的变化。在未来的工作中,提出的实用性NNAC将由复合增强学习(42)和观察者设计(43),和实验提出的控制器的有效性将会进行物理SVSA系统。
的利益冲突
作者宣称没有利益冲突。
确认
这项工作得到了国家自然科学基金(号。61703295,51605339,51675385),江苏省自然科学基金(没有。BK20150385)、湖北省自然科学基金(没有。2017 cfb496),中国博士后科学基金会(2016 m592382和2017 t100573号),武汉青年科技(没有黎明的计划。2017050304010304),中央大学(没有基础研究基金。2042016 kf0021)。