学习复合滑模控制Flexible-Link操纵者

文摘

本文研究flexible-link机械手的控制与不确定性。快和慢动力学推导基于奇异摄动(SP)理论。提出了滑模控制,而自适应设计开发使用神经网络(NNs)和扰动观测器(捐赠)小说更新法律NN和强加于人的设计。通过李雅普诺夫分析闭环系统稳定性保证。验证了该方法的有效性通过仿真试验。

1。介绍

柔性臂的重量轻的特点,快速运动,能耗低。因此柔性臂可用于许多应用程序(1]。由于灵活性,机械手的反应显示了振荡而很难获得高跟踪精度。这是两个主要挑战在柔性机械手的控制(2]。因此,许多作品旨在控制柔性臂(3- - - - - -7]。

在文献中,处理动态转换,输出重定义和SP方法可以使用。在[3),为了避免非最小相位系统的困难,系统转换的输出是重新定义。在[8,9),当美国给出的基于观察者的设计是不可用。在[10,11构造),得到近似整个系统的不确定性。奇摄动模型(12)提出了获得快动力学和慢动力学。可以找到一些其他的工作在13,14]。

如前所述(1),达到较高的跟踪精度,基于输出重定义或SP法,高效学习的系统不确定性和扰动应该是关键因素。对系统的不确定性,模糊逻辑系统(FLS) / NNs可以使用。在文献中,存在许多智能控制,采用智能系统近似的结果,然后构造控制器(15- - - - - -21]。人们的一个担忧是FLS的还是神经网络成功地实现近似的任务。验证有效性,应检查近似误差。然而,通常是不可能直接推导出信号。在[1),输出重定义,综合学习(22)提出了串并联估计模型。结果表明,获得的预测误差可以高度增强学习系统的更新。

而不确定性普遍存在,干扰可能会恶化系统的跟踪性能。稳健设计的上界,滑模控制进行了研究。然而,通过这种方式,它带来的能源消耗。人们的一个担忧是发展高效学习干扰的趋势。基本的想法是,如果扰动观测器与系统动力学相比足够快那么一个伟大的某些可以跟随趋势的干扰。一些结果可以被称为(23,24]。在[25),尝试使用复合学习神经网络和罗伯特是发达flexible-link操纵者。

它指出,在25),使用逐步退焊法方案设计。为了方便设计过程,借贷的想法综合学习,复合滑模控制的自由度flexible-link操纵者将提议。

论文的其余部分安排如下。部分2介绍了SP方法flexible-link机械手动力学和转换。慢子系统和快速的控制子系统在部分3和4,分别。仿真部分所示5而部分中讨论的结论是6。

2。动力学模型

的模型自由度flexible-link操纵者如下: 的物理意义在哪里, , ,,,,,可以发现在25]。

与模态的顺序的向量 和 被定义为 和 ,在那里表示th和关节角变量是th链接th模态变量。

让 和表示 和 作为和。然后动力学可以写成 定义控制输入 在哪里和是慢子系统的控制输入和快子系统,分别。

假设 ,定义 , , 。慢子系统可以获得 在哪里 , , , , , 。

备注1 (的名义价值吗)。定义 , , 。快速动态写成 并获得以下表达式: 在哪里 , , 。

备注2。在[SP方法12,26),快速动力学(5)和慢动力学(4得到了)。获得的细节(4)和(6)中可以找到25]。

3所示。综合学习慢子系统的滑模控制

往后退的设计是用于控制器设计(25),在分析它将引入误差信号的每一个步骤。本文将滑模控制提出了综合学习设计。

定义 和 ,在那里和是所需的关节角轨迹。

定义滑动面 在哪里是正矩阵。

定义 和 ,在那里是一个积极的设计不变。以下近似存在: 在哪里 是权重矩阵,是隐藏节点的数量,和是神经网络基向量。

的导数是计算 在哪里 和是最优权重矩阵的函数近似。

定义的预测误差 在哪里 设计常数和吗自适应信号构造成吗 与 和 作为设计参数。

定义 , 在哪里的估计是和的估计是。然后我们有

最后提出了为 在哪里 和 是正定对称矩阵。

神经网络更新法提出了 在哪里 和 是设计常数。

获得的误差动力学 和的导数获得的是

定理3。控制器(13),神经网络更新法(14)和非线性捐助设计(11),那么所有的信号(. 1)是有界的。

为证明见附件。

4所示。快速滑模控制子系统

控制输入快子系统的设计为(25] 在哪里是正定矩阵。

提出了控制输入

5。仿真例子

验证该方法的有效性,仿真的二自由度flexible-link操纵者。参数选择是选为一样的25]。给定的参考信号 的方法在本文中被标记为“CL-SMC”这意味着学习复合滑模控制而设计使用跟踪误差来更新神经网络表示为“NN-SMC。”

控制参数设置 , , , , , , , , , , , , , 。系统跟踪链接1和链接2所示的数据1和2,分别。可以看出在“CL-SMC”,可以获得更高的跟踪精度。也稳定误差很小的“CL-SMC”而“NN-SMC”误差很大,喋喋不休。从数据3和4,综合学习可以密切关注“NN-SMC”下的复合不确定性而神经网络不能完成任务。它证实了使用复合学习基本原理。神经网络权值的反应、控制输入和滑模面数据所示5,6,7,分别。信号融合的小社区为零。

6。结论

考虑到flexible-link操纵者,本文提出了滑模控制与神经网络和罗伯特复合估计。学习复合控制方案可以大大提高跟踪性能。仿真结果证实了设计理念,综合学习可以有效地完成评估任务。

附录

证明。选为李亚普诺夫候选 在哪里 , , , 。
使用(15),(17),(18)和(16)的衍生品, 可以获得的 的导数是计算 以下不平等存在: 在哪里 和和是积极的标量。
然后我们有 通过选择合适的参数,,为了满足 , ,在那里 得出 在哪里 , 。
然后 认为当 , 和信号中包括(. 1)是有界的。

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(61622308)、航空科学基金(2015 za53003),陕西省自然科学基础研究计划(2016 kjxx - 86)。

引用

1. 徐和y元,“两个性能增强flexible-link机械手控制系统的不确定性和干扰,”中国科学信息科学,60卷,不。5,2017。视图:出版商的网站|谷歌学术搜索
2. m . Bodur和m . e .经济特区”,自适应控制灵活的多链路的操纵者,”国际期刊的控制,卷。58岁的没有。3、519 - 536年,1993页。视图:出版商的网站|谷歌学术搜索|MathSciNet
3. m . Moallem k Khorasani, r . v . Patel“反演方法滑动控制flexible-link操纵者,”国际期刊的控制,卷71,不。3、477 - 490年,1998页。视图:出版商的网站|谷歌学术搜索|MathSciNet
4. 乌尔里希,j . z Sasiadek, Barkana,“非线性自适应输出反馈控制的柔性接头空间机械手关节刚度的不确定性,”杂志的指导、控制和动力学,37卷,不。6,1961 - 1975年,2014页。视图:出版商的网站|谷歌学术搜索
5. 乌尔里希,j . z Sasiadek, Barkana,“建模和挠性接头操纵者的直接自适应控制,”杂志的指导、控制和动力学,35卷,不。1、25 - 39页。2012。视图:出版商的网站|谷歌学术搜索
6. f . m . Caswara和h Unbehauen”neurofuzzy flexible-link机械手的控制方法,”IEEE机器人和自动化,18卷,不。6,932 - 944年,2002页。视图:出版商的网站|谷歌学术搜索
7. z刘,刘j . w .他“柔性机械手的自适应边界控制输入饱和,”国际期刊的控制,卷89,不。6,1191 - 1202年,2016页。视图:出版商的网站|谷歌学术搜索|MathSciNet
8. m . Moallem r . v . Patel, k . Khorasani“非线性tip-position flexible-link操纵者的跟踪控制:理论和实验,”自动化,37卷,不。11日,第1834 - 1825页,2001年。视图:出版商的网站|谷歌学术搜索
9. j·德勒\ ' on-Morales, j·g . Alvarez-Leal r . Castro-Linares和j . Alvarez-Gallegos“灵活的关节机器人机械手的控制通过一个非线性control-observer计划,”国际期刊的控制,卷74,不。3、290 - 302年,2001页。视图:出版商的网站|谷歌学术搜索|MathSciNet
10. Y.-G。唐,F.-C。太阳,Z.-Q。太阳,T.-L。胡”,提示flexible-link机械手的位置控制神经网络,”国际期刊的控制、自动化和系统,4卷,不。3、308 - 317年,2006页。视图:谷歌学术搜索
11. z f . y . Tang太阳,太阳,“使用滑模神经网络控制flexible-link操纵者,”Neurocomputing,卷70,不。1 - 3、288 - 295年,2006页。视图:出版商的网站|谷歌学术搜索
12. b .西西里岛舞蹈和w·j .书”的奇异摄动方法轻质柔性臂的控制,”国际机器人研究杂志》上,7卷,不。4、79 - 90年,1988页。视图:出版商的网站|谷歌学术搜索
13. m . j . Yazdanpanah k Khorasani, r . v . Patel”不确定性flexible-link操纵者使用非线性h控制,补偿”国际期刊的控制,卷69,不。6,753 - 771年,1998页。视图:出版商的网站|谷歌学术搜索|MathSciNet
14. m·萨利希和g . Vossoughi阻抗控制灵活的基地移动机械手使用奇异摄动方法和滑模控制律,“国际期刊的控制、自动化和系统》第六卷,没有。5,677 - 688年,2008页。视图:谷歌学术搜索
15. y . c .杨k黄h Cheng Li和c . y .苏“触觉elm-controlled确定机械手,鉴定”IEEE系统男人&控制论:系统。视图:谷歌学术搜索
16. 罗,t·黄H.-N。吴、杨x“数据驱动的H_∞非线性分布参数系统控制,”IEEE神经网络和学习系统,26卷,不。11日,第2961 - 2949页,2015年。视图:出版商的网站|谷歌学术搜索|MathSciNet
17. b .徐张平,“Minimal-learning-parameter技术基于MEMS陀螺仪自适应神经滑模控制,”复杂性文章ID 6019175 8, 2017页。视图:谷歌学术搜索
18. 江c·杨,y, z, w .他和彭译葶。苏,”神经控制与保证全球稳定和运动精度,用双手的机器人”IEEE工业信息。视图:出版商的网站|谷歌学术搜索
19. w·陈,美国华和h .张“一致同意的分布式合作学习从闭环神经控制系统”IEEE神经网络和学习系统,26卷,不。2、331 - 345年,2015页。视图:出版商的网站|谷歌学术搜索|MathSciNet
20. f .太阳,l . Li H.-X。李,h·刘,“去噪dynamic-inversion-based机器人机械手的自适应控制——离散时间情况下,“IEEE工业电子产品,54卷,不。3、1342 - 1351年,2007页。视图:出版商的网站|谷歌学术搜索
21. F.-C。太阳,H.-X。李,l·李”机器人离散自适应控制基于动态反演利用动态神经网络,”自动化,38卷,不。11日,第1983 - 1977页,2002年。视图:出版商的网站|谷歌学术搜索|MathSciNet
22. 徐,z史、c·杨和f .太阳,“复合神经动态面控制的一类不确定非线性系统strict-feedback形式,“IEEE控制论,44卷,不。12日,第2634 - 2626页,2014年。视图:出版商的网站|谷歌学术搜索
23. 许,“干扰observer-based动态面控制的运输机连续的货物空投,”IEEE系统,人,和控制论:系统卷,47号1,第170 - 161页,2016。视图:出版商的网站|谷歌学术搜索
24. 许,“综合学习限定时间控制应用程序来表演,”IEEE系统,人,和控制论:系统。视图:出版商的网站|谷歌学术搜索
25. 徐,“综合学习控制flexible-link机械手使用神经网络和强加于人,“IEEE系统,人,和控制论:系统。视图:出版商的网站|谷歌学术搜索
26. 埃切瓦利亚诉,a . Sanz Lizarraga,”一个轻量级的柔性机械臂的控制使用滑动模式,”国际先进的机器人系统杂志》上,卷2,不。2、103 - 110年,2005页。视图:谷歌学术搜索

版权

版权©2017本徐和Pengchao张。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。