文摘
的安全气囊柔性机器人受到外部环境因素在分析过程中,在变形的过程中存在许多不确定性的安全气囊。出于这个原因,一般非线性控制策略不能获得一个精确的数据模型。在本文中,一个灵活的机器人分析MFA(模范自由自适应)模型提出了基于自适应预测动态线性优化。首先,安全气囊的实时厚度是通过使用图像处理边缘检测算法。其次,安全气囊的空气动力学模型是由视觉伺服控制策略。然后,基于建立模范自由自适应控制的非线性控制系统。第三,权重因子用于限制输入量的变化范围,和实际值和预期值的偏差修正的自适应预测机制。最后,完成伺服控制安全气囊。实验结果表明,本文提出的改进的模型解决了超调现象的标准控制模型以更少的控制误差和更高的鲁棒性。
1。介绍
在柔性机器人的分析过程,分析效果会受到外部温度的影响,大气压力,安全气囊织物材料,相互挤压程度(1- - - - - -4]。鉴于其非线性特性,最常用的控制PID控制,但仍有控制精度低的问题。与计算机视觉技术的不断发展,视觉反馈伺服控制技术被越来越多的专家、学者来控制非线性系统的快速响应的特点,稳定性和鲁棒性(5- - - - - -8]。
国内外专家和学者已经有一些研究机器人分析控制。在[9),一个灵活的基于横截面变形的机器人控制方法进行了研究。不同截面的惯性矩阵和微积分建立的控制柔性机器人的末端执行器。在[10),提出了一种分析基于模型预测控制方法。动态过滤器用于正确的分析精度,和插值操作用于确保稳定和可行性。在[11),一个灵活的基于STIFF-FLOP介绍机器人控制策略。目标函数是用于加权学习,参数空间的策略是优化策略。在[12),一个高阶的随机最优控制方法提出了成本统计。的设置与非线性动力学和多因素的不确定性,解决局部最优风险敏感性和成本积累。在[13),一个灵活的机器人面部分析控制策略基于视觉反馈的交互设计。人工神经网络(ANN)和Kinect传感器被用来识别的脸,和面部的轮廓是由执行机构控制的细节。在[14),提出了一种遗传算法的机器人分析控制方法。遗传算法用于查找角度映射变换矩阵的机器人终端执行器和定义每个执行器的位置和活动范围,实现分析控制。在[15),介绍了一种新的机器人实时分析控制方法。Kinect视觉传感器是用于收集机器人的实时状态的分析,和惯性传感器用于实时控制机器人的终端执行器。文献[16)提出了一个multiballoon视觉伺服控制方案,直接控制目标形状的变化通过PID策略,可以提供更高的控制精度比传统的控制方案与intrabag空气反馈。在[17),一个机器人分析基于稳态遗传算法的控制策略。机器人的形状是由3 d图像传感器测量。选择、变异和交叉算子的进化是由稳态遗传算法(SSGA)。然后,变形过程进行自适应搜索迭代来提高控制精度。
上述方法和模型只适用于柔性机器人的终端执行器。自充电和放电控制灵活的安全气囊机器人具有非线性和不确定性的特点,上述方法不能应用于安全气囊柔性机器人的控制环境。对于非线性系统的定量控制,模范自由自适应控制是一个合适的方法,但是很少有研究在这个领域。在[16),MFA模型介绍了基于PID控制算法。然而仍有过度在安全气囊的控制通货膨胀过程中,减少了控制精度。因此,本文提出了一个灵活的机器人分析MFA基于自适应预测动态线性优化模型,可实现安全气囊的实时控制充电和放电变形分析的灵活的机器人。
2。增量式PID控制分析
目前,常用的柔性机器人安全气囊控制方法是增量式PID控制(18,19]。根据进气体积之间的关系和安全气囊内的空气压力,也安全气囊内的空气压力之间的关系和安全气囊体积,负面反馈闭环系统。为了提高精度,安全气囊压力和体积偏差不断发现通过比例控制链接。
安全气囊控制通胀,一般PID控制算法在稳态条件下稳态偏差。因此,为了避免这个问题,增量式PID控制算法通过积分环节,优化了低频增益和限制了控制微分预报值的错误。因此,偏差在稳态条件下可以减少。安全气囊控制方法基于增量式PID控制图所示1。
上述方法的仿真图所示2。
,横坐标为时间,纵坐标是压力(cmHg)空气袋。
从仿真结果可以看出,增量式PID控制方法有一定的过度,和某些波动发生在将值区间,这将大大增加的工作负载阀气体充电和放电过程中,减少系统的生活。
3所示。基于视觉伺服控制安全气囊空气动力学模型
为了提高安全气囊变形精度,本文采用了视觉伺服控制系统(20.- - - - - -22)的实时信息检索的厚度灵活的机器人安全气囊。安全气囊的变形过程通货膨胀是显示在图3。
在这篇文章中,罗伯茨操作符用于边缘检测(23- - - - - -25]。让上的灰度图像的坐标 是 ,然后,空间1阶微分如下: 单位向量的方向在哪里 , 是 , ,分别。
通过差异表达 , ,边缘强度值可以得到:
和罗伯茨算子的边缘检测结果(图4)所示
在哪里 图像和像素坐标的值 是像素点的灰度值, 是边缘检测力量,是修改后的气囊形态学改变的价值。
通过结果罗伯茨运营商的位置可以被安全气囊。当安全气囊的中心点不变,边缘之间的距离值与最大距离中心点和中心点的实时安全气囊的厚度值。
上面的安全气囊获得的实时厚度值被用作基础控制充电和放电过程的构建基于视觉伺服控制,安全气囊的空气动力学模型如图所示5。
因此,基于视觉伺服控制安全气囊空气动力学模型可以表示如下:
在哪里 是输出压力值,罗伯茨获得的实时安全气囊厚度值算子,然后呢偏离预期的厚度值。
4所示。自适应预测的动态线性模范自由控制
由于外部温度变化,大气压力,安全气囊织物材料,和相互挤压,变形的安全气囊将受到影响。因此,上述模型具有很强的非线性,而且必须量化实现最佳控制。为了克服上述缺点的增量式PID控制算法,介绍了模范自由自适应(MFA)方法来控制气囊的充电和放电。
4.1。MFA的动态线性化模型
根据安全气囊空气动力学模型基于视觉伺服控制,非线性控制系统构建了基于模范自由自适应控制,所示 在哪里 , 表达系统的输出和输入时的压力 ,分别。 , 分别是未知的系统,,与未知的安全气囊参数非线性函数。
如果上述非线性控制系统满足 ,和 ,以下可以根据柯西微分中值定理: 在哪里偏导数在吗变量的非线性函数 。
然后,可以显示在动态线性化的结果 在哪里是伪梯度向量。
为了控制的动态非线性系统的线性化公式(7)在一个合理的范围内,必须是有限的。
如果安全气囊压力的输出值是 。为了尽可能接近预期的价值,有必要获得最优和限制其范围,以避免系统不稳定造成的过度的输入值。
因此,二次指数函数介绍。 在哪里是权重因子;它可以控制的范围 ;较小的权重因子,更少的限制 ,这可能会导致系统振荡。因此,公式(7)可以改变如下:
如果上面的公式= 0,的变化是
4.2。基于自适应预测控制模型优化
动态线性化的基础上,本文还使用自适应预测机制来改善它。让预期的输出值在时间的系统,让是期望输出值和实际值之间的偏差 。
然后,以下是适用的:
如果 ,我们可以获得 在哪里 之间的区别是在相邻的时间输出值。
采样时间设置为 ;在这个采样时间,偏差在时间的总和是 ;然后,建立如下:
通过统计和预测的偏差 ,错误纠正和中和;最后,提高控制精度。
然后,控制输入条件函数优化,可以得到如下: 在哪里 系统的期望输出值在时间吗 ,和 实际产出时间吗 , 权重因子。
让 ;的向量形式(15)可以表示为 在哪里系统的控制输入向量;这可以计算如下:
通过计算的极值 ,当前时间的控制量可以获得: 在哪里 。
4.3。自适应预测的动态线性模范自由控制
自适应预测动态线性模范自由的实现步骤控制策略提出了如下。
步骤1。安全气囊的形象了,边缘检测是由罗伯特算子;然后,安全气囊的实时厚度。
步骤2。安全气囊的空气动力学模型的参数初始化,和错误设置的阈值范围。
步骤3。限制范围的控制输入 。
步骤4。偏差的期望输出值和实际值之间的时间计算。
第5步。之和之前的偏差计算;然后,统计和预测偏差可以了。
步骤6。通过使用的预测价值偏差,控制输入值目前可以获得的。
步骤7。预测的输出值 可以通过输入控制输入值获得的步骤6到安全气囊空气动力学模型中。
步骤8。安全气囊实时厚度值在步骤1相比之下,预测输出值吗 ;偏差可以获得。
第9步。重复,直到偏差小于设定阈值。
5。模拟和分析
5.1。动态线性化模型模拟
构造一个模范自由自适应控制模型与动态线性化和模拟线性系统和非线性系统。显示了线性系统(19)和输出曲线显示在图6。
在哪里和线性系统的参数变量。
是预期的目标价值和图中的纵坐标值(在图的一样吗7)。
模范自由自适应控制模型的仿真结果与动态线性化图所示7。
从数据可以看出6和7,线性系统,模范自由自适应控制与动态线性化模型具有更好的控制精度和较小的偏离期望值。
在那里,和非线性系统的参数变量。
是预期的目标价值和图中的纵坐标值(在图的一样吗9)。
模范自由自适应控制模型的仿真结果与动态线性化图所示9。
通过比较数据8和9,它可以发现模范自由自适应控制与动态线性化模型在非线性时变系统具有良好的控制效果。系统的输出随预期的输出,和偏差很小。
5.2。自适应预测模型模拟
虽然模范自由自适应控制与动态线性化模型从上述仿真结果具有更好的控制效果,其准确性需要改善。因此,本文进行了自适应预测优化和实现建模对建立自适应预测动态线性模范自由控制方法和模拟在上述非线性系统。
摘要 用于限制控制输出值的范围,不同的权重因素的仿真比较执行。
从仿真结果数据10- - - - - -13可以看出,自适应预测动态线性模范自由控制方法提出了有一个好的近似效果设置预期的输出值,误差很小,说明其理论是可行的。
5.3。灵活的机器人包变形控制仿真
柔性机器人的气球球面直径30厘米和渗透系数为0.008是用来构造一个充电和放电控制模型。安全气囊是由自适应预测控制的动态线性模范自由控制模型构建,其中输入值是进气和输出值是安全气囊的厚度。
当 ,模范自由自适应控制的效果如图14和15。当 ,模范自由自适应控制的效果如图16和17。
在图中,绿色和黄色的是标准的模范自由自适应控制算法自适应预测提出了动态线性模范自由控制方法。
从数据14- - - - - -17可以看出,与标准模范自由自适应控制算法相比,本文提出的改进算法具有较高的控制精度,以及加权因子在限制中扮演一定的角色的控制安全气囊。当 ,控制误差小。
6。结论
multiballoon灵活的机器人分析系统,很难实现良好的控制在复杂环境使用气压参数作为反馈控制方法。然而,视觉伺服控制方法可以直接控制目标形状的变化,以及控制效果更好。在控制算法方面,模范自由自适应控制器的设计不依赖于精确数学模型的控制系统。算法具有更少的可调参数和兼容不同的系统。为了解决存在的问题在安全气囊的控制充电和放电的过程,一个灵活的机器人安全气囊分析控制模型提出了基于自适应预测动态线性优化。仿真表明,该模型是有效的和控制误差小。
数据可用性
使用的数据来支持本研究的发现可以从相应的作者。
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(批准号51675490),浙江省科学技术部门(批准号2017 c31050),浙江省科学技术部(批准号2017 c31063),浙江均大学的年轻学术团队项目。