[发明专利]一种带干扰观测器的机械手神经网络控制系统及方法

权利要求书

1.一种带干扰观测器的机械手神经网络控制系统，其特征在于，该控制系统包含：

第一加法运算器，所述第一加法运算器的第一输入端输入机械手系统的期望运动位移信号；

RBF神经网络运算器，所述RBF神经网络运算器的第一输入端与所述第一加法运算器的输出端连接；

第二加法运算器，所述第二加法运算器的第一输入端输入机械手系统的期望运动速度信号；该第二加法运算器的输出端与所述RBF神经网络运算器的第二输入端连接；

计算转矩控制器，所述计算转矩控制器的第一输入端与所述第一加法运算器的输出端连接，该计算转矩控制器的第二输入端与所述第二加法运算器的输出端连接；

第三加法运算器，所述第三加法运算器的第一输入端与所述RBF神经网络运算器的输出端连接，该第三加法运算器的第二输入端与所述计算转矩控制器的输出端连接；

机械手系统，所述机械手系统的输入端与所述第三加法运算器的输出端连接，该机械手系统的第一输出端与所述第一加法运算器的第二输入端连接，该机械手系统的第二输出端与所述第二加法运算器的第二输入端连接；

干扰观测器，所述干扰观测器的第一输入端与所述第三加法运算器的输出端连接，该干扰观测器的第二输入端与所述机械手系统的第二输出端连接，该干扰观测器的输出端与所述第三加法运算器的第三输入端连接；

所述带干扰观测器的机械手神经网络控制系统的控制方法包含：

S1，建立带干扰观测器的机械手神经网络控制系统的动力学模型；所述步骤S1包含：

S1.1，现有机械手系统的动力学方程为：

其中，q,和分别表示所述机械手系统的关节的位移、速度和加速度矢量，M(q)∈R^n×n为对称正定的惯量矩阵，为离心力和哥氏力矢量，G(q)∈Rⁿ为重力矢量，d表示外部扰动项，τ是所述机械手系统的关节控制力矩；

S1.2，由于现有所述机械手系统存在参数测量误差、外部环境以及负载的变化，很难获得精确的机械手动力学模型，模型中存在不确定性和外部干扰；因此带干扰观测器的机械手神经网络控制系统，将机械手动力学模型分为标称模型及动力学模型不确定项；

其中，标称模型的参数矩阵为：M₀(q)，G₀(q)，动力学模型不确定项的参数矩阵为：△M(q)，和△G(q)；则：

△M(q)＝M₀(q)-M(q) (2)；

△G(q)＝G₀(q)-G(q) (4)

S2，针对所述步骤S1中动力学模型的标称模型部分，采用第一加法运算器、第二加法运算器及计算转矩控制器计算标称控制力矩；所述步骤S2包含：

S2.1，所述第一加法运算器将所述机械手系统的关节位移信号q与期望运动位移信号q_d进行相减运算，获取所述机械手系统的位置跟踪误差e：

e＝q-q_d (5)；

将该位置跟踪误差e分别输入所述RBF神经网络运算器、所述计算转矩控制器中；

S2.2，所述第二加法运算器将所述机械手系统的关节速度信号与所述机械手系统的期望运动速度信号进行相减运算，获取所述机械手系统的速度跟踪误差

将该速度跟踪误差分别输入所述RBF神经网络运算器、所述计算转矩控制器中；

S2.3，根据所述式(2)-式(6)，所述计算转矩控制器计算标称控制力矩：

其中，k_v为微分控制增益值；k_p为比例控制增益值；

S3，当不考虑外部干扰时，采用所述第一加法运算器、所述第二加法运算器及RBF神经网络运算器计算出所述步骤S1中动力学模型的动力学不确定项；

所述步骤S3包含：

S3.1，根据式(1)、式(7)可得到：

其中，表示为所述步骤S1中动力学模型的动力学不确定项；

在不考虑外部干扰时，式(8)可改写为：

S3.2，令则误差方程(9)可写成如下状态空间形式

其中，

采用所述RBF神经网络运算器估算所述机械手系统不确定的动力学参数引起的动力学不确定项f(x)；

S4，当考虑外部干扰时，为减少外部干扰对机械手系统的影响，采用第三加法运算器、干扰观测器计算出该机械手系统的扰动项估计值；

S5，根据所述步骤S4，对带有干扰观测器的机械手神经网络控制系统的动力学模型的扰动项估计值进行稳定性分析判断。