[发明专利]一种协调机械臂自适应神经网络同步鲁棒控制器设计方法

说明书

本发明涉及到一种协调机械臂自适应神经网络同步鲁棒控制器设计方法，主要体现在基座标不确定的工况下被夹持工件能够精准跟踪期望轨迹和内力。本方法运用了自适应滑模控制和RBF神经网络作为控制方法的基础，通过二者的融合，加之针对机械臂协调夹持系统设置相应的逼近鲁棒控制项，实现了控制方法的设计。该控制方法能对不确定的基座标平移误差和旋转误差所产生的轨迹误差进行自适应补偿，通过神经网络逼近不确定的机械臂系统动力学参数和基座标不确定参数，该神经网络具有随输入域、误差和时间不断更新权重因子的功能，所以能够在很短的时间内补偿基座标不确定参数，将机械臂夹持工件的轨迹和内力跟踪误差收敛到期望值附近，提高了控制精度。

技术领域

本发明涉及到机械臂协调夹持控制方法，更准确的说是针对机械臂夹持系统基座标平移和角度参数不确定的情况，设计出了一种自适应神经网络同步鲁棒控制器来确保系统轨迹和内力跟踪的精度。

技术背景

在现在的加工制造行业，比如装配、搬运、喷涂还有焊接，越来越多的工种需要用到多机械臂来执行一些需要交互协作的复杂任务，传统的单机械臂虽然能够满足基本的任务要求，但是在工作效率和完成质量上有待提高，因此，多机械臂协调加工就显得尤为重要。但是，多机械臂系统需要的是机械臂之间的相互配合，因此机械臂之间的相对位置就要求比较精确，传统的标定机械臂相对位置的方法都是利用激光跟踪仪或者机器视觉等技术来获取两机械臂之间的相对位置，这些标定方法存在成本高昂和标定程序复杂的缺点，尤其是面对一些存在振动或者需要机械臂基座标不断运动的工作场景下，往往不能获得很好的标定效果。而且传统的机械臂的算法都比较以来精确的位置参数来获得运动学逆解。因此，如果能将机械臂之间相对基座标位置关系看成未知的量，就像是人与人之间配合不需要精确的基座标位置一样，设计一种更加智能、灵活、鲁棒的控制器，自动逼近机械臂之间的真实相对位置误差，这对实际的工作应用具有很大的意义。

神经网络作为一种具有自主学习和良好逼近非线性系统能力的工具，可以逼近外界干扰和不确定性参数，也可以和传统的滑模变结构控制结合起来。神经网络中的RBF网络是一种前向网络，其神经元函数一般是高斯基函数，因此由输入到输出的映射是非线性的，而隐含层空间到输出空间的映射是线性的，而且RBF网络是局部逼近的神经网络，可以极大的加快学习速度并避免局部极小值的问题，比较适合实时控制。本专利就是利用神经网络和滑模变结构控制这两者之间的关系，设计出一种自适应神经网络同步鲁棒控制器，来解决机械臂基座标参数不确定的情况。

发明内容

本发明主要是针对上述提到的问题，针对协调机械臂基座标平移和角度参数不确定的情况设计了一种自适应神经网络同步鲁棒控制器，从而为提高协调机械臂生产精度和效率提供了一种可行性方案，同时也降低了生产成本。

为实现上述目的，本发明提供了如下的技术方案：

一种基于协调机械臂系统基座标参数不确定的自适应神经网络同步鲁棒控制器设计方法，包含以下几个步骤：

A.构建机械臂协调夹持动力学模型。简化出多机械臂夹持工件的物理模型，通过拉格朗日动力学方法确定机械臂动力学模型中的惯量项、哥氏力(离心力)项和重力项，将工件的内力项及其计算方法引入动力学方程中构成等式。

公式(1)表示机械臂动力学模型，其中，M_Δi代表协调夹持系统的惯量项，D_Δi代表协调夹持系统的哥氏力和离心力部分，G_Δi代表协调夹持系统的重力项，代表系统的摩擦力和不确定干扰，τ_i代表机械臂关节的力矩，J_i代表机械臂角速度从关节空间向任务空间转化的雅可比矩阵，代表工件内力，代表机械臂关节的角加速度，代表机械臂关节的角速度。