[发明专利]一种液压机械臂的模型辨识与自适应控制方法

说明书

本发明公开了一种液压机械臂的模型辨识与自适应控制方法，包括以下步骤：S1、建立包含未知参数的机械臂动力学模型；S2、采用NFO算法设计在特定物理约束下机械臂的激励轨迹并进行激励实验，对机械臂动力学模型中的未知参数进行辨识；S3、设计自适应反步控制器，并采用新的控制变量对自适应反步控制器的控制输出进行修正。本发明利用关节角和扭矩信息，采用邻域优化算法设计具有特定物理约束的激励轨迹进行激励实验，对二自由度液压机械臂的拉格朗日模型参数进行辨识；然后在辨识模型的基础上设计参数自适应反步控制器，可以有效地对不稳定的液压参数进行动态的自适应，最终实现液压系统对机械臂的稳定控制。

技术领域

本发明属于液压控制机械臂技术领域，特别涉及一种液压机械臂的模型辨识与自适应控制方法。

背景技术

电液伺服系统由于具有较高的负载效率和较大的输出功率，在机电工程中得到了广泛的应用。然而，由于未知的粘滞阻尼、负载刚度、控制液量变化、阀的物理特性、体积模量和油温变化，存在液压参数的不确定性。这些不确定的液压参数会给实际的液压控制系统中带来很多的问题，如导致系统的控制精度，控制稳定性不能到达预定要求。针对这个问题，设计了参数自适应控制器，以解决电液参数的不确定性和外界干扰。此外，液压系统驱动的机械臂往往也会由于机械机构的不规则性，传感器依附等原因，使得动力学模型中的参数难以准确获得，本发明针对应用广泛的拉格朗日动力学建模方法所得的动力学模型中的不确定参数，通过NFO(Neighborhood Field Optimization，邻域优化算法)对其进行模型辨识。

NFO(Neighborhood Field Optimization，邻域优化算法)算法的基本原理是：根据优化模型的复杂程度，确定搜索空间上的个体数和优化结束条件，并计算出每个个体的相邻优势个体和相邻劣势个体，并以此获得变异因子和变异向量，在选择的适应度函数下进行个体的更新，直至优化结束条件满足。

随着液压机器臂在工程领域中的应用日益扩大，对解决液压参数不稳定的问题越来越迫切，对于机械臂参数辨识的精度要求越来越高；而现有的模型辨识方法往往达不到实际要求的辨识精度和误差收敛速度，而缺少精度高，收敛快的模型辨识方法的研究。

发明内容

本发明的目的在于克服现有技术的不足，提供一种利用关节角和扭矩信息，采用邻域优化算法设计具有特定物理约束的激励轨迹进行激励实验，对液压机械臂的拉格朗日模型参数进行辨识；然后在辨识模型的基础上，设计参数自适应反步控制器的液压机械臂的模型辨识与自适应控制方法。

本发明的目的是通过以下技术方案来实现的：一种液压机械臂的模型辨识与自适应控制方法，包括以下步骤：

S1、建立包含未知参数的机械臂动力学模型，并将其转化成线性形式；

S2、采用NFO算法设计在特定物理约束下机械臂的激励轨迹并进行激励实验，根据激励实验所获得的数据对机械臂动力学模型中的未知参数进行辨识；

S3、根据机械臂动力学模型参数设计自适应反步控制器，对机械臂动力学模型进行驱动；并采用新的控制变量，对自适应反步控制器的控制输出进行修正。

进一步地，所述步骤S1具体实现方法为：建立机械臂的二阶拉格朗日模型和电液伺服系统的三阶非线性模型，并将二者进行模型整合。

进一步地，步骤S2中，在特定物理约束下的机械臂的激励轨迹具体为：机械臂的关节角度，关节角速度，关节角加速度满足在指定的物理约束值以内。

进一步地，步骤S2中，采用如下傅里叶级数的形式表征激励轨迹：