[发明专利]一种基于多参数自适应神经网络的滑模控制器设计方法

说明书

本发明公开了一种基于多参数自适应神经网络的滑模控制器设计方法，包括：1，建立n自由度旋转关节刚性机械臂动力学模型；2，将步骤1中模型系统转化为基于关节位置的二阶状态方程，并为其设计快速终端滑模面；3，利用RBF神经网络对系统未知动力学参数进行逼近；4，设计自适应非奇异快速终端滑模控制器，并基于步骤3中的动力学参数逼近结果，实现机械臂的无模型控制。本发明适用于受到模型不确定性和外部干扰的影响的机械臂的轨迹跟踪控制，减少了控制设计程序中给出的自适应设计参数的数量，使得机器人动力学的未知非线性函数在RBFNN基础上进行了近似；还提高了误差的收敛速度和跟踪精度，实现了基于李雅普诺夫定理的全局渐近稳定。

技术领域

本发明属于自动控制技术领域，特别涉及一种用于机械臂轨迹跟踪控制的基于多参数自适应神经网络的滑模控制器设计方法。

背景技术

近年来，由于现实应用中对快速响应和高精度跟踪的需求不断增加，机器人的轨迹跟踪控制引起了人们的极大关注。为了解决跟踪问题，许多学者提出了各种控制方案，包括反步控制、自适应控制、滑模控制(SMC)、智能控制。

众所周知，滑模控制方案是一种主要的控制方法，它具有完善的、良好的瞬态性能和对未知系统动态的鲁棒性的优点。滑动模式控制的基本原理是将系统降落在设计的滑动面上。一般来说，如果SMC的开关增益被选择为大于不确定项的上限，那么理想情况下可以实现稳健的稳定。然而，当上界未知时，开关增益被选择得足够大，以涵盖广泛的不确定因素。这样大的开关增益可能会导致颤动，在这种情况下，由于开关设备的物理缺陷，机器人操纵器会围绕滑动流形进行振荡。颤振会导致严重的问题，如移动机械部件的高磨损。为了消除抖振，研究者们开发了诸如边界层法，干扰观测器法以及多种自适应方法。它们虽然能够有效的削弱抖振现象，但对于高精度要求的机械臂，在跟踪性能上仍有待提高。

同时，神经网络(NN)在非线性系统的控制中得到了越来越多的关注，因为它们具有非线性逼近和学习能力。由于其非线性逼近和学习能力。一些研究人员研究了基于神经网络的补偿来消除不确定因素的影响。此外，径向基函数神经网络(RBFNN)，有几个重要的优点，如结构简单、学习速度快、近似能力强、学习和更好的近似能力。它具有普遍的近似特性，可以避免局部最小值问题。它不仅可以在数量上减少神经网络的调整参数，从而使初始化更加容易。而且RBFNN的近似特性被用来中和代理中的不确定非线性动态。

发明内容

针对上述问题，本发明提出了一种基于多参数自适应神经网络的非奇异快速终端滑模控制器设计方法，适用于受到模型不确定性和外部干扰的影响的机械臂的轨迹跟踪控制。本发明开发了多参数虚拟控制信号来取代径向基函数神经网络的权重更新法，并进行实时在线学习。此方法减少了控制设计程序中给出的自适应设计参数的数量。使得机器人动力学的未知非线性函数在RBFNN的基础上进行了近似。并应用非奇异快速终端滑模面，提高了误差的收敛速度和跟踪精度。

本发明提出了一种基于多参数自适应神经网络的滑模控制器设计方法，具体设计方案如下：

步骤1，建立n自由度旋转关节刚性机械臂动力学模型；

步骤2，将步骤1中系统转化为基于关节位置的二阶状态方程，并为其设计快速终端滑模面；

步骤3，利用RBF神经网络对系统未知动力学参数进行逼近；

步骤4，设计自适应非奇异快速终端滑模控制器，并基于步骤3中的动力学参数逼近结果，实现机械臂的无模型控制。

进一步的，所述步骤1中建立n自由度旋转关节刚性机械臂动力学模型具体步骤如下：