[发明专利]一种基于离散递归神经网络模型的并联机械臂预测控制方法

说明书

本发明提供一种基于离散递归神经网络模型的并联机械臂预测控制方法，建立并联机械臂动力学模型并对所述并联机械臂的物理模型进行初始化；构建并联机械臂离散递归神经网络模型，所述离散递归神经网络模型由通用五瞬时离散化公式限定；构建并联机械臂的期望路径，获取斯图尔特平台非线性动力系统的初始值；基于离散递归神经网络模型对并联机械臂非线性动力系统的路径进行预测控制。本发明基于截断误差，从理论上分析了如何保持斯图尔特平台的跟踪精度，构建了离散递归神经网络模型，实现了对斯图尔特机械臂路径的预测和高精度实时跟踪。

技术领域

本发明属于机械臂追踪控制领域，具体涉及一种基于离散递归神经网络模型的并联机械臂预测控制方法。

背景技术

在冗余度并联机器人领域，斯图尔特平台引起了从业人员和研究人员的广泛关注，在许多方面得到了应用,如机电一体化，控制论，望远镜设计，昆虫科学等。例如，18支斯图尔特平台为基础的平行支撑保险杠的设计和分析，以防止外部冲击损坏惯性导航系统；科研工作者研究为工业机器人在三维空间中的位置和姿态测量提供了一种六自由度实时运动跟踪系统。针对斯图尔特平台的跟踪控制问题，研究了许多有效的方法。

Kumaret给出了一个基于超扭滑模观测器的斯图尔特平台的鲁棒有限时间跟踪。针对斯图尔特平台的运动控制问题，Mohammed和Li在中设计了一个动态神经网络。此外，P.Nanuaet al.提出了6个棱镜作动器在基座或手部组成3个并行对的直接运动学问题的解决方案。

值得指出的是，在过去的几十年里，递归神经网络(RNN)已经成为实时解决工程问题的强大替代品。与经典的RNN模型不同，本文设计了一类特殊的RNN模型，并探讨了该模型用于求解连续时变问题。例如，Chen和Yi研究了最近提出的用于求解在线矩阵反演的混合RNN的鲁棒性；基于动态李雅普诺夫方程的有效解，提出了利用归零神经网络设计控制律的系统构造方法。

然而，大量的研究都考虑了连续时间环境下RNN模型的设计。考虑到斯图尔特平台跟踪控制的潜在实现，也有必要建立和研究相应的离散时间模型。然而，在离散时间环境下，传统的跟踪控制方法本质上是在连续时间环境下建立的，其性能往往不尽人意。具体来说，在跟踪控制过程中的某一时刻，输入信号锚定该时刻的期望输出。显然，控制信号的实时计算和传输需要消耗时间，而所需的输出可能会变化。如果将传统方法应用于实时跟踪控制，得到的结果很可能是延迟。

近年来，也出现了许多对离散模型的研究,许多研究充分证明了其收敛性好、精度高的优点。然而，这些研究大多没有考虑到严格的效率分析。事实上，在实际应用中，效率被视为斯图尔特平台跟踪控制过程中的一个重要目标。即在不影响结果精度的前提下，尽可能降低斯图尔特平台跟踪控制的计算时间和计算空间成本。

发明内容

针对上述现有技术中存在的缺陷，本发明提供一种可以实现斯图尔特机械臂路径预测和高精度实时跟踪的并联机械臂的离散递归神经网络模型预测控制方法。

本发明提出的技术方案如下：

本发明公开了并联机械臂的离散递归神经网络模型预测控制方法，包括以下步骤：

建立并联机械臂动力学模型并对所述并联机械臂的物理模型进行初始化；

构建并联机械臂离散递归神经网络模型，所述离散递归神经网络模型由通用五瞬时离散化公式限定；

构建并联机械臂的期望路径，获取并联机械臂非线性动力系统的初始值；

基于离散递归神经网络模型对并联机械臂非线性动力系统的路径进行预测控制。

进一步的，其特征在于，所述并联机械臂为斯图尔特平台，具有六个独立制动器，六个独立制动器分别与平台底板上的三个固定点和平台顶板上的六个安装点相连，斯图尔特平台通过调整六个独立制动器的长度来控制末端执行器对预设的路径进行跟踪。