[发明专利]基于自适应迭代学习的柔性机械臂的神经网络控制方法

权利要求书

1.一种基于自适应迭代学习的柔性机械臂的神经网络控制方法，其特征在于，所述神经网络控制方法包括以下步骤：

根据柔性机械臂的动力学特征，利用哈密顿原理构建柔性机械臂系统的动力学模型；

所述柔性机械臂的动力学特征包括柔性机械臂系统的动能、势能以及非保守力对柔性机械臂系统所做的虚功，将动能、势能、虚功代入哈密顿原理，得到柔性机械臂系统的动力学模型为：

其中l为柔性机械臂长度，ρ为柔性机械臂密度，s为长度变量，c为柔性机械臂阻尼系数，EI为柔性机械臂弯曲刚度，T为柔性机械臂张力，表示柔性机械臂的偏转速度，柔性机械臂的偏转加速度，w″(s,t)和w””(s,t)分别表示柔性机械臂的弹性形变值w(s,t)对s的二次导数和四次导数；

边界条件为：

其中，m为柔性机械臂末端负载的质量，I为柔性机械臂轮毂惯性值，r为柔性机械臂轮毂半径，u1(t)、u2(t)分别为第一、第二控制输入，d1(t)、d2(t)分别为第一、第二外部扰动，为柔性机械臂旋转角度的角加速度，w(0,t)为柔性机械臂在长度为0处的弹性形变值，w(l,t)为柔性机械臂在长度为l的弹性形变值，w′(0,t)为w(0,t)对s的一阶偏导，w″(0,t)为w(0,t)对s的二阶偏导，w″′(0,t)为w(0,t)对s的三阶偏导，w′(l,t)为w(l,t)对t的一阶偏导，w″(l,t)为w(l,t)对t的二阶偏导，w″′(l,t)为w(l,t)对t的三阶偏导，为柔性机械臂在l处的偏转加速度；

基于反步技术设计虚拟控制量，构建第一Lyapunov函数，并得到初始边界控制方法；

基于柔性机械臂受到外部干扰，构建迭代控制项，迭代控制项以隐式形式给出；

基于柔性机械臂系统的输入饱和特性和参数不确定性，提出神经网络项用于解决输入饱和与参数不确定性带来的影响；

将所述的初始边界控制方法和迭代控制项、神经网络项相结合，包括：往初始边界控制方法加入迭代控制项和神经网络项；迭代控制项根据上一次系统的输出进行更新；神经网络项中，根据传感器的信息，通过权重估计系数向量更新律更新估计系数向量，从而处理柔性机械臂参数不确定性。

2.根据权利要求1所述的基于自适应迭代学习的柔性机械臂的神经网络控制方法，其特征在于，所述基于反步技术设计虚拟控制量的过程如下：

分别定义x₁(t)＝θ(t)-θ_d，x₃(t)＝y_e(l,t)，

其中θd为柔性机械臂期望角度值，θ(t)为柔性机械臂旋转角度，x₁(t)为第一状态量，为柔性机械臂旋转角速度，x₂(t)为第二状态量，y_e(l,t)为柔性机械臂在l处的偏转误差，x₃(t)为第三状态量，为柔性机械臂在l处的偏转速度，x₄(t)为第四状态量；

定义v₁(t)为x₂(t)的虚拟控制量，v₂(t)为x₄(t)的虚拟控制量，具体为其中，η,γ分别为虚拟控制量的第一控制参数、第二控制参数，且η,γ＞0,

定义s₁为v₁(t)与x₂(t)之间的误差，s₂为v₂(t)与x₄(t)之间的误差，具体为