[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

说明书

本发明公开了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，该方法过程如下：根据柔性机械臂的动力学特征构建柔性机械臂系统；基于反步技术设计初始边界控制方法；设计神经网络项解决柔性机械臂系统参数不确定性和输入饱和特征；设计迭代控制项处理外在干扰；结合边界控制、神经网络项和迭代控制项，得到抑制柔性机械臂的边界自适应迭代神经网络控制方法。本发明能够有效抑制柔性机械臂的振动，并且在设计过程中考虑到了柔性机械臂系统参数不确定性和时变输出限制。

技术领域

本发明涉及振动控制技术领域，具体涉及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。

背景技术

凭借重量轻，效率高和能耗低等优良特点，柔性材料广泛被用来制造机械臂、海洋立管和航天器等设备。与传统的机械臂相比，柔性机械臂具有更好的延展性、柔性和更强的韧性，便于在现代工艺应用广泛。在外部扰动的作用下，柔性机械臂会不断产生弹性形变，容易造成高频振动并且末端运动偏差过大，直接影响到系统稳定性和准确度。因此，如何有效地抑制柔性机械臂的弹性形变和振动，是一个亟待解决的问题。

在现有的研究下，边界控制方法是一种有效能抑制柔性机械臂振动的控制方法；但在设计的过程中，很少考虑到柔性机械臂系统的输入饱和特性和参数不确定特性，另外，柔性机械臂系统的控制输出限制往往都是时变的；这些特性在实际中无处不在，忽视这些特性，柔性机械臂容易出现不稳定现象。

发明内容

本发明的目的是为了解决现有技术中的上述缺陷，提供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。

本发明的目的可以通过采取如下技术方案达到：

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，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；

基于反步技术设计虚拟控制量，构建第一Lyapunov函数，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。

进一步地，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值y(s,t)对时间t的一次导数，，表示y(s,t)对时间t的二次导数，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：

m为柔性机械臂系统末端负载的质量，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、第二机械手系统外部扰动，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。