混合驱动柔索并联机器人自适应迭代学习控制

以一种兼容混合驱动机构与柔索并联机构特点的新型混合驱动柔索并联机器人为研究对象,对其动力学建模及轨迹跟踪控制进行了研究;应用Lagrange方法建立了混合驱动柔索并联机器人系统的动力学模型;针对具有非线性、时变特性以及带有可重复时变干扰的混合驱动柔索并联机器人动态系统模型,设计了一种控制增益随迭代次数变化的自适应迭代学习控制策略,并采用Lyapunov函数证明了该控制器的稳定性;数值仿真结果表明,在该控制器的作用下,混合驱动柔索并联机器人控制系统能够完成高精度跟踪期望轨迹,进一步验证了所建系统动态模型的正确性及控制策略的有效性。     

基于迭代学习的旋耕机刀轴焊接机器人轨迹跟踪控制研究

旋耕机是我国农业生产主要机械装备,对农业现代化发展具有十分重大的意义。针对旋耕机刀轴焊接加工对机器人轨迹跟踪精度的要求,对其控制环节进行改进分析,着力提高焊接作业质量。利用MDH法建立机器人运动学模型,利用牛顿-欧拉迭代法建立动力学模型。在此基础上,将反馈计算力矩控制与迭代学习方法相结合设计一种迭代学习控制器来处理旋耕机焊接机器人轨迹跟踪问题。最后使用ADAMS与MATLABSimulink进行联合仿真来验证算法的有效性和实用性,并将采用迭代学习控制器的机器人运动控制仿真结果与PID控制器仿真结果进行比较,结果表明迭代学习控制器具有较高的跟随精度与较明显的控制效果,是一种较优的控制方法。     

SCARA机器人的自适应迭代学习轨迹跟踪控制

为了减小执行重复运动任务机器人的末端位置误差,提出了自适应迭代学习轨迹跟踪控制算法。根据拉格朗日方程得到SCARA机器人的动力学模型,设计了控制力矩的迭代算法,利用Lyapunov函数对该算法的稳定性进行了理论证明,搭建了具有典型机械结构的SCARA机器人实验平台。通过实验验证了自适应迭代学习控制算法能有效减小SCARA机器人的末端位置误差,具有较强的可执行性。     

基于迭代学习控制的码垛机器人轨迹优化

提出一种学习控制方法用于码垛机器人的速度优化。通过对系统跟随误差学习,实现在误差允许范围内运动速度最大化,从而实现码垛效率的优化。本方法对系统建模要求较低,易于在实际控制器上实现。系统仿真实验结果表明,在带入机械臂系统参数后,在对迭代算法改进后的最优轨迹与未改进的标准轨迹比较后,前者通过改进局部速度,使机器人运转时间缩短了10％～20％。     

基于自适应运动学模型的镜像型迭代学习控制

针对一类具有对称期望轨迹跟踪的工业机器人系统,在运动学模型参数存在偏差的情况下,提出一种基于自适应运动学模型的镜像型迭代学习控制方法.首先,利用期望轨迹的对称特征,将其以中点为界分解成前后两个半轨迹,交替使用两个半轨迹的控制信息,不断优化调整对应半轨迹下次迭代的控制输入,缩短迭代学习周期,实现了具有镜像特征轨迹的迭代学...     

锂电池叠片机隔膜纠偏神经近似内模及迭代学习复合控制

为了解决叠片过程中隔膜对齐度较差的问题,采用神经近似内模和迭代学习控制相结合的方法设计控制器来改进隔膜的纠偏效果,提出一种神经网络近似内模及迭代学习复合控制的隔膜纠偏控制算法。首先针对影响隔膜对齐度的复杂特性导致难以用物理数学模型去描述纠偏过程的问题,采用神经网络的优秀的非线性逼近能力建立纠偏系统的神经网络模型。其次为了提升系统的鲁棒性以及避免系统模型的非仿射非线性特性,采用一种神经近似内模对纠偏系统进行控制,仿真表明神经近似内模对纠偏系统能取得较好的控制效果,但是对周期性扰动的抑制能力有限。然而在锂电池叠片过程中,速度和张力的规律性变化会对隔膜偏移误差产生周期性的干扰。最后将迭代学习控制引入到神经近似内模控制中以应对纠偏系统的周期性扰动,仿真表明引入迭代学习控制后,纠偏系统的周期性扰动得到有效地抑制。试验结果表明所提出的纠偏控制算法可以有效地提升锂电池叠片机放卷系统的隔膜对齐度。     

迭代学习在工业机械手自适应控制中的应用

针对机器人运动控制模型中存在的未知项建模误差,提出了基于迭代学习与滑模控制的机器人组合自适应控制方法.将机器人动力学方程以状态回归量的形式表示,使时变参数与物理参数分离,通过设计的参数自适应律,实现了对未知参数的在线估计.将跟踪误差限制在滑模面上,实现了对目标轨迹的有效跟踪.仿真实例表明,提出的组合控制算法在机器人轨迹跟踪中具有一定的可行性.     

基于卡尔曼滤波的机器人力控制

为解决机器人在打磨、装配等复杂作业环境下,其末端力传感器获取到的机器人本体与作业环境间的接触力信号存在干扰噪声影响的问题,设计了基于卡尔曼滤波的机器人力控制模型.通过搭建力控制模块,对比经典阻抗控制与基于卡尔曼滤波的机器人力控制下的接触力跟踪效果,分别搭建平面轨迹跟踪与曲面轨迹跟踪机器人可视化平台.经仿真验证发现,两种...     

漂浮基柔性关节空间机械臂运动迭代学习控制

针对空间机器人系统易受自身内部参数变化影响以及外部干扰的问题,讨论了载体姿态和位置都不受控的漂浮基柔性关节协调运动的智能控制问题,系统采用奇异摄动理论划分为独立的慢变子和快变子系统。针对慢变子系统,设计了一种迭代学习控制的方法。针对快变子系统,运用速度差值反馈方法主动抑制弹性振动。与传统的滑膜控制方法相比,迭代学习控制方案提高了整个机器人系统的稳定性和鲁棒性,削弱了抖振现象。漂浮基两杆平面机器人系统MATLAB仿真表明了所设计的轨迹跟踪控制方法快速有效。     

柔性机械臂的迭代学习控制研究

针对机械臂系统强耦合、非线性的特点,利用拉格朗日方程建立单连杆柔性机械臂的动力学模型,给出基于迭代学习的最优控制算法,并证明算法的收敛性。利用MATLAB进行仿真,仿真结果表明,作为一种较新的控制方法,迭代学习控制运算量小,性能稳定可靠。     

离散系统单调收敛高阶迭代学习控制

研究了一类离散线性时不变系统高阶迭代学习控制在相应范数意义下的单调收敛条件,给出了对给定目标函数迭代学习控制参数的最优解,并讨论了其收敛速度。常见的离散P型、D型及PD型ILC算法均可看作是所讨论算法的特例。仿真结果表明采用给出的最优设计具有更好的迭代学习单调收敛性能。     

混合驱动平面五连杆机构优化设计与迭代学习控制

对混合驱动平面五连杆机构进行了优化设计和轨迹跟踪迭代学习控制研究.首先,以伺服电机角加速度波动最小为目标函数,应用遗传算法对混合驱动平面五连杆机构参数进行优化设计;其次,对混合驱动平面五连杆机构进行轨迹跟踪指数变增益D型和闭环PD型迭代学习控制研究;最后,结合实例进行混合驱动平面五连杆机构轨迹跟踪数值仿真.结果表明,迭...     

基于迭代学习控制的活塞数控加工研究

在高速精密非圆加工中,伺服刀架系统的幅值衰减产生较大的刀具轨迹跟踪误差,从而降低加工精度.以伺服刀架的传递函数为基础,采用迭代学习控制,利用系统实际输出与期望输出的偏差信号,产生新的控制信号,使得系统跟踪调节性能得以提高,从而提高非圆加工的形状误差.     

基于迭代滑模的挖掘机工作装置控制策略

由于挖掘机工作装置具有复杂强耦合非线性和时滞性的特点,并且其在工作过程中存在负载不确定的问题,导致挖掘机的作业效率低、机械磨损大.针对这一问题,采用了一种基于迭代学习控制与滑模控制相结合的控制策略,对挖掘机工作装置各关节轨迹的跟踪控制性能进行了研究.首先,利用拉格朗日力学法,建立了挖掘机工作装置的动力学模型;然后,推导...     

基于采样控制理论的光电跟踪伺服系统内模控制研究

针对外部扰动对光电跟踪伺服系统精度的影响,对稳定回路提出了一种两自由度内模控制,将控制器的设计转化为标准的H∞优化问题,使得系统对模型误差及参数摄动具有较强的鲁棒性。采用jump变换、提升操作等采样控制系统的理论与方法来优化设计相应的鲁棒控制器,综合考虑了系统的多采样率行为及采样点间的动态特性。仿真结果表明了所设计的控制系统具有较高的指令跟踪精度及较强的扰动抑制性能。本文的研究为高精度光电跟踪伺服控制系统的设计提供了新方法。     

基于模型预测控制的排爆机器人轨迹跟踪算法研究EI北大核心CSCD

排爆机器人在复杂、危险环境下代替人作业拥有非常重要的地位。排爆机器人对期望轨迹的跟踪是避免发生危险最重要的环节。基于模型预测控制算法提出了排爆机器人末端轨迹跟踪算法。给出了机械臂状态空间的离散模型,已知当前时刻位置状态和下一时刻位置输入状态,预测未来某时域内的输出状态;然后根据给定性能指标和约束条件,求解未来一段时域内的输入序列,对实际输出进行反馈校正;最后,采用实验仿真对比测试,验证了该算法的有效实时性,结果表明,基于模型预测控制的机器人末端轨迹跟踪算法具有良好的动态实时跟踪能力,实现了目标轨迹的有效跟踪。     

基于学习自适应估计环的迭代学习控制

针对一类具有强非线性和不确定性的离散时间系统,文章给出了一种基于学习自适应估计环的迭代学习控制方法.在迭代学习控制器的基础上设计了一个学习自适应估计环,用来镇定系统,给出迭代学习控制初始的控制输入值,同时根据估计出的系统参数来确定迭代学习增益的取值范围.文章基于状态空间描述,分析了迭代学习控制系统的收敛性.仿真研究表明,该控制器能够实现完全跟踪,减少系统的初始输出误差,并加快了收敛速度.     

基于学习自适应估计环的迭代学习控制

针对一类具有强非线性和不确定性的离散时间系统,文章给出了一种基于学习自适应估计环的迭代学习控制方法.在迭代学习控制器的基础上设计了一个学习自适应估计环,用来镇定系统,给出迭代学习控制初始的控制输入值,同时根据估计出的系统参数来确定迭代学习增益的取值范围.文章基于状态空间描述,分析了迭代学习控制系统的收敛性.仿真研究表明,该控制器能够实现完全跟踪,减少系统的初始输出误差,并加快了收敛速度.