载体位置、姿态均不受控的飘浮基柔性空间机器人的Terminal滑模控制

讨论了载体位置、姿态均不受控的飘浮基柔性空间机器人的Terminal滑模控制问题。为讨论既有柔性关节又有柔性臂的欠驱动系统,以一个具有两个柔性关节和一个柔性臂的飘浮基空间机器人为例,首先利用拉格朗日方程并结合系统总质心定义,得到了系统的动力学方程,然后利用奇异摄动法,将柔性空间机器人系统分解为一个柔性空间机械臂子系统和一个柔性关节快变子系统。以此为基础,提出了一种包含柔性空间机械臂子控制项和柔性关节快变子控制项的组合控制器。其中,柔性空间机械臂Terminal滑模子控制项实现了机械臂关节铰期望轨迹的跟踪,柔性关节快变子控制项使得快变子系统稳定在由柔性空间机械臂子控制项产生的机械臂关节轨迹上。系统的数值仿真结果表明,该方法能在抑制柔性关节的柔性振动的同时跟踪上机械臂关节期望轨迹。该控制方案的显著优点为不需要测量、反馈载体的位置、移动速度、移动加速度,同时可保证机械臂关节铰跟踪误差在任意指定有限时间内收敛到零。     

多关节移动机械臂系统的快速终端滑模控制

为了实现多关节移动机械臂系统在机械摩擦和模型误差等干扰下的精确控制,提出了快速终端滑模控制方法.首先建立了移动机械臂系统动力学和运动学模型,然后设计了运动环控制律,并将移动机械臂系统的运动指令转换为动力指令,最后针对动力环设计了快速终端滑模控制律,并通过自适应神经网络进行干扰估计,实现了对多关节移动机械臂系统的精确控制.仿真实验结果表明,提出的方法具有更好的快速性和准确性,移动平台的最大跟踪误差仅为0.8 cm,关节末端的最大跟踪误差仅为0.3 cm,干扰估计的最大误差为0.2 N·m,控制效果和精度均得到了明显的提升.     

非完整移动机械臂的自适应模糊滑模控制研究

针对四轮二连杆非完整移动机械臂的轨迹跟踪问题,设计了一种结合自适应模糊控制和滑模控制的控制策略。首先建立了系统包含未知动力学模型不确定性和外部扰动的动力学控制模型,然后基于反演技术设计了控制器;采用了模糊控制来逼近系统未知时变总体不确定性,并采用了自适应机制动态优化模糊系统控制参数,进一步采用了指数趋近律滑模控制消除模糊逼近误差的影响。研究结果表明:该控制器对系统总体不确定性进行了有效补偿,保证了移动机械臂在复杂不确定环境下的良好轨迹跟踪性能。     

改进狼群算法的SCARA机械臂自适应迭代学习控制

针对减小机器人重复运动的位置、速度跟踪误差的问题,给出一种基于狼群算法优化的机械臂自适应迭代学习控制策略。根据SCARA(Selective compliance assembly robot arm)机械臂驱动方程,设计动力学系统的迭代学习控制律。引入自适应步长的狼群算法,使狼群能够根据猎物气味浓度动态调整移动步长,提高了算法的收敛速度和精度。该策略对机械臂控制器参数KP、KD进行寻优时,得到了良好的控制效果,实现了对期望轨迹的有效跟踪。实验结果表明,该算法灵活性好,对系统期望轨迹具有较高的跟踪精度,有效降低了双关节机械臂的位置、速度跟踪误差,具有较强的可行性与有效性。     

多关节机器人反馈线性化双模糊滑模控制

为了提高多关节机器人轨迹跟踪控制性能,提出了一种反馈线性化双模糊滑模控制方法。该方法在对机器人非线性动力学模型反馈线性化的基础上,设计了一种双模糊滑模控制器。通过设计一个模糊控制器,根据跟踪误差和误差变化率自适应地调整滑模面的斜率,从而加快响应速度。通过设计另一个模糊控制器,根据滑模面自适应地调整滑模控制的切换控制部分,从而减弱抖振。利用李亚普诺夫定理证明了控制系统的稳定性。针对空间三关节机器人进行了仿真实验,结果表明了所提方法的有效性。     

移动机械臂的输出跟踪控制

移动机械臂通常由移动机器人和装在移动机器人上的机械臂组成。它既具有移动机器人的可移动性又具有机械臂的操作灵活性,有极高的实际应用价值。本文针对由二轮驱动的移动平台和二连杆机械臂组成的移动机械臂的输出跟踪问题,利用滑模控制原理为其设计了动态滑模控制器。首先给出了移动机械臂的简化动态模型,然后通过微分同胚和输入变换将其分解为4个低阶子系统,并给出了其输出跟踪的动态滑模控制器的设计方法。仿真实验表明,所设计的动态滑模控制器不仅能很好地跟踪给定轨迹,而且能有效地削弱滑模控制系统的抖振。     

机械臂固定时间观测器和自适应滑膜控制方法的设计

在机械臂轨迹跟踪控制过程中,当利用观测器对模型参数不确定性和外部未知动态扰动进行估计时,估计时间容易受扰动初值的影响,为此基于固定时间扰动观测器设计了一种自适应滑模轨迹跟踪控制方法。利用固定时间观测器的特性,在固定时间内获得机械臂内部模型误差和外部不确定扰动的估计,对扰动估计做出补偿,通过滑模控制策略实现机械臂的轨迹跟踪控制。针对滑模控制伴随抖震的特性,论文对滑模控制器的趋近律进行了抑制抖震的改进设计。通过仿真实验证明:基于固定时间扰动观测器的滑膜控制方法能够在固定时间内准确获取扰动的估计值,能够控制机械臂以高精度跟踪给定轨迹;通过与基于高阶扰动观测器的滑模控制方法进行仿真对比,验证了该方法在消除不确定扰动的基础上,能够有效地抑制系统抖振,并且跟踪误差能够在短时间内以指数速率完成收敛。     

机械臂反演非奇异终端的神经滑模控制

为了解决具有外部干扰以及建模误差的多关节机械臂的轨迹跟踪问题,提出了一种机械臂反演非奇异终端的神经滑模控制方法。采用非奇异终端的滑模面,基于反演方法以及滑模控制的原理,设计了反演滑模控制器。针对由于外部干扰以及建模误差引起的反演滑模控制系统中不确定的因素上界,设计了径向基(radial basis function,简称RBF)神经网络的自适应律,对不确定因素上界进行了在线估计,并对控制系统的稳定性使用了Lyapunov定理进行证明。仿真分析结果表明,所提出的方法不仅可以减少系统中存在的抖振现象,而且具有较好的轨迹跟踪性能和较强的鲁棒性。     

多关节机械臂的高阶滑模神经网络自适应控制

本文针对多关节机械臂提出了 一种高阶滑模神经网络自适应控制策略.在机械臂的动力学方程的基础之上,设置了滑模面,并对该滑模面求二阶导数,利用高阶滑模控制理论设计了机械臂的控制方案;高阶滑模控制分两步实施,针对标称系统采用了齐次连续控制项,对系统中存在外部干扰的情况添加了补偿项,并对系统中存在的不确定性采用RBF神经网络进行逼近.最后,应用李雅普诺夫稳定性理论证明了系统的稳定性,并通过MATLAB/Simulink仿真与传统滑模控制比较,表明了该控制算法有效地提高了轨迹的跟踪速度和精度,降低了系统中存在的抖颤.     

多关节机械臂干扰观测器的自适应滑模控制

为了解决多关节机械臂在外部干扰和建模误差的轨迹跟踪问题,提出了多关节机械臂干扰观测器的机械臂自适应滑模控制方法.针对干扰信号,采用干扰观测器对可观测干扰进行观测,对于未观测到的干扰通过自适应律的设计进行估计补偿;针对机械臂控制系统中的抖振问题,采用新型趋近律来设计滑模控制律,以减小抖振影响;最后,利用李雅普诺夫函数验证了系统的稳定性.仿真结果表明,该方法不仅可以有效地削弱抖振问题,而且还可以克服外界干扰和建模误差带来的不确定性,同时保证了系统的鲁棒性.     

多关节机械臂干扰观测器的自适应滑模控制

为了解决多关节机械臂在外部干扰和建模误差的轨迹跟踪问题,提出了多关节机械臂干扰观测器的机械臂自适应滑模控制方法.针对干扰信号,采用干扰观测器对可观测干扰进行观测,对于未观测到的干扰通过自适应律的设计进行估计补偿;针对机械臂控制系统中的抖振问题,采用新型趋近律来设计滑模控制律,以减小抖振影响;最后,利用李雅普诺夫函数验证了系统的稳定性.仿真结果表明,该方法不仅可以有效地削弱抖振问题,而且还可以克服外界干扰和建模误差带来的不确定性,同时保证了系统的鲁棒性.     

多关节机械臂反演滑模神经网络干扰观测器控制

多关节机械臂在建模过程中存在不确定干扰和建模误差,对机械臂的控制系统带来了许多不良的影响.为此,文中研究了一种反演滑模神经网络干扰观测器控制策略.文中采用非线性干扰观测器对多关节机械臂的外部不确定干扰进行观测补偿,且无需外界不确定干扰的上界先验知识.对于建模过程中存在的不确定性,采用反演滑模神经网络自适应控制,运用神经网络建模误差进行逼近,并采用自适应策略对网络权值进行自适应改变.通过李雅普诺夫稳定性理论证明了系统的稳定性,并通过MATLAB仿真,通过与传统滑模神经网络控制相比较,仿真结果表明该控制算法有效提高了机械臂末端轨迹跟踪速度和精度,降低了系统中存在的抖颤.     

多关节机械臂干扰观测器的自适应滑模控制

为了解决多关节机械臂在外部干扰和建模误差的轨迹跟踪问题,提出了多关节机械臂干扰观测器的机械臂自适应滑模控制方法.针对干扰信号,采用干扰观测器对可观测干扰进行观测,对于未观测到的干扰通过自适应律的设计进行估计补偿;针对机械臂控制系统中的抖振问题,采用新型趋近律来设计滑模控制律,以减小抖振影响;最后,利用李雅普诺夫函数验证了系统的稳定性.仿真结果表明,该方法不仅可以有效地削弱抖振问题,而且还可以克服外界干扰和建模误差带来的不确定性,同时保证了系统的鲁棒性.     

考虑关节非线性的串联双连杆机械臂工业机器人运动控制

当前,导致多轴工业机器人轨迹跟踪误差的主要非线性因素是各轴上的关节非线性和不同轴间的动力学耦合效应。对此,提出了一种考虑关节非线性的串联双连杆机械臂模型的工业机器人运动控制方法。构造了机械臂运动学和动力学模型,提出了一种参数化建模方法,将连杆的非线性刚度和摩擦力直接辨识为关节非线性,并将该方法应用于具有低频振动特性、对轨迹性能具有重要影响的典型多轴工业机器人的串联双连杆臂,再现串联双连杆机械臂的运动状态,通过数值模拟和实验对比,验证了该方法的有效性。采用含可变陷波滤波器的反馈闭环控制和动态前馈补偿2自由度控制两种控制方案,提高机械臂轨迹跟踪和残余振动抑制的性能。结合4种不同运动形式,开展实验研究,与常规PI轨迹跟踪控制方法进行对比分析。结果表明,采用具有可辨识双连杆动力学模型和带可变陷波滤波器反馈闭环回路的2自由度控制方案能够提高轨迹追踪和残余振动抑制性能。     

变论域模糊补偿的机械臂积分终端滑模控制

为了减小机械臂在环境扰动、参数漂移和建模误差等影响下的轨迹跟踪误差,设计了基于积分终端滑模和变论域模糊补偿的组合控制器。采用拉格朗日方程建立了机械臂系统的动力学模型,制定了不确定因素影响下机械臂跟踪控制方案;设计的积分终端滑模控制器可以将系统初始状态限制在滑模面上,消除了控制过程的抖振并提高了跟踪速度;提出了自适应论域策略,该策略可以提高补偿力矩的输出细粒度,并将变论域模糊算法用于不确定因素补偿。经实验验证,变论域模糊补偿控制对关节1角位置的最大跟踪误差为0.103 rad,误差绝对均值为0.025 rad,对关节2角位置的最大跟踪误差为0.073 rad,误差绝对均值为0.012 rad,跟踪控制精度高于模糊补偿控制、RBF-BP控制和自适应鲁棒控制,验证了变论域模糊补偿控制方法的有效性和先进性。     

液压凿岩机器人机械臂轨迹规划研究

针对液压凿岩机器人机械臂的轨迹规划问题,提出一种液压系统与机械臂轨迹优化相结合的全局功率匹配方法.构建机械臂运动学位姿模型,在关节坐标系内基于三次多项式、五次多项式和带抛物线过渡的线性插值函数等寻优算法进行机械臂轨迹规划.搭建机械臂液压系统运动轨迹跟踪仿真模型,获取仿真环境下多液压缸协同控制的运动规律,根据不同轨迹曲线...     

基于干扰观测器的机械臂自适应模糊滑模控制

机械臂在轨迹跟踪控制中存在建模误差和外界干扰等问题。为了提高机械臂轨迹跟踪的精度和速度,设计了一种基于干扰观测器的机械臂自适应模糊滑模控制策略。首先,使用新型趋近律来减小机械臂滑模控制系统中抖振的影响;其次,采用干扰观测器对机械臂建模误差和外界干扰进行估计,根据干扰观测器的观测值对机械臂的输入力矩进行补偿;最后,对于无法观测的部分,采用模糊系统中的万能逼近原理对未知的干扰进行估计,进一步提高机械臂的轨迹跟踪性能。通过仿真试验表明,该控制策略不仅可以克服建模误差和外界干扰所带来的影响,还可以有效地削弱系统的抖振,保证了机械臂各关节位置跟踪的精度和速度。同时也说明了该控制策略的有正确性和有效性。     

机械臂任务空间鲁棒Terminal滑模控制

不确定性和外部干扰是制约机器人控制精度的主要因素,传统Terminal滑模控制方法未能考虑机械臂运动学不确定性。提出一种新的机械臂任务空间鲁棒连续非奇异Terminal滑模跟踪控制方法。该方法具有较强的鲁棒性,能够有效克服运动学不确定性、动力学不确定性和外部干扰,保证机械臂任务空间跟踪误差有限时间稳定,将现有机械臂Terminal滑模控制方法从关节空间扩展到任务空间。通过模型转换,同时考虑机械臂运动学不确定性和动力学模型不确定性。使用矢量和矩阵范数定义,给出系统不确定性的界定方法。运用Lyapunov再设计方法和有界稳定理论,分析系统稳定性,明确给出系统调节时间和跟踪误差剩余集的估计方法。仿真中,通过与现有机械臂关节空间Terminal滑模跟踪控制方法比较,验证了所提方法的有效性。     

基于自适应滑模控制的四轮全向移动机器人轨迹跟踪方法研究

针对四轮全向移动机器人动力学模型参数的不确定性以及外部扰动的影响,为提高其轨迹跟踪控制性能,提出了一种基于自适应滑模的四轮全向移动机器人轨迹跟踪控制方法。首先,基于驱动电机参数建立了机器人的动力学模型,在此基础上设计了一种自适应滑模轨迹跟踪控制器;其次,通过低通滤波器滤除轨迹跟踪控制器输出端的高频信号,同时为实现机器人动力学参数的在线估计,提出了一种参数自适应控制算法并利用RBF神经网络实时调整轨迹跟踪控制器的切换增益,以减小系统的抖振;最后,为验证所述方法的有效性,采用MATLAB进行了仿真实验。仿真结果表明,基于自适应滑模控制的四轮全向移动机器人轨迹跟踪方法可以较好地降低参数变化、外部扰动对系统的影响,能够减小系统的抖振,具有较好的抗干扰能力。     

基于低通滤波器的跳跃机器人滑模控制

针对单关节跳跃机器人的轨迹跟踪、速度跟踪和振动问题,提出一种基于低通滤波器的滑模控制算法。基于Lynapunov算法设计滑模控制律,并对该算法进行了稳定性分析。利用MATLAB对单关节跳跃机器人的控制器进行了动态仿真,仿真结果表明:该算法能够快速地实现单关节跳跃机器人的位置跟踪和速度跟踪,并且相比未加入低通滤波器的单关节跳跃机器人,加入低通滤波器的单关节跳跃机器人能很好地抑制抖振,从而提高了机器人的工作品质。