技术特征：
1.一种设备(1)的开环和闭环控制方法，至少包括运动模块(50)，就其与人(m)的交互方面，其中，-定义了能量网络，后者至少包括：-第一功率分量(p
in
)，描述所述设备(1)在每单位时间提供给设备(1)和人(m)的系统的总能量(s)的能量之量；-第二功率分量(p
diss
)，描述所述设备(1)在主要辅助运动模块(50)执行的工作之外，经由内部开环和闭环控制过程损失的每单位时间能量之量；以及-第三功率分量(p
h
)，描述由所述人(m)提供给所述总能量(s)的每单位时间相的能量之量；-所述能量网络的总能量(s)，即是设备(1)和人(m)的系统，被定义为受控变量；-所述设备(1)通过运动模块(50)与所述人(m)交互的速度被定义为控制变量(ω)，所述运动模块(50)旨在穿过期望轨迹(x
d
)；-所述能量网络的总能量(s)：-所述人(m)独立执行的运动偏离由所述设备(1)初始指定的沿着轨迹(x
d
)的运动增多；以及-如果由所述人(m)独立执行的运动接近沿着由所述设备(1)初始指定的轨迹(x
d
)的运动，则再次减小；-在所述运动模块(50)运动期间确定所述能量网络的总能量(s)，以及-所述控制变量(ω)在所述运动模块(50)的运动期间变化，并取决于所确定的总能量(s)，使得所述总能量(s)：-保持在s≤s
max
–
s
δ
的区间内，如果位于所述区间内，或者-如果位于区间s>s
max
–
s
δ
内，则再次接近区间s≤s
max
–
s
δ
，其中：-s
max
＝所述总能量(s)的选定上限；-s
δ
＝s
max
–
s
x1
，其中，s
x1
代表所述受控变量(＝总能量)(s)的单个值，以及x＝n用于标定p
in
>0区间的值，以及x＝p用于标定p
in
<0区间的值。2.根据权利要求1所述的方法，其中，所述设备(1)为康复机构，所述康复机构适于使用能够与人(m)的下肢可操作地连接的运动模块(50)，根据计划对所述人(m)的下肢的至少关节、肌肉和肌腱进行康复；-所述运动模块(50)包括：-至少一个力传感器(51)，用于测量所述运动模块(50)和所述人(m)的下肢之间的力的绝对值，以及-至少一个角度传感器(52)，用于测量所述运动模块(50)和所述人(m)的下肢之间的力的方向。3.根据权利要求1或2所述的方法，其中，所述控制变量(ω)定义为；
其中：-γ
p
＝所述控制变量(ω)的最大允许正值；-γ
n
＝所述控制变量(ω)的最大允许负值(绝对值)；-s＝设备(1)和人(m)的系统的总能量；-s
max
＝所述总能量(s)的选定上限；-s
δ
＝s
max
–
s
p_x
，其中，s
p_x
代表所述受控变量s的单个值。4.根据权利要求1或2所述的方法，其中，所述控制变量(ω)被定义为：其中：-γ
p
＝所述控制变量(ω)的最大允许正值；-γ
n
＝所述控制变量(ω)的最大允许负值(绝对值)；-s＝设备(1)和人(m)的系统的总能量；-s
max
＝所述总能量(s)的选定上限；s
δ
＝s
max
–
s
p
_
x
，其中，s
p
_
x
代表所述受控变量s的单个值；sδ＝s
δ
的中间区域，其中，所述控制变量(ω)设定为零，其中，p
in
>0。5.根据权利要求1或2所述的方法，其中，所述控制变量(ω)被定义为：其中：
‑
γ
p
＝所述控制变量(ω)的最大允许正值；-γ
n
＝所述控制变量(ω)的最大允许负值(绝对值)；-s＝设备(1)和人(m)的系统的总能量；-s
max
＝所述总能量(s)的选定上限；-s
δ
＝s
max
ζ
–
s
p
_
x
，其中，s
p
_
x
代表所述受控变量s的单个值；其中，＝设备(1)处于静止状态的时间；τ＝允许设备(])处于静止状态的最长时间。6.根据任一在先权利要求所述的方法，其中，在所述运动模块(50)的运动期间，基于所确定的总能量(s)，尤其是通过实施滤波器、速率限制和/或控制变量(ω)相对于所述总能量(s)的一阶导数的绝对值的极限，来抑制所述控制变量(ω)的变化。7.根据任一在先权利要求所述的方法，其中，设备(1)和人(m)的系统的总能量(s)，特别是包括虚拟绝对能量值和实际绝对能量值，被定义为总存储函数s＝s
ce
或总存储函数s＝s
ce
+s
ee
，-控制偏差(s
ce
)的能量存储函数被特别定义为其中：-s
ce
＝控制误差能量存储函数；-m
c
(q)＝笛卡尔惯性矩矩阵；-k
x
＝笛卡尔刚度矩阵；以及-s
ee
＝所述设备(1)的末端效应器的总能量，尤其是运动模块(50)的总能量，包括动能和势能。8.根据权利要求7所述的方法，其中，所述能量存储函数(s
ce
)：-通过所述第一功率分量(p
in
)确定，其中，所述第一功率分量(p
in
)通过计算与所述第二功率分量(p
diss
)组合；或者-通过设备(1)和人(m)之间的相互作用力来计算，特别是通过用于测量所述运动模块(50)和所述人(m)的下肢之间的力的绝对值的力传感器(51)来测量。9.根据权利要求7或8所述的方法，其中，所述总存储函数的时间导数是其中：-p
in
∈r＝由运动发生器产生的输入系统的功率；-p
diss
∈r＝控制阻尼造成的功率损失；-p
h
＝由所述人(m)提供给设备(1)和人(m)系统的功率。10.根据任一在先权利要求所述的方法，其中，在执行所述运动时，通过所述设备(1)的
迭代学习过程来确定用于执行运动而选定的极限(s
max
)，所述极限用于对应于总能量(s)和/或变量s
δ
＝s
max
–
s
p_x
的总存储函数，其中，s
p_x
是所述总能量(s)的单个值；-在迭代学习过程的范围内，用于确定人(m)在由所述设备(1)指定的运动中的参与状态的学习因子(k
l
)和/或遗忘因子(k
f
)随时间变化，优选地随时间线性变化，直到学习因子(k
l
)和/或遗忘因子(k
f
)达到预先定义的最终值。11.根据权利要求10所述的方法，其中，-在第一迭代步骤中选定的极限值(s
max
)，在该值的情况下，所述设备(1)完全辅助人(m)执行所述运动，并所述控制变量(ω)的值为1；-只要所述控制变量(ω)保持所述值为1，所述极限值(s
max
)就在每个进一步的迭代步骤中减小；-以及如果所述控制变量(ω)偏离所述值为1，则所述极限值(s
max
)在下一个迭代步骤中再次增加。12.根据权利要求10或11所述的方法，其中，执行以下步骤来确定初始极限(s
init
(φ))：-所述设备(1)初始在没有给定极限(s
max
)的情况下运行n个运动周期，-运动周期的数量2≤n≤5个运动周期的区间内，优选为3个运动周期；-以及s(φ)曲线被记录在所述过程中；-所记录的s(φ)值的平均值随后被计算为初始极限(s
init
(φ))，所述初始极限(s
init
(φ))用作迭代学习过程的第一迭代步骤中的极限(s
max
)的初始值，所述初始值的形式为λ
·
s
init
(φ)，λ≥1；-以及特别是用于确定人(m)在由所述设备(1)指定的运动中的参与状态的学习因子(k
l
)和/或遗忘因子(k
f
)，在初始化迭代学习过程时基于初始极限(s
init
(φ))被缩放。13.根据权利要求12所述的方法，其中，基于描述所述设备(1)的运动周期内的运动进程的相位值(φ)，将被选定用于执行运动的极限(s
max
)分成多个区域(ψ
i
(φ))，所述极限用于对应于所述总能量(s)的总存储函数，并为每个区域(ψ
i
(φ))确定初始极限(s
init，i
(φ))。14.根据任意在先权利要求所述的方法，其中，选定用于执行运动的极限(s
max
)，所述极限用于对应于所述总能量(s)的总存储函数，-基于描述所述设备(1)的运动周期内的运动进程的相位值(φ)被分成多个区域(φ
i
(φ))，-描述从φ
str，i
到φ
str，i+1
的相位值区间的区域(φ
i
(φ))，以及-为每个区域(φ
i
(φ))单独定义要选定的极限(s
max
(φ))，以下适用于一个区域(φ
i
(φ))：)的所有相位值(φ)-其中，δ≥0描述了平滑区间，所述区间包括比区域(φ(φ))更小的相位值(φ)的值范围，尤其是各自区域(φ
i
(φ))的相位值(φ)的十分之一；
‑
以及，是与各自区域(φ
i
(φ))相关联的极限。15.一种设备(1)，包括康复机构(30)，所述康复机构(30)适于使用能够与人(m)的下肢可操作地连接的运动模块(50)，根据计划对所述人(m)的下肢的至少关节、肌肉和肌腱进行康复；-所述运动模块(50)包括：-至少一个力传感器(51)，用于测量所述运动模块(50)和所述人(m)的下肢之间的力的绝对值；以及-至少一个角度传感器(52)，用于测量所述运动模块(50)和所述人(m)的下肢之间的力的方向；特征为：-控制单元(11)，被设置为用于根据权利要求1至14所述的方法对所述设备(1)进行开环和闭环控制。
技术总结
本发明涉及一种设备(1)的开环和闭环控制方法，该设备至少包括运动模块(50)，就该运动模块(50)与人(M)的交互而言，该方法基于能量的控制方案，该方案使得可以根据描述设备(1)或其运动模块(50)运动速度的测量控制变量(Ω)来监控包括设备(1)和人(M)的系统中的总能量(S)的量。该方法有利地考虑了包括设备(1)和人(M)的系统中的整个功率周期，特别是能量或功率流的动力学，并考虑了人(M)在闭环控制期间的表现。该方法还有利地使得能够在迭代学习过程中确定使用设备(1)的人(M)的参与状态，而无需额外的传感器。而无需额外的传感器。而无需额外的传感器。
技术研发人员：A
受保护的技术使用者：反应机器人技术有限公司
技术研发日：2020.11.04
技术公布日：2022/7/29