一种机械臂自适应轨迹跟踪控制方法与流程

技术特征：

1.一种机械臂自适应轨迹跟踪控制方法，其特征在于该控制方法基于滑模观测器与神经网络辨识器建立，具体步骤包括：

步骤1：针对不确定的运动学部分，建立运动学不确定雅各比矩阵模型，设计了基于滑模观测器的不确定雅各比矩阵自适应补偿器，并证明其滑模面的收敛性；

步骤2：针对不确定的动力学部分，将动力学模型不确定项和外界干扰视为总不确定动力学，设计了基于rbf神经网络的不确定动力学模型辨识器，利用辨识出的函数估计动力学参数及外界干扰；

步骤3：设计一种新的基于rbf神经网络的鲁棒自适应控制器，并根据该控制器设计了优化的神经网络参数自适应律，最后对其稳定性进行分析。

2.根据权利要求1所述的机械臂自适应轨迹跟踪控制方法，其特征在于：步骤1中所述运动学不确定雅各比矩阵模型建立为：根据机械臂名义雅各比矩阵，将不确定的雅各比矩阵设计为δj(q)；假设所述不确定的雅各比矩阵是有界的，即||δj(q)||≤b1，其中b1∈r是正常数，代表有界上限。

3.根据权利要求2所述的机械臂自适应轨迹跟踪控制方法，其特征在于：所述的基于滑模观测器的不确定雅各比矩阵自适应补偿器的设计为：在考虑名义雅各比矩阵的基础上加入终端滑模函数估计函数设计为：其中是x的估计值，时估计误差，k01∈r中为正观测增益，p1∈r中以及q1∈r为正奇数，满足p1＜q1，即保证运动学估计误差xe能在有限时间收敛到滑模面，其中有限时间为to，

4.根据权利要求3所述的机械臂自适应轨迹跟踪控制方法，其特征在于：所述滑模面的收敛性证明表述为：选择李雅普诺夫函数：证明得到：估计误差xe将收敛到滑动面xe≡0。

5.根据权利要求4所述的机械臂自适应轨迹跟踪控制方法，其特征在于：步骤2中针对所述的总不确定动力学，根据机械臂的动力学方程，在名义动力学模型的基础上将其不确定项和外界扰动视为总扰动h(q)；所述的基于rbf神经网络的不确定动力学模型辨识器的设计为：将不确定模型分为两部分利用神经网络辨识，即：f1(v1)＝v1^ts1(v1)+δ1(e2)，f2(v2)＝v2^ts2(v2)+δ2(e2)，其中为理想的权值矩阵，δ1(e2):r²→r²是逼近误差；也为理想的权值矩阵，而δ2(e2):r²→r²是逼近误差；n1和n2为隐含层的神经元数目，逼近误差由未知常数σi限定，即||δi(e2)||2≤σi,i＝1,2。

6.根据权利要求5所述的机械臂自适应轨迹跟踪控制方法，其特征在于：步骤3中所述基于rbf神经网络的鲁棒自适应控制器设计为：设xd为工作空间期望轨迹，定义任务空间跟踪误差为e1＝xd-x，定义关节空间的滑动向量为根据神经网络函数设计控制律为：其中k∈r^n×n是一个对称正定矩阵，θ＝(σ1+σ2)sgn(e2)是一个用于克服神经网络逼近误差δi,i＝1,2的鲁棒补偿器；是用于估计wi,i＝1,2的在线学习参数，wi,i＝1,2是理想化权矩阵vi的最大奇异值的平方；所述优化的神经网络参数自适应律设计为：其中r1、r2、k1和k2是正的可调参数。

7.根据权利要求6所述的机械臂自适应轨迹跟踪控制方法，其特征在于，该控制方法还包括对控制器的稳定性分析证明，具体是选取李雅普诺夫函数：其中是nns权重误差，证明得到：其中

技术总结
本发明公开了一种机械臂自适应轨迹跟踪控制方法，该控制方法基于滑模观测器与神经网络辨识器建立，具体包括考虑了运动学与动力学不确定性的机械臂模型的建立、不确定运动学滑模观测器的设计、动力学部分基于RBF神经网络的控制器以及优化的自适应律的设计、滑模函数收敛性证明以及神经网络控制器的稳定性证明，本发明解决的传统机械臂神经网络控制算法自适应参数多、计算复杂的问题，并在一定程度上减少了系统收敛时间，提高了机械臂系统的跟踪控制性能。

技术研发人员：杨亮;周炳
受保护的技术使用者：电子科技大学中山学院
技术研发日：2020.10.09
技术公布日：2021.01.05