论文部分内容阅读
可重构机械臂是一类针对不同任务及环境能被重新组装成构型各异的机器人系统,具有模块化、高精度以及面向任务的构型自适应性等诸多优点。但在实际应用中,存在诸多未知量及外部干扰等不确定性均将影响到可重构机械臂在任务过程中的轨迹跟踪性能。因此研究适应可重构机械臂面向任务时构型变化,同时有效的补偿存在的诸多不确定性,实现高精度的轨迹跟踪性能问题已成为目前亟需研究的课题。本文针对可重构机械臂在关节空间及任务空间中轨迹跟踪控制问题,研究了构型自适应及不确定性补偿相关控制算法,并进行了理论推导及仿真验证。针对关节空间控制中可重构机械臂构型自适应及不确定性补偿问题,提出了RBF神经网络鲁棒自适应补偿控制算法。设计了RBF神经网络补偿控制器,对系统整体不确定性进行自适应逼近补偿;为了减小逼近误差及提高系统抗干扰性与鲁棒性,在RBF神经网络控制律中引入了鲁棒项;基于Lyapunov理论设计了构型自适应调节律,并证明了闭环控制系统的稳定性。通过数值仿真验证了RBF神经网络鲁棒自适应补偿控制算法适应构型变化及补偿不确定性的有效性。考虑到滑模控制算法对被控对象参数不确定性及外部扰动等具有较强的鲁棒性,较好的适应了可重构机械臂构型变化及系统不确定性特点,提出了基于模糊自适应滑模增益补偿控制算法。设计了基于饱和函数的新滑模面和基于指数函数的快速收敛趋近律,通过滑模控制器对系统诸多不确定性及外部干扰等进行补偿;考虑到恒定的滑模切换增益项具有不能实时响应补偿外部扰动、时变的系统不确定性及构型改变导致系统抖振的局限性,结合恒定滑模切换控制项及反馈项设计了新的滑模增益控制项;并引入了模糊逻辑系统对新的滑模增益控制项实时的进行自适应调整;基于Lyapunov理论设计了构型自适应调节律,并证明了闭环控制系统稳定性。通过数值仿真分析,与RBF神经网络鲁棒自适应补偿控制算法相对比,验证了所提算法能够更好的适应构型改变及提高系统的鲁棒性。为便于本文构型自适应参数选择,通过分析构型自适应参数P对控制性能的影响,得出了P值的大约选择区间。针对存在不确定性的可重构机械臂在任务空间内的末端轨迹跟踪问题,设计了一种RBF神经网络自适应滑模补偿控制方法。基于Jacobian矩阵将可重构机械臂动力学模型由关节空间模型转换到任务空间模型;在任务空间中直接设计了RBF神经网络自适应滑模补偿控制器对系统存在的不确定性进行补偿;在控制律中设计了权值自适应调节律;基于Lyapunov理论证明了闭环控制系统稳定性。数值仿真验证了所提算法能够有效的实现任务空间控制中较好的轨迹跟踪性能。