论文部分内容阅读
本文以Denso VP 6242机械臂为被控对象,研究串联机械臂轨迹跟踪控制策略。首先建立机械臂模型来描述其运动学和动力学特性,运动学建模包括使用标准D-H参数法的正向运动学建模和使用几何法与解析法相结合的逆向运动学建模,仿真测试证明了运动学模型的准确性。根据Lagrange方程和机械臂物理参数建立动力学模型,为接下来所设计的控制算法提供了仿真测试对象。针对难以精确建模和存在环境干扰等因素的机械臂轨迹追踪控制,本文提出一种带有自适应模糊系统的终端滑模控制策略(FTSM_Fuzzy)。该策略采用了改进型双幂次趋近律,提高了趋近运动阶段系统状态的收敛速度,削弱了控制器输出抖振;构建了非奇异快速终端滑模面,使系统状态具有全局快速收敛性;利用自适应MIMO模糊系统对系统模型以及外部干扰进行逼近,替换了无法精确得到的系统模型参数,提高了轨迹追踪精度和抗干扰能力。构建Lyapunov函数证明被控系统的闭环稳定性和有限时间收敛性。仿真对比实验证明了该控制方案的优越性。为了解决FTSM_Fuzzy中大量的模糊规则带来的计算量负担,针对实际工况中机械臂往往做周期性重复运动,本文提出一种基于二阶终端滑模的自适应迭代学习控制策略(STSM_ILC)。该策略在非奇异快速终端滑模面的基础上加入积分项,构建二阶终端滑模控制,提高了轨迹追踪速度,也抑制了控制器输出抖振。采用自适应迭代学习方法学习每个工作周期中的状态信息,修正控制量输出,提高控制精度。控制策略随迭代次数增加的收敛由类Lyapunov能量函数证明。仿真对比实验了证明该控制方案的优越性。最后在Quanser实验平台上验证所设计的两种控制策略。设计了高阶链式微分器来解决FTSM_Suzzy在实验中无法精确获得关节角速度和角加速度的问题;针对实际工况,对STSM_ILC初始状态改变的情况进行了理论分析和收敛性证明。通过与传统的线性滑模控制器对比,实验结果证明本文所设计的两种控制策略均能提高机械臂轨迹追踪精度,缓解控制量抖振。