论文部分内容阅读
随着航天技术和机器人技术的发展,柔性机械手以其高负载/自重比、低能耗、高速,以及适用于直接驱动运行模式等优点,受到了广泛的关注。然而,柔性机械手是一个高度非线性的、分布参数的、强耦合的无穷维多输入多输出系统,因此其柔性机械手控制方法的研究对于实现高速、高精度控制具有重要意义。 针对柔性机械手的关节转矩输入到其端点位移输出的传函具有非最小相位特性,本文采用重新定义系统输出的方法,将系统分解为输入输出子系统和内部子系统,并在此基础上提出了一种终端滑模控制策略,使得输入输出子系统有限时间收敛,并利用遗传算法优化控制器的设计参数,使柔性机械手系统的零动态子系统在平衡点附近渐进稳定,从而保证整个柔性机械手系统的渐近稳定。 柔性机械手由于测量和建模的不精确,再加上负载的变化以及外部扰动的影响,很难得到精确、完整的运动模型。本文针对柔性机械手系统中存在不确定的情况,提出了基于模糊规则的无抖振快速终端滑模控制策略,根据经验,以降低抖振为原则设计模糊规则,将不连续的控制信号连续化,减轻或避免了一般滑模控制的抖振现象,实现柔性机械手的鲁棒控制。 为实现轨迹跟踪,采用奇异摄动法将柔性机械手分解成等效刚性臂的慢变子系统和抖振抑制的快变子系统。对慢变子系统,采用PID积分滑模。为了消除抖振,设计了二阶滑模控制器,使其轨迹渐进跟踪期望值。对快变子系统采用频率成形技术设计最优控制策略,使系统的输出快速趋于稳定值。在保证跟踪精度的同时又抑制振动。 在实际应用中,柔性模态的导数难以测量。本文在经典的Walcott-Zak观测器基础上,提出了一种鲁棒滑模观测器,实现了柔性模态的导数的观测。所提出的鲁棒滑模观测器避免了Walcott-Zak观测器必须满足的严格条件,简化了设计过程。当系统不确定性的上界未知时,采用自适应学习的RBF神经网络对其在线估计,保证系统跟踪误差渐进收敛。在此基础上提出了基于观测器的柔性机械手滑模控制策略。