论文部分内容阅读
摘 要:本文阐述了机器手控制技术的研究现状,并对控制技术进行了分析,在课题的研究基础上寻求一种有效的方法,处理其不确定性。
关键词:机器手;不确定性;控制技术
1 引言
考虑到不确定因素的存在,在建立机器人的数学模型时往往会做一些近似处理,忽略一些不确定性因素,诸如参数摄动、摩擦力、观测噪声以及外部扰动等。然而这些不确定性因素的存在可能会引起系统的控制效果变差,甚至导致系统不稳定。所以,在设计机器人控制器时不仅要考虑到数学模型的标称参数,同时还要考虑到模型不确定性以及外界的干扰对系统稳定性的影响。因此,设计一个简单而实用的控制器就具有十分重要的意义。
2 机器手控制技术研究现状及其分析
2.1自适应控制
积极的辨识模型中的不确定性并通过在线修正控制器的方法使闭环系统满足期望的性能指标,即自适应控制。机器人的动力学模型不仅存在着非线性和不确定因素如未知的系统参数、非线性动态特性等。这些未知因素和不确定性,将使控制系统性能变差,而应用自适应控制方法可以有效的抑机器人动力学模型的不确定性,从而提高控制系统的暂态性能。自适应控制分为直接自适应控制和间接自适应控制。直接自适应控制无需对系统的参数进行辨识,直接对控制器的参数进行自适应调整即可。而间接自适应控制首先需要通过在线辨识系统的参数,然后再基于辨识系统选取合适的参数自适应调整律,进而选择何种控制器。关于自适应系统的稳定性理论,孙云平等人对可反馈线性化系统提出了一种自适应控制方法,并且分别针对线性和非线性系统进行了论述。由于自适应控制对系统的建模误差和未知的外界干扰较为敏感,很多学者从自适应控制的鲁棒性角度进行了大量的研究。S·C·Tong针对一类带有动态不确定的非线性系统,设计了模糊自适应鲁棒控制器;A T·Hasan提出了输入-输出表示的非线性系统的自适应控制。由于自适应控制在当被控对象参数发生变化时,它能够通过在线辨识、学习和调整控制律,使得实际的闭环控制系统满足性能要求,所以其在机器人控制方面也取得了大量的成果。
2.2 鲁棒控制
预先估计不确定因素存在的集合,针对这一集合内的所有因素预先设计一个固定的控制器,使得只要不确定性因素不脱离这一集合,闭环系统就能满足期望的设计指标,即鲁棒控制。鲁棒控制是基于对不确定性的描述参数和标称系统的数学模型来设计控制器,它能以固定的控制器,在不确定性破坏最严重的情况下保证系统的稳定性。鲁棒控制器的设计仅需要知道限制其不确定性的最大边界值,而且它还可以对参数和非参数不确定性进行补偿,这种特点是自适应控制所不具备的。除此之外,鲁棒控制还具有易于实现,对非结构不确定性和时变参数具有更好的补偿效果等特点。而且该算法无需对参数进行自适应调整,无需冗长的计算,实时性好,且具有较快的运算速度。但是鲁棒控制也有以下缺点:采用鲁棒控制不能获得一个较好的暂态性能,而且在设计鲁棒控制器时,系统的不确定性必须属于一个可描述的已知范围,比如增益有界且其上界已知等等,若是不确定性超出了假设范围,将会导致系统发散,这种缺点使其在应用中受到了较大的限制。考虑到鲁棒控制方法的缺陷,许多学者将智能控制方法与鲁棒控制、自适应控制相结合,两者相互协调,可保证控制系统具有良好的动态性能和鲁棒性能。
2.3 智能控制方法
在研究存在不确定性及较强外部干扰的系统的控制问题时,与上述方法不同的另一个有效途径是各种智能控制方法。从目前智能控制的研究来看,其在许多领域都取得了成功的应用,尤其以模糊控制的工程应用最为突出。近年来,以模糊逻辑以及神经网络为代表的智能控制方法开始用于不确定性机器人控制。
俞建成等人采用神经网络直接自适应控制方法对水下机器人进行控制,在存在外界干扰以及神经网络逼近误差的条件下,其跟踪误差仍然能够保证一致稳定有界。Lewis等人采用基于Lyapunov方法设计神经网络权重的自适应律, 避免了离线重复训练的步骤, 保证了系统的稳定性, 为稳定性神经网络的发展和应用奠定了基础。王良勇等人针对结构和参数均未知的机器人控制问题, 提出了一种考虑驱动系统动态的机器人神经网络控制方法。
为了进一步提高模糊系统的控制性能,很多学者都致力于寻求新的模糊逻辑控制系统的设计方法,尤其是当对象中存在复杂的不确定、非线性、时变性、及外界干扰等因素时,为了获得良好的控制效果,必须使控制器具有自适应性。因此自适应控制算法被引入模糊控制,从而产生了自适应模糊控制。另外,很多学者将自适应模糊逻辑与其他控制方法相结合也取得了很好的控制效果。C·H·Tsai等人针对一类非线性系统,分别研究了直接和间接自适应输出反馈分散控制。王立新则在系统状态不可观测的情况下,提出了一种混合直接/间接自适应模糊系统的输出跟踪控制策略,通过设计的H∞控制器抑制外界干扰对系统的影响,而模糊系统的逼近误差则通过滑模控制器进行补偿。
虽然大部分工业生产过程可在工作点附近通过局部线性化的方法进行建模和控制,但对一些具有特殊结构的非线性或强非线性被控对象用常规的线性控制方法就很难得到满意的控制效果。由于非线性被控对象的结构辨识和参数估计存在较大的困难,即使通过某种方法得到过程了的动态特性和预测模型,但是算法的在线非线性滚动优化实施又将是一个困难。对于一个非线性被控对象,由于其本身具有时变、耦合等特点,现在还没有一种统一的预测控制方法对其进行控制。这就要求我们要寻找一种更为有效的非线性预测控制方法。
为了进一步减少预测控制在线计算量以适用于非线性被控对象,近年来许多学者对非线性预测控制及其改进方法进行了大量的研究。陈志旺等利用中值定理将一类非线性系统等价表示为时变线性系统,通过模糊逻辑系统直接设计预测控制器。李妍等提出一种基于多面体终端域的预测控制综合算法。离线设计时,通过构造一系列多面体不变集,扩大了终端域; 在多面体不变集内,设计非线性控制律,减少了常规线性控制律设计的保守性。在线计算时,通过求解有限个线性矩阵不等式优化问题, 不仅可以满足实时性要求,而且能够改善控制性能。
3 结语
在建立机器人的数学模型时,往往会做一些近似处理,忽略一些不确定性因素,诸如参数摄动、摩擦力、观测噪声以及不确定的外部扰动等。所以这就为机器人控制提出了一个重要的课题,就是如何有效的处理不确定性。本文分析众多控制技术,期望需求合理的控制方法。■
参考文献
[1] 王良勇, 柴天佑, 方正. 考虑驱动系统动态的机器人神经网络控制及应用[J].自动化学报, 2009, 35(5): 621-626.
[2] 陈志旺, 王洪瑞. 非线性模糊自适应直接广义预测控制[J]. 电机与控制学报, 2007, 11(1): 55-59.
关键词:机器手;不确定性;控制技术
1 引言
考虑到不确定因素的存在,在建立机器人的数学模型时往往会做一些近似处理,忽略一些不确定性因素,诸如参数摄动、摩擦力、观测噪声以及外部扰动等。然而这些不确定性因素的存在可能会引起系统的控制效果变差,甚至导致系统不稳定。所以,在设计机器人控制器时不仅要考虑到数学模型的标称参数,同时还要考虑到模型不确定性以及外界的干扰对系统稳定性的影响。因此,设计一个简单而实用的控制器就具有十分重要的意义。
2 机器手控制技术研究现状及其分析
2.1自适应控制
积极的辨识模型中的不确定性并通过在线修正控制器的方法使闭环系统满足期望的性能指标,即自适应控制。机器人的动力学模型不仅存在着非线性和不确定因素如未知的系统参数、非线性动态特性等。这些未知因素和不确定性,将使控制系统性能变差,而应用自适应控制方法可以有效的抑机器人动力学模型的不确定性,从而提高控制系统的暂态性能。自适应控制分为直接自适应控制和间接自适应控制。直接自适应控制无需对系统的参数进行辨识,直接对控制器的参数进行自适应调整即可。而间接自适应控制首先需要通过在线辨识系统的参数,然后再基于辨识系统选取合适的参数自适应调整律,进而选择何种控制器。关于自适应系统的稳定性理论,孙云平等人对可反馈线性化系统提出了一种自适应控制方法,并且分别针对线性和非线性系统进行了论述。由于自适应控制对系统的建模误差和未知的外界干扰较为敏感,很多学者从自适应控制的鲁棒性角度进行了大量的研究。S·C·Tong针对一类带有动态不确定的非线性系统,设计了模糊自适应鲁棒控制器;A T·Hasan提出了输入-输出表示的非线性系统的自适应控制。由于自适应控制在当被控对象参数发生变化时,它能够通过在线辨识、学习和调整控制律,使得实际的闭环控制系统满足性能要求,所以其在机器人控制方面也取得了大量的成果。
2.2 鲁棒控制
预先估计不确定因素存在的集合,针对这一集合内的所有因素预先设计一个固定的控制器,使得只要不确定性因素不脱离这一集合,闭环系统就能满足期望的设计指标,即鲁棒控制。鲁棒控制是基于对不确定性的描述参数和标称系统的数学模型来设计控制器,它能以固定的控制器,在不确定性破坏最严重的情况下保证系统的稳定性。鲁棒控制器的设计仅需要知道限制其不确定性的最大边界值,而且它还可以对参数和非参数不确定性进行补偿,这种特点是自适应控制所不具备的。除此之外,鲁棒控制还具有易于实现,对非结构不确定性和时变参数具有更好的补偿效果等特点。而且该算法无需对参数进行自适应调整,无需冗长的计算,实时性好,且具有较快的运算速度。但是鲁棒控制也有以下缺点:采用鲁棒控制不能获得一个较好的暂态性能,而且在设计鲁棒控制器时,系统的不确定性必须属于一个可描述的已知范围,比如增益有界且其上界已知等等,若是不确定性超出了假设范围,将会导致系统发散,这种缺点使其在应用中受到了较大的限制。考虑到鲁棒控制方法的缺陷,许多学者将智能控制方法与鲁棒控制、自适应控制相结合,两者相互协调,可保证控制系统具有良好的动态性能和鲁棒性能。
2.3 智能控制方法
在研究存在不确定性及较强外部干扰的系统的控制问题时,与上述方法不同的另一个有效途径是各种智能控制方法。从目前智能控制的研究来看,其在许多领域都取得了成功的应用,尤其以模糊控制的工程应用最为突出。近年来,以模糊逻辑以及神经网络为代表的智能控制方法开始用于不确定性机器人控制。
俞建成等人采用神经网络直接自适应控制方法对水下机器人进行控制,在存在外界干扰以及神经网络逼近误差的条件下,其跟踪误差仍然能够保证一致稳定有界。Lewis等人采用基于Lyapunov方法设计神经网络权重的自适应律, 避免了离线重复训练的步骤, 保证了系统的稳定性, 为稳定性神经网络的发展和应用奠定了基础。王良勇等人针对结构和参数均未知的机器人控制问题, 提出了一种考虑驱动系统动态的机器人神经网络控制方法。
为了进一步提高模糊系统的控制性能,很多学者都致力于寻求新的模糊逻辑控制系统的设计方法,尤其是当对象中存在复杂的不确定、非线性、时变性、及外界干扰等因素时,为了获得良好的控制效果,必须使控制器具有自适应性。因此自适应控制算法被引入模糊控制,从而产生了自适应模糊控制。另外,很多学者将自适应模糊逻辑与其他控制方法相结合也取得了很好的控制效果。C·H·Tsai等人针对一类非线性系统,分别研究了直接和间接自适应输出反馈分散控制。王立新则在系统状态不可观测的情况下,提出了一种混合直接/间接自适应模糊系统的输出跟踪控制策略,通过设计的H∞控制器抑制外界干扰对系统的影响,而模糊系统的逼近误差则通过滑模控制器进行补偿。
虽然大部分工业生产过程可在工作点附近通过局部线性化的方法进行建模和控制,但对一些具有特殊结构的非线性或强非线性被控对象用常规的线性控制方法就很难得到满意的控制效果。由于非线性被控对象的结构辨识和参数估计存在较大的困难,即使通过某种方法得到过程了的动态特性和预测模型,但是算法的在线非线性滚动优化实施又将是一个困难。对于一个非线性被控对象,由于其本身具有时变、耦合等特点,现在还没有一种统一的预测控制方法对其进行控制。这就要求我们要寻找一种更为有效的非线性预测控制方法。
为了进一步减少预测控制在线计算量以适用于非线性被控对象,近年来许多学者对非线性预测控制及其改进方法进行了大量的研究。陈志旺等利用中值定理将一类非线性系统等价表示为时变线性系统,通过模糊逻辑系统直接设计预测控制器。李妍等提出一种基于多面体终端域的预测控制综合算法。离线设计时,通过构造一系列多面体不变集,扩大了终端域; 在多面体不变集内,设计非线性控制律,减少了常规线性控制律设计的保守性。在线计算时,通过求解有限个线性矩阵不等式优化问题, 不仅可以满足实时性要求,而且能够改善控制性能。
3 结语
在建立机器人的数学模型时,往往会做一些近似处理,忽略一些不确定性因素,诸如参数摄动、摩擦力、观测噪声以及不确定的外部扰动等。所以这就为机器人控制提出了一个重要的课题,就是如何有效的处理不确定性。本文分析众多控制技术,期望需求合理的控制方法。■
参考文献
[1] 王良勇, 柴天佑, 方正. 考虑驱动系统动态的机器人神经网络控制及应用[J].自动化学报, 2009, 35(5): 621-626.
[2] 陈志旺, 王洪瑞. 非线性模糊自适应直接广义预测控制[J]. 电机与控制学报, 2007, 11(1): 55-59.