基于奇异摄动法的受约束双连杆柔性机械臂组合控制

建立了受约束双连杆柔性机械臂动力学方程,基于奇异摄动理论,将系统模型分解为慢变及快变两个子系统。对慢变和快变两个子系统分别设计控制器,达到了力/位置精确控制的目的。仿真结果验证了采用组合控制方案的正确性。     

自由浮动空间柔性机械臂轨迹跟踪与振动抑制

针对带有效载荷的3连杆全柔性空间机械臂,讨论了对有效载荷运动轨迹跟踪的快速终端滑模控制和连杆柔性振动主动控制问题.基于假设模态法、拉格朗日法和系统动量守恒对柔性连杆进行近似描述,忽略高阶弹性振动模态,推导了一种自由浮动空间柔性机械臂操作刚性有效载荷的动力学模型.在此基础上,采用奇异摄动法将系统模型分解为慢变和快变2个子...     

自由浮动空间柔性冗余度机械臂姿态稳定控制

讨论了自由浮动柔性冗余度空间机械臂的姿态稳定控制问题.采用假设模态法对柔性连杆的变形进行近似描述,忽略高阶弹性振动模态,然后利用拉格朗日法建立空间柔性冗余度机械臂系统的动力学模型.在此模型基础上利用奇异摄动法把系统分解为快慢2个子系统,设计慢变子系统的模糊滑模控制器,以保证轨迹误差的渐近跟踪.对快变子系统则采用最优控制...     

柔性物料提升机不确定鲁棒控制及振动抑制

以柔性臂式物料提升机为对象,研究了其惯性参数不确定情况下的鲁棒位置控制和柔性振动主动抑制.利用拉格朗日-假设模态法建立其刚柔耦合模型,针对刚柔耦合系统强非线性的特点,基于奇异摄动法,将系统降阶为快、慢双时间尺度子系统,快变子系统表征机械臂柔性振动,采用最优控制主动抑制;慢变子系统表征机械臂刚性运动,考虑到提升机末端负载变化会给系统参数带来不确定性,采用非奇异终端神经滑模控制.计算结果表明:所设计控制器不仅能保证柔性臂式物料提升机位置的精确控制,对末端负载变化有较强的鲁棒性,而且能实现对柔性振动的快速抑制.     

基于神经网络及综合电机特性的柔性关节空间机器人全阶滑模控制

研究了载体位置、姿态均不受控的自由漂浮柔性关节空间机器人机械臂轨迹跟踪及关节柔性振动主动抑制问题,利用系统动量、动量矩守恒关系及第二类Lagrange法,并综合考虑关节驱动电机特性,导出了其全系统动力学模型;然后基于奇异摄动理论将该动力学模型分解为描述机械臂刚性运动的慢变子系统及描述关节柔性振动的快变子系统,并结合关节电机输出力矩与电枢电流的关系,将对控制力矩的设计转化为对电流控制的设计。之后,针对关节柔性振动快变子系统,采用速度差值反馈控制方案对其进行了振动主动抑制;针对机械臂刚性运动慢变子系统,则基于RBF神经网络提出了一种全阶滑模控制方案;其中RBF神经网络用于逼近由系统不确定参数带来的未知非线性项,全阶滑模控制方案的引入在于使控制系统在兼备传统滑模控制方案鲁棒性强特点的同时,还能克服抖振问题。最后,系统数值仿真结果说明了所提方案的有效性。     

柔性基和柔性关节空间机器人双重自适应控制

为实现参数未知柔性基和柔性关节空间机器人的刚性运动控制及柔性振动抑制,提出一种基于非确定性等价原理的双重自适应控制方案.结合拉格朗日法、动量守恒原理及奇异摄动法,导出基座姿态受控模式下的系统动力学方程及其在双时间尺度下的快、慢变子系统.利用一类新型低通滤波信号对系统回归矩阵进行修正,针对慢变子系统设计一种可多参数调节的非确定性等价自适应控制策略,以实现参数未知工况下基座姿态及关节的轨迹跟踪.针对具有不确定性快变子系统,设计一种可使快变子系统渐近稳定、抑制基座和关节柔性振动的自适应控制策略.仿真结果验证了所提双重自适应控制方案在系统刚、柔性运动控制上的有效性.     

双连杆柔性机械臂的变结构轨迹控制

针对双连杆具有柔性前臂的机器人建立了非线性动力学模型，柔性臂所在的动坐标系采用相对坐标系，即悬臂梁坐标系，使得关节的实际转动角度与动坐标系的转动角一致，利于控制方案的实施。基于输入输出线性化，提出了一种关节轨迹变结构跟踪控制方案，该方案考虑了柔性臂弹性变形的稳定性和对参数的变化的鲁棒性。     

综合电机特性的柔性关节空间机器人全阶滑模控制

研究柔性关节空间机器人轨迹跟踪及关节柔性振动主动抑制问题.导出综合电机特性的动力学模型,且基于奇异摄动理论将其分解为快、慢变子系统.针对快变子系统,采用速度差值反馈控制;针对慢变子系统,提出一种基于径向基神经网络的全阶滑模控制.其中径向基神经网络用于逼近系统未知非线性项,全阶滑模兼备结构简单、鲁棒性强等优点的同时,还能克服抖振问题.系统数值仿真结果证明了所提方案的有效性.     

基于分布估计算法的柔性机械手滑模控制器设计与优化

为了提高柔性机械手末端位置控制的鲁棒性和精度,提出基于分布估计算法(EDA)的滑模控制器优化方法.首先通过奇异摄动理论将柔性机械手动力学解耦为快慢2个子系统,分别设计含待定参数的快慢子系统的滑模控制器,然后给出了基于EDA的控制器优化策略,对滑模控制器进行优化.最后通过仿真与传统滑模控制进行对比试验,结果显示该方法在响应速度、超调量、控制精度以及振动抑制方面都优于传统的滑模控制算法.     

变姿态柔性机械臂横向振动主动控制理论与实验

综合模态控制和极点配置方法来抑制变姿态柔性机械臂的横向振动.建立了工程适用的柔性机械臂回转系统简化动力学模型,通过模态滤波器和状态观测器实现机械臂末端横向加速度到模态速度和模态位移的转换,结合极点配置法获得当前姿态下系统的模态增益系数,可计算得到模态控制力和实际控制力.实现了基于NI控制器和回转液压作动器的主动控制实验系统,开展了变姿态条件下柔性机械臂横向振动主动控制实验,结果验证了上述方法对变姿态条件下柔性机械臂横向振动抑制的有效性.     

Neuro-Sliding-Mode Control of Flexible-Link Manipulators Based on Singularly Perturbed Model

A neuro-sliding-mode control (NSMC) strategy was developed to handle the complex nonlinear dynamics and model uncertainties of flexible-link manipulators. A composite controller was designed based on a singularly perturbed model of flexible-link manipulators when the rigid motion and flexible motion are decoupled. The NSMC is employed to control the slow subsystem to track a desired trajectory with a traditional sliding mode controller to stabilize the fast subsystem which represents the link vibrations. A stability analysis of the flexible modes is also given. Simulations confirm that the NSMC performs better than the traditional sliding-mode control for controlling flexible-link manipulators. The control strategy not only gives good tracking performance for the joint angle, but also effectively suppresses endpoint vibrations. The simulations also show that the control strategy has a strong self-adaptive ability for controlling manipulators with different parameters.     

非线性系统神经模糊自适应控制的问题与策略

针对具有未知动力学的机械臂系统 ,提出一系列神经模糊自适应控制方法。提出神经模糊动态逆稳定自适应控制方法 ,该方法使用动态神经模糊系统逼近非线性动态系统 ,设计的动态逆控制器可以通过参数的设定保证闭环系统在初始控制段的动态性能 ,而无需事先要求机械臂状态位于某一紧集的假设。结合延时神经模糊网络 ,引入降维观测器估计输出重定义后机械手的速度矢量 ,从而建立了非线性系统的控制器观测器设计的新方法。采用了动态逆和“Back-stepping(后退 )”的技术 ,将以上方法成功推广到了考虑执行电机动力学特性的柔性连杆机械臂问题上     

基于滑动模态的柔性臂的鲁棒自适应PD控制器

讨论了柔性臂的轨迹跟踪问题.应用奇异摄动理论将柔性臂的动力学方程分解成两个降维的子系统,并分别采用鲁棒自适应PD控制和最优控制.仿真结果表明,这种混合控制策略不但可以快速、准确地跟踪给定轨迹,而且解决了传统PD控制中初始力矩过大的问题,并具有很强的鲁棒性.     

On the Basis of the Singular Perturbation Approach to Control a Two-link Constrained Flexible Manipulator

On the basis of singular perturbation theory, a composite controlapproach is proposed for constrained flexible manipulators in this paper. The dynamics equation of a constrained two-link flexible manipulator is divided into slow-subsystem and fast-subsystem. Based on the adaptive theory, the slow controller is designed. For the fast subsystem, a robust optimal controller is presented. Under the slow time scale and the fast time scale, a composite control strategy is constructed. Some results of numerical simulations are presented to show the effectiveness of this design procedure.     

基于反步法的机械臂鲁棒自适应位置/力控制

针对机械臂终端受环境约束而产生的位置/力控制问题,提出一种鲁棒自适应控制算法。该方案采用反步法的思想设计具有全局收敛特性的位置/力控制器,根据坐标变换得到降阶的动力学模型,设计中考虑了驱动电机模型使控制器更符合实际控制要求,并将其分解为动力学控制器和电机控制器两部分以降低设计难度。利用自适应方法对动力学模型中的非线性部分和未知扰动进行补偿,采用鲁棒控制克服电机参数的不确定性的影响。二自由度机械臂的仿真结果表明,系统能快速有效跟踪参考信号,说明该控制器是有效的。     

基于动态滑模控制的移动机械臂输出跟踪控制

为实现移动机械臂的输出跟踪控制,设计了一种动态滑模控制器．文中首先给出了包括驱动电机动态特性的移动机械臂简化动态模型,然后通过微分同胚和非线性输入变换将系统分解为4个低阶子系统,并给出了用于移动机械臂输出跟踪的动态滑模控制器的设计方法．仿真结果表明,所设计的动态滑模控制器不仅能很好地跟踪给定轨迹,而且能有效地削弱滑模控制系统的抖振．     

基于信号补偿的机械臂鲁棒控制器设计与实现

为了解决基于信号补偿的鲁棒控制方法在实际系统中的设计和实现问题,将该方法应用于实际机械臂系统的控制器设计。在分析了实际控制器设计与理论设计之间的差异的基础上,针对实际系统对控制器设计的约束,提出了可采取的措施,并提出了相应的控制器设计及调节方法,即首先设计单关节子系统标称控制器和鲁棒补偿器,然后再进行多关节鲁棒控制器的统调。将该方法用于实际的二自由度平面机械臂系统的鲁棒控制器设计,进行了物理实现和控制实验,获得了期望的控制结果。     

基于神经网络的空间柔性机械臂PID快速学习控制

针对自由漂浮柔性空间机器人的轨迹跟踪问题,提出一种径向基函数（RBF）神经网络控制策略.首先建立漂浮基柔性空间机器人的非线性动力学方程,考虑到RBF神经网络良好的逼近能力,柔性臂的非线性逆动力学模型通过RBF网络来逼近,采用PID控制器与神经网络控制器来共同保证系统稳定性,其误差代价函数由PID控制器提供,采用固定中心参数,而扩展宽度采用启发式关系确定,网络权值采用改进的最优准则算法进行调整来实现快速学习能力.仿真结果表明了这种RBF神经控制器能够达到较快的误差收敛速度.     

基于干扰观测器的二元机翼颤振抑制及阵风载荷减缓方法研究

针对大展弦比柔性飞机在飞行过程中面临的两类气动弹性问题:颤振抑制与阵风载荷减缓开展研究。首先,建立以飞行速度为时变参数的柔性二元机翼结构动力学模型。其次,提出了基于鲁棒预测控制方法的变参数柔性机翼颤振抑制;同时,引入干扰观测器对阵风扰动进行观测,以干扰估计作为抗干扰控制输入,实现阵风载荷减缓。然后,根据对偶原理,将控制器与观测器独立设计。运用极点配置方法,设计了离散系统干扰观测器。根据Lyapunov理论将变参数系统的鲁棒镇定与颤振抑制问题转换为极大/极小动态规划问题。通过线性矩阵不等式方法求解出相应的预测控制律,并证明了整个闭环系统的稳定性。最后,以某型柔性变参数二元机翼对象为例,进行仿真。结果表明,设计的鲁棒预测控制器可提高约20%的临界颤振速度,且阵风载荷减缓率达到90%。     

非结构型不确定性机器人的鲁棒控制

本文研究具有非结构型不确定性机器人的鲁棒控制问题，提出了一种新的鲁棒控制方案。控制器由两部分组成：第一部分为基于标称模型设计的计算力矩控制器；第一部分为基于Ｌｙａｐｕｎｏｖ方法设计的鲁棒补偿控制器，其作用是消除不确定性对跟踪性能的影响．本文证明了闭环系统的全局收敛性、仿真结果表明本方法对于存在外扰和模型不确定性的机器人系统是十分有效的。