本技术提出了一种应用于机器人关节模组的分散式优化学习控制技术及系统。该技术首先构建状态观测器以校正预测模型偏差,然后通过优化位置跟随误差性能指标来获得最优控制律,并利用强化学习网络实现对预测时域的自学习。相较于传统技术,本发明通过输入输出信号同步估计不可测量状态和总干扰,并将这些信息补偿到位置预测中,从而提升位置预测的精确度和系统的鲁棒性。此外,该技术还增强了系统在面对模型不准确、参数变化和外部扰动时的自适应能力,使关节模组在复杂环境中展现出更强的鲁棒性。
背景技术
自机器人技术兴起以来,为满足日益旺盛的自动化生产需求,工业领域率先开启了对机器人的大范围应用,并在极短的时间内实现了规模化的发展。而机械臂主要由关节模块和连杆串联组成,其关节模块则是由伺服系统控制器、伺服电机、传动装置以及传感器组成。由伺服电机和驱动器组成的关节模组,随着高性能运动控制技术不断进步,已经在各个领域得到了相当广泛的应用。其中,永磁同步电机具有高效、轻量化、高功率密度等优点,因此被广泛应用于机器人伺服系统中,作为机器人执行器的核心模块,为满足流水线作业的工作节拍和定位精度要求,通常要求永磁同步电机具备优良的位置伺服性能。然而,永磁同步电机是一个多变量,强耦合且具有外部干扰的非线性控制对象。在这种情况下,传统的线性控制方法难以保证关节伺服系统的运行性能。随着非线性控制理论的快速发展,如自适应控制,滑模控制,模型预测控制等都已成功应用于永磁同步电动机的鲁棒控制中,但这些方法对电机参数依赖性强,控制器参数不易整定。其中,模型预测控制思路是结合当前系统的测量值以及预测模型来预测未来一段时间内的控制输出,并通过求解各种带约束的优化问题使得系统在未来一段时间内误差最小。基于此,模型预测控制器鲁棒性较其他控制方法强,精度更高,应用也更为普遍。传统的模型预测控制策略存在着如下几点不足:
1.基于离散时间模型的控制策略,如申请号为CN201710727012.8的中国专利公开了一种永磁同步伺服系统位置预测控制方法,以及文献(徐楠等,永磁同步电机改进预测电流控制[J].电机与控制应用,2017,44(07))。这类控制器的设计过程中受采样周期的影响较大,过小的采样周期容易导致较大的预测时域,进而计算量增加,影响实时性,而过大的采样周期又会导致系统抗扰动能力下降,因此在实际应用中增加了控制器的设计难度。
2.基于连续时间模型的控制策略,如申请号为CN202010970766.8的中国专利公开了一种基于广义预测控制的永磁同步电机级联控制方法,以及文献(陈炜等,双轴联动系统广义预测交叉耦合位置控制[J].控制理论与应用,2018,35(03))。首先,基于连续时间模型的广义预测控制作为模型预测控制的一种,不仅具有强鲁棒性、动态响应快和方便处理系统约束,还具有计算效率高,易于工程实现的优点。但该方法是基于标称系统建模,因此当存在负载干扰、模型参数漂移、未建模动态时,传统方法不能保证控制参数仍适应于工况变化的情况,其控制性能会受到影响。
综上,传统的连续型模型预测控制方法依赖于标称系统模型,对参数十分敏感,并且其设计分析需要一定的人工经验,控制效果会受到不同的系统工况和时变扰动因素的影响,参数不易调整。因此,设计一个控制器参数能够自调节的优化学习控制器成为亟待解决的问题。
实现思路