本技术介绍了一种应用于智能控制领域的机械臂角速度控制方法,特别针对高阶全驱系统设计。该方法通过建立直流电机驱动的单一关节模型,采用迭代学习控制技术,实现对机械臂系统的精确控制。
背景技术
近年来,随着材料科学、电子技术和机械工程的迅猛发展,机械臂在工业自动化、农业采摘、医疗康复等领域的应用越来越广泛。随着机械臂应用场景的不断精细化与复杂化,对机械臂控制精度要求也在不断提升。然而,面对机械臂系统的非线性动力学特性、动力学参数的不确定性以及可能存在的外部干扰等诸多复杂因素,成功实现机械臂的高精度轨迹跟踪控制成为了一项具有挑战性的任务。
众所周知,现代控制理论依赖于动态系统的状态空间表示,这在处理线性和非线性系统方面都显示出了巨大的优势。然而,大多数一阶非线性微分方程模型都是从高阶物理模型的增广中推导出来的,这些数学变换会使一阶系统状态相互耦合。因此,变换后的一阶非线性系统的可控性分析变得更加复杂。此外,由于系统维数的增加,原始物理系统的完全驱动特性可能会被破坏,这严重复杂了控制器的设计和分析。为了克服这些困难,段广仁院士提出了高阶全驱系统(HOFAS)理论,旨在建立基于原始全驱系统的控制算法。HOFAS理论的核心思想是利用全驱特性消除所有非线性动力学。因此,可以获得所需的恒定线性闭环系统,然后可以应用线性系统分析和设计的理论和技术。它被证明是一个面向控制的框架,为处理更通用的非线性系统开辟了一个新的方向。
HOFAS理论具有广泛的应用范围,因为全驱系统在实践中广泛存在,近年来,段广仁院士为完善HOFAS理论做出了巨大贡献。然而,值得注意的是,早期的HOFAS理论主要是针对相关HOFAS在无限时间内的渐近稳定性或渐近跟踪,,而实际上很多控制任务都是在有限时间区间上完成的,沿时间方向的渐近收敛性能无法保障系统在有限时间区间内的完全跟踪。
实际上,机械臂在有限时间区间上的控制任务往往具有重复性,例如,汽车生产线上的机械臂系统在执行搬运、组装、喷涂、焊接等任务时,对于生产线上的每一辆汽车,机械臂执行同样的任务,不断地重复相同的安装动作。在这种情况下,大量的系统信息包含在先前的操作数据中。如果控制系统能够借鉴以往的控制经验,将有助于提高系统性能。作为一种典型的学习控制方法,迭代学习控制(ILC)是一种处理可重复系统的有效控制策略,它能够通过充分利用过去的控制经验来提高不确定系统的当前控制性能。因此,研究基于HOFAS模型的迭代学习控制理论具有重要意义。
实现思路