多轴运动下的轮廓跟踪误差控制与补偿方法研究

【摘要】：作为机器人技术中的核心技术之一，智能控制技术在现代机器人的研究中有着举足轻重的作用，对它们进行研究具有重要的理论意义和现实意义。论文针对机器人多轴轨迹运动控制中存在的跟踪误差和轮廓误差进行了一定程度上的分析，并以两轴系统的数学模型为基础，提出了相关的补偿方法。与传统的方法相比，它并没有改变原系统控制结构，只是在原系统独立轴控制环的基础上，再加上一前馈补偿或耦合补偿机制，这在一定程度上克服了多轴运动不可预见性的缺点，并取得一定的效果。 论文主要研究如下： 1．论文首先介绍了研究背景，并以通用机械手为对象，结合PUMA机器人控制器设计和改造经验，借鉴其系统结构和关节电机数学模型和控制方式，给出了机器人单关节数学模型。 2．论文第二章以简化的位置伺服系统数学模型为基础，讨论了运动轨迹系统的伺服增益设计与轮廓误差的关系。在此基础上，通过求解微分方程，详细分析了伺服系统动特性对两轴运动的轮廓误差的影响规律，得出一些有用的结论。 3．运动控制系统不同轴的动态特性的差异是造成系统轮廓误差较大的主要原因。论文第三章旨在为系统每个轴设计一个高性能的前馈补偿器，用以改善每个轴的动态特性，使不同轴相互匹配。由于前馈补偿器的传递函数通常具有二阶或二阶以上微分环节，物理实现较困难，文章利用神经网络辨识系统的控制对象逆模型作为前馈补偿器，很好地解决了该问题；在具体实现时论文利用两种神经网络来辨识控制对象的逆模型，作为运动控制系统的前馈控制模块加入控制系统。第一种神经网络是具有一个隐层的动态前向BP网络，第二种是基于线性系统动态方程的线性状态神经网络。 4．神经网络快速训练算法的研究一直是人们所关注的问题之一。经过分析与研究，遗传算法是一种全局并行随机搜索优化算法，具有很强的全局搜索能力；而BP算法的局部搜索能力较强，论文将两者融合起来，形成一种混合遗传算法作为神经网络的学习算法，它可以综合两种算法的优点，取长补短，同时就混合遗传算法的原理及混合遗传算法在实现时所涉及到的许多策略问题进行了分析与总结，并与BP算法进行了对比，仿真结果表明它具有收敛速度快和不会陷入局部极小的特点。 5．论文第四章重点论述了模糊神经网络控制器的结构、特点以及学习方法。将神经网络和模糊控制相结合，构成模糊——神经网络系统，是当前人们关注的最新控制策略研究方向之一。模糊神经网络的主要特点是：它能自动识别模糊逻辑规则、整定隶属度函数和相关参数；与普通的神经网络不同，模糊逻辑神经网络中的各个参数都具有明确的物理意义。 合肥工业大学博士学位论文 6.对多轴运动进行交叉祸合控制是补偿和减少轮廓跟踪误差的另一种方法，而且更具 有其合理性。论文第五章提出了基于模糊神经网络的轮廓误差交叉祸合补偿方法，并说明 其补偿器的原理、算法及实现。该法在不改变多轴轨迹系统中各单轴位置环的前提下，根 据系统的轮廓误差，通过模糊神经网络的自学习能力动态向各轴提供针对轮廓误差的补偿 信息，以使各轴的跟踪误差及控制作用相互制约和影响，这有利于解决各轴之间增益不匹 配、动态不匹配和各轴不可预见性问题。从控制的角度看，通过祸合轮廓误差补偿的方法 改善系统轮廓精度的实质是将系统的轮廓误差由开环控制变闭环控制。 7.论文第六章针对多轴运动的轮廓误差，提出了一种新的轮廓误差控制方法，即从干 扰的角度对轮廓误差进行直接和祸合的控制。该方法通过构造干扰观测器来预测各单轴系 统的内部和外部干扰，并根据预测到的干扰信息对各轴进行各自补偿和交叉祸合补偿以消 除干扰对系统的影响。第一种方法是针对各独立轴采用了基于干扰观测器的PID控制策略， 用以改善每个轴的动态特性;后一种方法实质也是将系统的轮廓误差由开环控制变为闭环 控制，并采用模糊神经网络对观测到的干扰信号进行动态分配，依据轮廓误差祸合控制思 想补偿到各轴，而文章采用遗传算法对网络进行训练可加快网络训练速度，且不易陷入局 部极小。 论文重点提出的三种策略“基于神经网络的轮廓误差复合控制”、“基于模糊神经网络 的轮廓误差附加补偿控制”以及“基于干扰观测器的轮廓误差祸合控制”均是针对连续轨 迹控制系统中出现的轮廓误差这个共性问题，借鉴前人在运动控制系统轮廓控制方面的研 究成果，结合作者多年从事运动控制系统研究以来所取得的心得体会综合而成，以补偿控 制为重点。仿真结果表明上述方法都可以有效地减小运动控制系统的轮廓误差，其控制策 略具有一定的新颖性和先进性。 关键词:多轴运动控制;机器人;伺服增益;伺服系统动态特性;跟踪误差;轮廓误差; 复合控制;神经网络;训练算法;遗传算法;逆模型;模糊神经网络;交叉祸合控制;干 扰观测器;动态分配;附加补偿器;仿真研究