滤波驱动机构不确定性补偿的机器人鲁棒滑模控制方法研究

【摘要】：随着机器人在深空探测、核工业、深海探测等特殊与极端环境下越来越广泛的应用，及机器人驱动机构不确定性的存在，普通机器人驱动机构及传统的经典机器人控制方法已不能满足使用环境下高精度控制的要求。因此，新型高性能机器人驱动机构的研制、不确定性补偿方法及机器人高级控制、智能控制方法已成为航空、航天、航海、核工程等领域的重要课题。重庆大学机械传动国家重点实验室王家序教授等发明了高精度、高可靠、长寿命、大扭矩、低能耗、小体积、轻量化、大传动比等方面具有特殊优势的滤波驱动装置与智能机器人集成系统（发明专利公开号：ZL200910104663.7）和高可靠精密驱动装置（发明专利公开号：ZL200910104672.6）。因此，基于上述专利，本论文研究由滤波驱动机构、连杆、末端执行器及控制器构成的机器人系统，简称为“滤波驱动机器人”，分析了滤波驱动机构不确定性存在的危害和补偿的必要性。通过实验研究，获得了机器人滤波驱动机构的动态摩擦模型参数、回差、刚度。针对是否考虑机器人滤波驱动机构的摩擦、死区、侧隙回差及刚度变化情况，本文建立了不同的Lagrange动力学模型，提出了用模糊径向基函数神经网络（RBFNN）对滤波驱动机构的动态摩擦、侧隙回差不确定性进行补偿，及用模糊逻辑方法对机器人的死区不确定性进行补偿，并分别提出了集成不确定性前馈补偿器的数字离散鲁棒滑模控制方法、连续鲁棒滑模控制方法及反演滑模控制方法，分析了各种混合控制器的李雅普诺夫稳定性，并进行了数值仿真。MATLAB仿真结果表明，本文提出的控制方法对滤波驱动机器人的控制和实验研究具有重要的理论研究和应用价值。 通过分析目前国内外机器人驱动机构及其不确定性补偿方法、机器人控制技术的发展现状及趋势，以及针对机器人谐波驱动机构、RV驱动机构等存在的问题，论文采用滤波驱动机构来构建高精度、高可靠、高品质、长寿命的机器人，提出了滤波驱动机构不确定项智能补偿的机器人混合滑模控制方法，对滤波驱动机器人样机搭建具有现实的研究价值和使用意义。 论文的主要工作及创新点： 1．机器人滤波驱动机构实验研究及参数辨识。通过参考国内外谐波驱动机构、机器人实验标准、规范、案例，本文提出了滤波驱动机构的实验方案，通过对实验数据进行线性回归，获得了滤波驱动机构的动态摩擦模型、刚度、回差等参数，这些为滤波驱动机器人的动力学模型建模及控制提供了实验数据支撑； 2．结合非线性、强耦合的机器人动力学模型，本文提出了采用3个模糊RBF神经网络对机器人滤波驱动机构的不确性项-LuGre动态摩擦进行分块补偿的机器人数字鲁棒滑模控制算法，在线、自适应训练非线性动态摩擦项的参数，并分析了该算法的Lyapunov稳定性。通过在2自由度滤波驱动机器人上的仿真，证明了该算法具有高精度、高品质、稳定、强鲁棒性的特点。同时发现了该机器人的摩擦模型中存在类菱形吸引子等非线性动力学现象。 3．结合非线性、强耦合的机器人动力学模型，本文提出了采用1个模糊RBF神经网络及模糊逻辑，分别对机器人滤波驱动机构的非线性不确性项-LuGre动态摩擦项和非对称死区项进行补偿，并实时、自适应训练非线性动态摩擦项及非对称死区项的参数，实现对实际机器人系统准确再现的鲁棒滑模控制的算法，并论证了该算法的Lyapunov稳定性。通过在2自由度滤波驱动机器人上的仿真，证明了该算法具有高精度、高品质、稳定、强鲁棒性的特点。同时发现了该机器人控制力矩的脉冲式补偿误差、摩擦模型中存在类菱形吸引子、衰减振荡等非线性动力学现象。而死区补偿能提高机器人轨迹跟踪的精度、动态响应、稳定性、可靠性，以及死区逆模型中ε的估计对机器人系统的死区力矩补偿发挥了关键作用。同时，初始位姿对机器人的控制力矩大小、稳定性起着至关重要的作用。 4．在考虑机器人滤波驱动机构的摩擦、侧隙回差和柔性的基础之上，本文提出了对滤波驱动机构中的动态摩擦、间隙不确定性进行模糊RBF神经网络补偿，并实时、自适应训练不确定项的参数，同时结合反演滑模控制方法实现了机器人的自适应控制，并论证了该算法的Lyapunov稳定性。仿真结果表明，该方法提高了机器人轨迹跟踪精度、力矩控制精度及稳定性。同时发现了驱动机构的刚度及机器人的重力势能对机器人轨迹跟踪、控制精度及稳定性影响重大。如，在忽略机器人重力影响时，当机器人驱动机构刚度提高9倍，则连杆1的轨迹跟踪精度提高了22%，伪控制力矩振荡幅值增大了9.5倍；而考虑机器人重力影响时，则轨迹跟踪精度提高了67.9%，伪控制力矩振荡幅值增大了22.5倍。两种刚度情况下，重力均导致该机器人控制力矩的稳定性变差。