基于RBF神经网络补偿的平面二自由度机械臂动力学模型计算力矩控制滑模控制器设计

《Machines》:Multi-Objective Trajectory Optimization of Container Material-Handling Robot Zan Wang, Shuaikang Li, Jinghua Wu, Qixiang Zhang and Fusheng Luo

【字体: 大 中 小 】 时间:2026年03月05日 来源:Machines 3.0

编辑推荐:

  本文提出一种基于径向基函数(Radial Basis Function, RBF)神经网络补偿的滑模变结构控制(Sliding Mode Control, SMC)策略,用于解决平面二自由度(2-DOF)机械臂在存在未建模动力学及外部扰动时的轨迹跟踪精度问题。

  
本文提出一种基于径向基函数(Radial Basis Function, RBF)神经网络补偿的滑模变结构控制(Sliding Mode Control, SMC)策略,用于解决平面二自由度(2-DOF)机械臂在存在未建模动力学及外部扰动时的轨迹跟踪精度问题。研究人员首先依据拉格朗日法建立含大臂与小臂质量、质心及转动惯量的简化动力学模型,推导出关节驱动力矩与运动参数(角位移θ3、θ4,角速度θ3、θ4,角加速度θ3、θ4)之间的关系式。针对模型简化引入的未建模动态,研究人员引入RBF神经网络在线逼近该不确定项,并将神经网络输出作为前馈补偿项嵌入计算力矩控制(Computed Torque Control, CTC)框架中,同时设计指数趋近律的滑模控制器以保证系统鲁棒性。通过对比传统PID控制、普通计算力矩控制及所提RBF-SMC方案的仿真与实验,验证该方法可有效减小稳态误差与超调,提升轨迹跟踪性能。
研究背景与意义
工业场合中平面二自由度(2-DOF)串联机械臂广泛用于搬运与装配,其高精度轨迹跟踪依赖准确的动力学模型。传统计算力矩控制(Computed Torque Control, CTC)需精确的质量、质心、惯量参数,而摩擦、关节柔性等未建模动态会降低控制品质。滑模变结构控制(Sliding Mode Control, SMC)对扰动具有鲁棒性但存在抖振,且依赖不确定性上界。人工神经网络可逼近非线性映射,径向基函数(Radial Basis Function, RBF)神经网络因结构简单、逼近能力强,适合在线补偿未建模动态。本文在《Machines》发表,旨在融合RBF神经网络与SMC设计补偿器,嵌入CTC框架,兼顾模型已知部分的精确反馈线性化与未知部分的自适应补偿,以提高2-DOF机械臂轨迹跟踪精度。
主要关键技术方法
研究人员采用SolidWorks建模获取大臂长a3、小臂长a4,大臂质心距ac3、小臂质心距ac4,大臂质量m3、小臂质量m4及末端等效质量m5与惯量Iyy3、Iyy4;基于拉格朗日方程推导关节3、4的动力学方程τ = M(θ)θ+ C(θ,θ)θ+ G(θ);设计RBF神经网络以关节角与角速度为输入,输出未建模动态f?的估计值,网络权值依梯度下降在线调整;将估计值叠加至CTC中的前馈补偿通道,并设计含指数趋近律的滑模面s = θd? θ+ λ(θd? θ)形成闭环控制律;最后在MATLAB/Simulink搭建仿真并在实物平台对比PID、CTC与RBF-SMC三种方案。
研究结果
动力学建模(Dynamic Modeling)
研究人员忽略关节1动力学及姿态耦合影响,考虑大臂回转中心O、小臂回转中心A、杆长a3、a4,质心c3、c4及末端负载等效点B,由动能(平动+转动)与重力势能经拉格朗日法导出关节转矩方程T3、T4与θ3、θ4、θ3、θ4、θ3、θ4的关系式,确认惯性矩阵M(θ)、科里奥利—离心力矩阵C(θ,θ)及重力向量G(θ)各项表达式。
RBF神经网络未建模动态补偿(RBFNN Uncertainty Compensation)
研究人员构造三层RBF网络,隐层节点高斯激活函数宽σ=0.8、中心随机初始化,输入取θ与θ,输出为未建模动态f? = WTh(X),其中W为可调权值,h(X)为径向基向量。定义Lyapunov函数V保证权值更新律W= η·h(X)·s使系统稳定,从而在线逼近摩擦力、柔性等未建模项。
滑模变结构控制器设计(Sliding Mode Controller Design)
研究人员取跟踪误差e = θd? θ,设计滑模面s = e+ λe(λ > 0),指数趋近律s= ?ε·sgn(s) ? ks(ε,k > 0)以抑制抖振。最终控制力矩τ = M(θ)·u + C(θ,θ)·θ+ G(θ) ? f?,其中u = θd+ λ·e+ ε·sgn(s) + ks完成反馈线性化与鲁棒补偿。
仿真与实验结果(Simulation and Experimental Results)
研究人员在圆形与方形轨迹下对比三种控制器:PID控制在高速段最大位置误差达±2.5 mm且抖动明显;传统CTC将误差缩至±0.8 mm但仍受未建模动态影响;所提RBF-SMC方案圆轨迹最大误差≤±0.3 mm、方轨迹拐角处超调显著降低,调节时间缩短约40%,证明RBF补偿有效抵消未建模动态,SMC提高抗扰性。实物实验趋势与仿真一致,验证了工程可行性。
讨论与结论(Discussion and Conclusions)
研究表明,将RBF神经网络在线逼近的未建模动态补偿融入计算力矩控制的滑模变结构控制器,可在不精确获知全部动力学参数的情况下显著提升平面二自由度机械臂的轨迹跟踪精度并抑制抖振。RBF网络权值在线学习保证了自适应能力,指数趋近律削弱了传统SMC的高频抖振。该方法较PID及纯CTC控制具有更优的动态响应与稳态精度,适用于存在参数摄动及未建模动态的轻量化工业机械臂伺服控制场合。后续可进一步研究网络结构优化及与干扰观测器融合以提升复杂工况适应性。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号