1.基于自适应神经网络高阶动态滑模的轨迹跟踪控制方法,其特征在于,包括如下步骤:步骤一:建立具有普遍性的多输入多输出状态系统模型,具体如下:式中, 系统的可测量的状态变量; 为控制输入;
为系统的输出;设定 n=n1+n2+...+nm;已知项m为非线性函数;未知项 为系
统的非匹配扰动, 为系统的匹配扰动; 为已知的非线性函数;
步骤二:通过光电编码器获取位置信息,建立自适应径向基神经网络系统,对不确定项非线性干扰进行估计;
步骤三:设置位置跟踪轨迹yd,同时并设计一阶滤波器,从而设计动态滑模面控制:
式中,x1,xi,yd, x1,xi是状态变量;yd为期望轨迹值;wi是一阶滤波器的输出;令αi‑1为虚拟控制力矩,为一阶滤波器的输入,τi为大于0的常值;
步骤四:基于步骤二和步骤三,通过反演推导,设计出每一步推导的虚拟控制力矩αi,从而最后设计出最终的控制力矩ut;
步骤五:通过李雅普诺夫证明,对上述控制器设计,进行稳定性证明,并运用在二维柔性机械臂控制。
2.根据权利要求1所述的基于自适应神经网络高阶动态滑模的轨迹跟踪控制方法,其特征在于:所述步骤二中建立自适应径向基神经网络系统,对非匹配扰动进行估计,具体如下:*T
Δf(x)=W h(x)+ε
T
式中x=[x1,x2,...,xm] 为神经网络的输入,j为网络隐含层第j个节点,hj为网络的高*斯基函数输出,W 为网络的理想权值,ε为网络的逼近误差,|εi|≤ε(i)max;令则估计误差为:通过李雅普诺夫稳定性分析方法,得出径向基神经网络自适应率如下:式中γi,i=1,2,...,m‑1为正常数; 为正常数。
3.根据权利要求1所述的基于自适应神经网络高阶动态滑模的轨迹跟踪控制方法,其特征在于:所述步骤四中通过反演控制,设计出每一步的虚拟控制力矩αi,从而设计出最终的控制力矩ut,具体如下:先将步骤一中系统模型的状态方程进行转变,方便之后的计算:其中k1,k2,...,km为大于0的常数;式中fm(X)=f0,m(X)+kmxm;fi(X)=f0,i(X)+kixi‑Gi(X)xi+1 ,i =1 ,2 ,...,m‑1;矩阵 i=1 ,2 ,... ,m‑1 为结合所述步骤三可得虚拟控制力矩αi
…
式中αi为虚拟控制力矩,即为一阶滤波器的输入;其中ηi>0,ki>0,ci>0;wi是一阶滤波器的输出;si为动态滑模面;i=1,2,...,m‑1;
最终的控制力矩设计为:
4.根据权利要求1所述的基于自适应神经网络高阶动态滑模的轨迹跟踪控制方法,其特征在于:所述步骤五中通过李雅普诺夫证明跟踪系统的稳定性,并将设计的控制器运用于实际操作中,在二维的柔性机械臂中进行操作控制,具体如下:…
对 继续分析可得:
因此可知Vm收敛;
将设计的控制率运用在二维柔性机械臂上,其状态方程为:分别表示关节的位置、速度和加速度;M(q)为柔性机械臂的对称正定惯性矩阵;
为科里奥利向心矩阵;G(q)为模型的重力项; 为关节的摩擦系数矩阵;
分别代表转子角的位置、速度、加速度;K代表模型关节的柔度;J代表模型的惯性项;B代表模型关节阻尼项;u为系统的控制力矩;q为系统的输出向量;
令 将二维柔性机械臂状态方程转变为:T T T T T
其中x1=[x11,x12],x2=[x21,x22],x3=[x31,x32],x4=[x41,x42],u=[u1,u2];
设计出虚拟控制力矩和最终控制力矩,如下:其中自适应率为: