1.一种机械臂时间收敛性的控制方法,其特征在于,步骤为:S1、建模:建立机械臂系统的数学模型;
S2、设计控制律:通过设计RBF神经网络自适应控制器,利用神经网络训练求出权重,进而设计控制律;
S3、设计约束状态范围参数:设计机械臂输出约束状态下的神经网络自适应控制器,设计范围参数,以遗传算法取出其中的最优值;
S4、验证:通过所设计控制律在保证控制精度的条件下,验证时间收敛性是否增快。
2.如权利要求1所述的机械臂时间收敛性的控制方法,其特征在于,所述机械臂为7‑DOF机械臂;所述S1步骤中,建模的具体过程为:根据拉格朗日方法建立7‑DOF机械臂系统模型的动力学方程:式中:θ为关节角位移,W(θ)为n×n的正定惯性矩阵, 为关节角加速度,为关节角加速度, 是由 和θ组成的科里奥利力和向心力的n×n的矩阵,G(θ)表示 的重力矩*阵, 为n×1的阻尼矩阵,τd为未知外加扰动,τ为控制输入力矩。
3.如权利要求2所述的机械臂时间收敛性的控制方法,其特征在于,所述S2步骤中设计控制律的具体过程为:建立李雅普诺夫函数方程和不对称项推导其收敛性,跟踪误差函数为:e(t)=θd(t)‑θ(t) (1)式中,θd为期望输入关节角位移,θ为所得输出关节角位移;
设计跟踪误差滑模函数为:
式中,K为正定对角增益矩阵, 为角速度跟踪误差, 为期望关节角速度;根据式(1)—(3)可得:
设 为不确定项, 为网络输入量;
采用RBF神经网络逼近f,其估计值为 设 wn为权重项;
式中, 为隐含层激励函数。
4.如权利要求3所述的机械臂时间收敛性的控制方法,其特征在于,所述隐含层激励函数为Gaussian径向基函数,RBF神经网络逼近算法为:式中,z为输入值,ci为中心点,i为网络输入个数,j为隐含层节点个数;
设计控制律为:
式中,v为未知扰动项τd和网络逼近误差ε的n×1鲁棒矩阵,Kv为增益矩阵。
5.如权利要求4所述的机械臂时间收敛性的控制方法,其特征在于,所述S3步骤的具体过程为,机械臂输出约束状态设定以下方程式:式中, 为约束上边界, 为约束下界,式中n=7;
约束条件为:
式中,ka和kb有界;定义角位移误差向量为e1=[e11;e12;…;e1n]=θ‑θd,以及角速度误差向量e2=[e21;e22;…;e2n]=θd‑α,α为虚拟控制器,定义α为:式中, 设定 βi>0,从而α的导数有界;
假设分段函数 同时定义误差变量转换:设定U为n×1的不确定项矩阵:
利用RBF来逼近U(z),设计自适应律为:式中, 为逼近未知项, 为网络输入值,Γi是正定增益矩阵,以及ks>0,为微小参数。设 为对角矩阵,S(z)为Gaussian激励函数;
设计控制律如下:
2p‑1 2p‑1
式中,A=[u1e11 ;...;une1n ],K2i>0.5为n×1增益矩阵。
6.一种7DOF机械臂,其特征在于,采用权利要求1‑5任一所述的控制方法对7DOF机械臂进行控制。