技术特征：1.一种面向机器人电子元器件装配的自学习模型预测控制方法，其特征在于，
机器人系统中采用极坐标进行标定，电子元器件装配过程机器人关节的实际目标位置及其构成的轨迹为q＝{qi＝qi(t)},i＝1,…,6，对应的角速度为对应的角加速度为电子元器件装配过程机器人关节的目标位置及其构成的轨迹为qd＝{qid＝qid(t)}，i＝1，…，6，对应的角速度为对应的角加速度为机器人关节角位置偏差eqi(t)＝{ei}＝qd-q＝{qid-qi}，关节角速度偏差关节角加速度偏差电子元器件装配过程机器人末端执行器对应的实际位置及其构成的轨迹为x＝{x(t)}，实际速度为实际加速度为电子元器件装配过程机器人末端执行器的目标位置及其构成的轨迹为xd＝{xd(t)}，对应的角速度为对应的角加速度为机器人关节角位置偏差ex＝ex(t)＝xd-x，关节角速度偏差关节角加速度偏差
具体包括如下步骤：
1)模型预测控制器的输入：实时输入末端执行器的位置、速度、加速度输出与期望值的差值关节的位置、速度、加速度输出与期望值的差值干扰因子差值：关节电动力矩、驱动饱和、负载、机械谐振和高频扰动差值δfi(t),i＝1,…10；其中，关节电动力矩f1＝m1(t)，f2＝m2(t)，f3＝m3(t)，f4＝m4(t)，f5＝m5(t)，f6＝m6(t)，驱动饱和f7＝d(t)，负载f8＝l(t)，机械谐振f9＝v(t)，高频扰动f10＝s(t)，关节电动力矩、驱动饱和、负载、机械谐振和高频扰动差值δfi＝δfi(t)＝fi(t)-fi(t-t)，i＝1，…，6；
2)模型预测控制器的自学习与控制：通过自学习训练得到模型预测控制器，输出控制力矩时延差值δτi＝δτi(t-l)＝τi(t-l)-τi0(t-l),i＝1,…,6，其中，关节标称控制力矩kp为正定位置反馈阵，kv为正定速度反馈阵，d0初始惯性阵标称量、c0为向心科氏阵量、g0为重力矩矢标称量，f0f为摩擦矩失标称量；
3)电子元器件装配机器人的输出及反馈：δτi同时用作反馈，作为电子元器件装配机械人的输入，输出电子元器件装配过程机器人关节的实际目标位置、速度和加速度，及电子元器件装配过程机器人末端执行器对应的实际轨迹、实际速度和实际加速度；
4)电子元器件装配机器人各关节与末端执行器运动状态与期望运动状态差值的生成及反馈：电子元器件装配机器人对应关节与末端执行器的位置、速度、加速度输出与期望值的差值反馈到模型预测控制器，实现预测控制器自学习；
5)基于驱动力矩的机器人电子元器件装配：若控制器已训练好，则由控制器输出的力矩驱动机器人各关节完成电子元器件的装配，在控制器使用时，机器人装配定位力矩由关节控制力矩差值与关节标称控制力矩之和：τi＝τi(t-l)＝δτi(t-l)+τi0(t-l),i＝1,…,6；
6)电子元器件装配机器人各关节与末端执行器运动状态输出：电子元器件装配机器人各关节与末端执行器运动状态可输出到装配机器人hmi。
2.根据权利要求1所述的一种面向机器人电子元器件装配的自学习模型预测控制方法，其特征在于，自学习训练的方法由特征提取层与量子神经网络节点模糊优化层深度神经网络构成，采用sigmod基函数电子元器件装配控制因子从特征提取层出来后，以全积的方式映射到模糊分析层，模糊分析层的每一个节点包含一个跃阶数为ns的量子神经网络，对模糊分析层中的第j个节点，其第r个跃迁位置对应的量子间隔为：其输出反映了输入依据模糊概率在量子阶层上的跃迁能级。
技术总结本发明公开了一种面向机器人电子元器件装配的自学习模型预测控制方法，包括实时输入末端执行器及关节的位置、速度、加速度输出与期望值的差值；通过自学习训练得到模型预测控制器，输出控制力矩时延差值；其同时用作反馈，作为电子元器件装配机械人的输入，输出电子元器件装配过程机器人关节及电子元器件装配过程机器人末端执行器的实际目标位置、速度和加速度；上述与期望值差值，反馈到模型预测控制器，实现预测控制器自学习；与现有的机器人装配控制方法相比，本发明通过以差值为输入输出的自学习模型预测控制器，其控制具有速度快、精度高的特点，满足电子元器件在各种干扰因素条件下的电子元器件高精度在线装配的需要。
技术研发人员：唐仕喜;汤克明;郭威;王超;王远
受保护的技术使用者：盐城师范学院
技术研发日：2020.01.16
技术公布日：2020.05.29