固态酿酒翻曲机械手神经网络滑模自适应控制方法与流程

技术特征：

1.一种固态酿酒翻曲机械手神经网络滑模自适应控制方法，其特征在于，包括以下步骤：

S1：建立包括n个关节的翻曲机械手动力学模型；

S2：将所述翻曲机械手动力学模型转化为无量纲动力学方程，并将所述无量纲动力学方程转换为状态空间方程，得到需要的控制变量；

S3：建立翻曲机械手的神经网络滑模控制系统，设计基于线性反馈的滑模控制系统的控制律，将所述控制变量作为所述控制律的输入，对翻曲机械手进行自适应控制；

S4：验证翻曲机械手神经网络滑模自适应控制的稳定性。

2.根据权利要求1所述的固态酿酒翻曲机械手神经网络滑模自适应控制方法，其特征在于，所述步骤S1具体包括：

S11：令翻曲机械手被控对象描述方程为：

其中，b>0；θ为角度；为角速度，u为控制信号输入，f_d为外加干扰信号，和b为未知量；

S12：利用拉格朗日方法，建立包括n个关节翻曲机械手受摩擦力、未建模态和外加的扰动的影响条件下的动力学模型：

其中，q为关节位移量；为速度矢量，为加速度矢量；M(q)为机械手的惯性矩阵；为机械手的离心力和哥氏矩阵；G(q)为作用在关节上的重力矢量；为摩擦力构成的矩阵，τ_d为建模误差、参数误差和外加扰动构成的矩阵，τ为控制力矩构成的矩阵。

3.根据权利要求2所述的固态酿酒翻曲机械手神经网络滑模自适应控制方法，其特征在于，所述步骤S3具体包括：

S31：令翻曲机械手的运动轨迹为x，翻曲机械手的理想运动轨迹为x_d，得到令翻曲机械手的运动轨迹x与翻曲机械手的理想运动轨迹x_d之间的跟踪误差e为：

其中，为跟踪误差e的导数，为的导数；

S32：定义滑模面为：

其中，c＝[c₁ c₂ … c_n-1 1]，c为滑模面参数；

S33：根据线性反馈，将滑模控制律设计为：

得到：

R＝ε(x,t)-ρsgn(s)ρ＞0

其中，u为滑模控制律；R为自定义量，f(x,t)为输出的第一个RBF神经网络逼近函数，g(x,t)为输出的第二个RBF神经网络逼近函数，ε(x,t)为自定义量，ρ为正实数，sgn(s)为符号函数。

S34：采用状态反馈方法控制系统模型，利用RBF神经网络线性反馈补偿器对控制模型的不确定项进行线性反馈补偿。

4.根据权利要求3所述的固态酿酒翻曲机械手神经网络滑模自适应控制方法，其特征在于，所述采用定义李雅普诺夫稳定性函数对翻曲机械手神经网络滑模自适应控制的稳定性进行验证，具体方法如下：

定义李雅普诺夫稳定性函数：

对V求导可得到：

将步骤S33中的公式带入中得到：

即，得出该滑模控制律满足滑模控制器稳定性条件。

5.根据权利要求4所述的固态酿酒翻曲机械手神经网络滑模自适应控制方法，其特征在于，该控制方法还包括如下步骤：采用RBF神经网络对翻曲机械手被控对象描述方程中的所述未知量进行f逼近。

6.根据权利要求5所述的固态酿酒翻曲机械手神经网络滑模自适应控制方法，其特征在于，采用RBF神经网络对翻曲机械手被控对象描述方程中的所述未知量进行f逼近所述采用的网络算法为：

f＝W^*h(x)+σ

其中，c_j为第j个节点中心矢量，h径基向量，X为网络的输入矢量，b_j为节点j的基宽度正参数，i为网络隐含层第i个节点，j为网络隐含层第j个节点，W^*为网络的理想权值，σ为网络的逼近误差，σ≤σ_N。