基于非线性拟合网络的气动人工肌肉位移控制系统及方法与流程

本发明涉及一种基基于非线性拟合网络的气动人工肌肉位移控制系统及方法，属于气动肌肉先进控制技术领域。

背景技术：

气动人工肌肉具有出色的柔软性以及极高的负载自重比，广泛地用于仿生机器人和康复机器人领域。气动人工肌肉主要由三部分组成，包括橡胶气囊、编织物结构以及带有气体输入口的端盖，其中编织物结构与橡胶气囊混合在一起，当橡胶气囊充入压缩空气时，该装置会产生巨大的收缩力。但是由于气动驱动器固有的结构属性以及气动驱动难以线性控制的缘故，使得气动人工肌肉驱动器具有高度非线性和时变性特征，难以获得精确的建模以及准确的控制，给实际运用带来了巨大的挑战。而常见的经典pid算法技术难以处理气动人工肌肉驱动器的非线性与时变性问题，因此往往不能快速地减少震荡，难以获得较好的稳定性，使用效果较差。

技术实现要素：

为此本发明提出了一种基于高度非线性拟合网络的气动人工肌肉精确位移控制系统及方法，即采用非线性拟合网络对气动人工肌肉进行控制，并将非线性拟合网络算法通过pc机实现，借助ad模块采集系统及da芯片分别实现输入信号的采集及控制信号的输出，以festo公司的气动人工肌肉dmsp-20-180n-rm-cm作为被控对象，完成基于非线性拟合网络的气动人工肌肉控制方法的性能测试。

本发明的目的在于为存在高度非线性和时变性特征的气动人工肌肉驱动器提供一种基于非线性拟合网络pid的控制方法，可根据期望压力的变化，不断更新控制器的参数，使得在不同运行工作条件下均能获得满意的控制效果。

针对现有技术问题，本发明采取如下技术方案：

一种基于高度非线性拟合网络的气动人工肌肉精确位移控制系统，所述实验系统包括气动人工肌肉、负载、拉丝位移传感器、气压阀、空气压缩机、ad/da采集卡以及上位机；

所述人工气动肌肉上端挂在支架上，下端通过无弹性的绳索与负载相连接，负载的下端与拉丝位移传感器连接，而拉丝位移传感器固定在实验台上，三者保持在一条直线上；气压阀输入端连接空气压缩机，输出端与气动人工肌肉进气口相连接，达到实时控制气动人工肌肉内部压力的大小；ad/da采集卡分别与气压阀、拉丝位移传感器相连接，实时采集气压与位移的数据，并传输到上位机进行记录与分析。

一种基于高度非线性拟合网络的气动人工肌肉精确位移控制方法，包括如下步骤：

(1)、建立上述的控制系统，建立非线性拟合网络辨识器和非线性拟合网络控制器；

(2)、首先非线性拟合网络辨识器的结构参数被离线调整，同时通过获得最优初始值来避免最开始时间段内的巨大波动；非线性拟合网络辨识器参数会被持续地在线调整，获得更好的气动人工肌肉动力学近似模型；

(3)、非线性拟合网络控制器的结构参数根据非线性拟合网络辨识器的曲线信息进行在线调整，调整的准则是使公式ec＝yref-ym最小化；其中yref表示参考值；ym表示非线性拟合网络辨识器的输出；

(4)、通过非线性拟合网络控制器的输出u，控制气动人工肌肉精确位移控制系统的实际输出yout。

上述步骤(2)中非线性拟合网络辨识器的基本结构如下：

气动人工肌肉控制系统的非线性动力学模型表示为如下函数，

y(k+1)＝[y(k),y(k-1),y(k-2),u(k+1),u(k),u(k-1),u(k-2)](1)

其中y(k+1)是气动人工肌肉在(k+1)时刻的位移，y(k)是(k)时刻的位移，同时u(k)是比例阀在(k)时刻的输入电压；y(k-1)和y(k-2)分别表示气动人工肌肉前两个采样信号的位移值，u(k-1)和u(k-2)分别表示气动人工肌肉前两个采样信号的电压值；整个辨识器包括输入层、隐含层及输出层，在输入层具有2个气动人工肌肉位移输入以及2个气压阀的电压输入，在隐含层具有5个节点权重。

上述步骤(2)中非线性拟合网络辨识器的辨识算法如下：

为了避免在训练过程中造成数据发散，将数据按照如下公式进行转换，

其中x’i是标准值，xi是初始值，xmax和xmin分别表示xi变化区间的最大值与最小值；

用net⁽²⁾表示隐含层的输入，其中上标的(2)表示隐含层，net⁽²⁾计算方程如下：

其中x＝[y(k),y(k-1),y(k-2),u(k+1),u(k),u(k-1),u(k-2)](4)

表示非线性拟合网络辨识器的输入矢量，表示隐含层第i个节点的输入，表示输入层第i个节点和隐含层第j个节点对于输出的影响因子；其中i＝1～7,j＝1～5；

隐含层的第i个节点输出值用表示，计算公式如下：

其中的表示隐含层的激励函数；表示自然常数e的次幂。

输出层的比例函数可表示为：

net⁽³⁾表示输出层的输入,表示隐含层和输出层第i个节点对输出的影响权重，其中i＝1～5,j＝1；o⁽³⁾表示非线性拟合网络辨识器的输出；

为了使气动人工肌肉控制系统的非线性拟合网络辨识器的输出值和抽样值之间误差最小，气动人工肌肉控制系统的非线性拟合网络辨识器参数按照公式(7)调整：

其中ym表示非线性拟合网络辨识器的输出；yout表示气动人工肌肉控制系统的实际输出；同时为了获得隐含层和输出层曲线下降方向上节点权重，两个计算公式分别如下：

其中η是算法学习率，α是惯性系数，而和计算公式分别如下：

上述步骤(3)中非线性拟合网络控制器的算法如下：

考虑到气动人工肌肉控制性能的滞后性和时变性，非线性拟合网络控制器的输入矢量是[yref(k),yout(k-1),yout(k-2),u(k-1),u(k-2)]，隐藏层拥有十四个节点，其中u(k)表示输出；

非线性拟合网络控制器中的能量函数表示为：

上述yref表示参考值；

隐含层和输出层节点权重函数方程分别如下：

其中是算法学习率，γ是惯性系数，而和计算公式分别如下：

其中是从气动人工肌肉控制系统的非线性拟合网络辨识器中获取，公式可表示为：

本发明所达到的有益效果：

(1)本发明设计是基于非线性拟合网络理论，为气动人工肌肉提供一种具有pid参数自整定功能的反馈控制方法，所设计的控制方法能保证在不同的期望目标下获得良好的跟踪性能，具有较高的控制可靠性。

(2)本发明可以很好地解决气动人工肌肉的高度离散性以及时变性，依靠对非线性拟合网络控制算法的训练，能够大幅度提高对气动人工肌肉的控制的精确度。

(3)本发明所实现的非线性拟合网络pid算法计算量小，代码简单易于实现，控制器可以非常小巧，减少占用的空间。

(4)本发明为自适应控制方法，其相对于传统的pid控制器具有更高准确性以及具有更高的响应速度，同时具有更高的稳定性以及有效地减少震荡的发生。

(5)本发明所提出的设计方案及方法同样适用于控制其它具有高度离散型以及时变性的系统，具有普遍性。

附图说明

图1是本发明的控制系统示意图；

图2是本发明的控制方法示意图；

图3是本发明的气动肌肉系统非线性拟合网络辨识示意图；

图4是本发明的气动肌肉系统非线性拟合网络辨识器的具体结构；

图5是带有0.1hz频率和10mm幅值的方波驱动气动人工肌肉系统时的效果图；

图6是带有0.1hz频率和30mm幅值的正弦波驱动气动人工肌肉系统时的效果图；

图7是带有0.1hz频率和10mm幅值的方波驱动气动人工肌肉系统时的跟踪误差效果图；

图8是图7中a部分的放大效果图。

具体实施方式

下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。

如图1所示，一种基于高度非线性拟合网络的气动人工肌肉精确位移控制系统，所述实验系统包括气动人工肌肉、负载、拉丝位移传感器、气压阀、空气压缩机、ad/da采集卡以及上位机；

所述人工气动肌肉上端挂在支架上，下端通过无弹性的绳索与负载相连接，负载的下端与拉丝位移传感器连接，而拉丝位移传感器固定在实验台上，三者保持在一条直线上；气压阀输入端连接空气压缩机，输出端与气动人工肌肉进气口相连接，达到实时控制气动人工肌肉内部压力的大小；ad/da采集卡分别与气压阀、拉丝位移传感器相连接，实时采集气压与位移的数据，并传输到上位机进行记录与分析。

实验是使用festo公司生产的dmsp-20-180n-rm-cm型号的气动人工肌肉作为控制对象，该型号的气动人工肌肉具有20mm的内径以及180mm的原始长度。在实际使用中，该型号的气动人工肌肉能够承受0mpa到0.6mpa的大气压力，并且其最大的收缩长度能达到原始长度1/4。实施例中使用的负载重量是4.25kg，以及气压阀是使用smcitv1050-212n,该气压阀的输出压强范围是0.005mpa到0.9以及最大输出电压为5v，并且输出压强和输出电压之间具有线性关系。ad/da采集卡是使用art科技公司的usb3102a型号的usb数据采集卡，该采集卡具有16个采样通道，采样速度高达250ks/s，并且支持单点采样模型、多点采样模型以及连续采样模型，此外该采集卡具有两个da通道和12个i/o口。图中使用空气压缩机来给系统提供压缩空气，并且通过电脑主机控制阀门正确地调节空气压强，拉丝位移传感器被安装在负载上，用来实时测量气动人工肌肉的位移，并且电脑作为整个系统的人机交互界面。

如图2所示，一种基于高度非线性拟合网络的气动人工肌肉精确位移控制方法，包括如下步骤：

(1)、建立上述的控制系统，建立非线性拟合网络辨识器和非线性拟合网络控制器；

(2)、首先非线性拟合网络辨识器的结构参数被离线调整，同时通过获得最优初始值来避免最开始时间段内的巨大波动；非线性拟合网络辨识器参数会被持续地在线调整，获得更好的气动人工肌肉动力学近似模型；

(3)、非线性拟合网络控制器的结构参数根据非线性拟合网络辨识器的曲线信息进行在线调整，调整的准则是使公式ec＝yref-ym最小化；其中yref表示参考值；ym表示非线性拟合网络辨识器的输出；

(4)、通过非线性拟合网络控制器的输出u，控制气动人工肌肉精确位移控制系统的实际输出yout。

上述步骤(2)中非线性拟合网络辨识器的示意图如下，如图3所示：

气动人工肌肉控制系统的非线性动力学模型表示为如下函数，

y(k+1)＝[y(k),y(k-1),y(k-2),u(k+1),u(k),u(k-1),u(k-2)](1)

其中y(k+1)是气动人工肌肉在(k+1)时刻的位移，y(k)是(k)时刻的位移，同时u(k)是比例阀在(k)时刻的输入电压；y(k-1)和y(k-2)分别表示气动人工肌肉前两个采样信号的位移值，u(k-1)和u(k-2)分别表示气动人工肌肉前两个采样信号的电压值；整个辨识器包括输入层、隐含层及输出层，如图4所示，在输入层具有2个气动人工肌肉位移输入以及2个气压阀的电压输入，在隐含层具有5个节点权重。

上述步骤(2)中非线性拟合网络辨识器的辨识算法如下：

为了避免在训练过程中造成数据发散，将数据按照如下公式进行转换，

其中x’i是标准值，xi是初始值，xmax和xmin分别表示xi变化区间的最大值与最小值；

用net⁽²⁾表示隐含层的输入，其中上标的(2)表示隐含层，net⁽²⁾计算方程如下：

其中x＝[y(k),y(k-1),y(k-2),u(k+1),u(k),u(k-1),u(k-2)](4)

表示非线性拟合网络辨识器的输入矢量，表示隐含层第i个节点的输入，表示输入层第i个节点和隐含层第j个节点对于输出的影响因子；其中i＝1～7,j＝1～5；

隐含层的第i个节点输出值用表示，计算公式如下：

其中的表示隐含层的激励函数；表示自然常数e的次幂。

输出层的比例函数可表示为：

net⁽³⁾表示输出层的输入,表示隐含层和输出层第i个节点对输出的影响权重，其中i＝1～5,j＝1；o⁽³⁾表示非线性拟合网络辨识器的输出；

为了使气动人工肌肉控制系统的非线性拟合网络辨识器的输出值和抽样值之间误差最小，气动人工肌肉控制系统的非线性拟合网络辨识器参数按照公式(7)调整：

其中ym表示非线性拟合网络辨识器的输出；yout表示气动人工肌肉控制系统的实际输出；同时为了获得隐含层和输出层曲线下降方向上节点权重，两个计算公式分别如下：

其中η是算法学习率，α是惯性系数，而和计算公式分别如下：

上述步骤(3)中非线性拟合网络控制器的算法如下：

考虑到气动人工肌肉控制性能的滞后性和时变性，非线性拟合网络控制器的输入矢量是[yref(k),yout(k-1),yout(k-2),u(k-1),u(k-2)]，隐藏层拥有十四个节点，其中u(k)表示输出；

非线性拟合网络控制器中的能量函数表示为：

上述yref表示参考值；

隐含层和输出层节点权重函数方程分别如下：

其中是算法学习率，γ是惯性系数，而和计算公式分别如下：

其中是从气动人工肌肉控制系统的非线性拟合网络辨识器中获取，公式可表示为：

在已经确定好的非线性拟合网络辨识器和非线性拟合网络控制器基础上进行轨迹跟踪实验，同时为了进行比较，传统的控制器算法也将被使用进行轨迹跟踪实验。首先，通过手动驱动气动人工肌肉并且进行大量的信息采集来对非线性拟合网络进行手动训练，同时这些训练也为了校准节点权重的初始值，直到bp神经网络控制器具有令人满意的表现。

为了验证非线性拟合网络控制器的真实表现，采用带有不同频率和幅值的方波与正弦波驱动气动人工肌肉系统。首先使用带有0.1hz频率和10mm幅值的方波进行驱动气动人工肌肉系统，得到轨迹跟踪的数据图，从图5上可以看出自适应控制方法相对于传统的pid控制器具有更快的响应时间；从图6上可以看出自适应基于高度非线性拟合网络控制方法(nni-nnc)相对于传统的pid控制器具有更高的准确性；从图7上可以看出自适应基于高度非线性拟合网络控制方法(nni-nnc)相对于传统的pid控制器具有更高的稳定性以及有效地减少震荡的发生。其次使用带有0.1hz频率和30mm幅值的正弦波进行驱动气动人工肌肉系统，得到轨迹跟踪的数据图，从图8中可以看出自适应基于高度非线性拟合网络控制方法(nni-nnc)相对于传统的pid控制器具有更高准确性以及具有更高的响应速度。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。