基于预测型间接迭代学习的SCARA机器人轨迹跟踪控制方法技术

本发明专利技术公开了一种基于预测型间接迭代学习的SCARA机器人轨迹跟踪控制方法。针对工程实际中，绝大多数情况下不允许用户对交流电机伺服驱动器输出的力矩信号进行补偿的问题，提出了一种基于预测型间接迭代学习的SCARA机器人轨迹跟踪控制方法。首先设计直接作用于机器人本体的双闭环反馈控制器，包含一个P型位置闭环和PI型速度闭环；然后设计具有前馈作用的预测型迭代学习控制器(A‑ILC)，利用之前运行批次在采样时刻t+Δ处的误差输出信息，来调整下次运行时在采样时刻t处的控制效果。相比于比例微分型迭代学习控制器(PD‑ILC)，采用A‑ILC具有更快的迭代收敛速度和跟踪精度；相比于无前馈作用的A‑ILC，有前馈作用的A‑ILC能够更加快速有效的消除外界干扰。

【技术实现步骤摘要】
基于预测型间接迭代学习的SCARA机器人轨迹跟踪控制方法
本专利技术属于SCARA机器人的高精度轨迹跟踪控制领域，具体涉及一种基于预测型间接迭代学习的SCARA机器人轨迹跟踪控制方法。
技术介绍
机器人技术是集机构学、电子技术、计算机技术、传感技术、控制论、人工智能等多学科于一体的高新技术。其中机器人控制系统的设计涉及到伺服驱动、运动控制、计算机软件等。其中，SCARA机器人是一个复杂的多输入多输出系统，具有时变、强耦合和非线性的动力学特性，并在实际生产中得到了大量应用，例如切割、焊接、涂胶等，这些应用都需要高精度重复跟踪固定的轨迹。机器人的轨迹跟踪控制是指通过给定各关节的驱动力矩，使机器人的位置、速度等状态变量跟踪给定的理想轨迹。对于机器人来说，控制器设计分为两种：(1)按照机器人实际轨迹与期望轨迹间的偏差进行负反馈控制。这种控制方法控制律简单，易于实现，称为“运动控制”，例如PID控制、模糊控制、鲁棒控制等。(2)充分考虑机器人的动力学模型，设计出更加精细的非线性控制律，即基于模型的控制策略，这种控制方法称为“动态控制”，例如重力补偿控制、计算力矩法、内模控制等。由于机器人时变、强耦合和非线性的动力学特性，并且简单的“运动控制”方法仅仅是基于反馈的控制策略，这使得对于高速高精度的轨迹跟踪控制来说，难以保证系统具有良好的跟踪精度。基于模型的动态控制，虽然能使机器人具有较好的动态和静态性能，但是由于机器人动态模型的复杂性，使得计算过程极其耗时，不利于工程实现。而且在实际的机器人系统中，由于摩擦模型和黏滞力的难以确定，以及结构参数的摄动，导致了无法精确建立机器人的动力学模型。很多智能控制策略也用来设计机器人的轨迹跟踪控制，例如神经网络控制、滑模变结构控制等。其中，迭代学习控制不需要机器人动力学模型，属于“运动控制”范畴。迭代学习控制，利用控制系统先前的控制经验，根据测量所得的系统实际输出信息和事先给定的目标轨迹的偏差修正不理想的控制信号，运用比较简单的学习算法来寻找一个理想的输入，使被控对象产生期望的运动。其中“寻找”的过程就是被控对象做反复训练的过程，也就是实行迭代学习控制，使系统的实际输出逼近期望目标轨迹的过程。迭代学习控制又分为直接迭代学习控制和间接迭代学习控制。在机器人控制中，直接迭代学习控制器的输出信号为直接作用于机器人关节的力矩信号。在工程实际中，机器人控制系统一般是多轴运动控制器加伺服驱动器的模式，交流伺服驱动器的内部参数整定好之后，一般不能在线修改，并且多数情况下不允许用户对驱动器输出的力矩信号进行补偿，这使得直接迭代学习控制很难进行工程应用。间接迭代学习控制是利用交流伺服电机编码器输出的实际关节位置与给定期望关节位置之间的偏差来优化调整位置的给定，该策略不需要改变伺服驱动器内部结构，也不需要多轴运动控制器具有力矩补偿接口。虽然间接迭代学习控制能很好克服重复性干扰，但实际生产环境中往往存在电压波动、旁路电机的启动停止、负载脉动等干扰，使得机器人输入力矩易受脉冲干扰的影响。所以，在设计预测型迭代学习控制器时，加入了前馈环节，当有外界干扰时能够有效的通过伺服驱动器反馈和预测型迭代学习控制器前馈的共同作用，快速消除干扰的影响，并且相比于传统PD型迭代学习控制器，预测型迭代学习控制器具有更快的收敛速度和跟踪精度。
技术实现思路
本专利技术针对工程实际中，交流电机伺服驱动器的内部参数整定好之后，一般不能在线修改，并且多数情况下不允许用户对驱动器输出的力矩信号进行补偿的问题，为了提高SCARA机器人轨迹跟踪的精度和抗干扰能力，提出了一种基于预测型间接迭代学习的SCARA机器人轨迹跟踪控制方法。首先设计了直接作用于机器人本体的双闭环反馈控制器，其包含一个比例型(P)位置闭环和比例积分(PI)型速度闭环，通过反馈作用实现机器人关节位置和关节速度的跟踪控制。为了提高双闭环控制器的动态性能，通过改进比例微分型迭代学习控制器(PD-ILC)，设计得到预测型迭代学习控制器(A-ILC)，利用之前运行批次在采样时刻t+Δ处的误差输出信息，来调整下次运行时在采样时刻t处的控制效果，以达到消除重复干扰和加快学习速度的目的。同时为了克服工业环境中脉冲干扰的影响，在设计A-ILC时加入了前馈环节，使SCARA机器人系统能更加快速消除干扰的影响。为实现以上的技术目的，结合具体案例，本专利技术将采取以下技术方案：基于预测型间接迭代学习的SCARA机器人轨迹跟踪控制方法，其特征在于：利用SCARA机器人各关节输出的轨迹跟踪误差数据来优化调整关节位置给定，对传统比例微分型迭代学习控制器进行改进，得到预测型迭代学习控制器，以消除重复干扰和加快学习速度，为了快速消除脉冲干扰的影响，在预测型迭代学习控制器中加入前馈环节，技术方案实现步骤如下：步骤(1)：采用D-H参数法构建SCARA机器人数学模型，并将任务空间的期望轨迹逆解到关节空间；步骤(2)：设计直接作用于SCARA机器人本体的双闭环反馈控制器；步骤(3)：通过编码器检测反馈SCARA机器人关节实际位置xi(t)和关节实际运行角速度ωi(t)；步骤(4)：设计具有前馈功能的预测型迭代学习控制器；步骤(5)：根据SCARA机器人实际关节位置与期望关节位置的偏差，通过预测型迭代学习控制器，优化调整双闭环反馈控制器的关节位置指令给定；步骤(6)：运行完成后检验是否达到离线迭代学习停止条件，若达到停止条件则停止学习，开始在线运行，否则继续迭代学习。所述SCARA机器人数学模型包括SCARA机器人正运动学和逆运动学；所述双闭环反馈控制器包括比例型(P)位置闭环和比例积分(PI)型速度闭环，其输入为优化调整后的关节位置指令，输出为作用于机器人关节的力矩信号；所述具有前馈功能的预测型迭代学习控制器，利用前一运行批次的误差经验数据及本次运行的实时误差数据，对双闭环反馈控制器的位置给定进行优化，其表示形式为：对于PD型迭代学习控制器，其表示形式为：其中，i表示第i个运行批次，t表示运行采样时刻，ri(t)表示第i次运行时双闭环反馈控制器实际关节位置给定值，rd(t)表示关节期望位置给定，rILC_i(t)表示第i次运行时关节位置给定的调整量，rILC_i-1(t)表示前一运行批次，即i-1次运行时关节位置给定的调整量，ei(t)表示第i次运行时t采样时刻的关节位置跟踪误差，ei-1(t+Δ)表示第i-1次运行时采样时刻t+Δ处的关节位置跟踪误差，ei-1(t)表示第i-1次运行时采样时刻t处的关节位置跟踪误差，k为比例增益、kA表示预测学习增益、Δ为超前采样时间，kP和kD表示比例和微分增益。根据以上方案，可实现以下的有益效果：本专利技术与现有直接型迭代学习控制相比，具有以下优点：(1)本专利技术方法不需要改变现有机器人系统的多轴运动控制器加伺服驱动器的控制模式，不需要在线修改驱动器内部参数，不需要用户对驱动器输出的力矩信号进行补偿。本专利技术与现有PD型间接迭代学习控制方法相比，具有如下优点：(1)本专利技术利用之前运行批次在采样时刻t+Δ处的误差输出信息，来调整下次运行时在采样时刻t处的控制效果，既能够完全克服重复未知干扰，又能加快迭代收敛速度和提高跟踪精度。(2)本专利技术在设计预测型迭代学习控制器时，加入了前馈本文档来自技高网...

【技术保护点】
一种基于预测型间接迭代学习的SCARA机器人轨迹跟踪控制方法，其特征在于，包括如下步骤：步骤(1)：采用D‑H参数法构建SCARA机器人数学模型，并将任务空间的期望轨迹逆解到关节空间；步骤(2)：设计直接作用于SCARA机器人本体的双闭环反馈控制器；步骤(3)：通过编码器检测反馈SCARA机器人关节实际位置xi(t)和关节实际运行角速度ωi(t)；步骤(4)：设计具有前馈功能的预测型迭代学习控制器；步骤(5)：根据SCARA机器人实际关节位置与期望关节位置的偏差，通过预测型迭代学习控制器，优化调整双闭环反馈控制器的关节位置指令给定；步骤(6)：运行完成后检验是否达到离线迭代学习停止条件，若达到停止条件则停止学习，开始在线运行，否则继续迭代学习。

【技术特征摘要】
1.一种基于预测型间接迭代学习的SCARA机器人轨迹跟踪控制方法，其特征在于，包括如下步骤：步骤(1)：采用D-H参数法构建SCARA机器人数学模型，并将任务空间的期望轨迹逆解到关节空间；步骤(2)：设计直接作用于SCARA机器人本体的双闭环反馈控制器；步骤(3)：通过编码器检测反馈SCARA机器人关节实际位置xi(t)和关节实际运行角速度ωi(t)；步骤(4)：设计具有前馈功能的预测型迭代学习控制器，过程如下：第i次运行时，机器人关节轨迹跟踪误差为：ei(t)＝rd(t)-xi(t)第i次运行时，迭代学习控制器的输出为：ri(t)＝rd(t)+rILC_i(t)+Kei(t)对于预测型迭代学习控制，调整量的更新策略为：rILC_i(t)＝rILC_i-1(t)+kAei-1(t+Δ)第一次运行时，由于还没有前一运行批次的输出信息，所以位置给定...

【专利技术属性】
技术研发人员：白瑞林，严浩，
申请(专利权)人：江南大学，
类型：发明
国别省市：江苏;32