帶有死區(qū)和摩擦補償?shù)臋C械臂伺服系統(tǒng)自適應(yīng)神經(jīng)網(wǎng)絡(luò)控制

陳強，余夢夢，魏倩

帶有死區(qū)和摩擦補償?shù)臋C械臂伺服系統(tǒng)自適應(yīng)神經(jīng)網(wǎng)絡(luò)控制

陳強1，余夢夢1，魏倩2

（1.浙江工業(yè)大學(xué) 信息工程學(xué)院，浙江杭州 310023；2.保定市計量測試所，河北保定 071000）

針對帶有輸入死區(qū)和未知摩擦的機械臂伺服系統(tǒng)，本文提出了一種基于神經(jīng)網(wǎng)絡(luò)的自適應(yīng)軌跡跟蹤控制策略。首先，建立死區(qū)的逆模型，解決死區(qū)的非線性輸入問題。其次，構(gòu)建摩擦力動態(tài)模型，并采用徑向基核神經(jīng)網(wǎng)絡(luò)來逼近系統(tǒng)中的不確定項。然后，通過反演法和一階動態(tài)面，遞歸設(shè)計控制虛擬量和控制器，以保證系統(tǒng)輸出能快速跟蹤期望信號，提高跟蹤誤差的收斂性能。最后，仿真結(jié)果驗證了該方法的有效性。

死區(qū)；摩擦；機械臂；自適應(yīng)控制；神經(jīng)網(wǎng)絡(luò)

本文引用格式：陳強，余夢夢，魏倩.帶有死區(qū)和摩擦補償?shù)臋C械臂伺服系統(tǒng)自適應(yīng)神經(jīng)網(wǎng)絡(luò)控制［J］. 新型工業(yè)化，2016，6（8）：1-8. DOI：10.19335/j.cnki.2095-6649.2016.08.001

0　引言

隨著機械臂伺服系統(tǒng)在機器人、航空飛行器等高性能系統(tǒng)中的廣泛應(yīng)用，如何實現(xiàn)機械臂伺服系統(tǒng)的快速精確控制已經(jīng)成為了一個熱點問題。由于伺服系統(tǒng)本身具有多變量，強耦合等非線性特性，傳統(tǒng)的PID控制器往往無法滿足其高精度的控制要求［1，2］。其次，機械臂伺服系統(tǒng)中存在摩擦力和未知死區(qū)等非線性環(huán)節(jié)，不僅會導(dǎo)致控制系統(tǒng)的效率降低，嚴重時還會導(dǎo)致系統(tǒng)產(chǎn)生不穩(wěn)定現(xiàn)象。因此，為提高伺服系統(tǒng)的控制性能，補償死區(qū)和摩擦力等非線性環(huán)節(jié)，需要設(shè)計合適的控制方法以減弱其不良影響。

目前，針對系統(tǒng)中存在的死區(qū)，國內(nèi)外學(xué)者已開展研究而且取得了一定的成果。其中，傳統(tǒng)的解決死區(qū)非線性的方法一般是建立死區(qū)的逆模型或近似逆模型［3-6］，并通過估計死區(qū)的上下界參數(shù)設(shè)計自適應(yīng)控制器，以消除死區(qū)非線性的影響。同時，這幾年在摩擦補償控制方面有大量的研究，提出了自適應(yīng)的摩擦力補償方法［7，8］，然而，這種靜態(tài)模型往往并不能準確的表示摩擦力。因此，人們提出了建立動態(tài)摩擦模型［9，10］，補償摩擦對系統(tǒng)的影響。此外，針對系統(tǒng)中存在的未知函數(shù)和未知項，許多學(xué)者研究了基于神經(jīng)網(wǎng)絡(luò)［11-13］的估計方法。其中，徑向基核神經(jīng)網(wǎng)絡(luò)（RBFNN），因其有效性，被廣泛地應(yīng)用。在提高伺服系統(tǒng)控制性能方面，也提出了許多先進的控制方法。其中，基于李亞普諾夫的反演法，往往能夠穩(wěn)定地跟蹤系統(tǒng)的期望信號。但在反演遞歸步驟中，往往會因出現(xiàn)微分項導(dǎo)致微分爆炸等問題。學(xué)者提出一種動態(tài)面（DSC）控制方法［14，15］，可以避免這一問題。因此，結(jié)合反演法和一階動態(tài)面，可以簡化控制器的結(jié)構(gòu)，并保證系統(tǒng)的快速跟蹤。

本文針對帶有死區(qū)和摩擦的機械臂伺服系統(tǒng)，提出了一種基于神經(jīng)網(wǎng)絡(luò)的自適應(yīng)軌跡跟蹤控制方法。首先，建立死區(qū)的逆模型和摩擦動態(tài)的模型，對其進行補償，以消除死區(qū)和摩擦對系統(tǒng)的影響。同時，在設(shè)計的過程中，采用神經(jīng)網(wǎng)絡(luò)來逼近系統(tǒng)中的不確定項，簡化了控制器的設(shè)計結(jié)構(gòu)。其次，結(jié)合反演法和一階濾波器，在遞歸步驟中設(shè)計系統(tǒng)的控制虛擬量來解決反演帶來的復(fù)雜爆炸度問題，提高系統(tǒng)的控制性能。該方法不僅能準確補償摩擦和死區(qū)等非線性環(huán)節(jié)，而且能保證系統(tǒng)輸出對期望信號完成有效的跟蹤，提高系統(tǒng)的魯棒性。

1　系統(tǒng)模型建立

1.1機械臂模型

機械臂是機器人運動和控制的結(jié)合點，其傳統(tǒng)控制方法是直接轉(zhuǎn)矩控制，但此類控制方法往往會存在較大誤差。因此，本文中基于電壓輸入的機械臂系統(tǒng)，建立系統(tǒng)數(shù)學(xué)模型如下：

其中，下標n代表系統(tǒng)參數(shù)；gn（q）=M-1（q）；Tu是系統(tǒng)中幾種的不確定項之和，被定義為和Tf的未知不確定項，同時，不確定項是有界的，邊界用ρi（i=m，c，g，f ）表示，即］是系統(tǒng)的干擾項，對所有T∈［0，∞）來說，TL也是在邊界ρd:TL≤ρd內(nèi)。因此，Tu可以被限制在一定的邊界內(nèi)。

1.2非線性死區(qū)模型

對系統(tǒng)中存在的非線性死區(qū)D（?）可以表示為

其中，τ是死區(qū)的輸入；D（τ）是死區(qū)的數(shù)學(xué)模型輸出；mr和ml表示死區(qū)的未知斜率；br和bl代表死區(qū)的未知寬度界限。一般情況下，假設(shè)mr＞0，ml＞0，br≥0和bl≤0。

對死區(qū)進行逆變換處理，使死區(qū)線性化再對其補償，可以有效地消除死區(qū)的影響。建立死區(qū)的逆模型，τ的表達式為

則τ和D（τ）之間的誤差為

2　摩擦動態(tài)模型建立

摩擦力廣泛存在于伺服系統(tǒng)中，影響系統(tǒng)的控制性能，因此，首先需要對未知摩擦進行補償。系統(tǒng)的非線性摩擦力可以表示為

其中，z是系統(tǒng)摩擦力的鬃毛形變量；x1是系統(tǒng)的跟蹤軌跡；σ0表示剛硬強度，σ1表示阻尼系數(shù)，σ2是粘性摩擦系數(shù)。

考慮系統(tǒng)中的鬃毛形變量，其一階導(dǎo)數(shù)可以表示為

上式鬃毛形變量z是有界的，摩擦力的模型由其一階導(dǎo)的表示式推導(dǎo)，可表示為

其中，z的彎曲程度接近一個穩(wěn)態(tài)值zs，，因此，定義

3　神經(jīng)網(wǎng)絡(luò)

在機器學(xué)習(xí)及相關(guān)領(lǐng)域，神經(jīng)網(wǎng)絡(luò)作為一種先進的算法，能夠很好的逼近系統(tǒng)中存在的未知參數(shù)。因此，在本中采用神經(jīng)網(wǎng)絡(luò)函數(shù)來逼近系統(tǒng)中存在的不確定項。假設(shè)存在理想權(quán)重，不確定函數(shù)f可以表示為

其中，*ε為神經(jīng)網(wǎng)絡(luò)理想誤差值，且滿足則是一個正的常數(shù)；表輸入矢量；是神經(jīng)網(wǎng)絡(luò)的基本函數(shù)；φi（X）取為以下高斯函數(shù)

其中，ci代表高斯函數(shù)的核參數(shù)；σi代表高斯函數(shù)的寬度；exp（·）代表以自然常數(shù)e為底的指數(shù)函數(shù)。

4　自適應(yīng)控制和穩(wěn)定性證明

4.1控制輸入的設(shè)計

在本節(jié)，首先采用自適應(yīng)動態(tài)面控制方法設(shè)計虛擬控制量和控制輸入信號，然后利用李亞普諾夫理論證明系統(tǒng)的穩(wěn)定性。

定義跟蹤軌跡誤差

對（13）求導(dǎo)可得

設(shè)計虛擬控制量z1為

其中，k1是設(shè)計的常數(shù)。我們設(shè)計一階濾波器，時間常數(shù)為τ1，讓z1通過一階濾波器，α1為一階濾波器的輸出，表達式為

定義濾波誤差y2為可以得到

對（18）進行轉(zhuǎn)換，可得到濾波誤差的導(dǎo)數(shù)為

對s2求導(dǎo)為

其中，輸入矢量X1為

設(shè)計虛擬控制量z2為

其中，k2是設(shè)計的控制參數(shù)。?1μ被用來估計ε1。同時，設(shè)計一階濾波器，時間常數(shù)為τ2，使z2通過一階濾波器，α2為一階濾波器的輸出，則表達式為

因此可以得到s3的一階導(dǎo)數(shù)為

其中，輸入矢量X2為

則控制輸入u可設(shè)計為

其中，k3是設(shè)計的控制參數(shù)。被用來估計ε2值。

將（36）代入（35）得

其中，j=1，2。

4.2穩(wěn)定性證明

定義以下李亞普諾夫函數(shù)

將（19），（29）和（37）代入到（41）中，并求導(dǎo)可得

5　仿真結(jié)果及分析

5.1仿真參數(shù)設(shè)置

5.2仿真結(jié)果分析

圖1　關(guān)節(jié)1跟蹤效果示意圖Fig.1 Tracking performance of link 1

圖2　關(guān)節(jié)2跟蹤效果示意圖Fig.2 Tracking performance of link 2

圖3　系統(tǒng)軌跡跟蹤誤差示意圖Fig.3 Tracking error of the system

圖4　系統(tǒng)電壓輸入示意圖Fig.4 Voltage input of the system

6　結(jié)論

本文針對機械臂伺服系統(tǒng)存在的未知摩擦和死區(qū)問題，提出一種基于神經(jīng)網(wǎng)絡(luò)的自適應(yīng)控制方法。首先，分別對死區(qū)和摩擦進行建模，補償死區(qū)和摩擦對系統(tǒng)的影響，有效提高系統(tǒng)跟蹤控制性能。同時，在設(shè)計控制器的過程，本文利用神經(jīng)網(wǎng)絡(luò)來估計系統(tǒng)中的不確定項，簡化控制器結(jié)構(gòu)。然后，結(jié)合反演法和一階動態(tài)面，避免了反演復(fù)雜度爆炸問題，保證系統(tǒng)誤差的收斂性，并提高了系統(tǒng)控制性能。最后通過仿真實例，來驗證該方法的有效性和優(yōu)越性。上述結(jié)果表明，本文提出的方法能實現(xiàn)快速穩(wěn)定的位置跟蹤，有效補償死區(qū)和摩擦對系統(tǒng)的影響，即該方法具備良好的控制性能。

［1］ 解小剛，陳進.采用id=0的永磁同步電機矢量控制系統(tǒng)MATLAB/Simulink仿真［J］.新型工業(yè)化，2016，6（5）：47-54.

X G Xie，J Chen. Vector Control With id=0 Simulation of PMSM Based on Matlab/Simulink［J］. The Journal of New Industrialization，2016，6（5）：47-54.

［2］ 陳強，吳根忠，葉雷.永磁同步電機變負載自適應(yīng)神經(jīng)網(wǎng)絡(luò)控制［J］. 新型工業(yè)化，2014，4（4）：17-22.

Q Chen，G Z Wu，L Ye. Adaptive Neural Control of Permanent Magnet Synchronous Motor with Variable Load［J］. The Journal of New Industrialization，2014，4（4）：17-22.

［3］ J Na. Adaptive Prescribed Performance Control of Nonlinear Systems With Unknown Dead Zone［J］. International Journal of adaptive control and signal Processing，2013，27（5）：426-446.

［4］ J Na，X M Ren，Guido Herrmann，Q Zhi. Adaptive Neural Dynamic Surface Control for Servo Systems with Unknown Dead-zone［J］. Control Engineering Practice，2011，19（11）：1328-1343.

［5］ Q Chen，X Ren ，J Na，et al. Adaptive Robust Finite-Time Neural Control of Uncertain PMSM Servo System With Nonlinear Dead Zone［J］. Neural Computing & Applications，2016. DOI：10.1007/s00521-016-2260-5.

［6］ G Tao，Kokotovic，et al. Adaptive Control of Plants With Unknown Hysteresis［J］. IEEE Transactions on Automatic Control，1995，40（2）：200-212.

［7］ J Na，Q Chen，X M Ren，et al. Adaptive Prescribed Performance Motion Control of Servo Mechanisms With Friction Compensation［J］. IEEE Transactions on Industrial Electronics，2014，61（1）：486-494.

［8］ Vedagarbha P，Dawson D M，F(xiàn)eemster M. Tracking control of mechanical systems in the presence of nonlinear dynamic friction effects［J］. IEEE Transactions on Control Systems Technology，1999，7（4）：446-456.

［9］ Q Chen，L Tao ，Y Nan ，et al. Adaptive Nonlinear Sliding Mode Control of Mechanical Servo System With LuGre Friction Compensation［J］. Journal of Dynamic Systems Measurement & Control，2015，138（2）：021003-1-9.

［10］ C I Huang，L C Fu. Adaptive Approach to Motion Controller of Linear Induction Motor with Friction Compensation［J］. IEEE/ASME Transactions on Mechatronics，2007，12（4）：480-490.

［11］ X M Ren，X M Rad. Identification of Nonlinear Systems With Unknown Time Delay Based on Time-Delay Neural Networks［J］. IEEE Transactions on Neural Networks，2007，18（5）：1536-41.

［12］ Fabri S，Kadirkamanathan V.Dynamic structure neural networks for stable adaptive control of nonlinear systems［J］. IEEE Transactions on Neural Networks，1996，7（5）：1151-1167.

［13］ T Zhang，S S Ge. Adaptive Neural Network Tracking Control of MIMO Nonlinear Systems With Unknown Dead Zones and Control Directions［J］. IEEE Transactions on Neural Networks，2009，20（3）：483-97.

［14］ W W Chen. Adaptive Backstepping Dynamic Surface Control for Systems With Periodic Disturbances Using Neural Networks［J］. IET Control Theory Appl，2009，3（10）：1383-94.

［15］ Q Chen，X Ren ，J A Oliver . Identifier-Based Adaptive Neural Dynamic Surface Control for Uncertain DC-DC Buck Converter System With Input Constraint［J］. Communications in Nonlinear Science & Numerical Simulation，2012，17（4）：1871-1883.

Adaptive Neural Network Control of Robotic Manipulators Servo System with Friction and Dead Zone Compensation

CHEN Qiang1， YU Meng-meng1， WEI Qian2

（1College of Information Engineering， Zhejiang University of Technology， Hangzhou 310023， China； 2Baoding Institute of Measurement and Test， Baoding 071000， China）

In this paper， an adaptive control scheme based on the neural network is proposed for robotic manipulators with input dead zone and unknown friction. Firstly， the inverse model of dead zone is established to overcome the issue of input nonlinearity. Secondly， the friction behavior is described by a nonlinear dynamical model， and a radial basis function neural network （RBFNN） is employed to approximate the uncertainties in the system. Then， virtual control variables and the controller are designed by combing the backstepping technique and the dynamic surface control in each step to guarantee that the system output can rapidly track the desired signal and the convergence performance of track error can be improved. Finally， simulation results are given to verify the effectiveness of the proposed scheme.

Dead zone； Friction； Manipulator； Adaptive control； Neural network

CHEN Qiang， YU Meng-meng， WEI Qian. Adaptive Neural Network Control of Robotic Manipulators Servo System with Friction and Dead Zone Compensation［J］. The Journal of New Industrialization，2016，6（8）: 1-8.

國家自然科學(xué)基金（61403343），中國博士后科學(xué)基金（2015M580521），浙江工業(yè)大學(xué)國家級大學(xué)生創(chuàng)新創(chuàng)業(yè)訓(xùn)練計劃項目（201610337034）

陳強（1984-），男，博士，講師，主要研究方向：非線性伺服系統(tǒng)建模與控制；余夢夢（1996-），女，本科生，主要研究方向：機械臂伺服系統(tǒng)自適應(yīng)控制；魏倩（1983-），女，學(xué)士，主要研究方向：機電伺服系統(tǒng)計量檢測與控制