基于分散神经网络的柔性基、柔性臂奇异摄动控制方法

技术特征：
1.一种基于分散神经网络的柔性基、柔性臂奇异摄动控制方法，其特征在于，包括如下步骤：s1，建立柔性基、柔性臂空间机器人系统动力学模型；s2，建立基于奇异摄动的柔性基、柔性臂空间机器人系统动力学模型，包括慢变子系统动力学模型和快变子系统动力学模型，先忽略快变时标变量以降低系统维度，再引入边界层修正项提高模型的逼近程度，实现对柔性基、柔性臂空间机器人系统的降阶处理；s3，设置双重时间尺度控制器，包括快变子系统控制器和慢变子系统控制器；s4，判断柔性基、柔性臂空间机器人系统是否为快变子系统；若为是，采用快变子系统控制器执行控制；若为否，则判定其为慢变子系统，采用慢变子系统控制器执行控制；将两个子系统控制器的输出输入至后续驱动器，数据存储后，接着判断是否到达运行时间，若为否，则继续执行循环判断；若为是，则输出结果为结束。2.根据权利要求1所述的基于分散神经网络的柔性基、柔性臂奇异摄动控制方法，其特征在于，s1中柔性基、柔性臂空间机器人系统的动力学方程为：其中，为系统的对称、正定惯性矩阵；为系统的科氏力与离心力向量；q
s
＝[θ0，θ1，θ2]
t
为系统的刚性广义坐标；q
f
＝[x
b
，δ1，δ2]
t
为系统的柔性广义坐标；k
f
＝diag(k
b
，k1，k2)为柔性系统的刚度矩阵，τ＝[u0，u1，u2]
t
为系统的控制输入，u0为载体姿态等效调节力矩，u
i
(i＝1，2)为关节驱动器a
i
的控制力矩。3.根据权利要求2所述的基于分散神经网络的柔性基、柔性臂奇异摄动控制方法，其特征在于，s2中基于奇异摄动对系统动力学模型进行降阶处理，得到表征载体姿态镇定、机械臂关节轨迹跟踪的慢变子系统和表征基座弹性变形、机械臂柔性振动的快变子系统。4.根据权利要求3所述的基于分散神经网络的柔性基、柔性臂奇异摄动控制方法，其特征在于，s2具体包括如下子步骤：s21，建立慢变子系统动力学模型；定义抗弯刚度矩阵k
f
中较小元素为k
min
、奇异摄动因子为ε＝(1/k
min
)
1/2
；引入新的状态变量ξ
f
、k
ε
(ε2ξ
f
＝q
f
，k
ε
＝ε2k
f
)，得到慢变子系统的动力学方程为：其中，为当ε＝0时与{
··
}相对应的量；s22，建立快变子系统动力学模型；引入快变时标t
f
(εt
f
＝t-t0)与边界层修正项得到快变子系统的动力学方程为：
其中，τ
f
为快变子系统的控制输入；为快变子系统的控制输入；为快变子系统的控制输入；s23，组合慢变子系统动力学模型与快变子系统动力学模型得到柔性基、柔性臂空间机器人系统的奇异摄动模型。5.根据权利要求4所述的基于分散神经网络的柔性基、柔性臂奇异摄动控制方法，其特征在于，s3具体包括如下子步骤：s31，设置慢变子系统控制器；将慢变子系统进一步分解为如下三个耦合子系统：将慢变子系统进一步分解为如下三个耦合子系统：其中，q
si
、与依次为向量q
s
、与的第i(i＝1，2，3)个分量；与依次为矩阵与的第ij个分量；令x
i
＝[x
i1
，x
i2
]
t
＝[q
si
，υ
si
]
t
，则式(15)改写为其中，其中，定义与g
i
(q
ri
)的理想神经网络逼近模型依次为与g
i
(q
ri
，w
ig
)，慢变子系统的分散神经网络轨迹跟踪控制器设置为：变子系统的分散神经网络轨迹跟踪控制器设置为：其中，和依次为和的估计值，与为估计误差；θ为正常数；与依次为f
i
(q
i
，υ
i
)、g
i
(q
i
)及交联项的神经网络估计值；s32，设置快变子系统控制器；基于状态变量负反馈进行控制，设置pd反馈控制器为：τ
f
＝-k
f
ζ
ꢀꢀꢀ
(74)
其中，k
f
∈r3×6为增益矩阵；s33，将快变子系统控制器与慢变子系统控制器组合；根据多重时间尺度理论，将s32、s31得到的子系统控制器相结合得到柔性基、柔性臂空间机器人系统的组合控制器为：

技术总结
本发明提供了一种基于分散神经网络的柔性基、柔性臂奇异摄动控制方法，包括如下步骤：建立系统动力学模型；建立基于奇异摄动的系统动力学模型，包括慢变子系统动力学模型和快变子系统动力学模型，实现对柔性空间机器人系统的降阶处理；设置双重时间尺度控制器，包括快变子系统控制器和慢变子系统控制器；判断系统为快变子系统或慢变子系统，执行驱动控制。本发明采用了奇异摄动技术，柔性空间机器人系统被降阶为不同时间尺度下的两个独立子系统，从而简化了系统模型结构、降低了控制设计的难度与复杂度，提升了通用性、跟踪进度和稳定程度。跟踪进度和稳定程度。跟踪进度和稳定程度。


技术研发人员：雷荣华
受保护的技术使用者：湖南工商大学
技术研发日：2022.08.19
技术公布日：2022/11/11