气动肌肉外文翻译资料.docx

气动肌肉外文翻译资料.docx

《气动肌肉外文翻译资料.docx》由会员分享，可在线阅读，更多相关《气动肌肉外文翻译资料.docx（12页珍藏版）》请在冰豆网上搜索。

气动肌肉外文翻译资料

外文翻译

ADAPTIVEROBUSTPOSTURECONTROLOFAPNEUMATICMUSCLESDRIVENPARALLELMANIPULATOR

气动肌肉驱动并联机器人的自适应性鲁棒姿态控制

系　　　　　　别：

机械与汽车工程系

专业名称：

机械设计制造及其自动化

学生姓名：

学　　　　　　号：

指导教师姓名、职称：

完成日期2015年12月21日

摘要

部分气动机器人由于无法实现摆动关节的自由定位，所以不能进行灵巧、柔顺的抓取操作，从而限制了它在工业领域的广泛应用。

气动肌肉驱动的机器人手臂可以像人类手臂一样进行灵巧，柔顺的抓取操作,但是气动肌肉驱动的并联机械臂的动态模型必然存在严重的参数不确定性，基于不连续的自适应鲁棒控制，对该系统的非线性参数（如气动肌肉的摩擦力和外部干扰）采取有效的控制，以实现显着的姿态轨迹控制。

此次实验结果验证了所提出的自适应鲁棒控制器控制的有效性。

关键词：

气动肌肉、并联机器人、自适应鲁棒控制

1．介绍

气动肌肉是一种类似人类肌肉的新型的柔性机构，它是由橡胶管和交叉编织护套材料组成。

其基本工作原理如下：

当橡胶管充气，交叉编织护套横向扩张，导致轴向压缩力与气动肌肉的终点位置的变化。

因此，其沿轴线方向的气动肌肉的位置和力的控制，可以通过调节其橡胶管的内部压力实现。

气动肌肉驱动的并联机器人（PMBYPM）包括三个气动肌肉连接的并联机器人动臂的基础平台，如图1所示。

控制三个气动肌肉的长度，通过旋转运动的三自由度并联机器人可以实现。

这样的并联机器人结合可调刚度和高功率/体积比（气动肌肉并联机构的结构紧凑），可有广泛的应用，如工业自动化和仿生装置。

图1气动肌肉驱动并联机械手的结构

气动肌肉动力学模型存在严重的非线性变动参数，包括各种摩擦，迟滞和温度收缩力，这些因素使得气动肌肉的精确位置不能得到控制，这在过去的几年中已经获得了极大的关注。

虽然已完成大量对气动肌肉的控制研究，但他们大多都不考虑气动肌肉的压力，动力学，橡胶的管内的压力和流量之间的动态关系。

没有考虑压力动力学主要处理单位或拮抗肌肉致动器的控制器设计的研究较少。

这项研究需要精确的系统模型和扰动动态下的匹配条件。

在本文中，考虑了并联机器人的气动肌肉示于图驱动的姿态控制，其中每个气动肌肉是由两个快速切换阀控制。

这样的系统不仅能控制一切与气动肌肉有关的状态，也是耦合的多输入多输出（MIMO）增加难度的并联机器人动力学系统。

自适应鲁棒控制方法应用于减少集中未知不确定非线性和参数不确定性，很大程度上在使用一定的鲁棒反馈控制补偿模型不确定性的影响。

所提出的控制器设计明确考虑到交流计数的压力动态的影响。

因此，高跟踪性能的实践验证了所获得的实验结果。

2．动态模型

对并联机器人的几何结构如图1所示，它由一个移动平台，基础平台，中心杆和三个气动肌肉组成。

气动肌肉与移动平台和基础平台，由球形关节连接，这是均匀分布在各自的平台上的一个圆圈。

中心柱刚性固定于基座平台，由一个球头连接到移动平台。

并联机器人的姿态是通过三个独立的角度定义。

滚动角度Xθ绕X轴，Yθ俯仰角和偏航角Zθ绕Z轴，双速切换阀是用来调节每个气动肌肉的压力的，而这种组合的组件被称为随后的驱动单元。

假设移动平台的惯性矩阵是I（θ），机械手平行矢量角速度矢量的变换矩阵是G（θ）、球形接头粘性摩擦系数矩阵为CS=diag（[CS1，S2S3]TC，C），一阶偏微微分运动影响系数矩阵J（θ），三个驱动单元的等效质量矩阵M，在任务空间的扰动DP（t）和肌肉力量的载体FM=[FM1，FM2，FM3]^T，这将在下一次节交代。

然后运动平台的动力学模型为

每个驱动单元的i，肌肉力量可以被描述为

在εi=Xmi/L0，Xm是压缩、气动肌肉，Fr是橡胶弹性力的补偿，P是气动肌肉的压力，a,b是气动肌肉的结构有关的常数，k是一个滑动效果的因素，δF建模误差。

空气流经阀门的一个快速切换阀的质量流量占空比用u表示

其中PU是上游的压力，下游的压力PD，Tu是上游的温度，一个是阀门R一个是有效瓣口面积为气体常数f（Pu/Pd）的非线性流函数。

一般压力动态方程（RicherandHurmuzlu,2000）：

λa和λb代表的未知参数是气动肌肉的内容积和气动肌肉的热力学温度。

从公式1定义并行驱动力矩在任务空间机械臂为τ=Jp^t（θ）Fm和执行器动力学

其中

是Fmi的可计算部分，Dτ（t）表示在驱动单元空间（肌肉空间）所有未知干扰是一种非线性增益函数的矩阵推导式。

因此，集合的状态变量的定义描述为X=[x^T1,X^T2,XT^3]^T=[θ^T,θ`^T,τ^T]T，整个系统可以表示在状态空间形式为

而P=FP（X1,X3）是τ的反函数。

3．自适应鲁棒控制器

3.1设计问题，假设和符号

一般系统进行参数化，由于Cs，Ip的变化的不确定性，λa,λb和Dp,Dτ的未知非线性,其中，Dp和Dτ可由两部分组成,名义上的部分记为Dp`和Dτ`是恒定的或缓慢变化和被通过参数自适应和快速变化处理。

可以看出，系统的主要困难—，控制：

系统具有严重的参数不确定性，变阻尼系数，多变指数λa和λb。

因此应采取的参数自适应方法，减少参数的不确定性。

（乙）系统很大程度上建模集中误差等未知干扰和摩擦力，这是包含在Dp和Dτ。

因此，该方法具有一定的鲁棒性，应用于处理不确定的非线性能提高有效性能。

（丙）模型的不确定性是不匹配的，即参数的不确定性和不确定性的非线性出现在动态方程，是不直接相关的控制输入，因此，应采用反推设计技术，克服设计困难，实现渐近稳定。

由于参数的不确定性和不确定性的非线性程度存在，参数的不确定性和不确定性的非线性应该满足β∈Ωβ={β：

βmin≤β≤βmax}，和Dp≤Dpmax，Dτ≤Dτmax.

让β表示β和β=ˆβ−β估计误差,不连续的投影可以被定义为eq.7为了参数及其衍生物在自适应鲁棒控制的全过程中有界

适用定律是β=Projˆβ（Γσ），在Γ>0是一个对角矩阵和σ是适应功能是合成后用投影映射方程

3.2弧控制器设计

设计平行的递归反推设计程序在任务空间和肌肉通过电弧空间里雅普诺夫函数如下。

1）步骤一：

定义一个转换函数数量为Z2=Z`1+KcZ1，其中Z1=x1−YD的轨迹跟踪误差矢量和Kc是一个正对角矩阵。

如果Z2收敛到一个很小的值或0，那么Z1将收敛到一个很小的值或0，因为从Z1到Z2的传递函数是稳定的。

然后，对eq.9同时注意到eq.6，

任务空间中的未知参数向量βP=[Cs1，Cs2Cs3,Dpn1,Dpn2,Dpn3]^T在任务空间中的参数不确定性被描述为

在这ϕ2=[−diag（G^TGx2），−I]是一种参数自适应。

如果τ作为eq.10输入，一个虚拟控制法τd合成，Z2尽可能小。

τd由两方面运用,通过

在这τda的作用通过自适应控制法实现和σ2=ϕ2I−T^pz2参数自适应实现的一种改进的模型补偿。

τday有控制规律，由两方面加强鲁棒控制。

τDS=τDS1+τDS2，τDS1=−IPK2

其中K2是积极的增益控制功能的参数，和τDS2合成控制模型的不确定性来自参数不确定性和非线性不确定性，满足下列条件

ε2是一个积极的设计参数，让输入的差异是Z3=τ−τD，替eq.12为eq.10˙

V2=Z2^TZ2/2，它的时间导数是

2）步骤二：

虚拟控制输入Qm合成，使Z3收敛到零或一个小值以保证其瞬态性能。

衍生的输入差异：

导出x1输出微分观测器的设计在下一部分。

˙τ直流源于τD，可以用于设计控制功能，但˙τ由于各种不确定因素无法计算，D3=˜Dτ−˙τdu是肌肉中的总的不确定性。

肌肉空间未知参数向量是βτ=[λa1，λa2，λa3，λb1、λb2，λb3，dτn1，dτn2和dτn3]，在肌肉空间中的参数不确定性的描述为

一种参数自适应回归,给出了虚拟输入

qmds用于自适应模型补偿和适应功能σ3=ϕ3Z3。

鲁棒控制规律mds由以下两方面组成

其中K3是一个正反馈增益矩阵和qmds2是一个强大的控制选择功能，控制模型的不确定性满足下列所有条件

ε3是一个积极的设计参数，考虑增强PSD函数V3=V2+zT3Z3/2，它的时间导数是

在一般情况下，跟踪误差是有界的。

此外，在参数不确定性的情况下渐近输出跟踪或零，最终跟踪误差将得到零。

3）.步骤三：

逆流图是用来计算快速切换阀的具体任务指令，提供所需的流量qmd。

每个阀门的控制输入，u=K^（−1）q*qmd。

3.3输出微分观测器

从上面看到的eq.20计算需要的姿态、速度和加速度，因此输出微分观测器（QIetal.，2003）提出了速度和加速度由于依赖于不准确的气动肌肉的收缩力和摩擦力的动态模型难而建立。

设

为

的估计值，I代表指数分别是

极点配置方法是利用指定的值的a1，a2，a3，根据预期的性能指标。

输出微分观测器的误差可以被集中到不确定的非线性项Dp和Dτ，这可以通过鲁棒控制衰减。

3.4设计参数分析

从以上程序，C1，C2、C3、ε2、ε3和适应率Γ2，Γ3是设计参数，它对系统的瞬态性能和最终的跟踪误差有很大影响。

（a）Kc有助于Z1大幅度收敛到零，这是由于未建模动态高频下总控制系统的带宽限制速度高，饱和的控制变量和限制采样频率等。

（b）ε2、ε3动态性幅度小，选择自解控制精度低，K2、K3大幅度动态性，选择自解控制精度高。

{λv=2minσmin（K2）{σ（K3）σ}denotes最小特征值A和矩阵Vεε=ε2+3。

（C）Γ2、Γ3的适应率Z2、Z3，Z2、Z3积分自下面的准稳态方程代入到eq.16和eq.18，前者分别推导。

是有界不确定性。

利用极点配置方法设计了2、3和的控制增益Γ2，Γ3。

它们被限制的带宽的系统为Kc。

4.实验结果

控制概念的有效性验证几种被测物供应压力为0.48MPa。

图2是建立实验（yaoetal.，2005）ARC和DRC控制器的测试对比实验和性能指标（Yao，2004）。

图2

控制器是缓慢平稳的阶跃响应如5S的图中所示的上升时间测试，以响应姿势θx=0°，θy＝0°，姿势θx=6°，θy＝4°（在本系统θZ是忽略它的值总是接近0。

）图3，ARC性能比DRC更好，ARC最终误差EXF=0.0195，EYF=0.0232，最大绝对误差为EXM=0.2694和EYM=0.4685。

测试控制性能鲁棒性的突发干扰中，位置传感器遭受突然的抖动，可被认为是一个突变的干扰系统。

这种情况的响应如图4所示。

可见，系统产生较大的跟踪误差由于位置传感器错误的反馈信息，然后抖动消失后，系统回到稳定的姿态迅速。

因此，控制算法是鲁棒的干扰。

控制器再次运行的并联机器人的跟踪正弦运动轨迹频率不同。

例如，图5的正弦运动轨迹跟图6周期正弦运动轨迹在不确定性的任务空间。

再次确认ARC能比DRC达到更好的性能。

ARC的平均误差为2【EX]=0.1299°、L2[ey]=0.1012°和最大绝对误差EXM=0.3688°、EYM=0.3033°。

这并不奇怪，有较大的未建模的不确定性，所以有大的建模误差，最终跟踪误差也会变大。

图3

图4

图5

图6

5.结论

本文研究了一种由六个快速切换阀控制的气动肌肉驱动并联机器人运动轨迹跟踪控制问题。

这样一个系统的数学模型，受到严重的参数不确定性和不确定性的非线性影响，已提出了一种自适应鲁棒控制器来处理这些模型的不确定性。

所提出的控制器实现了其瞬态性能，以及保证最终的跟踪精度。

利用输出差分观测并联机器人速度和加速度，以提供一个简单的和有效的方式实施拟议的自适应鲁棒控制器。

已被获得实验结果，验证了所提出的ARC控制器的良好的跟踪性能。

6.引用

Bowler,C.J.,D.G.CaldwellandG.A.Medrano-Cerda（1996）.Pneumaticmuscleactuators:

Musculatureforananthropomorphicrobotarm.IEEEColloquiumonActuatorTechnol-ogy:

CurrentPracticeandNewDevelopmentspp.8/1–8/6.

Chou,C.P.andB.Hannaford（1996）.Mea-surementandmodelingofmckibbenpneu-maticartificialmuscles.IEEETransactionsonRoboticsandAutomation12,90–102.

Hildebrandt,A.,O.Sawodny,R.NeumannandA.Hartmann（2005）.Cascadedcontrolcon-ceptofarobotwithtwodegreesoffree-domdrivenbyfourartificialpneumaticmus-cleactuators.In:

AmericanControlConfer-ence.USA.pp.680–685.

Kimoto,M.andH.Ito（2003）.Nonlinearrobustcompensationforcontrolofapneumaticac-tuator.In:

SICEAnnualConferenceinFukui.Japan.pp.1820–1825.

Lilly,J.H.（2003）.Adaptivetrackingforpneu-maticmuscleactuatorsinbicepandtri-cepconfigurations.IEEETransactionsonNeuralsystemsandrehabilitationengineering11,333–339.

Qi,G.Y.,Z.Q.ChenandZ.Z.Yuan（2003）.Highorderdifferentialfeedbackcontrolfornonlin-earsystems.EngineeringScience5,35–44.

Repperger,D.W.,K.R.JohnsonandC.A.Phillips（1998）.Avscpositiontrackingsystemsin-volvingalargescalepneumaticmuscleactua-tor.In:

Proceedingsofthe37thIEEEConfer-enceonDecisionandControl.Tampa,FloridaUSA.pp.4032–4037.

Richer,E.andY.Hurmuzlu（2000）.Ahighperformancepneumaticforceactuatorsys-tem:

Parti-nonlinearmathematicalmodel.

TransactionsoftheASMEJournalofDy-namicSystems,Measurement,andControl122,416–425.

Tao,G.L.,X.C.ZhuandJ.Cao（2005）.Modelingandcontrollingofparallelmanipulatorjointdrivenbypneumaticmuscles.ChineseJour-nalofMechanicalEngineering（EnglishEdi-tion）18,537–541.

Tian,S.P.,G.Q.Ding,D.T.YangandL.M.Lin（2004）.Nonlinearmodelingandcontrollingofartificialmusclesystemusingneuralnet-works.ChineseJournalofMechanicalEngi-neering（EnglishEdition）17,306–310.

Yang,G.,B.R.LiandJ.Liu（2002）.Anewan-alyticalmethodoncharacteristicsofartifi-cialpneumaticmuscleactuator.ChineseHy-draulicsandPneumatics10,22–25.

Yao,B.（2004）.Advancedmotioncontrol:

Anadaptiverobustframework.In:

The8thIEEEInternationalWorkshoponAdvancedMotionControl.KawasakiJapan.pp.565–570.

Yao,B.,F.P.Bu,J.ReedyandG.T.C.Chiu（2000）.Adaptiverobustmotioncontrolofsingle-rodhydraulicactuators:

Theoryandexperiments.IEEE/ASMETransactionsonmechatronics5,79–91.