基于惯性参数辨识的关节型工业机器人变参数自适应控制研究

Running velocity, positional accuracy and motion stability are the important indicators to measure the performance of an articulated industrial robot. Improving the running velocity and positional accuracy, making sure its stability meanwhile, has become the key problem urgently to be solved in articulated industrial robot research. Because the inertial parameters of articulated industrial robot are time-varying, the conventional way, which distributes the displacement to each joint linearly, and controls each joint with fixed parameter PID method, is difficult to gain a good control performance with high-speed, high-accuracy and high dynamic quality. Firstly, the trajectory planning algorithm based on the equilibrium assignment of joint motor energy and the kinematics singularity avoidance will be studied in this project，which will force the robot to run with a best dynamics path and velocity. Then the improved Just-in-time Learning (JITL) technique is proposed to realize the on-line identification of robot's inertial parameters, and the integrated iterative learning control algorithm merge together iterative learning control and Generalized Predictive Control(GPC) will be considered to realize the variable parameter adaptive control to robot in real time, according to the identified inertia parameters. The research results of this project will provide trajectory planning and adaptive control of articulated industrial robot with theoretical basis. It will also provide technical support to industrial development of robot for our country.

运行速度、定位精度和运行平稳性是衡量关节型工业机器人性能的重要指标，在不断提高运行速度和定位精度的同时，保证在运动空间内的运行平稳性已成为关节型工业机器人应用中亟待解决的关键问题。由于关节型工业机器人运动过程中惯性参数是时变的，简单的将机器人的行程线性分配到每个关节，然后每个关节均采用固定参数的PID控制，很难获得高速、高精、高动态品质的控制性能。 本项目首先研究基于运动学奇异规避的关节电机能量均衡分配轨迹规划算法，实现机器人按规划的最佳动力学流形运行。然后采用改进的即时学习算法完成机器人惯性参数的高效、高精在线辨识，在此基础上，研究融合迭代学习和广义预测控制的融合型迭代学习控制算法，实现机器人运行过程中控制参数的实时自适应调整，以获得满意的控制精度和动态性能。 研究成果将为关节型工业机器人实时轨迹规划和自适应控制提供理论指导，并为我国机器人产业的发展提供技术支持.

提高运行速度和定位精度，并保证机器人运动平稳性，是机器人控制领域的研究重点。项目以关节型工业机器人为研究对象，研究了轨迹规划、惯性参数辨识、自适应伺服控制等内容，进展如下：.1）针对路径约束下时间最优轨迹规划，提出修型/射靶算法。建立路径参数形式运动学及动力学模型，利用多重约束条件，求出最大必要速度曲线，采用射靶/修型算法，对最大必要速度曲线进行矫正，获得路径约束下时间最优轨迹。并以直线和圆弧路径轨迹规划，验证算法适应性与高效性。.2）考虑机器人约束条件，提出样条插补速度规划算法。将速度规划对象从多重关节轴简化为单一主动关节轴，主从轴同步运动关系用样条曲线导数表示。此方式能限制主动轴不破坏运动约束条件，同时从动轴跟随主动轴保持同步，确保样条曲线维持原样，并使得插补时间最短。.3）提出一种基于改进粒子群算法的负载惯性参数辨识算法。基于连杆动力学参数辨识，先推导带负载惯性参数的关节理论负载力矩；后利用电机电流计算关节实际负载力矩，利用最小二乘法和具有交叉变异功能的改进粒子群算法辨识负载动力学参数；通过实验验证算法的有效性。.4）提出一种基于改进即时学习的伺服系统实时模型辨识方法。该算法将搜索数据库的过程分为粗搜索和精搜索，能在大数据下保持高效率，可保证模型的精度和效率。提出一种分数阶广义预测控制算法作为整定算法，引入分数阶算子，灵活调整分数阶阶次来控制跟踪误差和控制输入增量的权重。.5） 提出基于分数阶机器人交流伺服系统运动控制方法。建立交流伺服系统分数阶模型，获取实时数据并采用粒子群寻优算法获取分数阶阶次及模型参数。将分数阶引入PID控制器，得到分数阶PID控制器。基于摄动非线性微分方程滑膜干扰观测器研究扰动抑制策略。.项目部分解决了机器人多指标轨迹规划、惯性参数辨识和变参数控制的基本理论与方法，可为机器人动力学研究和稳定性控制提供指导。.发表论文20篇， 其中SCI收录12篇，EI收录7篇，申请发明专利13项，其中授权发明专利2项。