機床商務(wù)網(wǎng)公司動態(tài)
機械手的組成與原理
閱讀：425 發(fā)布時間：2022-10-23機械手的組成與原理
機械手由多個通過關(guān)節(jié)連接的連桿組成。每個關(guān)節(jié)都有一個致動器，驅(qū)動關(guān)節(jié)旋轉(zhuǎn)或滑動。驅(qū)動扭矩由控制器給出。機械手是非線性、多/輸入、多/輸出系統(tǒng)。移動一個關(guān)節(jié)會影響另一個關(guān)節(jié)的動力學(xué)，因此機械手也是耦合的多/輸入、多/輸出系統(tǒng)。
即使在工業(yè)用途的結(jié)構(gòu)良好的環(huán)境中，機械手也會受到結(jié)構(gòu)化和/或非結(jié)構(gòu)化不確定性的影響。結(jié)構(gòu)不確定性主要是由于機械臂連桿特性不精確、載荷未知等造成的。非結(jié)構(gòu)化的不確定性是由未建模的動力學(xué)引起的，例如非線性摩擦、擾動和動力學(xué)的高頻部分。
盡管存在這些復(fù)雜性和不確定性，但機械手（n 個關(guān)節(jié)）可以以一般形式建模為
(5.1)H(q)q¨+C(q,q˙)q˙+G¯(q)+F(q,q˙)=τ(q,q˙,q¨),
其中q是關(guān)節(jié)位移的n × 1 向量，τ 是施加的關(guān)節(jié)扭矩的n × l 向量， H ( q ) 是n × n對稱正定操縱器慣性矩陣， C(q,q˙)q˙是向心力矩和科里奧利力矩的n× 1 向量，G¯(q)是重力力矩的n× 1 向量，并且F(q,q˙)是動力學(xué)的非結(jié)構(gòu)化不確定性，包括摩擦和其他干擾。C不是的，但可以這樣選擇H˙=C+C噸將舉行。
為此類系統(tǒng)設(shè)計理想控制器是當(dāng)今控制理論中挑戰(zhàn)性的任務(wù)之一，尤其是當(dāng)要求機械手快速移動同時保持良好的動態(tài)性能時。傳統(tǒng)的控制方法已經(jīng)使用了大約 20 年，試圖解決這個問題。PID 已成為用于工業(yè)機械手控制器的主要方法。PID 控制器 [ 11 , 16 , 23 ] 簡單且易于實施。如果重力轉(zhuǎn)矩得到補償，雖然靜態(tài)精度很好，但 PID 控制器的動態(tài)性能還有很多不足之處。
計算扭矩方法 (CTM) [ 4 , 13 , 17 ] 如果其假設(shè)有效，即機械手動力學(xué)是*已知的，則可以提供非常好的性能。如果我們知道如何計算H,C,G¯, 非結(jié)構(gòu)化不確定性, F , 不存在, 并且q,q˙可訪問，CTM 表示為
(5.2)τ=H(q)[q¨d+Λ(q˙d-q˙)+(qd-q)]+C(q,q˙)q˙+G¯(q),
在哪里qd,q˙d,q¨d是期望的關(guān)節(jié)位移、速度和加速度，Λ 是一個常數(shù)矩陣，選擇它使得s 2 I + Λs+I = 0 在復(fù)平面的左側(cè)具有所有解。CTM 與神經(jīng)控制領(lǐng)域中的逆模型方法非常相似。盡管如果知道精確模型，CTM 會提供非常好的性能，但由于無法獲得精確模型，因此在實際應(yīng)用中它的價值非常低。非結(jié)構(gòu)化和結(jié)構(gòu)化的不確定性是不可避免的。
自適應(yīng)控制方法( ACM) [ 3 , 5 , 19-21 ] 已被提出來應(yīng)對結(jié)構(gòu)化的不確定性，其中直接自適應(yīng)控制是一種典型的方法。在不考慮式（5.1）的機械臂動力學(xué)的非結(jié)構(gòu)化不確定性（F ）的情況下，直接自適應(yīng)控制方法需要將機械臂動力學(xué)重寫為
(5.3)H(q)q¨+C(q,q˙)q˙+G(q)=[是(q¨,q˙,q)]噸一種.
盡管參數(shù)向量 a的確切值不需要先驗，但在大多數(shù)實際機械手中，要獲得方程 (5.3)的動態(tài)形式仍然非常困難。此外，ACM 并沒有解決非結(jié)構(gòu)化不確定性的問題。
操縱器控制的常規(guī)方法可以總結(jié)如下。PID 的動態(tài)性能非常差。CTM 和 ACM 可以解決這個問題。然而，他們面臨三個困難。首先，我們必須對單個操縱器有詳細(xì)的顯式先驗知識，例如，我們必須知道H、C和G¯在 CTM 中，或者我們必須知道如何以方程（5.3）的形式表達機械臂動力學(xué)，以及如何計算自適應(yīng)控制中的Y。這種先驗知識在大多數(shù)機械手中很難獲得。其次，真實機械手中存在的不確定性嚴(yán)重貶低了這兩種方法的性能。ACM雖然具有應(yīng)對結(jié)構(gòu)化不確定性的能力，但并不能解決非結(jié)構(gòu)化不確定性的問題。第三，這兩種方法的計算量都非常高。由于控制采樣周期必須在毫秒級，這種高計算負(fù)載需要非常強大的計算平臺，導(dǎo)致實現(xiàn)成本高。
神經(jīng)網(wǎng)絡(luò)有可能克服傳統(tǒng)控制方法遇到的所有困難。由于它們的通用逼近特性，它們可以用作適用于任何機械手的通用控制器。憑借其學(xué)習(xí)能力，神經(jīng)網(wǎng)絡(luò)可以通過離線和/或在線學(xué)習(xí)來提高其性能并最終獲得令人滿意的結(jié)果，而無需明確了解機械臂動力學(xué)。它們的并行計算結(jié)構(gòu)可以幫助解決高計算負(fù)載問題。
許多研究工作已經(jīng)投入到用于機械手控制的神經(jīng)網(wǎng)絡(luò)應(yīng)用程序的設(shè)計中。Albus [1]在 1975 年使用小腦模型關(guān)節(jié)控制器 (CMAC) 來控制機械手。雖然當(dāng)時他沒有聲稱，但 CMAC 現(xiàn)在是一種流行的神經(jīng)網(wǎng)絡(luò)類別。米勒等人。[ 14 , 15 ] 和卡夫等人。 [12]擴展了 Albus 的結(jié)果并開發(fā)了神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法。飯古尼等人。 [7]將機械手線性控制技術(shù)與用于補償非線性不確定性的反向傳播(BP) 神經(jīng)網(wǎng)絡(luò)相結(jié)合。川藤等人。 [10]在原始機械手控制系統(tǒng)中添加了BP 網(wǎng)絡(luò)作為前饋補償器。盡管所有作者都聲稱模擬甚至實驗結(jié)果非常好，但缺乏理論分析和穩(wěn)定性保證使得工業(yè)家對在實際工業(yè)環(huán)境中使用結(jié)果持謹(jǐn)慎態(tài)度。