工业机器人控制策略

工业机器人控制策略探讨1.前言工业机器人（机械手）是一个十分复杂的多输入多输出非线性系统，它具有时变、强耦合和非线性的动力学特征，因此带来了控制的复杂性。由于测量和建模的不精确，再加上负载的变化以及外部扰动等不确定性的影响，难以建立工业机器人精确、完整的运动模型。现代工业的快速发展需要高品质的工业机器人为之服务，而高品质的机器人控制必须综合考虑各种不确定性因素的影响，因此针对工业机器人的非线性和不确定性的控制策略成为了工业机器人研究的重点和难点。2.工业机器人的控制策略针对工业机器人的多变量、非线性、强耦合以及不确定性，目前采用或正在大力研究的主要有如下几种控制策略：2.1变结构控制20世纪60年代，前苏联学者提出了变结构控制。20世纪70年代以来，变结构控制经过控制学者的传播和研究工作，经历40多年来的发展，在国际范围内得到广泛的重视，形成了一门相对独立的控制研究分支。变结构控制方法对于系统参数的时变规律、非线性程度以及外界干扰等不需要精确的数学模型，只要知道它们的变化范围，就能对系统进行精确的轨迹跟踪控制。变结构控制方法设计过程本身就是解耦过程，因此在多输入多输出系统中，多个控制器设计可按各自独立系统进行，其参数选择也不是十分严格。滑模变结构控制系统快速性好，无超调，计算量小，实时性强。变结构控制本身的不连续性以及控制器频繁的切换动作有可能造成跟踪误差在零点附近产生抖动现象，而不能收敛于零，这种抖动轻则会引起执行部件的机械磨损，重则会激励未建模的高频动态响应—特别是考虑到连杆柔性的时候，容易使控制失效。2.2自适应控制控制器参数的自动调节首先于20世纪40年代末被提出来讨论，同时自适应控制的名称首先用来定义控制器对过程的静态和动态参数的调节能力。自适应控制的方法就是在运行过程中不断测量受控对象的特性，根据测得的特征信息使控制系统按最新的特性实现闭环最优控制。自适应控制能认识环境的变化，并能自动改变控制器的参数和结构，自动调整控制作用，以保证系统达到满意的控制品质。自适应控制不是一般的系统状态反馈或系统输出反馈控制，而是一种比较复杂的反馈控制，实时性要求严格，实现比较复杂，特别是当存在非参数不确定性时，自适应控制难以保证系统的稳定性。即使线性定常的控制对象，其自适应控制也是非线性时变反馈控制系统。2.3鲁棒控制鲁棒控制(RobustControl)的研究始于20世纪50年代。经历了多年的发展，目前已经成为一个实用的系统分析与设计方法。鲁棒控制可以在不确定因素的一定变化范围内，保证系统稳定和维持一定的性能指标，它是一种固定控制，比较容易实现。一般鲁棒控制系统的设计是以一些最差的情况为基础，因此一般系统并不工作在最优状态。鲁棒自适应控制对控制器实时性能要求比较严格。2.4智能控制萨里迪斯在1977年首次提出了分层递阶的智能控制结构。整个控制结构由上往下分为3个层次，组织级、协调级和执行级。其控制精度由下往上逐级递减，智能程度由下往上逐级增加。根据机器人的任务分解，在面向设备的基础级可以采用常规的自动控制技术，如PID控制、反馈控制等。在协调级和组织级，存在不确定性，控制模型往往无法建立或建立的模型不够精确，无法取得良好的控制效果。因此，需要采用智能控制方法，如模糊控制、神经网络控制、专家控制以及集成智能控制。（1）模糊控制1965年美国著名控制论学者L.A.Zadeh首次提出一种完全不同于传统数学与控制理论的模糊集合理论，把信息科学推进到人工智能的新方向。模糊逻辑系统或模糊控制系统是由模糊规则基、模糊推理、模糊化算子和解模糊化算子4个部分组成，其基本结构如下图所示。模糊化模糊规则基解模糊化模糊推理化输入输出工业机器人的模糊控制有它独特的优势—简化了控制算法。模糊系统理论还有一些重要的理论问题没有得到很好的解决，因而研究模糊控制的理论问题远非像现代控制理论那么简单。模糊控制系统的可控性和可观性问题还没有得到解决，模糊控制器的设计没有统一的设计准则，控制器的设计存在随意性。模糊系统稳定性判据都是基于具体的控制对象，而且假设条件千差万别，没有统一的方法。模糊控制系统具有鲁棒性都只是基于计算机仿真的结论，并不是基于理论分析的结果。（2）神经网络控制神经网络是由许多具有并行运算功能的、简单的信息处理单元(人工神经元)相互连接组成的网络。人工神经网络中的精华和实际应用最普遍的是BP网络，下图是其模型结构。神经网络控制模型建立后，在输入状态信息不完备的情况下，也能快速做出反应，进行模型辨识，这对于工业机器人的智能控制是十分理想的。神经网络系统具有快速并行处理运算能力、很强的容错性和自适应学习能力的特点。神经网络控制主要处理传统技术不能解决的复杂的非线性、不确定、不确知系统的控制问题。神经网络控制存在自学习的问题，当环境发生变化时，原来的映射关系不再适用，需要重新训练网络。神经网络控制目前还没有一个较系统的方法来确定网络的层数和每层的接点数，仍主要凭借经验和试凑。3.工业机器人控制策略发展趋势到目前为止，多数商品化工业机器人控制器下级的控制策略基本上是独立关节PID伺服算法。这种控制方法的主要缺点是，反馈增益是预先确定的常量，它不能在有效载荷变化的情况下改变反馈增益。机器人高速运动时，其动力学效应十分显著。为解决上述问题，就要根据机器人手臂的动态模型求出施加于机器人手臂的力矩。于是就提出了诸如计算力矩法、非线性解耦反馈控制、前馈补偿控制算法等方案。但这些算法大多过于复杂，难以实时计算。故研究人员一方面研究简化模型、简化计算方法，提出一些有效的并行算法、递推算法等;另一方面又研究对系统参数变化及扰动不敏感，或不过分依赖准确的系统动态模型的控制方法。最后，充分考虑各控制算法的优缺点，取长补短，在一个工业机器人当中采用多种控制算法的结合处理。开展对控制方案、动态控制模型以及控制算法的研究，以求改善机器人系统的动态控制性能。工业机器人控制策略主要向以下3个方面发展。3.1力和位置混合控制工业机器人在实际应用中都不可避免地要与环境接触，比如生产装配、焊接等，它们不再是简单的位置控制，而需要机械手具有感觉和触觉，将面临更多的不确定性，故力和位置混合控制将成为未来工业机器人控制的一个研究方向，如下图所示。系统具有位置控制回路、力控制回路和速度阻尼回路。力和位置混合控制系统中的力控制与位置控制互不影响。混合控制系统中的力控制子系统的性能，对整个系统产生重要的作用。3.2协调并行处理复合控制由于微电子技术的发展，微型计算机的性能提高、成本降低。从而可以利用多个微型处理器对各种工业机器人的感觉(如视觉、触觉等)信息进行并行处理，并控制机器人多功能的手，快速地完成更复杂的工作，如下图所示。3.3分解控制分解控制是单独对工业机器人的各个关节进行控制，由于反馈信息是局部的，它不会因为某一关节的传感器损坏而影响其他关节的工作，这便于故障检测和排除，加强了控制系统的可靠性;分散控制不需要系统的全部模型信息，因此它对系统的不确定性具有很强的鲁棒性。所以分解控制也将是未来工业机器人控制技术的一个研究方向，如图5所示。高级的分散结构，能用多微机实现整个控制系统，其中用一组微处理机解决各个关节运动独立的最优稳定问题，用另一组微处理机处理低级的直接解耦控制。由于综合控制是非线性的，形成的递阶系统在强干扰作用下，也具有较好的工作性能。