成果介绍
本发明涉及协调机械臂打磨领域,具体涉及协调打磨机械臂系统自适应神经网络同步阻抗控制方法,该方法包含打磨轨迹环跟踪和打磨力环跟踪两个部分,在这两个环的方法设计中,分别设计了基于神经网络的不确定性补偿控制律,从而快速消除协调机械臂系统中的动力学不确定性和工件打磨系统中的不确定性,在双环中同时保证了协调打磨机械臂系统的协同高精度打磨轨迹和打磨力的跟踪效果,为协调机械臂打磨领域提供了一个精准稳定的控制方法。
成果亮点
1)在打磨轨迹跟踪环路中,应用RBF神经网络来估计协调系统的不精确动力学参数和外部干扰。与传统的神经网络更新律相比,该加权平方神经网络更新律可以有效地加快收敛速度,同时减少稳态误差。
2)将同步因子引入到全局耦合滑模误差设计中,以解决协调机械臂各系统之间的同步位置跟踪问题。通过调整同步因子,可以有效减小同步跟踪误差。
3)在打磨力跟踪环路中,本发明创造性地利用RBF神经网络估计项来重建新的阻抗控制模型,可以在不确定的表面形状和工件刚度下快速而准确地跟踪期望的打磨力;
团队介绍
浙江大学机器人研究院(以下简称“研究院)是为了贯彻落实浙江省委省政府关于推进工业转型升级的战略部署,在余姚市的大力推动下,于2017年由浙江大学和余姚市合作共建的新型研发机构。
研究院面向科技前沿、面向经济发展主战场,将机器人、智能装备研发及产业化作为主要突破方向;立足余姚、服务浙江、面向全国。以“合作、创新、智能、引领”为理念,以体制机制创新为抓手,以科技研发、成果转化和人才培育为核心,着力构建技术-人才-产业深度融合的创新创业生态;努力建成为国内一流的机器人领域政、产、学、研、用深度融通的新高地。
成果资料