本发明涉及机械控制领域，尤其是指一种单连杆机械手系统的神经自适应位置跟踪控制方法及装置。
背景技术：
1、随着科技的迅猛发展，机器人技术逐渐崭露头角，成为人类社会进步的不可或缺的一部分。机器人以其广泛的应用领域、高度的灵活性和在极端环境下的可行性等特点，引领着科技创新的浪潮。在这一领域中，机械手作为一项重要的技术，广泛应用于机械制造、航空航天、医药和原子能等领域，对自动化生产发挥着关键作用。
2、通常机械手主要由执行机构、驱动机构、控制系统三大部分组成。机械手在执行工作任务时与外界环境进行交互，通过视觉传感器采集目标位置信息，控制系统根据获取的信息发出指令，驱动机械臂与工作物接触执行各种操作，如打磨、钻孔、抛光和抓取等。机械手以其柔顺控制特性，能够在精度和力度上都满足实际操作需求，从而显著扩展了其应用范围和操作安全性。尽管机械手在应用和安全性方面表现优异，但控制系统在对其控制时，由于机械手末端在处理不同任务时受到各种运动限制的影响，这些限制可能影响控制器的性能，使得机械手系统在运行过程中出现不稳定甚至崩溃，难以按计划执行任务。
3、机械手控制系统中的控制算法精度直接影响机械手控制精度。目前的控制算法中，基于反步法的神经网络控制器设计往往假设前一个状态的虚拟控制信号是已知的，这在一定程度上限制了该控制器的适用性。此外，在描述外界扰动时通常假设这些扰动是确定的，然而在实际运作环境中，不同机械手或操作环境受到的扰动是随机且多样的。因此，为了更好地符合实际工程需求，整个系统的建模应考虑在随机的情况下进行。
4、在现实的工作环境中，机械手末端执行器的运动需要受到操作对象和环境的限制，这可能包括空间约束、避障需求或其他操作限制。这种约束的存在可能会直接影响到控制器的性能和机械手的工作效果，例如对复杂情况的感知和控制、整个控制系统的稳定程度。与此同时，由于传感器的精度限制，系统建模时总会出现各种各样的误差，比如测量噪声、建模误差等，这些误差统称为未建模动态。未建模动态也是需要关注的问题，在机械手的运动过程中，未能完全考虑到外界环境的未建模动态可能导致控制器性能下降。考虑到不同机械手和操作环境所受到的随机扰动的差异性，在建模过程中应该更加准确地描述外界扰动。
技术实现思路
1、为此，本发明所要解决的技术问题在于克服现有技术中对系统建模未考虑未建模动态，输出受限有约束，伴随有随机扰动影响控制器性能的问题，为解决上述技术问题，本发明提供了一种单连杆机械手系统的神经自适应位置跟踪控制方法，包括以下步骤：
2、建立单连杆机械手系统，所述单连杆机械手系统由角电机转子位置动态子系统、角速度动态子系统、电机电枢电流动态子系统耦合组成；
3、将所述单连杆机械手系统转换为随机非严格反馈非线性系统并加入输入、状态未建模动态项，此时随机非严格反馈非线性系统则由角电机转子位置动态子系统、角速度动态子系统、电机电枢电流动态子系统、状态未建模动态子系统、输入未建模动态子系统耦合组成；
4、把所述随机非严格反馈非线性系统的时变输出约束通过非线性映射技术转换为无时变输出约束，将无时变输出约束的随机非严格反馈非线性系统作为最终的单连杆机械手系统；
5、对所述最终的单连杆机械手系统进行神经网络自适应控制，其中所述神经网络自适应控制包括设计径向基函数神经网络和自适应调节律、控制器。优选地，所述单连杆机械手系统通过以下公式(1)建立：
6、
7、表示角电机转子位置，y表示系统输出，其中表示角速度，表示角加速度，i表示电机电枢电流，是i的导数，δi表示电流干扰，l为电枢电感，r为电枢电阻，kb为反电动势系数，u表示输入控制电压，j是电机转子惯量，m为连杆质量，q为负载质量，d为连杆长度，δ是负载半径，g为重力系数，b为关节处粘性摩擦系数，kτ是表征机电扭矩耦合的系数，且角电机转子位置被约束在区间(-k1(t),k2(t))，k1(t)和k2(t)为正函数，k11＜|k1(t)|≤k12，k21＜|k2(t)|≤k22，k11，k12，k21，k22为已知正常数，|k1(t)|和|k2(t)|分别表示k1(t)和k2(t)的绝对值。
8、优选地，所述单连杆机械手系统转换为随机非严格反馈非线性系统包括以下步骤：
9、通过公式(2)将所述单连杆机械手系统转换为随机非严格反馈非线性系统；
10、
11、其中x1、x2和x3分别表示随机非严格反馈非线性系统的角电机转子位置状态变量、角速度状态变量、电机电枢电流状态变量，其中x3＝i，分别为x1、x2、x3的导数；r为电枢电阻，kb为反电动势系数，u表示输入控制电压，μ表示未加入未建模动态项的随机非严格反馈非线性系统的系统输入，其中μ＝u；l为电枢电感，i表示电机电枢电流，δi表示电流干扰，q为负载质量；
12、基于所述随机非严格反馈非线性系统，增加随机扰动项、输入和状态未建模动态项，则相应的随机非严格反馈非线性系统(3)描述如下
13、
14、考虑到随机非严格反馈非线性系统中存在随机扰动、输入和状态未建模动态，令l＝0.05，kb＝0.5，r＝0.5，δi＝0.1x1sin(x2x3)，dx1表示x1的伊藤微分，dx2表示x2的伊藤微分，dx3是x3的伊藤微分，dw表示随机扰动项，ξ∈r3表示状态未建模动态，ζ＝[ζ1,ζ2]t∈r2表示输入未建模动态，u表示输入未建模动态子系统的输入，表示输入未建模动态子系统的输出，同时也是随机非严格反馈非线性系统加入未建模动态项后的系统输入，w是定义在完备概率空间(ω,f,p)上的r维标准布朗运动，ω是样本空间，f是σ代数，p是概率测度。
15、优选地，所述把随机非严格反馈非线性系统的时变输出约束通过非线性映射技术转换为无时变输出约束，将无时变输出约束的随机非严格反馈非线性系统作为最终的单连杆机械手系统：
16、通过下式所述的非线性映射技术把所述随机非严格反馈非线性系统的时变输出约束转换成无时变输出约束；
17、
18、角速度状态变量和电机电枢电流状态变量经过基于双曲正切函数的非线性映射技术转换后,分别定义为s2和s3，其形式与随机非严格反馈非线性系统中的x2和x3分别对应相等；
19、角电机转子位置状态变量经过基于双曲正切函数的非线性映射技术转换为下述形式：
20、
21、同理，参考信号yd经过非线性映射技术转换为下述形式：
22、
23、优选地，神经网络自适应控制包括设计径向基函数神经网络和自适应调节律、控制器，包括以下步骤：
24、步骤1：基于所述最终的单连杆机械手系统的视觉传感器捕捉操作目标的角电机转子位置，作为参考信号yd；
25、步骤2：将所述参考信号yd经非线性映射技术转换并与所述最终的单连杆机械手系统当前角电机转子位置状态信息s1做差，得出两者的误差z1，并进行动力学方程微分求解；
26、步骤3：利用径向基神经网络对所述最终的单连杆机械手系统中的未建模动态项和耦合项进行逼近，将所述角电机转子位置动态子系统的状态信息s1，所述操作目标的角电机转子位置及其一阶导数作为径向基函数神经网络的输入，输出为角电机转子位置动态子系统径向基神经网络的并含有相应的精确级误差ε1(s1)；
27、步骤4：利用径向基函数神经网络输出的两种信号和建立关于径向基函数神经网络权重的自适应调节律其中是λ1的估计值，是的导数；
28、步骤5：利用所述自适应调节律给定相应的给定参数κ1，a1，υ1，σ1，设计虚拟控制器α1；
29、步聚6：利用所述虚拟控制器α1和自适应调节律对角速度动态子系统的角速度状态信息s2进行处理，求得与角电机转子位置动态子系统的虚拟控制器对应的控制误差信号z2，输入角速度动态子系统相对应的径向基函数神经网络，建立关于径向基函数神经网络权重的自适应调节律其中是λ2的估计值，是的导数；并给定相应的给定参数κ2，a2，υ2，σ2，设计虚拟控制器α2；
30、步骤7：然后将电机电枢电流动态子系统的电机电枢电流状态信息s3与角速度动态子系统分析得到的虚拟控制器α2做差求得电机电枢电流动态子系统的误差信号z3，输入电机电枢电流动态子系统相对应的径向基函数神经网络，分别建立关于径向基函数神经网络权重和正则化信号θ的自适应调节律和其中和分别是λ3和m的估计值，是的导数，是的导数，并自给定相应的给定参数κ3，a3，υ3，σ3，υ4，σ4，设计实际径向基神经网络自适应控制器u；
31、步聚8：将下一刻的角位置状态继续与操作目标的状态进行比较，返回步聚1，继续循环。
32、优选地，所述径向基函数神经网络建立如下：
33、对于任意连续函数p1(s1):r7→r，任何给定的紧集和任意正常数存在一个理想的常数权重向量和一个径向基函数向量使得
34、
35、成立，其中l＞1是径向基函数神经网络的节点数，定义成具有以下形式的高斯函数
36、
37、其中，μ1j和σ1j分别是高斯基函数的宽度和中心，逼近误差ε1(s1)满足||s1-μ1j||表示s1-μ1j的欧几里得范数，最优权重向量定义如下
38、
39、优选地，所述角电机转子位置动态子系统的自适应调节律和虚拟控制器α1设计如下：
40、
41、其中x1＝[s1,ω1]t，并且v表示动态信号，ω1表示经非线性映射转换后的期望跟踪轨迹，表示ω1的导数，ω2表示最终的单连杆机械手系统角电机转子位置动态子系统中一阶滤波器的输出，a1，υ1，σ1和κ1表示设计正常数。
42、优选地，所述角速度动态子系统的自适应调节律和虚拟控制器α2设计如下：
43、
44、其中x2＝[s1,s2,ω2]t，并且v表示动态信号，ω2表示所述最终的单连杆机械手系统角电机转子位置动态子系统中一阶滤波器的输出，表示ω2的导数，ω3表示所述最终的单连杆机械手系统角速度动态子系统中一阶滤波器的输出，a2，υ2，g0，σ2和κ2表示设计正常数。
45、优选地，所述径向基函数神经网络权重和正则化信号θ的自适应调节律以及控制器u设计如下：
46、
47、其中x3＝[s1,s2,s3,ω3]t，表示控制器中间变量，并且v表示动态信号，ω3表示最终的单连杆机械手系统角速度动态子系统中一阶滤波器的输出，表示ω3的导数，a3，υ3，υ4，ψ，σ3，σ4和κ3表示设计正常数。
48、优选地，一种单连杆机械手系统的神经自适应位置跟踪控制装置，包括：
49、构建模块，用于建立单连杆机械手系统，所述单连杆机械手系统由角电机转子位置动态子系统、角速度动态子系统、电机电枢电流动态子系统耦合组成；
50、转换模块，用于将所述单连杆机械手系统转换为随机非严格反馈非线性系统并加入输入、状态未建模动态项；
51、处理模块，用于把所述随机非严格反馈非线性系统的时变输出约束通过非线性映射技术转换为无时变输出约束，将无时变输出约束的随机非严格反馈非线性系统作为最终的单连杆机械手系统；
52、控制模块，对所述最终的单连杆机械手系统进行神经网络自适应控制，其中所述神经网络自适应控制包括设计径向基函数神经网络和自适应调节律、控制器。
53、本发明的上述技术方案相比现有技术具有以下有益效果：
54、本发明所述的单连杆机械手系统在建立系统时考虑了输入未建模动态、状态未建模动态，利用双曲正切函数作为非线性映射，将存在未建模动态因素的时变输出约束机械手系统转化为一种新的无时变约束单连杆机械手系统，能够克服随机扰动，提高单连杆机械手系统的适用性。
55、基于径向基神经网络和高斯函数的不等式性质，有效地处理了递归每一步中包含角电机转子位置、角速度和电机电枢电流的系统函数和控制增益，使系统输出实现自适应调节，准确跟踪参考信号，稳定的对控制目标进行操作。提高了单连杆机械手系统的性能和工作效率。
1.一种单连杆机械手系统的神经自适应位置跟踪控制方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种单连杆机械手系统的神经自适应位置跟踪控制方法，其特征在于，所述单连杆机械手系统通过以下公式(1)建立：
3.根据权利要求1所述的一种的单连杆机械手系统的神经自适应位置跟踪控制方法，其特征在于，所述单连杆机械手系统转换为随机非严格反馈非线性系统包括以下步骤：
4.根据权利要求3所述的一种单连杆机械手系统的神经自适应位置跟踪控制方法，其特征在于，所述把随机非严格反馈非线性系统的时变输出约束通过非线性映射技术转换为无时变输出约束：
5.根据权利要求3所述的一种单连杆机械手系统的神经自适应位置跟踪控制方法，其特征在于，所述对最终的单连杆机械手系统进行神经网络自适应控制，神经网络自适应控制包括设计径向基函数神经网络和自适应调节律、控制器，包括以下步骤：
6.根据权利要求5所述的一种单连杆机械手系统的神经自适应位置跟踪控制方法，其特征在于，径向基函数神经网络建立如下：
7.根据权利要求5所述的一种单连杆机械手系统的神经自适应位置跟踪控制方法，其特征在于，角电机转子位置动态子系统的自适应调节律和虚拟控制器α1设计如下：
8.根据权利要求5所述的一种单连杆机械手系统的神经自适应位置跟踪控制方法，其特征在于，角速度动态子系统的自适应调节律和虚拟控制器α2设计如下：
9.根据权利要求5所述的一种单连杆机械手系统的神经自适应位置跟踪控制方法，其特征在于，所述径向基函数神经网络权重和正则化信号θ的自适应调节律以及控制器u设计如下：
10.一种单连杆机械手系统的神经自适应位置跟踪控制装置，其特征在于，包括：
