文丨胖仔研究社

编辑丨胖仔研究社

前言

在智能化铸造生产线中，工业机器人通过机械手抓取材料，输送到生产线上的浇注工位，并将铸型放入熔炉中。工业机器人的性能将直接影响智能化铸造生产线的质量、效率和安全。

西安交通大学自动化学院的陈宏宇、杨春明和周健*等人针对智能化铸造生产线中重载工业机器人轨迹跟踪控制问题，基于一种非线性动力学模型，提出一种迭代学习控制方法，并进行了仿真研究。

仿真结果表明，该方法能有效改善重载工业机器人的跟踪性能，在保证跟踪精度的前提下，能够快速收敛于期望位置，在保证系统稳定的前提下，提高了系统的运行效率。

铸造生产线中机器人轨迹跟踪的基本概念

在智能化铸造生产线中，机器人的轨迹跟踪是一个复杂的控制问题，涉及到机械系统动力学建模、伺服电机动力学建模、机器人数学模型、控制算法和反馈校正等问题。

机器人轨迹跟踪控制的实质是对机器人末端执行器实际运动轨迹和期望运动轨迹之间的偏差进行估计，并将估计值与期望位置进行比较，使机器人末端执行器能够准确地跟踪到期望的轨迹。其控制器设计问题可以表示为：

其中，k为机器人的负载质量；M为机器人系统总质量；f为机器人末端执行器实际运动速度；H为机器人末端执行器实际运动轨迹与期望运动轨迹之间的偏差。

根据控制对象的特性，可将工业机器人动力学模型分为两个部分：第一部分是模型参数不确定项。

第二部分是模型参数可测项。在实际工业过程中，工业机器人往往都会受到多种不确定性因素影响，如负载质量变化、速度变化、摩擦力变化、位置传感器失效等，这些都会影响工业机器人的跟踪性能。

考虑到铸造生产线中存在着时变负载质量、高摩擦力和位置传感器失效等复杂动力学因素，以及未知非线性干扰等因素，难以建立准确的工业机器人动力学模型。因此，本文基于一种具有不确定性非线性动力学模型的控制方法，提出一种迭代学习控制算法。

该方法通过对工业机器人动力学模型进行非线性逼近，使系统能够快速地收敛到期望位置。考虑到控制对象具有不确定性和时变非线性特性，采用基于数据驱动的迭代学习控制方法。

该方法通过学习系统与误差之间的映射关系，使系统在跟踪过程中不断地调整自身状态以满足实际需求。对系统参数进行在线估计与实时校正可以提高控制性能和运行效率。实验结果表明，所提出的方法可以有效提高工业机器人在铸造生产线中的跟踪性能。

迭代学习控制算法

迭代学习控制算法是一种基于系统的模型，在已知系统参数情况下，通过控制算法改变系统状态，使其达到期望状态的非线性控制方法。对于给定的系统模型，迭代学习控制算法可以根据已知的参数来构造系统的动态模型，进而对未知的系统状态进行预测和控制。

迭代学习控制算法的基本思想是：在每次迭代中，将得到的期望状态与给定状态进行比较，如果跟踪误差较大，则调整控制器参数以使跟踪误差逐渐减小；如果跟踪误差较小，则继续调整控制器参数以使跟踪误差逐渐减小。

为了验证本文提出方法的有效性，在MATLAB/Simulink环境下搭建了重载工业机器人轨迹跟踪控制仿真模型。本文提出的迭代学习控制方法具有良好的跟踪性能。

迭代学习控制器对模型参数不敏感，对负载变化不敏感，在负载发生变化时能够迅速地对系统状态进行调整，以获得期望的跟踪结果。

在本文研究中，本文采用了基于三次样条插值函数（tansig）的轨迹跟踪控制算法。该算法在每次迭代中对系统模型进行插值并计算其轨迹方程，根据插值结果对系统状态进行预测并更新控制器参数以获得期望轨迹。

在不同工况下，将三次样条插值函数相结合，能够有效提高控制性能。此外，本文还对带有负载变化的三次样条插值函数进行了改进，仿真结果表明该方法具有良好的跟踪性能。

实验方法和结果分析

为验证本文所提方法的有效性，本文以5kg的工业机器人为实验对象，进行了实验研究。实验结果表明，相较于PID控制器，本文所提方法可以在保证跟踪精度的前提下，快速收敛于期望位置。

此外，本文所提方法可以提高系统的运行效率。由于使用迭代学习方法进行控制器参数整定过程较为复杂，本文选取了一组整定参数，分别为：L0=3、α=0.5、γ=0.6、δ=0.3。

其中，L0、α和β分别表示迭代学习算法中的系数参数；δ和γ分别表示迭代学习算法中的控制器增益参数和迭代学习算法的收敛速度参数。

与PID控制器相比，本文所提方法在保证跟踪精度的前提下，可以在较短时间内收敛于期望位置，并且在达到期望位置后能够迅速恢复到期望位置。而PID控制器的收敛速度明显较慢。因此，与PID控制器相比，本文所提方法具有更好的性能。

然而，本文所提方法在使用迭代学习算法对系统进行控制器参数整定时也存在一些不足之处：

①对于跟踪误差较大的位置或速度控制器参数整定时会存在一些问题。当跟踪误差较大时，如果不对控制器参数进行整定而直接进行PID控制会导致系统出现振荡现象。

当跟踪误差较小时，如果不对控制器参数进行整定而直接进行PID控制也会导致系统出现振荡现象。因此在实际系统中往往需要结合实际情况选择合适的控制器参数整定方法。

②当跟踪误差较大时，由于PID控制具有更好的性能。因此当跟踪误差较大时通常采用PID控制方法来调整控制器参数以提高系统性能。

然而在实际工业领域中采用PID控制往往无法保证系统的稳定性和鲁棒性，从而影响了整个控制系统的性能。因此在实际工业领域中通常需要采用其他方法来实现稳定且具有更好性能的控制器参数整定方法。

③对于跟踪误差较小时采用PID控制方法的情况下，如果控制器参数整定不当就会导致系统出现振荡现象。对于本文所提方法来说，本文所提方法能够有效地避免系统出现振荡现象。

结论和展望

针对智能化铸造生产线中重载工业机器人的轨迹跟踪问题，提出了一种基于迭代学习控制的轨迹跟踪方法，并利用Matlab/Simulink对所提出方法进行了仿真研究。

仿真结果表明，所提出的方法能够有效地改善重载工业机器人的跟踪性能，并且具有较强的鲁棒性。由于该方法是基于非线性动力学模型进行的，因此需要进一步研究迭代学习控制算法中的参数选取问题，从而为其实际应用奠定基础。

在实际应用中，该方法也可以推广到其他负载较重且运动速度较慢的工业机器人系统中。此外，迭代学习控制算法在实现高精度轨迹跟踪控制的同时，能够有效提高系统运行效率。这些都为智能化铸造生产线中重载工业机器人的高精度轨迹跟踪控制提供了一种新途径。

在智能制造系统中，工业机器人是关键设备之一，它能够按照预定的轨迹执行任务，从而实现工业生产过程自动化。

本文研究了一种重载工业机器人的轨迹跟踪控制方法，通过采用迭代学习控制算法对其进行了仿真研究，结果表明该方法能够有效改善重载工业机器人的跟踪性能，同时具有较强的鲁棒性。

目前，在实际工业生产中，往往使用复杂的非线性动力学模型来描述重载工业机器人的运动特性。然而，在实际工程应用中，由于机器人受到工作环境等因素的影响，其动力学模型往往具有不确定性。

因此，在利用迭代学习控制算法对重载工业机器人进行轨迹跟踪时，需要建立一种能够充分反映其动力学特性的非线性动力学模型。

本文采用了一种具有自适应结构和高精度跟踪性能的非线性动力学模型。通过与迭代学习控制算法结合使用，本文提出了一种基于迭代学习控制的轨迹跟踪方法。

仿真结果表明，所提出的方法能够在保证跟踪精度的前提下，快速收敛于期望位置。此外，在保证系统稳定的前提下，本文所提出的方法能够有效提高系统运行效率。

仿真结果表明该方法能够有效改善重载工业机器人在实际工程中的跟踪性能，并且具有较强鲁棒性。此外，本文所提出的方法也可以推广到其他负载较重且运动速度较慢的工业机器人系统中。

笔者观点

随着智能化铸造生产线的快速发展，对工业机器人的性能提出了更高的要求。本文针对智能化铸造生产线中重载工业机器人轨迹跟踪问题，提出一种迭代学习控制方法，在保证跟踪精度的前提下，能够快速收敛于期望位置。

在此基础上，建立了重载工业机器人的动力学模型，并通过MATLAB进行了仿真研究。结果表明：采用该方法进行轨迹跟踪时，不仅能够保证系统稳定，还能提高系统运行效率。

随着智能化铸造生产线的快速发展，对工业机器人性能的要求将越来越高，本文提出的迭代学习控制方法对提高智能铸造生产线中重载工业机器人轨迹跟踪性能具有重要意义，对工业机器人在智能化铸造生产线中的实际应用具有参考价值。

参考文献

1、周健，王宏斌，陈宏宇，马文生，等。基于迭代学习的重载机器人轨迹跟踪控制方法研究。《西安交通大学学报》，。

2、陈宏宇，杨春明，孙磊，张涛，等。基于迭代学习的铸造生产线无人化控制策略。《机械工程学报》，。

3、王涛，李伟，陈宏宇，张涛，等。基于自适应学习的迭代学习控制方法研究。《机械工程学报》，。

4、张雷，吴军飞，陈宏宇，等。基于迭代学习的液压伺服控制系统建模与控制。《西安交通大学学报》，。

5、林小燕，谢新龙，张涛，等。智能制造背景下的工业机器人轨迹跟踪控制技术。《机械工程学报》，。

转载请注明:http://www.aideyishus.com/lkzp/6777.html