基于数据驱动的变电站巡检机器人自抗扰控制.docx
版权申诉
3 浏览量
2022-11-03
12:04:19
上传
评论
收藏 1.14MB DOCX 举报
0 引言
随着新技术的高速发展与应用，变电站点多、面广、规模大、电压等级高等特点日渐凸显，传统的
人工巡检方式与现代变电站的发展需求间的矛盾也日趋明显
[1]
. 因此，应用机器人智能巡检技术，可有效
处理运维人员缺乏问题并减少人工作业风险，提升变电站健康运行水平，推动变电站智慧运行的发展
[2-3]
.
变电站巡检机器人一般为具有高可操纵性的完整性约束全向移动机器人(omnidirectional mobile
robot，OMR)，是典型的具有时变和强耦合等特点的非线性系统. 因此，如何精确控制机器人运动轨迹已
成为实现变电站“智能装备、智慧运行”的关键技术之一. 近年来，研究人员们对 OMR 轨迹追踪控制问题
做了大量研究，如采用反馈线性化控制方法
[4]
、滑模控制方法
[5]
、自适应控制方法
[6]
、神经网络方法
[7]
等.
但这些方法或是依赖精确的模型信息，或是计算量大不适合 OMR 轨迹的实时控制. 近年来发展起来的自
抗扰控制(active disturbance rejection control，ADRC)在理论研究与工程应用方面均已取得重要进展
[8]
，
由于其不需要精确的数学模型，并具有鲁棒性强、计算量小等特点，也已成功应用于多类控制系统
[9-14]
.
ADRC 的核心思想为将未建模动态、参数误差、摩擦力等不确定性作为总扰动，根据扩张状态观测器
(extended state observer，ESO)对其观测并实时补偿到控制信号中
[15]
. 但是当控制输入矩阵准确度低于
66.7%时，ADRC 方法的轨迹追踪控制效果会受到明显影响
[16]
.
此外，近年来自适应控制方法在控制领域得到了广泛关注
[17-19]
. 其中，无模型自适应控制(model-
free adaptive control，MFAC)方法只需要在线输入输出信息，而不用任何控制平台的结构数据和数学模
型，基于动态线性化(dynamic linearization，DL)方法即可实现数据驱动控制
[20]
. MFAC 方法也已应用于多
个领域，如过程控制
[21]
、能量控制
[22]
、机器人外骨骼控制
[23]
等. 当模型信息准确时，基于模型信息设计的
控制方案优于不使用模型的控制方案；而当模型信息不准确时，将 ADRC 方法与 MFAC 方法有机结合，
可以形成两者优势互补的工作机制. 目前，已有专家学者开展了 ADRC 方法与 MFAC 方法相结合的工作
[24-29]
，这些工作主要可归结为两类：一类是在 MFAC 方法中加入 ADRC 方法中的跟踪微分器来抑制噪声
[24-25]
，另一类是利用 ADRC 方法中的 ESO 增强 MFAC 方法的鲁棒性
[26-29]
. 但是这两类工作的控制器都
是基于无模型设计的，而一般被控对象的模型信息不会完全未知，因而以基于部分模型信息的 ADRC 方
法为基础，使用 MFAC 算法对其补偿，有利于实现更加精确的轨迹跟踪控制.
基于此，针对在自抗扰控制系统中，不准确的控制输入矩阵会对控制性能产生不利影响的问题，本
文提出一种基于数据驱动方法补偿的变电站巡检机器人自抗扰控制架构. 首先，给出巡检机器人离散时间
动力学模型. 其次，根据机器人动力学模型设计 ESO 和非线性控制器. 然后将 ADRC 系统和 OMR 系统
看作一个整体，采用 MFAC 方法完成轨迹追踪控制. 最后，通过在仿真中与传统的 ADRC 和 MFAC 方法
对比，验证了该控制策略的有效性.
1 机器人动力学模型
图 1 所示为动力学建模用到的两个坐标系：固定在地面的世界坐标系 X
W
O
W
Y
W
和固定在 OMR 质
心的移动坐标系 X
M
O
M
Y
M
. 表 1 为机器人参数定义.
剩余17页未读，继续阅读
罗伯特之技术屋
- 粉丝: 3654
- 资源: 1万+
下载权益
C知道特权
VIP文章
课程特权
VIP享7折，此内容立减5.97元 开通VIP
相关推荐
资源上传下载、课程学习等过程中有任何疑问或建议，欢迎提出宝贵意见哦~我们会及时处理！
点击此处反馈
评论0
最新资源