买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：广州大学

摘要：本发明属于智能控制技术领域，公开了一种多智能体自适应同步迭代学习协调控制器的构建方法及系统，其构建方法包括如下步骤：S1、构造包含多个智能体，基于领航者‑跟随者跟踪控制并耦合的同步迭代学习协调控制系统网络模型；S2、基于同步迭代学习协调控制系统网络模型，采用自适应迭代学习控制和误差跟踪回路AILC相结合构建控制器。本发明构建的控制器，基于自适应控制和构建误差跟踪AILC策略，对多智能体进行误差跟踪自适应迭代学习控制，并使各智能体的控制依赖于关节参考速度而不是关节速度，并在控制器运行的过程中能够放宽控制条件，可显著提高生产线上多自由度智能机械臂的轨迹跟踪精度，改善各智能机械臂的工作性能。

主权项：1.一种多智能体自适应同步迭代学习协调控制器的构建方法，其特征在于，包括如下步骤：S1、构造包含多个智能体，领航者-跟随者跟踪控制并耦合的同步迭代学习协调控制系统网络模型，具体包括以下步骤：S1-1：多智能体通信信道组网设计基于leader-follower领航者-跟随者跟踪控制模式，为每个智能体系统设计互连协议，并且使各智能体系统之间通过相互耦合的网络连接和通讯，具体为：将多智能体的通信拓扑描述为一个没有自环的非负加权图，表示一个由有限的顶点集Ω和一组边的集合组成的网络，其中Ω＝{1,2,...,n}，一组边在系统中，网络表示多智能体间的通信拓扑信息和关联，Ω＝{1,2,…,n}表示多智能体的集合；若任意两个智能体之间有联系，则他们之间的联系用边表示；中的边用∈ij＝i,j表示，对应邻接矩阵中的一个非零权值；使用邻接矩阵存放顶点和边的关系，∈ij＝i,j表示该邻接矩阵中的非零权值，ωij表示邻接矩阵的项，其中ωij表示邻接矩阵的项，将加权图的拉普拉斯矩阵定义为下式1： 式中表示邻接矩阵的行连通性矩阵，该矩阵除对角元素cij＝∑j∈adjiωij外所有元素均为零，其中adji为边的集合中与i相邻的节点；拉普拉斯矩阵的元素表示为下式2： 有向图是连通的，对应的拉普拉斯矩阵是半定的，秩S1-2：多智能体网络欧拉-拉格朗日系统构建考虑由n个欧拉-拉格朗日系统组成的网络，设计第i个智能体在第k次迭代的动力学模型，具体为式3： 其中，为广义坐标向量，为惯性矩阵、 为科里奥利离心矩阵、为重力力矩；是外部干扰，表示施加在系统上的控制输入力，且其中的元素为正常数，表示控制输入幅度的上界，矩阵定义为表示实数集合，表示p维列向量集合，p为自然数；S1-3：基于tanh激活函数，对多智能体系统的饱和特性进行输入约束使用激活饱和函数tanh双曲正切函数的饱和约束特性，以确保系统的任何状态都不超过约束，依此特性，为多智能协调系统设计饱和函数sat·，以控制幅度输入，具体为：定义饱和输入函数sat·为式4: 其中a*0表示函数at的上界；S2、基于同步迭代学习协调控制系统网络模型，采用自适应迭代学习控制和误差跟踪回路AILC相结合构建控制器，以实现初始状态是任意集合的更实际的条件，具体包括以下步骤：S2-1：设计多智能体期望误差轨迹和虚拟控制率初始系统状态为任意有界值时，设计多智能体期望误差轨迹来处理初始偏移，在此基础上，利用虚拟控制律构造一个新型滑膜向量，并使各智能体的控制依赖于关节参考速度而不是关节速度，具体包括如下步骤：初始系统状态为任意有界值时，设计多智能体期望误差轨迹来处理初始偏移，在此基础上，利用虚拟控制律构造一个新型滑膜向量，以使各智能体的控制依赖于关节参考速度而不是关节速度，从而构建出误差跟踪回路AILC，并使其实现初始状态为任意集合的更实际的条件；S2-2：构建误差跟踪回路AILC将D型ILC回路集成到自适应控制回路，构造有向图下网络不确定欧拉-拉格朗日系统的AILC，引入输入饱和、参数不确定性和外界干扰的影响；基于迭代学习控制理论设计关于外部干扰的自适应函数1，基于自适应控制理论设计关于不确定参数的自适应函数2，用来分别表示扰动的不确定界和动力学参数的估计；并沿迭代轴学习，以处理系统参数的不确定性和抑制外部干扰；S2-3：构建复合能量函数，进行验证和分析基于leader–follower领航者-跟随者跟踪控制模式，对于式3所描述的受外部干扰和输入饱和的不确定多智能体系统，当初始位移为任意有界时，基于时间轴和迭代轴设计的AILC自适应迭代学习控制器和自适应函数1、自适应函数2，使网络化多能智能体系统在有向图上的跟踪同步；建立复合能量函数，作为验证和分析多智能体控制器的闭环稳定性和性能的工具，具体验证内容包括：S2-3-1验证多智能系统中控制信号的有界性；S2-3-2验证复合能量的非递增性质；S2-3-3验证跟踪误差的渐近收敛性；S3、通过数值仿真验证所述的多智能体自适应同步迭代学习协调控制器的性能，具体包括如下步骤：S3-1：通过数值模拟演示AILC在网络不确定欧拉-拉格朗日系统中的性能,该数值模拟采用多个三连杆旋转关节机械臂在有向图上通讯；如第j个智能体向第i个智能体传递信息，则设邻接矩阵的项ωij＝1，否则设ωij＝0；假设网络中所有的操纵者都具有相同的动力学，模拟实验的邻接矩阵为 S3-2：以多个三连杆旋转关节机械臂的模型进行动力学分析；S3-3：设置关节机械臂的初始位置和初始速度；S3-4：设置控制增益参数的取值；S3-5：代入基于时间轴和迭代轴设计的AILC自适应迭代学习控制器和基于迭代学习控制理论设计关于外部干扰的自适应函数1、基于自适应控制理论设计关于不确定参数的自适应函数2，进行运行控制，验证所述的多智能体自适应同步迭代学习协调控制器的性能；S4、通过柔性生产线多个智能机械臂的控制，验证所述的多智能体自适应同步迭代学习协调控制器的性能，具体包括如下步骤：S4-1：建立通信网络：确保所有组成柔性生产线的多个智能机械臂之间的通信网络正常运行，以便数据交换和协调；该生产线的多个智能机械臂设置一个领航者，多个跟随者；S4-2：通过USB将PC设备与控制端进行连接，将自适应迭代控制器模型、机器人动力学模型导入控制端、每个机械臂的初始位置、任务目标、操作范围参数进行配置；S4-3：启动液压动力单元，液压系统进行工作状态，包括温度、压力和流量自检程序，确保设备在安全和最佳状态下运行；如果系统检测到异常或故障，立即启动报警，并根据故障类型采取相应的紧急措施，包括停止机械臂运动或自动复位；通过控制面板或计算机输入操作指令，这些指令通过电信号传递到液压控制系统；S4-4：领航者机械臂收到控制器输入的电信号，开始作业，进行预先设定的重复性工作的循环；S4-5：通过通信拓扑网络将轨迹信息发送给各个机械臂，每个机械臂根据预设的自适应迭代学习控制算法，开始进行初步的协调操作，并实时收集执行数据；S4-6：随着迭代次数的增加，每个机械臂在执行任务的过程中，持续收集操作数据，包括位置、速度、力反馈，各机械臂根据传输获得的数据进行局部的迭代学习，优化自身的控制策略；S4-7：通过通信网络，机械臂之间不断交换学习到的轨迹信息，进行全局的协调优化；所有机械臂根据全局协调后的数据，实现控制策略同步，统一更新控制策略，确保同步操作；S4-8：稳定运行后，在整个生产过程中，跟随者机械臂会持续进行迭代学习和优化，适应生产过程中因摩擦阻力、跳频信号的外界干扰和变化，提高工作的精度和效率；S4-9：操作者通过控制端，对任务进行调整，领航者机械臂受到控制命令，会进一步调整执行策略，并把信息传达给生产线中的其他机械臂；S4-10：各机械臂根据实时数据不断优化操作，最终实现高效协同工作，减少操作冲突和空闲时间，从而提高整体生产效率。

全文数据：

权利要求：

百度查询： 广州大学 一种多智能体自适应同步迭代学习协调控制器的构建方法及系统