基于故障在线估计的可重构机械臂分散容错控制
赵博1,3, 李成浩2,3, 李元春1,3
1.长春工业大学 电气与电子工程学院, 长春 130012
2. 一汽轿车股份有限公司 产品部, 长春 130012
3. 吉林大学 通信工程学院, 长春 130022
通信作者:李元春(1962-),男,教授,博士生导师.研究方向:智能机械与机器人控制.E-mail:liyc@mail.ccut.edu.cn

作者简介:赵博(1987-),男,博士研究生.研究方向:智能机械与机器人控制.E-mail:zhaob09@mails.jlu.edu.cn

摘要

为了降低可重构机械臂模块关节执行器和传感器故障对其控制性能的影响,提出了一种基于故障在线估计的分散容错控制方法。基于可重构机械臂的模块化属性和Lyapunov稳定性理论,设计了分散自适应滑模观测器以实现执行器和传感器故障的在线自适应估计。同时采用神经网络对子系统非线性项进行逼近和补偿,并结合非奇异快速Terminal滑模思想实现了分散容错控制。最后,采用两种不同构形的三自由度可重构机械臂进行了仿真试验,结果表明,所设计的容错控制方法是有效的。

关键词: 自动控制技术; 可重构机械臂; 故障在线估计; 分散滑模观测器; 容错控制
中图分类号:TP24 文献标志码:A 文章编号:1671-5497(2014)06-1729-07
Online fault estimation based on decentralized fault-tolerant control for reconfigurable manipulators
ZHAO Bo1,3, LI Cheng-hao2,3, LI Yuan-chun1,3
1.College of Electrical and Electronic Engineering, Changchun University of Technology, Changchun 130012, China
2.Product Development Department, FAW Car Co., Ltd, Changchun 130012, China
3.College of Communication Engineering,Jilin University,Changchun 130022, China
Abstract

To reduce the influence of module joint actuator and sensor failure on the controllability of the reconfigurable manipulator, an online fault estimation method based on the decentralized fault-tolerant control scheme was proposed. Based on the modularized property of the manipulator and Lyapunov stability theory, a decentralized adaptive sliding mode observer is constructed to estimate the actuator and sensor faults adaptively. Meanwhile, the nonlinear terms are approximated or compensated by neural networks. Then, the idea of non-singular fast terminal mode control was employed to achieve decentralized fault-tolerant control. Finally, numerical simulation was carried out for two 3-DOF reconfigurable manipulators with different configurations. The results demonstrate the effectiveness of the proposed fault-tolerant control scheme.

Keyword: automatic control technique; reconfigurable manipulators; online fault estimation; decentralized adaptive sliding mode observer; fault tolerant control
0 引 言

可重构机械臂[ 1]因其易于对模块进行增减和互换,在航空航天、精密制造、高危作业以及军事战场等复杂环境中有着广泛的应用前景。长时间的工作会导致执行器和传感器不可避免地发生故障,若得不到及时处理,可重构机械臂会以不可预知的方式运行,给生产生活甚至生命安全带来巨大危害,因此亟需针对其进行故障诊断和容错控制的研究。目前,针对此问题,解决方法主要有基于解析模型[ 2, 3, 4]、基于信号处理[ 5, 6, 7]及基于知识挖掘[ 8, 9, 10]等。但是现有针对故障诊断和容错控制的研究一般只针对执行器或传感器单一元件故障进行,对二者同时故障的情况考虑不多。

基于此,本文提出了基于故障在线估计的分散控制方法,考虑了执行器和传感器同时故障的情况,将故障隔离在子系统中,使系统不论发生何种故障,故障关节性能的下降都不影响正常关节的控制性能,且可在不改变控制参数的条件下应用于不同构形的可重构机械臂中。

1 问题描述

可重构机械臂子系统动力学模型可描述为[ 11]:

Mi(qi)q··i+Ci(qi,q·i)q·i+Gi(qi)+Zi(q,q·,q··)=ui1Zi(q,q·,q··)=j=1,jinMij(q)q··j+[Mii(q)-Mi(qi)]q··i+j=1,jinCij(q,q·)q·j+[Cii(q,q·)-Ci(qi,q·i)]q·i+[G-i(q)-Gi(qi)](2)

式中: Zi( q, q·, q··)∈ R为子系统交联项。

xi=[ xi1 xi2]T =[ qi q·i]T( i=1,2,…, n),则当第 i个子系统执行器或传感器发生故障时,结合式(1)与子系统故障函数f_ia及f_is,式(2)可表示为状态空间的形式:

Sif:x·i=Aixi+Bi[gi(qi)(ui+fia(qi,q·i,ui))+  fi(qi,q·i)+hi(q,q·,q··)]yi=Ci(xi+fis)3

式中: xi yi分别为子系统 Sif的状态向量和输出向量,且:

Ai=0100;Bi=01;Ci=10fi(qi,q·i)=Mi-1(qi)-Ci(qi,q·i)q·i-Gi(qi)gi(qi)=Mi-1(qi)hi(q,q·,q··)=-Mi-1(qi)Zi(q,q·,q··)fia(qi,q·i,ui)=α(t-Tia)ψi(qi,q·i,ui)4

式中: α( t-Tia)为单位阶跃函数, Tia为子系统 i执行器故障发生时间; ψi( qi, q·i, ui)为执行器故障函数;本文仅考虑模块关节位置传感器故障,则 fis= fis10T为子系统传感器故障函数矩阵,且满足‖ fis( t)‖≤ ρi( t),其中 ρi( t)为已知连续函数。

本文的控制目标是针对故障子系统模型(3)设计基于故障在线估计的分散容错控制律,使可重构机械臂关节模块无论执行器发生故障,还是传感器发生故障,关节位置均能跟踪期望轨迹。

2 分散容错控制器设计
2.1 分散自适应滑模观测器设计

假设1 期望轨迹 yir, y·iry··ir有界。

假设2 子系统的执行器故障 fia和传感器故障 fis1均有未知上界:‖ fia‖≤ fia*;‖ fis1‖≤ fis*

首先利用李代数方法进行线性变换[ 4],将关节传感器故障转化为伪执行器故障,并引入一个一阶滤波器 zi作为新的状态变量,即:

z·i=-aizi+biyi15

式中: yi1为关节位置传感器输出信号; ai, bi为常数,且 ai>0, bi≠0。

将式(3)中的输出方程代入式(5)中,可得:

z·i=-aizi+bixi1+bifis16

x-i = xi1xi2xi3T = qiq·iziT,则扩展后的故障子系统模型可描述为:

x·i1=xi2x·i2=fi(qi,q·i)+gi(qi)(ui+  fia(qi,q·i,ui))+hi(q,q·,q··)x·i3=bixi1-aixi3+bifis1yi=xi37

设计分散自适应滑模观测器如下:

x^·i1=x^i2+υi1x^·i2=f^i(q^i,q^·i,θ^if)+g^i(q^i,θ^ig)ui+  νi(ei2,θ^ip)+υi2+δ^ix^·i3=bix^i1-aix^i3+bif^is1+υi3y^i=x^i38

式中: υijij xij-x^ijxij-x^ij, j=1,2,3; δ^i用于补偿神经网络估计误差对控制精度的影响。

定义观测误差为 eij=xij- x^ij, j=1,2,3。由式(7)(8)可得相应的误差动力学方程为:

e·i1=ei2-υi1e·i2=(fi-f^i)+(gi-g^i)ui+hi-νi+  gifia-υi2-δ^ie·i3=biei1-aiei3+bi(fis1-f^is1)-υi39

采用RBF神经网络 f^i( q^i, q^·i)和 g^i( q^i)对系统的不确定项 fi( qi, q·i)和 gi( qi)进行估计,理想神经网络逼近如下所示:

fi(qi,q·i)=θTifσif(qi,q·i)+εif10gi(qi)=θTigσig(qi)+εig11f^i(q^i,q^·i)=θ^Tifσ^if(q^i,q^·i)(12)g^i(q^i)=θ^Tigσ^ig(q^i)(13)

定义 θ^ifθ^ig分别为理想神经网络权值 θif θig的估计值; θ~if = θ^ififθ~ig = θ^igig为估计误差。

假设3 关联项 hi( q, q·, q··)有界且满足[ 12]:

hi(q,q·,q··)j=1ndijEj14

式中: dij≥0为未知常数; Ej=1 + ei2 + ei22

采用RBF神经网络 νi( ei2, θ^ip)补偿交联项对系统的影响:

νi(ei2,θ^ip)=sgn(ei2)θ^ipσ^ip(ei2)(15)

式中: θ^ip为权值 θip的估计值, σ^ip为神经网络基函数 σip的估计值。定义 θ~ip = θ^ipip为权值估计误差; σ~ip = σ^ipip为估计误差。

定义神经网络最小估计误差如下:

ωi1=θTif(σ^if(q^i,q^·i)-σif(qi,q·i))+εif+εigui+θTig(σ^ig(q^i)-σig(qi))ui+(gi-g^i)fia16ωi2=Ri(ei2)-θTipσ^ip(ei2)(17)

式中: Ri( ei2) =n maxijdij Ei,逼近误差 εif εig未知有界,且满足:

ωi=ωi1+ωi218

定理1 当可重构机械臂子系统发生执行器或传感器故障时,由分散自适应滑模观测器式(8)与子系统的状态空间方程式(7)得到误差动力学方程式(9),结合假设2和假设3,并且采用式(19)~(23)所示的自适应更新律,能够在线估计出执行器和传感器故障,并且使状态观测误差 ei在有限时间内按指数规律收敛,即估计状态 x^i渐近收敛到实际状态 xi

神经网络权值 θ^if, θ^ig, θ^ip和故障估计参数 f^is1, δ^i分别按下面的自适应律更新:

θ^·if=-ηifei2σ^if19θ^·ig=-ηigei2σ^ig(qi)ui20θ^·ip=-ηipei2σ^ip21f^·is1=ηisbei322δ^·i=λiei223

式中: ηif ηig ηip ηis λi均为正的常数,且子系统传感器故障可由式(22)自适应估计得到。

考虑式(8)中 νi2的表达结构,选择合适的正常数 σi,使得当 κi2 > fia*满足时,输出等效误差可由式(24)任意精度估计[ 4]:

υi2σ=κi2xi2-x^i2xi2-x^i2+σi24

则子系统执行器故障可由式(25)得到。

f^ia=i-1υi2σ25

证明 选取Lyapunov函数如下:

Vi=Vi1+Vi2+Vi326

步骤1 选取Lyapunov函数:

Vi1=12ei1227

其对时间的导数为:

V·i1=ei1e·i1ei1(ei2-κi1)(28)

κi1i1 + ei2时,则 V·1i=1n(i1 ei1) <0,其中 μi1为小的正常数。

步骤2 令 f~is =fis- f^is,选取Lyapunov函数:

Vi3=12ei32+12ηisf~is1229

其对时间的导数为:

V·i3=ei3e·i3+ηis-1f~is1f~·is1=ei3-aiei3+biei1+bieis-υi3)-ηis-1f~is1f^·is1=-aiei32+biei1ei3-κi3ei3sgn(ei3)+eis(biei3-ηis-1f~is1f^·is1)-aiei32+ei3(biei1-κi3)(30)

κi3 >bi ei1i3时, V·3i=1n( -ai ei32i3 ei3)≤0,其中 μi3为正小常数。

步骤3 令 f~ia =fia- f^ia,选取Lyapunov函数:

Vi2=12ei22+12ηifθ~Tifθ~if+12ηigθ~Tigθ~ig+12ηipθ~Tipθ~ip+12λiδ~Tiδ~i31

其对时间的导数为:

V·i2=ei2(fi-f^i)+(gi-g^i)ui+hi-νi+gifia-υi2-δ^i)+1ηifθ~ifθ^·if+1ηigθ~igθ^·ig+1ηipθ~ipθ^·ip-1λiδ~Tiδ^·iei2θ^ipσ^ip+ei2ω1-ei2δ^i+1ηipθ~ipθ^·ip-1λiδ~Tiδ^·i+maxijdiji=1nei2j=1nEj32

考虑假设3,并注意到 ei2ej2 Ei Ej,应用Chebyshev不等式,可得:

i=1nei2j=1nEjni=1nei2Ei33

定义 δ~ii- δ^i,将式(23)(33)代入式(32)可得:

V·2i=1n(ei2(nmaxdijijEi-θ^ipσ^ip)+ei2ωi1-ei2δ^i+1ηipθ~ipθ^·ip-1λiδ~Tiδ^i)i=1n(ei2(δi-δ^i)-1λiδ~Tiδ^i)=0(34)

由上述各步骤结论及式(26)对时间的导数可知:

V·=i=1n(V·i1+V·i2+V·i3)<0(35)

由Lyapunov稳定性理论和Barbalat引理可知:状态观测误差 ei将在有限时间内按指数规律收敛到零点,即估计状态 x^i将渐近收敛到实际状态 xi

2.2 基于非奇异快速Terminal滑模的分散容错控制

为了使可重构机械臂系统发生故障时关节轨迹仍能精确地跟踪期望轨迹,本节设计了一种基于非奇异Terminal滑模的分散容错控制器。此方法可在系统发生故障时改善控制性能,并且避免了传统Terminal滑模控制可能导致的奇异现象。

定义位置跟踪误差为:

ei=x^i1-yid36则其导数为:e·i=x^·i1-y·id37

定义非奇异快速Terminal滑模面为:

si=ei+αi-1eiki/li+βi-1ipi/qi38

式中: αi>0, βi>0; pi, qi, ki, li为正奇数,且满足1 <pi/qi<2, ki/li>pi/qi

式(38)对时间的导数为:

s·i=e·i+1αikilieiki/li-1e·i+1βipiqiipi/qi-1e··i=e·i+1αikilieiki/li-1e·i+1βipiqiipi/qi-1[f^i(q^i,q^·i)+g^i(q^i)ui+νi(ei2,θ^ip)+υi2+δ^i-y··id]39

基于非奇异快速Terminal滑模的分散容错控制律设计为:

ui=-1g^i(q^i)(f^i(q^i,q^·i)+υi2+νi(ei2,θ^ip)+δ^i-y··id+βiqipie·i2-pi/qi(1+kiαilieiki/li-1)+ζisi+ηisgn(si))(40)

定理2 考虑含有故障的子系统动力学模型式(7),设计了如式(8)所示的基于RBF神经网络的分散自适应滑模观测器,应用式(40)所示的基于非奇异Terminal滑模分散容错控制律、式(19)~(23)所示的自适应更新律以及式(25)所示的故障辨识函数,则可重构机械臂的轨迹跟踪误差将在有限时间收敛到零,从而实现故障容错的目的。

证明 选取Lyapunov函数如下:

Vi=12si241

式(41)对时间的导数为:

V·i=sis·i=si{e·i+1αikilieiki/li-1e·i+1βipiqie·ipi/qi-1[f^i(q^i,q^·i)+g^i(q^i)ui+νi(ei2,θ^ig)+υi2+δ^i-y··id]}42

将式(40)代入式(42),可得:

V·i=1βipiqie·ipi/qi-1si-ζisi-ηisgn(si))=1βipiqie·ipi/qi-1-ζisi2-ηisi)(43)

可见,当 si≠0时,由于1 < piqi <2,则0 < piqi -1 <1,又由于 βi>0, pi qi为正奇数,因此:

(1)当 e·i≠0时, ξi= 1βipiqie·ipi/qi-1 >0, V·ii( ζi si2i si)≤0。

这表明 Vi( t)≤ Vi(0),因此 si是有界的。设函数 Φi( t)i( ζi si2i si)≤ - V·i,对 Φi( t)从0到 t积分得 0t Φi( τ)d τ0tV·id τ=Vi(0) -Vi( t)。由于 Vi(0)有界, Vi( t)非增,有下界,可得 limt0t Φi( τ)d τ<¥,因此可知 Φi( t)∈ L2,由于 Φi( t)∈ L,根据Barbalat引理可得 limt Φi( t) =0,进而得到 limt si=0,即跟踪误差 ei= x^i1 -yid也将在有限时间内收敛到零。

(2)当 e·i =0时, V·i =0。但 e·i =0, ei≠0,易证明其并不是稳定的状态, V·i =0不能一直保持,因此根据Lyapunov稳定性定理,系统将在有限时间到达并保持在非奇异终端滑模面 si=0上,跟踪误差 ei也将在有限时间内收敛到零,因此定理2成立。

3 数值仿真

为了验证本文所设计的分散容错控制方法的有效性,采用如 图1所示的两种不同构形的三自由度可重构机械臂进行数值仿真。

图1 三自由度可重构机械臂构形Fig.1 Configurations of 3-DOF reconfigurable manipulators

仿真中设初始位置为 q^10 = q^20 = q^30 =1,初始速度为 q^·10 = q^·20 = q^·30 =0,观测器参数为 κi1i2i3 =10, σi=0 .02;控制器参数为 pi=5, qi=3, ki=7, li=3, αi=0 .05, βi=0 .5, ζi=10, ηi=0 .001;自适应增益系数为 ηif=0 .02, ηig=0 .01, ηip=0 .01, ηis=105, λi=1;滤波器参数为 ai=1, bi=1。

对于构形a,分别于 t=2 s和 t=3 s对关节1执行器、关节2传感器加入故障,故障函数如下:

f1 a= 0,t<210,t2, f2 s= 0,t<3-0.5q2,t3

图2为利用所设计分散自适应滑模观测器得到的故障估计曲线,可以看出此方法可精确地在线估计故障。

图2 构形a故障在线估计曲线Fig.2 Online fault estimation curves of configuration a

图3 构形a应用所设计容错控制律关节跟踪曲线Fig.3 Joints tracking curves applied the proposed fault tolerant control of configuration a

图3为在发生故障时,采用所设计的非奇异Terminal分散容错控制律得到的轨迹跟踪曲线,从图中可知,各子系统得到了满意的跟踪性能。

图4 构形b故障在线估计曲线Fig.4 Online fault estimation curves of configuration b

图4 图5是在不改变控制参数的条件下应用构形b进行相同的数值仿真的结果,其中故障函数如式(44)所示。

f1a=0,t<210sin(2q1)q·1,t2f2s=0,t<32,t344

图5 构形b应用所设计容错控制律关节跟踪曲线Fig.5 Joints tracking curves applied the proposed fault tolerant control of configuration b

图4 图5可以看出:在不改变参数的条件下,所设计的控制方法仍然适用,因此所提方法可应用于具有不同构形、不同自由度的可重构机械臂。

4 结束语

针对由于可重构机械臂模块关节执行器和传感器故障而导致控制系统性能下降的问题,提出了一种基于故障在线隔离的分散容错控制方法。基于可重构机械臂的模块化属性,设计了分散自适应滑模观测器以实现执行器和传感器故障隔离,并结合非奇异Terminal滑模控制方法对子系统故障进行容错处理。此方法将故障隔离在子系统内,且可在不修改控制参数的条件下对不同构形的可重构机械臂实现容错控制。

The authors have declared that no competing interests exist.

参考文献
[1] Paredis C J J, Brown H B, Khosla P K. Rapidly deployable manipulator system[J]. Robotics and Autonomous Systems, 1997, 21(3): 289-304. [本文引用:1] [JCR: 1.156]
[2] Brambilla D, Capisani L M, Ferrara A, et al. Fault detection for robot manipulators via second-order sliding modes[J]. IEEE Transactions on Industrial Electronics, 2008, 55(11): 3954-3963. [本文引用:1] [JCR: 5.165]
[3] Yoo S J. Actuator fault detection and adaptive accommodation control of flexible-joint robots[J]. IET Control Theory and Applications, 2012, 6(10): 1497-1507. [本文引用:1] [JCR: 1.717]
[4] Zhao B, Li Y C. Multisensor fault identification scheme based on decentralized sliding mode observers applied to reconfigurable manipulators[J]. Mathematical Problems in Engineering, 2013. DOI: 10.1155/2013/327916. [本文引用:2] [JCR: 1.383]
[5] Zhang Y W, Ma C. Decentralized fault diagnosis using multiblock kernel independent component analysis[J]. Chemical Engineering Research and Design, 2012, 90(5): 667-676. [本文引用:1] [JCR: 1.927]
[6] Yan R Q, Gao R X, Chen X F. Wavelets for fault diagnosis of rotary machines: A review with applications[J]. Signal Processing, 2014, 96(Part A): 1-15. [本文引用:1] [JCR: 1.851]
[7] Subrahmanya N, Shin Y C. A data-based framework for fault detection and diagnostics of non-linear systems with partial state measurement[J]. Engineering Applications of Artificial Intelligence, 2013, 26(1): 446-455. [本文引用:1] [JCR: 1.625]
[8] Zhao C L, Sun X B, Sun S L, et al. Fault diagnosis of sensor by chaos particle swarm optimization algorithm and support vector machine[J]. Expert Systems with Applications, 2011, 38(8): 9908-9912. [本文引用:1] [JCR: 1.854]
[9] Silva J C D, Saxena A, Balaban E, et al. A knowledge-based system approach for sensor fault modeling, detection and mitigation[J]. Expert Systems with Applications, 2013, 39(12): 10977-10989. [本文引用:1] [JCR: 1.854]
[10] Milena P, Rapaic M R, Jelicic Z D, et al. On-line adaptive clustering for process monitoring and fault detection[J]. Expert System with Applications, 2012, 39(11): 10226-10235. [本文引用:1] [JCR: 1.854]
[11] 李英, 朱明超, 李元春. 可重构机械臂模糊神经补偿控制[J]. 吉林大学学报: 工学版, 2007, 37(1): 206-211.
Li Ying, Zhu Ming-chao, Li Yuan-chun. Neurofuzzy compensation control for reconfigurable manipulator[J]. Journal of Jilin University (Engineering and Technology Edition), 2007, 37(1): 206-211. [本文引用:1] [CJCR: 0.701]
[12] Zhu M, Li Y. Decentralized adaptive fuzzy sliding mode control for reconfigurable modular manipulators[J]. International Journal of Robust and Nonlinear Control, 2010, 20(4): 472-488. [本文引用:1] [JCR: 1.9]