机器人关节模块的改进有限时间预设性能自适应非奇异终端超螺旋控制与神经网络逼近

为解决机器人关节模块(RJM)在外部干扰、模型不确定性和瞬态性能约束下的高精度控制难题，研究人员提出了一种改进有限时间预设性能自适应非奇异终端超螺旋控制器(MFTPP-ANTSTC)。该研究结合改进性能函数(MFTPF)、非奇异终端滑模面(FNTSS)和径向基函数神经网络(RBFNN)逼近技术，实现了预定收敛时间内的跟踪误差约束、扰动边界自适应性提升和系统鲁棒性增强。仿真与实验表明，该控制器在响应速度、跟踪精度和抗干扰能力方面均优于对比算法，为精密机电系统控制提供了新思路。

　　

在工业机器人、半导体设备和医疗器械等领域，机器人关节模块(RJM)作为核心传动部件，其控制精度直接决定设备性能。然而，谐波减速器与永磁同步电机(PMSM)组成的RJM系统存在摩擦迟滞、柔性变形等强非线性特性，传统PID控制难以满足高精度需求。更棘手的是，系统运行时还面临外部扰动、模型参数不确定等问题，现有滑模控制(SMC)方法往往需要精确的扰动边界信息，且存在收敛速度慢、稳态抖动大等缺陷。

针对这些挑战，重庆大学机械与车辆工程学院的研究团队在《Neurocomputing》发表创新成果。他们通过融合改进有限时间预设性能函数(MFTPF)、非奇异终端滑模面(FNTSS)和神经网络逼近技术，构建了MFTPP-ANTSTC控制器。该研究首次在RJM控制中实现三项突破：预设误差边界与收敛时间的主动设计、无需扰动导数信息的自适应超螺旋趋近律、基于RBFNN的实时不确定性估计。

关键技术包括：1) 设计具有非零梯度的MFTPF避免稳态奇异性；2) 开发融合双曲正切函数的FNTSS提升收敛速度；3) 采用RBFNN在线逼近系统未建模动态；4) 构建Lyapunov函数严格证明有限时间稳定性。实验平台采用实际工业关节模块，对比传统STSMC和自适应SMC进行验证。

【Establishment of a RJM model】
通过拉格朗日能量法建立含谐波减速器的PMSM状态空间方程，将柔性变形等效为非线性刚度项，为控制器设计提供基础模型。

【Controller Design】
提出的MFTPF通过误差转换确保跟踪误差在预定时间收敛至指定范围，其独特梯度特性避免传统性能函数的稳态奇异性。FNTSS设计引入终端吸引子与双曲正切函数，在消除奇异点的同时加速远离平衡态时的收敛。自适应超螺旋趋近律通过动态调节增益，放宽对扰动上界的依赖。RBFNN以高斯函数为激活函数，通过权重自适应律实时更新网络参数。

【Simulations and experiments】
对比实验显示，在0.5Hz正弦跟踪任务中，MFTPP-ANTSTC的稳态误差较对比方法降低62%，抗阶跃扰动恢复时间缩短40%。在5kg突加负载工况下，最大跟踪误差控制在±0.003rad内，验证了算法的强鲁棒性。

【Conclusion】
该研究为复杂机电系统的有限时间控制提供了新范式：MFTPF的创新设计解决了稳态奇异性难题，FNTSS与自适应趋近律的组合突破传统滑模的收敛速度限制，RBFNN的应用降低对精确模型的依赖。实验证实该控制器能使RJM在存在参数摄动和外部干扰时，仍保持预设的瞬态和稳态性能指标，对精密制造装备控制具有重要工程价值。作者Xiao Lin等指出，未来可将该方法扩展至多关节协同控制场景，并探索更高效的神经网络训练策略。