⚡ electrical engineering

Co-Simulation and Comparative Control Analysis of a 3-DOF Serial Manipulator Using MSC ADAMS and MATLAB

本文提出了一个利用 MSC ADAMS 和 MATLAB 进行协同仿真，以对三自由度串联机械臂进行建模的框架，并证明了自适应模糊 PID 控制器通过大幅降低跟踪误差、超调量和调节时间，同时保持高定位精度，其性能显著优于传统的 PID 控制器。

原作者： Mohammad Heidar Khamsehei Fadaei, Seyed Ali Hamzeh Pahnehkolaei

发布于 2026-06-30

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Mohammad Heidar Khamsehei Fadaei, Seyed Ali Hamzeh Pahnehkolaei

原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下，你正在试图教一个机械臂去拿起一个杯子，并把它移动到一个托盘上，过程中不能洒出一滴水。为了做到这一点，你需要两样东西：对机械臂身体如何运动的完美理解（物理学），以及一个聪明的“大脑”来精确指挥电机该使多大的劲（控制）。

这篇论文关于构建一个虚拟测试实验室，以寻找教导该机械臂的最佳方法，并证明一个“聪明”的大脑比一个“笨”的大脑效果要好得多。

以下是他们工作的详细拆解，使用了简单的类比：

1. 构建虚拟机器人（“数字孪生”）

与其制造一个真实的金属机器人并冒着损坏它的风险，研究人员使用了一个名为 MSC ADAMS 的计算机程序。你可以把它想象成一个高端的游戏引擎，它不仅看起来真实，而且感觉也非常真实。

构建： 他们在计算机中完全创建了一个具有 3 个关节的机械臂（类似于人类的肩膀、肘部和手腕）。
物理特性： 他们赋予了机器人的每个部件真实的钢材重量和刚度。他们计算了每个部件有多重以及它是如何摆动的。这确保了当计算机模拟运动时，它的行为会与真实的机器完全一致，包括所有复杂的物理现象，如动量和惯性。

2. 操作的“大脑”（协同仿真）

研究人员将他们的虚拟机器人（在 ADAMS 中）连接到了一个控制程序（MATLAB/Simulink）。

类比： 想象 ADAMS 程序是机器人的身体，而 MATLAB 程序是大脑。它们被连接在一起，使得大脑可以发送指令（“移动你的肘部！”），而身体会立即反馈（“我正在移动，但我很重且正在减速”）。
为什么要这样做？ 这允许他们在无需构建物理原型的情况下，在同一个“身体”上测试不同的“大脑”（控制策略）。这节省了成本和时间。

3. 两种大脑：“死板派” vs “适应型教练”

研究人员测试了两种不同的控制机器人运动的方法：

控制器 A：标准 PID（“死板派”）
- 工作原理： 这是工厂里使用的传统方法。它就像一个严厉的老师，无论情况如何都给予同样的帮助。如果机器人偏离目标，老师会推得稍用力一点；如果偏离很多，老师会推得更用力。
- 问题所在： 机器人的身体在运动过程中会发生变化。当机械臂快速摆动时，它会产生自身的力（例如离心力）。“死板派”不知道如何针对这些变化进行调整，因此经常会出现过冲（走得太远）或在停止前发生晃动的情况。
控制器 B：模糊 PID（“适应型教练”）
- 工作原理： 这是一个更聪明的脑，它使用“模糊逻辑”。把它想象成一位观察机器人在实时变化的教练。如果机器人移动得又快又重，教练会说：“好吧，我需要温柔一点。”如果机器人正处于挣扎启动阶段，教练会说：“用力推！”
- 神奇之处： 它会根据当前发生的情况不断微调自己的设置（增益）。它不是在遵循死板的规则手册，而是在适应情况。

4. 结果：谁赢得了比赛？

他们要求两种“大脑”引导机器人沿着一条复杂的路径运动。以下是“适应型教练”（Fuzzy-PID）如何击败“死板派”（Standard PID）的：

精度： “死板派”明显偏离了目标。而“适应型教练”极其精准，其偏差保持在 0.25 毫米以内（大约是人类头发的厚度）。
过冲： “死板派”经常会冲过目标然后不得不摆回来（就像钟摆一样）。“适应型教练”几乎能恰好停在预定位置。
- 论文声称： 新型控制器将“过冲”（摆动过远）减少了 78%。
停止时间： 当机器人需要停止时，“死板派”需要很长时间才能稳定下来并停止晃动。而“适应型教练”稳定下来的速度要快得多。
- 论文声称： 它将稳定时间缩短了 64%。
误差减少： 总的来说，跟踪误差（机器人偏离路径的距离）降低了 67%。

5. 核心结论

论文得出结论，使用这种虚拟原型设计方法是一个游戏规则的改变者。

不浪费金属： 你不需要通过制造、损坏并重建物理机器人来测试想法。你可以在计算机中完成这一切。
更好的控制： 对于像机械臂这样的复杂机器，一个能够实时适应的“智能”控制器远优于传统的固定控制器。
成本与时间： 作者声称，这种方法可以将开发成本降低 40-60%，并将过去需要数周的设计周期缩短为仅需几天。

简而言之，他们构建了一个完美的数字机器人，赋予了它一个能随运动学习的“智能”大脑，并证明了这种组合比传统的、僵化的控制器更快、更精确且更稳定。

技术摘要：三自由度串联机械臂的协同仿真与对比控制分析

问题陈述
在工业机器人领域，为了确保精确的轨迹跟踪和扰动抑制，对串联机械臂进行严谨的运动学与动力学建模以及配套的高级控制策略开发至关重要。然而，多自由度（DOF）系统中固有的非线性、惯性耦合以及与速度相关的科里奥利力和离心力，为控制器设计带来了显著挑战。传统的比例-积分-微分（PID）控制器虽然因其简单性而应用广泛，但往往依赖于固定增益，难以适应变化的运行条件和动态负载。此外，传统鲁棒控制系统的开发通常依赖于物理原型制作，这既昂贵又耗时。本研究旨在解决建立高保真虚拟原型环境的需求，并开发一种能够处理平面三自由度串联机械臂复杂动力学的自适应控制策略。

研究方法
本研究采用了一种综合性的协同仿真框架，集成了用于多体动力学建模的 MSC ADAMS 和用于控制系统设计的 MATLAB/Simulink。研究方法分为四个主要阶段：

机械建模： 在 MSC ADAMS 中对一个由六个刚性连杆和六个转动关节组成的平面三自由度串联机械臂进行了建模。组件被分配了钢材材料属性（密度： $7.801 \times 10^{-6}$ kg/mm³，杨氏模量： $2.07 \times 10^5$ N/mm²）。ADAMS 根据几何体积自动计算了包括质量和转动惯量在内的惯性参数。
运动学与动力学公式化：
- 运动学： 使用 Denavit-Hartenberg (D-H) 约定推导了正向和逆向运动学方程，实现了关节位移与末端执行器位姿之间的映射。
- 动力学： 利用 Euler-Lagrange 公式推导了运动方程，明确考虑了对称正定惯性矩阵以及代表科里奥利力、离心力和重力效应的非线性项。
协同仿真框架： 通过 ADAMS/Control 接口将 ADAMS 机械模型导出至 MATLAB/Simulink。这创建了一个统一的环境，其中 Simulink 实现控制算法（运行频率为 1 kHz），而 ADAMS 解析物理动力学（以 100 μs 的间隔运行）。该接口负责交换关节转矩输入和关节位置/速度输出。
控制策略设计： 设计并对比了两种控制器：
- 常规 PID： 为每个关节调优的固定增益 PID 控制器。
- 自适应模糊 PID： 一种混合控制器，利用模糊推理系统根据跟踪误差 ( $e$ ) 及其导数 ( $\Delta e$ ) 实时动态调度 PID 增益 ( $K_p, K_i, K_d$ )。该模糊逻辑系统利用七个高斯隶属函数作为输入，并使用单点/整数作为增益调整的输出。

核心贡献

集成虚拟原型设计： 本研究建立了一个稳健的协同仿真工作流，通过高保真多体仿真验证了理论运动学和动力学模型，证明了虚拟原型设计在降低开发成本和加速设计周期方面的可行性。
自适应控制实现： 本文详细介绍了专门针对三自由度机械臂非线性动力学设计的模糊 PID 控制器的设计与实现，利用实时增益调度来补偿惯性耦合和变化的负载。
对比性能分析： 提供了一项严格的定量评估，通过多个性能指标对固定增益 PID 控制器和自适应模糊 PID 控制器进行了比较，包括关节跟踪误差、超调量、调节时间和末端执行器定位精度。

结果
仿真结果表明，自适应模糊 PID 控制器的表现显著优于常规 PID 控制器：

跟踪精度： 模糊 PID 控制器的关节跟踪误差比 PID 控制器降低了 67%。具体而言，关节 1 的均方根误差（RMSE）从 0.36° 降至 0.12°。
瞬态响应： 模糊 PID 方法平均减少了 78% 的超调量。对于关节 1，超调量从 37.3% (PID) 降至 8.2%。关节 3 则完全消除了超调（0% 对比 1.4%）。
调节时间： 所有关节的平均调节时间改善了 64%。例如，关节 1 的调节时间从 0.275 s 缩短至 0.098 s。
末端执行器精度： 模糊 PID 控制器在复杂轨迹运动中始终将末端执行器定位精度保持在 ±0.25 mm 以内，而 PID 控制器的偏差高达 ±0.82 mm。

意义与主张
本文主张，所提出的方法论验证了通过 D-H 法和拉格朗日法推导出的理论模型，这通过解析预测与仿真结果之间的高度相关性得到了证实。研究强调了虚拟原型设计的显著优势，估计可降低 40–60% 的开发成本，并将设计迭代周期从数周缩短至数天。

作者断言，自适应模糊 PID 控制器通过有效补偿挑战固定增益控制器的动力学耦合和惯性变化，为非线性机器人系统提供了卓越的鲁棒性和性能。研究结论指出，该协同仿真框架为工业机器人系统的设计与优化提供了一个实用且具有成本效益的基础，并建议未来开展关于空间机械臂以及集成关节柔性与外部扰动等高级因素的研究。