基于迭代学习的工业机械臂抗干扰控制方法.pdf

第8 期2023年8 月机械设计与制造Machinery Design&Manufacture11基于迭代学习的工业机械臂抗干扰控制方法楚雪平1,王晓玲?（1.河南职业技术学院智能制造学院，河南郑州4 5 0 0 4 6;2.河南科技大学图书馆，河南洛阳4 7 1 0 2 3）摘要：为了克服工业机械臂的未知负载力矩和摩擦等干扰因素的影响，采用迭代学习算法设计了滑模控制律。首先建立了工业机械臂数学模型，然后设计了二阶非奇异快速终端滑模面，同时提出了滑模控制律，最后利用迭代学习方法来改善滑模控制律的抖振现象，并进行了收敛性分析。仿真结果表明：设计的基于选代学习的滑模控制律能够有效消除各种干扰因素的影响，实现对工业机械臂运动轨迹的精确控制，最大跟踪误差仅为0.3mm,在实测验证中的最大跟踪误差也仅为0.1 7 mm，平均运行时长仅为1.7 3s，大幅提升了对工业机械臂的控制精准度。关键词：工业机械臂；迭代学习；干扰；二阶非奇异；滑模控制律中图分类号：TH16;TH39Anti-Interference Control Method of Industrial Manipulator Based on Iterative Learning(1.School of Intelligent Manufacturing,Henan Polytechnic College,Henan Zhengzhou 450046,China;2.Department of Library,Henan University of Science and Technology,Henan Luoyang 471023,China)Abstract:To overcome the influence factors from unknown load torque and friction of industrial manipulator,a sliding mode con-trol law was designed using iterative learning algorithm.Firstly,the industrial manipulator model was established.Then the second-order nonsingular rapid terminal sliding mode surface was designed and the sliding mode control law was proposed.Finally,the iter-ative learning method was used to improve chattering phenomenon of sliding mode control law,and the convergence was analyzed.The simulation results show that the sliding mode control law based on iterative learning can effectively eliminate the influence of var-ious interference factors and realize the precise control of industrial manipulator trajectory,and the maximum tracking error is only0.3mm.In the field verification,the maximum tracking error is only 0.17mm and the average running time is only 1.73s,whichgreatly improves the accuracy of the industrial manipulator.Key Words:Industrial Manipulator;Iterative Learning;Influence;Second-Order Nonsingular;Sliding Mode Con-trol Law文献标识码：A文章编号：1 0 0 1-39 9 7(2 0 2 3)0 8-0 0 1 1-0 5CHU Xue-ping,WANG Xiao-ling1引言机械臂是将多个机械杆通过关节连接起来的自动化系统，各机械杆在电机驱动下绕关节自由转动，使机械臂末端到达指定位置来完成相应工作1-2 。随着自动化技术的迅速发展，机械臂已广泛应用于装配、焊接、组装等工业生产中，机械臂的控制精度直接决定了工业生产的效率和质量3-4 。但是工业机械臂是一个非线性、强耦合的复杂系统，在实际生产中，机械杆绕各关节转动时必然会受到机械摩擦的干扰，从而造成控制精度降低。同时，当工业机械臂需要与生产对象接触时，生产对象必然会对机械臂末端产生一个未知负载力矩,这会严重影响机械臂的控制精度5-6 。因此,要想提高工业机械臂的实用性和精确度，必须充分考虑工来稿日期：2 0 2 2-0 6-0 5基金项目：河南省科技公关项目（2 0 2 1 0 2 2 1 0 1 1 4）作者简介：楚雪平，（1 9 7 3-）,女，河南洛阳人，硕士研究生，副教授，主要研究方向：机械制造及自动化；王晓玲，（1 9 7 3-）,女，河南沁阳人，硕士研究生，讲师，主要研究方向：机械制造及其自动化业机械臂对于机械摩擦和负载力矩的鲁棒性。文献7 为了克服模型误差对机械臂控制的影响，采用滑模自适应控制算法对轨迹指令进行有效跟踪，能够在一定程度上提高精度，但实用性不高；文献8 采用自适应终端滑模控制方法来提高机械臂的鲁棒性和控制效果，但是不能很好地克服抖振现象；文献9 针对具有摩擦和负载等干扰的机械臂轨迹跟踪控制问题，提出了一种模糊补偿控制方法，能够提高控制效果，但是需要已知机械臂的精确数学模型；文献1 0 为了提高带有各种干扰因素的机械臂的运行稳定性,采用干扰观测器设计了反演滑模控制算法，虽然实现了对机械臂的控制，但是控制精度一般。基于以上分析,设计了一种二阶非奇异快速终端滑模面,并提出了一种基于迭代学习的滑模鲁棒控制方法，实现了对工业机械臂的精确控制。122模型建立工业机械臂是通过机械关节将机械臂连接起来的多级智能工业生产设备，其中各级机械臂可以绕相应关节自由转动，从而使装有抓手、解刀、焊枪等设备的机械臂末端能够准确到达指定空间位置，来快速、精确、高效地完成装配和焊接等流水线工业生产任务。工业机械臂示意图，如图1 所示。图1 工业机械臂示意图Fig.1 Schematic Diagram of Industrial Manipulator工业机械臂的数学模型为：M(g)i+D(q,i)j+G(g)=T式中：q工业机械臂各关节转动的角度、角速度和角加速度；M(g)惯性矩阵;D(q,9)一科氏力和离心力矩阵;G(q重力矩阵；T一各关节的驱动力矩。在工业生产中，工业机械臂的末端设备必须接触各种零部件并施加一定的作用力，那么零部件就会对工业机械臂产生一个未知的负载力矩，此力矩必然会影响对工业机械臂的精确控制。另外，工业机械臂各关节在转动过程中不可避免地会受到机械摩擦的干扰，导致工业机械臂的末端无法快速、准确定位到指定位置，无法精准完成相应的生产任务1 2 。因此，要实现对工业机械臂的精确控制，提高工业生产的效率和质量，必须充分考虑未知负载力矩和机械摩擦的干扰影响,则工业机械臂数学模型为：M(g)j+D(q,g)j+G(q)+d=T式中：d一未知负载力矩和机械摩擦的干扰总和。根据坐标转换关系，可以得到工业机械臂末端的运动轨迹与各关节转动角度的转换关系为1 3-1 4 ：P=Nq式中:P=x,y,一工业机械臂末端的运动轨迹;N一转换矩阵。3控制律设计首先给出了二阶非奇异快速终端滑模面和滑模控制律，然后利用迭代学习方法来改善滑模控制律的鲁棒性，最后进行了收敛性分析。控制系统结构，如图2 所示。二阶非奇异快速终端滑模面SP滑模控制律图2 控制系统结构Fig.2 Structure of Control System楚雪平等：基于迭代学习的工业机械臂抗干扰控制方法4=-(P,+k,P)d式中：h一正定矩阵。工业机械臂的关节转动角度跟踪误差为：=q-q设计二阶非奇异快速终端滑模面5 1 s为：s=i+rla|sgn(a)+-lr|sgn(a)式中：正定矩阵;r=m/nivz=m/n2,其中,mivnim,和n2是正奇数,且满足1 T2T2。对式(7)求导得：定义工业机械臂的状态和?如下：M()D(q,)02?=(1)W3LO4JM(a)M-(g)M(a)?2?3L4J然后设计滑模控制律T：T=r:i式中：k2、k s 一正定矩阵;w的估计值;一二阶滑模项，表达式如下：(12)(2)的表达式为：i=+入mls3sgn(s)+s0式中：入、M、一正定矩阵。(3)3.2基于迭代学习的滑模控制律迭代学习是通过选代修正控制输出来达到控制目标的一种智能控制方法，不需要已知控制对象的精确数学模型，能够快速实现对控制对象运动轨迹的精确跟踪1 6-1 7 。这里利用送代学习方法来改进滑模控制律式（1 1），以改善滑模控制的抖振现象，提高控制的稳定性、准确性和鲁棒性。设计第k次迭代学习的滑模控制律T：送代学习工业机械臂TT第8 期3.1滑模控制律机械臂末端的轨迹跟踪误差为：P=P-P式中:P。=x，y。z.工业机械臂末端的期望轨迹指令。则由式(3)得到工业机械臂各关节转动的角度指令为：G()-0.5sP式中：k一迭代学习次数;一第k次选代学习对w的估计值;P一第k次迭代学习时的状态;s一第k次选代学习时的二阶非奇异快速终端滑模面s;U一第k次选代学习的二阶滑模项，表达式描述如下：(4)(5)(6)(7)(8)(9)(10)(11)(13)(14)No.8Aug.2023其中，初始迭代值。=0。设计的表达式为：,=k-I+Anls,/sgn(其中，初始迭代值。=0。在第k次迭代学习的滑模控制律式(1 4)式(1 6)的基础上，设计基于迭代学习的滑模控制律为：Tk+1=k.t,+hsif,=k.ti-+hsdi-2=ket,+ksilt,=kato+ksjo式中：初始控制量t。=0;k 4 k s 一正定矩阵。3.3收敛性分析结论1:设计的基于送代学习的滑模控制律式(1 4)式(1 7)能够确保工业机械臂的运动轨迹收敛。证明：构建复合能量函数1 8 为：13式中：0,对的估计误差，o=,-W。相临2 次迭代学习的复合能量函数变化值E，描述为：11E2134然后将滑模控制律式(1 4)式(1 6)代人式(1 9)化简可得：1AE13因为AE,0,可知结论1 成立1 9 ,即所设计的基于迭代学习的滑模控制律式（1 4)式（1 7)能够确保工业机械臂的运动轨迹收敛。4仿真验证为了验证设计的快速终端滑模控制律的有效性，分别采用文献2 0 的模型预测控制（MPCL)、滑模控制律式(1 1)(SMCL)与基于迭代学习的滑模控制律式(1 7)(ILS-SMCL)进行对比仿真。4.1仿真参数设置设置工业机械臂的初始状态为0；工业机械臂末端的运动轨机械设计与制造迹指令为:x。=(1 0 s i n t)mm、y。=(1 0 c o s t)mm、z。=(3t)mm;设置1s:/sgn(st)(15)(16)(17)(18)2Uh-1Uk-1+1T34nM13干扰为d=0.1sint3xNm;迭代周期为0.2 s。设置控制参数，如表1 所示。参数diag(8,12,8)diag(12,15,2)T29/7diag(4,7,6)diag(5,8,6)k4diag(9,4,7)4.2对比仿真结果为了展示设计的基于迭代学习的滑模控制律(ILS-SMCL)对于工业机械臂的控制效果和优越性，利用实际坐标与指令坐标之间的距离误差ep来衡量定位控制精度，ep的计算方法描述如下：ep=/(x-x)+(y-y.)+(z-z.)(21)按照设置的参数运行，并利用上述三种控制方法控制工业机械臂运动得到的跟踪误差ep，如图3所示。10SMCL8(u)/6sh-1+4(19)2-+00由轨迹跟踪误差仿真结果图3看出：在文献2 0 模型预测控制(MPCL)下，工业机械臂可基本跟上指令信号，最大跟踪误差为8.1mm，误差比较大，效果不理想；在滑模控制律（SMCL)下，工业(20)机械臂的末端能够基本跟踪轨迹指令信号，最大轨迹跟踪误差为4.2mm,跟踪误差仍然较大,控制效果一般；而在基于迭代学习的滑模控制律(ILS-SMCL)下,关节末端能够稳定、准确跟踪指令信号，最大轨迹跟踪误差仅为0.3mm，能够满足精确控制要求。进一步给出了工业机械臂末端对于xyz坐标的跟踪结果，如图4 图6 所示。其中,e,=x-xee,=y-yoe,=z-z.。2010(uu)0-10-20L0表1 控制参数Tab.1 Control Parameters数值MPCL510图3轨迹跟踪误差Fig.3Trajectory Tracking Error指令MPCL510(a)跟踪结果参数k2入ks1520s)SMCL1520t(s)数值diag(3,5,2)5/3diag(6,9,7)diag(3,7,10)diag(8,5,4)diag(6,3,4)-ILS-SMCL2530-ILS-SMCL2530No.814机械设计与制造10模控制律(ILS-SMCL)的最大跟踪误差仅为0.2 mm，误差较小，控MPCLSMCL5(uu)0-5-100Fig.4 Tracking Simulation Results of x Coordinate20指令：10(uu)0-10-200105(uu)/0-5100Fig.5 Tracking Simulation Results of y Coordinate100指令MPCL80(uu)6040200042uiul2Fig.6 Tracking Simulation Results of z Coordinate由轨迹跟踪误差仿真结果图4 图6 可看出：在文献2 0 模型预测控制(MPCL)下，工业机械臂末端的最大跟踪误差为6.2 mm，误差比较大，控制效果不好；在滑模控制律(SMCL)下，工业机械臂末端的最大跟踪误差为3.3mm，误差较大；而基于迭代学习的滑Aug.2023ILS-SMCL制效果较好，能够满足精确控制要求。5平台测试实验为了验证设计的快速终端滑模控制律(ILS-SMCL)对工业机械臂的实际控制效果,选取的实验对象为勃朗特生产的六自由510(b)跟踪误差图4 x坐标跟踪仿真结果MPCL-SMCL510(a)跟踪结果MPCISMCL510(b)跟踪误差图5 y坐标跟踪仿真结果SMCL510(a)跟踪结果MPCLSMCL510(b)跟踪误差图6 z坐标跟踪仿真结果15(s)15t(s)15(s)15t(s)15t(s)202020202025ILS-SMCL2530-SMCL2530-ILS-SMCL25ILS-SMCL25303030度工业机械臂，型号：BRTIRUS2550A，主要应用在搬运作业中，最大负载5 0 kg，臂展2 5 5 cm，其控制系统用来存储执行控制方法，并施加干扰信号。实验中，使机械臂携带2 5 kg负载，分别采用文献2 0 中模型预测控制(MPCL)、滑模控制律(SMCL)与基于迭代学习的滑模控制律式(1 7)对BRTIRU机械臂进行定位精度测试,每次的初始点的坐标为（0,0,0)mm，然后在控制端依次发送1 0 个坐标指令分别为：（1 0 0,1 0 0,1 0 0)mm、（2 0 0,2 0 0,2 0 0)mm、（30 0，300,300)mm、(4 0 0,4 0 0,4 0 0)m m、(5 0 0,5 0 0,5 0 0)m m、(6 0 0,6 0 0,600)mm、(7 0 0,7 0 0,7 0 0)m m、(8 0 0,8 0 0,8 0 0)m m、(9 0 0,9 0 0,900）m m、（1 0 0 0，1 0 0 0，1 0 0 0)m m，然后测量每次定位的实际坐标位置，记录得到实验结果，如表2 所示。表2 实验结果Tab.2 Experiment ResultsMPCL目标点/mm实际误差时间实际误差时间实际误差时间点/mm/mm/s(100,(100.5,100,100.6,0.982.1100.1,0.581.8100.1,0.14 1.2100)100.6)(200,(200.5,200,200.7,200)199.4)(300,(300.6,300,299.3,300)300.8)(400,(400.9,400,399.2,400)400.9)(500,(500.8,500,500.9,500)499.0)(600,(599.1,600,601.0,600)601.1)(700,(701.0,700,701.1,700)698.8)(800,(801.1,800,801.3,800)798.6)(900,(901.3,900,898.7,900)901.6)(1000,(1001.7,1000,1001.5,2.834.11000.9,1.453.71000.0,0.142.21000)998.3)由表2 看出：文献2 0 模型预测控制方法(MPCL)的最大跟踪误差为2.8 3mm，平均运行时长为3.1 1 s，控制精度较差，控制时间较长；滑模控制律（SMCL)的最大跟踪误差为1.4 5 mm，平均运行时长为2.7 8 s，控制精度一般，控制时间也较长；而基于迭代学习的滑模控制律(ILS-SMCL)的最大跟踪误差仅为0.1 7 mm,平均运行时长仅为1.7 3s，控制精度较高，控制时间较短。SMCL点/mm/mm/s点/mm/mm/s(100.1,(100.1,99.9)100.0)(200.1(200.1,1.052.4200.1,0.712.1200.1,0.171.3199.1)199.9)(300.2,(300.0,1.222.6299.8,0.752.3300.1,0.101.5300.1)300.0)(400.5,(400.1,1.392.7399.3,1.052.5399.9,0.17 1.5400.6)400.1)(500.5,(500.0,1.572.9500.6,1.122.9500.1,0.14 1.7500.8)500.1)(599.4,(599.9,1.733.3600.7,1.222.7600.1,0.171.8600.8)600.1)(700.6,(700.1,1.913.5700.8,1.283.1700.0,0.14 2.0699.2)700.1)(800.7,(800.0,2.113.7800.8,1.333.3800.1,0.14 2.1799.2)799.9)(900.8,(900.1,2.433.8899.3,1.423.4899.9,0.17 2.0900.9)900.1)(1000.7,(1000.1,999.1)999.9)ILS-SMCLNo.8Aug.20236结论针对带有未知负载力矩和机械摩擦等干扰的工业机械臂，设计了一种基于迭代学习的滑模控制律，消除了抖振现象，使工业机械臂具有更小的控制误差。通过对比仿真结果表明：设计的基于迭代学习的滑模控制律能够实现对工业机械臂运动轨迹的高精确控制，最大跟踪误差仅为0.3mm，在平台测试试验中，设计的基于迭代学习的滑模控制律也表现出了更优的快速性、准确性和工程实用性，最大跟踪误差仅为0.1 7 mm，平均运行时长仅为1.73s，能够在未知负载力矩和机械摩擦等干扰因素的影响下大幅提高工业机械臂的控制精度。参考文献1李克讷，张增，王温鑫，等.搬运机械臂的初始加速度和速度连续运动规划研究J.现代制造工程，2 0 2 1(4)：4 1-4 7.(Li Ke-ne,Zhang Zeng,Wang Wen-xin,et al.Research on motion plan-ning of transport manipulator with continuous acceleration and velocityat the initial momentJJ.Modern Manufacturing Engineering,2021(4):41-47.)2裴红蕾.机械臂关节空间轨迹的神经网络滑模跟踪控制J.制造技术与机床,2 0 2 0(5):4 3-4 8.(Pei Hong-lei.Manipulator joint space trajectory tracking control basedon neutral network-sliding mode controller JJ.Manufacturing Technol-ogy&Machine Tool,2020(5):43-48.)3陈超，陈贺贺，武姝婷，等.工业机器人机械臂的结构优化J.机床与液压,2 0 2 1,4 9(3)：2 5-2 9.(Chen Chao,Chen He-he,Wu Shu-ting,et al.Structural optimization ofindustrial robot manipulatorJ.Machine Tool&Hydraulics,2021,49(3):2529.)4陈星辰，肖南峰.基于LazyPRM算法的工业机械臂动态避障和轨迹规划及协调作业研究J.重庆理工大学学报（自然科学），2 0 2 0,34（6)：160-166+188.(Chen Xing-chen,Xiao Nan-feng.A dynamic collision avoidance andtrajectory planning and cooperative operation methods based on the im-proved lazyprm for industrial manipulators and hands JJ.Journal ofChongqing Institute of Technology,2020,34(6):160-166+188.)5黄小琴,陈力.漂浮基空间机械臂抗死区与摩擦的动态面控制J.华中科技大学学报（自然科学版）2 0 1 8,4 6(4)：7 4-7 9.(Huang Xiao-qin,Chen Li.Dynamic surface control of anti-dead-zoneand friction of free-floating space manipulator J.Journal of HuazhongUniversity of Science and Technology(Nature Science Edition),2018,46(4):7479.)6侯澈，赵忆文，张弼，等.基于最优激励位姿序列的机械臂负载估计J.机器人，2 0 2 0,4 2(4):5 0 3-5 1 2.(Hou Che,Zhao Yi-wen,Zhang Bi,et al.Load estimation of manipulatorbased on the optimal sequence of exciting posesJJ.Robot,2020,42(4):503-512.)7杨明博,周紫阳.基于滑模自适应控制的双关节机械手轨迹跟踪J.组合机床与自动化加工技术，2 0 2 1(6)：8 1-8 4.(Yang Ming-bo,Zhou Zi-yang.Track tracking of double joint manipula-tor based on sliding mode adaptive controlJ.Modular Machine Tool&Automatic Manufacturing Technique,2021(6):81-84.)8徐宝珍,宋公飞，王超，等.机械臂自适应非奇异快速终端滑模控制.电光与控制,2 0 2 1,2 8(5):4 6-5 0.(Xu Bao-zhen,Song Gong-fei,Wang Chao,et al.Adaptive non-singularfast terminal sliding mode control of manipulatorJ.Electronics Optics&Control,2021,28(5):46-50.)9沙毅刚，王强，何晓晖,等.基于模糊补偿的液压机械臂轨迹跟踪控制机械设计与制造J.信息与控制,2 0 2 1,5 0(2)：1 8 4-1 9 4.(Sha Yi-gang,Wang Qiang,He Xiao-hui,et al.Trajectory tracking con-trol of hydraulic mechanical arm based on fuzzy compensationJJ.Infor-mation and Control,2021,50(2):184-194.)10李正楠,玉枫，张锦，等.多关节机械臂反演滑模神经网络干扰观测器控制J.机械设计,2 0 2 1,38(3)：1 2 6-1 31.(Li Zheng-nan,Yin Yu-feng,Zhang Jin,et al.Disturbance observercontrol of the multi-joint manipulator based on the backstepping slid-ing modes neural networkJ.Journal of Machine Design,2021,38(3):126-131.)11郭新兰，姚利娜.基于RBF-BP算法的工业机械臂轨迹控制与跟踪J.机床与液压,2 0 2 1,4 9(3)：4 1-4 6.(Guo Xin-lan,Yao Li-na.Trajectory control and tracking of industrialmanipulator based on RBF-BP algorithmJJ.Machine Tool&Hydrau-lics,2021,49(3):41-46.)12段书用,李昌洛,，韩旭，等.机械臂动力学分析及关节非线性摩擦模型建立J.机械工程学报，2 0 2 0,5 6(9)：1 8-2 8.(Duan Shu-yong,Li Chang-luo,Han Xu,et al.Forward-inverse dynam-ics analysis of robot arm trajectories and development of a nonlinearfriction model for robot joints JJ.Journal of Mechanical Engineering,2020,56(9):18-28.)13孙绍林.区分快慢变子系统的柔性机械臂控制方法J.机械设计与制造,2 0 2 1(1):1 7 5-1 7 8+1 8 4.(Sun Shao-lin.Flexible manipulator control method by distinguish fastand slow subsystemsJ.Machinery Design&Manufacture,2021(1):175-178+184.)14熊志金，王春燕.采用RBF神经网络滑模控制的几余机械臂避障研究J.中国工程机械学报，2 0 2 0,1 8(3)：2 0 5-2 0 9.(Xiong Zhi-jin,Wang Chun-yan.Research on obstacle avoidance of re-dundant manipulator based on RBF neural network sliding mode con-trolJ.Chinese Journal of Construction Machinery,2020,18(3):205-209.)15刘雪飞，徐向荣,查文斌，等.一种零空间避障的机械臂末端轨迹跟踪算法J.机械科学与技术，2 0 2 1,4 0(7)：1 0 0 9-1 0 1 5.(Liu Xue-fei,Xu Xiang-rong,Zha Wen-bin,et al.A trajectory trackingalgorithm of null space obstacle avoidance for end-effector of manipu-latorsJJ.Mechanical Science and Technology for Aerospace Engineer-ing,2021,40(7):1009-1015.)16 Ghazally I Y,Wang H,Tian Y.Optimized fast terminal sliding modecontrol for a half-car active suspension systems J.International Jour-nal of Automotive Technology,2020,21(4):805-812.17周雅娣，许鸣珠.基于双闭环迭代学习控制的PMSM转矩脉动抑制J.机床与液压,2 0 2 1,4 9(1 3):1 4 2-1 4 5.(Zhou Ya-di,Xu Ming-zhu.Torque ripple reduction for PMSM basedon double loop iterative learning control JJ.Machine Tool&Hydrau-lics,2021,49(13):142-145.)18刘娇龙，董新民，薛建平，等.一类不确定运动系统的空间迭代学习控制J.控制理论与应用,2 0 1 7,34(2)：1 9 7-2 0 4.(Liu Jiao-long,Dong Xin-min,Xue Jian-ping,et al.Spatial iterativelearning control for a class of uncertain motion systems J.ControlTheory&Applications,2017,34(2):197-204.)19 Zhang G W,Wang J,Yang P,et.al.Iterative learning sliding mode con-trol for output-constrained upper-limb exoskeleton with non-repetitivetasksJ.Applied Mathematical Modelling,2021,97(1):366-380.20】吴昊，谭元,郭小龙，等一种基于模型预测控制的柔性关节空间机械臂的轨迹跟踪控制J.空间控制技术与应用,2 0 1 9,4 5(2)：35-4 1.(Wu Hao,Tan Yuan,Guo Xiao-long,et al.A model predictive controlbased trajectory tracking controller design for space flexible joint ma-nipulatorsJ.Aerospace Control and Application,2019,45(2):35-41.)15