基于自适应模糊逻辑和神经网络的双足机器人控制研究

在双足机器人行走控制中,为了改善系统的行走性能,提出了一种基于RBF神经网络前馈控制的力矩补偿控制方法。该方法将自适应模糊控制和神经网络逆模控制有效地结合起来,利用神经网络来逼近系统的逆动力学模型,提高系统了的控制性能,改善了机器人的行走特性。     

绳索牵引式并联机器人神经网络PID控制

分析了一种6绳索6自由度的绳索牵引式并联机器人,基于齐次变换矩阵法建立了机器人运动学和动力学模型,根据其动力学模型及传统PID控制器,基于BP神经网络设计了BP神经网络PID控制器,机器人在运动过程中通过BP神经网络调整PID参数。最后通过仿真将其控制结果与基于传统PID控制器的控制结果进行对比,得出这种控制方法能够提高绳索牵引式并联机器人的控制精度和响应速度。     

基于反演设计的码垛机器人神经网络自适应控制

为了降低机器人系统中各种不确定因素对控制系统的影响,提出了自适应神经网络反演控制方法。该控制方法基于反演设计方法,解决了系统的非匹配不确定性;引入了神经网络自适应控制律和鲁棒控制律,并适当调整控制器参数,实现了无需机器人精确模型信息的控制,也保证了系统的稳定性和收敛性,满足了机器人系统的控制要求。仿真实验验证了该控制方法的有效性。     

机器人关节摩擦建模与自适应RBF神经网络补偿计算力矩控制

目的:补偿机器人关节摩擦力矩,提高关节轨迹跟踪效果。方法:以直流伺服电机和谐波减速器组成机器人关节为对象,基于Stribeck模型建立摩擦模型;采用最小二乘法和Matlab编程辨识模型参数;利用自适应RBF神经网络算法对系统模型参数误差引起的未建模动态进行在线观测;将观测结果补偿到计算力矩控制器中,建立含摩擦模型的自适应RBF神经网络补偿计算力矩控制器,推导出控制参数的约束条件。结果:基于自主设计的机器人关节进行对比实验。实验表明,含摩擦模型的自适应RBF神经网络补偿计算力矩控制追踪误差是无摩擦模型的自适应RBF神经网络补偿计算力矩控制追踪误差的55.12%,是传统计算力矩控制追踪误差的31.28%。结论:本文的控制方法提高了机器人关节轨迹跟踪精度。     

挖掘机器人轨迹的模糊CMAC神经网络控制

在对挖掘机器人工作装置动力学分析的基础上,为克服多变量、强耦合及负载扰动对轨迹控制系统的影响,提出了模糊CMAC神经网络与常规控制相结合的控制方法,使神经网络逼近挖掘机器人工作装置逆动力学模型,很好地解决了轨迹控制的问题.利用MATLAB进行仿真研究,结果表明该控制方法具有较高的控制精度和鲁棒性,满足挖掘机器人轨迹控制的要求.     

基于非零和博弈的自适应人机协作系统设计

为了提高人机协作的协调性,本文设计了基于非零和博弈的自适应人机协作系统,系统由互相解耦的内外环构成。在外环中,通过引入非零和博弈的方法设计人机协作策略,构建关于人力和机器人控制输入的能量函数,通过求解博弈中的纳什均衡达到最优控制。针对能量函数中的不确定参数,采用神经网络估计器进行更新,以估计人和机器人的力。并且通过设计神经网络函数的中心值,获得机器人控制力与跟踪误差的关系,保证控制方法的跟踪性。在更新过程中自适应调整刚度系数,实现人机柔顺协调。另外,在内环中设计了神经网络控制器,采用径向基神经网络,基于实时采集的机器人系统输入输出数据逼近控制器中未知非线性的机器人动力学模型,提高了系统跟踪精度。仿真结果验证了本文方法的有效性。     

机器人系统中操作环境动力学模型研究

研究了机器人操作环境的动力学模型,提出了一种基于径向基函数(RBF)神经网络的机器人系统中环境非线性动力学模型新的建立方法,阐述了其建模机理和算法.结果表明,采用RBF神经网络对机器人系统中的操作环境建模比用BP神经网络有更高的精度,其网络训练速度也大大快于BP神经网络.     

基于PB递归神经网络的陪护机器人多模式交互控制方法

本文提出了一种基于PB递归神经网络(RNNPB)算法的陪护机器人多模式交互控制方法.首先,提出了一种包含多模式交互、交互识别与交互决策等智能体组成的陪护机器人多模式交互框架,然后,将基于PB的学习算法应用于陪护机器人的交互过程,形成了一种基于RNNPB模型的陪护机器人多模式交互控制方法,通过交互状态识别及决策判断结果进行交互输出,实现了陪护机器人交互过程中复杂任务的规划和交互的学习适应.实验验证了该交互控制方法的有效性.     

一种舵机组合控制策略的书写机器人设计

本文讨论了受控制驱动力、外界扰动及参数不确定的一种舵机组合控制策略的书写机器人设计。首先,构建多舵机组合机械臂模型及其旋转拟合空间,解算并采集其正、逆运动学和动力学的仿真样本数据训练RBF神经网络自适应策略控制器,分析多舵机组合控制后的关节转角轨迹曲线及系统响应特性;进而,针对书写机器人组合舵机的运行轨迹目标跟踪末端书写过程,完成4自由度和6自由度舵机关节三维空间坐标的建模和仿真,采用RBF神经网络自适应策略和PNN神经网络策略完成书写机器人末端位置控制,比较两种控制策略的书写机器人末端控制过程的位置误差精度参数。研究表明,根据舵机组合控制策略进行书写机器人的建模与分析的特征参数,进行设计相应的书写机器人控制系统,笔尖末端轨迹运行控制能够5s内执行上位机指令,文中设计的硬笔书写机器人和软笔书写机器人都能写出具有良好辨识度的图形格式。     

月球机器人高精度定位模糊神经网络直接自适应控制

针对常规模糊控制的不足,提出一种模糊神经网络直接适应控制,它结合了模型控制、神经网络控制和自适应控制的优点,实现了模糊控制的智能化,并将其应用于月球机器人的定位控制中。仿真证明了该方案的优越性、有效性和可行性。     

基于神经网络的冗余度机器人运动学控制

对于冗余度机器人，本文用神经网络来实现机器人的速度逆运动学。使用的神经网络为具有背传算法的多层感知器。应用权值表来存储不同性能准则时求解速度逆运动学的神经网络的权值。仿真结果验证了神经网络技术应用的控制有效性。     

柔性关节空间机器人基于神经网络的自适应反演控制

讨论了载体位姿无控情况下,漂浮基柔性关节空间机器人的关节运动控制器设计问题。利用系统动量、动量矩守恒关系及拉格朗日法,建立了空间机器人的动力学模型。为实现系统关节运动控制目标,借助于神经网络函数逼近技术,提出了一种柔性关节空间机器人的自适应反演控制方案。所提控制方案无需预知系统各惯性参数的真实信息,且可避免对载体位置相关量进行实时地测量与反馈,因此较适于实际应用。数值仿真结果表明:上述控制方案可使系统各柔性关节的振动较小,并能够有效地控制空间机器人完成所期望的关节运动。     

小波神经网络的水电机组自适应逆控制

针对水电机组的非线性和结构参数易变化且具有时变和非最小相位的特点,依据神经网络的自学习特性和小波分析的逼近能力,提出了一种基于小波神经网络(WNN)的水电机组自适应逆控制方法.该方法用小波神经网络逼近被控对象的正、逆模型,通过构造控制加权的广义目标函数,推导出一种对非最小相位系统能实现有效控制的小波神经网络自适应逆控制律,理论分析和对水电机组仿真实验均表明,文中提出的控制策略比采用神经网络控制能更好地改善水电机组的动态性能,证明了该方法的有效性.     

汽轮机故障诊断的遗传神经网络法

阐明了遗传算法与神经网络结合的必要必邮多层感知器神经网络作为遗传搜索的问题表示方式的思想。设计了遗传神经网络故障诊断模型,用这种新方法解决了汽轮机多故障诊断问题。新方法可以简化神经网络的结构并逃逸局部极小。诊断结果与实际相符,从而验证了该方法的有效性和实用性。     

基于神经网络的固体火箭发动机比冲性能的预示研究

将神经网络方法引入了固体火箭发动机的比冲性能预测,该方法避开了系统具体规律分析以及相应数学模型建立所带来的困难,直接用神经网络模型来模拟真实的系统关系。采用了一种改进的Ⅱ型RBF神经网络,克服了传统的RBF神经网络径向基函数个数未知的缺陷,并将其预测结果与传统的BP神经网络的预测结果进行了比较。     

柔索驱动并联机器人定位误差的柔性补偿法

提出了用人工神经元网络(ANN)补偿大射电望远镜(LT)中柔索驱动并联机器人(WDPR)系统动平台位姿误差的方法.为了提高WDPR的运动精度,建立了3种可行的误差补偿方案,并运用Levenberg-Marquart(L-M)算法训练了相应的3个神经元网络.标定仿真显示,基于索长补偿的柔性标定方案比基于动平台位姿补偿的标定方案好.研究结果为提高LT舱索系统的控制精度奠定了理论基础.     

Control chart pattern recognition using back propagation artificial neural networks

In this paper, control chart pattern recognition using artificial neural networks is presented. An important motivation of this research is the growing interest in intelligent manufacturing systems, specifically in the area of Statistical Process Control (SPC). Online automated process analysis is an important area of research since it allows the interfacing of process control with Computer Integrated Manufacturing (CIM) techniques. Two back-propagation artificial neural networks are used to model traditional Shewhart SPC charts and identify out-of-control situations as specified by the Western Electric Statistical Quality Control Handbook , including instability patterns, trends, cycles, mixtures and systematic variation. Using back propagation, patterns are presented to the network, and training results in a suitable model for the process. The implication of this research is that out-of-control situations can be detected automatically and corrected within a closed-loop environment. This research is the first step in an automated process monitoring and control system based on control chart methods. Results indicate that the performance of the back propagation neural networks is very accurate in identifying control chart patterns.