基于神经网络的机械手轨迹跟踪控制器优化设计

针对机械手运行时存在外界干扰、难以高精度控制等问题,设计了一种基于RBF神经网络的机械手轨迹跟踪鲁棒控制器。在该控制器中,根据机械手动力学模型中的确定项建立控制率,用神经网络逼近系统中的不确定项,用鲁棒控制处理外部干扰的能力抑制神经网络的逼近误差,在Matlab Simulink平台上搭建控制框图,对二自由度机械手进行轨迹跟踪控制仿真,最后优化控制器中的参数,寻求更优的控制效果。结果表明,该控制器能够完成轨迹跟踪控制任务,经过参数优化后的控制器控制效果更佳。研究结果可为今后的机械手轨迹跟踪控制的深入研究奠定基础。     

基于MATLAB的双关节机械手控制系统仿真研究

针对机械手传统控制器控制精度低的问题,设计了一种不依赖机械手精确的数学模型的变论域模糊控制器。首先,根据拉格朗日方程,建立机械手的动力学模型;其次,设计变论域自适应模糊控制器,运用layapunov函数证明控制器的稳定性;最后对传统的PID控制和变论域模糊控制对机械手的高精度轨迹跟踪控制进行MATLAB/Simulink仿真分析和对仿真结果进行比较。仿真结果证明:变论域自适应模糊控制器对机械手的轨迹跟踪控制精度比传统的PID控制的控制精度高,稳态误差小,且鲁棒性、抗干扰能力强,响应速度快,验证了变论域自适应模糊控制的有效性。     

3-RRRT并联机器人轨迹跟踪控制研究

为了实现3-RRRT并联机器人的轨迹跟踪控制,在运动学分析的基础上,应用拉格朗日方程建立了3-RRRT并联机器人的动力学模型。设计了基于计算力矩算法的控制律,并利用Matlab软件进行了控制器仿真。仿真表明计算力矩控制可以使3-RRRT并联机器人实现全局稳定的动态轨迹控制。     

SCARA机械手的RBF神经网络自适应轨迹跟踪控制

为了解决机械手系统模型存在参数变化、强耦合、高度非线性等不确定性因素,提出基于RBF神经网络机械手自适应控制方法。该方法利用RBF神经网络的自适应、容错、并行处理及非线性映射能力,从而实现了无需机械手精确模型信息的控制。通过Matlab/Simulink环境下的仿真实验表明,该方法可实现对SCARA机械手的位置跟踪控制,通过控制算法适时地修正网络参数,实现对非线性系统任意轨迹的轨迹跟踪控制,具有良好的控制品质。     

基于虚拟样机的DELTA并联机械手动力学仿真和伺服选型

通过编程逆解DELTA机械手最大运动空间轨迹;采用虚拟样机技术,利用ProE/Mechanism和ADAMS软件对DELTA并联机械手进行动力学仿真,对比验证机构仿真结果,得出驱动轴运动参数;在此基础上,提出一种伺服电机精确选型的新方法。所建立的虚拟样机模型也为DELTA机械手的研究提供了一个运动学分析和控制的平台。     

高速并联机械手轨迹规划及数值仿真

在运动学分析和动力学分析的基础上,针对抓放操作的需要,在操作空间研究diamond高速并联机械手的两种轨迹规划方式：正弦运动规律和34-5次多项式运动规律,借助数学工具MATLAB,计算出速度、加速度、力矩、电机功率等运动学参数值和动力学参数值,并进行计算机数值仿真,比较两种运动规律的优缺点,可作为控制机械手运动的优选依据。     

基于Koopman算子的差速驱动AGV数据驱动控制

针对差速驱动AGV(automated guided vehicle)动力学的非线性、强耦合性、以及未建模问题导致无法建立精确模型进行轨迹跟踪控制任务，为此提出一种基于Koopman算子的数据驱动控制策略(koopman data-driven control, KDC)。首先，基于Koopman算子理论，利用扩展动态模态分解(EDMD)方法，得到了该AGV系统的近似高维线性动态显式表达式，即Koopman算子的近似表达。然后，基于导出的该高维线性Koopman动态表达式，设计线性模型预测控制器(MPC)实现AGV轨迹跟踪控制。最后，通过仿真测试对Koopman模型进行了对比验证，同时仿真实验验证轨迹跟踪效果，结果表明从数据中获取的模型信息精确，能高度拟合AGV的动力学模型，所设计的控制策略计算耗时少，在轨迹跟踪控制的精度和稳定性方面具有一定的有效性和先进性。     

论域自适应变化的不确定机械臂模糊补偿控制

为了提高不确定机械臂系统在扰动工况下的轨迹跟踪精度,设计了论域自适应变化的模糊补偿控制器。以二自由度机械臂为研究对象,建立了机械臂系统的动力学模型,设计了模糊补偿控制器的整体方案。提出了模糊控制参数论域随跟踪误差自适应变化的思想：当跟踪误差较小时,参数论域随之减小,有利于提高控制精度;当跟踪误差较大时,参数论域随之增大,有利于控制过程收敛;基于Lyapunov稳定性分析,给出了补偿力矩系数的自适应变化律。经仿真验证,论域自适应模糊补偿控制器对期望轨迹跟踪误差的最大值和方均根均远小于传统模糊补偿控制。仿真结果表明在扰动工况下,论域自适应模糊控制器对不确定机械臂的轨迹跟踪控制是有效的,且在控制精度和速度方面具有一定优越性。     

基于模糊神经网络补偿的刚性机械手轨迹跟踪鲁棒控制

对存在模型误差和外部扰动信号的刚性机器人,提出采用计算力矩和模糊神经网络补偿相结合的控制方法,实现了刚性机器人轨迹跟踪鲁棒控制.该控制方案不仅可以简单得到精确在线训练数据,而且克服了神经网络控制实时性差的弱点.仿真结果表明,采用模糊神经网络作为补偿控制器,既能消除不确定性对系统的影响,又能得到渐近收敛的跟踪误差.     

平面三自由度欠驱动机器人轨迹跟踪控制

对平面3R欠驱动机器人的轨迹跟踪控制问题进行了研究,该机器人有两个驱动关节和一个自由关节.利用拉格朗日方程建立了该机器人的动力学模型.依据该动力学模型,分析了该类机器人的特点,并设计了一种模糊控制方法.控制系统根据模糊逻辑控制器输出量得到主动关节的控制力矩.利用主动关节和被动关节之间的动力学耦合作用,控制被动关节,以实现机器人末端的直线轨迹跟踪任务.采用该控制方法,对控制过程进行了数值仿真,结果表明该方法具有可行性.