全方位移动机械手运动控制Ⅰ——建模与控制

针对一类由轮式驱动全方位移动平台和机械臂所组成的全方位移动机械手,首先通过对机械结构和运动特性的分析,建立一体化运动学模型,并利用拉格朗日力学法建立动力学模型,分析这两种模型的运动性质.然后根据所建立的模型,分别设计轨迹跟踪控制器,并对控制器的稳定性予以证明.在基于动力学模型的轨迹跟踪控制器中,通过结合全方位移动平台的运动学模型和全方位移动机械手的动力学模型,定量地分析移动平台运动状态对机械臂的耦合作用,并在相应的轨迹跟踪控制器中予以补偿.仿真结果不仅显示所提出两种模型的正确性和相应轨迹跟踪控制器的有效性,而且也说明所述方法可以作为一类移动机械手通用的建模和控制方法.     

基于RBF的机械手无需模型自适应控制研究

针对机械手存在的扰动等未知模型,提出了基于RBF神经网络的自适应控制策略.采用RBF神经网络对机械手动力学模型在线自学习,并根据Lyapunov稳定性理论建立了网络权值自适应学习律,确保了网络逼近误差的收敛及系统的稳定.以平面转动双臂机械手轨迹跟踪为例进行仿真,结果表明该方法能够有效地补偿建模误差,实现了无需模型的机械手自适应控制,提高了系统的控制性能及对外部不确定扰动的鲁棒性,对实际工业机械手的自适应控制具有一定的可操作性.     

热加工用机械手末端轨迹跟踪控制方法研究

分析机械手横纵向移动、旋转和伸缩等不同动作的动力学,利用拉格朗日法构建机械手动力学模型,以此计算热加工作业时机械手末端移动轨迹误差。考虑机械手移动惯性、重力和向心力角位移等多重因素,设计前馈控制器,将移动轨迹点作为神经网络训练集,通过多次迭代完善轨迹点数据库,利用距离加权法修正轨迹点值,通过控制机械手末端惯性问题完成机械手末端轨迹跟踪控制。仿真实验证明,所提方法路径跟踪误差小,控制稳定性好、响应快,可适用范围广。     

增益自适应滑模控制器在微型飞行器飞行姿态控制中的应用

针对微型飞行器的姿态角摄动引起的系统不确定性及外界干扰等问题,提出了基于区间二型模糊神经网络辨识的增益自适应模糊控制器.首先,给出了微型飞行器姿态动力学模型.然后,采用区间二型模糊神经网络对滑模控制器中由于姿态角摄动引起的系统不确定性进行在线辨识,通过增益自适应滑模控制器中的校正控制项对辨识误差及负载干扰进行补偿.最后,通过设计李亚普诺夫函数,得到闭环系统一致稳定条件下的区间二型模糊神经网络参数在线调整的自适应律及滑模增益自适应律.仿真对比表明,与传统的增益自适应滑模控制器和基于一型模糊神经网络辨识的滑模控制器及相比,本文提出的控制器不仅对系统的不确定性因素及外界干扰具有较强的鲁棒性,而且稳定误差小,跟踪精度高.     

基于自适应滑模控制的四轮全向移动机器人轨迹跟踪方法研究

针对四轮全向移动机器人动力学模型参数的不确定性以及外部扰动的影响,为提高其轨迹跟踪控制性能,提出了一种基于自适应滑模的四轮全向移动机器人轨迹跟踪控制方法。首先,基于驱动电机参数建立了机器人的动力学模型,在此基础上设计了一种自适应滑模轨迹跟踪控制器;其次,通过低通滤波器滤除轨迹跟踪控制器输出端的高频信号,同时为实现机器人动力学参数的在线估计,提出了一种参数自适应控制算法并利用RBF神经网络实时调整轨迹跟踪控制器的切换增益,以减小系统的抖振;最后,为验证所述方法的有效性,采用MATLAB进行了仿真实验。仿真结果表明,基于自适应滑模控制的四轮全向移动机器人轨迹跟踪方法可以较好地降低参数变化、外部扰动对系统的影响,能够减小系统的抖振,具有较好的抗干扰能力。     

机械手鲁棒自适应PD控制

针对工业机械手的轨迹跟踪问题,设计了一种鲁棒自适应PD控制策略,避免了初始输出力矩过大的弊端.考虑将控制器分为非线性补偿控制和PD反馈控制两部分,机械手的不确定动力学部分由回归矩阵构成的自适应控制器进行补偿,实现了对机械手的运动控制.通过计算机仿真结果验证了所提出控制策略的有效性,能够很好地跟踪期望轨迹.     

麦克纳姆轮移动底盘的自适应滑模控制器设计

针对麦克纳姆轮移动机器人的轨迹跟踪问题,设计了一种自适应滑模控制器。首先,考虑外部干扰以及参数变化,建立了麦克纳姆轮移动机器人的运动学和动力学模型,在动力学模型的基础上设计一种自适应滑模轨迹跟踪控制器。其次,为了实现较好的运动控制,径向基神经网络被用来在线逼近动力学模型中的不确定项。同时,具有σ修正的自适应学习法则被用来估计未知的参数。再者,利用Lyapunov理论分析了该控制方法的稳定性和鲁棒性。最后,仿真结果验证了所提出控制器的有效性。     

基于RBF神经网络的谐波传动自适应反演控制研究

由于自身结构上的特点，谐波传动系统存在柔性变形、摩擦和外界不确定干扰等非线性因素。传统控制器大多对系统进行了一定程度的简化，或未考虑非线性外界扰动，导致所设计的控制器性能达不到预期效果。为了提高系统精度，建立了考虑系统非线性刚度和非线性摩擦的谐波传动系统动力学模型；基于试验数据，采用最小二乘法对模型进行参数辨识；采用径向基函数（Radial Basis Function,RBF）神经网络在线逼近系统非线性摩擦和外界不确定干扰力矩，并提出了一种基于RBF神经网络的自适应反演控制器；利用Lyapunov稳定性理论，证明了其闭环系统的收敛性。仿真结果表明，与普通Back-stepping控制相比，在受到外界未知干扰后，所提出的RBF神经网络自适应反演控制能有效地逼近系统非线性摩擦和外界未知干扰，其跟踪误差峰-峰值能迅速稳定到0.000 82 rad；而Back-stepping控制对外界未知干扰比较敏感，其跟踪误差峰-峰值增大至0.012 3 rad左右。所提出的RBF神经网络自适应反演控制能抑制参数动态变化和外界干扰对系统传动精度的影响，提高系统的传动精度。     

无模型机械臂BP神经网络状态观测及反演跟踪控制

针对摩擦阻尼及模型参数不确定的情况,运用反演控制设计策略,针对多连杆机械臂提出了一种基于神经网络观测器的无模型轨迹跟踪控制方法。运用带有修正项的自适应BP神经网络观测器对不可测状态量进行观测,同时对系统模型进行在线逼近。在此基础上设计了基于观测状态和逼近模型的反演跟踪控制器, Lyapunov稳定性理论证明了该控制器能够保证跟踪误差的有界和闭环系统中所有信号的有界。跟踪给定轨迹的仿真实验证明了该方法的有效性。     

工业机器人的鲁棒有限时间稳定性跟踪控制

考虑工业机器人系统存在的参数未知、负载突变及外界干扰等各种不确定性,提出了一种有限时间稳定性的轨迹跟踪控制方法.该方法利用时延实时在线估计系统的各种不确定性和实际动力学特性,其估计误差由变结构项进行补偿,因而具有较强的鲁棒性和抗干扰性能,并且不需要机器人系统复杂的动力学模型知识.理论分析证明了机器人的闭环系统是有限时间稳定的,收敛速度快,跟踪精度高.通过对2自由度工业机器人的数值仿真说明了该算法的有效性.     

基于T-S模糊神经网络的机械手轨迹跟踪

以两自由度并联机械手为研究对象,提出了一种以T-S模糊神经网络作为反馈器,以粒子群算法优化的BP神经网络学习作为前馈控制器的机械手自适应轨迹跟踪方案。并运用ADAMS软件建立虚拟样机模型与Simulink进行联合仿真实验。仿真结果表明设计的控制方案能够较好地控制机械手的轨迹跟踪。     

多连杆机械臂GA-RBF神经网络轨迹跟踪控制

针对多连杆机械臂模型系统信息不完整、存在外界干扰等问题,设计了一种新型的GA-RBF神经网络闭环自适应控制系统。该系统利用径向基函数(RBF)神经网络来逼近并补偿系统的模型误差和外界扰动,在基于计算力矩法的基础上实现对机械臂的轨迹跟踪控制,并采用遗传算法(GA)对RBF神经网络权值进行在线优化,确保机械臂控制系统能在更短时间内获得稳定,实现了高精度的轨迹跟踪,提高了轨迹跟踪的性能。MATLAB数值仿真的结果验证了该方法的有效性。     

基于小脑模型关节控制器的水下机械手复合运动控制的研究及仿真

水下机械手系统是一个高度非线性强耦合的作业系统,作业环境非常复杂且受到强干扰.考虑水动力对水下机械手的作用,推导了水下机械手的动力学模型;提出了一种基于小脑模型关节控制器与PID的复合控制算法,使水下机械手具有在线学习能力,能适应复杂的水下作业环境.以二关节水下机械手为例,利用MATLAB/Simulink对水下机械手的作业控制进行了仿真研究,结果证明,该控制方法和动力学模型可以有效地用于水下机械手的控制研究.     

移动机械手的智能控制

针对移动机械手的高度非线性、强耦合的特性,依据智能控制理论,本文提出了一种移动机械手的模糊神经网路的控制方法.整个控制系统由两部分组成,包括机械手的模糊控制以及移动平台的模糊神经网络控制,并对其进行仿真.实验结果证明该方法对移动机械手的轨迹跟踪的有效和准确性.     

水下机械手分数阶积分滑模轨迹跟踪控制方法研究

针对未知有界外部干扰下水下机械手的轨迹跟踪问题,提出了一种分数阶积分滑模控制方法。该方法采用了基于分数阶积分滑模面的指数趋近律,考虑外部扰动,在模型中添加了外部扰动的近似估计项,使得系统可以实现快速收敛,且具有较强的抗干扰能力。利用李雅普诺夫理论证明了该方法的稳定性。对六自由度水下机械手的跟踪问题进行了仿真,结果表明,该控制方法具有良好的轨迹跟踪能力,且对外部干扰表现出良好的鲁棒性。     

无速度反馈的双臂空间机器人模糊滑模控制

针对存在不确定性且无速度反馈的自由漂浮双臂空间机器人关节轨迹跟踪控制问题,提出了一种基于状态观测器的模糊滑模控制方法.根据双臂空间机器人完全驱动动力学方程以及运动学方程,建立自由漂浮状态下系统的关节空间动力学方程.利用模糊系统的万能逼近特性对系统不确定部分进行逼近,并设计状态观测器在线估计系统关节运动的角速度信息.以关节角度和观测器获得的关节角速度作为系统状态反馈,在传统滑模控制方法基础上,进一步考虑系统惯性参数未知导致的建模误差,设计模糊滑模控制器,实现了双臂空间机器人系统关节角度的轨迹跟踪控制.数值仿真验证了所提控制方法的有效性.     

参数在线辨识的交流位置伺服系统前馈控制

研究了基于前馈控制的交流位置伺服系统的轨迹跟踪控制问题。提出一种自适应模型参数在线辨识的改进方法,用以快速、有效地辨识出模型参数的变化,并应用到前馈控制器中。研究结果表明,基于模型参数在线辨识的前馈控制可以实现位置伺服系统的高速、高精度跟踪控制。     

平面二自由度五杆机构BP神经网络整定PID控制

针对平面二自由度五杆机构的轨迹跟踪问题,设计了一种基于BP神经网络整定的PID控制方法。该控制方案利用BP神经网络学习辨识机构系统的未知非线性动态,可以在线调整PID控制参数,以实现高精度控制。仿真结果显示该控制策略可以精确实现对于五杆机构的轨迹跟踪控制,该方法具有较好的自适应性和鲁棒性。     

基于神经网络辨识的变增益控制在遥康复中的应用

在患者进行遥康复训练时,肌肉痉挛会对遥康复训练系统稳定性及从机械手速度平滑性产生较大的影响.针对这些问题提出了一种新的基于BP神经网络辨识的变增益控制方法.通过BP神经网络实时辨识患肢动力学参数并根据其变化进行自适应调整控制增益,不仅消除了因患者肌肉痉挛带来的不稳定性,而且减少了其对系统运动平滑性的影响,可提高康复训练效果.分析和仿真试验结果表明,该控制方法与传统的控制方法相比,可有效地抑制患者因肌肉痉挛带来的干扰并具有较好的稳定性和平滑性.     

基于TSK型递归模糊神经网络的永磁直线同步电机位置控制研究

针对基于磁场定向控制的永磁直线同步电机(PMLSM)伺服系统的位置精准控制问题,提出了一种TSK型递归模糊神经网络(TSKRFNN)控制方法。在考虑了系统易受参数变化、外部扰动和摩擦力等不确定性因素影响的基础上,建立了含有不确定性因素在内的PMLSM动态数学模型;利用TSKFRNN对系统同时进行了实时在线的结构学习和参数学习,提高了系统抑制不确定性因素的鲁棒性,保证了系统的动态跟踪性能。实验及研究结果表明:与模糊神经网络PID控制方法相比,TSKFRNN可以有效辨识电机参数,抑制系统的不确定性对系统伺服性能的影响,提高了系统的鲁棒性和跟踪性能。