基于神经网络的机器人模型参考自适应控制的研究

提出一种新的基于神经网络的机器人模型参考自适应控制方法,采用动态对角回归神经网络作为辨识器和控制器,实现了机器人轨迹跟踪的最小误差控制,给出了神经网络的学习算法,通过实例仿真证明了控制方法应用于未知模型机器人系统的正确性和有效性。     

基于扰动观测器的铆接机器人轨迹跟踪控制

为解决铆接机器人工作时外部干扰造成系统抖震大，轨迹跟踪精度较低问题，设计一种扰动观测器与分数阶滑模控制器组合的自适应控制方法。首先，通过引入时延估计策略建立铆接机器人的局部动力学模型，利用扰动观测器实时观测系统模型所受的可见干扰；其次，针对系统产生的抖震问题，设计分数阶滑模面替代传统滑模控制，采用新型趋近律使系统在切换面上能够连续平稳运动，针对系统所受的不可见干扰，设计自适应策略实现对外部干扰的完全补偿；最后，通过Lyapunov函数证明所设计控制器的有效性。以三自由度机器人进行仿真及实体试验，结果表明，相较于分数阶滑模控制，采用该控制器后机器人各关节的追踪误差峰值分别下降了50%,59%和63%,从而验证了该控制器不仅能有效消除系统所受较大干扰产生的抖震问题，而且提高了铆接机器人作业时的鲁棒性和轨迹跟踪精度。     

应用于圆饼工件分拣的码垛机器人自适应积分滑模控制

目的 针对存在系统未建模特性和负载变化下码垛机器人关节空间轨迹跟踪控制的问题,设计一种基于结合时延估计技术与自适应积分滑模面的控制策略。方法 根据圆饼工件分拣需求,设计一款桌面式码垛机器人系统,推导机器人的运动学与动力学模型,给出关节空间轨迹规划算法,并基于无模型思想设计关节空间轨迹跟踪控制器。结果 利用雅克比伪逆法可反解出机器人的关节角;通过所提的轨迹规划算法能有效获得各关节运动轨迹;与PID控制器和积分滑模控制器相比,文中所提控制器具有较好的控制精度、较强抗干扰性和较高的鲁棒性。结论 仿真和实验结果表明,所设计的基于时延估计技术的自适应积分滑模控制器是合理的,能使得码垛机器人完成圆饼工件的分拣任务,具有一定的工程应用价值。     

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。     

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。     

RBF模糊神经网络在刚性机械臂控制中的应用

为了提高刚性机械臂轨迹跟踪控制的精度,本文在分析RBF神经网络与模糊逻辑系统的函数等价性基础上,提出了一种基于T-S型模糊推理方法的RBF模糊神经网络,设计出基于RBF模糊神经网络的工业机器人控制器.研究发现,与普通的模糊神经网络相比,该网络结构简单,层数少,训练速度快,能自动寻优,通过在线调整网络隶属函数的中心值和宽度,优化了模糊规则,实现了对非线性系统的高精度轨迹跟踪控制,而且表现出有效性和鲁棒性.     

基于自适应浸入与不变的VTOL飞行器跟踪控制

针对输入存在不确定干扰的垂直起降(VTOL)飞行器的跟踪控制问题,提出了一种基于自适应系统浸入与不变(II)的控制方案:对于不确定性输入干扰,采用自适应II方法对于扰进行实时估计补偿;为便于控制器设计,采用系统分解技术将原系统解耦成一个最小相位误差子系统和一个非最小相位子系统,将原系统的输出跟踪问题转换为两个误差子系统的镇定问题。基于自适应II估计律和滑模变结构控制方法分别设计了两个子系统的控制器,所设计的控制器能够保证两个闭环子系统指数稳定。仿真结果表明,上述控制方案在干扰估计精度和收敛速度方面明显优于传统自适应估计方法,能够实现飞行器对给定轨迹的准确跟踪,同时抑制输入干扰对系统性能的不良影响。     

不同重力环境下的柔性关节空间机械臂自适应鲁棒控制

研究了柔性关节空间机器人在不同重力环境下的轨迹跟踪控制。首先建立了地面重力环境下和空间微重力环境下的柔性关节机器人模型,这两个模型均考虑了摩擦带来的影响,然后提出一种基于奇异摄动理论的自适应鲁棒控制柔性关节空间机械臂的方法。该方法为被控对象中的重力项设计了自适应律来实时估计补偿,并加入鲁棒项对逼近误差和其它干扰项进行补偿。用该方法设计了控制器系统,并对其进行了稳定性分析和仿真研究。仿真结果表明,该控制器可以有效消除重力环境变化带来的影响,也可以有效抑制柔性关节引起的系统高频谐振等问题,具有很好的跟踪效果,对柔性关节空间机器人的轨迹跟踪控制具有重要的工程应用价值。     

闭链双臂空间机器人动力学建模及力矩受限情况下载荷运动自适应控制

讨论了在输入受限的情况下,漂浮基双臂空间机器人抓持负载后转移目标过程中的建模与自适应控制问题。利用拉格朗日第二类方程建立了开链空间机器人系统动力学模型,之后结合闭链系统的闭环约束条件,获得了闭链双臂空间机器人系统的动力学方程。在这个基础上,考虑到双臂空间机器人及负载存在参数不确定,系统存在外部扰动及输入力矩有限的情况,设计了自适应控制方案,以完成对载荷位置和姿态运动的精确控制。由带饱和函数的控制律限制输入力矩,采用自适应控制器逼近系统的不确定度。方案中利用高精度滤波器估计系统速度及角速度,从而仅需测量其位置信息。通过Lyapunov方法证明了系统的稳定性。最后通过数值仿真实验模拟了平面双臂空间机器人转移目标过程,并证实了上述控制方案的有效性。     

基于神经网络的机械臂高阶滑模控制

针对多关节机械臂控制系统的设计中机械臂模型参数未知和外在干扰的抖振问题,提出一种基于神经网络的机械臂高阶滑模控制,并在快速终端滑模面的基础上,利用饱和函数解决了奇异问题,采用径向基神经网络(RBFNN)近似估计系统参数,增加了误差估计器补偿估计误差和外部干扰。同时,设计了一种具有适当更新律的自适应有限时间控制律。实验表明：该控制方法在机械臂轨迹跟踪表现更优,具有可行性和优越性。     

基于神经网络自适应算法的机械手控制器的设计与仿真

该文根据Lyapunov稳定性理论,建立了机器人机械手的动力学模型,设计了控制器并分析了其稳定性。采用S-函数和M文件实现被控对象模型的描述和设计。通过Simulink程序的调用,完成相应控制器的仿真过程。综合利用不同的控制方法分别对单臂和双臂机械手控制器进行设计和仿真。仿真结果表明,采用RBF神经网络可以实现对机器人动力学方程中未知部分的精确逼近,从而可通过在线建模和前馈补偿,实现对机器人的高精度跟踪,其结果与被控对象已知时基本一致,控制性能良好。     

一种改进机器人计算力矩控制的神经网络补偿方法

提出了一种由计算力矩控制器和神经网络补偿控制器相结合的机器人控制方案,探讨了用线性神经网络补偿机器人计算力矩不确定性误差的方法.推导了网络权值的自适应调整律,并证明了系统的稳定性和跟踪误差的收敛性.所提方案结构简单,鲁棒性强,且神经网络补偿器有较好的适应性,无需事先知道机器人动力学参数和结构的精确值.对某打磨机器人轨迹跟踪的实验结果表明所提方案具有很好的鲁棒性和抗干扰能力.     

执行器受限空间机器人的模糊神经网络控制

空间机器人关节执行器输出力矩幅值及幅值变化率受限的情况,是其在太空应用中不可避免要面临的实际问题。为此该文讨论了关节执行器输出力矩幅值及幅值率受限情况下参数未知空间机器人系统协调运动的动力学控制问题。依据系统动量守恒关系和拉格朗日第二类方程,推导了漂浮基空间机器人系统的动力学方程。以此为基础,针对关节执行器输出力矩幅值及幅值率受限的情况,设计了一种自适应模糊神经网络控制器,以使空间机器人系统的本体姿态和机械臂关节铰协调地跟踪各自在关节空间的期望运动轨迹。该控制方案由自适应模糊神经网络控制器及抗饱和参数自适应律构成。首先利用有限差分法将幅值率受限条件转化为幅值受限条件,并与该文预设的力矩受限条件比较以确定每个采样时刻的力矩动态受限范围;然后再通过设计一个抗饱和参数自适应律来确保执行器的输出力矩在动态受限范围内。基于Lyapunov稳定性理论证明了该控制器可确保控制系统是渐近稳定的。仿真对比实验证明了该控制方案的有效性。     

基于自适应模糊补偿的不确定性机器人CNF控制

为解决不确定性因素对机器人系统的影响,实现不确定性机器人系统准确跟踪参考输入的能力,研究了自适应模糊控制和组合非线性反馈(CNF)控制相结合的策略。提出了一种基于自适应模糊补偿的机器人CNF控制器。核心是将系统的不确定性利用自适应模糊控制进行在线逼近,作为CNF控制器的补偿项,充分利用两种控制方法的优势,降低不确定性因素对系统性能的影响。通过反馈线性化技术与Lyapunov理论,证明了闭环系统的收敛性;最终仿真结果证实了此方法的有效性。     

基于可拓自适应理论的三轴并联机器人控制系统设计

为了提高并联机器人的轨迹跟踪控制精度,以平面二自由度并联机器人为研究对象,构建了一种可拓自适应控制器用于其控制系统中.利用自适应控制器善于处理不变和慢时变问题,可拓控制器善于处理时变和突变问题,将2种控制器的优点结合起来,设计了一种新型的可拓自适应控制器.仿真结果表明,可拓自适应控制器能较大地提高并联机器人关节位置精度和末端执行器的轨迹精度,能够满足机器人的控制要求.研究所得的方法和结论具有较强的通用性,对并联机器人的控制具有普遍的应用意义．     

机械臂自适应跟踪控制方案设计及仿真分析

该文提出一种机械臂自适应跟踪控制方法,该方法利用光滑函数逼近机械臂系统的控制输入,以建立新的机械臂系统,该方法采用时滞估计方法来估计新机械臂系统的综合不确定性。根据预设的机械臂跟踪误差轨迹边界约束和综合不确定性,生成的自适应控制器可以通过新机械臂系统对机械臂进行控制,使机械臂的跟踪误差在预设的收敛时间内收敛至预设的稳态跟踪精度。该方法不仅不依赖精确动力学模型,而且还可以使机械臂按照预设精度和收敛时间跟踪目标轨迹。     

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。     

柔性主从手臂系统自适应混合控制的研究

以柔性主从手臂系统为研究对象,提出了一种新的自适应混合控制方法。建立了系统的动力学模型,在系数敏感性实验的基础上,分析了控制器权重系数对系统性能的影响,提出根据系统实时跟踪误差调整控制器中的权重系数,进而设计了自适应双向控制器和基于LQR的自适应伺服控制器。并以此为基础,通过选取合理的阈值,将两种自适应控制器有效结合,设计了自适应混合控制器。实验结果表明,自适应混合控制有效提高了系统运动的稳定性,并显著减少了柔性执行手臂的振动衰减时间。     

基于BP神经网络的盾构推进速度自适应PID控制

盾构掘进过程中地质多变,推进速度要求实现非线性控制,因此对控制方法提出较高的要求.在分析了盾构推进液压系统原理的基础上,建立了盾构推进速度仿真模型,设计了基于BP神经网络的盾构推进速度自适应PID控制器,运用MATLAB软件对常规PID推进速度控制和基于BP神经网络的自适应PID推进速度控制进行了阶跃响应仿真对比,并对基于BP神经网络的自适应PID推进速度控制的正弦跟踪特性进行了仿真.仿真结果表明基于BP神经网络整定的PID控制具有良好的跟踪能力和鲁棒性,相比于传统PID控制系统响应迅速,超调量小,具有很高的响应精度和良好的在线整定能力,对于盾构推进速度这种非线性过程,控制效果比较理想.     

永磁同步电动机位置伺服系统的自适应神经网络控制

针对需要考虑参数不确定和负载扰动的永磁同步电动机位置伺服系统,提出了一种新型的自适应神经网络控制方法。首先,利用神经网络建立永磁同步电动机的智能模型。其次,针对模型特点,在反步递推设计框架下,应用神经网络基函数的本质特征,并引入动态面控制技术克服控制设计中存在的“复杂性爆炸”问题,设计基于自适应神经网络动态面控制的位置跟踪算法。最后,仿真结果表明该控制方案是有效可行的,与反步递推控制方案相比,基于神经网络动态面控制的位置伺服系统的跟踪误差具有更快的收敛速度。通过设计新的神经网络自适应律,提出的自适应神经网络控制方法可以避免现有反步递推控制设计中存在的代数环问题。此外,提出的控制算法不仅能够克服不确定性因素对系统性能的影响,而且算法结构简单,易于实现。