共查询到10条相似文献,搜索用时 687 毫秒
1.
2.
针对液压驱动机械手的轨迹跟踪控制问题,在分析研究机械手动力学特点的基础上,推导出机械手的数学模型,分析了神经网络自适应控制的特点,提出了基于函数连接神经网络液压驱动机械手的自学习控制结构与控制算法。其控制结构着重智能知识的加强;控制算法以PD形成学习规则为基础,运算结果不是直接参与控制;而是根据控制器作用于系统之后所产生的误差及其微分对控制器作出评价和修正,仿真和实验研究证明了数学模型的有效性及控制方法的可行性。 相似文献
3.
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. 相似文献
4.
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. 相似文献
5.
为了提高平面机械手运动的稳定性和轨迹跟踪精度,采用小脑模型神经网络(CMAC)控制液压驱动系统,并对机械手运动轨迹响应速度和误差进行仿真.建立液压驱动机械手简图装置,给出机械手液压驱动控制流程图.创建了液压动力装置、控制阀、液压油缸及机械手键合图模型,推导出液压驱动机械手控制方程式.设计了机械手液压驱动CMAC-PID控制结构图,利用系统仿真软件Matlab对机械手运动轨迹进行仿真;同时,与常规PID控制仿真结果进行比较.结果表明:采用常规PID控制液压驱动机械手运动轨迹,响应时间大约为0.4s,产生的最大误差大约为1.4cm;采用CMAC-PID控制液压驱动机械手运动轨迹,响应时间大约为0.1s,产生的最大误差大约为0.75cm.采用CMAC-PID控制平面机械手液压驱动系统,能够提高机械手运动轨迹响应速度和跟踪精度. 相似文献
6.
针对液压伺服驱动机械手运动轨迹跟踪误差较大的问题,引用改进神经网络PID控制器,对控制效果进行了验证.创建了机械手运动机构平面简图,推导出机械手末端执行器运动的几何关系式,阐述了伺服阀控制工作原理,给出了压力和流量控制方程式.采用改进粒子算法优化神经网络PID控制器,给出了机械手液压驱动控制的在线控制流程图.结合具体实例,将初始参数输入到Matlab软件中进行轨迹误差仿真,并与PID控制误差进行比较.误差结果表明:采用改进神经网络PID控制,产生的最大误差为3.3×10~(-2) m,误差波动程度较小;采用PID控制,产生的最大误差为6.7×10~(-2) m,误差波动程度较大,机械手液压伺服驱动采用改进神经网络PID控制,能够提高机械手运动轨迹跟踪精度. 相似文献
7.
《液压气动与密封》2021,(3)
针对目前常见串联式机械手末端存在控制误差累计而导致末端控制精度较低,无法实现高精度位置伺服控制,使得末端轨迹跟踪控制较差等问题,该文借助迭代学习控制算法的优点,提出了一种基于迭代学习的电液机械手末端轨迹跟踪控制算法。首先,该文以型号为REbot-6R机械手为研究对象,建立机械手的三维模型和坐标,利用D-H坐标,建立REbot-6R机械手运动学模型;然后,设计了基于迭代学习的电液机械手末端轨迹跟踪控制器;最后,以REbot-6R机械手为对象搭建实验平台进行轨迹跟踪控制实验。实验结果表明了迭代学习算法能够很好的运用在REbot-6R机械手上,有效性地解决机械手末端轨迹跟踪控制较差等问题,提高了轨迹跟踪精度。 相似文献
8.
9.
10.
针对机械臂轨迹跟踪控制中传统滑模控制需估计其建模误差及外界干扰等不确定性,当建模不确定性及外界干扰较大较复杂时,将会导致出现抖振现象。该文在以传统滑模控制为主控制器的基础上,通过对传统干扰观测器进行改进,对外界干扰进行反馈补偿,同时利用神经网络对其建模误差进行逼近。通过机械手仿真实验结果表明,所提方法能够有效抑制系统抖振现象,提高响应速度及其轨迹跟踪精度。 相似文献