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。     

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.     

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。     

基于足底压力传感器的不控制减重比例下步态相位识别

下肢外骨骼机器人是帮助下肢运动功能障碍患者步行训练的新手段，能够减轻医护人员的劳动强度，它常采用减重方式完成辅助训练。然而，对于地面行走减重外骨骼机器人系统而言，其减重比例随步态及穿戴方式变化而变化，因此不控制减重比例下的步态相位识别具有重要意义。通过搭建基于Arduino Mega2560板卡和单侧鞋内8个薄膜式压力传感器的足底压力采集系统，分别采集了正常行走、不控制减重比例减重带减重状态下行走时的足底压力信息，并采用神经网络算法进行步态相位识别。结果表明：在减重状态下行走与正常行走相比，左右脚压力值均出现明显下降且两侧具有对称性；足底每个压力传感器处的压力减小比例不同；采用神经网络算法对正常行走时步态相位总体识别率达到96.8%，对减重行走时步态相位总体识别率达到94.8%。研究结果表明该足底压力采集系统可以有效测量减重行走时的足底压力，为在地面不控制减重比例下减重带减重的外骨骼机器人控制策略的制定提供一定支持。     

非线性结构振动控制的神经网络α阶连续逆系统方法

传统的非线性结构控制方法在应用过程中,常采用近似线性化处理,将一些非线性过程在零点附近用切线或割线的线性关系代替,不能得到准确的结果.提出神经网络连续α阶逆系统方法,建立了结构振动控制系统的神经网络连续逆系统模型.并给出了一个仿真实例,控制效果良好,表明用神经网络连续α阶逆系统方法对非线性结构振动进行控制是可行的.     

基于ADAMS的冗余驱动并联机器人动力学仿真研究

为使机器人具有良好的结构性能和工作性能,其结构系统必须具有良好的动力学特性.针对动力学特性问题,以ADAMS仿真软件为平台建立了简化的二自由度冗余驱动并联机器人模型,求出了运动学逆解,采用冗余驱动力控制电机的方法,完成了动力学仿真.结果表明该方法能减小驱动力变化范围和降低驱动力峰值,优化电机驱动力,提高并联机器人的驱动性能.研究所得的方法和结论具有较强的通用性,对相关冗余驱动并联机器人的动力学研究具有普遍的应用意义,同时为并联机器人的调试与控制提供了理论依据.     

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。     

斜拉索基于MR阻尼器的神经网络半主动控制

该文利用神经网络强大的学习和非线性拟合能力模拟了MR阻尼器的逆动力性能。为了提高神经网络的计算性及泛化性,采用了Levenberg-Marquardt算法与贝叶斯正规化法相结合的方法。与此同时,利用MR阻尼器的神经网络逆模型,提出了一种新的斜拉索神经网络半主动控制策略。为验证所提控制方法的有效性,针对典型算例进行了数值分析,并将其与LQR主动控制方法进行了比较。得出结论:所提神经网络半主动控制方法是有效的,与LQR主动控制效果相比,效果略差,但相差不大。     

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。     

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。     

气辅注塑成型注气压力的模糊神经网络控制研究

针对气辅注塑成形的注气压力精确控制要求,设计了具有５层结构的模糊神经网络控制器和控制算 法,利用神经网络的学习能力实现对模糊逻辑规则的优化,改善了系统的适应性。对系统３段压力控制的仿真 分析,验证了模糊神经网络控制模型的可行性,控制效果良好。     

一类带有未知控制方向的非线性系统的模糊自适应事件触发容错控制

针对带有未知控制方向、未知非线性函数以及执行器故障的不确定非线性系统,研究了相应的模糊自适应事件触发容错控制问题。首先,运用反步法和模糊逻辑系统 (FLS) 理论知识相结合,构造出自适应事件触发容错控制器和自适应更新律,有效地补偿了执行器故障对系统的影响。其次,在自适应事件触发容错控制器的设计中引入了 Nussbaum 函数。最后,所设计的控制方案保证了闭环信号在给定紧集内一致最终有界,且仿真结果验证了本文所提出的控制方案的有效性。     

双臂空间机器人协调运动的模糊基函数网络控制

该文研究了在本体位置不受控、姿态受控的情况下,漂浮基双臂空间机器人系统惯性空间协调运动的轨迹跟踪问题。针对存在外部扰动和未知系统惯性参数的情况,设计了一种基于模糊基函数网络的自适应调节控制方案。用模糊基函数网络对双臂空间机器人系统建模,利用鲁棒技术处理建模误差和外部扰动在内的不确定性。所提控制方案的特点是:不需要动力学方程中的惯性参数符合线性规律,也无需预知系统的惯性参数;同时可以利用学习规则在线自适应调节模糊基函数网络的所有权值和参数,因此控制方案是灵活的。该文稳定性分析证明了控制方案的全局稳定性和良好的轨迹跟踪性能。仿真算例表明了该方案能有效地控制双臂空间机器人的本体姿态和末端爪手协调地跟踪期望的运动轨迹。     

汽车四轮转向自适应模糊神经网络控制研究

为了实现现实车辆运动的多自由度和非线性,在Simulink环境下建立包含车辆侧倾运动和轮胎非线性的三自由度四轮转向模型,针对大多控制方法需要依赖被控对象为精确数学模型的缺陷,提出具有联想、自学习、自识别、自适应特性的自适应模糊神经网络四轮转向控制策略;通过以前轮转角及车速作为输入,并依此确定后轮转角的输出,建立获得训练样本的仿真实验模型,用混合法训练得到自适应模糊神经网络控制器,并分别与前轮转向、比例控制和横摆角速度反馈控制下的四轮转向控制器进行仿真比较分析．结果表明自适应模糊神经网络控制使车辆在低速到中、高速时质心侧偏角趋于零,具有较强的鲁棒性;在角阶跃、移线实验中,控制效果优于前轮转向、比例控制和横摆角速度反馈控制,较大地改善了车辆的操纵性能．     

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。