基于自适应模糊补偿的机械臂复合控制策略

针对刚性机械臂存在摩擦和扰动等不确定因素给轨迹跟踪控制带来的困难,本文基于李亚普诺夫稳定性理论,给出了一种机械臂的自适应控制方案．该方案针对机械臂的标称部分,采用计算力矩的方法设计相应的控制量,在此基础上,构造模糊系统逼近摩擦得到补偿控制量,并针对随机扰动的上界设计反馈控制率,以克服扰动带来的影响,保证系统的稳定性．仿真结果表明,该复合控制对于具有不确定性摩擦以及扰动的机械臂轨迹跟踪问题效果良好．     

3 DoF模块化机械臂轨迹跟踪策略

针对具有外部扰动和系统参数不确定的机械臂轨迹跟踪控制问题,提出了一种改进的自适应神经网络滑模跟踪控制方法.首先建立了三自由度(DoF)机械臂动力学模型,分别采用计算力矩法和基于改进趋近律的神经滑模控制法控制其名义部分和非名义部分.所提方法结合了径向基函数(RBF)神经网络与基于趋近律的滑模控制,使控制系统自适应地补偿机...     

周期时变系统的鲁棒自适应重复控制

针对周期时变系统,提出一种鲁棒自适应重复控制方法.该方法利用周期学习律估计周期时变参数,并结合鲁棒自适应方法处理非周期不确定性.与现有重复控制不同的是,在控制器设计中引入了新变量—周期数,利用周期系统的重复特性,使界的逼近误差随周期数的增加而逐渐减少,保证了系统的全局渐近稳定性.同时将该方法应用于一类非线性参数化系统,使系统在非参数化扰动的情形下,输出误差仍能收敛于0,倒立摆模型的仿真验证了此结果.该设计方法适用于消除神经网络逼近误差对重复控制系统的影响,理论证明了基于神经网络的鲁棒自适应重复控制系统中所有变量的有界性和输出误差的渐近收敛性,关于机械臂模型的仿真结果验证了受控系统具有良好的跟踪性能.     

基于自适应重复学习的不确定多涡卷混沌系统同步控制

基于滞环函数提出一种参数可调的多涡卷混沌系统构造方法. 针对复杂不确定性系统, 综合利用自适应神经网络和重复学习控制方法设计一种自适应重复学习同步控制器; 利用自适应重复学习控制方法对周期时变参数化不确定性进行处理; 对函数型不确定性利用神经网络逼近技术进行补偿; 设计鲁棒学习项对神经网络逼近误差和扰动上界进行估计; 通过构造类Lyapunov 复合能量函数证明了同步误差学习的收敛性. 仿真结果验证了所提出方法的有效性.

     

基于极限学习机的机械臂自适应神经控制

针对刚性机械臂系统的控制问题,提出基于极限学习机(ELM)的自适应神经控制算法.极限学习机随机选择单隐层前馈神经网络(SLFN)的隐层节点及其参数,仅调整其网络的输出权值,以极快的学习速度获得良好的推广性.采用李亚普诺夫综合法,使所提出的ELM控制器通过输出权值的自适应调整能够逼近系统的模型不确定性部分,从而保证整个闭环控制系统的稳定性.将该自适应神经控制器应用于2自由度平面机械臂控制中,并与现有的径向基函数(RBF)神经网络自适应控制算法进行比较.实验结果表明,在同等条件下,ELM控制器具有良好的跟踪控制性能,表明了所提出控制算法的有效性.     

RBFNN结合自适应边界的机器人手臂轨迹跟踪控制系统设计

针对机器人手臂动态模型中存在动态不确定性问题,提出一种结合径向基函数神经网络(RBFNN)和自适应边界控制的机械臂轨迹跟踪方法;利用RBF神经网络在线学习系统中现有的结构化和非结构化不确定性,近似补偿未知动态部分;利用自适应边界来估计非结构化不确定性上的未知边界和神经网络重建误差;通过加权矩阵产生的李雅普诺夫函数证明了该系统具有渐进稳定性;利用三自由度机械臂进行实验,结果表明,相比FFNN控制器,提出的控制器的跟踪误差改进了3～7倍,稳态误差改进了100～1 000倍.     

基于神经网络和模糊补偿的水下机械臂控制

针对水下机械臂动力学模型建模复杂且滑模控制的抖振问题,利用Lagrange法和Morison方程精准建立二连杆串联水下机械臂的动力学模型,对模型中参数的不确定项使用4个RBF神经网络分别进行逼近,并且对摩擦项使用模糊控制进行补偿的方法,精准迅速地实现了对水下机械臂控制系统跟踪控制。通过进行仿真分析,基于神经网络和模糊补偿控制的方法与滑模控制、整体RBF神经网络控制和分块RBF神经网络控制相比,控制系统的平均误差分别降低了85.5%、71.8%、93.1%。结果表明,此方法有效降低了控制系统的跟踪误差,并同时提高了稳态性和抗干扰性。     

基于LuGre 摩擦模型的机械臂模糊神经网络控制

针对未知摩擦非线性会使机械臂控制精度难以提高的缺陷,建立基于动态LuGre摩擦的机械臂模型.在系统参数未知和机械臂负载变化的情况下,设计一种自适应模糊神经网络控制器,采用基函数中心和宽度均自适应变化的模糊神经网络补偿器,实现对系统中包括LuGre摩擦在内的非线性环节的逼近,并利用滑模控制项减小逼近误差.通过Lyapunov方法证明了闭环系统的稳定性,并通过仿真结果验证了所提出控制方法的有效性.     

基于指数趋近律的机械臂神经网络滑模控制

为解决机械臂轨迹跟踪控制中存在建模不确定性以及外界干扰及摩擦造成的控制效果不理想等问题。利用神经网络对建模的不确定项进行逼近,本文提出一种基于指数趋近律的神经网络滑模控制对机械臂完成轨迹跟踪控制。采用二自由度的刚性机械臂为控制对象进行实验,仿真结果表明,该控制方法能缓解外部干扰对控制系统的影响,保证系统的稳定性,有效地提高系统的控制性能。     

时变不确定非线性系统自适应滑模跟踪控制

针对一般的具有时变且界未知的非线性不确定性的单输入多输出非线性系统．提出一种自适应滑模跟踪控制器的框架。在该框架内,系统的时变且界未知的非线性不确定性可以通过函数逼近技术（FAT）表示成为一组正交基函数序列的组合,并通过滑模控制技术和直接Lyapunov方法获得基函数系数的更新律以及对不确定性逼近误差的在线自适应补偿,从而得到自适应的滑模控制律。所提出的基于函数逼近技术的自适应滑模跟踪控制策略在直流电机跟踪控制系统实验装置上进行了实际控制实验,并进行了性能的对比与分析。     

基于RBF神经网络的作业型AUV自适应终端滑模控制方法及实验研究

研究了作业型AUV （自主水下机器人）的轨迹跟踪控制问题.实际作业中,水下机械手展开作业过程将引起AUV动力学性能变化,进而影响AUV轨迹跟踪控制;并且水流环境干扰亦将影响AUV轨迹跟踪控制.针对上述AUV轨迹跟踪控制问题,提出一种基于RBF （径向基函数）神经网络的AUV自适应终端滑模运动控制方法.该方法在李亚普诺夫稳定性理论框架下,采用RBF网络对机械手展开引起的AUV动力学性能变化和水流环境干扰进行在线逼近,并结合自适应终端滑模控制器对神经网络权值和AUV控制参数进行自适应在线调节.通过李亚普诺夫稳定性理论,证明AUV系统轨迹跟踪误差一致稳定有界.针对滑模控制项引起的控制量抖振问题,提出一种变滑模增益的饱和连续函数滑模抖振降低方法,以降低滑模控制量抖振.通过AUV实验样机的艏向和垂向的轨迹跟踪实验,验证了本文AUV系统控制方法和滑模降抖振方法的有效性.     

变负载机械手轨迹跟踪控制器设计

本文针对具有变负载的不确定刚性机械手系统,提出了一种依赖平均驻留时间的神经网络自适应切换控制策略.本控制方案将夹持不同负载的刚性机械手系统视为切换系统,即根据负载的不同将整个系统分为若干子系统,并基于平均驻留时间原则对每个子系统分别设计控制器.在各子系统中,分别采用径向基函数(RBF)神经网络逼近系统结构参数,以避免控制器对系统精确模型的依赖.同时,基于神经网络设计鲁棒补偿项,以抑制集总扰动对系统的影响.然后,利用多Lyapunov函数方法证明了轨迹跟踪误差的一致最终有界性.最后,通过仿真验证,所提出的控制方案不仅可实现变负载机械手期望轨迹的高精度跟踪,而且可有效削弱输入力矩的抖振.     

An adaptive neural network switching control approach of robotic manipulators for trajectory tracking

In this paper, an adaptive neural network (NN) switching control strategy is proposed for the trajectory tracking problem of robotic manipulators. The proposed system comprises an adaptive switching neural controller and the associated robust compensation control law. Based on the Lyapunov stability theorem and average dwell-time approach, it is shown that the proposed control scheme can guarantee tracking performance of the robotic manipulators system, in the sense that all variables of the closed-loop system are bounded and the effect due to the external disturbance and approximate error of radical basis function (RBF) NNs on the tracking error can be converged to zero in an infinite time. Finally, simulation results on a two-link robotic manipulator show the feasibility and validity of the proposed control scheme.     

基于自适应滑模的欠驱动无人艇轨迹跟踪控制算法

针对欠驱动水面无人艇在航行过程中存在的海洋环境干扰、数学模型参数不确定、执行器故障等问题,提出了一种基于扰动观测器与神经网络技术的自适应滑模轨迹跟踪策略。在无人艇三自由度模型的基础上,结合视线制导率,提出了一种新的轨迹跟踪制导策略。采用自适应滑模控制技术设计了欠驱动无人艇轨迹跟踪控制器,有效地抑制了执行器衰减故障对无人艇控制系统的影响;同时运用了非线性扰动观测器和自适应径向基函数神经网络分别对无人艇受到的外界干扰和模型参数不确定性进行补偿和拟合,提高了控制系统的抗干扰能力。基于Lyapunov定理证明了所设计的控制系统的稳定性,并在MATLAB中进行了仿真测试。仿真结果表明,所提出的轨迹跟踪控制算法可以在较为复杂的环境下实现对欠驱动无人艇的精准控制;相较于对比算法,位置的平均跟踪误差减小了80%以上,具备较高的稳定性和鲁棒性。     

机械臂自适应精确时间滑模控制

考虑机械臂中存在的未建模部分、摩擦力、外加干扰,提出一种自适应精确时间滑模控制方法,实现机械臂各关节角的轨迹跟踪.首先对机械臂进行建模,将未建模部分、摩擦力、外加扰动看作集中扰动;其次,设计一种精确时间收敛滑模面,克服传统终端滑模面收敛时间高估的问题,基于此设计全局精确时间收敛滑模控制方法,使得机械臂系统能够在设定时间实现稳定,并在误差收敛后仍具有较强的鲁棒性;接着,设计低通滤波器削减抖振,通过自适应方法估计扰动上界,避免增益的高估;最后,通过仿真实验验证所提出的控制方法能够严格控制机械臂系统的稳定时间,并降低稳态误差,实现机械臂系统的高精度轨迹跟踪控制.     

基于扰动和摩擦补偿的柔性机械臂系统非奇异快速终端滑模控制

本文针对系统中存在的关节摩擦、动力学参数不确定性和外部负载干扰等因素引起的柔性机械臂系统控制性能下降的问题,提出了一种基于扰动和摩擦补偿的非奇异快速终端滑模控制方法(NFTSMC-DE-FC).首先,设计扰动估计器(DE)对系统未知动态参数和负载干扰进行估计.然后,针对扰动估计器不能精确估计的关节摩擦力矩进行辨识.最后,利用滑模控制技术设计非奇异快速终端滑模控制器,并将扰动估计值和摩擦力辨识值以前馈的方式进行补偿,实现对柔性机械臂系统给定参考轨迹跟踪的准确性以及对外界扰动的鲁棒性.值得注意的是,与传统只使用扰动估计器的方法相比,本文考虑到了摩擦力等非线性因素的影响,并利用辨识技术对摩擦力进行辨识,提高了控制精度.利用Lyapunov稳定性定理从理论上证明了所设计的控制器可以保证闭环系统的稳定性.实验结果表明,相较于非奇异快速终端滑模控制方法(NFTSMC)和基于扰动估计器的非奇异快速终端滑模控制方法(NFTSMC-DE),所提方法提高了柔性机械臂系统的轨迹跟踪性能.     

考虑驱动系统动态的机械手神经网络控制及应用

针对结构和参数均未知的机械手控制问题, 提出了考虑驱动系统动态的机械手神经网络控制方法, 采用稳定的径向基(Radial basis function, RBF)神经网络辨识机械手未知动态, 而附加的鲁棒控制可以保证存在神经网络的建模误差和外部干扰时系统的稳定性和性能, 并且该方法使机械手闭环系统一致最终有界. 同时开发了基于半实物仿真技术的机械手控制系统, 最后, 将本文方法与经典的PD控制器和自适应控制器在同一机械手平台上进行了实验验证与分析, 实验结果表明该方法具有良好的控制性能.     

带有干扰观测器的线控转向系统复合自适应神经网络控制

考虑车辆线控转向(SbW)系统存在不确定动态特性以及外界干扰影响.本文提出一种带有干扰观测器的复合自适应神经网络实现SbW系统的精确建模与稳定控制.首先,利用神经网络在线逼近系统不确定动态,避免控制器设计中使用到系统模型的先验知识.然后,结合系统的跟踪误差与建模误差提出一种新的复合自适应学习率来更新神经网络的权值,从而...