基于BP神经网络的并联机构误差分析

以3-UPS/S并联机器人机构为研究对象,构建一种基于虚拟实验与BP神经网络的并联机构输出误差预测模型,能够快速预测并联机器人机构的输出误差。充分考虑并联机构铰链安装误差与铰链轴线误差,建立包含上述输入误差的虚拟样机模型,通过虚拟实验仿真求解该机构输出误差;假定机构零部件在大批量生产情况下误差服从正态分布,构造多组服从正态分布的输入误差样本,进而建立该机构的BP神经网络预测模型。研究结果表明:该BP神经网络模型可以准确、快速地对机构位姿输出误差进行预测,为并联机器人机构的误差分析与精度综合提供了新的依据。     

滑模控制在并联机器人轨迹跟踪中的应用

建立了平面二自由度冗余驱动并联机器人的动力学模型,为进行动力学控制奠定了基础.考虑到并联机器人的非线性不确定性,结合滑模控制对参数变化和系统未建模部分的不敏感性,设计了滑模控制器并进行了稳定性分析.由于滑模控制具有抖振问题,进而设计了准滑模控制器以减少抖振.在充分利用滑模控制鲁棒性较强的基础上,利用准滑模控制减少了抖振对伺服电机和机械臂的损坏.利用MATLAB 7.0对系统进行了轨迹跟踪仿真研究.仿真结果表明,即使在存在初始位置误差的情况下,滑模控制仍能较好地完成轨迹跟踪,准滑模控制能有效减少系统的抖振.     

基于改进的PSO在并联机构神经网络控制系统中的应用

针对传统 PID 神经网络不能实时有效地控制非线性多变量系统的问题,设计了一种新型多变量自适应 PID 神经网络控制器。该控制器的隐含层带有输出反馈和激活反馈,实现了比例、微分和积分功能。利用一种基于解空间划分的改进粒子群算法对控制器参数进行优化,消除了初始值对控制器准确性的影响,并将控制器应用于并联机构控制中。由仿真结果可知：控制器控制精度高,鲁棒性和自适应性较强。这一研究为并联机构的精准控制和优化设计提供了理论基础。     

腿轮式机器人的模糊PID自适应控制

针对腿轮式机器人的动力学模型比较复杂，难以精确的建立数学模型，提出了一种基于模糊规则的新型自调整PID控制器用于机器人腿部末端的位置跟踪控制。该控制器利用人的经验和知识实时调整PID参数，从而改善控制系统的性能，提高控制器的适应能力。仿真实验表明该方法具有良好的轨迹跟踪精度和抗干扰能力。     

机器人二维运动轨迹精度的学习控制算法研究

本文针对工业机器人常应用于重复作业场合,提出了改进的迭代学习算法－ＰＤ学习算法,并讨论了学习因子的优化选取方法,仿真结果表明：该控制方法应用于机器人二维轨迹控制场合简单易行,效果理想。     

基于MATLAB和ADAMS的并联机器人的轨迹规划仿真研究

考虑到并联机器人的轨迹规划的特点,采用修正梯形曲线的方法进行轨迹规划,并运用MATLAB和ADAMS软件进行联合仿真实验。实验结果表明：该方法优化了速度和加速度曲线,提高了并联机器人的运动特性,电机扭矩变化平滑,进而降低了对机械系统的冲击。     

基于改进型神经网络的焊接机器人焊枪控制算法研究

焊接是一个复杂、参数多变、时变非线性的过程,对于焊缝跟踪控制问题,传统的PID控制方法很难有效的对焊缝进行跟踪控制。在传统PID控制中引入神经网络,提出了一种双权值神经网络控制器的焊缝跟踪控制算法。通过控制伺服电机驱动的十字滑块运动,从而实现焊枪的精确定位。通过MATLAB仿真试验验证了双权值神经网络控制器的焊缝跟踪控制算法能够较好的实现焊缝的跟踪控制。     

3-RRR平面并联机器人神经网络滑模控制研究

针对具有强耦合和高非线性并联机器人的轨迹跟踪控制研究,设计了一种基于神经网络滑模控制器的控制系统。在传统滑模控制的基础上,利用神经网络算法实时修正系统非线性项和不确定参数的功能,有效抑制了SMC系统的抖振现象。建立了3-RRR平面并联机器人的结构简图和Matlab模型,并采用闭环矢量法得到了机器人的运动学反解,为控制系统提供了参考输入。基于机器人的简化动力学方程,设计了一种RBF神经网络滑模控制器,并构造Lyapunov函数证明控制器的稳定性。分别采用传统滑模和神经网络滑模控制方式对机器人的轨迹跟踪进行仿真分析。仿真结果表明:神经网络滑模控制器具有更好的轨迹跟踪精度和较小的稳态误差,验证了神经网络SMC控制器的有效性。     

一种绳驱动并联清洗机器人的控制策略研究

绳驱动并联清洗机器人可以有效地代替人工实现对外墙的清洗作业，但是由于其自身受到外界干扰较多，而且机器人的所有动作都要确保绳索处于张紧状态，因此与传统的并联机器人相比，研究绳驱动并联清洗机器人的运动控制问题更具有挑战性。考虑实际使用过程中系统受到的外力干扰问题,通过牛顿-欧拉法和拉格朗日方程建立包含绳索弹性的系统动力学模型；结合PD前馈控制和传统的PID控制，设计包含绳索张力优化算法的控制律，通过李雅普诺夫稳定性理论证明控制算法的稳定性；通过数值分析验证了绳驱动并联清洗机器人在受到外力扰动时的理论跟踪性能，证明了该控制算法的有效性。     

六轴联动数控加工并联机器人的光滑滑模控制研究

以6PTRT机构的六轴联动数控加工并联机器人为控制对象,在分析其运动控制系统模型的基础上,运用运动学逆解进行了轨迹规划,并设计了一种"无震颤"光滑滑模控制算法,仿真实现了并联机器人支路末端的期望轨迹跟踪.仿真结果表明:该算法解决了传统滑模控制在数字控制实现时的震颤问题,且系统鲁棒性好,抗干扰能力强,对系统参数变化不敏感,具有良好的跟踪性能,实现了并联机器人执行末端的高精度轨迹跟踪控制.     

基于遗传算法-BP神经网络的PID控制器的设计

针对常规PID控制器不能对其参数进行自寻优的缺点,提出采用遗传算法优化BP神经网络PID控制器,使3个参数实现在线调整.并通过MATLAB仿真试验表明:基于遗传算法-BP神经网络的PID控制器比常规PID控制跟踪信号的能力要好,而且有较好的自适应和自学习能力.     

基于参数策略的改进粒子群优化PNN神经网络刀具磨损研究

刀具磨损直接影响工件加工质量和尺寸精度,正确掌握刀具磨损状态及时换刀,减少机床停机时间,将直接提高加工效率。为提高刀具磨损状态识别准确率,提出一种基于参数策略的改进粒子群优化PNN(IPSO-PNN)神经网络识别刀具的磨损状态。相较于BP神经网络收敛速度慢、易陷入局部最优的缺点,IPSO-PNN神经网络结构简单、训练简洁快速。与BP神经网络和标准PNN神经网络仿真结果对比,结果表明:IPSO-PNN神经网络识别准确率高,收敛速度快,仿真耗时短,能有效提高刀具磨损识别准确率。     

基于切削颤振抑制系统的BP神经网络PID控制研究

从颤振的发生机制及集中质量系统的颤振运动微分方程出发,以镗削颤振抑制问题为背景,建立了具有连续分布质量的压电智能切削颤振抑制系统动力学模型,重点研究了BP神经网络与经典PID控制相结合的智能控制策略,为切削颤振的智能控制提供了新的方法。继而在Simulink中分别利用经典PID和BP神经网络PID对切削颤振抑制系统进行控制仿真。仿真结果表明:和经典的PID控制相比,BP神经网络PID控制自适应能力更强。     

C32摩擦焊机的神经网络PID自适应控制研究

针对C32连续摩擦焊机闭环控制系统的时变性、非线性控制精度较低以及稳定性较差等问题,研究一种BP神经网络与增量式PID控制器相结合的控制算法来提高系统性能.参考C32连续摩擦焊机实际运行参数,通过AMESim软件建立物理模型;结合Simulink建立神经网络PID自适应控制器进行联合仿真,建立电液力闭环控制系统.结果表...     

足式机器人腿部关节改进单神经网络PID控制算法研究

为了满足液压足式机器人在复杂环境中实现精确、快速的腿部关节控制需求,把单神经网络PID能够实时调节参数的优点运用到足式机器人液压机械腿关节的控制中,在单神经网络PID的基础上增加机械腿关节的位置和速度控制算法,形成改进单神经网络PID,实现了对神经元比例参数自调整、PID参数的自整定,能够较好地适应内、外参数的变化,增强了腿部关节的快速性、精确性。在Simulink中进行建模仿真以及在设计的以STM32为中央处理芯片的控制平台上进行实验测试,结果表明：改进单神经网络PID在足式液压机器人的腿部关节控制中具有响应速度快、超调量小、控制精度高、鲁棒性强等优点。     

基于PID神经网络的倒立摆控制系统

倒立摆是一个典型的高阶次、自然不稳定、快速响应、非线性运动控制系统,是现代控制研究的对象.PID神经网络是一种内含比例神经元、积分神经元和微分神经元的神经网络.本文介绍了采用PID神经网络控制的倒立摆系统,包括倒立摆系统的基本构成、PID神经网络单变量控制系统的算法和结构、权重初值的选择.进行了实际系统试验,比较了传统PID控制和PID神经网络控制倒立摆的效果,证明了PID神经网络控制系统的优良性能.     

基于粒子群算法的RBF神经网络齿轮磨损预测

针对机械设备磨损难以预测问题,提出RBF神经网络预测模型,并结合粒子群算法优化模型参数。利用变速箱型号为SG135-2系列的K727840ZW齿轮磨损实验输入-输出数据,通过基于粒子群算法的RBF神经网络建立输出预测模型,并与传统的AR模型、BP神经网络模型及Hermite神经网络模型预测作比较。仿真结果表明,基于粒子群算法的RBF神经网络模型结构简单、预测精度高,验证了所提方法的有效性和实用性。     

基于PSO算法的机械臂PID控制器参数优化

机械臂的工作环境复杂,对其工作的响应指标要求较高.PID控制受限于机械臂的数学模型的复杂性与不精确性,导致经典的参数整定方法在实际生产中适应性不良或性能欠佳.文章基于MATLAB/Simulink将PSO算法(粒子群优化算法)用于机械臂PID控制器的参数优化中,通过对3关节连杆机械臂单次拉伸动作的建模仿真研究,结果表明:使用此方法后,机械臂各关节响应的调节时间和超调童都得到明显的优化.     

基于改进粒子群算法的恒力输出器的力控制优化

针对恒力输出器模糊控制中的量化和比例因子均为固定值,造成力控制系统自适应能力差问题,提出一种基于改进粒子群算法来不断迭代寻优出最佳的量化和比例因子对模糊PID控制进行优化。对恒力输出器建模并确定传递函数,构建出模糊PID控制系统与改进粒子群模糊PID控制系统,并对这两种控制系统进行MATLAB对比仿真分析。搭建基于六自由度TA6-R10机械臂的实验平台,对恒力输出器的输出力实验验证。结果表明：经过改进粒子群算法优化的模糊PID控制系统比模糊控制PID系统更快达到目标值,且更快收敛,整体超调量为8.91%,在1.3 s达到稳定。改进粒子群算法模糊PID控制优化恒力输出器的力控制,具有更快的动态响应和更好的力跟随效果。     

机械手轨迹规划中的BP神经网络方法及仿真

机械手轨迹规划就是控制机械手使之精确地跟踪目标轨迹。文章是在关节空间中进行轨迹规划,将路径点映射成各关节变量角度值,然后对每个关节拟合一个时间函数,此函数往往是高阶的、非线性的。而BP神经网络可以实现从输入到输出的任意非线性映射,能够通过网络学习训练达到逼近非线性函数的目的。文章先建立了一个BP神经网络模型,然后通过Matlab进行仿真,验证了BP神经网络对机械手的非线性运动轨迹的实时性控制的可行性。