基于RBF神经网络的柔性机械手反演控制

针对柔性机械手动力学方程复杂、具有高度非线性等特点,在控制律设计中引入反演设计思想,将原复杂的高阶非线性系统分解成低阶简单系统。考虑到动力学模型中存在未知的非线性函数,为了能够对被控对象中未知函数进行有效逼近,设计一种将径向基函数(RBF)神经网络与反演控制思想相融合的控制方法。仿真结果表明：基于RBF神经网络反演控制所设计的控制律和自适应律能够实现控制系统稳定,满足期望的动态性能指标。     

柔性和摩擦力不确定条件下RBF神经网络自适应轨迹跟踪方法

提出一种基于径向基神经网络(Radial basis function, RBF)的力/位置混合自适应控制方法并用于机器人轨迹跟踪控制,解决机器人柔性末端执行器轨迹跟踪过程中柔性和摩擦力模型难以精确描述的问题。RBF神经网络是一种高效的前馈式神经网络,具有其他前向网络所不具有的非线性逼近性能和全局最优特性,并且网络结构简单,训练速度快。设计一种基于RBF神经网络非线性逼近能力来估计模型中的不确定参数的自适应控制器,给出控制器中神经网络权值更新规则,并证明所设计控制器输出力和位置误差的最终一致有界性。将该控制器应用于风管清扫机器人仿真试验,结果表明该自适应控制器能很好地用于柔性和摩擦力不确定条件下轨迹跟踪控制,与传统自适应控制方法相比具有更精确的跟踪特性和更强的鲁棒性。     

机械臂关节空间轨迹的神经网络滑模跟踪控制

为了提高机械臂对给定轨迹的跟踪精度且削弱滑模控制抖振问题,提出了基于RBF神经网络滑模控制的轨迹跟踪方法。建立了多连杆机械臂系统的运动学和动力学模型。首先忽略由建模误差和系统扰动产生的系统不确定项,建立了全局PID滑模控制器,设计了由等效控制律和切换控制律组成的全局滑模控制律;而后使用单隐含层RBF神经网络逼近系统不确定项,使用神经网络对不确定项的逼近值补偿建模误差和系统扰动,达到提高控制精度的目的。经仿真验证,在机械臂初始位置误差较大的情况下,神经网络滑模控制器的调节时间、超调量、驱动力矩抖振远小于全局PID滑模控制器,证明了神经网络滑模控制器在机械臂轨迹跟踪控制中的有效性。     

水下机械臂运动空间分析与轨迹跟踪算法优化

针对水下机械臂动力学模型不确定和未知外界干扰问题,采用基于HJI理论的径向基函数神经网络自适应控制算法对水下机械臂进行控制。首先,以水下六自由度机械臂为例,基于D-H法则对水下机械臂的运动学进行分析,通过仿真验证该方法的正确性;接着,基于蒙特卡洛法构建水下六自由度机械臂的运动空间云图,真实反映水下机械臂的运动空间;然后,以二自由度水下机械臂为例,设计基于HJI理论的RBF神经网络自适应控制器,利用神经网络的万能逼近原理逼近不确定干扰项,考虑到神经网络逼近存在误差,将逼近误差看作外界干扰项并通过HJI理论对逼近误差在线评价,评价系统对干扰项的抑制能力,并采用自适应算法在线估计网络权值,加快系统收敛;最后,通过仿真可知,该机械臂能较好地完成轨迹跟踪。     

可重构机械臂构型自适应控制研究

针对可重构机械臂系统存在的不确定性及不同构型下的轨迹跟踪问题,提出了径向基函数(Radial Basis Function,RBF)神经网络鲁棒自适应补偿控制算法。设计了RBF神经网络补偿控制器自适应逼近补偿系统存在的未知项;为减小控制器逼近误差及适应构型变化时的鲁棒性,在控制律中引入了鲁棒项;基于李雅普诺夫(Lyapunov)稳定性理论设计了构型自适应调节律和鲁棒项并证明了闭环控制系统的稳定性。最后,以两种典型的可重构机械臂构型进行研究,结果表明所提算法能够适应系统构型的改变,同时有效地补偿系统存在的不确定性。     

基于RBF神经网络的闭链下肢康复机器人自适应补偿控制

在下肢康复机器人的康复训练过程中,模型参数、环境干扰等不确定性因素会影响机器人轨迹跟踪的精度。针对这一问题,提出了一种基于径向基函数（Radial Basis Function,RBF）神经网络的自适应补偿控制,该控制方法能够提高机械系统轨迹跟踪的精确性。首先,设计一款具有4种工作模式、运动稳定的闭链卧式下肢康复机器人结构;然后,利用拉格朗日方法求解动力学名义模型,将康复装置的模型参数以及外界干扰等不确定性因素分离出来,并设计基于RBF神经网络的自适应补偿算法对其进行逼近控制;最后,通过Matlab/Simulink环境对其进行仿真验证,证明了该控制策略的有效性。结果显示,在人体步态曲线轨迹跟踪中,提出的基于RBF神经网络的自适应补偿算法相比传统的模糊比例-积分-微分（Proportional Integral Derivative,PID）控制的方法响应速度快、跟踪效果好,且髋关节和膝关节轨迹跟踪的角度误差峰值分别为0.08°和0.13°,远小于患者下肢在康复运动中的转动角度。设计了单腿样机试验,试验结果表明,采用的RBF补偿自适应控制器能够实现高精度的跟踪结果,也能够满足患者在康复...     

基于RBF的机械手无需模型自适应控制研究

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.     

多连杆机械臂GA-RBF神经网络轨迹跟踪控制

针对多连杆机械臂模型系统信息不完整、存在外界干扰等问题,设计了一种新型的GA-RBF神经网络闭环自适应控制系统。该系统利用径向基函数(RBF)神经网络来逼近并补偿系统的模型误差和外界扰动,在基于计算力矩法的基础上实现对机械臂的轨迹跟踪控制,并采用遗传算法(GA)对RBF神经网络权值进行在线优化,确保机械臂控制系统能在更短时间内获得稳定,实现了高精度的轨迹跟踪,提高了轨迹跟踪的性能。MATLAB数值仿真的结果验证了该方法的有效性。     

基于RBF神经网络的汽车玻璃防雾系统的研究

通过描述汽车挡风玻璃起雾在汽车行驶中的危害性,引出一种新型的基于传统传感器技术与RBF神经网络的汽车玻璃智能防雾系统概念。根据对汽车挡风玻璃起雾原因的分析,通过传统传感器技术的应用,设计出相应的RBF神经网络。通过实验,建立48组样本数据在RBF模型的神经网络中进行露点测试训练并进行仿真测试。MATLAB仿真结果显示,通过RBF神经网络在该系统中的应用,能够快速、精确地达到汽车玻璃防雾的功能。     

弹丸协调臂的RBF神经网络自适应滑模控制

针对某大口径火炮弹丸协调臂电液伺服系统的位置控制问题,提出一种基于神经网络最小参数学习法的RBF网络自适应滑模控制方法。结合RBF神经网络具有局部逼近特性和神经网络最小参数学习法调节简单的优点,以电液伺服系统的状态为神经网络的输入,通过选取合适的参数,以神经网络的输出逼近系统的未知理想控制律。引入鲁棒项,保证控制策略的稳定性,并采用非线性函数调整反馈项参数的变化,保证收敛速度。仿真结果表明:控制算法在系统参数大范围变化的情况下能够保证弹丸协调臂的运动精度,并具有较好的鲁棒性。     

汽车电子节气门RBF神经网络控制方法

针对汽车电子节气门模型参数不精确和外界干扰等不确定条件下的控制问题,提出了一种RBF神经网络控制方法,解决传动控制方法需要精确建模的问题。首先,对电子节气门的工作特性进行分析,并充分考虑参数不精确和外界干扰等不确定性,建立其数学模型的状态空间表达形式。而后,基于传统滑模控制理论,提出了抗外部干扰的滑模控制方法。进而,利用RBF神经网络对控制器不确定部分进行在线逼近,提出一种局部逼近的神经网络控制方法,并通过Lyapunov方法证明了控制系统的稳定性。最后,基于Matlab/Simulink平台进行对比仿真实验。实验结果表明,所提控制方法能够有效克服外部干扰以及模型参数带来的不确定性,实现电子节气门实际开度对目标开度的精确跟踪。     

无模型机械臂BP神经网络状态观测及反演跟踪控制

针对摩擦阻尼及模型参数不确定的情况,运用反演控制设计策略,针对多连杆机械臂提出了一种基于神经网络观测器的无模型轨迹跟踪控制方法。运用带有修正项的自适应BP神经网络观测器对不可测状态量进行观测,同时对系统模型进行在线逼近。在此基础上设计了基于观测状态和逼近模型的反演跟踪控制器, Lyapunov稳定性理论证明了该控制器能够保证跟踪误差的有界和闭环系统中所有信号的有界。跟踪给定轨迹的仿真实验证明了该方法的有效性。     

基于RBF神经网络的四旋翼无人机姿态控制

针对四旋翼无人机姿态系统难以建立精确模型问题,提出一种基于RBF神经网络的自适应非奇异快速终端滑模控制方法:将系统模型不确定部分及外界扰动之和定义为系统的总扰动,利用RBF神经网络逼近系统的总扰动,将总扰动估计值反馈给控制器,用以补偿系统总扰动的影响。建立无人机姿态系统的模型,设计基于RBF神经网络的自适应非奇异快速终端滑模控制器,根据Lyapunov稳定性定理证明控制系统的稳定性。通过对仿真结果图像和数据分析表明,控制方法能快速逼近的未知模型,有效抑制系统总扰动影响,具有响应速度快、鲁棒性和自适应能力强的特点。     

差速驱动AGV建模和轨迹跟踪控制研究

针对应用于工厂物料运输的差速驱动AGV,在实际工作中轨迹跟踪控制将会受外界干扰等因素的影响,提出了一种自适应模糊滑模轨迹跟踪控制律.首先建立了差速驱动AGV的数学模型;然后针对AGV运动学模型设计了Backstep-ping方法控制律,得到虚拟控制速度;针对其动力学模型设计了以力矩为控制输入的自适应模糊滑模控制律,使得其能够对虚拟速度进行跟踪,其中利用模糊系统的万能逼近特性,逼近滑模控制器的切换部分来避免滑模控制的抖振现象;采用Lyapunov稳定性理论分析证明了控制系统的稳定性.最后仿真试验表明了所设计的控制律能有效的跟踪参考轨迹.     

基于视觉反馈的机器人全调节RBF神经网络自适应反演控制

针对具有参数不确定刚性机器人系统的跟踪控制问题,提出了一种基于视觉反馈和全调节RBF神经网络的自适应反演控制器设计方法。根据安装在末端执行器的CCD摄像机提取的特征点确定期望位置,利用与一般设计不同的全调节RBF神经网络逼近系统的不确定项及外界干扰。在调节RBF神经网络权值的同时调节中心点值和影响范围,使得全调节RBF神经网络具有了更强的在线逼近能力。应用Lyapunov稳定性理论,证明了系统的所有信号均有界,控制器可以保证机械臂的运动按指数收敛到期望位置。仿真结果验证了所提控制器的有效性。     

自适应反演神经网络控制在并联机器人中的应用

针对未知非线性、外界干扰等各种不确定因素对二自由度冗余并联机器人控制系统的影响,提出了反演自适应神经网络控制方法.RBF神经网络实现了不确定性函数的逼近,自适应反演控制作为主控制器完成并联机器人控制系统的输出.仿真结果表明,自适应反演神经网络控制方法跟踪性能好,系统误差小,具有很强的鲁棒性,能够满足并联机器人的控制要求.仿真实验证实了该控制策略的正确性和有效性.     

基于神经网络的机械手摩擦补偿方法控制研究

论文提出了一种利用扩展两层神经网络和模糊整定PD控制相结合,对机械手伺服系统进行控制器设计的自适应跟踪控制设计方法,利用扩展两层神经网络的精确逼近特性来逼近机械手伺服系统中的未知动态摩擦。利用Lyapunov理论证明引入的一鲁棒控制律保证了机械手闭环系统的稳定性,仿真结果验证了基于扩展两层神经网络控制方法的有效性。     

不确定关节机器人模型的神经网络补偿自适应控制

为了达到关节机器人轨迹跟踪控制的目的,针对由于机器人结构参数、作业环境干扰及结构共振模式等不确定性因素造成的机器人不确定性动力学模型,将该模型分解为名义模型和建模误差两部分,其中的建模误差采用RBF神经网络进行补偿和估计,得到其估计信息。RBF神经网络的权值通过Lyapunov稳定性分析和自适应算法进行调节。机器人的神经网络补偿自适应控制解决了机器人这类不确定模型的轨迹跟踪控制问题。对3关节机器人实验验证结果表明,3关节均在约4 s时跟踪期望轨迹,并且跟踪误差渐近趋近于0,并且RBF神经网络能很好地逼近由不确定性因素引起的建模部分。     

数控机床直线同步电动机磁悬浮系统的神经网络直接自适应控制

针对数控机床可控励磁直线同步电动机磁悬浮系统的强非线性、外部扰动不确定性的问题,设计基于RBF神经网络直接自适应控制器.通过分析磁悬浮系统的运行机理,推导运动方程及悬浮力方程,进而建立系统的状态方程;用悬浮高度的跟踪误差和误差的变化量构造误差函数,设计直接自适应理想控制器并采用RBF神经网络对其进行逼近;设计自适应律来估计神经网络理想权值,对误差函数的变化率构造二次型Lyapunov函数,利用Lyapunov稳定性理论来证明系统稳定;通过Matlab对控制系统进行计算机仿真,结果表明该方法设计的控制器与自适应模糊滑模控制器和PID控制器相比,空载启动时调节时间减少了23.5％,突加负载时动态降落减少了64.7％,恢复时间减少了38.2％,具有稳态误差小,调节时间和恢复时间短,抗扰性较强的优点,能有效提高磁悬浮系统的控制性能.     

桥式吊车系统的自适应神经网络控制与学习

针对三维桥式吊车的防摇摆控制,基于径向基函数神经网络(Radial Basis Function,RBF)研究了一种自适应防摇摆控制算法。在神经网络控制中,如果持续激励(Persistent Excitation,PE)条件得不到满足,便不能保证权值收敛,执行相同的控制任务时,仍需对神经网络进行重复训练。所设计的自适应神经网络控制器不仅能够快速精确地定位负载,并能有效抑制吊车系统的摆动;同时在对于周期或回归轨迹的跟踪中,系统中信号的一致有界得到了证明,在稳定控制中实现了部分权值的收敛以及未知闭环动态的局部准确逼近,即确定学习。最后,通过仿真验证了所设计控制器的正确性和有效性,为桥式吊车系统的防摇摆控制提供了新的控制算法。