基于模糊滑模的机械臂鲁棒轨迹跟踪控制

针对存在外部扰动及建模误差的机械臂轨迹跟踪控制问题,提出了一种基于模糊滑模的鲁棒轨迹跟踪控制策略。在传统鲁棒控制器的基础上引入模糊滑模控制器取代等效控制项,解决了由初始系统误差较大引起的速度跳变、抖振等问题。其中模糊滑模控制器采用自适应模糊逻辑修正指数滑模趋近律中的常数项,可以优化滑动模态的品质,有效消除抖振。利用Lyapunov理论证明了系统的稳定性。仿真实验结果表明,该控制算法轨迹跟踪误差小,误差收敛速度快,具有良好的实时性。     

机械臂反演非奇异终端的神经滑模控制

为了解决具有外部干扰以及建模误差的多关节机械臂的轨迹跟踪问题,提出了一种机械臂反演非奇异终端的神经滑模控制方法。采用非奇异终端的滑模面,基于反演方法以及滑模控制的原理,设计了反演滑模控制器。针对由于外部干扰以及建模误差引起的反演滑模控制系统中不确定的因素上界,设计了径向基(radial basis function,简称RBF)神经网络的自适应律,对不确定因素上界进行了在线估计,并对控制系统的稳定性使用了Lyapunov定理进行证明。仿真分析结果表明,所提出的方法不仅可以减少系统中存在的抖振现象,而且具有较好的轨迹跟踪性能和较强的鲁棒性。     

机械臂固定时间观测器和自适应滑膜控制方法的设计

在机械臂轨迹跟踪控制过程中,当利用观测器对模型参数不确定性和外部未知动态扰动进行估计时,估计时间容易受扰动初值的影响,为此基于固定时间扰动观测器设计了一种自适应滑模轨迹跟踪控制方法。利用固定时间观测器的特性,在固定时间内获得机械臂内部模型误差和外部不确定扰动的估计,对扰动估计做出补偿,通过滑模控制策略实现机械臂的轨迹跟踪控制。针对滑模控制伴随抖震的特性,论文对滑模控制器的趋近律进行了抑制抖震的改进设计。通过仿真实验证明:基于固定时间扰动观测器的滑膜控制方法能够在固定时间内准确获取扰动的估计值,能够控制机械臂以高精度跟踪给定轨迹;通过与基于高阶扰动观测器的滑模控制方法进行仿真对比,验证了该方法在消除不确定扰动的基础上,能够有效地抑制系统抖振,并且跟踪误差能够在短时间内以指数速率完成收敛。     

机械臂滑模控制算法研究

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。     

基于干扰观测器的机械臂自适应模糊滑模控制

机械臂在轨迹跟踪控制中存在建模误差和外界干扰等问题。为了提高机械臂轨迹跟踪的精度和速度,设计了一种基于干扰观测器的机械臂自适应模糊滑模控制策略。首先,使用新型趋近律来减小机械臂滑模控制系统中抖振的影响;其次,采用干扰观测器对机械臂建模误差和外界干扰进行估计,根据干扰观测器的观测值对机械臂的输入力矩进行补偿;最后,对于无法观测的部分,采用模糊系统中的万能逼近原理对未知的干扰进行估计,进一步提高机械臂的轨迹跟踪性能。通过仿真试验表明,该控制策略不仅可以克服建模误差和外界干扰所带来的影响,还可以有效地削弱系统的抖振,保证了机械臂各关节位置跟踪的精度和速度。同时也说明了该控制策略的有正确性和有效性。     

多关节机械臂的分数阶滑模变结构神经网络自适应控制

在分数阶滑模控制方法的基础,设计了新型的滑模函数趋近律,提升了多关节机械臂轨迹跟踪控制系统的鲁棒性和响应速度.机械臂在建模过程中存在多种建模误差,工作过程中存在外界干扰等不确定因素,因此采用神经网络对各种不确定项进行逼近,对径向基函数神经网络自适应控制中存在的误差,提出了神经网络误差的自适应补偿项,减小了径向基函数神经...     

基于反演设计的机械臂非奇异终端神经滑模控制

针对具有建模误差和不确定干扰的多关节机械臂的轨迹跟踪问题,设计反演非奇异终端神经滑模控制。该方案是采用能有限时间收敛的非奇异终端滑模面,根据滑模控制原理和反演方法设计反演滑模控制器;对于反演滑模控制系统中由于建模误差和不确定干扰造成的不确定因素的上界,设计径向基(Radial basis function, RBF)神经网络自适应律,在线估计不确定因素的上界;利用李亚普诺夫定理证明了系统的稳定性。仿真结果表明,该方法具有良好的轨迹跟踪性能,提高对于建模误差和不确定干扰等因素的鲁棒性,削弱了抖动。     

多关节机械臂干扰观测器的自适应滑模控制

为了解决多关节机械臂在外部干扰和建模误差的轨迹跟踪问题,提出了多关节机械臂干扰观测器的机械臂自适应滑模控制方法.针对干扰信号,采用干扰观测器对可观测干扰进行观测,对于未观测到的干扰通过自适应律的设计进行估计补偿;针对机械臂控制系统中的抖振问题,采用新型趋近律来设计滑模控制律,以减小抖振影响;最后,利用李雅普诺夫函数验证了系统的稳定性.仿真结果表明,该方法不仅可以有效地削弱抖振问题,而且还可以克服外界干扰和建模误差带来的不确定性,同时保证了系统的鲁棒性.     

多关节机械臂干扰观测器的自适应滑模控制

为了解决多关节机械臂在外部干扰和建模误差的轨迹跟踪问题,提出了多关节机械臂干扰观测器的机械臂自适应滑模控制方法.针对干扰信号,采用干扰观测器对可观测干扰进行观测,对于未观测到的干扰通过自适应律的设计进行估计补偿;针对机械臂控制系统中的抖振问题,采用新型趋近律来设计滑模控制律,以减小抖振影响;最后,利用李雅普诺夫函数验证了系统的稳定性.仿真结果表明,该方法不仅可以有效地削弱抖振问题,而且还可以克服外界干扰和建模误差带来的不确定性,同时保证了系统的鲁棒性.     

多关节机械臂干扰观测器的自适应滑模控制

为了解决多关节机械臂在外部干扰和建模误差的轨迹跟踪问题,提出了多关节机械臂干扰观测器的机械臂自适应滑模控制方法.针对干扰信号,采用干扰观测器对可观测干扰进行观测,对于未观测到的干扰通过自适应律的设计进行估计补偿;针对机械臂控制系统中的抖振问题,采用新型趋近律来设计滑模控制律,以减小抖振影响;最后,利用李雅普诺夫函数验证了系统的稳定性.仿真结果表明,该方法不仅可以有效地削弱抖振问题,而且还可以克服外界干扰和建模误差带来的不确定性,同时保证了系统的鲁棒性.     

采用RBF神经网络滑模控制的冗余机械臂避障研究

机械臂在有障碍物运动的环境中工作,其运动轨迹跟踪容易受到干扰,导致跟踪误差较大。对此,建立了机械臂动力学模型,推导了机械臂关节运动速度和加速度方程式,添加了机械臂运动约束关系式。引用滑模控制器,采用RBF神经网络算法对滑模控制器输出误差进行逼近,将RBF神经网络滑模控制器用于控制冗余机械臂运动轨迹,并与滑模控制器的跟踪效果进行对比分析。结果显示:在有障碍物运动的环境中,采用滑模控制器,机械臂容易受到障碍物移动的干扰,其跟踪误差较大;采用RBF神经网络滑模控制器,机械臂能够避免障碍物移动的干扰,其跟踪误差较小。采用RBF神经网络滑模控制器,不仅可以使机械臂成功躲避障碍物,而且提高控制系统的输出精度和运动的稳定性。     

机械臂的改进固定时间滑模控制方法设计

当机械臂末端对给定轨迹进行跟踪控制时,跟踪误差收敛速度容易受初始跟踪误差大小的影响,针对这一问题设计了一种适用于机械臂模型的改进固定时间滑模轨迹跟踪控制策略.在快速终端滑模面的基础上,设计了一种固定时间滑模面,从而使得控制器具有固定时间收敛特性并给与证明;针对滑模控制伴随抖震的特性,对滑模控制器的趋近律进行了抑制抖振的...     

基于RBF神经网络的PMSM滑模控制

针对永磁同步电机(PMSM)系统中经典滑模控制器产生的抖振现象对机械结构带来的损耗问题,设计了基于径向基(RBF)神经网络的滑模控制算法。采用RBF神经网络实时调节滑模控制中指数趋近律的切换增益,通过梯度下降法优化RBF神经网络的权值,增强电机的动态特性与抗干扰能力。与滑模控制进行对比仿真实验,仿真实验结果表明,该控制算法的跟踪性能更好,且能够有效降低滑模控制器的抖振。     

变论域模糊补偿的机械臂积分终端滑模控制

为了减小机械臂在环境扰动、参数漂移和建模误差等影响下的轨迹跟踪误差,设计了基于积分终端滑模和变论域模糊补偿的组合控制器。采用拉格朗日方程建立了机械臂系统的动力学模型,制定了不确定因素影响下机械臂跟踪控制方案;设计的积分终端滑模控制器可以将系统初始状态限制在滑模面上,消除了控制过程的抖振并提高了跟踪速度;提出了自适应论域策略,该策略可以提高补偿力矩的输出细粒度,并将变论域模糊算法用于不确定因素补偿。经实验验证,变论域模糊补偿控制对关节1角位置的最大跟踪误差为0.103 rad,误差绝对均值为0.025 rad,对关节2角位置的最大跟踪误差为0.073 rad,误差绝对均值为0.012 rad,跟踪控制精度高于模糊补偿控制、RBF-BP控制和自适应鲁棒控制,验证了变论域模糊补偿控制方法的有效性和先进性。     

非完整移动机械臂的自适应模糊滑模控制研究

针对四轮二连杆非完整移动机械臂的轨迹跟踪问题,设计了一种结合自适应模糊控制和滑模控制的控制策略。首先建立了系统包含未知动力学模型不确定性和外部扰动的动力学控制模型,然后基于反演技术设计了控制器;采用了模糊控制来逼近系统未知时变总体不确定性,并采用了自适应机制动态优化模糊系统控制参数,进一步采用了指数趋近律滑模控制消除模糊逼近误差的影响。研究结果表明:该控制器对系统总体不确定性进行了有效补偿,保证了移动机械臂在复杂不确定环境下的良好轨迹跟踪性能。     

多关节机器人事件驱动神经网络滑模控制

针对多关节机器人轨迹跟踪控制问题,提出了一个事件驱动的神经网络滑模控制器。该方法采用RBF神经网络来改善传统滑模控制器,对模型不确定项进行逼近;在此基础上,提出了事件驱动的RBF神经网络滑模控制器,根据跟踪误差和目标轨迹的驱动条件决定控制力矩更新,降低力矩更新频率。利用跟踪误差的最终一致有界性证明控制系统的稳定性,证明系统不存在Zeno行为。针对二关节机器人进行的仿真实验展现了良好的跟踪效果,验证了控制策略的有效性。     

RBF神经网络算法的非线性积分滑模控制机械臂运动轨迹误差研究

机械臂运动轨迹容易受到外界不确定因素的干扰,导致运动轨迹跟踪误差较大,振动现象较为严重,不能很好地满足机械臂的准确定位.建立了双关节机械臂模型简图,采用RBF(径向基函数)神经网络算法非线性积分滑模控制机械臂的运动轨迹.分析了RBF神经网络算法结构,推导了RBF神经网络算法非线性积分滑模控制方程式和在线补偿法则,引用李雅普诺夫函数证明机械臂控制系统的稳定性.采用Matlab软件对双关节机械臂运动轨迹跟踪误差进行仿真,并与PID控制系统的跟踪误差进行对比和分析.仿真误差曲线显示,机械臂运动轨迹在受到外界干扰因素的影响时,采用RBF神经网络算法非线性积分滑模控制方法,不仅跟踪误差较小,而且输入转矩波动幅度较小.机械臂末端采用RBF神经网络算法非线性积分滑模控制方法,提高了机械臂的定位精度,降低了抖动幅度.     

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。     

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。     

基于神经网络的非线性系统反演模糊滑模控制

用径向基神经网络逼近系统中的非线性部分,实现了对未知非线性连续函数的估计,降低了非线性系统控制器对精确建模的要求,并依据反演的方法设计了滑模控制律,实现了被控对象对期望轨迹的跟踪,在此基础上设计了模糊滑模控制率,降低了系统控制输入的抖振,通过仿真验证了该控制方法的有效性。