基于神经网络的多机械臂固定时间同步控制

针对动力学模型未知的多机械臂系统,提出了一种基于神经网络的固定时间终端滑模的位置同步控制器。首先结合相邻交叉耦合同步控制策略,设计固定时间终端滑模面与控制器,保证系统的跟踪误差与同步误差在固定时间内收敛,且收敛时间上界与初始状态无关。其次,设计RBF神经网络权值更新律估计系统多机械臂未知非线性动力学模型,该方法无需对系统模型参数的先验知识。利用Lyapunov函数证明系统的固定时间收敛性与稳定性。最后,仿真结果验证了所提方法的有效性。     

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.     

基于能耗优化的深海电动机械臂轨迹规划

由于深海电动机械臂动力学模型较为复杂,难以基于动力学模型构建精确的能耗优化目标函数,因此,本文提出一种利用径向基函数（RBF）神经网络构建机械臂功耗模型的方法．首先,利用机械臂水下运动实验数据集训练所构建的RBF神经网络．利用基于该神经网络的功耗模型,结合机械臂关节空间轨迹规划多项式,建立机械臂能耗目标函数．然后,采用自适应粒子群优化（PSO）算法求解最优轨迹参数．结果显示,RBF功耗网络均方根误差（RMSE）为20.89 W;经过优化的轨迹的能耗比实验轨迹的能耗均值降低410.8 J（18.3%）．实验结果表明基于自适应PSO算法的轨迹规划方法实现了能耗优化的目标．     

基于RBF神经网络的机械臂自适应控制方法

针对机械臂受内部摩擦和时变扰动等不确定性因素的影响,其轨迹跟踪控制系统的跟踪精度会下降,且影响系统的稳定性,提出一种基于径向基函数神经网络的自适应控制方法。首先,利用RBF神经网络采用离线训练和在线学习的方式对机械臂的动力学模型进行辨识;其次针对机械臂控制系统中的摩擦,设计RBF神经网络自适应控制算法对其进行逼近得到补偿控制量。针对时变扰动和神经网络逼近误差设计鲁棒项,以克服众多不确定性因素带来的影响,同时通过构造李亚普诺夫函数对所设计的控制系统进行稳定性分析;最后,仿真实验结果证明提出的控制方法具有较高的跟踪精度、抗干扰能力和较强的鲁棒性。     

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...     

非线性多输入系统的近似动态规划H∞控制

实际工程中存在各种多输入系统,比如用于大型雷达和火炮的多驱动伺服系统、多自由度机械臂系统等,针对这些系统的H_∞控制研究具有重要意义.同时,近似动态规划方法已被广泛用于求解各类最优控制问题,但并未涉及多输入系统的H_∞控制.本文应用近似动态规划方法,设计多输入非线性系统的H_∞控制器.应用基于强化学习的神经网络在线逼近非线性Hamilton–Jacobi–Isaacs (HJI)方程的解,引进一种新的自适应律更新神经网络权值,然后直接用于H_∞控制器的设计,并证明了权值的收敛性和系统的闭环稳定性,保证了多输入系统受到外界未知干扰时的良好性能.最后应用仿真实例验证所提方法的正确性和有效性.     

基于神经网络补偿的机械臂轨迹控制策略的研究

建立了二维机械臂的动力学方程,分析了控制机械臂轨迹应考虑的不确定量.考虑到机械臂动力学模型的非线性和参数的不确定性,提出了采用神经网络作为补偿器的机械臂轨迹控制策略.该策略结构简单,采用标称值确定神经网络初始权值,易于工业实现.仿真研究表明了所提控制策略的有效性及神经网络补偿器的泛化能力和自适应能力.     

全局收敛的带有输出约束柔性关节机械臂分段控制

针对带有输出约束和模型不确定的柔性关节机械臂系统,运用奇异摄动法将系统解耦成慢子与快子系统且分别进行控制器设计,从而实现与刚性控制方法的联系且能减少计算量.针对快子系统,采用速度差值反馈来抑制关节柔性引起的系统弹性振动.针对慢子系统提出了一种全局收敛的分段控制策略,将收敛域拓展到全局,克服了基于tan-障碍Lyapuov函数(BLF)反演控制需要系统初始误差在收敛域内的缺陷,且应用径向基(RBF)神经网络消除未知干扰和模型不确定性引起的误差,至此保证了系统的轨迹跟踪和输出约束要求.仿真对比表明,所提方法能使柔性关节机械臂在任意初始位置均能保持良好的跟踪性能,体现了控制器的有效性和优越性.     

一类非线性系统的H2容错控制器的设计及其在空间飞行器的应用

针对存在执行器故障的不确定系统,本文研究了一种H2鲁棒容错控制的设计.控制器包括三个功能: 1)利用径向基函数(Radial basis function, RBF)神经网络估计得到的近似非线性函数构成闭环控制,抵消系统的非线性特征; 2)能实现H2性能指标的最优控制; 3)利用滑模控制抑制模型估计误差以提高控制精度, 并且控制器具有指定稳定裕度的设计功能.文中提出了用于执行器故障估计的调整规则, 故障估计信息用于控制律的设计.基于Lyapunov函数,推导了满足H2最优性能的充分条件:非线性二次矩阵不等式. 为了降低计算成本,给出了不等式求解的简化算法,避免了在线求解非线性矩阵不等式.通过一个空间飞行器模型的仿真, 验证了本文提出方法的有效性.     

基于速度观测模型的可重构机械臂补偿控制

针对可重构机械臂动力学中存在的模型参数摄动和外界扰动,本文阐述了一种基于速度观测模型的模糊RBF神经网络补偿控制算法.利用Lyapunov函数给出了网络的权值、隶属度函数中心和宽度倒数的在线更新律,并证明了所提出的观测模型及其补偿控制算法的最终一致有界性.最后以RRP(revolute-revolute-prismatic)构形的可重构机械臂为例,通过仿真研究了算法对轨迹跟踪问题的有效性,同时与基于速度观测模型的RBF神经网络补偿控制进行了仿真对比及分析,给出了神经网络和模糊神经网络在可重构机械臂轨迹控制应用中各自的优缺点.     

基于自适应动态规划的移动装弹机械臂轨迹控制

针对移动装弹机械臂系统非线性、强耦合、受多种不确定因素影响的问题,本文基于自适应动态规划方法,提出了仅包含评价网络结构的轨迹跟踪控制方法,有效减小了系统跟踪误差.首先,考虑到系统非线性特性、变量间强耦合作用及重力因素的影响,通过拉格朗日方程建立了移动装弹机械臂的动力学模型.其次,针对系统存在不确定性上界未知的问题,建立单网络评价结构,通过策略迭代算法,求解哈密顿–雅可比–贝尔曼方程,基于李雅普诺夫稳定性理论,设计了自适应动态规划轨迹跟踪控制方法.最后,通过仿真实验将该控制方法与自适应滑模控制方法进行了对比,进一步检验了所设计控制方法的有效性.     

考虑输出约束的机械臂自适应神经网络鲁棒控制

在工业机械臂系统的跟踪控制过程中,由于其结构和工作环境复杂,导致难以建立精确的系统模型,针对此问题提出了基于多层前馈神经网络的自适应鲁棒控制器.通过神经网络在线估计机械臂系统动力学模型,并在控制器中进行补偿,同时设计了一个在线更新的鲁棒项克服神经网络的重构误差;考虑机械臂实际系统的输出约束,采用障碍李雅普诺夫函数设计控制律并证明系统的稳定性从而使系统满足约束条件.仿真实验结果表明:在约束条件下所提出的控制器能够实现系统的一致最终有界稳定,且跟踪性能良好,并具有很好的抗干扰和自适应能力.     

基于函数滑模控制器的机械手轨迹跟踪控制

提出一种基于函数滑模控制器(FSMC)的控制策略,用于不确定机械手的轨迹跟踪控制。首先,由动力学模型和滑模函数得到系统的不确定项;然后,利用RBF神经网络逼近系统不确定项,由于神经网络逼近存在误差,而且在初始阶段误差较大,设计函数滑模控制器和鲁棒补偿项对神经网络逼近误差进行补偿,以克服普通滑模控制器容易引起的抖振问题,同时提高系统的跟踪控制性能。基于李亚普诺夫理论证明了闭环系统的全局稳定性,仿真实验也验证了方法的有效性。     

先进控制技术在预焙铝电解过程控制中的应用

设计了预焙铝电解生产过程先进控制系统的总体结构,建立了基于神经网络的电解槽参数及阳极效应预测模型,设计了基于支持向量机的槽况解析与槽况诊断专家系统,提出了极距NN—PID控制策略、电解质温度基于混沌优化的模糊控制策略及氧化铝浓度的模糊专家控制策略;同时,针对有关参数的优化控制和产量质量能耗优化控制问题,提出了基于模糊专家控制技术的智能协调策略,以满足全局优化的控制目标;实验结果表明,系统能有效地实现预焙铝电解槽的优化控制,实现槽状态在线解析,并能达到优良的生产控制指标,为企业带来了巨大的经济效益和社会效益。     

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。     

Reliability-based approach to the inverse kinematics solution of robots using Elman's networks

The solution of inverse kinematics problem of redundant manipulators is a fundamental problem in robot control. The inverse kinematics problem in robotics is the determination of joint angles for a desired cartesian position of the end effector. For the solution of this problem, many traditional solutions such as geometric, iterative and algebraic are inadequate if the joint structure of the manipulator is more complex. Furthermore, many neural network approaches have been done to this problem. But the neural network-based solutions are not much reliable due to the error at the end of learning. Therefore, a reliability-based neural network inverse kinematics solution approach has been presented, and applied to a six-degrees of freedom (dof) robot manipulator in this paper. The structure of the proposed method is based on using three networks designed parallel to minimize the error of the whole system. Elman network, which has a profound impact on the learning capability and performance of the network, is chosen and designed according to the proposed solution method. At the end of parallel implementation, the results of each network are evaluated using direct kinematics equations to obtain the network with best result.     

力矩输入有界的柔性关节机器人轨迹跟踪控制

为解决柔性关节机器人在关节驱动力矩输出受限情况下的轨迹跟踪控制问题,提出一种基于奇异摄动理论的有界控制器.首先,利用奇异摄动理论将柔性关节机器人动力学模型解耦成快、慢两个子系统.然后,引入一类平滑饱和函数和径向基函数神经网络非线性逼近手段,依据反步策略设计了针对慢子系统的有界控制器.在快子系统的有界控制器设计中,通过关节弹性力矩跟踪误差的滤波处理加速系统的收敛.同时,在快、慢子系统控制器中均采用模糊逻辑实现控制参数的在线动态自调整.此外,结合李雅普诺夫稳定理论给出了严格的系统稳定性证明.最后,通过仿真对比实验验证了所提出控制方法的有效性和优越性.     

具有未知负载扰动的水井钻机电液伺服系统无模型自适应控制

针对电液伺服系统在水井钻机推进工况下存在的参数不确定以及未知负载扰动突变等非线性因素,提出了基于径向基(RBF)神经网络扰动观测器的无模型自适应控制方法.首先,通过改进的无模型自适应控制动态线性化方法,将被控系统线性化为与输入输出相关的增量形式,并将未知负载扰动合并到一个非线性项中;然后,设计了径向基神经网络扰动观测器对含有未知负载扰动的非线性项进行估计,作为对未知扰动的补偿;最后,设计了时变参数估计律,通过在线调整伪偏导数,给出了电液伺服系统的控制更新律.仿真结果表明,所设计的控制器能够对未知负载扰动突变进行补偿,并能确保跟踪误差有界收敛.