基于RBF增益调节的机器人滑模控制策略

滑模控制响应快,对系统参数和外部扰动呈不变性,可保证系统的渐进稳定性,但其缺点是控制存在很强的抖动.在一般滑模控制的基础上引入径向基函数神经网络(RBFNN),利用滑模控制的特点设定目标函数,将切换函数作为RBFNN 的输入,切换项增益K的绝对值作为其输出.利用RBF神经网络的在线学习功能,消除了控制的抖动,同时使系统具有很强的鲁棒性.对单关节机器人的仿真研究表明,在存在模型误差和外部扰动的情况下,该方案能大大降低抖振现象.     

不确定机器人的优化神经网络滑模控制策略

滑模控制响应快,对系统参数和外部扰动呈不变性,可保证系统的渐进稳定性,但它要求控制系统的不确定性的上界值必须已知.在实际中,不确定性的上界值是无法测量的,针对这个问题,采用RBF神经网络来对干扰的上界进行自适应学习,同时也降低了滑模产生的抖振现象.通过对单关节机器人的仿真研究表明:在存在模型误差和外部扰动的情况下,该方案既能达到高精度快速跟踪的目的,又能削弱滑模控制的抖动问题.     

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。     

新型三平移并联机器人的模糊滑模控制

针对以直流伺服电机驱动的少自由度并联机器人，采用了一种新型模糊滑模控制策略。该方法设计简单，系统的鲁棒性好。仿真结果表明该算法是可行的，具有很好的快速性和抗干扰能力，保证了闭环系统的渐进稳定，而且具有与自学习控制和自适应控制类似的优点。     

并联机器人系统的一种新型自适应滑模控制策略

针对并联机器人的轨迹跟踪问题,提出一种新型自适应滑模控制(NASMC)策略。该方案无须知道系统扰动参数和不确定值上界,能有效解决滑模控制(SMC)中切换增益过度适应问题;且能减弱机器人启动时刻的冲击,从而避免并联机器人启动时可能出现的奇异位形。理论分析与仿真结果验证了该控制算法的有效性。     

基于RBF神经网络手术机器人从手控制系统研究

以手术机器人的从手为研究对象,使用径向基函数(RBF)神经网络对手术机器人从手进行基于模型分块逼近的自适应控制。针对手术机器人从手动力学模型建模不准确的问题,采用RBF神经网络分别对从手动力学模型中的3个系数矩阵分块逼近,计算出从手的精确动力学模型,同时动态调整控制律实现对系统的稳定自适应控制。在系统稳定性分析的基础上,进行了仿真实验。实验结果表明:该控制算法改进了系统控制性能,具有精度高、稳定性好、鲁棒性强的特点。     

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ESO的电动伺服系统RBF神经网络滑模控制

为了提高电动伺服系统的加载力跟踪精度,基于扩张观测器(ESO)和RBF神经网络,设计了一种自适应滑模控制器。ESO可以观测电动伺服系统的状态变量和外界扰动,解决实际工程应用中因对输出力直接微分造成的微分爆炸问题;利用RBF神经网络逼近系统存在的非线性不确定因素,将ESO观测到的状态变量、扰动项和RBF神经网络的估计值引入到滑模控制其中,实现对滑模控制的补偿,并通过构造李雅普诺夫函数对所提出的控制策略进行稳定性证明;在MATLAB/Simulink环境中搭建仿真模型,验证了ESO和RBF神经网络在不同工况下对系统相应量的精准估计,且误差均满足所设定的性能指标,同时与传统滑模控制进行了对比,所提出的控制策略能有效地解决传统滑模控制的抖振问题,加载力跟踪精度更高,鲁棒性能更优。     

基于神经网络的机器人手臂模型辨识

介绍了神经网络动态建模方法,以非线性两关节机器人手臂为例,用两个并联的BP网络对其进行了辨识研究,仿真结果表明,神经网络是建立机器人手臂模型的一种有效方法。     

基于步进电机驱动并联机器人的无震颤滑模控制研究

步进电机具有体积小、转矩大、转速范围宽等优点;并联机器人具有刚度大、承载能力强、误差小等特点。本文针对以步进电机驱动的新型三平移并联机器人机构的上述特点,设计了滑模控制算法,建立了控制系统模型,仿真实现了对各支路主动副期望运动轨迹的跟踪。仿真结果表明：该算法解决了滑模控制的震颤问题,系统的鲁棒性好,且系统抗干扰能力强,对系统参数变化不敏感,具有良好的跟踪性能．实现了对该并联机器人的高精度实时控制.     

基于RBF神经网络的泵控系统滑模控制器设计及仿真分析

针对泵控系统滑模控制方面的研究,根据泵控系统的降阶数学模型中存在的未知项f (),再结合滑模控制算法设计基于RBF神经网络的滑模控制器。通过MATLAB/Simulink建立系统的仿真模型,然后进行位置指令仿真分析。研究结果表明：相比较PID控制器,基于RBF神经网络的滑模控制器获得了最小跟踪误差。在干扰条件下跟踪10 Hz频率与1 mm幅值的正弦位置信号,基于RBF神经网络的滑模控制器误差最小;施加干扰力后,控制器都出现了更大的跟踪误差,此时基于RBF神经网络构建的滑模控制器可以快速恢复跟踪误差。研究设计的基于RBF神经网络的泵控系统滑模控制器具有很好的跟踪精度和更强的鲁棒性,可以拓宽应用到其他机械传动领域。     

基于神经网络的电液位置伺服系统自适应滑模控制

针对电液位置伺服系统(阀控对称缸)模型复杂、参数时变、摩擦影响显著等特点,提出了基于RBF神经网络和基于Lu Gre模型的自适应滑模控制算法。该算法的优点是:(1)利用RBF神经网络逼近控制电流与系统输出压力的关系,将电液位置伺服系统的数学模型简化为二阶,减少了模型参数;(2)采用Lu Gre模型能够准确地描述摩擦过程中复杂的动、静态特性,通过该模型设计摩擦补偿,提高了控制精度;(3)设计自适应滑模控制器,增强了系统的鲁棒性。利用构建的李雅普诺夫函数,证明了闭环系统的稳定性。仿真实验表明:所提算法控制精度较高、响应速度较快、鲁棒性较强。     

外骨骼关节驱动神经网络滑模力控制研究

针对外骨骼机器人液压关节驱动系统具有非线性、不确定参数等特性,导致模型建立困难以及负重时具有不确定冲击扰动的问题,基于电液伺服系统特性,建立以弹性负载为外负载的数学模型。为减小负重时冲击扰动项对力控制的影响,引入径向基（RBF）神经网络对干扰项进行补偿,设计一种基于RBF神经网络的滑模力控制策略。通过系统特性进一步验证模型可行性,并进行仿真试验对比。结果表明：与PID控制相比,所设计的控制策略响应时间更短,跟踪误差缩小70.5%;变负载工况下,所设计的控制策略具有更好的跟随能力、更强的鲁棒性能,可以满足外骨骼机器人关节驱动的力控制要求。平台试验进一步验证了仿真结果的有效性与正确性。     

基于RBF神经网络的永磁同步直线电机全局滑模控制

针对永磁直线同步电机直接驱动伺服系统存在负载扰动、参数时变、非线性摩擦及端部效应等不确定性因素,提出了一种神经网络增益切换全程滑模控制策略。该策略使控制系统一开始就处于滑动模态上,使系统具有全局鲁棒性。其次,通过递归神经网络的在线学习来对不确定界限实时估计,并引入饱和函数,以进一步降低控制中的抖振,改善系统的性能。通过仿真对所提方案与PID控制和传统滑模控制进行对比,验证了所提出的方案有更好的鲁棒性和跟踪能力。     

基于PSO的塔式起重机模糊神经网络滑模防摆控制

针对塔式起重机运行中重物摆动造成的工作效率降低、存在安全隐患等问题,建立塔式起重机的动力学模型,设计基于PSO的模糊神经网络滑模控制器,用于塔式起重机的定位、防摆控制。用模糊神经网络辨识塔式起重机系统模型的不确定项,并用PSO算法优化滑模控制器的参数。该方法降低了滑模控制系统的抖振,提高了控制系统的性能。仿真结果表明该方法的有效性和可行性。     

移动机器人神经网络补偿计算力矩控制

针对存在动力学不确定建模项、建模误差及外界干扰的移动机器人,设计RBF神经网络补偿计算力矩控制算法。基于反步法设计运动学辅助速度控制率。根据动力学理想名义模型,基于计算力矩法设计一般的力矩控制器。在此基础上,建立具有不确定建模项、建模误差及外界干扰的移动机器人动力学模型,基于计算力矩法设计带有RBF神经网络补偿的力矩控制器,神经网络的权值由自适应律给出。最后,利用Lyapunov理论证明了系统的稳定性。仿真结果表明：神经网络对系统不确定项具有良好的逼近性能,相比于一般的计算力矩控制,所提出的神经网络补偿计算力矩控制算法具有更好的跟踪性能,控制系统具有更好的鲁棒性。