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。     

机械臂轨迹跟踪控制--基于EC-RBF神经网络的机械臂模型参考自适应控制

针对机械臂运动轨迹控制中存在的跟踪精度不高的问题,采用了一种基于EC-RBF神经网络的模型参考自适应控制方案对机械臂进行模型辨识与轨迹跟踪控制。该方案采用了两个RBF神经网络,运用EC-RBF学习算法,采用离线与在线相结合的方法来训练神经网络,一个用来实现对机械臂进行模型辨识,一个用来实现对机械臂轨迹跟踪控制。对二自由度机械臂进行仿真,结果表明,使用该控制方案对机械臂进行轨迹跟踪控制具有较高的控制精度,且因采用EC-RBF学习算法使网络具有更快的训练速度,从而使得控制过程较迅速。     

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.     

基于神经网络的机械臂的力控制方法

本文提出一种基于神经网络的力控制方法，由两个串联的神经网络构成机械臂的力控制器，其中一个网络用来学习机械臂本身的逆动力学系统，而另一网络用来学习未知的被接触环境的动力学特征，这种方法避免了困难的接触环境建模问题。一个 双连杆机械臂的力控制的仿真实验描述了种种方法的有效性。     

基于极限学习机的机械臂自适应神经控制

针对刚性机械臂系统的控制问题,提出基于极限学习机(ELM)的自适应神经控制算法.极限学习机随机选择单隐层前馈神经网络(SLFN)的隐层节点及其参数,仅调整其网络的输出权值,以极快的学习速度获得良好的推广性.采用李亚普诺夫综合法,使所提出的ELM控制器通过输出权值的自适应调整能够逼近系统的模型不确定性部分,从而保证整个闭环控制系统的稳定性.将该自适应神经控制器应用于2自由度平面机械臂控制中,并与现有的径向基函数(RBF)神经网络自适应控制算法进行比较.实验结果表明,在同等条件下,ELM控制器具有良好的跟踪控制性能,表明了所提出控制算法的有效性.     

机械臂系统自适应神经网络滑模控制器设计

针对机器人系统滑模控制器设计存在的抖振问题,提出了一种新型的具有可变滑模增益的控制器设计方案。在传统滑模控制器设计的基础上,该控制方案的创新之处在于所设计控制器的开关增益可实现动态自适应调整。采用径向基函数神经网络(radialbasis function neural network, RBFNN),使开关增益随关节参数动态改变,以适应系统的未建模动态及未知扰动。通过加入适当的自适应控制算法,有效地抑制逼近误差及外部扰动。并且,通过李雅普诺夫方法证明了系统的轨迹跟踪误差可渐近收敛到0。最后,仿真结果表明,所设计的方案降低了系统抖振,同时可有效地提高跟踪精度。     

基于RENN 的柔性关节机械臂自适应动态面控制

针对面贴式永磁同步电机驱动的柔性关节机械臂动力学模型具有非线性、不确定性和未知外部扰动等特点,提出一种自适应动态面控制方法来实现其关节轨迹跟踪控制．控制律由动态面技术得到,降低了反推控制器的复杂性．模型不确定因素由递归Elman神经网络在线补偿,神经网络权值自适应律通过Lyapunov稳定性分析推导得到．仿真研究表明,该方法对于载荷不确定和外界扰动具有较强的鲁棒性,与传统动态面法相比,大大提高了柔性关节的位置跟踪精度．     

柔性机械臂运动轨迹的鲁棒自适应控制

本文针对多连杆柔性机械臂的运动轨迹问题，讨论了动力学建模，控制系统结构设计以及鲁棒自适应控制法，运用假设模记方法得到了柔性机械臂动力学所似方程，通过对柔性机械臂动力学特性分析，建立了等价动力学模型，依此提出了一种鲁棒自适应控制算法，并给出仿真研究结果。     

任务空间内空间机械臂的自适应控制

对于本体姿态受控而位置不受控的空间机械臂系统,本文在任务空间内给出了一种自适应控制算。证明了当系统存在参数不确定性时,该算汉不但可以保证末端招待器在任务空间内的位置轨迹跟踪误差渐近收敛,而且还可保证在关节空间的角偏差及角偏差速率渐近收敛。仿真结果验证了算法的有效性。     

机械手臂基于神经网络动态补偿的自适应控制

研究了模型具有不确定性的机械手臂的跟踪控制问题.由于模型不确定性的存在,基于精确模型设计的控制律很难达到理想的控制效果.针对这种情况,在基于标称模型设计的控制律的基础上,采用神经网络来补偿模型的不确定性,由于神经网络存在逼近误差,因此在控制器设计时,引入了H_∞ 鲁棒项,使得网络逼近误差达到指定的削弱水平并且跟踪误差渐近收敛到零,仿真结果表明了该方法的有效性.     

含有LuGre摩擦并联机械臂的自适应控制

本文研究了含有LuGre摩擦的并联机械臂自适应控制问题.首先,在并联机械臂动力学模型中引入LuGre摩擦模型来描述伺服关节内部的摩擦行为;其次,构造含有动态摩擦补偿的自适应控制算法,并使用Lyapunov方法证明控制算法的有效性;最后,通过平面3 RRR并联机械臂数值算例,验证所提出控制算法的效果以及LuGre摩擦补偿的必要性.     

基于卷积神经网络的机械臂抓取控制系统设计

为保证机械臂的抓取精度,保证物体抓取的稳定性,本文设计基于卷积神经网络的机械臂抓取控制系统。在系统硬件部分,加设图像、位置和压力传感器,改装机械臂抓取控制器和运动驱动器,利用图像传感器设备,获取满足质量要求的机械臂抓取目标图像,为机械臂抓取控制功能提供硬件支持。软件部分利用卷积神经网络算法提取图像特征,确定机械臂抓取目标位置。结合机械臂当前位置的检测结果,规划机械臂抓取路线,预估机械臂抓取角度与抓取力。最终通过机械臂抓取参数控制量的计算,在控制器的支持下实现系统的机械臂抓取控制功能。实验结果表明,所设计系统应用下位置控制误差和速度控制误差的平均值分别为0.192m和0.138m/s,同时物体抓取掉落概率明显降低。     

空间机械臂的鲁棒复合自适应控制

对于本体姿态受控而位置不受控的空间机械臂系统,考虑存在参数不确定性及非参数不确定性,首先建立了系统的估计模型,并且提出了一种鲁棒复合自适应控制方法,其参数适应律由估计误差和跟踪误差共同决定.证明了这种方法不仅可维持系统的全局渐近稳定,而且还可快速收敛和减小跟踪误差.     

带有输出约束的柔性关节机械臂预设性能自适应控制

针对带有输出约束和模型不确定的柔性关节机械臂系统,提出一种基于时变障碍李雅普诺夫函数的预设性能自适应控制方法.通过构造指数衰减的时变约束边界,提出时变正切型障碍李雅普诺夫函数,能够同时适用于约束与非约束情况,进而拓宽传统对数型障碍李雅普诺夫函数的适用范围.此外,通过预先设置时变边界函数的相关参数,使得系统输出在初始阶段...     

机械臂神经网络变结构控制器

本文将变结构原理引入网络控制器的鲁棒性设计，结果表明，此类控制器可自动补偿由于不精确学习或系统参数变化而引起的动态特性上的不足。     

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。     

柔性机械臂速度控制研究

结合机械臂的结构特点,将神经网络与预测控制、滚动优化理论相结合,设计出用于柔性机械臂轨迹跟踪的神经网络动态优化调整的智能控制系统。从而能够以良好的控制柔性机械臂跟踪各状态量的期望值,并同时达到末时刻速度调节的目的。     

机械臂的CONN控制与CMAC控制的比较研究

由于正交神经网络算法简单,学习收敛速度快,具有线性、非线性逼近精度高等优异特性,取得了较好的应用效果,但在机器人动态建模与实时控制问题上研究较少。为此在机械臂的神经网络控制中,该文提出复合正交神经网络(CONN)与PID并行控制方法,并对小脑模型(CMAC)与PID并行控制作一比较研究。仿真结果表明,当阶跃输入与正弦输入时CONN与CMAC实现的前馈控制具有相同的控制效果,但CONN算法比CMAC算法更简单,这充分地体现了复合正交神经网络的特点。