多连杆柔性关节机器人的神经网络自适应反演控制

针对模型不精确的多连杆柔性关节机器人的关节运动控制问题,提出一种新的神经网络自适应反演控制算法.该控制算法借鉴单连杆柔性关节机器人的一种神经网络自适应反演算法,在反演过程中,将系统非线性未知项与已知项分开并利用径向基神经网络在线逼近非线性未知项;对这种单连杆柔性关节机器人的神经网络自适应反演算法进行改进,构造出新的非线性项,并对转子惯性矩阵的估计转化为对转子惯量矩阵对角元素的估计;根据李雅普诺夫函数的稳定性设计出适用于多连杆柔性关节机器人的控制律与参数自适应律,从而实现多连杆柔性关节机器人的关节轨迹跟踪控制.仿真试验结果表明,与一般的比例-微分控制算法相比,该算法具有更好的轨迹跟踪性能.此外,神经网络节点数取值较小时,该算法也能够保证一定的轨迹跟踪精度.     

基于神经网络重力前馈补偿的柔性关节机器人分层控制

针对柔性关节机器人简化动力学模型,根据连杆侧和电机侧间的扭矩通过弹性单元耦合的特性提出基于分层控制的柔性关节机器人分层控制结构,利用奇异摄动理论给出系统的稳定性证明.由于柔性关节机器人的动力学参数无法准确测量,因此提出应用BP神经网络模型对机器人的重力扭矩进行逼近.通过四自由度柔性关节机器人进行离线实验,实现对神经网络的训练,并验证神经网络模型的有效性.最后应用提出的重力前馈补偿分层控制算法实现对机器人的有效控制,验证该算法的可行性和有效性.     

高速运动机器人动力学及控制策略研究

机器人高速运动时关节柔性会对关节轨迹造成较大影响,必须对其造成的振动加以研究和控制。文章通过简化机器人的柔性关节,从动力学角度对机器人高速工作过程进行仿真,分析关节柔性及其大小对关节轨迹的影响;采用奇异摄动复合控制策略,将高速机器人系统分为快、慢2个独立子系统,分别为其设计控制器,加和后作为整个系统的控制输入。控制系统仿真结果表明,该控制策略能够实现轨迹的精确跟踪和振动的有效抑制。     

采用混合算法优化神经网络滑模控制的机器人跟踪误差

为了避免机器人关节角位移受外界影响,提高运动轨迹的跟踪精度,采用混合算法优化神经网络滑模控制器,并对优化后的控制器进行仿真验证.建立机器人平面简图模型,利用拉格朗日定理推导出机器人关节运动方程式,采用神经网络算法构建RBF神经网络自适应滑模控制系统.为了增强控制系统的稳定性,削弱外界波形对机器人运动轨迹的干扰,利用粒子群算法和差分进化算法在线优化RBF神经网络滑模控制律参数,设计了改进RBF神经网络滑模可调参数的自适应控制律,保证机器人控制系统的稳定性.通过MATLAB软件进行仿真实验,并且与优化前机器人关节角位移输出误差形成对比.仿真结果显示：随着干扰波形幅度的增大,采用神经网络滑模控制器,机器人关节输出角位移误差逐渐增大,系统不稳定,而采用混合算法优化神经网络滑模控制器,系统反应速度较快,机器人关节输出角位移误差较小.机器人采用混合算法优化神经网络控制器,能够提高控制系统的抗干扰能力,稳定性较好、输出精度较高.     

滤波减速器传动机器人的自适应RBF反演法控制

针对具有参数未知、外界扰动、强耦合、非线性和多变量的滤波减速器传动机器人建立系统数学模型并对其进行自适应RBF神经网络反演法控制。利用自适应RBF在线逼近系统模型中的未知非线性项设计基于自适应RBF神经网络的反演法控制器同时结合Lyapunov稳定性分析方法论证闭环系统的收敛性。所提控制方法有效地抑制诸如参数未知、外界扰动等对滤波减速器传动机器人的性能影响。仿真分析表明所提出自适应RBF神经网络反演控制器实现了滤波减速器传动机器人的高性能位置跟踪控制并具有很好的控制精度和鲁棒性。     

传动柔性提升机神经网络鲁棒控制及振动抑制

为了提高物料提升机的位置控制精度和抗冲击能力,设计一种神经网络鲁棒控制和振动抑制方法。将传动链、谐波驱动装置等传动部件的关节柔性简化为无惯量线性扭(弹)簧并引入物料提升机模型中,利用拉格朗日方法建立系统刚-柔耦合动力学方程。基于奇异摄动理论将系统降阶分解为快、慢两个子系统,并设计混合控制器,其中,表征柔性振动的快变子系统采用关节速度差值反馈来直接抑制振动,而表征刚性运动的慢变子系统则采用基于HJI理论和RBF神经网络的鲁棒控制,通过神经网络对系统参数误差进行自适应调整。仿真结果表明,所设计的控制器能克服系统参数误差及外界扰动的影响,实现物料提升机位置的精确控制,并能有效抑制柔性关节的振动,保持系统的稳定性。     

基于神经网络及综合电机特性的柔性关节空间机器人全阶滑模控制

研究了载体位置、姿态均不受控的自由漂浮柔性关节空间机器人机械臂轨迹跟踪及关节柔性振动主动抑制问题,利用系统动量、动量矩守恒关系及第二类Lagrange法,并综合考虑关节驱动电机特性,导出了其全系统动力学模型;然后基于奇异摄动理论将该动力学模型分解为描述机械臂刚性运动的慢变子系统及描述关节柔性振动的快变子系统,并结合关节电机输出力矩与电枢电流的关系,将对控制力矩的设计转化为对电流控制的设计。之后,针对关节柔性振动快变子系统,采用速度差值反馈控制方案对其进行了振动主动抑制;针对机械臂刚性运动慢变子系统,则基于RBF神经网络提出了一种全阶滑模控制方案;其中RBF神经网络用于逼近由系统不确定参数带来的未知非线性项,全阶滑模控制方案的引入在于使控制系统在兼备传统滑模控制方案鲁棒性强特点的同时,还能克服抖振问题。最后,系统数值仿真结果说明了所提方案的有效性。     

液压四足机器人单腿的分数阶虚拟模型控制

虚拟模型控制广泛用于四足机器人的运动控制器设计中. 提出了一种分数阶虚拟模型控制器,在保证四足机器人柔性触地的同时,提高四足机器人小跑运动中单腿轨迹跟踪的精确性和鲁棒性. 介绍了关节液压缸力控制系统的频域建模过程及基于非线性寻优法的单腿虚拟模型控制器的参数整定,并通过实验对比了分数阶虚拟模型控制和传统虚拟模型控制在四足机器人小跑运动中单腿的控制效果,证明了分数阶虚拟模型控制对单腿轨迹跟踪性能的改善作用.      

神经网络直接自适应控制器的设计与实现

柔性机器人在受限运动时由于控制对象极其复杂而难以控制。为了解决受限柔性机器人机械臂难以精确定位问题提出并设计了一种神经网络直接自适应控制器。其控制效果在研究的受限柔性机器人控制实验上作了仿真与实验。结果表明该控制器能经较高精度控制受限柔性机器人的机械臂精确定位。本文是深入研究受限柔性机器人控制问题的基础。     

分块建模关节机器人的PI鲁棒滑模控制

为实现机器人关节位置镇定和轨迹跟踪控制,控制律的设计须针对确定的机器人动力学模型,由于机器人结构参数、作业环境的外界干扰及结构振动等不确定性因素的存在,会造成机器人动力学模型不确定.为此,设计3个RBF神经网络分别对不确定机器人模型中的3个不确定项进行分块建模,得到机器人估计模型,神经网络的权值采用自适应算法.针对机器人估计模型设计PI鲁棒滑模控制律.将所设计的控制器用于三关节机器人的三个关节的力矩控制,研究结果表明:三关节均约在1 s时达到期望位置和跟踪期望轨迹,镇定误差和跟踪误差也快速、稳定地趋于零.通过定义基于积分型的Lyapunov函数,利用Lyapunov稳定性理论证明了控制系统是全局渐近稳定的.     

一类欠驱动机械系统基于神经网络的控制

运用神经网络设计体操机器人欠驱动机械系统的平衡控制器.首先利用联立约束法和矢量环对两关节体操机器人进行数学建模,然后用反馈线性化理论将这个非线性系统线性化,最后结合神经网络来设计平衡控制器.仿真结果表明,神经网络控制可以有效地使系统在垂直向上位置附近到达平衡稳定状态,从而实现了此类欠驱动系统基于神经网络的控制.     

基于模糊高斯基函数神经网络控制的机器人视觉伺服系统

针对机器人视觉伺服控制系统中存在的不确定性问题,将模糊控制与神经网络相结合,用神经网络来实现模糊推理,提出了一种把高斯基函数作为隶属函数的模糊神经网络视觉伺服控制器,该控制器不仅具有定性知识的表达能力,而且具有很强的在线学习能力。将所提方法用于三关节机器人"手-眼"视觉伺服系统的控制中,取得了很好的控制效果。     

输电线巡检机器人位姿变化的柔性关节控制策略

为降低输电线巡检机器人的柔性关节输出速度的波动程度，采用极点配置方法设计柔性关节伺服驱动系统控制器参数.该参数的选择随机器人位姿变化而变化，从而使机器人柔性关节伺服驱动系统能够获得平稳的输出速度.首先建立了机器人柔性关节伺服驱动系统动力学方程，并求得电机转速到电机电磁转矩的传递函数；接下来将PI控制策略应用于柔性关节伺服控制，求得控制系统闭环传递函数；然后采用相同阻尼系数的极点配置策略设计控制器参数；最后开展了巡检机器人越障情况下变位姿工况的柔性关节控制实验，结果说明可通过适当选择极点配置参数使柔性关节获得良好的输出速度.     

基于定量反馈理论的工业机器人关节控制方法

工业机器人系统由大量的关节驱动装置来实现自身运动和各种动作,机器人的关节控制是工业机器人系统控制中最基本和核心的控制过程.针对机器人关节控制的非线性、时变性和不确定性的特点,研究应用定量反馈理论(QFT)对工业机器人的关节进行控制的方法,并使得设计的控制器具备较好的抗干扰性和鲁棒性.通过分析验证可知,使用QFT设计的控制器完全能够满足设计要求,十分适合于工业机器人关节控制,且易于工程实现.     

AUV模型解耦水平运动多控制器联合控制

为了解决自治水下机器人(AUV)的水平面轨迹跟踪控制问题,提出一种基于解耦模型的多控制器联合控制方法.建立AUV水平面三自由度运动模型并进行模型解耦,将每个自由度都只保留主变量,模型中的交叉耦合项和模型不确定性都当做外干扰项来考虑;对解耦后的AUV运动模型进行轨迹跟踪控制器的设计,针对AUV各个自由度的特点,为轴向和侧向运动设计自适应反演滑模控制器,为艏向运动设计带有干扰观测器的自适应终端滑模控制器;通过公式推导,利用李雅普诺夫理论证明了系统稳定性和误差的收敛性.仿真实验证明:所设计的轨迹跟踪控制器具有较强的鲁棒性能,系统能够实现对平面轨迹的精确跟踪且能够在规定的有效时间内实现对艏向角的精确跟踪.     

柔性关节机械臂自适应神经网络动态面控制

针对柔性关节机械臂动力学模型具有非线性、不确定性和未知的外界扰动等问题,提出了基于自回归小波神经网络的自适应动态面控制方法.采用对于非线性系统具有良好学习和快速收敛能力的自回归小波神经网络,在线观测和补偿动力学模型的不确定项.并应用动态面方法设计控制器实现了关节轨迹跟踪控制.仿真和实验结果显示:当存在模型参数不准确及未建模的外部扰动力矩时,控制算法表现出良好的自适应能力,与传统动态面法和PD(比例微分)控制相比较,显著提高了柔性关节的位置跟踪精度.     

冗余驱动并联机器人多目标控制方法

冗余驱动并联机器人的关节自由度增加了运动的灵活性，但也增加了碰撞的风险.在多目标控制中，需要对其进行有效的避障控制，以保证机器人在执行任务时的安全性和稳定性.针对这一问题，提出冗余驱动并联机器人多目标控制方法设计.利用拉格朗日法对机器人运动特性展开分析，构建机器人运动方程；在径向基函数(Radial Basis Function, RBF)神经网络的基础上，采用自适应方法建立滑模控制器，并基于李亚普诺夫稳定性对滑模控制器展开修正，提高控制器的稳定性；应用连通性屏障控制和避障屏障控制策略，实现机器人的运动控制.实验结果表明，本文方法能够实现精准避障，且控制误差小、效率高、效果稳定.     

基于自适应反步法的自主水下机器人变深控制

为实现自主水下机器人(AUV)的高精度变深控制,基于AUV垂直面的运动学和非线性动力学模型,提出了神经网络自适应迭代反步控制方法,设计了运动学和动力学控制器.文中首先考虑AUV非线性模型的攻角和水动力阻尼系数的不确定性,设计神经网络控制器来对纵倾运动中的非线性水动力阻尼项和外界海流干扰作用进行在线估计,并基于Lyapunov稳定性理论设计神经网络权值的自适应律,保证系统闭环信号的一致最终有界.最后通过两组仿真实验,比较了所设计的控制器在设定控制器增益参数下的系统响应和在扰动作用下的变深控制性能,结果表明,所设计的控制器具有较小的稳态误差和较高的跟踪精度.     

基于干扰观测器的欠驱动AUV自适应反演控制

针对未知外界干扰存在的情况,提出一种基于非线性干扰观测器(NDO)的自适应反演控制,用于改善欠驱动自治水下机器人(AUV)深度跟踪控制性能。首先对欠驱动自治水下机器人的垂直面模型进行有条件的简化,得到新的运动学及动力学方程,建立简化后模型的状态方程;其次根据系统状态方程构建非线性观测器,设计自适应反演控制器,输出控制量根据李雅普诺夫稳定原理推导得出,确保包含非线性干扰观测器及自适应反演控制器在内的控制系统的一致渐进稳定性。研究结果表明:所设计的非线性干扰观测器以及自适应反演控制器可以实现欠驱动自治水下机器人在存在外界未知干扰情况下深度轨迹跟踪,具有较强的鲁棒性。     

基于单片机的小型上下料机器人机电综合设计

针对柔性制造单元的上下料任务,完成了小型5自由度机器人的机电综合设计与制作。在SolidWorks环境下,构建三维模型并完成了运动分析：以单片机作为控制器,为舵机提供控制信号,采用了一种新的多路PWM控制信号产生方法,可以精确地控制六路舵机的运动,实现对机器人的控制,完成了控制器的硬件夏软件设计;设计了上位机控制程序,并利用VB串口通信控件实现上位机与单片机的通讯。所设计的机器人,能完成多种物料的搬运任务,控制简单可靠。