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.     

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.     

不确定机械臂的组合自适应迭代学习轨迹跟踪

针对一类同时含未知时变和未知定常参数、并带有可重复时变干扰的不确定机械臂系统,为精确跟踪期望轨迹并加快跟踪误差的收敛速度,提出了一种具有抗扰能力的机械臂组合自适应迭代学习控制算法.对未知定常参数和未知时变参数,分别采用时域和迭代域的参数自适应迭代学习律,并基于估计参数设计了机械臂的自适应迭代学习轨迹跟踪控制律.利用相似李亚普诺夫函数证明了轨迹跟踪误差的收敛性.针对二自由度关节式机械臂的仿真结果表明,应用所提算法可实现精确的轨迹跟踪,并加快迭代学习的收敛速度.     

机器人的自适应神经全局滑模轨迹跟踪控制

针对具有不确定性的机器人系统,提出一种自适应神经全局滑模轨迹跟踪控制方案.控制器采用一种新的全局滑模面,使得系统在整个响应时间内都具有鲁棒性;并基于径向基函数神经网络自适应学习不确定性的未知上界,从而自适应调整控制律的切换增益.而且基于Lyapunov稳定性理论证明这种新型控制器能够保证机器人系统关节角位置矢量和角速度矢量的跟踪误差渐近收敛于0.仿真结果表明提出的控制策略能够使机器人系统仅在0.5 s内就实现快速的轨迹跟踪,可见该方案是可行且有效的.     

自适应反演控制在一类非线性系统中的应用

针对一类不确定性上界未知的非线性系统,提出一种自适应反演控制方法.建立了一类带有外界扰动的不确定非线性系统的数学模型.将复杂的非线性系统分解成不超过系统阶数的子系统,采用反演思想,并用自适应更新律对非线性系统不确定性上界进行估计,设计了自适应反演控制器并证明了李亚普诺夫稳定性.采用所设计的控制律使非线性系统的输出能跟踪期望的轨迹,具有一定的鲁棒性.用数值仿真验证了所设计控制器的良好跟踪性能.     

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.     

基于区间二型模糊神经网络反演控制抑制二惯量系统的机械振动

针对带有不确定性和扰动的二惯量伺服系统,提出了一种基于区间二型模糊神经网络的自适应反演控制策略抑制系统的机械振动.首先建立了二惯量系统的动力学模型,设计了反演自适应控制律;其次系统中负载和电机两端未知的扰动变量定义为待估计项,采用区间二型模糊神经网络对其进行估计,给出了基于区间二型模糊神经网络的参数自适应律.基于李雅普诺夫稳定性理论,证明了闭环系统输出跟踪的收敛性,并且跟踪误差可以通过调节控制参数达到任意小.仿真结果表明该方法具有较好的控制性能.      

基于模型分块逼近的三关节机器人鲁棒滑模控制

三关节机器人结构参数、作业环境的外界干扰及结构振动等不确定因素均会造成其动力学模型不确定,导致机器人关节位置镇定或轨迹跟踪控制器的设计具有一定的难度。为此,设计三个RBF(Radical Basis Function)神经网络分别对机器人不确定模型中的三个不确定项进行分块逼近,得到三个不确定项的估计信息,从而得出机器人估计模型,神经网络的权值采用适应算法。针对机器人估计模型设计鲁棒滑模控制律,其中鲁棒项用于克服神经网络建模误差。通过定义Lyapunov函数,证明了控制系统是稳定的。实验结果也表明了三关节均约在1s时达到期望位置或跟踪期望轨迹,位置镇定误差或轨迹跟踪误差也快速、稳定地趋于零。     

柔性关节机械臂的自适应命令滤波输出反馈控制

针对柔性关节机械臂轨迹跟踪控制中存在模型摄动、外界干扰以及部分状态信息不可测等问题，提出一种基于自适应神经网络观测器的命令滤波输出反馈控制方法。首先，给出含不确定性的柔性关节机械臂动力学方程，并选用RBF神经网络设计自适应律，在线逼近由模型摄动及未知干扰带来的不确定性项；然后，设计自适应神经观测器以对系统不可测状态进行实时估计，并将估计值用于反馈控制，解决部分状态信息不可测的问题；最后，基于Lyapunov理论设计反步跟踪控制器，并引入二阶命令滤波器获得中间虚拟控制量的导数，避免反步递推过程中“计算爆炸”的问题。仿真结果表明，当系统存在模型摄动和外界干扰时，所提自适应命令滤波反步控制方法与传统反步控制方法和误差补偿命令滤波控制方法相比，无需连杆的角速度以及电机轴的转角和角速度等状态信息，且轨迹跟踪精度分别提升78%和35%。     

严格反馈非线性系统的鲁棒自适应逆最优跟踪

针对具有未知定常参数和未知有界扰动的严格反馈非线性系统,结合参考信号,构造了误差系统,并解决了其逆最优控制问题.使用Backstepping算法,设计了误差系统鲁棒自适应逆最优控制器和参数自适应律,从而解决了原系统的鲁棒自适应逆最优跟踪问题,并给出性能估计.仿真结果表明该控制算法的有效性.     

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。     

一类非线性离散系统的神经网络自适应控制

针对一类控制方向未知的单输入单输出非线性离散系统,将常规增量式数字PID控制器与自适应神经网络控制项相结合,提出了一种能够保证闭环系统稳定的自适应神经网络控制方法.常规PID控制器用来保证近似线性系统的稳定,自适应神经网络项用来处理非线性项对闭环系统的影响.在神经网络权值修正律中引入离散Nussbaum增益来解决被控系统控制方向未知的问题.证明了闭环系统的所有信号有界,且跟踪误差收敛于紧集,并通过仿真验证了所提方法的有效性.     

改进神经网络自适应滑模控制的机器人轨迹跟踪控制

为了提高机器人轨迹跟踪控制性能,在神经网络滑模控制方法的基础上,提出了一种改进型神经网络自适应滑模控制方法.该方法将神经网络作为控制器,利用其非线性映射能力来逼近各种未知非线性,同时通过在控制律中加入鲁棒项来消除逼近误差.考虑到隐含层单元数和网络结构参数对神经网络映射有效性的影响,将降低抖振作为优化目标,采用粒子群优化算法对网络结构参数进行优化.最后在Matlab/Simulink环境下进行了仿真实验,并与其他控制方法进行了对比分析.仿真结果表明,基于该方法所设计的控制系统具有良好的鲁棒性和控制精确度,同时有效地削弱了抖振.     

工业机器人轨迹跟踪的自适应模糊变结构算法

为提高工业机器人的轨迹跟踪控制性能,提出了一种自适应模糊变结构控制算法,即对滑模区中趋近运动的趋近律进行重新设计,新设计的趋近律能够随着机器人轨迹跟踪误差的改变而做出相应变化,从而使设计后系统的抖振减小,滑模过程中的趋近运动得到改善,控制性能也得到提高.针对该算法设计了自适应模糊变结构控制器,并与其他方法做了实验对比分析,结果表明该算法的响应速度、跟踪精度等更优.     

基于DRNN的机器人轨迹跟踪自适应控制

针对模型未知和动力学非线性机器人轨迹跟踪,提出了一种基于分布式动态回归神经网络（ＤＲＮＮ）的自适应控制方法．该方法在ＰＤ动态反馈控制的基础上,引入神经网络辨识器（ＮＮＩ）在线逼近对象的非线性动力学,并设计出神经网络自适应控制器（ＮＮＣ）来补偿机器人动力学非线性造成的误差．仿真结果表明该控制方案具有良好的跟踪性能和较强的鲁棒性．     

综合电机特性的柔性关节空间机器人全阶滑模控制

研究柔性关节空间机器人轨迹跟踪及关节柔性振动主动抑制问题.导出综合电机特性的动力学模型,且基于奇异摄动理论将其分解为快、慢变子系统.针对快变子系统,采用速度差值反馈控制;针对慢变子系统,提出一种基于径向基神经网络的全阶滑模控制.其中径向基神经网络用于逼近系统未知非线性项,全阶滑模兼备结构简单、鲁棒性强等优点的同时,还能克服抖振问题.系统数值仿真结果证明了所提方案的有效性.     

基于RBF神经网络的弧焊机器人轨迹跟踪控制方法

针对目前弧焊机器人的控制算法大多是基于关节空间的算法,而这种算法无法实现对机械臂末端位置的直接控制的问题,提出了基于笛卡尔空间的轨迹跟踪控制算法.首先运用RBF(radical basis function)神经网络技术对实际机械臂数学模型的建模误差和参数不确定性进行补偿,接着定义Lyapunov函数并运用HJI(Hamilton-Jacobi inequality)定理设计基于笛卡尔空间的机器人鲁棒控制器.在此基础上以二自由度机械臂为被控对象进行仿真研究,仿真结果表明,基于笛卡尔空间算法的轨迹跟踪控制算法误差小于基于关节空间的控制算法,在基于笛卡尔空间的控制算法的仿真中末端轨迹跟踪误差小于0.08 mm,神经网络能够有效地在线学习机器人的建模误差和参数不确定性.     

柔性基和柔性关节空间机器人双重自适应控制

为实现参数未知柔性基和柔性关节空间机器人的刚性运动控制及柔性振动抑制,提出一种基于非确定性等价原理的双重自适应控制方案.结合拉格朗日法、动量守恒原理及奇异摄动法,导出基座姿态受控模式下的系统动力学方程及其在双时间尺度下的快、慢变子系统.利用一类新型低通滤波信号对系统回归矩阵进行修正,针对慢变子系统设计一种可多参数调节的非确定性等价自适应控制策略,以实现参数未知工况下基座姿态及关节的轨迹跟踪.针对具有不确定性快变子系统,设计一种可使快变子系统渐近稳定、抑制基座和关节柔性振动的自适应控制策略.仿真结果验证了所提双重自适应控制方案在系统刚、柔性运动控制上的有效性.     

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SR-UKF的移动机器人主动故障检测和容错控制

提出了一种基于SR-UKF的主动状态建模方法用于移动机器人的在线故障检测和容错跟踪控制.通过对履带式机器人常见滑动故障的运动学分析,建立了带未知滑动故障参数的机器人运动学模型,并采用SR-UKF非线性滤波方法来联合估计机器人的位姿和滑动参数,在对机器人进行实时定位的同时实现了对快速变化(或突变)的滑动故障的在线跟踪和检测.在此基础上,将估计得到的自适应参数模型与基于Lyapunov分析的反馈控制律设计方法结合,获得了一致渐近稳定的轨迹跟踪控制结果,实现了针对在线故障自适应模型的容错控制重构.针对典型的阶跃式滑动故障参数变化的轨迹跟踪仿真实验表明了该方法的有效性.