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.     

基于迭代学习的三自由度机械臂轨迹跟踪控制

针对用于三自由度机械臂各关节末端轨迹跟踪控制的非线性系统在扰动存在的情况下跟踪效率较低的问题,提出一种变增益迭代学习控制律.利用拉格朗日法建立动力学方程,设计三自由度机械臂结构的变增益迭代学习控制器并进行收敛性分析,通过Matlab的Simulink仿真模块,构建三自由度机械臂控制系统仿真图,进行闭环定常PD(Proportion Differentiation)型和闭环变增益PD型迭代学习控制器的三自由度机械臂对比仿真试验.仿真结果显示,基于变增益迭代学习的三自由度机械臂在干扰的状态下,能较短时间内收敛到期望轨迹.     

基于迭代学习算法的机械臂系统轨迹跟踪控制

针对平面二自由度机械臂这一非线性系统,设计了带初态学习的指数变增益D型迭代学习律,并给出收敛性证明.仿真结果表明,迭代学习控制对于诸如二自由度机械臂系统这类具有重复运动性质的被控对象具有很好的控制效果.设计带初态学习的指数变增益D型学习律,系统不仅在存在初态偏移的情况下实现了机械臂期望轨迹的完全跟踪,还加快了收敛速度,增强了迭代学习控制的鲁棒性.     

一类机械臂指数加速迭代学习控制方法

针对机械臂系统外部干扰的轨迹跟踪问题,提出一种无需重置初始条件的加速迭代学习控制方法。利用指数变增益加速学习控制律,结合迭代学习控制算法,无需重置机械臂每次运行时初始条件,历经多次迭代后,实现对期望轨迹的实时跟踪。并在 范数意义下,证明了无需重置条件的比例微分（Proportion differentiation, PD）型加速迭代学习控制算法的收敛性。基于二自由度（Two Degrees of Freedom, 2-DOFs）仿真实验结果验证了该方法的可行性和有效性。同时在Quanser机电一体化运动控制实验平台上完成了实验验证,表明该算法的实用性。     

基于遗传-鲸鱼优化的SCARA自适应迭代学习控制

针对SCARA重复运动后的轨迹会出现偏差的问题,给出了一种基于改进鲸鱼算法的自适应迭代学习优化控制策略。根据SCARA驱动方程,设计了动力学系统的迭代学习控制律。由于鲸鱼算法收敛速度慢,利用遗传算法与鲸鱼算法结合,提高算法的全局搜索能力。对机械臂控制器参数K_P、K_D进行寻优。实验结果表明,该算法灵活性好,对系统期望轨迹具有较高的跟踪精度,有效降低了双关节机械臂的位置、速度跟踪误差,具有较强的可行性与有效性。     

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.     

PID神经网络混沌优化及其在机械臂轨迹跟踪控制中的应用

针对BP优化PID神经网络（BP-PDNN）易陷入局部极小的不足,提出了一种变尺度混沌优化PID神经网络设计方法,即MSCOA-PIDNN,将其应用于机械臂轨迹跟踪控制中.利用混沌运动的遍历性优化网络权值,通过压缩优化变量取值区间提高搜索效率.采用MSCOA-PIDNN建立机械臂系统的预测模型,以多步预测性能指标为目标函数,优化PID神经网络控制器,从而实现机械臂系统轨迹跟踪的有效控制.仿真结果表明,MSCOA-PIDNN在机械臂轨迹跟踪控制中性能优于BP-PIDNN.     

非线性时变系统开闭环PI型迭代学习控制研究

讨论了一类非线性时变系统开闭环PI型迭代学习控制算法,该算法相对于开环、闭环PI型迭代学习算法不仅能较快地跟踪期望轨迹,而且能增强学习控制的鲁棒性。给出了仿真研究实例,仿真结果验证了该算法的有效性和优越性。     

基于扩张状态观测器的机械臂分散自适应模糊控制

针对机械臂控制中各子系统间交联项难于处理的问题,提出了一种基于扩张状态观测器(extended state observer,ESO)和模糊策略的分散控制方法.将机械臂系统考虑为各关节交联子系统的集合,采用扩张状态观测器去实时估计机械臂各关节间的状态、耦合交联项及非线性项,利用模糊系统去逼近机械臂动力学模型中的建模不确定项,从而设计分散自适应模糊控制器以实现机械臂的轨迹跟踪控制,给出了控制器中参数的自适应更新律,并对该控制器进行了Lya-punov稳定性分析.最后将该方法应用于一个4自由度机械臂的轨迹跟踪控制中,仿真结果表明了该方法对处理耦合交联项及在各关节轨迹跟踪控制中的有效性.     

基于粒子群算法的空间机械臂关节驱动力矩优化设计

采用绝对节点坐标方法对空间柔性机械臂臂杆进行动力学建模,采用自然坐标法对机械臂关节进行建模,最终得到刚柔耦合的空间机械臂动力学模型.对冗余自由度机械臂进行逆运动学分析,由规划的末端轨迹得到了含自运动项的关节转角轨迹.利用动力学方程中Lagrange乘子的物理意义,对机械臂系统进行逆动力学分析,推导了关节轴瓦与轴颈在运动过程中受到的关节驱动力/力矩.利用粒子群算法优化机械臂的自运动项,得到了最小化的关节驱动力矩能耗,从而形成了一种冗余空间机械臂关节驱动力矩优化设计新方法.在平面三连杆柔性机械臂进行了数值仿真,仿真结果表明:所提出的方法在实现末端轨迹跟踪的同时,能有效降低关节力矩能耗;得到的关节力矩连续性好,能够满足工程实际需要.      

基于RBF网络的机械手迭代学习控制器

针对迭代学习控制用于机械手轨迹跟踪时存在的收敛速度慢的问题,提出了一种基于RBF网络的迭代学习控制器,利用先前跟踪不同期望轨迹所得的经验构造新的初始控制量以加快收敛速度.将给定的期望跟踪轨迹分解成多个查询点,然后用RBF网络对每个查询点周围最邻近的k个数据点进行拟合以建立系统的逆动力学特性估计,进而预测相应于查询点的初始控制输入.为验证所提方法的有效性,对一平面双连杆机械手进行了仿真研究.     

一种改进的非线性离散系统迭代学习控制算法

针对非线性离散时变系统的迭代学习控制问题,提出了一种改进的迭代学习控制算法。在新控制算法中,除了在传统算法基础上增加了状态补偿外,还引用了小波变换来对跟踪误差进行了滤波而没有相位补偿。利用该算法进行学习控制,使系统的实际输出以更快的速度收敛于系统的理想输出;并进一步从理论上证明了新算法的收敛性。     

一种可用于线性动态延迟控制系统的闭环比例型一阶给定超前迭代学习控制算法

讨论了迭代学习控制的基本概念,并给出了一种可用于线性动态延迟系统的比例型一阶给定超前迭代学习控制算法.理论分析证明,这种控制算法对于跟踪重复运动的轨迹具有良好的效果.     

基于线性变参数H∞反馈的机器人迭代学习控制器设计

提出了一种基于线性变参数（LPV）H∞反馈的迭代学习控制器,用于不确定性机器人的高精度轨迹跟踪,此控制器包括反馈部分和前馈部分,其中反馈部分设计为LPVH∞控制,前馈部分设计为高阶PD型迭代学习控制,在满足一定的收敛条件下,证明了该控制器的跟踪误差界正比于系统初始误差系统输出干扰项界,仿真结果不仅验证了此控制器随机器人关节位置变化始终具有干扰衰减、鲁棒稳定的性能,而且还验证了此控制器具有高精度轨迹跟踪的性能。     

机器人模糊学习控制

针对机器人轨迹跟踪控制问题,提出一种模糊学习算法,并设计出结构合理的模糊学习控制器,该控制器通过自身从过去趋向的学习能力可自动调整其模糊控制规则。将这种方法用于一个两自由度机械手的控制,仿真结果显示控制效果良好,所提出的控制器比惯用的模糊控制器展示出更良好的应用前景。     

基于神经网络参数优化的迭代学习控制算法

针对迭代学习控制用于轨迹跟踪时存在收敛速度慢的问题,提出用RBF网络优化迭代控制器参数的算法.在每一次迭代学习过程之后利用RBF网络对当次输出的数据进行优化计算,拟合出最优的学习增益,使迭代学习算法具有较快的收敛速度,在单关节机器人中进行仿真验证了方法的有效性.     

网络控制系统中迭代学习控制算法的鲁棒收敛性分析

针对网络控制系统中受输入扰动和初态干扰的非线性系统,提出了一种迭代学习控制算法,讨论了输出数据丢失情况下系统输出对期望轨迹的跟踪问题。采用一个概率已知的随机贝努利序列来描述网络控制系统中的数据丢失现象,即如果输出数据没有丢失,则利用跟踪误差来修正上一次迭代学习时的控制量,从而获得系统当前控制量;如果存在输出数据丢失现象,则系统当前控制量保持上一次迭代时的控制量不变。给出了保证算法收敛的充分条件。从理论上证明了系统满足给定的收敛条件时,在数据丢失网络环境下具有输入扰动、初态扰动的被控系统随迭代学习次数的增加,系统输出除初始点以外都能够收敛于期望轨迹。通过仿真算例进一步验证了所提方法的有效性。