基于RBF神经网络的多移动机械臂同步控制

以多固定基机械臂同步控制为基础,应用RBF神经网络方法,并结合领导者-追随者(主从控制)通信拓扑方法,针对存在不确定性的多移动机械臂系统,设计出一种新的分布式主从同步控制器,并使得控制器的适应性得以提高。从动移动机械臂和领导移动机械臂之间的同步误差由主从式通信拓扑的网络结构来定义。本研究对从动移动机械臂的建模误差等不确定性进行了逼近和补偿,并对领导移动机械臂的控制力矩进行了估计,RBF神经网络的权值根据自适应律在线进行更新。通过Lyapunov方法验证了所设计控制算法的稳定性,最后通过Matlab仿真验证了其可行性。     

多机械臂系统无模型自适应神经网络同步控制

针对模型未知的多机械臂系统,利用多个独立的RBF神经网络,对每个子机械臂系统进行逼近,基于图论原理定义了每个子系统之间的同步耦合关系,结合滑模控制方法设计出一种机械臂无模型自适应同步控制器。通过神经网络权值的不断在线迭代过程,随机械臂工作任务的变化可以实现对其动力学模型的实时逼近,摆脱了数学模型的限制,扩大了控制器的应用范围,在初始误差较大的情况下也可以保证对期望轨迹实现快速跟踪,并且系统在载荷发生改变等不确定的情况下依然能够实现同步,提高了控制器的鲁棒性。最后通过Lyapunov稳定性分析和Matlab仿真对所设计的同步控制器进行了验证。     

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.     

面向双关节机械臂的参数可调RBF神经网络控制

为解决双关节机械臂轨迹控制中误差逼近过程初始误差大、达到稳态所需时间较长的问题,提出了一种面向双关节机械臂的新型参数可调径向基(RBF)神经网络控制方法。首先,利用梯度下降法对RBF神经网络中心参数进行迭代修正,该参数可以根据机械臂的实时误差进行调整,实现中心参数的在线优化;进一步,提出了一种输入边界可以调整的模糊补偿器,该补偿器通过测量机械臂轨迹误差及误差的导数,经过模糊推理后将补偿器输出传递给转矩控制模块,从而使机械臂的输出转矩更接近理想值;最后,采用遗传算法对RBF神经网络函数宽度值进行了寻优。仿真结果表明,采用参数可调的RBF神经网络控制方法对机械臂控制力矩进行调整后,机械臂控制过程中的精确度提高了59%,并且将机械臂轨迹跟踪的稳定时间缩短了69%。     

采用RBF神经网络辨识的柔性机械臂抑振控制策略

针对柔性机械臂在运动过程中受到柔性因素的影响会出现剧烈振动的问题，提出一种采用径向基(RBF)神经网络辨识的柔性机械臂抑振控制策略，通过减弱机械臂转角波动的方式间接抑制振动。首先，根据拉格朗日原理和假设模态法建立柔性机械臂的动力学模型，其中的不确定项由模态坐标和转角耦合的非线性项构成；其次，在控制律的设计中采用RBF神经网络对动力学模型的不确定项进行辨识补偿，从而提高驱动力矩的精度；最后，通过调整神经网络权重自适应律的系数，使包含辨识结果的控制律满足李亚普诺夫稳定性定理，从而保证动力学系统的稳定性，其中权重自适应律由高斯函数和误差向量组成。采用柔性机械臂实物控制平台的对比实验结果表明：所提出的控制策略能够有效减小柔性机械臂的转角误差和振动幅值；当柔性机械臂长度为1.5 m时，相比常规比例微分控制策略，采用RBF神经网络辨识的控制策略使机械臂末端振动敏感方向的加速度的方差下降了5.8%。该控制策略为柔性机械臂的振动抑制提供了新思路。     

多机械臂系统分布式主从同步控制算法与仿真

针对多机械臂系统同步控制问题,提出一种分布式多机械臂同步控制算法。运用通信拓扑学的知识,定义主从机械臂间同步误差;基于无向图放松约束条件,设计同步控制算法;根据李雅普诺夫函数进行了稳定性分析。2自由度多机械臂系统仿真表明:应用该控制算法,主从机械臂间的同步误差能渐近收敛到零;与集中式同步控制相比具有更高的稳定性。     

基于神经网络的空间柔性机械臂PID快速学习控制

针对自由漂浮柔性空间机器人的轨迹跟踪问题,提出一种径向基函数（RBF）神经网络控制策略.首先建立漂浮基柔性空间机器人的非线性动力学方程,考虑到RBF神经网络良好的逼近能力,柔性臂的非线性逆动力学模型通过RBF网络来逼近,采用PID控制器与神经网络控制器来共同保证系统稳定性,其误差代价函数由PID控制器提供,采用固定中心参数,而扩展宽度采用启发式关系确定,网络权值采用改进的最优准则算法进行调整来实现快速学习能力.仿真结果表明了这种RBF神经控制器能够达到较快的误差收敛速度.     

带有未知参数和有界扰动的机械臂混沌反控制

混沌反控制是指通过对在自然状态下并不存在混沌的系统设计控制方案来实现闭环系统的混沌.文中针对带有未知参数和有界扰动的机械臂,设计了一种带有自适应终端滑模项的RBF神经网络控制器,来实现机械臂的混沌反控制.采用RBF神经网络逼近系统的未知非线性函数,通过自适应终端滑模实现系统对外界扰动的鲁棒性;利用Lyapunov稳定性定理证明了闭环系统所有信号的最终一致有界;最后,以两连杆平面机械臂为例,通过仿真验证了所提方法的可行性与有效性.     

基于高斯RBF神经网络的可伸缩机械臂系统动态建模与仿真

设计了一种新的多模块机器人机械臂系统,该机械臂的每个模块具有可伸缩杆和旋转节两部分.为了进行有效控制,给出了系统的解析公式和机械臂自适应控制的相关技术.使用高斯函数的RBF神经网络对系统的动态方程参数进行了估计,使用李亚普诺夫稳定性分析确定神经网络权重的自适应修正规则,并给出了相应的自适应控制器模型.对该机械臂系统的控制进行了计算机仿真分析,结果表明:该方法在响应时间和控制精度方面都有提高,并且在有负载等非线性事件突然干扰的情况下亦能进行有效控制.     

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.     

有效因子融合的可重构机械臂分散容错控制方法

针对含有动态摩擦的可重构机械臂轨迹跟踪执行器部分失效故障的问题,提出一种基于有效因子融合的分散反演滑模容错控制方法。将可重构机械臂的每个关节模块考虑成一个子系统,将有效因子融合到子系统动力学模型中。基于Lyapunov稳定性理论,子系统误差状态空间分别采用了反演思想和终端滑模进行控制器设计,并利用径向基函数(RBF)神经网络估计系统模型的不确定项和交联项,自适应地补偿了神经网络的估计误差。最后,数值仿真结果表明了提出的分散容错方法的有效性。     

基于滑模PID神经网络控制的混沌同步

对于多输入多输出(multiple inputs multiple outputs,简称MIMO)混沌系统的同步问题,设计了基于误差比例-积分-微分(proportional integral derivative,简称PID)改进下的滑模径向基函数神经网络(radial basis function,简称RBF)控制方法,实现了主从统一混沌系统的同步.设计自适应RBF滑模控制器,将其用于初值不同的不确定主从统一混沌系统的同步控制中,证明了控制的Lyapunov稳定性.最后结合MATLAB仿真实验验证了所提方法的可行性与有效性.     

面向机械臂的永磁同步电机RBF网络磁场矢量控制系统

机械臂的伺服系统面临着高精度和快速响应的冲突、动态扰动下稳定性不足等问题。以永磁同步电机为研究对象,通过RBF网络磁场矢量控制系统改进控制器结构,改善了PI控制器的积分迟滞作用,提高了系统响应速度;使用监督学习改善了神经网络在控制系统中的不稳定问题;使用在线学习的思路提高了控制系统在环境变化时的适应能力。实验结果表明,RBF网络磁场矢量控制系统具有良好的稳态性能,能够有效提高永磁同步电机响应速度和抗干扰能力。     

非完整移动机器人的神经网络滑模自适应轨迹跟踪控制

针对非完整移动机器人的轨迹跟踪控制问题,提出了一种鲁棒项系数自调整的神经网络滑模自适应控制策略。首先由反推法设计运动学控制器;其次,基于滑模控制设计动力学控制器,利用径向基神经网络(RBF)自适应逼近系统非线性不确定性上界,实现鲁棒项系数自调整,克服了传统滑模控制鲁棒项设计需要已知系统不确定性上界的缺陷,实现了速度跟踪。李亚普诺夫稳定性定理保证了闭环系统的稳定性及跟踪误差的渐近收敛。仿真结果进一步验证了所提方案的可行性。     

分数阶超混沌Chen系统的RBF神经网络自适应滑模同步

针对分数阶超混沌系统的同步问题,通过设计一个新型含分数阶滑模面的RBF神经网络自适应滑模控制器,应用滑模控制和主动控制原理实现分数阶超混沌Chen系统的驱动系统和响应系统间的同步.在RBF神经网络控制方案的基础上引入分数阶滑模控制器以提高系统的鲁棒性,并在分数阶滑模控制器中增设自适应参数使得控制律在迭代过程中找到合适的切换增益,免除繁冗的人工调参过程.根据Lyapunov稳定性定理证明了该方案下系统的稳定性.当存在外部干扰时,将RBF神经网络与分数阶滑模控制相结合,更利于系统在迭代过程中找到最近似的权值,并通过补偿控制降低干扰对控制系统的影响.数值仿真结果验证了该控制方法的鲁棒性及有效性.     

自由漂浮空间机械臂基于神经网络的H_∞鲁棒控制

考虑到自由漂浮状态的空间机器人模型不确定性,提出了神经网络的H∞鲁棒控制策略.首先建立自由漂浮空间机器人的动态模型,再利用径向基函数(RBF)神经网络良好的逼近能力自适应补偿系统的未知非线性模型,逼近误差作为外界干扰通过鲁棒控制器消除,该方法从整个闭环系统的稳定性出发建立了神经网络权值在线学习算法,利用H∞理论设计的鲁棒控制器保证了系统的稳定性,并使系统L2增益小于给定的指标.仿真结果表明了所提出的控制器的有效性.     

基于动力学模型分块逼近的水下机械臂RBF滑模控制算法研究

本文利用切片理论与Morison方程计算了双关节水下机械臂在水中运动时受到的附加质量力、水阻力和水体流动对机械臂产生的冲击力,在传统机械臂动力学模型的基础上建立了完整的双关节水下机械臂动力学模型.基于推导的水下机械臂动力学模型提出了一种RBF滑模控制策略,采用多个RBF神经网络对水下机械臂动力学模型中的不确定项进行分块...     

变负载柔性机械臂复合学习控制

针对末端负载质量变化的柔性连杆机械臂运动轨迹跟踪控制问题,提出了一种结合径向基神经网络(RBFNN)和干扰观测器(DOB)的复合学习控制方法。利用RBFNN逼近连杆柔性引起的非线性不确定性,构造DOB实时估计包括负载变化、非线性摩擦、RBFNN逼近误差等效应的集中干扰,将两者用于控制器的前馈补偿设计以提升系统跟踪性能,同时设计鲁棒反馈控制律保证系统的稳定性。通过Lyapunov稳定性理论证明了所提控制方法可保证跟踪误差的有界性和闭环系统的稳定性。基于柔性机械臂平台的对比实验结果表明:所提控制方法在不同负载下可以保持跟踪精度在0.5%以内,负载变化引起的误差变化不超过2%;与仅使用神经网络的控制方法相比,跟踪性能提升了24.7%。     

基于神经网络的具有不确定性因素的RLED机器人鲁棒控制

对具有不确定性因素的电机驱动刚性机械臂控制 ,提出了一种基于神经网络的鲁棒控制器 .控制器的设计采用Backstepping法 ,神经网络用于识别系统中一些包含不确定因素的复杂的非线性项 ,并且使系统的在线学习成为可能 .给出的网络权值演化算法可保证系统的跟踪误差和网络权值的一致终值有界 (UUB) .数值仿真结果亦表明该控制器具有良好的鲁棒性和控制精度     

基于反演技术和神经网络的移动机器人控制

提出了一种基于反演设计和RBF神经网络自适应的非完整移动机器人轨迹跟踪方法.首先,设计一个虚拟的速度控制律使得输出跟踪误差尽可能小;然后,利用反演技术设计一个基于RBF神经网络的动力学控制器,以确保在机器人系统中存在不确定性和外界扰动的情况下,机器人仍具有良好的跟踪能力.RBF神经网络连接权值在线自适应律由Lyapunov理论导出,保证了控制系统的稳定性.本文提出方法的主要优点是不需要移动机器人动力学的先验知识,而且对外界扰动具有良好的鲁棒性.最后,在两轮非完整移动机器人上的仿真结果证明了本文所提出方法的有效性.