多关节机械臂轨迹跟踪自适应神经网络滑模控制

针对不确定干扰和建模误差对多关节机械臂轨迹跟踪控制系统造成的不良影响,对基于滑模控制的自适应神经网络滑模控制算法进行了研究。通过神经网络,对多关节机械臂轨迹跟踪控制系统的不确定干扰和建模误差进行逼近。添加自适应项,补偿神经网络滑模控制中神经网络模型对系统中的不确定干扰和建模误差的逼近误差。设计了具有指数趋近律的滑模面,以提升多关节机械臂轨迹跟踪控制系统的鲁棒性和响应速度。使用李雅普诺夫稳定性理论,证明了多关节机械臂轨迹跟踪控制系统的半全局稳定性,并通过MATLAB对理论结果进行了仿真验证。仿真结果表明,对具有不确定干扰和建模误差的多关节机械臂轨迹跟踪控制系统,采用该算法进行轨迹跟踪时,具有较好的稳定性与鲁棒性。该控制算法能合理应用到此类轨迹跟踪控制系统中。     

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。     

一种水下探伤机器人动力定位控制方法

水下探伤机器人在执行任务时,机械臂作业过程以及风浪、水流等干扰将会引起机器人模型参数的变化,继而影响水下机器人动力定位控制.针对上述水下探伤机器人动力定位过程中模型不确定问题,提出一种基于模型逼近的RBF神经网络的自适应滑模控制方法,采用RBF神经网络对机械臂作业过程引起的水下机器人模型参数的变化及波浪等扰动进行在线逼...     

基于速度观测模型的可重构机械臂补偿控制

针对可重构机械臂动力学中存在的模型参数摄动和外界扰动,本文阐述了一种基于速度观测模型的模糊RBF神经网络补偿控制算法.利用Lyapunov函数给出了网络的权值、隶属度函数中心和宽度倒数的在线更新律,并证明了所提出的观测模型及其补偿控制算法的最终一致有界性.最后以RRP(revolute-revolute-prismatic)构形的可重构机械臂为例,通过仿真研究了算法对轨迹跟踪问题的有效性,同时与基于速度观测模型的RBF神经网络补偿控制进行了仿真对比及分析,给出了神经网络和模糊神经网络在可重构机械臂轨迹控制应用中各自的优缺点.     

基于RBF神经网络的作业型AUV自适应终端滑模控制方法及实验研究

研究了作业型AUV （自主水下机器人）的轨迹跟踪控制问题.实际作业中,水下机械手展开作业过程将引起AUV动力学性能变化,进而影响AUV轨迹跟踪控制;并且水流环境干扰亦将影响AUV轨迹跟踪控制.针对上述AUV轨迹跟踪控制问题,提出一种基于RBF （径向基函数）神经网络的AUV自适应终端滑模运动控制方法.该方法在李亚普诺夫稳定性理论框架下,采用RBF网络对机械手展开引起的AUV动力学性能变化和水流环境干扰进行在线逼近,并结合自适应终端滑模控制器对神经网络权值和AUV控制参数进行自适应在线调节.通过李亚普诺夫稳定性理论,证明AUV系统轨迹跟踪误差一致稳定有界.针对滑模控制项引起的控制量抖振问题,提出一种变滑模增益的饱和连续函数滑模抖振降低方法,以降低滑模控制量抖振.通过AUV实验样机的艏向和垂向的轨迹跟踪实验,验证了本文AUV系统控制方法和滑模降抖振方法的有效性.     

机械臂卷积神经网络滑模轨迹跟踪控制

针对工业技术的发展对于多关节机械臂的精度与快速控制高要求,提出了一种机械臂卷积神经网络滑模轨迹跟踪控制方法。分析机械臂动力学方程,提取其中的不确定部分,针对不确定部分,构建深度卷积神经网络对其进行补偿,将补偿部分引入到滑模控制律中,通过改进后的滑模控制实现对机械臂轨迹跟踪的精确控制,并通过构建Lyapunov函数论证了系统的稳定性。仿真结果显示该方法能够满足轨迹跟踪要求,且减小了抖振现象。通过与其余三种典型控制方法的对比,测试结果表明,该方法加快了轨迹跟踪误差的收敛,且跟踪精度有了明显的提高。     

基于函数滑模控制器的机械手轨迹跟踪控制

提出一种基于函数滑模控制器(FSMC)的控制策略,用于不确定机械手的轨迹跟踪控制。首先,由动力学模型和滑模函数得到系统的不确定项;然后,利用RBF神经网络逼近系统不确定项,由于神经网络逼近存在误差,而且在初始阶段误差较大,设计函数滑模控制器和鲁棒补偿项对神经网络逼近误差进行补偿,以克服普通滑模控制器容易引起的抖振问题,同时提高系统的跟踪控制性能。基于李亚普诺夫理论证明了闭环系统的全局稳定性,仿真实验也验证了方法的有效性。     

基于函数滑模控制器的机械手轨迹跟踪控制

提出一种基于函数滑模控制器(FSMC)的控制策略,用于不确定机械手的轨迹跟踪控制。首先,由动力学模型和滑模函数得到系统的不确定项;然后,利用RBF神经网络逼近系统不确定项,由于神经网络逼近存在误差,而且在初始阶段误差较大,设计函数滑模控制器和鲁棒补偿项对神经网络逼近误差进行补偿,以克服普通滑模控制器容易引起的抖振问题,同时提高系统的跟踪控制性能。基于李亚普诺夫理论证明了闭环系统的全局稳定性,仿真实验也验证了方法的有效性。     

基于时间延时估计和自适应模糊滑模控制器的双机械臂协同阻抗控制

多机械臂的精准协同控制已成为当前机器人领域的研究难点,为实现双机械臂精准控制,通过建立双机械臂动力学模型,采用时间延时估计简化机械臂动力学模型,在保证控制系统稳定性的前提下,引入自适应模糊滑模控制器实现对估计误差的修正和补偿,设计基于时间延时估计和自适应模糊滑模控制的双机械臂协同阻抗控制器,实现双机械臂协同操作的末端轨迹控制以及接触力精准控制.最后,将该控制器应用于两台六自由度机械臂仿真平台,实现双臂夹取和搬运同一目标物体的操作,通过与其他控制器进行对比实验,表明所设计的控制器具有响应快、无抖震、精度高的特点.     

基于神经网络的除尘机器人扰动补偿研究

中央空调的通风系统会聚集大量的灰尘,使风量下降还会影响人们健康,传统的除尘机器人容易受到恶劣环境与笛卡尔刚性的干扰使除尘机器人的控制平台与手臂的控制精度较差;提出一种基于RBF神经网络自适应滑模控制的除尘机器人扰动补偿方法,基于DSP控制器设计了一种履带式的除尘机器人的驱动系统,使其具有更强的越障能力,随后在控制系统中使用RBF神经网络结合履带式除尘机器人的动力学模型,提出了一种自适应的控制方法与滑模方法对系统的不确定性与扰动进行补偿;实际的系统测试证明这种方法下的除尘机器人控制平台与手臂跟踪精度较高,具有很强的实用性。     

基于RBF神经网络的多关节机器人固定时间滑模控制

针对具有典型非线性特性的多关节机器人轨迹跟踪控制问题,提出一种基于径向基函数(RBF)神经网络的固定时间滑模控制方法.首先,基于凯恩方法建立包括系统模型不确定性以及外部干扰在内的多关节机器人动力学模型;然后,根据机器人动力学模型设计一种固定时间收敛的滑模控制器,RBF神经网络用来逼近系统模型中的不确定性项,并利用Lyapunov理论证明该系统跟踪误差能在固定时间内收敛;最后,对特定型号的多关节机器人虚拟样机进行仿真分析,结果表明:与基于RBF神经网络的有限时间滑模控制器相比,所提出控制器具有良好的跟踪性能且能保证系统状态在固定时间内收敛.     

非同轴两轮机器人自平衡与转向闭环控制

针对车速、车身侧倾角和前轮转角变化较大工况下的非同轴两轮机器人在基于前轮转角的自平衡控制中,因动力学模型准确性对自平衡控制带来的影响,设计了基于RBF神经网络模糊滑模控制的自平衡控制器,利用RBF神经网络的逼近特性,对动力学模型中非线性时变的不确定部分进行自适应逼近,从而提高动力学模型的准确性,并借助模糊规则削弱滑模控制中产生的系统抖振;以及因前轮转角用于自平衡控制中难以实现转向闭环控制,建立了基于纯跟踪法的轨迹跟踪控制器,并设计利用车身平衡时车身侧倾角与前轮转角的耦合关系,将转向闭环控制中的目标前轮转角替换为目标车身侧倾角,从而将自平衡控制器与轨迹跟踪控制器相结合,在保证车身平衡行驶的前提下,实现带有轨迹跟踪的转向闭环控制。实验结果表明,凭借动力学模型的较高准确性,RBF神经网络模糊滑模自平衡控制器具有鲁棒性好、超调量低和响应迅速的优点,并且利用车身平衡后车身侧倾角与前轮转角耦合关系,实现转向闭环控制是可行的,具有良好的轨迹跟踪效果。     

Neural network based adaptive fuzzy PID-type sliding mode attitude control for a reentry vehicle

This work investigates the attitude control of reentry vehicle under modeling inaccuracies and external disturbances. A robust adaptive fuzzy PID-type sliding mode control (AFPID-SMC) is designed with the utilization of radial basis function (RBF) neural network. In order to improve the transient performance and ensure small steady state tracking error, the gain parameters of PID-type sliding mode manifold are adjusted online by using adaptive fuzzy logic system (FLS). Additionally, the designed new adaptive law can ensure that the closed-loop system is asymptotically stable. Meanwhile, the problem of the actuator saturation, caused by integral term of sliding mode manifold, is avoided even under large initial tracking error. Furthermore, to eliminate the need of a priori knowledge of the disturbance upper bound, RBF neural network observer is used to estimate the disturbance information. The stability of the closed-loop system is proved via Lyapunov direct approach. Finally, the numerical simulations verify that the proposed controller is better than conventional PID-type SMC in terms of improving the transient performance and robustness.

     

基于神经网络的多机械臂固定时间同步控制

针对动力学模型未知的多机械臂系统,提出了一种基于神经网络的固定时间终端滑模的位置同步控制器。首先结合相邻交叉耦合同步控制策略,设计固定时间终端滑模面与控制器,保证系统的跟踪误差与同步误差在固定时间内收敛,且收敛时间上界与初始状态无关。其次,设计RBF神经网络权值更新律估计系统多机械臂未知非线性动力学模型,该方法无需对系统模型参数的先验知识。利用Lyapunov函数证明系统的固定时间收敛性与稳定性。最后,仿真结果验证了所提方法的有效性。     

基于模糊神经网络的机器人滑模自适应控制

滑模控制（SMC）响应快，对系统参数和外部扰动呈不变性，可保证系统的渐近稳定性，但其缺点是控制存在很强的抖动；而模糊神经网络（FNN）具有模糊系统和神经网络共同的特点。将滑模控制和模糊神经网络控制有机结合，利用简单得到的学习信号对模糊神经网络进行在线学习，通过平滑切换函数实现直接自适应控制策略。对两连杆机械手的仿真研究表明，在存在模型误差和外部扰动的情况下，该方案既能达到高精度快速跟踪的目的，又能有效减小滑模控制的抖动问题。     

基于RBF神经网络的PMSM分数阶互补滑模控制

参数变化及外部不确定性干扰等因素对永磁同步电机(PMSM)驱动控制系统影响较大,针对这一问题,提出一种基于RBF神经网络的分数阶互补滑模控制方法。在建立PMSM数学模型的基础上,采用RBF神经网络对外部干扰进行逼近估计。设计基于饱和函数的分数阶互补滑模控制器,并将RBF神经网络估计的干扰引入控制器中,以抵消外部干扰对系统的影响。理论证明,该控制策略在对外部不确定性干扰进行有效抑制的同时保证系统跟踪误差收敛。通过仿真验证所提方法的有效性。     

基于自适应动态规划的移动装弹机械臂轨迹控制

针对移动装弹机械臂系统非线性、强耦合、受多种不确定因素影响的问题,本文基于自适应动态规划方法,提出了仅包含评价网络结构的轨迹跟踪控制方法,有效减小了系统跟踪误差.首先,考虑到系统非线性特性、变量间强耦合作用及重力因素的影响,通过拉格朗日方程建立了移动装弹机械臂的动力学模型.其次,针对系统存在不确定性上界未知的问题,建立单网络评价结构,通过策略迭代算法,求解哈密顿–雅可比–贝尔曼方程,基于李雅普诺夫稳定性理论,设计了自适应动态规划轨迹跟踪控制方法.最后,通过仿真实验将该控制方法与自适应滑模控制方法进行了对比,进一步检验了所设计控制方法的有效性.