Robust Adaptive Sliding Mode Neural Networks Control for Industrial Robot Manipulators

International Journal of Control, Automation and Systems - This paper proposes an original robust adaptive controller by using Radial Basis Function Neural networks (RBFNNs) for industrial robot...     

基于神经网络的不确定机器人自适应滑模控制

提出一种机器人轨迹跟踪的自适应神经滑模控制。该控制方案将神经网络的非线性映射能力与变结构控制理论相结合,利用RBF网络自适应学习系统不确定性的未知上界,神经网络的输出用于自适应修正控制律的切换增益。这种新型控制器能保证机械手位置和速度跟踪误差渐近收敛于零。仿真结果表明了该方案的有效性。     

基于FNN的滑模自适应控制

研究一类不确定性非线性系统的直接自适应控制方法。该方法由滑模控制器和模糊神经网络构成，通过平滑切换实现自适应控制策略。仿真结果表明，这种方法既有强鲁棒性，又能有效地消除高频颤动。     

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。     

基于神经滑模的柔性连杆机械手末端位置控制

：为了提高柔性机械手末端位置控制的鲁棒性和精度,提出了一种基于神经滑模的控制策略．首先采 用输入/输出线性化方法将动力学模型部分线性化,使之分成输入/输出子系统与内动态子系统．输入/输出子系统 采用神经滑模控制,内动态子系统采用状态反馈控制器镇定．随后,对控制系统内动态稳定性进行了分析,并在 两自由度柔性连杆机械手控制的仿真试验中得到了满意的结果．试验结果表明,在存在模型不确定性时,该控制 策略提高了控制系统的鲁棒性和控制精度．     

基于模糊神经网络的非线性大系统滑模自适应控制

针对一类非线性大系统，基于模糊神经网络，提出了一种分散滑模自适应控制方法。由模糊神经网络实现滑模控制，平滑了控制切换信号，消除了滑模控制中出现的颤动现象且使系统有强的鲁棒性，同时在控制器的设计中不需要知道系统中的不确定性和扰动的上界。利用Ｌｙａｐｕｎｏｖ稳定理论证明了闭环系统是稳定的且跟踪误差收敛到零的一个邻域内。     

Adaptive Chattering Free Neural Network Based Sliding Mode Control for Trajectory Tracking of Redundant Parallel Manipulators

In this paper, an adaptive chattering free neural network‐based sliding mode control (ACFN‐SMC) method is proposed for tracking trajectories of redundant parallel manipulators. ACFN‐SMC combines adaptive chattering free radial basis function neural networks (RBFN), sliding mode control with online updating the robust term parameters, and a nonlinear compensation item for reducing tracking errors. The stability of the closed‐loop system with modeling uncertainties, frictional uncertainties, and external disturbances is ensured by using the Lyapunov method. The proposed controller has a simple structure and little computation time while securing dynamic performance with expected quality in tracking trajectories of redundant parallel manipulators. In addition, the ACFN‐SMC strategy does not need to know the upper bound of any uncertainties. From the simulation results, it is evident that the proposed control strategy not only has significantly higher robustness capability for uncertainties but also can achieve better chattering elimination when compared with those using existing intelligent control schemes.     

水平欠驱动机械臂的反步自适应滑模控制

针对二自由度水平欠驱动机械臂系统,提出了基于分层滑模控制思想的反步自适应滑模控制方法．该方法能够在不对系统状态模型进行复杂坐标变换,并且没有约束方程限制的前提下实现对欠驱动系统的反馈滑模控制．仿真结果表明了该方法的有效性,而且优化后的控制器具有较好的适应性和控制效果．     

双连杆柔性机械手负载自适应模糊滑模控制

讨论了柔性机械手末端负载变化时的控制问题.应用奇异摄动将双连杆柔性机械手系统分解为慢变、快变两个子系统.提出一种慢变子系统采用自适应模糊滑模控制、快变子系统采用最优控制的混合控制方法.仿真结果表明,该方法不仅能实现柔性机械手轨迹的快速、准确跟踪,有效的抑制弹性振动,并且对负载的变化具有强的鲁棒性.     

基于扰动观测器的机械臂自适应反演滑模控制

机械臂的动力学模型通常包含一定的结构不确定性,并受到外界未知干扰的影响。针对现有模型的不确定性特点,提出了一种基于非线性扰动观测器的自适应反演滑模控制方法,解决机械臂的轨迹跟踪控制问题。对于外界干扰,利用非线性扰动观测器进行观测补偿,无需上界先验知识;对于结构不确定性,引入反演滑模控制,同时设计自适应律,保证闭环系统的稳定性并增强系统的动态适应性。仿真结果证明,所提出的方法可以有效克服系统不确定性,降低控制输入信号的抖振,最终实现期望轨迹的快速精确跟踪。     

基于模糊神经网络的滑模控制

研究了一类不确定性非线性系统的滑模变结构控制,提出了一种基于模糊神经网络（Ｆｕｚｚｙ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋｓ）的滑模变结构设计方法,设计了控制器的结构,利用动态反向传播算法实现滑模控制,这种方法与一般变结构控制相比不但具有强的鲁棒性而且还能有效地消除抖动现象,同时在设计中不需要知识系统中不确定性和扰动的上界,另外还运用Ｌｙａｐｕｎｏｖ函数从理论上分析上了系统的稳定性。仿真结果说明了本文所提     

Synchronization of Non-Identical Unknown Chaotic Delayed Neural Networks Based on Adaptive Sliding Mode Control

The synchronization problem is studied in this paper for non-identical chaotic neural networks with time delays and fully unknown parameters, where the mismatched parameters, activation functions and neural network architectures are taken into account. To overcome the difficulty that complete synchronization of non-identical chaotic neural networks cannot be achieved only by utilizing output feedback control, we design an adaptive sliding mode controller to realize the synchronization. Our synchronization criteria are easily verified and do not need to solve any linear matrix inequality. These results generalize a few previous known results and remove some restrictions on the parameters, activation functions and neural network architectures. This paper also presents an illustrative example and uses simulated results of this example to show the feasibility and effectiveness of the proposed scheme.     

机械臂自适应反演超螺旋全局终端滑模控制

针对机械臂系统存在的系统参数摄动、非线性摩擦及外部干扰等不确定问题,提出一种自适应反演超螺旋全局终端滑模轨迹跟踪控制方法。该方法基于反演法、Lyapunov理论和全局快速终端滑模理论设计控制器,保证系统稳定性及全局收敛性,增强系统的鲁棒性。为解决系统集总扰动上界未知的问题,采用自适应技术设计切换控制律,抵消不确定性的影响,同时引入超螺旋算法抑制滑模控制固有的抖振现象。最后,通过理论分析和仿真算例验证了该控制器的有效性与可行性。     

双连杆柔性机械手负载自适应模糊滑模控制

讨论了柔性机械手末端负载变化时的控制问题。应用奇异摄动将双连杆柔性机械手系统分解为慢变、快变两个子系统。提出一种慢变子系统采用自适应模糊滑模控制、快变子系统采用最优控制的混合控制方法。仿真结果表明,该方法不仅能实现柔性机械手轨迹的快速、准确跟踪,有效的抑制弹性振动,并且对负载的变化具有强的鲁棒性。     

Sliding Mode Adaptive Neural-Network Control for Nonholonomic Mobile Modular Manipulators

A general mobile modular manipulator can be defined as a m-wheeled holonomic/nonholonomic mobile platform combining with a n-degree of freedom modular manipulator. This paper presents a sliding mode adaptive neural-network controller for trajectory following of nonholonomic mobile modular manipulators in task space. Dynamic model for the entire mobile modular manipulator is established in consideration of nonholonomic constraints and the interactive motions between the mobile platform and the onboard modular manipulator. Multilayered perceptrons (MLP) are used as estimators to approximate the dynamic model of the mobile modular manipulator. Sliding mode control and direct adaptive technique are combined together to suppress bounded disturbances and modeling errors caused by parameter uncertainties. Simulations are performed to demonstrate that the dynamic modeling method is valid and the controller design algorithm is effective.     

基于RBF神经网络滑模控制的车辆横向控制研究

针对车辆横向控制系统中滑模控制器存在的抖振现象对转向机械结构带来的损耗问题,提出了一种基于RBF神经网络的滑模控制算法。利用RBF神经网络较强的自学习能力实时在线调节滑模控制器的切换项增益参数,增强系统的抗干扰能力与动态性能。将车辆实际参数代入仿真数学模型中,在Simulink仿真环境中进行对比仿真实验,仿真结果表明:该控制算法跟踪性能好,能够有效降低滑模控制器的抖振,满足车辆横向控制要求。     

基于RBF神经网络的减摇鳍自适应滑模控制

为减轻船舶在大风浪中剧烈的横摇,减摇鳍是目前应用最广泛的减摇装置.针时船舶减摇鳍系统的非线性和不确定性,在系统不确定性函数结构未知的情况下,提出一种RBF神经网络自适应滑模控制方法.采用RBF神经网络逼近系统不确定动态,并设计权值的自适应律,结合滑模控制增强系统的鲁棒性.在不同有义波高和不同浪向角下,建立随机海浪的干扰模型,应用simulink对系统进行仿真.仿真结果表明,该控制策略在各种海况下,均具有良好的减摇效果和较强的鲁棒性.     

A Robust Adaptive Terminal Sliding Mode Control for Rigid Robotic Manipulators

In this paper, a robust adaptive terminal sliding mode controller is developed for n-link rigid robotic manipulators with uncertain dynamics. An MIMO terminal sliding mode is defined for the error dynamics of a closed loop robot control system, and an adaptive mechanism is introduced to estimate the unknown parameters of the upper bounds of system uncertainties in the Lyapunov sense. The estimates are then used as controller parameters so that the effects of uncertain dynamics can be eliminated and a finite time error convergence in the terminal sliding mode can be guaranteed. Also, a useful bounded property of the derivative of the inertial matrix is explored, the convergence rate of the terminal sliding variable vector is investigated, and an experiment using a five bar robotic manipulator is carried out in support of the proposed control scheme.     

基于神经网络的无人机滑模飞行控制设计

针对无人机受扰运动,基于Backstepping方法和非线性滑模控制提出了一种鲁棒神经网络飞行控制方案。对无人机姿态角速度层的系统不确定性项,采用径向基函数神经网络并对其权值进行在线调整,从而实现对其进行逼近。将回馈递推设计方法与滑模控制方法结合起来,基于神经网络的输出为无人机设计了一种回馈递推滑模飞行控制器。所设计的飞行控制器用于无人机的姿态控制,仿真结果表明所研究的无人机鲁棒神经网络飞行控制方案是有效的。     

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。