一类非线性系统的混合自适应模糊辨识与控制

采用非线性模糊系统(即第二类模糊逻辑系统)来实现一类非线性系统的模糊辨识和控制,结合模型辨识过程中的模型误差和模型控制过程中的跟踪误差,提出了一个混合自适应律,运用BP算法对该自适应律进行了在线调整,使辨识参数和控制参数同时达到最优;利用Lyapunov方法证明了该控制算法的稳定性,改善了跟踪速度等性能.     

基于系统辨识与T-S模糊神经网络的磨矿分级控制

针对磨矿分级过程控制中具有的慢时变、非线性特征,提出了一种基于系统辨识的自适应模糊推理网络模型,并应用于磨矿控制领域.利用模糊聚类法对现有数据样本进行系统辨识,自动获取模糊规则库和相应的初始参数.依据得到的模糊系统构建基于Takage-Sugeno推理模型的自适应模糊神经网络推理系统,获得比传统的模糊神经网络具有更强的...     

非线性辨识算法及其对热工对象的应用

针对非线性复杂对象,改进了基于T-S模型的模糊辨识算法:取部分数据进行离线辨识,将输入向量的选择先于模型参数辨识,找出最有效的模型结构,提高辨识精度;然后利用剩下的数据模拟在线辨识,辨识过程中自适应改变模糊规则的数目,并通过置信度的检验,保证最有效的规则数,间接提高辨识速度。采用Box-Jenkins煤气炉辨识验证该算法的有效性,并将算法应用于电厂锅炉主汽温对象升负荷过程中的模型辨识。结果表明:辨识算法简单快速,辨识出的模糊模型能够较精确地在线描述非线性对象。     

基于T-S模糊模型的直接自适应预测控制

提出一种基于T-S模糊模型的直接自适应预测控制算法。该算法利用加权递推最小二乘法在线辨识T-S模糊模型的后件参数。用已经辨识好的参数,进行直接迭代计算,直接得到模型的预测输出。此算法很好地解决了非线性预测控制中,建模与优化两大难题,为非线性系统的高精度控制提供了保证。计算机仿真表明,该算法具有较好的跟踪性能。     

一种遗忘因子模糊自调整的快速时变参数辨识方法

本文提出了一种遗忘因子模糊自调整辨识算法，理论分析和仿真试验表明，该方法对参数的快速时变具有较快的跟踪能力及较高的辨识精度，在线计算的复杂性和工作量增加较少，是一种实用的适于快速时变系统的辨识算法     

基于多神经网络的机器人轨迹学习控制研究

本文利用神经辨识器和神经控制器相结合的思想提出了机器人动力学模型完全未知情况下的一种新的学习控制策略．文中描述了机器人系统新的控制结构，并推导出该结构下神经辨识器和神经控制的在线学习算法．仿真结果表明，文中提出的控制方法能够实现任何可达期望曲线的机器人高精度轨迹控制．     

利用NARMA模型辨识非线性时变结构系统

为了有效地进行非线性时变结构系统的辨识,提出了一种基于Kalman滤波算法的利用时变非线性自回归滑动平均模型的用于非线性时变结构系统辨识的新方法.首先,利用线性变换将非线性时不变结构系统的动力学模型转化为非线性自回归滑动平均模型,然后,将非线性项展开为系统输出数据的多项式的形式.利用短时时不变假设,通过改变模型参数跟踪系统参数的变化,将非线性时变系统的辨识问题转化为线性时变系统的辨识问题.建立系统参数的随机游动模型,引入Kalman滤波算法估计系统的参数,实现对非线性时变结构系统的辨识.最后对一个具有非线性时变刚度的三自由度结构系统进行了仿真,结果表明:该方法可以有效地跟踪非线性时变结构系统的参数变化.遗忘因子的对比试验表明只有选择合适的遗忘因子才能得到合理的结果.     

液压四足机器人的自适应模糊PID控制

为提高液压四足机器人的控制性能和足端轨迹跟踪效果,将自适应模糊PID算法用于机器人腿关节控制,并对PID参数进行实时增量调节.建立阀控非对称缸系统的数学模型,分析其伸出和缩回运动时由非线性、参数时变等因素导致的控制问题,利用AMESim-Simulink联合仿真模型对算法的控制效果进行了仿真,并在单腿试验平台上进行了实物样机测试.结果表明:自适应模糊PID算法的控制效果在减小调节时间、抑制干扰等方面相比常规PID有较大改善.该控制算法提高了机器人的动态跟踪性能,易于工程应用,有利于机器人的运动控制.     

一种时变系统模型结构确定和参数估计新算法

将参数检测技术和辨识方法相结合，系统结构在线辨识和参数跟踪相结合，基于Ｕ－Ｄ分解技术，提出一种时变系统结构确定和参数估计的最小二乘辨识新算法。该算法不仅可实现系统阶次和参数的同时估计，而且通过对损失函数的实时监测，实现协方差阵的自适应调整，使辨识算法收敛速度快，对时变系统阶次和参数变化均有很强的跟踪能力。     

工业机器人动力学参数辨识与自适应控制方法研究

研究六自由度工业机器人动力学模型最小惯性参数辨识和模型参数自适应PD控制方法。首先分析六自由度机器人动力学模型及其最小惯性参数;研究基于位置、速度、加速度约束条件的傅里叶级数型激励轨迹优化方法;依据激励轨迹跟踪实验获取的关节角位置、速度、加速度和力矩数据,研究基于最小二乘的最小惯性参数估计方法。在此基础上,研究六自由度机器人模型自适应PD控制方法。最后,构建了基于Codesys平台的六自由度机器人控制系统,利用SYMORO+推导回归矩阵元素,结合Hadamard不等式,利用MatlabFunction函数生成目标函数并将其代入Matlab fmincon函数计算激励轨迹参数,通过激励轨迹跟踪实验辨识出最小惯性参数;通过机器人跟踪激励轨迹和验证轨迹实验,比较实测力矩与基于辨识模型估计力矩的均方根误差验证参数辨识方法有效性;通过期望轨迹跟踪实验验证了自适应PD控制算法可行性。     

Leg compliance control of a hexapod robot based on improved adaptive control in different environments

Considering the compliance control problem of a hexapod robot under different environments, a control strategy based on the improved adaptive control algorithm is proposed. The model of robot structure and impedance control is established. Then, the indirect adaptive control algorithm is derived. Through the analysis of its parameters, it can be noticed that the algorithm does not meet the requirements of the robot compliance control in a complex environment. Therefore, the fuzzy control algorithm is used to adjust the adaptive control parameters. The satisfied system response can be obtained based on the adjustment in real time according to the error between input and output. Comparative experiments and analysis of traditional adaptive control and the improved adaptive control algorithm are presented. It can be verified that not only desired contact force can be reached quickly in different environments, but also smaller contact impact and sliding avoidance are guaranteed, which means that the control strategy has great significance to enhance the adaptability of the hexapod robot.     

一种基于模糊神经网络的机器人轨迹跟踪控制

提出一种模糊神经网络,并将其应用于两关节机械手轨迹跟踪控制。该网络采用三角形隶属度函数,将模糊控制与神经网络相结合,利用神经网络实现模糊推理。这种模糊神经网络能够在线调节输出隶属度函数中心以及关节间耦合权值,使得控制器具有更好的学习与自适应能力。仿真结果表明,这种网络能很好的用于机器人的轨迹跟踪控制中,是一种行之有效的控制方法。     

使用零力矩点反馈的双足机器人惯性参数辨识

为解决基于关节力矩的双足机器人参数辨识方法辨识精度不高,基于完整的足底力信息和运动捕捉数据的辨识方法对实验条件要求较高的问题,提出基于ZMP(zero moment point)数据的双足机器人惯性参数辨识方法。将理论ZMP与实际ZMP的位置偏差作为目标函数,考虑参数范围和机器人总质量两类约束条件,建立只使用双足机器人自身传感器采样数据的惯性参数辨识优化模型。针对所建模型无法拆分成线性形式的问题,推导目标函数关于参数矢量的梯度矢量和海塞矩阵,并给出了基于最速下降法和牛顿法的优化求解算法。使用GoRoBoT-II机器人的双足部分,进行腿部杆件的惯性参数辨识实验,将所提出方法得到的辨识结果与传统基于关节力矩的辨识结果进行对比,发现基于ZMP的辨识方法的结果更接近于三维几何建模得到的参数标称值,且理论ZMP与实际ZMP的偏差均值为4.6 mm,小于传统基于力矩辨识方法的12.4 mm,说明所提出的基于ZMP的惯性参数辨识方法能够得到比传统方法更好的结果。     

基于摩擦补偿的柔性关节机器人分级滑模控制

针对柔性关节机器人中存在的非线性摩擦问题,提出一种基于摩擦补偿的柔性关节机器人分级滑模控制方法。首先,通过线性化参数的方法对柔性关节机器人受到的摩擦进行建模,并对模型中未知参数设计自适应律以实现摩擦的估计;然后,针对摩擦模型的误差,进一步设计观测器进行估计,结合摩擦的自适应和模型误差估计实现对摩擦的补偿;最后,利用电机侧和关节侧的位置误差和速度误差设计一级滑模面,再根据一级滑模面设计二级滑模面,从而得到分级滑模控制器,进一步实现柔性关节机器人的位置轨迹跟踪控制。通过Lyapunov函数证明了机器人关节轨迹跟踪误差的收敛性。仿真结果表明：该控制方法结合参数自适应和模型误差观测器可以有效地对摩擦进行补偿,在有限时间内实现柔性关节机器人的位置轨迹对期望位置轨迹的跟踪。     

基于点球约束的七自由度机器人误差建模与参数辨识

自动化装配对于机器人绝对定位精度提出了更高的要求,由于各种误差因素的影响,机器人理论位姿和实际位姿总是存在着一定的误差,若绝对定位精度过低,容易导致装配过程中零部件之间发生碰撞,严重影响着装配机器人的应用与推广。标定技术是提高定位精度的主要手段,误差建模、数据测量、参数辨识是标定与误差补偿过程中的重要环节。为此,提出了一种基于点球约束的机器人误差建模与参数识别方法：1)通过在机器人末端安装的六维力传感器反馈末端受力情况控制机器人以多种姿态使标定锥与靶标球球面重合,记录接触时各关节的位置数据;2)以靶标球球体半径为适应度函数,利用遗传算法辨识误差参数,从而建立完整的误差补偿模型。以自主研制的七自由度装配机器人为研究对象,针对装配机器人的结构特点,由正向递推建立机器人的正运动学方程,应用固定关节法与反变换法获得机器人逆运动学方程;基于D-H模型,建立机器人的运动学误差模型,在理论研究中,预设定误差参数与位姿变换矩阵,通过牛顿迭代法获取了关节变量值,将关节变量值代入正运动学方程进行验证,利用遗传算法进辨识误差参数,将辨识结果代入运动学模型中进行验证,机器人定位精度得到明显提高。通过实验,采用点球式标定方法采集机器人关节数据,应用遗传算法辨识误差参数,将所求得的误差参数代入误差模型中进行实验,绝对定位精度提升了76.74%,验证了基于点球约束的机器人误差建模与参数识别方法的有效性,为多自由度机器人标定研究提供有益参考。     

基于混合遗传算法的机器人改进摩擦模型辨识

为了解决机器人运动过程中库伦+黏性摩擦模型不能真实反映关节摩擦的非线性特性的问题,采用改进Stribeck摩擦模型对机器人关节摩擦进行建模,提出基于混合遗传算法与余弦轨迹的模型参数辨识方法. 采用不同的余弦轨迹对机器人关节进行激励,利用已知的机器人动力学方程确定关节摩擦力矩,从而建立机器人关节速度与关节摩擦力矩之间的映射关系,并利用模拟退火混合遗传算法对摩擦参数进行辨识. 为了验证所提方法的有效性,以多关节串联型机器人为研究对象,进行摩擦参数辨识实验. 实验结果表明,与传统的库伦+黏性摩擦模型相比,改进的Stribeck摩擦模型可以减少17.7%~33.6%的关节力矩计算误差,并能够进一步提高机器人动力学模型的准确性.     

基于双观测器的机器人自适应摩擦补偿控制

针对机器人系统中存在关节摩擦的问题,提出一种基于终端滑模观测器和摩擦状态观测器的双观测器自适应摩擦补偿反演控制方案:为避免速度测量带来的噪声影响,设计终端滑模观测器对机器人的速度进行估计;考虑到摩擦力无法直接获取,采用连续LuGre摩擦模型,设计摩擦状态观测器和摩擦参数自适应律,得到摩擦的估计值;结合摩擦估计值设计反演控制器,使机器人在受到关节摩擦影响的情况下能有效跟踪期望位置轨迹。最后通过Lyapunov函数证明闭环系统的稳定性以及机器人轨迹跟踪误差的收敛性,并通过MATLAB仿真验证该控制方案的有效性。仿真结果表明,该控制方法能有效抑制关节摩擦对机器人轨迹跟踪的影响,提高了系统的位置跟踪精度。     

基于地面反力的双足机器人期望步态轨迹规划

提出了一种基于地面反力的双足机器人期望步态轨迹规划方法。通过D Alembert定理推导出地面反力与机器人关节运动之间的数学关系。结合ZMP（零力矩点）稳定性原则和其他物理性约束条件,给出了双足机器人期望步态轨迹。受人类行走的启发,采用模糊策略来规划期望ZMP轨迹。该方案与传统的双足机器人步态轨迹生成方法比较,可实现稳定的行走,具有上体的运动范围小,适用于单、双脚支撑期等优点。双足机器人的实验说明了该方案的可行性和良好性能。     

Fuzzy adaptive PID control on hydraulic servo system of quadruped robot

Quadruped robot driven by high power density hydraulic device works in unstructured en- vironment. With variable load and various external disturbance, the hydraulic servo system has fea- tures such as nonlinear, time-varying parameters. Traditional control method has some limitation. In order to help the hydraulic servo system of the quadruped robot to adapt to harsh environments, and to obtain high control quality and control precision, an incremental fuzzy adaptive PID controller based on position feedback is designed to solve the related technical problems. Matlab/Simulink sim- ulation and experimental results show that the incremental fuzzy adaptive PID controller improves the dynamic performance of the system, enhances the respond speed and precision of the hydraulic ser- vo system, and has some theory significance and practical value.     

Adaptive fuzzy classifier with a fixed number of fuzzy rules

The adaptive fuzzy system has many advantages over the neural network. It can be used to design a fuzzy classifier. However, there is the “Dimension Calamity” with the number of inputs increasing in the adaptive fuzzy system. In this paper, an adaptive fuzzy classifier with a fixed number of fuzzy rules is proposed. This classifier is combined by several fuzzy reasoning machines so that one fuzzy reasoning machine recognizes only one class. Every fuzzy reasoning machine includes two “If-Then” fuzzy rules. The total fuzzy rules number of the classifier is confirmed by the number of classes of the patterns being classified. The classifier uses the “Error Back-Propagation Training” arithmetic as the learning arithmetic. Compared with the BP neural network classifier, the new classifier and BP neural network classifier are both tested by the famous iris dataset and Ripley's synthetic dataset. It is proved that the new classifier has a good classification ability and learning ability even if the data have been polluted.