综述-神经网络在机械工程应用现状

神经网络在机械工程应用现状综述

1、前言

神经网络（Neural Networks，简写为ANNs）是一种模仿动物神经网络行为特征，进行分布式并行信息处理的算法数学模型。这种网络依靠系统的复杂程度，通过调整内部大量节点之间相互连接的关系，从而达到处理信息的目的。

2、正文

2.1、Adaptive neural network force tracking impedance control for uncertain robotic manipulator based on nonlinear velocity observer

这篇文章提出了一种基于非线性观测器的自适应神经网络力跟踪阻抗控制方案，用于控制具有不确定性和外部扰动的机器人系统。假设可以测量机器人系统的关节位置和相互作用力，而关节速度是未知的和未测量的。然后，设计非线性速度观测器来估计机械手的关节速度，并利用Lyapunov稳定性理论分析观测器的稳定性。基于估计的关节速度，开发了自适应径向基函数神经网络（RBFNN）阻抗控制器，以跟踪末端执行器的期望接触力和机械手的期望轨迹，其中自适应RBFNN用于补偿系统。不确定性，以便可以提高关节位置和力跟踪的准确性。基于Lyapunov稳定性定理，证明了所提出的自适应RBFNN阻抗控制系统是稳定的，闭环系统中的信号都是有界的。最后，给出了双连杆机器人的仿真实例，以说明该方法的有效性。[1]

在控制方案中，首先设计非线性速度观测器来估计机械手的关节速度，并用严格的Lyapunov稳定性理论分析观测器的稳定性。接下来，根据估计的速度，开发自适应神经网络阻抗控制器以跟踪末端执行器的期望接触力和操纵器的期望轨迹，其中自适应神经网络用于补偿操纵器的系统不确定性，因此然后可以改善力和位置跟踪精度，并且使用鲁棒项来补偿神经网络的外部干扰和近似误差。最后，通过双连杆机器人的计算机模拟显示了控制方案的有效性。

2.2、Neural network-based bounded control of robotic exoskeletons without velocity measurements

这篇文章提出了一种新的机器人外骨骼神经输出反馈轨迹跟踪控制器。控制器是通过定义辅助动力学，并利用自适应前馈神经网络（NN）项来补偿系统的未知非线性动力学而开发的。所提出的方法仅需要NN权重矩阵的控制器和自适应规则中的位置信息。此外，控制器提供先验有界控制命令。通过在下肢机器人外骨骼上进行的模拟和实验来验证控制器的性能。通过实验示出，控制器的NN项具有按需辅助的属性，使得当用户可以在康复任务中遵循期望的轨迹时，其在控制器输出中的贡献减小。[2]

结果表明，对于控制增益的给定条件，控制命令是先验有界的。这一结果与控制器和NN的适应规律只需要位置信息的事实一起，构成了这篇文章的主要贡献。所提出的仿真和实验结果清楚地表明了控制器的令人满意的性能。

2.3、Neural network-based region reaching formation control for multi-robot systems in obstacle environment

本研究涉及在存在模型不确定性和外部扰动的情况下，多机器人系统的区域达到碰撞和避障的地层控制问题。提出了一种基于神经网络的鲁棒控制方案，结合自适应补偿器和自适应控制增益，实现了碰撞和避障的区域到达编队控制。结果表明，在所提出的控制方法

下，所有机器人都可以始终到达目标区域，保持其形成，并保证碰撞和避障。提供说明性示例以显示所提出的控制方案的有效性。[3]

在这篇文章中，多机器人系统的区域到达的控制问题得到解决。已经结合自适应增益技术和用于多机器人系统的自适应补偿器，推导出基于神经网络的区域到达具有冲突避免的编队控制方案。通过利用所提出的控制方案，机器人可以到达目标区域并且通过碰撞和避障来保持期望的几何刚性构造。此外，理论结果已通过所提出的数值模拟进行了验证。尽管RBF 神经网络具有许多优点，但神经网络仍然面临着一些需要解决的问题。例如，需要通过算法确定神经网络中隐藏节点的数量的选择。确定隐藏层节点的中心值需要进一步研究。进一步的研究工作将主要集中在基于神经网络的多机器人系统的最优控制问题上。

2.4、Real time direct kinematic problem computation of the 3PRS robot using neural networks

直接运动学问题（DKP）的可靠计算是在并联机器人中实现实时（RT）控制器的主要挑战之一。DKP根据放置在致动器上的传感器估计机器人的末端执行器的姿态。但是，这种计算需要使用耗时的数值迭代程序。

从这篇文章可以知道，提出的这种使用人工神经网络（ANN）来近似DKP的方法。基于3PRS并联机器人，进行了一项综合研究，其中提出了几种网络配置来近似DKP。此外，为了证明该方法的有效性，所提出的网络不仅要考虑它们的近似能力，还要考虑它们与机器人中使用的传统迭代程序相比的实时性能。[4]

在这篇文章中，已经提出了DKP求解并联机器人的多层感知器人工神经网络精度和时间性能的综合研究。本研究提出了两个主要贡献：a）基于有界误差准则确定最佳MLP架构的方法，以及使用最大绝对近似误差作为性能指标; b），全面研究MLP网络体系结构的实时性能以及隐藏层大小对ANN计算成本的影响。

2.5、A recurrent emotional CMAC neural network controller for vision-based mobile robots

基于视觉的移动机器人经常受到高非线性动力学和精确定位要求的困扰，这导致了对移动机器人控制和监测中更强大的非线性近似的发展需求。这篇文章提出了一种满足这种需求的复发情绪小脑模型关节控制器（RECMAC）神经网络。特别地，所提出的网络将循环回路和情绪学习机制集成到小脑模型关节控制器（CMAC）中，该控制器被实现为基于视觉的移动机器人的控制器模块的主要组件。简而言之，控制器模块由滑动表面，RECMAC和补偿器控制器组成。将复现结构纳入滑动模型神经网络控制器可确保保留机器人的先前状态，以提高其动态映射能力。应用Lyapunov稳定性分析理论保证了该系统的收敛性。通过仿真和实际的移动目标跟踪任务对所提出的系统进行了验证和评估。实验证明，所提出的系统优于其他流行的基于神经网络的控制系统，因此在控制基于视觉的移动机器人中的近似高度非线性动力学方面具有优势。[5]

在这篇文章中，这种新的递归神经网络RECMAC，用于构建基于视觉的机器人的网络控制器。通过将神经网络和循环回路集成到CMAC中，系统的非线性逼近能力和动态特性得到了改善。所提出的网络通过仿真验证并应用于基于视觉的实际移动机器人的控制器。控制器在移动对象跟踪任务中执行得非常有效，这证明了所提出的神经网络的强大功能。

尽管表现良好，但仍有改进的余地。预计在RECMAC中应用自组织机制将使网络在动态环境中更加灵活，这将在未来进行调查。另外，所提出的网络目前仅应用于目标跟踪任务;值得进一步探索应用领域，以便所提出的系统能够更广泛地为更广泛的领域做出贡献。

3、总结

神经网络控制是一种基本上不依赖于模型的控制方法，它比较适用于那些具有不确定性或高度非线性的控制对象，并具有较强的适应和学习能力，这正是处于机械领域的机器人控制所需要的，因此神经网络控制在机器人控制中获得了广泛的应用，同时，在其他机械的相