机械臂神经网络自适应控制

机械臂神经网络自适应控制
一.前言
由于经典控制方法和现代控制方法在控制机器人这种复杂系统时所表现的种种不足，近年来，越来越多的学者开始将智能控制方法引入机器人控制，实现机器人控制的智能化。

主要的控制方法有：模糊控制Fc，神经网络控制NNc，专家控制Ec等等。

对于复杂的环境和复杂的任务，如何将人工智能技术中较少依赖模型的求解方法与常规的控制方法来结合，正是智能控制所要解决的问题。

因此，智能控制系统必须具有模拟人类学习和自适应、自组织的能力。

现代智能控制技术的进步，为机器人技术的发展尤其是智能机器人技术的研究与发展提供了可能。

神经网络的研究已经有30多年的历史，它是介于符号推理与数值计算之间的一种数学工具，具有很好的学习能力和适应能力，适合于用作智能控制的工具，所以神经网络控制是智能控制的一个重要方面。

由于神经网络在许多方面试图模拟人脑的功能。

因此神经网络控制并不依赖精确的数学模型，并且神经网络对信息的并行处理能力和快速性，适于机器人的实时控制。

神经网络的本质非线性特性为机器人的非线性控制带来了希望。

神经网络可通过训练获得学习能力，能够解决那些用数学模型或规则描述难以处理或无法处理的控制过程。

同时神经网络还具有很强的自适应能力和信息综合能力，因而能同时处理大量的不同类型的控制输人，解决输入信息之间的互补性和冗余性问题，实现信息融合处理。

这就特别适用于像机器人这样具有复杂的不确定性系统、大系统和多变量高度非线性系统的控制。

近年来，神经网络在机器人控制中得到了广泛的应用。

二、机械臂系统设计
机械臂是一个多输人多输出、强耦合的复杂机电系统，要对其实现精确的控制比较困难。

为此，先不考虑机械臂的动态控制，只对其进行运动控制，使其能够准确的跟踪给定的轨迹曲线。

其基本的控制结构，如图1所示。

(一)机械臂的模型设计
本文针对两关节机械臂进行设计，两关节机械臂的控制图如下
n一连杆平面机械臂的动力学模型如下式：
（2-1）其中分别代表各关节的角度位置、角速度以及角加速度；
为惯性矩阵；为向心矩阵；为重力向量；代表控制输入
向量。

（2-2）
控制目标：对于给定的期望关节角轨迹 Xd ={X1X2
，为机械臂设计一个神经网络控制器，使得控制器能够实现真正的学习与控制。

(二)径向基神经网络
基于高斯径向基函数RBF 网络，是以函数逼近理论为基础而构造的一类前向网络，这类网络的学习等价于在多维空间中寻找训练数据的最佳拟合平面。

RBF 网络的每个隐层神经元传递函数都构成了拟合平面的一个基函数。

它在机械臂轨迹跟踪控制中是一种较为系统、逼近精度最高的方法，它能够保证机械手位置和速度跟踪误差渐进收敛于零。

径向基函数：对于一个位于[0, ∞]上的连续正函数S(.)，如果它按如下形式给出：
（2-3）
其中，dB （p ）是位于[0, ∞]上的有限.非负菠菜尔测度，r ∈[0, ∞]，则函数S(.)就是一个径向函数。

三、仿真
一个两关节机械臂，其系统参数如下：
（3-1）
对期望轨迹 Xd=[0.8sin(t),0.8cos(t), 0.8cos(t),-0.8sin(t)]t,在初始状态为X （0）=[0,0.65,0.75,0]t,神经网络权值初始值W （0）=0的情况下，关节角跟踪误差仿真结果如图1。

图1 关节角跟踪误差
四.结论
由于机械臂关节控制系统具有非线性和参数变化等特点，传统的基于线性定常系统的控制方法很难取得理想的控制效果。

因此，只有采用先进的控制方法才能改善被控对象的动态特性，提高控制品质。

仿真情况表明，本文采用的自适应控制方法是有效可行的，在机械臂关节控制中具有一定的参考价值。

在仿真中，图1表明了机械臂关节角对期望轨迹的良好跟踪性能。

因此神经网络控制在机械臂中很好的智能控制应用。