机械系统集散控制

[键入文字]2011年12月机械系统集散控制——基于神经网络的机器人智能控制研究作者：班级：学号：指导教师：基于神经网络的机器人智能控制研究1目录1机器人智能控制研究现状.............................................................21.1机器人智能控制的发展...........................................................21.2机器人智能控制现状................................................................22两轮驱动机器人控制算法分析.....................................................32.1神经网络逆模型控制................................................................32.1.1机器人神经网络逆模学习控制..........................................42.1.2神经网络逆模学习控制方法..............................................42.2机器人神经网络自适应控制....................................................62.2.1自适应控制系统..................................................................72.2.2自适应神经网络控制..........................................................72.2.3动态回归神经网络结构及其动力学描述..........................82.2.4神经网络模型参考自适应控制..........................................92.3机器人模糊神经网络控制......................................................102.3.1基于多层前馈神经网络的纯模糊神经网络....................102.3.2神经网络驱动型的模糊神经网络....................................112.3.3模糊神经网络在机器人控制中的应用............................123机器人智能控制研究现状...........................................................134参考文献........................................................................................15基于神经网络的机器人智能控制研究21机器人智能控制研究现状1.1机器人智能控制的发展机器人（Robot）是自动执行工作的机器装置。它既可以接受人类指挥，又可以运行预先编排的程序，也可以根据以人工智能技术制定的原则纲领行动。从机器人诞生到20世纪80年代初，机器人技术发展相对缓慢。但到了20世纪90年代，随着计算机技术、微电子技术等科学技术的快速发展，机器人技术也取得了巨大的进步。早期的机器人系统，由于需要完成的任务比较简单，而且对动态特性的要求不高，其系统可看成是机器人各关节控制器简单的组合。随着机器人技术的发展，机器人控制器对各关节在整个过程中位置、速度及加速度都有一定的要求，因此可采用独立关节控制原则，在各关节构成PID控制。由于机器人操作臂是一个高度非线性的系统，工业用的低速操作臂应用常规的PID反馈控制可以满足控制要求，但为实现高速运动，要求具有较好的控制品质，PID反馈控制难以取得较好的控制效果。在传统的控制方法中，它们依赖数学模型。但是，由于操作臂的参数不能精确得到，模型参数与实际参数不匹配时，便会产生伺服误差。当机器人工作环境及工作目标的性质和特征在工作过程中随时间发生变化时，控制系统的特性有未知和不定的特性。这未知因素和不定性使控制系统性能降低。因此，采用传统的控制方案已不能满足控制要求。在研究被控对象的模型存在不确定性及未知环境交互作用较强情况下的控制时，智能控制方法得到了成功的应用。近年来，随着人们对机器人高速高精度要求的不断提高，使得整个机器人系统对其控制部分的要求也越来越高，开发具有智能的机器人已经成为人们研究的热点。智能机器人的研究作为目前机器人研究中的热门课题，同时也是一门新兴学科，它融合了神经生理学、心理学、运筹学、控制论和计算机技术等多学科思想和技术成果[1]，虽然整体研究还处于相对初级的阶段，但其发展前景相当乐观。在其涉及的诸多领域中，智能控制技术是其中极其重要的一部分。智能控制的研究主要体现在对基于知识系统、模糊逻辑和人工神经网络的研究，使用这些技术的目的是使智能机器人可以在非预先规定的环境中自行解决问题。所以智能机器人的技术关键就是自适应和自学习的能力，而以神经网络控制为代表的智能控制技术的应用显示出诸多优势，具有广阔的应用前景。1.2机器人智能控制现状由于对机器人的研究越来越热门，近几年机器人智能控制在理论和应用方面都取得了长足的进步。基于神经网络的机器人智能控制研究3在模糊控制方面，由J·J·Buckley等人论证了模糊系统的逼近特性；E·H·Mamdan首次将模糊理论运用于一台实际机器人，把模糊控制技术在机器人中的应用得以展现[2]。而且。模糊系统在机器人的建模、控制、对柔性臂的控制、模糊补偿控制、以及移动机器人路径规划等各个领域都得到了广泛的应用。神经网络的研究20世纪60年代，并在20世纪80年代得到了快速的发展。神经网络在控制应用上具有以下特点：能够充分逼近任意复杂的非线性系统；能够学习与适应不确定系统的动态特性；有很强的鲁棒性和容错性等。因此，神经网络对机器人控制具有很大的吸引力。由Albus提出了一种基于人脑记忆和神经肌肉控制模型的控制机器人关节控制方法，即CMCA法(CerebellaModelControllerArticulation)，该方法以数学模块为基础，采用查表方式产生一个以离散状态输入为响应的输出矢量。在控制中，状态矢量输入来自机器人关节的位置与速度反馈，输出矢量为机器人驱动信号。也可以利用CMCA模拟机器人动力学方程，计算实现期望运动所需力矩作为前反馈控制力矩，采用自适应反馈控制消除输入扰动及参数变化引起的误差。CMCA是应用较早的一种控制方法，它的最大特点是实时性好，尤其适应于多自由度操作臂的控制，W·T·Miller等还进行了实验研究，经过仿真实验证明，经过4个控制周期后，控制过程的误差趋近于零验证了该方法的有效性。F·L·Lewis基于无源理论提出了一类网络利用功能连接神经网络逼近机器人动力学模型，连接权在线调整方法，可保证神经网络自适应控制算法闭环稳定。由于智能控制，尤其是神经网络在机器人控制中的优势和广泛运用，使得智能机器人得到了充分的理论基础并得以快速发展，本文将主要针对神经网络技术在机器人智能控制中的应用进行介绍与研究。2两轮驱动机器人控制算法分析在对机器人的控制中，机器人在完成任务时所要求的运动轨迹一般都是在直角坐标系中给定的，实际的运动却是通过控制安装在关节上的驱动部件来实现的，因此就要将机器人在直角坐标空间中的运动变换到关节空间，此时必须进行逆运动学计算，而机器人逆运动学求解是非常复杂的。我们可以采用神经网络来自动实现机器人正逆运动学的计算，利用神经网络输出的结果作为控制变量，来实现机器人运动学控制[3]。这种控制不需要各个变量之间的准确解析关系模型，而只要通过对大量例子进行训练就可以实现。所以神经网络在机器人运动学控制中应用是很多的。2.1神经网络逆模型控制NN直接逆模控制采用受控系统的一个逆模型，它与受控系统串接以便使系统在期基于神经网络的机器人智能控制研究4望响应（网络输入）与受控系统输出间得到一个相同的映射。因此，该网络可直接作为前馈控制器，而且受控系统的输出等于期望输出。此方法已用于机器人跟踪控制，可达到高的精度。2.1.1机器人神经网络逆模学习控制机器人研究的重点之一便是机器人关节运动的控制，即使把控制对象仅看作一个多关节机械手，它的数学模型也相当复杂，是一个与运动学和动力学密切相关的、强藕合、非线性的多变量系统。同时，在运动过程中，机器人的负载可能变化很大，因而，它又是一个时变的系统。传统的机器人控制是在求得机器人的数学模型之后采用经典或现代控制方法进行控制，很多方法实现了机器人的快速、精确控制。但随着机器人运动与系统越来越复杂，机器人的数学模型很难实现精确已知[4]。因此，在这种情况下，近年来人工神经网络的重新出现，为解决机器人控制中存在的一些问题提供了新的途径。逆系统方法是通过动态系统的“逆”的概念来研究一般非线性控制系统反馈线性化设计的一种方法。常规的逆系统方法要求已知受控对象的精确数学模型，这对于大多数工业过程难以做到，即使建立了非线性动力学模型，一般也难以求得逆模型的解析形式。为了克服逆系统方法在工程应用中的困难，可利用受控对象的输入输出数据建立对象的逆模型。运用神经网络等模型来建立受控对象的逆模型及其逆模控制己受到过程控制界的关注。2.1.2神经网络逆模学习控制方法一个n自由度的机械手微分形式的动力学方程可以表示为：(2.1)其中)(M为n×n维对称正定惯性矩阵；),(。V为n×1维哥氏力和向心力矩矢量；)(G为n×l维重力矢量；),(。F为n×1维摩擦力矩变量；，，。分别为n×1维的机械手关节位置、速度、加速度矢量[5]。为了简化，这里认为每一个关节只由一个驱动器单独驱动，τ是n×1维的关节力矩矢量。设基于模型的控制法则为：(2.2)(2.3)其中。。。，ddEE分别是n×1维关节位置和速度误差矢量；)()()()(FGVM，，，分别表示机械手动力学模型)()()()(FGVM，，，的估计；基于神经网络的机器人智能控制研究5ddd，，。分别是n×1维的预期关节位置、度和加速度矢量；Kp和Kv分别是n×n维的位置增益和速度增益矩阵，通常选为定常对角矩阵。系统的闭环方程为：(2.4)当时，可得误差方程：(2.5)其中，。以当Kp和Kv为对角阵时，系统就被线性化并且被完全解耦，这样使用分割控制规律就把一个复杂的非线性多变量系统的设计问题转化为n个独立的二阶线性系统的设计问题。然而，实际上机械手动力学系统的模型复杂，参数时变，难以精确知道时，存在着不确定性，解祸和线性化将难以精确实现。如果1M存在，那么由闭环方程式(2.4)得到的误差方程为：(2.6)其中，表示实际参数与模型参数之间的偏差造成的误差。为解决这个问题，可以训练一个人工神经网络，让它取代机械手的逆动力学模型，从而实现上述基于模型的非线性控制。基于神经网络模型的机器人逆模控制系统如图2.1所示，图中由反馈控制器和神经网络逆模学习器NNC组成。τc是常规PID反馈控制器用以保证神经网络在线学习期间使控制系统全局渐近稳定，同时起参考模型作用和提供NNC网络学习的误差信号。这样，网络的学习和控制可同时进行，不需要提供教师信号，也不需要规定网络学习何时开始，何时结束，而在整个学习—控制过程中反馈转矩τc逐渐趋于零，网络权值趋于稳定。基于神经网络的机器人智能控制研究6图2-1神经网络逆模学习控制系统设机器人的动力学方程表示为：(2.7)PID反馈控制器：(2.8)NNC神经网络模型：(2.9)(2.10)由(2.10)式，可定义τ和τN之间的误差为：(2.11)其中，τext为外扰力矩。为使系统的力矩差τe最小，我们可通过NNC网络的学习（训练网络