部分内容展示

工业机械手具有很多的优势，广泛应用于各行各业。但是机械手轨迹跟踪存在诸多的不确定因素，如关节摩擦、负载的变化、外部干扰等，使得机械手轨迹跟踪控制难度增加。为了探索实现双关节机械手高精度轨迹跟踪的方法，本文采用理论与实践相结合的方法，将鲁棒控制与模糊控制理论、RBF神经网络结合起来，提出基于模糊神经网络的鲁棒控制方法，并应用于手双关节机械手轨迹跟踪控制中。仿真结果表明，基于模糊神经网络的鲁棒控制方法能够大大提高双关节机械手轨迹跟踪性能，具有一定的实践应用价值。

 
关  键  词：双关节机械手；鲁棒控制；模糊神经网络；轨迹跟踪；更多范文 随着科学技术的发展，工业机械手控制取得了显著的进步。双关节机械手作为结构最简单的一种机械手系统，它是由两个关节、两个连杆组成的机构，机构的一端固定在基座上，机构的另外一端可以任意运动，可以抓取、移动物体以完成用户指定的各种工作。双关节机械手可靠性高、灵活性强、运行速度快、处理能力强，极大地提高劳动生产率。人们对机械手的要求不仅仅是能够实现点对点的跟踪、一般直线跟踪和复杂的曲线跟踪，而是能够实现对任意指定路径高精度的跟踪。然而，双关节机械手受负载变化、随机扰动等外界因素和模型自身不确定性因素的影响，加大了机械手高精度轨迹跟踪的难度。为了解决这一问题，学者对机械手高精度轨迹跟踪控制方法进行了大量的研究，提出了PID控制、鲁棒控制、神经网络控制、模糊控制等方法，每种方法都有各自的优势和不足。由于各种控制理论与方法在具有相应优点的同时又存在弊端，很难通过某一种方法达到理想的控制效果。近年来，将两种或者多种控制方法相融合，取长补短、有机结合形成一种新的有效的控制方法成为当今机械手控制的研究热点之一。例如，杨金龙（2012）将神经网络与鲁棒控制结合起来，提出双关节机械手的神经网络鲁棒控制方法，大大降低系统的不确定性，提高系统的暂态性能，能够对双关节机械手的位置、速度和加速度进行较好的轨迹跟踪控制。董立红（2012）将鲁棒控制与PID控制结合起来，得到基于模糊补偿的机械手鲁棒自适应模糊控制方法，仿真实验结果表明，这种改进的带模糊补偿的鲁棒自适应模糊控制可以很好地抑制摩擦、扰动及负载变化等非线性因素的影响。谢斌，丁振杰，蒋伟（2016）自适应算法和鲁棒控制控制结合起来，完成基于MIMO系统的多关节机械手自适应模糊控制系统的设计，通过实验验证和计算机仿真可表明该算法的有效性。通过以上研究成果可知，鲁棒控制与其他常规的控制理论相融合，可以消除逼近误差造成的影响，有效地保证系统运行的稳定性，减少了模糊控制规则的数量，产生性能更加优良的控制算法。为此，本文在借鉴研究成果的基础上，试图将模糊理论、鲁棒控制与RBF神经网络相结合，在借鉴神经网络鲁棒控制方法的基础上，设计基于模糊神经网络的双关节机械手鲁棒控制方法，PD控制用于机械手标称模型的轨迹跟踪控制，用鲁棒控制消除系统不确定性的影响，利用RBF神经网络的万能逼近特点逼近鲁棒控制器的不确定上界，模糊逻辑控制实现鲁棒控制器有界层宽度的自动调节，以达到双关节机械手高精度轨迹跟踪控制的目的，具有重要的理论意义和实际价值。