2-DOF并联机构动力学建模与迭代学习控制

针对一种直线电机驱动的2-DOF并联机构,结合直线电机的动力学特性,采用Lagrange方法对其进行动力学建模。考虑该机构重复性动作及其不确定性和非线性特点,提出一种自适应神经网络迭代学习控制方法。在该控制算法的作用下,系统输出能较好地跟踪给定输入。严格证明及仿真结果验证了该算法的有效性。

基于低通滤波器的不确定机器人迭代学习控制

针对不确定机器人系统轨迹跟踪问题,并更好地消除系统不确定性对控制性能的影响,提出一种基于低通滤波器的迭代学习控制方法。采用滑模变结构控制(SMC)以提高控制器对系统干扰和摄动的鲁棒性,并在控制器输出端引入低通滤波器(LPF)来消除滑模控制中出现的抖振现象。将系统的不确定项描述为周期性和非周期性两部分,通过采用迭代学习算法对周期性不确定部分进行迭代学习,采用RBF神经网络对非周期性不确定部分的未知上界进行自适应学习。该控制方法不仅对系统的不确定性和有界外部扰动具有鲁棒性,而且使得整个系统在迭代域中是全局渐近稳定的。严格的理论推导和仿真结果表明了该控制策略的有效性。

不确定机器人的自适应神经网络迭代学习控制

针对不确定性机器人系统轨迹重复跟踪问题,提出一种自适应神经网络迭代学习控制方法。将系统的不确定项描述为周期性和非周期性两部分,通过采用迭代学习算法对周期性不确定部分进行迭代学习,采用RBF神经网络对非周期性不确定部分的未知上界自适应学习,并引入低通滤波器(LPF)来消除滑模控制中出现的抖振现象。该控制方法不仅对系统的不确定性和有界外部扰动具有鲁棒性,而且使得整个系统在迭代域中是全局渐进稳定的。严格的证明和仿真结果表明了该控制策略的有效性。