可重构机械臂模糊神经补偿控制

由于可重构机械臂的动力学系统中存在大量的不确定性,导致PID等传统的控制器无法实现精确的位置控制。作者在基于精确模型PD控制的基础上,提出了模糊神经控制算法辨识补偿结构、非结构不确定性。通过模糊神经控制器融合了模糊逻辑和神经网络的各自优势,实现了可重构机械臂轨迹跟踪的有效的补偿控制。基于牛顿-欧拉的几何方法,推导了n连杆可重构机械臂的动力学方程,该方法相对于其他形式的动力学方程,计算量小、通用性强。最后以RRP(Revolute-Revolute-Prismatic)三连杆机械臂为例研究设计了可重构机械臂的控制器,并且通过仿真验证了算法对轨迹跟踪的有效性。

可重构机械臂鲁棒模糊神经补偿控制仿真研究

基于精确模型计算力矩控制,考虑了可重构机械臂的动力学系统中存在的大量不确定性,提出了鲁棒模糊神经智能控制算法辨识补偿结构和非结构不确定性,给出了模糊神经网络的权值、隶属度函数参数以及综合误差的分立量估计Lyapunov稳定性在线调节律。通过Lyapunov稳定性理论证明了提出的RNF补偿算法的最终一致有界性,以RR(Revolute-revolute)和RRP(Revolute-revolute-prismatic)两种构形的可重构机械臂为例,通过仿真研究了算法对轨迹跟踪的有效性。

基于速度观测模型的可重构机械臂补偿控制

针对可重构机械臂动力学中存在的模型参数摄动和外界扰动,本文阐述了一种基于速度观测模型的模糊RBF神经网络补偿控制算法.利用Lyapunov函数给出了网络的权值、隶属度函数中心和宽度倒数的在线更新律,并证明了所提出的观测模型及其补偿控制算法的最终一致有界性.最后以RRP(revolute-revolute-prismatic)构形的可重构机械臂为例,通过仿真研究了算法对轨迹跟踪问题的有效性,同时与基于速度观测模型的RBF神经网络补偿控制进行了仿真对比及分析,给出了神经网络和模糊神经网络在可重构机械臂轨迹控制应用中各自的优缺点.

基于信号重构的可重构机械臂主动分散容错控制

针对可重构机械臂系统传感器故障,提出一种基于信号重构的主动分散容错控制方法.基于可重构机械臂系统模块化属性,采用自适应模糊分散控制系统实现正常工作模式时模块关节的轨迹跟踪控制.当在线检测出位置或速度传感器故障时,分别采用数值积分器或微分跟踪器重构相应信号,并以之代替故障信号进行反馈实现系统的主动容错控制.此方法充分利用了冗余信息,避免了故障关节控制性能的下降对其他关节的影响.数值仿真结果验证了所提出容错控制方法的有效性.

基于多步时延的可重构机械臂并发故障分散容错控制

基于Lyapunov稳定性理论和可重构机械臂的模块化属性,针对非故障系统设计了分散反演神经网络控制器,并采用自适应神经网络系统补偿子系统关联项对系统控制精度的影响。通过引入一阶滤波器将传感器故障转化成伪执行器故障,从而得到增广故障子系统模型,进而采用多步时延技术补偿并发故障,实现容错。两种不同构形的2-DOF可重构机械臂系统的仿真结果表明了所设计分散容错控制方法的有效性。

一种可重构机械臂的自组织协调控制

主要研究一种新的具有树型结构的可重构机械臂的自组织协调控制问题。首先给出这种可重构机械臂的运动学、动力学方程及与其结构变化的关系；然后通过研究一个较通用的任务模型，建立了系统的动力学方程，由此提出一个自组织协调控制策略。最后仿真结果证明了控制规律是有效的。

基于故障在线估计的可重构机械臂分散容错控制

为了降低可重构机械臂模块关节执行器和传感器故障对其控制性能的影响,提出了一种基于故障在线估计的分散容错控制方法。基于可重构机械臂的模块化属性和Lyapunov稳定性理论,设计了分散自适应滑模观测器以实现执行器和传感器故障的在线自适应估计。同时采用神经网络对子系统非线性项进行逼近和补偿,并结合非奇异快速Terminal滑模思想实现了分散容错控制。最后,采用两种不同构形的三自由度可重构机械臂进行了仿真试验,结果表明,所设计的容错控制方法是有效的。

可重构机械臂分散自适应迭代学习控制

基于Lyapunov稳定性理论和Backstepping技术,提出了一种可重构机械臂分散自适应迭代学习控制方法。将可重构机械臂动力学系统描述为一个交联子系统的集合,基于Backstepping技术,给出自适应迭代学习控制方法。为了补偿系统模型不确定项和子系统之间交联项,采用自适应神经网络进行逼近。最后,通过数值仿真验证了所提方法的有效性。

可重构机械臂分散自适应模糊滑模控制

为了适应软件模块化的设计观念,提出一种可重构机械臂的分散自适应模糊滑模控制方案,把可重构机械臂的动力学描述为一个交联子系统的集合。使用模糊逻辑系统逼近子系统动力学模型,然后设计自适应滑模控制器抵消交联项和模糊逼近误差对轨迹跟踪性能的影响。这些子系统控制器组成一个模块化的控制网络,协调工作实现可重构机械臂稳定可靠的运动。最后,仿真结果证明了提出的分散控制方案的有效性。

无末端力传感器的可重构机械臂分散力控制

针对存在关节摩擦和外扰的可重构机械臂系统在受限空间内的力控制问题,提出一种无需使用力传感器即可同时控制受限空间内机械臂力和位置的分散阻抗内环/力外环控制方案.采用模糊系统逼近机械臂系统中的不确定项及子系统间的耦合关联项,通过基于模糊预测的力外环控制器为内环的阻抗控制器提供参考轨迹,并利用模糊系统逼近实际的接触力.该方案为没有力传感器情况下的可重构机械臂的力控制提供了一种可能的解决方案,且模糊预测调节参考轨迹的阻抗内环控制使机械臂具有一定的柔顺性,能较好地实现机械臂由自由空间向受限空间的过渡.通过对2自由度平面机械臂和3自由度机械臂的仿真验证了该方法的有效性.

考虑多故障同发的可重构机械臂分散主动容错控制

针对含有传感器故障及执行器故障的可重构机械臂系统的轨迹跟踪问题,提出一种基于滑模观测器的分散主动容错控制方法。通过引入一个新增状态将传感器故障等效为执行器故障,针对新系统构造滑模观测器,并用模糊神经网络去逼近可重构机械臂各关节间的非线性项及关联项,进而实现对不同类型传感器故障及执行器故障的重构。最后对2个不同构型的三自由度可重构机械臂进行仿真。研究结果表明:该方法不需进行故障诊断,通过实时重构故障,能够及时实现主动容错控制。仿真结果验证了所提方法的有效性。

面向任务约束的可重构机械臂最优构形设计

为解决受限可重构机械臂在完成任务时的最优构形确定问题,提出一种基于自适应粗粒度并行遗传算法(adaptive coarse parallel genetic algorithms,ACPGA)的构形确定方法:以关节模块和连杆模块的加权和为目标函数,在满足可达性、关节转角限制和避免构形奇异的约束条件下,综合考虑模块数量和连接方位,确定可重构机械臂在受限空间内完成任务的最优构形.通过实例验证了该构形方法的有效性.

环境约束可重构机械臂模块化力/位置控制

针对受环境约束的可重构机械臂系统,提出了一种自适应神经网络模块化力/位置控制方法.利用雅克比矩阵将机械臂末端与环境接触力映射到各关节,将系统动力学模型描述成一组通过耦合力矩相关联的子系统集合,通过控制各子系统的位置和力矩来达到控制末端执行器位置和接触力的目的.利用神经网络估计可重构机械臂系统的非线性项和交联项,通过自适应更新律在线估计神经网络权值函数,并引入滑模控制项补偿估计误差,从而保证闭环系统渐近稳定.最后,在不改变控制器参数的条件下对2个不同构形的2自由度可重构机械臂进行数值仿真,结果验证了所设计控制器的有效性.

基于RBF神经网络的可重构机械臂控制研究

采用RBF神经网络控制算法来解决MIMO不确定非线性系统的自适应输出反馈控制问题,以系列模块化机械臂为研究对象,设计RBF神经网络控制器不断逼近可重构机械臂动力学模型,采用MATLAB软件基于RBF神经网络逼近设计的控制器对RR构型机械臂进行控制仿真。结果表明该控制器能有效地逼近机械臂动力学模型,并能较好地适应机械臂不同构型。

基于电流环的可重构机械臂碰撞辨识方法研究

传统可重构机械臂存在安全问题或是反馈结构过于复杂,介绍了一种可重构机械臂则通过借鉴人类在未知环境下抓取物体的操作,利用电流的改变来分析力矩,判断可能的障碍物位置,以对机械臂的路径进行重新规划。此可重构机器人由转动模块、摆动模块、连接模块、执行模块、连杆以及腕部模块组成。可重构机器人控制系统以DSP2812为控制芯片,通过EV管理器,进行PWM编程,电流采集方案使用的是基于霍尔传感器原理的WCS2702单通道电流检测传感器。通过ADAMS仿真的结果,可得出在不同受力情况下,以电流变化所采集数据能够分析得出机械臂受力情况,说明以电流环来控制机械臂避障可行。

适于可重构机械臂构形变化的PID参数自调整算法研究

针对模块化可重构机械臂的构形多变性,本文提出了一种适合于构形变化的PID参数自调整方法。首先由上位机对机械臂系统进行构形辨识,为关节控制器提供初始PID值,然后通过基于模糊自适应的PID参数调整方法针对单个模块控制器的PID参数进行调节,实现PID参数的在线自整定。实验验证了当机械臂构形变化后,PID参数可以在线自调整,并有效的改善系统的动、静态性能,具有实际的应用价值。

可重构机械臂的鲁棒模糊自适应补偿控制

针对可重构机械臂的动力学系统中存在的不确定性,提出了基于模糊自适应算法的控制律来自适应逼近系统中存在的摩擦和外部扰动,实现对可重构机械臂的补偿控制。为了提高控制律的补偿精度和抗干扰性,减小算法的逼近误差,在控制律中添加了鲁棒项。通过Lyapunov稳定性理论证明了提出的模糊自适应控制律和鲁棒模糊自适应控制律能在可重构机械臂动力学中含有摩擦和外部扰动时保证系统的稳定性。以三自由度可重构机械臂为例设计了可重构机械臂的控制器,仿真结果显示该算法具有良好的轨迹跟踪性能,验证了该算法的有效性和可行性。

可重构机械臂构型自适应控制研究

针对可重构机械臂系统存在的不确定性及不同构型下的轨迹跟踪问题,提出了径向基函数(Radial Basis Function,RBF)神经网络鲁棒自适应补偿控制算法。设计了RBF神经网络补偿控制器自适应逼近补偿系统存在的未知项;为减小控制器逼近误差及适应构型变化时的鲁棒性,在控制律中引入了鲁棒项;基于李雅普诺夫(Lyapunov)稳定性理论设计了构型自适应调节律和鲁棒项并证明了闭环控制系统的稳定性。最后,以两种典型的可重构机械臂构型进行研究,结果表明所提算法能够适应系统构型的改变,同时有效地补偿系统存在的不确定性。

二自由度可重构机械臂轨迹跟踪控制

采用RBF神经网络学习方法预测交联项、摩擦项以及干扰项,用以消除模型不确定性影响,并降低控制器增益。为确保MRRs系统的跟踪误差在有限时间内收敛到零,将终端滑模(TSM)算法引入到控制器设计中。利用Lyapunov方法分析了闭环系统的稳定性。最后实验验证了该方法的有效性。

可重构机械臂构型自适应模糊滑模控制

针对可重构机械臂存在构型自适应及不确定性补偿等问题,提出了基于模糊逻辑的自适应增益滑模控制方法。首先设计了滑模控制器补偿动力学系统的模型不确定项及外部扰动项;其次考虑到恒定增益降低抖振的局限性,设计了模糊控制器自适应调整滑模增益;基于李雅普诺夫方法对所提出的构型自适应控制律的稳定性进行了证明;最后以可重构机械臂RPR和RRPR两种典型构型为例,分别进行恒定增益滑模控制和模糊自适应增益滑模控制对比研究,结果表明所提方法不仅能适应机械臂构型的改变,而且能有效补偿系统的不确定性及降低系统的抖振。此外,在其它控制参数不变的条件下,通过对构型自适应参数P的多组数据仿真分析,验证了优化区间内的构型自适应参数P值能进一步提高系统控制性能。