王晶[1]1999年在《基于智能技术的非线性系统稳定自适应控制》文中提出本文基于神经网络和模糊系统理论并根据反馈线性化技术和滑模控制理论提出了非线性系统的自适应控制设计与分析方法。全文分为五章： 第一章：综述了非线性系统自适应控制的研究现状，指出利用传统控制方法解决非线性系统控制时存在的问题，并给出了模糊自适应控制和神经网络控制的研究进展。 第二章：给出一些关于范数、稳定性以及非线性系统控制问题基本描述的预备知识。 第三章：研究了广义非线性系统的基于神经网络的自适应控制方法。在分析模糊系统和单层神经网络等价性的基础上，提出非线性系统的单层神经网络稳定自适应控制方法。首先考虑一类仿射非线性系统，利用单层神经网络去逼近系统的非线性函数，分别给出了基于系统状态反馈和输出反馈的稳定自适应控制算法，确保系统的跟踪误差有界；然后利用输入输出线性化方法，给出广义非线性系统的自适应控制方法；最后通过在机械手位置跟踪控制中的仿真研究，验证了所提方法的有效性。 第四章：研究了一类非线性系统的间接自适应模糊滑模控制方法。利用滑模控制的理论和Lyapunov综合方法提出一种针对一类非线性系统的间接自适应模糊滑模控制(IAFSMC)方法。不同于已有的基于滑模的模糊控制器设计方法(利用模糊系统直接替代滑模控制律)，本章提出的IAFSMC利用模糊系统分别去逼近滑模控制律中的等效控制项和切换控制项。给出了模糊规则后件参数的自适应学习方法。基于滑模的设计步骤确保了闭环系统的稳定性和鲁棒性。同时证明了参数自适应律能够确保系统对给定参考输入的稳定渐近跟踪性能。所提的方法减轻了滑模控制中的抖振现象。仿真研究表明即使在缺少系统先验知识和不确定性干扰的情况下，系统性能也十分理想。 第五章：总结全文，并提出下一阶段的研究目标。
孙富春[2]1997年在《机械手的神经网络稳定自适应控制》文中认为基于神经网络的非线性系统稳定自适应控制近年来已引起了人们越来越多的重视。这里典型的方法是将直接和间接的神经网络自适应控制与变结构方法结合以得到改进的系统性能。然而目前这一领域的大多数研究是针对连续时间系统，并且在基于神经网络的自适应控制方案中采用的变结构控制量是静态的。本文提出了将神经网络控制方法和扇区变结构控制集成起来研究采样数据非线性系统神经网络稳定自适应控制的新思想，系统研究了采样数据非线性系统的神经网络稳定自适应控制器设计方法，并将其设计方法应用到刚性连杆和柔性连杆机械手的神经自适应控制中，得到了一套在采样数据情形下机械手的神经网络稳定自适应控制理论方法。在机械手关节角速度不可观测的情形下如何对动力学非线性未知机械手进行神经自适应控制器设计，是机械手神经网络自适应控制中的新问题。本文将机械手鲁棒控制和神经网络控制结合起来解决这一问题，得到了一种机械手控制器一观测器设计的神经网络方法。 论文主要工作如下：(1）从神经网络方法与扇区变结构集成的观点出发，提出了采样数据非线性系统 的神经网络稳定自适应控制方法，给出了完整的系统控制结构和神经网络学 习算法。此外，为了反馈线性化，如何采用神经网络近似一般的控制器结构 u(x）＝D~(－1)(x）N(x)是众多神经自适应方法必须要考虑的问题，现有的解决方 法为保证系统的局部和全局稳定性都要求有一个附加条件。这里提出的解决 方法是用神经网络近似 D~(－1)（x）而不是 D（x),从而避免了许多复杂性。文中给 出了神经网络收敛性和系统全局稳定性的严格证明，并通过与基于静态变结 构的连续时间非线性系统神经网络稳定自适应控制方法的比较揭示了提出方 法的性能。（2）将提出的采样数据非线性系统的神经网络稳定自适应控制方法推广到机械手 的轨迹跟随控制，得到了在采样数据情形下基于扇区变结构的机械手神经网 络间接自适应和直接自适应控制方法。与采样数据非线性系统的神经网络稳 定自适应控制方法不同的是，这里充分利用了机械手惯性矩阵的对称性，得 到的控制方法能够实现系统的精确解耦。（3）将基于静态变结构的连续时间非线性系统神经网络稳定自适应控制方法推广 到机械手的运动控制，并对基于扇区变结构的机械手神经网络稳定自适应控 制方法与基于静态变结构的机械手神经网络稳定自适应控制方法进行了系统 的性能比较。(4)给出了神经网络逼近误差界未知情形下，基于扇区变结构的机械手间接、直 接神经自适应控制的理论结果。（5）提出了机械手关节角速度不可观测情形下，机械手控制器一观测器设计的神 经网络方法，这是机械手神经网络自适应控制中的新问题。本文采用将鲁棒 控制和神经网络控制相结合的思想，解诀了这一问题。在提出的控制方法中 采用一个线性观测器估计机械手的关节速度，神经网络用于逼近修正的机械 手动力学非线性，整个控制器只需一个神经网络，结构简单，同时，机械手 的动力学非线性假设是未知的。（6）基于提出的柔性连杆机械手两时标离散时间建模和分解，给出了柔性连杆机 械手的多速率神经网络自适应控制方法，并通过仿真验证了提出方法的性能。
王钧[3]2006年在《《机械手神经网络稳定自适应控制的理论与方法》书评》文中指出由孙富春教授、孙增圻教授、张钹院士撰写的《机械手神经网络稳定自适应控制的理论与方法》专著主要论述了作者近年来在机械手神经网络稳定自适应控制方面取得的系统性理论成果.全书10章涵盖了基于线性参数化神经网络、多层神经网络和动态神经网络的机械手稳定自适应控制理
崔根群[4]2007年在《用于危险品检测的移动机械手的运动性能分析及其控制》文中提出由于化学危险品泄漏的危害性,各类化学反应容器和输送管道的泄漏检测与维修已经成为石化工业安全生产、预防重大事故发生所关注的问题。在危险环境中,具有自主能力的移动机械手便成为代替和辅助人类完成一定任务的最佳选择。本文在国家863计划项目“化学危险反应器泄漏检测与修补移动机械手系统”(项目编号:2003AA421040)的支持下,针对所研制的P3-AT型移动机械手进行了运动学、动力学分析,采用人工神经网络研究了移动机械手的运动控制技术。主要的研究内容与创新如下:1、描述了所设计的P3-AT型移动机械手的基本结构特征,分析了五自由度机械手和两自由度轮式移动载体(平台)的运动特点。分别建立了移动载体子系统、机械手子系统以及移动机械手系统整体的运动学模型,进行了正、逆运动学分析。在ADAMS分析软件中建立了机械手的虚拟样机,分析了机械手的工作空间和特殊工作位置,得到了机械手实际应用中的有效工作区域。2、根据移动机械手系统的复杂性,提出了运动规划策略,构建了简化的移动机械手系统结构模型,利用牛顿——欧拉方法推导了简化移动机械手系统的动力学模型。通过仿真分析了移动平台与机械手间的动力耦合作用,仿真表明移动平台的加速度值愈大,其对机械手关节负载力矩的影响愈大,并影响移动机械手的轨迹跟踪和定位精度。建立了移动平台子系统、机械手子系统的动力学理论模型,并对各子系统的动力学进行仿真分析,得到了机械手各关节转矩与位姿的关系和机械手几个较危险位姿;对于移动平台,通过控制其左右前轮的驱动力矩,可以实现移动平台按给定的轨迹运动,同时也能实现移动平台方向角的改变。3、提出了基于神经网络的移动机械手的分层递阶智能控制策略,采用三层控制实现移动机械手的部分或完全自主控制。决策层进行任务规划;处理层包括两个径向基函数(RBF)神经网络子控制器,分别对移动载体和机械手的动力学进行控制和补偿;执行层依据处理层输出的信息来独立控制各驱动电机,实现所需的运动。RBF神经网络子控制器应用李雅普诺夫稳定性设计方法,通过分别建立移动载体、机械手和移动机械手系统的李雅普诺夫方程,由第二类李雅普诺夫方法建立了移动载体和机械手的动力学补偿,并应用Matlab对所建立的RBF网络进行训练仿真,仿真结果表明了RBF神经网络的有效性和可靠性。4、针对移动机械手硬件体系结构进行了设计,其中包括移动载体、五自由度机械手,视觉CCD传感器和超声传感器模块等。介绍了移动机械手的控制软件设计,包括PMAC上运行的运动程序和移动载体PC上运行的主控程序。应用Matlab编程软件对五自由度机械手的运动及控制进行了仿真,验证了机械手操作的运动准确性。并在实验环境下对移动机械手系统进行了实验,验证了移动机械手运动的准确性及控制的有效性和可靠性。
王良勇[5]2009年在《一类非线性系统的神经网络控制及其在机械手系统的应用》文中研究指明机械手系统在工业中广泛应用,是一类典型的非线性系统,其数学模型由运动学和动力学模型组成。机械手的任务一般在笛卡儿空间内给定,大部分机械手控制方法需要离线求解逆运动学方程,将机械手的任务分解到机械手各关节电机,然后进行底层的闭环控制。然而对于机械手的任务来说,这实际上是开环控制,使得机械手各关节的协调能力变差。虽然机械手的理论方法很多,但是很多算法都只是处于仿真研究阶段,尚未进行实验研究。另一方面当前的机械手实验平台可以分为封闭式结构和开放式结构两种,尽管开放式机械手实验平台解决了传统封闭式机械手平台不通用的问题,但是由于其算法开发环境采用的是Visual C++或其他面向对象编程语言,使得开发人员不仅要将主要精力放在算法开发上,还要在算法实现上花费大量的时间,因此需要开发一个适合高级控制算法实现的平台。针对上面提到的问题,本文依托东北大学“985工程”流程工业综合自动化科技创新平台,针对机械手系统中存在的一类非线性系统控制问题,设计了控制方法,并搭建了机械手快速原型控制实验平台,并将本文所提方法进行了实验研究。本文的主要研究工作归纳如下：(1)针对机械手系统中存在的非线性问题,提出三类神经网络控制方法：(a)考虑摩擦力的线性模型,机械手系统的动力学模型可看作为一类二阶严反馈非线性系统。针对此类系统提出了神经网络线性滑模控制器和神经网络终端滑模控制器,两种方法都具有PD控制加补偿器的结构,易于工业应用,而且采用神经网络终端滑模控制器还可以实现跟踪误差的有限时间收敛。(b)考虑摩擦力的线性模型,机械手系统的运动学模型和动力学模型可转化为严反馈多输入多输出非线性系统。针对此类系统,采用Backstepping的设计步骤,设计了神经网络串级控制器。该方法的优势在于：(i)与现有的严反馈非线性系统理论方法相比,该方法具有串级结构,这样在控制器投入使用时可以分级进行调试；另外控制器设计完成后,假如一个子系统发生变化,则只需重新设计相应的部分,无需重复整个控制器设计过程,改善了传统严反馈控制方法工业应用难的问题；(ii)与工业中广泛应用的串级控制器相比,该方法采用非线性的设计工具,提高了控制性能,同时可以严格证明系统的稳定性。(c)考虑摩擦力的非线性模型,机械手系统动力学模型可以转化为一类非线性输入输出离散系统。针对该类系统,本文提出了一种带有前馈和神经网络补偿的PD控制方法。该方法只需要系统的输入输出信号,不需要设计复杂的状态观测器,易于工业应用。(2)设计和开发了基于快速原型技术的机械手实验平台。该系统可以和Matlab/ Simulink实现无缝连接,控制算法开发、实时控制代码生成以及数据采集均可以借助于Matlab/Simulink实现。本实验平台的设计与开发为复杂算法的快速实现提供了一个有力的支撑。(3)将上面提出的三类神经网络控制方法在机械手实验平台上进行了实验研究,并且与机械手现有的控制方法进行了比较,实验结果表明本文方法取得了良好的控制性能。另外利用前面提出的严反馈多输入多输出非线性系统串级控制结构,解决笛卡尔空间机械手的轮廓跟随控制任务,提出了一种基于神经网络的轮廓跟随控制方法。该方法不仅提高了机械手各关节协调能力,而且还改善了现有机械手控制算法存在的“轨径缩减”问题,大大提高了产品的加工速度和精度。
孙富春, 孙增圻, 张戎军[6]1997年在《机械手的神经网络直接离散时间自适应控制算法》文中指出提出了一种机械手的神经网络直接离散时间自适应控制算法。该算法是神经网络方法和自适应动态滑动模控制方法的集成。自适应动态滑动模控制的作用有两个：其一是在神经网络控制失灵的情形下提供控制系统的全局稳定性；其二是改善系统的跟随性能。整个系统的全局稳定性和跟随误差的收敛性采用李雅普诺夫稳定性理论进行了证明，并得到了一种新颖的神经网络权值调整算法。
王晨光[7]2013年在《机械手系统轨迹跟踪混合控制算法的研究》文中进行了进一步梳理机械手系统作为机器人学科的一个重要分支,它已经发展成为工业控制领域内应用最广泛的设备装置。机械手的核心是控制系统,针对机械手运动控制最受关注的两个问题是关节路径规划问题和轨迹跟踪问题。本文主要针对四自由度双关节机械手轨迹跟踪控制算法开展了研究。轨迹跟踪问题是针对机械手在工作过程中的角位移、角速度和角加速度等参数的研究；主要目的是通过系统控制器给定双关节的驱动力矩,使得机械手双关节的角位移、角速度等状态变量跟踪给定的理想轨迹,最终实现系统手部末端能平稳的完成规定的作业流程。机械手轨迹跟踪常用控制算法有PID控制算法、自适应控制算法、神经网络控制算法、鲁棒自适应控制算法、滑模变结构控制算法、迭代学习控制算法、模糊NN控制算法等,本文给出了各个算法在应用时存在的优缺点。方法的选用要考虑系统的结构参数以及系统本身存在的参数不确定性和非参数不确定性的影响。因为机械手系统动态性能很难用精准数学模型表示出来,所以给机械手在控制方法的应用上带来了很多难题。针对机械手系统实际复杂精确模型中存在的典型问题及常用典型控制方法和现代控制方法的优缺点,采用了混合控制算法对机械手系统进行高精度轨迹跟踪控制。本文主要研究应用了三种混合控制算法,第一种是模糊增益系统与滑模控制相结合的混合控制算法,消除了系统中干扰、摩擦及不确定项的影响,克服了系统中滑模控制的抖动问题,实现了系统高精度的参数轨迹跟踪控制。第二种是模糊NN与鲁棒自适应相结合的混合控制算法,分别实现系统中仅受摩擦影响时、仅受外界干扰时和受到整个系统的不确定因素影响时的参数轨迹跟踪控制,得到了机械力臂精确的角位移轨迹跟踪曲线。第三种是RBF神经网络与自适应控制相结合的混合控制算法,引入了观测器的概念,实现了线性观测器估计系统的角速度及用RBF作为补偿控制器来逼近机械手模型的不确定部分,完成了机械手系统高精度的参数轨迹跟踪控制。在保证系统稳定性的前提下,经过对机械手仿真建模和运动分析,得到了机械手在各个混合控制算法应用下双关节角位移、角速度等参数的高精度轨迹跟踪控制。最终实现机械手末端的精确控制与精准定位。
孟庆爱[8]2013年在《某型路锥收放机械手运动控制设计与研究》文中提出伴随我国高速公路的里程日益增加,公路养护的任务日益繁重,对公路养护机械自动化、信息化提出了更高的要求。目前,国内在公路维修作业时路锥的摆放与回收多采用人工操作,这种人工摆放和回收作业速度慢,安全系数低。本文主要针对本教研室设计的第一台路锥收放车的不足,提出以路锥收放机械手为核心的自动收放系统。本文提出了基于工程车、机械手的路锥收放系统总体方案,着重进行了机械手运动轨迹设计与伺服控制技术研究。论文首先根据路锥收放的技术要求与工作过程,设计了四自由度关节型机械手。利用D-H法建立了机械手的运动学模型,并在连杆坐标系简图的基础上,利用齐次坐标变换分析了机械手运动学。根据建立的运动学模型,利用Matlab机器人工具箱进行了轨迹规划和运动学仿真,使得机械手运动轨迹尽量平滑,避免了位置、速度和加速度的突变。基于ADAMS软件对机械手轨迹规划的合理性进行了验证,并仿真获得了工作过程中各关节的角速度、角加速度及驱动力矩,为实际运动控制的实现奠定基础。然后,针对机械手动力学模型非线性、强耦合特性,本文设计RBF神经网络自适应控制器对其进行运动控制,并对算法进行改进,通过仿真实验证明了控制策略的有效性。最后,设计了以DSP处理器为核心的机械手硬件电路,并完成了关键功能模块的软件设计和控制系统软件流程设计。论文工作为路锥收自动放样车二代产品研制提供了一定的参考。
杜盟盟[9]2015年在《基于RBF神经网络的机械手轨迹跟踪控制方法研究》文中提出工业机器人(机械手)在世界工业生产中占据着非常重要的位置,对其关节轨迹的跟踪控制一直是研究的热点。但机械手是一种多输入多输出系统,具有非线性,强耦合等特性,所以在高精度、高速度的轨迹跟踪中,开发出高性能的控制算法是一项重大的挑战。径向基函数(RBF)神经网络具有高度的非线性映射能力,本文对RBF神经网络的结构特点、学习算法以及在机械手控制中的应用进行了全面的分析,并将RBF神经网络的非线性逼近特性进行了理论验证。详细分析了机械手系统的基本结构,采用拉格朗日-欧拉法推导了二自由度串联机械手的动力学方程,分析了惯量特性、哥氏力和向心力特性、重力矩特性。在MATLAB中建立了基于S函数的机械臂非线性系统模型,并将动力学模型转化为二阶微分方程的形式,以便所设计算法的引入。若机械手系统不存在外部干扰,且动力学方程的重力项精确已知,传统PD控制即可获得理想的跟踪效果。但完全不受外力,没有任何干扰的系统是不存在的。针对此问题,设计了一种新的具有外界干扰和不确定性机械手定点跟踪控制策略:基于传统PD控制,引入RBF神经网络实现了对机械手重力项的补偿,并采用一个鲁棒控制项,用于克服神经网络的逼近误差,运用李雅普诺夫方法对其进行了稳定性分析。针对一个双关节刚性机械手进行了轨迹跟踪仿真,仿真结果显示了该控制算法收敛速度,跟踪精度,抗干扰等方面都具有较强的适应性。分析了滑模变结构控制在机械手中的优缺点,单独的滑模控制在机械手力矩的输出上会出现抖动,造成轨迹跟踪的偏差。针对此问题,设计了一种基于径向基函数神经网络(RBFNN)的自适应滑模控制器。其中滑模变结构控制用来克服扰动以保证系统稳定,RBFNN通过自学习能力克服系统不确定性以减小切换增益。将滑模函数作为网络的输入,切换项增益作为网络输出,实现了切换项增益的自适应调节。通过MATLAB软件分别对两自由度、空间三自由度刚性机械手进行了仿真,其结果表明,在存在模型误差和外部扰动的情况下,本算法既能达到高精度快速跟踪的目的,又能有效消除滑模控制的抖动。
孙富春, 陆文娟, 朱云岳[10]1999年在《基于理想轨迹学习的机械手神经自适应控制》文中研究指明在机械手鲁棒控制的基础上，讨论了神经网络逼近误差界未知情形下机械手的神经网络直接自适应控制方法，这里神经网络用于补偿系统的不确定性，提高整个系统的跟随性能。提出设计方法的主要特点是神经网络控制器设计采用机械手待跟随的理想关节信号代替实际的机械手关节角、关节速度和关节角加速度作为神经网络的输入，此外神经网络的逼近误差界假设是未知的。给出了具体的系统设计算法，并证明了神经网络学习算法的收敛性和整个系统的全局稳定性。最后，一两连杆机械手的控制器设计仿真实例验证了提出算法的有效性。
参考文献：
[1]. 基于智能技术的非线性系统稳定自适应控制[D]. 王晶. 中国科学院研究生院（计算技术研究所）. 1999
[2]. 机械手的神经网络稳定自适应控制[D]. 孙富春. 清华大学. 1997
[3]. 《机械手神经网络稳定自适应控制的理论与方法》书评[J]. 王钧. 控制理论与应用. 2006
[4]. 用于危险品检测的移动机械手的运动性能分析及其控制[D]. 崔根群. 河北工业大学. 2007
[5]. 一类非线性系统的神经网络控制及其在机械手系统的应用[D]. 王良勇. 东北大学. 2009
[6]. 机械手的神经网络直接离散时间自适应控制算法[J]. 孙富春, 孙增圻, 张戎军. 清华大学学报(自然科学版). 1997
[7]. 机械手系统轨迹跟踪混合控制算法的研究[D]. 王晨光. 天津理工大学. 2013
[8]. 某型路锥收放机械手运动控制设计与研究[D]. 孟庆爱. 南京理工大学. 2013
[9]. 基于RBF神经网络的机械手轨迹跟踪控制方法研究[D]. 杜盟盟. 河南科技大学. 2015
[10]. 基于理想轨迹学习的机械手神经自适应控制[J]. 孙富春, 陆文娟, 朱云岳. 清华大学学报(自然科学版). 1999
标签：自动化技术论文; 机械手论文; 自适应论文; 自适应控制论文; 神经网络算法论文; 仿真软件论文; 线性系统论文; 滑模控制论文; 模糊算法论文; 模糊理论论文; 运动控制器论文; 非线性论文; 动力学论文;