基于神經網絡模型辨識的機器人迭代學習控制方法研究

引言

焊接機械手的軌跡跟蹤是焊接機器人控制的難點。機械手是一個典型的非線性動力系統(tǒng)，具有大慣性和大延遲。目前對機械手的控制，主要采用傳統(tǒng)PID控制。由于系統(tǒng)復雜性較高，設計人員為建立系統(tǒng)模型做出各種假設和簡化，因此數學模型的控制精度會受到很大的影響。本文將神經網絡辨識與迭代控制相結合，提出基于神經網絡辨識的迭代學習控制策略。該策略能夠提高系統(tǒng)控制精度，并使系統(tǒng)在較為廣泛的運行條件范圍內實現控制系統(tǒng)的控制功能和期望性能，改善系統(tǒng)控制性能。

1 神經網絡模型辨識

神經網絡具備的泛化能力和快速學習能力為非線性系統(tǒng)辨識提供了有效的途徑，神經網絡在機器人系統(tǒng)的研究上，充分發(fā)揮了神經網絡的映射能力，神經網絡可解決機器人控制系統(tǒng)中存在的死區(qū)、摩擦等非線性問題。神經網絡模型辨識在機器人控制中的應用，如圖1所示。

圖1 基于神經網絡控制的剛性機械手結構圖

神經網絡系統(tǒng)辨識的特點是不需要建立系統(tǒng)辨識模型，對系統(tǒng)辨識的過程就是通過學習系統(tǒng)輸入、輸出數據的過程。學習的目的是使誤差函數值達到最小，反映出輸入、輸出數據間的映射關系。若神經網絡的輸出能夠逼近系統(tǒng)在相同輸入信號激勵下的輸出，則可認為神經網絡實現了對原系統(tǒng)的辨識，以神經元網絡的輸出作為實際系統(tǒng)的輸出估計。

2 迭代學習控制器的設計

2.1 迭代學習控制

迭代學習控制適合于重復運動性質的被控對象，無需辨識系統(tǒng)的參數，通過迭代修正改善系統(tǒng)控制目標，迭代控制方法不依賴于系統(tǒng)精確的數學模型，可在給定的時間區(qū)段上，以極為簡單的算法解決復雜的控制問題[5]。

對于n階線性時變的離散系統(tǒng)，迭代控制模型可描述為：

圖2 迭代學習控制器

2.2 機器人迭代學習控制器設計

系統(tǒng)控制框圖，如圖3所示。

圖3 系統(tǒng)控制框圖