關 閉

新聞中心

EEPW首頁 > 工控自動化 > 設計應用 > 基于神經網絡模型辨識的機器人迭代學習控制方法研究

基于神經網絡模型辨識的機器人迭代學習控制方法研究

作者: 時間:2013-05-09 來源:網絡 收藏

引言

本文引用地址:http://2s4d.com/article/159386.htm

焊接機械手的軌跡跟蹤是焊接的難點。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,主要采用傳統(tǒng)PID。由于系統(tǒng)復雜性較高,設計人員為建立系統(tǒng)做出各種假設和簡化,因此數學的控制精度會受到很大的影響。本文將與迭代控制相結合,提出的迭代控制策略。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

神經網絡具備的泛化能力和快速能力為非線性系統(tǒng)辨識提供了有效的途徑,神經網絡在系統(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。

基于神經網絡模型辨識的機器人迭代學習控制方法研究

圖1 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:

基于神經網絡模型辨識的機器人迭代學習控制方法研究

基于神經網絡模型辨識的機器人迭代學習控制方法研究

圖2 迭代學習控制器

2.2 機器人迭代學習控制器設計

基于神經網絡模型辨識的機器人迭代學習控制方法研究

系統(tǒng)控制框圖,如圖3所示。

基于神經網絡模型辨識的機器人迭代學習控制方法研究

圖3 系統(tǒng)控制框圖

基于神經網絡模型辨識的機器人迭代學習控制方法研究


上一頁 1 2 下一頁

評論


相關推薦

技術專區(qū)

關閉