SCARA机械手臂的智能神经网络控制研究 韩晓霞, 谢克明 ( 太原理工大学信息工程学院, 山西太原, 030024) 摘 要: 在传统机械手臂动态控制基础上, 将 RBF 神经网络与模糊逻辑控制相结合, 提出 一种新的智能控制方法———RBF 模糊神经网络控制方法。该方法使用两个子网络分别 对关节 1 和关节 2 实施控制, 最后通过协调级网络来消除和减小两个关节之间的耦合 作用。以仿真实验结果说明该网络结构简单明确, 计算更加有效, 并通过适时地修正网 络参数, 在线调整了模糊隶属函数的中心值和宽度, 所设计的控制器能快速、稳定地跟 踪到期望轨迹。 机器人不仅可以在粉尘、噪声、有毒、辐射等有害环境下部分代替人去操作, 还能在人所不能及的极限条件下, 如军事、深海、外层空间环境 中完成人所赋予的任务。机器人现已开始进入了家庭和服务行业, 扩大 了人类改造自然的能力, 因此越来越显示出巨大的力量, 成为工业化强 国的竞争焦点。近年来, 随着自动控制理论、电子计算机和航天技术的迅 速发展, 人工智能开始与机器人技术结合, 机器人技术进入一个新的发 展阶段。机器人的轨迹跟踪问题是机器人控制学中一个重要的方面, 在 实际应用中, 往往要求机器人在相当广泛的运行条件范围内, 保持系统 的完善功能和期望特性。对于机器人这样一个复杂的控制系统, 具有非 线性、时变性、耦合的不确定性系统, 存在诸如系统建模误差、高频特性、 机器人各关节的摩擦以及信号的检测误差等不确定性因素, 这些客观存 在的实际情况使得系统控制具有不可避免的困难, 以至于常规的控制方 法无法获得满意的控制性能 。近几年, 越来越多的学者致力于机械臂 的模糊逻辑控制、神经网络控制等智能控制算法。 本文在分析了机械臂神经网络控制的研究现状及应用前景基础上, 提出一种新的智能控制算法———多变量模糊神经网络控制方法, 通过 RBF 神经网络构建了模糊推理, 使神经网络的节点、连接权值具有明确 的物理意义, 能够在线调整模糊隶属函数的中心值和宽度。同时, 引入的 协调级网络, 有效地消除了机械臂关节之间的耦合作用。仿真实验表明 该控制器具有很强的自学习能力, 并可以消除系统动力学模型的不确定 性和外部干扰的影响, 通过控制算法适时地修正网络参数, 实现了连续 轨迹跟踪控制, 具有良好的控制品质, 可实现对非线性系统任意轨迹的 轨迹跟踪控制。 1 神经网络在机械臂动态控制中的应用 神经网络自身的特点, 特别适用于像机器人这样具有复杂性、高度 非线性、多变量、强耦合且严重不确定的大系统的控制。首先, 由于神经 网络在许多方面试图模拟人脑的功能, 因此神经网络控制并不依赖精确 的数学模型, 并且神经网络对信息的并行处理能力和快速性, 适于机器 人的实时控制。其次, 神经网络的本质非线性特性为机器人的非线性控 制带来了希望。神经网络可通过训练获得学习能力, 能够解决那些用数 学模型或规则描述难以处理或无法处理的控制过程。第三, 神经网络还 具有很强的自适应能力和信息综合能力, 因而能同时处理大量的不同类 型的控制输入, 解决输入信息之间的互补性和冗余性问题, 实现信息融合处理。 机器人神经网络控制主要应用在机器人路径规划和运动控制两方面, 利用神经网络来对非线性对象进行建模, 或充当控制器, 或优化计 算, 或进行推理, 或故障诊断等, 以及同时具有上述某些功能的适应组合, 并提出了各种基于神经网络的机器人控制方法, 包括神经网络逆 模控制, 神经网络内模控制以及神经网络自适应控制等, 取得了很多研究成果。 随着智能控制技术的发展, 神经网络与专家系统、模糊控制、进化算法以及 H∞ 控制理论相结合构成机械臂的智能神经网络控制成为研究的 热点。在机器人动态控制中使用最多的就是模糊神经网络和 H∞ 鲁棒神 经网络。其中模糊神经网络是具有推理归纳能力的神经网络, 它利用神 经网络可以逼近任意非线性函数的特性来模拟模糊控制的推理方法而 构造出来, 同时神经网络具有自学习能力, 使得模糊神经网络的推理方 式在实际的控制过程中是可以不断修正的。同时, 由于模糊神经网络的 结构具有明确的可用语言形式描述的物理意义, 使得模糊神经网络的结 构设计和权值初始化非常容易。由于神经网络具有多种结构和学习算 法, 模糊逻辑也具有多种形式, 二者结合的实现形式是研究工作的重点和难点。本文基于 RBF 神经网络与模糊逻辑具有函数等价性, 提出 了 RBF 模糊神经网络, 实现了神经网络与模糊逻辑控制的有效结合。 SCARA机械手,众为兴SCARA机械手.png
