资源描述：
《神经网络与PID结合的机器人自适应控制_王耀南》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。
1、第24卷第6期湖南大学学报Vo1.24,No.61997年12月JOURNALOFHUNANUNIVERSITYDec.1997神经网络与PID结合的机器人自适应控制**王耀南付夏龙(湖南大学电气工程系,中国长沙,410082)摘要提出一种基于神经网络与PID控制相结合的机器人自适应控制系统.为加快神经网络的学习过程,研究了有效的启发式学习算法.以二关节机器人为对象仿真表明,该控制系统能使机器人跟踪希望轨迹,其系统响应、跟踪精度及鲁棒性优于常规的控制策略.关键词神经网络,学习算法,机器人控制分类号TP11Adaptive
2、ControlBasedonNeuralNetworksandPIDforRoboticManipulatorWangYaonanFuXialong(DeptofElectricalEngineering,HunanUniv,410082,Changsha,PRChina)AbstractThispaperpresentsanewadaptivecontrolbasedonneuralnetworksandPIDcontrolforroboticmanipulator.Afastlearningalgorithmofneuralnetworksi
3、sproposedtoimprovebothspeedandconvergenceoflearningalgorithm.Simulationresultsofatwo-linkrobotshowthattheproposedmethodcangivemoresignificantperformanceandrobustnessthanconventionalapproaches.Keywordsneuralnetwork,learningalgorithm,robotcontrol工业机器人控制对象是一个多关节机械手,它的数学模型相当复杂,是一个
4、与运动学和动力学密切相关的、强耦合、非线性的多变量系统.同时,在运动过程中,机器人的负载可能变化很大,因而,它又是一个时变的系统.传统的机器人控制是在求得机器人的数学模型之后采用经典或现代控制方法进行控制.传统方法在理论上虽然能做到对机器人的快速、精确控制,但很难实现.除了需要大量繁杂的、严格的数学公式推导,还要求有计算速度极高的计算机才能进行实时控制.近年来人工神经网络的重新出现,为解决机器人控制中存在的一些问题提供了新的途径.由于ANN方法具有模糊性、容错性、自适应和自学习的特点,比以往依靠推导数学模型、参数寻优的控制方法具有明显的优越性.许多学者已
5、用ANN解决机器人的复杂控国家教委博士点基金和机械部跨世纪人才基金资助课题收稿日期:1997-01-05.作者王耀南,男,39岁,教授,博士导师.**广东顺德工业中等专业学校第6期王耀南:神经网络与PID结合的机器人自适应控制55[1~3][3]制.MKawato等人利用传统控制PD作为示教机构,实现了逆动态控制,在ANN控制器完全没有控制知识时,系统由PD控制器进行控制.在学习过程中,PD控制器作为示教机构使神经网络逐步具有控制知识,从而代替PD控制器.本文提出将带示教机构的PID控制和参考模型自适应控制两者有机地结合
6、起来,构成一种新的神经网络自适应控制策略,该控制方法吸收了两种控制方法的优点,同时又克服了其缺点,因此,更具有实用性.为加速ANN学习过程,文中研究出了一种快速学习算法,充分发挥了ANN的控制作用.1基于ANN的自适应控制图1所示为ANN自适应控制结构图.在图1中,NCi表示控制神经网络,用作前馈控制器,NMi表示系统辨识网络,用来在线学习机械手的逆动态模型,而PID控制器作为辅助控制器,其主要作用是当控制开始或者系统参数发生突然变化时,神经网络尚未学到系统的动态特性时对系统进行控制.当NCi和NMi网络学到系统的动态性能之后,PID控制的作用下降,以
7、至可以忽略.这种新的控制策略比以往的神经网络机器人控制方式更为有效.由于是直接学习系统的逆动态而不是在PID反馈控制器的作用指导下进行学习,因而学习精度比文献[3]的带示教机构的逆动态控制方法更高.同样由于引进了常规PID反馈控制器作为补偿控制,无需和文献[3]的直接自校正控制器那样需先对系统逆动态进行离线学习,而减少了学习样本选择不当对控制精度的影响,并且当系统发生较大变化时,虽然NCi控制器不能及时跟踪这种变化,但由于PID控制的补偿,使得控制不会偏离过大,保证了系统的稳定性.图1神经网络与PID结合的机器人模型参考自适应控制考虑n个关节机械手
8、的动力学模型可用二阶非线性微分方程描述为M(q)q+V(q,q)+G
