RBF-FNN控制与其在柔性关节机器人中的应用

《RBF-FNN控制与其在柔性关节机器人中的应用》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、摘要模糊神经网络智能控制技术是机器人控制的重要技术，它将模糊技术与神经网络的优点集于一身，具备自适应、自学习、联想及模糊信息处理能力，随着现代工业日趋大型化、集成化和复杂化，更在机“器人革命”有望成为“第三次工业革命”的背景下，模糊神经网络的应用研究在智能控制领域显得十分重要。本文主要研究基于RBF-FNN的动态面控制（DSC）算法，通过在基于RBF-FNN的DSC中引入滑模控制(SMC)增强算法鲁棒性，并将算法应用于柔性关节机器人系统的控制。主要工作如下：（1）提出了具有自主学习功能的自适应RBF模糊神经网络动态面控制（RBF-FNN-DSC）算法，并应用于一类带有未知延时函数和

2、不确定干扰的非仿射纯反馈系统中。利用神经网络良好的自学习能力和模糊逻辑出色的知识表达能力，同时结合DSC方法，通过Lyapunov方法证明它的稳定性，以此来增强对这类不确定下三角非线性时滞系统的控制效果。仿真结果表明该算法的动态性能较基于神经网络的自适应动态面控制（RBF-NN-DSC）器更加优良。（2）提出了基于滑模控制的自主学习自适应RBF模糊神经网络动态面控制（RBF-FNN-DSSMC）算法。由于RBF-FNN-DSC算法并没有充分考虑一阶滤波器的精度以及扰动的不确定性，这些因素对控制器的鲁棒性有显著影响。因此我们通过引入SMC来改进DSC方法，同时结合RBF-FNN以避免

3、滑模控制中的抖振问题。相较于RBF-FNN-DSC算法，仿真结果表明该控制器具有更好的动态性能和鲁棒性。（3）给出RBF-FNN-DSSMC算法在柔性关节机器人控制中的具体应用。将RBF-FNN-DSSMC算法作为柔性关节机器人的强耦合、强非线性的时变结构控制系统，通过Lyapunov方法证明该闭环系统所有信号半全局一致最终有界，即具有稳定性。仿真结果表明这类机器人的控制性能具有更好的稳定性和鲁棒性。关键词:自适应控制；反推设计；动态面滑模控制(DSSMC)；模糊神经网络；非线性时滞系统；柔性关节机器人I万方数据AbstractFuzzyNeuralNetworkIntellige

4、ntControltechnologyisanimportanttechnologyforrobotcontrol.Withmodernindustryincreasinglylarge,integratedandcomplex,itisparticularlyimportantfortheresearchoffuzzyneuralnetworkinthefieldofintelligentcontrol.Inthispaper,mainlystudyisdynamicsurfacecontrol(DSC)algorithmbasedonRBF-FNN.Enhancetherobu

5、stnessofthealgorithmbyintroducingtheslidingmodecontrol(SMC)inDSCbasedonRBF-FNN,andthealgorithmisusedtocontrolflexible-jointrobots.Themainworkisasfollows:(1)AnadaptiveRBFfuzzyneuralnetworkdynamicsurfacecontrol(RBF-FNN-DSC)algorithmwithindependentlearningfunctionforaclassofnonaffinepure-feedback

6、systemswhosehaveunknowntime-delayfunctionsandperturbeduncertaintiesisproposed.Inordertoenhancethecontroleffectforthistypeofuncertainlower-triangularnonlinearsystems,thispapertakesadvantageofRBF-FNN’sexcellentcapabilitiesofself-learningandknowledgeexpressing,whichcombinedwithDSCmethodatthesamet

7、ime,andstabilityisprovedbyLyapunovmethod.Thesimulationexampleisprovidedtoillustratethedynamicperformanceoftheproposedschemeisbetterthantheadaptivedynamicsurfacecontrollerbasedonneuralnetwork(RBF-NN-DSC).(2)AnadaptiveRBFfuzzyneuralnetwor