基于神經(jīng)網(wǎng)絡(luò )模型辨識的機器人迭代學(xué)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(diǎn)。機械手是一個(gè)典型的非線(xiàn)性動(dòng)力系統，具有大慣性和大延遲。目前對機械手的控制，主要采用傳統PID控制。由于系統復雜性較高，設計人員為建立系統模型做出各種假設和簡(jiǎn)化，因此數學(xué)模型的控制精度會(huì )受到很大的影響。本文將神經(jīng)網(wǎng)絡(luò )辨識與迭代控制相結合，提出基于神經(jīng)網(wǎng)絡(luò )辨識的迭代學(xué)習控制策略。該策略能夠提高系統控制精度，并使系統在較為廣泛的運行條件范圍內實(shí)現控制系統的控制功能和期望性能，改善系統控制性能。

1 神經(jīng)網(wǎng)絡(luò )模型辨識

神經(jīng)網(wǎng)絡(luò )具備的泛化能力和快速學(xué)習能力為非線(xiàn)性系統辨識提供了有效的途徑，神經(jīng)網(wǎng)絡(luò )在機器人系統的研究上，充分發(fā)揮了神經(jīng)網(wǎng)絡(luò )的映射能力，神經(jīng)網(wǎng)絡(luò )可解決機器人控制系統中存在的死區、摩擦等非線(xiàn)性問(wèn)題。神經(jīng)網(wǎng)絡(luò )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(jīng)網(wǎng)絡(luò )控制的剛性機械手結構圖

神經(jīng)網(wǎng)絡(luò )系統辨識的特點(diǎn)是不需要建立系統辨識模型，對系統辨識的過(guò)程就是通過(guò)學(xué)習系統輸入、輸出數據的過(guò)程。學(xué)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(guān)系。若神經(jīng)網(wǎng)絡(luò )的輸出能夠逼近系統在相同輸入信號激勵下的輸出，則可認為神經(jīng)網(wǎng)絡(luò )實(shí)現了對原系統的辨識，以神經(jīng)元網(wǎng)絡(luò )的輸出作為實(shí)際系統的輸出估計。

2 迭代學(xué)習控制器的設計

2.1 迭代學(xué)習控制

迭代學(xué)習控制適合于重復運動(dòng)性質(zhì)的被控對象，無(wú)需辨識系統的參數，通過(guò)迭代修正改善系統控制目標，迭代控制方法不依賴(lài)于系統精確的數學(xué)模型，可在給定的時(shí)間區段上，以極為簡(jiǎn)單的算法解決復雜的控制問(wèn)題[5]。

對于n階線(xiàn)性時(shí)變的離散系統，迭代控制模型可描述為：

圖2 迭代學(xué)習控制器

2.2 機器人迭代學(xué)習控制器設計

系統控制框圖，如圖3所示。

圖3 系統控制框圖