论文部分内容阅读
近年来,机器人的智能控制无论在理论界还是工程界一直倍受人们的关注。本文以模糊控制为核心,针对机器人的非线性和不确定性,从以下几个方面加以研究。机器人是一个十分复杂的多输入多输出非线性系统,它具有时变、强耦合和非线性的动力学特征。由于测量和建模的不精确,再加上负载的变化以及外部扰动的影响,实际上无法得到其完整的动力学模型。本文提出一种实时在线建立非线性系统T-S模糊模型的方法,采用基于减法聚类的在线聚类来辨识模型的结构,递推最小二乘法来辨识模型参数,对于实时采集到的数据,采用先进先出的数据缓冲区来选择参与辨识的数据,达到快速实时建模的目的。将不确定性机器人系统分解成标称部分和不确定部分,对标称部分采用计算力矩控制,对不确定部分用两种方法来补偿。第一种是采用模糊变结构控制,根据系统不确定大小,通过模糊推理调整变结构控制器补偿幅度的大小,解决了变结构控制所带来的抖振问题。第二种是通过模糊神经网络来补偿系统的不确定部分和外界干扰,提出一种模糊神经网络在线学习所需的精确训练信号的方法,在学习初期或误差较大时采用变结构控制,两者之间通过平滑函数切换,达到快速精确控制的目的。对于不确定机器人,也可以采用自适应模糊控制器来控制。第一种方法是采用模糊逻辑系统构造不确定机器人模型中的未知函数的间接自适应模糊控制,同时附加具有饱和函数的变结构控制以保证系统的稳定性和减少抖振。第二种方法是在笛卡尔坐标系,采用模糊逻辑系统构造控制器的直接自适应模糊控制,同时附加H∞补偿控制以削弱系统的不确定影响,保证系统的稳定并取得H∞跟踪性能指标。和Mamdani等模糊推理不同,距离型模糊推理法利用模糊集合之间的距离进行推理,根据事实和规则前件之间的距离来计算规则后件在结论中所占的比重。本文提出具有方向性的知识半径,合理选择参与推理的规则,解决了有效规则问题,改进了距离型模糊推理法,提高了推理速度和精度。基于改进的距离型模糊推论法的学习算法具有算法简单、速度快的优点,将此方法应用在机器人逆运动学求解问题中,和自适应神经网络模糊推理(ANFIS)相比具有速度快、精度高等优点,在期望轨迹超出工作范围时也能得出合理解析。在X-Y平台实时控制实验中,采用了两种方法。第一种方法是采用实时在线建立非线性系统T-S模糊模型的方法,针对模型未知的X-Y平台,建立平台的T-S模糊模型,并在此模型基础上实现自适应控制,达到较好的控制效果。第二种方法是通过TCP/IP通信,利用基于客户/服务器(C/S)模式的分布式控制结构。服务器端软件采用C++编写,通过运动控制卡提供的API接口管理平台安全运行。客户端使用Simulink编写,实现预期的控制算法。两者之间通过UDP协议进行通信,既能达到管理平台、保护平台的目的,又能充分利用Simulink的优势。