论文部分内容阅读
机器人是一个具有时变、强耦合特性的复杂多输入多输出非线性系统,如果考虑测量误差、未建模动态特性、外部扰动、关节柔性、驱动器故障等不确定因素,系统模型更为复杂。而实际中这些因素几乎总是存在、无法回避的。因此,研究考虑了包括执行器故障在内的诸多不确定性因素的机器人轨迹跟踪问题,具有重要的理论意义和实用价值。本文针对广泛使用的复杂机器人手臂系统,开展以下研究:(1)同时考虑执行器动特性和机械臂动特性,以及执行器力矩与电流之间的非线性关系,提出一种基于RBF (Radial basis function,径向基函数)的神经网络鲁棒自适应反步控制设计方法。与传统的反步控制方法相比,其引入联合误差,设计过程更为简单,且可以处理执行器的非仿射问题,即电机电流与力矩之间的非线性关系,更加符合实际情况,从而使控制器更加有效,应用范围更为广泛。(2)在系统结构已知、参数未知的情况下,首次将非线性参数化方法与神经网络结合起来处理不确定非线性项,设计了鲁棒自适应反步控制器。由于RBF神经网络是用来逼近不确定项的最大可能上界而不是直接逼近不确定项本身,这使得问题从向量逼近转化为标量逼近,从而使控制器设计更加简单,计算量更少。(3)将关节柔性、执行器故障、执行器动特性及控制输入信号饱和等问题一起考虑,提出了一种基于RBF神经网络的动态面容错控制方法。在每一步设计中,均用一阶积分滤波器来计算虚拟控制的导数,从而克服了反步法本身对虚拟控制求导过程中引起的项数膨胀问题。这一具有容错能力的控制方法,能保证系统在执行器出现故障的情况下仍能正常工作。上述设计方法的稳定性及可靠性均通过Lyapunov稳定性理论进行了严格的理论证明,所建立的神经网络权重在线调节律或参数的自适应律,是在确保整个闭环系统稳定及跟踪精度的前提下获得的。通过计算机Matlab仿真,验证了控制算法的正确性和有效性。所提出的控制策略不仅适用机器人系统,而且对一大类复杂非线性系统也有重要的参考价值。图19幅,表0个,参考文献67篇。