论文部分内容阅读
机器人在工业中得到了广泛的应用，机器人控制的基本问题是设计正确合理的控制器，确保其能够按照预先设定的轨迹运动，并且对扰动和不确定性具有良好的鲁棒性，以保证控制系统具有良好的性能。在实际应用中，机器人是一个典型的非线性系统，影响其性能的因素是多种多样的，包括非线性摩擦、负载波动、外部干扰等。因此如何在无法获得精确数学模型的情况下，设计合适的控制器是需要着力解决的问题。本文在梳理已有文献的基础上，设计了工业机器人轨迹跟踪智能控制方案，以提高位置跟踪的精度、提高系统的鲁棒性。此外，模糊控制器也已成功应用于欠驱动系统。本文的贡献和主要成果如下：
首先，提出了两种基于反步控制的工业机器人鲁棒自适应跟踪模糊控制方法。这两个控制器是在不了解机器人系统知识的情况下设计的，并且通过使用所提出的控制器来估算机器人系统的未知动态。通过将反步的优点与两个鲁棒的自适应模糊系统相结合，所提出的控制器可以确保稳定性，鲁棒性，消除信号颤动和良好的性能。此外，系统的扰动由鲁棒性项补偿，并利用李雅普诺夫稳定性定理推导控制系统的自适应训练定律。因此，保证了整个系统的稳定性。通过比较仿真证明了两种提出的鲁棒自适应控制方法的鲁棒性和有效性。
第二，提出了一种具有死区外观的神经网络自适应鲁棒反推滑模控制器。在这里，ARNNs控制器无需先验知识即可将滑模技术，神经网络逼近，自适应比例积分控制和自适应反步控制技术相结合。使用神经网络来近似未知函数，以处理外部干扰和不确定的非线性。此外，构建了鲁棒的自适应SMC以优化参数向量，解决近似误差和高阶项。所提出的控制系统的所有参数和死区参数(由李雅普诺夫稳定性定理和逼近理论确定的在线自适应控制训练规则和死区估计)均通过自适应学习算法进行在线调整。因此，保证了ARNN用于使IRM除冰的稳定性，鲁棒性和期望的跟踪性能。与比例积分微分(PID)和自适应模糊(AF)相比，提供了在三链路除冰IRM上进行的仿真结果和实验结果，以证明ARNN的鲁棒性和有效性。
第三，提出了两个鲁棒的自适应智能控制器。第一个结合了径向基函数神经网络(RBFNN)，滑模控制(SMC)和比例积分(PI)的控制器。第二个控制器结合了RBFNN，SMC，模糊逻辑控制(FLC)和PI。在第一个控制器中，通过结合滑模控制(SMC)技术，PI控制和RBFNN的优势来解决未知的动态，外部干扰，最大程度地降低跟踪性能和工业机器人操纵器(IRM)的过冲。通过将跟踪误差与RBFNNs逼近器相结合，解决了机器人系统的未知动力学问题，并且闭环系统中的所有信号最终都是半全局一致的。为了应对机器人系统的外部干扰，提出了一种适当的状态转换方法，以将闭环系统转换为具有小扰动项的线性时变系统。所提出的控制系统的所有参数均由李雅普诺夫稳定性定理，逼近理论确定，并通过自适应学习算法进行在线调整。在第二控制器中，通过结合第一控制器的优点，模糊逻辑控制提高了跟踪性能并消除了颤动信号。因此，可以保证两个IRM控制器的稳定性，鲁棒性，所需的跟踪性能以及消除抖动信号的能力。与比例微分(PD)和其他径向基函数神经网络(RBFNNs)控制相比，提出了在两链式IRM上进行的仿真，以证明两个所提出的控制器的鲁棒性和效率。
第四，提出了一种基于死角补偿器的鲁棒自适应模糊神经网络控制器(RAFNN)、用于工业机器人操纵器(RM)的死区补偿，以消除未知模型和外部干扰。在这里，机器人系统的未知动力学是通过使用模糊神经网络对未知动力学进行近似处理的。在线训练定律和死区估计由李雅普诺夫稳定性理论和近似理论确定。在该建议中，构造了鲁棒滑模控制(SMC)来优化参数矢量，解决近似误差和高阶项。因此，保证了RM的RAFNN的稳定性，鲁棒性和期望的跟踪性能。与神经网络(NNs)和比例积分微分(PID)进行了比较，提供了在三链RM上进行的仿真和实验，以证明RAFNN的鲁棒性和有效性。
第五，提出了一种复合分层滑模控制器(HSMC)和模糊逻辑控制(FLC)控制方案。通过结合滑模控制定律和FLC的优点来完全消除颤动信号，该方案也已成功实施，以控制SIMO欠驱动系统，以实现高稳定性和鲁棒性。基于李雅普诺夫稳定性理论和模糊控制规则，作者证明了系统始终稳定，并消除了整个工作区域的颤动现象。从仿真结果表明，与分层鲁棒滑模控制器相比，在Pendubot和手推车双倒立摆系统中，分层鲁棒模糊滑模控制器已完全消除了颤振现象。
第六，提出了一种简单的模糊控制器，并将其应用于旋转倒立摆(RIP)。这种经典方法易于设计和使用。模糊算法已被证明适用于各种欠驱动模型。在本文中，作者验证了该算法。根据专家的经验创建规则表，并通过观察实际响应，通过反复试验选择控制器参数。本文采用该算法对具有高非线性特性的旋转倒立摆进行稳定。通过MATLAB软件中的Takagi-Sugeno方法，规则表总结了81条规则。这些规则是根据操作员的经验确定的。本文给出了仿真和实验结果，表明该模型是稳定的。此外，实验中还涉及控制参数的过程。
首先，提出了两种基于反步控制的工业机器人鲁棒自适应跟踪模糊控制方法。这两个控制器是在不了解机器人系统知识的情况下设计的，并且通过使用所提出的控制器来估算机器人系统的未知动态。通过将反步的优点与两个鲁棒的自适应模糊系统相结合，所提出的控制器可以确保稳定性，鲁棒性，消除信号颤动和良好的性能。此外，系统的扰动由鲁棒性项补偿，并利用李雅普诺夫稳定性定理推导控制系统的自适应训练定律。因此，保证了整个系统的稳定性。通过比较仿真证明了两种提出的鲁棒自适应控制方法的鲁棒性和有效性。
第二，提出了一种具有死区外观的神经网络自适应鲁棒反推滑模控制器。在这里，ARNNs控制器无需先验知识即可将滑模技术，神经网络逼近，自适应比例积分控制和自适应反步控制技术相结合。使用神经网络来近似未知函数，以处理外部干扰和不确定的非线性。此外，构建了鲁棒的自适应SMC以优化参数向量，解决近似误差和高阶项。所提出的控制系统的所有参数和死区参数(由李雅普诺夫稳定性定理和逼近理论确定的在线自适应控制训练规则和死区估计)均通过自适应学习算法进行在线调整。因此，保证了ARNN用于使IRM除冰的稳定性，鲁棒性和期望的跟踪性能。与比例积分微分(PID)和自适应模糊(AF)相比，提供了在三链路除冰IRM上进行的仿真结果和实验结果，以证明ARNN的鲁棒性和有效性。
第三，提出了两个鲁棒的自适应智能控制器。第一个结合了径向基函数神经网络(RBFNN)，滑模控制(SMC)和比例积分(PI)的控制器。第二个控制器结合了RBFNN，SMC，模糊逻辑控制(FLC)和PI。在第一个控制器中，通过结合滑模控制(SMC)技术，PI控制和RBFNN的优势来解决未知的动态，外部干扰，最大程度地降低跟踪性能和工业机器人操纵器(IRM)的过冲。通过将跟踪误差与RBFNNs逼近器相结合，解决了机器人系统的未知动力学问题，并且闭环系统中的所有信号最终都是半全局一致的。为了应对机器人系统的外部干扰，提出了一种适当的状态转换方法，以将闭环系统转换为具有小扰动项的线性时变系统。所提出的控制系统的所有参数均由李雅普诺夫稳定性定理，逼近理论确定，并通过自适应学习算法进行在线调整。在第二控制器中，通过结合第一控制器的优点，模糊逻辑控制提高了跟踪性能并消除了颤动信号。因此，可以保证两个IRM控制器的稳定性，鲁棒性，所需的跟踪性能以及消除抖动信号的能力。与比例微分(PD)和其他径向基函数神经网络(RBFNNs)控制相比，提出了在两链式IRM上进行的仿真，以证明两个所提出的控制器的鲁棒性和效率。
第四，提出了一种基于死角补偿器的鲁棒自适应模糊神经网络控制器(RAFNN)、用于工业机器人操纵器(RM)的死区补偿，以消除未知模型和外部干扰。在这里，机器人系统的未知动力学是通过使用模糊神经网络对未知动力学进行近似处理的。在线训练定律和死区估计由李雅普诺夫稳定性理论和近似理论确定。在该建议中，构造了鲁棒滑模控制(SMC)来优化参数矢量，解决近似误差和高阶项。因此，保证了RM的RAFNN的稳定性，鲁棒性和期望的跟踪性能。与神经网络(NNs)和比例积分微分(PID)进行了比较，提供了在三链RM上进行的仿真和实验，以证明RAFNN的鲁棒性和有效性。
第五，提出了一种复合分层滑模控制器(HSMC)和模糊逻辑控制(FLC)控制方案。通过结合滑模控制定律和FLC的优点来完全消除颤动信号，该方案也已成功实施，以控制SIMO欠驱动系统，以实现高稳定性和鲁棒性。基于李雅普诺夫稳定性理论和模糊控制规则，作者证明了系统始终稳定，并消除了整个工作区域的颤动现象。从仿真结果表明，与分层鲁棒滑模控制器相比，在Pendubot和手推车双倒立摆系统中，分层鲁棒模糊滑模控制器已完全消除了颤振现象。
第六，提出了一种简单的模糊控制器，并将其应用于旋转倒立摆(RIP)。这种经典方法易于设计和使用。模糊算法已被证明适用于各种欠驱动模型。在本文中，作者验证了该算法。根据专家的经验创建规则表，并通过观察实际响应，通过反复试验选择控制器参数。本文采用该算法对具有高非线性特性的旋转倒立摆进行稳定。通过MATLAB软件中的Takagi-Sugeno方法，规则表总结了81条规则。这些规则是根据操作员的经验确定的。本文给出了仿真和实验结果，表明该模型是稳定的。此外，实验中还涉及控制参数的过程。