基于机器人的神经网络预测控制系统研究

论文摘要

随着计算机和网络技术的发展,远程控制的距离也在增加。基于因特网的远程控制系统的研究越来越受到人们的重视。但因特网并不注重实时性,网络传输信息不可避免地会产生延时。通过测试表明,该延时具有不确定性,且会引起数据丢失。网络延时及其不确定性会降低系统的控制品质,严重影响网络控制系统的实际应用。为此应研究分析上述因素对远程控制的效果影响以及研究新的控制算法和补偿措施。本文以上海广茂达公司生产的AS-R机器人为控制对象,系统分析了网络延时及其对系统控制效果的影响,并提出了相应解决方案。全文共分为6部分。第一章主要介绍了国内外网络控制系统的研究现状、网络控制中常见问题、课题背景以及本课题的选题意义。第二章介绍了预测控制和神经网络的基本原理,以及两者相结合的理论基础。第三章针对采用PC机作为核心控制器的机器人,利用神经网络黑箱辨识方法,提出基于机器人驱动电动机角度模型的参数辨识方法辨识,该方法避免了对两轮编码器反馈角度数据的差分运算,有效提高了参数辨识精度以及抗干扰能力。第四章在综合前人研究成果的基础上,提出了一种预测步数可变的神经网络预测算法,通过对网络延时的预估,动态改变预测步数,保证了系统的控制效果。第五章讨论了网络控制系统的设计与实现。由于在网络环境下控制算法应用受到种种因素制约,本章重点研究和建立了基于网络的远程控制系统的仿真平台。第六章总结了本文的研究工作,并对今后的研究方向作了展望。

论文目录

• 中文摘要
• 英文摘要
• 第一章 绪论
• 1.1 引言
• 1.2 网络控制系统的基本问题
• 1.2.1 单包传输和多包传输
• 1.2.2 网络诱导延时及其影响
• 1.2.3 数据包丢失
• 1.2.4 节点驱动方式
• 1.3 机器人网络控制系统的研究现状
• 1.3.1 国外研究状况
• 1.3.2 国内研究状况
• 1.3.3 发展趋势
• 1.4 选题意义
• 1.5 本文的主要工作
• 第二章 神经网络预测控制的理论基础
• 2.1 预测控制基本原理
• 2.1.1 预测模型
• 2.1.2 滚动优化
• 2.1.3 反馈校正
• 2.2 神经网络基本原理
• 2.3 BP 网络
• 2.3.1 BP 网络的结构
• 2.3.2 BP 网络的学习算法
• 2.4 神经网络预测控制基本思路
• 第三章 机器人驱动系统的参数辨识
• 3.1 引言
• 3.2 直流电动机动态模型
• 3.2.1 AS-R 机器人电动机的简介
• 3.2.2 直流电动机的动态数学模型
• 3.3 神经网络参数辨识算法
• 3.4 辨识输入信号
• 3.4.1 PRBS 的特点
• 3.4.2 PRBS 的产生
• 3.5 模型辨识仿真与比较
• 3.5.1 基于转速模型的参数辨识
• 3.5.2 基于角度模型的参数辨识
• 3.6 结论
• 第四章 考虑随机延时的神经网络预测控制
• 4.1 引言
• 4.2 网络诱导延时的合并
• 4.3 神经网络预测控制
• 4.3.1 神经网络预测控制总体结构
• 4.3.2 神经网络模型的建立
• 4.3.3 神经网络逆模型控制器
• 4.3.4 滚动优化
• 4.3.5 反馈校正
• 4.3.6 算法步骤
• 4.4 考虑动态延时的神经网络预测控制算法
• 4.5 仿真实例
• 4.6 结论
• 第五章 基于 TCP/IP 网络的机器人远程控制仿真系统
• 5.1 机器人网络控制系统框架
• 5.2 Socket 网络通讯
• 5.3 网络协议制定
• 5.4 基于TCP/IP 网络的远程控制仿真系统
• 5.4.1 系统的驱动方式和程序的功能
• 5.4.2 程序中的关键技术及实现
• 5.4.3 程序运行和测试
• 第六章 总结与展望
• 6.1 总结
• 6.2 理论研究展望
• 6.3 实验功能展望
• 参考文献
• 致谢
• 作者攻读硕士期间发表的文章