多关节机器人的智能滑模变结构控制方法研究

论文摘要

对于多关节机器人的轨迹跟踪控制,自适应性和鲁棒性是其控制器应具备的两种基本控制特性。滑模变结构控制因为具有较强的鲁棒性,而成为一种有效的控制方法。但由于滑模变结构控制存在抖振,在一定程度上限制了其应用和发展。为了消除滑模变结构控制这个缺点,本文研究了滑模变结构控制与智能控制相结合的控制方法。主要包括滑模变结构控制与模糊控制、神经网络、遗传算法相结合的控制方法,并取得了如下成果:(1)研究了多关节机器人的控制结构,设计了一种并行控制结构。该控制结构具有两个优点:一是充分利用机器人已知的知识,作为滑模控制的等效控制,缩短了智能控制部分对不确定性干扰学习的时间;二是充分利用了嵌入式系统和计算机通信等最新技术的发展成果,将对机器人不确定性干扰的学习任务分配给多个微处理器,利用计算机通信进行相互协作。这样简化了学习和控制算法,提高了控制速度。该控制结构兼有集中控制和分散控制的优点,不会因为某一关节的传感器损坏而影响其它关节的工作。所以,便于故障检测和排除,增强了控制系统的可靠性,并且便于并行处理,具有很强的鲁棒性。(2)研究了模糊控制的设计方法和万能逼近特性。提出了一种快速自适应模糊滑模控制方法,并将此方法应用到两个机器人仿真系统中:针对具有建模误差和不确定干扰的机器人,设计了一个基于快速直接自适应模糊滑模控制的仿真系统;针对参数未知的不确定机器人,设计了一个基于快速间接自适应模糊滑模控制的仿真系统。这两个系统都不再需要对机器人的未知参数进行预先估计,通过模糊系统对机器人未知参数的逼近,使控制器的参数能随着机器人参数的变化而自适应地变化。因此,消除了滑模变结构控制的抖振。另外,文中利用李亚普诺夫稳定性定理证明了系统的稳定性,并详细分析了这两种控制系统的误差运行轨迹,从理论上证明了控制系统的误差只与模糊系统的逼近误差有关,而与系统的建模误差和干扰无关,所以该方法提高了控制系统精度、增强了控制系统的鲁棒性。(3)研究了神经网络的设计和学习方法。针对具有建模误差和不确定干扰的机器人,提出了一种基于径向基函数的快速神经滑模控制方法。该方法通过神经网络在线学习机器人不确定性干扰的上界,消除了滑模控制的抖振。并利用李亚普诺夫稳定性定理推导出了神经网络的目标函数,保证了系统的稳定性。另外,文中详细分析了控制系统的误差特性和鲁棒性。(4)研究了同时具有模糊控制和神经网络优点的模糊神经网络。针对具有建模误差和不确定干扰的机器人,提出了一种基于自组织模糊神经网络的全程滑模控制方法。该方法将模糊神经网络的结构学习和参数学习结合在一起,根据控制系统的性能要求自组织模糊规则,并利用梯度下降算法在线调整模糊神经网络的参数和权值,从而提高了控制系统的精度,消除了滑模控制的抖振。(5)研究了遗传算法的设计方法。针对参数未知的不确定机器人,提出了一种基于改进遗传算法的模糊神经滑模控制方法。该方法首先利用神经网络对机器人进行数学建模,然后利用遗传算法离线优化模糊神经网络的参数,提高了控制系统的在线学习速度,最后利用梯度算法在线调节模糊神经网络的权值,使控制器参数能够随机器人参数的变化而变化,削弱了滑模控制的抖振。另外,为了解决简单遗传算法的不成熟收敛和收敛速度慢的问题,对实数编码的遗传算法设计了一种自适应遗传变异算法。该算法能有效实现全局优化,提高进化效率,对求解复杂的优化问题具有广泛的适应性。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 课题研究的背景及意义
• 1.2 研究的现状
• 1.2.1 传统控制方法
• 1.2.2 智能控制方法
• 1.2.3 混合控制方法
• 1.3 论文主要工作与结构
• 第2章 多关节机器人动力学
• 2.1 刚体的位姿描述和齐次变换
• 2.1.1 位置描述
• 2.1.2 方位描述
• 2.1.3 位姿描述和齐次变换
• 2.2 雅可比矩阵
• 2.3 刚性机器人动力学
• 2.3.1 具有建模误差和干扰的多关节机器人动力学
• 2.3.2 解耦的多关节机器人动力学
• 2.4 小结
• 第3章 多关节机器人的滑模变结构控制
• 3.1 滑模变结构控制概述
• 3.1.1 滑模变结构控制的定义
• 3.1.2 滑动模态的存在及到达条件
• 3.1.3 滑动模态运动方程
• 3.2 滑模面设计
• 3.2.1 线性滑模面
• 3.2.2 非线性滑模面
• 3.2.3 时变滑模面
• 3.3 抖振的削弱方法
• 3.3.1 准滑模控制
• 3.3.2 基于趋近律的滑模控制
• 3.3.3 其他方法
• 3.4 小结
• 第4章 多关节机器人的模糊滑模变结构控制
• 4.1 模糊控制概述
• 4.1.1 Mamdani模糊系统及数学描述
• 4.1.2 模糊系统的万能逼近性及精度
• 4.1.3 模糊控制器的分类和设计方法
• 4.2 模糊滑模控制概述
• 4.2.1 常规模糊滑模控制
• 4.2.2 自适应模糊滑模控制
• 4.2.3 边界层模糊准滑模控制
• 4.2.4 其他方法
• 4.3 多关节机器人的直接自适应模糊滑模控制
• 4.3.1 直接自适应模糊滑模控制原理
• 4.3.2 快速的直接自适应模糊滑模控制
• 4.4 多关节机器人的间接自适应模糊滑模控制
• 4.4.1 间接自适应模糊滑模控制原理
• 4.4.2 快速的间接自适应模糊滑模控制
• 4.5 小结
• 第5章 多关节机器人的神经滑模变结构控制
• 5.1 神经滑模控制概述
• 5.1.1 基于神经网络学习的滑模变结构控制
• 5.1.2 自适应神经网络滑模变结构控制
• 5.1.3 基于模糊神经网络的滑模变结构控制
• 5.1.4 基于滑模变结构理论的神经网络智能学习
• 5.1.5 基于模糊监督的神经滑模控制
• 5.2 基于径向基函数神经网络的多关节机器人滑模控制
• 5.2.1 径向基函数神经网络及数学描述
• 5.2.2 基于径向基函数神经网络的滑模控制原理
• 5.2.3 快速径向基函数神经滑模控制
• 5.3 基于自组织模糊神经网络的多关节机器人滑模控制
• 5.3.1 自组织模糊神经网络概述
• 5.3.2 基于自组织模糊神经网络的滑模控制
• 5.4 小结
• 第6章 基于遗传算法的机器人模糊神经滑模控制
• 6.1 遗传算法概述
• 6.1.1 遗传算法的基本原理
• 6.1.2 遗传算法的应用及特点
• 6.2 基于自适应遗传算法的机器人模糊神经滑模控制
• 6.2.1 控制任务
• 6.2.2 基于遗传算法的模糊神经滑模控制器
• 6.2.3 自适应遗传算法
• 6.2.4 在线学习算法
• 6.2.5 仿真实验
• 6.3 小结
• 结束语
• 参考文献
• 攻读博士学位期间所发表的学术论文
• 致谢