CN104493826A - 结合神经网络控制的重载机器人位置控制器 - Google Patents

Abstract

结合神经网络控制的重载机器人位置控制器，它包括神经网络控制器和若干个伺服驱动器；神经网络控制器给各个伺服驱动器提供控制信息；每一个伺服驱动器包括速度控制器、位置控制器和电流控制器；神经网络控制器采用的是Elman网络，Elman网络是一种动态递归神经网络结构，能够克服动态系统辨识中的问题，保证了收敛速度，并且学习规则方法得到简化；输入层连接传感器的输出，通过传感器探测控制输入信息，包括位置、速度、电流信号；Elman网络通过自学习的方式完善其局部反馈和自反馈环节，使机器人控制网络具有记忆功能，能够适应复杂的动态环境。

Description

结合神经网络控制的重载机器人位置控制器

技术领域

本发明涉及一种结合神经网络控制的重载机器人位置控制器，属于机器人自动化控制领域。

背景技术

在工业化与信息化不断深度融合发展的今天，大型装备的制造都需要重载机器人的参与。重载机器人可以按照预定要求进行工件的抓取和摆放，来完成重复性工作，以减轻工人的劳动强度，提高工作效率，对工业生产自动化起到推动作用。

重载机器人是一个高非线性、强耦合的多输入多输出系统。机器人存在很多未知因素以及其本身所具有的复杂性，致使其在工作中的定位和运动轨迹可能与理论值存在较大出入，影响到工作性能，所以控制重载机器人是一个复杂的运动控制问题。为了提高重载机器人的运动和控制精度，建立一个能正确反映机器人运动关系的模型。

传统的单输入单输出线性控制方式无法满足重载机器人的控制要求，需要基于动力学模型对其进行非线性解耦和补偿，然而目前国内的主流机器人都是采用但输入单输出的PID控制，强制将各轴解耦成SISO系统，没有考虑到多轴耦合的影响，没有达到闭环控制的目的，跟踪精度较差。

Elman网络是一种典型的局部回归网络，它可看作是一个具有局部记忆单元和局部反馈连接的前向神经网络。Elman网络具有与多层前向网络相似的多层结构。它的主要结构是前馈连接，包括输入层、隐含层、输出层,其连接权可以进行学习修正；反馈连接由一组“结构”单元构成，用来记忆前一时刻的输出值，其连接权值是固定的。在这种网络中，除了普通的隐含层外，还有一个特别的隐含层，称为承接层。该层从隐含层接收反馈信号，每一个隐含层节点都有一个与之对应的关联层节点连接。承接层是Elmna神经网络特有的,用来记忆隐含层单元前一时刻的输出值，可以认为是一步时延算子。Elmna神经网络由承接层节点用来储存内部状态，因此它比BP神经网络等静态神经网络具有独一无二的动态特性。

发明内容

本发明所要解决的技术问题是传统的单输入单输出线性控制方式无法满足应用要求，提供了一种结合神经网络控制的重载机器人位置控制器。

本发明采用下述技术方案：结合神经网络控制的重载机器人位置控制器，其特征是，它包括神经网络控制器和若干个伺服驱动器；

神经网络控制器给各个伺服驱动器提供控制信息；每一个伺服驱动器包括速度控制器、位置控制器和电流控制器；

神经网络控制器采用的是Elman网络，Elman网络是一种动态递归神经网络结构，能够克服动态系统辨识中的问题，保证了收敛速度，并且学习规则方法得到简化；

根据重载机器人位置控制器的设计，建立Elman神经网络控制结构，Elman结构分为输入层、隐含层、承接层和输出层。其输入层单元起信号传输作用，输出层起线性加权作用，而隐含层的传递函数采用线性和非线性函数相结合。承接层选用线性的激活函数，记忆隐含层单元前一时刻的输出值，是一步时延算子。输入层连接传感器的输出(如由伺服电机通过其编码器提供)，通过传感器探测控制输入信息，包括位置、速度、电流信号。Elman网络通过自学习的方式完善其局部反馈和自反馈环节，使机器人控制网络具有记忆功能，能够适应比较复杂的动态环境。

神经网络控制器输出若干个位置信号、速度信号和电流信号分别给每个伺服驱动器，每个伺服驱动器驱动一个伺服电机，伺服电机通过其编码器将位置信号和速度信号反馈给神经网络控制器；

神经网络控制器选用PC机和PLC共同搭建，PC机通过强大的数据处理能力完成控制所需的计算；PLC主要完成信号处理和输入输出功能。

Elman型人工神经网络的收敛性分析：由于重载机器人输入输出的数据为一时间序列或一组时间序列的数据，在时间上是离散的，因此可以利用Elman型人工神经网络建立的离散时间的非线性系统来讨论其稳定性。

如果系统一开始就处于平稳状态，那么它以后仍将保持这种状态，Lyapunov稳定性研究的是当初状态靠近平稳点时系统轨迹的性质，Lyapunov理论的三个基本概念是：稳定性、渐近稳定性和全局稳定性。概括地说，稳定性对应着连续依赖于初始状态的系统的轨迹；渐近稳定性对应着这样的轨迹，它由非常靠近平衡点开始，而当t→∞时，它实际上收敛到平稳状态；全局渐近稳定性则对应着当t→∞时，系统趋近于唯一平衡点的每一条轨迹。

经过Lyapunov稳定性定理证明了Elman神经网络的收敛性，为Elman神经网络的应用提供了理论依据。

神经网络由于其逼近任意非线性系统的能力、独特的容错性以及可方便地应用于多变量系统的能力，完全满足重载机器人的非线性系统辨识与自适应控制的需要。神经网络控制器将神经网络算法运用在其中，把机器人各个关节角度对应于机器人末端在笛卡尔坐标系中位置和方向的映射关系得以确定，从而避免了机器人本身的几何误差和传动误差，实现了机器人在运动中的位置精度。

本发明的有益效果是：神经网络控制器采用的是Elman网络，Elman网络是一种动态递归神经网络结构，可以克服动态系统辨识中的问题，保证了收敛速度，并且学习规则方法得到简化。通过Elman网络结构，实现重载机器人的非线性运动学模型的搭建。采用这种有局部反馈和自反馈环节的Elman神经网络控制器，使得结合神经网络控制的重载机器人位置控制器具有了记忆功能，能够适应比较复杂的动态环境，大大提高了机器人的性能。由于重载机器人输入输出的数据为一时间序列或一组时间序列的数据，在时间上是离散的，因此利用Elman型人工神经网络渐近稳定性对应着这样的轨迹，它由非常靠近平衡点开始，而当t→∞时，机器人的工作实际上收敛到平稳状态。

附图说明

图1为结合神经网络控制的重载机器人位置控制器的结构示意图。

图2为Elman神经网络结构示意图。

图3为Elman神经网络控制器示意图。

具体实施方式

下面结合附图说明本发明的实施方法。本发明所述的结合神经网络控制的重载机器人位置控制器，它包括神经网络控制器和若干个伺服控制器。

每一个伺服驱动器包括位置控制器、速度控制器以及电流控制器。

神经网络控制器输出若干个位置、速度和电流控制信号给每个伺服控制器。每个伺服驱动器的驱动信号反馈给神经网络控制器，其中反馈信号包括位置反馈信号、速度反馈信号和电流反馈信号。每个伺服驱动器驱动一台伺服电机，伺服电机会通过其编码器将位置信号和电流信号反馈给伺服驱动器，然后再由伺服驱动器将位置信号和电流信号反馈给神经网络控制器。伺服电机的轴编码器是用来反馈伺服电机旋转的角度(位置)给伺服驱动器，伺服驱动器收到反馈信号后再来控制伺服电机旋转。形成闭环控制以达到精确控制伺服电机旋转的位置，速度。伺服电机跟椐型号不同有增量型编码器和绝对编码器之分。

伺服电机跟椐型号不同有增量型编码器和绝对编码器之分

结合神经网络控制的重载机器人位置控制器的结构如图2所示。神经网络的输入层连接伺服驱动器。神经网络控制器有6个输入和3个输出，隐含层和承接层神经元个数定为10。承接层选用线性激活函数，隐含层选用非线性激活函数对数S型，采用这种有局部反馈和自反馈环节的Elman神经网络控制器,使得结合神经网络控制的重载机器人位置控制器具有了记忆功能，能够适应比较复杂的动态环境，大大提高了机器人的性能。

结合神经网络控制的重载机器人位置控制器的输入层连接伺服驱动器。神经网络控制器有6个输入和3个输出，隐含层和承接层神经元个数定为10。

承接层选用线性激活函数：

f(·):f(z)＝z

隐含层选用非线性激活函数对数S型：

$a(\·):a\left(z\right)=\frac{1}{1+e^{-z}}$

设和是控制器的输入和输出信号，和分别是承接层i结点的输入和输出，和分别是隐层j结点的输入和输出，w1_i,j是输入结点i和隐层结点j的连接权值，w2_i,j是隐层结点i和输出结点j的连接权值，w3_i,j是承接层结点i和隐层结点j的连接权值，反馈增益因子用μ表示，0≤μ≤1。

Elman神经网络系统表示为如下公式：

$o\_c_i^{\left(k\right)}=\mathrm{net}\_c_i^{\left(k\right)}+\mathrm{\μo}\_c_i^{(k-1)}$

$\mathrm{net}\_h_j^{\left(k\right)}=\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{w1}_{i,j}{x}_i^{\left(k\right)}+\underset{i=1}{\overset{l}{\mathrm{\Σ}}}{w3}_{i,j}o\_c_i^{\left(k\right)}$

$o\_h_i^{\left(k\right)}=a(\mathrm{net}\_h_j^{\left(k\right)})$

$\mathrm{net}\_c_i^{\left(k\right)}=o\_h_i^{(k-1)}$

$y_j^{\left(k\right)}=\underset{i=1}{\overset{l}{\mathrm{\Σ}}}{w2}_{i,j}\·o\_h_i^{\left(k\right)}$

采用这种有局部反馈和自反馈环节的Elman神经网络控制器，使得结合神经网络控制的重载机器人位置控制器具有了记忆功能，能够适应比较复杂的动态环境，大大提高了机器人的性能。

神经网络控制器选用PC机和PLC共同搭建，PC机通过强大的数据处理能力完成控制所需的计算；PLC主要完成信号处理和输入输出功能。这样，神经网络控制器可以满足重载机器人复杂控制算法的计算要求。

神经网络控制器与各个伺服控制器的通信采用现场总线的方式，通过PLC自身的通信口与伺服驱动器相连，完成控制网络的搭建。

通过以上设计，基本实现了系统的闭环控制，通过神经网络控制器搭建非线性控制模型，实现了对多输入输出、多耦合系统的模拟，达到了对重载机器人位置的精确控制。

本发明未涉及部分与现有技术相同或可采用现有技术加以实现。

Claims (3)

1.结合神经网络控制的重载机器人位置控制器，其特征是，它包括神经网络控制器和若干个伺服驱动器；

神经网络控制器给各个伺服驱动器提供控制信息；每一个伺服驱动器包括速度控制器、位置控制器和电流控制器；

神经网络控制器采用的是Elman网络，Elman网络是一种动态递归神经网络结构，能够克服动态系统辨识中的问题，保证了收敛速度，并且学习规则方法得到简化；

根据重载机器人位置控制器即各伺服驱动器的设计，建立Elman神经网络控制结构，Elman结构分为输入层、隐含层、承接层和输出层；其输入层单元起信号传输作用，输出层起线性加权作用，而隐含层的传递函数采用线性和非线性函数相结合；承接层选用线性的激活函数，记忆隐含层单元前一时刻的输出值，是一步时延算子；输入层连接传感器的输出，通过传感器探测控制输入信息，包括位置、速度、电流信号；Elman网络通过自学习的方式完善其局部反馈和自反馈环节，使机器人控制网络具有记忆功能，能够适应比较复杂的动态环境；

神经网络控制器输出若干个位置信号、速度信号和电流信号分别给每个伺服驱动器，每个伺服驱动器驱动一个伺服电机，伺服电机通过其编码器将位置信号和速度信号反馈给神经网络控制器；神经网络控制器选用PC机和PLC共同搭建，PC机通过强大的数据处理能力完成控制所需的计算；PLC主要完成信号处理和输入输出功能。

2.根据权利要求1所述的结合神经网络控制的重载机器人位置控制器，其特征是，结合神经网络控制的重载机器人位置控制器的输入层连接伺服驱动器；神经网络控制器有6个输入和3个输出，隐含层和承接层神经元个数定为10；承接层选用线性激活函数，隐含层选用非线性激活函数对数S型，采用这种有局部反馈和自反馈环节的Elman神经网络控制器，使得结合神经网络控制的重载机器人位置控制器具有记忆功能。

3.根据权利要求2所述的结合神经网络控制的重载机器人位置控制器，其特征是，神经网络控制器的承接层选用线性激活函数：

f(·):f(z)＝z

隐含层选用非线性激活函数对数S型：

$(\·):a\left(z\right)=\frac{1}{1+e^{-z}}$

设和是控制器的输入和输出信号，和分别是承接层i结点的输入和输出，和分别是隐层j结点的输入和输出，w1_i,j是输入结点i和隐层结点j的连接权值，w2_i,j是隐层结点i和输出结点j的连接权值，w3_i,j是承接层结点i和隐层结点j的连接权值，反馈增益因子用μ表示，0≤μ≤1；

Elman神经网络系统表示为如下公式：

$o\_c_i^{\left(k\right)}=\mathrm{net}\_c_i^{\left(k\right)}+\mathrm{\μo}\_c_i^{(k-1)}$

$\mathrm{net}\_h_j^{\left(k\right)}=\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{w1}_{i,j}{x}_i^{\left(k\right)}+\underset{i=1}{\overset{l}{\mathrm{\Σ}}}{w3}_{i,j}o\_c_i^{\left(k\right)}$

$o\_h_i^{\left(k\right)}=a(\mathrm{net}\_h_j^{\left(k\right)})$

$\mathrm{net}\_c_i^{\left(k\right)}=o\_h_i^{(k-1)}$

$y_j^{\left(k\right)}=\underset{i=1}{\overset{l}{\mathrm{\Σ}}}{w2}_{i,j}\·o\_h_i^{\left(k\right)}.$