CN108284442B - 一种基于模糊神经网络的机械臂柔性关节控制方法 - Google Patents

Abstract

本发明提供一种基于模糊神经网络的机械臂柔性关节控制方法，该方法包括：建立模糊神经网络模型；制定神经网络参数学习算法；学习算法确定后件网络的连接权参数，前件网络的隶属度函数中心值和宽度参数；根据辨识模型建立模糊神经网络控制器，以克服柔性关节的诸多非线性特性的影响。本发明提供的技术方案结合模糊逻辑和神经网络两种控制方法，采用了一种基于X模型的模糊神经网络控制器，使得神经网络具有模糊系统的结构，神经网络的每个层、每个节点都对应模糊系统的一个部分，该网络不同于一般的神经网络的黑箱操作，所有参数都具有明确的物理意义，且可以适应柔性机械臂关节刚度时变、摩擦非线性等特点。

Description

一种基于模糊神经网络的机械臂柔性关节控制方法

技术领域：

本发明涉及机器人动力学控制领域，尤其是一种基于模糊神经网络的机械臂柔性关节控制方法。

背景技术：

作为机械臂的活动部件的机械臂关节对于机械臂定位精确控制至关重要，今年来，由于具有减速比大、结构紧凑等优点，谐波减速器等柔性传动部件越来越多的应用于机械臂关节传动。但是，现阶段还需对于机械臂关节尤其是含有胁逼减速器及其他柔性传动机构的柔性关节做深入研究，例如对于机械臂关节内部柔性、摩擦等非线性现象的建模的深入研究，以对柔性关节的精确控制。机械臂的工作条件复杂多变，本身又存在几何非线性等因素的影响，不同工况下自身的动力学参数会发生变化，采用传统方法难以得到良好的控制效果。作为自动控制领域新发展阶段的智能控制可以解决传统控制方法难以解决的复杂系统的控制问题。其中神经网络控制和模糊控制是最常用的两种智能控制方法，模糊逻辑和神经网络虽然在概念与内涵上有着明显的不同，但二者都是为了处理实际中不确定性、不精确性等引起的系统难以控制的问题。模糊逻辑模仿人脑的逻辑思维，用于处理模型位置或者不精确的控制问题；神经网络，模拟人脑神经元的功能，可作为一般的函数估计器，能映射输入输出关系。

发明内容：

为克服柔性关节中的诸多非线性特性的影响，本发明结合模糊逻辑和神经网络两种控制方法，采用了一种基于Takagi-Sugeno模型的模糊神经网络控制器，使得神经网络具有模糊系统的结构，即神经网络的每个层、每个节点都对应模糊系统的一个部份。该网络不同于一般的神经网络的黑箱操作，其所有参数都具有明确的物理意义，且可以适应柔性机械臂关节刚度时变、摩擦非线性等特点。为实现上述目标，本发明提供了一种基于Takagi-Sugeno模型的模糊神经网络控制器用于机械臂柔性关节控制，该方法包括以下步骤：

步骤1.建立模糊神经网络模型；

步骤2.制定神经网络参数学习算法；

步骤3.通过学习算法确定后件网络的连接权参数，前件网络的隶属度函数中心值和宽度参数；

步骤4.根据辨识模型建立模糊神经网络控制器。

优选的，所述步骤1包括建立基于Takagi-Sugeno模型的模糊神经网络结构：

步骤1-1：设定前件网络第一层输入层，确定所述输入层参数，将输入值向量传送到前件网络第二层；

步骤1-2：确定前件网络第二层每个节点代表的语言变量值，将各输入量模糊化计算各输入向量的分量x_i属于各所述语言变量值模糊集合的隶属度函数

将对应的隶属度函数的

引入到Takagi-Sugeno模型中；

步骤1-3：制定前件网络第三层的每个节点的模糊规则，匹配模糊规则的前件，计算出每条规则的适应度；

步骤1-4：前件网络第四层节点数与前件网络第三层节点数相同，完成所述前件网络第四层归一化运算；

步骤1-5：制定后件网络输出量规则，设定后件网络的第一层为输入层，它将输入变量传送到第二层；

步骤1-6：后件网络的第二层的每个节点代表一条模糊规则，计算每一条规则的后件；

步骤1-7：设定后件网络的第三层为输出层，计算各规则输出的加权和。

优选的，所述步骤1-1中输入层参数为关节的定位误差和误差变化量。

优选的，所述步骤1-2中隶属度函数代表输入量对于模糊集合的隶属程度大小，其取值范围为[0,1]，所述第二层的节点总数为输入量模糊分割数之和。

优选的，所述步骤2为制定神经网络参数学习算法，具体包括：

步骤2-1：确定后件网络的连接权p_ji，定义误差函数，根据步骤1建模可以推导出p_ji的学习算法；

步骤2-2：确定隶属度函数中的中心值c_ij和宽度值σ_ji。

优选的，所述步骤2-1确定权重参数p_ji后，将模糊神经网络结构进行简化，所述模糊神经网络结构是一种双输入单输出的多层前馈网络，因此可以仿照BP网络用误差反向传播的方法来设计调整参数的学习算法，确定各层误差信号。

优选的，所述步骤3为通过学习算法确定后件网络的连接权参数，前件网络的隶属度函数中心值和宽度参数，具体包括：

步骤3-1，首先通过PID等传统控制方法获得训练参数，选取不同工况下控制效果较好的恩进行训练；

步骤3-2：将训练样本代入步骤2中推导出的学习方法中，采用网格分割方式生成一个基于Takagi-Sugeno模型的模糊推理系统；

步骤3-3：计算确定后件网络的连接权参数，前件网络的隶属度函数中心值和宽度参数，以及训练后隶属度函数的分布。

优选的，所述步骤4为根据辨识模型建立模糊神经网络控制器，通过关节上的角传感器获得角度信号，并且与设定的角度值进行比较，从而获得定位误差和误差变化量，通过模糊化之后，根据模糊规则得到模糊判定，从而获得一个合理的输出电流以控制关节电机。

和最接近的现有技术比，本发明提供的技术方案具有以下优异效果：

1、本发明结合模糊逻辑和神经网络两种控制方法，采用了一种基于Takagi-Sugeno模型的模糊神经网络控制器，使得神经网络具有模糊系统的结构，即神经网络的每个层、每个节点都对应模糊系统的一个部份。

2、该网络不同于一般的神经网络的黑箱操作，其所有参数都具有明确的物理意义，且可以适应柔性机械臂关节刚度时变、摩擦非线性等特点。

附图说明

图1是基于Takagi-Sugeno模型的模糊神经网络结构图；

图2是基于Takagi-Sugeno模型的模糊神经网络的前件网络结构图；

图3是学习过程中均方根误差随训练次数变化图；

图4是学习过程中步长随训练次数变化图；

图5是学习后的输入隶属度函数曲线图；

图6是建立的模糊神经网络控制器结构图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明中一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有付出创造性劳动的前提下所有获得的所有其他实施例，都属于本发明的保护范围。下面结合附图对本发明提供的技术方案做详细说明。

实施例一

本发明实施例提出一种基于Takagi-Sugeno模型的模糊神经网络控制器的设计、实施方法。针对关节刚度的时变特性、关节摩擦非线性，确保不同工况下良好的控制效果。

如图1所示，本发明实施例的基于Takagi-Sugeno模型的模糊神经网络控制器的建立包括4个步骤，步骤1为建立基于Takagi-Sugeno模型的模糊神经网络结构，具体步骤包括：

步骤1-1：设定前件网络第一层为输入层，确定所述输入层参数，将输入值向量传送到前件网络第二层，其中所述输入层的每个节点直接与输入向量的各分量x_i连接；

它的每个节点直接与输入向量的各分量，它的作用就是，所述步骤1-1的输入参数为关节的定位误差和误差变化量；

步骤1-2：确定前件网络第二层每个节点代表的语言变量值，计算各输入向量的分量x_i属于各所述语言变量值模糊集合的隶属度函数

将对应的隶属度函数的

引入到模型中；

式中，i＝1,2,...,n，j＝1,2,...,m_i；其中n是输入量的维数，n＝2；m_i是x_i的模糊分割数；本实施例中分别设定定位误差和误差变化量的模糊分割数m₁＝m₂＝7。若隶属度函数采用高斯函数，则

式中c_ij和σ_ij分别表示隶属度函数的中心和宽度，需要后期学习辨识确定。隶属度函数代表输入量对于模糊集合的隶属程度大小，其取值范围为[0,1]。其中，

代表输入变量x_i的第j个语言变量值，它是定义在x_i论域上的一个模糊集合。该层的节点总数为输入量模糊分割数的和；

步骤1-3：制定前件网络第三层的每个节点的模糊规则，匹配模糊规则的前件，计算出每条规则的适应度，即

式中，i_i∈{1,2,...,m_i}，j＝1,2,...,m，

步骤1-4：前件网络第四层节点数与前件网络第三层相同，完成所述前件网络第四层归一化运算，即

式中，

为第j条归一化的模糊规则适用度，α_j为上一层中计算的适用度；

步骤1-5：制定后件网络输出量规则，设定后件网络的第一层是输入层，它将输入变量传送到第二层；

步骤1-6：后件网络的第二层的每个节点代表一条模糊规则，计算每一条规则的后件，即

y_j＝p_j0+p_j1x₁+p_j2x₂,j＝1,2,...,m (4)

式中，y_j为第j条规则的输出量，x_i为输入量，p_j1为后件网络的连接权重参数；

步骤1-7：后件网络的第三层为输出层，计算各规则输出的加权和，其中输出量为伺服驱动器输出的控制电流，即

式中，y为系统的输出量，

为步骤14中计算出的归一化的第j条模糊规则适用度，yj为步骤16中的第j条模糊规则的输出量。

步骤2为制定神经网络参数学习算法，实际上就是通过训练确定步骤16中后件网络的输出量的连接权p_ji以及隶属度函数中的中心值c_ij和宽度值σ_ij，具体步骤包括：

步骤2-1：确定后件网络的连接权p_ji，定义误差函数，即

式中，t和y分别表示期望输出和实际输出；

根据步骤1建模可以推导出p_ji的学习算法为：

式中，β＞0为学习率，

为步骤1-4中计算出的归一化的第j条模糊规则适用度，x_i为第i个输入量，k为学习次数，i＝1,2,...,n，j＝1,2,...,m_i；

步骤2-2：确定隶属度函数中的中心值c_ij和宽度值σ_ji；在所述步骤2-1确定权重参数p_ji后，将模糊神经网络结构进行简化，所述模糊神经网络结构是一种双输入单输出的多层前馈网络，因此可以仿照BP网络用误差反向传播的方法来设计调整参数的学习算法，确定各层误差信号为：

第五层的误差信号：

δ⁽⁵⁾＝t-y (9)

第四层的误差信号：

第三层的误差信号：

第二层的误差信号：

当and算法采用取小运算时，当

是第k个规则节点输入的最小值时s_ij＝1，否则s_ij＝0；

当and算法采用相乘运算时，当

是第k个规则节点的一个输入时

否则s_ij＝0

最后求得

式中，β＞0为学习率，t和y分别表示期望输出和实际输出，y_j表示步骤16中计算的第j条规则的输出分量，x_i表示第i个输入分量，s_ij为根据步骤13中适用度算法决定的运算符，在本实施例中，当隶属度

是第k个规则节点输入的最小值时s_ij＝1，否则s_ij＝0，k为学习次数，i＝1,2,...,n，j＝1,2,...,m_i。

步骤3为通过学习算法确定后件网络的连接权参数，前件网络的隶属度函数中心值和宽度参数，具体包括：

步骤3-1，首先通过PID等传统控制方法获得训练参数，选取不同工况下控制效果较好的恩进行训练；

步骤3-2：将训练样本代入步骤2中推导出的学习方法中，采用网格分割方式生成一个基于Takagi-Sugeno模型的模糊推理系统；

步骤3-3：计算确定后件网络的连接权参数，前件网络的隶属度函数中心值和宽度参数，进行100次训练，图3和图4所示分别为训练后的参数均方根误差和步长变化情况，图5为训练后隶属度函数的分布。

步骤4为根据辨识模型如图6所示的建立模糊神经网络控制器。通过关节上的角传感器获得角度信号，并且与设定的期望角度值进行比较，从而获得定位误差和误差变化量，通过模糊化之后，根据模糊规则得到模糊判定，从而获得一个合理的输出电流以控制关节电机。

最后应当说明的是：以上实施例仅用以说明本申请的技术方案而非对其保护范围的限制，尽管参照上述实施例对本申请进行了详细的说明，所属领域的普通技术人员应当理解：本领域技术人员阅读本申请后依然可以对申请的具体实施方式进行种种变更、修改或者等同替换，但这些变更、修改或者等同替换，均在申请待批的权利要求保护范围之内。

Claims (7)

1.一种基于模糊神经网络的机械臂柔性关节控制方法，该方法包括以下步骤：

步骤1.建立模糊神经网络模型；

步骤2.制定神经网络参数学习算法；

步骤3.通过学习算法确定后件网络的连接权参数，前件网络的隶属度函数中心值和宽度参数；

步骤4.根据辨识模型建立模糊神经网络控制器；

所述步骤1包括建立基于Takagi-Sugeno模型的模糊神经网络结构：

步骤1-1：设定前件网络第一层输入层，确定所述输入层参数，将输入值向量传送到前件网络第二层；

步骤1-2：确定前件网络第二层每个节点代表的语言变量值，将各输入量模糊化计算各输入向量的分量x_i属于各所述语言变量值模糊集合的隶属度函数

将对应的隶属度函数的

引入到Takagi-Sugeno模型中；

步骤1-3：制定前件网络第三层的每个节点的模糊规则，匹配模糊规则的前件，计算出每条规则的适应度；

步骤1-4：前件网络第四层节点数与前件网络第三层节点数相同，完成所述前件网络第四层归一化运算；

步骤1-5：制定后件网络输出量规则，设定后件网络的第一层为输入层，它将输入变量传送到第二层；

步骤1-6：后件网络的第二层的每个节点代表一条模糊规则，计算每一条规则的后件；

步骤1-7：设定后件网络的第三层为输出层，计算各规则输出的加权和。

2.根据权利要求1所述的控制方法，其特征在于，所述步骤1-1中输入层参数为关节的定位误差和误差变化量。

3.根据权利要求1所述的控制方法，其特征在于，所述步骤1-2中隶属度函数代表输入量对于模糊集合的隶属程度大小，其取值范围为[0,1]，所述第二层的节点总数为输入量模糊分割数之和。

4.根据权利要求1所述的控制方法，其特征在于，所述步骤2为制定神经网络参数学习算法，具体包括：

步骤2-1：确定后件网络的连接权p_ji，定义误差函数，根据步骤1建模可以推导出p_ji的学习算法；

步骤2-2：确定隶属度函数中的中心值c_ij和宽度值σ_ji。

5.根据权利要求4所述的控制方法，其特征在于，所述步骤2-1确定权重参数p_ji后，将模糊神经网络结构进行简化，所述模糊神经网络结构是一种双输入单输出的多层前馈网络，因此可以仿照BP网络用误差反向传播的方法来设计调整参数的学习算法，确定各层误差信号。

6.根据权利要求1所述的控制方法，其特征在于：所述步骤3为通过学习算法确定后件网络的连接权参数，前件网络的隶属度函数中心值和宽度参数，具体包括：

步骤3-1，首先通过PID等传统控制方法获得训练参数，选取不同工况下控制效果较好的恩进行训练；

步骤3-2：将训练样本代入步骤2中推导出的学习方法中，采用网格分割方式生成一个基于Takagi-Sugeno模型的模糊推理系统；

步骤3-3：计算确定后件网络的连接权参数，前件网络的隶属度函数中心值和宽度参数，以及训练后隶属度函数的分布。

7.根据权利要求1所述的控制方法，其特征在于：所述步骤4为根据辨识模型建立模糊神经网络控制器，通过关节上的角传感器获得角度信号，并且与设定的角度值进行比较，从而获得定位误差和误差变化量，通过模糊化之后，根据模糊规则得到模糊判定，从而获得一个合理的输出电流以控制关节电机。

Images