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
一种基于模糊神经网络的机械臂柔性关节控制方法 Download PDFInfo
- Publication number
- CN108284442B CN108284442B CN201710059539.8A CN201710059539A CN108284442B CN 108284442 B CN108284442 B CN 108284442B CN 201710059539 A CN201710059539 A CN 201710059539A CN 108284442 B CN108284442 B CN 108284442B
- Authority
- CN
- China
- Prior art keywords
- network
- fuzzy
- layer
- neural network
- input
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J9/00—Programme-controlled manipulators
- B25J9/16—Programme controls
- B25J9/1602—Programme controls characterised by the control system, structure, architecture
- B25J9/161—Hardware, e.g. neural networks, fuzzy logic, interfaces, processor
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J9/00—Programme-controlled manipulators
- B25J9/16—Programme controls
- B25J9/1628—Programme controls characterised by the control loop
- B25J9/1641—Programme controls characterised by the control loop compensation for backlash, friction, compliance, elasticity in the joints
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
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1-3: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pji,定义误差函数,根据步骤1建模可以推导出pji的学习算法;
步骤2-2:确定隶属度函数中的中心值cij和宽度值σji。
优选的,所述步骤2-1确定权重参数pji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xi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;
式中,i=1,2,...,n,j=1,2,...,mi;其中n是输入量的维数,n=2;mi是xi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cij和σij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xi的第j个语言变量值,它是定义在xi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
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
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
yj=pj0+pj1x1+pj2x2,j=1,2,...,m (4)
式中,yj为第j条规则的输出量,xi为输入量,pj1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
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pji以及隶属度函数中的中心值cij和宽度值σij,具体步骤包括:
步骤2-1:确定后件网络的连接权pji,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pji的学习算法为:
步骤2-2:确定隶属度函数中的中心值cij和宽度值σji;在所述步骤2-1确定权重参数pji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:
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,yj表示步骤16中计算的第j条规则的输出分量,xi表示第i个输入分量,sij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sij=1,否则sij=0,k为学习次数,i=1,2,...,n,j=1,2,...,mi。
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1-3: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pji,定义误差函数,根据步骤1建模可以推导出pji的学习算法;
步骤2-2:确定隶属度函数中的中心值cij和宽度值σji。
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pji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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710059539.8A CN108284442B (zh) | 2017-01-24 | 2017-01-24 | 一种基于模糊神经网络的机械臂柔性关节控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710059539.8A CN108284442B (zh) | 2017-01-24 | 2017-01-24 | 一种基于模糊神经网络的机械臂柔性关节控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108284442A CN108284442A (zh) | 2018-07-17 |
CN108284442B true CN108284442B (zh) | 2021-01-26 |
Family
ID=62831276
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710059539.8A Active CN108284442B (zh) | 2017-01-24 | 2017-01-24 | 一种基于模糊神经网络的机械臂柔性关节控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108284442B (zh) |
Families Citing this family (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110962120B (zh) * | 2018-09-30 | 2021-03-26 | 北京猎户星空科技有限公司 | 网络模型的训练方法及装置、机械臂运动控制方法及装置 |
CN109227545B (zh) * | 2018-10-30 | 2020-05-05 | 闽江学院 | 一种基于可达集估计的柔性机械臂目标追踪控制方法 |
CN109623819B (zh) * | 2018-12-25 | 2020-08-21 | 哈工大机器人集团股份有限公司 | 一种机器人谐波传动关节实际力矩值的获取方法及装置 |
CN110245430B (zh) * | 2019-06-18 | 2022-08-02 | 吉林大学 | 改进Bouc-Wen模型迟滞建模方法 |
CN110782033A (zh) * | 2019-10-28 | 2020-02-11 | 玲睿(上海)医疗科技有限公司 | 一种基于模糊神经网络的agv车定位方法 |
CN111538232B (zh) * | 2020-04-17 | 2023-06-13 | 东南大学 | 基于自适应神经模糊控制的无人行车防摇定位方法及系统 |
CN111546336B (zh) * | 2020-04-29 | 2021-01-29 | 北京航空航天大学 | 一种用于机器人系统的灰箱模型参数辨识方法及系统 |
CN111872937B (zh) * | 2020-07-23 | 2022-04-19 | 西华大学 | 一种任务空间中不确定机械臂的控制方法 |
CN112372637B (zh) * | 2020-10-27 | 2022-05-06 | 东方红卫星移动通信有限公司 | 低轨卫星空间机械臂自适应阻抗柔顺控制方法、模块及系统 |
CN112388620B (zh) * | 2020-11-23 | 2021-11-02 | 华中科技大学鄂州工业技术研究院 | 一种用于气动肌肉驱动系统的轨迹跟踪控制算法 |
CN112947066B (zh) * | 2021-01-26 | 2022-07-22 | 苏州连恺自动化有限公司 | 一种机械手改进有限时间反演控制方法 |
CN113343558A (zh) * | 2021-05-19 | 2021-09-03 | 东北石油大学 | 一种基于模糊神经网络的钻井参数优化方法 |
CN113324026A (zh) * | 2021-06-10 | 2021-08-31 | 一汽奔腾轿车有限公司 | 一种基于模糊神经网络的自动换挡控制方法 |
CN113377007A (zh) * | 2021-06-17 | 2021-09-10 | 同济大学 | 基于模糊神经网络的混凝土布料机器人控制方法 |
CN116027673B (zh) * | 2023-03-29 | 2023-06-06 | 中国电子科技集团公司第二十九研究所 | 一种基于模糊神经网络的装备控制自主决策方法 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5963712A (en) * | 1996-07-08 | 1999-10-05 | Sony Corporation | Selectively configurable robot apparatus |
CN2728726Y (zh) * | 2004-04-02 | 2005-09-28 | 李朝辉 | 生物信息随动即时示教控制机器人 |
CN201760878U (zh) * | 2010-07-06 | 2011-03-16 | 东莞职业技术学院 | 一种移动机器人 |
CN102501250B (zh) * | 2011-10-26 | 2014-12-31 | 东北大学 | 一种欠驱动机械臂控制装置及控制方法 |
US9358685B2 (en) * | 2014-02-03 | 2016-06-07 | Brain Corporation | Apparatus and methods for control of robot actions based on corrective user inputs |
CN104950678B (zh) * | 2015-06-17 | 2017-10-13 | 浙江工业大学 | 一种柔性机械臂系统的神经网络反演控制方法 |
CN105117770A (zh) * | 2015-08-24 | 2015-12-02 | 河海大学常州校区 | 基于改进型模糊神经网络的表冷器控制方法 |
CN105911863B (zh) * | 2016-05-19 | 2018-12-14 | 杭州新松机器人自动化有限公司 | 多机器人协作夹持系统神经网络轨迹跟踪控制方法 |
CN205889156U (zh) * | 2016-07-25 | 2017-01-18 | 华南理工大学 | 一种三自由度平面柔性并联平台装置 |
-
2017
- 2017-01-24 CN CN201710059539.8A patent/CN108284442B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN108284442A (zh) | 2018-07-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108284442B (zh) | 一种基于模糊神经网络的机械臂柔性关节控制方法 | |
Lu et al. | Generalized radial basis function neural network based on an improved dynamic particle swarm optimization and AdaBoost algorithm | |
CN111474965B (zh) | 基于模糊神经网络的串联输水渠道水位预测与控制方法 | |
CN105427241B (zh) | 一种大视场显示设备的畸变校正方法 | |
CN109848990B (zh) | 基于pso的膝关节外骨骼增益可变无模型角度控制方法 | |
Jafari et al. | Numerical methods for solving fuzzy equations: A survey | |
JPH05127706A (ja) | ニユーラルネツト型シミユレータ | |
CN108460462A (zh) | 一种基于区间参数优化的区间神经网络学习方法 | |
CN109227550A (zh) | 一种基于rbf神经网络的机械臂控制方法 | |
CN114740710A (zh) | 一种随机非线性多智能体的强化学习优化编队控制方法 | |
CN112180730A (zh) | 一种多智能体系统分层最优一致性控制方法和装置 | |
CN107168066A (zh) | 一种温室环境自适应控制方法 | |
Hassan | On simulation of adaptive learner control considering students' cognitive styles using artificial neural networks (ANNs) | |
Takács et al. | The rule of the aggregation operators in fuzzy cognitive maps | |
CN116151092A (zh) | 一种特高压直流输电系统损耗计量方法及系统 | |
CN106444389A (zh) | 一种废塑料裂解温度系统的模糊rbf网络优化pi控制方法 | |
JP3130326B2 (ja) | 階層ネットワーク構成演算素子 | |
Zeng et al. | Identification of nonlinear dynamic systems using convex combinations of multiple adaptive radius basis function networks | |
CN114200830A (zh) | 一种多智能体一致性强化学习控制方法 | |
CN108229026B (zh) | 一种基于动态内核极限学习机的电磁场建模仿真方法 | |
Wang et al. | Performance analysis of an improved single neuron adaptive pid control | |
Ji et al. | Data preprocessing method and fault diagnosis based on evaluation function of information contribution degree | |
CN113065693B (zh) | 一种基于径向基神经网络的车流量预测方法 | |
CN115793472B (zh) | 重载列车的建模方法、建模系统、控制方法及控制系统 | |
WO2023216581A1 (zh) | 控制器训练方法、轨迹跟踪方法、终端设备以及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |