CN111844020A - 基于模糊神经网络的机械手轨迹跟踪控制系统 - Google Patents
基于模糊神经网络的机械手轨迹跟踪控制系统 Download PDFInfo
- Publication number
- CN111844020A CN111844020A CN202010528606.8A CN202010528606A CN111844020A CN 111844020 A CN111844020 A CN 111844020A CN 202010528606 A CN202010528606 A CN 202010528606A CN 111844020 A CN111844020 A CN 111844020A
- Authority
- CN
- China
- Prior art keywords
- neural network
- fuzzy neural
- manipulator
- layer
- fuzzy
- 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.)
- Pending
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 90
- 239000002245 particle Substances 0.000 claims abstract description 77
- 238000000034 method Methods 0.000 claims abstract description 28
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 27
- 238000005457 optimization Methods 0.000 claims description 23
- 230000006870 function Effects 0.000 claims description 20
- 230000003044 adaptive effect Effects 0.000 claims description 12
- 230000008878 coupling Effects 0.000 claims description 12
- 238000010168 coupling process Methods 0.000 claims description 12
- 238000005859 coupling reaction Methods 0.000 claims description 12
- 230000000694 effects Effects 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 8
- 230000001133 acceleration Effects 0.000 claims description 7
- 230000005484 gravity Effects 0.000 claims description 4
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 3
- 230000009471 action Effects 0.000 claims description 3
- 230000001808 coupling effect Effects 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 claims description 3
- 230000003993 interaction Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000013480 data collection Methods 0.000 claims 2
- 241000820057 Ithone Species 0.000 claims 1
- 238000004088 simulation Methods 0.000 abstract description 8
- 238000004458 analytical method Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 230000008859 change Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 239000003990 capacitor Substances 0.000 description 2
- 238000002955 isolation Methods 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 230000002035 prolonged effect Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000036039 immunity Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000003381 stabilizer Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
- B25J9/1656—Programme controls characterised by programming, planning systems for manipulators
- B25J9/1664—Programme controls characterised by programming, planning systems for manipulators characterised by motion, path, trajectory planning
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Robotics (AREA)
- Mechanical Engineering (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种基于模糊神经网络的机械手轨迹跟踪控制系统，信号采集器连接有模糊神经网络控制器的输入端，计算机与糊神经网络控制器的输入端连接，糊神经网络控制器的输出端连接信号处理器，信号处理器连接机械手模型，信号采集器与机械手模型连接，机械手模型连接有数据采集器，数据采集器与糊神经网络控制器连接，糊神经网络控制器的输出端通过信号返回器连接有指示灯，指示灯设置在信号采集器与模糊神经网络控制器之间。本发明结合粒子群算法和算法对模糊神经网络控制器的参数进行优化，通过试验仿真分析，验证了本发明对控制器有较强的适应性、稳定性以及抗干扰性能，有效地解决了机械手的轨迹跟踪问题。
Description
技术领域：
本发明涉及一种基于模糊神经网络的机械手轨迹跟踪控制系统。
背景技术：
机械手控制是工业机器人控制中很重要的一个方面。传统的机械手控制方法大多需要机械手的精确数学模型或者机械手动力学方面的知识，但很难保证机械手系统在复杂环境下的稳定性、鲁棒性和整个系统的动态性能。
机械手模型是一个具备高度耦合、非线性等动力学特性且系统结构和参数在实际工作中存在诸多不可预知因素的多输入多输出的系统。机械手模型的动力学模型可以反应其各个关节的位置、速度和加速度之间复杂的关系，因此建立机械手的动力学模型对研究机械手轨迹跟踪控制至关重要。但是，机械手系统的特性复杂多变，它本身受到很多不确定性因素的影响，比如负载变化、自身不确定因素等，因此很难推导出精确的数学模型。
发明内容：
本发明采用模糊神经网络来实现机械手的轨迹跟踪控制，但其常用的基于梯度法的BP算法容易陷入局部收敛，导致网络学习时间延长。网络学习粒子群优化算法作为一种新兴的基于群智能的优化算法，具有操作简单、功能强大、运算速度快等优点。因此，采用粒子群算法和改进的BP算法相结合的混合优化方法，用于模糊神经网络的学习，加快了网络的学习速度，提升了机械手轨迹跟踪控制的准确度。
本发明的目的通过以下技术方案来实现：一种基于模糊神经网络的机械手轨迹跟踪控制系统，信号采集器连接有模糊神经网络控制器的输入端，计算机也与糊神经网络控制器的输入端连接，糊神经网络控制器的输出端连接信号处理器，信号处理器连接机械手模型，信号采集器与机械手模型连接，机械手模型连接有数据采集器，数据采集器与糊神经网络控制器连接，糊神经网络控制器的输出端通过信号返回器连接有指示灯，指示灯设置在信号采集器与模糊神经网络控制器之间。
本发明的进一步改进在于：机械手模型包括基座，基座上设有支撑座，支撑座的上端通过第一旋转关节连接有第一连杆的一端，第一连杆的另一端通过第二旋转关节连接有第二连杆的一端。
本发明的进一步改进在于：两关节机械手由两个质量分别为m1和m2的所述第一连杆和第二连杆组成，第一连杆的一端通过第一旋转关节固定在基座上，另外一端通过第二旋转关节和第二连杆连接，可以任意运动，实现抓取、搬运的工作，电机的输入力矩τ1、τ2分别驱动机械手的第一旋转关节和第二旋转关节，使关节运动带动第一连杆和第二连杆运动，两连杆在力矩作用下转过的角度分别为θ1、θ2，两关节相互配合机械手系统末端按照期望运动轨迹运动；
利用拉格朗日方法求解二连杆机械手系统的动力学方程，在忽略摩擦和干扰的情况下，两连杆机械手的动力学模型可以表示为如下形式：
其中
其中，τ为关节驱动力矩；M(θ)为惯性矩阵；
为离心力和哥氏力矩阵；G(θ)为重力效应矩阵。
本发明的进一步改进在于：模糊神经网络控制器的模糊神经网络结构分为五层结构，分为两个模糊神经网络子网。由于关节间的耦合作用，添加网络的第5层为反应两关节耦合作用的耦合层。
第1层：模糊神经网络的输入层。该层有4个节点，输入范围分别是e1， ec1,e2，ec2变论域，它们的论域均为[-6,6]。节点的输入为
kf1(i)＝xki (2)
其中i＝1,2；k＝1,2。xki表示第k个子网的第i个输入，kf1(i)表示第k个子网的第1层输出。
第2层：模糊神经网络的模糊化层，即隶属度函数生成层。每个输入e1， e2，ec1，ec2分为7个节点，即7个模糊语言集，分别为PB(正大)，PM(正中)，PS(正小)，Z(零)，NS(负小)，NM(负中)，NB(负大)。此层共有 28个节点。采用Gaussian函数作为隶属函数，与7个模糊语言集对应的 Gaussian函数的中心值分别为{6，4，2，0，-2，-4，-6},宽度均为2。
其中kcij和kbj分别表示第k个子网的第i个输入变量第j个模糊集合的中心值和宽度。kf2(i,j)表示第k个子网的第二层输出。
第3层：模糊神经网络的推理层。在此网络中用乘法代替取小运算。
kf3(i,j)＝kf2(1,i)kf2(1,j) (4)
其中i＝1,2,…,7；j＝1,2,…,7。kf3(i,j)表示第k个子网的第三层输出。
第4层：模糊神经网络的去模糊化层。采用加权平均法去模糊化。
其中kwij (3)表示第k个子网中三层与四层之间的连接权值系数。
第5层：模糊神经网络的输出层。该层表示机械手两关节之间耦合关系。
其中
表示四层与五层之间的权值系数，它反映了各关节间的耦合作用。
本发明的进一步改进在于：粒子群优化算法是一种基于群智能的演化计算技术，它由粒子之间的相互作用，从随机解出发，在搜索空间里智能寻找最优解；
假设粒子群为n维搜索空间，设第i个粒子的当前位置为 Xi＝(xi1,xi2,…,xin)，当前速度为Vi＝(vi1,vi2,…,vin)，第i个粒子所经历过的最优适应值的位置，即个体最好位置为Pi＝(pi1,pi2,…,pin)；
设f(X)为最优的目标函数，则第i个粒子的Pi＝(pi1,pi2,…,pin)由(7)式确定：
设Pg(t)为在整个粒子群中搜索到的最好位置，即为全局最好位置，则
Pg(t)∈{P1(t),P2(t),…,Pm(t)}|f(Pg(t))＝min{f(P1(t)),f(P2(t)),…,f(Pm(t))} (8)
第i个粒子的当前位置和当前速度通过(9)式和(10)式更新：
vij(t+1)＝vij(t)+c1r1(pij(t)-xij(t))+c2r2(pgj(t)-xij(t)) (9)
xij(t+1)＝xij(t)+vij(t+1) (10)
其中i表示第i个粒子(i＝1,2,…,m)，j表示粒子的第j维(j＝1,2,…,n)，t表示当前进化代数，c1和c2为加速常数，通常在[0,2]之间取值，r1,r1∈[0,1]的均匀随机数；
从式(9)和式(10)可知，c1决定粒子在Pi方向上的飞行步长，c2决定粒子在Pg方向上的飞行步长，为避免粒子在更新过程中离开搜索空间，将vij限定在一定范围内，即vij∈[-vmax,vmax]；
基于粒子群优化算法的离线优化模糊神经网络参数搜索的具体步骤如下：
S1、对模糊神经网络结构进行初始化，确定网络结构中中心值kcij，宽度kbj，权值
的个数；
S2、随机初始设定粒子群的位置和速度；
S3、逐一输入粒子群中的粒子，计算出所有粒子的适应值；
S4、根据式(7)、式(8)比较适应值，确定粒子的个体最优值pbest和群体全局最优值gbest；
S5、根据式(9)优化粒子的速度，根据式(10)优化粒子的位置；
S6、若已获得足够好的适应值或达到预设的最大迭代次数，则转步骤S7，否则返回步骤S2继续搜索；
S7、结束。
本发明的有益效果为：
机械手系统是一个具备高度耦合、非线性等动力学特性且系统结构和参数在实际工作中存在诸多不可预知因素的多输入多输出系统。针对该系统设计了一种模糊神经网络的控制器，并结合粒子群算法和BP算法对FNNC的参数进行优化，通过试验仿真分析，验证了该方案对控制系统有较强的适应性、稳定性以及抗干扰性能，有效地解决了机械手的轨迹跟踪问题。
附图说明：
图1为模糊神经网络控制器的结构示意图；
图2为模糊神经网络控制系统的原理结构图；
图3为机械手模型的结构示意图；
图4为模糊神经网络的结构示意图；
图5为模型误差的优化过程图；
图6为第一关节的轨迹跟踪曲线；
图7为第二关节的轨迹跟踪曲线；
图8为第一关节优化后的轨迹跟踪误差；
图9为第二关节优化后的轨迹跟踪误差；
图10为加入干扰后第一关节的正弦信号跟踪效果；
图11为加入干扰后第二关节的余弦信号跟踪效果；
图中标号：1-励磁控制器、1-1-第一H桥逆变器、1-2-第一隔离变压器、 1-3-第一不可控整流器、1-4-第一电流传感器、1-5-第一控制与驱动器、1-6- 第一电压传感器、2-直流发电机、3-直流稳压器、3-1-第二H桥逆变器、3-2- 第二隔离变压器、3-3-第二不可控整流器、3-4-第一滤波电感、3-5-第一滤波电容、3-6-第二滤波电感、3-7-第二滤波电容、3-8-第二电流传感器、3-9- 第二电压传感器、3-10-第二控制与驱动器、4-绝缘栅双极型晶体管驱动器、5-控制板。
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，下面将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一部分实施例，而不是全部的实施例。在本发明的一种实施方式中描述的元素和特征可以与一个或更多个其它实施方式中示出的元素和特征相结合。应当注意，为了清楚的目的，说明中省略了与本发明无关的、本领域普通技术人员已知的部件和处理的表示和描述。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获得的所有其他实施例，都属于本发明保护的范围。
如图1所示，一种模糊神经网络控制器，信号采集器1连接有模糊神经网络控制器2的输入端，计算机3也与糊神经网络控制器2的输入端连接，糊神经网络控制器2的输出端连接信号处理器4，信号处理器4连接机械手模型5，信号采集器1与机械手模型5连接，机械手模型5连接有数据采集器6，数据采集器6与糊神经网络控制器2连接，糊神经网络控制器2的输出端通过信号返回器7连接有指示灯8，指示灯8设置在信号采集器1与模糊神经网络控制器2之间。
模糊控制逻辑推理能力强，神经网络容错性强，结合两者优点，利用神经网络的网络非线性映射、自学习能力来调整模糊逻辑。图2为模糊神经网络控制系统原理结构图。它的控制对象是两关节机械手系统，网络学习采用粒子群优化算法和改进的BP算法相结合的学习算法。在图2中，θd1和θd2分别是第一关节、第二关节的期望位置信号；τ1和τ2分别是通过模糊神经网络控制器调节作用给机械手两关节的控制力矩。θ1和θ2分别是第一关节、第二关节的实际位置信号；e1和e2分别为机械手第一关节、第二关节的位置误差； ec1和ec2为误差变化率；ke1、ke2、kec1、kec2分别为调节偏差和偏差变化率的量化因子；ku1和ku2为调节控制器输出变量的比例因子。
机械手系统的动力学模型可以反应其各个关节的位置、速度和加速度之间复杂的关系。因此建立机械手的动力学模型对研究机械手轨迹跟踪控制至关重要。当前，两关节机械手系统在各种科研和实际生产场合使用较多，也可以作为集成的功能和结构单元在复杂的多关节机械手系统中使用。如图3 所示，机械手模型5包括基座5-1，基座5-1上设有支撑座5-2，支撑座5-2 的上端通过第一旋转关节5-3连接有第一连杆5-4的一端，第一连杆5-4的另一端通过第二旋转关节5-5连接有第二连杆5-6的一端。
两关节机械手由两个质量分别为m1和m2的第一连杆5-4l1和第二连杆 5-6l2组成，第一连杆5-4l1的一端通过第一旋转关节5-3固定在基座上，另外一端通过第二旋转关节5-5和第二连杆5-6l2连接，可以任意运动，实现抓取、搬运等用户指定的工作。电机的输入力矩τ1、τ2分别驱动机械手的第一旋转关节5-3和第二旋转关节5-5，使关节运动带动第一连杆5-4l1和第二连杆5-6l2运动。两连杆在力矩作用下转过的角度分别为θ1、θ2。两关节相互配合机械手系统末端按照期望运动轨迹运动。
利用拉格朗日方法求解二连杆机械手系统的动力学方程，在忽略摩擦和干扰的情况下，两连杆机械手的动力学模型可以表示为如下形式：
其中
其中，τ为关节驱动力矩；M(θ)为惯性矩阵；
为离心力和哥氏力矩阵；G(θ)为重力效应矩阵。
如图4所示，模糊神经网络控制器的模糊神经网络结构分为五层结构，分为两个模糊神经网络子网。由于关节间的耦合作用，添加网络的第5层为反应两关节耦合作用的耦合层。
第1层：模糊神经网络的输入层。该层有4个节点，输入范围分别是e1， ec1,e2，ec2变论域，它们的论域均为[-6,6]。节点的输入为
kf1(i)＝xki (2)
其中i＝1,2；k＝1,2。xki表示第k个子网的第i个输入，kf1(i)表示第k个子网的第1层输出。
第2层：模糊神经网络的模糊化层，即隶属度函数生成层。每个输入e1， e2，ec1，ec2分为7个节点，即7个模糊语言集，分别为PB(正大)，PM(正中)，PS(正小)，Z(零)，NS(负小)，NM(负中)，NB(负大)。此层共有 28个节点。采用Gaussian函数作为隶属函数，与7个模糊语言集对应的 Gaussian函数的中心值分别为{6，4，2，0，-2，-4，-6},宽度均为2。
其中kcij和kbj分别表示第k个子网的第i个输入变量第j个模糊集合的中心值和宽度。kf2(i,j)表示第k个子网的第二层输出。
第3层：模糊神经网络的推理层。在此网络中用乘法代替取小运算。
kf3(i,j)＝kf2(1,i)kf2(1,j) (4)
其中i＝1,2,…,7；j＝1,2,…,7。kf3(i,j)表示第k个子网的第三层输出。
第4层：模糊神经网络的去模糊化层。采用加权平均法去模糊化。
其中kwij (3)表示第k个子网中三层与四层之间的连接权值系数。
第5层：模糊神经网络的输出层。该层表示机械手两关节之间耦合关系。
其中
表示四层与五层之间的权值系数，它反映了各关节间的耦合作用。
粒子群优化算法(PSO)是一种基于群智能的演化计算技术，它由粒子之间的相互作用，从随机解出发，在搜索空间里智能寻找最优解；
假设粒子群为n维搜索空间，设第i个粒子的当前位置为 Xi＝(xi1,xi2,…,xin)，当前速度为Vi＝(vi1,vi2,…,vin)，第i个粒子所经历过的最优适应值的位置，即个体最好位置为Pi＝(pi1,pi2,…,pin)；
设f(X)为最优的目标函数，则第i个粒子的Pi＝(pi1,pi2,…,pin)由(7)式确定：
设Pg(t)为在整个粒子群中搜索到的最好位置，即为全局最好位置，则
Pg(t)∈{P1(t),P2(t),…,Pm(t)}|f(Pg(t))＝min{f(P1(t)),f(P2(t)),…,f(Pm(t))} (8)
第i个粒子的当前位置和当前速度通过(9)式和(10)式更新：
vij(t+1)＝vij(t)+c1r1(pij(t)-xij(t))+c2r2(pgj(t)-xij(t)) (9)
xij(t+1)＝xij(t)+vij(t+1) (10)
其中i表示第i个粒子(i＝1,2,…,m)，j表示粒子的第j维(j＝1,2,…,n)，t表示当前进化代数，c1和c2为加速常数，通常在[0,2]之间取值，r1,r1∈[0,1]的均匀随机数；
从式(9)和式(10)可知，c1决定粒子在Pi方向上的飞行步长，c2决定粒子在Pg方向上的飞行步长，为避免粒子在更新过程中离开搜索空间，将vij限定在一定范围内，即vij∈[-vmax,vmax]；
模糊神经网络常用的学习算法是基于梯度的BP算法，但其容易陷入局部收敛，使网络学习时间延长。粒子群优化算法操作简单，功能强大，但其收敛速度相对较慢[13]。结合两种算法应用在模糊神经网络的参数学习中，优势互补，从而提高推理能力和学习能力，实现对机械手的轨迹跟踪控制。具体由离线学习粗搜索获得较合理初值和在线学习细搜索获得最优解两步构成。
基于粒子群优化算法的离线优化模糊神经网络参数搜索的具体步骤如下：
S1、对模糊神经网络结构进行初始化，确定网络结构中中心值kcij，宽度kbj，权值
的个数；
S2、随机初始设定粒子群的位置和速度；
S3、逐一输入粒子群中的粒子，计算出所有粒子的适应值；
S4、根据式(7)、式(8)比较适应值，确定粒子的个体最优值pbest和群体全局最优值gbest；
S5、根据式(9)优化粒子的速度，根据式(10)优化粒子的位置；
S6、若已获得足够好的适应值或达到预设的最大迭代次数，则转步骤S7，否则返回步骤S2继续搜索；
S7、结束。
通过粒子群优化使模糊神经网络参数达到了全局近似最优解，但由于其具有一定的概率性和随机性，并且需要控制计算量，以及控制的实时性。故只对网络的权值kwij (3)和
运用改进的BP算法进行在线实时细化微调。
仿真验证如下：
在MATLAB平台中仿真验证控制方案的有效性，在仿真中模糊神经网络结构为4-28-98-2-2，采用粒子群优化模糊神经网络参数高斯基函数的中心值、宽度，通过经验选取粒子群规模为30，进化迭代步数100，加速常数通常取c1＝c2＝2，采样周期T＝0.0005s。
首先应用粒子群优化算法离线训练，模型误差的优化过程如图5所示。
然后，再将参数放入模糊神经网络用于机械手控制，机械手的具体物理参数见表1。
表1机械手臂基本的物理参数表
| 臂号 | 质量/kg | 臂长/m | 重力加速度/(m·s-2) |
| 1 | 8 | 1.2 | 9.8 |
| 2 | 4 | 0.8 | 9.8 |
(1)、设第一关节的期望函数为θd1＝sin(2πt)，第二关节的期望函数为θd2＝cos(2πt)。跟踪效果如图6和图7所示，跟踪误差如图8和图9所示。
在模糊神经网络的离线学习中，粒子群优化学习算法获取了一个比较好的初值，这为模糊神经网络的在线学习奠定了良好的基础。从图6～图9 的轨迹跟踪控制效果图中可看出模糊神经网络控制效果很好，经过一段时间的学习后，机械手具有较好的跟踪性能，且误差几乎为零。
(2)、为了研究系统的抗干扰能力，分别在t＝2s时，分别对第一关节和第二关节施加脉冲干扰，幅值为0.1rad。仿真结果见图10和图11。
由图10和图11可以看出控制系统的抗干扰性比较好，能够快速跟踪期望输出，幅值0.1的脉冲干扰对控制系统几乎没有影响。
机械手系统是一个具备高度耦合、非线性等动力学特性且系统结构和参数在实际工作中存在诸多不可预知因素的多输入多输出系统。针对该系统设计了一种模糊神经网络的控制器，并结合粒子群算法和BP算法的对FNNC的参数进行优化。通过试验仿真分析，验证了该方案对控制系统有较强的适应性、稳定性以及抗干扰性能，有效地解决了机械手的轨迹跟踪问题。本发明设计了一种基于模糊神经网络的机械手控制方案，在模糊神经网络参数的优化学习中通过粒子群离线搜索和BP算法在线调整相结合，提高了网络的学习速度和泛化能力。仿真研究表明，应用该控制方案，系统跟踪性能良好、有较好的适应性和稳定性。
最后应说明的是：虽然以上已经详细说明了本发明及其优点，但是应当理解在不超出由所附的权利要求所限定的本发明的精神和范围的情况下可以进行各种改变、替代和变换。而且，本发明的范围不仅限于说明书所描述的过程、设备、手段、方法和步骤的具体实施例。本领域内的普通技术人员从本发明的公开内容将容易理解，根据本发明可以使用执行与在此所述的相应实施例基本相同的功能或者获得与其基本相同的结果的、现有和将来要被开发的过程、设备、手段、方法或者步骤。因此，所附的权利要求旨在在它们的范围内包括这样的过程、设备、手段、方法或者步骤。
Claims (5)
1.一种基于模糊神经网络的机械手轨迹跟踪控制系统，其特征在于：信号采集器(1)连接有模糊神经网络控制器(2)的输入端，计算机(3)也与所述糊神经网络控制器(2)的输入端连接，所述糊神经网络控制器(2)的输出端连接信号处理器(4)，所述信号处理器(4)连接机械手模型(5)，所述信号采集器(1)与所述机械手模型(5)连接，所述机械手模型(5)连接有数据采集器(6)，所述数据采集器(6)与所述糊神经网络控制器(2)连接，所述糊神经网络控制器(2)的输出端通过信号返回器(7)连接有指示灯(8)，所述指示灯(8)设置在所述信号采集器(1)与所述模糊神经网络控制器(2)之间。
2.根据权利要求1所述基于模糊神经网络的机械手轨迹跟踪控制系统，其特征在于：所述机械手模型(5)包括基座(5-1)，所述基座(5-1)上设有支撑座(5-2)，所述支撑座(5-2)的上端通过第一旋转关节(5-3)连接有第一连杆(5-4)的一端，所述第一连杆(5-4)的另一端通过第二旋转关节(5-5)连接有第二连杆(5-6)的一端。
3.根据权利要求1所述基于模糊神经网络的机械手轨迹跟踪控制系统，其特征在于：两关节机械手由两个质量分别为m1和m2的所述第一连杆(5-4)和所述第二连杆(5-6)组成，所述第一连杆(5-4)的一端通过所述第一旋转关节(5-3)固定在基座上，另外一端通过所述第二旋转关节(5-5)和所述第二连杆(5-6)连接，可以任意运动，实现抓取、搬运的工作，电机的输入力矩τ1、τ2分别驱动机械手的所述第一旋转关节(5-3)和所述第二旋转关节(5-5)，使关节运动带动所述第一连杆(5-4)和所述第二连杆(5-6) 运动，两连杆在力矩作用下转过的角度分别为θ1、θ2，两关节相互配合机械手系统末端按照期望运动轨迹运动；
利用拉格朗日方法求解二连杆机械手系统的动力学方程，在忽略摩擦和干扰的情况下，两连杆机械手的动力学模型可以表示为如下形式：
其中
其中，τ为关节驱动力矩；M(θ)为惯性矩阵；
为离心力和哥氏力矩阵；G(θ)为重力效应矩阵。
4.根据权利要求1所述基于模糊神经网络的机械手轨迹跟踪控制系统，其特征在于：所述模糊神经网络控制器(2)的模糊神经网络结构分为五层结构，分为两个模糊神经网络子网；
第1层为模糊神经网络的输入层，该层有4个节点，输入范围分别是e1，ec1,e2，ec2变论域，它们的论域均为[-6,6]，节点的输入为：
kf1(i)＝xki (2)
其中i＝1,2；k＝1,2。xki表示第k个子网的第i个输入，kf1(i)表示第k个子网的第1层输出。
第2层为模糊神经网络的模糊化层，即隶属度函数生成层，每个输入e1，e2，ec1，ec2分为7个节点，即7个模糊语言集，分别为正大、正中、正小、零、负小、负中、负大，此层共有28个节点；采用Gaussian函数作为隶属函数，与7个模糊语言集对应的Gaussian函数的中心值分别为{6，4，2，0，-2，-4，-6},宽度均为2；
其中kcij和kbj分别表示第k个子网的第i个输入变量第j个模糊集合的中心值和宽度，kf2(i,j)表示第k个子网的第二层输出；
第3层为模糊神经网络的推理层，在此网络中用乘法代替取小运算；
kf3(i,j)＝kf2(1,i)kf2(1,j) (4)
其中i＝1,2,…,7；j＝1,2,…,7，kf3(i,j)表示第k个子网的第三层输出；
第4层为模糊神经网络的去模糊化层，采用加权平均法去模糊化；
其中kwij (3)表示第k个子网中三层与四层之间的连接权值系数；
第5层为模糊神经网络的输出层，该层表示机械手两关节之间耦合关系；
其中
表示四层与五层之间的权值系数，它反映了各关节间的耦合作用。
5.根据权利要求1所述基于模糊神经网络的机械手轨迹跟踪控制系统，其特征在于：
粒子群优化算法是一种基于群智能的演化计算技术，它由粒子之间的相互作用，从随机解出发，在搜索空间里智能寻找最优解；
假设粒子群为n维搜索空间，设第i个粒子的当前位置为Xi＝(xi1,xi2,…,xin)，当前速度为Vi＝(vi1,vi2,…,vin)，第i个粒子所经历过的最优适应值的位置，即个体最好位置为Pi＝(pi1,pi2,…,pin)；
设f(X)为最优的目标函数，则第i个粒子的Pi＝(pi1,pi2,…,pin)由(7)式确定：
设Pg(t)为在整个粒子群中搜索到的最好位置，即为全局最好位置，则
Pg(t)∈{P1(t),P2(t),…,Pm(t)}|f(Pg(t))＝min{f(P1(t)),f(P2(t)),…,f(Pm(t))} (8)
第i个粒子的当前位置和当前速度通过(9)式和(10)式更新：
vij(t+1)＝vij(t)+c1r1(pij(t)-xij(t))+c2r2(pgj(t)-xij(t)) (9)
xij(t+1)＝xij(t)+vij(t+1) (10)
其中i表示第i个粒子(i＝1,2,…,m)，j表示粒子的第j维(j＝1,2,…,n)，t表示当前进化代数，c1和c2为加速常数，通常在[0,2]之间取值，r1,r1∈[0,1]的均匀随机数；
从式(9)和式(10)可知，c1决定粒子在Pi方向上的飞行步长，c2决定粒子在Pg方向上的飞行步长，为避免粒子在更新过程中离开搜索空间，将vij限定在一定范围内，即vij∈[-vmax,vmax]；
基于粒子群优化算法的离线优化模糊神经网络参数搜索的具体步骤如下：
S1、对模糊神经网络结构进行初始化，确定网络结构中中心值kcij，宽度kbj，权值
的个数；
S2、随机初始设定粒子群的位置和速度；
S3、逐一输入粒子群中的粒子，计算出所有粒子的适应值；
S4、根据式(7)、式(8)比较适应值，确定粒子的个体最优值pbest和群体全局最优值gbest；
S5、根据式(9)优化粒子的速度，根据式(10)优化粒子的位置；
S6、若已获得足够好的适应值或达到预设的最大迭代次数，则转步骤S7，否则返回步骤S2继续搜索；
S7、结束。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010528606.8A CN111844020A (zh) | 2020-06-11 | 2020-06-11 | 基于模糊神经网络的机械手轨迹跟踪控制系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010528606.8A CN111844020A (zh) | 2020-06-11 | 2020-06-11 | 基于模糊神经网络的机械手轨迹跟踪控制系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111844020A true CN111844020A (zh) | 2020-10-30 |
Family
ID=72987241
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010528606.8A Pending CN111844020A (zh) | 2020-06-11 | 2020-06-11 | 基于模糊神经网络的机械手轨迹跟踪控制系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111844020A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112388620A (zh) * | 2020-11-23 | 2021-02-23 | 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 |
| CN114012733A (zh) * | 2021-11-29 | 2022-02-08 | 江苏科技大学 | 一种用于pc构件模具划线的机械臂控制方法 |
| CN115648227A (zh) * | 2022-12-27 | 2023-01-31 | 珞石（北京）科技有限公司 | 一种机器人运动轨迹神经网络模糊控制优化方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108255854A (zh) * | 2016-12-29 | 2018-07-06 | 南京南瑞继保电气有限公司 | 基于粒子群优化的模糊神经网络数据挖掘方法 |
| CN108772838A (zh) * | 2018-06-19 | 2018-11-09 | 河北工业大学 | 一种基于外力观测器的机械臂安全碰撞策略 |
-
2020
- 2020-06-11 CN CN202010528606.8A patent/CN111844020A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108255854A (zh) * | 2016-12-29 | 2018-07-06 | 南京南瑞继保电气有限公司 | 基于粒子群优化的模糊神经网络数据挖掘方法 |
| CN108772838A (zh) * | 2018-06-19 | 2018-11-09 | 河北工业大学 | 一种基于外力观测器的机械臂安全碰撞策略 |
Non-Patent Citations (1)
| Title |
|---|
| 王波等: "一种基于模糊神经网络的机器人轨迹跟踪控制", 《齐齐哈尔大学学报》 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112388620A (zh) * | 2020-11-23 | 2021-02-23 | 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 |
| CN114012733A (zh) * | 2021-11-29 | 2022-02-08 | 江苏科技大学 | 一种用于pc构件模具划线的机械臂控制方法 |
| CN115648227A (zh) * | 2022-12-27 | 2023-01-31 | 珞石（北京）科技有限公司 | 一种机器人运动轨迹神经网络模糊控制优化方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111844020A (zh) | 基于模糊神经网络的机械手轨迹跟踪控制系统 | |
| Velagic et al. | Neural network controller for mobile robot motion control | |
| CN105773623A (zh) | 基于预测型间接迭代学习的scara机器人轨迹跟踪控制方法 | |
| Abiyev et al. | Fuzzy control of omnidirectional robot | |
| CN102289204B (zh) | 基于确定学习理论的机械臂通用控制方法 | |
| Lu et al. | Adaptive self-constructing fuzzy neural network controller for hardware implementation of an inverted pendulum system | |
| Wu et al. | Position and posture control of planar four-link underactuated manipulator based on neural network model | |
| Boudjedir et al. | Fuzzy logic iterative learning control for trajectory tracking of parallel kinematic manipulators | |
| Jiang et al. | Mobile robot path planning based on dynamic movement primitives | |
| Hasan et al. | Neural networks’ based inverse kinematics solution for serial robot manipulators passing through singularities | |
| CN107894709A (zh) | 基于自适应评价网络冗余机器人视觉伺服控制 | |
| Zhou et al. | Adaptive network based fuzzy control of a dynamic biped walking robot | |
| Jiang et al. | Modelling and backstepping motion control of the aircraft skin inspection robot | |
| Jalaeian et al. | A dynamic-growing fuzzy-neuro controller, application to a 3PSP parallel robot | |
| Lei et al. | Vibration and trajectory tracking control of engineering mechanical arm based on neural network | |
| Du et al. | Adaptive fuzzy sliding mode control algorithm simulation for 2-DOF articulated robot | |
| Shen | Robotic trajectory tracking control system based on fuzzy neural network | |
| Cao et al. | Inverse kinematics solution of redundant degree of freedom robot based on improved quantum particle swarm optimization | |
| Yang et al. | A neural network approach to real-time motion planning and control of robot manipulators | |
| CN209942765U (zh) | 一种自适应神经网络自动猫道 | |
| Shaoming et al. | Research on trajectory tracking control of multiple degree of freedom manipulator | |
| Wang et al. | Fuzzy-neuro position/force control for robotic manipulators with uncertainties | |
| Ren et al. | Discrete-time parallel robot motion control using adaptive neuro-fuzzy inference system based on improved subtractive clustering | |
| Wang et al. | Learning from demonstration using improved dynamic movement primitives | |
| Bai et al. | Improve performances of a laser tracking system by adopting a modified fuzzy neural network controller |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201030 |
|
| RJ01 | Rejection of invention patent application after publication |