智能控制论文.docx

智能控制论文学 院信息科学与工程学院教 师 钱峰学 号 030120638姓 名 曹亮亮 目录摘 要 2关键词 3Abstract 3Key words 31 机器人智能控制技术的发展 31.1 机器人控制技术的发展 41.2 机器人智能控制的现状 42 机器人智能控制方法 52.1 机器人的模糊控制 52.2 机器人的神经网络控制 52.3 机器人智能控制技术的融合 63 结 语 8参考文献: 9摘 要 : 以介绍机器人控制技术的发展及机器人智能控制的现状为基础,叙述了模糊控制和 人工神经网络控制在机器人中智能控制的方法. 讨论了机器人智能控制中的模糊控制和变 结构控制,神经网络控制和变结构控制,以及模糊控制和神经网络控制等几种智能控制技术的融合. 并对模糊控制和神经网络控制等方法中的局限性作出了说明.关键词:机器人;智能控制;模糊控制;人工神经网络Abstract: to introduce the development of robot control technology and intelligent control of robot based on the status, the fuzzy control and neural network control in robot intelligent control methods were discussed. The intelligent control of variable structure control and fuzzy control, neural network control and variable structure control, fuzzy control and neural network control of intelligent control technology integration. And the fuzzy control and neural network control method limitations make the description.Key words : robot; intelligent control; fuzzy control; artificial neural network1 机器人智能控制技术的发展从机器人诞生到 20 世纪 80 年代初,机器人技术经历了一个长期缓慢的发展过程. 到了 20 世纪 90 年代,随着计算机技术、微电子技术、网络技术等的快速发展,机器人技术也得3到了飞速发展.智能机器人的研究是目前机器人研究中的热门课题 . 作为一门新兴学科,它 融合了神经生理学、心理学、运筹学、控制论和计算机技术等多学科思想和技术成果. 智能 控制的研究主要体现在对基于知识系统、模糊逻辑和人工神经网络的研究. 智能机器人可以 在非预先规定的环境中自行解决问题. 智能机器人的技术关键就是自适应和自学习的能力, 而模糊控制和神经网络控制的应用显示出诸多优势,具有广阔的应用前景.1.1 机器人控制技术的发展早期的机器人系统,由于需要完成的任务比较简单,而且对动态特性的要求不高,其系统 可看成是机器人各关节控制器简单的组合. 随着机器人技术的发展,机器人控制器对各关节 在整个过程中位置、速度及加速度都有一定的要求,因此可采用独立关节控制原则,在各关节 构成 PID 控制. 由于机器人操作臂是一个高度非线性的系统 ,工业用的低速操作臂应用常 规的 PID 反馈控制可以满足控制要求 ,但为实现高速运动,要求具有较好的控制品质, PID 反馈控制难以取得较好的控制效果 . 在传统的控制方法中 ,它们依赖数学模型. 但是,由于 操作臂的参数不能精确得到,模型参数与实际参数不匹配时 ,便会产生伺服误差. 当机器人 工作环境及工作目标的性质和特征在工作过程中随时间发生变化时,控制系统的特性有未知 和不定的特性. 这未知因素和不定性使控制系统性能降低. 因此,采用传统的控制方案已不 能满足控制要求.在研究被控对象的模型存在不确定性及未知环境交互作用较强情况下的控 制时,智能控制方法得到了成功的应用 . 近年来,随着人们对机器人高速高精度要求的不断 提高,使得整个机器人系统对其控制部分的要求也越来越高 ,开发具有智能的机器人已经成 为人们研究的热点。

1.2 机器人智能控制的现状近几年,机器人智能控制在理论和应用方面都有较大的进展在模糊控制方面，由J • J • Buckley等人论证了模糊系统的逼近特性；E • H • Mamdan首次 将模糊理论运用于一台实际机器人, 把模糊控制技术在机器人中的应用得以展现[1] . 而且, 模糊系统在机器人的建模、控制、对柔性臂的控制、模糊补偿控制、以及移动机器人路径规 划等各个领域都得到了广泛的应用在机器人神经网络控制方面,CMCA (Cere-bella Model Cont roller Articulation)是 应用较早的一种控制方法 , 它的最大特点是实时性好 , 尤其适应于多自由度操作臂的控 制用・T・Miller等［2］还进行了实验研究，验证了该方法的有效性.2 机器人智能控制方法2.1 机器人的模糊控制英国学者E・H・Mamdani在1974年首次成功地将模糊集理论运用于工业锅炉的过程控 制之中, 并于 20 世纪 80 年代初又将模糊控制引进到机器人的控制中. 被控对象是一个具 有两个旋转关节的操作臂,每个关节由直流电动机驱动. 关节的实际转角通过测速发电机由 A/ D 转换电路获得, 其角速度通过 SOC 的记忆存储器编程来实现. 其主要是对操作臂模糊 控制系统, 分别进行阶跃响应测试和跟踪控制试验. 控制结果证明了模糊控制方案具有可行 性和优越性.由Lin CM等人［3 ］提出了在模糊控制器结构的基础上，引入PI调节机制达到对阶跃输 入的快速响应和达到消除隐态误差的效果. 通过相平面上对两种不同区域的启发性分类,可 得到一组简单的模糊规则， 从而简化了模糊规则库和算法， 使最终的控制器易于实现. 该控 制方案通过仿真实验得到验证.由邓辉等人［4 ］提出了一种基于模糊聚类和滑模控制的模糊逆模型控制方法，并将其应 用于动力学方程未知的机械手轨迹控制. 采用 c 均值聚类算法构造两关节机械手模糊模型， 并由此构造模糊系统的逆模型. 在提出的模糊逆模型控制结构中，离散时间滑模控制和时延 控制用于补偿模糊建模误差和外扰动， 保证系统全局稳定性，并改善其动态和稳态性能. 系 统稳定性和轨迹误差的收敛性，通过稳定性定理得到证明.2.2 机器人的神经网络控制神经网络的研究20 世纪60 年代，并在20 世纪80 年代得到了快速的发展. 近几年来， 神经网络研究的目标是复杂的非线性系统的识别和控制等方面，神经网络在控制应用上具有以下特点:能够充分逼近任意复杂的非线性系统;能够学习与适应不确定系统的动态特性;有5很强的鲁棒性和容错性等. 因此,神经网络对机器人控制具有很大的吸引力.在机器人的神经网络动力学控制方法中,典型的是计算力矩控制和分解运动加速度控制, 前者在关节空间闭环,后者在直角坐标空间闭环. 在基于模型计算力矩控制结构中 ,关键是 逆运动学计算,为实现实时计算和避免参数不确定性 ,可通过神经网络来实现输入输出的非 线性关系. 对多自由度的机器人手臂,输入参数多,学习时间长,为了减少训练数据样本的个 数,可将整个系统分解为多个子系统,分别对每个子系统进行学习,这样就会减少网络的训练 时间,可实现实时控制.由 Albus 提出了一种基于人脑记忆和神经肌肉控制模型的控制机器人关节控制方法 , 即 CM-CA 法 . 该方法以数学模块为基础 , 采用查表方式产生一个以离散状态输入为响应的 输出矢量. 在控制中,状态矢量输入来自机器人关节的位置与速度反馈 ,输出矢量为机器人 驱动信号. 也可以利用 CMCA 模拟机器人动力学方程,计算实现期望运动所需力矩作为前反 馈控制力矩,采用自适应反馈控制消除输入扰动及参数变化引起的误差.经过仿真实验证明, 经过 4 个控制周期后,控制过程的误差趋近于零。

F.L. Lewis 基于无源理论,提出了一类网络利用功能连接神经网络逼近机器人动力学 模型,连接权调整方法,可保证神经网络自适应控制算法闭环稳定.2.3 机器人智能控制技术的融合(1) 模糊控制和变结构控制的融合在模糊变结构控制器 (FVSC) 中,许多学者把变结构框架中的每个参数或是细节采用模 糊系统来逼近或推理,仿真实验证明该方法比 PID 控制或滑模控制更有效.在设计常规变结构控制律时,若函数系数取得很大,系统就会产生很多的抖振,如果用引 入边界层方法消除抖振,就会产生很大的误差 ;若该系数取较小值 ,鲁棒性就会变差. 因此, 金耀初等人［5］提出了通过引入模糊系统来动态预测和估计系统中不确定量的方法. 模糊系 统中的输入分为两种:一种为系统的综合偏差模糊值 ;另一种为偏差增量模糊值. 它的输出 是对上述函数中的系数进行模糊估值. 仿真结果表明抖振现象得到了抑制 . 还有人在初始 建模阶段采取模糊系统辨识,其后在变结构控制中对动力学模型进行自适应学习. 在这种控 制方案中,模糊控制和变结构控制之间的界限很清晰,从仿真结果看,控制性能也较好.(2) 神经网络和变结构控制的融合神经网络和变结构控制的融合一般称为 NNVSC. 实现融合的途径一般是利用神经网络 来近似模拟非线性系统的滑动运动,采用变结构的思想对神经网络的控制律进行增强鲁棒性 的设计,这样就可避开学习达到一定的精度后神经网络收敛速度变慢的不利影响. 经过仿真 实验证明该方法有很好的控制效果. 但是由于变结构控制的存在 ,系统会出现力矩抖振.牛 玉刚等人［6］将变结构控制和神经网络的非线性映射能力相结合 ,提出了一种基于神经网络 的机械手自适应滑模控制器. 如果考虑利用滑模控制技术,需要知道系统的不确定性的上界, 但在实际应用中,许多系统的不确定界却难以得到 .因此利用神经网络估计系统的不确定性 的未知界,克服了常规滑模控制需要已知不确定性界的限制,但是由于滑模控制的存在,就有 抖振现象,为了消除抖振,可用 S 型函数代替符号函数 . 经过仿真实验,该控制器能够有效 的补偿系统不确定性的影响,保证机器人系统对期望轨迹的快速跟踪.(3) 模糊控制和神经网络控制的融合模糊控制和神经网络控制的融合,一般称为模糊神经网络( Fuzzified neural network) 或神经网络模糊控制器(neuro-fuzzy cont roller).模糊系统和人工神经网络相结合实现对控制对象进行自动控制，是由美国学者B・Kosko 首先提出的［7］ . 模糊系统和神经网络都属于一种数值化和非数学模型函数估计器的信息 处理方法，它们以一种不精确的方式处理不精确的信息. 模糊控制引入了隶属度的概念，即 规则数值化，从而可直接处理结构化知识;神经网络则需要大量的训练数据，通过自学习过程， 借助并行分布结构来估计输入与输出间的映射关系 . 虽然模糊控制与神经网络处理模糊信 息的方式不同， 但仍可以将二者结合起来. 利用模糊控制的思维推理功能来补充神经网络的 神经元之间连接结构的相对任意性;以神经网络强有力的学习功能来对模糊控制的各有关环 节进行训练. 可利用神经网络学习模糊集的隶属度函数，实现其推理过程以及模糊决策 等. 在整个控制过程中， 两种控制动态地发生作用， 相互依赖.王洪斌等人针对机器人逆运动学问题提出了基于模糊神经网络的解决方案 . 该方案对 二自由度刚性机器人进行仿真实验，证明了其有效性和可行。