-
關鍵詞：
模糊神經(jīng)網(wǎng)絡
機器人
- 摘要：機器人在從事裝配、空間對接、醫(yī)療手術等與環(huán)境有接觸的作業(yè)時，需要機器人進行位置控制，以達到最佳的作業(yè)效果，本文介紹了一種基于模糊神經(jīng)網(wǎng)絡的機器人位置控制系統(tǒng)。本文將模糊控制與神經(jīng)網(wǎng)絡相結合，利用神經(jīng)網(wǎng)絡實現(xiàn)模糊推理，并用于兩關節(jié)機器人的軌跡跟蹤控制。仿真結果表明，該網(wǎng)絡對機器人軌跡跟蹤控制具有很好的效果，是一種行之有效的控制方法
0 前言
近幾年來，隨著機器人技術與控制技術的發(fā)展，機器人在日常生活和工農(nóng)業(yè)生產(chǎn)中得到廣泛應用。機器人對象是一個非線性、強耦合的多變量系統(tǒng)，在運動過程中．由于存在摩擦、負載變化等不確定因素，因而它還是一個時變系統(tǒng)。傳統(tǒng)的機器人控制技術大多是基于模型的控制方法，無法得到滿意的軌跡跟蹤效果模糊控制和神經(jīng)網(wǎng)絡等人工智能的發(fā)展為解決機器人軌跡跟蹤問題提供了新的思路。普通模糊控制的控制規(guī)則大部分是人們的經(jīng)驗總結。不具備自學習、自適應的能力，往往還受到人的主觀性的影響。因此不能很好地控制時變不確定的系統(tǒng)。
在近幾十年里，基于模糊邏輯開發(fā)的模糊系統(tǒng)已經(jīng)成為非常活躍的領域，一些算法已在復雜系統(tǒng)的控制器設計中顯示出相當?shù)哪芰Γ夷：龜?shù)學理論也對構造知識模型提供了極其優(yōu)越的工具。
由于神經(jīng)網(wǎng)絡具有良好的自學習、自適應、聯(lián)想等智能，能適應系統(tǒng)復雜多變的動態(tài)特性。模糊控制和神經(jīng)網(wǎng)絡的結合成為學者研究的重點。這方面的研究最早起源于歐美國家，但在80年代末期卻在日本取得了相對大的發(fā)展。目前，在知識和信息處理領域，他獨立于模糊邏輯和神經(jīng)網(wǎng)絡技術，已經(jīng)達到了一個特有的研究階段。模糊和神經(jīng)網(wǎng)絡技術的融合客服了神經(jīng)網(wǎng)絡和模糊邏輯在知識處理方面的缺點，具有進行數(shù)據(jù)監(jiān)督學習、處理經(jīng)驗知識及基于語言表達的在線學習等功能。利用神經(jīng)網(wǎng)絡非線性映射、自學習能力來調(diào)整模糊控制。使模糊控制具有一定的自適應能力，同時也使神經(jīng)網(wǎng)絡獲得了模糊控制的推理歸納能力。本文對模糊神經(jīng)網(wǎng)絡在機器人控制中的應用進行研究，提出了一種模糊神經(jīng)網(wǎng)絡的機器人軌跡跟蹤控制。仿真結果表明，該控制方法能很好地對機器人軌跡進行跟蹤。
1 機器人控制系統(tǒng)建立
本系統(tǒng)中，立體定位系統(tǒng)作為主要數(shù)據(jù)輸入通道，用于精確獲取目標位置與機器人之間精確的相對位置。隨后將這些現(xiàn)場實時空間信息融入先前建立的空間模型。期間需要確定前模型與實際的三維空間變換關系，即配準。
然后，機器人根據(jù)計算機輔助系統(tǒng)制定的運動計劃進行運動操作。運動中，立體定位系統(tǒng)通過對機器人與目標空間位置的不斷采集，結合機器人多軸控制器進行視覺控制。機器人控制系統(tǒng)如圖1所示。框圖中輸入為機器人行走驅動伺服電機的反饋電流，輸出為機器人的行走速度，由伺服調(diào)速實現(xiàn)。
圖1 機器人控制系統(tǒng)
本文設計的機器人為六自由度機器人：三個轉動三個平動。機器人的六自由度協(xié)同完成空間運動。考慮到設計的機器人屬于小型機器人，希望盡量減輕重量。這樣一來，由于剛度下降而要求限定機構整體負載，同時還要考慮機構高速運動時的穩(wěn)定性。而且，該多自由度機構的剛度設計取決于運動的速度與方向。
2模糊神經(jīng)網(wǎng)絡
2.1控制系統(tǒng)結構
結合機器人定位系統(tǒng)構建控制系統(tǒng)結構如圖2所示，將機器人位置作為被控制量。
圖2 模糊神經(jīng)PID控制結構圖
圖中e和ec分別為誤差和誤差變化率，輸入r為機器人位置，輸出y為機器人實際輸出。
2.2 模糊神經(jīng)網(wǎng)絡的結構
該模糊神經(jīng)網(wǎng)絡為4層，如圖3所示。第l層為輸入層；第2層為模糊化層；第3層為模糊推理層；第4層為輸出層。模糊神經(jīng)網(wǎng)絡結構為2–6–6–3。
圖 3. 模糊RBF神經(jīng)網(wǎng)絡的結構
(l)輸入層。該層將輸入誤差e和系統(tǒng)實際輸出y(k)作為下一層的輸入。活化函數(shù)為：f(x)=x
因此本層的輸出為e和y(k)
(2)模糊化層。活化函數(shù)即為該隸屬度函數(shù)。因此，輸出為：
其中，i=l，2;j=l，2，...6。cij和bij分別為高斯函數(shù)第i個輸入變量的第j個模糊集合的隸屬函數(shù)的均差和標準差。
（3）模糊推理層。將上層中的模糊量經(jīng)過兩兩相乘，得到這一層的輸出值。因此，本層的活化函數(shù)，即輸出為：
這里 k=l，2，3，4，5，6。
(4)輸出層。這一層要輸出的就是PID控制器的參數(shù)，本層的輸出值就是將權值以矩陣乘的方式，乘以第3層的輸出。因此，本層的輸出為：
增量式PID控制的控制量為
目標函數(shù)為：
其中 r(k) 為期望輸出。
2.3 魯棒控制器
為保證閉環(huán)系統(tǒng)的穩(wěn)定性和良好的控制效果,實時控制器由一個模糊神經(jīng)網(wǎng)絡控制器NNC和一個魯棒控制器RC組成。這兩個控制器的輸出信號通過加權綜合后,作為系統(tǒng)的控制輸入[8-10]，構成一個變魯棒控制器u(k)：
式中：un(k)為NNC的輸出；ur(k)為魯棒控制器的輸出；γ為系統(tǒng)模型NNI的辨識精度，稱為魯棒因子。γ的表達形式為：
式中：τ為魯棒因子的變魯棒系數(shù)；Em為NNI輸出與系統(tǒng)實際輸出之差的平方。
3系統(tǒng)仿真研究
為了驗證所提出的模糊神經(jīng)網(wǎng)絡控制算法的有效性，在MATLAB中創(chuàng)建模糊神經(jīng)網(wǎng)絡，利用隸屬函數(shù)和模糊規(guī)則將抽象的模糊規(guī)則轉化為模糊神經(jīng)網(wǎng)絡的訓練樣本，隱層采用在任意點可微的Tansig作為傳遞函數(shù)，輸出層采用常用非負的Sigmoid函數(shù)。
采用常規(guī)PID控制和模糊神經(jīng)網(wǎng)絡控制時，系統(tǒng)階躍信號的響應曲線。圖3為常規(guī)PID控制器和模糊神經(jīng)網(wǎng)絡控制器對正弦信號跟蹤的誤差響應曲線，通過對比可知：模糊神經(jīng)網(wǎng)絡控制器在動態(tài)性能方面明顯優(yōu)于常規(guī)PID控制器，可將正弦響應誤差從0.02 rad降至0.001 rad。
（a）PID 控制
（b）模糊神經(jīng)網(wǎng)絡控制
圖 3 系統(tǒng)正弦誤差響應曲線
4 結論
本文將模糊控制與神經(jīng)網(wǎng)絡相結合，設計一種基于模糊神經(jīng)網(wǎng)絡的機器人位置控制系統(tǒng)，并將其運用到機器人軌跡跟蹤控制系統(tǒng)中。仿真結果表明，該控制系統(tǒng)能夠有效地克服機器人系統(tǒng)中存在的非線性、耦合等因素的影響，是一種很好的控制方法。
