论文部分内容阅读
机械臂轨迹跟踪控制是机械臂运动控制的重要内容。机械臂控制系统是一种极其复杂的不确定非线性系统，具有多变量、强耦合等特点，轨迹跟踪控制要求机械臂按照给定的期望轨迹运动。基于RBFNN(Radial Basis Function Neural Networks,径向基函数神经网络)的MRAC(Model Reference Adaptive Control,模型参考自适应控制)既具有RBFNN的强大的动态逼近能力以及自适应能力，又能够提高控制的实时性和抗干扰性，因此在非线性控制中得以广泛应用。但是传统的基于K-means聚类算法的RBFNN学习算法对算法的初值非常敏感，且要求预先给定全部输入样本以及径向基函数的数目。针对初值敏感性问题，本文对基于K-means聚类的RBFNN学习算法进行改进，运用基于EC-RBF(Entropy Clustering-Radial Basis Function,熵聚类的径向基函数)的神经网络学习算法来训练RBFNN。通过采用这种改进的方法，实现机械臂运动学逆解的神经网络求解。将该改进算法应用到机械臂神经网络模型参考自适应控制(Neural Networks Model ReferenceAdaptive Control,NNMRAC)系统的两个RBFNN的学习当中，实现未知的机械臂动力学模型辨识及其轨迹跟踪控制。并与传统K-means聚类算法作比较，仿真结果表明改进算法更具有效性和优越性。主要研究内容如下：(1)研究了RBFNN的基本原理和结构，以及基于熵聚类的RBFNN改进学习算法，即EC-RBF。利用熵聚类优化传统K-means聚类初值以及确定聚类数目，确定RBFNN网络结构，增强神经网络的响应能力及其泛化能力。(2)研究了两种不同机械臂运动学方程的建立，利用EC-RBF学习算法训练RBFNN，实现机械臂运动学逆解的神经网络求解；分析并建立SCARA型工业机械臂动力学方程。仿真结果表明，与传统K-means聚类方法相比，利用EC-RBF学习算法训练的RBFNN对机械臂运动学逆解有更高的求解精度，且网络学习速度更快。(3)研究了运用EC-RBF学习算法进行训练的RBFNN在机械臂模型辨识中的应用。构造RBFNNI(Radial Basis Function Neural Networks Identification,径向基函数神经网络辨识器)，利用EC-RBF学习算法对其进行学习，实现对未知机械臂的动力学模型离线辨识。仿真结果表明，该RBFNNI具有良好的模型辨识能力，能够较准确的逼近机械臂动力学模型。(4)研究了基于EC-RBF学习算法的RBFNN在机械臂轨迹跟踪控制中的应用。设计NNMRAC系统，利用RBFNNI辨识结果代替未知机械臂模型，用一个RBFNNC(RadialBasis Function Neural Networks Control,径向基函数神经网络控制器)实现系统控制。两个RBFNN采用EC-RBF学习算法进行在线学习和调整。仿真结果表明，与传统K-means聚类方法相比，基于EC-RBF学习算法的RBFNN在机械臂轨迹跟踪控制中跟踪效果更好。