智能控制论文.docVIP

自动化121刘万方 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 network 1 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,W·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