基于多层前馈神经网络的自适应鲁棒控制器.docxVIP

基于多层前馈神经网络的自适应鲁棒控制器 摘要：在工业机械臂系统的跟踪控制过程中，由于其结构和工作环境复杂，导致难以建立精确的系统模型，针对此问题提出了基于多层前馈神经网络的自适应鲁棒控制器。通过神经网络在线估计机械臂系统动力学模型，并在控制器中进行补偿，同时设计了一个在线更新的鲁棒项克服神经网络的重构误差;考虑机械臂实际系统的输出约束，采用障碍李雅普诺夫函数设计控制律并证明系统的稳定性从而使系统满足约束条件。仿真实验结果表明:在约束条件下所提出的控制器能够实现系统的一致最终有界稳定，且跟踪性能良好，并具有很好的抗干扰和自适应能力。 机械臂的高精度运动控制在当今工业自动化领域中起着重要作用。随着计算机技术和控制理论的飞速发展，基于模型的控制方法逐渐成为机械臂控制的主流方法，如反馈线性化控制方法神经网络已经被证明是处理系统参数不确定性和复杂外部干扰的有力工具另一方面，机械臂的约束控制问题正在成为控制界的关注热点。考虑到机械臂系统在实际工程中存在的各种约束问题，往往要对系统的输出或者某个状态进行约束。另外，为了提高机械臂的控制精度和收敛速度，也要对系统的输出加以约束本文通过在反步控制中引入障碍李雅普诺夫函数实现输出约束，不仅提高了机械臂的控制精度和收敛速度，同时进一步降低了控制器的增益。另外，通过在鲁棒项中使用双曲正切函数，避免了出现符号函数，以获得光滑的控制律。1 问题描述和预备知识1.1 符号和定义这里定义一些在本文中常用的符号:R表示实数，R1.2 问题描述对于n自由度的刚性机器人系统，其动力学模型可以表示如下:式中，q∈R特性1:惯性矩阵D(q)是一个对称且正定的矩阵;1.3 控制目标与假设控制目标是为机器人系统设计一个鲁棒性较强的控制器，使其可以跟踪上预定的期望轨迹，并且它的输出是有界的，基于目标给出如下假设:假设1:假设外部干扰d统一有界，即存在一个常数假设2:假设期望跟踪轨迹已知，且是连续有界的。1.4 相关引理引理1引理2:在引理1的基础上，下面的不等式成立:引理3引理4:不等式2 控制器设计根据系统的动力学方程式(1)，如果定义x定义期望轨迹x式中，α=2.1 基于系统模型的反馈线性化控制器设计选择障碍李雅普诺夫函数:对李雅普诺夫函数求导得:选择第二个李雅普诺夫函数:V求导可得:设计基于模型的反馈线性化(FDL)控制器如下:代入式(11)中可得:式中，K2.2 基于多层前馈神经网络的控制器设计由于模型参数和扰动未知，用一个前馈神经网络来近似这些不确定项，设计自适应神经网络鲁棒控制器如下:式中，u将式(14)代入设计神经网络的权值自适应律:γ设计ξ2.3 稳定性证明定义李雅普洛夫函数:对李雅普诺夫函数求导得:代入式(20)～式(22)，并由引理4可得:由引理3和引理5可得:其中:为了确保ρ0,k由式(27)可知，闭环系统的跟踪误差和神经网络的权值参数一致最终有界，并且可以通过调节设计参数使跟踪误差收敛到零附近的一个任意大小的领域内。图1为自适应神经网络鲁棒控制器的控制策略。3 仿真研究为了验证所提出控制器的有效性，以2自由度的机械臂为例进行了模拟仿真实验，其系统矩阵可以表示为在所有仿真中，机械臂的期望跟踪轨迹选择为q为了对比所设计的控制器的控制效果，在仿真中选择反馈线性化(FDL)控制器(12)以及文献控制器参数的设置:取低增益时，k(1)对比三种控制器分别在有无扰动时的跟踪性能。图3和图4为无扰动时约束控制器在低增益下的仿真结果，图5～图8为有扰动时约束控制器在低增益下的仿真结果。其中图8中纵坐标f是式(15)中的系统真值，fn是式(16)中的神经网络的估计值。表1为有扰动时仿真数据的性能指标，M结论:(1) ANNRC无论是在有扰动时还是无扰动时，它的跟踪性能和收敛速度都要远远优于FDL和AC，这得益于所引入的前馈神经网络和约束控制;(2)相比于AC,ANNRC对时变扰动依然能有很好的处理能力;(3)相比于FDL和AC,ANNRC的控制律更为光滑。(2)测试控制器增益和初始条件对系统约束的影响。图9、图10分别为有扰动时无约束控制器在低增益下和高增益下的仿真结果;图11为位置初始条件e结论:(1)无约束时控制器明显产生了违规输出，且跟踪性能下降;(2)增大增益时，无约束控制器的跟踪性能有所改善，但是跟踪性能还不如约束控制器在低增益下的表现;(3)在给定初始条件e4 结束语以反步控制理论为基础，引入障碍李雅普诺夫函数实现输出约束，介绍了一种自适应神经网络鲁棒控制器，利用神经