基于RBF神經網絡的機械臂運動控制算法及應用研究.pdf

1、機械臂軌跡跟蹤控制是機械臂運動控制的重要內容。機械臂控制系統(tǒng)是一種極其復雜的不確定非線性系統(tǒng),具有多變量、強耦合等特點,軌跡跟蹤控制要求機械臂按照給定的期望軌跡運動?；赗BFNN(Radial Basis Function Neural Networks,徑向基函數神經網絡)的MRAC(Model Reference Adaptive Control,模型參考自適應控制)既具有RBFNN的強大的動態(tài)逼近能力以及自適應能力,又能夠提高控

2、制的實時性和抗干擾性,因此在非線性控制中得以廣泛應用。但是傳統(tǒng)的基于K-means聚類算法的RBFNN學習算法對算法的初值非常敏感,且要求預先給定全部輸入樣本以及徑向基函數的數目。針對初值敏感性問題,本文對基于K-means聚類的RBFNN學習算法進行改進,運用基于EC-RBF(Entropy Clustering-Radial Basis Function,熵聚類的徑向基函數)的神經網絡學習算法來訓練RBFNN。通過采用這種改進的方法

3、,實現機械臂運動學逆解的神經網絡求解。將該改進算法應用到機械臂神經網絡模型參考自適應控制(Neural Networks Model Reference Adaptive Control,NNMRAC)系統(tǒng)的兩個RBFNN的學習當中,實現未知的機械臂動力學模型辨識及其軌跡跟蹤控制。并與傳統(tǒng)K-means聚類算法作比較,仿真結果表明改進算法更具有效性和優(yōu)越性。主要研究內容如下:
　　(1)研究了RBFNN的基本原理和結構,以及基于熵

4、聚類的RBFNN改進學習算法,即EC-RBF。利用熵聚類優(yōu)化傳統(tǒng)K-means聚類初值以及確定聚類數目,確定RBFNN網絡結構,增強神經網絡的響應能力及其泛化能力。
　　(2)研究了兩種不同機械臂運動學方程的建立,利用EC-RBF學習算法訓練RBFNN,實現機械臂運動學逆解的神經網絡求解;分析并建立SCARA型工業(yè)機械臂動力學方程。仿真結果表明,與傳統(tǒng)K-means聚類方法相比,利用EC-RBF學習算法訓練的RBFNN對機械臂運動

5、學逆解有更高的求解精度,且網絡學習速度更快。
　　(3)研究了運用EC-RBF學習算法進行訓練的RBFNN在機械臂模型辨識中的應用。構造RBFNNI(Radial Basis Function Neural Networks Identification,徑向基函數神經網絡辨識器),利用EC-RBF學習算法對其進行學習,實現對未知機械臂的動力學模型離線辨識。仿真結果表明,該RBFNNI具有良好的模型辨識能力,能夠較準確的逼近機械臂

6、動力學模型。
　　(4)研究了基于EC-RBF學習算法的RBFNN在機械臂軌跡跟蹤控制中的應用。設計NNMRAC系統(tǒng),利用RBFNNI辨識結果代替未知機械臂模型,用一個RBFNNC(Radial Basis Function Neural Networks Control,徑向基函數神經網絡控制器)實現系統(tǒng)控制。兩個RBFNN采用EC-RBF學習算法進行在線學習和調整。仿真結果表明,與傳統(tǒng)K-means聚類方法相比,基于EC-RB