一种基于Scara机械臂的神经网络优化控制方法技术

本发明专利技术涉及一种基于Scara机械臂的神经网络优化控制方法，属于机械臂智能控制技术领域，本发明专利技术首先对Scara机械臂系统进行建模，给定关节的参考运动轨迹，设计稳态控制，保证机械臂总体跟上参考轨迹；给定关于位置和速度跟踪误差的性能指标，应用基于强化学习的三层神经网络学习最优的性能指标函数，得到神经网络近似反馈控制；基于神经网络逼近方法，根据稳态控制和近似反馈控制，设计机械臂的神经网络优化控制器，使给定的关于位置和速度的跟踪误差性能指标最小，消除机械臂运行过程中的超调和抖震，有效实现机械臂平稳运行和性能提升，实现机械臂位置速度的超调和抖震最小、能耗最低的跟踪效果。低的跟踪效果。低的跟踪效果。

【技术实现步骤摘要】
一种基于Scara机械臂的神经网络优化控制方法


[0001]本专利技术涉及一种基于Scara机械臂的神经网络优化控制方法，属于机械臂智能控制


技术介绍

[0002]在传统的机械臂控制方法主要有PID控制、滑膜控制等，这些方法控制过程中不大考虑机械臂运行时速度和位置的稳定性和能耗大小，机械臂运行时会出现位移或者速度超调过大、抖震过强等缺点，会严重影响机械臂的产品性能。为了克服这些缺陷，本专利技术应用基于强化学习的神经网络逼近方法，设计机械臂的神经网络优化控制器，使给定的关于位置和速度的跟踪误差性能指标最小，消除机械臂运行过程中的超调和抖震，有效实现机械臂平稳运行和性能提升。

技术实现思路

[0003]本专利技术的目的是设计一种基于Scara机械臂的神经网络优化控制方法，具体的说首先需要对Scara机械臂系统进行建模，给定位置、速度参考信号，根据跟踪误差和系统输入建立性能指标函数，一般最优的性能指标函数往往难以获得。本专利技术应用三层神经网络方法逼近哈密尔顿
‑
雅克比
‑
贝尔曼方程下的最优性能指标函数，应用一种新的自适应方法更新多层神经网络权值，直接用于Sacra机械臂的优化控制器设计，保证机械臂实现预定轨迹运行的同时，实现运行过程中超调最小、能耗最低。
[0004]为达到上述目的，本专利技术是通过以下技术方案实现的：
[0005]一种基于Scara机械臂的神经网络优化控制方法，该方法首先应用多层神经网络逼近Scara机械臂系统的性能指标函数和自适应律更新隐含层神经网络权值；其次根据多层神经网络设计机械臂反馈控制；再根据稳态控制和机械臂反馈控制设计神经网络化控制器；最后根据控制器求解输入力矩，调节电机电压，
[0006]具体步骤如下：
[0007]步骤一、建立Scara机械臂的数学模型，
[0008]对被Scara机械臂模型进行分析，并按照欧拉
‑
拉格朗日公式，根据机械臂的结构和物理定律，建立Scara机械臂的数学模型。建立该模型是为了基于该模型设计神经网络优化控制器。所述数学模型如下：
[0009][0010]其中，表示机械臂关节的角位置，n表示机械臂自由度数量，表示机械臂关节的角速度，机械臂关节的角加速度，M(q)表示机械臂的可逆惯性矩阵，表示向心力向量或者科氏力，G(q)为与重力有关的向量，为需要设计的输入力矩，注意每个自由度需要一个输入控制。
[0011]步骤二、设计稳态控制器，
[0012]基于机械臂系统和参考运动轨迹设计稳态控制，稳态控制的目的是使机械臂关节总体按预定轨迹运行，但是未对跟踪性能进行优化。步骤三将对跟踪性能进行优化。
[0013]给定机械臂关节转角的参考运动轨迹q
d
，为了是机械臂关节总体按给定轨迹运行，设计稳态控制器为
[0014][0015]步骤三、根据给定于跟踪误差的性能指标，应用神经网络逼近最优性能指标，设计神经优化控制器，实现跟踪的快速性、稳定性和低能耗性，
[0016]定义跟踪误差给定关于机械臂关节位置和速度跟踪误差的性能指标为
[0017][0018]其中为效用函数，u
e
为近似反馈控制，主要功能是实现累积误差最小和能耗最低。Q和R分别是维数与跟组误差e和近似反馈控制u
e
相匹配的正定对称矩阵。最优的性能指标函数可以表示为
[0019][0020]机械臂系统(1)的误差动态方程可以表示成一般的系统方程形式为
[0021][0022]针对机械臂系统(5)设计近似反馈控制u
e
最小化性能指标函数(3)。则哈密尔顿
‑
雅克比
‑
贝尔曼方程可以构建为
[0023][0024]其中一般来说难以求解，本专利技术用三层神经网络逼近为：
[0025][0026][0027]其中，为神经网络权重收敛后的值,φ(Z)＝tanh(Z)为隐层激活函数，ε(e)为逼近误差。是随机给定的[
‑
1,1]之间隐层和输入层之间的神经网络权值，k表为隐层神经元个数，κ(e)为神经网络输入。
[0028]本专利技术定义是W的近似值，为的近似值，则可得
[0029][0030][0031]则可得近似的哈密尔顿
‑
雅克比
‑
贝尔曼方程
[0032][0033]式中e
h
表示冗余误差。为了设计近似神经网络权值的自适应律，给定下列目标函
数：
[0034][0035]则近似神经网络权值的自适应律设计为：
[0036][0037]式中η＞0是学习增益，
[0038]令可得近似神经网络优化反馈控制u
e
：
[0039][0040]最后，可由稳态控制(2)和近似神经网络优化反馈控制(12)，设计近似神经网络优化控制器u(t)为：
[0041]u(t)＝u
d
+u
e
ꢀꢀꢀ
(13)
[0042]有益效果
[0043]本专利技术所述的机械臂神经网络优化控制方法有如下有益效果：
[0044]1、本专利技术一种基于Scara机械臂的神经网络优化控制方法可实现机械臂各关节角位置和速度超调较小、抖震较低的跟踪效果；
[0045]2、本专利技术一种基于Scara机械臂的神经网络优化控制方法能够实现机械臂整体跟踪过程中能耗较低，时间较短。
[0046]本专利技术针对Scara机械臂系统，设计稳态控制实现机械臂的总体跟踪效果；应用基于强化学习的多层神经网络逼近关于跟踪误差的性能指标，设计神经网络近似反馈控制；根据稳态控制和近似反馈控制设计神经网络优化控制器，实现机械臂关节超调较小、抖震较低、能耗较小的跟踪效果。
附图说明
[0047]图1为本专利技术一种基于Scara机械臂的神经网络优化控制方法的机械臂神经网络优化控制系统结构图。
[0048]图2为本专利技术一种基于Scara机械臂的神经网络优化控制方法的Scara机械臂实体模型。
[0049]图3为本专利技术一种基于Scara机械臂的神经网络优化控制方法的隐含层神经网络权值W的收敛效果图。
[0050]图4为本专利技术一种基于Scara机械臂的神经网络优化控制方法的关节一位置和速度跟踪效果图。
[0051]图5为本专利技术一种基于Scara机械臂的神经网络优化控制方法的关节二位置和速度跟踪效果图。
[0052]图6为本专利技术一种基于Scara机械臂的神经网络优化控制方法的关节一和二的跟踪误差图。
[0053]图7为本专利技术一种基于Scara机械臂的神经网络优化控制方法的神经网络优化控制策略。
[0054]图8为本专利技术一种基于Scara机械臂的神经网络优化控制方法的神经网络近似反馈控制策略。
[0055]标号说明
[0056]1‑
工控机；2
...

【技术保护点】

【技术特征摘要】
1.一种基于Scara机械臂的神经网络优化控制方法，其特征在于：首先应用多层神经网络逼近Scara机械臂系统的性能指标函数和自适应律更新隐含层神经网络权值；其次根据多层神经网络设计机械臂反馈控制；再根据稳态控制和机械臂反馈控制设计神经网络化控制器；最后根据控制器求解输入力矩，调节电机电压。2.如权利要求1所述的基于Scara机械臂的神经网络优化控制方法，其特征在于，所述方法具体步骤如下：步骤一、建立Scara机械臂的数学模型，对Scara机械臂进行分析，并根据机械臂的结构和物理定律利用欧拉
‑
拉格朗日公式，可知Scara机械臂的数学模型：其中，表示机械臂关节的角位置，表示机械臂关节的角速度，机械臂关节的角加速度，n表示机械臂自由度数量，M(q)表示机械臂的可逆惯性矩阵，表示向心力向量或者科氏力，G(q)为重力向量，为输入力矩；步骤二、设计稳态控制器，基于机械臂系统和参考运动轨迹设计稳态控制，给定机械臂关节转角的参考运动轨迹q
d
，则稳态控制器为：步骤三、根据给定于跟踪误差的性能指标，应用神经网络逼近最优性能指标，设计神经优化控制器，定义跟踪误差给定关于机械臂关节位置和速度跟踪误差的性能指标为V(e)＝∫
t∞
r(e(τ),u
e
(τ))dτ
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3...

【专利技术属性】
技术研发人员：吕永峰，田建艳，
申请(专利权)人：太原理工大学，
类型：发明
国别省市：