【正文】 同時，向各位評審本論文的專家、老師致以最誠摯的感謝。穆海芳導師也在生活給了我很大的幫助，讓我懂得很多為人處世的道理，我會一直牢記于心，這會讓我終生受益。本人導師是一位治學嚴謹，學識淵博，要求嚴格的人。 參考文獻[1] 張慶豐．基于滑模變結構的機器人關節(jié)控制系統(tǒng)研究[D]．浙江：浙江工業(yè)大學，2010：13． [2] 蔣文萍．移動機械手整體控制系統(tǒng)的設計與分析[D]．天津：天津大學，2009：12．[3] 張紅．非線性系統(tǒng)的滑模變結構控制理論研究[D]．大慶：大慶石油學院，2008,3：12． [4] 李貽斌．現(xiàn)代科技革命與機器人的發(fā)展[J]．山東交通學院學報，2002：5374． [5] 柯顯信．仿人形機器人雙足動態(tài)步行研究[D]．上海：上海大學，2005：110． [6] 劉英卓．擬人形機器人建模、控制與協(xié)調研究[D]．沈陽：中國科學院沈陽自動化研究所，2003：121． [7] 馮金光，周華平，馬宏緒．基于 DSP 的仿人機器人運動控制器設計[J]．工業(yè)儀表與自動化裝置，2005：6769． [8] 劉江華，程君實，彌佳品．基于多目標遺傳算法的仿人機器人交互中的應用[J]．機器人，2002，24(3)：197216． [9] 于秀麗，魏世民，廖啟正．仿人機器人發(fā)展及其技術探索[J]．機械工程學報， 2009，45(3)：7175． [10] 劉金琨．機器人控制系統(tǒng)的設計與 MATLAB 仿真[M]．北京：清華大學出版社，2008：24． [11] 高為炳．變結構控制的理論及設計方法[M]．北京：科學出版社，1996：1214． [12] 劉金琨．滑模變結構控制 MATLAB 仿真[M]．北京：清華大學出版社，2005：2830．[13] 王祝炯．滑模變結構控制設計方法研究[D]．杭州：浙江工業(yè)大學，2003：2325． [14] 張麗娟．一類非線性系統(tǒng)的模糊滑模控制[D]．北京：華北電力大學，2004：2024． [15] 王貞艷，張井崗，陳志梅．神經網絡滑模變結構控制研究綜述[J]．信息與控制，2005，34(8)：451456． 致謝經過三年半的學習與研究，本人在導師穆海芳老師的精心指導下完成了本論文。本文分別采用單純的滑模變結構控制和基于徑向基函數(shù)神經網絡的滑模變結構對機械臂系統(tǒng)進行控制并進行仿真研究。然后根據滑模變結構控制與系統(tǒng)參數(shù)及擾動無關的特性，設計出一種滑模變結構控制器，此控制器采用等效切換控制，并通過 Lyapunov 穩(wěn)定性確定滑模開關增益，保證機械臂系統(tǒng)的穩(wěn)定性。然后介紹了滑模變結構和神經網絡控制相關的理論知識，主要包括 BP 和 RBF神經網絡的結構、學習算法及權值的調整等，為接下來具體研究打好理論基礎。因此，本文結合了兩者的優(yōu)點，設計了一種基于徑向基函數(shù)神經網絡滑模變結構控制器，并進行實驗研究得出結論，這種控制方法比單純的滑模變結構控制器的控制效果更好。所以就需要進一步研究出控制效果更好的方法。仿真結果表明，該控制器比單純的滑模變結構控制效果有很大改善，而且具有響應速度快、穩(wěn)定性強等特點。仿真表明，該控制器存在響應速度慢，穩(wěn)定性差和抖振等不足。由圖中看出，位置跟蹤曲線較平滑，具有較強的穩(wěn)定性。從圖 41415 的仿真對照圖中可知，單純滑模變結構控制可以在比較短的時間內就能夠達到穩(wěn)定狀態(tài)，但是控制曲線不平滑，存在較為明顯的抖振現(xiàn)象；而 RBF 神經滑模變結構控制就能達到理想控制效果，具有較強的穩(wěn)定性。由圖 41413 得出，RBF 神經網絡滑模變結構控制輸入曲線比較平滑，大幅度降低了控制系統(tǒng)抖振現(xiàn)象。 圖 4411 分別為被控機械臂兩關節(jié)的位置跟蹤曲線，圖 41413 分別為兩關節(jié)的控制輸入曲線。 根據圖 48RBF 神經網絡滑模變結構控制框圖，設計出 SIMULINK 下的仿真電路圖，如圖 49 所示?；?RBF 神經網絡滑模變結構控制的機械臂系統(tǒng)的穩(wěn)定性可以得到保證。 設 RBF 網絡的最優(yōu)權值滿足： （430）不確定參數(shù)滿足： （431）定義 Lyapunov 函數(shù)為 （432）其中。 （428）其中是第i個神經元的中心位置，為第i個神經元的寬度。 RBF 網絡的輸入為和分別是關節(jié)位置和速度差值，輸出為不確定參數(shù)的估計值。 機械臂 RBF 滑模變結構控制 本節(jié)的 RBF 神經網絡滑模變結構控制是結合了神經網絡控制和滑模變結構控制，充分地利用兩者的優(yōu)點。 基于 RBF 神經網絡滑模變結構控制 在單純的滑模變結構控制下，如果被控系統(tǒng)具有較強的不確定性或較大的外部干擾，滑模變結構的切換增益就會要求很大，就會導致控制系統(tǒng)產生較大的抖振。圖 44 可見，在 0~8s 時間內機械臂關節(jié) 1 位置響應曲線與給定曲線偏差較大，8s 之后誤差逐漸減小，可近似認為實際曲線已經跟蹤給定曲線，由圖 45 可見，關節(jié) 2 響應曲線在 6s 后可跟蹤給定曲線，因此可見，在滑模變結構控制下，機械臂系統(tǒng)需要較長時間方能跟蹤期望軌跡。機械臂滑模變結構控制的仿真電路圖如圖 43 所示，plant 文件，是 節(jié)中用 S函數(shù)所建立的機械臂系統(tǒng)非線性模型；controller模塊為滑模變結構控制器模塊，同樣也采用 S函數(shù)建立；input 模塊為系統(tǒng)的輸信號，這里采用幅值為 的正弦波信號，xx2 分別為被控機械臂兩關節(jié)的位置跟蹤輸出，toltol2 分別為兩關節(jié)的控制輸入，運行時間為 0~10s。 系統(tǒng)仿真 (414)，在 MATLAB/SIMULINK 下，對機械臂系統(tǒng)(41)進行滑模變結構控制仿真。根據機械臂非線性系統(tǒng)運行到不同狀態(tài)，滑模變結構控制可以通過使用調節(jié)切換增益K 改變切換控制信號進行系統(tǒng)控制運行。確定等效控制 (414)所以滑模變結構控制等效切換控制中等效控制部分確定，然后設計切換控制部分，主要確定切換增益K 。因為保持為一個常數(shù)向量，=0。 基于這些定義，確定等效控制和不連續(xù)滑?？刂?。定義滑模面為 （49）式中,l 為正常數(shù)。 根據滑?？刂铺攸c和機械臂系統(tǒng)特性，設計機械臂系統(tǒng)的滑?？刂平Y構圖，如圖 42 所示。 機械臂滑模變結構控制 本文 節(jié)中介紹了滑模變結構控制器的設計方法，包括滑模面和滑?？刂坡傻脑O計。具體的參數(shù)設定分別為輸入變量 NumInputs = 4，輸出變量 NumOutputs =2，離散狀態(tài)變量NumConStates =0；輸入變量 NumInputs =4，輸出變量 NumOutputs =2，離散狀態(tài)變量NumDiscStates =0。系統(tǒng)的輸出分別是機械臂兩關節(jié)位置和控制輸出，即狀態(tài)變量和。 具體關系如下 (44) (45) (46) (47) 其中，是一個自定義的函數(shù)，表示機械臂系統(tǒng)關節(jié)處位置坐標，它由式(41)和式(43)計算得到。確定系統(tǒng)的狀態(tài)變量和即 NumConStates =4，同時，輸入變量 NumInputs =2，輸出變量 NumOutputs= 4。 由于機械臂系統(tǒng)在 SIMULINK 中很難直接搭建系統(tǒng)結構，所以這里我們就利用 S函數(shù)來構建機械臂系統(tǒng)模型。 (2)將 SFunction 模塊添加到相應位置并修改其屬性，然后設置相應的參數(shù)。根據實際系統(tǒng)中的關系，按需編寫 S函數(shù)程序。 S函數(shù)所包含的信息采用以下調用格式： 其中，model為系統(tǒng)文件名；t , x, u分別為時間、狀態(tài)向量和輸入向量；而變量flag的值控制返回變量sys的相關信息，如表 41 所示。我們采用 M 文件來編寫具體的程序，這里用到的各種函數(shù)和功能與 MATLAB 中的是通用的，可以編寫出需要的具體功能的函數(shù)。S函數(shù)用一種特定的語法來描述各種復雜動態(tài)系統(tǒng)。 在整個 SIMULINK 中，S函數(shù)起著至關重要的作用，也可以說沒有 S 函數(shù)也就失去是 SIMULINK 的應用價值。 MATLAB 下建立機械臂系統(tǒng)模型 通過了解了 S函數(shù)的強大功能，我們發(fā)現(xiàn)它可以解決很多復雜的系統(tǒng)建?；蚩刂破髟O置等。 從機械臂的動力學方程(41)、(42)和(43)中我們可以看出，機械臂系統(tǒng)是一類復雜的非線性和不確定性的系統(tǒng)。通常機械臂系統(tǒng)由式(41)所示，但是它存在不確定性，所以在其數(shù)學模型中有確定部分和不確定部分，可以表示為： (42) 式中為系統(tǒng)確定部分，是系統(tǒng)不確定部分。外有引力矢量有界，是轉動連接標量常值。 ，任意矢量 ，使得。 機械臂系統(tǒng)的動態(tài)特性包括以下幾點： 1. 對稱正定2. 參數(shù)有界，是標量。向量是操作器的廣義坐標，稱為機械臂的節(jié)點坐標向量，稱為力矩向量。 機械臂系統(tǒng)的模型 機械臂系統(tǒng)的數(shù)學模型 機器人機械臂是由n個桿件組成的，兩桿間的角度就是操作器的一個廣義坐標，在鉸鏈軸上同時作用著一個力矩，以對操作器的運動進行控制，這樣的坐標及控制力矩各有n個，而表示第一桿相對基坐標的轉角，表示第一桿的控制力矩。 第4章 機械臂神經網絡變結構控制從控制工程的角度來看，機械臂系統(tǒng)具有較強的非線性和不確定性，古典和現(xiàn)代控制理論已經難以對機械臂系統(tǒng)進行精確控制。利用控制器積分環(huán)節(jié)和神經網絡的自學習能力來彌補滑模變結構控制的不足，有效實現(xiàn)了對非線性系統(tǒng)的控制。 滑模變結構控制的目標是使，所以RBF 網絡的權值調整指標為 (312) 則 (313) 其中。 對于一個被控對象為 的系統(tǒng)，設位置指令為，切換函數(shù)設計為 (310) 其中 RBF 網絡的輸出為滑?？刂破?，即u 為 RBF 網絡的輸出，同時也是滑模變結構控制器的輸入。 在本節(jié)中，RBF 網絡的輸入端連接切換函數(shù)，RBF 網絡的輸出與滑模控制器的輸入連接，利用神經網絡的自學習功能，來實現(xiàn)神經網絡滑模變結構控制。 RBF 滑模變結構控制算法 RBF 神經網絡作為一種前饋網絡具有較強的逼近能力，在結構上輸出和權值具有線性關系，訓練方法簡單快速，不會產生局部極小問題。 神經網絡的自學習特性和高度的并行運算特性非常強大，能夠精確的逼近任一復雜的非線性系統(tǒng)，同時具有較強的魯棒性。 當系統(tǒng)運動到滑模面上時，即 (35) 此時，可以通過設計狀態(tài)反饋增益矩陣K ，來達到理想的控制效果。這些控制方法的目的都是為了有效的提高系統(tǒng)的相應速度，并達到消除抖振的效果。 積分變結構控制 為了消減滑模變結構控制的抖振，研究人員已經提出了大量的研究，主要為了消減滑模變結構控制的抖振，研究人員已經提出了大量的研究，主要滑模變結構控制方法。 滑模變結構控制存在抖振主要是因為在系統(tǒng)運行過程中存在以上因素的影響造成的，這樣既影響了系統(tǒng)控制的精度，還有可能破壞系統(tǒng)的性能，甚至導致是控制器的損壞。 這種系統(tǒng)的運動點是在一個錐面上運動的，而不是在滑模面上運動。所以，這種滯后就導致了一個等幅波形加到滑動模態(tài)面上的結果。所以時間滯后開關實際上相當于一個衰減三角波加到滑模面上的結果。下面分析引起抖振的一些主要原因，為減弱或消除抖振提出一些估計和方法。