柔性機械臂控制策略

1、xxx kIk2I2J2dI 。兩個質(zhì)量塊的角速度為J J112J J2102J1J1109S200502112 的驅(qū)動負載的電動機，其負載由。，并且第一個質(zhì)量塊受到力矩為112001112J，v的擾動。系統(tǒng)和和 ，系統(tǒng)的輸出是角速度x11x3，2222010d11， d，角度為20 x20J10.1，k1?，F(xiàn)在令u，0I和vd21，xxx kIk2I2J2dI 。兩個質(zhì)量塊的角速度為J J112J J2102J1J1109S200502112 的驅(qū)動負載的電動機，其負載由。，并且第一個質(zhì)量塊受到力矩為112001112J，v的擾動。系統(tǒng)和和 ，系統(tǒng)的輸出是角速度x11x3，2222010d1

2、1， d，角度為20 x20J10.1，k1?，F(xiàn)在令u，0I和vd21，v為時間 t2J225時高為，轉(zhuǎn)動慣，0-10 且持續(xù)時間為kIJ1，01J1。具體參數(shù)：0柔性機械臂控制策略一、題目要求某一個柔性機械臂系統(tǒng)，該系統(tǒng)中有一個電流常數(shù)為彈性系數(shù)為 的彈簧連接的兩個質(zhì)量塊組成（如圖所示）1u電動機1J1圖 1 系統(tǒng)示意圖若忽略摩擦， 假設彈簧的相對阻尼為的輸入信號是電動機的電流量為x1x2x3其中：k(J1 J2)0則可得系統(tǒng)的模型x1x2x3其中：J1 J 10， k0.1時間單位的一個脈沖信號。1 xxx .利用參數(shù)線性化的方法設計自適PID 控制器或與其它控制方法結(jié)合構(gòu)成PID 控制器

3、性能。因此我們只要將它離散化，即可使系統(tǒng)的輸出和期望輸出接近一致。 期望Tsf f )，直接與被控對象串聯(lián)，使期xxx .利用參數(shù)線性化的方法設計自適PID 控制器或與其它控制方法結(jié)合構(gòu)成PID 控制器性能。因此我們只要將它離散化，即可使系統(tǒng)的輸出和期望輸出接近一致。 期望Tsf f )，直接與被控對象串聯(lián)，使期1。下面為神經(jīng)網(wǎng)絡實現(xiàn)直接逆控制的框圖?？刂破饔嬎憧刂戚斈Ｐ皖A測第一步是要建立神經(jīng)網(wǎng)絡模型 （系S200502112 并化為差分方程， 然后再建立此0.1s，采用零階保持器，求得差分方程。11(ydk 1), ( ), (y k y k 1), (y k 2); (k 1),k 2)二

4、、控制方案的選擇與分析1，對柔性機械臂的控制一般有如下方式：1) 前饋補償法：將機械臂柔性變形形成的機械振動看成是對剛性運動的確定性干擾，而采用前饋補償?shù)霓k法來抵消這種干擾。2) 被動阻尼控制：為降低柔性體相對彈性變形的影響，選用各種耗能或儲能材料設計臂的結(jié)構(gòu)以控制振動。或者在柔性梁上采用阻尼減振器等3) 力反饋控制法：基于逆動力學分析的控制方法，即根據(jù)逆動力學分析，通過臂末端的給定運動求得施加于驅(qū)動端的力矩，并通過運動或力檢測對驅(qū)動力矩進行反饋補償。4) 自適應控制： 將系統(tǒng)劃分成關(guān)節(jié)子系統(tǒng)和柔性子系統(tǒng)應控制規(guī)則來辨識柔性機械臂的不確定性參數(shù)。5) PID 控制：常通過調(diào)整控制器增益構(gòu)成自校

5、正復合控制系統(tǒng)以改善6) 模糊與神經(jīng)網(wǎng)絡控制：是一種語言控制器，可反映人在進行控制活動時的思維特點。其主要特點之一是控制系統(tǒng)設計并不需要通常意義上的被控對象的數(shù)學模型，而是需要操作者或?qū)＜业慕?jīng)驗知識，操作數(shù)據(jù)等。本次設計中系統(tǒng)的傳遞函數(shù)已經(jīng)給出，我們考慮用模糊與神經(jīng)網(wǎng)絡控制的方法對該柔性機械臂系統(tǒng)進行控制與仿真。動態(tài)系統(tǒng)的逆模型， 繼而進行神經(jīng)網(wǎng)絡控制，輸出設定為 5。通過對原動態(tài)系統(tǒng)離散化，取采樣時間可得其逆模型為：u(k)利用神經(jīng)網(wǎng)絡逼近上述差分方程中的未知非線性函數(shù)望輸出與對象實際輸出之間的傳遞函數(shù)等于圖 2 神經(jīng)網(wǎng)絡實現(xiàn)直接逆控制的框圖2，神經(jīng)網(wǎng)絡控制理論基礎神經(jīng)網(wǎng)絡預測控制時使用非線

6、性神經(jīng)網(wǎng)絡模型來預測未來模型性能。入在未來一段指定的時間內(nèi)將最優(yōu)化模型性能。2 xxx 為網(wǎng)絡模型響應； 為控制量加權(quán)系數(shù)。所要選擇的參數(shù)就是m 文件的參S200502112 J1xxx 為網(wǎng)絡模型響應； 為控制量加權(quán)系數(shù)。所要選擇的參數(shù)就是m 文件的參S200502112 J1和J d2，相對阻尼為 ,和彈性系數(shù)統(tǒng)辨識）；第二步是使用控制器來預測未來神經(jīng)網(wǎng)絡性能。圖 3 神經(jīng)網(wǎng)絡模型結(jié)構(gòu)2.1系統(tǒng)辨識系統(tǒng)辨識分為兩步 : 第一步為產(chǎn)生訓練數(shù)據(jù)， 第二步為訓練網(wǎng)絡模型。 在模型辨識窗口中， 設置好相應的參數(shù)后，就可以來產(chǎn)生訓練序列，程序會通過 SIMULINK 網(wǎng)絡模型提供一系列隨機階躍信號，

7、來產(chǎn)生訓練數(shù)據(jù)。2.2模型預測模型預測第一步就是訓練神經(jīng)網(wǎng)絡未來表示網(wǎng)絡的動態(tài)機制。 模型輸出與神經(jīng)網(wǎng)絡輸出之間的預測誤差，用來作為神經(jīng)網(wǎng)絡的訓練信號。神經(jīng)網(wǎng)絡模型利用當前輸入和當前輸出預測神經(jīng)網(wǎng)絡未來輸出值。模型預測方法是基于水平后退的方法，神經(jīng)網(wǎng)絡模型預測在指定時間內(nèi)預測模型響應。預測使用數(shù)字最優(yōu)化程序了確定控制信號，通過最優(yōu)化如下的性能準則函數(shù)，即上面公式中， N2 為預測時域長度； Nu 為控制時域長度； u（t）為控制信號； yr 為期望響應；ym 控制器方塊可用 Simulink 來實現(xiàn)。本文主要就神經(jīng)網(wǎng)絡控制作了學習并應用。三、神經(jīng)網(wǎng)絡設計過程3.1、建立 m文件對于該柔性機械臂

8、系統(tǒng)，為k。為此先設計一個 m文件。當系統(tǒng)參數(shù)改變時，只要我們稍微的改變數(shù)設置就可以對系統(tǒng)進行仿真了。J1=0.005; %para.m J2=10; %參數(shù)初始化k=1; d=0.1; kI=1; w=(k*(J1+J2)/(J1*J2)0.5; 3 xxx rarmmdl.mdl 框圖S200502112 自動化雙控專業(yè)xxx rarmmdl.mdl 框圖S200502112 a=J1/(J1+J2); b1=d/(J1*w0); b2=d/(J2*w0); gamma=kI/(J1*w0); delta=1/(J1*w0); A=a 1 -1;a-1 -b1 b1;a b2 -b2; A

9、=w.*A; B=0;gamma;0; C=0 0 w; D=0; 3.2、神經(jīng)網(wǎng)絡的設計首先判斷給定系統(tǒng)的可控性。因為系統(tǒng)的極點配置也是系統(tǒng)很重要的一指標。對給定系統(tǒng)的參數(shù)（ A,B,C,D ）X=0.1 1 -1;-0.9 -0.09 0.09;0.1 0.01 -0.01x+0;0.9;0u+0;0.9;0v Y=0 0 1 x 有 rank(A,B)=3, 知系統(tǒng)完全可控。對系統(tǒng) SIMINK 建模 ， 其文件名為圖 4 系統(tǒng) SIMULINK通過神經(jīng)網(wǎng)絡對系統(tǒng)進行控制常用的方法是，反饋線性控制，神經(jīng)網(wǎng)絡模型預測控制，模型參考控制我們利用的是反饋線性控制，實現(xiàn)柔性機械臂系統(tǒng)的控制4 x

10、xx 框圖的控制模塊實現(xiàn)S200502112 自動化雙控專業(yè)xxx 框圖的控制模塊實現(xiàn)S200502112 圖 5 RARMA-L2SIMULINK反饋線性化（ NARMA-L2 ）的中心思想是通過去掉非線性，將一個非線性系統(tǒng)變換成線性系統(tǒng)。利用的是 SIMULINK Neural /Network Blockset / Control Systems 對系統(tǒng)的控制，連線如圖所示。系統(tǒng)的辨識，首先產(chǎn)生訓練數(shù)據(jù)，直到接受為止 (Accept Data)。其次訓練網(wǎng)絡模型，設置好辨識模型辨識窗口的參數(shù)后，訓練數(shù)列，產(chǎn)生訓練數(shù)據(jù)。神經(jīng)網(wǎng)絡控制器雙擊控制模塊，通過修正參數(shù)，實現(xiàn)控制，具體過程如下圖 6

11、 參數(shù)設置窗口5 xxx 即S200502112 自動化雙控專業(yè)xxx 即S200502112 圖 7 產(chǎn)生訓練數(shù)據(jù)接受訓練數(shù)據(jù)（Accept Data）后，就訓練網(wǎng)絡模型 (Train Network) 。最后停止訓練（Stop Training）時，訓練結(jié)果會顯示訓練數(shù)據(jù)和合法數(shù)據(jù)。每個圖中，左上角的圖顯示了隨機輸入信號的階躍高度和寬度； 右上角的圖顯示了被控對象的輸出； 右下角的圖顯示了誤差，系統(tǒng)輸出與網(wǎng)絡輸出的差別；右下角的圖顯示了神經(jīng)網(wǎng)絡模型輸出。6 xxx 輸入隨機階躍信號， 驗證系統(tǒng)的跟蹤情況。 如果不滿意，xxx 輸入隨機階躍信號， 驗證系統(tǒng)的跟蹤情況。 如果不滿意，25s后的

12、不好觀察，就改為在S200502112 2s時引入擾動。圖 8 網(wǎng)絡模型訓練圖 9 訓練數(shù)據(jù)與合法數(shù)據(jù)完成神經(jīng)網(wǎng)絡控制器的訓練后，可以對網(wǎng)絡的參數(shù)重新進行設定并訓練，直到自己滿意為止。圖 10 隨機階躍信號輸入的跟隨圖3.3實驗結(jié)果與分析由于示波器的顯示問題，7 xxx step time 進行設置就可以了。如最后的仿真結(jié)果基本還是比較理想的。對于擾動可以快速的濾掉。MATLAB 系統(tǒng)工具箱，不需要我們編寫復雜問題也就是在訓練時花些時間，S200502112 xxx step time 進行設置就可以了。如最后的仿真結(jié)果基本還是比較理想的。對于擾動可以快速的濾掉。MATLAB 系統(tǒng)工具箱，不需

13、要我們編寫復雜問題也就是在訓練時花些時間，S200502112 NARMA-L2反饋線性化的神經(jīng)網(wǎng)絡控制，有時還要反復的控有著其引入擾動的方法是，另加階躍信號與之疊加，只要對下圖所示圖 11 輸入信號仿真試驗結(jié)果如下圖所示圖 12 仿真結(jié)果結(jié)果分析： 經(jīng)過多次的參數(shù)設計，制器的魯棒性還是很高的，智能化的優(yōu)勢，在跟隨的時間上更加的及時。在實現(xiàn)上也體現(xiàn)出其特有的方便快捷的特點，因為建立神經(jīng)網(wǎng)絡模型的方便，以后會得到更多的運用。四，總結(jié)神經(jīng)網(wǎng)絡控制有其特方便的地方，依賴于的程序，只要很好的訓練數(shù)據(jù)與網(wǎng)絡就行。調(diào)試訓練，直到滿意為止。遇到的難點：8 xxx 與系統(tǒng) SIMULINK對應用也有了初步MATLAxxx 與系統(tǒng) SIMULINK對應用也有了初步MATLAB 編過東西，向同組的同學請教不少?，F(xiàn)在感覺還是有S200502112 建模時前饋設置的參數(shù)有關(guān)，一，系