柔性機(jī)械臂控制策略

1、xxx kIk2I2J2dI 。兩個(gè)質(zhì)量塊的角速度為J J112J J2102J1J1109S200502112 的驅(qū)動(dòng)負(fù)載的電動(dòng)機(jī)，其負(fù)載由。，并且第一個(gè)質(zhì)量塊受到力矩為112001112J，v的擾動(dòng)。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。現(xiàn)在令u，0I和vd21，xxx kIk2I2J2dI 。兩個(gè)質(zhì)量塊的角速度為J J112J J2102J1J1109S200502112 的驅(qū)動(dòng)負(fù)載的電動(dòng)機(jī)，其負(fù)載由。，并且第一個(gè)質(zhì)量塊受到力矩為112001112J，v的擾動(dòng)。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(shí)間 t2J225時(shí)高為，轉(zhuǎn)動(dòng)慣，0-10 且持續(xù)時(shí)間為kIJ1，01J1。具體參數(shù)：0柔性機(jī)械臂控制策略一、題目要求某一個(gè)柔性機(jī)械臂系統(tǒng)，該系統(tǒng)中有一個(gè)電流常數(shù)為彈性系數(shù)為 的彈簧連接的兩個(gè)質(zhì)量塊組成（如圖所示）1u電動(dòng)機(jī)1J1圖 1 系統(tǒng)示意圖若忽略摩擦， 假設(shè)彈簧的相對(duì)阻尼為的輸入信號(hào)是電動(dòng)機(jī)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(shí)間單位的一個(gè)脈沖信號(hào)。1 xxx .利用參數(shù)線性化的方法設(shè)計(jì)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(duì)象串聯(lián)，使期xxx .利用參數(shù)線性化的方法設(shè)計(jì)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(duì)象串聯(lián)，使期1。下面為神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)直接逆控制的框圖?？刂破饔?jì)算控制輸模型預(yù)測(cè)第一步是要建立神經(jīng)網(wǎng)絡(luò)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(duì)柔性機(jī)械臂的控制一般有如下方式：1) 前饋補(bǔ)償法：將機(jī)械臂柔性變形形成的機(jī)械振動(dòng)看成是對(duì)剛性運(yùn)動(dòng)的確定性干擾，而采用前饋補(bǔ)償?shù)霓k法來(lái)抵消這種干擾。2) 被動(dòng)阻尼控制：為降低柔性體相對(duì)彈性變形的影響，選用各種耗能或儲(chǔ)能材料設(shè)計(jì)臂的結(jié)構(gòu)以控制振動(dòng)?；蛘咴谌嵝粤荷喜捎米枘釡p振器等3) 力反饋控制法：基于逆動(dòng)力學(xué)分析的控制方法，即根據(jù)逆動(dòng)力學(xué)分析，通過(guò)臂末端的給定運(yùn)動(dòng)求得施加于驅(qū)動(dòng)端的力矩，并通過(guò)運(yùn)動(dòng)或力檢測(cè)對(duì)驅(qū)動(dòng)力矩進(jìn)行反饋補(bǔ)償。4) 自適應(yīng)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(yīng)控制規(guī)則來(lái)辨識(shí)柔性機(jī)械臂的不確定性參數(shù)。5) PID 控制：常通過(guò)調(diào)整控制器增益構(gòu)成自校

5、正復(fù)合控制系統(tǒng)以改善6) 模糊與神經(jīng)網(wǎng)絡(luò)控制：是一種語(yǔ)言控制器，可反映人在進(jìn)行控制活動(dòng)時(shí)的思維特點(diǎn)。其主要特點(diǎn)之一是控制系統(tǒng)設(shè)計(jì)并不需要通常意義上的被控對(duì)象的數(shù)學(xué)模型，而是需要操作者或?qū)＜业慕?jīng)驗(yàn)知識(shí)，操作數(shù)據(jù)等。本次設(shè)計(jì)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(luò)控制的方法對(duì)該柔性機(jī)械臂系統(tǒng)進(jìn)行控制與仿真。動(dòng)態(tài)系統(tǒng)的逆模型， 繼而進(jìn)行神經(jīng)網(wǎng)絡(luò)控制，輸出設(shè)定為 5。通過(guò)對(duì)原動(dòng)態(tài)系統(tǒng)離散化，取采樣時(shí)間可得其逆模型為：u(k)利用神經(jīng)網(wǎng)絡(luò)逼近上述差分方程中的未知非線性函數(shù)望輸出與對(duì)象實(shí)際輸出之間的傳遞函數(shù)等于圖 2 神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)直接逆控制的框圖2，神經(jīng)網(wǎng)絡(luò)控制理論基礎(chǔ)神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)控制時(shí)使用非線

6、性神經(jīng)網(wǎng)絡(luò)模型來(lái)預(yù)測(cè)未來(lái)模型性能。入在未來(lái)一段指定的時(shí)間內(nèi)將最優(yōu)化模型性能。2 xxx 為網(wǎng)絡(luò)模型響應(yīng)； 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(luò)模型響應(yīng)； 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(duì)阻尼為 ,和彈性系數(shù)統(tǒng)辨識(shí)）；第二步是使用控制器來(lái)預(yù)測(cè)未來(lái)神經(jīng)網(wǎng)絡(luò)性能。圖 3 神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)2.1系統(tǒng)辨識(shí)系統(tǒng)辨識(shí)分為兩步 : 第一步為產(chǎn)生訓(xùn)練數(shù)據(jù)， 第二步為訓(xùn)練網(wǎng)絡(luò)模型。 在模型辨識(shí)窗口中， 設(shè)置好相應(yīng)的參數(shù)后，就可以來(lái)產(chǎn)生訓(xùn)練序列，程序會(huì)通過(guò) SIMULINK 網(wǎng)絡(luò)模型提供一系列隨機(jī)階躍信號(hào)，

7、來(lái)產(chǎn)生訓(xùn)練數(shù)據(jù)。2.2模型預(yù)測(cè)模型預(yù)測(cè)第一步就是訓(xùn)練神經(jīng)網(wǎng)絡(luò)未來(lái)表示網(wǎng)絡(luò)的動(dòng)態(tài)機(jī)制。 模型輸出與神經(jīng)網(wǎng)絡(luò)輸出之間的預(yù)測(cè)誤差，用來(lái)作為神經(jīng)網(wǎng)絡(luò)的訓(xùn)練信號(hào)。神經(jīng)網(wǎng)絡(luò)模型利用當(dāng)前輸入和當(dāng)前輸出預(yù)測(cè)神經(jīng)網(wǎng)絡(luò)未來(lái)輸出值。模型預(yù)測(cè)方法是基于水平后退的方法，神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)在指定時(shí)間內(nèi)預(yù)測(cè)模型響應(yīng)。預(yù)測(cè)使用數(shù)字最優(yōu)化程序了確定控制信號(hào)，通過(guò)最優(yōu)化如下的性能準(zhǔn)則函數(shù)，即上面公式中， N2 為預(yù)測(cè)時(shí)域長(zhǎng)度； Nu 為控制時(shí)域長(zhǎng)度； u（t）為控制信號(hào)； yr 為期望響應(yīng)；ym 控制器方塊可用 Simulink 來(lái)實(shí)現(xiàn)。本文主要就神經(jīng)網(wǎng)絡(luò)控制作了學(xué)習(xí)并應(yīng)用。三、神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)過(guò)程3.1、建立 m文件對(duì)于該柔性機(jī)械臂

8、系統(tǒng)，為k。為此先設(shè)計(jì)一個(gè) m文件。當(dāng)系統(tǒng)參數(shù)改變時(shí)，只要我們稍微的改變數(shù)設(shè)置就可以對(duì)系統(tǒng)進(jìn)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(dòng)化雙控專(zhuān)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(luò)的設(shè)計(jì)首先判斷給定系統(tǒng)的可控性。因?yàn)橄到y(tǒng)的極點(diǎn)配置也是系統(tǒng)很重要的一指標(biāo)。對(duì)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(duì)系統(tǒng) SIMINK 建模 ， 其文件名為圖 4 系統(tǒng) SIMULINK通過(guò)神經(jīng)網(wǎng)絡(luò)對(duì)系統(tǒng)進(jìn)行控制常用的方法是，反饋線性控制，神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)控制，模型參考控制我們利用的是反饋線性控制，實(shí)現(xiàn)柔性機(jī)械臂系統(tǒng)的控制4 x

10、xx 框圖的控制模塊實(shí)現(xiàn)S200502112 自動(dòng)化雙控專(zhuān)業(yè)xxx 框圖的控制模塊實(shí)現(xiàn)S200502112 圖 5 RARMA-L2SIMULINK反饋線性化（ NARMA-L2 ）的中心思想是通過(guò)去掉非線性，將一個(gè)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(duì)系統(tǒng)的控制，連線如圖所示。系統(tǒng)的辨識(shí)，首先產(chǎn)生訓(xùn)練數(shù)據(jù)，直到接受為止 (Accept Data)。其次訓(xùn)練網(wǎng)絡(luò)模型，設(shè)置好辨識(shí)模型辨識(shí)窗口的參數(shù)后，訓(xùn)練數(shù)列，產(chǎn)生訓(xùn)練數(shù)據(jù)。神經(jīng)網(wǎng)絡(luò)控制器雙擊控制模塊，通過(guò)修正參數(shù)，實(shí)現(xiàn)控制，具體過(guò)程如下圖 6

11、 參數(shù)設(shè)置窗口5 xxx 即S200502112 自動(dòng)化雙控專(zhuān)業(yè)xxx 即S200502112 圖 7 產(chǎn)生訓(xùn)練數(shù)據(jù)接受訓(xùn)練數(shù)據(jù)（Accept Data）后，就訓(xùn)練網(wǎng)絡(luò)模型 (Train Network) 。最后停止訓(xùn)練（Stop Training）時(shí)，訓(xùn)練結(jié)果會(huì)顯示訓(xùn)練數(shù)據(jù)和合法數(shù)據(jù)。每個(gè)圖中，左上角的圖顯示了隨機(jī)輸入信號(hào)的階躍高度和寬度； 右上角的圖顯示了被控對(duì)象的輸出； 右下角的圖顯示了誤差，系統(tǒng)輸出與網(wǎng)絡(luò)輸出的差別；右下角的圖顯示了神經(jīng)網(wǎng)絡(luò)模型輸出。6 xxx 輸入隨機(jī)階躍信號(hào)， 驗(yàn)證系統(tǒng)的跟蹤情況。 如果不滿意，xxx 輸入隨機(jī)階躍信號(hào)， 驗(yàn)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(shí)引入擾動(dòng)。圖 8 網(wǎng)絡(luò)模型訓(xùn)練圖 9 訓(xùn)練數(shù)據(jù)與合法數(shù)據(jù)完成神經(jīng)網(wǎng)絡(luò)控制器的訓(xùn)練后，可以對(duì)網(wǎng)絡(luò)的參數(shù)重新進(jìn)行設(shè)定并訓(xùn)練，直到自己滿意為止。圖 10 隨機(jī)階躍信號(hào)輸入的跟隨圖3.3實(shí)驗(yàn)結(jié)果與分析由于示波器的顯示問(wèn)題，7 xxx step time 進(jìn)行設(shè)置就可以了。如最后的仿真結(jié)果基本還是比較理想的。對(duì)于擾動(dòng)可以快速的濾掉。MATLAB 系統(tǒng)工具箱，不需要我們編寫(xiě)復(fù)雜問(wèn)題也就是在訓(xùn)練時(shí)花些時(shí)間，S200502112 xxx step time 進(jìn)行設(shè)置就可以了。如最后的仿真結(jié)果基本還是比較理想的。對(duì)于擾動(dòng)可以快速的濾掉。MATLAB 系統(tǒng)工具箱，不需

13、要我們編寫(xiě)復(fù)雜問(wèn)題也就是在訓(xùn)練時(shí)花些時(shí)間，S200502112 NARMA-L2反饋線性化的神經(jīng)網(wǎng)絡(luò)控制，有時(shí)還要反復(fù)的控有著其引入擾動(dòng)的方法是，另加階躍信號(hào)與之疊加，只要對(duì)下圖所示圖 11 輸入信號(hào)仿真試驗(yàn)結(jié)果如下圖所示圖 12 仿真結(jié)果結(jié)果分析： 經(jīng)過(guò)多次的參數(shù)設(shè)計(jì)，制器的魯棒性還是很高的，智能化的優(yōu)勢(shì)，在跟隨的時(shí)間上更加的及時(shí)。在實(shí)現(xiàn)上也體現(xiàn)出其特有的方便快捷的特點(diǎn)，因?yàn)榻⑸窠?jīng)網(wǎng)絡(luò)模型的方便，以后會(huì)得到更多的運(yùn)用。四，總結(jié)神經(jīng)網(wǎng)絡(luò)控制有其特方便的地方，依賴(lài)于的程序，只要很好的訓(xùn)練數(shù)據(jù)與網(wǎng)絡(luò)就行。調(diào)試訓(xùn)練，直到滿意為止。遇到的難點(diǎn)：8 xxx 與系統(tǒng) SIMULINK對(duì)應(yīng)用也有了初步MATLAxxx 與系統(tǒng) SIMULINK對(duì)應(yīng)用也有了初步MATLAB 編過(guò)東西，向同組的同學(xué)請(qǐng)教不少?，F(xiàn)在感覺(jué)還是有S200502112 建模時(shí)前饋設(shè)置的參數(shù)有關(guān)，一，系