多自由度机械臂模糊控制器的设计.doc

多自由度机械臂模糊控制器的设计随着多自由度机械臂在制造业、非制造业以及极端环境中得到了广泛的应用,对多自由度机械臂的轨迹跟踪速度、精度和稳定性等性能指标提出了更高的要求。然而,在实际工程应用中,多自由度机械臂是一个高度耦合的多输入和多输出强非线性的复杂系统,且存在外部时变扰动、未建模动态、参数摄动、负载时变和内部摩擦等不确定性因素,难以对其建立精确的动力学模型,从而导致多自由度机械臂的高精度轨迹跟踪控制难以实现。因此本文设计了两种高精度的、快速的、稳定性的多自由度机械臂轨迹跟踪控制器。主要研究内容如下:机械臂数学模型的建立是机械臂轨迹跟踪控制器设计的基础,因此分别对多自由度机械臂的动力学模型和运动学模型进行了分析。首先给定多自由度机械臂的各个关节变量,通过采用D-H法建立了多自由度机械臂末端执行器相对于基础坐标系的位置与姿态,即多自由度机械臂的正运动学模型。其次对多自由度机械臂的逆运动学模型进行了分析。最后通过采用Langrange法对多自由度机械臂的动力学进行了建模,并对多自由度机械臂的动力学模型及其特点进行了分析。针对多自由度机械臂数学模型的不确定性问题,提出一种基于RBF神经网络的机械臂自适应控制方法。首先利用RBF神经网络通过离线训练和在线学习的方式对多自由度机械臂的动力学模型进行辨识;然后针对机械臂动力学模型中的摩擦和重力项,设计RBF神经网络自适应控制算法对其进行逼近得到补偿控制量。并针对时变扰动和RBF神经网络逼近误差设计鲁棒控制,以克服众多不确定性因素带来的影响,同时通过构造李亚普诺夫函数对所设计的控制系统进行了稳定性分析;最后仿真实验结果表明,在机械臂的数学模型不确定的情况下,所提出的复合控制方法具有较高的轨迹跟踪精度、速度和较强的抗干扰能力。然而,采用RBF神经网络自适应鲁棒控制器,在初始时刻、摩擦和扰动发生跳变时,多自由度机械臂的轨迹跟踪误差略大,且其跟踪误差收敛速度较慢。在RBF神经网络自适应控制的基础上,引入了模糊逻辑控制,设计了一种基于模糊RBF神经网络的多自由度机械臂自适应鲁棒控制器。首先采用模糊RBF神经网络自适应控制算法对机械臂动力学模型中含有摩擦和重力项在内的非线性函数进行逼近补偿;然后设计鲁棒控制器,对模糊RBF神经网络逼近误差、负载时变、参数摄动和外界时变扰动等不确定性因素进行补偿,并采用李亚普诺夫函数对所提出的基于模糊RBF神经网络的机械臂自适应鲁棒控制系统进行了稳定性分析。最后仿真实验结果验证了所提出的控制系统的有效性。