引言

焊接機械手的軌跡跟蹤是焊接機器人控制的難點。機械手是一個典型的非線性動力系統(tǒng)，具有大慣性和大延遲。目前對機械手的控制，主要采用傳統(tǒng)PID控制。由于系統(tǒng)復雜性較高，設(shè)計人員為建立系統(tǒng)模型做出各種假設(shè)和簡化，因此數(shù)學模型的控制精度會受到很大的影響。本文將神經(jīng)網(wǎng)絡(luò)辨識與迭代控制相結(jié)合，提出基于神經(jīng)網(wǎng)絡(luò)辨識的迭代學習控制策略。該策略能夠提高系統(tǒng)控制精度，并使系統(tǒng)在較為廣泛的運行條件范圍內(nèi)實現(xiàn)控制系統(tǒng)的控制功能和期望性能，改善系統(tǒng)控制性能。

1 神經(jīng)網(wǎng)絡(luò)模型辨識

神經(jīng)網(wǎng)絡(luò)具備的泛化能力和快速學習能力為非線性系統(tǒng)辨識提供了有效的途徑，神經(jīng)網(wǎng)絡(luò)在機器人系統(tǒng)的研究上，充分發(fā)揮了神經(jīng)網(wǎng)絡(luò)的映射能力，神經(jīng)網(wǎng)絡(luò)可解決機器人控制系統(tǒng)中存在的死區(qū)、摩擦等非線性問題。神經(jīng)網(wǎng)絡(luò)模型辨識在機器人控制中的應(yīng)用，如圖1所示。

圖1 基于神經(jīng)網(wǎng)絡(luò)控制的剛性機械手結(jié)構(gòu)圖

神經(jīng)網(wǎng)絡(luò)系統(tǒng)辨識的特點是不需要建立系統(tǒng)辨識模型，對系統(tǒng)辨識的過程就是通過學習系統(tǒng)輸入、輸出數(shù)據(jù)的過程。學習的目的是使誤差函數(shù)值達到最小，反映出輸入、輸出數(shù)據(jù)間的映射關(guān)系。若神經(jīng)網(wǎng)絡(luò)的輸出能夠逼近系統(tǒng)在相同輸入信號激勵下的輸出，則可認為神經(jīng)網(wǎng)絡(luò)實現(xiàn)了對原系統(tǒng)的辨識，以神經(jīng)元網(wǎng)絡(luò)的輸出作為實際系統(tǒng)的輸出估計。

2 迭代學習控制器的設(shè)計

2.1 迭代學習控制

迭代學習控制適合于重復運動性質(zhì)的被控對象，無需辨識系統(tǒng)的參數(shù)，通過迭代修正改善系統(tǒng)控制目標，迭代控制方法不依賴于系統(tǒng)精確的數(shù)學模型，可在給定的時間區(qū)段上，以極為簡單的算法解決復雜的控制問題[5]。

對于n階線性時變的離散系統(tǒng)，迭代控制模型可描述為：

圖2 迭代學習控制器

2.2 機器人迭代學習控制器設(shè)計

系統(tǒng)控制框圖，如圖3所示。

圖3 系統(tǒng)控制框圖

3 焊接機器人控制仿真

采用柔性連接的機械手作為仿真對象，如圖4所示。

圖4 機械手示意圖

利用拉格朗日方法可以導出如下動力學方程：

圖5 神經(jīng)網(wǎng)絡(luò)逆向辨識結(jié)結(jié)構(gòu)圖

給定正弦激勵信號，運用Matlab程序代碼文件對該控制系統(tǒng)仿真。迭代學習控制曲線和傳統(tǒng)PID控制響應(yīng)曲線如圖6所示。

圖6 基于神經(jīng)網(wǎng)絡(luò)模型識別的迭代學習控制響應(yīng)曲線與常規(guī)PID控制響應(yīng)曲線

4 結(jié)論

從仿真結(jié)果可以看出，本文提出的基于神經(jīng)網(wǎng)絡(luò)辨識模型迭代控制方案控制效果明顯優(yōu)于傳統(tǒng)的PID控制，該控制策略跟蹤精度高，超調(diào)量小，能夠有效地提高系統(tǒng)的控制精度。同時，優(yōu)化該控制策略可應(yīng)用于其他機器人跟蹤控制系統(tǒng)，使系統(tǒng)投入到更廣闊的機器人控制領(lǐng)域。