气动人工肌肉手臂的神经网络Ｓｍｉｔｈ预估控制

王冬青，王　钰，佟河亭，韩平畴
青岛大学自动化工程学院／机电工程学院，山东青岛

摘　　　要：针对含时滞ｄ的１关节气动人工肌肉（ＰＡＭ）手臂，用三层递归神经网络（ＲＮＮ），建立ＰＡＭ手臂包含时滞的模型（即非线性Ｓｍｉｔｈ预估器），并超前ｄ步预测ＰＡＭ手臂的输出角度。将此超前ｄ步的预测值作为反馈量，与设定值相比较得到的误差作为ＰＩＤ控制器输入量，实现Ｓｍｉｔｈ预估ＰＩＤ控制。同时每一步都用ＲＮＮ模型当前时刻的输出值与ＰＡＭ手臂当前时刻实际输出值之差的平方做为ＲＮＮ权值的在线调整准则对ＲＮＮ预测模型的权值进行在线调整，以自适应ＰＡＭ手臂的不确定性和时变性。使用Ｍａｔｌａｂ通过串口和研华亚当模块对实物ＰＡＭ手臂进行控制，控制效果表明所提出的Ｓｍｉｔｈ预估ＰＩＤ控制算法比常规ＰＩＤ控制算法的性能有显著提高，证明所提出的算法是有效的和切实可行的。

关　键　词：气动人工肌肉；递归神经网络；非线性Ｓｍｉｔｈ预估器；ＰＩＤ控制

１　引　言
气动人工肌肉（ｐｎｅｕｍａｔｉｃａｒｔｉｆｉｃｉａｌｍｕｓｃｌｅ，ＰＡＭ）也称气动人工肌肉驱动器，是一种新型的机器人驱动器，与电驱动和液压驱动相比，具有结构简单、易于小型化、柔顺性好、价格低廉、功率／重量比高及安装方便等优点，由于其很好的仿生性，因此在仿人机器人等领域具有很好的应用前景。但气动人工肌肉具有非线性、时滞性和不确定性，制约了其广泛使用。所以有关ＰＡＭ手臂控制的研究方法主要是以仿真实验为主。近期ＰＡＭ手臂实物控制的成果中，国内学者李英等实现ＰＡＭ的模糊ＰＩＤ控制［１］，杨玉贵等提出ＰＡＭ 手臂的固定重力补偿的模糊免疫ＰＤ控制［２］。国际上，文献［３］对气动人工肌肉进行非线性建模和采用滑模控制器控制，文献［４］采用Ｍａｘｗｅｌｌ磁滞回线对气动人工肌肉的滞回特性进行建模，并将模型用于串级位置控制系统的前馈补偿通道。ＰＡＭ的精确建模的研究，使得ＰＡＭ的控制取得了一些成果。但是ＰＡＭ的非线性时滞特性是不确定的，基于精确数学模型的控制难以达到更好的效果，因此必须结合在线学习和自适应技术。在自适应学习算法方面，文献［５］实现了２自由度机械手臂自适应、自组织模糊滑模控制，文献［６］分别采用单变量和多变量神经网络ＰＩＤ策略实现２自由度机械手臂的控制，文献［７］采用递归神经网络作为控制器控制ＰＡＭ手臂运行。本文以所搭建的实物ＰＡＭ手臂系统为研究对象，采用递归神经网络ＲＮＮ对ＰＡＭ手臂进行非线性动态建模，辨识ＰＡＭ的时滞，建立ＰＡＭ手臂带时滞的动态模型。

登录网站后可下载文件

相关阅读:

没有相关新闻...