基于确定学理论的机械臂通用控制方法

摘要

本发明公开了基于确定学理论的机械臂通用控制方法，其步骤包括：建立机械臂动态模型；建立期望的周期轨迹；建立自适应RBF神经网络控制器，调节RBF神经网络的权值，实现机械臂对期望周期轨迹的跟踪，以及RBF神经网络对机械臂闭环系统中未知动力学模型的局部逼近；建立常数神经网络；利用常数RBF神经网络完成控制任务。该方法能够在系统参数完全未知的情况下实现对机械臂闭环控制系统未知动态沿机械臂所经历周期轨迹在局部区域内的准确学；能够在稳定的动态控制过程中学到闭环系统动力学的有效知识，并以常数RBF网络权值的方式储存，可将其成功地应用到后续相同或相似的控制任务当中去，以提高控制系统的控制性能，节约能量。

主权项

一种基于确定学习理论的机械臂通用控制方法，其特征在于包括如下步骤：（1）建立机械臂的动态模型：建立以机械臂关节角位移以及关节角速度作为状态变量的机械臂动态模型；（2）建立期望的周期轨迹：建立期望的周期轨迹，使机械臂完成给定的周期工作，并以期望周期轨迹做为机械臂各个状态变量的跟踪信号；（3）神经网络的学习：根据步骤（1）建立的机械臂动态模型和步骤（2）建立的期望周期轨迹采用RBF神经网络建立自适应神经网络控制器，根据李亚普诺夫稳定性理论调节RBF神经网络的权值，实现机械臂对期望周期轨迹的跟踪，以及RBF神经网络对机械臂闭环系统中未知动力学模型的局部逼近；（4）建立常数神经网络：根据确定学习理论，沿机械臂系统轨迹的RBF神经网络的神经元满足持续激励条件，其权值收敛到最优值，取权值收敛后的一段时间内各权值的均值作为学习训练结果，并利用这些结果建立常数RBF神经网络；（5）利用常数RBF神经网络完成控制任务：采用步骤（3）所述的自适应神经网络控制器，并用步骤（4）所述常数RBF神经网络来代替步骤（3）中自适应神经网络控制器中的RBF神经网络，实现机械臂对期望周期轨迹的跟踪控制，即完成给定的周期工作。