基于模糊神經(jīng)網(wǎng)絡(luò)的機(jī)器人位置控制系統(tǒng)設(shè)計

　　近幾年來，隨著機(jī)器人技術(shù)與控制技術(shù)的發(fā)展，機(jī)器人在日常生活和工農(nóng)業(yè)生產(chǎn)中得到廣泛應(yīng)用。機(jī)器人對象是一個非線性、強(qiáng)耦合的多變量系統(tǒng)，在運動過程中。由于存在摩擦、負(fù)載變化等不確定因素，因而它還是一個時變系統(tǒng)。傳統(tǒng)的機(jī)器人控制技術(shù)大多是基于模型的控制方法，無法得到滿意的軌跡跟蹤效果模糊控制和神經(jīng)網(wǎng)絡(luò)等人工智能的發(fā)展為解決機(jī)器人軌跡跟蹤問題提供了新的思路。普通模糊控制的控制規(guī)則大部分是人們的經(jīng)驗總結(jié)。不具備自學(xué)習(xí)、自適應(yīng)的能力，往往還受到人的主觀性的影響。因此不能很好地控制時變不確定的系統(tǒng)。

　　在近幾十年里，基于模糊邏輯開發(fā)的模糊系統(tǒng)已經(jīng)成為非常活躍的領(lǐng)域，一些算法已在復(fù)雜系統(tǒng)的控制器設(shè)計中顯示出相當(dāng)?shù)哪芰Γ夷：龜?shù)學(xué)理論也對構(gòu)造知識模型提供了極其優(yōu)越的工具。

　　由于神經(jīng)網(wǎng)絡(luò)具有良好的自學(xué)習(xí)、自適應(yīng)、聯(lián)想等智能，能適應(yīng)系統(tǒng)復(fù)雜多變的動態(tài)特性。模糊控制和神經(jīng)網(wǎng)絡(luò)的結(jié)合成為學(xué)者研究的重點。這方面的研究最早起源于歐美國家，但在80年代末期卻在日本取得了相對大的發(fā)展。目前，在知識和信息處理領(lǐng)域，他獨立于模糊邏輯和神經(jīng)網(wǎng)絡(luò)技術(shù)，已經(jīng)達(dá)到了一個特有的研究階段。模糊和神經(jīng)網(wǎng)絡(luò)技術(shù)的融合客服了神經(jīng)網(wǎng)絡(luò)和模糊邏輯在知識處理方面的缺點，具有進(jìn)行數(shù)據(jù)監(jiān)督學(xué)習(xí)、處理經(jīng)驗知識及基于語言表達(dá)的在線學(xué)習(xí)等功能。利用神經(jīng)網(wǎng)絡(luò)非線性映射、自學(xué)習(xí)能力來調(diào)整模糊控制。使模糊控制具有一定的自適應(yīng)能力，同時也使神經(jīng)網(wǎng)絡(luò)獲得了模糊控制的推理歸納能力。本文對模糊神經(jīng)網(wǎng)絡(luò)在機(jī)器人控制中的應(yīng)用進(jìn)行研究，提出了一種模糊神經(jīng)網(wǎng)絡(luò)的機(jī)器人軌跡跟蹤控制。仿真結(jié)果表明，該控制方法能很好地對機(jī)器人軌跡進(jìn)行跟蹤。

　　機(jī)器人控制系統(tǒng)建立

　　本系統(tǒng)中，立體定位系統(tǒng)作為主要數(shù)據(jù)輸入通道，用于精確獲取目標(biāo)位置與機(jī)器人之間精確的相對位置。隨后將這些現(xiàn)場實時空間信息融入先前建立的空間模型。期間需要確定前模型與實際的三維空間變換關(guān)系，即配準(zhǔn)。

　　然后，機(jī)器人根據(jù)計算機(jī)輔助系統(tǒng)制定的運動計劃進(jìn)行運動操作。運動中，立體定位系統(tǒng)通過對機(jī)器人與目標(biāo)空間位置的不斷采集，結(jié)合機(jī)器人多軸控制器進(jìn)行視覺控制。機(jī)器人控制系統(tǒng)如圖1所示。框圖中輸入為機(jī)器人行走驅(qū)動伺服電機(jī)的反饋電流，輸出為機(jī)器人的行走速度，由伺服調(diào)速實現(xiàn)。

　　圖1 機(jī)器人控制系統(tǒng)

　　本文設(shè)計的機(jī)器人為六自由度機(jī)器人：三個轉(zhuǎn)動三個平動。機(jī)器人的六自由度協(xié)同完成空間運動?？紤]到設(shè)計的機(jī)器人屬于小型機(jī)器人，希望盡量減輕重量。這樣一來，由于剛度下降而要求限定機(jī)構(gòu)整體負(fù)載，同時還要考慮機(jī)構(gòu)高速運動時的穩(wěn)定性。而且，該多自由度機(jī)構(gòu)的剛度設(shè)計取決于運動的速度與方向。

　　模糊神經(jīng)網(wǎng)絡(luò)

　　2.1控制系統(tǒng)結(jié)構(gòu)

　　結(jié)合機(jī)器人定位系統(tǒng)構(gòu)建控制系統(tǒng)結(jié)構(gòu)如圖2所示，將機(jī)器人位置作為被控制量。

　　圖中e和ec分別為誤差和誤差變化率，輸入r為機(jī)器人位置，輸出y為機(jī)器人實際輸出。

　　2.2 模糊神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)

　　該模糊神經(jīng)網(wǎng)絡(luò)為4層，如圖3所示。第l層為輸入層;第2層為模糊化層;第3層為模糊推理層;第4層為輸出層。模糊神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)為2–6–6–3。

　　其中，i=l，2;j=l，2，。。.6。cij和bij分別為高斯函數(shù)第i個輸入變量的第j個模糊集合的隸屬函數(shù)的均差和標(biāo)準(zhǔn)差。

　　（3）模糊推理層。將上層中的模糊量經(jīng)過兩兩相乘，得到這一層的輸出值。因此，本層的活化函數(shù)，即輸出為：

　　2.3 魯棒控制器

　　為保證閉環(huán)系統(tǒng)的穩(wěn)定性和良好的控制效果，實時控制器由一個模糊神經(jīng)網(wǎng)絡(luò)控制器NNC和一個魯棒控制器RC組成。這兩個控制器的輸出信號通過加權(quán)綜合后，作為系統(tǒng)的控制輸入［8-10］，構(gòu)成一個變魯棒控制器u（k）：

　　系統(tǒng)仿真研究

　　為了驗證所提出的模糊神經(jīng)網(wǎng)絡(luò)控制算法的有效性，在MATLAB中創(chuàng)建模糊神經(jīng)網(wǎng)絡(luò)，利用隸屬函數(shù)和模糊規(guī)則將抽象的模糊規(guī)則轉(zhuǎn)化為模糊神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本，隱層采用在任意點可微的Tansig作為傳遞函數(shù)，輸出層采用常用非負(fù)的Sigmoid函數(shù)。

　　采用常規(guī)PID控制和模糊神經(jīng)網(wǎng)絡(luò)控制時，系統(tǒng)階躍信號的響應(yīng)曲線。圖3為常規(guī)PID控制器和模糊神經(jīng)網(wǎng)絡(luò)控制器對正弦信號跟蹤的誤差響應(yīng)曲線，通過對比可知：模糊神經(jīng)網(wǎng)絡(luò)控制器在動態(tài)性能方面明顯優(yōu)于常規(guī)PID控制器，可將正弦響應(yīng)誤差從0.02 rad降至0.001 rad。

　　圖 3 系統(tǒng)正弦誤差響應(yīng)曲線

　　結(jié) 論

　　本文將模糊控制與神經(jīng)網(wǎng)絡(luò)相結(jié)合，設(shè)計一種基于模糊神經(jīng)網(wǎng)絡(luò)的機(jī)器人位置控制系統(tǒng)，并將其運用到機(jī)器人軌跡跟蹤控制系統(tǒng)中。仿真結(jié)果表明，該控制系統(tǒng)能夠有效地克服機(jī)器人系統(tǒng)中存在的非線性、耦合等因素的影響，是一種很好的控制方法。