專利名稱：大型冷凝器水下作業(yè)環(huán)境下二關(guān)節(jié)機器人的控制方法
技術(shù)領(lǐng)域：
本發(fā)明主要涉及到二關(guān)節(jié)機器人的控制領(lǐng)域，特指一種大型冷凝器水下作業(yè)環(huán)境下二關(guān)節(jié)機器人的控制方法。

背景技術(shù)：
機器人的真正研制工作起始于20世紀40年代，第一臺工業(yè)用機器人于1959年在美國Unimation公司問世，這標志著機器人開始進入工業(yè)應(yīng)用。至今應(yīng)用于實際的機器人中大約有80％位于工業(yè)現(xiàn)場，屬于工業(yè)機器人，此類機器人具有結(jié)構(gòu)簡單、工作環(huán)境已知、機器人的工作預(yù)先設(shè)定等特點，因此也決定了機器人的控制屬于示教再現(xiàn)型，機器人的作業(yè)路徑、運動參數(shù)需要操作人員手把手示教或通過在線編程實現(xiàn)，基本上只能重復(fù)操作人員示范的操作。隨著傳感器技術(shù)、計算機技術(shù)、網(wǎng)絡(luò)等技術(shù)的發(fā)展，機器人擁有了外部傳感器，對工作對象、外界環(huán)境具有了一定的感知能力，并將這些感知的信息作為反饋形成閉環(huán)控制。到目前，機器人不僅具有了對外界的感知能力，還可以進行復(fù)雜的邏輯思維和決策，完成智能化作業(yè)。因此，隨著機器人技術(shù)的發(fā)展，機器人控制技術(shù)也得到了迅速的發(fā)展。
機器人的控制問題就是使機器人的各關(guān)節(jié)或末端執(zhí)行器的位置能夠以理想的動態(tài)品質(zhì)跟蹤給定的軌跡或穩(wěn)定在指定的位置上。此問題存在的兩個難點一是如何實現(xiàn)閉環(huán)誤差系統(tǒng)的穩(wěn)定，使軌跡跟蹤誤差盡快趨近于零；另一個是如何抑制干擾，盡可能地減少干擾信號對跟蹤進入的影響。
作為控制對象，機器人自身是一個具有時變、強耦合的多輸入多輸出非線性系統(tǒng)，其控制是十分復(fù)雜的。本專利提出的大型冷凝器水下作業(yè)環(huán)境下的智能二關(guān)節(jié)機器人控制方法是在專利“冷凝器銅管二關(guān)節(jié)式在線清洗機器人”(公開號CN1945196)和“在線清洗熱交換器的水中作業(yè)機器人”(授權(quán)號CN2631712Y)的基礎(chǔ)上，將此專利的機器人作為控制對象，研究其作業(yè)過程中的控制方法。由于此機器人工作在水下環(huán)境，信號測量和系統(tǒng)建模存在不精確定性，再加上復(fù)雜的環(huán)境變化以及受水流(速度、強度)、水溫、水壓等帶來的外界不確定擾動影響，因此無法獲得機器人精確、完整的運動模型，所以常規(guī)的控制方法和現(xiàn)代控制法方也無法或難以保證其控制精度，存在要么過于復(fù)雜要么無法保證其控制的實時性等問題。所以，在滿足機器人控制精度的前提下，設(shè)計一種簡單可靠、實時性好、便于實現(xiàn)、能夠在水下工作的智能二關(guān)節(jié)機器人控制方法是保證機器人正常工作的關(guān)鍵技術(shù)難題。


發(fā)明內(nèi)容
本發(fā)明要解決的問題就在于針對現(xiàn)有技術(shù)存在的技術(shù)問題，本發(fā)明提供一種基于模糊高斯基神經(jīng)網(wǎng)絡(luò)控制方法、能夠克服由于機器人自身建模困難、環(huán)境擾動不確定性等帶來的影響、既能綜合人類專家的控制經(jīng)驗，又具有神經(jīng)網(wǎng)絡(luò)控制器的自學(xué)習(xí)功能，從而達到較高控制精度的大型冷凝器水下作業(yè)環(huán)境下二關(guān)節(jié)機器人的控制方法。
為解決上述技術(shù)問題，本發(fā)明提出的解決方案為一種大型冷凝器水下作業(yè)環(huán)境下二關(guān)節(jié)機器人的控制方法，其特征在于步驟為 (1)、建立模糊高斯基神經(jīng)網(wǎng)絡(luò)控制器結(jié)構(gòu)，整個網(wǎng)絡(luò)分為兩個子網(wǎng)，每個子網(wǎng)代表一個關(guān)節(jié)的伺服控制器，考慮到關(guān)節(jié)之間的耦合作用，兩子網(wǎng)的輸出u1和u2分別乘以相應(yīng)的影響因子得到整個網(wǎng)絡(luò)的輸出y1和y2； (2)、初始化控制系統(tǒng)的各個參數(shù)及網(wǎng)絡(luò)權(quán)值，取控制周期T值，通過軸編碼器獲取機器人當(dāng)前二關(guān)節(jié)的角位移(θ1、θ2)，并通過預(yù)期定位坐標，計算出二關(guān)節(jié)的期望運動角位移(θd1、θd2)，從而求取二關(guān)節(jié)角位移的誤差和誤差變化率e1＝θd1-θ1、e2＝θd2-θ2、 (3)、將(e1、e2、ec1、ec2)作為模糊高斯基神經(jīng)網(wǎng)絡(luò)控制器的輸入，通過模糊高斯基神經(jīng)網(wǎng)絡(luò)控制器求取二關(guān)節(jié)運動點上施加的力矩(t1、t2)，其中(t1、t2)滿足關(guān)系式t1＝y(tǒng)1，t2＝y(tǒng)2，根據(jù)力矩(t1、t2)控制二關(guān)節(jié)機器人上兩個關(guān)節(jié)的電機運動，到達預(yù)期定位坐標。
所述步驟(1)中模糊高斯基神經(jīng)網(wǎng)絡(luò)控制器依次分為5層，在下列各式中kinj(i)、koutj(i)分別代表第k個子網(wǎng)的第i層網(wǎng)絡(luò)的第j個神經(jīng)元的輸入和輸出 ①計算輸入；第1層將輸入誤差和誤差變化率(e1、e2、ec1、ec2)引入網(wǎng)絡(luò)，每個輸入的論域均為[-1，1]； 其中kxi代表第k個子網(wǎng)的第i個輸入； ②模糊化；第2層對輸入進行模糊化，對應(yīng)于每個輸入有3個模糊語言詞集{N，Z，P}＝{“負”，“零”，“正”}，隸屬函數(shù)采用高斯基函數(shù)，與{N，Z，P}對應(yīng)的中心值分別為{-1，0，1}，寬度為{0.5，0.5，0.5}， 式中，kAij代表第k個子網(wǎng)中第i個輸入對應(yīng)的第j個語言詞集，kaij、kbij分別為kAij的中心值和寬度； ③交叉相乘；第3層代表“and”操作，在此網(wǎng)絡(luò)中用乘法代替取小運算， ④去模糊化；第4層代表去模糊化過程，在這里采用權(quán)值平均判決法， 在式中，kωij(3)為網(wǎng)絡(luò)的權(quán)值，其物理意義是各控制規(guī)則的輸出對應(yīng)的語言詞集的中心值； ⑤耦合處理；第5層代表關(guān)節(jié)之間的耦合作用， 其中，ωkl(4)為網(wǎng)絡(luò)權(quán)值，它反映了各關(guān)節(jié)之間的耦合作用。
所述步驟(2)中，使模糊高斯基神經(jīng)網(wǎng)絡(luò)控制器完成“離線學(xué)習(xí)”，其步驟為 ①采用隨機函數(shù)初始化網(wǎng)絡(luò)各權(quán)值ωkl(4)、kωij(3)和高斯函數(shù)的參數(shù)kaij、kbij； ②在模糊高斯基神經(jīng)網(wǎng)絡(luò)控制器中輸入離線學(xué)習(xí)樣本數(shù)據(jù)(






)； ③通過模糊高斯基神經(jīng)網(wǎng)絡(luò)計算網(wǎng)絡(luò)輸出y1和y2； ④根據(jù)下列公式(7)，計算Joff； 式中，

為樣本輸出，即網(wǎng)絡(luò)期望輸出，yl為網(wǎng)絡(luò)實際輸出； ⑤如果Joff小于或等于0.01，則離線學(xué)習(xí)結(jié)束，得到權(quán)值ωkl(4)、kωij(3)和高斯函數(shù)的參數(shù)kaij、kbij； ⑥如果Joff大于0.01，則通過下列公式(7)～公式(10)，計算并更新參數(shù)ωkl(4)、kωij(3)和kaij、kbij，并返回第③步進入計算流程，直至得到符合要求的權(quán)值ωkl(4)、kωij(3)和高斯函數(shù)的參數(shù)kaij、kbij 其中，η1、η2、η3和η4為學(xué)習(xí)率。
所述模糊高斯基神經(jīng)網(wǎng)絡(luò)控制器完成“離線學(xué)習(xí)”后，可進行“在線學(xué)習(xí)”，在此，為保證控制系統(tǒng)的實時性，僅對參數(shù)ωkl(4)和kωij(3)進行“在線學(xué)習(xí)”，其步驟為 ①用離線學(xué)習(xí)方法得到的參數(shù)ωkl(4)、kωij(3)和kaij、kbij賦值于模糊高斯基神經(jīng)網(wǎng)絡(luò)； ②根據(jù)機器人實際運行的控制輸入，通過模糊高斯基神經(jīng)網(wǎng)絡(luò)控制機器人的動作，獲得機器人的實際輸出θ1、θ2； ③根據(jù)參考期望輸出θd1、θd2和θ1、θ2，采用下列公式(12)，計算Jon ④如果Jon小于或等于0.005，則結(jié)束在線學(xué)習(xí)，得到權(quán)值ωkl(4)、kωij(3)； ⑤如果Jon大于0.005，則通過下列公式(12)～公式(17)，計算并更新參數(shù)ωkl(4)、kωij(3)，且返回步驟②進入計算流程，直至得到符合要求的權(quán)值ωkl(4)、kωij(3) k＝1，2；i＝1，2，3；j＝1，2，3；l＝1，2(16) 其中，η1、η2、η3和η4為學(xué)習(xí)率，ε是個極小的正數(shù)。
與現(xiàn)有技術(shù)相比，本發(fā)明的優(yōu)點就在于 1、本發(fā)明采用模糊高斯基神經(jīng)網(wǎng)絡(luò)控制方法，將神經(jīng)網(wǎng)絡(luò)與模糊控制相結(jié)合，能夠較好的克服兩者各自的缺點，既可以使模糊控制具有自學(xué)習(xí)的能力，又可以賦予神經(jīng)網(wǎng)絡(luò)推理歸納的能力，同時還能夠使網(wǎng)絡(luò)的結(jié)構(gòu)、權(quán)值具有明確的物理意義； 2、本發(fā)明與以往傳統(tǒng)的機器人控制方法相比，該方法能在水下惡劣環(huán)境下，具有根據(jù)環(huán)境的變化進行控制器在線參數(shù)學(xué)習(xí)整定的功能，因此使機器人的控制具有了很強的魯棒性； 3、本方法解決了因外界參數(shù)不確定性和干擾未知時的二關(guān)節(jié)機器人控制問題，能實現(xiàn)水下環(huán)境的精確作業(yè)控制。



圖1是基于模糊高斯基神經(jīng)網(wǎng)絡(luò)的二關(guān)節(jié)機器人控制系統(tǒng)結(jié)構(gòu)示意圖； 圖2是模糊高斯基神經(jīng)網(wǎng)絡(luò)控制器的結(jié)構(gòu)示意圖； 圖3是隸屬函數(shù)的初始形狀與分布示意圖； 圖4是關(guān)節(jié)1的軌跡跟蹤控制曲線示意圖； 圖5是關(guān)節(jié)1的跟蹤誤差曲線示意圖； 圖6是關(guān)節(jié)2的軌跡跟蹤控制曲線示意圖； 圖7是關(guān)節(jié)2的跟蹤誤差曲線示意圖； 圖8是模糊高斯基神經(jīng)網(wǎng)絡(luò)的二關(guān)節(jié)機器人控制系統(tǒng)作業(yè)的流程示意圖； 圖9是模糊高斯基神經(jīng)網(wǎng)絡(luò)輸入輸出處理的流程示意圖； 圖10是離線學(xué)習(xí)算法的流程示意圖； 圖11是在線學(xué)習(xí)算法的流程示意圖。

具體實施例方式 以下將結(jié)合附圖和具體實施例對本發(fā)明做進一步詳細說明。
如圖8所示，本發(fā)明一種大型冷凝器水下作業(yè)環(huán)境下二關(guān)節(jié)機器人的控制方法，其步驟為 (1)、建立模糊高斯基神經(jīng)網(wǎng)絡(luò)控制器結(jié)構(gòu)，整個網(wǎng)絡(luò)分為兩個子網(wǎng)，每個子網(wǎng)代表一個關(guān)節(jié)的伺服控制器，考慮到關(guān)節(jié)之間的耦合作用，兩子網(wǎng)的輸出u1和u2分別乘以相應(yīng)的影響因子得到整個網(wǎng)絡(luò)的輸出y1和y2； (2)、初始化控制系統(tǒng)的各個參數(shù)及網(wǎng)絡(luò)權(quán)值，取控制周期T值，通過軸編碼器獲取機器人當(dāng)前二關(guān)節(jié)的角位移(θ1、θ2)，并通過預(yù)期定位坐標，計算出二關(guān)節(jié)的期望運動角位移(θd1、θd2)，從而求取二關(guān)節(jié)角位移的誤差和誤差變化率e1＝θd1-θ1、e2＝θd2-θ2、； (3)、將(e1、e2、ec1、ec2)作為模糊高斯基神經(jīng)網(wǎng)絡(luò)控制器的輸入，通過模糊高斯基神經(jīng)網(wǎng)絡(luò)控制器求取二關(guān)節(jié)運動點上施加的力矩(t1、t2)，其中(t1、t2)滿足關(guān)系式t1＝y(tǒng)1，t2＝y(tǒng)2，根據(jù)力矩(t1、t2)控制二關(guān)節(jié)機器人上兩個關(guān)節(jié)的電機運動，到達預(yù)期定位坐標。
如圖1、圖2和圖9所示，在上述步驟(1)中模糊高斯基神經(jīng)網(wǎng)絡(luò)控制器依次分為5層，在下列各式中kinj(i)、koutj(i)分別代表第k個子網(wǎng)的第i層網(wǎng)絡(luò)的第j個神經(jīng)元的輸入和輸出 ①計算輸入；第1層將輸入誤差和誤差變化率(e1、e2、ec1、ec2)引入網(wǎng)絡(luò)，每個輸入的論域均為[-1，1]； 其中kxi代表第k個子網(wǎng)的第i個輸入； ②模糊化；第2層對輸入進行模糊化，對應(yīng)于每個輸入有3個模糊語言詞集{N，Z，P}＝{“負”，“零”，“正”}，隸屬函數(shù)采用高斯基函數(shù)，與{N，Z，P}對應(yīng)的中心值分別為{-1，0，1}，寬度為{0.5，0.5，0.5}， 式中，kAij代表第k個子網(wǎng)中第i個輸入對應(yīng)的第j個語言詞集，kaij、kbij分別為kAij的中心值和寬度； ③交叉相乘；第3層代表“and”操作，在此網(wǎng)絡(luò)中用乘法代替取小運算， ④去模糊化；第4層代表去模糊化過程，在這里采用權(quán)值平均判決法， 在式中，kωij(3)為網(wǎng)絡(luò)的權(quán)值，其物理意義是各控制規(guī)則的輸出對應(yīng)的語言詞集的中心值； ⑤耦合處理；第5層代表關(guān)節(jié)之間的耦合作用， 其中，ωkl(4)為網(wǎng)絡(luò)權(quán)值，它反映了各關(guān)節(jié)之間的耦合作用。
在圖1中，θd1、θd2是二關(guān)節(jié)的期望位置，θ1、θ2為二關(guān)節(jié)的實際位置，e1、e2為二關(guān)節(jié)的位置誤差，e1、e2經(jīng)微分后得到誤差變化率ec1、ec2。t1、t2為作用于二關(guān)節(jié)的轉(zhuǎn)矩。圖1中，模糊高斯基神經(jīng)網(wǎng)絡(luò)被用作關(guān)節(jié)伺服控制器。下面的符號存在以下關(guān)系1x1＝e1，1x2＝ec1，2x1＝e2，2x2＝ec2，t1＝y(tǒng)1，t2＝y(tǒng)2。
如圖9所示，在上述步驟(2)中，使模糊高斯基神經(jīng)網(wǎng)絡(luò)控制器完成“離線學(xué)習(xí)”，其步驟為 ①采用隨機函數(shù)初始化網(wǎng)絡(luò)各權(quán)值ωkl(4)、kωij(3)和高斯函數(shù)的參數(shù)kaij、kbij； ②在模糊高斯基神經(jīng)網(wǎng)絡(luò)控制器中輸入離線學(xué)習(xí)樣本數(shù)據(jù)(






)； ③通過模糊高斯基神經(jīng)網(wǎng)絡(luò)計算網(wǎng)絡(luò)輸出y1和y2； ④根據(jù)下列公式(7)，計算Joff； 式中，

為樣本輸出，即網(wǎng)絡(luò)期望輸出，yl為網(wǎng)絡(luò)實際輸出； ⑤如果Joff小于或等于0.01，則離線學(xué)習(xí)結(jié)束，得到權(quán)值ωkl(4)、kωij(3)和高斯函數(shù)的參數(shù)kaij、kbij； ⑥如果Joff大于0.01，則通過下列公式(8)～公式(11)，計算并更新參數(shù)ωkl(4)、kωij(3)和kaij、kbij，并返回第③步進入計算流程，直至得到符合要求的權(quán)值ωkl(4)、kωij(3)和高斯函數(shù)的參數(shù)kaij、kbij 其中，η1、η2、η3和η4為學(xué)習(xí)率 在具體實施例中，“離線學(xué)習(xí)”的具體步驟為在離線學(xué)習(xí)階段，首先選取一組樣本數(shù)據(jù)(






)，然后用此樣本數(shù)據(jù)對網(wǎng)絡(luò)進行訓(xùn)練，訓(xùn)練的值包括ωkl(4)、kωij(3)以及高斯函數(shù)的參數(shù)kaij、kbij。通過迭代公式(8)～公式(11)計算。
訓(xùn)練的目標函數(shù)為 式中，

為樣本輸出，即網(wǎng)絡(luò)期望輸出，yl為網(wǎng)絡(luò)實際輸出。則有 如圖10所示，模糊高斯基神經(jīng)網(wǎng)絡(luò)控制器完成“離線學(xué)習(xí)”后，可進行“在線學(xué)習(xí)”，其步驟為 ①用離線學(xué)習(xí)方法得到的參數(shù)ωkl(4)、kωij(3)和kaij、kbij賦值于模糊高斯基神經(jīng)網(wǎng)絡(luò)； ②根據(jù)機器人實際運行的控制輸入，通過模糊高斯基神經(jīng)網(wǎng)絡(luò)控制機器人的動作，獲得機器人的實際輸出θ1、θ2； ③根據(jù)參考期望輸出θd1、θd2和θ1、θ2，采用下列公式(18)，計算Jon ④如果Jon小于或等于0.005，則結(jié)束在線學(xué)習(xí)，得到權(quán)值ωkl(4)、kωij(3)； ⑤如果Jon大于0.005，則通過下列公式(19)～公式(23)，計算并更新參數(shù)ωkl(4)、kωij(3)，且返回步驟②進入計算流程，直至得到符合要求的權(quán)值ωkl(4)、kωij(3) 其中，η1、η2、η3和η4為學(xué)習(xí)率，ε是個極小的正數(shù)。
以下用一個具體應(yīng)用實例對本發(fā)明的操作進行詳細說明。本專利的智能二關(guān)節(jié)機器人的控制方法應(yīng)用于水下冷凝器清洗機器人的控制中，具體的參數(shù)為m1＝10kg，m2＝2kg和l1＝1.1m，l2＝0.8m。初始條件為θ1(0)＝0rad，θ2(0)＝1rad，

期望軌跡為θd1(t)＝sin(2πt)，θd2(t)＝cos(2πt)，采樣周期T為0.0005s。假設(shè)摩擦項和擾動項分別為網(wǎng)絡(luò)的權(quán)值kωij(3)，ωij(4)的初值分別如表1、表2、表3所示。
表1權(quán)值1ωij(3)的初值 表2權(quán)值2ωij(3)的初值 表3權(quán)值ωij(4)的初值 如圖4～7所示，給出了所提模糊高斯基神經(jīng)網(wǎng)絡(luò)控制方法的結(jié)果，并與傳統(tǒng)的模糊控制結(jié)果進行了比較。圖4給出了關(guān)節(jié)1的軌跡跟蹤曲線，在圖中的三條曲線中，——表示關(guān)節(jié)1的角位移期望曲線；----·表示采用模糊高斯基控制器時，關(guān)節(jié)1的角位移變化曲線；……………表示采用傳統(tǒng)模糊邏輯控制器時，關(guān)節(jié)1的角位移變化曲線；從圖中可以看出，模糊高斯基控制器的更能使關(guān)節(jié)1的角位移最大限度的跟蹤期望曲線，因此性能優(yōu)于傳統(tǒng)的模糊邏輯控制器。
如圖5所示，給出了關(guān)節(jié)1的跟蹤誤差曲線，在圖中的兩條曲線中，——表示表示采用模糊高斯基控制器時，關(guān)節(jié)1的角位移的誤差曲線；----.表示采用傳統(tǒng)模糊邏輯控制器時，關(guān)節(jié)1的角位移的誤差曲線；從圖中可以看出，采用模糊高斯基控制器，誤差較小，并能很快使誤差接近零值。
如圖6所示，給出了關(guān)節(jié)2的軌跡跟蹤曲線，在圖中的三條曲線中，——表示關(guān)節(jié)2的角位移期望曲線；----.表示采用模糊高斯基控制器時，關(guān)節(jié)2的角位移變化曲線；...............表示采用傳統(tǒng)模糊邏輯控制器時，關(guān)節(jié)2的角位移變化曲線；從圖中可以看出，模糊高斯基控制器的更能使關(guān)節(jié)2的角位移最大限度的跟蹤期望曲線，因此性能優(yōu)于傳統(tǒng)的模糊邏輯控制器。
如圖7所示，給出了關(guān)節(jié)2的跟蹤誤差曲線，在圖中的兩條曲線中，——表示表示采用模糊高斯基控制器時，關(guān)節(jié)2的角位移的誤差曲線；----.表示采用傳統(tǒng)模糊邏輯控制器時，關(guān)節(jié)2的角位移的誤差曲線；從圖中可以看出，采用模糊高斯基控制器，誤差較小，并能很快使誤差接近零值。從控制結(jié)果可以看出，模糊高斯基神經(jīng)網(wǎng)絡(luò)能夠很好地用于機器人的控制，其性能與模糊控制器相比有了較大的提高。
權(quán)利要求
1.一種大型冷凝器水下作業(yè)環(huán)境下二關(guān)節(jié)機器人的控制方法，其特征在于步驟為
(1)、建立模糊高斯基神經(jīng)網(wǎng)絡(luò)控制器結(jié)構(gòu)，整個網(wǎng)絡(luò)分為兩個子網(wǎng)，每個子網(wǎng)代表一個關(guān)節(jié)的伺服控制器，考慮到關(guān)節(jié)之間的耦合作用，兩子網(wǎng)的輸出u1和u2分別乘以相應(yīng)的影響因子得到整個網(wǎng)絡(luò)的輸出y1和y2；
(2)、初始化控制系統(tǒng)的各個參數(shù)及網(wǎng)絡(luò)權(quán)值，取控制周期T值，通過軸編碼器獲取機器人當(dāng)前二關(guān)節(jié)的角位移(θ1、θ2)，并通過預(yù)期定位坐標，計算出二關(guān)節(jié)的期望運動角位移(θd1、θd2)，從而求取二關(guān)節(jié)角位移的誤差和誤差變化率e1＝θd1-θ1、e2＝θd2-θ2、
(3)、將(e1、e2、ec1、ec2)作為模糊高斯基神經(jīng)網(wǎng)絡(luò)控制器的輸入，通過模糊高斯基神經(jīng)網(wǎng)絡(luò)控制器求取二關(guān)節(jié)運動點上施加的力矩(t1、t2)，其中(t1、t2)滿足關(guān)系式t1＝y(tǒng)1，t2＝y(tǒng)2，根據(jù)力矩(t1、t2)控制二關(guān)節(jié)機器人上兩個關(guān)節(jié)的電機運動，到達預(yù)期定位坐標。
2.根據(jù)權(quán)利要求1所述的大型冷凝器水下作業(yè)環(huán)境下二關(guān)節(jié)機器人的控制方法，其特征在于所述步驟(1)中模糊高斯基神經(jīng)網(wǎng)絡(luò)控制器依次分為5層，在下列各式中kinj(i)、koutj(i)分別代表第k個子網(wǎng)的第i層網(wǎng)絡(luò)的第j個神經(jīng)元的輸入和輸出
①計算輸入；第1層將輸入誤差和誤差變化率(e1、e2、ec1、ec2)引入網(wǎng)絡(luò)，每個輸入的論域均為[-1，1]；
其中kxi代表第k個子網(wǎng)的第i個輸入；
②模糊化；第2層對輸入進行模糊化，對應(yīng)于每個輸入有3個模糊語言詞集{N，Z，P}＝{“負”，“零”，“正”}，隸屬函數(shù)采用高斯基函數(shù)，與{N，Z，P}對應(yīng)的中心值分別為{-1，0，1}，寬度為{0.5，0.5，0.5}，
式中，kAij代表第k個子網(wǎng)中第i個輸入對應(yīng)的第j個語言詞集，kaij、kbij分別為kAij的中心值和寬度；
③交叉相乘；第3層代表“and”操作，在此網(wǎng)絡(luò)中用乘法代替取小運算，
④去模糊化；第4層代表去模糊化過程，在這里采用權(quán)值平均判決法，
在式中，kωij(3)為網(wǎng)絡(luò)的權(quán)值，其物理意義是各控制規(guī)則的輸出對應(yīng)的語言詞集的中心值；
⑤耦合處理；第5層代表關(guān)節(jié)之間的耦合作用，
其中，ωkl(4)為網(wǎng)絡(luò)權(quán)值，它反映了各關(guān)節(jié)之間的耦合作用。
3.根據(jù)權(quán)利要求1或2所述的大型冷凝器水下作業(yè)環(huán)境下二關(guān)節(jié)機器人的控制方法，其特征在于所述步驟(2)中，使模糊高斯基神經(jīng)網(wǎng)絡(luò)控制器完成“離線學(xué)習(xí)”，其步驟為
①初始化網(wǎng)絡(luò)各權(quán)值ωkl(4)、kωij(3)和高斯函數(shù)的參數(shù)kaij、kbij；
②在模糊高斯基神經(jīng)網(wǎng)絡(luò)控制器中輸入離線學(xué)習(xí)樣本數(shù)據(jù)
③通過模糊高斯基神經(jīng)網(wǎng)絡(luò)計算網(wǎng)絡(luò)輸出y1和y2；
④根據(jù)下列公式(7)，計算Joff；
式中，
為樣本輸出，即網(wǎng)絡(luò)期望輸出，yl為網(wǎng)絡(luò)實際輸出；
⑤如果Joff小于或等于0.01，則離線學(xué)習(xí)結(jié)束，得到權(quán)值ωkl(4)、kωij(3)和高斯函數(shù)的參數(shù)kaij、kbij；
⑥如果Joff大于0.01，則通過下列公式(8)～公式(11)，計算并更新參數(shù)ωkl(4)、kωij(3)和kaij、kbij，并返回第③步進入計算流程，直至得到符合要求的權(quán)值ωkl(4)、kωij(3)和高斯函數(shù)的參數(shù)kaij、kbij
其中，η1、η2、η3和η4為學(xué)習(xí)率。
4.根據(jù)權(quán)利要求3所述的大型冷凝器水下作業(yè)環(huán)境下二關(guān)節(jié)機器人的控制方法，其特征在于所述模糊高斯基神經(jīng)網(wǎng)絡(luò)控制器完成“離線學(xué)習(xí)”后，可進行“在線學(xué)習(xí)”，為保證控制系統(tǒng)的實時性，僅對參數(shù)ωkl(4)和kωij(3)進行“在線學(xué)習(xí)”，其步驟為
①用離線學(xué)習(xí)方法得到的參數(shù)ωkl(4)、kωij(3)和kaij、kbij賦值于模糊高斯基神經(jīng)網(wǎng)絡(luò)；
②根據(jù)機器人實際運行的控制輸入，通過模糊高斯基神經(jīng)網(wǎng)絡(luò)控制機器人的動作，獲得機器人的實際輸出θ1、θ2；
③根據(jù)參考期望輸出θd1、θd2和θ1、θ2，采用下列公式(12)，計算Jon
④如果Jon小于或等于0.005，則結(jié)束在線學(xué)習(xí)，得到權(quán)值ωkl(4)、kωij(3)；
⑤如果Jon大于0.005，則通過下列公式(12)～公式(17)，計算并更新參數(shù)ωkl(4)、kωij(3)，且返回步驟②進入計算流程，直至得到符合要求的權(quán)值ωkl(4)、kωij(3)
其中，η1、η2、η3和η4為學(xué)習(xí)率，ε是個極小的正數(shù)。
全文摘要
本發(fā)明公開了一種大型冷凝器水下作業(yè)環(huán)境下二關(guān)節(jié)機器人的控制方法，其步驟為(1)、建立模糊高斯基神經(jīng)網(wǎng)絡(luò)控制器結(jié)構(gòu)，每個子網(wǎng)代表一個關(guān)節(jié)的伺服控制器；(2)、初始化控制系統(tǒng)的各個參數(shù)及網(wǎng)絡(luò)權(quán)值，并根據(jù)當(dāng)前二關(guān)節(jié)的角位移和期望的運動角位移，得到二關(guān)節(jié)角位移的誤差和誤差變化率；(3)、將誤差和誤差變化率作為模糊高斯基神經(jīng)網(wǎng)絡(luò)控制器的輸入，通過模糊高斯基神經(jīng)網(wǎng)絡(luò)控制器求取二關(guān)節(jié)運動點上施加的力矩，根據(jù)力矩控制電機使關(guān)節(jié)到達預(yù)期定位坐標。本發(fā)明能克服由于機器人自身建模困難、環(huán)境擾動不確定性等帶來的影響、既能綜合人類專家的控制經(jīng)驗，又具有神經(jīng)網(wǎng)絡(luò)控制器的自學(xué)習(xí)功能，從而達到較高控制精度。
文檔編號G05B13/02GK101122777SQ20071003576
公開日2008年2月13日 申請日期2007年9月18日 優(yōu)先權(quán)日2007年9月18日
發(fā)明者王耀南, 輝 張, 彭金柱, 余洪山, 煒 孫 申請人:湖南大學(xué)