自動化雙控專業(yè)xxxS200502112柔性機械臂控制策略一、題目要求某一個柔性機械臂系統(tǒng)，該系統(tǒng)中有一個電流常數(shù)為kt的驅動負載的電動機，其負載由彈性系數(shù)為k的彈簧連接的兩個質量塊組成（如圖所示）。1111圖1系統(tǒng)示意圖若忽略摩擦，假設彈簧的相對阻尼為圖1系統(tǒng)示意圖若忽略摩擦，假設彈簧的相對阻尼為d，并且第一個質量塊受到力矩為V的擾動。系統(tǒng)的輸入信號是電動機的電流I。兩個質量塊的角速度為3和3，角度為平和平2，轉動慣量為J量為J1和J2，系統(tǒng)的輸出是角速度32。現(xiàn)在令X—P—31 1 2X—3/3X—3.3其中:、k(J+J)

■——12-'JJ則可得系統(tǒng)的模型XJX.XJX.2X3-P1P2-1P,-P2X1X2X3」其中：a10k其中：a10k=1，d—0.1v為時間看=25時高為-10且持續(xù)時間為, 1 ……5―-一。具體參數(shù):JR0.1時間單位的一個脈沖信自動化雙控專業(yè)xxxS200502112自動化雙控專業(yè)xxxS200502112二、控制方案的選擇與分析1,對柔性機械臂的控制一般有如下方式：前饋補償法：將機械臂柔性變形形成的機械振動看成是對剛性運動的確定性干擾，而采用前饋補償?shù)霓k法來抵消這種干擾。被動阻尼控制：為降低柔性體相對彈性變形的影響，選用各種耗能或儲能材料設計臂的結構以控制振動。或者在柔性梁上采用阻尼減振器等力反饋控制法：基于逆動力學分析的控制方法，即根據(jù)逆動力學分析，通過臂末端的給定運動求得施加于驅動端的力矩，并通過運動或力檢測對驅動力矩進行反饋補償。自適應控制：將系統(tǒng)劃分成關節(jié)子系統(tǒng)和柔性子系統(tǒng).利用參數(shù)線性化的方法設計自適應控制規(guī)則來辨識柔性機械臂的不確定性參數(shù)。PID控制：常通過調整控制器增益構成自校正PID控制器或與其它控制方法結合構成復合控制系統(tǒng)以改善PID控制器性能。6)模糊與神經網絡控制：是一種語言控制器，可反映人在進行控制活動時的思維特點。其主要特點之一是控制系統(tǒng)設計并不需要通常意義上的被控對象的數(shù)學模型，而是需要操作者或專家的經驗知識，操作數(shù)據(jù)等。本次設計中系統(tǒng)的傳遞函數(shù)已經給出，我們考慮用模糊與神經網絡控制的方法對該柔性機械臂系統(tǒng)進行控制與仿真。因此我們只要將它離散化，并化為差分方程，然后再建立此動態(tài)系統(tǒng)的逆模型，繼而進行神經網絡控制，即可使系統(tǒng)的輸出和期望輸出接近一致。期望輸出設定為5。通過對原動態(tài)系統(tǒng)離散化，取采樣時間T=0.1s，采用零階保持器，求得差分方程。S可得其逆模型為：u(k)=fT[y(k+1),y(k),y(k-1),y(k-2);u(k-1),u(k-2)]d利用神經網絡逼近上述差分方程中的未知非線性函數(shù)f-1(,)，直接與被控對象串聯(lián)，使期望輸出與對象實際輸出之間的傳遞函數(shù)等于1。下面為神經網絡實現(xiàn)直接逆控制的框圖。 -W-NNC ?動態(tài)系統(tǒng)圖2神經網絡實現(xiàn)直接逆控制的框圖2，神經網絡控制理論基礎神經網絡預測控制時使用非線性神經網絡模型來預測未來模型性能?？刂破饔嬎憧刂戚斎朐谖磥硪欢沃付ǖ臅r間內將最優(yōu)化模型性能。模型預測第一步是要建立神經網絡模型(系自動化雙控專業(yè)xxxS200502112自動化雙控專業(yè)xxxS200502112統(tǒng)辨識)；第二步是使用控制器來預測未來神經網絡性能。圖3圖3神經網絡模型結構系統(tǒng)辨識系統(tǒng)辨識分為兩步：第一步為產生訓練數(shù)據(jù)，第二步為訓練網絡模型。在模型辨識窗口中，設置好相應的參數(shù)后，就可以來產生訓練序列，程序會通過SIMULINK網絡模型提供一系列隨機階躍信號，來產生訓練數(shù)據(jù)。模型預測模型預測第一步就是訓練神經網絡未來表示網絡的動態(tài)機制。模型輸出與神經網絡輸出之間的預測誤差，用來作為神經網絡的訓練信號。神經網絡模型利用當前輸入和當前輸出預測神經網絡未來輸出值。模型預測方法是基于水平后退的方法，神經網絡模型預測在指定時間內預測模型響應。預測使用數(shù)字最優(yōu)化程序了確定控制信號，通過最優(yōu)化如下的性能準則函數(shù)，即J=2(4任+力-％什+力/+P￡5(寸+j-D-理(力+j-2))j= 7=1上面公式中，N2為預測時域長度；N為控制時域長度；u(t)為控制信號；y為期望響應;ym為網絡模型響應；為控制量加權系數(shù)。 r控制器方塊可用Simulink來實現(xiàn)。本文主要就神經網絡控制作了學習并應用。三、神經網絡設計過程建立m文件對于該柔性機械臂系統(tǒng)，所要選擇的參數(shù)就是\和J2，相對阻尼為d，和彈性系數(shù)為k。為此先設計一個m文件。當系統(tǒng)參數(shù)改變時，只要我們稍微的改變m文件的參數(shù)設置就可以對系統(tǒng)進行仿真了。J1=0.005;%para.mJ2=10; %參數(shù)初始化k=1;d=0.1;kI=1;w=((k*(J1+J2))/(J1*J2))A0.5;自動化雙控專業(yè)xxxS200502112a=J1/(J1+J2);b1=d/(J1*w0);b2=d/(J2*w0);gamma=kI/(J1*w0);delta=1/(J1*w0);A=[a1-1;a-1-b1b1;ab2-b2];A=w.*A;B=[0;gamma;0];C=[00w];D=0;神經網絡的設計首先判斷給定系統(tǒng)的可控性。因為系統(tǒng)的極點配置也是系統(tǒng)很重要的一指標。對給定系統(tǒng)的參數(shù)(A,B,C,D)X'=[0.11-1;-0.9-0.090.09;0.10.01-0.01]x+[0;0.9;0]u+[0;0.9;0]vY=[001]x有rank(A,B)=3,知系統(tǒng)完全可控。對系統(tǒng)SIMINK建模，其文件名為rarmmdl.mdl圖4系統(tǒng)SIMULINK框圖通過神經網絡對系統(tǒng)進行控制常用的方法是，反饋線性控制，神經網絡模型預測控制，模型參考控制我們利用的是反饋線性控制，實現(xiàn)柔性機械臂系統(tǒng)的控制自動化雙控專業(yè)xxxS200502112圖5RARMA-L2SIMULINK框圖反饋線性化（NARMA-L2）的中心思想是通過去掉非線性，將一個非線性系統(tǒng)變換成線性系統(tǒng)。利用的是SIMULINKNeural/NetworkBlockset/ControlSystems的控制模塊實現(xiàn)對系統(tǒng)的控制，連線如圖所示。系統(tǒng)的辨識，首先產生訓練數(shù)據(jù)，直到接受為由AcceptData）。其次訓練網絡模型，設置好辨識模型辨識窗口的參數(shù)后，訓練數(shù)列，產生訓練數(shù)據(jù)。神經網絡控制器雙擊控制模塊，通過修正參數(shù)，實現(xiàn)控制，具體過程如下圖6參數(shù)設置窗口圖6參數(shù)設置窗口自動化雙控專業(yè)xxxS200502112自動化雙控專業(yè)xxxS200502112圖7產生訓練數(shù)據(jù)接受訓練數(shù)據(jù)(AcceptData)后，就訓練網絡模型(口疝口Network)。最后停止訓練(StopTraining)時，訓練結果會顯示訓練數(shù)據(jù)和合法數(shù)據(jù)。每個圖中，左上角的圖顯示了隨機輸入信號的階躍高度和寬度；右上角的圖顯示了被控對象的輸出；右下角的圖顯示了誤差，即系統(tǒng)輸出與網絡輸出的差別；右下角的圖顯示了神經網絡模型輸出。n|x|FileEditViewInsertn|x|FileEditViewInsertToolsDesktopWindowHelpTrainingwithTRAINLMp蒼JseJLOSnm&uc-E」自動化雙控專業(yè)xxxS200502112圖8網絡模型訓練自動化雙控專業(yè)xxxS200502112圖8網絡模型訓練圖9訓練數(shù)據(jù)與合法數(shù)據(jù)完成神經網絡控制器的訓練后，輸入隨機階躍信號，驗證系統(tǒng)的跟蹤情況。如果不滿意，可以對網絡的參數(shù)重新進行設定并訓練，直到自己滿意為止。圖10圖10隨機階躍信號輸入的跟隨圖驗結果與分析由于示波器的顯示問題，25s由于示波器的顯示問題，25s后的不好觀察，就改為在2s時引入擾動。自動化雙控專業(yè)xxxS200502112自動化雙控專業(yè)xxxS200502112引入擾動的方法是，另加階躍信號與之疊加，只要對steptime進行設置就可以了。如仿真試驗結果如下圖所示仿真試驗結果如下圖所示圖12仿真結果結果分析：經過多次的參數(shù)設計，最后的仿真結果基本還是比較理想的。NARMA-L2控制器的魯棒性還是很高的，對于擾動可以快速的濾掉。反饋線性化的神經網絡控制，有著其智能化的優(yōu)勢，在跟隨的時間上更加的及時。在實現(xiàn)上也體現(xiàn)出其特有的方便快捷的特點，因為建立神經網絡模型的方便，以后會得到更多的運用。四，總結神經網絡控制有其特方便的地方，依賴于MATLAB系統(tǒng)工具箱，不需要我們編寫復雜的程序，只要很好的訓練數(shù)據(jù)與網絡就行。問題也就是在訓練時花些時間，有時還要反復的調試訓練，直到滿意為止。遇到的難點：

自動化雙控專業(yè)xxxS200502112自動化雙控專業(yè)xxxS200502112一，系統(tǒng)建模的問題，在和很多等同學的探討中解決。二，輸出發(fā)散不能很好的跟隨的問題，與系統(tǒng)SIMULINK建模時前饋設置的參數(shù)有關，還與訓練時的數(shù)據(jù)都有關系。