基于T-S型模糊神經網絡的機械手控制方案設計研究

孫 超，劉世聰

(東北石油大學電氣信息工程學院，黑龍江 大慶 163318)

李 勇，周 慶，殷美艷

(大慶油田有限責任公司第三采油廠, 黑龍江 大慶 163113)

基于T-S型模糊神經網絡的機械手控制方案設計研究

孫 超，劉世聰

(東北石油大學電氣信息工程學院，黑龍江 大慶 163318)

李 勇，周 慶，殷美艷

(大慶油田有限責任公司第三采油廠, 黑龍江 大慶 163113)

機械手軌跡跟蹤控制問題在機器人研究領域占有舉足輕重的地位，現在已有很多控制方法，但是控制效果都不夠理想。設計了基于T-S型模糊神經網絡的機械手軌跡跟蹤控制方案，用改進自適應遺傳算法與BP算法相結合的混合學習算法來優化網絡的權值。仿真試驗表明，該控制方案能很好地控制機械手的軌跡跟蹤，因而是可行且有效的。

機械手；T-S型模糊神經網絡；BP算法；遺傳算法

機械手是一個多輸入多輸出、強耦合、高度時變和非線性的系統，已經被廣泛應用于各種智能控制的工業生產中，其中機械手軌跡跟蹤是研究熱點，近年來研究者已經提出許多機械手軌跡跟蹤控制方法，如傳統PID控制、計算力矩控制、魯棒控制[1]、變結構控制[2]、自適應控制、模糊控制和神經網絡等，但上述方法的控制效果都不夠理想。鑒于此，筆者對模糊神經網絡在2關節機械手控制中的應用進行了研究，給出一種基于T-S型模糊神經網絡的機械手軌跡跟蹤控制方案，用自適應遺傳算法(簡稱GA算法)與BP算法相結合的混合學習算法來優化網絡的權值，最后對機械手進行仿真。

1 機械手動力學模型及控制方案

1.1動力學模型

機械手的動力學方程[3]如下：

(1)

圖1 T-S模糊神經網絡控制系統結構

1.2T-S型模糊神經網絡控制方案

針對2關節機械手的數學模型，采用T-S模糊神經網絡控制系統結構如圖1所示。圖中qd1和qd2是2關節的期望位置；q1和q2是2關節的實際位置；e1、e2分別是2關節的誤差；ec1、ec2分別是相應的誤差變化率；ke1、ke2、kec1和kec2分別是誤差及誤差變化率的量化因子；ku1、ku2分別為神經網絡輸出的比例因子;

τ1、τ2分別是作用于關節1、關節2的轉矩。

2 T-S型模糊神經網絡結構和學習算法

2.1T-S型模糊神經網絡結構

T-S模糊神經網絡結構[4]如圖2所示。從圖2可以看出，該網絡由前件網絡和后件網絡2部分組成，前件網絡用來匹配模糊規則的前件，后件網絡用來產生模糊規則后件。前件網絡與標準模糊神經網絡類似。后件網絡由2個結構相同的并列子網絡組成，每個子網絡產生1個輸出量。后件網絡為1個3層網絡，第1層是輸入層，將輸入量傳入第2層，其中第0個節點的輸入值x0=1，用來提供模糊規則后件中的常數項。第2層是計算每條規則的后件，該層具有m個節點，每個節點代表1個規則，即：

yjk=p0jk+p1jke1+p2jkec1+p3jke2+p4jkec2j=1，2，…，mk=1，2

(2)

第3層是計算系統的輸出，即：

(3)

2.2T-S型模糊神經網絡學習算法

圖2 T-S模型的模糊神經網絡結構 圖3 混合學習算法的訓練程序流程圖

3 仿真試驗

(4)

對機械手軌跡跟蹤進行仿真試驗。仿真結果分別如圖4、5所示。圖4和 圖5分別給出了關節1和關節2的軌跡跟蹤曲線，其中實線為期望跟蹤曲線，虛線為采用混合算法的跟蹤曲線。從圖4和圖5可以看出，采用混合算法的跟蹤曲線很快跟蹤上期望曲線。仿真試驗表明，混合學習算法收斂速度快，具有較好的性能，對機械手的控制達到了預期的效果。

圖4 關節1的軌跡跟蹤曲線 圖5 關節2 的軌跡跟蹤曲線

4 結 語

提出了T-S模糊神經網絡的機械手軌跡跟蹤控制方案，并用改進的混合學習算法對網絡權值和閾值進行優化，最后對機械手軌跡進行跟蹤控制試驗。仿真結果表明，該控制方案能很好地控制機械手的軌跡跟蹤，因而是可行且有效的。

[1]朱甦，陳再良.二自由度機械手魯棒跟蹤控制器的一種設計方法[J].機械科學與技術，2006，25(2)：189-191.

[2] 葉多芳，葛為民.四自由度機械手的滑模變結構軌跡跟蹤控制[J].制造業自動化，2009，31(6)：6-8.

[3] 馮川，孫增圻，孫富春.機械手動態T-S神經模糊 控制器設計[J].清華大學學報(自然科學版)，1998，45(1)：73-76.

[4] 關學忠，劉鐵男.模糊控制理論與設計[M].哈爾濱：東北林業大學出版社，2003.

[編輯] 李啟棟

10.3969/j.issn.1673-1409.2011.04.029

TP241

A

1673-1409(2011)04-0089-03