外文翻译--混合位置力控制SCORBOT-ER4支机械手与神经网络的非线性补偿 中文版.doc

1混合位置/力控制SCORBOT-ER4支机械手与神经网络的非线性补偿PiotrGierlak热舒夫科技大学，应用力学与机器人系8PowstancowWarszawy街，波兰，35-959Rzeszowpgierlakprz.edu.pl摘要。机械手的混合位置/力控制的问题，机械手是不平凡的，因为是一个非线性的对象，其参数可能是未知的，变量和工作条件多变。神经网络控制系统，使机械手的行为正确，即使在控制对象的数学模型是未知的。在本文中，混合位置/力控制与神经的SCORBOT-ER4PC机器人的非线性补偿操纵器呈现。所提出的控制律和自适应律保证在意义上的实际的闭环系统稳定李雅普诺夫。进行了数值模拟的结果。关键词：神经网络，机器手，跟踪控制，力控制。1引言机器人找到不同的应用在许多领域的设备经济。有关的运动精度和要求机械手的自主性不断增加以及他们所执行的任务，更多，更复杂。在当代工业应用中，它是所需机械手施加指定的部队，沿着规定的路径。机械手是对象的非线性和不确定性的动态，未知可变参数（质量，转动惯量，摩擦系数），在多变的条件下工作。这种复杂系统的控制是非常有问题的。该控制系统具有产生这种控制信号，将保证用适当的力沿路径运动的执行和的更换操作条件下，保证所需的精度。在控制系统，工业机械手，计算力矩法1,2使用非线性补偿。然而，这些方法需要精确的数学模型（知识结构的运动方程的系数）的控制对象。此外，在这样的的方法，在补偿参数的标称值，由此来实现控制系统的作用，没有考虑到更换操作条件。在文献算法存在着许多变化，其中参数适应机械手的数学模型1,2。然而，这些方法不消除不确定性的模型与结构问题。与目前的困难，神经网络控制技术3,4,5,6。在这些方法中的数学模型是不必要的。这些技术用于混合位置/力控制。在作品等7,8控制器已提交。但是，在第一次的作品，只会迫使正常的同时考虑到接触表面，在所述第二工作部分假设在实际应用中难以满足，即一些刚度矩阵其中环境和特点的功能，可以计算接触力，必须是已知的。上作者的论文，被认为只有位置控制器。在本文混合位置/力神经网络控制器。这种方法考虑到最终作用于所有的力/力矩。这些位于端部执行器由传感器2测量的力/力矩。2描述的SCORBOT-ER4PC机器人机械手示于图SCORBOT-ER4支机械臂。1。它的驱动直流齿轮电机和光学编码器。机械手有5个对旋转运动：手臂的机器人有3个自由度而夹持器有2个度。图。1。一）SCORBOT-ER4支机械手，B）计划从关节空间直角坐标空间的变换是由以下方程：y=k(q)(1)其中，qRn为广义坐标（链接的旋转角度）的载体，K（Q）是一个运动学函数，YRm是一个的位置/方向的矢量端部执行器（D点）。动力运动方程的分析模型在下面的表格79：M(q)q¨+C(q,q)q+F(q)+G(q)+d(t)=u+JTh(q)+F(2)其中M（q）Rnxn是惯性矩阵，C（Q，Q）Rn是一个向量的离心科氏力/力矩，F（Q）Rn是摩擦向量，G（Q）RN一个重力矢量，d（T）Rn是一个向量扰动界|d|<B，B>0，URn是控制输入向量，JH（Q）Rm1xn是一个雅可比矩阵与接触面的几何形状相关联的，RM1是一个向量的约束施加的力通常在接触表面上（拉格朗日乘数），FRn是一个矢量，力/力矩的关节，来自力/力矩FE室施加到端部执行器（除约束力）。的矢量F是由下式给出：F=JbT(q)FE（3)JB（q）的Rmxn在体内是一个几何的雅可比矩阵2。雅可比矩阵可以以下列方式计算Jh的（q）Jh(q)=h(q)/q(4)其中，h（q）的=0是一个完整约束方程，它描述了的接触表面。这个等式的自由度的数量减少n1的=正-M1，因此，可以通过以下进行说明的分析系统的减少位置变量1RN17。变量的其余部分在下面的依赖于1方法：2=(1)(5)2RM1，和产生的完整约束。的载体广义坐标可以被写为q=T1T2T。让我们定义扩展雅可比矩阵7311)(1nIL（6）在那里输入1身份矩阵Rn1xn1。这使得写的关系：1.1.)(Lq(7）.11.11.)()(LLq(8)并写了降阶动态的1，如：EbTThtJFJJudGFVLM)()()()()()()(11)(1.1.111.111(9)其中)(),()()(),(1.111.1.111LCLMV预乘式（9）由LT（1），并考虑到0)()(11LJh，降阶动力学计算公式如下：uLGFVMTd.11.1(10),11EbTdTdTTTTFJLGLGFLFVLVMLLM3神经网络混合控制一个混合位置/力控制的目的，是按照所需的轨迹运动11ndR，并产生期望的接触力，1mdR令吉正常表面。通过定义运动误差E，过滤的运动误差，力的错误和一个辅助信号1为：11de(11)ees.(12)d(13)evd.11(14)其中，是正对角设计矩阵的动力学方程（10）可以是写在过滤的运动误差uLFJLxfLsVsMTEbTdTT)(1.(15)与一个非线性函数GFvVvMLxf1.11)(16)其中1.1.1.TdTdTdTTxveeT。数学结构混合位置/力控制器具有7的一种形式4vKJLsKxfuFdThD)(17)KD和KF为正定矩阵的位置和力的增益，是鲁棒控制的术语中，函数f（x）近似的功能（16）。此功能可近似由神经网络。在这项工作中一个典型的前馈假定具有一个隐藏层的神经网络（图2b）。隐藏层使用S形曲线的神经元，与输入层的连接权重收集中的矩阵D，并与输出层的权重矩阵W中收集输入权重随机选择和恒定，但输出的权重最初是等于零，并且将适配过程期间被调谐。这种神经网络中的权重是线性的，并具有以下的说明中，3,4：)()(xWxfT(18)与输出从隐藏层)()(xDSxT的，其中，x是输入向量，神经元的激活函数是一个向量，是一个估计误差界|<N，N=常数>0。矩阵W是未知的，所以估计W是使用一个真正的神经网络的数学描述，这近似函数f（x）由下式给出)()(xWxfT(19)图。2。a）计划的闭环系统,B）神经网络代入方程（18），（18）和（19）代入（15），我们获得了描述的闭环系统（图2a），在过滤的运动误差条款)(1.vFkLxWLsVLsKLsMEbTdTTTDT(20)其中W=W-W是重量估计错误的。为了获得一个适应的权重和法律的鲁棒控制长期v，Lyapunov稳定性理论的应用。定义Lyapunov函数候选，这是一个二次形式的经滤波的运动误差和重量估计错误4)(21211WWtrsMsVWTT(21)其中W是一个对角的设计矩阵，TR（）表示矩阵的痕迹。的时间衍生物的沿的解决方案的函数V（20）是)(1.vFJLsWLsxWtrLsKLsVEbTdTTWTTTDTT(22)M-2V的斜对称矩阵的属性。定义一个自适应律的重量估计为7