论文部分内容阅读
摘要 针对采摘机械臂的位置终端的精确控制问题，提出了一种将自适应神经网络与滑模控制相结合的控制策略。首先通过神经网络来估计系统模型中的不确定性，提出了一种具有神经网络补偿作用的滑模控制器，基于李雅普诺夫稳定性理论证明了闭环系统的稳定性，并改善了系统的动态性能。仿真试验表明，该控制方法能够有效地削弱抖振现象，具有很好的鲁棒性和动态特性。
关键词 采摘机械臂；位置跟踪；滑模控制；自适应神经网络
中图分类号 S225 文献标识码 A 文章编号 0517-6611（2014）26-09214-02
Adaptive Neural Network Sliding Mode Control of Picking Manipulators
JIA He-ming et al
（College of Mechanical and Electrical Engineering， Northeast Forestry University， Harbin， Heilongjiang 150040）
Abstract Aiming at the accurate tracking problem of picking manipulator position terminal， a control strategy is proposed based on integrating adaptive neural networks with sliding-mode control （SMC）. Firstly， neural network is used to estimate the uncertainties of the system model. Based on Lyapunov stability theorem， the structure of sliding-mode controller compensated by neural network is designed. So the stability of the system is guaranteed and the dynamic performance of the system is improved. The simulation results illustrate that the proposed method can reduce the phenomenon of chattering in effect， and have good robustness and dynamic performance.
Key words Picking manipulators； Position tracking； Sliding mode control； Adaptive neural network
東北地区林业坚果种植地域广泛，其生产规模也呈现多元化格局，具有较多的品类、较长的收获采摘周期等特点。但目前坚果多半以手工进行采摘，拾摘期短，劳动强度较大，受采摘人力不足的制约，每年一到采摘季节，需要雇佣大量劳动力进行劳作，仅人工费用就高达数百万元，且往往因劳动力不足延长了采摘周期，错过了坚果的最佳采摘时机。因此，适时收获和低成本收获是增加收入的有效方法[1]，而采摘机器人机械臂的终端位置控制精度的提高是实现上述效率采摘坚果目标的合理方法。
采摘机械臂的模型中一般会包含非线性不确定项和未知的外界环境干扰，模型的不确定性因素会导致控制器无法对被控对象进行有效控制，针对上述问题国内许多学者提出了相应的解决方法[2-4]。作为一种广泛应用的鲁棒控制方法，滑模控制可有效解决控制系统中得模型不确定性问题[5-7]。滑模控制是通过不断改变切换的动作，使系统状态到达期望设定的滑模面，并通过等效控制器的设计使系统状态保持在滑模面上。但是在实际系统中，传统滑模控制可能会面临许多问题，如实际系统中，系统将不可避免地出现模型参数摄动，从而无法获得系统的精确参数，导致无法精确得到等效控制器。为解决这类问题，文献[8]采用多层神经网络在线辨识系统等效控制量；文献[9]采用一个多层神经网络来逼近系统不确定性，从而获得系统的等效控制器。
结合神经网络和滑模控制的特点，针对采摘机械臂系统的不确定性和外界干扰问题，提出了一种基于神经网络与传统滑模控制结合的混合控制策略，即通过神经网络来估计系统中存在的不确定性，并利用Lyapunov稳定性理论设计了神经网络的自适应学习算法，从而保证了闭环系统的稳定性、改善了系统的动态性能。仿真实验表明，该控制方法能够有效地削弱机械臂传统滑模控制中的抖振现象，具有很好的鲁棒性和动态特性。
1 采摘机械臂模型
采摘机械臂的动力学方程一般可表示为
2 基于模糊滑模的机械臂控制设计
2.1 系统不确定性估计算法
为了解决传统滑模控制存在的不足，提出了一种基于神经网络补偿的滑模控制器。设计并选择RBF神经网络逼近机械臂系统的总体不确定性Fd，从而在无需系统精确模型参数的情况下，使采摘机械臂的终端控制仍然具有良好的性能，则系统的不确定性可描述为：
4 仿真试验
为了验证所提出的方法的有效性和优越性，以平面两自由度关节机械臂为对象进行仿真试验验证。针对采摘机械臂的模型，机械臂的期望跟踪路径设定为
1.0+0.2cos（πt）和1.0+0.2sin（πt）。
在MATLAB软件环境下进行仿真，所选择的控制参数如下：
仿真中，取λ=diag[10 20]；神经网络的学习率η=0.5；K=diag（400 200）；采样周期为0.01 s。 图1和2分别为两关节的轨迹跟踪曲线和速度跟踪曲线。从图1和2可以看出，利用基于神经网络的滑模控制方法可使得采摘机械臂的位置和速度信息能够快速的到达期望状态，具有较高的跟踪精度和动态性能，具有一定的工程实用价值。
5 结论
将神经网络和滑模控制相结合，利用神经网络来补偿系统的不确定性，提出了一種基于神经网络补偿的滑模控制策略。通过李雅普诺夫稳定性理论来推导滑模控制器和神经网络的自适应学习率，保证了闭环系统的渐进稳定性，并将其运用于采摘机械臂的轨迹跟踪控制中。最后的仿真试验表明，该控制策略有效地削弱了抖振现象，具有很强的抗干扰能力，是一种较好的机械臂轨迹跟踪控制方法。
参考文献
[1] 陈欣成.农垦农机化工作与农机更新换代的一些思路[J].农村机械化，1998（3）：21-22.
[2] 冯青春，纪超，张俊雄，等.黄瓜采摘机械臂结构优化与运动分析[J].农业机械学报，2010，41（S1）：244-248.
[3]
李伟，李吉，张俊雄，等.苹果采摘机器人机械臂优化设计及仿真[J].北京工业大学学报，2009，35（6）：721-726.
[4] 唐志国，李元春，姜日花.机械臂协调操作柔性负载自适应模糊滑模控制[J].吉林大学学报：工学版，2011，41（2）：484-490.
[5] 高为炳.变结构控制理论基础[M].北京：中国科学技术出版社，1990.
[6] 胡跃明.变结构控制理论与应用[M].北京：科学出版社，2003.
[7] KAYNAK O，ERBATUR K，ERTUGRUL M.The Fusion of Computationally Intelligent Methodologies and Sliding-Mode Control-A Survey[J].IEEE Trans Ind Electron，2001，48（1）：4-17.
[8] 贾鹤鸣，宋文龙，郭婧.基于神经网络滑模的采摘机械臂控制设计[J].吉林大学学报：工学版，2012（5）：709-913.
[9] 贾鹤鸣，宋文龙，郭少彬，等.基于神经网络的机械臂自适应输出反馈控制设计[J].应用科学学报，2013，31（4）：427-433.
[10] 张文辉，齐乃明.自适应神经变结构的机器人轨迹跟踪控制[J].控制与决策，2011，26（4）：597-601.
关键词 采摘机械臂；位置跟踪；滑模控制；自适应神经网络
中图分类号 S225 文献标识码 A 文章编号 0517-6611（2014）26-09214-02
Adaptive Neural Network Sliding Mode Control of Picking Manipulators
JIA He-ming et al
（College of Mechanical and Electrical Engineering， Northeast Forestry University， Harbin， Heilongjiang 150040）
Abstract Aiming at the accurate tracking problem of picking manipulator position terminal， a control strategy is proposed based on integrating adaptive neural networks with sliding-mode control （SMC）. Firstly， neural network is used to estimate the uncertainties of the system model. Based on Lyapunov stability theorem， the structure of sliding-mode controller compensated by neural network is designed. So the stability of the system is guaranteed and the dynamic performance of the system is improved. The simulation results illustrate that the proposed method can reduce the phenomenon of chattering in effect， and have good robustness and dynamic performance.
Key words Picking manipulators； Position tracking； Sliding mode control； Adaptive neural network
東北地区林业坚果种植地域广泛，其生产规模也呈现多元化格局，具有较多的品类、较长的收获采摘周期等特点。但目前坚果多半以手工进行采摘，拾摘期短，劳动强度较大，受采摘人力不足的制约，每年一到采摘季节，需要雇佣大量劳动力进行劳作，仅人工费用就高达数百万元，且往往因劳动力不足延长了采摘周期，错过了坚果的最佳采摘时机。因此，适时收获和低成本收获是增加收入的有效方法[1]，而采摘机器人机械臂的终端位置控制精度的提高是实现上述效率采摘坚果目标的合理方法。
采摘机械臂的模型中一般会包含非线性不确定项和未知的外界环境干扰，模型的不确定性因素会导致控制器无法对被控对象进行有效控制，针对上述问题国内许多学者提出了相应的解决方法[2-4]。作为一种广泛应用的鲁棒控制方法，滑模控制可有效解决控制系统中得模型不确定性问题[5-7]。滑模控制是通过不断改变切换的动作，使系统状态到达期望设定的滑模面，并通过等效控制器的设计使系统状态保持在滑模面上。但是在实际系统中，传统滑模控制可能会面临许多问题，如实际系统中，系统将不可避免地出现模型参数摄动，从而无法获得系统的精确参数，导致无法精确得到等效控制器。为解决这类问题，文献[8]采用多层神经网络在线辨识系统等效控制量；文献[9]采用一个多层神经网络来逼近系统不确定性，从而获得系统的等效控制器。
结合神经网络和滑模控制的特点，针对采摘机械臂系统的不确定性和外界干扰问题，提出了一种基于神经网络与传统滑模控制结合的混合控制策略，即通过神经网络来估计系统中存在的不确定性，并利用Lyapunov稳定性理论设计了神经网络的自适应学习算法，从而保证了闭环系统的稳定性、改善了系统的动态性能。仿真实验表明，该控制方法能够有效地削弱机械臂传统滑模控制中的抖振现象，具有很好的鲁棒性和动态特性。
1 采摘机械臂模型
采摘机械臂的动力学方程一般可表示为
2 基于模糊滑模的机械臂控制设计
2.1 系统不确定性估计算法
为了解决传统滑模控制存在的不足，提出了一种基于神经网络补偿的滑模控制器。设计并选择RBF神经网络逼近机械臂系统的总体不确定性Fd，从而在无需系统精确模型参数的情况下，使采摘机械臂的终端控制仍然具有良好的性能，则系统的不确定性可描述为：
4 仿真试验
为了验证所提出的方法的有效性和优越性，以平面两自由度关节机械臂为对象进行仿真试验验证。针对采摘机械臂的模型，机械臂的期望跟踪路径设定为
1.0+0.2cos（πt）和1.0+0.2sin（πt）。
在MATLAB软件环境下进行仿真，所选择的控制参数如下：
仿真中，取λ=diag[10 20]；神经网络的学习率η=0.5；K=diag（400 200）；采样周期为0.01 s。 图1和2分别为两关节的轨迹跟踪曲线和速度跟踪曲线。从图1和2可以看出，利用基于神经网络的滑模控制方法可使得采摘机械臂的位置和速度信息能够快速的到达期望状态，具有较高的跟踪精度和动态性能，具有一定的工程实用价值。
5 结论
将神经网络和滑模控制相结合，利用神经网络来补偿系统的不确定性，提出了一種基于神经网络补偿的滑模控制策略。通过李雅普诺夫稳定性理论来推导滑模控制器和神经网络的自适应学习率，保证了闭环系统的渐进稳定性，并将其运用于采摘机械臂的轨迹跟踪控制中。最后的仿真试验表明，该控制策略有效地削弱了抖振现象，具有很强的抗干扰能力，是一种较好的机械臂轨迹跟踪控制方法。
参考文献
[1] 陈欣成.农垦农机化工作与农机更新换代的一些思路[J].农村机械化，1998（3）：21-22.
[2] 冯青春，纪超，张俊雄，等.黄瓜采摘机械臂结构优化与运动分析[J].农业机械学报，2010，41（S1）：244-248.
[3]
李伟，李吉，张俊雄，等.苹果采摘机器人机械臂优化设计及仿真[J].北京工业大学学报，2009，35（6）：721-726.
[4] 唐志国，李元春，姜日花.机械臂协调操作柔性负载自适应模糊滑模控制[J].吉林大学学报：工学版，2011，41（2）：484-490.
[5] 高为炳.变结构控制理论基础[M].北京：中国科学技术出版社，1990.
[6] 胡跃明.变结构控制理论与应用[M].北京：科学出版社，2003.
[7] KAYNAK O，ERBATUR K，ERTUGRUL M.The Fusion of Computationally Intelligent Methodologies and Sliding-Mode Control-A Survey[J].IEEE Trans Ind Electron，2001，48（1）：4-17.
[8] 贾鹤鸣，宋文龙，郭婧.基于神经网络滑模的采摘机械臂控制设计[J].吉林大学学报：工学版，2012（5）：709-913.
[9] 贾鹤鸣，宋文龙，郭少彬，等.基于神经网络的机械臂自适应输出反馈控制设计[J].应用科学学报，2013，31（4）：427-433.
[10] 张文辉，齐乃明.自适应神经变结构的机器人轨迹跟踪控制[J].控制与决策，2011，26（4）：597-601.