[发明专利]一种基于Scara机械臂的神经网络优化控制方法

权利要求书

1.一种基于Scara机械臂的神经网络优化控制方法，其特征在于：

首先应用多层神经网络逼近Scara机械臂系统的性能指标函数和自适应律更新隐含层神经网络权值；其次根据多层神经网络设计机械臂反馈控制；再根据稳态控制和机械臂反馈控制设计神经网络化控制器；最后根据控制器求解输入力矩，调节电机电压。

2.如权利要求1所述的基于Scara机械臂的神经网络优化控制方法，其特征在于，所述方法具体步骤如下：

步骤一、建立Scara机械臂的数学模型，

对Scara机械臂进行分析，并根据机械臂的结构和物理定律利用欧拉-拉格朗日公式，可知Scara机械臂的数学模型：

其中，表示机械臂关节的角位置，表示机械臂关节的角速度，机械臂关节的角加速度，n表示机械臂自由度数量，M(q)表示机械臂的可逆惯性矩阵，表示向心力向量或者科氏力，G(q)为重力向量，为输入力矩；

步骤二、设计稳态控制器，

基于机械臂系统和参考运动轨迹设计稳态控制，给定机械臂关节转角的参考运动轨迹q_d，则稳态控制器为：

步骤三、根据给定于跟踪误差的性能指标，应用神经网络逼近最优性能指标，设计神经优化控制器，

定义跟踪误差给定关于机械臂关节位置和速度跟踪误差的性能指标为

V(e)＝∫_t^∞r(e(τ),u_e(τ))dτ (3)

其中为效用函数，u_e为近似反馈控制，Q和R分别是维数与跟踪误差e和近似反馈控制u_e相匹配的正定对称矩阵，则性能指标函数可以表示为

机械臂系统(1)的误差动态方程为

针对机械臂系统(5)设计近似反馈控制u_e最小化性能指标函数(3)，则哈密尔顿-雅克比-贝尔曼方程可以构建为

其中用三层神经网络逼近

其中，为神经网络权重收敛后的值,φ(Z)＝tanh(Z)为隐层激活函数，ε(e)为逼近误差，是随机给定的[-1,1]之间隐层和输入层之间的神经网络权值，k表为隐层神经元个数，κ(e)为神经网络输入，

本发明定义是W的近似值，为的近似值，则可得

则可得近似的哈密尔顿-雅克比-贝尔曼方程

式中e_h表示冗余误差，给定下列目标函数：

则近似神经网络权值的自适应律设计为：

式中η＞0是学习增益，

令可得近似神经网络优化反馈控制u_e：

最后，根据稳态控制(2)和近似神经网络优化反馈控制(12)，近似神经网络优化控制器u(t)可以设计为：

u(t)＝u_d+u_e (13)。