[发明专利]一种基于Scara机械臂的神经网络优化控制方法

说明书

本发明涉及一种基于Scara机械臂的神经网络优化控制方法，属于机械臂智能控制技术领域，本发明首先对Scara机械臂系统进行建模，给定关节的参考运动轨迹，设计稳态控制，保证机械臂总体跟上参考轨迹；给定关于位置和速度跟踪误差的性能指标，应用基于强化学习的三层神经网络学习最优的性能指标函数，得到神经网络近似反馈控制；基于神经网络逼近方法，根据稳态控制和近似反馈控制，设计机械臂的神经网络优化控制器，使给定的关于位置和速度的跟踪误差性能指标最小，消除机械臂运行过程中的超调和抖震，有效实现机械臂平稳运行和性能提升，实现机械臂位置速度的超调和抖震最小、能耗最低的跟踪效果。

技术领域

本发明涉及一种基于Scara机械臂的神经网络优化控制方法，属于机械臂智能控制技术领域。

背景技术

在传统的机械臂控制方法主要有PID控制、滑膜控制等，这些方法控制过程中不大考虑机械臂运行时速度和位置的稳定性和能耗大小，机械臂运行时会出现位移或者速度超调过大、抖震过强等缺点，会严重影响机械臂的产品性能。为了克服这些缺陷，本发明应用基于强化学习的神经网络逼近方法，设计机械臂的神经网络优化控制器，使给定的关于位置和速度的跟踪误差性能指标最小，消除机械臂运行过程中的超调和抖震，有效实现机械臂平稳运行和性能提升。

发明内容

本发明的目的是设计一种基于Scara机械臂的神经网络优化控制方法，具体的说首先需要对Scara机械臂系统进行建模，给定位置、速度参考信号，根据跟踪误差和系统输入建立性能指标函数，一般最优的性能指标函数往往难以获得。本发明应用三层神经网络方法逼近哈密尔顿-雅克比-贝尔曼方程下的最优性能指标函数，应用一种新的自适应方法更新多层神经网络权值，直接用于Sacra机械臂的优化控制器设计，保证机械臂实现预定轨迹运行的同时，实现运行过程中超调最小、能耗最低。

为达到上述目的，本发明是通过以下技术方案实现的：

一种基于Scara机械臂的神经网络优化控制方法，该方法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，

具体步骤如下：

步骤一、建立Scara机械臂的数学模型，

对被Scara机械臂模型进行分析，并按照欧拉-拉格朗日公式，根据机械臂的结构和物理定律，建立Scara机械臂的数学模型。建立该模型是为了基于该模型设计神经网络优化控制器。所述数学模型如下：

其中，表示机械臂关节的角位置，n表示机械臂自由度数量，表示机械臂关节的角速度，机械臂关节的角加速度，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)为与重力有关的向量，为需要设计的输入力矩，注意每个自由度需要一个输入控制。

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，稳态控制的目的是使机械臂关节总体按预定轨迹运行，但是未对跟踪性能进行优化。步骤三将对跟踪性能进行优化。

给定机械臂关节转角的参考运动轨迹q_d，为了是机械臂关节总体按给定轨迹运行，设计稳态控制器为

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，实现跟踪的快速性、稳定性和低能耗性，

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