[发明专利]一种基于模糊神经网络的机械臂柔性关节控制方法

说明书

本发明提供一种基于模糊神经网络的机械臂柔性关节控制方法，该方法包括：建立模糊神经网络模型；制定神经网络参数学习算法；学习算法确定后件网络的连接权参数，前件网络的隶属度函数中心值和宽度参数；根据辨识模型建立模糊神经网络控制器，以克服柔性关节的诸多非线性特性的影响。本发明提供的技术方案结合模糊逻辑和神经网络两种控制方法，采用了一种基于X模型的模糊神经网络控制器，使得神经网络具有模糊系统的结构，神经网络的每个层、每个节点都对应模糊系统的一个部分，该网络不同于一般的神经网络的黑箱操作，所有参数都具有明确的物理意义，且可以适应柔性机械臂关节刚度时变、摩擦非线性等特点。

技术领域：

本发明涉及机器人动力学控制领域，尤其是一种基于模糊神经网络的机械臂柔性关节控制方法。

背景技术：

作为机械臂的活动部件的机械臂关节对于机械臂定位精确控制至关重要，今年来，由于具有减速比大、结构紧凑等优点，谐波减速器等柔性传动部件越来越多的应用于机械臂关节传动。但是，现阶段还需对于机械臂关节尤其是含有胁逼减速器及其他柔性传动机构的柔性关节做深入研究，例如对于机械臂关节内部柔性、摩擦等非线性现象的建模的深入研究，以对柔性关节的精确控制。机械臂的工作条件复杂多变，本身又存在几何非线性等因素的影响，不同工况下自身的动力学参数会发生变化，采用传统方法难以得到良好的控制效果。作为自动控制领域新发展阶段的智能控制可以解决传统控制方法难以解决的复杂系统的控制问题。其中神经网络控制和模糊控制是最常用的两种智能控制方法，模糊逻辑和神经网络虽然在概念与内涵上有着明显的不同，但二者都是为了处理实际中不确定性、不精确性等引起的系统难以控制的问题。模糊逻辑模仿人脑的逻辑思维，用于处理模型位置或者不精确的控制问题；神经网络，模拟人脑神经元的功能，可作为一般的函数估计器，能映射输入输出关系。

发明内容：

为克服柔性关节中的诸多非线性特性的影响，本发明结合模糊逻辑和神经网络两种控制方法，采用了一种基于Takagi-Sugeno模型的模糊神经网络控制器，使得神经网络具有模糊系统的结构，即神经网络的每个层、每个节点都对应模糊系统的一个部份。该网络不同于一般的神经网络的黑箱操作，其所有参数都具有明确的物理意义，且可以适应柔性机械臂关节刚度时变、摩擦非线性等特点。为实现上述目标，本发明提供了一种基于Takagi-Sugeno模型的模糊神经网络控制器用于机械臂柔性关节控制，该方法包括以下步骤：

步骤1.建立模糊神经网络模型；

步骤2.制定神经网络参数学习算法；

步骤3.通过学习算法确定后件网络的连接权参数，前件网络的隶属度函数中心值和宽度参数；

步骤4.根据辨识模型建立模糊神经网络控制器。

优选的，所述步骤1包括建立基于Takagi-Sugeno模型的模糊神经网络结构：

步骤1-1：设定前件网络第一层输入层，确定所述输入层参数，将输入值向量传送到前件网络第二层；

步骤1-2：确定前件网络第二层每个节点代表的语言变量值，将各输入量模糊化计算各输入向量的分量x_i属于各所述语言变量值模糊集合的隶属度函数将对应的隶属度函数的引入到Takagi-Sugeno模型中；

步骤1-3：制定前件网络第三层的每个节点的模糊规则，匹配模糊规则的前件，计算出每条规则的适应度；

步骤1-4：前件网络第四层节点数与前件网络第三层节点数相同，完成所述前件网络第四层归一化运算；

步骤1-5：制定后件网络输出量规则，设定后件网络的第一层为输入层，它将输入变量传送到第二层；

步骤1-6：后件网络的第二层的每个节点代表一条模糊规则，计算每一条规则的后件；

步骤1-7：设定后件网络的第三层为输出层，计算各规则输出的加权和。