开题报告-两自由度机械手神经网络控制研究.pdf

毕业设计（论文）开题报告毕业设计（论文）开题报告 课 题 名 称 ： 两自由度机械手神经网络控制研究 学 院 ： 机械工程学院 专 业 ： 机械工程及自动化 姓 名 ： 潘琪 学 号 ： 120800126 指 导 教 师 ： 张亚伟 2016 年年 3 月月 1 日日 1 两自由度机械手神经网络控制研究两自由度机械手神经网络控制研究 1、课题课题背景背景 机器人学可以说是一门新鲜的学科，但仅仅经过数十年的飞速发展，其构成 越来越复杂，性能越来越完善。可以说，机器人集合了机械、电子、控制、计算 机、材料、仿生人工智能等众多先进技术于一体。如今的机器人应用遍及工业生 产、军事、海洋探索、宇宙探测等各个领域，并逐步进入家庭和服务行业。而且 随着工业自动化的进一步普及，劳动力的日益珍贵，以及各门机器人相关技术的 日益发展，机器人将获得更广阔的发展和应用前景。 自动控制系统是机器人的中枢神经，它控制着机器人的思维、决策和行为。 而传统控制理论在应用中面临众多问题： （1）传统控制系统的设计与分析是建立在已知系统精确数学模型的基础上 的，但实际系统由于存在复杂性、非线性、时变性、不确定性和不完全性等，一 般无法获得精确的数学模型； （2）研究这类系统时，必须提出并遵循一些比较苛刻的假设，而这些假设 在应用中往往与实际不相吻合； （3）对于某些复杂的和包含不确定的对象，根本无法以传统数学模型来表 示，即无法解决建模问题； （4）为了提高性能，传统控制系统可能变得很复杂，从而增加了设备的初 始投资和 维修费用，降低系统的可靠性1。 近年来智能控制的发展十分迅速， 将促使机器人的智能化水平达到一个新的 高度。其中模糊控制是应用最广的一种智能控制，它利用人类专家控制经验来弥 补机器人动态特性中的非线性和不确定因素，具有以下优点： （1） 不依赖于被控对象的精确数学模型； （2） 易于被操作人员接受，易于用计算机实现； （3） 鲁棒性和适应性好 而将神经网络与模糊控制结合，利用神经网络的学习能力来调整模糊控制， 将克服模糊控制不具备自学习能力和神经网络无法表达人类语言的特点。 B 样条 2 基函数拥有较好的局部控制性能，将其作为模糊隶属函数，可以使隶属函数的形 状得到实时在线调整，从而使模糊神经网络具有更强的学习和适应能力。 2、文献调研文献调研 当前，世界正处在新科技革命和产业革命的交汇点上。随着信息化、工业化 不断融合，以机器人科技为代表的智能产业蓬勃兴起，成为现代科技创新的一个 重要标志。各种机器人的生产和研制在各国方兴未艾。 而我国机器人学研究起步 比较晚，但进步快，已在一些领域取得了明显的进步，为我国机器人学的发展打 下初步基础。但经过了这些年的发展，尽管取得了一定的成果，我国的机器人技 术水平仍然大幅落后于先进工业国家，未能形成大型的机器人产业。考虑到国内 外机器人的现状和发展趋势，我国的机器人发展应 （1） 进一步端正对发展机器人的认识； （2） 并行开发工业机器人和特种机器人； （3） 培育和开拓国内机器人市场； （4） 建立机器人产业集团，形成规模生产； （5） 开展国际技术合作； （6） 合理选择战略主攻方向； （7） 重视基础研究，加大技术储备； （8） 稳定和扩大研制队伍1。 机器人是一种可以通过编程来完成多种作业、 并具有一些自由度和一定操作 功能的自动化机器。而自动化离不开自动控制技术，所以如何使机器人按照预想 的程序操作，满足理想的工作要求，主要取决于作为机器人中枢的自动控制系统 2。经过 20 多年的发展，中国自动控制系统装置制造行业取得了长足的发展， 但中高端市场几乎全部由外国著名品牌垄断。中国拥有世界最大的市场，传统工 业技术改造、工业自动化、企业信息化需要大量的工业自动化系统。而自动化技 术正向智能化发展，智能机器人就是传统机器人在智能化环境下的产物。它本身 能认识工作环境、工作对象及其状态，并根据人给予的指令和“自身”认识外界 的结果来独立地决定工作方法，利用操作机构和移动机构实现任务目标，而且能 适应工作环境的变化3。 智能机器人的控制，就是通过定性和定量相结合的方法，针对被控制对象和 3 控制任务的复杂性、不确定性和多变性，有效自主地实现繁杂信息的处理、优化 和判断，以致决策，最终达到控制被控系统的目的。1971 年，美籍华人傅京逊 首次提出智能控制这一概念。美国学者 G. N. Saridis 于 1977 年引入运筹学，提 出了三元论的智能控制概念。 随着控制对象的复杂性、非线性、滞后性和耦合性的增加，运用传统精确控 制的可能性也在减小，便产生了智能控制的一大分支模糊控制。模糊控制是 以模糊集合理论和模糊逻辑推理作为基础， 把专家用自然语言表述的知识和控制 经验，通过模糊理论转换成数学函数，再用计算机进行处理。如今，模糊控制得 到了广泛地应用，如炼钢、化工、家用电器、人文社科、经济系统以及医学心理 等难以得到正确且精密数学模型的领域。随着计算机技术及其相关技术的发展， 出现了许多模糊硬件系统，进一步推动了模糊控制理论的发展和应用。模糊控制 也由最初的经典模糊控制发展到自适应模糊控制、 专家模糊控制和基于神经网络 的自学习模糊控制。但就目前的状况来看，模糊控制缺乏重大的理论性突破，无 论在理论上还是在应用上都有待于进一步的深入探讨和研究， 特别是在下述几个 方面： （1） 需要对模糊系统的建模、模糊规则的确立和模糊推理方法进行深入探 究，特别是对于非线性复杂系统的模糊控制； （2） 模糊控制系统的创建和分析方法仍停留在初级阶段，稳定性理论还不 成熟； （3） 需要进一步开发和推广简单实用的模糊集成芯片和通用模糊系统硬 件； （4） 需要对模糊控制系统的设计方法加强研究，把现代控制理论、神经网 络与模糊控制进行更好的结合、相互渗透，在多方面进行深入研究， 以便构成更多、更好的模糊集成控制系统4。 神经网络控制作为智能控制的另一分支， 有机地融合了生物神经网络的研究 方法、人工神经网络的研究方法、现代控制理论的基本任务和生物进化计算等相 关内容。其运用智能控制的研究方法，为求解复杂、非线性、石板部分未知系统 的控制及其稳定性分析提供了一个全新的手段。在神经网络控制系统中，神经网 络用作控制器、辨识器5。 4 本课题的主要工作可分为两自由度机械手力学模型的建立和智能控制系统 的设计两个部分。机器人的力学模型包括位置和姿态描述、坐标变换、齐次坐标 变换、机器人的运动学和动力学分析，这些经过研究者们长时间利用数学或物理 工具进行研究，基本已经完善1-3。而控制系统的设计和仿真，在众多资料中也 涉及5-7。 3、课题课题目标目标 （1） 巩固本科所学的动力学、 运动学知识， 学习机器人相关的数学基础、 机器人运 动学和机器人动力学，完成两自由度机械手的力学模型和动力学方程 的建立及求解； （2） 学习自动控制理论，特别是模糊控制理论，并将控制理论应用到机 器人控制系统上，完成两自由度机械手的模糊控制系统模型设计； （3） 初步了解神经网络理论和应用，结合模糊控制，完成两自由度机械 手的神经网络控制系统的设计，并为深入研究打下基础； （4） 熟练使用 Matlab 软件的基本操作，并会用 matlab 对两自由度机械手 的模糊控制系统和模糊神经控制系统进行设计与仿真，分析结果。 4、 课题内容课题内容 4.1 两自由度机械手动力学模型的建立 （1） 相关的数学基础 包括机械手的位置和姿态的表示、坐标变换、齐次坐标变换等。 （2） 机器人运动学和动力学 包括机器人运动学方程的建立和求解、机器人的雅可比公式、机械手的动力 学方程的建立和求解等。 4.2 模糊控制系统的设计 （1） 分别定义输入输出的论域，并在该论域中定义语言词集，且确定每 个语言词集所对应的隶属函数。 （2） 确定模糊控制器的控制规则及推理算法，采用加权平均判决法去模 糊化。 （3） 给出具体的参数和初始条件进行仿真实验，并分析其结果。 5 4.3 模糊神经网络的设计 （1）确定网络的结构和网络各层的作用 ： （2）设计网络的学习算法（采用 BP 算法） （3）给出参数和初始条件，进行仿真和分析 5 5、关键技术介绍关键技术介绍 5.1 模糊控制器的基本原理 模糊控制器（FC）的基本结构如图 1 所示。控制器由 4 个部分组成，即模 糊化接口，规则库、推理算法和去模糊化接口。 图图 1. 模糊控制器的结构模糊控制器的结构 1） 模糊化 模糊化就是将输入空间划分为若干语言词集，如 “正大” ， “正中” ， “正小” ， “零” ， “负小” ， “负中” ， “负大”，通过在语言词集上定义隶属函数来将非模 糊量转换为模糊量，该模糊量用该输入属于某个词集的隶属度表示。 2） 规则库 规则库由若干条根据人类控制专家的经验总结得出的控制规则描述控制目 标和策略。 常用的基本模糊条件语句有 “Ifisthenis”、 “IFisandis thenis”和“Ifisthenis,elseis”等。 3） 推理算法 推理是根据规则库中的控制规则从一些模糊前提条件推导出某一结论,这种 结论可能存在模糊和确定两种情况。目前模糊推理有十几种方法,其中最常用的 是 Mamdani的 max-min合成法。 6 4） 去模糊化 去模糊化就是根据一定的算法将模糊推理得到的模糊输出转化为可以自己 控制对象的精确输出。去模糊化的算法也很多，最常用的是隶属度函数加权平均 判决法，即 = () =1 () =1 5.2 BP 算法 BP 网络就是“采用误差反向传播学习的多层前馈神经网络” ，它的结构是多 层前馈网络，使用的算法是误差反向传播学习算法，即 BP 算法。BP 算法就是 利用输出得到的误差，估计出前一层（属于隐含层）的误差，在用这个误差估计 出更前一层的误差，如此继续下去，可以获得隐含层中各层的误差。这样，在由 后向前估计误差的过程中，对隐含层神经元的权系数也进行着修改，使误差信号 趋向最小。 BP 网络进行学习训练时是有导师的，用的是 Delta()学习规则。它采用梯 度搜索技术， 以期使网络的实际输出值与理想期望输出值的误差均方值达到最小， 这种算法的基本思想是最小二乘法。 5.3 B 样条基隶属函数 采用 B 样条基函数的隶属函数可以描述为： () = ,2() 1 =0 上式描述了第 j 个输入变量在其第 i 个语言词集 中的隶属度。式中 z 时控制 点的数量， 控制点为*, = 0,1,2,z 1+， ,2是 2 阶 B 样条函数， 其形式为： ,2() = 2 12 1,1() 1 ,1() ,1() = 1, ,1,) 0, 1,1() = 1, ,2,1) 0, 上式中*, = 2, 1,+为定义在上的节点。 7 5.4 神经元的数学模型 对于神经元 i，给出其数学模型如下图 4-1 所示。 图图 2 2 神经元的结构模型神经元的结构模型 图中的模型可以看作是一个多输入，单输出的非线性处理单元，为神经 元j到神经元i的输入， 为神经元i的输出， 为神经元j至i的连接权值， 称为 神经元的阈值。把图中的结构表示为 = (),其中= n ijji j x 上式中, ()称为神经元的激发函数或者作用函数。由式可知，调节和是改 变输出的基本方法。 6、日程安排日程安排 序号序号 各阶段名称各阶段名称 起止日期起止日期 1 确认任务书，收集相关的文献和资料 2015年11月28日 2016年1月10日 2 文献资料整理，撰写开题报告与文献综述， 英文翻译 2016年1月10日 2016年3月7日 3 两自由度机械手的运动学建模， 神经网络系 统的设计与仿真 2016年3月7日2016 年4月20日 4 资料整理分析与论文撰写 2016年4月20日 2016年5月10日 5 答辩准备 2016年5月10日 2016年5月16日 8 7、参考文献参考文献 1 蔡自兴. 机器人学. 第一版. 北京：清华大学出版社，2000. 2 申铁龙. 机器人鲁棒控制. 第一版. 北京：清华大学出版社，2000 3 周远清，张再兴，许万雍等. 智能机器人系统. 第一版. 北京：清华大学出 版，1989 4 石辛民，郝整清. 模糊控制及其 MATLAB 仿真. 北京：清华大学出版社，北 京交通大学出版社，2008 5 喻宗泉，喻晗. 神经网络控制. 西安：西安电子科技大学出版社，2009 6 孙炜，王耀南，毛建旭. 基于模糊 B 样条基函数神经网络控制的交流伺服系 统. 控制与决策，2000, 15(3): 290 - 292 7 孙炜，王耀南. 基于控制器输出误差方法的自适应模糊控制及其在机器人轨 迹跟踪控制中的应用. 机器人，2001, 23(7): 616 - 618 8 王耀南 基于神经网络的机器人自学习控制器.自动化学报，1997, 23(5)： 335 - 340 9 蔡自兴，傅京逊 用专家系统进行机器人规划全国第一届机器人学术讨 论会文件：465 742，北京：1987 年 6 月 10 蔡自兴，刘健勤 面向 21 世纪的智能机器人技术 机器人技术与应用， 1998 年第六期：2 - 3 11 蔡自兴，王耀南机器人逆模神经网络控制及其应用中南工业大学学报， 1998,29（1） ：80 - 84 12 龚振邦 从国际大环境出发在我国机器人技术和产业发展战略上的若干思 考 机器人，1999,21（6） ：273 - 276 13 张钹 智能机器人的理想与现实智能机器人主题战略讨论 机器人， 1992,14（4） ：50 - 52 14 许海平， 孙茂相，尹朝万 基于模糊控制神经网络的多移动机器人自学 习协调系统 机器人，1999， 21（4） ：260 - 265 15 王田苗，宗光华，张启先 新应用领域的机器人医疗外科机器人 机 器人技术与应用，1997 年第 2 期：7 - 9 16 田华，席裕庚，张钟俊等 智能机器人系统建模的新方法 模式识别与 9 人工智能，1993，6（3） ：202 - 206 17 谈大龙 关于我国智能机器人研究的几点想法 机器人，1992,14（4） ： 47 - 49 18 战强，王树国，陈在礼 世界多机器人技术的研究现状 机器人技术与 应用，1999， （2） ：10 - 12 19 谢光汉（导师蔡自兴） ，机器人力/位置和轨迹跟踪控制方法研究 中国工 业大学博士学位论文，1998 20 蔡自兴智能机器人技术的进展：趋势与对策机器人，1996，18（4） ： 248 - 253 21 蔡自兴智能机器人技术的研究与展望计算机世界，1994 年 9 月 21 日， 508 期，99 22 陈佩云我国工业机器人技术发展的历史、现状与展望 机器人技术与应 用，1994， （2） ：1 - 3 23 冯建农， 柳明， 吴捷 自主移动机器人导航研究进展.机器人， 1997， 19 （6） ： 468 - 473 24 高大志，张春辉，徐心和 机器人球智能机器人的新领域机器人， 1998,20（4） ：309 - 314 25 蔡自兴 展望人工智能发展的若干问题高技术同学，1995,5（7） ：59 - 61 26 C. C. Ku and K. Y. Lee. Diagonal recurrent neural networks for dynamics systems control. IEEE Trans. Neural Networks, 1995, 6(l): 144 - 156 27 M. K. Sundareshan and T. A. Condarcure. Recurrent neural-network training by aLearning automaton approach for trajectory learning and control system design. IEEE Trans. Neural Networks, 1998, 9(2): 354 - 368 28 C. H. Lee and C. C. Teng. Identification and control of dynamic systems using recurrent fuzzy neural networks. IEEE Trans. Fuzzy Systems, 2000, 8(4): 349 - 362 29 S. Ge. Advanced control techniques of robotics manipulators. In: Proc. of American Control Conference. New York: ACC Press, 1998 30 M. C. Hwang and X. H. Hu. A robust Position/force learning controller of manipulators via nonlinear H control and neural networ