基于nni和nnc的柔性柔性弯曲关节的神经pid控制

基于nni和nnc的柔性柔性弯曲关节的神经pid控制

0气动技术在机器人技术中的应用随着机器人广泛应用的不断扩展，传统的机械手末年执行器在操作上缺乏灵活性、易于操作的特点和精确的手工控制方面存在不足。例如，生物和医学领域的要求机器人具有一定的灵活性和灵活性，而机器人的使用通常有助于解决上述问题。因此,对柔性机械手的研究受到机器人专家的重视,其中设计和发展多指灵巧手成为机器人研究人员所要攻克的难点之一。传统的机械手绝大多数采用了刚性杆件组成的关节,刚性关节采用电驱动、电液驱动、气压驱动等传统的驱动方式,这些驱动方式都是通过旋转型驱动器或直线型驱动器带动腱进行手指关节的远距离驱动。但由于腱传动系统中存在腱的刚度问题、预紧问题以及腱的张力和波动的控制问题,对灵巧手的性能具有较大的影响,而且需要传动机构,使得灵巧手的结构比较复杂。所以传统机械手的刚性关节在柔性和灵活性方面有很大的欠缺。气动技术作为机器人中的驱动功能已部分被工业界所接受,气动技术所表现出来的柔性和灵活性是传统的刚性结构不能比拟的。由于气动技术与电子技术、控制理论的结合,以及周边技术的成熟,在工农业自动化领域里,气动机械手、气动机器人的实用性已经充分体现出来。气动技术在机器人领域应用的一种重要方面就是气动人工肌肉(PneumaticMuscleActuator,简称:PMA)的研究。自20世纪50年代Mckibben型PMA问世以来,国内外众多的科研工作者致力于PMA的建模和控制研究,美国Washington大学Ching-PingChou、BlakeHannaford等人详细地研究了Mckibben型PMA的静态特性[8,9,并基于能量守恒定律推导了Mckibben型PMA的静态模型;英国Salford大学的Tsagarakis和Caldwell,美国的Robb.W以及国内相关学者也对Mckibben型PMA的建模问题进行了研究,用不同方法建立其数学模型。在控制方面,Caldwell等人提出适应控制算法,Cai和Yamura研究了滑模控制在PMA控制中的应用,Osuka等采用H∞控制、Hamerlain应用变结构控制方法对PMA进行控制研究。国内在这方面的研究起步较晚,与国外有相当的差距。文献在研究了Mckibben型PMA的基础上提出的新型气体驱动弯曲关节,这种气动弯曲关节不仅是一种简单的人工肌肉,而且可以直接作为关节使用。具有很高的研究价值和实用意义。1悬臂梁模型分析关节设计是机械手设计的关键问题之一,关节的结构和灵活性直接决定着机械手的空间尺寸和功能。文献提出的新型气体驱动弯曲关节对于设计具有柔性的灵巧机械手有着十分重要的意义。弯曲关节的结构原理如图1所示。文献根据力学原理及控制理论,对设计的弯曲关节进行了静态模型分析和动态模型分析。得到弯曲关节的静态模型为1-1ˉθ+1ˉθ√1+2ˉθ=ˉp-ˉΜL1−1θ¯+1θ¯1+2θ¯√=p¯−M¯¯¯¯L(1)式中ˉθ=θrmL0θ¯=θrmL0;ˉp=r2ipL2Eδrm;ˉΜL=ΜL2πEδr2m;θ——关节弯曲角度;E——弹性圆柱壳的弹性模量;L0——关节原始长度;ri——弹性壳腔的半径;δ——弹性壳的壁厚;pL——流体压强;rm——弹性壳的平均半径;ML——负载扭矩。以悬臂梁模型(如图2所示)分析弯曲关节,得到关节的动态模型为fp=B1B4ω2B3s3+(B1+2bωB3)s2+(2bB1ω+B3ω2+B2B4ω2)s+B1ω2(2)式中B1=R48vρr2il;B2=2rmL0;B3=L0Κ;B4=πr2irmL202EΙ;b——系统的阻力系数;f——弯曲关节挠度;p——弯曲关节内部充气压力;R——关节充气导管半径;v——充入气体的粘度;ρ——充入气体的密度;l——关节充气导管长度;K——气体的体积弹性模量;EI——抗弯刚度。2基于神经网络的pid控制轨迹跟踪是机器人控制技术的一个热点,为了跟踪关节的运动轨迹,针对弯曲关节设计了神经PID(Proportional,IntegralandDifferential简称:PID)控制器。PID控制是工业过程控制中最常用的一种控制方法,这是因为PID控制器结构简单、实现容易,且能对相当一些工业对象进行有效的控制。但常规PID控制的局限性在于:当被控对象具有复杂的非线性特性,难以建立精确的数学模型,且由于对象和环境的不确定性,往往难以达到满意的控制结果。神经PID控制是针对上述问题而提出的一种控制策略。神经PID控制结构见图3所示,其中有两个神经网络:NNI——系统在线辨识器;NNC——自适应PID控制器。系统的工作原理是,在NNI对弯曲关节进行在线辨识的基础上,通过对NNC的权系数进行实时调整,使系统具有自适应性,从而达到有效控制的目的。2.1隐层各节点的阈值y(k+1)=g[y(k),…,y(k-n+1),u(k),…,u(k-m+1)](3)其中:n≥m。g(·)未知,由神经网络NNI进行在线辨识,采用串-并联结构,由非线性时延神经网络(DTNN)实现,网络的输入是被控对象的输入输出序列{u(k),y(k)},NNI中的前馈网络用3层BP网络实现。第1层节点的输入与输出相同:I(k)=[I1(k),I2(k),…,In+m(k)]=[y(k),…,y(k-n+1),u(k),…,u(k-m+1)](4)其中:N=n+m。隐层第i节点的输出:oi(k)=f[(xi(k)](5)其中∶xi(k)=Ν∑j=0w1ijΙj(k),j=1,2,⋯,Νf(φ)=1-exp(-φ)1+exp(-φ)网络的输出:ˆy(k+1)=p∑i=0w2ioi(k)(6)式中Ij(k)——网络的第j个输入;w1ij——第1层节点j至隐层节点i的权值;w2i——隐层节点i至输出层的权值;w1i0——隐层节点i的阈值,I0(k)=1,o0(k)=1;p——隐层节点的个数。准则函数为:E1(k)=12[y(k+1)-ˆy(k+1)]2=12e21(k+1)(7)网络权值的调整算法,用具有阻尼项的BP算法:w2i(k+1)=w2i(k)-η1∂E1(k)∂w2i(k)+β[w2i(k)-w2i(k-1)]=w2i(k)-η1e1(k+1)oi(k)+β[w2i(k)-w2i(k-1)](8)w1ij(k+1)=w1ij(k)-η1e1(k+1)f´[(xi(k)]w2i(k)Ιj(k)+β[w1ij(k)-w1ij(k-1)](9)2.2神经pid控制器设控制系统的输入输出采样序列为:r(k)、y(k),PID控制的基本算式为u(k)=kpe(k)+kik∑i=0e(k)+kd[(e(k)-e(k-1)](10)式中e(k)=r(k)-y(k),u(k)——控制器的输出;e(k)——系统的误差;kp、ki、kd——分别为比例系数、积分系数、微分系数。神经PID控制器采用线性神经元(NNC)(如图4所示),其输入为:c1(k)=e(k)(11)c2(k)=k∑i=0e(k)(12)c3(k)=Δe(k)=e(k)-e(k-1)(13)对应于PID基本算式,输出为:u(k)=v1c1(k)+v2c2(k)+v3c3(k)(14)式中vi为NNC的权值(i=1,2,3)。准则函数:E2(k)=12[r(k+1)-ˆy(k+1)]2=12e22(l+1)(15)这里,用网络输出ˆy(k+1)代替了被控对象的实际输出y(k+1),因为当前还无法获得y(k+1)的值,这也正是使用辨识器网络的主要原因。NNC网络权值调整算法用梯度下降法,具体算式为:vi(k+1)=vi(k)-η2e2(k+1)ci(k)∑iw2i(k)f´[(xi(k)][w1iu(k)](16)式中w1iu(k)为u(k)=In+1(k)至第i个隐节点的权值。3跟踪试验测试首先将输入变化值1+sint作为激励信号,对NNI进行离线训练,网络训练500步后投入使用,对理论弯曲角变化规律0.6+0.3sin(t1000-0.3)进行跟踪。具体的采样数据见表1。试验结果如图5所示。试验结果表明,神经PID控制算法表现出其自适应的优点,它能预测出误差的变化趋势,由于能提前对误差进行补偿,因此它的效果较为理想。4识器nni和自适应pid控制器nni本文介绍了新型气动肌肉模型-气动柔性弯曲关节,分析了该关节的结构特点,给