基于滑模控制的多自由度采摘机械臂振动抑制方法

针对机器人末端柔性负载的残余振动问题,提出了一种多自由度采摘机械臂振动的滑模控制方法。考虑到组成结构、运动原理、动力方式等因素,构建了多自由度采摘机械臂数学模型。获取采摘机械臂的振动信号,并对其进行特征分析,计算机械臂振动控制量,生成采摘机械臂全局滑模面,设计了具有自动调节系数的滑膜控制器。对比实验显示,优化后的滑膜控制器由于工作时机械臂的运动参数会根据采摘任务产生动态变化,机械臂振动幅值明显减小,振动频率下降,而且能够消除轮廓误差,振动抑制效果明显,能够适合采摘需要。     

浅析采摘机械臂的国内外研究现状

采摘作业约占整个果蔬生产作业量的40%,自动化程度仍然很低,目前国内采摘作业基本上都是手工进行,因此研究采摘机械臂具有巨大的应用价值。     

五自由度采摘机械臂运动学通用算法应用

通过建立通用采摘机械臂运动学模型,构造初始矢量方程,完成求解,验证了基于Groebner基法的运动学算法的可行性,为采摘机械臂结构设计与控制研究提供了参考数据。     

机械臂位置控制的研究

该文设计组建了以直流力矩电机为执行元件,LMD18200为电机驱动器件,增量式光电旋转编码盘作为位置检测元件,TMS320F2812为控制器的位置控制系统,实现对机械臂运行模式的简单仿制和模拟。同时根据机械臂位置控制的原理和系统组成,编写了系统的软件测试程序,并从动力学的角度在MATLAB环境下,进行了性能分析仿真,得出了仿真结果。     

基于三维重建的柑橘采摘机械臂避障研究与实验

利用机器人采摘柑橘果实需要解决机械臂运动过程中对障碍物的感知与避障问题。根据枝干的特征对枝干进行分段标记,使用深度学习Mask R-CNN神经网络进行训练、识别,然后与Kinect v2相机得到枝干障碍物关键点的三维信息进行重建。应用快速扩展随机树（rapidly-exploring random trees,RRT）的改进算法进行机械臂的避障运动规划。搭建了仿真及控制平台,并在实验室环境下通过课题组自行研制的柑橘收获机器人进行了验证,结果表明,样机避障成功率为90.7%,平均规划时间为1.5 s。上述结果为进一步进行实际环境采摘奠定了基础。     

油茶果采摘机采摘机械臂的机构设计及运动仿真

油茶是我国重要的林业经济植物,是我国食用油的重要来源之一,随着品种的优化和种植的规范化,油茶果机械化采摘成为必然,研制油茶果采摘机成为林业机械的一个新领域。在实地考察研究油茶果植物特性和采摘方式的基础上,设计了油茶果采摘机采摘臂的机构,并应用三维软件pro/e,针对采摘臂的液压驱动方式,对采摘臂进行了运动仿真。     

神经网络与PID结合的机器人自适应控制

提出了一种基于神经网络与ＰＩＤ控制相结合的机器人自适应控制系统。为加快神经网络的学习过程，研究了有效的启发式学习算法。以二关节机器人为对象仿真表明，该控制系统能使机器人跟踪希望轨迹，其系统响应跟踪精度及鲁棒性优于常规的控制策略。     

加工过程的神经网络自适应控制

研究了加工过程智能控制的神经网络方法,分析了加工过程模型、神经网络建模和神经网络自适应控制。提出了用双网结构的控制策略对加工过程进行控制,NNI网络实现加工过程的系统辨识,进行在线建模;NNC网络根据系统的当前状态实现切削参数的自适应调整来优化加工过程,提高加工效率。仿真试验结果表明这种控制策略的可行性和有效性。     

基于深度强化学习的柑橘采摘机械臂路径规划方法

【目的】为解决非结构化环境下采用深度强化学习进行采摘机械臂路径规划时存在的效率低、采摘路径规划成功率不佳的问题,提出了一种非结构化环境下基于深度强化学习(Deep reinforcement learning, DRL)和人工势场的柑橘采摘机械臂的路径规划方法。【方法】首先,通过强化学习方法进行采摘路径规划问题求解,设计了结合人工势场的强化学习方法;其次,引入长短期记忆(Longshort term memory,LSTM)结构对2种DRL算法的Actor网络和Critic网络进行改进;最后,在3种不同的非结构化柑橘果树环境训练DRL算法对采摘机械臂进行路径规划。【结果】仿真对比试验表明：结合人工势场的强化学习方法有效提高了采摘机械臂路径规划的成功率;引入LSTM结构的方法可使深度确定性策略梯度(Deep deterministic policy gradient,DDPG)算法的收敛速度提升57.25%,路径规划成功率提升23.00%;使软行为评判(Soft actor critic,SAC)算法的收敛速度提升53.73%,路径规划成功率提升9.00%;与传统算法RRT-connec...     

一种新的电液伺服系统神经网络自适应控制

提出一种基于直接模型参考的神经网络与滑模变结构控制相结合的神经网络自适应控制方法并对电液伺服系统进行控制,仿真结果表明用该控制方法的控制系统能实现较高粗度的控制,且具有较强的鲁棒性和自适应能力,具应用价值。     

现代金融区域辐射力研究——基于长沙对湖南省内其他市州辐射力的实证检验

对于Buck变换器系统,考虑到实际应用中负载变动引起系统参数的不确定性,且不确定性上界无法测量的情况,本文拟采用RBF神经网络对不确定性上界进行自适应学习。针对Buck变换器输出电压的控制问题,为了避免普通滑模控制跟踪误差渐进收敛的问题,改善其动态响应速度和稳态性能,本文拟设计一种基于RBF神经网络的上界自适应的终端滑模控制器,并通过Simulink仿真验证这种方法的可行性。     

模糊神经网络模型参考自适应控制及其应用

提出一种模糊神经网络的自适应控制方案，给出了一种模糊神经网络模型和快速的优化学习算法（ＦＬＡ），通过网络的在线自学习不断修正模糊神经网络控制器的隶属函数和权值，实现了模糊逻辑规则的自动更新，经仿真结果和倒立摆控制表明，这类自适应控制具有良好的控制性能。     

中密度纤维板连续热压位置伺服系统自适应全局快速终端滑模控制

为实现中密度纤维板(MDF)连续平压热压机液压位置伺服系统在参数摄动和外负载力干扰存在条件下快速、精确地位置跟踪,提出一种自适应全局快速终端滑模控制方法。首先,设计了自适应律以估计系统中的不确定参数,增强了控制系统的鲁棒性;然后,采用全局快速终端滑模控制方法,设计了一种新型的全局快速终端滑动模态,保证系统误差能够在有限时间内收敛为零;最后,利用Lyapunov稳定性理论给出了系统渐近稳定、跟踪误差在有限时间收敛的证明。仿真结果表明:该方法在保证系统稳定性的同时,可以实现系统误差在有限时间内收敛,提高了系统的鲁棒性和快速性。     

基于神经网络的自适应模糊控制器

提出了一种基于神经网络的自适应模糊控制器。控制器由一个模糊神经网络和一个人工神经网络组成,具有自适应和自学习能力,计算机仿真实验证明了这种控制器的有效性,控制性能优于常规的模糊控制。     

仿射非线性系统的在线自适应模糊神经网络辨识与控制

针对单输入单输出非线性系统的自适应控制问题,提出了一种在线自适应模糊神经网络辨识与鲁棒控制的方法.该方法首先利用广义模糊神经网络学习算法,实时建立对象模型未知系统的逆动态模型,实现网络结构和参数的同时在线自适应.考虑到网络建模误差和外部干扰的存在,还设计了基于控制理论的鲁棒补偿器.仿真结果表明,该方法能对模型未知仿射非线性系统实现鲁棒输出跟踪.     

STATCOM的变结构神经网络模糊控制研究

提出了STATCOM用于维持接入点母线电压稳定的控制策略,根据控制策略设计了STATCOM的变结构神经网络模糊控制器.在设计控制器时,通过专家经验法和模糊规则自生成法对模糊规则知识库进行了初始化;通过变结构神经网络对模糊规则进行在线调整,增强了控制器的自学习、自适应能力;采用了基于语言变量优化匹配的原则对模糊逻辑推理进行优化,减少模糊推理的计算量,提高运算速度.数字仿真结果验证了该控制方法的有效性和正确性.     

神经网络补偿的状态反馈控制

提出一种具有神经网络补偿的状态反馈控制方法并用于液压伺服位置控制系统。仿真和实验研究结果表明,该方法可有效地提高经典状态反馈控制系统的动态性能。     

低轨无拖曳卫星的自适应神经网络控制器设计

低轨无拖曳(Drag-free)卫星为相对论的验证、引力波探测以及地球重力场的测量提供了低干扰的试验环境。目前已有的工作主要对无拖曳卫星模型进行线性化,然后进行控制器设计,此种方法忽略了无拖曳卫星控制系统的非线性环节,因此降低了控制器的精度。本文将基于Lyapunov稳定性理论和自适应反步控制,直接针对无拖曳卫星控制系统的非线性模型进行分析,设计一种自适应神经网络控制器。针对系统建模过程中的线性化和未建模动态,利用RBF神经网络对非线性项进行拟合和补偿,建立自适应神经网络权值自适应律,保证闭环系统具有较好的鲁棒稳定性能和抗干扰性能,实现无拖曳卫星控制系统的设计要求。仿真结果表明控制器的有效性,满足了无拖曳卫星的控制精度要求。