神经网络与计算力矩复合的机器人运动轨迹跟踪控制

为了实现机器人精密运动控制,在其关节系统引入计算力矩法(CTC)与神经网络复合的控制器,旨在通过CTC实现系统的初步控制并利用神经网络补偿机器人的不确定动力学特性所带来的运动误差.首先,建立了机器人的动力学模型并对其不确定性动力学量进行了描述;然后,为机器人构建了双闭环控制系统,并依据机器人标称模型规划出CTC控制律;进而,引入函数链神经网络(FLNN)对不确定性动力学量进行估值,并推导出FLNN的学习律;最后,对系统进行了仿真,结果显示,该复合控制器可将关节位置和速度跟踪误差控制在±0.001 rad和士0.001 rad/s之内,且其对机器人的参数变化及外部扰动具有较强的自适应性与鲁棒性.     

粘弹阻尼抗振结构双向渐进法拓扑动力学优化

基于阻尼结构各层形变位移关系,推导了结构振动微分方程。构建了以阻尼比最大化为优化目标,阻尼材料用量为约束,阻尼单元状态为设计变量的拓扑优化数学模型。为寻找结构优化迭代方向,推导了模态阻尼比灵敏度。建立阻尼单元增删准则,利用独立网格滤波技术进行滤波处理,采用双向渐进优化算法对阻尼结构进行了拓扑优化。按常规渐进法优化后,1阶、3阶阻尼比增幅分别为54.51%、36.21%,而按双向渐进优化所得相应阶次的模态阻尼比增幅则分别达76.69%、58.36%,且可有效改善阻尼结构优化后的棋盘格现象。为验证双向渐进优化算法拓扑优化结果,对阻尼结构进行谐响应分析与仿真,结果表明:采用双向渐进法优化时,结构特定阶次响应幅值更低,减振效果更佳。     

直接驱动机器人自适应-PD复合运动控制研究

针对直接驱动机器人结构参数与摩擦参数的非确定性,提出机器人自适应-PD控制策略。首先分析了机器人的两类不确定性,推演了机器人动力学方程,给出不确定性动力学结构量的线性化表示;然后,对关节摩擦力矩矢进行了建模;为补偿动力学不确定性给机器人带来的控制误差,构建含位置与速度反馈的双闭环控制系统,引入自适应机构辨识不确定性参量,并据此规划出自适应控制律;为提高运动控制精度,在控制器中嵌入PD子控制器。仿真实验显示,系统的位置和角速度跟踪误差分别为-0.02°~0.03°与±0.005 rad/s,表明自适应-PD控制律可实现直接驱动机器人精密轨迹控制。