基于T-S型模糊神经网络的机械手控制方案设计研究

孙 超，刘世聪

(东北石油大学电气信息工程学院，黑龙江 大庆 163318)

李 勇，周 庆，殷美艳

(大庆油田有限责任公司第三采油厂, 黑龙江 大庆 163113)

基于T-S型模糊神经网络的机械手控制方案设计研究

孙 超，刘世聪

(东北石油大学电气信息工程学院，黑龙江 大庆 163318)

李 勇，周 庆，殷美艳

(大庆油田有限责任公司第三采油厂, 黑龙江 大庆 163113)

机械手轨迹跟踪控制问题在机器人研究领域占有举足轻重的地位，现在已有很多控制方法，但是控制效果都不够理想。设计了基于T-S型模糊神经网络的机械手轨迹跟踪控制方案，用改进自适应遗传算法与BP算法相结合的混合学习算法来优化网络的权值。仿真试验表明，该控制方案能很好地控制机械手的轨迹跟踪，因而是可行且有效的。

机械手；T-S型模糊神经网络；BP算法；遗传算法

机械手是一个多输入多输出、强耦合、高度时变和非线性的系统，已经被广泛应用于各种智能控制的工业生产中，其中机械手轨迹跟踪是研究热点，近年来研究者已经提出许多机械手轨迹跟踪控制方法，如传统PID控制、计算力矩控制、鲁棒控制[1]、变结构控制[2]、自适应控制、模糊控制和神经网络等，但上述方法的控制效果都不够理想。鉴于此，笔者对模糊神经网络在2关节机械手控制中的应用进行了研究，给出一种基于T-S型模糊神经网络的机械手轨迹跟踪控制方案，用自适应遗传算法(简称GA算法)与BP算法相结合的混合学习算法来优化网络的权值，最后对机械手进行仿真。

1 机械手动力学模型及控制方案

1.1动力学模型

机械手的动力学方程[3]如下：

(1)

图1 T-S模糊神经网络控制系统结构

1.2T-S型模糊神经网络控制方案

针对2关节机械手的数学模型，采用T-S模糊神经网络控制系统结构如图1所示。图中qd1和qd2是2关节的期望位置；q1和q2是2关节的实际位置；e1、e2分别是2关节的误差；ec1、ec2分别是相应的误差变化率；ke1、ke2、kec1和kec2分别是误差及误差变化率的量化因子；ku1、ku2分别为神经网络输出的比例因子;

τ1、τ2分别是作用于关节1、关节2的转矩。

2 T-S型模糊神经网络结构和学习算法

2.1T-S型模糊神经网络结构

T-S模糊神经网络结构[4]如图2所示。从图2可以看出，该网络由前件网络和后件网络2部分组成，前件网络用来匹配模糊规则的前件，后件网络用来产生模糊规则后件。前件网络与标准模糊神经网络类似。后件网络由2个结构相同的并列子网络组成，每个子网络产生1个输出量。后件网络为1个3层网络，第1层是输入层，将输入量传入第2层，其中第0个节点的输入值x0=1，用来提供模糊规则后件中的常数项。第2层是计算每条规则的后件，该层具有m个节点，每个节点代表1个规则，即：

yjk=p0jk+p1jke1+p2jkec1+p3jke2+p4jkec2j=1，2，…，mk=1，2

(2)

第3层是计算系统的输出，即：

(3)

2.2T-S型模糊神经网络学习算法

图2 T-S模型的模糊神经网络结构 图3 混合学习算法的训练程序流程图

3 仿真试验

(4)

对机械手轨迹跟踪进行仿真试验。仿真结果分别如图4、5所示。图4和 图5分别给出了关节1和关节2的轨迹跟踪曲线，其中实线为期望跟踪曲线，虚线为采用混合算法的跟踪曲线。从图4和图5可以看出，采用混合算法的跟踪曲线很快跟踪上期望曲线。仿真试验表明，混合学习算法收敛速度快，具有较好的性能，对机械手的控制达到了预期的效果。

图4 关节1的轨迹跟踪曲线 图5 关节2 的轨迹跟踪曲线

4 结 语

提出了T-S模糊神经网络的机械手轨迹跟踪控制方案，并用改进的混合学习算法对网络权值和阈值进行优化，最后对机械手轨迹进行跟踪控制试验。仿真结果表明，该控制方案能很好地控制机械手的轨迹跟踪，因而是可行且有效的。

[1]朱甦，陈再良.二自由度机械手鲁棒跟踪控制器的一种设计方法[J].机械科学与技术，2006，25(2)：189-191.

[2] 叶多芳，葛为民.四自由度机械手的滑模变结构轨迹跟踪控制[J].制造业自动化，2009，31(6)：6-8.

[3] 冯川，孙增圻，孙富春.机械手动态T-S神经模糊 控制器设计[J].清华大学学报(自然科学版)，1998，45(1)：73-76.

[4] 关学忠，刘铁男.模糊控制理论与设计[M].哈尔滨：东北林业大学出版社，2003.

[编辑] 李启栋

10.3969/j.issn.1673-1409.2011.04.029

TP241

A

1673-1409(2011)04-0089-03