基于神经网络补偿的机器人滑模变结构控制 .pdfVIP

基于神经网络补偿的机器人滑模变结构控制

李文波;王耀南

【摘要】Inthispaper,fastterminalslidingmodecontrollerwithaneural

networkbasedcompensatorisdevelopedforroboticmanipulatorswith

modellinguncertaintiesanddisturbs.Thetwo-powerterminalsliding

modeapproachcanmakethesystemstatesfastconvergetozeroina

finitetime.Theneuralnetworkforcompensatingtheuncertaintiesis

trainedonlinebasedonLyapunovtheoryandthusitsconvergenceis

guaranteed.Chatteringisreducedandeveneliminated.Simula-tionresults

verifythevalidityofthecontrolscheme.%针对机器人控制系统中存在的建模

误差和不确定性干扰，提出了基于神经网络补偿的滑模变结构控制。该方法采用双

幂次快速终端滑模控制使得系统能在有限时间内快速达到滑模面和平衡点，采用径

向基函数神经网络自适应地补偿建模误差和不确定干扰，并通过李雅普诺夫直接法

设计权值更新率，确保了系统的全局稳定性，有效抑制了抖震。对两关节机器人的

仿真结果表明了该方法的有效性。

【期刊名称】《计算机工程与应用》

【年(卷),期】2014(000)023

【总页数】6页(P251-255,260)

【关键词】快速终端滑模;神经网络;机器人;抖震

【作者】李文波;王耀南

【作者单位】湖南大学电气与信息工程学院，长沙410082;湖南大学电气与信息

工程学院，长沙410082

【正文语种】中文

【中图分类】TP393

多关节机器人在现代工业中有着广泛的应用。作为被控对象，它有着高度非线性，

高度时变，强耦合的特点，而且，它总存在着建模误差和外部干扰等不确定性，因

此机器人的控制问题成为了控制领域里面的热点。滑模控制是一种对参数变化和外

部干扰有着强鲁棒性的控制策略，因此，它在机器人控制领域应用很广[1-5]。文

献[1-2]使用的是传统的滑模控制，文献[3-5]使用的是终端滑模控制，都获得了不

错的效果。但是传统滑模控制是状态渐进收敛于平衡点，终端滑模控制则能在有限

时间收敛，但当系统远离平衡点时，控制性能却不如前者。快速终端滑模控制[6]

作为一种新型的滑模控制策略，结合了两者的优点，使系统状态在远离平衡点或平

衡点附近都能快速收敛，并成功运用到机器人控制系统[7-10]。双幂次快速终端滑

模控制[11]是在此基础上提出的改进，它具备快速终端滑模控制的所有特点，系统

收敛速度更加快。但是，这方法依然没有避免大量的抖动，而且，该方法必须预先

估计建模误差及不确定干扰的上界，而这难以获得，如果做过多的保守估计则会加

剧抖动的产生。神经网络对任意非线性函数的逼近能力使得它得到了诸多应用[12-

14]，文献[12]就使用神经网络对机器人的不确定部分进行逼近，并取得了很好的

效果。本文采用了双幂次快速终端滑模控制和神经网络补偿相结合的方法，该方法

采用径向基函数神经网络自适应地补偿建模误差和不确定性干扰，并通过李雅普诺

夫直接法来确定权值更新，确保了系统的全局稳定性，并有效削弱了抖震，而且具

有良好的暂态性能。

刚性机器人数学模型常用下面的微分方程描述：

其中，q，，∈Rn表示关节角，位移，速度和加速度。M0(q)∈Rn×n表示正定惯

量矩阵，且存在可逆矩阵M-10(q)，C0(q，)∈Rn×n表示哥氏力和离心力矩阵，

G0(q)表示重力项，以上三项是系统的标称参数。τ(t)∈Rn表示驱动力矩，ρ(t)∈

Rn表示所有不确定性，其中ΔM(q)，ΔC(q，)，ΔG(q)表示相对应的建模误差，

F()∈Rn表示粘性摩擦力和库仑摩擦力，d(t)∈Rn表示外部随机干扰项。通常情况

下可以假设是有界常数，并令L=max(Li)(i=1，2，…，n)。设qd∈Rn为参考输

入，则控制目标是选择合适的驱动力矩τ(t)使得输出q尽可能跟踪qd。

为克服式（9）中M(q)ρ(