关键词：柔性机械臂;;振动控制;;集总参数方法;;神经网络;;自适应控制;;强化学习
摘 要：随着时代的发展与要求,机器人系统的控制要求向着高速、重载、高精度、低功耗的方向发展,由此质量轻、灵活度高、功耗低的柔性机械臂的研究也逐渐吸引了很多研究者的关注。柔性机械臂由于柔性结构特性,是一个分布参数系统,系统结构偏复杂,模型一般由偏微分方程来建立。为了使得机械臂能够在跟踪的同时达到良好的振动控制效果,基于偏微分方程模型的振动控制器设计过程复杂且难度偏大,尤其在遇到柔性机械臂模型不确定的情况下,其设计难度更大。本篇论文主要解决处于系统不确定性和非线性环节情况下的柔性机械臂系统的振动控制问题。而由于神经网络对于非线性和不确定环节有良好的拟合特性,它将被入到柔性机械臂系统的振动控制当中,去解决系统的不确定性和非线性环节。由于偏微分方程模型的局限性,神经网络控制算法无法被很好地应用到柔性机械臂的振动控制中,这就需要把柔性机械臂的偏微分方程模型转换为常微分方程模型,如此就为神经网络技术提供了一个良好的实施环境。而柔性机械臂的常微分方程模型的建立,则借用了集总参数和假设模态等方法来实现。在常微分方程的模型基础上,本篇论文着重设计了自适应神经网络控制方法去解决带有输入死区和系统不确定性的单连杆柔性机械臂的振动控制问题。柔性机械臂系统的常微分方程模型拓展了其振动控制的研究方法,而强化学习作为近几年研究的热门控制算法,在本篇论文中也被新颖地引入到振动控制设计当中。在基于强化学习算法的振动控制器的设计当中,本文只针对仅带有系统不确定性的柔性机械臂系统进行振动控制器设计,非线性环节在此种情况下未作考虑。在基于强化学习的控制器设计当中,使用了actor-critic模式,critic部分来判断所施加控制的好坏;actor则基于critic的判断来不断地修正控制器以达到最优的控制效果。总结来说,本文将神经网络的控制方法巧妙地应用到了柔性机械臂振动控制的设计当中,自适应率被设计出来更新神经网络。而在基于自适应神经网络对带有输入死区和系统不确定性的柔性机械臂的振动控制的研究基础上,强化学习算法也被初步地引入到了柔性机械臂的振动控制中,做进一步的研究。如此,就为后续的柔性机械臂的振动控制设计提供了良好的思路。
内 容：原文可通过湖北省科技信息共享服务平台（http://www.hbstl.org.cn)获取