机床与液压
機床與液壓
궤상여액압
MACHINE TOOL & HYDRAULICS
2009年
8期
122-124
,共3页
机器人%不确定性%滑模控制%RBF神经网络%增益调节
機器人%不確定性%滑模控製%RBF神經網絡%增益調節
궤기인%불학정성%활모공제%RBF신경망락%증익조절
滑模控制响应快,对系统参数和外部扰动呈不变性,可保证系统的渐进稳定性,但其缺点是控制存在很强的抖动.在一般滑模控制的基础上引入径向基函数神经网络(RBFNN),利用滑模控制的特点设定目标函数,将切换函数作为RBFNN 的输入,切换项增益K的绝对值作为其输出.利用RBF神经网络的在线学习功能,消除了控制的抖动,同时使系统具有很强的鲁棒性.对单关节机器人的仿真研究表明,在存在模型误差和外部扰动的情况下,该方案能大大降低抖振现象.
滑模控製響應快,對繫統參數和外部擾動呈不變性,可保證繫統的漸進穩定性,但其缺點是控製存在很彊的抖動.在一般滑模控製的基礎上引入徑嚮基函數神經網絡(RBFNN),利用滑模控製的特點設定目標函數,將切換函數作為RBFNN 的輸入,切換項增益K的絕對值作為其輸齣.利用RBF神經網絡的在線學習功能,消除瞭控製的抖動,同時使繫統具有很彊的魯棒性.對單關節機器人的倣真研究錶明,在存在模型誤差和外部擾動的情況下,該方案能大大降低抖振現象.
활모공제향응쾌,대계통삼수화외부우동정불변성,가보증계통적점진은정성,단기결점시공제존재흔강적두동.재일반활모공제적기출상인입경향기함수신경망락(RBFNN),이용활모공제적특점설정목표함수,장절환함수작위RBFNN 적수입,절환항증익K적절대치작위기수출.이용RBF신경망락적재선학습공능,소제료공제적두동,동시사계통구유흔강적로봉성.대단관절궤기인적방진연구표명,재존재모형오차화외부우동적정황하,해방안능대대강저두진현상.
