文献类型：期刊文章

作　　者：袁凯[1,2] 刘延俊[1,2,3] 孙景余[1,2] 罗星[3]

YUAN Kai;LIU Yan-jun;SUN Jing-yu;LUO Xing(Institute of Marine Science and Technology,Shandong University,Qingdao 266237,China;Shenzhen Research Institute,Shandong University,Shenzhen 518057,China;Key Laboratory of High Efficiency and Clean Mechanical Manufacture,Ministry of Education,Shandong University,Jinan 250061,China)

机构地区：[1]山东大学海洋研究院,山东青岛266237 [2]山东大学深圳研究院,广东深圳518057 [3]山东大学高效洁净机械制造教育部先进制造重点实验室,山东济南250061

出　　处：《工程设计学报》

基　　金：深圳市科技研发资金基础研究(自由探索)资助项目(JCYJ20180305164217766);山东省重点研发计划资助项目(2019GHY112077)

年　　份：2019

卷　　号：26

期　　号：6

起止页码：675-682

语　　种：中文

收录情况：BDHX、BDHX2017、CSA、CSA-PROQEUST、CSCD、CSCD2019_2020、DOAJ、IC、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：针对水下复杂工作环境下机械臂控制性能易受影响,而传统控制方法效果不佳的问题,提出了一种基于模糊RBF(radial basis function,径向基函数)神经网络的智能控制器,用于精确、稳定地控制水下机械臂。考虑到在水扰动环境下,机械臂通常受到附加质量力、水阻力和浮力的影响,运用拉格朗日法和Morison方程,建立包含水动力项的二杆机械臂动力学模型,通过模糊RBF神经网络对水下机械臂动力学方程中的水动力不确定项进行总体识别并拟合,利用模糊系统启发式搜索和RBF神经网络推理速度较快的优点,使水下机械臂系统具有较高的控制精度和较强的自适应性。考虑到水动力项,采用Lyapunov稳定性理论验证了水下机械臂系统的稳定性。最后利用MATLAB对二杆机械臂进行轨迹跟踪控制仿真实验,并对比模糊RBF神经网络与常规RBF神经网络识别方法和传统模糊控制方法的控制效果。仿真结果表明:与常规RBF神经网络识别方法相比,模糊RBF神经网络控制下二杆机械臂关节1的响应时间缩短了91%,相对误差减小了88%,关节2的响应时间缩短了92%,相对误差降低了77%;与传统模糊控制方法相比,关节1的相对误差减小了65%,关节2的相对误差减小了10%。研究结果表明模糊RBF神经网络的控制效果优于常规RBF神经网络识别方法和传统模糊控制方法,可为水下机械臂的控制提供一种精度较高、较有效的方法。

关 键 词：模糊控制 RBF神经网络 水下机械臂  控制特性

分 类 号：TP241]