基于改进神经网络的机械臂非线性模型预测控制方案( Effective Nonlinear Model Predictive Control Scheme Tuned by Improved NN for Robotic Manipulators )

M Elsisi K Mahmoud M Lehtonen MMF Darwish

机器人的非线性和参数的不确定性对控制器的设计提出了很大的挑战。此外，以较少超调量、较短的稳定时间和较小的稳态误差跟踪规则和不规则轨迹是机器人响应的主要目标。模型预测控制(MPC)是一种处理性能要求的有效控制器。然而，传统的MPC要求系统模型的线性化。模型的线性化并没有覆盖机器人系统的所有动力学。因此，本文介绍了非线性最小二乘法(NLMPC)代替传统的最小二乘法，作为一种适合于非线性系统的控制方法。具体而言，本工作提出使用NLMPC控制机器人操作手。然而，NLMPC增益需要适当的调整才能获得良好的性能，而不是传统的方法。神经网络算法(NNA)考虑了一种足够的自适应智能技术可以用于这一目的。局部最优的限制揭示了与人工智能技术相比的主要问题。本文提出了一种新的改进方法，加强了神经网络的搜索行为，以克服局部限制问题。这种改进是利用多项式变异作为一种有效的方法来实现的，以保证智能技术的探索方式。所提出的系统可以仅从输出估计所有状态，以降低测量所有状态所需传感器的成本。结果证实了所提出的系统在输出响应变化不大的情况下的优越性。将改进的神经网络算法(MNNA)与主要的神经网络算法--基于遗传算法的PID控制方案以及其他研究中的基于布谷鸟搜索算法的PID控制方案进行了比较。实验结果表明，与其它方法相比，基于MNNA的NLMPC在跟踪规则和不规则轨迹方面具有较强的鲁棒性和有效性。

SciDown文献求助系统（解决99%问题） Public Download ResearchGate