DOI: 10. 3969 / j. issn. 1009-9492. 2020. 08. 046

廖凯，刘庆云，刘泽浩. 改进的RBF神经网络在机械臂控制中的应用研究［J］ . 机电工程技术，2020，49（08）：145-147.

改进的RBF神经网络在机械臂控制中的应用研究
廖凯1，刘庆云2，刘泽浩2
（1.广东省智能制造研究所， 广州510070；2.广州绿源信息科技有限公司， 广州510610）

摘要：机械臂系统是多输入、多输出的非线性系统，其位姿输出精度不稳定，与给定信号存在一定的跟踪误差。为提高机械臂系统跟踪精度以及抗干扰性能，通过对比分析常用的RBF神经网络学习方法，结合机械臂系统的非线性因素及其控制的实时性要求，提出改进RAN学习方法；并根据RAN学习方法构建RBF神经网络，将其应用于机械臂系统的逆控制器设计中。仿真实验表明，改进后的RBF神经网络逆控制器具有良好的对给定信号的跟踪精度和抗干扰能力，适用于机械臂系统的实时控制。
关键词：机械臂；RBF神经网络；模型辨识；逆模型控制
中图分类号：TP241；TP23    文献标志码：A    文章编号：1009－9492 ( 2020 ) 08－0145－03

 

引言
机械臂一般是指由各类相对滑动、铰接的组件构成的具备多个自由度，并可进行移动或抓取物体的机器[1]，是机器人的重要分支，应用于农业生产[2]，食品加工[3]，航空航天[4]等多个领域。机械臂系统是典型的多输入、多输出非线性系统，其动力学特征具有很强的耦合性和时变性，对其控制方法的研究是当今热点之一。
传统控制策略是基于模型的控制，因此，以建立被控系统精确的数学模型为前提和基础，而机械臂系统作为非线性系统，其精确数学模型难以获得。基于此，利用神经网络的逼近能力，以神经网络对被控对象模型进行智能辨识的神经网络控制成为重要发展趋势。其中，RBF神经网络以其对非线性连续函数的一致逼近性，而且学习速度快，不存在局部最小值问题，成为最常用的模型辨识神经网络[5]。张雯等[6]针对干体炉非线性、时变、纯滞后的特性，提出一种RBF神经网络控制器设计方案。时尚等[7]提出一种模糊神经网络控制策略，用于解决大口径武器液压伺服系统控制时内部参数的不确定性和时变性问题。本文将对比RBF神经网络常用的学习算法，设计改进的RAN学习算法设计RBF神经网络，并设计基于该RBF神经网络的逆控制策略，将其应用于机械臂系统的控制中。

结束语
（1） 通过对比RBF神经网络学习算法，RAN学习算法会根据数据实时增加隐含层神经元和中心节点，更适用于机械臂系统实时控制场景。
（2） RAN学习算法只考虑增加隐含层神经元而未考虑在RBF神经网络训练过程中，神经元数量越多，降低RBF神经网络的泛化能力，提出增加删除隐含层神经元判断准则，改进RAN学习算法，提高RBF神经网络泛化能力。
（3） 所提出的改进的RBF神经网络设计机械臂系统逆控制器，通过改进的RBF神经网络辨识系统，仿真试验表明，所设计的控制器对给定信号具有很好的跟踪能力，而且鲁棒性强。