论文部分内容阅读
几年来,工业和信息技术领域发生了深刻的变化,进入了"工业4.0"时代。工业4.0作为第四次工业革命未来的代表,从嵌入式系统发展到网络物理系统(CPS)。工业4.0,本质上是基于"网络物理系统"实现"智能工厂".第一次工业革命始于18世纪下半叶通过蒸汽机实现工厂机械化。第二次工业革命始于19世纪下半叶,有能力实施大规模批量生产。第三次工业革命始于20世纪下半叶,通过电气和信息技术实现自动化制造。工业4.0在前三次工业革命的基础上进一步演变,根据网络物理系统实现了新的制造方法。行业4.0的核心是生产的动态配置模式。不同于传统的生产方法,生产前或制造过程中的动态配置,可以随时改变原来的设计。在工业4.0的智能工厂中,固定生产线的概念已经消失,但采用了动态和有机的模块化生产重组。工业4.0将推进"标准化工厂",随着标准化工厂的生产模式将扩展到国际市场,以提高技术创新和市场效率模型创新。工业4.0有五个主要特点:互联、数据、集成和创新。此外,工业4.0的九大技术支柱,包括虚拟现实、人工智能、工业互联网、工业大数据、工业机器人、3D打印、云计算、知识工作自动化和工业网络安全。工业4.0智能制造在生产过程中通过互联、云计算、大数据实现了系统的垂直集成。在这里,智能制造利用先进的信息和制造技术的优势来实现灵活、智能和可重新配置的制造工艺,以应对动态的全球市场。它被认为是一种以智能科学技术为基础的新型制造模式,极大地提升了典型产品整个生命周期的设计、生产、管理和集成。使用各种智能传感器、自适应决策模型、先进材料、智能设备和数据分析,可以促进整个产品生命周期。提高生产效率、产品质量和服务水平。制造业企业的竞争力可以通过其应对全球市场动态和波动的能力得到提高。实现这一概念的一种形式是智能制造系统(IMS),它被认为是下一代制造系统,它是通过采用新的模型、新的形式和新的方法来改造传统的制造系统而获得的。制造系统成为一个智能系统。在工业4.0时代,IMS通过Internet使用面向服务的体系结构(SOA),为最终用户提供协作、可定制、灵活和可重新配置的服务,从而实现高度集成的人机界面制造系统。这种人机交互的高度整合旨在建立一个由IMS中涉及的各种制造要素组成的生态系统,以便组织、管理和技术水平能够无缝地结合在一起。
随着工业4.0在智能制造领域的发展,IRMs的控制技术也得到了快速的研究和发展。机器人控制的基本问题是设计正确合理的控制器，确保其能够按照预先设定的轨迹运动，并且对扰动和不确定性具有良好的鲁棒性，以保证控制系统具有良好的性能。在实际应用中，机器人是一个典型的非线性系统，影响其性能的因素是多种多样的，包括非线性摩擦、负载波动、外部干扰等。因此如何在无法获得精确数学模型的情况下，设计合适的控制器是需要着重解决的问题。本文在梳理已有文献的基础上，设计了工业机器人轨迹跟踪智能控制方案，以提高位置跟踪的精度、提高系统的鲁棒性。本文的贡献和主要成果如下：
首先，提出了一种基于反步控制的工业机器人鲁棒自适应跟踪模糊控制方法。该控制器的设计不依赖于系统精确数学模型，利用模糊逻辑对机器人系统的未知动态进行逼近，利用鲁棒项对系统扰动进行自适应补偿，自适应律由李雅普诺夫稳定性定理推出。同时结合反步控制技术，确保控制系统的性能。仿真和实验结果显示，机器人能够对给定位置进行准确跟踪，对外部扰动具有良好的鲁棒性能。将所提出的控制方案应用于工业机器人机械手(IRM),并与自适应反步控制(BPC)和自适应模糊控制(AFC)进行了比较。对关节位置响应、跟踪误差和控制力矩遵循所需轨迹的联合1、接头2和接头3进行了仿真和实验结果,并对各控制器的归一化均方误差值进行了仿真和实验比较,当外部干扰被选择为:de=[0.25sin(t)0.25sin(t)0.25sin(t)]T。通过仿真和实验结果,我们可以看到,通过所提出的控制器、自适应反步进控制和自适应模糊控制,可以获得较好的跟踪位置。但所提出的控制器的跟踪误差收敛较快。此外,基于归一化均方误差测量,提出的具有位置跟踪改进的控制器比自适应反步进控制和自适应模糊控制的控制器要好,具有比自适应两种情况下都更好的跟踪性能。反步进控制和自适应模糊控制也是如此。因此,与现有的结果相比,使用具有适应权重的方案可以有效地提高闭环系统的性能。与自适应反步进控制和自适应模糊控制相比,该控制方案的鲁棒跟踪性能更好、更有效。该控制系统可作为现有工业机器人机械手控制系统的一种很好的替代方案,也可应用于MMR、交流伺服系统等其他系统。这一申请可能需要进一步调查。
第二，本文提出了一种基于径向基神经网络(RBFNNs)的鲁棒自适应控制器，用于处理工业机器人未知动态和外部干扰。该方法将跟踪误差与径向基函数神经网络相结合，实现了对机器人系统的未知动力学的逼近，同时闭环系统中的所有状态都是半全局一致最终有界的。针对机器人系统的外部干扰问题，提出了一种状态变换方法，将闭环系统转化为具有小扰动项的线性时变系统。此外，径向基函数神经网络控制器具有结构简单、训练更新规律快、对未知动态系统的逼近性好等优点，能够成功地处理小问题。本文利用李雅普诺夫稳定性定理，实现了对径向基函数神经网络网络参数的动态调节。基于三连杆IRMS进行了仿真和实验验证，结果表明，与比例积分微分(PID )和自适应模糊(AF)控制相比，该方法具有更为优良的稳定性、鲁棒性和跟踪性能。通过这些仿真和实验结果,收敛了比例积分微分、自动对焦和所提出的智能控制器的跟踪误差。然而,所提出的智能控制系统收敛速度比比例积分微分和自动对焦系统要快。此外,基于链路的跟踪误差,我们看到,所提出的径向基函数神经网络的跟踪误差最小,这意味着所提出的智能控制器比比例积分微分、自适应模糊和所有更新的参数具有更好的位置跟踪改进。调整了动态结构径向基函数神经网络和律变节点的数量,动态结构径向基函数神经网络的逼近能力也优于比例积分微分和自适应模糊系统。逼近函数和估计参数的性能良好,证明了包括控制系统参数舍入在内的方法的正确性。此外,从这些结果可以看出,所提出的径向基函数神经网络的控制力比比例积分微分和自动对焦具有更平滑的振荡,在跟踪误差达到较大值时达到所要求的性能水平.所提出的径向基函数神经网络控制系统可作为现有工业机器人机械手控制系统的一种很好的替代方案,也可应用于其他系统,如MMR、交流伺服系统等。这一申请可能需要进一步调查.
第三,将基于反步技术的自适应鲁棒跟踪径向基函数(RBF)神经网络控制应用于工业机器人控制。该控制器的目柱是通过继承径向基函数神经网络(RBFNNs)反步控制技术的优点，以提高基于神经网络的工业机器人在不确定性模型、非线性摩擦和外部干扰等各种环境下的控制效果。在该控制器中，应用径向基函数神经网络对机器人系统的未知动力学进行了逼近。基于李雅普诺夫稳定性定理，确定了该控制系统的所有参数，并采用自适应学习算法进行在线整定。将该方法与基于比例积分微分、自适应神经网络控制进行对比仿真和实验，结果显示该方法能够显著提高三连杆工业机器人系统的精度和稳定性。。提出了所提出的自适应鲁棒神经网络、自适应模糊控制器和比例积分微分控制器的仿真和实验比较结果,以及各控制器的归一化均方误差值的仿真和实验比较。通过这些仿真和实验结果,我们看到比例积分微分控制器、自动对焦控制器和所提出的智能控制器的跟踪误差是收敛的。然而,所提出的智能控制系统收敛速度比比例积分微分控制器和自动对焦系统要快。此外,基于链接的跟踪错误,我们看到建议的自适应鲁棒神经网络的跟踪错误是最小的。这意味着所提出的智能控制器比比例积分微分控制器、自动对焦控制器和动态结构自适应鲁棒神经网络中的所有更新参数都有更好的位置跟踪改进,并调整了法律节点的数量,逼近能力与比例积分微分和自动对焦控制系统相比,其动力学结构中的杀伤人员比强。逼近函数和估计参数的性能良好,证明了包括控制系统参数舍入在内的方法的正确性。此外,从这些结果可以看出,所提出的自适应鲁棒神经网络的控制力比比例积分微分控制器和自动对焦控制器更平滑,振荡更小,在跟踪误差达到较大值时达到所要求的性能水平。所提出的自适应鲁棒神经网络控制系统可作为现有工业机器人机械手控制系统的一种很好的替代方案,也可应用于其他系统,如MMR、交流伺服系统等。这一申请可能需要进一步调查.
第四，为提高位置跟踪控制的精度，提出了一种基于模糊小波神经网络的工业机器人鲁棒自适应滑模控制(SMC)。通过继承神经网络和自适应模糊逻辑控制与小波网络相结合的优点，该控制方法放宽了工业机器人机系统对于未知动力学的要求，提高了神经网络在IRMs控制系统中的跟踪误差和灵活性，并提高了神经网络控制和模糊控制的逼近能力。该控制方法利用模糊小波神经网络对工业机器人机系统的未知动态进行了逼近，网络参数由自适应律动态获得，从而保证了所设计的智能控制系统的鲁棒性和稳定性。对三连杆工业机器人机进行了仿真和实验，与小波网络控制(WNC)和自适应模糊控制(AFC)相比，该控制器改善了系统的灵活性和鲁棒性。对小波网络控制、自适应模糊控制和所提出的智能控制器进行了仿真和实验,并对每种方法的归一化均方误差值进行了仿真和实验比较。从仿真和实验结果来看,由于两个控制器都具有学习能力,因此小波网络控制、自适应模糊控制和所提出的智能控制器可以降低学习过程中的跟踪误差。然而,与小波网络控制和自适应模糊控制系统相比,该智能控制系统在跟踪误差方面的降低速度更快。这意味着,在动态结构模糊小波神经网络中对所有参数进行更新,并对规则节点的数量进行动态调整,动态结构模糊小波神经网络的逼近能力优于小波网络控制和自适应模糊控制系统。此外,从这些结果可以看出,当跟踪误差达到较大的值时,所提出的智能控制器的控制力比小波网络控制和自适应模糊控制更平滑,振荡更小,达到要求的性能水平。所提出的模糊小波神经网络控制系统可作为现有工业机器人机械手控制系统的一种很好的替代方案,也可应用于其他系统,如MMR、交流伺服系统等。这一申请可能需要进一步调查.
第五，在继承现有技术的基础上，结合模糊小波神经网络的优点，提出了一种工业机器人机智能控制系统。在该方法中，将递归模糊小波神经网络应用于工业机器人机控制的未知动态逼近，以进一步提高神经网络在工业机器人控制系统中的有效性和鲁棒性，利用李亚普诺夫定理证明了系统的稳定性。仿真和实验结果表明所提出的智能控制系统可以达到预期的跟踪性能，并保证了工业机器人机系统的稳定性和鲁棒性，此外,与模糊小波神经网络和鲁棒神经模糊网络控制方法相比，该智能控制器在参数变化和外界干扰下的控制性能和鲁棒性更好。对模糊小波神经网络,鲁棒神经模糊网络和所提出的智能控制器进行了仿真和实验,并对归一化均方误差进行了比较。根据这些结果,由于两个控制器都具有学习能力,模糊小波神经网络、鲁棒神经模糊网络和所提出的智能控制器可以降低学习过程中的跟踪误差。然而,与模糊小波神经网络和鲁棒神经模糊网络系统相比,该智能控制系统在跟踪误差方面的降低速度更快。这意味着对动态结构递归模糊小波神经网络中的所有更新参数和规则节点的数量进行了调整,动态结构递归模糊小波神经网络的逼近能力也优于模糊小波神经网络和鲁棒神经模糊网络系统。此外,从仿真和实验结果可以看出,当跟踪误差达到较大的值时,所提出的智能控制器的控制力比模糊小波神经网络和鲁棒神经模糊网络更平稳,振荡也更小,达到了要求的水平。性能。所提出的递归模糊小波神经网络控制系统可作为现有工业机器人机械手控制系统的一种很好的替代方案,也可应用于其他系统,如MMR、交流伺服系统等。这一申请可能需要进一步调查.
在本文研究结果的基础上,我们看到,利用模糊逻辑和神经网络的智能控制器成功地实现了工业机器人机器人的鲁棒自适应跟踪控制。然而,工业机器人机械手的跟踪控制仍然存在一些缺陷。因此,今后的工作可以继续,如下所示:
通过与其他控制技术的结合,继续开发工业机器人机械手的控制器,提高控制系统的有效性和鲁棒性。
应用优化算法确定了基于模糊逻辑和神经网络的智能控制器参数。
本文提出的控制器可以应用于其他目标和领域的控制。
随着工业4.0在智能制造领域的发展,IRMs的控制技术也得到了快速的研究和发展。机器人控制的基本问题是设计正确合理的控制器，确保其能够按照预先设定的轨迹运动，并且对扰动和不确定性具有良好的鲁棒性，以保证控制系统具有良好的性能。在实际应用中，机器人是一个典型的非线性系统，影响其性能的因素是多种多样的，包括非线性摩擦、负载波动、外部干扰等。因此如何在无法获得精确数学模型的情况下，设计合适的控制器是需要着重解决的问题。本文在梳理已有文献的基础上，设计了工业机器人轨迹跟踪智能控制方案，以提高位置跟踪的精度、提高系统的鲁棒性。本文的贡献和主要成果如下：
首先，提出了一种基于反步控制的工业机器人鲁棒自适应跟踪模糊控制方法。该控制器的设计不依赖于系统精确数学模型，利用模糊逻辑对机器人系统的未知动态进行逼近，利用鲁棒项对系统扰动进行自适应补偿，自适应律由李雅普诺夫稳定性定理推出。同时结合反步控制技术，确保控制系统的性能。仿真和实验结果显示，机器人能够对给定位置进行准确跟踪，对外部扰动具有良好的鲁棒性能。将所提出的控制方案应用于工业机器人机械手(IRM),并与自适应反步控制(BPC)和自适应模糊控制(AFC)进行了比较。对关节位置响应、跟踪误差和控制力矩遵循所需轨迹的联合1、接头2和接头3进行了仿真和实验结果,并对各控制器的归一化均方误差值进行了仿真和实验比较,当外部干扰被选择为:de=[0.25sin(t)0.25sin(t)0.25sin(t)]T。通过仿真和实验结果,我们可以看到,通过所提出的控制器、自适应反步进控制和自适应模糊控制,可以获得较好的跟踪位置。但所提出的控制器的跟踪误差收敛较快。此外,基于归一化均方误差测量,提出的具有位置跟踪改进的控制器比自适应反步进控制和自适应模糊控制的控制器要好,具有比自适应两种情况下都更好的跟踪性能。反步进控制和自适应模糊控制也是如此。因此,与现有的结果相比,使用具有适应权重的方案可以有效地提高闭环系统的性能。与自适应反步进控制和自适应模糊控制相比,该控制方案的鲁棒跟踪性能更好、更有效。该控制系统可作为现有工业机器人机械手控制系统的一种很好的替代方案,也可应用于MMR、交流伺服系统等其他系统。这一申请可能需要进一步调查。
第二，本文提出了一种基于径向基神经网络(RBFNNs)的鲁棒自适应控制器，用于处理工业机器人未知动态和外部干扰。该方法将跟踪误差与径向基函数神经网络相结合，实现了对机器人系统的未知动力学的逼近，同时闭环系统中的所有状态都是半全局一致最终有界的。针对机器人系统的外部干扰问题，提出了一种状态变换方法，将闭环系统转化为具有小扰动项的线性时变系统。此外，径向基函数神经网络控制器具有结构简单、训练更新规律快、对未知动态系统的逼近性好等优点，能够成功地处理小问题。本文利用李雅普诺夫稳定性定理，实现了对径向基函数神经网络网络参数的动态调节。基于三连杆IRMS进行了仿真和实验验证，结果表明，与比例积分微分(PID )和自适应模糊(AF)控制相比，该方法具有更为优良的稳定性、鲁棒性和跟踪性能。通过这些仿真和实验结果,收敛了比例积分微分、自动对焦和所提出的智能控制器的跟踪误差。然而,所提出的智能控制系统收敛速度比比例积分微分和自动对焦系统要快。此外,基于链路的跟踪误差,我们看到,所提出的径向基函数神经网络的跟踪误差最小,这意味着所提出的智能控制器比比例积分微分、自适应模糊和所有更新的参数具有更好的位置跟踪改进。调整了动态结构径向基函数神经网络和律变节点的数量,动态结构径向基函数神经网络的逼近能力也优于比例积分微分和自适应模糊系统。逼近函数和估计参数的性能良好,证明了包括控制系统参数舍入在内的方法的正确性。此外,从这些结果可以看出,所提出的径向基函数神经网络的控制力比比例积分微分和自动对焦具有更平滑的振荡,在跟踪误差达到较大值时达到所要求的性能水平.所提出的径向基函数神经网络控制系统可作为现有工业机器人机械手控制系统的一种很好的替代方案,也可应用于其他系统,如MMR、交流伺服系统等。这一申请可能需要进一步调查.
第三,将基于反步技术的自适应鲁棒跟踪径向基函数(RBF)神经网络控制应用于工业机器人控制。该控制器的目柱是通过继承径向基函数神经网络(RBFNNs)反步控制技术的优点，以提高基于神经网络的工业机器人在不确定性模型、非线性摩擦和外部干扰等各种环境下的控制效果。在该控制器中，应用径向基函数神经网络对机器人系统的未知动力学进行了逼近。基于李雅普诺夫稳定性定理，确定了该控制系统的所有参数，并采用自适应学习算法进行在线整定。将该方法与基于比例积分微分、自适应神经网络控制进行对比仿真和实验，结果显示该方法能够显著提高三连杆工业机器人系统的精度和稳定性。。提出了所提出的自适应鲁棒神经网络、自适应模糊控制器和比例积分微分控制器的仿真和实验比较结果,以及各控制器的归一化均方误差值的仿真和实验比较。通过这些仿真和实验结果,我们看到比例积分微分控制器、自动对焦控制器和所提出的智能控制器的跟踪误差是收敛的。然而,所提出的智能控制系统收敛速度比比例积分微分控制器和自动对焦系统要快。此外,基于链接的跟踪错误,我们看到建议的自适应鲁棒神经网络的跟踪错误是最小的。这意味着所提出的智能控制器比比例积分微分控制器、自动对焦控制器和动态结构自适应鲁棒神经网络中的所有更新参数都有更好的位置跟踪改进,并调整了法律节点的数量,逼近能力与比例积分微分和自动对焦控制系统相比,其动力学结构中的杀伤人员比强。逼近函数和估计参数的性能良好,证明了包括控制系统参数舍入在内的方法的正确性。此外,从这些结果可以看出,所提出的自适应鲁棒神经网络的控制力比比例积分微分控制器和自动对焦控制器更平滑,振荡更小,在跟踪误差达到较大值时达到所要求的性能水平。所提出的自适应鲁棒神经网络控制系统可作为现有工业机器人机械手控制系统的一种很好的替代方案,也可应用于其他系统,如MMR、交流伺服系统等。这一申请可能需要进一步调查.
第四，为提高位置跟踪控制的精度，提出了一种基于模糊小波神经网络的工业机器人鲁棒自适应滑模控制(SMC)。通过继承神经网络和自适应模糊逻辑控制与小波网络相结合的优点，该控制方法放宽了工业机器人机系统对于未知动力学的要求，提高了神经网络在IRMs控制系统中的跟踪误差和灵活性，并提高了神经网络控制和模糊控制的逼近能力。该控制方法利用模糊小波神经网络对工业机器人机系统的未知动态进行了逼近，网络参数由自适应律动态获得，从而保证了所设计的智能控制系统的鲁棒性和稳定性。对三连杆工业机器人机进行了仿真和实验，与小波网络控制(WNC)和自适应模糊控制(AFC)相比，该控制器改善了系统的灵活性和鲁棒性。对小波网络控制、自适应模糊控制和所提出的智能控制器进行了仿真和实验,并对每种方法的归一化均方误差值进行了仿真和实验比较。从仿真和实验结果来看,由于两个控制器都具有学习能力,因此小波网络控制、自适应模糊控制和所提出的智能控制器可以降低学习过程中的跟踪误差。然而,与小波网络控制和自适应模糊控制系统相比,该智能控制系统在跟踪误差方面的降低速度更快。这意味着,在动态结构模糊小波神经网络中对所有参数进行更新,并对规则节点的数量进行动态调整,动态结构模糊小波神经网络的逼近能力优于小波网络控制和自适应模糊控制系统。此外,从这些结果可以看出,当跟踪误差达到较大的值时,所提出的智能控制器的控制力比小波网络控制和自适应模糊控制更平滑,振荡更小,达到要求的性能水平。所提出的模糊小波神经网络控制系统可作为现有工业机器人机械手控制系统的一种很好的替代方案,也可应用于其他系统,如MMR、交流伺服系统等。这一申请可能需要进一步调查.
第五，在继承现有技术的基础上，结合模糊小波神经网络的优点，提出了一种工业机器人机智能控制系统。在该方法中，将递归模糊小波神经网络应用于工业机器人机控制的未知动态逼近，以进一步提高神经网络在工业机器人控制系统中的有效性和鲁棒性，利用李亚普诺夫定理证明了系统的稳定性。仿真和实验结果表明所提出的智能控制系统可以达到预期的跟踪性能，并保证了工业机器人机系统的稳定性和鲁棒性，此外,与模糊小波神经网络和鲁棒神经模糊网络控制方法相比，该智能控制器在参数变化和外界干扰下的控制性能和鲁棒性更好。对模糊小波神经网络,鲁棒神经模糊网络和所提出的智能控制器进行了仿真和实验,并对归一化均方误差进行了比较。根据这些结果,由于两个控制器都具有学习能力,模糊小波神经网络、鲁棒神经模糊网络和所提出的智能控制器可以降低学习过程中的跟踪误差。然而,与模糊小波神经网络和鲁棒神经模糊网络系统相比,该智能控制系统在跟踪误差方面的降低速度更快。这意味着对动态结构递归模糊小波神经网络中的所有更新参数和规则节点的数量进行了调整,动态结构递归模糊小波神经网络的逼近能力也优于模糊小波神经网络和鲁棒神经模糊网络系统。此外,从仿真和实验结果可以看出,当跟踪误差达到较大的值时,所提出的智能控制器的控制力比模糊小波神经网络和鲁棒神经模糊网络更平稳,振荡也更小,达到了要求的水平。性能。所提出的递归模糊小波神经网络控制系统可作为现有工业机器人机械手控制系统的一种很好的替代方案,也可应用于其他系统,如MMR、交流伺服系统等。这一申请可能需要进一步调查.
在本文研究结果的基础上,我们看到,利用模糊逻辑和神经网络的智能控制器成功地实现了工业机器人机器人的鲁棒自适应跟踪控制。然而,工业机器人机械手的跟踪控制仍然存在一些缺陷。因此,今后的工作可以继续,如下所示:
通过与其他控制技术的结合,继续开发工业机器人机械手的控制器,提高控制系统的有效性和鲁棒性。
应用优化算法确定了基于模糊逻辑和神经网络的智能控制器参数。
本文提出的控制器可以应用于其他目标和领域的控制。