采摘機械臂的自適應神經網絡滑模控制

賈鶴鳴 金博聞

摘要 針對采摘機械臂的位置終端的精確控制問題，提出了一種將自適應神經網絡與滑模控制相結合的控制策略。首先通過神經網絡來估計系統模型中的不確定性，提出了一種具有神經網絡補償作用的滑模控制器，基于李雅普諾夫穩定性理論證明了閉環系統的穩定性，并改善了系統的動態性能。仿真試驗表明，該控制方法能夠有效地削弱抖振現象，具有很好的魯棒性和動態特性。

關鍵詞 采摘機械臂；位置跟蹤；滑模控制；自適應神經網絡

中圖分類號 S225 文獻標識碼 A 文章編號 0517-6611（2014）26-09214-02

Adaptive Neural Network Sliding Mode Control of Picking Manipulators

JIA He-ming et al

（College of Mechanical and Electrical Engineering， Northeast Forestry University， Harbin， Heilongjiang 150040）

Abstract Aiming at the accurate tracking problem of picking manipulator position terminal， a control strategy is proposed based on integrating adaptive neural networks with sliding-mode control （SMC）. Firstly， neural network is used to estimate the uncertainties of the system model. Based on Lyapunov stability theorem， the structure of sliding-mode controller compensated by neural network is designed. So the stability of the system is guaranteed and the dynamic performance of the system is improved. The simulation results illustrate that the proposed method can reduce the phenomenon of chattering in effect， and have good robustness and dynamic performance.

Key words Picking manipulators； Position tracking； Sliding mode control； Adaptive neural network

東北地區林業堅果種植地域廣泛，其生產規模也呈現多元化格局，具有較多的品類、較長的收獲采摘周期等特點。但目前堅果多半以手工進行采摘，拾摘期短，勞動強度較大，受采摘人力不足的制約，每年一到采摘季節，需要雇傭大量勞動力進行勞作，僅人工費用就高達數百萬元，且往往因勞動力不足延長了采摘周期，錯過了堅果的最佳采摘時機。因此，適時收獲和低成本收獲是增加收入的有效方法^[1]，而采摘機器人機械臂的終端位置控制精度的提高是實現上述效率采摘堅果目標的合理方法。

采摘機械臂的模型中一般會包含非線性不確定項和未知的外界環境干擾，模型的不確定性因素會導致控制器無法對被控對象進行有效控制，針對上述問題國內許多學者提出了相應的解決方法^[2-4]。作為一種廣泛應用的魯棒控制方法，滑模控制可有效解決控制系統中得模型不確定性問題^[5-7]。滑模控制是通過不斷改變切換的動作，使系統狀態到達期望設定的滑模面，并通過等效控制器的設計使系統狀態保持在滑模面上。但是在實際系統中，傳統滑模控制可能會面臨許多問題，如實際系統中，系統將不可避免地出現模型參數攝動，從而無法獲得系統的精確參數，導致無法精確得到等效控制器。為解決這類問題，文獻[8]采用多層神經網絡在線辨識系統等效控制量；文獻[9]采用一個多層神經網絡來逼近系統不確定性，從而獲得系統的等效控制器。

結合神經網絡和滑模控制的特點，針對采摘機械臂系統的不確定性和外界干擾問題，提出了一種基于神經網絡與傳統滑模控制結合的混合控制策略，即通過神經網絡來估計系統中存在的不確定性，并利用Lyapunov穩定性理論設計了神經網絡的自適應學習算法，從而保證了閉環系統的穩定性、改善了系統的動態性能。仿真實驗表明，該控制方法能夠有效地削弱機械臂傳統滑模控制中的抖振現象，具有很好的魯棒性和動態特性。

1 采摘機械臂模型

采摘機械臂的動力學方程一般可表示為

2 基于模糊滑模的機械臂控制設計

2.1 系統不確定性估計算法

為了解決傳統滑模控制存在的不足，提出了一種基于神經網絡補償的滑模控制器。設計并選擇RBF神經網絡逼近機械臂系統的總體不確定性Fd，從而在無需系統精確模型參數的情況下，使采摘機械臂的終端控制仍然具有良好的性能，則系統的不確定性可描述為：

4 仿真試驗

為了驗證所提出的方法的有效性和優越性，以平面兩自由度關節機械臂為對象進行仿真試驗驗證。針對采摘機械臂的模型，機械臂的期望跟蹤路徑設定為

1.0+0.2cos（πt）和1.0+0.2sin（πt）。

在MATLAB軟件環境下進行仿真，所選擇的控制參數如下：

仿真中，取λ=diag[10 20]；神經網絡的學習率η=0.5；K=diag（400 200）；采樣周期為0.01 s。

圖1和2分別為兩關節的軌跡跟蹤曲線和速度跟蹤曲線。從圖1和2可以看出，利用基于神經網絡的滑模控制方法可使得采摘機械臂的位置和速度信息能夠快速的到達期望狀態，具有較高的跟蹤精度和動態性能，具有一定的工程實用價值。

5 結論

將神經網絡和滑模控制相結合，利用神經網絡來補償系統的不確定性，提出了一種基于神經網絡補償的滑模控制策略。通過李雅普諾夫穩定性理論來推導滑模控制器和神經網絡的自適應學習率，保證了閉環系統的漸進穩定性，并將其運用于采摘機械臂的軌跡跟蹤控制中。最后的仿真試驗表明，該控制策略有效地削弱了抖振現象，具有很強的抗干擾能力，是一種較好的機械臂軌跡跟蹤控制方法。

參考文獻

[1] 陳欣成.農墾農機化工作與農機更新換代的一些思路[J].農村機械化，1998（3）：21-22.

[2] 馮青春，紀超，張俊雄，等.黃瓜采摘機械臂結構優化與運動分析[J].農業機械學報，2010，41（S1）：244-248.

[3]

李偉，李吉，張俊雄，等.蘋果采摘機器人機械臂優化設計及仿真[J].北京工業大學學報，2009，35（6）：721-726.

[4] 唐志國，李元春，姜日花.機械臂協調操作柔性負載自適應模糊滑模控制[J].吉林大學學報：工學版，2011，41（2）：484-490.

[5] 高為炳.變結構控制理論基礎[M].北京：中國科學技術出版社，1990.

[6] 胡躍明.變結構控制理論與應用[M].北京：科學出版社，2003.

[7] KAYNAK O，ERBATUR K，ERTUGRUL M.The Fusion of Computationally Intelligent Methodologies and Sliding-Mode Control-A Survey[J].IEEE Trans Ind Electron，2001，48（1）：4-17.

[8] 賈鶴鳴，宋文龍，郭婧.基于神經網絡滑模的采摘機械臂控制設計[J].吉林大學學報：工學版，2012（5）：709-913.

[9] 賈鶴鳴，宋文龍，郭少彬，等.基于神經網絡的機械臂自適應輸出反饋控制設計[J].應用科學學報，2013，31（4）：427-433.

[10] 張文輝，齊乃明.自適應神經變結構的機器人軌跡跟蹤控制[J].控制與決策，2011，26（4）：597-601.