摘 要：以模型為基礎的傳統的控制理論在設計控制器時需要預先知道被控對象的數學模型，而機械臂具有非線性、不確定的動態特性，因此應用傳統的控制理論難以設計出適當的控制器。為解決此問題，本文應用自組織模糊徑向基神經網絡算法對機械臂的控制器進行設計，將徑向基神經網絡應用于自組織模糊控制算法，以及時調整學習率和權重分配，改善系統控制性能;應用L-M算法的概念，將所定義的誤差函數最小化，搜索出神經網絡參數值的修正量，以改進梯度下降法的收斂性，提升系統的控制品質。仿真結果表明，應用此算法，機械臂系統各軸的最大誤差、均方根誤差皆明顯減小。

　　關鍵詞：機械臂;自組織模糊控制;徑向基神經網絡;自組織模糊徑向基神經網絡

　　1 引言(Introduction)

　　機械臂為復雜的、非線性、多入多出(MIMO)系統，難以設計以模型為基礎的控制器，因此研究模型不確定系統的控制策略，來實現對復雜、非線性的機械臂的控制是極為重要的[1-3]。

　　模糊控制算法已成功地應用于機器人控制[4-7]。然而，模糊控制算法在實際應用時，尋找合適的隸屬函數及模糊規則是困難的。此外，模糊推理和知識庫的建立受限于專家的知識及先驗經驗，且一旦確定了規則表和知識庫，即固定不變。為解決此問題Procky和Marndani[8]首先提出了自組織模糊控制算法(SOFC)。此控制策略使用線上學習以建立模糊控制規則，因而簡化了設計模糊控制器的過程。LIN和LIAN[9，10]使用系統誤差和誤差變化建立學習算法，此算法能直接調整SOFC的語言性模糊規則，不需要任意的初始模糊規則。

　　在DOS操作系統下，Huang和Lee應用SOFC控制五自由度機械臂，評估了其軌跡追蹤性能。在SOFC中學習率和權重分配一旦確定，即固定不變，若不正確，則導致系統輸出不穩定。此外，SOFC的設計主要針對SISO系統，因此用其控制MIMO系統，不能消除機器人或機械臂各自由度之間的動態耦合效應[11-13]。

　　神經網絡具有模型不確定性和良好的學習能力，被廣泛應用于控制機器人系統。但這種算法的缺點是收斂速度慢，以至于不能及時補償機器人系統各自由度之間的動態耦合效應。為了克服此問題，本文設計自組織模糊徑向基神經網絡控制器(SFRBNC)，以控制機械臂系統。在SFRBNC中將徑向基神經網絡(RBFN)應用于SOFC中，以補償機械臂系統中各自由度之間的動態耦合效應。

　　2 自組織模糊徑向基神經網絡控制器設計(Design of self-organizing fuzzy radial basis function neural network controller)

　　2.1 模糊控制器設計

　　本文以兩自由度的機械臂為研究對象。以、分別代表機械臂系統第i個自由度的角度(或位置)誤差和誤差變化率，、分別代表機械臂系統第i個自由度的角度(或位置)輸入設定值和輸出實際值。定義它們的隸屬函數均為三角形隸屬函數。模糊規則表如表1所示。

　　2.2 自組織模糊控制器設計

　　將系統的輸出誤差與誤差變化分割為七個模糊集合，對應到-6到6的整數值。在每一個控制步驟中，模糊控制器的輸出變量，在EC的論域上，將產生E的兩個模糊集合，且在E的論域上，將產生EC的兩個模糊集合。因為根據模糊規則推理出控制輸出，所以在每一個控制步驟中，有四個模糊規則被修正。每一個模糊規則的校正值與每一個模糊規則的激勵強度()，可用線性差補算法算得。對于多自由度的自組織模糊控制系統而言，第一條模糊規則為：

　　其中，i表示控制系統的自由度;為學習率，;表示和之間的權重分配;為系統正向增益;對于控制系統的每個自由度的控制輸出而言為校正權重，為研究方便令為1，僅根據求取校正權重，過大將導致大的模糊規則校正，且導致系統輸出振蕩。該參數僅影響系統的動態響應，而不會影響系統的穩態性能。

　　2.3 徑向基神經網絡算法

　　3 仿真(Simulation)

　　使用SOFC、SFRBNCS(應用梯度下降法)和SFRBNCL(應用L-M算法)控制機械臂系統各軸的最大誤差、均方根誤差結果列于表2中。

　　從表2中數據可見，使用SFRBNCL來控制機械臂系統其最大誤差及均方根誤差皆小于使用SOFC和SFRBNCS控制。仿真結果表明SFRBNCL的控制性能優于SOFC和SFRBNCS控制性能，證明了該控制器設計的有效性。

　　4 結論(Conclusion)

　　本文針對機械手臂系統設計了自組織模糊徑向基神經網絡控制器，研究將徑向基神經網絡算法導入自組織模糊控制器中，以便及時調整學習率和權重分配，來改善系統控制性能。將SFRBNC中的收斂算法梯度下降法用L-M算法取代，以進一步提升系統的控制性能，仿真結果表明了其改善控制品質的有效性。

　　參考文獻(References)

　　[1] 王剛，孫太任，丁勝培.動態受限機械臂的局部加權學習控制[J].系統仿真學報，2019，31(4)：733-739.

　　[2] 孫敬陶，王耀南，譚建豪，等.旋翼飛行機械臂系統的混合視覺伺服控制[J].控制理論與應用，2019，36(4)：505-515.

　　[3] 肖延嗣，鮑晟，陳宇.永磁同步電機模糊神經網絡PID控制器設計[J].機械制造，2014，52(9)：21-25.

　　[4] 張文輝，齊乃明，李運遷.基于模糊基函數網絡的機械臂免模型輸出反饋PD控制[J].國防科技大學學報，2010(6)：163-170.

　　[5] M. K. Chang， T. H Yuan. Experimental implementations of adaptive self-organizing fuzzy sliding mode control to 3-DOF rehabilitation robot[J]. International Journal of Innovative Computing Information and Control， 2009，5(10)：3391-3404.

　　[6] M. M. Fatech， A. Azarfar. Improving fuzzy control of robot manipulators by increasing scaling factors[J]. ICIC Express Letters， 2009，3(3)：513-518.

　　[7] G. R. Yu， L. W. Huang. Design of LMI-based fuzzy controller for robot arm using quantum evolutionary algorithms[J]. ICIC Express Letters， 2010，4(3)：719-724.

　　[8] T. J. Procky， E. H. Mamdani. A Linguistic self-organizing process controller[J]. Automatica， 1979(15)：15-30.

　　[9] J. Lin， R. J. Lian. Self-organizing fuzzy controller for injection molding machines[J]. Journal of Process Control， 2010，20(3)：585-595.

　　[10] J. Lin， R. J. Lian. Self-organizing fuzzy controller for gas-injection molding combination systems[J]. IEEE Transactions on Control Systems Technology， 2010，18(6)：1413-1421.

　　[11] V. Kroumov， J. Yu， K. Shibayama.3D path planning for mobile robots using simulated annealing neural network[J]. International Journal of Innovative Computing Information and Control， 2010，6(7)：2885-2889.

　　[12] 鄭華輝，方宗德.基于自適應神經網絡控制的機械臂運動軌跡跟蹤誤差研究[J].機械設計與制造，2019(6)：139-141.

　　[13] 呂雨鑫，李偉凱，董曉威.空間微重力模擬育種平臺系統的控制器設計[J].農機化研究，2016(2)：35-38.

　　作者：陳天炎　　陳 琦　　張 靜　　何京京

　　推薦閱讀：容易錄用機械儀表核心期刊