智能控制在机器人系统与生化反应器中的应用
1. 机器人系统智能控制架构与仿真
在机器人系统的控制中,一种结合神经网络和模糊逻辑的智能系统架构展现出了强大的性能。该智能系统的总体架构如图 1 所示,它主要由用于模型选择的模糊规则库、用于控制的神经网络 (N_c)、用于识别的神经网络 (N_i) 以及机器人系统构成。
graph LR
A[模糊规则库<br>用于模型选择] --> B[神经网络<br>用于控制 \(N_c\)]
B --> C[机器人系统]
D[神经网络<br>用于识别 \(N_i\)] --> C
C --> D
C --> E(- ec +)
当参考数学模型发生变化时,神经网络 (N_i) 会对模型进行新的识别。这种架构实现了基于模型的机器人系统控制。
为了展示神经 - 模糊 - 分形方法在机器人系统自适应模型控制中的性能,进行了单连杆机器人手臂的仿真实验。
1.1 第一种期望轨迹仿真
期望轨迹选择为 (q_d = t\sin(2.0t)),仿真初始值为 (q(0) = 0.1),(q’_1(0) = 0)。使用具有 15 个隐藏神经元的三层神经网络,采用 Levenberg - Marquardt 算法和双曲正切 S 型函数作为神经元的激活函数。
经过 9 个训练周期(epoch),使用可变学习率进行训练后,神经网络实现了对控制函数的近似。此时,神经网络的识别效果非常好,误差已降低到 (10^{