引言

焊接機械手的軌跡跟蹤是焊接機器人控制的難點。機械手是一個典型的非線性動力系統，具有大慣性和大延遲。目前對機械手的控制，主要采用傳統PID控制。由于系統復雜性較高，設計人員為建立系統模型做出各種假設和簡化，因此數學模型的控制精度會受到很大的影響。本文將神經網絡辨識與迭代控制相結合，提出基于神經網絡辨識的迭代學習控制策略。該策略能夠提高系統控制精度，并使系統在較為廣泛的運行條件范圍內實現控制系統的控制功能和期望性能，改善系統控制性能。

1 神經網絡模型辨識

神經網絡具備的泛化能力和快速學習能力為非線性系統辨識提供了有效的途徑，神經網絡在機器人系統的研究上，充分發揮了神經網絡的映射能力，神經網絡可解決機器人控制系統中存在的死區、摩擦等非線性問題。神經網絡模型辨識在機器人控制中的應用，如圖1所示。

圖1 基于神經網絡控制的剛性機械手結構圖

神經網絡系統辨識的特點是不需要建立系統辨識模型，對系統辨識的過程就是通過學習系統輸入、輸出數據的過程。學習的目的是使誤差函數值達到最小，反映出輸入、輸出數據間的映射關系。若神經網絡的輸出能夠逼近系統在相同輸入信號激勵下的輸出，則可認為神經網絡實現了對原系統的辨識，以神經元網絡的輸出作為實際系統的輸出估計。

2 迭代學習控制器的設計

2.1 迭代學習控制

迭代學習控制適合于重復運動性質的被控對象，無需辨識系統的參數，通過迭代修正改善系統控制目標，迭代控制方法不依賴于系統精確的數學模型，可在給定的時間區段上，以極為簡單的算法解決復雜的控制問題[5]。

對于n階線性時變的離散系統，迭代控制模型可描述為：

圖2 迭代學習控制器

2.2 機器人迭代學習控制器設計

系統控制框圖，如圖3所示。

圖3 系統控制框圖

3 焊接機器人控制仿真

采用柔性連接的機械手作為仿真對象，如圖4所示。

圖4 機械手示意圖

利用拉格朗日方法可以導出如下動力學方程：

圖5 神經網絡逆向辨識結結構圖

給定正弦激勵信號，運用Matlab程序代碼文件對該控制系統仿真。迭代學習控制曲線和傳統PID控制響應曲線如圖6所示。

圖6 基于神經網絡模型識別的迭代學習控制響應曲線與常規PID控制響應曲線

4 結論

從仿真結果可以看出，本文提出的基于神經網絡辨識模型迭代控制方案控制效果明顯優于傳統的PID控制，該控制策略跟蹤精度高，超調量小，能夠有效地提高系統的控制精度。同時，優化該控制策略可應用于其他機器人跟蹤控制系統，使系統投入到更廣闊的機器人控制領域。