F神经网络运算器、所述计算转矩控制器 中；
[0043] S2. 2,所述第二加法器将所述机械手系统的关节速度信号#与所述机械手系统的 期望运动速度信号也进行相减运算，获取所述机械手系统的速度跟踪误差心
[0044]
[0045] 将该速度跟踪误差?分别输入所述RBF神经网络运算器、所述计算转矩控制器 中；
[0046] S2. 3,根据所述式（2)-式（6)，所述计算转矩控制器计算标称控制力矩：
[0047]
[0048] 其中，kv为微分控制增益值；k ρ为比例控制增益值。
[0049] 优选地，所述步骤S3包含：
[0050] S3. 1，根据式（1)、式（7)可得到： LlN 丄Utat>yLI84 Λ rVJ Ij 4/丄U
[0051]
[0052] 其中，
表示为所述步骤SI中动力学模型 的动力学不确定项；
[0053] 在不考虑外部干扰时，式（8)可改写为：
[0054]
[0055] Sl 2,令^ ，则误差方程（9)可写成如下状态空间形式
[0056]
[0057]
[0058] 采用所述RBF神经网络运算器估算所述机械手系统不确定的动力学参数引起的 动力学不确定项f (X)。
[0059] 优选地，所述步骤S4包含：
[0060] S4. 1，在不考虑所述步骤Sl中动力学模型的动力学不确定项时，式（1)可改写 为：
[0061]
[0062] ：
[0063]
[0064] S4. 2,所述扰动观测器获取所述第三加法运算器的输出的机械手系统的关节控制 力矩τ、所述机械手系统第二输出端输出的机械手系统的关节速度信号ir，计算出该机械 手系统的扰动项估计值：
[0065]
[0066] 其中，将式（12)代入式（13)可得：
[0067]
[0068] 其中，A为对扰动项d'的估计值，g是对冷的估计值，Vk2为常数，并且k P 0， k2> 0〇
[0069] 优选地，所述步骤S5包含：
[0070] S5. 1，定义所述机械手系统的李雅普诺夫函数V :
[0071]
[0072]
[0073] 则可知： CN 105159084 A ^ b/lU 贝
[0074]
[0075] 假设d为慢时变干扰，则土很小，当取较大的Ic1值时，有
[0076]
[0077] S5. 2,将式（13)、式（14)及式（17)代入式（16)可得：
[0078]
[0079] 可知，所述扰动观测器能够对扰动项d'进行有效观测，从而实现补偿。
[0080] 本发明与现有技术相比具有以下优点：
[0081] 本发明公开的一种带干扰观测器的机械手神经网络系统及控制方法，针对存在外 部扰动和动力学不确定项的机械手系统进行高精度控制。采用第一加法运算器、RBF神经 网络运算器、第二加法运算器、计算转矩控制器、第三加法运算器、机械手系统及扰动观测 器建立带干扰观测器的机械手神经网络控制系统，能够处理机械手系统中的动力学不确定 项及外部扰动。其中，RBF神经网络运算器用于逼近机械手系统不确定的动力学参数引起 的动力学不确定项；扰动观测器用于对外部扰动进行估计和补偿。本发明同时还能够验证 控制方法对动力学不确定项和外部扰动一直的有效性，具有良好的跟踪效果。本发明能够 有效地提尚机械手系统的控制性能和跟踪精度。
【附图说明】
[0082] 图1为本发明一种带干扰观测器的机械手神经网络控制系统的整体结构示意图。
[0083] 图2为本发明一种带干扰观测器的机械手神经网络控制系统的控制方法的整体 流程示意图。
[0084] 图3为本发明一种带干扰观测器的机械手神经网络控制系统的控制方法的位置 跟踪实施例示意图。
[0085] 图4为本发明一种带干扰观测器的机械手神经网络控制系统的控制方法的位置 跟踪误差实施例示意图。
[0086] 图5为本发明一种带干扰观测器的机械手神经网络控制系统的控制方法的控制 输入实施例示意图。
[0087] 图6为本发明一种带干扰观测器的机械手神经网络控制系统的控制方法的动力 学不确定项及RBF神经网络估算结果实施例示意图。
[0088] 图7为本发明一种带干扰观测器的机械手神经网络控制系统的控制方法的外部 扰动及其估计值实施例示意图。
【具体实施方式】
[0089] 以下结合附图，通过详细说明一个较佳的具体实施例，对本发明做进一步阐述。
[0090] 如图1所示，一种带干扰观测器的机械手神经网络控制系统，该控制系统包含：第 一加法运算器URBF神经网络运算器3 (Radical Basis Function，径向基函数，简称RBF)、 第二加法运算器2、计算转矩控制器4、第三加法运算器7、机械手系统5及扰动观测器6。
[0091] 其中，第一加法运算器1的第一输入端输入机械手系统5的期望运动位移信号qd; RBF神经网络运算器3的第一输入端与第一加法运算器1的输出端连接；第二加法运算器2 器的第一输入端输入机械手系统5的期望运动速度信号I;该第二加法运算器2器的输出 端与RBF神经网络运算器3的第二输入端连接；计算转矩控制器4的第一输入端与第一加 法运算器1的输出端连接，该计算转矩控制器4的第二输入端与第二加法运算器2的输出 端连接；第三加法运算器7的第一输入端与RBF神经网络运算器3的输出端连接，该第三加 法运算器7的第二输入端与计算转矩控制器4的输出端连接；机械手系统5的输入端与第 三加法运算器7的输出端连接，该机械手系统5的第一输出端与第一加法运算器1的第二 输入端连接，该机械手系统5的第二输出端与第二加法运算器2的第二输入端连接；扰动观 测器6的第一输入端与第三加法运算器7的输出端连接，该扰动观测器6的第二输入端与 机械手系统5的第二输出端连接，该扰动观测器6的输出端与第三加法运算器7的第三输 入端连接。
[0092] 本发明中，机械手系统5的第一输出端输出该机械手系统5的关节位移信号q，机 械手系统5的第二输出端输出该机械手系统5的关节速度信号I。第一加法运算器1将机 械手系统5的关节位移信号q与期望运动位移信号qd进行相减运算，并将运算结果的位置 跟踪误差e分别输入RBF神经网络运算器3、计算转矩控制器4。
[0093] 第二加法运算器2将机械手系统5的关节速度信号#与机械手系统5的期望运动 速度信号屯进行相减运算，并将运算结果的速度跟踪误差?分别输入RBF神经网络运算器 3、计算转矩控制器4。
[0094] RBF神经网络运算器3分别获取第一加法运算器1、第二加法运算器2的结果后进 行计算处理，获取机械手系统5的动力学不确定项f(x)。
[0095] 计算转矩控制器4分别获取第一加法运算器1、第二加法运算器2的结果后进行计 算处理，获取机械手系统5的标称控制力矩τ。。
[0096] 扰动观测器6获取第三加法运算器7的输出的机械手系统5的关节控制力矩τ、 机械手系统5第二输出端输出的机械手系统的关节速度信号，计算出该机械手系统5的 扰动项估计值i' 0
[0097] 第三加法运算器7将RBF神经网络运算器3输出的机械手系统5的动力学不确定 项f(x)、计算转矩控制器4输出的机械手系统5的标称控制力矩τ。及扰动观测器6输出 的机械手系统5的扰动项估计值1'进行相加运算，从而获取机械手系统5的关节控制力矩 τ ;并将该机械手系统5的关节控制力矩信号τ发送至机械手系统5的