输入端。
[0098] 如图2所示，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，该控制 方法包含：
[0099] Sl，根据现有机械手系统5,建立基于干扰观测器6的机械手系统5控制系统的动 力学模型。该步骤Sl包含：
[0100] si. 1，现有机械手系统5的动力学方程为：
[0101]
[0102] 其中，，和§分别表示机械手系统5的关节的位移、速度和加速度矢 量.M(q) eRnXn为对称正定的惯量矩阵，C(i/，4)e/T为尚心力和哥氏力矢量，G(q) ￡1^为 重力矢量。d表示外部扰动项，τ是机械手系统5的关节控制力矩；
[0103] SI. 2,由于现有机械手系统5存在参数测量误差、外部环境以及负载的变化，很难 获得精确的机械手动力学模型，模型中通常存在不确定性和外部干扰；因此基于干扰观测 器6的机械手系统5控制系统，将机械手动力学模型分为标称模型及动力学模型不确定 项；
[0104] 其中，标称模型的参数矩阵为：MQ(q)，CuOM?)，G Q(q)，动力学模型不确定项的参 数矩阵为：AM(q)，ΔΟ/ρ))和 AG(q);则：
[0105]
[0106] .
[0107]
[0108] S2,针对步骤SI中动力学模型的标称模型部分，采用第一加法器、第二加法器及 计算转矩控制器4计算标称控制力矩。该步骤S2包含：
[0109] S2. 1，第一加法器将机械手系统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，获取机械手系统5的位置跟踪误差e :
[0110]
[0111] 将该位置跟踪误差e分别输入RBF神经网络运算器3、计算转矩控制器4中；
[0112] S2. 2,第二加法器将机械手系统5的关节速度信号4与机械手系统5的期望运动 速度彳目号么进行相减运算，获取机械手系统5的速度跟踪误差f :
[0113]
[0114] 将该速度跟踪误差#分别输入RBF神经网络运算器3、计算转矩控制器4中；
[0115] S2. 3,根据式（2)-式（6)，计算转矩控制器4计算标称控制力矩：
[0116]
[0117] 其中，kv为微分控制增益值；kp为比例控制增益值。
[0118] S3,当不考虑外部干扰时，采用第一加法器、第二加法器及RBF神经网络运算器3 计算出步骤Sl中动力学模型的动力学不确定项。该步骤S3包含：
[0119] S3. 1，根据式（1)、式（7)可得到：
[0120]
[0121] 其中，
表示为步骤Sl中动力学模型的动 力学不确定项，也称为未建模动态表示外部扰动。
[0122] 在不考虑外部干扰时，式（8)可改写为： υ?Ν 丄λ ·/·?·? o/丄》j
[0123]
[0124] 由于模型建模的不确定会导致控制性能的下降，因此需要对未建模动态和外部扰 动进行逼近。
[0125] 由于RBF神经网络运算器3具有结构简单、收敛速度快的特点，具有其他前向神经 网络所不具备的最佳逼近特性和全局最优特性；因此本发明采用RBF神经网络运算器3计 算系统的动力学不确定项。
[0126] RBF神经网络运算器3的RBF神经网络算法为：
[0127]
[0128]
[0129] 其中，X e Rn是网络的输入向量，Θ为神经网络权值向量，#是网络权值Θ的估 计。
为高斯基函数，Ci是每个神经元节点的中心，σ ;是高斯函 数的宽度。
[0130] 已证明RBF神经网络运算器3可以以任意精度逼近紧集内任意连续函数，即：
[0131]
[0132] 其中，是最优权值向量，ε。是神经网络逼近误差。[0133] S3. 2,令x = (e,if，则误差方程（9)可写成如下状态空间形式
[0134]
[0135]
[0136] 采用RBF神经网络运算器3估算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)。
[0137] RBF神经网络运算器3的神经网络自适应律设计为：
[0138]
[0139] 其中，矩阵P为对称正定矩阵，并满足如下Lyapunov方程：
[0140] ATP+PA = -Q Q 彡 0 (23)。
[0141] S4,当考虑外部干扰时，为减少外部干扰对机械手系统5的影响，采用第三加法 器、扰动观测器6计算出该机械手系统5的扰动项估计值。该步骤S4包含：
[0142] S4. 1，在不考虑步骤Sl中动力学模型的动力学不确定项时，式⑴可改写为：
[0143]
[0144] CN 105159084 A ^ y/lU 贝
[0145]
[0146] S4. 2,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、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4 ,，计算出该机械 手系统5的扰动项估计值：
[0147]
[0148] 其中，将式（12)代入式（13)可得：
[0149]
[0150] 其中，}为对扰动项d'的估计值，邊是对#的估计值，I^k2为常数，并且kp 0， k2> 0〇
[0151] S5,根据步骤S4,对建立基于干扰观测器6的机械手系统5控制系统的动力学模型 的扰动项估计值进行稳定性分析判断。该步骤S5包含：
[0152] S5. 1，定义机械手系统5的李雅普诺夫函数V :
[0153]
[0154]
[0155]
[0156]
[0157] 假设d为慢时变干扰，则土很小，当取较大的Ic1值时，有
[0158]
[0159] 一般认为ms级的都属于快系统，以min算的话就慢系统了。本实施例中，当d = I. 2sin(0. 5 π t)，也即变化周期为4s时，即为慢时变干扰。
[0160] S5. 2,将式（13)、式（14)及式（17)代入式（16)可得：
[0161]
[0162] 可知，扰动观测器6能够对扰动项d'进行有效观测，从而实现补偿。
[0163] 本发明的实施例：通过对单力臂机械手进行仿真实验来验证控制算法的有效性。 被控对象为
[0164]
[0165] 其中 M11 G。= mglcosq，d = I. 2sin(0. 5 π t)。取机械手连杆质量m = 1， 臂杆长度I = 0. 25, g = 9. 8。机械手参考输入信号为qd= sin (t)，系统初始位置和速度 分别为〇. 15和0。
[0166] 仿真参数分别选取为：计算转矩控制器参数：KP= 10, Kv= 15 ;RBF神经网络运算 器参数：
，γ = 50,每个神经元节点的中心为0. 6,高斯函数的宽度为3。扰 动观测器Ii1= 500, k 2= 300。仿真结果如图3-7所示。
[0167] 尽管本发明的内容已经通过上述优选实施例作了详细介绍，但应当认识到上述的 描述不应被认为是对本发明的限制。在本领域技术人员阅读了上述内容后，对于本发明的 多种修改和替代都将是显而易见的。因此，本发明的保护范围应由所附的权利要求来限定。
【主权项】
1. 一种带干扰观测器的机械手神经网络控制系统，其特征在于，该控制系统包含： 第一加法运算器，所述第一加法运算器的第一输入端输入机械手系统的期望运动位移 信号； RBF神经网络运算器，所述RBF神经网络运算器的第一输