摘 要： 針對單純的模糊控制器在焊接機器人的焊縫跟蹤中的控制精度欠佳、自適應性不強等問題，設計了一種新的用于焊縫跟蹤的LS-SVM非線性內(nèi)模控制器。通過樣本數(shù)據(jù)建立系統(tǒng)固定的LS-SVM逆模型，與系統(tǒng)串聯(lián)成精確的偽線性系統(tǒng)，對偽線性系統(tǒng)采用魯棒性強的內(nèi)模控制。仿真結果表明該方法具有很好的跟蹤結果。
關鍵詞： 非線性不確定系統(tǒng)；最小二乘支持向量機；逆系統(tǒng)方法；內(nèi)模控制
焊接過程中，由于工件的加工誤差、熱變形、定位誤差等各種因素的影響，經(jīng)常使焊槍偏離焊縫中心，導致焊接質(zhì)量下降。為保證焊接的可靠性，必須實時檢測焊縫的位置，使焊槍始終對準焊縫中心，進行焊縫的自動跟蹤。由于焊接是一個非常復雜的過程，各種時變、非線性、多耦合的影響因素很多，很難甚至不可能建立跟蹤過程的精確數(shù)學模型。即使采用經(jīng)典控制理論和現(xiàn)代控制理論方法，系統(tǒng)的性能也不能令人滿意。
內(nèi)模控制具有調(diào)節(jié)性能好、魯棒性強以及能消除不可測干擾的影響等特點，但內(nèi)模控制的穩(wěn)定性與控制效果取決于模型與被控過程的匹配情況[1-2]。通過樣本數(shù)據(jù)建立系統(tǒng)固定的逆模型，與系統(tǒng)串聯(lián)成精確的偽線性系統(tǒng)，對偽線性系統(tǒng)采用魯棒性強的內(nèi)模控制，對非線性系統(tǒng)具有較好的控制效果。
LS-SVM是基于SVM的一種改進算法[3-5]，它是SVM在二次損失函數(shù)下的一種形式，用二次損失函數(shù)取代SVM中的不敏感損失函數(shù)，通過構造損失函數(shù)將原SVM中算法的二次尋優(yōu)變?yōu)榍蠼饩€性方程，簡化了計算的復雜性。
本文將LS-SVM用于系統(tǒng)的逆建模，提出了一種新的用于水下機器人焊接焊縫跟蹤的基于LS-SVM非線性內(nèi)模控制算法，實現(xiàn)了快速響應和平滑過渡。
zF1(z-1)，確保內(nèi)模控制器Gc(z-1)正則。F(z-1)被選為常矩陣，F(xiàn)(z-1)=1。
仿真結果如圖3所示，基于LS-SVM非線性內(nèi)模控制器對噪聲的抗干擾能力較好。
由仿真結果可以看出本文所提出的方法發(fā)生常值攝動和受到常值的強干擾的情況下，均有很好的跟蹤效果。
針對機器人焊縫跟蹤系統(tǒng)的典型非線性系統(tǒng)，提出了一種新的控制基于LS-SVM非線性內(nèi)模控制算法。仿真結果表明，該方法控制精度高、速度快、魯棒性好，控制器能很好地實現(xiàn)焊縫跟蹤。本文所提方法針對一般的非線性系統(tǒng)，且物理概念清晰，適用面廣，便于工程應用。
參考文獻
[1] 周涌，陳慶偉，胡維禮，內(nèi)模控制研究的新發(fā)展[J].控制理論與應用，2004，21(3)：475-482.
[2] 趙噯.論兩種改進內(nèi)模控制系統(tǒng)的等價性[J].控制與決策，2007，22(10)：1170-1176.
[3] SUYKENS J A K， VANDEWALLE J. Least squares support vector machine classifiers[J]. Neural Processing letters. 1999，9(3)：293-300.
[4] SUYKENS J A K， VANDEWALLE J. Multiclass least squares support vector machines[C]. IJCNN’99 International Joint Conference on Neural Networks. Washington DC. 1999.
[5] CORTES C， VAPNIK V. Support vector networks[J]. Machine Learning， 1995，20：273-297.