【主管Q:2347660】2号站测速地址A基金项目：国家自然科学基金重点资助项目（50235010）），男，江西人，副教授，博士生，主要研究方向为机器人、超声电机，已发表论文二十余篇。

大多数工业机器人的驱动系统都是由伺服电机、齿轮减速器和关节组成的。在这种系统中，齿轮的弹性会引起机器人振动，齿轮变形、齿面间摩擦和间隙给机器人带来不可建模的非线性问题，从而导致了机器人直接驱动技术的产生。直接驱动是指电机不经减速器而直接与关节相联，它可解决非直接驱动遇到的大多数问题。机器人直接驱动具有精度高，结构简单可靠性好等优点111.直接驱动技术的关键是电机的设计，对直接驱动电机的基本要求是质量小，转速低，转矩大。目前，由于原理上的原因，直接驱动用的低速大转矩电磁电机尺寸一般都较大，用其驱动机器人时，造成机器人结构庞大，也阻碍了直接驱动机器人的发展。超声电机（USM）是一种全新的概念、原理和结构与电磁电机完全不同的新型电机，具有体积小，质量轻，力矩质量比大（为电磁电机的3~10倍），转速低，响应快等优点，具备了成为小型机器人执行器的条件，引起了机器人学界的关注。早在20世纪90年代日本精工株式会社就已将其用于微型移动机器人的驱动；A.Kato等人成功将其用于SCARA型机器人的直接驱动121；在韩国，超声电机驱动的多关节机器人也已面世。但由于超声电机建模的困难性及机器人动力学本身的复杂性，使得常规的控制方法用于超声电机驱动的机器人时，难以获得高的控制精度。为此，本文以超声电机驱动的小型机器人为对象，采用了模糊控制与神经网络相结合的智能控制技术对其关节进行控制，可取得较好控制效果。

1超声电机的伺服特性以超声电机作为关节伺服驱动器件时，控制变量的选取非常重要，它决定了驱动控制系统的复杂程度及机器人的控制质量，为此，有必要对超声的调节特性进行一些探讨。

1USM的调速特性行波超声电机是利用定子上处于行波波峰处质点的纵向速度推动转子转动。根据电机原理，理论上行波电机的转速可表示为131幅，它是驱动频率、二相驱动电压及其相位差的隐函数；为定子厚度；为行波波数；为定子与转子的接触半径；为行波波长。

对于具体的超声电机，因其结构确定，即k、h已定。由力矩和关节驱动力矩。对于两关节SCARA机器人，不考虑摩擦力矩和干扰力矩的作用时，由式（3）可得其运动方程为M11 =m2/2，m1、m2分别为第一、二臂的质量，/1、2分别为两臂的长度。2号站注册1970

式（4）表明，即使最简单的二自由度旋转关节机器人，其动力学方程也很复杂。由于关节间存在动力耦合，且模型本身呈现高度的时变非线性，这给机器人的控制带来很大困难。特别是对于直接驱动机器人，因在电机与关节间不再有减速器，机械臂端形成的转动惯量将直接作用到电机轴上，且它还将随着机器人姿态的改变发生数十倍甚至上百倍的变化，造成了系统的不确定性，也加大了机器人基于动力学模型控制的难度。因此，在直接驱动机器人的控制中，倾向于采用智能控制方法，而本文也采用不依赖精确动力学模型的模糊神经网络控制方案。

3关节控制系统通常，在机器人关节控制中，库仑摩擦所引起位置误差在系统进入稳态后很难被彻底消除。对于超声电机驱动的机器人，由于电机的输出特性还受电机工作温度、载荷变化等的影响，造成了稳态误差有大幅上升趋势。为使机器人在定位或轨迹跟踪过程中能满足快速性、稳定性和高精度的控制要求，对它的各个关节可采用如所示的控制结构。该结构中，引入了两个子控制器，即处于前向通道中的模糊逻辑控制器（FLC）和补偿通道中的神经网络控制器（ANN）。两控制器的作用也不相同，前者主要负责系统总体控制，使系统快速进入稳定状态，满足机器人系统对“稳定性、快速性”的要求；后者主要起减小关节稳态位置误差、提高控制精度的作用，仅在系统进入稳态后才开始工作。检验系统是否进入稳态，可根据在一个采样周期内的位置偏差e是否小于稳态误差阈值以及误差变化率ec是否小于所规定的阈值（或均值）来确定，即按下式判定4.3控制量的清晰化由于作为被控对象的关节驱动电机USM只能接受确切量，故还需对模糊控制矢量9进行解模糊处理。各种解模糊算法中，加权平均法易实现且综合性能较好，在此，采用该法解模糊。则模糊控制器的判决输出为种可能的输入情况，并经大量计算并整理后，得到了FLC输入/输出关系如所示。只要将9乘以相位差比例因子，就得到FLC的最终输出量，该输出量可直接作用于超声电机，改变电机运行状态。

模糊控制器的响应特性5神经网络控制器5.1神经网络控制器的结构ANN控制器设计的核心是构建关节稳态误差到驱动相位差之间的映射关系，有了这种关系，就可以对稳态误差进行补偿。HechtNielson的研究表明，任何一个闭区间内的连续函数，都可用只具一个隐含层的前向神经网络以任意精度进行逼近。为此，每个关节的控制用ANN均采用了3层BP前向网络，其拓扑结构采用2122型。BP网络的输入选取两关节位置偏差所构成的矢量p= T，网络的输出则是由两关节上超声电机所需驱动相位差所构成的矢量t=T. 5.2网络训练样本ANN的工作分为网络训练阶段和相位差补偿阶段两个阶段。在训练阶段，ANN将根据训练样本即利用（p，t）模式对，通过不断调整神经网络的连接权值，完成对关节误差模型t（k）=./！p（k）的逼近。应注意的是训练样本必须是在未加入ANN控制器且关节处于稳态时采集的，这样才能保证ANN工作时能补偿某些重复的不确定量及其他某些非线性因素所带来的位置偏差。2号站代理工资

5.3网络初始化与训练训练神经网络之前，须对网络进行初始化，即确定输入层、隐含层的初始连接权矩阵、W2以及相应层初始阈值矢量、b2，其目的在于保证网络训练的收敛性，为此，可在MATLAB环境下，利用函数initff，并按以下格式完成初始化：符tansig表示网络隐层米用了sigmoid激励函数。

为了训练神经网络，可直接调用神经网络工具箱函数trainbp、trainbpm或trainlm，这些函数的用法是类似，只是所采用的学习规则略有不同，本文的BP网络训练，采用了如下标准调用：6稳态相位差补偿仿真当关节进入稳态后，ANN控制器开始工作，产生相位差补偿量，以降解稳态误差。为检验ANN的效果，对ANN的相位差补偿能力进行了仿真。

仿真时的主要参数设定为：最大迭代次数epochmax=8000，学习率/r=0.01，最大平方和误差SSE=0.02.仿真结果如所示，图中，et、e2分别为关节1、2的位置偏差（已作无量纲化归一处理），pha1和pha2表示关节1、2处于稳态时，网络输出的相位差补偿量。可见，当以样本模式（即“+”表示的点）作为检测数据时，ANN的仿真输出与期望的相位补偿量非常接近，表明所设计的ANN能起到很好相位补偿和降解稳态误差作用。

为简化直接驱动机器人的结构、提高其工作精度，本文用超声电机直接驱动机器人的关节。考虑到超声电机建模的困难以及直接驱动机器人动力学模型的高度非线性、时变性，文中以超声电机的二相驱动信号间的相位差作为控制量，采用模糊控制和神经网络控制相结合控制技术对关节系统进行了控制，取得了较理想的控制效果。