第1期2015年1月

组合机床与自动化加工技术

ModularMachineTool＆AutomaticManufacturingTechnique

DOI：10．13462/j．cnki．mmtamt．2015．01．032

No．1Jan．2015

文章编号：1001－2265（2015）01－0114－04

基于粒子群优化神经网络自适应控制算法的并联

机器人仿真研究

1

朱龙英，成

2

磊，郑

342帅，陆宝发，赫建立

（1．盐城工学院汽车工程学院，江苏盐城224051；2．常州大学机械工程学院，江苏常州213164；3．安徽理工大学机械工程学院，安徽淮南232001；4．江苏大学机械工程学院，江苏镇江212013）

摘要：针对传统控制算法对并联机器人轨迹跟踪精度控制效果不好的问题，提出了一种并联机器人的改进粒子群优化神经网络自适应控制算法，首先对粒子群优化算法进行惯性权重的优化和变异操作的改进，然后用改进的PSO算法优化神经网络的初始权值并进行在线调节PID参数。最后以六自由度并联机器人为研究对象，将传统PID控制与基于改进PSO优化的神经网络自适应控制算法分别进行了仿真实验。仿真结果表明，在快速性和稳定性能上，基于改进PSO优化的神经网络自适应控制算法比单纯的PID控制更加优越，在一定程度上减小了轨迹输出的误差并且提高了轨迹跟踪精度。

关键词：并联机器人控制；PSO优化；PID控制；BP神经网络；输出误差；轨迹跟踪精度中图分类号：TH166；TG659文献标识码：A

TheＲesearchofParallelＲobotsSimulationBasedonParticleWwarmOptimizationNeural

NetworkAdaptiveControlAlgorithm

ZHULong-ying1，CHENGLei2，ZHENGShuai3，LUBao-fa4，HEJian-li2

（1．SchoolofAutomotiveEngineering，YanchengInstituteofTechnology，YanchengJiangsu224051，China；2．SchoolofMechanicalEngineering，ChangzhouUniversity，ChangzhouJiangsu213164，China）

Abstract：Traditionalcontrolalgorithmtocontroltheproblemofbadeffectsontrajectorytrackingprecision

thispaperproposesaimprovedparallelparticleswarmoptimizationneuralnetworkrobota-ofparallelrobot，

daptivecontrolalgorithmbasedonthefirstPSOalgorithmtooptimizeinertiaweightandimprovedcontrac-tionfactor，theimprovedPSOalgorithmisthenappliedtooptimizetheinitialweightsofneuralnetworkandadjustPIDparameterson-line．Finally，a6-DOFparallelrobotischosenasthestudyobject．Thetraditional

PIDcontrolandimprovedPSOoptimizeneuralnetworkadaptivecontrolalgorithmaresimulated．SimulationresultsprovethattheperformanceofimprovedPSOoptimizeneuralnetworkadaptivecontrolalgorithmisfarsuperiortothetraditionalPIDcontrolontherapidityandstability，andreducetheoutputtrajectoryerrorandimprovedthetrajectorytrackingprecisiontoacertainextent．

Keywords：parallelrobotcontrol；PSOoptimization；PIDcontrol；BPneuralnetwork；outputtrajectoryer-ror；trajectorytrackingprecision

0引言

并联机器人与串联机器人相比具有高刚度、高精度、误差小、承载能力强以及动态响应快等诸多优点而被广泛应用。但作为被控对象，由于并联机器人本身是一个高度非线性、多变量、多参数耦合的复杂系统，使对其精确控制变的尤为困难。因此，并联机器人系

统的控制问题成为近年来研究的主要热点之一。

目前，对于并联机器人的控制最常用的是传统PID控制，其结构简单，易于实现，但其控制参数是固定不变的，然而实际工程中需要控制的大多为一些非

面对这种环境其控制效果会变的很线性的复杂系统，［2］

差甚至不可控。BP神经网络可以实现输入层与输出层之间的任意非线性映射而且具有很强的自学习自

［1］

收稿日期：2014－05－04

（E－mail）305242634@qq．com。作者简介：朱龙英（1962—），女，江苏大丰人，盐城工学院教授，博士，研究生导师，主要从事机器人技术研究，