针对多关节机器人轨迹跟踪控制问题,提出了一个事件驱动的神经网络滑模控制器。该方法采用RBF神经网络来改善传统滑模控制器,对模型不确定项进行逼近;在此基础上,提出了事件驱动的RBF神经网络滑模控制器,根据跟踪误差和目标轨迹的驱动条件决定控制力矩更新,降低力矩更新频率。利用跟踪误差的最终一致有界性证明控制系统的稳定性,证明系统不存在Zeno行为。针对二关节机器人进行的仿真实验展现了良好的多关节机器人事件-液压滚圆机滚弧机张家港钢管滚圆机滚弧机折弯机跟踪效果,验证了控制策略的有效性】第40卷第8期2018-08由式(27)，当x%≤γ时，存在更新时间间隔T=Ti+1-ti且满足：≥(28)由于P3和L是一定的，更新时间间隔T的下界大于0。本文有公司网站全自动滚圆机采集转载中国知网整理 http://www.gunyuanji.com  因此，可得到结论：在机器人轨迹事件驱动控制过程中不存在Zeno行为。3仿真验证为验证本文所设计的机器人轨迹事件驱动控制器的有效性,以一个二关节机器人为例进行仿真验证。参数设置如下所示：关节期望轨迹：qd1=qd2=0.2sin(3t)；关节初始状态：q(0)=[0.2-0.2]T，(0)[0.6-0.6]Τq=(0)=[0.6-0.6]T。控制参数：TS=0.001，K=diag{6030，},=diag{60,30}，=diag{800100},=diag{800,100}，D=diag{5,5}，ε=0.1N=0.20，bd=0.10，ci=0.1[-1.5-1-0.500.511.5]，bi=10，i=1,2,…,5，σ=0.18,=0.18，ε=0.10.1。该仿真试验的结果如图1～图4所示。图1关节位置图2跟踪误差图3控制力矩图4更新时间间隔图1中实线为当前关节轨迹，虚线为期望轨迹，图2为跟踪误差，并由图1和图2可知，该控制方法能够实现轨迹跟踪的目标。通过查看计算数据可知，稳态误差在10-4rad的数量级以内，因此具有非常小的跟踪误差；而调整时间在0.5s内，能跟踪上目标轨迹的速度非常快，故具备良好的鲁棒性。图3为控制力矩的变换情况，事件驱动控制器的控制力矩并不是连续更新，但能够明显削弱抖振。图4为更新时间间隔T=ti+1-ti，由图可知最小多关节机器人事件-液压滚圆机滚弧机张家港钢管滚圆机滚弧机折弯机本文有公司网站全自动滚圆机采集转载中国知网整理 http://www.gunyuanji.com