基于改进深度学习的多自由度机械臂容错控制研究

由于目前的机械臂容错控制无法自适应准确计算机械臂参数矢量,存在容错控制整体性能差、平均奖励值低和抗干扰能力差的问题,提出基于改进深度学习的多自由度机械臂容错控制方法.构建机械臂的自适应模型,构建机械臂的状态方程以及等效模型,完成机械臂参数矢量的计算,提高控制性能.改进BP神经网络,在参数矢量的帮助下不断训练机械臂样本数据,并在其中构建自适应滤波器,得出状态空间模型,以此获取多自由度机械臂容错控制器,通过一系列约束条件,生成机械臂的最优容错控制,实现多自由度机械臂容错控制.实验结果表明,所提方法的容错控制整体性能高、平均奖励值高和抗干扰能力好.