基于FNN的气动肌肉驱动膝关节康复训练装置自学习控制

　　1　引言

　　康复训练装置是一种通过对患者关节进行运动训练,实现其运动功能康复的自动化医疗设备。在各种康复运动中,等速的持续被动运动(CPM, continuouspassivemotion)因其在运动中角速度相对恒定,不会产生加速度,肌肉在全运动过程中的任何一点都产生最大肌力,被广泛运用于康复医学、运动医学等领域。传统的下肢康复训练装置以电机或气缸作为驱动器,驱动病人关节运动,虽位置控制精度较高,但柔性差,容易造成关节损伤。气动肌肉是一种新型的驱动器,不仅安全柔顺,力/重量比大,而且其力/长度特性与生物肌肉的力/长度特性极为相似,因此以气动肌肉驱动的肢体康复训练装置更加符合人的生理特点。但由于受气动肌肉的橡胶弹性、气动管路的充放气以及负载特性的影响,气动肌肉驱动的康复训练装置是一个典型的具有时延、非线性和时变特性的系统。PID控制具有算法简单,稳态控制精度高等特点,但对于非线性时变系统往往不能取得令人满意的控制效果。模糊控制响应速度快,但稳态控制精度较低;神经网络控制具有较强非线性映射能力、自学习能力,但存在初始控制不足。为此,本文将PID控制、模糊控制和神经网络相结合,设计了一个基于模糊神经网络(FNN)的复合控制器,并将其应用于膝关节康复训练装置的等速CPM控制中,提高了对等速运动设定信号的跟踪能力。

　　2　控制系统结构和算法

　　2. 1　控制系统结构

　　根据膝关节康复训练装置具有时延、非线性和时变特性的特点,本文设计的基于FNN的膝关节康复训练装置控制系统结构如图1所示。

　　该系统控制器由FNN控制器、PID反馈和前馈控制器复合而成。FNN控制器的输入端分别对应关节角位移的设定信号和负载转矩,这样会使FNN能在理想的轨迹附近学习并能实现系统运行状态的动态补偿。PID反馈控制可以避免神经网络控制初始误差并提供神经网络学习信号,起控制器与学习机制双重作用。PID前馈控制可以提高对信号的跟踪精度。

　　2. 2　控制算法

　　PID反馈控制器的控制输出为:

　　本文采用前馈型神经网络表达和实现模糊推理,构成FNN控制器,如图2所示。

　　网络中的Ⅰ、Ⅱ层对应于模糊规则的前提。Ⅲ层对应模糊推理,每个节点输出表示一条规则的触发强度,“Π”表示模糊AND操作。Ⅳ层对应规则结论,网络的输入输出映射关系如下：

　　式中,θ*(t)为关节角位移的设定信号,M(t)为负载转矩。

　　本文定义FNN控制器的误差函数性能指标为: