焊接過(guò)程中，由于工件的加工誤差、熱變形、定位誤差等各種因素的影響，經(jīng)常使焊槍偏離焊縫中心，導(dǎo)致焊接質(zhì)量下降。為保證焊接的可靠性，必須實(shí)時(shí)檢測(cè)焊縫的位置，使焊槍始終對(duì)準(zhǔn)焊縫中心，進(jìn)行焊縫的自動(dòng)跟蹤。由于焊接是一個(gè)非常復(fù)雜的過(guò)程，各種時(shí)變、非線性、多耦合的影響因素很多，很難甚至不可能建立跟蹤過(guò)程的精確數(shù)學(xué)模型。即使采用經(jīng)典控制理論和現(xiàn)代控制理論方法，系統(tǒng)的性能也不能令人滿意。
內(nèi)?？刂凭哂姓{(diào)節(jié)性能好、魯棒性強(qiáng)以及能消除不可測(cè)干擾的影響等特點(diǎn)，但內(nèi)?？刂频姆€(wěn)定性與控制效果取決于模型與被控過(guò)程的匹配情況[1-2]。通過(guò)樣本數(shù)據(jù)建立系統(tǒng)固定的逆模型，與系統(tǒng)串聯(lián)成精確的偽線性系統(tǒng)，對(duì)偽線性系統(tǒng)采用魯棒性強(qiáng)的內(nèi)模控制，對(duì)非線性系統(tǒng)具有較好的控制效果。
　LS-SVM是基于SVM的一種改進(jìn)算法[3-5]，它是SVM在二次損失函數(shù)下的一種形式，用二次損失函數(shù)取代SVM中的不敏感損失函數(shù)，通過(guò)構(gòu)造損失函數(shù)將原SVM中算法的二次尋優(yōu)變?yōu)榍蠼饩€性方程，簡(jiǎn)化了計(jì)算的復(fù)雜性。
　本文將LS-SVM用于系統(tǒng)的逆建模，提出了一種新的用于水下機(jī)器人焊接焊縫跟蹤的基于LS-SVM非線性內(nèi)模控制算法，實(shí)現(xiàn)了快速響應(yīng)和平滑過(guò)渡。

zF₁(z^-1)，確保內(nèi)?？刂破鱃c(z^-1)正則。F(z-1)被選為常矩陣，F(xiàn)(z^-1)=1。

　仿真結(jié)果如圖3所示，基于LS-SVM非線性內(nèi)模控制器對(duì)噪聲的抗干擾能力較好。

　由仿真結(jié)果可以看出本文所提出的方法發(fā)生常值攝動(dòng)和受到常值的強(qiáng)干擾的情況下，均有很好的跟蹤效果。
　針對(duì)機(jī)器人焊縫跟蹤系統(tǒng)的典型非線性系統(tǒng)，提出了一種新的控制基于LS-SVM非線性內(nèi)?？刂扑惴?。仿真結(jié)果表明，該方法控制精度高、速度快、魯棒性好，控制器能很好地實(shí)現(xiàn)焊縫跟蹤。本文所提方法針對(duì)一般的非線性系統(tǒng)，且物理概念清晰，適用面廣，便于工程應(yīng)用。
參考文獻(xiàn)
[1] 周涌，陳慶偉，胡維禮，內(nèi)模控制研究的新發(fā)展[J].控制理論與應(yīng)用，2004，21(3)：475-482.
[2] 趙噯.論兩種改進(jìn)內(nèi)?？刂葡到y(tǒng)的等價(jià)性[J].控制與決策，2007，22(10)：1170-1176.
[3] SUYKENS J A K， VANDEWALLE J. Least squares support vector machine classifiers[J]. Neural Processing letters. 1999，9(3)：293-300.
[4] SUYKENS J A K， VANDEWALLE J. Multiclass least squares support vector machines[C]. IJCNN’99 International Joint Conference on Neural Networks. Washington DC. 1999.
[5] CORTES C， VAPNIK V. Support vector networks[J]. Machine Learning， 1995，20：273-297.