焊接过程中，由于工件的加工误差、热变形、定位误差等各种因素的影响，经常使焊枪偏离焊缝中心，导致焊接质量下降。为保证焊接的可靠性，必须实时检测焊缝的位置，使焊枪始终对准焊缝中心，进行焊缝的自动跟踪。由于焊接是一个非常复杂的过程，各种时变、非线性、多耦合的影响因素很多，很难甚至不可能建立跟踪过程的精确数学模型。即使采用经典控制理论和现代控制理论方法，系统的性能也不能令人满意。

内模控制具有调节性能好、鲁棒性强以及能消除不可测干扰的影响等特点，但内模控制的稳定性与控制效果取决于模型与被控过程的匹配情况[1-2]。通过样本数据建立系统固定的逆模型，与系统串联成精确的伪线性系统，对伪线性系统采用鲁棒性强的内模控制，对非线性系统具有较好的控制效果。

ls-svm是基于svm的一种改进算法[3-5]，它是svm在二次损失函数下的一种形式，用二次损失函数取代svm中的不敏感损失函数，通过构造损失函数将原svm中算法的二次寻优变为求解线性方程，简化了计算的复杂性。

本文将ls-svm用于系统的逆建模，提出了一种新的用于水下机器人焊接焊缝跟踪的基于ls-svm非线性内模控制算法，实现了快速响应和平滑过渡。

zf1(z-1)，确保内模控制器gc(z-1)正则。f(z-1)被选为常矩阵，f(z-1)=1。

仿真结果如图3所示，基于ls-svm非线性内模控制器对噪声的抗干扰能力较好。

由仿真结果可以看出本文所提出的方法发生常值摄动和受到常值的强干扰的情况下，均有很好的跟踪效果。

针对机器人焊缝跟踪系统的典型非线性系统，提出了一种新的控制基于ls-svm非线性内模控制算法。仿真结果表明，该方法控制精度高、速度快、鲁棒性好，控制器能很好地实现焊缝跟踪。本文所提方法针对一般的非线性系统，且物理概念清晰，适用面广，便于工程应用。

参考文献

[1] 周涌，陈庆伟，胡维礼，内模控制研究的新发展[j].控制理论与应用，2004，21(3)：475-482.

[2] 赵嗳.论两种改进内模控制系统的等价性[j].控制与决策，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.

以上是网络信息转载，信息真实性自行斟酌。