خود تنظیمی عصبی – فازی کنترل متناسب انتگرال مشتق شده (پی ای دی) برای مسیریابی نمایی بازوهای روباتیک / Neuro-fuzzy self-tuning of PID control for semiglobal exponential tracking of robot arms

خود تنظیمی عصبی – فازی کنترل متناسب انتگرال مشتق شده (پی ای دی) برای مسیریابی نمایی بازوهای روباتیک Neuro-fuzzy self-tuning of PID control for semiglobal exponential tracking of robot arms

  • نوع فایل : کتاب
  • زبان : فارسی
  • ناشر : الزویر Elsevier
  • چاپ و سال / کشور: 2014

توضیحات

چاپ شده در مجله  محاسبات نرم کاربردی – Applied Soft Computing
رشته های مرتبط مهندسی برق، مهندسی کنترل، ابزار دقیق، مهندسی الکترونیک، هوش ماشین و رباتیک
۱- مقدمه کارایی و ساختار کنترل مدل آزاد ساده، از مشحصه های اصلی ای می باشند که موجب افزایش اهمیت کنترل گر پی ای دی در زمینه های مختلف می شوند. تنها بر اساس بازخورد حالت، کنترل پی ای دی برای کار های تنظیمی در اصل ایجاد شده است( ۱-۵). تنظیم بازوهای روبات، بدون طرح خطی سازی، جایگاه مهمی در منابع و مطالعات مربوط به کنترل پی ای دی دارد. به خصوص این که، این یک گزینه رایج و ارجح در کف صنعتی برای کنترل کنترل گر های روباتی محسوب می شود( ۶). برای غلبه بر عدم قطعیت های ذاتی مدل که در بسیاری از کار های روباتیک رایج است(۷)، برخی مطالعات، اصولی را برای تنظیم بدون استفاده از رگرسور و پارامتر روباتیک در اختیار گذاشته است.(۸). با این حال، پایداری برای مورد مسیر یابی با ساختار پی ای دی خالص از دستگاه های غیر خطی، به خصوص برای بازوهای روباتیک، در منابع علمی ناشناخته و مبهم باقی مانده است(۹). به علاوه برای ساده سازی روش های پیچیده تنظیم بهره های بازخورد ثابت در حوزه زمانی برای بازو های رباتیک، قواعد صریح وابسته به زمینه های پایداری پیشرفته(۹) بوده و یا از نظر نبود طرح های مبتنی بر دانش ساده، به عنوان روشی برای تنظیم آن لاین بهره یا گین بازخورد پیشنهاد شده است(۱۰). در این مقاله، ما به بررسی و کشف ایده های جدید برای طراحی کنترل گر پی ای دی خود تنظیم برای بازو های روباتیک برای مسیر یابی نمایی لیاپانوف(۱۱) حتی تحت اختلال اگزوژن مدل سازی نشده محدود و اصطکاک مفصلی صاف می پردازیم. با استفاده از یک رویکرد کنترل روبات مبتنی بر انفعال(۱۲-۱۳)، نشان داده شده است که معادله خطا را می توان در قالب خطا در مفهوم لیاپانوف تثبیت کرد که در آن کنترل انتگرال غیر خطی، یک قطب پایدار کوچک تر جذب را ایجاد می کند. به منظور اشتقاق تعداد خطا به صفر جهت اطمینان از مسیر یابی، شبکه عصبی فازی برای استخراج دانش و تنظیم گین پیشنهاد شده و از هر گونه دانش دینامیک رباط اجتناب کرده( ۱۴-۱۵) و سعی در تقریب و براورد اصول دینامیکی معکوس نمی کند(۱۲). این گین همراه با کنترل گر پی ای دی گین های ثابت استفاده شده و منجر به کنترل پی ای دی خود تنظیم بر اساس بهره منفرد بازخورد با استفاده از طرح عصبی فازی می شود. این گین خود تنظیم در حقیقت موجب انبساط و انقباض قطب جذب می شود که در آن انفعال تولید ایجاد یک GUUB بی کران یکنواخت جهانی می کند. وقتی خطای ردیابی یا مسیر یابی در این قطب جذب به دام افتاد، طرح تنظیم ایجاد شده و همگرایی نمایی مسیر مطلوب مادامی ایجاد خواهد شد که شرایط اولیه مربوط به مجموعه فشرده در مجاورت مسیر مطلوب متغیر زمانی باشد. در این رابطه، پیشنهادیه ما با تسهیل استفاده از ساختار عصبی فازی ( ۱۶-۱۷) ساده می شود طوری که طرح تنظیم عصبی فازی، موجب تقویت نقشه انتشاری از حیث خطای با شکل دهی به تابع سرعت انتشار برای غلبه بر دنیامیک رباط می شود. این نشان می دهد که قواعد تنظیم مبتنی بر فازی ساده و شهودی، ساختار کنرل پی ای دی مدل آزاد را برای رد یابی حفظ می کند. این مقاله به شکل زیر سازمان دهی شده است. بررسی منابع کوتاهی در خصوص پی ای دی خود تنظیم در بخش ۲ به عنوان پیش درامد بحث ارایه شده است. سپس، روش پیشنهادی در بخش ۳ ارایه شده و شیوه یا سیاست خود تنظیمی در بخش ۴ بررسی می شود. بخش ۵، نتایج اصلی و تجلیل پایداری آن را نشان داده و بحث ها و اظهار نظر ها در بخش ۶ بررسی می شوند. نتایج آزمایشات تفضیلی در بخش ۷ ارایه شده اند طوری که امکان سنجی و پتانسیل رویکرد پیشنهادی در کاربرد بازور های حقیقی روبات را برچسته تر می کند. نتایج نهایی در بخش ۸ ارایه شده است.

Description

Effectiveness and simple model-free control structure are the principal characteristics that make PID controller be useful in several applications. Based only on state feedback, the PID control has been developed for regulation tasks principally, [1–۵]. The regulation of robotic arms, without linearization scheme, stands out from the overwhelming contributions in the literature on PID control. In particular, it has become the preferred option in the industrial floor for control of robot manipulators, [6]. To overcome the intrinsic uncertainties of the model commonly encountered in the robotic tasks, [7], some studies have provided the fundamentals for regulation without using the regressor nor any robot parameter, [8]. However, stability for the tracking case with a pure PID structure of non-linear plants, in particular for robotic arms, remains largely elusive in the literature. Additionally, to simplify the complex procedure of tuning constant feedback gains in the time domain for robotic arms, explicit rules rely onadvancedstability grounds [9], or in view of the lack of simple procedures knowledge-based schemes have been proposed as an alternative to tuning feedback gains on-line [10]. In this paper, we explore a novel idea to design a self-tuning PID controller for robotic arms to obtain exponentially semiglobal tracking, in the sense of Lyapuonov [11], even under affine unmodeled bounded exogenous disturbance and smooth joint friction. Using a typical passivity-based robot control approach [12,13], it is shown that the error equation can be stabilized in the extended error manifold in the sense of Lyapunov, where the nonlinear integral control term yields a smaller stable domain of attraction. In order to drive the error manifold to zero to ensure the tracking, a neuro-fuzzy network is proposed to extract the knowledge and tune a gain, avoiding any knowledge of robot dynamics, in contrast to [14,15], nor attempting to approximate inverse dynamics, [12]. This gain is used together a PID controller of constant gains, resulting in a self-tuning PID control based on a single feedback gain using a neuro-fuzzy scheme. This self-tuning gain in fact expands or contracts the domain of attraction where passivity is enforced to yield Global Uniformly Ultimately Bounded, GUUB. Once tracking errors are trapped in this domain of attraction,the tuning scheme is synthesized and an exponential convergence to the desired trajectory is enforced, as long as initial conditions belong to the compact set in the neighbourhood of the time-varying desired trajectory. In this sense our proposal extends, by simplifying, the involved neuro-fuzzy structure of [16–۱۸] such that the neuro-fuzzy tuning scheme enforces a dissipative mapping in terms of the error manifold by shaping the dissipation rate function to dominate the robot dynamics. This shows that a simple and intuitive fuzzy-based tuning rules keeps a model-free PID control structure to get tracking. This paper is organized as follows. A short background on self-tuning PID is presented in Section 2 to contextualize our contribution. Then, the proposal is given in Section 3, with the self-tuning policy presented in Section 4. Section 5 shows the main result and its stability analysis, with discussions and remarks in Section 6. Comparative experimental results are presented in Section 7, which highlights the viability and potential of the proposed approach in real robotic arms applications. Final conclusions are provided in Section 8.
اگر شما نسبت به این اثر یا عنوان محق هستید، لطفا از طریق "بخش تماس با ما" با ما تماس بگیرید و برای اطلاعات بیشتر، صفحه قوانین و مقررات را مطالعه نمایید.

دیدگاه کاربران


لطفا در این قسمت فقط نظر شخصی در مورد این عنوان را وارد نمایید و در صورتیکه مشکلی با دانلود یا استفاده از این فایل دارید در صفحه کاربری تیکت ثبت کنید.

بارگزاری