افزایش دقت ردیابی مسیر برای ربات صنعتی با کنترل تطبیقی قوی
چکیده
در این مقاله، یک روش کنترل تطبیقی قوی (Robust adaptive) به گونه ای اصولی به منظور کاهش چشمگیر خطاهای ردیابی نسبی ربات های صنعتی شش درجه آزادی تحت اختلالات خارجی و عدم اطمینان پارامتری ارائه می شود. قانون کنترل تطبیقی قوی بر اساس دینامیک ربات در فضای کاری مچ ربات (End-effector) فرموله بندی می شود. قانون کنترل با ترکیب ترم قوی و ترم تطبیقی برای ریابی مسیر طراحی شده مچ ربات با قابلیت اطمینان و دقت مناسب در حضور اختلالات ناشناخته خارجی و عدم اطمینان پارامتری طراحی می شود. در انتها، کنترل پیشنهادی برای اجرای ردیابی مسیر بر اساس تابع لیاپانوف و باربالات لما تضمین می گردد. به علاوه، قانون انطباقی پارامتری پایدار آنلاین به منظور ارزیابی پارامترهای ناشناخته در قانون کنترل بر اساس تحریک مداوم (Persistent excitation) و برآورد باقیمانده پیشنهاد می شود. نتایج آزمایش نشان می دهد که کنترل تطبیقی قوی، خطاهای ردیابی مسیر انتهایی را در مقایسه با کنترل مرسوم به طور قابل ملاحظه ای کاهش می دهد.
1. مقدمه
ربات های صنعتی پایه ثابت، بازوهای رباتیک (manipulators) قابل برنامه ریزی و چند تابعی می باشند که برای جابجایی مواد، قطعات، ابزار و یا دستگاه های تخصصی از طریق حرکات برنامه ریزی شده تغییر پذیر برای انجام کارهای مختلف طراحی شده اند. ربات های صنعتی در کارهای خطرناک، یکنواخت، و یا شدید که انسان ها نمی خواهند آنها را انجام دهند، جایگزین انسان شده اند. این فعالیت ها اغلب در فضایی که تهویه ضعیف، نور ضعیف، یا گازهای مضر یا سمی وجود دارد، انجام می شوند. در آینده، ربات های صنعتی به سمت موتورهای قدرت الکتریکی و رباتهای صنعتی تحت کنترل که معمولا ماشین های کف ایستاده (floor-standing) می باشند، تمایل می یابند[1]. این ربات های صنعتی ثابت کرده اند مقرون به صرفه هستند. چرا که بیشترین تنوع را دارند. به عنوان یک موضوع اساسی و ضروری برای ربات های صنعتی، کنترل ردیابی مسیر در چند سال اخیر توجه زیادی را به خود جلب کرده است. روش های مختلفی برای کنترل ریابی دقیق مسیر ربات های صنعتی ارائه شده است. کنترلرهای مشتق انتگرال تناسبی (PID) به علت ساختار ساده و طراحی کنترل آزاد مدل به منظور کنترل ردیابی حرکت ربات های صنعتی، به گونه ای وسیع مورد استفاده قرار گرفته اند[2]. با این وجود، کنترلرهای PID باید با توجه به شرایط عملیاتی مختلف، که معمولا زمانگیر است، با دقت تنظیم شوند. در [3] یک الگوریتم کنترل ردیابی هدف تعاونی (a cooperative target) به منظور ردیابی هدفی متحرک توسط گروهی از ربات های موبایل ارائه شده است. همچنین یک فیلتر کالمن توزیع شده (a distributed Kalman filter) برای برآورد مکان هدف طراحی شد. اثربخشی الگوریتم کنترل بر اساس شبیه سازی و نتایج تجربی مورد تایید قرار گرفت. در [4] یک کنترلر ردیابی مسیر تطبیقی برای ردیابی حرکت ربات با پارامترهای ناشناخته و دینامیک ناپایدار طراحی شده است. کنترلر بازگشت به مرحله (back-stepping controller) با استفاده از توانایی یادگیری شبکه های عصبی که دیگر نیازی به دانستن دینامیک ربات ندارد، طراحی شده است. شبیه سازی ها و آزمایشات بر روی یک پلت فرم تجاری ربات به منظور بررسی عملکرد الگوریتم کنترل طراحی شده با کنترلر بازگشت به مرحله کلاسیک انجام شد. یک رویکرد کنترل پیش بینی مدل با استفاده از بهینه سازی عصبی-پویا (neural-dynamic) در [5] برای ردیابی مسیر رباتیک ارائه شده است. این رویکرد کنترل پیش بینی مدل به صورت مکرر تبدیل به یک مسئله برنامه ریزی مربع محدود شد، و سپس از یک شبکه عصبی اولیه دوگانه برای حل این مسئله در یک افق نزولی محدود شده، استفاده شد. اثربخشی نحوه کنترل براساس آزمایشات انجام گرفته تایید شد. یک روش مشتق گیری تناسبی مدل آزاد (PD) با قانون کنترل مد لغزشی برای کنترل ردیابی مسیر رباتیک در [6] آمده است.
abstract
A robust adaptive control method is systematically proposed in this paper to significantly reduce the relatively tracking errors of 6 degree of freedom (DOF) industrial robots under both external disturbances and parametric uncertainties. The robust adaptive control law is formulated based on the robot dynamics in the task space of the robot end-effector. The control law is designed by combining robust term and adaptive term to track the desired trajectory of the end-effector with sufficient robustness and accuracy in the presence of unknown external disturbances and parametric uncertainties. The trajectory tracking performances of the proposed control are finally guaranteed based on Lyapunov function and Barbalat’s lemma. Furthermore, a stable online parametric adaption law is proposed to estimate the unknown parameters in the control law based on persistent excitation and residual estimation. Test results are obtained to show that the combined robust adaptive control reduces the final trajectory tracking error significantly as compared with conventional control.
1. Introduction
Industrial robots are base-stationary, reprogrammable and multifunction manipulators that are designed to move material, parts, tools, or specialized devices through variable programmed motions to perform a variety of tasks. The industrial robots have replaced human beings in dangerous, monotonous, or strenuous tasks that humans do not want to do. These activities frequently take place in spaces that are poorly ventilated, poorly lighted, or filled with noxious or toxic fumes. The trend for future industrial robots has been toward the electric-motor powered, servo-controlled industrial robots that are typically floor-standing machines [1]. These industrial robots have proved to be the most costeffective because they are the most versatile. As a fundamental and essential subject of industrial robots, the trajectory tracking control has attracted considerable attention over the last few years. A variety of control approaches for high-precision trajectory tracking control of industrial robots have been presented in the literature. The proportional integral derivative (PID) controllers have been widely used for motion tracking control of industrial robots due to the simple structure and model free control design [2]. However, the PID controllers should be carefully tuned according to different operating conditions, which is usually time-consuming. A cooperative target tracking control algorithm was proposed in [3] for motion target tracking of a group of mobile robots. A distributed Kalman filter was also designed to estimate the target position. The effectiveness of the control algorithm was verified based on simulation and experimental results. An adaptive trajectory tracking controller was designed in [4] for robot motion tracking with unknown parameters and uncertain dynamics. The back-stepping controller was designed by using the learning ability of neural networks which avoid the knowledge of the robot dynamics. Simulations and experiments on a commercial robot platform were used to verify the performances of the designed control algorithm with classical back-stepping controller. A model predictive control scheme incorporating neural-dynamic optimization was presented in [5] for robotic trajectory tracking. The model predictive control approach was iteratively transformed as a constrained quadratic programming problem, and then a primal-dual neural network was used to solve this problem over a finite receding horizon. The effectiveness of the control approach was verified based on experiments. A modelfree proportional derivative (PD) with sliding mode control law was proposed for robotic trajectory tracking control in [6].
چکیده
1.مقدمه
2. تحلیل دینامیکی ربات های صنعتی در فضای کاری
3. طراحی کنترل
4. تطابق های پارامتری
5. ارزیابی و بحث
5. نتیجه گیری
abstract
1. Introduction
2. Dynamics analysis of industrial robots in the task space
3. Control design
4. Parametric adaptions
5. Verifications and discussions
5. Conclusion
- ترجمه فارسی مقاله با فرمت ورد (word) با قابلیت ویرایش، بدون آرم سایت ای ترجمه
- ترجمه فارسی مقاله با فرمت pdf، بدون آرم سایت ای ترجمه