فصل دوم: سيستم بازوي انعطاف پذير Quanser …………………………………………………… 17
2-1- پايه سيستم ……………………………………………………………………………………………………………………………………………………. 18
2-2- موتور DC ……………………………………………………………………………………………………………………………………………………. 19
2-3- انكودر …………………………………………………………………………………………………………………………………………………………….. 19
2-4- بازوي انعطاف پذير ………………………………………………………………………………………………………………………………………… 20
2-5- تنش سنج ……………………………………………………………………………………………………………………………………………………… 21
2-6- منبع تغذيه ……………………………………………………………………………………………………………………………………………………. 21
2-7- برد PCI MultiQ مدل 626 …………………………………………………………………………………………………………………… 21
2-8- نرم‌افزار WinCon …………………………………………………………………………………………………………………………………….. 24
2-9- نرم‌افزار سيمولينك ……………………………………………………………………………………………………………………………………… 24
فصل سوم: مدلسازي ………………………………………………………………………………………….. 26
3-1- مدلسازي …………………………………………………………………………………………………………………………………………………… 27
3-1-1- مدل بازوي انعطاف پذير ……………………………………………………………………………………………………….. 28
3-1-2- مدل محرک ………………………………………………………………………………………………………………………….. 30
3-1-3- معادلات ديناميک سيستم …………………………………………………………………………………………………… 32
فصل چهارم: کنترل عصبي- فازي …………………………………………………………………….. 34
4-1- مقدمه ………………………………………………………………………………………………………………………………………………………… 35
4-2- فازي ………………………………………………………………………………………………………………………………………………………….. 36
4-2-1- مجموعه هاي فازي ………………………………………………………………………………………………………………. 36
4-2-2- منطق فازي ………………………………………………………………………………………………………………………….. 37
4-2-3- سيستم فازي ………………………………………………………………………………………………………………………. 38
4-3- کنترل کننده فازي بازوي انعطاف پذير …………………………………………………………………………………………………… 39
4-4- شبكه‌هاي عصبي- فازي …………………………………………………………………………………………………………………………… 42
4-4-1- شبكه عصبي- فازي ممداني ………………………………………………………………………………………………… 44
4-4-2- شبكه عصبي- فازي سوگنو ……………………………………………………………………………………………………… 48
4-5- کنترل کننده عصبي- فازي بازوي انعطاف پذير ………………………………………………………………………………………….. 49
فصل پنجم: الگوريتم آموزش عاطفي …………………………………………………………………….. 51
5-1- مقدمه ……………………………………………………………………………………………………………………………………………………………. 52
5-2- آموزش عاطفي براي به روز رساني متغير هاي کنترل کننده عصبي- فازي ……………………………………………….. 54
5-3- تابع حساسيت بازوي انعطاف پذير ……………………………………………………………………………………………………………….. 56
5-3-1- تابع حساسيت بازوي انعطاف پذير بر اساس مدل فضاي حالت ……………………………………………… 57
5-3-2- تابع حساسيت بازوي انعطاف پذير بر اساس شناساگر شبکه عصبي ………………………………………. 58
5-3-2-1- شناسايي بر پايه شبکه عصبي …………………………………………………………………………….. 58
5-3-2-1-1- شبکه عصبي تابع پايه شعاعي وزن دار …………………………………………… 60
5-3-2-1-2- آموزش شبکه تابع پايه شعاعي وزن دار با روش پس انتشار خطا …. 62
فصل ششم: شبيه سازي و پياده سازي کنترل بازوي انعطاف پذير ……………………………. 65
6-1- کنترل کننده فازي با استنتاج مينيمم ………………………………………………………………………………………………………….. 66
6-1-1 شبيه سازي کنترل فازي با استنتاج مينيمم ……………………………………………………………………………… 67
6-1-2- پياده سازي کنترل فازي با استنتاج مينيمم ……………………………………………………………………………. 68
6-2- کنترل کننده فازي با استنتاج ضرب …………………………………………………………………………………………………………….. 69
6-2-1- شبيه سازي کنترل فازي با استنتاج ضرب ………………………………………………………………………………. 71
6-2-2- پياده سازي کنترل فازي با استنتاج ضرب ………………………………………………………………………………. 72
6-3- کنترل کننده عصبي- فازي …………………………………………………………………………………………………………………………… 74
6-3-1- شبيه سازي کنترل عصبي- فازي ……………………………………………………………………………………………. 75
6-3-2- پياده سازي کنترل عصبي- فازي ……………………………………………………………………………………………. 79
فصل هفتم: نتيجه گيري و پيشنهادات ………………………………………………………………….. 84
7-1- نتيجه گيري ………………………………………………………………………………………………………………………………….. 85
7-2- پيشنهادات …………………………………………………………………………………………………………………………………….. 86
پيوست ……………………………………………………………………………………………………………………………………. 88
شکل (1-1): ساختار روش JBC اصلاح شده ]4[ ………………………………………………………………………………………… 8
شکل (1-2): ساختار ORTOL اصلاح شده ………………………………………………………………………………………………… 9
شکل (1-3): ساختار کنترل کننده عصبي بر اساس مدل ديناميک معکوس ]3[ ………………………………………….. 11
شکل (1-4): ساختار کنترل فازي توزيع يافته ]10[ …………………………………………………………………………………….. 14
شکل (1-5): ساختار کنترل کننده فازي توزيع يافته بر اساس اهميت ]10[ ………………………………………………… 15
جدول (1-1): جدول درجه اهميت خروجي هاي سيستم نسبت به ورودي ]10[ ………………………………………….. 15
شكل (2-1): شكل پايه سيستم بازوي انعطاف پذير ……………………………………………………………………………………… 18
جدول (2-1): اجزاي پايه سيستم بازوي انعطاف پذير …………………………………………………………………………………… 19
شكل (2-2): شماتيك انكودر موجود در پايه سيستم بازوي انعطاف پذير …………………………………………………….. 20
شكل (2-3): سيستم بازوي انعطاف پذير ……………………………………………………………………………………………………… 20
شكل (2-4): تنش سنج و مدار آن ……………………………………………………………………………………………………………….. 21
شكل (2-5): منبع تغذيه براي تقويت سيگنالهاي كامپيوتر ………………………………………………………………………….. 22
شكل (2-6): برد PCI MultiQ مدل 626 ……………………………………………………………………………………………….. 23
شکل (3-1) : طرح کلي بازوي انعطاف پذير ……………………………………………………………………………………………….. 29
شکل (3-2): مدل ساده بازوي انعطاف پذير بر اساس فنر دوراني ………………………………………………………………… 29
شکل (3-3): مدل موتور جريان مستقيم و جعبه دنده ………………………………………………………………………………… 31
شکل (4-1): ساختار سيستم فازي با فازي ساز و غير فازي ساز …………………………………………………………………. 38
شکل (4-2): دياگرام کنترل کننده فازي …………………………………………………………………………………………………….. 39
جدول (4-1): ورودي هاي کنترل کننده بازوي انعطاف پذير درساختار اول و دوم …………………………………….. 40
جدول (4-2): قوانين کنترل کننده فازي با ساختار اول ……………………………………………………………………………… 41
جدول (4-3): قوانين کنترل کننده فازي با ساختار اول ………………………………………………………………………………. 41
جدول (4-4): قوانين کنترل کننده فازي با ساختار دوم ……………………………………………………………………………… 41
جدول (4-5): قوانين کنترل کننده فازي با ساختار دوم ……………………………………………………………………………… 41
شکل (4-3) : دياگرام کنترل فازي بازوي انعطاف پذير ……………………………………………………………………………….. 41
شکل (4-4): شبکه عصبي- فازي ممداني با دو ورودي و يك خروجي ………………………………………………………… 44
شکل (4-5): شکل کلي کنترل کننده عصبي- فازي …………………………………………………………………………………… 49
شکل (5-1): ساختارکنترل عصبي- فازي تطبيقي با آموزش عاطفي …………………………………………………………… 53
شکل (5-2): روش شناسايي تابع مستقيم سيستم ……………………………………………………………………………………… 59
شکل (5-3): روش شناسايي تابع معکوس سيستم ……………………………………………………………………………………… 59
شکل (5-4): ساختار شبکه عصبي تابع پايه شعاعي وزن دار ………………………………………………………………………… 61
شکل (6-1): توابع تعلق ساختار اول با استنتاج مينيمم ………………………………………………………………………………. 66
شکل (6-2): توابع تعلق ساختار دوم با استنتاج مينيمم ………………………………………………………………………………. 66
شکل (6-3): نتايج شبيه سازي کنترل کننده فازي با استنتاج مينيمم با ساختار اول …………………………………… 67
شکل (6-4): نتايج شبيه سازي کنترل کننده فازي با استنتاج مينيمم با ساختار دوم ………………………………….. 68

شکل (6-5): نتايج پياده سازي کنترل کننده فازي با استنتاج مينيمم با ساختار اول …………………………………… 68
شکل (6-6): نتايج پياده سازي کنترل کننده فازي با استنتاج مينيمم با ساختار دوم …………………………………… 69
شکل (6-7): توابع تعلق ساختار اول با استنتاج ضرب …………………………………………………………………………………… 70
شکل (6-8): توابع تعلق ساختار دوم با استنتاج ضرب ………………………………………………………………………………….. 70
شکل (6-9): نتايج شبيه سازي کنترل کننده فازي با استنتاج ضرب با ساختار اول ………………………………………. 71
شکل (6-10): نتايج شبيه سازي کنترل کننده فازي با استنتاج ضرب با ساختار دوم ……………………………………. 72
شکل (6-11): نتايج پياده سازي کنترل کننده فازي با استنتاج ضرب با ساختار اول ……………………………………. 72
شکل (6-12): نتايج پياده سازي کنترل کننده فازي با استنتاج ضرب با ساختار دوم …………………………………… 73
جدول (6-1): نتايج شبيه سازي و پياده سازي کنترل کننده فازي ………………………………………………………………. 74
شکل (6-13): آرايش توابع گوسين کنترل کننده عصبي- فازي در ساختار هاي اول و دوم(آرايش يکنواخت) . 75
شکل (6-14): نتايج شبيه سازي کنترل کننده عصبي- فازي با آرايش يکنواخت توابع گوسين با ساختار اول (با آموزش عاطفي مراکز دسته تالي و ژاکوبين بر اساس مدل فضاي حالت سيستم) ………………………………………… 76

در این سایت فقط تکه هایی از این مطلب با شماره بندی انتهای صفحه درج می شود که ممکن است هنگام انتقال از فایل ورد به داخل سایت کلمات به هم بریزد یا شکل ها درج نشود

شما می توانید تکه های دیگری از این مطلب را با جستجو در همین سایت بخوانید

ولی برای دانلود فایل اصلی با فرمت ورد حاوی تمامی قسمت ها با منابع کامل

اینجا کلیک کنید

شکل (6-15): نتايج شبيه سازي کنترل کننده عصبي- فازي با آرايش يکنواخت توابع گوسين با ساختار اول (با آموزش عاطفي مراکز دسته تالي و پارامتر هاي گوسين و ژاکوبين بر اساس مدل فضاي حالت سيستم) ……….. 76
شکل (6-16): نتايج شبيه سازي کنترل کننده عصبي- فازي با آرايش يکنواخت توابع گوسين با ساختار اول (با آموزش عاطفي مراکز دسته تالي و پارامتر هاي گوسين و و ژاکوبين بر اساس مدل شبکه عصبي سيستم) …….. 76
شکل (6-17): نتايج شبيه سازي کنترل کننده عصبي- فازي با آرايش يکنواخت توابع گوسين با ساختار دوم (با آموزش عاطفي مراکز دسته تالي و ژاکوبين بر اساس مدل فضاي حالت سيستم) …………………………………………. 77
شکل (6-18): نتايج شبيه سازي کنترل کننده عصبي- فازي با آرايش يکنواخت توابع گوسين با ساختار دوم (با آموزش عاطفي مراکز دسته تالي و پارامتر هاي گوسين و ژاکوبين بر اساس مدل فضاي حالت سيستم) ……….. 78
شکل (6-19): نتايج شبيه سازي کنترل کننده عصبي- فازي با آرايش يکنواخت توابع گوسين با ساختار دوم (با آموزش عاطفي مراکز دسته تالي و پارامتر هاي گوسين و و ژاکوبين بر اساس مدل شبکه عصبي سيستم) ……. 78
شکل (6-20): نتايج پياده سازي کنترل کننده عصبي- فازي با آرايش يکنواخت توابع گوسين با ساختار اول (با آموزش عاطفي مراکز دسته تالي و ژاکوبين بر اساس مدل فضاي حالت سيستم) …………………………………………… 81
شکل (6-21): نتايج پياده سازي کنترل کننده عصبي- فازي با آرايش يکنواخت توابع گوسين با ساختار اول (با آموزش عاطفي مراکز دسته تالي و پارامتر هاي گوسين و ژاکوبين بر اساس مدل فضاي حالت سيستم) ……….. 81
شکل (6-22): نتايج پياده سازي کنترل کننده عصبي- فازي با آرايش يکنواخت توابع گوسين با ساختار اول (با آموزش عاطفي مراکز دسته تالي و پارامتر هاي گوسين و و ژاکوبين بر اساس مدل شبکه عصبي سيستم) ……. 81
شکل (6-23): نتايج پياده سازي کنترل کننده عصبي- فازي با آرايش يکنواخت توابع گوسين با ساختار دوم (با آموزش عاطفي مراکز دسته تالي و ژاکوبين بر اساس مدل فضاي حالت سيستم) …………………………………………. 82
شکل (6-24): نتايج پياده سازي کنترل کننده عصبي- فازي با آرايش يکنواخت توابع گوسين با ساختار دوم (با آموزش عاطفي مراکز دسته تالي و پارامتر هاي گوسين و ژاکوبين بر اساس مدل فضاي حالت سيستم) ………. 82
شکل (6-25): نتايج پياده سازي کنترل کننده عصبي- فازي با آرايش يکنواخت توابع گوسين با ساختار دوم (با آموزش عاطفي مراکز دسته تالي و پارامتر هاي گوسين و و ژاکوبين بر اساس مدل شبکه عصبي سيستم) ……. 82
جدول (6-2): نتايج شبيه سازي و پياده سازي کنترل کننده عصبي- فازي …………………………………………………. 83
1-1- مقدمه
در سال هاي اخير، حوزه روباتيك سير تكاملي را آغاز كرده است كه مبتني بر نيازهاي كاربران مي باشد. تقاضاي صنعت براي زمانهاي پاسخ سريعتر و مصرف انرژي كمتر، طراحان روبات را بر آن داشته تا اصلاحات بنيادي را در طراحي بازوهاي روبات صورت دهند. با كاربرد مواد سبك وزن تر و بازسازي پيكربندي فيزيكي روبات، بازوها به مرور بلندتر و نازكتر شدند و اهداف آنها مبني بر سرعت بالا، شتاب گيري سريع و مصرف انرژي كمتر تحقق يافت. اين بازوهاي انعطاف پذير حوزه تحقيقاتي کاملا جديدي را در زمينه طراحي و كنترل بازوي ربات با درجه دقت قابل قبول گشوده اند ]1[.
براي بازوي روباتيك صلب، كنترل مسير نوك دست، معادل كنترل محرك حالت صلب (انعطاف ناپذير) است. اما براي كنترل مطلوب بازوي انعطاف پذير، كنترل مطمئن تري از حالات انعطاف ناپذير لازم است تا ارتعاشات اجتناب ناپذير و بدون محدوديت در آن مد نظر قرار گيرند. در نتيجه، ردگيري دقيق روبات با بازوي انعطاف پذير مسئله اي بحث برانگيز شناخته مي شود. اين را هم بايد در نظر گرفت که همواره صلبيت بازوها، يک فرض ايده آل است و با افزايش نسبت بار به وزن بازو، سرعت حرکت و پهناي باند کنترل ممکن است از اين صلبيت کاسته شود ]15[.
اين درست است که اين بازوها به علت سبک بودن و کاهش اينرسي داراي عملکرد سريع تري نسبت به بازوهاي صلب هستند و به گشتاور کمتري براي حرکت نياز دارند و اين خود باعث کاهش مصرف انرزي الکتريکي مي شود و اقتصادي تر است ]1[. ولي از ديدگاه مدلسازي، طبيعت توزيع يافته ديناميک اين بازوها واستعداد طبيعي انعطاف پذيري، امکان اينکه بتوان مدل دقيقي با بعد معين بدست آورد، را غير ممکن مي سازد و علاوه بر اين به علت ايجاد نوسانات ناشي از کاهش صلبيت در حرکت، کنترل دقيق مسير حرکت بسيار مشکل مي شود ]3[.

1-2- ويژگي هاي مدل سيستم
از ديدگاه مدلسازي، طبيعت توزيع يافته ديناميک اين بازوها واستعداد طبيعي انعطاف پذيري ساختمان، امکان اينکه بتوان مدل دقيقي با بعد معين بدست آورد، را غير ممکن مي سازد. در نتيجه مدلي غيرخطي، متغير با زمان و با مرتبه بالا ( از نظر تئوري بي نهايت ) خواهيم داشت ]3[.
علاوه بر اين، به علت ناهم خواني موقعيت سنسورها و محرکها (ورودي ها و خروجي ها)، چنانچه مستقيما موقعيت انتهاي بازو را به عنوان خروجي بگيريم، منجر به کنترل غير متمرکز1 و رفتار ديناميک غير مينيمم فاز خواهد شد. به عبارت ديگر، تابع تبديل حلقه باز سيستم از محل اعمال گشتاور در مفصل تا موقعيت انتهاي بازو، صفر هاي ناپايدار خواهد داشت.اين ويژگي تا وقتي که بهره پايداري حلقه بسته مد نظر باشد، محدوديت هاي شديدي را بر طراحي کنترل کننده تحميل مي کند ]3[.
از اينها گذشته، به علت کمتر بودن تعداد محرکها نسبت به درجات آزادي سيستم، سيستم کنترل زير فعال2 خواهد بود که خود محدوديت هاي زيادي را بر آنچه که از طريق کنترل کردن مي توان به آن دست يافت، ايجاد مي کند. زيرا با تنها يک ورودي بايد بتوانيم جابجايي زاويه اي بازو را به نحوي کنترل کنيم که ميزان نوسانات انتهاي بازو ميرا شود ]3[.

1-3- چرا کنترل هوشمند
سيستم هاي مکانيکي که به صورت نرم افزاري شبيه سازي شده اند، معمولاً ويژگي هاي اجزاي صلب را نشان مي دهند، در حالي که، در واقعيت محرکها، بازوها و مفصل ها، به دليل اينکه صلب مطلق نيستند، نسبت به آنچه که به صورت تئوري بدست مي آيد، تاحدودي کاهش در عملکرد کنترل را نشان مي دهند. استفاده از يک سيستم کنترل خاص ، يکي از راه هاي حل اين مشکل است ]5[.
از طرفي، توصيف دقيق ديناميک يک سيستم غير صلب، به خاطر ويژگي خاص مدل سيستم، مثل غير خطي بودن، مرتبه بالا و متغير با زمان بودن معادلات مدل سيستم ، کار بسيار پيچيده اي است ]5[.
مدل هاي تخمين زده شده توسط روش هاي معمول رياضي مثل معادلات ديفرانسيلي نيوتن-اويلر يا لاگرانژ-اويلر، نياز به ظرفيت محاسباتي بالا و اطلاعات از پيش تعيين شده در مورد پارامترهاي سيستم دارد که استفاده کاربردي از آنها را در سيستم هاي کنترل محدود مي کند. بنابراين وجود نا معيني هاي ديناميک سيستم، مهمترين فاکتوري است که استفاده از روش هاي کنترل کلاسيک را براي تحليل سيستم هاي کنترل غير صلب نامناسب مي کند ]5[.
در طول سال هاي زيادي، مهندسان کنترل کلاسيک با مدل هاي رياضي کار مي کردند و اطلاعات بيشتري از سيستم بدست نمي آوردند. اما امروزه مهندسان کنترل علاوه بر اينکه از تمام مراجع اطلاعات کلاسيک استفاده مي کنند، از کنترل کننده هاي غير کلاسيک، از جمله کنترل کننده هوشمند نيز که به عنوان يک کنترل کننده آزاد از مدل3 شناخته مي شود، استفاده مي کنند. از داده هاي عددي (ورودي/خروجي) و/ يا اطلاعات فرد خبره به عنوان يک مدل تخميني استفاده مي کنند و کنترل کننده اي براساس قانون اگر-آنگاه4 فازي و يا بر اساس شبکه عصبي با گره هايي در چند لايه طراحي مي کنند ]6[.
تحليل مقالاتي که به کنترل سيستم هاي انعطاف پذير با روش هاي هوشمند از طريق شبکه عصبي پرداخته اند ، نشان از نتيجه مطلوب کنترل کننده هاي عصبي با آموزش بهنگام5، براي غلبه بر مشکل نامعيني و وابسته به زمان بودن ديناميک سيستم ، دارد. نگاشت غيرخطي، طبيعت تطبيقي6 و توانايي برخورد با عدم قطعيت ها، در شبکه هاي عصبي آنها را ابزار توانمندي براي کنترل بازوي انعطاف پذير ساخته است ]4[.
استفاده کاربردي از تئوري مجموعه هاي فازي در کنترل سازه هاي انعطاف پذير نيز روز به روز علاقمندان بيشتري پيدا مي کند. کنترل کنندههاي فازي، بستري ساده و مقاوم7 براي ايجاد قوانين کنترلي غيرخطي مي باشند که توانايي اصلاح نامعيني و بي دقتي را هم دارند. چنانچه توصيف زباني8 از کنترل موجود باشد يا بتوان ايجاد کرد، کنترل کننده هاي فازي مي توانند بدون مدل رياضي سيستم طراحي شوند و پياده سازي براساس توصيف زباني هم به صورت تئوري و هم به صورت عملي ممکن است. بنابراين منطق فازي مي تواند ابزار مناسبي براي کنترل سيستم هايي مانند بازوي انعطاف پذير باشد که مدل رياضي دقيقي ندارند ]8[.
در کنار اين ها کنترل فازي تطبيقي يا کنترل عصبي- فازي نيز مطرح مي شود که بناي کار در اين پايان نامه مي باشد. کنترل عصبي- فازي علاوه بر داشتن مزاياي کنترل فازي به عنوان يک کنترل قانونمند و مقاوم، از مزيت تطبيقي بودن شبکه هاي عصبي هم بهره مي برد و مي تواند به صورت بهنگام خود را با نا معيني ها و تغييرات نقطه کار سيستم بازوي انعطاف پذير Quanser تطبيق دهد. علاوه بر اين ميزان حساسيت به شرايط اوليه نيز کاهش مي يابد که اين امر در پياده سازي کنترل کننده روي سيستم Quanser بيشتر خود را نشان مي دهد.

1-4- کاربردها
بازوي انعطاف پذير کاربرد هاي بسياري در صنعت دارد، چرا که آنچه در صنعت اهميت زيادي دارد، صرفه اقتصادي است. اين بازوها اگرچه ممکن است هزينه بيشتري در مرحله طراحي و کنترل داشته باشند، اما ميزان انرژي مصرفي آنها در دراز مدت بسيار کمتر است. نمونه اين تجهيزات را مي توان در ربات هايي که براي مونتاژ قطعات استفاده مي شوند، در معدن ها و در مناطق قابل انفجار ]8[ ديد.
کاربرد مهم ديگر اين بازوها در تجهيزات فضايي با ابعاد بسيار بزرگ است. آنچه در تجهيزات فضايي مورد توجه است، اين است که ابزار بتواند با ذخيره انرژي مشخصي مدت زمان بيشتري به کار خود ادامه دهد، بنابراين سعي بر استفاده از تجهيزاتي است که سبکتر باشند. نمونه بارز آن Canadarm است که يک بازوي انعطاف پذير 15.2 متري با قطر 0.38 متر و وزن 410 کيلوگرم در جاذبه زمين است.
علاوه براينها کاربرد هايي هم در تجهيزات عمراني از جمله درطراحي و ساخت سيستم کنترل پل هاي متحرک و جرثقيل هاي بلند9 ]8[ دارد.

1-5- مروري بر کارهاي انجام شده در زمينه کنترل هوشمند بازوي انعطاف پذير
در اين قسمت سعي داريم به مروري کلي بر کارهاي انجام شده در طراحي کنترل کننده هاي هوشمند براي بازوي انعطاف پذير بپردازيم. با توجه به گستردگي و تنوع کارهاي انجام شده در اين زمينه، قصد داريم کنترل کننده هاي طراحي شده را به دو قسمت عمده کنترل کننده هاي عصبي و فازي دسته بندي نمائيم.
در زمينه کنترل کننده هاي عصبي، دو طرح کنترلي در سال هاي 2001 و 2002 مطرح شد. يکي بر اساس بازتعريف خروجي10 و ديگري بر اساس مدل ديناميک معکوس11 مي باشد. تنها در اين دو تحقيق کنترل کننده هاي پيشنهادي به صورت عملي پياده سازي شده اند.
در زمينه کنترل فازي، عمده کارها در سال هاي 2001 و سال هاي بعد از آن به کنترل کننده هاي فازي توزيع يافته12 پرداخته اند. در سال هاي 2005 و 2006، توجه بيشتري به مقايسه ساختارهاي مختلف کنترل کننده هاي فازي توزيع يافته شد. کارهاي انجام شده در اين زمينه، به صورت شبيه سازي بوده و به صورت عملي پياده سازي نشده اند.
1-5-1- کنترل کننده عصبي بر اساس بازتعريف خروجي ]4[
در اين تحقيق، دو ساختار کنترلي بر پايه شبکه عصبي با روش آموزش خطاي پسخور13 براي کنترل بازوي انعطاف پذير، که پيش از آن مطرح شده بودند، به صورت اوليه و اصلاح شده، ارائه شده اند. در ساختارهاي کنترلي در اين مرجع فرض مي شود که اطلاعات اوليه درباره ديناميک سيستم وجود ندارد.
در هر دو روش، سيگنال خطاي شبکه عصبي ، خروجي کنترل کننده بازگشتي مي باشد. سودمندي اين روش آموزش در اين نکته نهفته است که سيگنال هدف يا سيگنال خروجي مطلوب براي شبکه عصبي احتياج نمي شود. علاوه بر اين، سيگنال پس انتشار خطا14 در سيستم کنترل شده يا مدل سيستم کنترل شده نياز نمي گردد. از آنجائيکه گشتاور بازگشتي به عنوان سيگنال خطاي اين استراتژي آموزش انتخاب مي شود، انتظار مي رود که گشتاور بازگشتي با آموزش کاهش يابد. در واقع با تکامل آموزش، خطاي بين مسير پيمايش مطلوب و واقعي به سمت صفر ميل کند. استراتژي آموزش به صورت آموزش خطاي پسخور طراحي مي شود تا اينکه بر اهميت استفاده از گشتاور بازگشتي به عنوان سيگنال خطا تأکيد شود.
ايده آموزش خطاي پسخور در کنترل يک بازوي صلب که صفرناپايدار ندارد و همه متغيرهاي حالت موجود هستند ، بکار برده مي شود ولي در مورد بازوي انعطاف پذير، ديناميک هاي صفر مربوط به سيستم، ناپايدار هستند و فيدبک حالت کامل موجود نمي باشد. راه حلي که در اينجا ارائه مي شود، تعريف يک خروجي ويژه است تا ديناميک هاي صفر نظير خروجي جديد پايدار گردند. اين خروجي مي تواند به عنوان متغيري از مفصل تعريف شود ولي جواب قابل قبولي براي يک روبات انعطاف پذير بدست نخواهد آمد. نشان داده مي شود که با استفاده از يک خروجي جديد که در اين تحقيق بررسي مي شود، امکان استفاده از مفهوم آموزش خطاي پسخور در کنترل مکان بازوي انعطاف پذير بوجود مي آيد.

در روش JBC15 اصلاح شده که در شکل (1-1) نشان داده مي شود، يک کنترل کننده مفصل PD و يک کنترل کننده عصبي پسخور بکار برده مي شوند. تابع هدف براي آموزش کنترل کننده عصبي طبق رابطه (1-1) در نظر گرفته مي شود:
(1-1)
به منظور ميرايي و کاهش انحراف ناشي از انعطاف پذيري در انتهاي بازو در تابع هدف قرار مي گيرد. بهره بيان کننده وزني است که براي مينيمم کردن ارتعاشات الاستيک قرار داده شده است و توانايي پيمايش خطا متأثر از انتخاب بهره هاي و مي باشد. ، و وروديهاي کنترل کننده عصبي هستند و خروجي شبکه است. قانون تنظيم وزن شبکه عصبي بر اساس (1-2) مي باشد:
(1-2)
که بردار وزن شبکه و نرخ آموزش مي باشند. در (1-3) آمده است.
(1-3)
که و تابعي غير خطي است که توسط کنترل کننده عصبي محاسبه مي شود. ترم توسط روش پس انتشار محاسبه شود و روابط ، و نيز با استفاده از علامت گراديان بجاي مقدار واقعي آن براي آموزش کنترل کننده عصبي ، محاسبه مي شوند.
در روش 16ORTOL اصلاح شده که در شکل (1-2) آورده شده است، همانند ساختار قبلي يک کنترل کنندهمفصل PD به کار مي رود. در اين ساختار، دو شبکه عصبي استفاده مي شود. کنترل کننده شبکه عصبي اول براي توليد يک قانون کنترل آموزش مي بيند بگونه اي که خطاي پيمايش بين مسير پيمايش مرجع مطلوب و خروجي بازسازي شده ، ، که بوسيله خروجي شبکه دوم تعيين مي شود ، مينيمم گردد. تابع هدفي که براي آموزش شبکه اول استفاده مي شود، طبق رابطه (1-1) و قانون تنظيم وزن هم بر اساس رابطه (1-2) مي باشد. نيز به همان روش بخش قبل محاسبه مي شود.
هدف شبکه عصبي دوم، آموزش تطبيقي براي ساخت يک خروجي بازسازي شده مناسب به فرم (1-4) مي باشد.
(1-4)
که ها، محدود بين 1 و -1، وزن هاي تنظيم شونده شبکه عصبي هستند.
نتايج ارايه شده نشان مي دهد که بازوي انعطاف پذير در زماني حدود 5 ثانيه به حالت ماندگار مي رسد. فراجهش هم صورت نمي گيرد.
در ]14[ نيز از ساختاري مشابه ساختار مطرح شده در بالا براي شبيه سازي کنترل بازوي انعطاف پذير استفاده شده است. به اين ترتيب که فيد بک به روش بازتعريف خروجي طراحي شده است و از کنترل کننده شبکه عصبي بر پايه تابع شعاعي در کنار کنترل کننده PD استفاده شده است. تابع هدف و روش آموزش طبق (1-1) و (1-2) مي باشد.

1-5-2- کنترل کننده عصبي بر اساس مدل ديناميک معکوس ]3[
درميان استراتژي هاي کنترلي متعددي که براي کنترل مسيربازوي صلب ارائه شده است، روش کنترل ديناميک معکوس تاکنون رايج ترين روش غير خطي بوده است. به هر حال، شاخصه غير مينيمم فاز بودن بازوي انعطاف پذير، توانايي اين روش را در کنترل مسير تضعيف مي کند، مگر آنکه از روش بازتعريف خروجي17 براي پايدارسازي صفر ناپايدار ناشي از نگاشت ورودي خروجي استفاده شود. مشکلات اصلي در پياده سازي کنترل ديناميک معکوس، وابستگي شديد آنها به دقت مدل معين استفاده شده در طراحي کنترل کننده، وجود اغتشاش، غير خطي هاي مدل نشده و نا معيني ها است. فوايد شبکه هاي عصبي در ايجاد يک راهکار حياتي براي کاهش وابستگي کنترل کننده به محدوديت هاي بالا در سيستم ها و کاربردهاي بسياري نشان داده شده است.
در اين مرجع، به جاي اينکه با مدل ديناميک معکوس به طور کامل به عنوان يک جعبه سياه برخورد شود، از يک سري اطلاعات قبلي در مورد ساختار مدل ديناميک معکوس در طراحي کنترل کننده عصبي استفاده مي شود. با بهره گيري از دو شبکه عصبي که غير خطي هاي مدل بازوي انعطاف پذير توسط آنها جبران سازي مي شوند، به همراه يک کنترل کننده خطي رايج، به طورعملي نشان داده شده که کارايي بهتري نسبت به نوع عصبي يا کنترل کلاسيک دارد. اين ساختار کنترلي در شکل (1-3) نشان داده شده است. هر دو شبکه عصبي که در شکل (1-3) نشان داده شده اند، داراي ساختار چند لايه پيشخور هستند.
با به کارگيري تکنيک خطي سازي ورودي – خروجي براي مدل غير خطي پيوسته در زمان که تنها يک مود انعطاف پذير دارد (N=1) براي بيان کنترل کننده ديناميک معکوس خواهيم داشت:
(1-5)
با فرض اينکه در مورد F(.) و G(.) از پيش اطلاعي نداريم ، در طول فاز يادگيري، شبکه هاي عصبي از طريق سيگنال خطاي آموزش18، براي يادگيري اين غير خطي هاي سيستم آموزش مي يابند، يعني مي توان چنين بيان کرد:
(1-6)
از کنترل کننده خطي V هم براي حفظ پايداري خطاي سيستم در طول پروسه يادگيري استفاده مي شود. يکي از اهداف اصلي اين کنترل کننده پايدار کردن خمش هاي بازوي انعطاف پذير مي باشد. انتخاب تابع هدف شبکه هاي عصبي و قانون تنظيم وزن مانند روش قبل است.
در اين روش نيز در زمان حدود 5 ثانيه ولي با ميزان فراجهش 10% بازوي انعطاف پذير به حالت ماندگار رسيده است.

1-5-3- کنترل فازي توزيع يافته
در ]6[، به کنترل فازي بازوي انعطاف پذير و روش انحراف تکين19 مي پردازد. از روش انحراف تکين براي توليد زير سيستم هاي کند و تند استفاده شده است. کنترل کننده زير سيستم سريع، نوسانات بازوي انعطاف پذير را توسط يک روش کنترلي بهينه ميرا مي کند و کنترل کننده فازي زير سيستم کند، هم تعقيب مسير مطلوب را رهبري مي کند. براي تضمين پايداري ديناميک داخلي نيز از افزودن اصلاح لايه مرزي20 براساس انحراف تکين استفاده مي شود. تحقيق انجام شده، پاسخ خروجي بسيار مطلوبي را نسبت به روش معمول حلقه کنترلي خارجي PD و پايدارساز لايه مرزي، نشان مي دهد و مقاوم هم مي باشد ]6[.
با اين روش بازوي انعطاف پذير در زماني حدود 2 ثانيه و با ميزان فراجهش 6% به حالت ماندگار مي رسد.
در ]10[، براي اينکه نشان دهد، نيازمند طراحي هاي خاصي از کنترل کننده هاي فازي هستيم، ابتدا يک روش کنترلي فازي يکپارچه را بررسي مي کند که ورودي هاي آن عبارتند از:
(1-7)
(1-8)


پاسخ دهید