雷竞技网页版研究和评论——国际期刊雷竞技苹果下载

国际先进研究期刊》的研究在电子、电子、仪表工程

菜单

ISSN在线(2278 - 8875)打印(2320 - 3765)

所有提交的电磁系统将被重定向到在线手稿提交系统。作者请直接提交文章在线手稿提交系统各自的杂志。

机械手控制器的性能比较灵活的链接

美国Mallikarjunaiah1,美国斯瓦米Reddy2
  1. 教授,EEE称,CR工程学院,Tirupati,印度安得拉邦
  2. 教授,ECE称,SVU工程学院Tirupati,印度安得拉邦
相关文章Pubmed,谷歌学者

访问更多的相关文章国际先进研究期刊》的研究在电子、电子、仪表工程

国际先进研究期刊》的研究在电子、电子、仪表工程

文摘

本文关注的终点控制一个灵活的链接在水平面旋转。使用拉格朗日动力学模型推导出基于Euler-Bernoulli梁理论假定模式方法。最初系统模型作为voltage-input模型,和不同的控制器应用到控制系统。位置和轨迹是由PID控制,机械手等,简称ANFIS控制方法灵活的链接。本研究的目的是保持在期望的位置和旋转角度的链接来消除振荡角末端效应器。位置和轨迹控制又是由先进控制器等控制方法和简称ANFIS系统控制方法。产生的结果为模式1和模式2操作。简称ANFIS方法和结果等方法与PID控制器的方法。灵活的控制块链接机械手执行和比较在MATLAB仿真软件对各种控制参数和积分控制器错误。

关键字
灵活的链接操纵者,简称ANFIS控制器,等控制器、PID控制器,高频模式

I.INTRODUCTION
一个重要的先进的机器人系统是flexible-link机器人手臂。提高机器人性能的欲望导致了打火机的设计灵活的链接。轻巧型链接机器人手臂有很多优势相比传统刚性连接机器人等低功耗,高payload-to-robot重量比,降低生产成本,更容易运输。由于柔性机械臂的弹性,控制器算法不同,传统的刚性机械臂。
灵活的连接机器人手臂是无限的分布式参数系统订单,由于柔性臂的弹性性质,发展数学描述和随后的基于模型的控制系统是一个复杂的任务。这是困难的存在数量大(无限)的系统中振动模式。模式成为重要的在两个方面:首先,由于振荡自己延长结算时间,其次,因为试图积极控制某些模式导致不稳定的其他模式。这种非线性行为的结构在高速度,首先,降解终点精度其次复杂控制器的开发。此外,这种控制系统的性能主要取决于参数在操作期间。这些限制传统的基于模型的控制柔性机械手系统激发了智能控制的发展机制将自适应控制、神经网络和模糊逻辑控制器(NNs)。
众所周知,灵活的系统是一个高度非线性和高度耦合的系统,和一个精确的数学模型[1]是很难获得,因此使用传统技术很难控制。改进的控制机械手没有先验知识的动态,如模糊逻辑和神经网络控制在近年来吸引了大量关注。
一个神经网络控制器[2]总是包含一个被训练的神经网络模型在某些植物的逆动力学方法。中心位置和速度测量被用来稳定系统,提出了一种神经控制器驱动柔性臂跟踪期望轨迹。然而,这项工作是仅限于flexible-link操纵者的线性模型。另一个缺点是,理想的和实际输出之间的误差是没有参与网络培训,或在控制。在专业学习计划,预期的和实际输出之间的误差传播植物必须回来通过调整网络的权值,这不是一个简单的程序来实现。培训因此,可能是缓慢的,或可能破坏植物的操作。
为了克服上述困难,多恩&Ozguner[3]提出了一种神经控制器假设flexible-link的动态的部分知识。未知动力学的一部分是由监督学习算法。控制器的设计两个阶段,一个最优控制器和一个无监督神经网络控制器使用基于模型的预测控制。该计划是基于一个识别阶段,还需要从系统的状态反馈。
重要一直努力发展神经网络处理的问题识别和控制复杂的非线性系统,利用神经网络的非线性逼近能力。与这些调查,许多研究人员同样参与机器人机械手的鲁棒控制器设计。在[4]一个修改版本的模糊神经网络,用于识别和控制一个非线性动态系统。RFNN是周期性多层联结主义网络实现模糊推理,可以由一组模糊规则。
[5],两种不同的方案提出了一种自适应状态反馈控制器和一个带有自适应前馈控制器在自适应反馈制定,实际状态是用于计算函数的基函数近似者的非线性参数更新和撤销。另一方面,在自适应前馈配方所需的状态而不是实际使用状态。在[6],在线学习控制的神经网络方法和实时实现。通过更新前馈神经网络的学习控制动态的基于反馈控制的输入。机械手跟踪误差减少85%相比,传统的PID控制。这种方法具有高度的通用性和适应性在不同的应用程序和将会是一个有价值的方法在学习控制机器人在无约束的环境中工作。
在[7],仿真和实验结果对神经网络控制器的性能提示flexible-link的位置跟踪控制问题。控制器的设计是利用修改输出重定义方法。修改输出”方法仅需要先验知识系统的线性模型和载荷量没有先验知识。在[8],一个神经网络控制器是用来反馈控制器计算出机械手系统所需的扭矩。神经网络是由两部分组成的。动态周期性识别网络是用来确定机械手系统的输出,和一个动态反复学习网络是用来自动学习权重因子计算的模糊逻辑控制器和一个合适的值正确操作的模糊逻辑控制器。在[9],显示速度控制执行机构监管和跟踪性能优越比扭矩控制着一个灵活的一个连杆机器人的执行机构。
摘要PID等,简称ANFIS柔性机械手的控制了。简称ANFIS控制器的PID控制器和模糊神经网络控制器采用基于PID控制器的输出[10]。

二世。灵活的链接机械手
传统的自动控制系统的设计方法往往涉及建设最好的数学模型描述了植物的动力学行为,控制和分析技术的应用这种植物模型以获得一个适当的控制律。通常,这样的数学模型由一组线性或非线性微分方程,其中大部分都是使用某种形式的近似和简化。传统的基于模型的控制技术分解,当代表模型很难获得由于不确定性和复杂性。众所周知,机器人系统是高度非线性和高度耦合的系统,而准确的数学模型是很难获得,因此使用传统技术难以控制。介绍了数学建模的一个链接灵活的汇率操纵国。系统是由拉格朗日公式和模型模拟的扩展方法。
答:数学模型灵活的链接机械手
机械手是图1中所示,是模仿pinned-free柔性梁载荷一端。在水平面光束可以自由弯曲,但被认为是僵硬的垂直弯曲和扭转。使用拉格朗日公式和模型的模型扩展方法。机械臂的长度是假定为常数,由于剪切变形、转动惯量和轴力的影响被忽视。转动惯量中心O用摩根富林明和p是线性质量密度的手臂长度和有效载荷质量是由我控制扭矩T是应用于机械手的中心扶轮致动器。机械手的角位移,xOy平面上移动,用θ手臂的宽度被认为是远远大于它的厚度,因此,在水平方向上,使之振动鼓膜占优势。剪切变形和转动惯量的影响被忽略
图像
为角位移θ和一个弹性挠曲y (x, t)的总位移u (x, t)一个点,测量距离x从中心可以被描述为上面的函数,从牛的方向。
(x, t) = u (x, t) +θ(t) x (1)
系统的动能可以写成
图像
在eqn。(2)右边第一项是由于惯性中心,第二项是由于机械手的旋转原点,第三项是由于负载质量。
势能与机械臂的弯曲。因为考虑机械手的宽度被认为是明显大于其厚度、剪切位移的影响可以忽略。通过这种方式,机械手可以写成的势能
图像
在哪里
E是梁的弹性模量材料,和
我表示梁截面的截面惯性矩
非保守工作输入扭矩T可以写成
W = Tθ(4)
制定系统的拉格朗日
L =过程(5)
获得机械手的运动方程,汉密尔顿扩展原则是用作eqn中描述。(6)
图像
在哪里
t1和t2和两个任意倍
操纵Eqn。(1)-(6)收益率机械手的运动方程aswrepresents虚拟工作。
图像
机械手的动力学方程描述
图像
使用假设模式方法,解决机械手的动力学运动方程可以得到容许函数的乘积的线性组合(x)和时间广义坐标气(t),如下所示,
图像
图像
eqn替换。(10)到eqn。(7)eqn的应用边界和初始条件。(9),下列常微分方程可以推导出
图像
图像
图像

三世。先进的控制器
以下PID等,简称ANFIS不同类型的先进控制器在下面讨论
答:PROPORTIONAL-INTEGRAL-DIFFERENTIAL控制器(PID)
PID控制器是一个通用的循环反馈(控制器)广泛应用于工业控制系统。PID控制器试图纠正这个错误测量的过程变量和想要的设置点通过计算然后煽动纠正措施可以相应地调整过程和迅速,使误差最小。
图像
如果PID控制器参数选择不正确,控制过程的输入可以是不稳定的,即其输出发散,有或没有振荡,只有饱和或机械破损是有限的。调优控制回路是调整控制参数的最优值所需的控制响应。
这里有几种方法来优化PID回路。最有效的方法通常涉及某种形式的发展过程模型,然后选择P,我和D基于动态模型的参数。手工调优方法可以相对低效。方法的选择很大程度上取决于是否循环可以离线调优,系统的响应时间。如果系统可以离线,最好的调优方法通常涉及对系统输入阶跃变化,测量输出作为时间的函数,并使用此响应来确定控制参数。
PID控制器计算包括三个独立的参数;比例、积分和微分值。比例值决定了反应当前误差,积分值决定了反应基于最近的和错误,和导数值决定了反应基于错误的速度变化。这三种行为的加权和用于调整过程通过控制等因素控制阀门的位置或加热元件的电源。
一些应用程序可能需要使用只有一个或两个模式提供适当的系统控制。这是通过设置干扰控制的增益输出为零。PID控制器将被称为π,PD, P或者我控制器在缺乏相应的控制操作。PI控制器尤其常见,因为微分作用对测量噪声非常敏感,以及缺乏一个积分值可以防止系统达到其目标价值由于控制动作。
b线性二次调节器控制器
最优控制理论关心的是操作一个动态系统,成本更低。描述的情况下,系统动力学是一组线性微分方程和描述的成本是一个quadraticfunctionalis叫做LQ问题。线性多变量系统的最优控制问题的二次判别函数是线性系统理论中最常见的问题之一。它的定义如下:
考虑到完全可控的植物
图像
图像
我们认为Q是一个正定矩阵。问的这个选择,在eqn V (x)。(19)总是负的明确的;因此最优反馈系统是渐近稳定的。可控性(A, B)的一对和积极的明确性问存在的充分条件是渐近稳定的控制问题的最优解。
设计的步骤可以表示如下:
解决矩阵riccatti eqn。正定矩阵P (29)。
替代eqn矩阵P。(28)和由此产生的方程给出了最优控制律。
这是一个基本的和众所周知的最优控制理论。一旦指定,Q和R eqn的解决方案。(29)指定最优控制律eqn。(18)。这个收益率最优闭环系统。
c .自适应神经模糊推理系统(简称ANFIS)控制器
模糊逻辑是人类在精神上比传统的逻辑思维和自然语言系统。这提供了一种基于专家知识的语言控制策略转化为自动控制策略。模糊逻辑的能力来处理不精确和不一致的现实世界的数据使其适用于各种各样的应用程序。特别是,模糊逻辑控制器的方法(方法)时显得很有用的流程太复杂,传统的定量分析技术或可用的信息来源解释定性时,不正确地或不确定性。因此模糊逻辑控制可能被视为一个一步一个关系传统精确数学控制和人类——比如决策。
的一个主要问题不是那么广泛使用模糊逻辑控制的隶属函数的选择和设计的难度适合一个给定的问题。系统程序选择隶属函数的类型和范围的变量论域仍然是不可用的。优化模糊控制器的试验和错误常常需要获得一个令人满意的性能。然而,神经网络的识别系统的功能,系统的特征可以从输入输出数据中提取。这种神经网络的学习能力可以结合模糊逻辑系统的控制能力导致神经-模糊推理系统。最近一种自适应神经-模糊推理系统(简称ANFIS)提出了[7]已被证明有很好的数据预测功能。
基于自适应网络模糊推理系统作为基础构造一组模糊if - then规则与规定的输入-输出合适的隶属度函数来生成对。混合动力控制器简称ANFIS和系统的PID控制器。建筑被称为简称ANFIS,即自适应神经-模糊推理系统。
简称ANFIS从拓扑的角度,一个代表模糊推理系统的实现使用BP神经网络结构,图3所示。它包括五个层次。害怕让¯½¯一个害怕一个½¯害怕害怕一个½¯1½表示输出层的节点我l, xi是我th简称ANFIS的输入,我= 1,2,3,…p。在layer1, M是一个节点函数与每个节点相关联
图像
节点的角色功能M1, M2 ....隶属函数的Mq等于μ(x)中使用的常规模糊系统和q是每个输入节点的数量。高斯形状函数是典型的选择。可调参数,确定这些节点的位置和形状函数被称为他的前提参数。非常的输出节点layer2是所有传入信号的乘积。
图像
每个节点输出代表的发射强度的推理规则。在第三层,每个这些射击规则的优势与发射的总和相比的优势。因此,规范化发射的优点在这一层计算
图像
第四层实现了sugeno-type推理系统,我。e简称ANFIS的输入变量的线性组合,x1, x2,…xp加上一个常数项c1, c2, c3……cp从每个if - then规则的输出。节点的输出这些中间输出的加权和
图像
参数P1, P2, ....、Pp和c1, c2……cp在这一层被称为随之而来的参数。5层中的节点产生它的输入我的总和。edefuzzification过程使用加权平均法的模糊系统。
图像
困难的两个模糊控制系统的设计形状的隶属度函数和模糊规则的选择。事实上,决策逻辑的方式生成控制器输出。它使用的输入模糊集,决定是根据输入的值。此外,知识库由知识的应用领域和随之而来的控制目标。它由一个数据库和一个模糊控制规则库。
一个控制系统是一种自适应模糊控制系统如果一组模糊规则用于修改隶属函数和/或规则。模糊性用隶属函数来确定投入的程度。控制动作的目的是尽量减少旋转误差。错误越高,越高控制输入。然而,误差的变化率也会影响控制输入的值。
模糊性用隶属函数来确定投入的程度。控制动作的目的是尽量减少旋转误差。错误越高,越高控制输入。然而,误差的变化率也会影响控制输入的值。在模糊逻辑控制器,错误控制规则中使用语言变量这是定义为:
图像
基于自适应网络模糊推理系统(简称ANFIS),数量和类型的隶属度函数是由用户创建的。模糊推理系统规则库由简称ANFIS自动获得。高斯型隶属度函数用于模糊系统的输入模糊化过程。Sugeno类型模糊推理系统采用由给定的训练和检查这些输出数据集。

IV.SIMULATION结果与讨论
本文模拟了两种操作模式的单一flexible-link操纵者。选择两种这些模式的原因是指控制器符合不同国家的单一flexible-link操纵者。性能是观察到的两个模式使用PID等,简称ANFIS控制器设计。消除振动的联系在终点控制器简称ANFIS和PID控制器已应用。简称ANFIS的训练进行了利用自适应学习算法。
单一的模拟性能灵活链接机械手与模式1和模式2阶跃响应操作如下所示图4和图5分别。
图像
图像
单一灵活链接机械手性能观测稳态误差,最大在拍摄安培和沉降时间与不同的控制器在几秒钟内用不同的方式操作和表3所示。已经观察到,代替状态误差和最大在拍摄消除与先进的控制器等,简称ANFIS的操作方式而最小沉降时间实现的帮助下简称ANFIS控制器建立在模糊和PID控制器。时间绝对误差的表4显示了积分(ITAE),集成绝对误差(IAE)和集成时间误差(ITE)的每个控制器和每个的操作模式。观察从表中红色四世,所有积分错误非常少简称ANFIS控制器时,在这两种操作方式的阶跃响应单机械手灵活的链接。
图像

V.CONCLUSION
在这篇文章中,观察到PID控制器不创建一个适合系统的阶跃响应。强烈的瞬态振动和高的缺点是在拍摄这样的控制器。此外该控制器的参数不变,没有与系统动态适应变化。在控制器等,即使没有在拍摄沉降时间要稍高一些。简称ANFIS控制,振动的振幅为零模式1是关于措施和潮湿后的某个时候,振荡的振幅在零附近为模式2是0.0025。自振荡的振幅存在,为了改善系统的瞬态响应,一个简称ANFIS控制器设计和模拟系统。很明显,简称ANFIS控制单链接柔性臂的振动已经减少。

引用










全球技术峰会