فصل دوم: سیستم بازوی انعطاف پذیر Quanser …………………………………………………… 17
2-1- پایه سیستم ……………………………………………………………………………………………………………………………………………………. 18
2-2- موتور DC ……………………………………………………………………………………………………………………………………………………. 19
2-3- انکودر …………………………………………………………………………………………………………………………………………………………….. 19
2-4- بازوی انعطاف پذیر ………………………………………………………………………………………………………………………………………… 20
2-5- تنش سنج ……………………………………………………………………………………………………………………………………………………… 21
2-6- منبع تغذیه ……………………………………………………………………………………………………………………………………………………. 21
2-7- برد PCI MultiQ مدل 626 …………………………………………………………………………………………………………………… 21
2-8- نرم‌افزار WinCon …………………………………………………………………………………………………………………………………….. 24
2-9- نرم‌افزار سیمولینک ……………………………………………………………………………………………………………………………………… 24
فصل سوم: مدلسازی ………………………………………………………………………………………….. 26
3-1- مدلسازی …………………………………………………………………………………………………………………………………………………… 27
3-1-1- مدل بازوی انعطاف پذیر ……………………………………………………………………………………………………….. 28
3-1-2- مدل محرک ………………………………………………………………………………………………………………………….. 30
3-1-3- معادلات دینامیک سیستم …………………………………………………………………………………………………… 32
فصل چهارم: کنترل عصبی- فازی …………………………………………………………………….. 34
4-1- مقدمه ………………………………………………………………………………………………………………………………………………………… 35
4-2- فازی ………………………………………………………………………………………………………………………………………………………….. 36
4-2-1- مجموعه های فازی ………………………………………………………………………………………………………………. 36
4-2-2- منطق فازی ………………………………………………………………………………………………………………………….. 37
4-2-3- سیستم فازی ………………………………………………………………………………………………………………………. 38
4-3- کنترل کننده فازی بازوی انعطاف پذیر …………………………………………………………………………………………………… 39
4-4- شبکه‌های عصبی- فازی …………………………………………………………………………………………………………………………… 42
4-4-1- شبکه عصبی- فازی ممدانی ………………………………………………………………………………………………… 44
4-4-2- شبکه عصبی- فازی سوگنو ……………………………………………………………………………………………………… 48
4-5- کنترل کننده عصبی- فازی بازوی انعطاف پذیر ………………………………………………………………………………………….. 49
فصل پنجم: الگوریتم آموزش عاطفی …………………………………………………………………….. 51
5-1- مقدمه ……………………………………………………………………………………………………………………………………………………………. 52
5-2- آموزش عاطفی برای به روز رسانی متغیر های کنترل کننده عصبی- فازی ……………………………………………….. 54
5-3- تابع حساسیت بازوی انعطاف پذیر ……………………………………………………………………………………………………………….. 56
5-3-1- تابع حساسیت بازوی انعطاف پذیر بر اساس مدل فضای حالت ……………………………………………… 57
5-3-2- تابع حساسیت بازوی انعطاف پذیر بر اساس شناساگر شبکه عصبی ………………………………………. 58
5-3-2-1- شناسایی بر پایه شبکه عصبی …………………………………………………………………………….. 58
5-3-2-1-1- شبکه عصبی تابع پایه شعاعی وزن دار …………………………………………… 60
5-3-2-1-2- آموزش شبکه تابع پایه شعاعی وزن دار با روش پس انتشار خطا …. 62
فصل ششم: شبیه سازی و پیاده سازی کنترل بازوی انعطاف پذیر ……………………………. 65
6-1- کنترل کننده فازی با استنتاج مینیمم ………………………………………………………………………………………………………….. 66
6-1-1 شبیه سازی کنترل فازی با استنتاج مینیمم ……………………………………………………………………………… 67
6-1-2- پیاده سازی کنترل فازی با استنتاج مینیمم ……………………………………………………………………………. 68
6-2- کنترل کننده فازی با استنتاج ضرب …………………………………………………………………………………………………………….. 69
6-2-1- شبیه سازی کنترل فازی با استنتاج ضرب ………………………………………………………………………………. 71
6-2-2- پیاده سازی کنترل فازی با استنتاج ضرب ………………………………………………………………………………. 72
6-3- کنترل کننده عصبی- فازی …………………………………………………………………………………………………………………………… 74
6-3-1- شبیه سازی کنترل عصبی- فازی ……………………………………………………………………………………………. 75
6-3-2- پیاده سازی کنترل عصبی- فازی ……………………………………………………………………………………………. 79
فصل هفتم: نتیجه گیری و پیشنهادات ………………………………………………………………….. 84
7-1- نتیجه گیری ………………………………………………………………………………………………………………………………….. 85
7-2- پیشنهادات …………………………………………………………………………………………………………………………………….. 86
پیوست ……………………………………………………………………………………………………………………………………. 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 عصبی بر اساس مدل دینامیک معکوس ]3[ ………………………………………….. 11
شکل (1-4): ساختار کنترل فازی توزیع یافته ]10[ …………………………………………………………………………………….. 14
شکل (1-5): ساختار کنترل کننده فازی توزیع یافته بر اساس اهمیت ]10[ ………………………………………………… 15
جدول (1-1): جدول درجه اهمیت خروجی های سیستم نسبت به ورودی ]10[ ………………………………………….. 15
شکل (2-1): شکل پایه سیستم بازوی انعطاف پذیر ……………………………………………………………………………………… 18
جدول (2-1): اجزای پایه سیستم بازوی انعطاف پذیر …………………………………………………………………………………… 19
شکل (2-2): شماتیک انکودر موجود در پایه سیستم بازوی انعطاف پذیر …………………………………………………….. 20
شکل (2-3): سیستم بازوی انعطاف پذیر ……………………………………………………………………………………………………… 20
شکل (2-4): تنش سنج و مدار آن ……………………………………………………………………………………………………………….. 21
شکل (2-5): منبع تغذیه برای تقویت سیگنالهای کامپیوتر ………………………………………………………………………….. 22
شکل (2-6): برد PCI MultiQ مدل 626 ……………………………………………………………………………………………….. 23
شکل (3-1) : طرح کلی بازوی انعطاف پذیر ……………………………………………………………………………………………….. 29
شکل (3-2): مدل ساده بازوی انعطاف پذیر بر اساس فنر دورانی ………………………………………………………………… 29
شکل (3-3): مدل موتور جریان مستقیم و جعبه دنده ………………………………………………………………………………… 31
شکل (4-1): ساختار سیستم فازی با فازی ساز و غیر فازی ساز …………………………………………………………………. 38
شکل (4-2): دیاگرام کنترل کننده فازی …………………………………………………………………………………………………….. 39
جدول (4-1): ورودی های کنترل کننده بازوی انعطاف پذیر درساختار اول و دوم …………………………………….. 40
جدول (4-2): قوانین کنترل کننده فازی با ساختار اول ……………………………………………………………………………… 41
جدول (4-3): قوانین کنترل کننده فازی با ساختار اول ………………………………………………………………………………. 41
جدول (4-4): قوانین کنترل کننده فازی با ساختار دوم ……………………………………………………………………………… 41
جدول (4-5): قوانین کنترل کننده فازی با ساختار دوم ……………………………………………………………………………… 41
شکل (4-3) : دیاگرام کنترل فازی بازوی انعطاف پذیر ……………………………………………………………………………….. 41
شکل (4-4): شبکه عصبی- فازی ممدانی با دو ورودی و یک خروجی ………………………………………………………… 44
شکل (4-5): شکل کلی کنترل کننده عصبی- فازی …………………………………………………………………………………… 49
شکل (5-1): ساختارکنترل عصبی- فازی تطبیقی با آموزش عاطفی …………………………………………………………… 53
شکل (5-2): روش شناسایی تابع مستقیم سیستم ……………………………………………………………………………………… 59
شکل (5-3): روش شناسایی تابع معکوس سیستم ……………………………………………………………………………………… 59
شکل (5-4): ساختار شبکه عصبی تابع پایه شعاعی وزن دار ………………………………………………………………………… 61
شکل (6-1): توابع تعلق ساختار اول با استنتاج مینیمم ………………………………………………………………………………. 66
شکل (6-2): توابع تعلق ساختار دوم با استنتاج مینیمم ………………………………………………………………………………. 66
شکل (6-3): نتایج شبیه سازی کنترل کننده فازی با استنتاج مینیمم با ساختار اول …………………………………… 67
شکل (6-4): نتایج شبیه سازی کنترل کننده فازی با استنتاج مینیمم با ساختار دوم ………………………………….. 68

شکل (6-5): نتایج پیاده سازی کنترل کننده فازی با استنتاج مینیمم با ساختار اول …………………………………… 68
شکل (6-6): نتایج پیاده سازی کنترل کننده فازی با استنتاج مینیمم 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): نتایج شبیه سازی کنترل کننده فازی با استنتاج ضرب با ساختار اول ………………………………………. 71
شکل (6-10): نتایج شبیه سازی کنترل کننده فازی با استنتاج ضرب با ساختار دوم ……………………………………. 72
شکل (6-11): نتایج پیاده سازی کنترل کننده فازی با استنتاج ضرب با ساختار اول ……………………………………. 72
شکل (6-12): نتایج پیاده سازی کنترل کننده فازی با استنتاج ضرب با ساختار دوم …………………………………… 73
جدول (6-1): نتایج شبیه سازی و پیاده سازی کنترل کننده فازی ………………………………………………………………. 74
شکل (6-13): آرایش توابع گوسین کنترل کننده عصبی- فازی در ساختار های اول و دوم(آرایش یکنواخت) . 75
شکل (6-14): نتایج شبیه سازی کنترل کننده عصبی- فازی با آرایش یکنواخت توابع گوسین با ساختار اول (با آموزش عاطفی مراکز دسته تالی و ژاکوبین بر اساس مدل فضای حالت سیستم) ………………………………………… 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): نتایج شبیه سازی کنترل کننده عصبی- فازی با آرایش یکنواخت توابع گوسین با ساختار اول (با آموزش عاطفی مراکز دسته تالی و پارامتر های گوسین و ژاکوبین بر اساس مدل فضای حالت سیستم) ……….. 76
شکل (6-16): نتایج شبیه سازی کنترل کننده عصبی- فازی با آرایش یکنواخت توابع گوسین با ساختار اول (با آموزش عاطفی مراکز دسته تالی و پارامتر های گوسین و و ژاکوبین بر اساس مدل شبکه عصبی سیستم) …….. 76
شکل (6-17): نتایج شبیه سازی کنترل کننده عصبی- فازی با آرایش یکنواخت توابع گوسین با ساختار دوم (با آموزش عاطفی مراکز دسته تالی و ژاکوبین بر اساس مدل فضای حالت سیستم) …………………………………………. 77
شکل (6-18): نتایج شبیه سازی کنترل کننده عصبی- فازی با آرایش یکنواخت توابع گوسین با ساختار دوم (با آموزش عاطفی مراکز دسته تالی و پارامتر های گوسین و ژاکوبین بر اساس مدل فضای حالت سیستم) ……….. 78
شکل (6-19): نتایج شبیه سازی کنترل کننده عصبی- فازی با آرایش یکنواخت توابع گوسین با ساختار دوم (با آموزش عاطفی مراکز دسته تالی و پارامتر های گوسین و و ژاکوبین بر اساس مدل شبکه عصبی سیستم) ……. 78
شکل (6-20): نتایج پیاده سازی کنترل کننده عصبی- فازی با آرایش یکنواخت توابع گوسین با ساختار اول (با آموزش عاطفی مراکز دسته تالی و ژاکوبین بر اساس مدل فضای حالت سیستم) …………………………………………… 81
شکل (6-21): نتایج پیاده سازی کنترل کننده عصبی- فازی با آرایش یکنواخت توابع گوسین با ساختار اول (با آموزش عاطفی مراکز دسته تالی و پارامتر های گوسین و ژاکوبین بر اساس مدل فضای حالت سیستم) ……….. 81
شکل (6-22): نتایج پیاده سازی کنترل کننده عصبی- فازی با آرایش یکنواخت توابع گوسین با ساختار اول (با آموزش عاطفی مراکز دسته تالی و پارامتر های گوسین و و ژاکوبین بر اساس مدل شبکه عصبی سیستم) ……. 81
شکل (6-23): نتایج پیاده سازی کنترل کننده عصبی- فازی با آرایش یکنواخت توابع گوسین با ساختار دوم (با آموزش عاطفی مراکز دسته تالی و ژاکوبین بر اساس مدل فضای حالت سیستم) …………………………………………. 82
شکل (6-24): نتایج پیاده سازی کنترل کننده عصبی- فازی با آرایش یکنواخت توابع گوسین با ساختار دوم (با آموزش عاطفی مراکز دسته تالی و پارامتر های گوسین و ژاکوبین بر اساس مدل فضای حالت سیستم) ………. 82
شکل (6-25): نتایج پیاده سازی کنترل کننده عصبی- فازی با آرایش یکنواخت توابع گوسین با ساختار دوم (با آموزش عاطفی مراکز دسته تالی و پارامتر های گوسین و و ژاکوبین بر اساس مدل شبکه عصبی سیستم) ……. 82
جدول (6-2): نتایج شبیه سازی و پیاده سازی کنترل کننده عصبی- فازی …………………………………………………. 83
1-1- مقدمه
در سال های اخیر، حوزه روباتیک سیر تکاملی را آغاز کرده است که مبتنی بر نیازهای کاربران می باشد. تقاضای صنعت برای زمانهای پاسخ سریعتر و مصرف انرژی کمتر، طراحان روبات را بر آن داشته تا اصلاحات بنیادی را در طراحی بازوهای روبات صورت دهند. با کاربرد مواد سبک وزن تر و بازسازی پیکربندی فیزیکی روبات، بازوها به مرور بلندتر و نازکتر شدند و اهداف آنها مبنی بر سرعت بالا، شتاب گیری سریع و مصرف انرژی کمتر تحقق یافت. این بازوهای انعطاف پذیر حوزه تحقیقاتی کاملا جدیدی را در زمینه طراحی و کنترل بازوی ربات با درجه دقت قابل قبول گشوده اند ]1[.
برای بازوی روباتیک صلب، کنترل مسیر نوک دست، معادل کنترل محرک حالت صلب (انعطاف ناپذیر) است. اما برای کنترل مطلوب بازوی انعطاف پذیر، کنترل مطمئن تری از حالات انعطاف ناپذیر لازم است تا ارتعاشات اجتناب ناپذیر و بدون محدودیت در آن مد نظر قرار گیرند. در نتیجه، ردگیری دقیق روبات با بازوی انعطاف پذیر مسئله ای بحث برانگیز شناخته می شود. این را هم باید در نظر گرفت که همواره صلبیت بازوها، یک فرض ایده آل است و با افزایش نسبت بار به وزن بازو، سرعت حرکت و پهنای باند کنترل ممکن است از این صلبیت کاسته شود ]15[.
این درست است که این بازوها به علت سبک بودن و کاهش اینرسی دارای عملکرد سریع تری نسبت به بازوهای صلب هستند و به گشتاور کمتری برای حرکت نیاز دارند و این خود باعث کاهش مصرف انرزی الکتریکی می شود و اقتصادی تر است ]1[. ولی از دیدگاه مدلسازی، طبیعت توزیع یافته دینامیک این بازوها واستعداد طبیعی انعطاف پذیری، امکان اینکه بتوان مدل دقیقی با بعد معین بدست آورد، را غیر ممکن می سازد و علاوه بر این به علت ایجاد نوسانات ناشی از کاهش صلبیت در حرکت، کنترل دقیق مسیر حرکت بسیار مشکل می شود ]3[.

1-2- ویژگی های مدل سیستم
از دیدگاه مدلسازی، طبیعت توزیع یافته دینامیک این بازوها واستعداد طبیعی انعطاف پذیری ساختمان، امکان اینکه بتوان مدل دقیقی با بعد معین بدست آورد، را غیر ممکن می سازد. در نتیجه مدلی غیرخطی، متغیر با زمان و با مرتبه بالا ( از نظر تئوری بی نهایت ) خواهیم داشت ]3[.
علاوه بر این، به علت ناهم خوانی موقعیت سنسورها و محرکها (ورودی ها و خروجی ها)، چنانچه مستقیما موقعیت انتهای بازو را به عنوان خروجی بگیریم، منجر به کنترل غیر متمرکز1 و رفتار دینامیک غیر مینیمم فاز خواهد شد. به عبارت دیگر، تابع تبدیل حلقه باز سیستم از محل اعمال گشتاور در مفصل تا موقعیت انتهای بازو، صفر های ناپایدار خواهد داشت.این ویژگی تا وقتی که بهره پایداری حلقه بسته مد نظر باشد، محدودیت های شدیدی را بر طراحی کنترل کننده تحمیل می کند ]3[.
از اینها گذشته، به علت کمتر بودن تعداد محرکها نسبت به درجات آزادی سیستم، سیستم کنترل زیر فعال2 خواهد بود که خود محدودیت های زیادی را بر آنچه که از طریق کنترل کردن می توان به آن دست یافت، ایجاد می کند. زیرا با تنها یک ورودی باید بتوانیم جابجایی زاویه ای بازو را به نحوی کنترل کنیم که میزان نوسانات انتهای بازو میرا شود ]3[.

1-3- چرا کنترل هوشمند
سیستم های مکانیکی که به صورت نرم افزاری شبیه سازی شده اند، معمولاً ویژگی های اجزای صلب را نشان می دهند، در حالی که، در واقعیت محرکها، بازوها و مفصل ها، به دلیل اینکه صلب مطلق نیستند، نسبت به آنچه که به صورت تئوری بدست می آید، تاحدودی کاهش در عملکرد کنترل را نشان می دهند. استفاده از یک سیستم کنترل خاص ، یکی از راه های حل این مشکل است ]5[.
از طرفی، توصیف دقیق دینامیک یک سیستم غیر صلب، به خاطر ویژگی خاص مدل سیستم، مثل غیر خطی بودن، مرتبه بالا و متغیر با زمان بودن معادلات مدل سیستم ، کار بسیار پیچیده ای است ]5[.
مدل های تخمین زده شده توسط روش های معمول ریاضی مثل معادلات دیفرانسیلی نیوتن-اویلر یا لاگرانژ-اویلر، نیاز به ظرفیت محاسباتی بالا و اطلاعات از پیش تعیین شده در مورد پارامترهای سیستم دارد که استفاده کاربردی از آنها را در سیستم های کنترل محدود می کند. بنابراین وجود نا معینی های دینامیک سیستم، مهمترین فاکتوری است که استفاده از روش های کنترل کلاسیک را برای تحلیل سیستم های کنترل غیر صلب نامناسب می کند ]5[.
در طول سال های زیادی، مهندسان کنترل کلاسیک با مدل های ریاضی کار می کردند و اطلاعات بیشتری از سیستم بدست نمی آوردند. اما امروزه مهندسان کنترل علاوه بر اینکه از تمام مراجع اطلاعات کلاسیک استفاده می کنند، از کنترل کننده های غیر کلاسیک، از جمله کنترل کننده هوشمند نیز که به عنوان یک کنترل کننده آزاد از مدل3 شناخته می شود، استفاده می کنند. از داده های عددی (ورودی/خروجی) و/ یا اطلاعات فرد خبره به عنوان یک مدل تخمینی استفاده می کنند و کنترل کننده ای براساس قانون اگر-آنگاه4 فازی و یا بر اساس شبکه عصبی با گره هایی در چند لایه طراحی می کنند ]6[.
تحلیل مقالاتی که به کنترل سیستم های انعطاف پذیر با روش های هوشمند از طریق شبکه عصبی پرداخته اند ، نشان از نتیجه مطلوب کنترل کننده های عصبی با آموزش بهنگام5، برای غلبه بر مشکل نامعینی و وابسته به زمان بودن دینامیک سیستم ، دارد. نگاشت غیرخطی، طبیعت تطبیقی6 و توانایی برخورد با عدم قطعیت ها، در شبکه های عصبی آنها را ابزار توانمندی برای کنترل بازوی انعطاف پذیر ساخته است ]4[.
استفاده کاربردی از تئوری مجموعه های فازی در کنترل سازه های انعطاف پذیر نیز روز به روز علاقمندان بیشتری پیدا می کند. کنترل کنندههای فازی، بستری ساده و مقاوم7 برای ایجاد قوانین کنترلی غیرخطی می باشند که توانایی اصلاح نامعینی و بی دقتی را هم دارند. چنانچه توصیف زبانی8 از کنترل موجود باشد یا بتوان ایجاد کرد، کنترل کننده های فازی می توانند بدون مدل ریاضی سیستم طراحی شوند و پیاده سازی براساس توصیف زبانی هم به صورت تئوری و هم به صورت عملی ممکن است. بنابراین منطق فازی می تواند ابزار مناسبی برای کنترل سیستم هایی مانند بازوی انعطاف پذیر باشد که مدل ریاضی دقیقی ندارند ]8[.
در کنار این ها کنترل فازی تطبیقی یا کنترل عصبی- فازی نیز مطرح می شود که بنای کار در این پایان نامه می باشد. کنترل عصبی- فازی علاوه بر داشتن مزایای کنترل فازی به عنوان یک کنترل قانونمند و مقاوم، از مزیت تطبیقی بودن شبکه های عصبی هم بهره می برد و می تواند به صورت بهنگام خود را با نا معینی ها و تغییرات نقطه کار سیستم بازوی انعطاف پذیر Quanser تطبیق دهد. علاوه بر این میزان حساسیت به شرایط اولیه نیز کاهش می یابد که این امر در پیاده سازی کنترل کننده روی سیستم Quanser بیشتر خود را نشان می دهد.

1-4- کاربردها
بازوی انعطاف پذیر کاربرد های بسیاری در صنعت دارد، چرا که آنچه در صنعت اهمیت زیادی دارد، صرفه اقتصادی است. این بازوها اگرچه ممکن است هزینه بیشتری در مرحله طراحی و کنترل داشته باشند، اما میزان انرژی مصرفی آنها در دراز مدت بسیار کمتر است. نمونه این تجهیزات را می توان در ربات هایی که برای مونتاژ قطعات استفاده می شوند، در معدن ها و در مناطق قابل انفجار ]8[ دید.
کاربرد مهم دیگر این بازوها در تجهیزات فضایی با ابعاد بسیار بزرگ است. آنچه در تجهیزات فضایی مورد توجه است، این است که ابزار بتواند با ذخیره انرژی مشخصی مدت زمان بیشتری به کار خود ادامه دهد، بنابراین سعی بر استفاده از تجهیزاتی است که سبکتر باشند. نمونه بارز آن Canadarm است که یک بازوی انعطاف پذیر 15.2 متری با قطر 0.38 متر و وزن 410 کیلوگرم در جاذبه زمین است.
علاوه براینها کاربرد هایی هم در تجهیزات عمرانی از جمله درطراحی و ساخت سیستم کنترل پل های متحرک و جرثقیل های بلند9 ]8[ دارد.

1-5- مروری بر کارهای انجام شده در زمینه کنترل هوشمند بازوی انعطاف پذیر
در این قسمت سعی داریم به مروری کلی بر کارهای انجام شده در طراحی کنترل کننده های هوشمند برای بازوی انعطاف پذیر بپردازیم. با توجه به گستردگی و تنوع کارهای انجام شده در این زمینه، قصد داریم کنترل کننده های طراحی شده را به دو قسمت عمده کنترل کننده های عصبی و فازی دسته بندی نمائیم.
در زمینه کنترل کننده های عصبی، دو طرح کنترلی در سال های 2001 و 2002 مطرح شد. یکی بر اساس بازتعریف خروجی10 و دیگری بر اساس مدل دینامیک معکوس11 می باشد. تنها در این دو تحقیق کنترل کننده های پیشنهادی به صورت عملی پیاده سازی شده اند.
در زمینه کنترل فازی، عمده کارها در سال های 2001 و سال های بعد از آن به کنترل کننده های فازی توزیع یافته12 پرداخته اند. در سال های 2005 و 2006، توجه بیشتری به مقایسه ساختارهای مختلف کنترل کننده های فازی توزیع یافته شد. کارهای انجام شده در این زمینه، به صورت شبیه سازی بوده و به صورت عملی پیاده سازی نشده اند.
1-5-1- کنترل کننده عصبی بر اساس بازتعریف خروجی ]4[
در این تحقیق، دو ساختار کنترلی بر پایه شبکه عصبی با روش آموزش خطای پسخور13 برای کنترل بازوی انعطاف پذیر، که پیش از آن مطرح شده بودند، به صورت اولیه و اصلاح شده، ارائه شده اند. در ساختارهای کنترلی در این مرجع فرض می شود که اطلاعات اولیه درباره دینامیک سیستم وجود ندارد.
در هر دو روش، سیگنال خطای شبکه عصبی ، خروجی کنترل کننده بازگشتی می باشد. سودمندی این روش آموزش در این نکته نهفته است که سیگنال هدف یا سیگنال خروجی مطلوب برای شبکه عصبی احتیاج نمی شود. علاوه بر این، سیگنال پس انتشار خطا14 در سیستم کنترل شده یا مدل سیستم کنترل شده نیاز نمی گردد. از آنجائیکه گشتاور بازگشتی به عنوان سیگنال خطای این استراتژی آموزش انتخاب می شود، انتظار می رود که گشتاور بازگشتی با آموزش کاهش یابد. در واقع با تکامل آموزش، خطای بین مسیر پیمایش مطلوب و واقعی به سمت صفر میل کند. استراتژی آموزش به صورت آموزش خطای پسخور طراحی می شود تا اینکه بر اهمیت استفاده از گشتاور بازگشتی به عنوان سیگنال خطا تأکید شود.
ایده آموزش خطای پسخور در کنترل یک بازوی صلب که صفرناپایدار ندارد و همه متغیرهای حالت موجود هستند ، بکار برده می شود ولی در مورد بازوی انعطاف پذیر، دینامیک های صفر مربوط به سیستم، ناپایدار هستند و فیدبک حالت کامل موجود نمی باشد. راه حلی که در اینجا ارائه می شود، تعریف یک خروجی ویژه است تا دینامیک های صفر نظیر خروجی جدید پایدار گردند. این خروجی می تواند به عنوان متغیری از مفصل تعریف شود ولی جواب قابل قبولی برای یک روبات انعطاف پذیر بدست نخواهد آمد. نشان داده می شود که با استفاده از یک خروجی جدید که در این تحقیق بررسی می شود، امکان استفاده از مفهوم آموزش خطای پسخور در کنترل مکان بازوی انعطاف پذیر بوجود می آید.

در روش JBC15 اصلاح شده که در شکل (1-1) نشان داده می شود، یک کنترل کننده مفصل PD و یک کنترل کننده عصبی پسخور بکار برده می شوند. تابع هدف برای آموزش کنترل کننده عصبی طبق رابطه (1-1) در نظر گرفته می شود:
(1-1)
به منظور میرایی و کاهش انحراف ناشی از انعطاف پذیری در انتهای بازو در تابع هدف قرار می گیرد. بهره بیان کننده وزنی است که برای مینیمم کردن ارتعاشات الاستیک قرار داده شده است و توانایی پیمایش خطا متأثر از انتخاب بهره های و می باشد. ، و ورودیهای کنترل کننده عصبی هستند و خروجی شبکه است. قانون تنظیم وزن شبکه عصبی بر اساس (1-2) می باشد:
(1-2)
که بردار وزن شبکه و نرخ آموزش می باشند. در (1-3) آمده است.
(1-3)
که و تابعی غیر خطی است که توسط کنترل کننده عصبی محاسبه می شود. ترم توسط روش پس انتشار محاسبه شود و روابط ، و نیز با استفاده از علامت گرادیان بجای مقدار واقعی آن برای آموزش کنترل کننده عصبی ، محاسبه می شوند.
در روش 16ORTOL اصلاح شده که در شکل (1-2) آورده شده است، همانند ساختار قبلی یک کنترل کنندهمفصل PD به کار می رود. در این ساختار، دو شبکه عصبی استفاده می شود. کنترل کننده شبکه عصبی اول برای تولید یک قانون کنترل آموزش می بیند بگونه ای که خطای پیمایش بین مسیر پیمایش مرجع مطلوب و خروجی بازسازی شده ، ، که بوسیله خروجی شبکه دوم تعیین می شود ، مینیمم گردد. تابع هدفی که برای آموزش شبکه اول استفاده می شود، طبق رابطه (1-1) و قانون تنظیم وزن هم بر اساس رابطه (1-2) می باشد. نیز به همان روش بخش قبل محاسبه می شود.
هدف شبکه عصبی دوم، آموزش تطبیقی برای ساخت یک خروجی بازسازی شده مناسب به فرم (1-4) می باشد.
(1-4)
که ها، محدود بین 1 و -1، وزن های تنظیم شونده شبکه عصبی هستند.
نتایج ارایه شده نشان می دهد که بازوی انعطاف پذیر در زمانی حدود 5 ثانیه به حالت ماندگار می رسد. فراجهش هم صورت نمی گیرد.
در ]14[ نیز از ساختاری مشابه ساختار مطرح شده در بالا برای شبیه سازی کنترل بازوی انعطاف پذیر استفاده شده است. به این ترتیب که فید بک به روش بازتعریف خروجی طراحی شده است و از کنترل کننده شبکه عصبی بر پایه تابع شعاعی در کنار کنترل کننده PD استفاده شده است. تابع هدف و روش آموزش طبق (1-1) و (1-2) می باشد.

1-5-2- کنترل کننده عصبی بر اساس مدل دینامیک معکوس ]3[
درمیان استراتژی های کنترلی متعددی که برای کنترل مسیربازوی صلب ارائه شده است، روش کنترل دینامیک معکوس تاکنون رایج ترین روش غیر خطی بوده است. به هر حال، شاخصه غیر مینیمم فاز بودن بازوی انعطاف پذیر، توانایی این روش را در کنترل مسیر تضعیف می کند، مگر آنکه از روش بازتعریف خروجی17 برای پایدارسازی صفر ناپایدار ناشی از نگاشت ورودی خروجی استفاده شود. مشکلات اصلی در پیاده سازی کنترل دینامیک معکوس، وابستگی شدید آنها به دقت مدل معین استفاده شده در طراحی کنترل کننده، وجود اغتشاش، غیر خطی های مدل نشده و نا معینی ها است. فواید شبکه های عصبی در ایجاد یک راهکار حیاتی برای کاهش وابستگی کنترل کننده به محدودیت های بالا در سیستم ها و کاربردهای بسیاری نشان داده شده است.
در این مرجع، به جای اینکه با مدل دینامیک معکوس به طور کامل به عنوان یک جعبه سیاه برخورد شود، از یک سری اطلاعات قبلی در مورد ساختار مدل دینامیک معکوس در طراحی کنترل کننده عصبی استفاده می شود. با بهره گیری از دو شبکه عصبی که غیر خطی های مدل بازوی انعطاف پذیر توسط آنها جبران سازی می شوند، به همراه یک کنترل کننده خطی رایج، به طورعملی نشان داده شده که کارایی بهتری نسبت به نوع عصبی یا کنترل کلاسیک دارد. این ساختار کنترلی در شکل (1-3) نشان داده شده است. هر دو شبکه عصبی که در شکل (1-3) نشان داده شده اند، دارای ساختار چند لایه پیشخور هستند.
با به کارگیری تکنیک خطی سازی ورودی – خروجی برای مدل غیر خطی پیوسته در زمان که تنها یک مود انعطاف پذیر دارد (N=1) برای بیان کنترل کننده دینامیک معکوس خواهیم داشت:
(1-5)
با فرض اینکه در مورد F(.) و G(.) از پیش اطلاعی نداریم ، در طول فاز یادگیری، شبکه های عصبی از طریق سیگنال خطای آموزش18، برای یادگیری این غیر خطی های سیستم آموزش می یابند، یعنی می توان چنین بیان کرد:
(1-6)
از کنترل کننده خطی V هم برای حفظ پایداری خطای سیستم در طول پروسه یادگیری استفاده می شود. یکی از اهداف اصلی این کنترل کننده پایدار کردن خمش های بازوی انعطاف پذیر می باشد. انتخاب تابع هدف شبکه های عصبی و قانون تنظیم وزن مانند روش قبل است.
در این روش نیز در زمان حدود 5 ثانیه ولی با میزان فراجهش 10% بازوی انعطاف پذیر به حالت ماندگار رسیده است.

1-5-3- کنترل فازی توزیع یافته
در ]6[، به کنترل فازی بازوی انعطاف پذیر و روش انحراف تکین19 می پردازد. از روش انحراف تکین برای تولید زیر سیستم های کند و تند استفاده شده است. کنترل کننده زیر سیستم سریع، نوسانات بازوی انعطاف پذیر را توسط یک روش کنترلی بهینه میرا می کند و کنترل کننده فازی زیر سیستم کند، هم تعقیب مسیر مطلوب را رهبری می کند. برای تضمین پایداری دینامیک داخلی نیز از افزودن اصلاح لایه مرزی20 براساس انحراف تکین استفاده می شود. تحقیق انجام شده، پاسخ خروجی بسیار مطلوبی را نسبت به روش معمول حلقه کنترلی خارجی PD و پایدارساز لایه مرزی، نشان می دهد و مقاوم هم می باشد ]6[.
با این روش بازوی انعطاف پذیر در زمانی حدود 2 ثانیه و با میزان فراجهش 6% به حالت ماندگار می رسد.
در ]10[، برای اینکه نشان دهد، نیازمند طراحی های خاصی از کنترل کننده های فازی هستیم، ابتدا یک روش کنترلی فازی یکپارچه را بررسی می کند که ورودی های آن عبارتند از:
(1-7)
(1-8)


پاسخ دهید