tóm tắt luận văn thạc sĩ kỹ thuật nghiên cứu ứng dụng learning feed forward (LFFC) trên cơ sở điều khiển thích nghi theo mô hình mẫu (MRAS) điều khiển vị trí cánh tay robot

22 496 0
tóm tắt luận văn thạc sĩ kỹ thuật   nghiên cứu ứng dụng learning feed   forward (LFFC) trên cơ sở điều khiển thích nghi theo mô hình  mẫu (MRAS) điều khiển vị trí cánh tay  robot

Đang tải... (xem toàn văn)

Tài liệu hạn chế xem trước, để xem đầy đủ mời bạn chọn Tải xuống

Thông tin tài liệu

-1- LỜI NĨI ĐẦU Ngày nay, điều khiển robot cơng nghiệp ứng dụng rộng rãi nhiều lĩnh vực sản xuất đời sống Để điều khiển robot có nhiều phương pháp khác dùng điều khiển truyền thống PID, LQR(Linear Quadratic Regulator), LQG (Linear Quadratic Gaussian), STR (Self Tuning Regulator) Các điều khiển thiết kế sở mơ hình tuyến tính hố với thơng số biết trước Tuy nhiên Robốt hệ cấu trúc có tính phi tuyến mạnh, tham số khơng rõ thay đổi chứa thành phần phi tuyến Ngoài q trình làm việc hệ cịn chịu tác động nhiễu bên ngồi có tham số thay đổi [8] Do robot làm việc với yêu cầu đồng thời có độ ổn định độ xác cao điều khiển thể hạn chế Hệ thống điều khiển thích nghi hệ thống mà cấu trúc tham số điều khiển thay đổi theo biến thiên thông số hệ cho chất lượng đảm bảo tiêu định [1], [6] Đặc biệt hệ điều khiển Learning Feed Forward (LFFC)[2] sở thích nghi theo mơ hình mẫu (Model Reference Adaptive System: MRAS) [3], nghiên cứu thiết kế ứng dụng thực tế [7],[4] Bộ điều khiển có ưu điểm có khả kháng nhiễu hệ thống (System Noise) có hiệu quả, nhờ độ xác độ ổn định hệ đồng thời đạt Việc ứng dụng Learning Feed Forward sở MRAS để điều khiển vị trí cánh tay rơbốt nâng cao chất lượng hệ thống Vì tác giả lựa chọn đề tài ”Nghiên cứu ứng dụng Learning Feed - Forward (LFFC) sở điều khiển thích nghi theo mơ hình mẫu (MRAS) điều khiển vị trí cánh tay Robot” Luận văn tập trung nghiên cứu xây dựng điều khiển vị trí cánh tay robot dựa lý thuyết điều khiển LFFC sở MRAS -2- Phương pháp nghiên cứu đề tài sau: - Nghiên cứu lý thuyết xây dựng mơ hình tốn robot, thiết kế điều khiển - Kiểm chứng kết thiết kế thông qua mô phần mềm Matlab Simulink Luận văn bao gồm phần sau: Chương 1: Tổng quan điều khiển Rôbốt công nghiệp Chương 2: Tổng quan LFFC MRAS Chương 3: Thiết kế điều khiển mô hệ thống điều khiển vị trí robot khâu ứng dụng LFFC sở MRAS Kết luận hướng phát triển đề tài Thái Nguyên, ngày tháng Học viên Nguyễn Thị Giang năm 2012 -3- CHƯƠNG TỔNG QUAN VỀ ĐIỀU KHIỂN ROBOT CÔNG NGHIỆP Giới thiệu: Nhu cầu suất chất lượng sản phẩm ngày địi hỏi ứng dụng phương tiện tự động hóa vào sản xuất Xu hướng tạo dây chuyền thiết bị tự động có tính linh hoạt cao dần hình thành Các thiết bị dần thay thiết bị cứng đáp ứng cơng việc định Vì ngày tăng nhanh nhu cầu ứng dụng Robot để tạo hệ thống sản xuất tự động linh hoạt 1.1.TỔNG QUAN VỀ ROBOT CƠNG NGHIỆP 1.1.1.Khái niệm Robot cơng nghiệp khái niệm - Về mặt khí robot hệ thống khí bao gồm nối cứng khớp Ngồi cịn phận khác thân máy, bệ máy - Về nội dung kỹ thuật khí, điều khiển điện tử, robot định nghĩa sau:  Robot cấu khí có vài bậc tự  Robot công nghiệp cấu máy lập trình  Robot cấu máy có chức người Cấu tạo Robot hệ thống phức tạp, ta hiểu thơng qua cách nhìn nhận từ nhiều phương diện sau: 1) Phương diện vật lý: Là hệ thống lớn bao gồm nhiều hệ thống (sub_system) 2) Phương diện truyền tin:Là hệ thống truyền tin xử lý tin khép kín bao gồm: Phần chuyển động; phần nhận dạng điều khiển 1.1.2 Phân loại Robot công nghiệp Phân loại theo số bậc tự môi trường công tác  Chuyển động tịnh tiến theo hướng x,y,z không gian Đềcác  Chuyển động quay xung quanh trục x, y, z (Ký hiệu R: Rotation) -4- Phân loại theo phương pháp điều khiển Có kiểu điều khiển điều khiển hở điều khiển kín Phân loại theo hệ thống lượng • Hệ lượng điện : • Hệ lượng thuỷ lực – khí động: • Hệ khí nén 1.2 PHƯƠNG TRÌNH ĐỘNG HỌC CỦA ROBOT Phương trình động học robot hai bậc tự miêu tả công thức sau: [2] ( ) ( )      M (θ )θ + C θ ,θ θ + Dθ + S sgn θ + G (θ ) = u (1.1) Với: - θ véc tơ góc khớp nối - M (θ ) : ma trận mơ men qn tính - C (θ ) : mơ hình lực coriolis quán tính ly tâm - D : hệ số ma trận đường chéo ma sát nhớt - S : hệ số ma trận đường chéo ma sát Coulomb - G (θ ) : trọng lực - u : mô men xoắn khớp Trong hình sau mơ tả mơ hình robot bậc tự do: Hình 1.4 Mơ hình robot bậc tự Phương trình động học robot bậc tự biểu thức (1.2) sau: -5- ( )  J1  2 2  r + m2 l + 2l1l cos(θ ) + l1 + l1 m1 l + 2l1l m2 cos(θ )  θ   1   +  J1   θ2  l 22 + 2l1l m2 cos(θ ) + m2 l 2   r1       − 2l1l m2 sin (θ )θ − l1l m2 sin (θ )θ  θ1  d1  θ1      +   +    l1l m2 sin (θ1 )θ  θ   d  θ    s1  sgn θ   gm2 l cos(θ1 + θ ) + gl1 cos(θ1 )( m1 + m2 )   u1  +  0 s   = u     gm2 l cos(θ1 + θ )   sgn θ     2 (1.2) ( ) ( ) Trong đó: - m1, : - l1, : độ dài cánh tay 1,2 - r1, : tỷ số truyền động 1,2 - d1, : ma sát nhớt khớp nối 1,2 khối lượng cánh tay 1,2 - s1, ma sát coulomb khớp 1,2 Viết lại biểu thức (1.1) theo ma trận ta có:  I θ  0  θ    =  −1  − M (θ ) −1 D  θ  +    θ  0 − M (θ ) C θ ,θ C j     −1 −1 − M (θ ) G (θ ) − M (θ ) S sgn θ  +  M (θ ) −1 u      ( ) ( ) θ = [I θ  0]    θ  (1.3) Như kết luận rằng: Góc quay cánh tay robot điều khiển LFFC Tín hiệu điều khiển Feed – forward mong muốn là: ( ) ( ) ( ) ( )        u d = C θ d ,θ d θ d + Dθ d + G θ d + S sgn θ d + M θ d θd (1.6) Từ (1.6)cho thấy tín hiệu đầu vào khối điều khiển sau đơn giản hóa  bao gồm thành phần (θ ,θ , ,θ) Với robot bậc tự do, số lượng đầu vào Kết luận chương 1: -6- Chương tìm hiểu khái niêm ban đầu robot công nghiệp: khái niệm, phân loại, sơ đồ khối, phương trình động lực học robot khâu điển hình Từ phương trình động lực học robot khâu ta nhận thấy robot đối tượng có tính phi tuyến mạnh Các thơng số đầu robot thay đổi theo thay đổi nhiễu lực bên ngoài( lực ma sát nhớt, lực ma sát coulomb…) tác động vào hệ thống mang tính phi tuyến Để điều khiển robot dùng điều khiển truyền thống điều khiển PID Tuy nhiên với PID thành phần phi tuyến nhiễu không triệt tiêu hết làm ảnh hưởng đến độ xác điều khiển Do cần thiết phải có phương pháp để khử nhiễu phi tuyến để nâng cao độ xác điều khiển cánh tay robot -7- CHƯƠNG TỔNG QUAN VỀ LEARNING FEED FORWARD CONTROL(LFFC) VÀ MODEL REFERENCE ADAPTIVE SYSTEM(MRAS) Giới thiệu: Như nhận xét cuối chương 1, robot đối tượng có tính phi tuyến mạnh cần có phương pháp để nâng cao độ xác vị trí điều khiển cánh tay robot Chương này, tác giả nghiên cứu phương pháp để nâng cao độ xác cho cách tay robot làm việc 2.1 TỔNG QUAN VỀ LFFC 2.1.1 Giới thiệu Trong luận văn này, tác giả tập trung vào việc nâng cao chất lượng hệ thống điều khiển Việc thiết kế điều khiển nói chung thường dựa mơ hình đối tượng Mơ hình đối tượng xác việc thiết kế điều khiển hiệu nhiêu Khi mơ hình hóa đối tượng, vấn đề sau gặp phải: - Hệ thống q phức - Mơ hình q khó đắt để đánh giá Một số đặc tính số tính chất (phi tuyến) khó đạt được, ví dụ ma sát… - Đối tượng chịu ảnh hưởng lớn nhiễu - Các thơng số đối tượng biến đổi theo thời gian Bộ điều khiển thích nghi giải pháp cấu trúc mơ hình động học đối tượng nhiễu mơ hình tác động lên biết trước giá trị thơng số khơng thể xác định Khi mơ hình khơng xác định có nhiều thơng số khơng xác định lúc điều khiển học xét đến 2.1.2 Điều khiển học (Learning Control - LC) Định nghĩa 2.1: Một LC hệ thống điều khiển bao gồm hàm xấp xỉ ánh xạ đầu vào – đầu tương ứng suốt trình điều khiển mà hoạt động mong muốn hệ thống điều khiển đạt -8- Định nghĩa 2.2 (hàm xấp xỉ): Một hàm xấp xỉ ánh xạ vào/ra xác định hàm lựa chọn F ( , ω ) , với véc tơ thông số ω lựa chọn để hàm F ( ) xấp xỉ tốt Nói chung cách sơ bộ, hàm xấp xỉ sử dụng theo cách: - sử dụng để tạo (một phần) tín hiệu điều khiển - sử dụng để học mơ hình đối tượng tương ứng kiểm soát Trên sở suy xét này, đưa số thuộc tính sau mà LC : Dễ dàng sử dụng hệ thống điều khiển có sẵn Có khả sử dụng kiến thức dự đoán đối tượng Hàm xấp xỉ nên phù hợp cho việc điều khiển Điều có nghĩa rằng: - Cần sử dụng dung lượng nhớ nhỏ -Việc tính tốn đầu hàm xấp xỉ tương thích quan hệ vào/ra phải thực cách nhanh chóng Cơ chế học cần hội tụ nhanh Cơ chế học không nên bị cực tiểu cục Hàm xấp xỉ có khả tự khái quát hoá tốt Sự mềm mại giá trị xấp xỉ cần điều khiển Đáp ứng ngắn hạn học tốt Sự ổn định lâu dài cần phải bảo đảm 2.1.3 Bộ điều khiển học sử dụng sai lệch phản hồi (Feedback Error Learning - FEL) 2.1.3.1 Cấu trúc điều khiển Hệ thống LC bao gồm phần: Bộ điều khiển Feef-forward biểu thị F, nghĩa hàm/ánh xạ u F = F ( r ) Một điều khiển Feed - forward thông thường sử dụng để bù thêm cho hệ thống động học theo cách thu độ bám xác cao Khi điều khiển feed-forward với đối tượng nghịch đảo F = P −1 , đầu đối tượng y tín hiệu đặt r -9- Hàm xấp xỉ Đối tượng P , chịu tác động nhiễu Các loại nhiễu bao gồm nhiễu ngẫu nhiên nhiễu có chất chu kỳ Những nhiễu chu kỳ tái diễn giống chuyển động cụ thể lặp lại 2.1.4 Learning Feed forward Control (LFFC) Trong luận văn hệ thống LC xét có cấu trúc tương tự cấu trúc điều khiển FEL (hình 2.2) Tuy nhiên, phần feed-forward điều khiển LC thực thông số a m, bm, cm, dm điều khiển thích nhi theo mơ hình mẫu 2.2 ĐIỀU KHIỂN THÍCH NGHI THEO MƠ HÌNH MẪU Hệ thống điều khiển thích nghi hệ thống mà cấu trúc tham số điều khiển thay đổi theo biến thiên thông số hệ cho đảm bảo tiêu định Hệ thống điều khiển thích nghi theo mơ hình mẫu có nhiều dạng khác Chúng ta bắt đầu cách tiếp cận trực giác, ý tưởng hồi tiếp sở giúp tìm thuật tốn hiệu chỉnh tham số Chúng ta ý có hai câu hỏi nảy sinh Thứ làm để tìm tín hiệu thích hợp mà hiệu chỉnh tham số thích hợp thời điểm thích hợp Thứ hai làm để đảm bảo ổn định cho hệ thống thích nghi mà vốn phi tuyến xuất nhân hệ thống Chúng có nhìn sâu câu hỏi cách xét phương pháp mơ hình nhạy cảm Sự ổ định bảo đảm cách ứng dụng lý thuyết ổn định Liapunov’s cho việc thiết kế hệ thống thích nghi 2.2.1 Khái quát chung Một hệ thống thích nghi định nghĩa sau: “ Một hệ thống thích nghi hệ thống mà thêm vào cấu trúc (hồi tiếp) bản, phép đo tường minh thực để bù tự động -10- cho thay đổi điều kiện hoạt động, cho thay đổi động học trình cho thay đổi nhiễu, để trì hoạt động tối ưu hệ thống” Các hệ thống điều khiển thích nghi phân loại theo nhiều cách khác Một cách phân loại dựa khác giữa: - Những hệ thống với điều chỉnh trực tiếp tham số điều khiển, không cần nhận dạng rõ ràng tham số đối tượng (điều khiển thích nghi trực tiếp) - Những hệ thống với điều chỉnh gián tiếp tham số điều khiển, không cần nhận dạng rõ ràng tham số đối tượng (điều khiển thích nghi gián tiếp) 2.2.2 Cơ chế thích nghi Trong tài liệu vài phương pháp đưa để thiết kế hệ thống thích nghi Nhưng ta có nhìn sâu vào phương pháp cách tự tư làm để tìm thuật tốn Việc giúp ta thực hiểu phải làm Trong Hình 2.8 sơ đồ khối đưa cho hệ thống mà dùng ví dụ xuyên suốt tài liệu Hình 2.8 Mơ hình mẫu đối tượng -11- Trong ví dụ này, đối tượng (tuyến tính) mơ tả hàm truyền: bp s + a ps +1 bm Kω2 n mơ hình mơ tả s + a ms +1 s + 2ξωn s + ω n (2.7) (2.8) Sự biến đổi tham số ap bù cách hiệu chỉnh K a biến đổi tham số b p hiệu chỉnh cách điều chỉnh Kb Việc thể cách trực tiếp từ hàm truyền điều khiển cộng đối tượng Hình 2.8: K b + bp s + (a p + K a )s +1 (2.9) luật hiệu chỉnh sau: (2.13) (2.14) Tham số Kb hiệu chỉnh u, tín hiệu trực tiếp chịu ảnh hưởng Kb, lớn tham số Ka hiệu chỉnh x2, tín hiệu trực tiếp chịu ảnh hưởng Ka, lớn Do đến lúc phải đối mặt với vấn đề: Một dạng ‘tốc độ động thích nghi’ cần đến để nhận tham số hiệu chỉnh kết sai lệch nhạy cảm với thay đổi tham số Bài tốn ổn định cịn tồn hệ số thích nghi tăng lên kết địi hỏi tăng tốc độ thích nghi Bài toán ổn định dễ dàng giải phương pháp phân tích tuyến tính thích nghi tạo phi tuyến cho hệ thống Hai tốn khởi nguồn phương pháp khác để thiết kế MRAS - Phương pháp độ nhạy Phương pháp nhấn mạnh việc xác định ‘ tốc độ động thích nghi’ với trợ giúp hệ số nhạy - Phương pháp ổn định Phương pháp nhấn mạnh đến toán ổn định Do đặc tính phi tuyến hệ thích nghi nên cần thiết phải dụng -12- đến lý thuyết ổn định hệ phi tuyến Chúng ta nhận thấy rằng, song song với việc kiểm tra tính ổn định, luật thích nghi hữu dụng tìm 2.2.3 Mơ hình độ nhạy: Phương pháp độ nhạy có ưu điểm đơn giản dễ hiểu Nhược điểm ổn định chứng minh mơ kiểm nghiệm thực tế Một chứng minh toán học cho ổn định đưa 2.2.4 Phương pháp ổn định Liapunov Việc thiết kế hệ thống thích nghi dựa lý thuyết ổn định bắt nguồn từ toán ổn định thiết kế ví dụ tốn dựa mơ hình độ nhạy Từ đó, bước cần thiết để thiết kế điều khiển thích nghi sử dụng phương pháp Liapunov Xác định phương trình vi phân cho e Chọn hàm Liapunov V Xác định điều kiện để V xác định âm T Giải tìm P từ phương trình Am P + PAm = −Q t Ka = − ( p e + p22 e2 ) x2 dt + K a (0) α 22 ∫ 21 (2.64) t Kb = ( p e + p22e2 )u dt + K b (0) β ∫ 21 (2.65) 2.3 BỘ ĐIỀU KHIỂN LFFC TRÊN CƠ SỞ MRAS Giới thiệu Bắt nguồn từ cấu trúc điều khiển LFFC, luận văn đề cập đến thích nghi tham số mơ hình mẫu dựa điều khiển LFFC, mà thực mơ hình ngược đối tượng Đáp ứng thực đối tượng xác định khâu khởi tạo tín hiệu đặt Đối với hệ thống tuyến tính, chứng minh hệ thống điều khiển ổn định tiệm cận theo thuyết Liapunov So sánh với cấu trúc mơ hình mẫu tiêu chuẩn hệ thống có hiệu suất tốt Nó phản ứng nhanh, bền vững khơng nhạy cảm với nhiễu đo lường Sự mô với đối tương bậc với mơ hình đối tượng điện tử bậc điển hình minh họa hệ thống -13- 2.3.2 MRAS dựa điều khiển feed - forward Đối với hệ thống xấp xỉ hàm truyền tuyến tính, biểu diễn dạng hàm truyền không yêu cầu nhớ hiệu Khi nhận dạng khâu tạo tín hiệu đặt phương pháp sử dụng lọc biến trạng thái, trạng thái lọc – mà đạo hàm đầu - sử dụng để tạo mơ hình ngược Điều minh họa ví dụ hình 2.20 Đối tượng mô tả hàm truyền Hp mơ hình mẫu Href Hp = a p s + bp s + c p (2.67) ωn H ref = 2 s + 2ξωn s + ωn Hàm truyền đạt từ mẫu R tới đầu đối tượng C : ωn am s + bm s + cm = ⋅ s + 2ξωn s + ω n a p s + b p s + c p H ref (2.68) Hình 2.21: Bộ điều khiển LFFC 2.3.3 Luật điều khiển thích nghi luật hiệu chỉnh: am = α 33 ∫ [( p bm = α 22 ∫ [( p cm =  [( p21e + p22 e) xm,1 ]dt + cm ( 0) α11 ∫ 21 21  e + p 22 e ) x m,3 ]dt + a m ( )  e + p 22 e ) x m, ]dt + bm ( 0) (2.89) -14- Như hệ thống dựa MRAS nào, việc bù nhiễu thích nghi thêm vào, cách nhận thấy tham số d m hoạt động tín hiệu đầu vào bổ sung 1, thay cho biến trạng thái  d m = ∫ [ ( p21e + p22 e )1]dt + d m ( 0) (2.90) γ / α11 ,1 / α 22 ,1 / α 33 / γ gọi hệ số thích nghi Chúng xác định tốc độ thích nghi theo lý thuyết, chúng lựa chọn tùy ý Biểu thức (2.89) tổng quát hóa thành biểu thức cho hệ thống có bậc cao Với hệ thống bậc n, ta xác định tham số a m,i dựa biểu thức: dam ,i  n  =  ∑ pnk ek  xm ,i dt α ii  k =1  (2.91) Trong luật hiệu chỉnh, đạo hàm sai lệch cần thiết Đạo hàm nhận phương pháp sử dụng lọc biến trạng thái (bậc 2) Dải thông lọc biến trạng thái phải chọn gấp 10 lần so với dải thông khâu khởi tạo tín hiệu đặt để khơng làm ảnh hưởng đến ổn định hệ thống Mặt khác, kết hợp lọc biến trạng thái với dải thông không rộng việc sử dụng trạng thái mơ hình cho thích nghi cho điều khiển làm cho hệ thống không nhạy cảm cách tương nhiễu đo lường mang lại hệ thống bền vững Kết luận chương 2: Như chương trình phân tích khái niệm điều khển Learning Feed Forward, lý thuyết điều khiển thích nghi theo mơ hình mẫu, điều khiển LFFC sở điều khiển thích nghi theo mơ hình mẫu Từ kiến thức sở kết hợp với phương trình động học Chương xây dựng điều khiển robot bậc tự dùng điều khiển Feedback kết hợp LFFC sở điều khiển thích nghi theo mơ hình mẫu -15- CHƯƠNG THIẾT KẾ VÀ MÔ PHỎNG BỘ ĐIỀU KHIỂN LFFC TRÊN CƠ SỞ MRAS ĐỂ ĐIỀU KHIỂN VỊ TRÍ CÁNH TAY ROBOT 3.1 THIẾT KẾ BỘ ĐIỀU KHIỂN 3.1.1 Chọn khâu khởi tạo tín hiệu đặt 25 s + 50 s + 25 H ref = 3.1.2 Chọn điều khiển PD C = 500 + 2S 3.1.3 Tính tốn điều khiển LFFC Chọn thơng số Robot sau: Thông số Khối lượng cánh tay (kg) Chiều dài cánh tay (m) Momen quán tính (kg.m2) Tỉ số truyền động Lực Viscous friction (Ns/m) Lực coulomb friction (N) Cánh tay 1 0.5 0.02 0.15 1  AP =   − 0.2 1,2 Chọn 100  Q=   100 0.04  P=   500 0.2 P21=500; P22=0.2 Tính thơng số: am = αa ∫ [( p bm = αb ∫ [( p cm = αc ∫ [( p dm =   [( p21e + p22 e) sgn(θ )]dt + d m (0) αd ∫ 21 21 ]   e + p22 e )θ dt + am ( ) ]   e + p22 e )θ dt + bm ( 0)  e + p22 e )θ ]dt + cm ( 0) 21 Chọn am(0)=bm(0)=cm(0)=dm(0)=0 Cánh tay 1.5 0.5 0.035 0.15 -16- Chọn = 0.2 αd = 0.000032 αb = 0.5 αc = 0.02 αa Từ thông số ta tìm a m, bm, cm, dm ta quan tâm đến lực tác động vào hệ thống lực viscous lực coulomb Vì ta quan tâm đến thơng số bm dm thành phần để bù thành phần lực 3.2 Mô hệ thống 3.2.1 Cấu trúc mơ Từ xây dựng mơ hình cánh tay robot bậc tự sau: u  θ 1 M (θ ) S + + + + + + +  θ (  C θ ,θ M (θ ) S θ ) D M (θ ) S M (θ ) Sgn G M (θ ) Hình 3.2 Sơ đồ mơ Robot bậc tự Sơ đồ khối mô Matlab sau: -17- Hình 3.3 Sơ đồ khối mô đối tượng Robot bậc tự Sơ đồ khối điều khiển LFFC: θ Reference θ Model  θ y e u PD -  θ cm + + bm + + Sgn + dm + am Hình 3.4 Sơ đồ khối điều khiển LFFC sở điều khiển thích nghi theo mơ hình mẫu -18- Sơ đồ khối hệ thống mơ Hình 3.5: Sơ đồ khối mơ tồn hệ thống 3.2.2.Kết mơ Sai lệch tín hiệu vào( tín hiệu đặt ) tín hiệu hệ thống có điều khiển PD tác động: a b c Hình 3.10 Đáp ứng hệ thống có điều khển PD tác động a.Tín hiệu đặt tín hiệu b Tín hiệu LFFC tạo c.Sai lệch tín hiệu vào -19- Khi có tín hiệu LFFC bù lực ma sát coulomb a b c Hình 3.13: Đáp ứng hệ thống có tín hiệu LFFC bù lực Coulomb a.Tín hiệu đặt b.Tín hiệu LFFC tạo c.Sai lệch tín hiệu vào tín hiệu Khi có lực Viscous ma sát Coulomb tác động: Kết mô lực Viscous lực ma sát coulomb bù: a b c Hình 3.15: Đáp ứng hệ thống có tín hiệu LFFC bù lực Coulomb bù lực Viscous a.Tín hiệu đặt tín hiệu b.Tín hiệu LFFC tạo c.Sai lệch tín hiệu vào -20- Kết luận Chương Từ sở lý thuết Chương Chương 2, tác giả xây dựng điều khiển cho cánh tay robot bậc tự kết hợp điều khiển Feedback LFFC sở MRAS Kết điều khiển kiểm chứng mô phần mềm Matlab simulink Qua kết mơ có kết luận: - Hệ thống hoạt động ổn định thời gian lây dài; - Tín hiệu thực bám với tín hiệu đặt cho tín hiệu đặt biến đổi Trong luận văn giả thiết tín hiệu đặt (vị trí đặt) biến thiên theo quy luật hàm Sin Kết cho vị trí đặt - Tín hiệu bám tốt, với nhiễu đo tác động vào hệ thống, điều khiển LFFC sở MRAS tạo tín hiệu bù phù hợp để khử tín hiệu nhiễu - Chất lượng hoạt động hệ thống có LFFC tốt sử dụng điều khiển truyền thống PD Điều thể sai lệch tín hiệu đặt tín hiệu đầu sử dụng điều khiển PD điều khiển có thêm LFFC -21- KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN CỦA ĐỀ TÀI Luận văn hoàn thành yêu cầu đặt ứng dụng Learning Feed Forword sở điều khiển thích nghi theo mơ hình mẫu (MRAS) để điều khiển vị trí cánh tay robot Các đóng góp luận văn: - Đã tổng hợp khái niệm learning feed forward, điều khiển thích nghi theo mơ hình mẫu ứng dụng để có nhìn tổng quan kết cấu, luật học phương pháp ứng dụng learning feed forward sở điều khiển thích nghi theo mơ hình mẫu - Bằng phương pháp phân tích, tổng hợp luận văn tính tốn xây dựng mơ hình động học robot bâc tự do, thiết kế điều khiển, khảo sát mô cho cánh tay robot bậc tự ứng dụng learning feed forward sở điều khiển thích nghi theo mơ hình mẫu Trong luận văn trình bày phương pháp thiết kế điều khiển khử nhiễu phi tuyến tác động lên vị trí cánh tay robot ma sát coloum, ma sát nhớt… qua nâng cao độ xác nâng cao chất lượng điều khiển điều khiển cánh tay robot bậc tự Do thời gian nghiên cứu có hạn, khn khổ luận văn thiết kế mô hệ thống điều khiển Từ kết mô với tham số tốn phát triển ứng dụng để thiết kế mơ hình thực tế phát triển với cánh tay robot với số bậc tự lớn Vì luận văn hướng nghiên cứu mở, phát triển tiếp tục hướng nghiên cứu cơng trình khoa học cấp cao -22- TÀI LIỆU THAM KHẢO [1] Nguyễn Doãn Phước,Phan Xuân Minh: Điều khiển tối ưu bên vững, NXB Khoa học kĩ thuật, 1999 [2] W.J.R Velthuis Learning feed-forward control: theory, design and application Phd thesis, University of Twente, Enschede, the Netherlands, 2000 [3] Amerongen, J.van; Intelligent Control (part 1)- MRAS, Lecture notes; University of Twente, The Netherlands, March, 2004 [4] Amerongen, J.van; A MRAS- based Learning Feed Forward controller; University of Twente, The Netherlands, March, 2006 [5] Nguyễn Doãn Phước, Phan Xuân Minh, Hán Thành Trung: Lý thuyết điều khiển phi tuyến, NXB Khoa học & kỹ thuật, 2006 [6] Karl J.Astrom & Bjorn Wittenmark; Adaptive control, Addison-Wesley Publishing Company, 1995 [7] Amerongen, J.van; Adaptive steering of ships- a model reference approach, Automatica 20 [8] Phạm Đăng Phước;Rôbốt công nghiệp; NXB Khoa học kĩ thuật ... ứng dụng Learning Feed Forword sở điều khiển thích nghi theo mơ hình mẫu (MRAS) để điều khiển vị trí cánh tay robot Các đóng góp luận văn: - Đã tổng hợp khái niệm learning feed forward, điều khiển. .. điều khiển robot bậc tự dùng điều khiển Feedback kết hợp LFFC sở điều khiển thích nghi theo mơ hình mẫu -15- CHƯƠNG THIẾT KẾ VÀ MÔ PHỎNG BỘ ĐIỀU KHIỂN LFFC TRÊN CƠ SỞ MRAS ĐỂ ĐIỀU KHIỂN VỊ TRÍ... hợp luận văn tính tốn xây dựng mơ hình động học robot bâc tự do, thiết kế điều khiển, khảo sát mô cho cánh tay robot bậc tự ứng dụng learning feed forward sở điều khiển thích nghi theo mơ hình mẫu

Ngày đăng: 18/08/2015, 20:46

Từ khóa liên quan

Tài liệu cùng người dùng

  • Đang cập nhật ...

Tài liệu liên quan