WWW.DISSERS.RU

БЕСПЛАТНАЯ ЭЛЕКТРОННАЯ БИБЛИОТЕКА

загрузка...
   Добро пожаловать!

Pages:     | 1 || 3 |

pb

pb

nb

ns

pm

nb

z

pb

nb

nb

z

pb

z

nb

z

pb

pb

nb

ns

pb

nb

z

pb

nb

nb

ps

pb

z

nb

z

pb

pb

nb

ns

pm

Эффективность различных ФР рассматривается путем сравнительного анализа результатов моделирования, в итоге которого определяются качественные зависимости для угла перемещения, скорости, тока и входного напряжения контура скорости при отработке заданного угла перемещения, а также количественные показатели качества регулирования: ошибка регулирования - уст, перерегулирование - и время регулирования - tпп. Обобщенные зависимости по результатам моделирования приведены на рис.1, 2.

Применение ФР3-5 в управлении многокоординатного ПЭП ограничивает перерегулирования на уровне менее 3% при изменении суммарного момента инерции в 10 раз, а при применении ФР3-3 перерегулирование не превышает 5% при изменении суммарного момента инерции в 10 раз ( рис.1).

Применение ФР2 вместо ФР3 приводит к существенному росту перерегулирования и ошибки позиционирования при десятикратном изменении момента инерции (рис. 1, 2).

Из рис. 1, 2 следует, что применением в управлении фаззи-регулятора определенной структуры, можно добиваться приемлемых для роботов показателей регулирования при известном диапазоне изменения момента инерции. Но нельзя исключать одного из главных недостатков нечеткого метода: исходный набор постулируемых нечетких правил формулируется экспертом-человеком и может оказаться неполным или противоречивым, вид и параметры функций принадлежности, описывающих входные и выходные переменные системы, выбираются субъективно и могут оказаться не вполне отражающими реальную действительность.

Для устранения указанного недостатка предложено реализовать исследуемую нечеткую систему ПЭП адаптивным методом на основе нейронных сетей, т.е. корректируя по мере работы системы и правила и параметры функций принадлежности.

Полученные по результатам моделирования обученного ФР3-3 зависимости,, i (рис. 3) характеризуются отсутствием перерегулирования, ошибки позиционирования и наименьшими временами переходных процессов по сравнению со всеми рассмотренными ранее вариантами реализаций регуляторов положения. Отсюда следует вывод о преимуществе применения нейронной сети для построения и обучения ФР. Полученные правила и фаззи-множества можно в дальнейшем применять при программной реализации ФР, устранив тем самым возможные ошибки человека-эксперта.

В третьей главе рассматривается вопрос оптимизации траектории движения схвата робота с применением нейронных сетей (НС).

В качестве примера рассматривается привод промышленного робота (ПР), работающий в цилиндрической системе координат, (рис. 4).

Задача робота - переместить объект манипулирования из точки А в точку В. Эту задачу ПР может выполнить, перемещая объект манипулирования по различным траекториям (линии 1, 2, 3, 4).

При манипулировании объектами из точки в точку рабочей зоны большое значение имеет вопрос о затратах энергии и разряде аккумулятора, питающего силовые электрические цепи робота. Разряд источника питания (аккумулятора) можно оценивать, например, по соотношению:

. (1)

Нижеприведенное соотношение позволяет оценивать энергию потерь:

. (2)

Предложен план расчётов критериев согласно методу планирования экспериментов. Моделирование реализовано в среде системы символьных вычислений MAPLE-10. Входными переменными для двухзвенного робота, работающего в цилиндрической системе координат, являются m - масса груза, r - радиус выдвижение руки, v - скорость выдвижения руки, - угловая скорость поворота колоны вокруг вертикальной оси и - угол поворота колоны вокруг вертикальной оси ПР.

Граничные значения входных переменных для проведения расчетов, выбираются исходя из требований, предъявляемых к данному классу ПР. Итоговые уравнения вышеуказанных критериев, полученные по методу ПФЭ 24, имеют вид:

(3)

(4)

Полученные уравнения позволяют анализировать систему при различных сочетаниях факторов.

В поставленной задаче искомое решение Q=f(W,tотр) должно удовлетворять сразу нескольким критериям оптимальности, т. е. минимально возможные значения энергии потерь при максимально возможном быстродействии системы. Поэтому оптимизация требует выбора компромиссного решения между множеством критериев. В работе предлагается использовать критерий качества Q, стремящийся к минимуму, согласно выражению:

Q(W,tотр)=k1q1*+k2q2*min, (5)

где: q1=W; q2= tотр; (); k1, k2 – весовые коэффициенты, k1+k2=1. Весовые коэффициенты выбираются исходя из важности данного критерия для потребителя. На рис. 6 показаны зависимости q1* и q2* от траектории движения.

Для обеспечения оптимальной работы системы выбирается компромиссный вариант, при котором сохраняется высокое быстродействие при минимально возможных потерях энергии. Решение находится при значении Q(q1, q2), которое считается компромиссным (траектория 3, рис. 4) в соответствии с рис. 6. В результате расчётов получено решение, которому при k1=0,4 и k2=0,6 соответствует tотр=3,18 с.

Для исследуемого в работе робота ТУР-10, имеющего пять степеней свободы, рассмотренная ранее методика получения уравнений в соответствии с планом полнофакторного эксперимента (ПФЭ) не применима, т.к. ошибка превысила 5%.

В работе предложен ортогональный центрально-композиционный план (ОЦКП). На основе полученных результатов для целевых функций W и q были определены коэффициенты многофакторной регрессии целевых функции и получены уравнения для первых двух звеньев:

W = 480+317m+161,51+54,72+571+452+152m1+35m2+43m1+27m2-9 1 2+ 27,8m21+ 37m22-12,3 m11 2-10,8 m121 2-236(m2-0,86)-218(12-0,86)- 152(12-0,86) -101(22-0,86)-285(12-0,86)- 197(22-0,86); (6)

q = 11,3+4,4m+2,21+0,82+0,81+0,72+2,17m1+0,23m2+0,6m1+0,19m2+ 0,19m21+0,19m22-2,3(m2-0,86)-3,8(12-0,86)-3,5(22-0,86)-7,14(12-0,86)- 2,79 (22-0,86). (7)

Погрешность этих уравнений не превысила 5%.

После определения оптимальной траектории решается задача управления ПР на основе нейронно-сетевого подхода. На рис.7 показана структурная схема нейронно-сетового подхода для управления ПР.

Критерием окончания обучения задано значение отклонения (w), при котором обучение будет считаться законченным, например w0. Максимальное количество циклов обучения задано K=500. После выполнения этого количества циклов обучение завершается. Процесс обучения иллюстрируется графиком зависимости оценки функционирования от номера эпохи обучения, (рис.8).

После окончания процесса обучения нейронная сеть была смоделирована в пакете Matlab (Simulink).

На рис. 9 показаны результаты моделирования системы управления с применением нейро-сетевого регулятора при уменьшенном значении момента инерции j =0,000365 кгм2 и Мс=0,1 Нм: а) моделирование при входном сигнале типа =0(1-cos(t)), где: линия 1 иллюстрирует выход эталонной модели, а линия 2- выход объекта управления; б) результаты моделирования при входном сигнале, обеспечивающем оптимальную траекторию, где линия 1 иллюстрирует выход эталонной модели (модель объекта управления со средним моментом инерции, приведённым к механизму звена ПР), линия 2 - выход объекта управления.

Удачный выбор подходящей НС зависит от опыта разработчика. На рис. 10 показаны зависимости значений критерия (энергии потерь) от типа выбранной нейронной сети и числа эпох обучения. Видно, что чем больше число эпох обучения и сложнее НС, тем меньше энергия потерь (ближе к оптимальному значению).

Применение метода оптимизации траектории с помощью нейронной сети позволяет эксплуатировать робот в оптимальном варианте в зависимости от степени важности каждого из критериев.

В четвертой главе решается вопрос практической реализации фаззи-управления для рассматриваемого класса электроприводов и экспериментальная отработка оптимальной траектории движения схвата робота с применением нейронных сетей.

Экспериментальные исследования проводились на промышленном роботе ТУР-10 в лабораториях кафедры Теоретической Механики и Мехатроники МЭИ (ТУ). В процессе исследования использовался промышленный робот ТУР-10, для его анимации были изготовлены пять плат управления. Для связи с управляющим устройством (персональным компьютером) используется интерфейс RS-485. Сигналы с импульсного энкодера, закреплённого на одной оси с двигателем, поступают непосредственно в микроконтроллер ATmega16.

Тестирование программы, написанной на языке высокого уровня C++, осуществлялось путем сравнения параметров регулирования при применении ФР3-3 с результатами, полученными при моделировании позиционного электропривода с фаззи-регулятором в среде Matlab (Simulink). Сопоставляя полученные результаты экспериментальных исследований с результатами моделирования системы позиционирования с подобным ФР3-3, получены близкие результаты по перерегулированию и ошибке позиционирования.

На базе реализованной нейронной сети исследовалось влияния весовых коэффициентов k1, k2 при экспериментальной отработке перемещения из точки А в точку В (рис. 11). Здесь, линия 1 получена в результате моделирования оптимальной траектории при k1=0,1, k2=0,9; линия 2 получена в результате экспериментальной отработки траектории при k1=0,1, k2=0,9. Из рис. 11 видно, что имеются незначительные расхождения между эталонной траекторией и отработкой данного перемещения в результате обучения нейронной сети при одинаковых весовых коэффициентах.

Линия 3 показывает изменение траектории движения экспериментальной отработки перемещения при изменении приоритетов важности факторов k1=0,4, k2=0,6.

Заключение

Диссертация представляет собой законченную научно-исследовательскую работу, в которой решена важная актуальная задача по разработке и совершенствованию системы управления электроприводом роботов с изменяющимися в широком диапазоне параметрами механической части на основе фаззи-регуляторов и нейронных сетей с целью повышения качества работы привода при минимизации его электрических потерь.

Основные результаты и выводы заключаются в следующем:

1. На основе уравнений Лагранжа второго рода разработана методика автоматического вывода уравнений, описывающих модель механической части робота в пакете символьных вычислений MAPLE-10. Полученные по этой методике уравнения позволяют оценивать искажения нагрузочных диаграмм двигателей вследствие возникающих при сложном движении кориолисовых моментов и центробежных сил, увеличивающих потери энергии. Обоснована необходимость создания современных систем управления электроприводами роботов на основе фаззи-управления и нейронных сетей.

2. Разработаны математические модели различных вариантов реализации регуляторов положения (параболический, фаззи-регуляторы с двумя и тремя входными переменными и одной выходной, фаззи-регулятор на основе нейронной сети), которые реализованы в пакете Matlab (Simulink). Сравнительный анализ показателей качества регулирования при использовании таких регуляторов показывает, что применение фаззи-регулятора с тремя входными переменными приемлемо для многокоординатного электропривода роботов и обучение фаззи- регулятора позволяет устранить ошибку позиционирования и уменьшить перерегулирование по сравнению с необученным ФР.

3. На основе полученной математической модели манипулятора робота оценены возможности выбора оптимальной траектории движения по двум критериям (быстродействие, энергия потерь) с учетом влияния факторов (масса переносимого груза, скорость перемещения, угол поворота и радиус перемещения).

4. Разработана нейронная сеть, позволяющая формировать оптимальные траектории движения при заданных значениях начальных и конечных координат перемещения с учетом приоритетов быстродействия и потерь энергии.

5. Разработан эволюционный способ для построения и обучения нейронной сети, оптимальной по точности позиционирования и энергии потерь.

Pages:     | 1 || 3 |






© 2011 www.dissers.ru - «Бесплатная электронная библиотека»