مهندسی مکانیک مدرس

مهندسی مکانیک مدرس

کنترل بازوی رباتیک با استفاده از روش ترانهاده ژاکوبین بهبودیافته و جبران‌ساز اصطکاک

نویسندگان
سیدرضا نقیبی 1
علی اکبر پیرمحمدی 2
سید علی اکبر موسویان 3
1 گروه مکانیک ، دانشکده فنی، دانشگاه زنجان، زنجان، ایران
2 هیات علمی دانشگاه زنجان
3 استاد دانشگاه خواجه نصیرالدین طوسی
چکیده
در این مقاله مسئله کنترل دقیق بازوی رباتیکی با وجود نامعینی‌های دینامیکی و عوامل غیر‌خطی سخت مانند اصطکاک با استفاده از روش ترانهاده ژاکوبین بهبودیافته به همراه جبران‌ساز اصطکاک مدل‌مبنا انجام شده است. برای مدل‌سازی اصطکاک از مدل لاگر استفاده شده است و پارامترهای آن با استفاده از الگوریتم بهینه‌یابی فراابتکاری ماهی ده‌پا بدست آورده شده است. با مقایسه این الگوریتم با الگوریتم‌های فرا‌ابتکاری مشابه مانند توده کرم شب‌تاب، سرعت و دقت بالاتر این الگوریتم نشان داده می‌شود. پس از تعیین دقیق پارامترهای مدل و تعیین الگوی اصطکاک در محرکها، با استفاده از روش ترانهاده ژاکوبین بهبودیافته و جبران‌ساز اصطکاک مدل‌مبنا، پیاده‌سازی تجربی بر روی یک ربات دولینکی در فضای کارتزین ارائه می‌شود. همچنین به منظور مقایسه عملکرد این روش نسبت به دیگر روش‌های کنترل، ربات مورد نظر با استفاده از روش‌های کنترل مدل‌مبنا و ترانهاده ژاکوبین و همچنین جبران‌ساز اصطکاک با استفاده از شبکه‌عصبی تطبیقی توابع گاوسی شعاعی کنترل شده و عملکرد آنها با روش پیشنهادی مقایسه می‌شود. نتایج تجربی نشان می‌دهد که کنترل ربات با استفاده از روش پیشنهادی دارای سرعت بیشتر در رسیدن به جواب، دقت بهتر و حذف کامل‌تر اصطکاک و مقاومت بهتر در برابر نامعینی‌های دینامیکی است. همچنین دارای محاسبات به مراتب کمتر نسبت به الگوریتم‌های مدل‌مبنا است.
کلیدواژه‌ها
کنترلر ترانهاده ژاکوبین
مدل اصطکاک لاگر
شبکه عصبی تطبیقی تابع شعاعی گاوسی

عنوان مقاله English

Control of manipulator in task space using Modified Transpose Effective Jacobian and model based friction compensator

نویسندگان English

seyyed reza naghibi 1
Ali Akbar Pirmohamadi 2
1 department of mechanical engineering, faculty of engineering, university of Zanjan, Zanjan, Iran
2 faculty / university of Zanjan
چکیده English

This paper considers the issue of precise control of robotic manipulators in the presence of dynamic uncertainties along with hard nonlinear perturbation such as friction using Modified Transpose Effective Jacobian and model based friction compensator. In order to model friction in robot joints, The LuGre friction model has been used and its unknown parameters have been identified by a bio-inspired optimization algorithm called Cuttlefish. By comparing Cuttlefish with other meta-heuristic algorithms such as Glowworm swarm optimization, its superiorities have been proved. After accurate identification of model parameters and determine frictions function, using Modified Transpose Effective Jacobian and model-based friction compensator, a two link planar manipulator has been controlled experimentally. Furthermore in order to compare the controller performance with other methods, the mentioned manipulator has been controlled using computed torque controller and transpose Jacobian besides Adaptive Neural Network Radial Based Function friction compensators. Experimental results offer the Modified Transpose effective Jacobian control method has privileges for better tracking control with more accuracy and better friction compensating as well as better robustness against dynamic uncertainties with lower computational efforts.

کلیدواژه‌ها English

MTJ controller
LuGre friction model
RBF adaptive neural network
[1] D. Kamopp, Computer simulation of slip-stick friction in mechanical dynamic systems, Journal of Dynamic Systems, Measurement and Control, Vol. 107, No. 1, pp. 100-103, 1985.
[2] A. Hélouvry, P. Dupont, C. C. De Wit, A survey of models, analysis tools and compensation methods for the control of machines with friction, Automatica, Vol. 30, No. 7, pp. 1083-1138, 1994.
[3] P. R. Dahl, A Solid Friction Model, Defense Technical Information Center, No. TOR-0158 (3107-18)-1, Aerospace Corp, El Segundo, Calofornia, USA, 1968.
[4] P. A. Bliman, M. Sorine, A system-theoretic approach of systems with hysteresis, Application to friction modeling and compensation, Proceedings of the 2nd European Control Conference, Groningen, Netherlands, pp. 1844- 1849, June 28- July 1, 1993.
[5] P. A. Bliman, M. Sorine, Easy to use realistic dry friction models for automatic control, Proceedings of 3rd European Control Conference, Rome, Italy, pp. 3788-3794, 1995.
[6] V. Lampaert, J. Swevers, F. Al-Bender, Modification of the Leuven integrated friction model structure, IEEE Transactions on Automatic Control, Vol. 47, No. 4, pp. 683-687, 2002.
[7] F. Al-Bender, V. Lampaert, J. Swevers, A novel generic model at asperity level for dry friction force dynamics, Tribology Letters, Vol. 16, No. 2, pp. 81-93, 2004.
[8] C.d. Wit, H. Olsson, K. Astrom, P. Lischinsky, A new model for control of systems with friction, IEEE Transactions on Automatic Control, Vol. 40, No. 3, pp. 419- 425, 1995.
[9] P. C. Kurian, Space-borne motor friction estimation using genetic algorithm (GA), 2009 International Conference on Control, Automation, Communication and Energy Conservation, Perundurai, Erode, India, pp. 475- 478, 2009.
[10] W. J. Zhang, Parameter identification of LuGre friction model for servo system based on improved particle swarm optimization algorithm, Proceedings of the 26th Chinese Control Conference, Zhangjiajie, China, pp. 135-139, 2007.
[11] D. N. Jayakumar, P. venkatesh, Glowworm swarm optimization algorithm with topics for solving multiple objective environmental economic dispatch problem, Applied Soft Computing, Vol. 23, pp. 375-386, 2014.
[12] K. N. Krishnanand, D. Ghose, Detection of multiple source locations using a glowworm metaphor with applications to collective robotics, IEEE Swarm Intelligence Symposium, Pasadena, California, USA, pp. 84-91, 2005.
[13] S. Lukasik, P. A. Kowalski, Fully informed swarm optimization algorithms: basic concepts, variants and experimental evaluation, Proceedings of the 2014 Federated Conference on Computer Science and Information Systems, Warsaw, Poland, pp. 155-161, 2014.
[14] A. S. Eesa, A. M. A. Brifcani, Z. Orman, Cuttlefish Algorithm-A Novel BioInspired Optimization Algorithm, International Journal of Scientific & Engineering Research, Vol. 4, No. 9, pp. 1978-1986, 2013.
[15] S. A. Moosavian, E. Papadopulos, Modified transpose Jacobian control of robotic systems, Automatica, Vol. 43, No. 7, pp. 1226-1233, 2007.
[16] S. R. Naghibi, A. A. Pirmohamadi, S. A. A Moosavian, Fuzzy MTEJ controller with integrator for control of underactuated manipulators, Robotic and Computer Integrated Manufacturing, Vol. 48, pp. 93-101, 2017.
[17] J. Park, I. W. Sandberg, Universal approximation using radial-base function network, Neural computation, Vol. 3, No. 2, pp. 246-257, 1991.
[18] Z. Yu, Yang, Full glowworm swarm optimization algorithm for whole-set orders scheduling in single machine, Scientific World Journal, Vol. 2013, pp. 1-6, 2013.
[19] X. Li, Y. Zhu, k. Yang, Self-adaptive composite control for flexible joint robot based on RBF neural network, IEEE International Conference on Intelligent Computing and Intelligent Systems, Xiamen, China, pp. 837-840, 2010.
[20] F. L. Lewis, D. M. Dawson, C. T. Abdallah, Robot Manipulator Control Theory and Practice, Second Edition, pp. 148-158, New York: Marcel Dekker, 2004.
[21] F. Girosi, T. Poggio, Networks and the best approximation property, Biological Cybernetics, Vol. 63, No. 3, pp. 169-176, 1990.
[22] T. Poggio, F. Girosi, Networks for approximation and learning, Proceedings of the IEEE, Vol. 78, No. 9, pp. 1481–1497, 1990.
[23] Y. Liu, S. Tong, Adaptive NN tracking control of uncertain nonlinear discrete-time systems with nonaffine deadzone input, IEEE Transactions On Cybernetics, Vol. 45, No. 3, pp. 497-505, 2015.
مهندسی مکانیک مدرس
دوره 18، شماره 1
فروردین 1397
صفحه 335-344