- بر کارهای گذشته
- اهداف مورد نظر
- ساختار کلی رساله
1-1- برکارهای گذشته
1-1-1- راهبرد کنترل گشتاور
با توجه به اینکه بهبود عملکرد سیستمهای کنترل ربات‌ها تأثیر بسزایی در کیفیت محصولات صنعتی و افزایش راندمان تولید دارد، طراحی سیستمهای کنترل ربات‌ها همواره یکی از جذابترین حوزههای تحقیقاتی بوده است. مطالعه سیر تاریخی روشهای کنترلی ارائه شده،
پیشرفتهای صورت گرفته در این زمینه را روشن میسازد.
بازوهای رباتیک، سیستمهای غیرخطی چندمتغیره پیچیده با تزویج زیاد هستند. به همین دلیل، محققان روشهای بسیار متنوعی برای كنترل آنها ارائه نموده اند که سادهترین آنها، روشهای مبتنی بر مدل هستند. خطی سازی فیدبکی [2-1] محبوبترین و پرکاربردترین تکنیک برای کنترل سیستمهای غیرخطی است، زیرا با استفاده از آن میتوان به راحتی دینامیك غیر خطی پیچپده ربات را به معادلات خطی مرتبه دوم تبدیل كرد. این روش، در رباتیک به نام‌های گشتاور محاسباتی، دینامیک وارون یا کنترل گشتاور مشهور است. اما موفقیت روشهای مبتنی بر مدل، منوط به در اختیار داشتن مدل دقیق سیستم است. متأسفانه بدست آوردن مدل ریاضی دقیق سیستمهای رباتیک بسیار مشكل، وقت گیر و گاهی غیر‌ممكن میباشد. زیرا ممكن است برخی از دینامیك‌های سیستم مانند اصطكاك، تكرار پذیر نباشند یا نتوان مدل دقیقی برای آنها پیشنهاد داد. علاوه بر این، ممكن است پارامترهای مدل سیستم با گذشت زمان یا تحت تأثیر شرایطی خاص تغییر كند. به عنوان مثال، هنگامی که ربات اجسام با جرمهای مختلف را بلند میکند، مرکز جرم لینک آخر که یکی از پارامترهای دینامیکی ربات میباشد، تغییر میکند. به همین دلیل، مدلی که برای سیستم پیشنهاد میدهیم (مدل نامی) با مدل واقعی سیستم اختلاف دارد. بنابراین، عدم قطعیت همواره یكی از مهمترین چالش های طراحی سیستمهای كنترل بودهاست. باید توجه داشت که عدم قطعیت در سیستمهای رباتیک معمولاً از نوع غیرتصادفی فرض میشود و منظور از آن نامعلوم بودن پارامترهای سیستم، وجود دینامیکهای ناشناخته یا مدل نشده و همچنین اغتشاش خارجی میباشد.
برای غلبه بر عدم قطعیت ناشی از عدم تطابق مدل، روشهای کنترل تطبیقی و مقاوم [7-3] ارائه شدهاند. کنترل تطبیقی میتواند اثرات عدمقطعیت پارامتری را جبران نماید. کنترل مقاوم قادر است علاوه بر عدمقطیعت پارامتری، عدم قطعیت های ناشی از دینامیک مدلنشده و اغتشاش خارجی را نیز جبران کند. تحقیقات گسترده‌ای برای طراحی سیستمهای كنترل تطبیقی ربات های صلب به منظور تضمین پایداری سیستم كنترل و محدود ماندن سیگنال‌های داخلی انجام شده است. اسپانگ طبقه‌بندی جامعی از روشهای تطبیقی ارائه داده است [8] و آنها را به دو گروه عمده روشهای مبتنی بر دینامیك وارون و روشهای مبتنی بر غیرفعال بودن تقسیم میکند. در تمامی روشهای فوق فقط عدم قطعیت پارامتری لحاظ شده است. نكته مهم دیگر در مورد روشهای تطبیقی، تحریك پایا بودن سیگنال‌های تحریك است [7]. در غیر اینصورت، پارامترهای تخمین زده شده به پارامترهای واقعی همگرا نخواهد شد.
در روشهای کنترل مقاوم، دانستن حدود عدم قطعیت لازم است. حدود عدم قطعیت یکی از چالشهای بسیار مهم در این روشها میباشد. اگر حدود عدم قطعیت بزرگتر از مقدار واقعی باشد، ممکن است اندازه سیگنال کنترل بیشتر از مقدار مجاز آن شود که در این صورت پدیده اشباع رخ خواهد داد و کنترل کننده قادر به کنترل سیستم نخواهد بود. علاوه بر این، اگر دامنه سیگنال کنترل بیش از حد مجاز باشد، ممکن است به سیستم آسیب برساند، همچنین پدیده لرزش سیگنال کنترل نیز تقویت میشود. از طرف دیگر، اگر حدود عدم قطعیت کمتر از مقدار واقعی باشد، خطای ردگیری زیاد میشود و ممکن است منجر به ناپایداری سیستم کنترل شود [11-9]. برخی از روشهای کنترل مقاوم، منجر به قوانین کنترل ناپیوسته میشوند. به عنوان مثال میتوان به روش کنترل مود لغزشی اشاره کرد [2]. این قوانین، احتمال بروز نوسانات فرکانس بالا (لرزش) در سیگنال کنترل را افزایش میدهند. لرزش سیگنال کنترل پدیدهای نامطلوب است که موجب فرسودگی قطعات و تحریک دینامیک های مدل نشده میشود.
با ظهور منطق فازی به عنوان یك ابزار توانمند در كنترل سیستمهای نامعین و پیچیده، تحول شگرفی در مهندسی كنترل بوجود آمد. به کمک قوانین فازی می توان سیستم‌هایی را که مدل ریاضی دقیقی از آنها در اختیار نیست، توصیف کرد [12]. روش فازی تطبیقی غیر مستقیم از این ایده استفاده میکند [15-13]. ویژگی دیگر منطق فازی، مدلسازی دانش و توانایی انسان به منظور كنترل سیستمهای پیچیده می باشد که روش فازی تطبیقی مستقیم [17-16] این امکان را فراهم می‌آورد. علاوه بر این، میتوان روشهای فازی تطبیقی مستقیم و غیر مستقیم را با هم ترکیب نمود و روشی بدست آورد که عملکرد بهتری داشته باشد [18]. یکی از مهمترین ویژگی های منطق فازی که منجر به استفاده گسترده از آنها در سیستمهای کنترل شده است، ویژگی تقریبگر عمومی بودن سیستمهای فازی است [12]. به همین دلیل در سال‌های اخیر، محققان تمركز بیشتری روی كنترل فازی داشته‌اند و تلاش‌های فراوانی برای كنترل مقاوم ربات با استفاده از کنترل فازی و شبکه های عصبی صورت گرفته است [35-19]، زیرا ویژگی تقریب عمومی برای انواع مختلف شبکههای عصبی مانند پرسپترون چند لایه و شبکههای توابع پایه شعاعی نیز برقرار میباشد [40-36]. در [19]، از سیستمهای فازی تطبیقی برای جبران عدم قطعیتها از قبیل عدم قطعیت پارامتری، اغتشاش خارجی (مانند جرم جسمی که ربات جابجا میکند)، دینامیک مدل نشده (مانند اصطکاک) و همچنین خطای تقریب سیستم فازی، ارائه شده است. در [20]، روشی برای کاهش تعداد سیستمهای فازی مورد نیاز ارائه شده است. همچنین، نشان داده شده است که چگونه با انتخاب مناسب پارامترهای قانون کنترل میتوان خطای ردگیری را کاهش داد. در [22]، فرض شده است که فیدبکهای سرعت و شتاب در اختیار نیستند و برای تخمین این سیگنالها رویتگری غیرخطی پیشنهاد شده است. در [26]، برای تقریب دینامیک ربات از شبکههای عصبی دو لایه استفاده شده است و قوانین تطبیق جدیدی برای تنظیم وزنهای هر دو لایه با استفاده از اثبات پایداری لیاپانوف بدست آمدهاند. اما تعداد ورودیهای شبکههای عصبی طراحی شده زیاد هستند. این ورودیها جریان موتورها، موقعیت و سرعت مفاصل، مسیر مطلوب و مشتقات اول و دوم آن هستند. در این روشها، برای پایداری سیستم کنترل یک تابع لیاپانوف پیشنهاد میشود و قانون تطبیق پارامترهای سیستم های فازی یا وزن های شبکه های عصبی از شرط منفی معین بودن مشتق تابع لیاپانوف بدست میآید. برخی از مراجع با استفاده از سیستمهای فازی یا شبکه های عصبی، دینامیک سیستم را تقریب میزنند و از این تقریب در طراحی قانون کنترل استفاده میکنند و برخی دیگر کنترل کننده را به صورت یک سیستم فازی یا شبکه عصبی در نظر گرفته و به تنظیم پارامترهای آن با استفاده از قوانین تطبیق بدست آمده میپردازند. در [41] یک روش فازی تطبیقی جدید و متمایز از این دو روش مرسوم ارائه شده است. در این روش برای سیستم یک مدل نامی در نظر گرفته میشود و قانون کنترل بر اساس این مدل نامی طراحی میشود. سپس برای جبران عدم قطعیت ناشی از عدم تطابق مدل نامی و مدل واقعی یک سیستم فازی به قانون کنترل اضافه میشود. برای اثبات پایداری سیستم از روش مستقیم لیاپانوف استفاده میگردد و قانون تطبیق پارامترهای سیستم فازی از شرط منفی معین بودن مشتق تابع لیاپانوف استخراج میشود.
[1] Persistency of excitation
