در حرکت یک روبات بسیار مهم است که از برخورد آن با موانع جلوگیری به عمل آورده شود. لذا باید توسط حسگر‌هایی فرامین وجود موانع به کنترل‌کننده ارسال شده و توسط الگوریتم مربوط به بخش مورد نظر حرکت روبات تغییر داده شود. برای بررسی مساله اجتناب از برخورد با موانع از ایده روش تصویر فازی که برخاسته از رفتار کنترلی عکس العملی است استفاده می‌شود. ربات هنگام روبرویی با مانع به چپ یا راست تغییر جهت می‌دهد. برای اینکه ربات بتواند از نقطه شروع به نقطه پایان بدون برخود با مانع برسد، لازم است که در هر لحظه داده های ورودی زیر را از محیط دریافت کند:
دانلود پایان نامه
فاصله ربات تا هدف
زاویه بین ربات تا هدف
فاصله ربات تا مانع
زاویه بین ربات تا مانع
لذا قواعدی که برای این منظور استفاده می شود به صورت زیر است:
برای رسیدن به هدف کنترل لازم است یک کنترل کننده فازی برای رسیدن به مانع با موتور استنتاج به دست آمده درروش کنترل موقعیت در نظر گرفته شود. این کنترل کننده بایستی عملی تولید کند که هنگام روبرو شدن با مانع از آن دور شود. این عمل می تواند ایجاد منفی زاویه فرمانش مورد نیاز برای هدایت ربات به سوی مانع باشد.
برای جلوگیری از واگرا شدن موقعیت ربات از نقطه هدف، زاویه فرمانش نهایی ربات ترکیبی از دو عمل زیر است:
۱- نخست کنترل کننده فازی، زاویه فرمانش مورد نیاز برای هدایت ربات به سوی هدف را محاسبه می کند.
۲- سپس کنترل کننده فازی، منفی زاویه فرمانش مورد نیاز برای هدایت ربات به سوی مانع را محاسبه می کند.
مدول اجتناب از برخورد با مانع هنگامی فعال میشود که دو شرط زیر ارضا شوند:

که فاصله تاثیر و جهت ناحیه تاثیر است. این دو کمیت حدود ناحیه تشخیص را که به شکل مخروط است، تعیین می کند.
هر شی که ناحیه مخروطی صادر شده از ربات قرار داشته باشد می تواند به وسیله سنسورهای نصب شده در جلوی ربات تشخیص داده شود. کنترل کننده فازی مانع هنگامی فعال می شود که ربات به ناحیه تشخیص وارد شود. هنگامی که خطر برخورد با مانع وجود نداشته باشد، کنترل کننده مانع غیر فعال شده و ربات تنها تحت تاثیر کنترل کننده هدف به سمت هدف حرکت می کند. برای بدست آوردن زاویه فرمانش مناسب از نافازی سازی ارتفاع استفاده شده است.
فرض می کنیم که درربات در یک لحظه ۸ قاعده متوالی به صورت همزمان آتش شوند.
در توابع عضویت خروجی به دست آمده که مربوط به کنترل کننده مانع است، برای اینکه برخورد با مانع رخ ندهد، تصویر توابع عضویت نسبت به محور عمودی به دست می آید.
در نهایت توابع عضویت خروجی به صورت زیر محاسبه می شوند.
در صورتی که از نافازی سازی ارتفاع برای تعیین زاویه فرمانش نهایی ربات استفاده کنیم، با توجه به توابع عضویت به دست آمده، خروجی کنترل کننده فازی زاویه ای است که باعث انحراف ربات به سمت راست می شود.
فصل چهارم
طراحی کنترل‌کننده‌ مبتنی بر محاسبات نرم
تکنیک‌های محاسبات نرم
محاسبات نرم، مجموعه‌ای از روش منطق فازی، شبکه‌های عصبی و روش‌های محاسبات تکاملی، به عنوان روشی ثابت شده در نقش ابزاری قدرتمند برای اضافه کردن استقلال به بسیاری از سیستم‌های پیچیده محسوب می‌گردد[[۷۱]]. این روش محاسبات نرم و کنترل کلاسیک برتری زیادی به روش‌های کلاسیک دارد. این روش در ابعاد مختلف، از جمله سادگی الگوریتم و تحمل عدم دقت نسبت به روش‌های دیگر انعطاف پذیرتر می‌باشد. معاملات کنترل فازی به طور موثر با محیط‌های پر نویز و غیر دقیق قابل سازگار است. دانش از سمت انسانِ اپراتور به قوانین کنترل فازی محیط انتقال می‌یابد. این سیستم نیرومندی و توان خود را در برابر نویز و پارامترهای دیگر افزایش می دهد تا تغییرات را آنالیز کند. بررسی کارهای محققان در تجزیه و تحلیل و طراحی روش سیستم های کنترل فازی بر اساس مدل ارائه شده نشان از قدرت بالای این نوع سیستم‌ها می‌باشد [[۷۲]].
اعتقاد بر این است که روش های فازی مختلفی همچون تاکاگی-سوگنو یک رویکرد سیستماتیک به تجزیه و تحلیل و طراحی مدل مبتنی بر سیستم های فازی ارائه می‌دهد که منجر به تولید و ساخت کنترل کننده فازی می‌گردد. ترکیبی از روش‌های منطق فازی، شبکه‌های عصبی، و سایر الگوریتم‌های کنترل شناخته شده، روش‌هایی امیدوار کننده برای توسعه کنترل کننده‌های هوشمند برای کنترل سیستم‌های دینامیکی با ساختارهایی پیچیده ارائه نموده است [[۷۳]][[۷۴]].
شبکه‌های عصبی توانایی یادگیری با بهره گرفتن از الگوریتم بهینه سازی غیر خطی مانند روش آموزش پس انتشار خطا و بسیاری دیگر از الگوریتم های یادگیری سریع از جمله روش لونبرگ-مارکوارت را فراهم می کند. همچنین نشان داده شده است که شبکه‌های عصبی به خوبی از عهده کنترل سیستم‌های پیچیده دینامیکی بر می‌آید[۱].
اصل و اساس شبکه‌های عصبی، بر روی آموزش و قدرت تقریب زنی از توابع استوار است. عملکرد بر اساس قابلیت ویژگی‌های یادگیری، عملکرد کنترل کننده‌های عصبی را در یک محیط دارای تغییرات عملیاتی، وجه تمایز آن از سایر کنترل کننده‌های کلاسیک با ساختار و پارامتر ثابت بوده و در نتیجه آن را قادر به ارائه نتایج بهتر نموده است. مروری جامع در کارها و تحقیقات حوزه کنترل کننده‌های عصبی در [[۷۵]و[۷۶]] انجام شده است. استفاده از الگوریتم های ژنتیک نیز برای بهینه سازی پارامترهای انواع مختلف از کنترل کننده‌ها توصیه شده است. شبکه‌های عصبی و الگوریتم ژنتیک معمولاً با منطق‌های فازی ترکیب شوند تا سازگاری سیستم و قابلیت یادگیری آن را تا حد زیادی بهبود می‌بخشد [۱]. ترکیب سیستم‌های فازی جهت پذیرش ورودی‌های دارای عدم قطعیت با شبکه‌های عصبی جهت بهبود قابلیت آموزش سیستم جهت ساخت کنترل کننده‌ها عمومیت بالایی داشته و عنوان تحقیقی بسیاری از محققان گشته است[۱،[۷۷]،[۷۸]]. با توجه با این توضیحات مشخص می‌شود که روش‌های ارائه شده توسط SC می‌تواند طراحی‌های مناسبی جهت طراحی و پیاده‌سازی سیستم‌های کنترل هوشمند ارائه دهد. کاربردهای علم روباتیک از جمله حوزه‌هایی است که در آن از روش‌های محاسبات نرم جهت کنترل عملکرد و حرکات روبات به وفور استفاده می‌شود [[۷۹]،[۸۰]،[۸۱]].
مسأله کنترل ربات، سیستم‌هایی به شدت غیر خطی، کوپل شده[۸۲] و متغیر با زمان می‌باشند. بنابراین، بدت آوردن یک رابطه ریاضی صریح ودقیق برای کنترل عملکرد آن بسیار مشکل می‌باشد که تقریبا دست یابی به جزئیات آن توسط تکنیک‌های متداول غیر ممکن می کند. مشکلات کنترلی متداول همچون، عدم تحریک به موقع، طبیعت پارامتر‌های توزیع شده[۸۳] سیستم، رفتار غیر مینیمم فازی و انعطاف اتصالات داخلی و اثرات جبران‌سازی‌های حالت سخت[۸۴]، به هنگام کنترل روبات‌های انعطاف‌پذیر تأثیر گذار می‌باشد [[۸۵]][[۸۶]]. تعداد زیادی از تحقیقات و بررسی‌ها در سال‌های اخیر روش‌هایی از محاسبات نرم همچون منطق فازی و تکنیک‌های طراحی شبکه‌های عصبی را برای بهبود کنترل‌کننده‌های انعطاف‌پذیر معرفی کرده‌اند [[۸۷]]. برای نمونه کنترل وضعیت پیک کنترل کننده تک لینک انعطاف پذیر، توسط شبکه عصبی و کنترلر فازی با موفقیت صورت پذیرفته است. کنترل یک کنترل‌کننده انعطاف پذیر توسط روش‌های عصبی-فازی با تنظیم ضرایب وزندار کنترل‌کننده منطق فاز[۸۸]، توسط یک شبکه شناسایی بازگشتی[۸۹] (RIN) پویا محقق می‌شود، به نحوی که کنترل‌کننده می‌تواند بدون داشتن دانشی راجع به سیستم کنترل داشته باشد. یک کنترل بهینه هوشمند برای کنترل بازوی یک ربات انعطاف پذیر غیر خطی توسط یک روش فازی-عصبی در [[۹۰]] با بهره گرفتن از یک سرو مترو سنکرون آهنربای دائم ارائه شده است. روش ارائه شده در سیستم هوشمند بهینه‌شده، شامل یک کنترلر هوشمند برای مینیمم کردن شاخص‌های عملکرد مربعات و یک کنترل کننده عصبی فازی برای آموزش رفتار غیر خطی انعطاف پذیر پویا به همراه یک الگوریتم تخمین وفقی برای تولید یک کنترل نیرومند جهت جبران خطای تخمین RIN، بود. کنترلر هوشمند پیشنهاد شده، در هردو حوزه شبیه‌سازی و پیاده‌سازی ارائه شده بود [[۹۱]]. در [[۹۲]] یک کنترلر فازی برای روبات با سه-لینک که شامل دو لینک سخت و یک لینک انعطافی توسعه داده شده است. طراحی این کنترل‌کننده بر مبنای تحلیل فازی لیاپانوف[۹۳] می‌باشد که در آن تابع کاندید لیاپانوف برای کنترل قواعد فازی انتخاب شده است.
اساس و قاعده یک کنترل عصبی مبتنی بر قدرت یادگیری و تقریب توابع می‌باشد. ویژگی یادگیری در سیستم‌های کنترلی عصبی، در یک محیط عملکردی متغیر، آن را از کنترل کننده کلاسیک متمایز می‌کند، بنابراین باعث بهبود نتایج حاصله می‌گردد. در [۲۵-۲۸] یک مطالعه جامع بر روی کنترل‌های عصبی صورت گرفته است و استفاده از الگوریتم ژنتیک برای بهبود پارامتر‌های انواع کنترلر‌ها در مراجع [۱] و [۲۳] بررسی شده است. شبکه‌های عصبی و الگوریتم ژنتیک همچنین با منطق فازی ترکیب شده‌اند تا قابلیت وفقی سازی در آموزش شبکه خود افزایش دهند [۱]. ترکیب منطق فازی و شبکه‌های عصبی برای شکل دادن یک سیستم کنترل هوشمند، یک روش قابل پیاده‌سازی می‌باشد که تبدیل به یک موضوع همه‌گیر میان محققان گشته است. روش‌های محاسبات نرم با موفقیت بسیاری در حال گسترش بوده و روش‌ها متنوعی را برای کنترل ادوات متحرک ارائه نموده است که یکی از این روش‌ها کنترل بازخورد متناسب با مشتق و شتاب می‌باشد که در ادامه توضیح داده می‌شود.
کنترل بازخورد متناسب با مشتق و شتاب
شکل ‏۳‑۱ ساختار مشتق متناسب و کنترل بازخورد شتاب(PDAC[94]) را برای تنظیم نوک موقعیت کنترل چند لینک قابل انعطاف نشان می‌دهد.

شکل ‏۴‑۱: ساختار متناسب کنترلر مشتق شده و شتاب
ساختار کنترل حلقه لینکi ام با بهره گرفتن از سه متغیر به دست آمده از کنترل معین می‌گردد که عبارتند از: زاویه مشترک iɵ، نرخ آن که با نشان داده می‌شود و پیک شتاپ[۹۵]، ati. ، آتی حلقه بسته چند لینک سیستم کنترل انعطاف پذیر با بهره گرفتن از کنترل نفر پایدار است [[۹۶]]. سیستم کنترل انعطاف پذیر متشکل از چند لینک حلقه بسته، توسط بکارگیری از n سیگنال کنترل گشتاور پایدار می‌گردد که توسط معادله زیر محاسبه می‌گردند:
(۴-۱)  i = 1,2,…,n ,
که در این رابطه τ متغیر مصنوعی از زمان، ati­ سیگنال پیک شتاب از لینک iام، θdi و θi به ترتیب اتصال واقعی و اتصال مطلوب در اتصال iام، ui گشتاور تولید شده توسط iامین فعال کننده، kpi و kvi به ترتیب گین کنترلی متناسب و مشتقی و kai معرف گین کنترلی مرتبط با پیک شتاب می‌باشد. در این معادله فرض می‌شود که kpi و kvi و ati­ مقادیر مثبت غیر صفر می‌باشند.
معادله‌ای که به معادله لیاپانوف معروف است توسط رابطه زیر نشان داده می‌شود [[۹۷]]:

 

(۴-۲) Lv = Ek + Ep + ۰٫۵kpi[θi(t) – θdi]2 + ۰٫۵kai.ati(t)[2

که در آن Ek، Ep

موضوعات: بدون موضوع  لینک ثابت


فرم در حال بارگذاری ...