RU85392U1 - Система управления гибким звеном робота-манипулятора - Google Patents
Система управления гибким звеном робота-манипулятора Download PDFInfo
- Publication number
- RU85392U1 RU85392U1 RU2009102493/22U RU2009102493U RU85392U1 RU 85392 U1 RU85392 U1 RU 85392U1 RU 2009102493/22 U RU2009102493/22 U RU 2009102493/22U RU 2009102493 U RU2009102493 U RU 2009102493U RU 85392 U1 RU85392 U1 RU 85392U1
- Authority
- RU
- Russia
- Prior art keywords
- neural network
- input
- hinge
- output
- robot manipulator
- Prior art date
Links
Abstract
Система управления гибким звеном робота-манипулятора, состоящая из ПД-регулятора, вход которого соединен с выходом робота-манипулятора, а выход соединен с нейросетью, имеющей в качестве активационной функции гиперболический тангенс и линейную функцию, где используется в качестве величины ошибки при обучении нейросети, причем выход нейросети соединен с входом робота-манипулятора; выход ПД-регулятора также соединен с входом робота-манипулятора, предварительно суммированный с сигналом выхода нейросети; выход робота-манипулятора, в свою очередь, соединен с входом нейросети, отличающаяся тем, что вход ПД-регулятора соединен: с сигналом разности между заданным и действительными сигналами полного перемещения концевой точки звена робота-манипулятора, причем в действительном сигнале принято отклонение концевой точки в обратную сторону; с сигналом разности между заданным значением и действительным значением скорости поворота в шарнире, вход нейросети соединен с сигналами: заданное значение угла поворота в шарнире, заданное значение скорости поворота в шарнире, действительное значение угла поворота в шарнире, действительное значение скорости поворота в шарнире, причем в качестве активационной функции нейрона принята функция Гаусса, количество нейронов нейросети изменяется в зависимости от активности каждого нейрона, алгоритм обучения нейросети работает по правилу «победитель получает все».
Description
Полезная модель относится к области управления гибкими роботами-манипуляторами, в частности для компенсации деформаций и демпфирования колебаний.
Известна система управления гибким роботом-манипулятором, состоящая из ПИД-регулятора и нейросети, соединенных таким образом, что выход ПИД-регулятора служит величиной ошибки при обучении нейросети и в то же время, предварительно просуммированный с выходом нейросети, соединен с входом робота-манипулятора. Данная система управления реализована в работе Rios Neto W., Nascimento Júnior Cairo L., Góes L. C. Positional Control of a Flexible Structure using Neural Networks // Proceedings of the 4th Brazilian Conference on Neural Networks, 1999. - P.378-383.
Недостатком данной системы управления является необходимость использования временного лага и большое количество нейронов, используемое в структуре нейросети, в результате чего, система не может работать в режиме реального времени.
Наиболее близким по структуре и достигаемому результату к заявленному является система управления, состоящая из ПИД-регулятора, нейросети с использованием методики обучения по сигналу обратной связи, соединенных таким образом, что выход ПИД-регулятора служит величиной ошибки при обучении нейросети и в то же время, предварительно просуммированный с выходом нейросети, соединен со входом робота-манипулятора. В этой системе использована нелинейная нейросеть с многослойным персептроном, с входным и одним скрытым и выходным слоем, обучаемая методом обратного распространения. Скрытый и выходной слои используют гиперболический тангенс и линейную активационные функции соответственно. Данная система управления реализована в работе Neto А., Neto W. Feedback Error Learning for Controlling a Flexible Link // Sixth Brazilian Symposium on Neural Networks, 2000. - P.273-278.
Недостатком этой системы управления является большое количество нейронов в нейросети и необходимость предварительного обучения нейросети. Полученные результаты приведены в фиг.1.
Задача полезной модели - повышение точности и скорости позиционирования концевой точки упругого звена робота-манипулятора, компенсация деформаций звена и демпфирование колебаний.
Поставленная задача решается тем, что предлагается структура системы управления гибким звеном робота-манипулятора, которая использует ПД-регулятор для стабилизации системы и нейросеть, обучаемую в режиме реального времени для компенсации нелинейности, например трения, инерционных и Кориолисовых сил и силы тяжести. Вход ПД-регулятора соединен с выходом робота, а выход соединен с нейросетью, выход нейросети соединен с входом робота-манипулятора, выход которого в свою очередь соединен с входом нейросети, так, что вход ПД-регулятора соединен: с сигналом разности между заданным и действительными сигналами полного перемещения концевой точки звена, причем в действительном сигнале принято отклонение концевой точки в обратную сторону, с сигналом разности между заданным значением и действительным значением скорости поворота в шарнире, выход ПД-регулятора соединен одновременно с нейросетью, где используется в качестве величины ошибки при обучении нейросети и входом робота-манипулятора, предварительно суммированный с сигналом выхода нейросети, вход нейросети соединен с сигналами: заданное значение угла поворота в шарнире, заданное значение скорости поворота в шарнире, действительное значение угла поворота в шарнире, действительное значение скорости поворота в шарнире, причем в качестве активационной функции нейрона принята функция Гаусса, количество нейронов нейросети изменяется в зависимости от активности каждого нейрона, алгоритм обучения нейросети работает по правилу «победитель получает все».
В предлагаемой полезной модели использована адаптивная нейросеть с техникой обучения по сигналу обратной связи для управления положением рабочего органа гибкого звена. Нейросеть с радиальной базисной функцией с минимальным ресурсным распределением использована для расчета сигнала управления по возмущению. Четыре входных сигнала, используемые в нейросети это заданные и действительные положения и скорости в шарнире. Полное отклонение рабочего органа использовано в расчетах пропорциональной части ПД-регулятора. Дифференциалная часть ПД-регулятора построена на ошибке между желаемой и действительной скоростями в шарнире. Для управления использована величина полного перемещения упругого звена.
На фиг.1 представлены результаты работы системы управления, выбранной прототипом данного изобретения.
На фиг.2 представлена заявленная схема управления гибким звеном робота-манипулятора.
На фиг.3 представлен алгоритм работы системы управления гибким звеном робота-манипулятора.
На фиг.4 представлены положения шарнира упругого звена робота-манипулятора.
На фиг.5 представлены полные перемещения концевой точки упругого звена робота-манипулятора.
Система управления состоит из ПД-регулятора 1, нейросети 2 и робота-манипулятора 3. Вход ПД-регулятора 1 соединен: с сигналом 4 разности между заданным 5 и действительным 6 сигналами полного перемещения концевой точки звена робота-манипулятора 3, причем в действительном 6 сигнале принято отклонение 7 концевой точки звена гибкого робота манипулятора 3 в обратную сторону; с сигналом разности 8 между заданным значением 9 и действительным значением 10 скорости поворота в шарнире, выход 11 ПД-регулятора 1 соединен одновременно с нейросетью 2, где используется в качестве величины ошибки при обучении нейросети и входом 12 робота-манипулятора
3, предварительно суммированный с сигналом выхода 13 нейросети 2; входы нейросети 2 соединены с сигналами: заданное значение угла поворота в шарнире 14, заданное значение скорости поворота 9 в шарнире, действительное значение угла поворота в шарнире 15, действительное значение скорости поворота 10 в шарнире. В качестве активационной функции нейронов нейросети 2 принята функция Гаусса, количество нейронов нейросети 2 изменяется в зависимости от активности каждого нейрона, алгоритм обучения нейросети 2 работает по правилу «победитель получает все».
В заявке предлагается управляющая структура, которая использует ПД-регулятор, чтобы стабилизировать систему и нейросеть, обучаемую в режиме on-line, чтобы компенсировать нелинейности, как например, трение, центростремительные и Кориолисовы эффекты, и силы тяжести.
В предлагаемой системе управления использована адаптивная нейросеть с техникой обучения по сигналу обратной связи (Feedback-Error-Learning technique) для управления положением рабочего органа гибкого звена. Нейросеть с радиальной базисной функцией с минимальным ресурсным распределением использована для расчета сигнала управления по возмущению. Четыре входных сигнала нейросети это заданные и действительные положения и скорости в шарнире. Полное отклонение рабочего органа использовано в расчетах пропорциональной части ПД-регулятора. Дифференциалная часть ПД-контроллера построена на ошибке между заданной и действительной скоростями в шарнире и . Для управления использовано полное отклонение рабочего органа.
Работает система управления гибким звеном робота-манипулятора 3 следующим образом. При включении системы управления производится чтение исходных данных для дальнейшей обработки. Это полное заданное перемещение 5 концевой точки гибкого звена робота-манипулятора, заданный угол поворота 14 в шарнире, заданная скорость поворота 9 в шарнире, действительное значение угла поворота 15 в шарнире, действительное значение скорости поворота 10 в шарнире, действительное отклонение 7 концевой точки гибкого звена робота-манипулятора. Далее производится вычисление ошибки полного отклонения 4 концевой точки от заданного значения 5 и ошибки скорости поворота 8 в шарнире от заданной 9, результаты которых далее поступают в ПД-регулятор 1. На следующем этапе работы регулятора 1 производится одновременное вычисление управляющих сигналов ПД-регулятора 11 и нейросети 13 и последующее их суммирование 12 для передачи в робот-манипулятор 3. Перед следующим циклом вычислений производится подсчет критериев ошибки обучения нейросети 2 и при неудовлетворительном результате происходит обновление параметров нейрона нейросети, центр активационной функции которого ближе других к заданному значению (алгоритм «победитель получает все»). При удовлетворении критериев условиям количество нейронов сравнивается с максимально допустимым значением и если число нейронов N нейросети 2 меньше максимального Nmax, то к сети добавляется новый нейрон, если число нейронов нейросети 2 максимально, то удаляется нейрон, наименее эффективный, не обновляемый в течение нескольких циклов, и место него добавляется новый нейрон. Затем процесс повторяется до завершения моделирования.
Claims (1)
- Система управления гибким звеном робота-манипулятора, состоящая из ПД-регулятора, вход которого соединен с выходом робота-манипулятора, а выход соединен с нейросетью, имеющей в качестве активационной функции гиперболический тангенс и линейную функцию, где используется в качестве величины ошибки при обучении нейросети, причем выход нейросети соединен с входом робота-манипулятора; выход ПД-регулятора также соединен с входом робота-манипулятора, предварительно суммированный с сигналом выхода нейросети; выход робота-манипулятора, в свою очередь, соединен с входом нейросети, отличающаяся тем, что вход ПД-регулятора соединен: с сигналом разности между заданным и действительными сигналами полного перемещения концевой точки звена робота-манипулятора, причем в действительном сигнале принято отклонение концевой точки в обратную сторону; с сигналом разности между заданным значением и действительным значением скорости поворота в шарнире, вход нейросети соединен с сигналами: заданное значение угла поворота в шарнире, заданное значение скорости поворота в шарнире, действительное значение угла поворота в шарнире, действительное значение скорости поворота в шарнире, причем в качестве активационной функции нейрона принята функция Гаусса, количество нейронов нейросети изменяется в зависимости от активности каждого нейрона, алгоритм обучения нейросети работает по правилу «победитель получает все».
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
RU2009102493/22U RU85392U1 (ru) | 2009-01-26 | 2009-01-26 | Система управления гибким звеном робота-манипулятора |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
RU2009102493/22U RU85392U1 (ru) | 2009-01-26 | 2009-01-26 | Система управления гибким звеном робота-манипулятора |
Publications (1)
Publication Number | Publication Date |
---|---|
RU85392U1 true RU85392U1 (ru) | 2009-08-10 |
Family
ID=41049839
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
RU2009102493/22U RU85392U1 (ru) | 2009-01-26 | 2009-01-26 | Система управления гибким звеном робота-манипулятора |
Country Status (1)
Country | Link |
---|---|
RU (1) | RU85392U1 (ru) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
RU2671787C1 (ru) * | 2017-07-10 | 2018-11-06 | Общество с ограниченной ответственностью "Эйдос - Робототехника" | Способ повышения точности позиционирования промышленного робота |
US10635758B2 (en) | 2016-07-15 | 2020-04-28 | Fastbrick Ip Pty Ltd | Brick/block laying machine incorporated in a vehicle |
US10865578B2 (en) | 2016-07-15 | 2020-12-15 | Fastbrick Ip Pty Ltd | Boom for material transport |
US11401115B2 (en) | 2017-10-11 | 2022-08-02 | Fastbrick Ip Pty Ltd | Machine for conveying objects and multi-bay carousel for use therewith |
US11441899B2 (en) | 2017-07-05 | 2022-09-13 | Fastbrick Ip Pty Ltd | Real time position and orientation tracker |
US11958193B2 (en) | 2017-08-17 | 2024-04-16 | Fastbrick Ip Pty Ltd | Communication system for an interaction system |
-
2009
- 2009-01-26 RU RU2009102493/22U patent/RU85392U1/ru not_active IP Right Cessation
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10635758B2 (en) | 2016-07-15 | 2020-04-28 | Fastbrick Ip Pty Ltd | Brick/block laying machine incorporated in a vehicle |
US10865578B2 (en) | 2016-07-15 | 2020-12-15 | Fastbrick Ip Pty Ltd | Boom for material transport |
US10876308B2 (en) | 2016-07-15 | 2020-12-29 | Fastbrick Ip Pty Ltd | Boom for material transport |
US11106836B2 (en) | 2016-07-15 | 2021-08-31 | Fastbrick Ip Pty Ltd | Brick/block laying machine incorporated in a vehicle |
US11299894B2 (en) | 2016-07-15 | 2022-04-12 | Fastbrick Ip Pty Ltd | Boom for material transport |
US11687686B2 (en) | 2016-07-15 | 2023-06-27 | Fastbrick Ip Pty Ltd | Brick/block laying machine incorporated in a vehicle |
US11842124B2 (en) | 2016-07-15 | 2023-12-12 | Fastbrick Ip Pty Ltd | Dynamic compensation of a robot arm mounted on a flexible arm |
US11441899B2 (en) | 2017-07-05 | 2022-09-13 | Fastbrick Ip Pty Ltd | Real time position and orientation tracker |
RU2671787C1 (ru) * | 2017-07-10 | 2018-11-06 | Общество с ограниченной ответственностью "Эйдос - Робототехника" | Способ повышения точности позиционирования промышленного робота |
US11958193B2 (en) | 2017-08-17 | 2024-04-16 | Fastbrick Ip Pty Ltd | Communication system for an interaction system |
US11401115B2 (en) | 2017-10-11 | 2022-08-02 | Fastbrick Ip Pty Ltd | Machine for conveying objects and multi-bay carousel for use therewith |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Son et al. | A novel adaptive feed-forward-PID controller of a SCARA parallel robot using pneumatic artificial muscle actuator based on neural network and modified differential evolution algorithm | |
RU85392U1 (ru) | Система управления гибким звеном робота-манипулятора | |
CN108388123B (zh) | 多个仿人机器人在速度不可测下的自适应控制方法 | |
Nanda et al. | A novel application of artificial neural network for the solution of inverse kinematics controls of robotic manipulators | |
Jamali et al. | Intelligent modeling of double link flexible robotic manipulator using artificial neural network | |
Wang et al. | Dynamic performance analysis of parallel manipulators based on two-inertia-system | |
Yin et al. | Mechanism and position tracking control of a robotic manipulator actuated by the tendon-sheath | |
Zebin et al. | Modeling and Control of a Two-link Flexible Manipulator using Fuzzy Logic and Genetic Optimization Techniques. | |
HÜSEYİNOĞLU et al. | Dynamic model and control of 2-dof robotic arm | |
Pedrammehr et al. | Model-based control of axisymmetric hexarot parallel manipulators | |
Ramli et al. | A Fuzzy-Active force control architecture based in characterizing nonlinear systems’ behavior | |
Ahmed et al. | A comparative study between convolution and optimal backstepping controller for single arm pneumatic artificial muscles | |
Jovanović et al. | Fuzzy Controller Optimized by the African Vultures Algorithm for Trajectory Tracking of a Two–Link Gripping Mechanism | |
Jamil et al. | A new approach of active compliance control via fuzzy logic control for multifingered robot hand | |
Saidi et al. | Sliding Mode Control of a 2DOF Robot Manipulator: A Simulation Study Using Artificial Neural Networks with Minimum Parameter Learning | |
RU83728U1 (ru) | Интеллектульная система управления перемещением робота-манипулятора | |
Urrea et al. | Design of a generalized dynamic model and a trajectory control and position strategy for n-link underactuated revolute planar robots | |
Shamseldin | Real-time inverse dynamic deep neural network tracking control for Delta robot based on a COVID-19 optimization | |
RU87954U1 (ru) | Система управления роботом-манипулятором с упругими звеньями | |
Ahmed et al. | Non-Leaner Control on the Pneumatic Artificial Muscles: A Comparative Study Between Adaptive Backstepping and Conventional Backstepping Algorithms. | |
Jalaeian et al. | A dynamic-growing fuzzy-neuro controller, application to a 3PSP parallel robot | |
Soltanpour et al. | Optimal adaptive fuzzy integral sliding model control for electrically driven SCARA robot manipulator | |
Wang et al. | Fuzzy-neuro position/force control for robotic manipulators with uncertainties | |
Martins et al. | Nonholonomic mobile robot with kinematic disturbances in the trajectory tracking: a variable structure controller | |
Zhang et al. | Inverse kinematics solution for six-DOF serial robots based on BP neural network |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
MM1K | Utility model has become invalid (non-payment of fees) |
Effective date: 20100127 |
|
NF1K | Reinstatement of utility model |
Effective date: 20120320 |
|
MM1K | Utility model has become invalid (non-payment of fees) |
Effective date: 20130127 |