Abstract

A robust adaptive control method is systematically proposed in this paper to significantly reduce the relatively tracking errors of 6 degree of freedom (DOF) industrial robots under both external disturbances and parametric uncertainties. The robust adaptive control law is formulated based on the robot dynamics in the task space of the robot end-effector. The control law is designed by combining robust term and adaptive term to track the desired trajectory of the end-effector with sufficient robustness and accuracy in the presence of unknown external disturbances and parametric uncertainties. The trajectory tracking performances of the proposed control are finally guaranteed based on Lyapunov function and Barbalat’s lemma. Furthermore, a stable online parametric adaption law is proposed to estimate the unknown parameters in the control law based on persistent excitation and residual estimation. Test results are obtained to show that the combined robust adaptive control reduces the final trajectory tracking error significantly as compared with conventional control.

نمونه ترجمه مقاله:

1. مقدمه

ربات های صنعتی پایه ثابت، بازوهای رباتیک (manipulators) قابل برنامه ریزی و چند تابعی می باشند که برای جابجایی مواد، قطعات، ابزار و یا دستگاه های تخصصی از طریق حرکات برنامه ریزی شده تغییر پذیر برای انجام کارهای مختلف طراحی شده اند. ربات های صنعتی در کارهای خطرناک، یکنواخت، و یا شدید که انسان ها نمی خواهند آنها را انجام دهند، جایگزین انسان شده اند. این فعالیت ها اغلب در فضایی که تهویه ضعیف، نور ضعیف، یا گازهای مضر یا سمی وجود دارد، انجام می شوند. در آینده، ربات های صنعتی به سمت موتورهای قدرت الکتریکی و رباتهای صنعتی تحت کنترل که معمولا ماشین های کف ایستاده (floor-standing) می باشند، تمایل می یابند[1]. این ربات های صنعتی ثابت کرده اند مقرون به صرفه هستند. چرا که بیشترین تنوع را دارند.

به عنوان یک موضوع اساسی و ضروری برای ربات های صنعتی، کنترل ردیابی مسیر در چند سال اخیر توجه زیادی را به خود جلب کرده است. روش های مختلفی برای کنترل ریابی دقیق مسیر ربات های صنعتی ارائه شده است. کنترلرهای مشتق انتگرال تناسبی (PID) به علت ساختار ساده و طراحی کنترل آزاد مدل به منظور کنترل ردیابی حرکت ربات های صنعتی، به گونه ای وسیع مورد استفاده قرار گرفته اند[2]. با این وجود، کنترلرهای PID باید با توجه به شرایط عملیاتی مختلف، که معمولا زمانگیر است، با دقت تنظیم شوند. در [3] یک الگوریتم کنترل ردیابی هدف تعاونی (a cooperative target) به منظور ردیابی هدفی متحرک توسط گروهی از ربات های موبایل ارائه شده است. همچنین یک فیلتر کالمن توزیع شده (a distributed Kalman filter) برای برآورد مکان هدف طراحی شد. اثربخشی الگوریتم کنترل بر اساس شبیه سازی و نتایج تجربی مورد تایید قرار گرفت. در [4] یک کنترلر ردیابی مسیر تطبیقی برای ردیابی حرکت ربات با پارامترهای ناشناخته و دینامیک ناپایدار طراحی شده است. کنترلر بازگشت به مرحله (back-stepping controller) با استفاده از توانایی یادگیری شبکه های عصبی که دیگر نیازی به دانستن دینامیک ربات ندارد، طراحی شده است. شبیه سازی ها و آزمایشات بر روی یک پلت فرم تجاری ربات به منظور بررسی عملکرد الگوریتم کنترل طراحی شده با کنترلر بازگشت به مرحله کلاسیک انجام شد. یک رویکرد کنترل پیش بینی مدل با استفاده از بهینه سازی عصبی-پویا (neural-dynamic) در [5] برای ردیابی مسیر رباتیک ارائه شده است. این رویکرد کنترل پیش بینی مدل به صورت مکرر تبدیل به یک مسئله برنامه ریزی مربع محدود شد، و سپس از یک شبکه عصبی اولیه دوگانه برای حل این مسئله در یک افق نزولی محدود شده، استفاده شد. اثربخشی نحوه کنترل براساس آزمایشات انجام گرفته تایید شد. یک روش مشتق گیری تناسبی مدل آزاد (PD) با قانون کنترل مد لغزشی برای کنترل ردیابی مسیر رباتیک در [6] آمده است. در این مقاله، قانون کنترل خاصیت کنترل خطی ساده را توسط کنترل PD و کنترل غیر خطی قوی را توسط کنترل مد لغزشی ارائه می دهد. با این حال، تنها نتایج شبیه سازی برای اثبات اثربخشی و نیرومندی قانون کنترل فراهم آمده است. در [7] یک طرح کنترل بازگشت به مرحله تطبیقی برای ردیابی مسیر بازوهای ربات در حضور اختلالات خارجی و پارامترهای ناشناخته پیشتهاد