Электронная библиотека Веда
Цели библиотеки
Скачать бесплатно
Доставка литературы
Доставка диссертаций
Размещение литературы
Контактные данные
Я ищу:
Библиотечный каталог российских и украинских диссертаций

Вы находитесь:
Диссертационные работы России
Технические науки
Автоматизированные системы управления и прогрессивные информационные технологии

Диссертационная работа:

Шипитько Илья Александрович. Прогнозирующее управление с нейросетевой моделью объекта для манипулятора с нежесткими звеньями : Дис. ... канд. техн. наук : 05.13.06 : Владивосток, 2004 200 c. РГБ ОД, 61:04-5/2276

смотреть содержание
смотреть введение
Содержание к работе:

Введение 5

Глава 1. Обзор существующего состояния проблемы управления манипуляторами с нежесткими звеньями. Цели и задачи исследования

1.1 Особенности задачи управления манипулятором в условиях низкой механической жесткости звеньев 11

1.2 Обзор существующих методов управления манипуляторами с нежесткими звеньями с позиции "интеллектуальных" САУ 16

1.3 Выводы, цель и задачи исследования 26

Глава 2. Синтез аналитической модели динамики планарного неже сткого манипулятора

2.1 Краткий обзор классических методов представления динамики манипуляторов с нежесткими звеньями 29

2.2 Разработка аналитической модели динамики планарного нежесткого манипулятора 33

2.2.1 Одномерный случай - плоский нежесткий однозвенник 33

2.2.2 Многомерный случай - плоский нежесткий многозвенник 38

2.3 Анализ свойств модели нежесткого однозвенника 45

2.4 Заключение к второй главе 49

Глава 3. Синтез дискретных нейросетевых прогнозирующих моде лей прямой и инверсной динамики нежесткого манипулятора

3.1 О классическом и нейросетевом подходах к построению динамической модели манипулятора с нежесткими звеньями 51

3.2 Искусственные нейронные сети в качестве модельной структуры в задаче идентификации 52

3.3 Постановка задачи синтеза нейросетевых прогнозирующих моде лей динамики нежесткого манипулятора 57

3.4 Методика синтеза нейросетевых прогнозирующих моделей динамики нежесткого манипулятора 65

3.5 Экспериментальное исследование синтеза нейросетевых прогнозирующих моделей для манипулятора с нежесткими звеньями 80

3.6 Заключение к третьей главе 87

Глава 4. Синтез алгоритма прогнозирующего управления с нейросетевой моделью динамики объекта

4.1 Метод прогнозирующего управления на основе модели объекта. Основополагающие принципы, достоинства и недостатки 89

4.2 Синтез законов управления с использованием одношагового предиктора прямой и инверсной динамики объекта 102

4.2.1 Базовая стратегия управления, одномерный вариант 102

4.2.2 Базовая стратегия управления, многомерный вариант 106

4.2.3 Расширенная стратегия управления 111

4.2.4 Частное решение для расширенной стратегии управления 117

4.2.5 Решение целевого функционала дискретным методом динамического программирования 119

4.3 Синтез законов управления с использованием краткосрочных пре дикторов прямой и инверсной динамики объекта 126

4.4 Заключение к четвертой главе 128

Глава 5. Синтез и исследование прогнозирующего регулятора для САУ однозвенным нежестким манипулятором

5.1 Разработка структуры прогнозирующего регулятора на основе линейной нейросетевой модели 130

5.2 САУ с одним прогнозирующим регулятором по положению нежесткого звена. Схема компенсации возмущения и способ настройки регулятора 134

5.3 САУ подчиненного регулирования с двумя прогнозирующими регуляторами по скорости шарнира и положению нежесткого звена 143

5.4 Заключение к пятой главе 146

Заключение по диссертационной работе 147

Список сокращений 159

Список литературы 150

Приложение 1. Реализация аналитической модели динамики планар- ного манипулятора с нежесткими звеньями в средеMATLAB6.5 164

Приложение 2. Описание программно-аппаратного комплекса лабора торной модели плоского однозвенного нежесткого манипулятора с моделью системой управления реального времени 183

Приложение 3. Реализация схем синтеза и исследования нейросетевых прогнозирующих моделей в среде MATLAB 6.5 192

Приложение 4. Реализация САУ с прогнозирующим регулятором в среде MATLAB 6.5 195

Акт внедрения результатов диссертации в учебный процесс и науно-исследовательскую работу кафедры Автоматизированных про изводственных систем ДВГТУ 199 

Введение к работе:

Современный промышленный робот-манипулятор (ПРМ) является сложной технической системой. Высокий порядок уравнений, нелинейность, нестационарность осложняют описание динамики многозвенной манипуляционной системы даже в предположении ее абсолютной жесткости. Все многократно усложняется, если есть ярко выраженная нежесткость: теоретический порядок модели становится равным бесконечности, вмешиваются различные, в общем случае, нелинейные, виды деформаций в шарнирах и звеньях, нелинейности внутреннего демпфирования, неминимально-фазовые свойства динамики системы "привод шарнира - нежесткое звено - датчик положения". Эти особенности у каждого ПРМ свои, априори их предсказать крайне трудно. Синтез систем автоматического управления (САУ) нежестких ПРМ в рамках классических подходов затруднителен.

Эффективное решение данной задачи может быть найдено в области "интеллектуальных" САУ, работающих в условиях существенно неполной априорной информации об объекте управления. Постановлением Президента РФ Пр-576 "Основы политики РФ в области развития науки и технологии на период до 2010 года и дальнейшую перспективу" от 30 марта 2002 г. интеллектуальные системы управления, в том числе производственными процессами и технологическим оборудованием, признаны одним из приоритетных направлений развития.

Динамично развивающейся основой интеллектуальных САУ являются искусственные нейронные сети (ИНС). Как мощные унифицированные аппрок-симаторы любых гладких функциональных зависимостей, ИНС получают все большее распространение при синтезе САУ различными объектами (в том числе ПРМ) как нейрорегуляторы, прямые и инверсные модели динамики объекта управления. Параметризация ИНС-моделей путем обучения на экспериментальных данных, снятых с объекта, как в offline-, так и в ш///?е-режимах, решает проблему получения адекватной модели в условиях неопределенности (немо-делируемости) динамики объекта управления (ОУ). Однако само по себе наличие адекватной модели не гарантирует высокого качества САУ. В последнее время за рубежом получил распространение метод прогнозирующего управления на основе модели объекта {Model Predictive Control), охватывающий широкий диапазон алгоритмов управления, использующих принципы локально-оптимального управления с удаляющимся горизонтом оптимизации. В ряде работ показана успешная реализация прогнозирующего управления для слабо-демпфированных объектов, в том числе с неминимально-фазовой динамикой. Таким образом, сложность нежесткого ПРМ как объекта управления для синтеза САУ традиционными подходами, с одной стороны, и с другой - интенсивное развитие методик синтеза САУ на основе нейросетевых моделей и прогнозирующего управления, в том числе для слабодемпфированных объектов, позволяют считать актуальным развиваемое в работе направление.

Исходя из состояния вопроса, цель настоящей работы - разработка и исследование методики прогнозирующего управления на основе нейросетевых регрессионных моделей динамики объекта для синтеза САУ манипуляционным роботом с нежесткими звеньями (МРНЗ), обеспечивающей эффективное гашение колебаний звеньев при движении.

Объектом исследования является САУ манипулятором с нежесткими звеньями, реализованная с использованием цифровых вычислительных средств, а предмет исследования - алгоритмы управления манипуляторами с нежесткими звеньями, основанные на использовании искусственных нейронных сетей и методологии прогнозирующего управления. Теоретические исследования, проводимые в работе, основаны на использовании методов и средств классической и современной теории автоматического управления непрерывными и дискретными системами, теории систем с прогнозирующим управлением, теории искусственных нейронных сетей, с привлечением математического аппарата дифференциальных и разностных уравнений. Экспериментальная проверка теоретических результатов выполнялась средствами численного моделирования в среде MATLAB 6 и на лабораторной модели САУ реального времени планар-ным нежестким однозвенным манипулятором.

В рамках общей цели в работе решены следующие задачи.

Разработана и реализована в среде инженерного моделирования MATLAB 6 аналитическая модель динамики горизонтального планарного МРНЗ в одно- и двухзвенном вариантах для численных экспериментов по идентификации и моделированию работы САУ.

Разработана методика синтеза дискретных нейросетевых регрессионных прогнозирующих моделей (ПМ) прямой и инверсной динамики МРНЗ в рамках решения задачи идентификации при использовании ИНС в качестве модельной структуры, параметризуемой на экспериментальных данных методом обучения. Проведено экспериментальное исследование синтеза прогнозирующих моделей и факторов, влияющих на их точность и адекватность, с использованием в качестве объекта идентификации аналитической (программной) и лабораторной моделей нежесткого манипулятора.

Разработано семейство алгоритмов управления, используя один подход к задаче прогнозирующего управления (ПУ) (J.M. Martin Sanchez, J. Rodellar), модифицированный за счет применения дискретных нейросетевых прогнозирующих моделей прямой и инверсной динамики объекта. На основе частного решения задачи ПУ с линейной нейросетевой ПМ прямой динамики разработан прогнозирующий регулятор (НПР), отличающийся способностью к компенсации возмущения по управляемой координате.

Разработана САУ планарным однозвенным нежестким манипулятором на основе двух НПР с контурами подчиненного регулирования по скорости шарнира и положению конечной точки нежесткого звена, способная эффективно гасить колебания нежесткого звена при движении. Разработана и реализована в среде MATLAB 6 модель САУ с НПР, в том числе для работы в режиме реального времени в составе программно-аппаратного комплекса лабораторной модели планарного манипулятора с длинным нежестким звеном, использующей технологии "hard-inlie-loop" и "rapid prototyping".

Проведено экспериментальное исследование выбора параметров и работы НПР в составе САУ однозвенным нежестким манипулятором средствами численного моделирования, а также на лабораторной модели. Предложена методика определения области необходимых значений и выбора величины горизонта прогноза при синтезе НПР.

В работе защищаются следующие основные положения, представляющие научную новизну:

1. Прогнозирующий регулятор на основе линейной дискретной нейросете-вой регрессионной модели динамики объекта управления, отличающийся способностью компенсации возмущений по управляемой координате за счет двойного применения прогнозирующей модели: для вычисления управляющего воздействия и для косвенного измерения возмущения.

2. Способ определения области необходимых значений величины горизонта прогноза при синтезе прогнозирующего регулятора.

3. САУ планарным манипулятором с длинным нежестким звеном, построенная на основе двух прогнозирующих регуляторов с контурами подчиненного регулирования по скорости шарнира и положению конечной точки звена, обеспечивающая эффективное гашение колебаний звена при движении.

Практическую ценность представляют собой разработанная и реализованная в среде MATLAB 6 аналитическая модель динамики плоского нежесткого манипулятора в одно- и двухзвенном вариантах, а также разработанная и реализованная в среде MATLAB 6 модель прогнозирующего регулятора, в том числе в составе программно-аппаратного комплекса реального времени лабораторной модели однозвенного манипулятора с длинным нежестким звеном.

Диссертационная работа состоит из введения, пяти глав основного текста, заключения, списка сокращений и списка литературы, содержащего 155 наименований. Текст работы изложен на 200 страницах, содержит 72 рисунка, 11 таблиц и 4 приложения.

Во введении обоснована актуальность работы, определена цель, объект и предмет исследований, выделены основные положения, представляющие новизну и практическую значимость.

В первой главе рассмотрены особенности задачи управления манипулятором с нежесткими звеньями, дан обзор и анализ работ, посвященных применению искусственных нейронных сетей и методологии прогнозирующего управления для синтеза САУ нежестким манипулятором. Поставлены задачи исследования.

Во второй главе разработана аналитическая модель динамики плоского одно- и двухзвенного нежесткого манипулятора в среде MATLAB.

В третьей главе рассмотрены особенности применения нейросетевых модельных структур в задаче идентификации динамики объекта, дана постановка задачи синтеза нейросетевых прогнозирующих моделей прямой и инверсной динамики объекта в вариантах одношагового и краткосрочного предикторов, описана методика синтеза прогнозирующих моделей. Приведены результаты экспериментального исследования синтеза ПМ для плоского однозвенного нежесткого манипулятора.

В четвертой главе рассмотрены принципы и особенности применения методологии прогнозирующего управления для синтеза закона управления, рассмотрены виды традиционно используемых прогнозирующих моделей, их достоинства и недостатки. Используя разработанные в третьей главе прогнозирующие модели прямой и инверсной динамики, разработано семейство законов управления в рамках одного подхода к задаче ПУ, основанного на безусловной минимизации целевого функционала ПУ.

В пятой главе разработан прогнозирующий регулятор на основе линейной нейросетевой модельной структуры, предложен способ определения допустимой величины горизонта прогноза при настройке регулятора, а также структура САУ однозвенным нежестким манипулятором с контурами подчиненного регулирования по скорости шарнира и положению конечной точки звена. Приведены результаты исследования работы регулятора и САУ средствами чис ленного моделирования и натурного эксперимента на лабораторной модели планарного однозвенного нежесткого манипулятора.

В приложениях приведены схемы реализации в MATLAB модели динамики нежесткого манипулятора, синтеза и исследования прогнозирующих моделей, реализация модели САУ с прогнозирующим регулятором и описание экспериментальной установки - лабораторной модели планарного однозвенного нежесткого манипулятора, а также содержится акт внедрения результатов диссертационной работы в учебный процесс и научно-исследовательскую работу кафедры Автоматизированных производственных систем ДВГТУ.

Подобные работы
Зубов Дмитрий Владимирович
Математическая модель и оптимальное управление процессом бинарной ректификации
Дронь Елена Анатольевна
Автоматизированная система поддержки принятия решений при управлении строительством на основе системной модели затрат
Кокуев Андрей Геннадьевич
Оптимальное управление технологическим процессом с использованием энергоинформационной модели : на примере производства гофрированного картона
Антонов Олег Викторович
Оптимальное управление процессом каталитического риформинга с использованием гибридной математической модели
Белая Татьяна Иоанновна
Управление процессами пуска и останова установки каталитического риформинга на основе математической модели
Карелин Алексей Евгеньевич
Синтез, исследование и применение рекуррентных алгоритмов оценивания параметров математических моделей объектов в автоматизированных системах управления
Коптева Лариса Георгиевна
Построение моделей геометрических объектов, их обработка и передача в транспортных информационных сетях
Фокин Александр Леонидович
Синтез систем автоматического управления технологическими процессами по расширенной модели динамики объекта
Попов Сергей Владимирович
Синтез алгоритмов управления движущимися краскораспылителями с вынесенной подсистемой контроля параметров объекта покраски и моделью кодового канала ТРЗ
Устинов Алексей Александрович
Математическая модель бурового судна как объекта управления динамическим позиционированием

© Научная электронная библиотека «Веда», 2003-2013.
info@lib.ua-ru.net