|
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.
| 
Вы находитесь:
