جدول (۴-۵): قوانین کنترل کننده فازی با ساختار دوم ……………………………………………………………………………… ۴۱
شکل (۴-۳) : دیاگرام کنترل فازی بازوی انعطاف پذیر ……………………………………………………………………………….. ۴۱
شکل (۴-۴): شبکه عصبی- فازی ممدانی با دو ورودی و یک خروجی ………………………………………………………… ۴۴
شکل (۴-۵): شکل کلی کنترل کننده عصبی- فازی …………………………………………………………………………………… ۴۹
شکل (۵-۱): ساختارکنترل عصبی- فازی تطبیقی با آموزش عاطفی …………………………………………………………… ۵۳
شکل (۵-۲): روش شناسایی تابع مستقیم سیستم ……………………………………………………………………………………… ۵۹
شکل (۵-۳): روش شناسایی تابع معکوس سیستم ……………………………………………………………………………………… ۵۹
شکل (۵-۴): ساختار شبکه عصبی تابع پایه شعاعی وزن دار ………………………………………………………………………… ۶۱
شکل (۶-۱): توابع تعلق ساختار اول با استنتاج مینیمم ………………………………………………………………………………. ۶۶
شکل (۶-۲): توابع تعلق ساختار دوم با استنتاج مینیمم ………………………………………………………………………………. ۶۶
شکل (۶-۳): نتایج شبیه سازی کنترل کننده فازی با استنتاج مینیمم با ساختار اول …………………………………… ۶۷
شکل (۶-۴): نتایج شبیه سازی کنترل کننده فازی با استنتاج مینیمم با ساختار دوم ………………………………….. ۶۸
شکل (۶-۵): نتایج پیاده سازی کنترل کننده فازی با استنتاج مینیمم با ساختار اول …………………………………… ۶۸
شکل (۶-۶): نتایج پیاده سازی کنترل کننده فازی با استنتاج مینیمم با ساختار دوم …………………………………… ۶۹
شکل (۶-۷): توابع تعلق ساختار اول با استنتاج ضرب …………………………………………………………………………………… ۷۰
شکل (۶-۸): توابع تعلق ساختار دوم با استنتاج ضرب ………………………………………………………………………………….. ۷۰
شکل (۶-۹): نتایج شبیه سازی کنترل کننده فازی با استنتاج ضرب با ساختار اول ………………………………………. ۷۱
شکل (۶-۱۰): نتایج شبیه سازی کنترل کننده فازی با استنتاج ضرب با ساختار دوم ……………………………………. ۷۲
شکل (۶-۱۱): نتایج پیاده سازی کنترل کننده فازی با استنتاج ضرب با ساختار اول ……………………………………. ۷۲
شکل (۶-۱۲): نتایج پیاده سازی کنترل کننده فازی با استنتاج ضرب با ساختار دوم …………………………………… ۷۳
جدول (۶-۱): نتایج شبیه سازی و پیاده سازی کنترل کننده فازی ………………………………………………………………. ۷۴
شکل (۶-۱۳): آرایش توابع گوسین کنترل کننده عصبی- فازی در ساختار های اول و دوم(آرایش یکنواخت) . ۷۵
شکل (۶-۱۴): نتایج شبیه سازی کنترل کننده عصبی- فازی با آرایش یکنواخت توابع گوسین با ساختار اول (با آموزش عاطفی مراکز دسته تالی و ژاکوبین بر اساس مدل فضای حالت سیستم) ………………………………………… ۷۶
شکل (۶-۱۵): نتایج شبیه سازی کنترل کننده عصبی- فازی با آرایش یکنواخت توابع گوسین با ساختار اول (با آموزش عاطفی مراکز دسته تالی و پارامتر های گوسین و ژاکوبین بر اساس مدل فضای حالت سیستم) ……….. ۷۶
شکل (۶-۱۶): نتایج شبیه سازی کنترل کننده عصبی- فازی با آرایش یکنواخت توابع گوسین با ساختار اول (با آموزش عاطفی مراکز دسته تالی و پارامتر های گوسین و و ژاکوبین بر اساس مدل شبکه عصبی سیستم) …….. ۷۶
شکل (۶-۱۷): نتایج شبیه سازی کنترل کننده عصبی- فازی با آرایش یکنواخت توابع گوسین با ساختار دوم (با آموزش عاطفی مراکز دسته تالی و ژاکوبین بر اساس مدل فضای حالت سیستم) …………………………………………. ۷۷
شکل (۶-۱۸): نتایج شبیه سازی کنترل کننده عصبی- فازی با آرایش یکنواخت توابع گوسین با ساختار دوم (با آموزش عاطفی مراکز دسته تالی و پارامتر های گوسین و ژاکوبین بر اساس مدل فضای حالت سیستم) ……….. ۷۸
شکل (۶-۱۹): نتایج شبیه سازی کنترل کننده عصبی- فازی با آرایش یکنواخت توابع گوسین با ساختار دوم (با آموزش عاطفی مراکز دسته تالی و پارامتر های گوسین و و ژاکوبین بر اساس مدل شبکه عصبی سیستم) ……. ۷۸
شکل (۶-۲۰): نتایج پیاده سازی کنترل کننده عصبی- فازی با آرایش یکنواخت توابع گوسین با ساختار اول (با آموزش عاطفی مراکز دسته تالی و ژاکوبین بر اساس مدل فضای حالت سیستم) …………………………………………… ۸۱
شکل (۶-۲۱): نتایج پیاده سازی کنترل کننده عصبی- فازی با آرایش یکنواخت توابع گوسین با ساختار اول (با آموزش عاطفی مراکز دسته تالی و پارامتر های گوسین و ژاکوبین بر اساس مدل فضای حالت سیستم) ……….. ۸۱
شکل (۶-۲۲): نتایج پیاده سازی کنترل کننده عصبی- فازی با آرایش یکنواخت توابع گوسین با ساختار اول (با آموزش عاطفی مراکز دسته تالی و پارامتر های گوسین و و ژاکوبین بر اساس مدل شبکه عصبی سیستم) ……. ۸۱
شکل (۶-۲۳): نتایج پیاده سازی کنترل کننده عصبی- فازی با آرایش یکنواخت توابع گوسین با ساختار دوم (با آموزش عاطفی مراکز دسته تالی و ژاکوبین بر اساس مدل فضای حالت سیستم) …………………………………………. ۸۲
شکل (۶-۲۴): نتایج پیاده سازی کنترل کننده عصبی- فازی با آرایش یکنواخت توابع گوسین با ساختار دوم (با آموزش عاطفی مراکز دسته تالی و پارامتر های گوسین و ژاکوبین بر اساس مدل فضای حالت سیستم) ………. ۸۲
شکل (۶-۲۵): نتایج پیاده سازی کنترل کننده عصبی- فازی با آرایش یکنواخت توابع گوسین با ساختار دوم (با آموزش عاطفی مراکز دسته تالی و پارامتر های گوسین و و ژاکوبین بر اساس مدل شبکه عصبی سیستم) ……. ۸۲
جدول (۶-۲): نتایج شبیه سازی و پیاده سازی کنترل کننده عصبی- فازی …………………………………………………. ۸۳
فصل اول
مروری بر بازوی انعطاف پذیر و
کنترل هوشمند آن
۱-۱- مقدمه
در سال های اخیر، حوزه روباتیک سیر تکاملی را آغاز کرده است که مبتنی بر نیازهای کاربران می باشد. تقاضای صنعت برای زمان های پاسخ سریعتر و مصرف انرژی کمتر، طراحان روبات را بر آن داشته تا اصلاحات بنیادی را در طراحی بازوهای روبات صورت دهند. با کاربرد مواد سبک وزن تر و بازسازی پیکربندی فیزیکی روبات، بازوها به مرور بلندتر و نازکتر شدند و اهداف آنها مبنی بر سرعت بالا، شتاب گیری سریع و مصرف انرژی کمتر تحقق یافت. این بازوهای انعطاف پذیر حوزه تحقیقاتی کاملا جدیدی را در زمینه طراحی و کنترل بازوی ربات با درجه دقت قابل قبول گشوده اند ]۱[.

برای بازوی روباتیک صلب، کنترل مسیر نوک دست، معادل کنترل محرک حالت صلب (انعطاف ناپذیر) است. اما برای کنترل مطلوب بازوی انعطاف پذیر، کنترل مطمئن تری از حالات انعطاف ناپذیر لازم است تا ارتعاشات اجتناب ناپذیر و بدون محدودیت در آن مد نظر قرار گیرند. در نتیجه، ردگیری دقیق روبات با بازوی انعطاف پذیر مسئله ای بحث برانگیز شناخته می شود. این را هم باید در نظر گرفت که همواره صلبیت بازوها، یک فرض ایده آل است و با افزایش نسبت بار به وزن بازو، سرعت حرکت و پهنای باند کنترل ممکن است از این صلبیت کاسته شود ]۱۵[.
این درست است که این بازوها به علت سبک بودن و کاهش اینرسی دارای عملکرد سریع تری نسبت به بازوهای صلب هستند و به گشتاور کمتری برای حرکت نیاز دارند و این خود باعث کاهش مصرف انرزی الکتریکی می شود و اقتصادی تر است ]۱[. ولی از دیدگاه مدلسازی، طبیعت توزیع یافته دینامیک این بازوها واستعداد طبیعی انعطاف پذیری، امکان اینکه بتوان مدل دقیقی با بعد معین بدست آورد، را غیر ممکن می سازد و علاوه بر این به علت ایجاد نوسانات ناشی از کاهش صلبیت در حرکت، کنترل دقیق مسیر حرکت بسیار مشکل می شود ]۳[.
۱-۲- ویژگی های مدل سیستم
از دیدگاه مدلسازی، طبیعت توزیع یافته دینامیک این بازوها واستعداد طبیعی انعطاف پذیری ساختمان، امکان اینکه بتوان مدل دقیقی با بعد معین بدست آورد، را غیر ممکن می سازد. در نتیجه مدلی غیرخطی، متغیر با زمان و با مرتبه بالا ( از نظر تئوری بی نهایت ) خواهیم داشت ]۳[.
علاوه بر این، به علت ناهم خوانی موقعیت سنسورها و محرکها (ورودی ها و خروجی ها)، چنانچه مستقیما موقعیت انتهای بازو را به عنوان خروجی بگیریم، منجر به کنترل غیر متمرکز^[۱] و رفتار دینامیک غیر مینیمم فاز خواهد شد. به عبارت دیگر، تابع تبدیل حلقه باز سیستم از محل اعمال گشتاور در مفصل تا موقعیت انتهای بازو، صفر های ناپایدار خواهد داشت.این ویژگی تا وقتی که بهره پایداری حلقه بسته مد نظر باشد، محدودیت های شدیدی را بر طراحی کنترل کننده تحمیل می کند ]۳[.
از اینها گذشته، به علت کمتر بودن تعداد محرکها نسبت به درجات آزادی سیستم، سیستم کنترل زیر فعال^[۲] خواهد بود که خود محدودیت های زیادی را بر آنچه که از طریق کنترل کردن می توان به آن دست یافت، ایجاد می کند. زیرا با تنها یک ورودی باید بتوانیم جابجایی زاویه ای بازو را به نحوی کنترل کنیم که میزان نوسانات انتهای بازو میرا شود ]۳[.
۱-۳- چرا کنترل هوشمند
سیستم های مکانیکی که به صورت نرم افزاری شبیه سازی شده اند، معمولاً ویژگی های اجزای صلب را نشان می دهند، در حالی که، در واقعیت محرکها، بازوها و مفصل ها، به دلیل اینکه صلب مطلق نیستند، نسبت به آنچه که به صورت تئوری بدست می آید، تاحدودی کاهش در عملکرد کنترل را نشان می دهند. استفاده از یک سیستم کنترل خاص ، یکی از راه های حل این مشکل است ]۵[.
از طرفی، توصیف دقیق دینامیک یک سیستم غیر صلب، به خاطر ویژگی خاص مدل سیستم، مثل غیر خطی بودن، مرتبه بالا و متغیر با زمان بودن معادلات مدل سیستم ، کار بسیار پیچیده ای است ]۵[.
مدل های تخمین زده شده توسط روش های معمول ریاضی مثل معادلات دیفرانسیلی نیوتن–اویلر یا لاگرانژ-اویلر، نیاز به ظرفیت محاسباتی بالا و اطلاعات از پیش تعیین شده در مورد پارامترهای سیستم دارد که استفاده کاربردی از آنها را در سیستم های کنترل محدود می کند. بنابراین وجود نا معینی های دینامیک سیستم، مهمترین فاکتوری است که استفاده از روش های کنترل کلاسیک را برای تحلیل سیستم های کنترل غیر صلب نامناسب می کند ]۵[.
در طول سال های زیادی، مهندسان کنترل کلاسیک با مدل های ریاضی کار می کردند و اطلاعات بیشتری از سیستم بدست نمی آوردند. اما امروزه مهندسان کنترل علاوه بر اینکه از تمام مراجع اطلاعات کلاسیک استفاده می کنند، از کنترل کننده های غیر کلاسیک، از جمله کنترل کننده هوشمند نیز که به عنوان یک کنترل کننده آزاد از مدل^[۳] شناخته می شود، استفاده می کنند. از داده های عددی (ورودی/خروجی) و/ یا اطلاعات فرد خبره به عنوان یک مدل تخمینی استفاده می کنند و کنترل کننده ای براساس قانون اگر-آنگاه^[۴] فازی و یا بر اساس شبکه عصبی با گره هایی در چند لایه طراحی می کنند ]۶[.
تحلیل مقالاتی که به کنترل سیستم های انعطاف پذیر با روش های هوشمند از طریق شبکه عصبی پرداخته اند ، نشان از نتیجه مطلوب کنترل کننده های عصبی با آموزش بهنگام^[۵]، برای غلبه بر مشکل نامعینی و وابسته به زمان بودن دینامیک سیستم ، دارد. نگاشت غیرخطی، طبیعت تطبیقی^[۶] و توانایی برخورد با عدم قطعیت ها، در شبکه های عصبی آنها را ابزار توانمندی برای کنترل بازوی انعطاف پذیر ساخته است ]۴[.