Institutional Repository
Technical University of Crete
EN  |  EL

Search

Browse

My Space

Neuro-fuzzy control (Adaptive Neural Fuzzy Inference System. ANFIS) onrobotic arm of 3 to 5 degrees of freedom. Modelling, kinematics, dynamics,simulation, evaluation

Gkionis-Konstantatos Odysseas

Simple record


URIhttp://purl.tuc.gr/dl/dias/5F9CC81C-62F8-4FFB-9B40-4098DD714BF9-
Identifierhttps://doi.org/10.26233/heallink.tuc.80963-
Languageel-
Extent167 σελίδεςel
TitleΝεύρο-ασαφής έλεγχος (ANFIS) σε ρομποτικό βραχίονα 3-5 βαθμών ελευθερίας (Β.Ε). Μοντελοποίηση, κινηματική, δυναμική, προσομοίωση, αξιολόγησηel
TitleNeuro-fuzzy control (Adaptive Neural Fuzzy Inference System. ANFIS) on robotic arm of 3 to 5 degrees of freedom. Modelling, kinematics, dynamics, simulation, evaluationen
CreatorGkionis-Konstantatos Odysseasen
CreatorΓκιωνης-Κωνσταντατος Οδυσσεαςel
Contributor [Thesis Supervisor]Stavroulakis Georgiosen
Contributor [Thesis Supervisor]Σταυρουλακης Γεωργιοςel
Contributor [Committee Member]Bilalis Nikolaosen
Contributor [Committee Member]Μπιλαλης Νικολαοςel
Contributor [Committee Member]Bakatsaki Mariaen
Contributor [Committee Member]Μπακατσακη Μαριαel
PublisherΠολυτεχνείο Κρήτηςel
PublisherTechnical University of Creteen
Academic UnitTechnical University of Crete::School of Production Engineering and Managementen
Academic UnitΠολυτεχνείο Κρήτης::Σχολή Μηχανικών Παραγωγής και Διοίκησηςel
Content SummaryΟι βιομηχανικοί ρομποτικοί βραχίονες είναι κυρίως συσκευές τοποθέτησης και χειρισμού. Το βασικό πρόβλημα στον έλεγχο είναι ο υπολογισμός της επιδεξιότητας του ρομποτικού βραχίονα ήτοι στον βέλτιστο σχεδιασμό ελέγχου της κίνησης ώστε να ακολουθήσει μια επιθυμητή τροχιά, με επιθυμητή ταχύτητα και αντίληψη των περιορισμών κίνησης. Οι συμβατικές μέθοδοι ελέγχου εξαρτώνται σε μεγάλο βαθμό από την ακριβή μαθηματική μοντελοποίηση, ανάλυση και σύνθεση. Αυτές οι προσεγγίσεις είναι κατάλληλες για τον έλεγχο των ρομποτικών συστημάτων που λειτουργούν σε δομημένα περιβάλλοντα. Ωστόσο, οι λειτουργίες σε μη δομημένα περιβάλλοντα απαιτείται να εκτελούν πολύ πιο πολύπλοκα καθήκοντα χωρίς ένα κατάλληλο αναλυτικό μοντέλο. Το πιο δύσκολο πρόβλημα σε αυτό το πεδίο είναι ότι υπάρχουν πάντα αβεβαιότητες στα μη δομημένα περιβάλλοντα. Αυτές οι αβεβαιότητες οφείλονται κυρίως στην ανακρίβεια των αισθητήρων και στην μη προβλεπτικότητα των χαρακτηριστικών του περιβάλλοντος και στη δυναμική του. Από την άλλη πλευρά, η έλευση των τεχνικών ασαφών συνόλων μας παρέχει ένα ισχυρό εργαλείο για την επίλυση απαιτητικών πραγματικών προβλημάτων με αβέβαια και απρόβλεπτα περιβάλλοντα. Ο ασαφής ελεγκτής μπορεί να χαρακτηρίσει καλύτερη συμπεριφορά σε σύγκριση με τον κλασικό γραμμικό ελεγκτή PID λόγω των μη γραμμικών χαρακτηριστικών του. Γενικά, ένας άκαμπτος ρομποτικός βραχίονας Ν-βαθμού ελευθερίας χαρακτηρίζεται από Ν μη γραμμικές δυναμικές, συζευγμένες διαφορικές εξισώσεις. Το πρόβλημα του ελέγχου των χειριστών ρομπότ εξακολουθεί να προσφέρει πολλές πρακτικές και θεωρητικές προκλήσεις λόγω της πολυπλοκότητας της δυναμικής των ρομπότ και των πλεονεκτημάτων της απαίτησης να επιτευχθεί παρακολούθηση τροχιάς υψηλής ακρίβειας στις περιπτώσεις υψηλής ταχύτητας κίνησης και πολύ μεταβαλλόμενων φορτίων. Στην παρούσα εργασία, παρουσιάζουμε μια νέα προσέγγιση για έναν ρομποτικό βραχίονα με τρεις (3) μέχρι πέντε (5) βαθμούς ελευθερίας βασισμένο στον ελεγκτή ANFIS για την εξασφάλιση της στρατηγικής ελέγχου ρομπότ θέσης. Εξετάζεται αρχικά η πλήρης κινηματική, διαφορική δυναμική ανάλυση του ρομποτικού βραχίονα. Η δυναμική είναι εξαιρετικά μη γραμμική με ισχυρές συζεύξεις που υφίστανται μεταξύ των αρθρώσεων και συχνά υποβάλλονται σε δομημένες και αδόμητες αβεβαιότητες. Ο Fuzzy Logic Controller μπορεί πολύ καλά να περιγράψει την επιθυμητή συμπεριφορά του συστήματος μας με απλές σχέσεις, λόγω του ότι ο σχεδιαστής αποκομίζει κανόνες χειροκίνητα με δοκιμή και λάθος. Από την άλλη πλευρά, τα Neural Networks εκτελούν προσεγγίσεις λειτουργίας ενός συστήματος, αλλά δεν μπορούν να ερμηνεύσουν τη ληφθεί σα λύση ούτε να ελέγξουν αν η λύση τους είναι εύλογη. Οι δύο προσεγγίσεις είναι συμπληρωματικές. Συνδυάζοντάς τα, τα Νευρωνικά Δίκτυα θα επιτρέψουν την ικανότητα μάθησης ενώ το Fuzzy-Logic θα φέρει την εκπροσώπηση της γνώσης (Neuro-Fuzzy). Η αριθμητική προσομοίωση χρησιμοποιώντας το δυναμικό μοντέλο θα αποτυπώσει την αποτελεσματικότητα της προσέγγισης στα προβλήματα παρακολούθησης τροχιάς. Επιπλέον, ο ρομποτικός βραχίονας θα σχεδιαστεί σε ένα διαστασιολογικά και κινηματικά ακριβές τρισδιάστατο μοντέλο με τη χρήση προγράμματος CAD. Βάσει του μοντέλου αυτού θα γίνει προσομοίωση, η οποία λειτουργεί όχι μόνο ως απλή αναπαράσταση της κίνησης του μηχανισμού αλλά θα υπολογίζει και τις ροπές που αναπτύσσονται στις αρθρώσεις του, δεδομένων των γωνιακών μετατοπίσεων των τελευταίων. Τα αποτελέσματα που προκύψουν θα παρουσιάζουν την αποτελεσματικότητα και την ευρωστία του προτεινόμενου ελέγχου και θα αξιολογηθεί η συμβατότητα μεταξύ των αποτελεσμάτων των υπολογιστικών μεθόδων, πειραμάτων και των προσομοιώσεων.el
Content SummaryThe industrial robotic arms are mainly installation and operation devices. The basic issue in controlling is the calculation of the robotic arm competence degree and more specifically the optimum design of movement control so that it follows a preferred orbit within the kinematics constraints. The conventional control methods are highly dependable on the precision mathematical modelling, analysis and synthesis. Approaches of this kind are suitable for the control of robotic systems which operate in structured environments. Nevertheless, for the functions in unstructured environments it is demanded to execute more complex duties without a suitable analytical framework. The most difficult problem in this domain regarding the unstructured surroundings, is that there are always uncertainties. These uncertainties are mainly caused by the sensors’ inaccuracy and the unpredictability of the environmental characteristics and dynamics. On the other hand, the advent of technical fuzzy aggregations provides a powerful tool for the resolution of demanding reality problems within uncertain and unforeseeable environments. The fuzzy controller can characterize better behavior compared to the classic linear controller PID because of its non-linear features. In principle, a rigid robotic arm of N freedom degrees is characterized by N non-linear dynamic, conjugated differential equations. The control problem of robot operators continues to provide many practical and theoretical challenges due to the complexity of robot dynamics and the advantages dictated through achievement of high precision orbit in the cases of high-speed mobility and highly transformed loads. In the context of this thesis, it is presented a new approach encountering a robotic arm with 3 to 6 freedom degrees adopting the control method ANFIS to safeguard the strategy of robot control position. Initially, it the complete kinematic, differential dynamic of the robotic arm is examined. The dynamic is exceptionally non-linear with strong connections existing between the joints and they are frequently placed in both structured and unstructured uncertainties. Fuzzy Logic Controller can very well describe the preferred behavior of our system, with simple relationships, as the designer gets rules manually through trial and error. On the other hand, the Neural Networks execute operational approaches of a system, but they can neither interpret the resulting solution nor control if their solution is reasonable. These two approaches are complementary. Combining them, the Neuronic Networks will allow the learning ability while Fuzzy-Logic will bring the representation of knowledge (Neuro-Fuzzy). The arithmetic simulation adopting the dynamic model captures the effectiveness of the approach in relation to the issues arising from orbit monitoring. Furthermore, the robotic arm will be designed in a dimensionally and kinematically accurate 3-D model with the use of CAD software program. Simulation, based on this model, will take place and will function not as a plain representation of the movement mechanism but it will also calculate the torques developed in the joints taking into account their given angular displacement. The resulting outcome will present the effectiveness and robustness of the proposed control and evaluation of the compatibility among the scores of calculation methods, experiments and simulations will follow.en
Type of ItemΔιπλωματική Εργασίαel
Type of ItemDiploma Worken
Licensehttp://creativecommons.org/licenses/by-nc/4.0/en
Date of Item2019-02-15-
Date of Publication2018-
SubjectΜηχατρονικήel
SubjectMechatronicsen
SubjectRoboticsen
SubjectΡομποτικήel
SubjectCAD programsen
SubjectComputational optimizationen
SubjectΥπολογιστική βελτιστοποίησηel
SubjectKinematic analysisen
SubjectDynamic analysisen
SubjectΣχεδιαστικά προγράμματαel
SubjectRobotic armen
SubjectΡομποτικός βραχίοναςel
SubjectΑσαφής λογικήel
SubjectFuzzy logicen
SubjectAdaptive Neural Fuzzy Inference Systemen
SubjectANFISen
SubjectNeurofuzzy controlel
SubjectSimmechanicen
SubjectMATLABen
SubjectAutoDeskInvendoren
Bibliographic CitationOdysseas Gkionis-Konstantatos, "Neuro-fuzzy control (Adaptive Neural Fuzzy Inference System. ANFIS) on robotic arm of 3 to 5 degrees of freedom. Modelling, kinematics, dynamics, simulation, evaluation", Diploma Work, School of Production Engineering and Management, Technical University of Crete, Chania, Greece, 2018en
Bibliographic CitationΟδυσσέας Γκιώνης-Κωνσταντάτος, "Νεύρο-ασαφής έλεγχος (ANFIS) σε ρομποτικό βραχίονα 3-5 βαθμών ελευθερίας (Β.Ε). Μοντελοποίηση, κινηματική, δυναμική, προσομοίωση, αξιολόγηση", Διπλωματική Εργασία, Σχολή Μηχανικών Παραγωγής και Διοίκησης, Πολυτεχνείο Κρήτης, Χανιά, Ελλάς, 2018el

Available Files

Services

Statistics