فایل ورد کامل تخمین عدم قطعیت در کنترل مقاوم موقعیت بازوهای رباتیک ۱۹۴ صفحه در word

توجه : به همراه فایل word این محصول فایل پاورپوینت (PowerPoint) و اسلاید های آن به صورت هدیه ارائه خواهد شد

 فایل ورد کامل تخمین عدم قطعیت در کنترل مقاوم موقعیت بازوهای رباتیک ۱۹۴ صفحه در word دارای ۱۹۴ صفحه می باشد و دارای تنظیمات در microsoft word می باشد و آماده پرینت یا چاپ است

لطفا نگران مطالب داخل فایل نباشید، مطالب داخل صفحات بسیار عالی و قابل درک برای شما می باشد، ما عالی بودن این فایل رو تضمین می کنیم.

فایل ورد فایل ورد کامل تخمین عدم قطعیت در کنترل مقاوم موقعیت بازوهای رباتیک ۱۹۴ صفحه در word  کاملا فرمت بندی و تنظیم شده در استاندارد دانشگاه  و مراکز دولتی می باشد.

توجه : در صورت  مشاهده  بهم ریختگی احتمالی در متون زیر ،دلیل ان کپی کردن این مطالب از داخل فایل ورد می باشد و در فایل اصلی فایل ورد کامل تخمین عدم قطعیت در کنترل مقاوم موقعیت بازوهای رباتیک ۱۹۴ صفحه در word،به هیچ وجه بهم ریختگی وجود ندارد

بخشی از متن فایل ورد کامل تخمین عدم قطعیت در کنترل مقاوم موقعیت بازوهای رباتیک ۱۹۴ صفحه در word :

بخشی از پایان نامهفایل ورد کامل تخمین عدم قطعیت در کنترل مقاوم موقعیت بازوهای رباتیک ۱۹۴ صفحه در word:

بازوهای رباتیک، سیستم های غیر خطی چند متغیره پیچیده با تزویج زیاد هستند. به همین دلیل، محققان روشهای بسیار متنوعی برای کنترل آنها ارائه نموده اند که ساده¬ترین آنها، روش های مبتنی بر مدل هستند. خطی سازی فیدبکی [۲-۱] محبوب¬ترین و پرکاربردترین تکنیک برای کنترل سیستم های غیرخطی است، زیرا با استفاده از آن می‌توان به راحتی دینامیک غیر خطی پیچپده ربات را به معادلات خطی مرتبه دوم تبدیل کرد. این روش، در رباتیک به نام‌های گشتاور محاسباتی، دینامیک وارون یا کنترل گشتاور مشهور است. اما موفقیت روش¬های مبتنی بر مدل، منوط به در اختیار داشتن مدل دقیق سیستم است. متأسفانه بدست آوردن مدل ریاضی دقیق سیستم¬های رباتیک بسیار مشکل، وقت گیر و گاهی غیر‌ممکن می‌باشد. زیرا ممکن است برخی از دینامیک‌های سیستم مانند اصطکاک، تکرار پذیر نباشند یا نتوان مدل دقیقی برای آنها پیشنهاد داد. علاوه بر این، ممکن است پارامترهای مدل سیستم با گذشت زمان یا تحت تأثیر شرایطی خاص تغییر کند. به عنوان مثال، هنگامی که ربات اجسام با جرم¬های مختلف را بلند می¬کند، مرکز جرم لینک آخر که یکی از پارامترهای دینامیکی ربات می¬باشد، تغییر می¬کند. به همین دلیل، مدلی که برای سیستم پیشنهاد می¬دهیم (مدل نامی) با مدل واقعی سیستم اختلاف دارد. بنابراین، عدم قطعیت همواره یکی از مهمترین چالش های طراحی سیستمهای کنترل بوده¬است. باید توجه داشت که عدم قطعیت در سیستم¬های رباتیک معمولاً از نوع غیر¬تصادفی فرض می¬شود و منظور از آن نامعلوم بودن پارامترهای سیستم، وجود دینامیک¬های ناشناخته یا مدل نشده و همچنین اغتشاش خارجی می¬باشد.

برای غلبه ¬بر عدم قطعیت ناشی از عدم تطابق مدل، روش¬های کنترل تطبیقی و مقاوم [۷-۳] ارائه شده¬اند. کنترل تطبیقی می¬تواند اثرات عدم-قطعیت پارامتری را جبران نماید. کنترل مقاوم قادر است علاوه بر عدم¬قطیعت پارامتری، عدم قطعیت های ناشی از دینامیک مدل¬نشده و اغتشاش خارجی را نیز جبران کند. تحقیقات گسترده‌ای برای طراحی سیستم‌های کنترل تطبیقی ربات های صلب به منظور تضمین پایداری سیستم کنترل و محدود ماندن سیگنال‌های داخلی انجام شده است. اسپانگ طبقه‌بندی جامعی از روش‌های تطبیقی ارائه داده است [۸] و آنها را به دو گروه عمده روش‌های مبتنی بر دینامیک وارون و روش‌های مبتنی بر غیرفعال بودن تقسیم می‌‌کند. در تمامی روش‌های فوق فقط عدم قطعیت پارامتری لحاظ شده است. نکته مهم دیگر در مورد روش‌های تطبیقی، تحریک پایا[۱] بودن سیگنال‌های تحریک است [۷]. در غیر این¬صورت، پارامترهای تخمین زده شده به پارامترهای واقعی همگرا نخواهد شد.

در روشهای کنترل مقاوم، دانستن حدود عدم قطعیت لازم است. حدود عدم قطعیت یکی از چالش¬های بسیار مهم در این روشها می¬باشد. اگر حدود عدم قطعیت بزرگتر از مقدار واقعی باشد، ممکن است اندازه سیگنال کنترل بیشتر از مقدار مجاز آن شود که در این صورت پدیده اشباع رخ خواهد داد و کنترل کننده قادر به کنترل سیستم نخواهد بود. علاوه بر این، اگر دامنه سیگنال کنترل بیش از حد مجاز باشد، ممکن است به سیستم آسیب برساند، همچنین پدیده لرزش سیگنال کنترل نیز تقویت می¬شود. از طرف دیگر، اگر حدود عدم قطعیت کمتر از مقدار واقعی باشد، خطای ردگیری زیاد می¬شود و ممکن است منجر به ناپایداری سیستم کنترل شود [۱۱-۹]. برخی از روشهای کنترل مقاوم، منجر به قوانین کنترل ناپیوسته می¬شوند. به عنوان مثال می¬توان به روش کنترل مود لغزشی اشاره کرد [۲]. این قوانین، احتمال بروز نوسانات فرکانس بالا (لرزش) در سیگنال کنترل را افزایش می¬دهند. لرزش سیگنال کنترل پدیده¬ای نامطلوب است که موجب فرسودگی قطعات و تحریک دینامیک های مدل نشده می¬شود.

با ظهور منطق فازی به عنوان یک ابزار توانمند در کنترل سیستمهای نامعین و پیچیده، تحول شگرفی در مهندسی کنترل بوجود آمد. به کمک قوانین فازی می توان سیستم‌هایی را که مدل ریاضی دقیقی از آنها در اختیار نیست، توصیف کرد [۱۲]. روش فازی تطبیقی غیر مستقیم از این ایده استفاده می‌کند [۱۵-۱۳]. ویژگی دیگر منطق فازی، مدلسازی دانش و توانایی انسان به منظور کنترل سیستم‌های پیچیده می باشد که روش فازی تطبیقی مستقیم [۱۷-۱۶] این امکان را فراهم می‌آورد. علاوه بر این، می‌توان روش‌های فازی تطبیقی مستقیم و غیر مستقیم را با هم ترکیب نمود و روشی بدست آورد که عملکرد بهتری داشته باشد [۱۸]. یکی از مهمترین ویژگی های منطق فازی که منجر به استفاده گسترده از آنها در سیستمهای کنترل شده است، ویژگی تقریبگر عمومی بودن سیستمهای فازی است [۱۲]. به همین دلیل در سال‌های اخیر، محققان تمرکز بیشتری روی کنترل فازی داشته‌اند و تلاش‌های فراوانی برای کنترل مقاوم ربات با استفاده از کنترل فازی و شبکه های عصبی صورت گرفته است [۳۵-۱۹]، زیرا ویژگی تقریب عمومی برای انواع مختلف شبکه¬های عصبی مانند پرسپترون چند لایه و شبکه¬های توابع پایه شعاعی نیز برقرار می¬باشد [۴۰-۳۶]. در [۱۹]، از سیستم¬های فازی تطبیقی برای جبران عدم قطعیت¬ها از قبیل عدم قطعیت پارامتری، اغتشاش خارجی (مانند جرم جسمی که ربات جابجا می¬کند)، دینامیک مدل نشده (مانند اصطکاک) و همچنین خطای تقریب سیستم فازی، ارائه شده است. در [۲۰]، روشی برای کاهش تعداد سیستمهای فازی مورد نیاز ارائه شده است. همچنین، نشان داده شده است که چگونه با انتخاب مناسب پارامترهای قانون کنترل می¬توان خطای ردگیری را کاهش داد. در [۲۲]، فرض شده است که فیدبک¬های سرعت و شتاب در اختیار نیستند و برای تخمین این سیگنالها رویت¬گری غیرخطی پیشنهاد شده است. در [۲۶]، برای تقریب دینامیک ربات از شبکه¬های عصبی دو لایه استفاده شده است و قوانین تطبیق جدیدی برای تنظیم وزن¬های هر دو لایه با استفاده از اثبات پایداری لیاپانوف بدست آمده¬اند. اما تعداد ورودی¬های شبکه¬های عصبی طراحی شده زیاد هستند. این ورودی¬ها جریان موتورها، موقعیت و سرعت مفاصل، مسیر مطلوب و مشتقات اول و دوم آن هستند. در این روشها، برای پایداری سیستم کنترل یک تابع لیاپانوف پیشنهاد می¬شود و قانون تطبیق پارامترهای سیستم های فازی یا وزن های شبکه های عصبی از شرط منفی معین بودن مشتق تابع لیاپانوف بدست می¬آید. برخی از مراجع با استفاده از سیستمهای فازی یا شبکه های عصبی، دینامیک سیستم را تقریب می¬زنند و از این تقریب در طراحی قانون کنترل استفاده می¬کنند و برخی دیگر کنترل کننده را به صورت یک سیستم فازی یا شبکه عصبی در نظر گرفته و به تنظیم پارامترهای آن با استفاده از قوانین تطبیق بدست آمده می¬پردازند. در [۴۱] یک روش فازی تطبیقی جدید و متمایز از این دو روش مرسوم ارائه شده است. در این روش برای سیستم یک مدل نامی در نظر گرفته می¬شود و قانون کنترل بر اساس این مدل نامی طراحی می¬شود. سپس برای جبران عدم قطعیت ناشی از عدم تطابق مدل نامی و مدل واقعی یک سیستم فازی به قانون کنترل اضافه می¬شود. برای اثبات پایداری سیستم از روش مستقیم لیاپانوف استفاده می¬گردد و قانون تطبیق پارامترهای سیستم فازی از شرط منفی معین بودن مشتق تابع لیاپانوف استخراج می¬شود.

در سالهای اخیر، روش¬های بدون رگرسور و مستقل از مدل در کنترل سیستم¬های غیرخطی نامعین مطرح شده¬اند [۵۱-۴۲]. دلیل این نامگذاری آن است که در این روش¬ها نیازی به مدلسازی ریاضی بازوی رباتیک برای بدست آوردن رگرسورها نداریم. اکثر روشهای مقاوم و تطبیقی که تاکنون ارائه شده¬اند، به این مدلسازی برای محاسبه ماتریس رگرسورها نیاز دارند. منظور از مدلسازی بازوی ربات، محاسبه ماتریس اینرسی و بردارهای گشتاورهای گرانشی، کوریولیس و جانب مرکز می¬باشد. اما در روشهای بدون رگرسور، این ماتریس¬ها با استفاده از سری فوریه یا چند جمله¬ای¬های لژاندر تخمین زده می¬شوند و قانون کنترل از این تخمین¬ها استفاده می¬کند. قوانین تطبیق ضرایب سری فوریه یا چند جمله-ای¬های لژاندر از اثبات پایداری سیستم حلقه بسته استخراج می¬شوند. ¬در مقایسه با سیستم¬های فازی و شبکه¬های عصبی، پیاده¬سازی روش¬های بدون رگرسور ساده¬تر می¬باشد. دلیل آن نیز کاهش سنسورهای مورد نیاز است. اگر بخواهیم تابع نامعلومی را با استفاده از سیستم¬های فازی و شبکه¬های عصبی تخمین بزنیم، باید بدانیم آن تابع مورد¬نظر چه متغیر¬هایی دارد و آن متغیر¬ها را به عنوان ورودی به سیستم¬ فازی یا شبکه¬ عصبی اعمال کنیم. ممکن است فیدبک گرفتن از برخی متغیرها امکان پذیر نباشد یا سیگنال اندازه¬گیری شده مانند سیگنال شتاب آغشته به نویز باشد،. در حالی که در روش¬های بدون رگرسور نیازی به دانستن این متغیرها و فیدبک گرفتن از آنها نداریم [۵۲].

در سالهای اخیر، استفاده از رویت¬گر برای تخمین سیگنالهای غیر قابل اندازه¬گیری و همچنین حذف برخی از سنسور¬های مورد نیاز، افزایش یافته است [۶۱-۵۳]. به عنوان مثال، می¬توان به رویت¬گر تعمیم¬یافته حالت و رویت¬گر اغتشاش اشاره نمود. در این روش¬ها، کنترل¬کننده علاوه بر محاسبه قانون کنترل، با فیدبک گرفتن از سیگنال کنترل و خروجی سیستم، سایر متغیرهای حالت و همچنین عدم قطعیت¬ها را تخمین¬ میزند. اما در این روش¬ها فرض می¬شود که عدم قطعیت ثابت است یا تغییرات آن بسیار آهسته است. این فرض ممکن است در سرعت¬های بالا نقض شود. در حالی¬ که در روش¬های بدون رگرسور چنین فرضی وجود ندارد که بیانگر برتری این روش¬ها نسبت به روش¬های مبتنی بر رویتگر می¬باشد