簡易檢索 / 詳目顯示

研究生: 吳孟謙
Wu, Meng-Chien
論文名稱: 應用自適應性類神經網路控制器於六軸機械手臂
Apply Adaptive Neural Network Controllers for a 6-DOF Robotic Arm
指導教授: 陳美勇
Chen, Mei-Yung
口試委員: 蘇順豐
Su, Shun-Feng
林顯易
Lin, Hsien-I
郭重顯
Kuo, Chung-Hsien
陳美勇
Chen, Mei-Yung
口試日期: 2022/07/26
學位類別: 碩士
Master
系所名稱: 機電工程學系
Department of Mechatronic Engineering
論文出版年: 2022
畢業學年度: 110
語文別: 中文
論文頁數: 100
中文關鍵詞: 類神經網路適應控制機械手臂動力學模型
英文關鍵詞: Neural network, adaptive control, robotic arm, dynamic model
研究方法: 實驗設計法比較研究
DOI URL: http://doi.org/10.6345/NTNU202201106
論文種類: 學術論文
相關次數: 點閱:111下載:21
分享至:
查詢本校圖書館目錄 查詢臺灣博碩士論文知識加值系統 勘誤回報
  • 本論文提出了一種基於神經網絡框架學習機制的六軸機械臂控制器設計。首先,我們從六軸機械臂的實際構造中得到訓練數據集。其次,神經網絡的訓練方法是基於自適應調整輸入層和隱藏層之間的權重值和誤差。第三,將訓練數據集作為神經網絡的輸入來訓練模型。最後,我們利用李雅普諾夫理論保證了六軸機械臂控制器設計的穩定性,並與PI控制器設計進行了比較。
    實現了六軸機械手臂動力學模型推導,以解決運動不穩定性問題。機械臂運動過程中時變不確定擾動引起的現象。詳細動力學模型是藉由Lagrange方程式所推導出來的,計算出六軸機械手臂動力學模型。透過動力學模型,進一步進行模擬驗證。
    控制器是以PD為基礎進行設計的,結合自適應徑向基函數神經網絡 (RBFNN),經由隱藏層與輸出層之間的自適應調整,最終取得所需的輸出結果,再藉由Lyapunov 函數進行穩定性分析,證明整個系統的穩定性,最後實驗分析此控制器對六軸機械手臂的控制穩定性。

    This paper proposes a design of a six-axis manipulator controller based on the learning mechanism of the neural network framework. First, we get the training dataset from the actual construction of the six-axis manipulator. Second, the training method of the neural network is based on adaptively adjusting the weights and errors between the input layer and the hidden layer. Third, the training dataset is used as the input to the neural network to train the model. Finally, we use Lyapunov theory to ensure the stability of the six-axis manipulator controller design and compare it with the PD controller design.
    The dynamic model derivation of the six-axis manipulator is implemented to solve the problem of motion instability. Phenomenon caused by time-varying uncertain disturbance during the movement of the manipulator. The detailed dynamic model is derived by the Lagrange equation, and the dynamic model of the six-axis manipulator is calculated. Through the dynamic model, further simulation verification is carried out.
    The controller is designed on the basis of PD, combined with an adaptive radial basis function neural network (RBFNN), through the adaptive adjustment between the hidden layer and the output layer, and finally obtains the desired output result, and then uses the Lyapunov function The stability analysis is carried out to prove the stability of the whole system. Finally, the control stability of the controller to the six-axis robotic arm is analyzed experimentally.

    摘要 i Abstract ii 誌謝 iii 目錄 iii 圖目錄 vii 第一章 緒論 1 1.1前言 1 1.2文獻回顧 3 1.2.1類神經網路架構之回顧 3 1.2.2非線性干擾抑制之回顧 6 1.3研究動機與目的 8 1.4本論文之貢獻 9 1.5 論文架構 10 第二章 理論基礎 11 2.1六軸機械手臂動力學模型 11 2.1.1求解六軸機械手臂之位能 11 2.1.2求解六軸機械手臂之動能 12 2.1.3求解六軸機械手臂之動力學模型 18 第三章 控制器設計 35 3.1 控制器架構 35 3.1.1 類神經網路架構 35 3.1.2 徑向基函式(Radial Basis Function)神經網路原理 36 3.1.3 激活函數 38 3.1.4適應控制 39 3.1.5拉格朗日方程式 41 3.1.6 李雅普諾夫穩定性(Lyapunov stability) 41 3.1.7 PID控制器 42 3.2 自適應性類神經網路PID控制器設計 43 3.2.1 控制器設計 44 第四章 實驗設備 49 4.1串聯式機械手臂 49 4.2串聯式機械手臂驅動器 50 4.3串聯式機械手臂資料擷取卡 52 4.4串聯式機械手臂運動控制卡 53 4.5串聯式機械手臂軟體 54 第五章 模擬與實驗結果 56 5.1 Matlab數值模擬 56 5.2 適應性類神經網路控制器實際作用於六軸機械手臂數據分析 61 5.3 適應性類神經網路控制器實際作用於六軸機械手臂作圖分析 67 5.3.1適應性類神經網路控制器圓形作圖 67 5.3.2適應性類神經網路控制器四葉草作圖 74 5.3.3適應性類神經網路控制器螺旋作圖 83 5.4 適應性類神經網路控制器實際作用於六軸機械手臂負載分析 89 第六章 結論與未來期望 97 參考文獻 98 圖目錄 圖1.1串聯式機械手臂 2 圖1.2自適應前饋 RBFNN 控制[1] 3 圖1.3 (A)、(B)四種控制器第一軸的追跡性能比較與追跡誤差比較[1] 4 圖1.4 (A)、(B)四種控制器第二軸的追跡性能比較與追跡誤差比較[1] 4 圖1.5期望軌跡和實際軌跡[2] 5 圖1.6 (A)、(B) 第一、二軸於100NODES至2100NODES與2300NODES至2900NODES之誤差[2] 6 圖1.7 在環境干擾下第一軸的追跡誤差比較[3] 7 圖1.8 在環境干擾下第二軸的追跡誤差比較[3] 7 圖1.9對於干擾環境控制器比較[4] 8 圖3.1徑向基函式(RADIAL BASIS FUNCTION)神經網路架構圖 36 圖3.2徑向基函式(RADIAL BASIS FUNCTION)學習過程 38 圖3.3激活函數流程圖 39 圖3.4適應控制模型參考控制系統 40 圖3.5 PID控制系統 42 圖3.6自適應性前饋類神經網路控制器 45 圖4.1串聯式機械手臂 49 圖4.2 串聯式機械手臂 49 圖4.3 串聯式機械手臂尺寸圖 50 圖4.4 A5II系列驅動器外觀 51 圖4.5 A5II系列驅動器接線圖 52 圖4.6A5II系列驅動器 52 圖4.7 PCI-1723資料擷取卡 53 圖4.8 PCI-1285運動控制卡 53 圖4.9 C#機械手臂操作介面 54 圖4.10 實驗流程 55 圖5.1適應性類神經網路控制器定位誤差圖(第一軸) 57 圖5.2適應性類神經網路控制器定位誤差圖(第二軸) 58 圖5.3適應性類神經網路控制器追跡與誤差圖(第一軸) 58 圖5.4適應性類神經網路控制器追跡與誤差圖(第二軸) 59 圖5.5傳統PID控制器定位誤差圖(第一軸) 59 圖5.6傳統PID控制器定位誤差圖(第二軸) 60 圖5.7六軸機械手臂(姿勢一) 61 圖5.8六軸機械手臂(姿勢二) 61 圖5.9適應性類神經網路控制器追跡效果(第三軸) 62 圖5.10適應性類神經網路控制器追跡誤差(第三軸) 63 圖5.11適應性類神經網路控制器追跡效果(第五軸) 63 圖5.12適應性類神經網路控制器追跡誤差(第五軸) 64 圖5.13 PI控制器追跡效果(第三軸) 64 圖5.14 PI控制器追跡誤差(第三軸) 65 圖5.15 PI控制器追跡效果(第五軸) 65 圖5.16 PI控制器追跡誤差(第五軸) 66 圖5.17圓形作圖參考路徑 67 圖5.18圓形作圖追跡路徑 67 圖5.19適應性類神經網路控制器圓形作圖追跡效果(第二軸) 68 圖5.20適應性類神經網路控制器圓形作圖追跡誤差(第二軸) 68 圖5.21適應性類神經網路控制器圓形作圖追跡效果(第三軸) 69 圖5.22適應性類神經網路控制器圓形作圖追跡誤差(第三軸) 69 圖5.23適應性類神經網路控制器圓形作圖追跡效果(第五軸) 70 圖5.24適應性類神經網路控制器圓形作圖追跡誤差(第五軸) 70 圖5.25適應性類神經網路控制器穩定分析(第一軸) 71 圖5.26適應性類神經網路控制器穩定分析(第二軸) 72 圖5.27適應性類神經網路控制器穩定分析(第三軸) 72 圖5.28適應性類神經網路控制器穩定分析(第五軸) 73 圖5.29四葉草作圖參考路徑 74 圖5.30四葉草作圖追跡路徑 74 圖5.31適應性類神經網路控制器四葉草作圖追跡效果(第二軸) 75 圖5.32適應性類神經網路控制器四葉草作圖追跡誤差(第二軸) 75 圖5.33適應性類神經網路控制器四葉草作圖追跡效果(第三軸) 76 圖5.34適應性類神經網路控制器四葉草作圖追跡誤差(第三軸) 76 圖5.35適應性類神經網路控制器四葉草作圖追跡效果(第五軸) 77 圖5.36適應性類神經網路控制器四葉草作圖追跡誤差(第五軸) 77 圖5.37 PI控制器四葉草作圖追跡效果(第二軸) 78 圖5.38 PI控制器四葉草作圖追跡誤差(第二軸) 78 圖5.39 PI控制器四葉草作圖追跡效果(第三軸) 79 圖5.40 PI控制器四葉草作圖追跡誤差(第三軸) 79 圖5.41 PI控制器四葉草作圖追跡效果(第五軸) 80 圖5.42 PI控制器四葉草作圖追跡誤差(第五軸) 80 圖5.43適應性類神經網路控制器PI控制器追跡效果比較圖(第五軸) 81 圖5.44適應性類神經網路控制器PI控制器追跡誤差比較圖(第二軸) 82 圖5.45適應性類神經網路控制器PI控制器追跡誤差比較圖(第三軸) 82 圖5.46適應性類神經網路控制器PI控制器追跡誤差比較圖(第五軸) 82 圖5.47螺旋作圖路徑 83 圖5.48螺旋作圖追跡路徑 83 圖5.49適應性類神經網路控制器螺旋作圖追跡效果(第二軸) 84 圖5.50適應性類神經網路控制器螺旋作圖追跡誤差(第二軸) 84 圖5.51適應性類神經網路控制器螺旋作圖追跡效果(第三軸) 85 圖5.52適應性類神經網路控制器螺旋作圖追跡誤差(第三軸) 85 圖5.53適應性類神經網路控制器螺旋作圖追跡效果(第五軸) 86 圖5.54適應性類神經網路控制器螺旋作圖追跡誤差(第五軸) 86 圖5.55適應性類神經網路控制器PI控制器追跡誤差比較圖(第二軸) 87 圖5.56適應性類神經網路控制器PI控制器追跡誤差比較圖(第三軸) 87 圖5.57適應性類神經網路控制器PI控制器追跡誤差比較圖(第五軸) 88 圖5.58負載物 89 圖5.59負載物裝置於六軸機械手臂上 89 圖5.60適應性類神經網路控制器負載追跡效果(第二軸) 90 圖5.61適應性類神經網路控制器負載追跡誤差(第二軸) 90 圖5.62適應性類神經網路控制器負載追跡效果(第三軸) 91 圖5.63適應性類神經網路控制器負載追跡誤差(第三軸) 91 圖5.64適應性類神經網路控制器負載追跡效果(第五軸) 92 圖5.65適應性類神經網路控制器負載追跡誤差(第五軸) 92 圖5.66 PI控制器圓形作圖負載追跡效果(第二軸) 93 圖5.67 PI控制器圓形作圖負載追跡效果(第三軸) 93 圖5.68 PI控制器圓形作圖負載追跡效果(第五軸) 94 圖5.69適應性類神經網路控制器PI控制器追跡誤差比較圖(第二軸) 95 圖5.70適應性類神經網路控制器PI控制器追跡誤差比較圖(第三軸) 95 圖5.71適應性類神經網路控制器PI控制器追跡誤差比較圖(第五軸) 96

    [1] H. Yang and J. Liu, "An adaptive RBF neural network control method for a class of nonlinear systems, " IEEE/CAA Journal of Automatica Sinica, vol. 5, no. 2, pp. 457-462, Mar. 2018.
    [2] Chengxiang Liua, Zhijia Zhaoa, Guilin Wen "Adaptive neural network control with optimal number of hidden nodes for trajectory tracking of robot manipulators, " Elsevier Neurocomputing, Vol 350, Pages 136-145, Jul. 2019.
    [3] Z. Tang, M. Yang and Z. Pei, "Self-Adaptive PID Control Strategy Based on RBF Neural Network for Robot Manipulator," 2010 First International Conference on Pervasive Computing, Signal Processing and Applications, 2010, pp. 932-935, doi: 10.1109/PCSPA.2010.230.
    [4] X. Huang and Q. Ning, "Active Disturbance Rejection Control Based on Radial Basis Function Neural Network," 2018 IEEE 3rd Advanced Information Technology, Electronic and Automation Control Conference (IAEAC), 2018, pp. 2397-2400, doi: 10.1109/IAEAC.2018.8577937.
    [5] Q. Liu, D. Li, S. S. Ge and Z. Ouyang, "Adaptive Feedforward Neural Network Control With an Optimized Hidden Node Distribution," IEEE Transactions on Artificial Intelligence, vol. 2, no. 1, pp. 71-82, Feb. 2021, doi: 10.1109/TAI.2021.3074106.
    [6] Y. Sun and H. Lin, "The Research and Application of Adaptive PID Controller Based on Neural Network Predictive Model," 2009 Fifth International Conference on Natural Computation, 2009, pp. 454-459, doi: 10.1109/ICNC.2009.340.
    [7] 楊智翔,“應用可變步適應滑模結合指數律演算法於機械手臂追跡之控制器設計”,國立臺灣師範大學機電工程學系,2015年4月。
    [8] S. Ma, M. Wu and L. Chen, "RBF Neural Network Based-PID Control for Weight on Bit During Drilling Operation," 2018 37th Chinese Control Conference(CCC),2018,pp.1031110314,doi:10.23919/ChiCC.2018.8483657
    [9] Yu Meng, Zou Zhiyun, Ren Fujian, Pan Yusong and Gai Xijie, "Application of adaptive PID based on RBF neural networks in temperature control," Proceeding of the 11th World Congress on Intelligent Control and Automation, 2014, pp. 4302-4306, doi: 10.1109/WCICA.2014.7053436.
    [10] Y. Zhang, S. Chen, S. Li and Z. Zhang, "Adaptive Projection Neural Network for Kinematic Control of Redundant Manipulators With Unknown Physical Parameters, " IEEE Transactions on Industrial Electronics, vol. 65, no. 6, pp. 4909-4920, Jun. 2018.
    [11] H. Gao, W. He, C. Zhou and C. Sun, "Neural Network Control of a Two-Link Flexible Robotic Manipulator Using Assumed Mode Method, " IEEE Transactions on Industrial Informatics, vol. 15, no. 2, pp. 755-765, Feb. 2019.
    [12 ]M. Van, M. Mavrovouniotis and S. S. Ge, "An Adaptive Backstepping Nonsingular Fast Terminal Sliding Mode Control for Robust Fault Tolerant Control of Robot Manipulators, " IEEE Transactions on Systems, Man, and Cybernetics: Systems, vol. 49, no. 7, pp. 1448-1458, Jul. 2019.
    [13] L. Guo, K. He and Y. Song, "Design of non-linear controller for unicycle robot based on RBF neural network self-adaption control," 2015 IEEE International Conference on Information and Automation, 2015, pp. 1322-1326, doi: 10.1109/ICInfA.2015.7279491.
    [14] 洋威數控股份有限公司「7A6機械手臂-技術手冊」。
    [15] Panasonic「Operating Instructions-MINAS A5II/A5 series」。
    [16] X. Jingjing and L. Jiaoyu, "Neural network PID controller auto-tuning design and application," 2013 25th Chinese Control and Decision Conference (CCDC), 2013, pp. 1370-1375, doi: 10.1109/CCDC.2013.6561139.
    [17] M. Wang and A. Yang, "Dynamic Learning From Adaptive Neural Control of Robot Manipulators With Prescribed Performance, " IEEE Transactions on Systems, Man, and Cybernetics: Systems, vol. 47, no. 8, pp. 2244-2255, Aug. 2017.
    [18] X. Meng-han and S. Wen-sheng, "RBF neural network PID trajectory tracking based on 6-PSS parallel robot," 2019 Chinese Automation Congress (CAC), 2019, pp. 5674-5678, doi: 10.1109/CAC48633.2019.8996255.
    [19] W. He, Y. Chen and Z. Yin, "Adaptive Neural Network Control of an Uncertain Robot With Full-State Constraints, " IEEE Transactions on Cybernetics, vol. 46, no. 3, pp. 620-629, Mar. 2016.
    [20] Ya-Min Wan and Sun-An Wang, "New dynamic RBF neural network controller," Proceedings of 2004 International Conference on Machine Learning and Cybernetics (IEEE Cat. No.04EX826), 2004, pp. 3379-3382 vol.6, doi: 10.1109/ICMLC.2004.1380368.
    [21] K. Lian and Y. Dong, "Sliding Mode Control for Electromagnetic Satellite Formation Based on RBF Neural Network," 2016 Sixth International Conference on Instrumentation & Measurement, Computer, Communication and Control (IMCCC), 2016, pp. 532-535, doi: 10.1109/IMCCC.2016.134.

    下載圖示
    QR CODE