Исследование устройства нечеткого цифрового фильтра для робота-манипулятора

Цель исследования. В процессе работы робота-манипулятора из-за дребезга контактов часто возникают ситуации, которые уменьшают точность позиционирования его звеньев. Одним из вариантов решения этой проблемы является фильтрация сигнала. Современные алгоритмы цифровой фильтрации обладают достаточно сложной математической структурой. На обработку данных в таких фильтрах требуется много времени, поэтому целью данной работы является разработка быстродействующего устройства нечеткого цифрового фильтра, способного устранить проблему дребезга контактов при позиционировании звеньев робота-манипулятора.

Методы. При разработке устройства цифрового фильтра использовалась обобщенная математическая модель, реализуемая с применением теории нечеткой логики. Обобщенная математическая модель нечеткого цифрового фильтра включает модель, определяющую суппорт нечеткой выходной переменной, модель определения коэффициентов нечеткого цифрового фильтра, и модель преобразования выходного напряжения в угол поворота сервопривода робота-манипулятора. В совокупности данная математическая модель позволяет перерассчитать напряжение, которое поступает на вход нечеткого цифрового фильтра с помощью двух коэффициентов регулирования, тем самым улучшая точность позиционирования звеньев робота-манипулятора.

Результаты. В ходе экспериментальных исследований проводился сравнительный анализ разработанного быстродействующего устройства нечеткого цифрового фильтра с фильтром Калмана. Проводился расчет среднеквадратической ошибки RMSE для двух фильтров. При этом среднее значение RMSE у нечеткого цифрового фильтра составило 0,0185, у фильтра Калмана - 0,0193.

Заключение. В статье рассмотрена обобщенная математическая модель устройства нечеткого цифрового фильтра, состоящая из трех моделей. Представлено устройство, реализующее определение суппорта нечеткой выходной переменной, экспериментальная модель робота-манипулятора, экспериментальные исследования предлагаемой математической модели.

1. Колтыгин Д.С., Седельников И.А., Павлюк Е.Ю. Определение точности позиционирования роботов-манипуляторов DELTA и OMEGA // Труды БрГУ. 2016. №2. С. 121-126.

2. Мархадаев Б.Е., Никифоров С.О., Улаханов Н.С. Методология оценки анализа характеристик точности мехатронных манипуляторов по кинематическим моделям // Вестник БГУ. 2016. №4. С. 50-60.

3. Малинин Д.Д., Шарапов А.Е. Повышение точности позиционирования мобильной платформы путем коррекции GPS-сигнала фильтром Калмана // Надежность и качество сложных систем. 2014. №3. С. 44-49.

4. Галкин Д.И. Алгоритм оценки параметров ориентации космического аппарата с использованием фильтра Калмана // Вестник МГТУ им. Баумана. 2013. С.1-11.

5. Безмен П.А. Комплексирование данных системы управления мобильным роботом с использованием расширенного фильтра Калмана // Известия Юго-Западного государственного университета. 2019; 23(2): 53-64.

6. Бобырь М.В., Лунева М.Ю., Ноливос К.С.А. Нечеткий цифровой фильтр для управления роботом-манипулятором ARMino // Мехатроника, автоматизация, управление. 2019. Т. 40. №4. C. 244 – 250.

7. Bobyr M.V., Yakushev A.S., Dorodnykh A.A. Fuzzy devices for cooling the cutting tool of the cnc machine implemented on fpga // Measurement. 2020. Vol. 152.

8. Bobyr, M.V., Milostnaya, N.A., Kulabuhov, S.A. A method of defuzzification based on the approach of areas' ratio // Applied Soft Computing Journal. 2017. №10. P. 19-32.

9. Бобырь М.В., Кулабухов С.А., Милостная Н.А. Обучение нейро-нечеткой системы на основе метода разности площадей // Искусственный интеллект и принятие решений. 2016. № 4. С. 15-26.

10. Бобырь М.В. Метод нелинейного обучения нейро-нечеткой системы вывода // Искусственный интеллект и принятие решений. 2018. №1. С.66-74.

11. Shah R., Pandey A.B. Concept sorting robotic arm // Procedia Manufacturing. 2018. Vol. 20. P.400-405.

12. Long J., Shuai L., Jiguo Y. Robot manipulator control using neural networks: Asurvey // Neurocomputing. 2018. Vol. 000. P. 1-12.

13. Varshney A., Agarwal B., Behera L. Manipulator control using human arm imitation // IFAC Proceedings Volumer. 2014. Vol. 47. P. 109-114.

14. Бобырь М.В., Титов В.С., Милостная Н.А. Прогнозирование работы мехатронных систем на основе мягких нечетких баз знаний // Мехатроника, автоматизация и управления. 2014. №10. С. 8 – 14.

15. Ho Pham Huy Anh, Kyoung Kwan Ahn Hybrid control of a pneumatic artificial muscle (PAM) robot arm using an inverse NARX fuzzy model // Engineering Applications of Artificial Intelligence. 2011. №24. P. 697-716.

16. Бобырь М.В., Архипов А.Е., Милостная Н.А. Метод расчета карты глубин на основе мягких операторов // Системы и средства информатики. 2019. Т. 29. №2. С. 71-84.

17. Бобырь М.В., Титов Д.В., Кулабухов С.А. О некоторых свойствах мягкого алгоритма нечетко-логического вывода // Известия Юго-Западного государственного университета. 2015. № 2 (59). С. 39-51.

18. Белов А.В. Формирование классификатора с нечеткими границами на основании кривых, заполняющих дискретное признаковое пространство // Известия Юго-Западного государственного университета. 2012. № 4-2 (43). С. 71-73.

19. Халин Ю.А., Сизов А.С., Игнатенко А.Н. Нечётко-множественная модель многокритериальной оценки конкурентоспособности предприятия // Известия Юго-Западного государственного университета. 2011. № 5-1 (38). С. 53-57.

20. Абрамова Т.В. Проектирование нейро-нечеткого дерева решений // Известия Юго-Западного государственного университета. 2016. № 1 (64). С. 8-14.