Tesis Doctorado Gruas PDF

CENTRO DE INVESTIGACIN Y ESTUDIOS AVANZADOS DEL I.P.N.
DEPARTAMENTO DE CONTROL AUTOMTICO
Control con anti-oscilacin para una Gra en tres dimensiones en tiempo real
TESIS QUE PRESENTA EL
M. en C. Rigoberto Toxqui Toxqui

PARA OBTENER EL GRADO DE
Doctor en Ciencias
En la Especialidad de
Control Automtico
DIRECTOR DE TESIS: Dr. Wen Yu Liu
Mxico, D.F. Agosto del 2006 Becario de CONACYT
AGRADECIMIENTOS
A mi asesor: Dr. Wen Yu Liu Por su valiosa asesora, paciencia y consejos otorgados para concluir con xito este proyecto. A los investigadores: Dr. Rafael Martnez Guerra Dr. Moiss Bonilla Estrada Dr. Marco A. Moreno Armendariz Dr. Andrs Ferreira Ramrez Por sus comentarios y observaciones para complementar este trabajo, as como para aceptar ser parte del jurado. A la Srita. Lucero M. Fernndez Campos Por su apoyo secretarial. Y finalmente, a mis amigos, compaeros(a) y profesores por su grata compaa, apoyo y ayuda brindada durante toda esta formacin.
DEDICATORIA
Mi esposa Margarita Palacios Casillas, por su amor y paciencia, a la memoria de mi hija Rosa del Carmen Toxqui P., donde ella se encuentre estar siempre en nuestro corazn y a mi hijo Fernando Toxqui Palacios., por permitir darme fuerzas para seguir adelante. A ustedes, mis queridos padres por su comprensin y poyo incondicional: Dimas Toxqui T. y Carmen Toxqui A. A ustedes hermanos: Venancio, Amador, Raymundo y Alberto Quienes me han enseado a no reservar del mundo solo un rincn tranquilo actuando nicamente vestido con el velo transparente de la entrega al momento presente, le dedico este trabajo, fruto de esfuerzo y dedicacin continua. A todas aquellas personas que se dedican a la noble enseanza superior que tiene como finalidad capacitar y avivar a la mente para pensar. Principalmente a Dios por brindarme la gentileza y humildad de acoger con gratitud mi personaje en el teatro de la creacin dejando que el mismo recite su papel.
ndice general
1. Introduccin 1.1. Motivacin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1.2. Objetivos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1.3. Estructura de la tesis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1.4. Resumen del control en la gra . . . . . . . . . . . . . . . . . . . . . . . . . 2. Modelo matemtico de una gra en tres dimensiones 2.1. Introduccin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2.2. Modelado matemtico del motor . . . . . . . . . . . . . . . . . . . . . . . . . 2.3. Modelado matemtico de la gra con el mtodo de Newton . . . . . . . . . . 2.3.1. Modelo simplicado . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2.3.2. Modelo completo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2.4. Modelado matemtico de la gra utilizando el mtodo de Lagrange . . . . . 2.5. Experimentos en tiempo real . . . . . . . . . . . . . . . . . . . . . . . . . . . 2.5.1. Propiedades de la descripcin de la gra en 3 dimensiones . . . . . . 2.6. Conclusiones del captulo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3. Control PD con anti-oscilacin y compensacin Neuronal 3.1. Introduccin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3.2. Control PD . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3.3. Control PD con oscilacin . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1 1 2 3 3 11 11 14 17 18 20 23 32 34 35 41 41 43 48
ii
NDICE GENERAL 3.4. Posicin de control del PD y compensacin neuronal . . . . . . . . . . . . . 3.5. Anlisis de estabilidad . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3.6. Comparaciones de los experimentos . . . . . . . . . . . . . . . . . . . . . . . 3.7. Conclusiones del captulo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49 50 56 62 65 65 65 68 73 75 77 77 79 81 86 89 97
4. Control PD con Anti-oscilacin y Velocidad en el Observador 4.1. Introduccin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4.2. Observador alta-ganancia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4.3. Control PD y velocidad en el observador . . . . . . . . . . . . . . . . . . . . 4.4. Control PD y velocidad en el observador con compensacin neuronal . . . . . 4.5. Comparacin con los experimentos . . . . . . . . . . . . . . . . . . . . . . . 4.5.1. Control PD sin Redes Neuronales . . . . . . . . . . . . . . . . . . . . 4.5.2. Control PID . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4.5.3. Control PD con Observador y Redes Neuronales . . . . . . . . . . . . 4.5.4. Control PD con Observador y Redes Neuronales sin angulo . . . . . . 4.6. Conclusiones del captulo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5. Conclusiones y trabajos futuros A. Publicaciones
ndice de guras
2.1. Coordenadas de la gra en tres dimensiones . . . . . . . . . . . . . . . . . . 2.2. Esquema del motor con la gra . . . . . . . . . . . . . . . . . . . . . . . . . 2.3. Modelo elctrico-mecnico del motor . . . . . . . . . . . . . . . . . . . . . . 2.4. Gra en tres dimensiones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2.5. Grcas en Posicin x, y, z. ngulos alfa, beta y gama (, , ) . . . . . . . . 2.6. Posicin en lazo abierto de la gra en x . . . . . . . . . . . . . . . . . . . . . 2.7. ngulo de la gra () . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2.8. Posicin en lazo abierto de la gra en y . . . . . . . . . . . . . . . . . . . . . 2.9. ngulo de la gra () . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2.10. Posicin en lazo abierto de la gra en z . . . . . . . . . . . . . . . . . . . . . 2.11. ngulo de la gra () . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3.1. Gra viajera . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3.2. Control en tiempo real para una gra viajera en 3D . . . . . . . . . . . . . . 3.3. Sin oscilacin en los ngulos de control . . . . . . . . . . . . . . . . . . . . . 3.4. Con oscilacin en los ngulos de control . . . . . . . . . . . . . . . . . . . . . 3.5. Control PD con compensacin neuronal . . . . . . . . . . . . . . . . . . . . . 3.6. Control PD sin compensacin . . . . . . . . . . . . . . . . . . . . . . . . . . 3.7. Control PID . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4.1. Posicin de control en el eje X . . . . . . . . . . . . . . . . . . . . . . . . . . 4.2. Posicin de control en el eje Y . . . . . . . . . . . . . . . . . . . . . . . . . . 12 14 15 33 36 36 37 37 38 38 39 44 57 58 59 60 60 61 78 78
iv
NDICE DE FIGURAS 4.3. Velocidad en el eje X . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4.4. Posicin en el eje X . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4.5. Posicin en el eje Y . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4.6. Angulo de control en X . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4.7. Velocidad con control PD con Observador y NN en el eje X . . . . . . . . . . 4.8. Velocidad con control PD con Observador y NN en el eje Y . . . . . . . . . . 4.9. Posicin con control PD con Observador y NN en el eje X . . . . . . . . . . 4.10. Posicin con control PD con Observador y NN en el eje Y . . . . . . . . . . 4.11. Angulo con control PD con Observador y NN en X . . . . . . . . . . . . . . 4.12. Angulo con control PD con Observador y NN en Y . . . . . . . . . . . . . . 4.13. Angulo de la Gra en X con control PD . . . . . . . . . . . . . . . . . . . . 4.14. Angulo de la Gra en Y con control PD . . . . . . . . . . . . . . . . . . . . 79 80 80 81 82 83 83 84 84 85 85 86
Captulo 1 Introduccin
Un esfuerzo en la investigacin ha sido signicativo durante los ltimos 40 aos en el anlisis de estrategias de control para las gras viajeras, han sido mas largas y rpidas, la necesidad para controlar y garantizar la gra por encima de (es decir gras viajeras). Las grus tienen un mecanismo para subir (comnmente tienen el cable de subida en lnea y enganchado) y soportan mecanismos (tren va). El cable que sostiene la carga esta suspendida de un punto a el mecanismo que lo soporta. El movimiento del mecanismo que sostiene un punto al rededor del espacio de trabajo de la gra, mientras el mecanismo de la gra cuando alza y baja la carga para evitar obstculos en su trayectoria y el deposito de la carga en el punto. Las gras se pueden clasicar por los grados de libertad que soportan el mecanismo, para el anlisis de nuestra gra esta compuesta por tres grados de libertad el riel, el mvil y la carga. La aproximacin del modelado de la gra lo hacemos en lazo abierto y posteriormente el lazo cerrado para analizar un mtodo de control clasicando segun nuestra necesidad.
1.1.
Motivacin
Los modelos de las gras viajera en 3D en su anlisis para el modelado matemtico se observan que no incluyen la friccin, la longitud de la cuerda y esto genera matrices de
Introduccin
con este modelado observamos tambin que para algunos autores las matrices son de dimenfriccin, acoplamiento en la anti-oscilacin para el control, esto nos lleva para motivarnos con el anlisis, considerando los puntos antes mencionados y nuestra matriz sera de dimenacoplamiento entre la posicin y el control con anti-oscilacin, el observador nos sirve para estimar la velocidad en los ejes. El modelo dinmico de la gra en tres dimensiones en lazo abierto, nos modela el
dimensiones de 3 3 en general como en [30], si nosotros tenemos algunas comparaciones
siones de 44, considerando la anti-oscilacin [34]. Para nuestro anlisis queremos considerar
siones de 5 5. Las redes neuronales nos servirn para compensar la friccin, gravedad y el
sistema sin considerar oscilaciones y sin control en este mtodo solo observamos como se comporta nuestro modelo. El controlador puede regular la posicin y la anti-oscilacin. Esto es debido a las incertidumbres que existen cuando modelamos el sistema. Proponer una ley de control con un controlador PD, PID, un observador de alta ganancia y con compensacin de redes neuronales, es para considerar la friccin por mencionar algunos de las incertidumbres. Realizar experimentos reales con la gra en 3D. Finalmente comparar los mtodos propuestos y observar cual estabilizan el sistema. En este caso nuestro modelado de nuestra gra en tres dimensiones considerando friccin as como gravedad y acoplamiento en la posicin, nosotros lo llevamos a comparaciones reales en nuestro sistema
1.2.
Objetivos
Como objetivos principales para la elaboracin de este trabajo de investigacin tenemos los siguientes puntos. El modelo dinmico de la gra en tres dimensiones en lazo abierto.
1.3 Estructura de la tesis El controlador pueda regular la posicin y la anti-oscilacin
Proponer una ley de control con un controlador PD, PID, Observador Alta Ganancia y con compensacin de Redes Neuronales Realizar experimentos reales con la gra en 3D. Finalmente comparar los mtodos propuestos y observar cual estabilizan el sistema.
1.3.
Estructura de la tesis
En el capitulo dos, se hace la revisin de literatura correspondiente a la gra en tres dimensiones con diferentes mtodos. Se modela la dinmica de la gra en tres dimensiones con diferentes mtodos, Lagrange, Newton. El modelo en general comprende diferentes formas de ver el modelado desde un modelo completo a un modelo siempre sin considerar friccin. Tambin se hacen experimentos reales con la gra y se comparan con los mtodos descritos. En el capitulo tres, a partir del modelado dinmico se propone una ley de control PD, otra ley de control con compensacin neuronal y se hacen simulaciones para comparar cual de los dos mtodos estabiliza mejor el sistema. Finalmente en el capitulo cuatro, se analiza el mtodo donde el control PD tiene una anti-oscilacin. Tambin se modela con un observador de alta ganancia con velocidad en el observador y sin velocidad para nalmente comparar los mtodos.
1.4.
Resumen del control en la gra
La primera idea en la automatizacin de la gra, fue calculando la funcin de control en tiempo ptimo, minimizando la trayectoria de tiempo de la gra considerando las condiciones que acotan la carga de oscilacin en el objetivo del punto (Beeston, 1969). El campo de control no lineal en sistemas dinmicos es muy variado. Esto generalmente converge en control no lineal. En este proyecto se analiza en especco para un sistema no lineal, en la gra viajera en tres dimensiones.
Introduccin Las gras viajeras son usados en nmerosas aplicaciones industriales, tal como la carga
y descarga de contenedores, el manejo de desechos nucleares, la automatizacin industrial y bsicamente en algunas industrias que requieren tareas pesadas para mover de un lado a otro. El anlisis del control de la gra en 3D, es complejo, as como en diferentes aplicaciones industriales requiere diferentes sistemas de control. Algunas aplicaciones requieren la optimizacin del movimiento del carro. Otros requieren poco o ningn balance cuando estos se estn moviendo. Desde que en el analisis del sistema de la gra en 3D, es un sistema multivariable no lineal, esto nos proporciona un signicado para observar la representacin de diferentes tipos de controladores cuando se aplican en un sistema multivariable no lineal. Estos controladores consisten en partes proporcionales derivativos (PD). La solucin del control de la gra no es limitada a una rea especica en teora de control. Viendo la representacin de diferentes controladores, el perfeccionamiento en la gra industrial quizs sea logrado. El control no lineal no solo se trata en esta tesis, de donde el controlador no lineal se deriva de un modelo no lineal. Incluso sin embargo el sistema de la gra es un sistema no lineal, el controlador no lineal se deriva del modelo linealizado de la gra. Las no linealidades en el diseo del controlador provienen de dos aspectos principales: 1) El controlador sliding mode esta relacionado con un controlador no lineal debido a la funcin discontina presente en la estructura de control. 2) La ganancia programada se usa con respecto a la longitud de la cuerda en el diseo del controlador sliding mode. Estos dos aspectos importantes ocasionan que un controlador no lineal que sea simulado en su modelo linealizado e implementando en tiempo real en el sistema de la gra. Este proyecto no se considera solo la teora de control, pero tambin el problema prctico que surge en aplicaciones industriales en la gra. En la revisin de literatura en general que se ha publicado en relacin al control de la gra se da en esta seccin.
1.4 Resumen del control en la gra
Revisando detalladamente la literatura de diferentes aproximaciones de control en sistemas de gras. Estos controladores extendiendo de un simple estado de control de retroalimentacin [41], a controladores no lineales mas complejos [51] y [7]. Ridout [41], resolvi el problema de oscilacin de control y el posicionamiento del carro usando variables de estado en el diseo de retroalimentacin. El no considero el control con la longitud de la cuerda, es cual ah tenemos un componente crtico en la aplicacin prctica para la gra viajera. Ridout encontr que la implementacin prctica del controlador tena que ser conectado en lnea en resultados realizados que podran tener en esta simulacin. Esto signica que cualquiera de su modelado de la gra necesita ser mas preciso, o el controlador lineal es sensible a cambios en parmetros de sistemas, el cual es caracterizado por controladores lineales. Nguyen [7], extendi el trabajo de Ridout e incluyo la longitud de la cuerda en el control. El mejoro una simple ganancia en la programacin de variables de estado del controlador de retroalimentacin. El tambin especco un modelo para la gra en el cual la dinmica del carro son tambin inuenciados por un cambio de la longitud de la cuerda. Esto implica claramente que el logro mejor desempeo si el estuviera programado para todas las ganancias de retroalimentacin mas bien entonces la velocidad angular de oscilacin. La funcin programada de funciones es una simple divisin de la oscilacin de la velocidad angular por la longitud de la cuerda. Esta funcin programada se muestra para ser deducido experimentalmente entonces matemticamente, como el no detalla matemticamente la deduccin del modelo. Si la deduccin matemtica fuera usado, entonces todos las ganancias de retroalimentacin habran sido programados con la longitud de la cuerda. Nguyen solo detallo la robustez de la operacin del controlador para una regin nita. Entonces no hay garanta en la representacin del controlador sobre todo el espacio de operacin. Tambin desde que el controlador de Nguyen es bsicamente una variable de retroalimentacin de estado del controlador hay garanta de la representacin del controlador en la presencia de inestabilidad. Auernig y Troger [3], resolvieron el problema en tiempo ptimo para la gra viajera, pero los resultados de la simulacin son disponibles, y ellos no detallan la demostracin de
Introduccin
la concavidad de hamiltoniano. Mientras esto es realmente una solucin valida ah existe un problema analticamente. Tambin su controlador es en lazo abierto este sistema no proporciona perturbaciones y defectos. Auernig y Troger bsicamente descubrieron un controlador Bang-Bang para la gra, pero una implementacin prctica del controlador Bang-Bang es estrictamente no factible, como esto causa uso excesivos y un deterioro en las partes del mecanismo. Por razones de seguridad un repentino y largo switch en la corriente del motor no es deseable. Singhose, Porter y Seering [46], propusieron un mtodo de retroalimentacin de control llamado input shaping fue solamente usado para minimizar la magnitud del ngulo de oscilacin y no para la direccin del control de la longitud de la cuerda o el control de posicionamiento del carro. Bsicamente la entrada requiere un comando conocido en la seal que ocasiona una respuesta deseada aproximada para el sistema. El comando de esta orden de seal quizs entonces deje oscilaciones restantes en el ngulo de la cuerda. Si la frecuencia de esta oscilacin es conocida, entonces una nueva seal de comando puede ser hecho por la convolucin de la seal apropiado con un ltro en cual cancele la frecuencia restante. El impulso que constituye al formar el mas apropiado amplitud y la locacin de tiempo a cancelar las oscilaciones restantes. Singhose utilizo tcnicas para la entrada formada con ltros del tipo IIR(Respuesta al impulso innito). Singhose observo que la frecuencia en el modelado no es exactamente entonces la entrada formada, entonces el mtodo no puede ser completamente factible para cancelar el ngulo de oscilacin. Entonces usando una entrada deseada, uno tiene que superar el conocimiento del sistema para generar una seal apropiado. Esto tambin requiere la posicin de la ubicacin del impulso en el momento correcto el mtodo a minimizar algn sistema de oscilacin. En la simulacin claramente es posible, pero en un medio ambiente practico que consiste de ruido y cambiando los parmetros de sistema, este mtodo puede ocasionar una seal de control intil. Woods y Clements [51], desarrollaron un mtodo logrando un control no lineal de un sistema para la gra viajera utilizando la dinmica exacta en la linealizacin del controlador. Este mtodo bsicamente transforma un sistema no lineal dentro de una forma lineal normal,
del cual el controlador lineal es diseado por medios de la dinmica exacta con tcnicas de linealizacin. Una transformacin contraria es entonces realizando en el controlador, tal que esta transformacin es una funcin de los estados del sistema. Este trabajo se compara con un controlador no lineal y lineal que fue diseado cuando el sistema fue linealizando los puntos de operacin. Ellos encontraron que la longitud de la cuerda es variable y adems que el controlador puede ser inestable, mientras que el controlador no lineal puede ser estable. Este mtodo tambin puede ser una solucin valida, sin embargo el trabajo no detalla alguna implementacin prctica para el controlador, ni la posicin del carro y la longitud de la cuerda con el control obtenido. Entonces no hay garanta que el controlador se comporte similar a la simulacin cuando se implementa en un medio ambiente donde hay ruido. Butler [9], propuso un controlador de un modelo adaptable de referencia que utiliza un modelo de descomposicin a mejorar un controlador adaptable. El presento un mtodo que elabora un reducido mtodo del controlador para ambas posiciones del carro y la cancelacin de la oscilacin. Butler [17], no tiene distribuido el sistema. Esto nos dice que el sistema y el modelo son del mismo orden entonces igualando al modelo perfecto. Butler dice que todos los estados relevantes son medibles o observables. Claramente en la prctica esto siempre no implica que todos los estados del sistema estn inmediatamente disponibles. Boustany y dAndrea-Novel [2] y [6], describen el modelo y comparan ambos controladores adaptables y no adaptables que se derivan de una aproximacin de Lyapunov y de las tcnicas de linealizacin de la dinmica de retroalimentacin, donde la adaptacin esta en la carga de la masa. Estos muestran que para el caso no adaptable el controlador que se disea con aproximaciones de Lyapunov nos da una estabilidad sobre el rango de alcance de la masa en la tcnica de linealizacin. Para el mtodo adaptable ellos muestran que usando la aproximacin de Lyapunov para derivar el controlador adaptable no lleva a algn mejoramiento en particular. El cual esperara la aproximacin de Lyapunov es muy robusto en las incertidumbres paramtricos. Ellos encontraron que en un control adaptable basados en la linealizacin dinmica de retroalimentacin ocasiona lejanamente una estabilidad en un rango de oscilacin en la masa de la carga del controlador no adaptable. Ambos mtodos para derivar el control adaptable
Introduccin
provee una estabilidad general, como los controladores no lineales ocasionados, pero estos realmente difcilmente se puede implementar en tiempo real. Una solucin prctica completa usando ambos mtodos que describen su trabajo en el cual tienen que extenderse a incluir posicionamiento del carro y control en la longitud de la cuerda, en el cual ellos no direccionan. Esto debera notarse que solo en los experimentos los resultados y las consideraciones no prcticas se dan. Burg [7], llevo acabo la saturacin en el control que propuso Teel [48] y [49]. Burg utilizo saturacin en el control para minimizar el ngulo de oscilacin. El control que diseo no garantiza la magnitud del ngulo de oscilacin, pero Burg acepta que si en la entrada forzada en el sistema se puede limitar con una funcin de saturacin, entonces se puede lograr la mnima oscilacin. En este trabajo la longitud en la cuerda y el control tambin se considera. Un aspecto importante que no se nota en este trabajo es que en orden para lograr la mnima oscilacin, esto implica que se requiere que se atraviese en un tiempo lentamente. De esta manera utilizando este mtodo de saturacin hay un cambio fuera de entre establecer un tiempo y un ngulo de oscilacin. Pieper y Surgenor [39], simularon en tiempo discreto para el sistema del controlador de la gra. Pieper [39], utilizo una solucin cuadrtica lineal como una referencia para el controlador representando en tiempo discreto sliding mode, en este trabajo la longitud de la cuerda no fue considerado. El modelo usado por Pieper [39], no es un modelo escala para la gra real y usa controles neumticos para la entrada en el carro. Entonces, Pieper y Surgenor tienen que usar un pulso ancho para la modulacin y manejar el sistema. Una solucin prctica para esta gra se debera usar el control ptimo, semejante al mtodo en lazo abierto propuesto en [3], o un controlador en retroalimentacin en tiempo ptimo de tipo Bang-bang. Estos mtodos quizs nos dan menos cambios en la entrada de control y entonces nos reduce el desgaste en el aparato. Con PWM las funciones rpidas de encendido y apagado son aplicados con la fuerza de impulso, esto quizs cause innecesarios cambios en la oscilacin, quizs no se manieste en el diseo de control por mtodos de control ptimo. Yu, Lewis y Huang [31], usan una aproximacin perturbacin singular para separar la dinmica de la gra en dos subsistemas. Hay un sistema lento que describe el movimiento
promedio del carro, y el sistema rpido que describe el movimiento de oscilacin de la carga mientras el carro esta en movimiento. Ellos usan tcnicas LQR para disear el controlador para cada de estos dos subsistemas. Estos dos controladores son entonces combinados en una forma nica para el controlador de la gra. El control del sistema lento habilita el carro para posicionarse y seguir el diseo de la trayectoria y el control del sistema rpido habilita la oscilacin para minimizar. Yu, Lewis y Huang [31], solo consideran el caso donde la carga de elevacin se ja. Entonces, no hay garanta en el desempeo del controlador mientras la altura de la carga comienza a controlarse con un setpoint. Todos estos mtodos discutidos en la revisin de literatura necesita por lo menos uno, si no todas las cinco suposiciones siguientes. 1. Todos los estados son medibles y observables. 2. El sistema de la gra no se considera (entonces la elevacin de la carga se ja). 3. No se implementa en la prctica, la teora respecto al modelado se documenta. 4. El cambio de cada escaln (paso) son usados para investigar un nuevo setpoint para el carro y la longitud de la cuerda. 5. Los controladores no lineal son derivados de los modelos no lineales del sistema. Este tesis dar solucin para un control satisfactorio mencionados en las deciencias mostrados anteriormente. Sera haciendo uso de las tcnicas de control sliding mode, tecnicas de control con incertidumbres como friccin, ocilacion.
10
Introduccin
Captulo 2 Modelo matemtico de una gra en tres dimensiones

2.1. Introduccin
En esta seccin se describe la deduccin del modelo matemtico de la gra viajera en tres dimensiones donde los modelos son conectados por un trmino en el cual tienen una magnitud pequea. El modelo del sistema se puede dividir en tres componentes, el motor y el carro, la dinmica de oscilacin y el sistema en la gra, los tres componentes mencionados mutuamente afectan en cada uno de los componentes. Una deduccin completa del modelo en general se da posteriormente en el prximo captulo. Observando una respuesta en lazo abierto del modelo completo, se concluye que la representacin mas exacta del sistema dinmico en tiempo real esta dado por la conexin del modelo. El modelo acoplado es hecho para un modelo de la dinmica de la gra y otro modelo para la oscilacin de la dinmica del carro. Estos dos modelos son acoplados por trminos que contienen la longitud de la cuerda como parmetros. Donde la longitud de la cuerda que ejerce la oscilacin del ngulo a su vez la inuencia de la dinmica del carro, la longitud del acuerda se incluye como un trmino medido en las derivaciones del carro y de la oscilacin en la dinmica.
12
Modelo matemtico de una gra en tres dimensiones

z
FR Fy Fx x y
mc g
Figura 2.1: Coordenadas de la gra en tres dimensiones La gra en tres dimensiones es un sistema electromecnico, consta de un riel, el carro y nalmente la carga en sentido a la fuerza de gravedad, este sistema se puede modelar a travs de las ecuaciones de Newton para describir las coordenadas de la carga, el modelado dinmico se describe grcamente ver Figura 2.1. En la Figura 2.1, muestra el diagrama de la gra en 3 dimensiones con 5 variables de salida. 1. xw es la distancia de la barra (riel) con el carro que va del centro del marco a la construccin (no se muestra en la Figura). 2. yw es la distancia del carro es decir del centro de la barra. 3. R es la longitud de la lnea de elevacin. 4. es el ngulo entre la lnea de elevacin y el eje x.
2.1 Introduccin
13
5. es el ngulo entre la direccin negativa en el eje z y la proyeccin de la lnea de elevacin hacia el plano yz. Tenemos 3 variables de control en la entrada. 1. Fx fuerza de impulso de la barra con el carro. 2. Fy fuerza de impulso del carro a lo largo del riel o barra. 3. FR fuerza que controla la longitud de la lnea de la barra. Tambin se denotan los parmetros de la gra en 3 dimensiones. mc denota la masa de la carga. mw masa del carro. ms masa del movimiento de la barra. xc , yc , zc coordenadas de la carga Incertidumbres. S es la fuerza de reaccin en la lnea de elevacin actuando en el carro, Sx , Sy y Sz , son las fuerzas de la carga en las direcciones x, y y z. Tx , Ty y TR , corresponden a las fuerzas de friccin de los movimiento en los ejes x, y y R. Para la deduccin del modelo matemtico de la gra en 3 dimensiones es apropiado cambiar el sistema de coordenadas, es decir en coordenadas cartesianas la interpretacin es simple y se determina la posicin en el espacio en una nica manera en ambas direcciones, mas para nuestros intereses no es apropiado para la descripcin del movimiento rotacional dinmico. Sin embargo es apropiado en sistemas esfricos, la posicin de la carga se describe por dos ngulos, y como se muestra en la Figura 2.1, se muestra un bosquejo del sistema en coordenadas esfricas es que para cada punto en el eje y, el correspondiente valor de no se determina nicamente. Sin embargo los puntos en el eje y no son obtenidos en un sistema en una gra real.
14
xw Ux Uy UR
Motor (x) Motor (y) Motor (R)
Fx Fy FR 3D Crane
yw R
Figura 2.2: Esquema del motor con la gra Se consideran los siguientes deniciones para la deduccin del modelo matemtico en la gra en 3 dimensiones. 1 = mc mc S , 2 = , s= mw mw + ms mc Fy Fx FR u1 = , u2 = , u3 = mw mw + mc mc Ty Tx TR T1 = , T2 = , T3 = mw mw + mc mc N1 = u1 T1 , N2 = u2 T2 , N3 = u3 T3
(2.1)
2.2.
Modelado matemtico del motor
Se analizar la dinmica de los motores de Corriente Directa (cd) de magneto permanente, que son las ms utilizadas como actuadores, los motores de (cd) pueden ser clasicados de acuerdo a la forma en la que el campo magntico es producido y por el diseo de la armadura, considere el diagrama de la Figura 2.3. La ecuacin diferencial para la corriente de armadura est dada por: dia + Ra ia = Vin Vf ce dt La ecuacin de la parte mecnica del motor es: La Jm d2 m dm + Bm = r l 2 dt dt (2.2)
(2.3)
2.2 Modelado matemtico del motor
15
Ra
La wm
Vin
ia
eb
J Tm
Tl
Figura 2.3: Modelo elctrico-mecnico del motor El par desarrollado por el motor es: m = km ia Donde la relacin de engranes est dado por: = kg m La fuerza contra electromotriz est dada por: Vf ce = kb m = kb Sustituyendo la ecuacin (2.6) en la ecuacin (2.2): La dia dm + Ra ia = Vin kb dt dt (2.7) dm dt (2.6) (2.5) (2.4)
Sustituyendo la ecuacin (2.5) en la ecuacin (2.3) y l = 0, es decir, no se considera el par de carga y la relacin de engranes ecuacin (2.5), se obtiene: Jm d2 m dm = kg km ia + Bm dt2 dt
Jm Bm
(2.8)
Despejando ia de la ecuacin (2.7) y haciendo La = 0, debido que la constante de tiempo elctrica

La Ra
es mucho ms pequea que la constante de tiempo mecnica
lo cul permite
16
reducir el orden del modelo en la dinmica del actuador [27], [5]. Vin kb dm dt ia = Ra Sustituyendo la ecuacin (2.9) en la ecuacin (2.8): d2 m dm kg km = Jm 2 + Bm dt dt Ra Jm dm Vin kb dt
(2.9)
d2 m dm kg km kb dm kg km + = + Bm Vin dt2 dt Ra dt Ra Ra d2 m dm kg km kb dm Jm 2 + Bm + = Vin kg km dt dt Ra dt Ra Jm d2 m dm Ra Bm + + kb = Vin 2 kg km dt kg km dt Para el modelo del prototipo

Rm J Km Kg
(2.10)
= 0 01176,
Rm B Km Kg
+ Km = 0 58823.
El modelado de un servomotor en (cd) se puede dividir en dos subsistemas la parte elctrica y la parte mecnica. El sistema elctrico se basa en las leyes de voltaje de Kirchho. U = Lm I m + Rm Im + Kb

(2.11)
donde U es el voltaje de entrada, Im es la corriente en la armadura, Rm y Lm son la resistencia y la inductancia en la armadura, Kb es la fuerza electromotriz, es la velocidad angular. Comparando a Rm Im y Kb , el trmino Lm I m es pequeo. El mtodo para simplicar el modelado para el motor en (cd), para omitir el trmino Lm I m . El subsistema mecnico es: 1 Kg Jm + Bm = m (2.12)

donde Kg es la relacin de engranaje, Jm es el momento de inercia, Bm es el coeciente de friccin viscoso, m es el torque producido en el eje del motor. Los subsistemas elctrico y mecnico son acoplados a travs de una ecuacin del torque algebraica. m = Km Im (2.13)
2.3 Modelado matemtico de la gra con el mtodo de Newton
17
donde Km es el torque constante del motor. Esto implica que no hay backlash o deformacin elctrico en los engranajes, el trabajo realizado por la carga del eje es igual al trabajo realizado por el eje en el motor, =
1 Kg m
= m , aqu es la armadura del sistema del balancn de la
bola. De esta manera el modelo del motor en (cd) esta expresado. Rm Jm Rm Bm + Kb + =U Km Kg Km Kg
(2.14)
2.3.
Modelado matemtico de la gra con el mtodo de Newton
Las siguientes ecuaciones nos describen la posicin de la carga en coordenadas esfrica como se muestra en la Figura 2.1. xc = xw + R sin cos yc = yw + R sin zc = R cos cos Las ecuaciones dinmicas de la carga satisfacen la Ley de Newton mc xc = Sx , mc yc = Sy , X (2.15)
F = ma, como (2.16)
mc zc = Sz mc g
donde Sx , Sy , y Sz son componentes del vector S, tenemos Sx = S sin sin , Sy = S cos , Sz = S sin cos . La ecuacin para el carro y el riel usando las leyes de Newton son: mw yw = Fy Ty + Sy Usando la relacin de S = FR TR (2.18) (mw + ms ) xw = Fx Tx + Sx (2.17)
18 la ecuacin (2.17), se vuelve xw = Restriccin
Tx Fx (FR TR ) sin sin + + (mw + ms ) (mw + ms ) (mw + ms )
se da por hecho que la lnea de elevacin siempre esta extendindose, entonces Sx (xc xw ) + Sy (yc yw ) + Sz zc > 0 ecuacin (2.19), de igual manera la ecuacin (2.15), en la ecuacin anterior tenemos: Sx (xc xw ) + Sy (yc yw ) + Sz zc (2.19)
sustituyendo las ecuaciones Sx = S sin sin , Sy = S cos , Sz = S sin cos . En la
S sin sin (xc xw ) + S cos (yc yw ) S sin cos zc SR sin2 sin2 + SR cos2 + SR sin2 cos2 en el caso donde ahora la carga esta elevada y reducida con el uso de las fuerzas de control FR , S y las ecuaciones (2.16) a la (2.19) deberan ser reemplazados como sigue simplicando el modelo con tres fuerzas de control tenemos Propiedad 2.1 Para el caso en que la carga es elevada y disminuye con las fuerzas de control FR , S, entonces nos da lo siguiente: SR sin2 sin2 + SR cos2 + SR sin2 cos2 > 0
2.3.1.
Modelo simplicado
Cuando la carga esta en reposo principalmente los ngulos pequeos y . Se acepta que la derivacin de la carga en el eje z es pequea, entonces: cos = cos + , sin = sin + 1 = = 2 2 cos 1, sin = = entonces las ecuaciones Sx = S sin sin , Sy = S cos , quedan nuevamente Sx = S = (FR TR ) (2.21)
(2.20)
2.3 Modelado matemtico de la gra con el mtodo de Newton de manera que las nuevas ecuaciones mc xc = (FR TR ) FR TR xc = + mc mc Como en la denicin de la ecuacin (2.1), u3 =
FR , mc
19
T3 =
TR , mc
entonces (2.22)
xc = (u3 + T3 ) ahora para Sy , Sy = S = (FR TR ) , yc = (u3 T3 ) Finalmente para Sz , Sz = S = (FR TR ) zc = u3 T3 g De manera similar para el carro y el riel, tenemos xw = u2 T2 + (u3 T3 ) 2
(2.23)
(2.24)
yw = u1 T1 + (u3 T3 ) 2
(2.25)
Ahora denimos los estados x = [x1 x10 ]T como x1 = yw , x2 = x1 , x3 = xw , x4 = x3 , x5 = , x6 = x5 , x7 = , x8 = x7 , x9 = R, x10 = x9 . De la ecuacin (2.25), y la ecuacin (2.1), llevando al nal y simplicando el sistema en las ecuaciones de estado para la gra en 3 dimensiones tenemos: x = f (x, U ) donde U = [N1 , N2 , N3 ]T " f (x, U) = (2.26)
gx (N1 1 x5 N3x9 5 2x6 x10 ) , x8 ,
x2 , N1 1 x5 N3 , x4 , N2 + 2 x7 N3, x6
(N2 +2 x7 N3 +gx7 +2x8 x10 ) , x9
x10 , N3 + g
#T
El resultado de la simplicacin propuesta en separacin parciales de las ecuaciones de la gra. Las ecuaciones que describen el movimiento de la gra a lo largo del eje y es para
20
las ecuaciones x1 , x2 , x5 , x6 no estn unidas con las ecuaciones para las variables x3 , x4 , x7 , x8 , estas ecuaciones describen el movimiento a lo largo del eje x. La gra puede ser entonces tratado como dos subsistemas independientes, esta separacin es parcial, como ambos subsistemas dependen de x9 es decir debido a la longitud de la lnea en la barra R. Una separacin completa seria si toma el lugar de la variable x9 = R = constante y separamos Tx , Ty . Como observamos la gra siempre es controlada de tal manera que la oscilacin de la carga es omitido, y por esta razn la derivacin de los ngulos son pequeos, entonces el modelo simplicado es entonces el adecuado.
2.3.2.
Modelo completo
Con dos fuerzas de control Ahora derivamos las ecuaciones sin las simplicaciones de las ecuaciones (2.16), pero implicando que la longitud de la lnea de elevacin R es constante y no hay fuerza de control FR . Se obtiene yc = S cos De la ecuacin (2.17), xw = u2 T2 + S2 sin sin sin (2.28) xc = S sin sin zc = S sin sin g (2.27)
yw = u1 T1 + S1 cos de las ecuaciones (2.27) y (2.28),
i h 2 xc = xw + R cos cos + sin cos 2 + sin sin + 2 cos cos yc = yw R sin + 2 cos i h 2 zc = R cos cos sin sin 2 + sin cos 2 cos sin
(2.29)
2.3 Modelado matemtico de la gra con el mtodo de Newton despus de eliminar la S, que es de la sustitucin en la ecuacin S = cuatro ecuaciones: xc = yc tan sin y zc = c tan cos g xw = u2 T2 2 yc tan sin yw = u1 T1 1 yc
21 yc , obtenemos cos (2.30)
utilizando las ecuaciones (2.29) en (2.30), llegamos a un sistemas de cuatro ecuaciones con cuatro variables desconocidas xw , yw , y . La solucin de este sistema con respecto a sus segundas derivadas e introduciendo nuevas variables dadas al nal de la descripcin en forma de ecuaciones de estado no lineales. Introducimos las notaciones. x4 = x3 , x5 = , x6 = x5 , x7 = , x8 = x7 , x9 = R, x10 = x9 , sn sin xn , cn = cos xn , A = 1 + 1 c2 + 2 s2 s2 , B = 1 + 1 , 5 5 7 V1 = 1 Rc5 (x2 + s2 x2 ) + 1 gc5 s5 c7 6 5 8 V2 = 2 Rs7 (s3 x2 + s5 x2 ) + 2 gs2 s7 c7 5 8 6 5 V3 = Bgc5 c7 + BRc5 s5 x2 + (1 2 s2 ) Rc5 s5 x2 8 7 6 V4 = 2 Rs5 s7 c7 (x2 + s2 x2 ) + (B + (2 1 ) s2 ) gs7 + 2RAc5 x6 x8 6 5 8 5 De la ecuacin (2.25) y la denicin (2.1), llevando al nal y simplicando el sistema en las ecuaciones de estado para la gra en 3 dimensiones. x = f (x, U ) donde U = [N1 , N2 , N3 ]T T (1+2 s2 s2 )N1 1 c5 s5 x7 N2 +V1 (2 c5 s5 s7 N1 +(1+1 c2 )N2 +V2 ) 5 7 5 , x4 , , x6 x2 , A f (x, U) = ((1+ s2 )s N Bc s NA ) (2 c5 s5 c7 s7 N1 (B1 s2 )c7 N2 ) 5 1 5 7 2 +V3 2 7 5 , x8 , , x10 , N3 + g RA RAs5 (2.31) Ahora denimos los estados como x = [x1 , , x10 ]T , x1 = yw , x2 = x1 , x3 = xw ,
nalmente, se obtienen ocho ecuaciones que describen la dinmica de la gra con longitud constante del pndulo. Las expresiones A, R y sin x5 , son mayores que cero, por lo tanto el
modelo esta libre de singularidades.
22 Con tres fuerzas de control
Para derivar las ecuaciones de la gra sin considerar las simplicaciones hechas en la ecuacin (2.20) y las ecuaciones Sx = S sin sin , Sz = S sin cos , sustituyendo en las ecuaciones (2.16) a la (2.17) tenemos: xc = (u3 T3 ) sin sin (2.32)
yc = (u3 T3 ) cos
xw = u2 T2 + 2 (u3 T3 ) sin sin yw = u1 T1 + 1 (u3 T3 ) cos la ecuacin (2.15), son diferenciadas dos veces considerando que la longitud de la lnea izquierda R (t) , varia en el tiempo debido a la accin de la fuerza de control FR . 2 xc = xw + R R2 R sin sin + 2 cos cos + 2R + R cos sin + 2R + R sin cos . R2 cos 2R + R sin . yc = yw + R 2 zc = R + R2 + R sin cos + 2R cos sin 2R + R cos cos + 2R + R sin sin .
zc = (u3 T3 ) sin cos g
Ahora denimos los estados como x = [x1 x10 ]T , x1 = yw , x2 = x1 , x3 = xw , x4 = x3 , 1 + 1 c2 + 2 s2 s2 , B = 1 + 1 , 5 5 7
x5 = , x6 = x5 , x7 = , x8 = x7 , x9 = R, x10 = x9 , sn sin xn , cn = cos xn , A = V1 = 1 Rc5 (x2 + s2 x2 ) + 1 gc5 s5 c7 6 5 8 V2 = 2 Rs7 (s3 x2 + s5 x2 ) + 2 gs2 s7 c7 5 8 6 5 V3 = Bgc5 c7 + BRc5 s5 x2 + (1 2 s2 ) Rc5 s5 x2 8 7 6 V5 = c5 s5 x2 x9 2x10 x6 + gc5 c7 8 V7 = x2 x2 x9 + gs5 c7 + x2 x9 5 8 6 V4 = 2 Rs5 s7 c7 (x2 + s2 x2 ) + (B + (2 1 ) s2 ) gs7 + 2RAc5 x6 x8 6 5 8 5 V6 = 2x8 (c5 x6 x9 + s5 x10 ) + gs5
2.4 Modelado matemtico de la gra utilizando el mtodo de Lagrange
23
De la ecuacin (2.25), y la denicin (2.1). Llevando al nal y simplicando el sistema en las ecuaciones de estado para la gra en 3 dimensiones x = f (x, U ) donde U = [N1 , N2 N3 ]T T (s5 N1 c5 s7 N2 +(1 2 s2 )c5 s5 N3 +V5 ) 7 , x2 , N1 + 1 c5 N3 , x4 , N2 + 2 s5 x7 N3 , x6 , x9 f (x, U) = (c7 N2 +2 s5 c7 s7 N3 +V6 ) 2 2 2 x8 , , x10 , c5 N1 s5 s7 N2 (1 + c5 + 2 s5 s7 ) N3 + V7 s5 x9
2.4.
Modelado matemtico de la gra utilizando el mtodo de Lagrange
Para derivar el modelo del sistema se usa la dinmica de Lagrangiano y tcnicas de modelado electromecnico. Las ecuaciones de Lagrange proporcionan un signicado para determinar las ecuaciones de movimiento para sistemas conservativos y no conservativos. De donde se asume que el sistema no pierde energa conservativa aproximndose en la deduccin de las ecuaciones de Lagrange. La ecuacin matemtica para determinar el sistema dinmico usando ecuaciones de Lagrange es: d L L = Fi dt qi qi para i = 1, 2, ..., n donde i = nmero de grado de libertad. Fi = fuerza neta actuando en direccin de q. qi = conjunto de coordenadas generalizadas, donde i = 1, 2, 3, ..., n. L = Sistema Lagrangiano el cual esta compuesto por la energa cintica y energa potencial El sistema Lagrangiano es dado por: L=K U
24 de donde
K = Energa total cintica del sistema. U = Energa total potencial del sistema. ya que U no es una funcin de qi , L = L (qi , qi , t) y U = (qi , t) . La dinmica de la gra se obtienen por el mtodo de Lagrange. La energa cintica del sistema es K = K1 + K2 + K3 2 Mr VMr (donde xr = 0, yr = y, zr = 0), la energa donde la energa cintica del riel es K1 = 2 2 Mm VMm (donde xm = x, ym = 0, zm = 0), la energa cintica de cintica del mvil es K2 = 2 2 Mc VMc . Las velocidades proyectadas en cada uno de los ejes de la primera la carga es K3 = 2 1 1 masa son VMr = yw , VMm = xw . Adems K1 = Mry 2 , K2 = Mmx2 . Para la masa de la 2 2 2 2 2 2 carga VMc = VMxc +VMyc +VMzc . Derivando la ecuacin (2.15), que nos describe el sistema de la gra en tres dimensiones, tenemos que la primera derivada con respecto a la coordenada de la carga en la gra. xc = xw R sin sin + R cos cos yc = yw + R cos zc = R cos sin + R cos sin por eso tenemos
2 VMc
(2.33)
2 sustituyendo VMc
2 2 + R cos cos + yw + R cos = xw R sin sin 2 + R cos sin + R cos sin
(2.34)
K3 =
h 1 2 Mc x2 + R2 sin2 sin2 + R2 cos2 2 cos2 2xw R sin sin w 2 +2xw R cos cos 2R2 sin sin cos cos + yw + 2yw R cos 2 +R2 cos2 + R2 cos2 sin2 + 2R cos sin cos sin +R2 sin2 2 cos2
2 2
2.4 Modelado matemtico de la gra utilizando el mtodo de Lagrange nalmente tenemos que h 1 2 K = Mc x2 + R2 sin2 sin2 + R2 cos2 2 cos2 2xw R sin sin w 2 2 +2xw R cos cos 2R2 sin sin cos cos + yw + 2yw R cos 2 2 +R2 cos2 + R2 cos2 sin2 + 2R cos sin cos sin +R2 sin2 2 cos2 + K1 + +K2
25
La energa potencial V = V1 + V2 + V3 (2.35)
donde V1 , V2 , V3 son la energa potencial del riel, carro y la carga, para la gra V1 = 0, V2 = 0, V3 = mgR (1 cos cos ) por lo que el Lagrangiano esta denido como
L=K U Entonces tenemos L de la ecuacin de la gra en tres dimensiones. h 1 1 1 2 Mr ym + Mm xm + Mc x2 + R2 sin2 sin2 + R2 cos2 2 cos2 2xw R sin w 2 2 2 2 2 sin + 2xw R cos cos + yw + 2yw R cos + R2 cos2 + R2 cos2 sin2 2 +R2 sin2 2 cos2 mgR (1 cos cos )
L =
Para la masa de la carga, las ecuaciones de poison son derivadas usando las ecuaciones de Euler-Lagrange, R es jo, Fx , Fy y FR son fuerzas de control que actan en el carro y riel de
26 la gra. Tx , Ty y TR son fricciones.
d L L dt " # L d L dt d L L dt xw xw # " d L L dt y w yw # " d L L dt R R
= 0 = 0 = Fx Tx = Fy Ty = FR TR
(2.36) (2.37) (2.38) (2.39) (2.40)
La derivada con respecto a , , xw , yw , R, , , xw , yw y nalmente R.
L 1 = Mc 2R2 cos2 cos2 + 2xw R cos cos + 2R2 sin2 cos2 2 = Mc R2 cos2 + Mc xw R cos cos
h 1 L 2 = Mc 2R2 sin cos sin2 2R2 sin cos 2 cos2 2xw R cos sin 2xw R 2 i 2 sin cos 2R2 sin cos sin2 + 2R2 sin cos 2 cos2 mgR sin cos h i = Mc Rxw sin cos cos sin mgR sin cos
2.4 Modelado matemtico de la gra utilizando el mtodo de Lagrange
27
h L 1 2 = Mc 2R2 sin2 sin cos 2R2 2 cos2 cos sin 2xw R sin cos 2xw R 2 i 2 2 cos sin + 2R2 cos sin + 2R2 cos2 sin cos 2R2 sin2 2 cos sin mgR sin cos h i 1 2 2 2 Mc 2R2 sin cos sin2 cos2 2 + cos2 sin2 2 = 2 mgR sin cos h 1 2 Mc 2R2 sin cos sin2 + cos2 2R2 sin cos 2 sin2 + cos2 = 2 2 i 2 +2R sin cos mgR sin cos 1 Mc 2R2 sin cos 2 mgR cos sin = 2
h L 1 2 = Mc 2R sin2 sin2 + 2R cos2 2 cos2 2xw sin sin + 2xw cos cos R 2 i 2 2 +2yw cos + 2R cos2 + 2R cos2 sin2 + 2R sin2 2 cos2 L xw L yw L R L L xw L yw mg (1 cos cos ) = 0 = 0 = 0 = h 1 Mc 2R2 sin2 sin2 2xw R sin sin + 2yw R cos + 2R2 cos2 2 i 2 2 2 +2R cos sin h i + R cos cos = Mm xw + Mc xw R sin sin h i = Mr yw + Mc yw + R cos
Finalmente tenemos que las ecuaciones de Lagrange (2.36 - 2.40) quedan expresadas de la
28 manera siguiente: 0 =
0 =
Fx Tx = Fy Ty = FR TR =
+MgR sin cos h 1 Mc 2R2 2R xw sin cos + xw sin cos + sin sin xw 2 i 1 +2R cos yw yw sin Mc 2R2 sin cos 2 mgR cos sin 2 h 2 Mm xw + Mc xw R (sin sin ) R (sin cos ) + R cos cos cos sin 2 2 Mr yw + Mc yw + R cos sin h 2 Mc R sin2 sin2 + R cos2 2 cos2 xw sin sin + xw cos cos i 2 2 yw cos + R cos2 + R cos2 sin2 + R sin2 cos2 2 +mg (1 cos cos )
h 1 Mc 2R2 cos2 cos2 + 2 cos2 cos sin + 2 cos2 2 cos sin 2 cos sin + 2R2 2 sin2 cos sin +2xw R cos sin +2 sin2 cos2 cos2 sin cos 2 2Rxw cos sin cos sin
por lo cual podemos ver que la dinmica del sistema esta dado por las ecuaciones diferenciales ordinarias no lineales implcitas siguientes: La posicin de la carga se describe por las igualdades xc = xw + R sin cos yc = yw + R sin zc = R cos cos x (t) R, denota la posicin de la gra a lo largo del eje x. R. (2.41)
y (t) R, denota la posicin de la gra a lo largo del eje y.
El modelo matemtico dinmico para una gra en tres dimensiones debe tener la siguiente
2.4 Modelado matemtico de la gra utilizando el mtodo de Lagrange ecuacin: M (q) q + Vm (q, q) q + G (q) = u donde q (t) R5 . q = [x, y, , , R]T
29
(2.42)
(2.43)
donde x (t) R1 , denota la posicin de la gra en la coordenada del eje x, y (t) R1 nos denota la posicin de la gra en la coordenada del eje y.
u = [Fx , Fy , 0, 0, R]T M (q) R55 Vm (q, q) R55 G (q) R5 , representa la fuerza de coriolis y la fuerza centrpeta. La dinmica del sistema puede ser representada de la manera estandar siguiente: M (q) q + Vm (q, q) q + G (q) = u donde M (q) = {mij } se dene como la matriz de Inercia Vm (q, q) = {ci } matriz de coriolis G (q) = {gi } vector de fuerzas Gravitacionales por lo que tenemos: x
(2.44)
(2.45) (2.46)
(2.47)
y q= R
(2.48)
30
(Mm + Mc + Mr ) 0 Mc R cos cos Mc R sin sin 0 Mm + Mc Mc R cos cos Mc R sin sin M (q) = Mc R cos sin (2.49) Mc R cos cos Mc R2 + I 0 2 M R sin cos M R sin sin 2 0 Mc R sin + Mc R cos2 c c Mc sin cos Mc sin 0 0 Mm sin cos 0 (2.50) 0 0 Mc + Mr
si V = Vm (q, q)
0 0 2McR cos sin 0
0 0 0 (2.51)
2R cos sin + 4R cos sin 0 2McR2 sin cos McR2 sin cos McR cos2
0 Mc sin sin Mc cos cos Mc cos 4R sin cos + 2R sin cos R sin 0
0 2 2McR sin cos 2McRxw cos sin 0 2McR sin cos 2McR2 sin cos 0 + Mcxw sin sin Mcyw cos 0 McR
2.4 Modelado matemtico de la gra utilizando el mtodo de Lagrange Ahora si s1 = sin , s2 = sin , c1 = cos , c2 = cos . 0 0 2Rc2 s1 + 4Rc1 s2 0 0 0 V = 2McRc1 s2 0 2McR2 c2 s2 0 0 McR2 c2 s2 Mcs2 s1 Mcc1 c2 Mc cos McRc2 2 0 4Rc1 s2 + 2Rc2 s1 Rs2 0 2McR2 c2 s2 2McRxw c1 s2 0 2McRc2 s2 2McR2 c2 s2 0 + Mcxw s2 s1 Mcyw c2 0 McR G (q) = G (q) = h h 0 0 Mg sin cos Mg cos sin 0 iT iT
31
(2.52)
(2.53)
donde Mm , Mc , Mr R1 representan la masa de la carga, masa del riel y la masa del carro, I R1 , nos denota el momento de inercia de la carga, R R1 , nos representa la longitud de de la fuerza de control actuando en el carro y el riel. la gra, g R1 , nos representa la fuerza de gravedad, Fx , Fy R1 , nos denota las entradas Ntese que M (q) , es una matriz simtrica y positiva denida, siendo los parmetros Mm , Mc , Mr , positivos y el determinante de M (q) es entonces det [M (q)] = (Mm + Mc + Mr) (Mm + Mc) McR2 + I McR2 sin2 + I > 0
0 0 RMc gs1 c2 RMc gc1 s2 RMc gc1 c2 iT h u = Fx Tx Fy Ty FR TR 0
(2.54)
Propiedad 2.2 Para expresar el sistema en lazo abierto multiplicamos la ecuacin (2.42), por M 1 (q) , y obtenemos la siguiente ecuacin q = M 1 (u V mq G) (2.55)
32
donde M 1 (q) R55 , esta nos garantiza la existencia de que el determinante de M (q) , denotado por el det (M (q)) , es una funcin positiva
det(M) = (Mm + Mc + Mr) (Mm + Mc) McR2 + I Mc R sin2 + Mc R2 cos2 (Mc + Mr ) > 0 (2.56) Ahora sustituyendo las ecuaciones (2.49), (2.51), (2.53), (2.54), en la expresin M 1 (q) , en la ecuacin (2.55), entonces podemos rescribir la ecuacin (2.55).
2.5.
Experimentos en tiempo real
Los experimentos realizados son compilados en una gra viajera Quanser Figura 2.4, el riel es de 150cm de largo, la carga es de aproximadamente 500g. El voltaje de control del F P GA, es un analgico multifuncin y un cronmetro digital I/O en la tarjeta para la adquisicon de datos en tiempo real y control para la plataforma de Windows. La tarjeta es operaciones en tiempo real sin meter tiempos debido al reloj interno en el sistema por default de Windows. El programa de control es simulado en Windows XP con Matlab 6.5/Simulink. Para comenzar con la simulacin en tiempo real debemos de llevar la gra en dos posiciones: GO HOME y GO CENTER, que se ubican en la primer ventana de control del programa esto es debido para tener una mejor referencia en posicin para los movimientos sin tener restringido alguna coordenada de la gra en tres dimensiones y as una vez simulando dependiendo de la posicin tendremos un mejor resultado, el carro esta en medio del plano x, y, la carga esta suspendido de la posicin en reposo. Regresando al modelo de la gra para la simulacin en tiempo real, damos click en la ventana que tiene por nombre Simulation/Conenect to T arget item. El prximo paso es dar click en Simulation/Start real time code item. Esto nos activa para la simulacin los ltimos 30 segundos teniendo presente que el movimiento del carro es en direccin x, el carro istalada en un P C P entium III 500Mhz, debido a que la tarjeta Xilinx F P GA soporta sistema en la entrada es U. A/D D/A la tarjeta tiene un microprocesador de una Xilinx
2.5 Experimentos en tiempo real
33
Figura 2.4: Gra en tres dimensiones sigue la seal de referencia cuadrada controlado por la posicin. La carga oscila libremente, la simulacin comienza sin control despus de 30 segundos. La idea es hacer tres simulaciones en tiempo real en lazo abierto, en la primera simulacin en x, con su respectivo ngulo en movimiento alfa, para la segunda simulacin en y, con su respectivo ngulo en movimiento beta y nalmente en z, con su movimiento en ngulo gama. Comenzamos con un experimento en tiempo real es para poder vericar como se comporta nuestro sistema de la gra en tres dimensiones de posicionamiento en x, y, z as como los ngulos en alfa, beta y gama. Para la Figura 2.6, con un tiempo de 9 segundos el sistema en lazo abierto con una entrada escaln tenemos oscilacin en la posicin aproximado, tambin para la Figura 2.7 que nos representa el ngulo alfa el seguimiento de nuestra entrada se observa que no sigue el ngulo.
34
Modelo matemtico de una gra en tres dimensiones Ahora para la posicin y el ngulo en y con un tiempo de 10 segundos, tenemos que el
sistema en lazo abierto es inestable como lo muestra la Figura 2.8 y 2.9. Finalmente para la posicin y ngulo z con un tiempo de 15 segundos como lo muestra en la Figura 2.10 y 2.11. El momento de inercia del carro J esta en trminos de (kgm2 ), se determina de una parte de giro en el sistema. Para el caso del momento de inercia este no es un factor dominante en la representacin del sistema en conjunto, el hecho es que se puede describir teniendo un segundo mtodo alterado en la representacin del sistema. Entonces para el calculo del momento de inercia sera una aproximacin. Se supone que la aproximacin es hecho cuando el sistema es un cuerpo rgido alrededor del eje. Entonces para calcular el momento de inercia usamos la formula J = P mr2 donde r es
el radio de rotacin, m es la masa del cuerpo rgido. Estrictamente hablando m es la masa en un punto. El radio es una funcin de la distancia lineal (en metros x), esto es por que al viajar el carro de la gra en tres dimensiones y la rotacin del eje angular del motor ( en radianes). Entonces el radio efectivo en el carro es rc = x . Mr = 6 5kg, Mc = 0 8kg, Mm = 1 3kg, I = 0 01kg m2
Para calcular el momento de inercia tenemos que: M = Mc + Mm .
2.5.1.
Propiedades de la descripcin de la gra en 3 dimensiones
La gra en tres dimensiones es un grupo en Matlab, esto nos da acceso a todos las caractersticas de la tarjeta RT DAC/P CI equipado con el modelo lgico para la gra en tres dimensiones. La tarjeta RT DAC/P CI es una interfase entre software de control dimensiones. La lgica de la tarjeta contiene los siguientes bloques: Incrementa los registros en los encoders, 5 registros de 16 bits para medir la posicin en el incremento de los encoders. Hay 5 encoders idnticos para 5 estados, 2 de posiejecutando por la computadora y la interfase electrnica del modelo de la gra en tres
2.6 Conclusiones del captulo
35
cionamiento del carro y el plano horizontal, la longitud de la lnea izquierda y 2 para la derivacin en los ngulos de la carga. Los encoder que incrementan para el reset lgico. Los encoder que incrementan estn disponibles para generar ondas en diferentes salidas, cuando los encoders giran en el sentido de las manecillas del reloj y el sentido contrario a las manecillas del reloj. Los encoders no pueden detectar la posicin de referencia cero. Para determinar la posicin cero en el registro del incremento en los encoders pueden congurarse a cero en el programa de la computadora o en el registro del encoder se resetea cuando la correspondiente limite del switch al encoder es alcanzado. La generacin de bloques P W M, generan 3 conguraciones del seales. Cada conguracin contiene la seal en salida el P W M , la direccin de la seal y la seal de paro. El P W M determina la frecuencia de todas las ondas del P W M . El bloque lgico P W M puede prevenir que el movimiento del carro este fuera de los lmites del riel y los ngulos de la lnea izquierda para no estar fuera del rango de operacin. Los rangos de operacin son detectados dos veces por los lmites en los switch y por 3 lmites de registros. Interfase de encendido para seales trmicas, cuando la temperatura en la interfase de encendido para los motores en DC es tan alto que las seales trmicas pueden usarse para deshabilitar la operacin en las correspondientes sobre el calor de los motores en DC.
2.6.
Conclusiones del captulo
Con respecto al modelo de [28], al igual que nuestro modelo se obtiene la dinamica de la grua en tres dimensiones utilizando el metodo de Euler-lagrange, como siguiente paso se linealiza el modelo, una ves obtenido las ecuaciones del modelo dinamico al rededor de los estado de equilibrio, se obtiene una matriz de dimensiones de 4 4.
36
P o s ic io n e n x 0 .8 0 .6 0 .4 0 .2 P o s ic i n d e s e a d o 0 0 5 10 15 P o s ic io n e n y 0 .8 0 .6 0 .4 0 .2 P o s ic i n d e s e a d o 0 0 5 10 15 P o s ic io n e n z 0 .7 0 .6 0 .5 0 .4 0 .3 0 .2 0 5 10 A p ro x im a c i n -0 . 0 5 -0 .1 -0 . 1 5 P o s ic i n d e s e a d o 0 .0 5 0 A p ro x im a c i n 20 25 30 0 .2 0 .1 0 -0 .1 -0 .2 -0 .3 A p ro x im a c i n 20 25 30 -0 .2 0 0 .2 0 .1 0 -0 .1
A n g u l o a l fa A n g u lo a p ro x im a d o
A n g u lo d e s e a d o 5 10 15 A n g u lo b e t a A n g u lo d e s e a d o 20 25 30
A n g u lo a p ro x im a d o 0 5 10 15 A n g u lo g a m a A n g u lo d e s e a d o 20 25 30
A n g u lo a p r o x i m a d o 0 5 10 15 T ie m p o 20 25 30
15 T ie m p o
20
25
30
Figura 2.5: Grcas en Posicin x, y, z. ngulos alfa, beta y gama (, , )
P o s ic i n e n x
1 0 .9 0 .8 0 .7 0 .6 0 .5 0 .4 0 .3 0 .2 0 .1
P o s ic i n e n x a p r o x im a d o P o s ic i n e n x d e s e a d o
T ie m p o ( s )
Figura 2.6: Posicin en lazo abierto de la gra en x
37
A n g u lo ( )
0 .2 5 0 .2 0 .1 5
A n g u lo d e s e a d o ( ) A n g u lo a p r o x im a d o ( )
0 .1 0 .0 5 0 -0 .0 5 -0 .1 -0 .1 5 -0 .2
T ie m p o ( s )
Figura 2.7: ngulo de la gra ()
P o s ic i n e n y
0 .9 0 .8 0 .7 0 .6 0 .5
P o s ic i n y d e s e a d o P o s ic i n y a p r o x im a d o
0 .4 0 .3 0 .2 0 .1 0
10
T ie m p o ( s )
Figura 2.8: Posicin en lazo abierto de la gra en y
38
A n g u lo
0 .2 5 0 .2 0 .1 5 0 .1 0 .0 5 0 -0 .0 5 -0 .1 -0 .1 5 -0 .2
( )
A n g u lo d e s e a d o
( )
A n g u lo a p r o x im a d o
0 1 2 3 4 5
( )
6 7 8 9 10
T ie m p o ( s )
Figura 2.9: ngulo de la gra ()
P o s ic i n e n z
0 .9 0 .8 0 .7 0 .6 0 .5 0 .4 0 .3 0 .2 0 .1
P o s ic i n e n z a p r o x im a d o
P o s ic i n e n z d e s e a d o
T ie m p o ( s )
10
15
Figura 2.10: Posicin en lazo abierto de la gra en z

A n g u lo ( )
0 .1
39
A n g u lo d e s e a d o ( )
0 .0 5
- 0 .0 5
-0 .1
A n g u lo a p r o x im a d o ( )
- 0 .1 5
T ie m p o ( s )
10
15
Figura 2.11: ngulo de la gra () Para el diseo del controlador utilizan la denicion de controlabilidad donde C = B, AB, A2 B, A3 B
que tenga rango pleno.
Finalmente en este modelo se simula y se obtienen resultado. Para nuestro modelo nostros mediante las ecuaciones obtenidas por el metodo de EulerLagrange nosotros no linealizamos el modelo en nuestro sistema. Con respecto a [15], en este modelo la dinmica de la gra utiliza la ecuacin de un Robot como en nuestro sistema M (q) q + V (q, q) q + G (q) = u las matrices M (q) , V (q, q) R44 , q = [x, y, , ] , en nuestro modelo las dimensiones
de las matrices son M (q) , V (q, q) R55 , q = [x, y, , , R] . En este modelo no se
40
Modelo matemtico de una gra en tres dimensiones considera la longitud de la cuerda, para nuestro modelo si consideramos la longitud de la cuerda. En este modelo se analiza en lazo abierto. Para el anlisis de control y el diseo, primero, ellos ponen la carga a cero es decir (t) 0. Finalmente se presentan los experimentos.
Captulo 3 Control PD con anti-oscilacin y compensacin Neuronal

3.1. Introduccin
Los sistemas de las gras son muy importantes para el manejo del material de gnero pesado. La necesidad de mover la carga ms rpido requiere que el control del movimiento de la gra en su dinmica se perfeccione. Las gras automticas son comparativamente raras en la prctica industrial [44], debido a la relacin entre los costos de la inversin y la economa para reducir costos. El control de sistemas de la gra viajera tiene dos objetivos: regular la posicin y el control con anti-oscilacin. Varios autores han considerado aplicar tcnicas de control para la operacin de la gra. La primera idea en la automatizacin de la gra se propone en [4], donde el control en tiempo ptimo es considerando las condiciones en las cotas. Esta idea se desarrolla ms all por [3] y [45]. Para aumentar la robustez, algunos requisitos de tiempo de optimizacin tienen que ser superiores, por ejemplo la velocidad angular cero en el punto en la tarjeta [36]. Para aumentar la exactitud, es jar la ganancia en un mtodo factible como en [12]. El control de la retroalimentacin basado en observadores fue presentado por [44]. La posicin ms simple para controlar los sistemas mecnicos es utilizar una parte pro-
42
Control PD con anti-oscilacin y compensacin Neuronal
porcional y derivativo tambin conocidos como controladores (PD). Se sabe bien que la mayora de los manipuladores industriales est provisto con controladores PD. Debido a la existencia de friccin, la fuerza de gravedad y otras incertidumbres, el controlador PD no puede garantizar que el error constante se vuelva a cero. El controlador PID puede reducir este error sin la necesidad de algn componente en la dinmica, pero le falta la estabilidad global asintoticamente [24]. Se han hecho varios esfuerzos para mejorar los controladores PD. Estabilidad Global asintoticamente el control PD se realizo anexando compensacin en la gravedad [47]. El control PD de sistemas de la gra viajera se discute en [15] y [25]. En [25], un controlador PD para un sistema vertical de la gra se desarrolla, donde slo requiere las medidas en los ngulos y sus derivadas en lugar de las medidas en los ngulo del cable. En [15], el controlador basado en pasividad se combina con un controlador PD, la regulacin asintotica de la gra y la posicin de la carga es demostrado. Pero ambos requieren que el modelo de la gra sea conocido. Los modelos matemticos exactos para sistemas de la gra son muy importantes para disear el controlador. Se hicieron muchos esfuerzos para introducir a los modelos simplicados para construir al controlador basado en el modelo [44], por ejemplo el funcionamiento planar [12], sin friccin [36], etc. [33] combina controladores armonizando el mismo controlador con perceptrones multicapa, simulando los sistemas de la gra viajeras se proponen para detallar el algoritmo. El controlador de [11] consiste de la posicin del control del servo y la lgica difusa en el controlador anti-oscilacin. Si la friccin y gravedad son desconocidas, se usan las redes neuronales para aproximar la no linealidad en la dinmica del robot en [32]. Cuando los parmetros en el vector del torque gravitatocional son desconocidos, el control PD con la compensacin de gravedad se introduce por [50]. En esta seccin, nosotros proponemos a un nuevo controlador PD para los sistemas de la gra viajera. Puesto que las redes neuronales son muy ecaces para identicar una categora ancha en los sistemas complejos no lineales cuando nosotros no tenemos la informacin completa para el sistema, nosotros lo usamos para estimar la friccin, gravedad y un poco de incertidumbres. El algoritmo de aprendizaje de las redes neuronales del neuro compensador se obtiene del anlisis de estabilidad del error de seguimiento por el mtodo de Lyapunov y
3.2 Control PD la tcnica de estabilidad de entrada-a-estado.
43
El problema de control con anti-oscilacin es reducir la oscilacin de la carga mientras este movindolo a la posicin deseada tan rpido como sea posible. Desde que la oscilacin de la carga que depende de la aceleracin del tranva (riel), mientras que minimizando el tiempo del funcionamiento y minimizar la oscilacin de la carga son parcialmente los requisitos contradictorios [1]. En particular el seguimiento se aproxima, formando la entrada [46] ha demostrado ser un mtodo especialmente prctico y ecaz de reducir las vibraciones en los sistemas exibles. El problema de planear el movimiento anti-oscilacin se resuelve en el modelo base de la cinemtica en [30]. Un controlador con anti-oscilacin para una gra viajera de tres dimensiones se propone en [34], el cual enva la supresin de la oscilacin en la carga. En [54], el controlador no lineal con anti-oscilacin en el mtodo base de perturbacin singular se presenta. Tambin, estos controladores con anti-oscilacin son modelos base. En esta seccin, nosotros exponemos un modelo libre para el control con anti-oscilacin, que tiene control PID. El acoplamiento entre la posicin y los controladores con antioscilacin son compensados por las redes neuronales. Al mejor de nuestro conocimiento, el modelo libre con anti-oscilacin y su anlisis de estabilidad con el compensador neuronal no se ha establecido todava en las literaturas. Una comparacin experimental de varios controladores de la gra en 3D se analiza en nuestro sistema.
3.2.
Control PD
El sistema de la gra viajera en 3D se describe esquemticamente en la Figura 3.1 (a), puede ser formado por un sistema donde su estructura esta denotado como lo muestra la Figura 3.1 (b). El sistema dinmico de la gra en tres dimensiones se obtiene utilizando el mtodo de Lagrange, como se analizo en el captulo anterior.
44
z riel
carro F y Fx
xw y Fx Fy Gra en 3D yw R

yw R FR carga Mcg (a)
xw
FR
(b)
Figura 3.1: Gra viajera Las ecuaciones de movimiento de Lagrange son: d L L dt " # d L L dt d L L dt xw xw # " d L L dt y w yw d L L dt R R = 0 = 0 = Fx Tx = Fy Ty = FR TR (3.1) (3.2) (3.3) (3.4) (3.5)
donde Fx , Fy y FR representan las fuerzas de control que actan en el carro y el riel a lo largo de la trayectoria de elevacin, Tx , Ty y Tz son las fricciones, usamos el modelo de la
3.2 Control PD friccin de viscosidad para expresar entonces: Tx = x xw , Ty = y xy , TR = R R
45
Calculando las ecuaciones (3.1) se puede formar la siguiente ecuacin M (x) x + V (x, x) x + G (x) + T x = u donde x = [xw , yw , , , R]T , M 0 Mc Rc1 c2 Mc Rs1 s2 ms1 c2 0 Mm + Mc Mc Rc1 c2 Mc Rs1 s2 0 M (x) = Mc Rc1 s2 Mc Rc1 c2 Mc R2 + I 0 0 M Rs c M Rs s 0 Mc R2 s2 + I 0 c 1 2 1 c 1 2 Mc s1 c2 Mc s2 0 0 Mr + Mc donde M = Mm + Mc + Mr , c1 = cos , c2 = cos , s1 = sin , s2 = sin , 0 0 Mc Rs1 s2 + Mc Rc1 c2 Mc Rc1 c2 Mc Rs1 s2 0 0 Mc Rs1 c2 Mc Rc1 s2 Mc Rc1 s2 Mc Rs1 c2 V (x, x) = 0 0 0 Mc R2 s1 c1 0 0 Mc R2 s1 c1 Mc R2 s1 c1 0 0 mRc2 mR
2
(3.6) (3.8) (3.7)
G (x) = [0, 0, Mc gRs1 c2 , Mc gRc1 s2 , Mc gc1 c2 ]T T T = x , y , 0, 0, R u = [Fx , Fy , 0, 0, FR ]

T
0 0 0 0
(3.9)
Propiedad 3.1 En esta seccin nosotros proponemos un nuevo modelo dinmico para analizar la estabilidad de control del PD con la compensacin neuronal en la ecuacin (3.6), que es diferentes con los otros. Por ejemplo, la longitud de la elevacin del carga no es considerada en [15], de manera que las dimensiones de M es de 44. En [34], el control para la oscilacin y el control de posicin son diseados, as que las dimensiones de M es 3 3. En [29], las como friccin, la oscilacin de control de acoplamiento no se incluyen en el modelo. dimensiones de M es 5 5 como en nuestro problema. Pero tiene algunas incertidumbres
46
Control PD con anti-oscilacin y compensacin Neuronal Propiedad 1. La matriz que nos representa la fuerza centrpeta y la de coriolis es anti-
Control normal PD es:
simetrica, entonces satisface la siguiente relacin: h i xT M(x) 2C(x, x) x = 0 = Kp (x xd ) Kd (x xd ) (3.10)
donde Kp y Kd son denidas positivas, matrices constantes y simtricas, el cual corresponde a la parte proporcional y al coeciente derivativo, xd R5 es la posicin deseada, xd R5 regulacin, por eso xd = 0. Considere una clase del sistema no lineal descrito por: xt = f (xt , ut ) (3.11) es la velocidad de la junta deseada. En este seccin, nosotros discutimos el problema de
donde xt Rn es el estado, ut Rm es el vector de entrada, yt Rm es el vector de salida.
f : Rn Rm Rn es localmente Lipschitz. Siguiendo a [10], ahora nosotros recordamos algunas propiedades de pasividad as como algunas propiedades de estabilidad de sistemas pasivos. Denicin 3.2 Un sistema como en la ecuacin (3.11) se dice pasivo si ah existe un C r
y una funcin no negativa S (xt ) : Rn R, conocido como funcin de almacenamiento, tal que, para todo ut , todas las condiciones iniciales x0 y todo t 0 la siguiente desigualdad
T S(xt ) uT yt uT ut yt yt (xt ) t t
donde , y son constantes no negativas, (xt ) es una funcin semidenida positiva de xt tal que (0) = 0, (xt ) se conoce como velocidad en el estado. Adems, se dice que el sistema es estrictamente pasivo si ah existe una funcin denida positiva V (xt ) : Rn R tal que S(xt ) uT yt V (xt ) t Propiedad 2. Si la funcin del almacenamiento S(xt ) es diferenciable y el sistema dinmico es pasivo, entonces la funcin del almacenamiento, S(xt ) satisface S(xt ) uT yt . t
3.2 Control PD
47
Denicin 3.3 El sistema ecuacin (3.11) se dice globalmente estable entrada a estado si KL, (s, t) (funcin K y jo para cada s0 0, l (s0 , t) = 0 ), tal que, para cada ut L m (ku(t)k < ) y cada estado inicial x0 Rn , esto nos da que
t
ah existe una funcin K, (s) (continuo y estrictamente creciente (0) = 0) y una funcin
para cada t 0.
x(t, x0 , ut ) x0 , t + (kut k )
Propiedad 3. Si un sistema estable entrada a estado, el comportamiento del sistema debe permanecer acotado cuando sus entradas son acotados. Las redes neuronales, las funciones radiales base (RBF) ha ganado recientemente la atencin considerablemente. Las ventajas de la aproximacin de las RBF, son tales que como la linealidad en los parametros y la disponibilidad en los mtodos de entrenamiento son rpidos y ecaces, han sido nombrados en varias publicaciones [16]. Las redes neuronales de RBF tienen una capa oculta y una capa lineal en la salida. La salida de la red neuronal quizs se presente como yj =
N X i=1
wi,j i (V x) + b
(3.12)
donde N es el nmero de nodos ocultos, wi,j es el peso de conexin entre la capa oculta y la capa de salida, x es el vector de entrada x Rm (m es el nmero de nodo en la entrada), del umbral es que los valores en la salida no tengan ceros. Puede combinarse con el primer N P trmino como w0,j = b, 0 (V x) = 1, por eso la salida es yj = wi,j i (V x), i (V x) es la
i=0
V RNm es la matriz de los pesos en la capa oculta, b es el umbral. La importancia
funcin radial el cual nosotros seleccionamos como funcin gausiana j (V x) = exp kV x cj k 2 2 j
(3.13)
donde cj y 2 representan el centro y la funcin base propagado. j
48
3.3.
Control PD con oscilacin
Para el problema de control es disear un controlador u que mueva el riel de tal manera que la posicin actual de la carga sea uno de los alcances deseados. En la entrada de control son tres [Fx , Fy , FR ] que pueden forzar la gra a la posicin [xw , yw , R] , pero los ngulos de oscilacin [, ] no se pueden controlar con el modelo dinmico directamente de la ecuacin (3.6). En esta seccin se analiza un control para la oscilacin, vamos a analizar el modelo para linealizar los ngulos [, ] . Por que la aceleracin de la gra es mas pequeo que la aceleracin gravitacional, la longitud de la cuerda sigue variando despacio y la oscilacin no es grande, entonces tomando las consideraciones siguientes: |w | g, |w | g, R g x y R R, || 1, 1 s1 = sin , La aproximacin dinmica de los ngulos [, ] son + xw + g = 0 + yw + g = 0 Puesto que xw =
Fx , Mr
c1 = cos 1,
yw =
Fy , Mm
la dinmica de los ngulos de oscilacin son

F + g = Mx r + g = Fy
(3.14)
Mm
Implica que la fuerza de control Fx y Fy tienen la forma siguiente Fx = A1 (xw , xw ) + A2 (, ) Fy = B1 (yw , yw ) + B2 , (3.15)
de donde A1 (xw , xw ) y B1 (yw , yw ) son posiciones de control, A2 (, ) y B2 , son oscilaciones de control.
3.4 Posicin de control del PD y compensacin neuronal
49
Substituyendo la ecuacin (3.15) en la ecuacin (3.14), se obtiene el modelo de control con oscilacin + g + + g + Si nosotros consideramos
A1 Mr A1 Mr B1 Mm A = M2 r B2 = Mm A2 Mr
(3.16) y
B2 Mm
B1 Mr
como las perturbaciones ,
como entradas de
control, ecuacin (3.16) es un sistema lineal de segundo orden con perturbaciones. El tipo de control PID se puede aplicar para ajustar y . El control con oscilacin es: R1 A2 (, ) = kpa2 + kda2 + kia2 0 dt R1 B2 , = kpb2 + kdb2 + kib2 0 dt (3.17)
donde kpa2 , kda2 y kia2 son constantes positivas en el cual corresponden a la parte proporcional, derivativa y ganancia integral.
3.4.
Posicin de control del PD y compensacin neuronal
Substituyendo la ecuacin (3.15) en la ecuacin (3.6), obtenemos la posicin del modelo de control M (x) x + V (x, x) x + G (x) + T x + D = u1 (3.18)
donde D = [A2 , B2 , 0, 0, 0]T , u1 = [A1 , B1 , 0, 0, FR ]T . La posicin de los controladores tienen que el PD se forma con la red neuronal con compensadores, donde u1 = [A1 (xw , xw ) , B1 (yw , yw ) , 0, 0, FR ]T c b = Kp1 x xd Kd1 x xd + Wt (Vt x) (3.19)
T d d donde x = [xw , yw , , , R]T , xd = xd , yw , 0, 0, Rd , xd , yw y Rd son las posiciones w w deseadas, en el caso de regla tenemos que xd = yw = Rd = 0. Kp1 = diag [kpa1 , kpb1 , 0, 0, kpr ] , w d c b Kd1 = diag [kda1 , kdb1 , 0, 0, kdr ] . Wt y Vt son las actualizaciones de los pesos en el cual se
50
funcin radial base (RBF) y se puede expresar como c b y = Wt (Vt x)
c b determinan con la ley de aprendizaje la red neuronal. Wt (Vt x) es una red neuronal de (3.20)
c b donde y = [y1 , ..., y5 ]T , Wt R5n , Vt Rn5 , n es el nmero de nodo en la capa oculta, (x) = [ i , ..., n ]T . La funcin de activacin utilizada es (s Ci )2 i (s) = exp Pi (3.21)
donde Ci nos representa el centro de la funcin base, Pi es la representacin distinta de la funcin base. En esta seccin, se da por hecho que la funcin gausiana ecuacin (3.9) es ja, c entonces. Ci y Pi son constantes. Nuevamente en esta seccin nosotros solo ajustamos Wt y f (x) = W (V x) + (t) (3.22)
teorema Stone-Weierstrass [14], una funcin suave general no lineal se puede escribir como
b Vt en la red neuronal RBF, en [53] hay mas detalles de como poner a (x). Recordando el
donde W y V son los pesos ptimos, (t) es el error. En esta seccin nosotros utilizamos compensador neuronal ecuacin (3.20) para aproximar las no linealidades desconocidas (gravedad, friccin y acoplamiento para el control de oscilacin) como c b Wt (Vt x) = G (x) + T x + D + (t) (3.23)
3.5.
Anlisis de estabilidad
El acoplamiento entre la oscilacin de control y la posicin de control se pueden explicar como sigue. Para la oscilacin de control ecuacin (3.16), la posicin de control A1 y B1 son perturbaciones, estas perturbaciones pueden decrecer con una accin integral con el control PID. La oscilacin del modelo ecuacin (3.16) se aproxima, pero la oscilacin de control ecuacin (3.17) no se utiliza en este modelo. Este modelo es libre. Por eso la oscilacin de
3.5 Anlisis de estabilidad
51
control ecuacin (3.17) no se puede omitir completamente la oscilacin pero si se puede hacer que la vibracin sea pequea. Para posicionar el control ecuacin (3.18), la oscilacin de control es en trminos D = [A2 , B2 , 0, 0, 0]T , tambin se consideran estas perturbaciones. Ahora el acoplamiento de la oscilacin del control se puede compensar por la red neuronal como en la ecuacin (3.23). El anlisis de estabilidad de esta seccin es solo para controlar la posicin. Primero consideramos una red neuronal RBF, esta puede aproximar la friccin, la gravedad y el acoplamiento de la oscilacin de control exactamente, entonces (t) = 0 c b G (x) + T x + D = Wt (V0 x) e = x xd (3.24)
regulacin del error como
c b donde Wt es la actualizacin del peso, V0 es un peso contante. Si denimos la posicin de (3.25) El siguiente teorema nos asegura estabilidad asinttica para el control PD con compensacin en las redes para sistemas en las gras viajeras. Teorema 3.4 Si la red neuronal ecuacin (3.20) se puede modelar la friccin, la gravedad y los ngulos de oscilacin se pueden controlar exactamente, entonces el control PD con un compensador neuronal
c b u1 = Kp e Kd e + Wt (V0 x)
(3.26)
con la siguiente ley de aprendizaje

T
se puede hacer que el lazo de control de la posicin sea asintoticamente estable. Demostracin. Denimos la funcin candidata de Lyapunov como: 1 T 1 1 f 1 f L(e, e) = e M(x)e + eT Kp e + tr(WtT Kw Wt ) 2 2 2 (3.28)
c W t = Kw (V x)eT ,
Kw Rnn , Kw > 0
(3.27)
52
f c donde Wt = Wt W . La derivada con respecto al tiempo de esta funcin propuesta es: 1 T f 1 f L(e, e) = e M(x)e + e M(x)e + eT Kp e + tr(W t Kw Wt ) 2
T T
(3.29)
Puesto que xd = xd = 0, el sistema de lazo cerrado se obtiene de las ecuaciones (3.18) y (3.26) como
c M (x) e + V (x, x) e + G (x) + T x + D = Kp e Kd e + Wt (V x) f M (x) e = V (x, x) e Kp e Kd e + Wt (V x)
(3.30)
Basado en la estructura de M (x) y Vm (x, x) dados en las ecuaciones (3.7) y (3.8), esto muestra sinceramente que la siguiente relacin anti - simtrica se satisface [29]. 1 T M V =0 2 Substituyendo la ecuacin (3.30) en (3.29), por la ecuacin (3.31) tenemos f f 1 f L(e, e) = e Kd e + e Wt (V x) + tr(W t Kw Wt ) L(e, e)) = e Kd e+ 0 El cual es una funcin semi-denida negativa. Por consiguiente de acuerdo con el mtodo de Lyapunov la ley del control ecuacin (3.26), nos da un sistema de control cerrado estable. Nosotros estudiamos estabilidad asinttica en la regin: n o T [e, e] : L(e, e) = 0 = e R5 , e = 0
T T T T
(3.31)
Del algoritmo de aprendizaje ecuacin (3.27).
Usando el teorema de LaSalle nosotros concluimos que visualmente que es asintticamente estable. friccin T x, la gravedad G (x) y los ngulos de oscilacin del controlador exactamente D, tenemos que G (x) + T x + D = W (V x) + (t) b Usualmente el valor ptimo es desconocido V0 , y la red neuronal no puede aproximar la (3.32)
3.5 Anlisis de estabilidad (t) se propone que es cuadrtica y acotada como en [29], [40], [52]. T (t) (t) gausiana ecuacin (3.13) satisface la condicin de Lipschitz. b e = (V T x) (VtT x) = D VtT x + e
T (Z) Z
t
53
(3.33)
Donde es una matriz denida positiva, es una constante positiva. Es claro que la funcin
(3.34)
e b Donde Vt = V Vt , D =
positiva. Tenemos la siguiente relacin:
|Z=V T x , k k2 = T , es una constante (3.35)
e b donde Vt = V Vt . El siguiente teorema nos da el algoritmo de aprendizaje estable para el control PD con neuro compensador ecuacin (3.19). Teorema 3.5 La derivada de la ganancia Kd en el control PD ecuacin (3.19) se elige de tal manera que Kd > 1 + 1 (3.36)
f b e c b e f Wt (Vt x) W (V x) = Wt (Vt x) + W = Wt (Vt x) + W D Vt x +
donde 1 y 1 son matrices dados en las ecuaciones (3.33) y (3.34), la ley de actualizacin de los pesos de un compensador neuronal en la ecuacin (3.19) son: b c W t = Kw (Vt x)eT
T T
(3.37)
donde Kw , Kv son matrices denidas positivas, entonces el control PD con neuro compensacin ecuacin (3.19) puede hacer que el error de seguimiento sea estable. El error de seguimiento promedio e converge a 1 l sup m T T donde Q = Kd 1 1 . Z
T
b V t = Kv xW D eT
kek2 dt + Q
(3.38)
54
Control PD con anti-oscilacin y compensacin Neuronal Demostracin. Se propone la funcin de Lyapunov siguiente 1 T 1 1 f 1 f 1 e 1 e L1 (e, e) = e M(x)e + eT Kp e + tr WtT Kw Wt + tr VtT Kv Vt 2 2 2 2
(3.39)
donde Kw y Kv son matrices constantes denidas positivas. La derivada de la ecuacin (3.39) es la siguiente: ! T ! 1 T T 1 e f 1 f e L1 (e, e) = e M e + e M e + e Kp e + tr WtT Kw Wt + tr V t Kv V t 2
T c b M (x) e + V (x, x) e + G (x) + T x + D = Kp e Kd e + Wt (Vt x) f b e M (x) e = V e Kp e Kd e + Wt (Vt x) + W D Vt x + (t)
(3.40)
El sistema en lazo cerrado se obtiene de las ecuaciones (3.18), (3.19) y (3.35) entonces tenemos (3.41)
La relacin de inclinacin simtrica ecuacin (3.31), tenemos

T T T
es valida para algn X, Y Rnk y para alguna matriz denida positiva 0 < = T Rnn [52], e [ (t)] en la ecuacin (3.42), se puede concluir que: T T e [ (t)] e 1 + 1 e + + Usando la ley de aprendizaje de la ecuacin (3.37) tenemos que L1 e Qe + + se puede representar como: 2 L1 m (Q) e + T + T n
T T
Se muestra la desigualdad en la matriz, T X T Y + X T Y X T 1 X + Y T Y
f f 1 f L1 = e Kd e + e Wt (V x) + tr(W t Kw Wt ) ! T T T 1 e e e +e W D Vt x + tr V t Kv V t + e [ (t)]
(3.42)
(3.43)
(3.44)
donde Q = Kd 1 1 , de la ecuacin (3.36) conocemos que Q > 0. La ecuacin (3.44) e + kk kk + kk kk
3.5 Anlisis de estabilidad donde
55
= m (Q) , kk = mx ( ) kk , kk = mx ( ) kk . Por eso n a a
, kk y
kk son funciones K , V1 es una funcin de Lyapunov-ISS. Del teorema 1 de [42], para el trmino de y , el error de seguimiento e es estable. Integrando la ecuacin (3.44) desde 0 hasta T. L1,T L1,0 por eso Z
T 0
T e Qedt + + T
la ecuacin (3.38) es demostrado.
T e Qedt L1,0 L1,T + + T V1,0 + + T
3.5 se muestra que W no inuye en la propiedad de estabilidad, nosotros podemos seleccionar
Propiedad 3.6 El error de seguimiento converger al radio de la bola hasta el limite superior de + , y esta inuenciada por las matrices conocidas anteriores de W . En el Teorema algn valor primero para W . Del Teorema 3.5 se muestra que el algoritmo ecuacin (3.27) se
puede hacer que el error de identicacin sea convergente. W puede seleccionarse siguiendo los pasos fuera de lnea: 1. Empiece de cualquier valor inicial para W 2. Haga la identicacin en lnea con W 3. Permita que Wt como un nuevo condicin inicial, entonces, W = Wt 4. Si el error de identicacin disminuye, repita el proceso de identicacin, ir al paso 2. Por otra parte, detenga la identicacin fuera de lnea, ahora Wt es valor nal de W . Propiedad 3.7 De la denicin de la funcin de Lyapunov ecuacin (3.39), nosotros podemos ver que las reglas de aprendizaje ecuacin (3.27) seguir minimizando el error de seguimiento e. Esta estructura es diferente de redes neuronales normales que se usan para la aproximacin b de funciones no lineal [52]. Los trminos Kw (Vt x)eT y Kv xW D eT estos corresponden
a esquemas del Backpropagation, nicamente en el Backpropagation W se cambia por Wt .
56
3.6.
Comparaciones de los experimentos
La anti-swing (oscilacin) del control para sistemas de la gra es implementado en el InTeCo para gras viajeras para el experimento [18], como se ve en la Figura 3.2. Los parmetros fsicos de la gra viajera para el experimento son determinados con las siguientes datos: Mr = 6,5kg, Mc = 0,8kg, Mm = 1,3kg, I = 0,01kg m2
El riel mide de largo 150cm. La tarjeta es A/D-D/A microprocesador Xilinx FPGA, qu es multifuncional cronometrando analgico y digital la tarjeta de I/O esta diseada para la adquisicin de datos en tiempo real y control en plataforma Windows XP. La tarjeta se instala en una computadora central PC Pentium-III 500MHz. Debido a las operaciones en tiempo real de la tarjeta de adquisicin de datos Xilinx FPGA sin meter ruidos causados en Windows por el sistema del tiempo, el programa de control se ejecuta en Windows XP con Matlab 6.5/Simulink. Cada uno de los controladores se implemento con una frecuencia de muestreo de 1kHz. Hay muchas tcnicas para controlar los sistemas de la gra viajera. La mayora de ellos el modelo base, como en [12], [33], [36] y [44]. El control PD con compensacin neuronal propuesto en este captulo es un modelo libre. En [15] y [25], se discuten los controladores PD. Pero el compensador en [15] utiliza el modelo exacto del sistema de la gra. Ah existe el error en estado constante [25], por que en alguna compensacin del control PD, la explicacin de este problema puede encontrarse en [24]. Nosotros comparamos nuestro mtodo con algunos controladores en modelos libres, como el control PD [25], el control PID [24], control sin anti-oscilacin PD [15]. Primero, nosotros discutimos el control anti-oscilacin ecuacin (3.17). Por que el control anti-oscilacin afecta en el control de la posicin (ver el modelo de control de posicin ecuacin (3.18)). Muchas gras viajeras no incluyen la tcnica del anti-oscilacin como en [15], [25], [33], [44]. Comparado con su controlador, nosotros usamos el PID ecuacin (3.17)
3.6 Comparaciones de los experimentos
57
Figura 3.2: Control en tiempo real para una gra viajera en 3D
58
0.4 0.2 0 -0.2 -0.4 0 0.4 0.2 0 -0.2 -0.4 -0.4 5 10 15
(rad)
Tiempo (s) 20 25 30 35 40 45
-0.3 -0.2 -0.1 0 0.1 0.2 0.3 0.4
Figura 3.3: Sin oscilacin en los ngulos de control el control para disminuir la oscilacin de la carga, los parmetros de control del PID son kpa2 = 2,5, kpb2 = 15, kda2 = 18, kdb2 = 10, kia2 = 0,01 kib2 = 0,6
Los ngulos resultantes se muestran en la Figura 3.3, para el control de la posicin sin la anti-oscilacin, y la Figura 3.4 para la posicin del control con anti-oscilacin. Segundo, nosotros discutimos el control en la posicin ecuacin (3.19). Por el teorema 3.5 nosotros conocemos el control parar asegurar la estabilidad, Kd debe ser bastante grande tal que Kd > 1 + 1 . Como nosotros no sabemos los lmites superiores, nosotros se leccionamos un valor grande para Kd1 = diag [80, 80, 0, 0, 10] . La posicin de la ganancia de retroalimentacin no nos afecta en la estabilidad, pero debera ser la ganancia positiva, nosotros elegimos Kp1 = diag [5, 5, 0, 0, 1] . Las redes neuronales se construyen de la siguiente c b forma: Wt R520 , Vt R205 , (s) = [ 1 20 ]T , la funcin Gausiana es ( 5 ) X i = exp (xi mi )2 /100
i=1
59
0.4 0.2 0 -0.2 -0.4 0 0.4 0.2 0 -0.2
(rad)
(rad)
10
15
20
25
30
35
40
45
(rad)
(rad)
-0.15 -0.1 -0.05 0 0.05 0.1 0.15 0.2
-0.4 -0.25 -0.2
Figura 3.4: Con oscilacin en los ngulos de control donde se propaga i se evala en 50 y el centro mi es un nmero aleatorio entre 0 y 1. La ley
de aprendizaje en la ecuacin (3.37), con Kw = 10, Kv = 5. La posicin de la gra montada se elige con una raz cuadrada. El resultado de las posiciones en la gra ya montada son como se muestran en la Figura 3.5. La regulacin resulta del control PD sin la compensacin neuronal [25] como se muestran en la Figura 3.6. El control con PID (Kd1 = diag [80, 80, 0, 0, 10] , Kp1 = diag [5, 5, 0, 0, 1] , Ki1 = diag [0,25, 0,25, 0, 0, 0,1]) se muestra en la Figura 3.7. Claramente, el control PD con la compensacin neuronal puede compensar las incertidumbres con xito como la friccin, gravedad y el acoplamiento de anti-oscilacin. Por que el controlador PID no tiene mecanismo adaptable, no funciona bien por el acoplamiento anti-oscilacin. Por otro lado, el compensador neuronal puede ajustar su accin de control. De otra manera, el control PID es mas rpido que el control PD con compensacin neuronal en el caso de pequeas acoplamientos anti-oscilacin. La estructura del compensador neuronal es muy importante. Los siguientes pasos son tiles para la aplicacin.
60
1 0.5 0 0 1 0.5 0 0
(m)
xw
5 (m)
10
15 yw
20
25
30
35
40
45
5 (m)
10
15
20
25 R
30
35
40
45
0.5
10
15
20
25 Tiempo(s)
30
35
40
45
Figura 3.5: Control PD con compensacin neuronal
1 (m) 0.5 0 0 1 0.5 0 0 (m) 0.5
xw
5 (m)
10
15 yw
20
25
30
35
40
45
10
15
20
25 R
30
35
40
45
10
15
20
25
30
35
40
45
Tiempo (s)
Figura 3.6: Control PD sin compensacin
61
1 0.5
(m)
xw
0 0 1 (m) 0.5 0 0 (m) 0.5
10
15 yw
20
25
30
35
40
45
10
15
20 R
25
30
35
40
45
10
15 20 25 Tiempo (s)
30
35
40
45
Figura 3.7: Control PID 1. Las constantes de la funcin Gaussiana en la ecuacin (3.19) son cambiados por simulaciones o experimentos. De la teora de las redes neuronales conocemos que la forma de la funcin Gaussiana no inuye en la estabilidad de la red neuronal, pero en un caso especial en algunos procesos no lineales algunas funciones tienen mejor habilidades de aproximacin. c b 2. Las dimensiones de las matrices en los pesos Wt , Vt son problemas en la estructura para causar el problema de traslaparse y dar mal peso al calculo de las matrices. Cul es la mejor dimensin de los pesos todava es un problema abierto para la sociedad de la redes neuronales. En este ejemplo nosotros usamos 20 nodos ocultos. Puesto que es difcil de obtener la estructura de la neurona del conocimiento anterior, nosotros podemos poner varios neuro identicadores en paralelo y podemos seleccionar uno de los mejores cambiando el algoritmo. sta es otra manera de encontrar una estructura apropiada para los neuro identicadores. 3. Las ganancias de aprendizaje Kw y Kv inuirn en la velocidad de aprendizaje, las
las redes neuronales. Se sabe bien que aumentando la dimensin de los pesos pueden
62
Control PD con anti-oscilacin y compensacin Neuronal ganancias muy grandes pueden causar la inestabilidad de aprendizaje, las ganancias muy pequeas pueden hacer un proceso de aprendizaje lento.
3.7.
En este captulo nosotros proponemos un nuevo control PD anti-oscilacin con compensacin neuronal para sistemas de la gra viajera, que son estable con respecto a las incertidumbres acotadas. Las contribuciones principales en este captulo son: 1) por la propiedad de la caja negra de redes neuronales, ambas posiciones control y control en anti-oscilacin son modelos libres. 2) El anlisis de la teora se propone con el mtodo de Lyapunov y tcnicas de estabilidad de entrada-a-estado. 3) Se presentan los experimentos en tiempo real. Sabemos que la senal del control a la salida del controlador esta relacionada con la entrada del controlador mediante una constante proporcional, tambien sabemos que el controlador en serie es del tipo proporcional derivativo (PD), su funcion de transferencia es Gc (s) = kp + kD s estos nos indica que la interpretacion en el dominio del tiempo del control PD, en efecto el control PD sobre la respuesta transitoria de un sistema de control se puede investigar al referirse a las respuestas en el tiempo. Un control PD disenado adecuadamente afectara el desempeno de un sistema de control en las formas siguientes: Mejora el amortiguamiento y reduce el sobrepaso maximo. Reduce el tiempo de levantamiento y el tiempo de asentamiento. Incrementa el ancho de banda (BW ). Mejora el margen de ganacia, el margen de fase y el pico de resonancia (Mr ).
3.7 Conclusiones del captulo Puede acentuar el ruido en altas frecuencias. No es efectivo para sistemas ligeramente amortiguados o inicialmente inestables. Puede requerir un capacitor muy grande en la implementcion del circuito. Para el P ID
63
El controlador P D puede anadir amortiguamiento a un sistema, pero no afecta la respuesta en estado estable. El controlador PI pude mejorar la estabilidad relativa y el error en estado estable al mismo tiempo, pero el tiempo de levantamiento se incrementa. Esto nos lleva a emplear un controlador PID para que se empleen las mejores caracteristicas de los controladores PI y PID. La funcion de transferencia del controlador PID es: Gc (s) = kp + kD s +
kI s
64
Captulo 4 Control PD con Anti-oscilacin y Velocidad en el Observador

4.1. Introduccin
Los observadores de alta ganancia se estn usado ampliamente en control no lineal con salidas retroalimentadas. Puesto que los observadores se extienden la banda ancha del controlador es importante estudiar la robustez del diseo del controlador para el modelado dinmico (altas frecuencias).
4.2.
Observador alta-ganancia
La dinmica de la grua viajera ecuacin (3.6) se puede rescribir en espacio de estado de la forma [37]. x1 = x2 x2 = H1 (X, u) y = x1 (4.1)
66
Control PD con Anti-oscilacin y Velocidad en el Observador
donde x1 = x = [xw , yw , , , R]T es la posicin, x2 es la velocidad, X = [xT , xT ]T , u = es 1 2 la entrada de control. Las dimensiones en la posicin en la salida es, H1 (X, u) = M(x1 )1 [C(x1 , x2 )x1 + G(x1 ) + F x1 + u] (4.2)
Si la velocidad de x2 no corresponden las dimensiones y la dinmica del manipulador en el cual no son desconocidas, el observador de alta ganancia se puede utilizar para calcular x2 [37].
d x dt 1 d x dt 2
= x2 + 1 K1 (x1 x1 ) =
1 K (x 2 2 1
como un parmetro positivo pequeo, K1 y K2 son matrices denidas positivas se elige de # " K1 I es estable. Permtanos denir el error del observador tal manera que la matriz K2 0 como x = x x, puede formar como:
d dt z2 = K2 z1 + 2 H1 d dt z1 = z2 K1 z1
donde x1 R5 , x2 R5 denotan los valores estimados de x1 , x2 respectivamente; se elige
x1 )
(4.3)
z1 = x1 ,
z2 = 2 x
(4.4)
donde x = [T , xT ]T . De la ecuacin (4.1) y (4.3), la ecuacin del error en el observador se x1 2
(4.5)
en forma de matriz: " # "
. La construccin de la velocidad del observador es el K2 0 I mismo como en [37], pero nosotros propondremos un nuevo teorema en l para combinar al donde A = ,B= observador y el neuro compensador juntos. Teorema 4.1 Si el observador de alta ganancia ecuacin (4.3) se usa para estimar la velocidad de la grua viajera ecuacin (4.1), entonces el error en el observador x converger al siguiente conjunto D = x | kk K () x
K1 I
d z = A + 2 BH1 z dt #
(4.6)
4.2 Observador alta-ganancia donde K () = 22 sup kBH1 kT kP k , P es la solucin de la ecuacin de Lyapunov:

t[0,T ]
67
AT P + P A = I
(4.7)
Demostracin. Debido al hecho que los espectros de K1 y K2 est en la mitad del plano izquierdo, ecuacin (4.7) tiene una solucin denida positiva P . Considere la siguiente funcin cadidata de Lyapunov: V0 () = T P z . La derivacin a lo largo de las soluciones de z z la ecuacin (4.5) es:
d d z V0 = dt z T P z + T P dt z T = z T A P + P A z + 22 (BH1 )T P z
(4.8)
kk + 22 kBH1 k kP k || z z
kH1 k es acotado para algn tiempo nito T. Nosotros quizs concluimos que kBH1 k kP k es acotada. V kk2 + K () kk z z donde K () = 22 sup kBH1 k kP k . Es conocido que
t[0,T ]
Por que el control u puede hacer que la ecuacin (4.1) tenga solucin para algn t [0, T ] ,
k(t)k > K () z
(4.9)
nitos que z (t) permanezca fuera del radio de la bola K () (y entonces vuelve a entrar), z (t) puesto que el tiempo total z (t) deja la bola nita
X k=1
z entonces V0 < 0, t [0, T ] . As el tiempo total durante el cual k(t)k > K () es nito. Sea Tk denota el intervalo de tiempo durante el cual k(t)k > K () . Si nicamente los tiempos z
eventualmente permanecer dentro de la bola. Si z (t) parta los tiempos innitos de la bola,
Tk < ,
Tk 0
(4.10)
d z (t) dt
As z (t) es acotada por un segmento de argumento invariante. De la ecuacin (4.6),
es tambin acotada. Si denimos kk (t)kQ como el error de seguimiento ms grande durante z Tk , la ecuacin (4.10) y acotando d z (t) implica que l kk (t)k K () = 0 kk (t)k , m z z
dt k
68
Control PD con Anti-oscilacin y Velocidad en el Observador " I 0 0

1 I
converger a K () . Por que x = K () .
z . Y < 1. As kk converge a la bola de radio x
Propiedad 4.2 En [37], ellos dieron una velocidad de convergencia del observador bajo la suposicin de que 0. En esta seccin puede ser una constante positiva. Puesto que el
t[0,T ]
sup kBH1 kT kP k es acotado, nosotros podemos seleccionar arbitrariamente pequeo para
ruido del observador, por eso debe seleccionarse tan grande como sea posible si la exactitud del observador K () esta dentro de la tolerancia.
hacer que K () sea aun mas pequeo. Por eso el error del observador x puede ser arbitrari amente pequeo para 0. Pero la ganancia es grande del observador 1 agrandar el
4.3.
Control PD y velocidad en el observador

= Kp (x1 xd ) Kd (2 xd ) + G (x) + T x + D x 1 2
As que el control PD con el observador de alta ganancia es (4.11)
donde xd R5 es la posicin deseada, xd R5 es la velocidad deseada, en el caso de regular 1 2 xd = 0, x2 es la velocidad de aproximacin por el observador de alta ganancia. 2 La conexin entre el control con la anti-oscilacin y el control de la posicin puede explicarse como sigue. Para el control con la anti-oscilacin ecuacin (3.16), la posicin de control A1 y B1 son las perturbaciones, estas perturbaciones pueden disminuirse por la accin ntegral en el control PID. El modelo con anti-oscilacin en la ecuacin (3.16) es aproximado, pero el control con anti-oscilacin en la ecuacin (3.17) no utiliza este modelo. Este modelo es libre. Por eso el control con anti-oscilacin ecuacin (3.17) no puede omitirse la anti-oscilacin completamente, pero se puede hacer que la vibracin sea pequea. Para la posicin de control ecuacin (3.18), el control con anti-oscilacin esta en trminos D = [A2 , B2 , 0, 0, 0]T , nosotros tambin lo consideramos como perturbacin. El acoplamiento del control con la anti-oscilacin puede compensarse con redes neuronales. El anlisis de estabilidad de esta seccin slo es para la regulacin de la posicin.
4.3 Control PD y velocidad en el observador Denimos el error de seguimiento como x1 = x1 xd , 1 x1 = x2 x1 b

d
69
(4.12)
b el cual es el error entre la posicin real de la gra y la posicin deseada, x1 es el observador de alta-ganancia ecuacin (4.3). Para esta seccin, nosotros propusimos la siguiente ley de control con un PD: = Kp (x1 xd ) Kd (2 xd ) + G (x) + T x + D x 1 2 PD), y xd es la posicin deseado. 1
(4.13)
donde Kp , Kd Rnn son las matrices constantes positivas (As que deseamos un control Primero nosotros consideramos el problema de regulacin, es supuesto que x1 = 0. As ur = Kp x1 Kd x2 + +G (x) + T x + D b (4.14)
d
que el control PD es
Nosotros asumimos la estimacin de velocidad del observador de alta ganancia ecuacin (4.3) es bastante rpido como: A1: ke2 (t)k x
m (Kd ) n kx2 (t)k , t [0, T ] . mx (Kd F ) a
Propiedad 4.3 Esta suposicin no es difcil si nosotros seleccionamos Kd , y el observador de alta-ganancia ecuacin (4.3) quizs converga al mismo hecho si nosotros seleccionamos muy pequeo. Teorema 4.4 Bajo la suposicin de A1, para cualquiera, t [0, T ] T > t0 . Basado en (x1 , x1 ) = (0, 0) del sistema en la ecuacin (4.1) es asintticamente estable. Demostracin. Nosotros proponemos la siguiente funcin candidata de Lyapunov para el sistema ecuacin (4.1): 1 T 1 e V2 (x1 , x1 , z ) = x1 M x1 + xT Kp x1 2 2 1 (4.15)
el regulador ecuacin (4.14) y el observador en la ecuacin (4.3), el punto de equilibrio
70
donde M es la matriz de inercia, ahora de la propiedad 1, M = M T > 0, F = F T > 0. Utilizando las ecuaciones (4.1) y (4.14), la derivada con respecto al tiempo de 1 x1 M x1 2 T T T d 1 x M x1 = x1 M x1 + 1 x1 M x1 dt 2 1 2 h i o n T T = x1 M M(x1 )1 C(x1 , x2 )x1 + G(x1 ) + F x1 + M(x1 )1 ur + 1 x1 M x1 2 T T T T = 1 x1 2C(x1 , x2 ) M x1 x1 F x1 x1 Kp x1 x1 (Kd F ) x2 b 2
T T T T T
De la propiedad 3.2, el primer trmino es cero. Adems la derivada con respecto al tiempo a lo largo de las soluciones de la ecuacin (4.15) es: V2 = x1 F x1 x1 Kp x1 x1 (Kd F ) x2 + x1 Kp x1 b V2 = x1 F x1 x1 (Kd F ) x2 b = xT Kd x2 + xT (Kd F ) x2 e 2 2
T T
Por que x1 = x1 y la ecuacin (4.8)
m (Kd ) kx2 k2 + mx (Kd F ) kx2 k ke2 k x n a En este punto, suponemos que A1 implica: V2 0. Ahora, nosotros examinamos las solu ciones en el conjunto = x1 , x1 , z |x1 = x2 = 0; z = 0 , entonces el sistema en la e e 0 = x2 d 0 = f (x) + g(x1 ) Kp (x1 x1 ) Kd x1 + G(x1 ) + F x1 b b 2 d 0 = f (x) + g(x1 ) Kp (x1 x1 ) Kd x1 + G(x1 ) + F x1 b b C(x1 , x2 )x1 G(x1 ) F x1 b
ecuacin (4.1) se simplica a:
Substituyendo los valores de f (x) y g(x) en una de las ultimas dos ecuaciones (qu es el mismo) surge en: 0 = M(x1 ) 1 d +M(x1 ) Kp (x1 x1 ) Kd x1 + G(x1 ) + F x1 b b
1
4.3 Control PD y velocidad en el observador Multiplicando ambos lados por M(x1 ): C(x1 , x2 )x1 + G(x1 ) + F x1 + Kp (x1 xd ) 1 b b +Kd (x1 xd ) G(x1 ) F x1 = 0 1

71
(4.16)
ecuacin (4.16):
Ahora, aplicamos el principio de La Salle. En el conjunto esto implica que z = 0 x1 = x1 b
y x2 = x2 , tambin que x2 = 0 = x1 x1 es una constante y x1 = 0. Aplicando esto en la b C(x1 , x2 )x1 + F x1 + Kp (x1 xd ) + Kd x1 F x1 = 0 1

(4.17)
y nalmente: Kp (x1 xd ) = 0 x1 = xd 1 1 El equilibrio x1 = xd es asintticamente estable. 1 Segundo, nosotros discutimos el problema del seguimiento de la trayectoria (x1 6= 0).
d d
Se asume que este camino es acotado, as como sus derivadas. Para este propsito, el control PD es: ut = Kp x1 Kd x1 + G(x1 ) + F x2 + M x1 b

(4.18)
Antes de demostrar la estabilidad del sistema en lazo cerrado, algn trabajo algebraico se hace para hacer la prueba ms simple. De la ecuacin (4.2) nosotros obtenemos: x1 = M 1 [C(x1 , x2 )x1 G(x1 ) F x1 ] + M 1 ut De la ecuacin (4.19) ut = M x1 + C(x1 , x2 )x1 + G(x1 ) + F x1 Comparando la ecuacin (4.20) y (4.18) e M x1 + x2 = C(x1 , x2 )x2 (F + Kd ) x1 Kp x1 = C(x1 , x2 )x1 C(x1 , x2 ) x2 x1 (F + Kd ) x1 Kp donde x1 := x2 x1 , x1 y x1 son denidas como en la ecuacin (4.12). b
d
(4.19)
(4.20)
(4.21)
72
Control PD con Anti-oscilacin y Velocidad en el Observador Nosotros asumimos la estimacin de la velocidad del observador de alta ganancia ecuacin
(4.3) por conveniencia es rpido como: d mx (M) a n x2 (t) m (F + Kd ) kx2 (t)k x1 (t) ke2 (t)k + x e mx (C) mx (C) a a para t [0, T ] . Propiedad 4.5 Comparado con la suposicin A1, esta suposicin tambin necesita la derivada del error de estimacin de velocidad por que problema de seguimiento. Tambin requiere d el que la trayectoria debe ser suave, entonces,x1 no puede ser grande. el controlador de seguimiento ecuacin (4.18) y el observador ecuacin (4.3), el punto de equilibrio (x1 , x1 ) = (0, 0) del sistema ecuacin (4.1) es asintticamente estable. Demostracin. Usamos la funcin candidata de Lyapunov como 1 T 1 e V3 (x1 , x1 , z ) = x1 M x1 + xT Kp x1 2 2 1 Usando la propiedad 3.2, ecuaciones (4.1), (4.21) y (4.18), la derivada con respecto al tiempo es 1 x1 M x1 2
T
A2:
Teorema 4.6 Dentro de la suposicin de A2, para algn t [0, T ] T > t0 . Basado en
donde F := F + Kd . Por eso la derivada con respecto al tiempo, la solucin de la ecuacin (4.15) es: T T T T V3 = x1 C(x1 , x2 ) x2 x1 x1 F x1 x1 Kp x1 + x1 Kp x1 x1 M x2 e T d T T x1 C(x1 , x2 ) x1 x2 x1 F x1 x1 M x2 e e T d T T x1 F x1 + x1 (C) x1 + x2 + x1 (M) x2 e e d 2 x m F x1 + x1 kCk x1 + ke2 k + kMk x2 n e
T
= x1 M x1 + 1 x1 M x1 2 i T T T h = x1 C(x1 , x2 )x1 C(x1 , x2 ) x2 x1 F x1 Kp x1 x1 M x2 + 1 x1 M x1 e 2 T T T T = x1 C(x1 , x2 ) x2 x1 x1 F x1 x1 Kp x1 x1 M x2 e
d dt
T 1 x1 M x1 2
4.4 Control PD y velocidad en el observador con compensacin neuronal
73
Utilizando la suposicin A2 implica que: V3 0. Qu demuestra la estabilidad del sistema en lazo cerrado. Aplicando el principio de invariancia de La Salle como en el teorema 2, nosotros concluimos que x1 = xd es asintticamente estable. 1
4.4.
Control PD y velocidad en el observador con compensacin neuronal
Sin velocidad x2 sin friccin y la gravedad son conocidas, el controlador normal PD debera conbinarse con la estimacin de la velocidad y neuro compensacin. = Kp (x1 xd ) Kd (2 xd ) + Wt (Vt s) x 1 2 (4.22)
T donde s = xT , xT , xd = 0. Del Teorema 3.5 nosotros conocemos el observador del alta 1 2 2 podemos escribir x2 = x2 + , donde es acotado como T . Ahora denimos el error de seguimiento como (xd = 0): 2 x1 = x1 xd 1 (4.23) ganancia ecuacin (4.3), se puede hacer (2 x2 ) converga a conjunto residual, nosotros x
x2 = x2 = x2
Teorema 4.7 Si las leyes de actualizacin para los pesos de las redes neuronales ecuacin (3.20) es
d x2 Wt = Kw (Vt s)T dt d T V = Kv sW D xT 2 dt t
(4.24)
donde Kw , Kv y 3 son matrices denidas positivas, y Kd satisface Kd > 1 + 1 + 1 g
(4.25)
entonces el control PD con compensacin neuronal ecuacin (4.22), puede hacer que el error
de seguimiento sea estable. El error de seguimiento promedio x2 converge a Z T 1 l sup m k2 k2 1 dt g + + 2 x Q T T 0 donde Q1 = Kd 1 + 1 + 1 . g
(4.26)
74
Demostracin. La funcin propuesta de Lyapunov es 1 1 1 1 1 1 2 1 (4.27) V2 = xT M x2 + xT Kp x1 + tr WtT Kw Wt + tr VtT Kv Vt 2 2 2 2 donde Kw y Kv son algunas matrices constantes denidas positivas. Usando las ecuaciones (3.6), (4.22) y (??), entonces el sistema de lazo cerrado es M x2 = Cx2 Kp x1 Kd x2 + Wt (Vt s) W (V s) g La derivada en la ecuacin (4.27) es V2 =
xT M x2 2
(4.28)
Utilizando la ecuacin (4.28) y la ecuacin (3.35) tenemos
1 T T T 1 T 1 d + x2 M x2 + x2 Kp x1 + tr Wt Kw Wt + tr Vt Kv Vt 2 dt
(4.29)
x2 2 2 2 2 2 xT M x2 = T M xd xT C x2 xT Cxd xT Kp x1 xT Kd x2 2 2 h i T Wt (Vt s) + W D Vt s + + g x2 h i De la propiedad 2, xT M(q) 2C(q, q) x = 0, la ecuacin (4.29) es x2 2 2 2 2 2 V2 = T M xd xT Cxd xT Kd xT xT + g 2 i h i h 1 d 1 d x2 2 +T + tr Kw dt Wt (Vt s)T W + tr Kv dt V sW D xT V x2
En vista de la desigualdad de matrices ecuacin (3.43), xT se puede concluir como xT 2 2 xT 1 x2 + . Puesto que xd = xd = 0, usando la regla de aprendizaje ecuacin (4.24) 2 2 2
V2 T Q1 x2 + g + + x2 (4.30) donde Q1 = Kd 1 + 1 + 1 , de la ecuacin (4.25) nosotros conocemos Q > 0. g La ecuacin (4.30) se puede representar como V2 m (Q) k2 k2 + T g g + T + T x n g V2 es una funcin de Lyapunov-ISS. Utilizando el teorema 1 de [42], con las cotas de g , y , del error de seguimiento k2 k es estable. Integrando la ecuacin (4.30) de 0 hasta T x RT T x2 Q2 dt V2,0 V2,T + g + + T x 0 V2,0 + g + + T
Puesto que k2 k2 = k2 k2 + , la ecuacin (4.26) es estabilizada. x Q x Q
4.5 Comparacin con los experimentos
75
ma 3.5 muestra que W no inuencia en la propiedad de estabilidad, nosotros podemos selec-
Propiedad 4.8 El error de seguimiento converger al radio de la bola en la cota del limite superior g + , y se inuencia por las matrices conocidas anteriormente W . Del teore ecuacin (3.27) puede hacer el error de identicacin converga en. W puede seleccionarse
cionar algn valor para W al principio. Del Teorema 3.5 nosotros sabemos que el algoritmo siguiendo los pasos fuera de lnea: 1. Empezar de cualquier valor inicial para W 2. Hacer la identicacin en lnea con W 3. Permitir Wt como una nueva condicin inicial, entonces, W = Wt 4. Si el error de identicacin disminuye, repita el proceso de identicacin, ir al paso 2. Por otra parte, parar la identicacin, ahora Wt es el valor nal para W .
4.5.
Comparacin con los experimentos
La oscilacin del control para sistemas de la gra es implementado en el InTeCo para gras viajeras para el experimento [18], como se ve en la Figura 3.2. Los parmetros fsicos de la gra viajera para el experimento son determinados con las siguientes datos: Mr = 6,5kg, Mc = 0,8kg, Mm = 1,3kg, I = 0,01kg m2
El riel mide de largo 150cm. La tarjeta es A/D-D/A microprocesador Xilinx FPGA, qu es multifuncional cronometrando analgico y digital la tarjeta de I/O esta diseada para la adquisicin de datos en tiempo real y control en plataforma Windows XP. La tarjeta se instala en una computadora central PC Pentium-III 500MHz. Debido a las operaciones en tiempo real de la tarjeta de adquisicin de datos Xilinx FPGA sin meter ruidos causados en Windows por el sistema del tiempo, el programa de control se ejecuta en Windows XP con Matlab 6.5/Simulink. Cada uno de los controladores se implemento con una frecuencia de muestreo de 1kHz.
76
Control PD con Anti-oscilacin y Velocidad en el Observador Hay muchas tcnicas para controlar los sistemas de la gra viajera. La mayora de ellos
el modelo base, como en [12], [33], [36] y [44]. El control PD con compensacin neuronal propuesto en este captulo es un modelo libre. En [15] y [25], se discuten los controladores PD. Pero el compensador en [15] utiliza el modelo exacto del sistema de la gra. Ah existe el error en estado constante [25], por que en alguna compensacin del control PD, la explicacin de este problema puede encontrarse en [24]. Nosotros comparamos nuestro mtodo con algunos controladores en modelos libres, como el control PD [25], el control PID [24], control sin anti-oscilacin PD [15]. Primero, nosotros discutimos el control anti-oscilacin ecuacin (3.17). Por que el control anti-oscilacin afecta en el control de la posicin (ver el modelo de control de posicin ecuacin (3.18)). Muchas gras viajeras no incluyen la tcnica del anti-oscilacin como en [15], [25], [33], [44]. Comparado con su controlador, nosotros usamos el PID ecuacin (3.17) el control para disminuir la oscilacin de la carga, los parmetros de control del PID son kpa2 = 2,0, kpb2 = 12, kda2 = 15, kdb2 = 8, kia2 = 0,03 kib2 = 0,7
Los ngulos resultantes se muestran en la Figura 3.3, para el control de la posicin sin la anti-oscilacin, y la Figura 3.4 para la posicin del control con anti-oscilacin. Segundo, nosotros discutimos el control en la posicin ecuacin (3.19). Por el teorema 3.5 nosotros conocemos el control parar asegurar la estabilidad, Kd debe ser bastante grande tal que Kd > 1 + 1 . Como nosotros no sabemos los lmites superiores, nosotros se leccionamos un valor grande para Kd1 = diag [80, 80, 0, 0, 10] . La posicin de la ganancia de retroalimentacin no nos afecta en la estabilidad, pero debera ser la ganancia positiva, nosotros elegimos Kp1 = diag [5, 5, 0, 0, 1] . Las redes neuronales se construyen de la siguiente c b forma: Wt R520 , Vt R205 , (s) = [ 1 20 ]T , la funcin Gausiana es ( 5 ) X (xi mi )2 /100 i = exp
i=1
donde se propaga i se evala en
50 y el centro mi es un nmero aleatorio entre 0 y 1. La ley
de aprendizaje en la ecuacin (3.37), con Kw = 10, Kv = 5. La posicin de la gra montada se
77
elige con una raz cuadrada. El resultado de las posiciones en la gra ya montada son como se muestran en la Figura 3.5. La regulacin resulta del control PD sin la compensacin neuronal [25] como se muestran en la Figura 3.6. El control con PID (Kd1 = diag [80, 80, 0, 0, 10] , Kp1 = diag [5, 5, 0, 0, 1] , Ki1 = diag [0,25, 0,25, 0, 0, 0,1]) se muestra en la Figura 3.7.
4.5.1.
Control PD sin Redes Neuronales
Sabemos que la seal del control a la salida del controlador esta relacionada con la entrada del controlador mediante una constante proporcional, tambien sabemos que el controlador en serie es del tipo proporcional derivativo (PD), su funcion de transferencia es Gc (s) = kp + kD s estos nos indica que la interpretacion en el dominio del tiempo del control PD, en efecto el control PD sobre la respuesta transitoria de un sistema de control se puede investigar al referirse a las respuestas en el tiempo. En la Figura 4.1, nos muestra claramente como la posicin de la grua en tres dimensiones sigue la posicin deseada en X, tambien sin Redes Neuronales en la posicin en Y , como se muestra en la Figura 4.2.
4.5.2.
Control PID
El controlador P D puede anadir amortiguamiento a un sistema, pero no afecta la respuesta en estado estable. El controlador PI pude mejorar la estabilidad relativa y el error en estado estable al mismo tiempo, pero el tiempo de levantamiento se incrementa. Esto nos lleva a emplear un controlador PID para que se empleen las mejores caracteristicas de los controladores PI y PID. La funcion de transferencia del controlador PID es: Gc (s) = kp + kD s +
kI s
Con control PID nuestro sistema se comporta en los experiementos como se pueden observar en las Figuras 4.3, 4.5, 4.4, 4.6. El error es minimo, sin embargo aun necesitamos una etapa
78

Posicin con control PD en X Posicin deseado Posicin aproximado
0.8 0.7 0.6 0.5 0.4 0.3 0.2 0.1 0 0
10 12 Tiempo
14
16
18
20
Figura 4.1: Posicin de control en el eje X

0.8 Posicin con control PD en Y Posicin deseado Posicin aproximado 0.7
0.6 0.5
0.4
0.3
0.2 0
10 12 Tiempo
14
16
18
20
Figura 4.2: Posicin de control en el eje Y
79
0.4 0.3 0.2 0.1 dx/dt 0 -0.1 -0.2 -0.3 -0.4 0 10 20 Time 30 40
Figura 4.3: Velocidad en el eje X mas para mejorar. En la primer gura se muestra como se comporta la velocidad con respecto al tiempo en la posicin X, la poscin en X, Y y el angulo en X
4.5.3.
Control PD con Observador y Redes Neuronales
El proceso de los experiementos en tiempo real con control PD con observador y NN, es para mejorar la incertidumbre que tenemos para que nuestro sistema o modelo de la grua en tres dimensiones siga de una manera efectiva sin tener algun problema y la idea es minimizar el error. En las Figuras 4.7, 4.8, 4.9, 4.10, 4.11, 4.12, nos muestran como la velocidad en X, Y , la poscicn en X, la posicin en Y y nalmente el angulo en X, siguen nuestro modelo propuesto en los experimentos en tiempo real.
80
0.8 0.7 0.6 0.5 x 0.4 0.3 0.2 0.1 0 0 10 20 Time 30 40
Figura 4.4: Posicin en el eje X
0.9 0.8 0.7 0.6 y 0.5 0.4 0.3 0.2 0 10 20 Time 30 40
Figura 4.5: Posicin en el eje Y
81
0.5
x
Angle
-0.5
-1 0
500
1000 Time
1500
2000
Figura 4.6: Angulo de control en X
4.5.4.
Control PD con Observador y Redes Neuronales sin angulo
En la Figura 4.13 y 4.14 se muestran como el control PD con observador y Redes Neuronales no sigue la entrada y se puede observar como se comporta el sistema con angulo y sin angulo. Claramente, el control PD con la compensacin neuronal puede compensar las incertidumbres con xito como la friccin, gravedad y el acoplamiento de anti-oscilacin. Por que el controlador PID no tiene mecanismo adaptable, no funciona bien por el acoplamiento anti-oscilacin. Por otro lado, el compensador neuronal puede ajustar su accin de control. De otra manera, el control PID es mas rpido que el control PD con compensacin neuronal en el caso de pequeas acoplamientos anti-oscilacin. La estructura del compensador neuronal es muy importante. Los siguientes pasos son tiles para la aplicacin. 1. Las constantes de la funcin Gaussiana en la ecuacin (3.19) son cambiados por simu-
82
0.4 0.3 0.2 0.1 dx/dt 0 -0.1 -0.2 -0.3 -0.4 0 5 10 Time 15 20
Figura 4.7: Velocidad con control PD con Observador y NN en el eje X laciones o experimentos. De la teora de las redes neuronales conocemos que la forma de la funcin Gaussiana no inuye en la estabilidad de la red neuronal, pero en un caso especial en algunos procesos no lineales algunas funciones tienen mejor habilidades de aproximacin. c b 2. Las dimensiones de las matrices en los pesos Wt , Vt son problemas en la estructura para causar el problema de traslaparse y dar mal peso al calculo de las matrices. Cul es la mejor dimensin de los pesos todava es un problema abierto para la sociedad de la redes neuronales. En este ejemplo nosotros usamos 20 nodos ocultos. Puesto que es difcil de obtener la estructura de la neurona del conocimiento anterior, nosotros podemos poner varios neuro identicadores en paralelo y podemos seleccionar uno de los mejores cambiando el algoritmo. sta es otra manera de encontrar una estructura apropiada para los neuro identicadores.
las redes neuronales. Se sabe bien que aumentando la dimensin de los pesos pueden
83
0.5 0 -0.5 -1 dy/dx -1.5 -2 -2.5 -3 -3.5 0 5 10 Time 15 20
Figura 4.8: Velocidad con control PD con Observador y NN en el eje Y

0.7 0.6 0.5 0.4 x 0.3 0.2 0.1 0 0 5 10 Time 15 20
Figura 4.9: Posicin con control PD con Observador y NN en el eje X
84
0.9 0.8 0.7 0.6 y 0.5 0.4 0.3 0.2 0 5 10 Time 15 20
Figura 4.10: Posicin con control PD con Observador y NN en el eje Y

0.3 0.2 0.1 angle
X
-0.1 -0.2 -0.3 -0.4 0 200 400 600 Time 800 1000 1200
Figura 4.11: Angulo con control PD con Observador y NN en X
85
0.5
angle
-0.5 0
50
100
150 200 Time
250
300
350
Figura 4.12: Angulo con control PD con Observador y NN en Y
Posicin del Angulo en X con y sin Control PD 1 0.8 0.6 0.4 0.2 0 -0.2 -0.4 -0.6 -0.8 -1 0 2 4 6 8 10 Tiempo 12 14 16 18 20 Angulo con PD Angulo sin PD
Figura 4.13: Angulo de la Gra en X con control PD
86

Posicin del Angulo en Y con y sin control PD 1 0.8 0.6 0.4 0.2 0 -0.2 -0.4 -0.6 -0.8 -1 0 2 4 6 8 10 Tiempo 12 14 16 18 20 Angulo con PD Angulo sin PD
Figura 4.14: Angulo de la Gra en Y con control PD 3. Las ganancias de aprendizaje Kw y Kv inuirn en la velocidad de aprendizaje, las ganancias muy grandes pueden causar la inestabilidad de aprendizaje, las ganancias muy pequeas pueden hacer un proceso de aprendizaje lento.
4.6.
Un observador de alta ganancia de orden reducido es cuando no estimas todos los estados y alta ganacia es debido al sistema que no necesariamente necesitas conocerlo asi que en nuestro sistema. Los observadores de alta ganancia se han usado en salidas de control no lineal retroalimentadas, ademas los observadores de alta ganacia han extendido la banda de control esto es importante para el estudio de la robustes del diseo del control, tambien se modela la dinmica mas rapido en altas frecuencias. La gra en tres dimensiones se lleva aun punto central de la grua para tener libertad en los tres ejes parte positiva y parte negativa, con la nalidad de obtener una referencia en los movimientos de los ejes sin obstruir algun lado.
87
Los movimientos de los motores en las tres coordenadas son sincronizados estos motores cuando se avtivan deben de estabilizar el sistema. Nuestro sistema esta adaptado para una gra en tres dimensiones en tiempo real, nosotros lo podemos modelar con la ecuacion del robot con tres grados de libertad, en nuestro sistema tenemos la longitud en la cuerda y tenemos que compensar la friccion y el error.
88
Captulo 5 Conclusiones y trabajos futuros

Nosotros proponemos a un nuevo controlador PD para los sistemas de la gra viajera. Sabemos que las redes neuronales son muy ecaces para identicacin en sistemas no lineales complejos, cuando nosotros no tenemos la informacin completa, nosotros lo usamos para estimar la friccin, gravedad y un poco de incertidumbres. El algoritmo de aprendizaje del neuro compensador se obtiene del anlisis de estabilidad del error de seguimiento por el mtodo de Lyapunov y la tcnica de estabilidad de entrada-a-estado. El problema de control con anti-oscilacin es reducir la oscilacin de la carga mientras este movindolo a la posicin deseada tan rpido como sea posible. Desde la oscilacin de la carga que depende de la aceleracin del tranva (riel), mientras minimizando el tiempo del funcionamiento y minimizar la oscilacin de la carga son parcialmente los requisitos contradictorios como [1]. En particular el seguimiento se aproxima, formando la entrada como en [46], ha demostrado ser un mtodo especialmente prctico y ecaz de reducir las vibraciones en los sistemas exibles. El problema de planear el movimiento anti-oscilacin se resuelve basado en el modelo de la cinemtica como [30]. Un controlador con anti-oscilacin para una gra viajera de tres dimensiones se propone en [34], el cual enva la supresin de la oscilacin en la carga. En [54], el controlador no lineal con anti-oscilacin basado en el mtodo de perturbacin singular se presenta. Tambin, estos controladores con anti-oscilacin son modelos base.
90
Conclusiones y trabajos futuros Exponemos un modelo libre con control con anti-oscilacin, que tiene control PID. El acoplamiento entre la posicin y los controladores con anti-oscilacin son compensados con redes neuronales, el modelo libre del control anti-oscilacin y su anlisis de estabilidad con el compensador neuronal no se ha establecido todava en las literaturas. Una comparacin experimental de varios controladores de la gra se comprende en nuestro sistema 3D de la gra. Como trabajo futuro seria aplicar este modelo a un robot con tres grados de libertad y comparar la leyes de control que se proponen para rearmar nuestro modelo y asi llevarlo a experimentos reales. Tambien se puede trabajar con un mecanismo de control en una gra real en campo sin embargo seria un poco complicado entrar a la etapa de control puesto que debido a que los motores estan en lazo abierto no se tiene un control de la gra y ahi estariamos probando nuestro sistema.
Bibliografa
[1] E.M.Abdel-Rahman,A.H. Nayfeh, Z.N.Masoud, Dynamics and Control of Cranes: A Review, Journal of Vibration and Control, Vol.9, No.7, 863-908,2003. [2] B. D Andrea-Novel and F. Boustany, .A daptive control of a class of mechanical system using linearisation and Lyapunov methodos. A comparative study on the overhead crane example", Proc. IEEE Decision and Control, pages 120 - 125, 1991. [3] J.W.Auernig and H.Troger, Time optimal control of overhead cranes with hoisting of the payload, Automatica, Vol.23, No.4, 437-447, 1987. [4] J.W.Beeston, Closed-loop time optimatial control of a suspended payload-a design study, 4th IFAC World Congress, 85-99, Warsaw Poland, 1969. [5] Boyce, William E. Elementary dierential equations / William E. Boyce, Richard C. DiPrima. Edition: 3rd. ed. New York : Wiley, c1977. [6] F. Boustany and B. D Andrea - Novel, .A daptive control of an overhead crane using dynamic feedback linearization and estimation design", Proc. IEEE Int. Conf. Robotics and Automation, pages 1963-1968, 1992. [7] T. Burg, D. Dawson, C. Rahn and W. Rhodes, "Nonlinear Control of an Overhead Crane via the saturating control approach of Teel", Proc. IEEE Int. Conf. Robotics and Automation, pages 3155-3160, 1996.
92
BIBLIOGRAFA
[8] H. Butler, G. Honderd, and J. Van Amerongen, Model reference adaptive control of a gantry crane scale model, IEEE Contr. Syst. Mag., vol. 11, pp. 57-62, Jan. 1991. [9] H. Butler, G. Honderd, and J. Van Amerongen, Model reference adaptive control of a gantry crane scale model, IEEE Contr. Syst. Mag., vol. 11, pp. 57-62, Jan. 1991. [10] Byrnes C.I., Isidori A., Willems J.C., Passivity, Feedback Equivalence, and the Global Stabilization of Minimum Phase Nonlinear Systems, IEEE Trans. Automat. Contr., Vol.36, 1228-1240, 1991. [11] S.K.Cho, H.H.Lee, A fuzzy-logic antiswing controller for three-dimensional overhead cranes,ISA Trans., Vol.41, No.2, 235-43, 2002. [12] G.Corriga, A.Giua, and G.Usai, An implicit gain-scheduling controller for cranes, IEEE Trans. Control Systems Technology, Vol,6, N0.1, 15-20, 1998. [13] C.Canudas de Wit and J.J.E.Slotine, Sliding Observers for overhead crane Manipulator, Automatica, Vol.27, No.5, 859-864, 1991. [14] G.Cybenko, Approximation by Superposition of Sigmoidal Activation Function, Math.Control, Sig Syst, Vol.2, 303-314, 1989. [15] Y.Fang, W.E.Dixon, D.M.Dawson and E.Zergeroglu, Nonlinear Coupling Control Laws for an Underactuated Overhead Crane System, IEEE/ASME TRANSACTIONS ON MECHATRONICS, VOL.8, NO.3, 418-423, 2003. [16] S.Haykin, Neural Networks- A comprehensive Foundation, Macmillan College Publ. Co., New York, 1994.ol.2, 303-314, 1989. [17] T. Hesketh, .A state-space pole-placing self-tuning regulator using input-output values", IEE Proc. Part D, Vol 129, pages 123-228,1982. [18] InTeCo, 3DCrane: Installation and Commissioning Version 1.2, Krakow, Poland, 2000.
BIBLIOGRAFA
93
[19] 3DCrane, Getting Started, Printed by InTeCo Ltd.Y. Fang, W. E. Dixon, D. M. Dawson, and E. Zergeroglu. [20] 3DCrane: Installation and Commissioning Version 1.3, InTeCo, Krakow, Poland, 2000. [21] P.A.Ioannou and J.Sun, Robust adaptive control, Prentice-Hall Inc., NJ, 1996. [22] Y.H.Kim and F.L.Lewis, Neural Network Output Feedback Control of overhead crane Manipulator, IEEE Trans. Neural Networks, Vol.15, 301-309, 1999. [23] R.Kelly, Global Positioning on overhead crane Manipulators via PD control plus a Classs of Nonlinear Integral Actions, IEEE Trans. Automat. Contr., vol.43, No.7, 934-938, 1998. [24] R.Kelly, A Tuning Procedure for Stable PID Control of Robot Manipulators, Robotica, Vol.13, 141-148, 1995. [25] B. Kiss, J. Levine, and P. Mullhaupt, A simple output feedback PD controller for nonlinear cranes, Proc. Conf. Decision and Control, pp. 50975101, 2000. [26] H.K.Khalil, Nonlinear Systems, 3rd Edition, Prentice Hall, NJ 07458, 2002. [27] Automatic control systems, Kuo, Benjamin C. 8th ed. New York : John Wiley and Sons, c2003. [28] kalman A. F. Moustafa and A.M. Ebeid. Nonlinear Modeling and control of Overhead Crane load Sway, Transaction of the ASME, Vol. 110, 266-271, 1988. [29] H.H.Lee, Modeling and control of a three-dimensional overhead crane, Journal of Dynamic Systems, Measurement, and Control, Vol.120,471-476, 1998. [30] H.H.Lee, A New Motion-Planning Scheme for Overhead Cranes With High-Speed Hoisting, Journal of Dynamic Systems, Measurement, and Control, Vol.126,359-364, 2004.
94
BIBLIOGRAFA
[31] J. Yu, F. L. Lewis y T. Huang, "Non linear feeeback control of a gantry crane", Proc. American Control Conference, pages 4310-4315, 1995. [32] F.L. Lewis and T.Parisini, Neural Network Feedback Control with Guaranteed Stability, Int. J. Control, Vol.70, No.3, 337-339,1998. [33] J. A.Mndez, L.Acosta, L.Moreno, S.Torres, G.N.Marichal, An Application of a Neural Self-Tuning Controller to an Overhead Crane, Neural Computing and Applications, Vol.8, No.2, 143-150,1999. [34] K.A.Moustafa and A.M.Ebeid, Nonlinear modeling and control of overhead crane load sway, Journal of Dynamic Systems, Measurement, and Control, Vol.110, 266-271, 1988. [35] B.M.Mohan, A.V.Patel, Analytical structures and analysis of the simplest fuzzy PD controller, IEEE Trans. on Syst., Man and Cybern. Part B, Vol.32, No.2, 239-248, 2002. [36] M.W.Noakes, J.F.Jansen, Generalized input for damped-vibration control of suspended payloads, Journal of Robotics and Autonomous Systems, Vol.10, No.2, 199-205, 1992. [37] S.Nicosia and A.Tornambe, High-Gain Observers in the State and Parameter Estimation of overhead cranes Having Elastic Joins, System & Control Letter, Vol.13, 331-337, 1989. [38] R.Ortega and M.W.Spong, Adaptive Motion Control of Rigid overhead crane: A Tutorial, Automatica, Vol.25, no.6, 877-888, 1989. [39] J. K. Pieper and B. W. Surgenor, "Discrete time sliding mode control applied to a gantry crane", Proc. IEEE Decision and Control, Vol 1, pages 829-834, 1994. [40] M.M.Polycarpou, Stable adaptive neural control scheme for nonlinear systems, IEEE Trans. Automat. Contr., vol.416, No.2, 447-451, 1996. [41] A. J. Ridout, .A nti-swing control of the over head crane using linear feedback". Journal of Electrical and Electronic Engineering, Australia Vol 9, No 1. Pages 17-26, 1989.
BIBLIOGRAFA
95
[42] E.D.Sontag and Y.Wang, On Characterization of the Input-to-State Stability Property, System & Control Letters, Vol.24, 351-359, 1995. [43] Ali Saberi, Hassan Khalil, Quadratic-Type Lyapunov Functions for Singularly Perturbed Systems, IEEE Transactions on Automatic Control, Vol. AC-29, No. 6, June 1984. [44] O.Sawodny, H.Aschemann and S.Lahres, An automated gantry crane as a large workspcae robot, Control Engineering Practice, Vol.10, No.12, 1323-1338, 2002. [45] Y.Sakawa and Y.Shindo, Optimal control of container cranes, Automatica, Vol.18, No.3, 257-266, 1982. [46] W. Singhose, W. Seering and N. Singer, Residual Vibration Reduction using Vector Diagrams to Generate Shaped Inputs, Journal of Dynamic Systems, Measurement, and Control, Vol.116, 654 -659,1994. [47] M.Takegaki and S.Arimoto, A New Feedback Method for Dynamic control of Manipulator, ASME J. Dynamic Syst. Measurement, and Contr., Vol.103, 119-125, 1981. [48] A. R. Teel, "Feedback Stabilisation: Nonlinear Solutions to Inherently Nonlinear Problems", University of California, Memorandum No, UCB/ERL M92/65, 1992. [49] A. R. Teel, "Examples of saturation using saturation: An input-output approach", Nolcos (Third IFAC symposium on nonlinear control systems design), 1995. [50] P.Tomei, Adaptive PD Controller for Robot Manipulator, IEEE Tran. on Automatic Control, Vol. 36, 556-570, 1992. [51] D. J. Woods and D. J. Clements. Nonlinear Control of Overhead Crane. I. E. Aust. Control 92 pages 29-40, 1992. [52] W.Yu, X.Li, Some new results on system identication with dynamic neural networks, IEEE Trans. Neural Networks, Vol.12, No.2, 412-417, 2001.
96
BIBLIOGRAFA
[53] W.Yu and X.Li, System Identication Using Adjustable RBF Neural Network with Stable Learning Algorithms, Advances in Neural Networks -ISNN 2004, Srpinger-Verlgag, Lecture Notes in Computer Science, Vol.3174, 212-217, 2004. [54] J.Yu, F.L.Lewis and T.Huang, Nonlinear feedback control of a gantry crane, 19 95 American Control Conference, Seattle, 4310-4315, USA, 1995. [55] Y.Fang, W.E. Dixon, D.M. Dawson, and E. Zergeroglu. "Nonlinear Coupling Control Laws for an Underactuated Overhead Crane System, IEEE/ASME Transaction s on Mechatronics, vol. 8, No 3, pp 418-423, September 2003. [56] W. Yu, X. Li, Some new results on system identication with dynamic neural networks, IEEE Trans. Neural Networks, Vol.12, No.2, 412-417, 2001.
Apndice A Publicaciones
1. Rigoberto Toxqui y Wen Yu, Stable anti-swing PD control for overhead crane systems with velocity estimation and uncertainties compensation, International Journal of Automation and Control, acceptado para publicacin. 2. Rigoberto Toxqui y Wen Yu, Anti-swing control for overhead crane with neural compensation, International Joint Conference on Neural Networks, IJCNN06, Vancouver, Canada, 9478-9453, 2006. 3. Rigoberto Toxqui y Wen Yu, PD Control of Overhead Crane Systems with Neural Compensation, Advances in Neural Networks -ISNN 2006, Srpinger-Verlgag, Lecture Notes in Computer Science, LNCS 3972, 1110-1115, 2006. 4. Rigoberto Toxqui y Wen Yu, PD control of overhead crane with velocity estimation and uncertainties compensation, The 6th World Congress on Control and Automation, 139-143, Dalian, China, 2006, Artculos en revisin 1. Rigoberto Toxqui y Wen Yu, Stable anti-swing PD control for overhead crane systems with neural compensation, sometido para IEE Proceedings - Control Theory and Applications.

Tesis Doctorado Gruas PDF

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Tesis Doctorado Gruas PDF

Cargado por

Copyright:

Formatos disponibles

CENTRO DE INVESTIGACIN Y ESTUDIOS AVANZADOS DEL I.P.N.

DEPARTAMENTO DE CONTROL AUTOMTICO

M. en C. Rigoberto Toxqui Toxqui

Mxico, D.F. Agosto del 2006 Becario de CONACYT

dimensiones de 3 3 en general como en [30], si nosotros tenemos algunas comparaciones

1.3 Estructura de la tesis El controlador pueda regular la posicin y la anti-oscilacin

Resumen del control en la gra

1.4 Resumen del control en la gra

1.4 Resumen del control en la gra

1.4 Resumen del control en la gra

Captulo 2 Modelo matemtico de una gra en tres dimensiones

Modelo matemtico de una gra en tres dimensiones

Modelo matemtico de una gra en tres dimensiones

Modelado matemtico del motor

2.2 Modelado matemtico del motor

Despejando ia de la ecuacin (2.7) y haciendo La = 0, debido que la constante de tiempo elctrica

es mucho ms pequea que la constante de tiempo mecnica

Modelo matemtico de una gra en tres dimensiones

d2 m dm kg km kb dm kg km + = + Bm Vin dt2 dt Ra dt Ra Ra d2 m dm kg km kb dm Jm 2 + Bm + = Vin kg km dt dt Ra dt Ra Jm d2 m dm Ra Bm + + kb = Vin 2 kg km dt kg km dt Para el modelo del prototipo

2.3 Modelado matemtico de la gra con el mtodo de Newton

= m , aqu es la armadura del sistema del balancn de la

bola. De esta manera el modelo del motor en (cd) esta expresado. Rm Jm Rm Bm + Kb + =U Km Kg Km Kg

Modelado matemtico de la gra con el mtodo de Newton

F = ma, como (2.16)

18 la ecuacin (2.17), se vuelve xw = Restriccin

Modelo matemtico de una gra en tres dimensiones

Tx Fx (FR TR ) sin sin + + (mw + ms ) (mw + ms ) (mw + ms )

sustituyendo las ecuaciones Sx = S sin sin , Sy = S cos , Sz = S sin cos . En la

gx (N1 1 x5 N3x9 5 2x6 x10 ) , x8 ,

Modelo matemtico de una gra en tres dimensiones

yw = u1 T1 + S1 cos de las ecuaciones (2.27) y (2.28),

21 yc , obtenemos cos (2.30)

modelo esta libre de singularidades.

22 Con tres fuerzas de control

Modelo matemtico de una gra en tres dimensiones

zc = (u3 T3 ) sin cos g

Ahora denimos los estados como x = [x1 x10 ]T , x1 = yw , x2 = x1 , x3 = xw , x4 = x3 , 1 + 1 c2 + 2 s2 s2 , B = 1 + 1 , 5 5 7

2.4 Modelado matemtico de la gra utilizando el mtodo de Lagrange

Modelado matemtico de la gra utilizando el mtodo de Lagrange

Modelo matemtico de una gra en tres dimensiones

2 2 + R cos cos + yw + R cos = xw R sin sin 2 + R cos sin + R cos sin

La energa potencial V = V1 + V2 + V3 (2.35)

26 la gra. Tx , Ty y TR son fricciones.

Modelo matemtico de una gra en tres dimensiones

d L L dt " # L d L dt d L L dt xw xw # " d L L dt y w yw # " d L L dt R R

(2.36) (2.37) (2.38) (2.39) (2.40)

La derivada con respecto a , , xw , yw , R, , , xw , yw y nalmente R.

2.4 Modelado matemtico de la gra utilizando el mtodo de Lagrange

Modelo matemtico de una gra en tres dimensiones

y (t) R, denota la posicin de la gra a lo largo del eje y.

Modelo matemtico de una gra en tres dimensiones

0 0 2McR cos sin 0

0 0 RMc gs1 c2 RMc gc1 s2 RMc gc1 c2 iT h u = Fx Tx Fy Ty FR TR 0

Modelo matemtico de una gra en tres dimensiones

Experimentos en tiempo real

2.5 Experimentos en tiempo real

Para calcular el momento de inercia tenemos que: M = Mc + Mm .

Propiedades de la descripcin de la gra en 3 dimensiones

2.6 Conclusiones del captulo

Conclusiones del captulo

Modelo matemtico de una gra en tres dimensiones

Figura 2.5: Grcas en Posicin x, y, z. ngulos alfa, beta y gama (, , )

Figura 2.6: Posicin en lazo abierto de la gra en x