Está en la página 1de 13

0

Analisis´

de controladores para un Robot de 4GDL

Miyagusuku R´ıos, Renato - Villalta Ramirez, Oscar Alfonso y Paredes Merino, Jorge Salvador

Abstract

El presente trabajo muestra el diseno˜

de controladores para un brazo robotico´

de 4 grados de libertad. En el presente trabajo

tipo PID, controladores por Torque Computado los

se desarrolla un analisis´

cuales son optimizados empleando Algoritmos Geneticos´

de 3 tipos de controladores, controladores clasicos´

y finalemente un controlador Neuro Fuzzy.

Index Terms

Controladores, PID, Torque Computado, Algoritmos Geneticos,´

Redes neuronales y Fuzzy

CONTENTS

I Introduccion´

 

1

II Modelo del Robot

 

1

III Controladores

III-A

PID .

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

2

2

III-B

. Control por Torque Computado .

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

2

III-C

Control por Torque Computado empleando AG

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

2

III-D

Neuro Fuzzy

 

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

2

IV Simulacion´

 

3

V Resultados

3

V-A

Control por Torque Computado con sintonizacion´

manual

 

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

4

V-B

Control por Torque Computado usando AG

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

4

V-C

Control usando Neuro Fuzzy

 

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

4

VI Observaciones

 

5

VII Conclusiones

6

VIII Recomendaciones

 

6

References

7

Appendix A: Planos

 

7

Appendix B: Pruebas adicionales y Sintonizacion´

usando AG

 

8

B-A

P

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

9

B-B

PI .

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

9

B-C

PD

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

9

1

I.

´

INTRODUCCI ON

E L desarrollo tecnologico´ de los robots y su creciente uso en trabajos que requieren de gran precision´ y velocidad

requieren han fomentado el rapido´ desarrollo de algoritmos de control que puedan satisfacer dichas condiciones, por tal razon´ el diseno˜ de robots toma como herramientas tecnicas´

de Inteligencia Artificial tales como Algoritmos Geneticos,´ Redes neuronales (Neural networks) y logica´ difusa para complementer los algoritmos ya existenetes.

II. MODELO DEL ROBOT

Para realizar el control se ha escogido un robot de 4GDL: 3

Para todas las medidas y calculos´

rotacionales y 1 prismatico.´

se uso´ el Sistema Internacional de Unidades.

prismatico.´ se uso´ el Sistema Internacional de Unidades. Fig. 1. Robot de 4GDL Para el diseno˜

Fig. 1.

Robot de 4GDL

Para el diseno˜ del robot se realizo´ un modelo utilizando

CAD 1 el cual puede observarse en la figura 2. Todas las piezas fueron disenandas˜ en Solidworks y los planos pueden verse en

el Apendice´ A.

El calculo´ de la dinamica´ se realizo´ usando el metodo´ de Lagrange-Euler, el cual es ampliamente discutido en [2] y [3], con la ayuda del software Maple13 y Matlab2009 para obtener

la dinamica´ del robot que puede ser expresada de la siguiente

forma:

τ = Hq¨ + C + G

Donde H es la matriz de inercia, C la matriz de Coriolis y

G la matriz de Gravedad.

Los parametros´ fisicos del robot como distancias centros de masa e inercias fueron escogidos segun´ los datos obtenidos en el programa SolidWorks y replanteados para un manejo mas´ sencillo. Tambien es posible utilizar distintos toolbox de matlab como el Robotics Toolbox [6] o metodos iterativos para

(1)

su calculo´ como los descritos en [5]. Se realizo´ un modelo en

Simulink para la simulacion´ de la dinamica´ de nuestro robot,

la cual se puede aprecira en la figura 4

1 Computer Asisted Design

puede aprecira en la figura 4 1 Computer Asisted Design Fig. 2. Diseno˜ del Robot Fig.

Fig. 2.

Diseno˜

del Robot

4 1 Computer Asisted Design Fig. 2. Diseno˜ del Robot Fig. 3. Posicion´ Inicial y Ejes
Fig. 3. Posicion´ Inicial y Ejes en cada junta Fig. 4. Dinamica´ del manipulador de
Fig. 3.
Posicion´
Inicial y Ejes en cada junta
Fig. 4.
Dinamica´
del manipulador de 4GDL

2

III. CONTROLADORES

Como fue mencionado anteriormente se realizara´ el analisis´ de 3 algoritmos de control un PID, un Control por Torque Computado y un control con NeuroFuzzy.

A. PID

Los controladores PID (Proporcional Integral Derivativo) son controladores que tienen una altta performance en sistemas lineales o en sistemas no lineales en un determinado punto de operacion,´ inicialmente se planteo´ el uso de controladores de este tipo dada su simplicidad.

el uso de controladores de este tipo dada su simplicidad. Fig. 5. Controlador PID Un controlador

Fig. 5.

Controlador PID

Un controlador PID es un mecanismo de control por real- imentacion´ que corrige el error entre la salida deseada y la obtenida por la planta, su ley de control es la siguiente:

τ(t) = Kp e(t) + Ki t e(t)dt + Kd de(t) dt

(2)

Existen diversos metodos´ para el calculo´ de las ganancias Kp, Ki, Kd. Puede usarse un diseno˜ mediante LGR (Lu- gar geometrico´ de las raices) descrito en [4] o metodos´ de sintonizacion´ como Ziegler-Nichols, Gallier-Otto o Graham Lathrop.

B. Control por Torque Computado

El controlador por torque computado con linealizacion´ utiliza un controlador PID o PD el cual es multimplicado por la matriz de Inercia adicionalmente se estiman los torques generados por la Gravedad y Coriolis los cuales son agregados, esto alivia bastante al controlador PID, la ley de control ser´ıa la siguiente:

τ c ontrol = H u1(t) + G + C

De 1 y 3 tenemos:

Hq¨ + C + G = H u(t) + G + C

(3)

(4)

(5)

El esquema del controlador ser´ıa el mostrado en la figura

u(t) = q¨

ser´ıa el mostrado en la figura u ( t ) = q ¨ Fig. 6. Torque

Fig. 6.

Torque Computado

C. Control por Torque Computado empleando AG

2 Para una sintonizacion´ PID usando algoritmos geneticos´ los valores de Kp, Ki y Kd van variando aleatoriamente encontrando en cada generacion´ el mejor valor y reduciendo el rango de busqueda.´ Para realizar la busqueda se basan en principios evolutivos como la supervivencia del mas´ apto, la reproduccion sexual y la mutacion,´ estos principios fueron plantedos por John Henry Holland en 1975 [1].

D. Neuro Fuzzy

La logica difusa (Fuzzy Logic) es una herramienta de la inteligencia artificial que puede ser empleada para el control de robots. Para la optimizacion´ de ls reglas fuzzy pueden emplearse diversas tecnicas, entre las que estan´ la optimizacion´ mediante algoritmos geneticos´ y el uso de redes neuronales, en nuestro caso emplearemos la ultima,´ haciendo uso del toolbox de fuzzy de matlab[7]. El esquema del controlador neuro fuzzy es el mostrado en la figura 7.

del controlador neuro fuzzy es el mostrado en la figura 7. Fig. 7. Neuro Fuzzy Para

Fig. 7.

Neuro Fuzzy

Para el entranamiento con el anfis de matlab fue enecesario tomar data, esta data fue obtenida de las simulaciones, pero tambien´ puede obtenerse de data real de manipuladores insta- lados en la fabricas o laboratorios, por lo que su fidelidad es mucho mayor que los otros metodos.´ Parte de la data empleada para el entrenamiento se muestra en la figura

3

 

Una vez obtenida la data se elige el tipo de entrenamiento

controlador por torque computado, el diagrama del controlador

y

se procede a entrenar, este proceso puede resultar algo largo

neuro fuzzy es similar pero el bloque PID es reemplazado por

y

depende mucho del tipo de entrenamiento y el numero de

el controlador Neuro Fuzzy mostrado en la figura 12.

neuronas elegidas. La evolucion´ del entrenamiento es mostrada en la figura 8.

evolucion´ del entrenamiento es mostrada en la figura 8. Fig. 8. Entrenamiento del controlador Finalmente es

Fig. 8.

Entrenamiento del controlador

Finalmente es conveniete realizar una verificacion´ dl con- trolador, esto puede realizarse desde el mismo toolbox con la opcion Test FIS. La figura 9 nos muestra dicha validacion,´ en color azul se encunetra la data ingresada y en rojo la data obtenida mediante el controlador.

y en rojo la data obtenida mediante el controlador. Fig. 9. Verificacion´ de la data IV.

Fig. 9.

Verificacion´

de la data

IV.

´

SIMULACI ON

se desarrollaron modelos en simulink

para los diversos controladores. La figura 10 nos muestra el diagrama del controlador PID, la figura 11 el diagrama del

Para la simulacion´

PID, la figura 11 el diagrama del Para la simulacion´ Fig. 10. Control PID Fig. 11.

Fig. 10.

Control PID

11 el diagrama del Para la simulacion´ Fig. 10. Control PID Fig. 11. Control por Torque

Fig. 11.

Control por Torque Computado

Fig. 10. Control PID Fig. 11. Control por Torque Computado Fig. 12. Controlador Neuro Fuzzy V.

Fig. 12.

Controlador Neuro Fuzzy

V. R ESULTADOS

El controlador PID mostro´ resultado muy pobres, al realizar cambios en las referencias o trayectorias complejas la no linealidad de la planta era muy grande y el controlador fallaba no lograndose un control adecuado.

4

En el control por torque compuado se obtubieron resultados mucho mejores, se podia realizar distintas trayectorias sin

mayores problemas con excepcion´ de la sintonizacion´ del PID,

la cual era algo tediosa, esto se soluciono´ mediante el uso de

algoritmos geneticos.´ El control empleando Neuro Fuzzy tambien obtuvo buenos resultados y el costo computacional para su entrenamiento fue

menor a la sintonizacion´ genetica.´ Para el analisis´ de los controladores se uso´ la siguiente trayectoria: X = xr+0.5*sin(u/2)

Y = yr+0.5*sin(u/2)

Z = zr+0.5*u/10

Siendo [xr, yr, zr] el vector de la posicion´ inicial del robot con un q respectivo de [0 0.5 0 0 0.1]

A. Control por Torque Computado con sintonizacion´ manual

Se realizo´ una sintonizacion´ manual, obteniendose los sigu- intes valores para las ganancias: Kp = diag([100 100 100 10]); Ki = diag([1 1 0.01 0.01]); Kd = diag([0.1 0.1 0.5 0.1]); Los resultados de la simulacion´ pueden observarse en la figura 13. Ademas´ las figura 14 muestra los errores y la figura 15 los torques de control necesarios.

errores y la figura 15 los torques de control necesarios. Fig. 13. Resultados de la sintonizacion´

Fig. 13.

Resultados de la sintonizacion´

manual

B. Control por Torque Computado usando AG

Usando algoritmos geneticos´ se obtuvieron las siquientes ganancias: Kp = diag([138 78 79.1 15.4]); Ki = diag([12.2 1.79 0.309 0.496]); Kd = diag([0.269 0.499 0.979 0.119]); La evolucion´ de los valores usando algoritmos geneticos´ se ve en el Anexo B y los resultados de las simulaciones en las figuras 16,17 y 18

C.

Control usando Neuro Fuzzy Despus` de realizado el entrenamiento usando el tool anfis

de

matlab se obtuvieron las reglas para los controladores fuzzy

tal como se observan en la figura 19.

controladores fuzzy tal como se observan en la figura 19. Fig. 14. Errores usando sintonizacion manual

Fig. 14.

Errores usando sintonizacion manual

la figura 19. Fig. 14. Errores usando sintonizacion manual Fig. 15. Torques usando sintonizacion manual Fig.

Fig. 15.

Torques usando sintonizacion manual

manual Fig. 15. Torques usando sintonizacion manual Fig. 16. Resultados de la sintonizacion´ genetica´ Fig.

Fig. 16.

Resultados de la sintonizacion´

genetica´

sintonizacion manual Fig. 16. Resultados de la sintonizacion´ genetica´ Fig. 17. Errores usando sintonizacion genetica´

Fig. 17.

Errores usando sintonizacion genetica´

5

5 Fig. 18. Torques usando sintonizacion genetica´ Fig. 19. Rglas Fuzzy Los resultados de las simulaciones

Fig. 18.

Torques usando sintonizacion genetica´

5 Fig. 18. Torques usando sintonizacion genetica´ Fig. 19. Rglas Fuzzy Los resultados de las simulaciones

Fig. 19.

Rglas Fuzzy

Los resultados de las simulaciones en las figuras 20,21 y

22

resultados de las simulaciones en las figuras 20,21 y 22 Fig. 20. Resultados del Controlador Neuro

Fig. 20.

Resultados del Controlador Neuro Fuzzy

VI. OBSERVACIONES

Una forma para verificar la dinamica´ del robot es quitar la actuacion´ de torques, es decir la ca´ıda por efecto de la gravedad. Si se observa dicha caida del robot es un

de la gravedad. Si se observa dicha caida del robot es un Fig. 21. Errores usndo

Fig. 21.

Errores usndo el Controlador Neuro Fuzzy

es un Fig. 21. Errores usndo el Controlador Neuro Fuzzy Fig. 22. Torques usando el Controlador

Fig. 22.

Torques usando el Controlador Neuro Fuzzy

buen indicador del adecuado modelamiento dinamico,´ sin embargo a veces es necesario escalar las masas para

obtenerse valores calculables en la matriz de Coriolis. De no disminuir las masas el lazo del Simulink no convergera´

a ningun´ resultado y no simulara´ lo requerido, esto debido

a que la matriz de Coriolis calcula respecto de valores

grandes de error de velocidad, y si la dinamica´ no posee viscosidad ni parametros´ de friccion´ la velocidad no se ve de ninguna forma restringida o limitada.

Se observa que al realizar trayectorias circulares alrededor

del eje 0 de la base, o cualquier trayectoria que exija que el sistema 1 rote a cerca de 180 o , se dan saltos bruscos en la posicion´ y en la busqueda´ de la cinematica´ inversa. Se estima que esto se deba al error calculado para encontrar ese angulo´ usando la cinematica´ inversa. Dado que al acercarse al valor de 180 el programa calculara´ segun´ el error que existe y la cinematica´ inversa los valores de velocidad angular que necesita cada junta, al acercarse a 180 la cinematica´ puede calcular los valores del angulo´

o posicion´ de Z1 como (180 o ) o´ (- 180 o ) con lo cual (y

estando muy cerca de 180 o ) el valor del error bien puede ser cercano a 0 (180 o - 180 o ) o bien a 360 (180 o - (-

180 o )), lo que dar´ıa al robot una velocidad en sentido contrario proporcional al error encontrado. Para corregir esto se puede hacer una modificacion´ en el programa de modo que tome el resultado con el menor error, es decir,

6

si se encuentra en 179 o y la cinematica´ inversa calcula

180 o y -180 o , luego los posibles valores de error son 1 o

y 359 o , con lo cual decidira´ que trayectoria y que nuevas

velocidades tomar. Al escoger el menor error se asegura que siga la trayectoria mas´ corta hacia el siguiente punto. Para visualizar esto probar una trayectoria circular en el programa.

Para algunos casos las sintonizaciones usando algoritmos geneticos´ se han encontrado resultados menos satisfac- torios a comparacion´ con la sintonizacion´ a mano. La explicacion´ viene dada por los valores iniciales de ganan- cia con los cuales se inicia la iteracion,´ la cantidad de generaciones y la cantidad de poblacion´ que combinados mejoran o empeoran los resultados de m´ınimo error. Esta solicitud de mejora demanda mas´ tiempo y procesamiento por lo que no se presentan esos resultados.

Para la sintonizacion´ mediante algoritmos geneticos´ del control PD se debe tener en cuenta la sensibilidad la respuesta del sistema con respecto a la ganancia Kd. Los algoritmos geneticos´ prueban en un rango muy grande con un salto muy alto entre uno y otro valor, pero si se modifica el paso ser´ıa muy pequeno˜ para los valores de Kp. Para mejorar esta situacion´ se agrega una ganancia de 1/100 a la salida del Kd, con lo cual puede obtenerse valores en el rango de Kp y los algoritmos geneticos´ encuentran mas´ facilmente´ el conjunto.

VII. CONCLUSIONES

El sistema no puede ser controlado de forma sencilla dado que la dinamica´ no lo permite, principalmente porque la matriz de inercias se encuentra bastante acoplada, resultando no ser de diagonal dominante, lo cual nos indica que el efecto de un eslabon´ afecta a los otros. Si se intenta controlar uno de los eslabones este traera´ efectos negativos o positivos en sus eslabones aledanos,˜ pero tambien´ en los otros dependiendo de cual se haya movido. No pudiendo eliminar el acoplamiento de los eslabones 2 a 2 con ningun´ metodo´ sencillo conocido se paso´ a agregar la matriz de compensacion´ de inercias “H”. Otro factor que impide el control simple de lazo cerrado es la influencia de las masas y las inercias en la matriz de Coriolis, dado que estas´ permitiran´ y/o ayudaran´ al ma- nipulador a caer mas´ rapidamente´ sin presencia de torques de control, generando grandes variaciones de posicion´ en corto tiempo, determinando as´ı altas velocidades y un comportamiento erratico´ del manipulador. La estimacion´ de la matriz de Gravedad se realizo´ para aliviar el control PID de la vibracion´ generada producto de los cambios de configuracion´ de la estructura y el constante cambio en los torques ejercidos por la masa de los propios eslabones. El sistema controlado queda aliviado de toda la dinamica´ del acoplada de los eslabones y sus principales propiedades f´ısicas normales, con lo cual el torque de control queda directamente proporcional a los valores de aceleraciones angulares en cada junta (a excepcion´ de la ultima prismatica,´ en cuyo caso seria aceleracion´ lineal)

y pudiendose´ variar ya los valores de Kp, Ki y Kd y de las trayectorias con mayor libertad.

Para el diseno˜ se debe tener en cuenta los materiales usados para cada eslabon´ de modo que la relacion´ de uno anterior con respecto al siguiente debe ser siempre mayor, asegurando que no se sobrecarguen las juntas para manipulacion´ de torques. Colocando las masas en

la relacion´ adecuada se alivian tambien´ algunos valores

de inercia de uno respecto a otro y el efecto que este produce.

Conforme se fue cambiando las trayectorias se sintoniz- aba con geneticos´ y fue mejorando el seguimiento. Las graficas´ de error en cada caso van mejorando el grado

de precision´ del robot, haciendo que la ruta seguida sea casi perfecta. El hecho de usar controles P PD PI y PID afecta en la rapidez con que se establece la trayectoria

y las zonas en que lo hace. Cuando se le agrega Kd

el seguimiento se hace mas´ suave. Al agregarse Ki el seguimiento llega a corregir los m´ınimos errores en la

mayor parte de la trayectoria. La ganancia integral le agrega un pequeno˜ impulso que le permite corregir la

trayectoria, la ganancia derivativa ralentiza la llegada que con la ganancia proporcional obtuvo, con lo que

le permite corregir mas´ rapidamente´ o en todo caso no

extremar el error.

Se ha visto que el mejor resultado se ha conseguido us- ando Control PID sintonizado con algoritmos geneticos.´

Se ha verificado que los resultados se obtienen mas´ satisfactorios con un buen entrenamiento en algoritmos geneticos;´ el error se suaviza en casi todo el recorrido de

la trayectoria, y vibra o varia en posiciones extremas; los

torques se aminoran, permitiendo un ahorro de energ´ıa

en los actuadores; en general la trayectoria es seguida de forma eficaz.

El controladorusando Neuro Fuzzy probo´ ser efectivo

y dado que puede ser entrenado con parametros´ reales

ofrece una mayor fidelidad. Adicionalmente el tiempo de entrenamiento resulto´ ser aun´ menor que el necesario para los algoritmos geneticos,´ lo cual es una gran ventaja para sistemas complejos como los robots de mas´ de 3GDL como el analizado.

En base al analisis´ realizado concluimos que el uso de algoritmos de inteligencia artificial como los algoritmos geneticos,´ las redes neuronales y la logica´ difusa mejora notablemente el desempeno˜ de los controladores y su uso

es ampliamente recomendado.

VIII. RECOMENDACIONES

Se recomienda usar sintonizacion´ de valores de ganancia usando algoritmos geneticos´ para tal efecto. Este proceso ha sido verificado a lo largo del informe y ofrece buenos resultados, con opcion´ a mejora con cada iteracion.´

Tener en cuenta la relacion´ masa longitud de cada elemento-eslabon´ para no exigir demasiado torque a los eslabones base. Con esto tambien´ se modifican las matrices de inercia y de Coriolis, por lo tanto hay que tener cuidado con los cambios que se piensen realizar.

En el caso de este robot, la matriz de Coriolis crece demasiado al no tener entrada de torque por la velocidad

7

de ca´ıda como ya se explico´ en un apartado anterior, por este motivo, si se requiere simular la ca´ıda sin torques de actuacion,´ se recomienda dividir las masas entre diez, exceptuando el ultimo´ efector, dado que de quitarle la masa el peso sera´ insuficiente para generar algun´ efecto.

Usar software adecuado para verificar que los datos y parametros´ obtenidos sean de confianza. Algunas buenas referencias son: MatLab, Simulink, Maple, Solidworks, entre otros.

Trabajar en un Sistema de Unidades homogeneo´ en todo calculo.´ Para nuestro caso, por ejemplo, se uso´ el SI para realizar todo calculo:´ [m, kg.m2, rad, kg.m/s2].

REFERENCES

[1] John H. Holland, “Adaptation in Natural and Artificial Systems”, 1975 [2] Barrientos, Penin,˜ Balaguer, Aracil. “Fundamentos de Robotica”,´ Ed McGraw-Hill, 1977 [3] Craig, John J, “Robotica”,´ Ed. Pearson Education, 2006 [4] Katsuhiko Ogata, “Ingenier´ıa de Control Moderna”, Pearson, 2003, 4ta edicion´ [5] Ahmed A. Shabana, “Computational Dynamics”, Editorial John Wiley & Sons. [6] Mathworks, “Robotics Toolbox de Matlab” [7] Mathworks, “Fuzzy Logic Toolbox de Matlab”

APPENDIX A

PLANOS

“Fuzzy Logic Toolbox de Matlab” A PPENDIX A P LANOS Fig. 23. Planos de la Base

Fig. 23.

Planos de la Base del robot. Eslabon 0

A P LANOS Fig. 23. Planos de la Base del robot. Eslabon 0 Fig. 24. Planos

Fig. 24.

Planos del eslabon con junta rotacional. Eslabon 1

8

8 Fig. 25. Planos del brazo de alcance, junta rotacional. Eslabon 2 Fig. 26. Planos del

Fig. 25.

Planos del brazo de alcance, junta rotacional. Eslabon 2

25. Planos del brazo de alcance, junta rotacional. Eslabon 2 Fig. 26. Planos del efector con

Fig. 26.

Planos del efector con junta rotacional. Eslabon 3

APPENDIX B PRUEBAS ADICIONALES Y SINTONIZACI ON USANDO AG

´

Se realizaron pruebas adicionales con controladores P(Proporcional), PI(Proporcional Integral) y PD (Proporcional Derivativo), cuyas leyes de control son:

τ = Kp e(t)

τ = Kp e(t) + Ki t e(t)

τ = Kp e(t) + Kd de(t) dt

(6)

(7)

(8)

= Kp ∗ e ( t ) + Kd d e ( t ) dt (6)

Fig. 27.

Planos del efector final extendible. Eslabon 4

(7) (8) Fig. 27. Planos del efector final extendible. Eslabon 4 Fig. 28. Estructura del Solido

Fig. 28.

Estructura del Solido

(7) (8) Fig. 27. Planos del efector final extendible. Eslabon 4 Fig. 28. Estructura del Solido

Fig. 29.

Vistas del Robot

9

Manualmente los errores sal´ıan relativamente grandes, y demandaba mucho esfuerzo probar varios valores, por lo cual se ha considerado necesario usar un mecanismo que permita sintonizar los valores de ganancia con los cuales los resultados sean los requeridos. En este caso se han usado algoritmos geneticos,´ con una poblacion´ de 25 y 25 a 100 generaciones segun´ fuese necesario.

A. P

Usando algoritmos geneticos´ para optimizar el P (25 gen- eraciones)y probado para la trayectoria 1 se obtuvo la ganancia Kp = diag([87.9035 81.7222 64.2208 48.4494]) con un error en el algoritmo genetico´ de 1.266 La evolucion´ de los valores usando algoritmos geneticos´ se ve en la figura 30 y los resultados de las simulaciones en las figuras 31,32 y 33 Para la trayectoria 2 se obtuvo la ganancia Kp = diag([108.1198 54.190 56.9472 31.3429]) con un error en el algoritmo genetico´ de 1.205. Los resultados de las simulaciones en las figuras 34,35 y

36

resultados de las simulaciones en las figuras 34,35 y 36 Fig. 30. P: Resultados de la

Fig. 30.

P: Resultados de la sintonizacion´

genetica´

B. PI

Usando algoritmos geneticos´ para optimizar el PI (25 generaciones)y probado para la trayectoria 1 se obtuvo la ganancia Kp = diag([103.6215 66.4162 82.4860 48.5827]) y Ki = diag([0.9781 0.7864 0.4957 0.1949]) con un error en el algoritmo genetico´ de 1.1053. La evolucion´ de los valores usando algoritmos geneticos´ se ve en la figura 37 y los resultados de las simulaciones en las figuras 38,39 y 40 Para la trayectoria 2 se obtuvo la ganancia Kp = diag([65.2224 50.9227 50.0 30.1211]) Ki = diag([0.9913 0.6589 0.8772 0.6102]) con un error en el algoritmo genetico´ de 0.635. Los resultados de las simulaciones en las figuras 41,42 y

43

C. PD

para optimizar el PD (25

generaciones)y probado para la trayectoria 1 se obtuvo la

Usando algoritmos geneticos´

la trayectoria 1 se obtuvo la Usando algoritmos geneticos´ Fig. 31. P: Seguimiento de la Trayectoria

Fig. 31.

P: Seguimiento de la Trayectoria 1

geneticos´ Fig. 31. P: Seguimiento de la Trayectoria 1 Fig. 32. P: Errores usando sintonizacion genetica´

Fig. 32.

P: Errores usando sintonizacion genetica´

1

Trayectoria 1 Fig. 32. P: Errores usando sintonizacion genetica´ 1 Fig. 33. P: Torques usando sintonizacion

Fig. 33.

P: Torques usando sintonizacion genetica´

1

10

10 Fig. 34. P: Seguimiento de la Trayectoria 2 Fig. 35. P: Errores usando sintonizacion genetica´

Fig. 34.

P: Seguimiento de la Trayectoria 2

10 Fig. 34. P: Seguimiento de la Trayectoria 2 Fig. 35. P: Errores usando sintonizacion genetica´

Fig. 35.

P: Errores usando sintonizacion genetica´

2

ganancia Kp = diag([98.2534 99.2525 93.4563 10.0120]) Kd = diag([0.1171 0.1055 0.4502 0.1557]) El error en el algoritmo genetico´ de 1.4021 Los resultados de las simulaciones en las figuras 44,45 y

46

Kp

= diag([103.8043 96.3893 98.3076 10.9613]) y Kd = diag([2.0316 5.7324 4.2997 7.2180]) con un error en el algoritmo genetico´ de 0.635. Los resultados de las simulaciones en las figuras 47,48 y

49

se

Para

la

trayectoria

2

obtuvo

la

ganancia

47,48 y 49 se Para la trayectoria 2 obtuvo la ganancia Fig. 36. P: Torques usando

Fig. 36.

P: Torques usando sintonizacion genetica´

2

Fig. 36. P: Torques usando sintonizacion genetica´ 2 Fig. 37. PI: Resultados de la sintonizacion´ genetica´

Fig. 37.

PI: Resultados de la sintonizacion´

genetica´

genetica´ 2 Fig. 37. PI: Resultados de la sintonizacion´ genetica´ Fig. 38. PI: Seguimiento de la

Fig. 38.

PI: Seguimiento de la Trayectoria 1

11

11 Fig. 39. PI: Errores usando sintonizacion genetica´ 1 Fig. 40. PI: Torques usando sintonizacion genetica´

Fig. 39.

PI: Errores usando sintonizacion genetica´

1

11 Fig. 39. PI: Errores usando sintonizacion genetica´ 1 Fig. 40. PI: Torques usando sintonizacion genetica´

Fig. 40.

PI: Torques usando sintonizacion genetica´

1

1 Fig. 40. PI: Torques usando sintonizacion genetica´ 1 Fig. 42. PI: Errores usando sintonizacion genetica´
1 Fig. 40. PI: Torques usando sintonizacion genetica´ 1 Fig. 42. PI: Errores usando sintonizacion genetica´

Fig. 42.

PI: Errores usando sintonizacion genetica´

2

1 Fig. 42. PI: Errores usando sintonizacion genetica´ 2 Fig. 43. PI: Torques usando sintonizacion genetica´

Fig. 43.

PI: Torques usando sintonizacion genetica´

2

12

12 Fig. 44. PD: Seguimiento de la Trayectoria 1 Fig. 45. PD: Errores usando sintonizacion genetica´

Fig. 44.

PD: Seguimiento de la Trayectoria 1

12 Fig. 44. PD: Seguimiento de la Trayectoria 1 Fig. 45. PD: Errores usando sintonizacion genetica´

Fig. 45.

PD: Errores usando sintonizacion genetica´

1

1 Fig. 45. PD: Errores usando sintonizacion genetica´ 1 Fig. 46. PD: Torques usando sintonizacion genetica´

Fig. 46.

PD: Torques usando sintonizacion genetica´

1

1 Fig. 46. PD: Torques usando sintonizacion genetica´ 1 Fig. 47. PD: Seguimiento de la Trayectoria

Fig. 47.

PD: Seguimiento de la Trayectoria 2

genetica´ 1 Fig. 47. PD: Seguimiento de la Trayectoria 2 Fig. 48. PD: Errores usando sintonizacion

Fig. 48.

PD: Errores usando sintonizacion genetica´

2

2 Fig. 48. PD: Errores usando sintonizacion genetica´ 2 Fig. 49. PD: Torques usando sintonizacion genetica´

Fig. 49.

PD: Torques usando sintonizacion genetica´

2