مدل‌سازي بازوي مكانيكي دانش‌ بنيان بالابر باسكول‌دار با رويكرد شبيه‌ سازي و استنتاج فازي

Knowledge-based Mechanical Arm Modeling of Bascule Lift with Simulation Method and Fuzzy Inference Approach

تاكنون كنترل‌كننده‌ها اغلب از معادلات حاكم بر سينماتيك مستقيم يا سينماتيك معكوس، با هدف كنترل موقعيت مجري نهايي بازوي رباتيك استفاده مي‌كردند. حل دشوار معادلات سينماتيك مستقيم و سينماتيك معكوس، خطا در حل معادلات، نبود محيط گرافيكي كاربرپسند، انعطاف‌ناپذيري در تصميم‌گيري كنترل‌كننده و حجم زياد محاسبات از مشكلات سيستم‌هاي كنترلي موجود در كنترل بازوهاي رباتيك مي‌باشد. در اين مقاله، ربات بالابر باسكولدار توسط دو روش كنترلي PID كلاسيك و Fuzzy و با تعداد درجه آزادي 4 به همراه ارائه شبيه‌سازي كه در آن چهار قسمت از بازو توسط كنترل‌كننده بررسي شده و از Matlab/Simulink به‌عنوان ابزار براي آزمايش ويژگي‌هاي حركتي بازوي ربات استفاده شده است. خروجي‌هاي پياده­سازي نشان‌دهنده عملكرد رضايت‌بخش كنترل‌كننده فازي طراحي شده است كه توانسته با درصد بالازدگي و زمان نشست مطلوب 1.23 ثانيه به كنترل بازوهاي اين ربات بپردازد. همچنين به‌منظور آزمون عملكرد ربات بالابر باسكولدار، گره‌هاي حركت بازو را هم به‌صورت مطلوب قرار داده و سيستم موردكنترل نشان از دقت بالاي كنترل‌كننده فازي دارد؛ به‌طوري كه بعد از گذشت 1.23 ثانيه در نقطه بحراني يعني مچ دست ناحيه wrisrt توانسته با نشستي مطلوب با خطاي ماندگار صفر و بدون هيچ به‌هم‌خوردگي تداوم پيدا كند.

Thus far, controllers have often used the equations governing direct kinematics or reverse kinematics to control the position of the final implement of the robotic arm. Difficulties in unravelling direct kinematic equations and reverse kinematics, errors in solving equations, lack of user-friendly graphical environment, lack of flexibility in controller decision making and large volumes of calculations are problems of control systems in controlling robotic arms. In this paper, a skeletal lift robot with two classic PID and Fuzzy control methods with 4 degrees of freedom, in addition to a simulation in which four parts of the arm were examined by the controller and Matlab / Simulink as a tool for feature testing were used. Robotic arm movements were used. Implementation outputs show the satisfactory performance of the fuzzy controller which was able to control the arms of this robot with a percentage of uplift and a desired sitting time of 1.23 seconds. Furthermore, in order to test the performance of the scaffolding robot, the movement nodes of the arm were placed optimally and the controlled system showed the high accuracy of the fuzzy controller so that after 1.23 seconds at the critical point, the wrist area, it was able to continue with the desired sitting with a permanent error of zero and without any distortion.