Altı eklemli robot kolunun genetik algoritma ve elman ağ uyarlamalı genelleştirilmiş öngörülü kontrolü

Abstract

Bu tez çalışmasında, Model Tabanlı Öngörülü Kontrol (Model Based Predictive Control-MBPC) sınıfına ait olan Genelleştirilmiş Öngörülü Kontrol (Generalized Predictive Control - GPC), Basit Genetik Algoritma uyarlamalı Genelleştirilmiş Öngörülü Kontrol (SGA-GPC), Newton-Raphson uyarlamalı Yapay Sinir Ağlı Genelleştirilmiş Öngörülü Kontrol (Neural Generalized Predictive Control - NGPC) ve Yinelenen Elman Yapay Sinir Ağ uyarlamalı Genelleştirilmiş Öngörülü Kontrol (Recurrent Elman Network implemented Neural Generalized Predictive Control - ENGPC) algoritmaları altı eklemli endüstriyel bir robotik manipülatöre eklem esaslı yörünge kontrolü için uygulanmıştır. Robotik manipülatörün dinamik modellenmesinde Lagrange-Euler yöntemi kullanılmıştır. Dinamik modellemeye sürtünme etkileri, yük taşıma ve taşınan yükün taşıma esnasında düşmesi durumları da ilave edilmiştir. Ayrıca, kontrolü güçleştirmek için ile arasında rasgele bozucular ilave edilmiştir. Dinamik model, 4. mertebeden Runge-Kutta bütünleştirme yöntemi kullanılarak robot kolu simülatörüne dönüştürülmüştür. Tasarlanan kontrol algoritmalarının performansı eklemlere ait tork, açısal yörünge, açısal hız, açısal hız hataları grafikleri ile eklemlere ait açısal konum hataları, açısal hız hatalarının kareleri ve uç nokta konum hataları üzerinden hem grafiksel hem de nümerik sonuçlarla karşılaştırılmıştır.

In this thesis study, Generalized Predictive Control (GPC), Neural Generalized Predictive Control (NGPC), Simple Genetic Algorithm implemented GPC (SGA-GPC) and Recurrent Elman Neural Network implemented NGPC (ENGPC) algorithms belong to the class of Model Based Predictive Control (MBPC) were investigated and each of them was applied to a 6-DOF (Degrees-Of-Freedom) robotic manipulator as SISO (Single Input Single Output) and MIMO (Multiple Inputs Multiple Outputs) for the trajectory control based joint. Dynamics modeling of the robotic manipulator was made by using the Lagrange-Euler equations. The frictional effects, the state of carrying and falling load were also added to dynamics model. In addition, the random distortions between and were added to the torques applied to the joints in every control step, and the effect to the performance of the distortions was investigated. Dynamics model was transformed into robotic arm simulator by using the fourth-order Runge-Kutta integration method. The trajectory planning for the joints of the robotic arm was designated according to the sinusoidal trajectories principles. The control algorithms were compared with themselves for different examples and cases.