Синтез нечеткой модели энергопотребления промышленного робота на базе гибридных систем управления электрическим приводом

Авторы

  • Маркел Андреевич Мельниченко Комсомольский-на-Амуре государственный университет
  • Михаил Александрович Горькавый Комсомольский-на-Амуре государственный университет https://orcid.org/0000-0001-8046-9906
  • Александр Иванович Горькавый Комсомольский-на-Амуре государственный университет https://orcid.org/0000-0001-7240-4264
  • Александр Сергеевич Гудим Комсомольский-на-Амуре государственный университет https://orcid.org/0000-0002-1316-7446

DOI:

https://doi.org/10.17213/0136-3360-2024-2-45-55

Ключевые слова:

нечеткая модель, промышленный робот, имитационное моделирование, энергопотребление, оптимизация технологических процессов, FIS-модель, энергоэффективность

Аннотация

Представлена процедура синтеза модели энергопотребления промышленного робота, позволяющая оценить эффективность траекторных перемещений с точки зрения энергозатрат. Описана процедура синтеза модели интеллектуальной системы управления, позволяющей прогнозировать энергопотребление промышленного робота в составе роботизированного технологического комплекса с целью дальнейшей оптимизации затрат энергии на перемещение в рамках комплекса технологических операций. Исследован типовой промышленный робот средней грузоподъемности KUKA KR10 R1100 sixx, сформирована общая схема модели расчета его энергопотребления, включающая два ключевых блока: механическую часть и ряд СУЭП, способных работать в режиме включения эталонных и/или нечетких (FIS) моделей. Разработанный блок механической части декомпозирован с целью детального рассмотрения аспектов функционирования. Путем определения значений переменных эталонной модели СУЭП при использовании разработанного авторами формата обучающего сигнала составлена обучающая выборка, необходимая для создания FIS-моделей СУЭП. Отмечено, что для формирования обучающей выборки могут быть использованы данные экспериментальных измерений на реальном промышленном
роботе. Функционирование полученной нечеткой модели энергопотребления продемонстрировано на сравнительных графиках ключевых переменных состояния эталонных и нечетких моделей. В ходе исследования полученной нечеткой модели акцентировано внимание на возможности возникновения динамических ошибок,
обусловленных выбором настроек и особенностями обучения нечетких систем, устранение которых, в свою очередь, возможно за счет переобучения предложенных структур. В результате проведенных научных исследований сформирован блок нечетких моделей СУЭП (в формате «черный ящик»), обеспечивающих расчет значений крутящего момента двигателя и затрат энергии на поворот каждой оси промышленного робота. Модели продемонстрировали приемлемый уровень быстродействия при соблюдении актуальных требований к адекватности.

Биографии авторов

Маркел Андреевич Мельниченко, Комсомольский-на-Амуре государственный университет

преподаватель кафедры «Промышленная электроника и инновационные технологии», Комсомольский-на-Амуре государственный университет

Михаил Александрович Горькавый, Комсомольский-на-Амуре государственный университет

канд. техн. наук, заведующий кафедрой «Промышленная электроника и инновационные технологии», Комсомольский-на-Амуре государственный университет

Александр Иванович Горькавый, Комсомольский-на-Амуре государственный университет

канд. техн. наук, доцент кафедры «Электропривод и автоматизация промышленных установок», Комсомольский-на-Амуре государственный университет

Александр Сергеевич Гудим, Комсомольский-на-Амуре государственный университет

канд. техн. наук, декан факультета Энергетики и управления, Комсомольский-на-Амуре государственный университет

Библиографические ссылки

J.S. Gu, C.W. de Silva. Development and implementation of a real-time open-architecture control system for industrial robot sys-tems. Engineering Applications of Artificial Intelligence, 2004, vol. 17, issue 5, pp. 469-483.

Peng, Tao & Xu, Xun & Wang, Lihui. A novel energy demand modelling approach for CNC machining based on function blocks. Journal of Manufacturing Systems, 2014, vol. 33, pp. 196-208. DOI: 10.1016/j.jmsy.2013.12.004.

Gkouletsos D., Iannelli A., De Badyn M. H., Lygeros J. Decentralized Trajectory Optimization for Multi-Agent Ergodic Explo-ration. IEEE Robotics and Automation Letters, 2021, vol. 6, no. 4, pp. 6329-6336. DOI: 10.1109/LRA.2021.3094242.

Ayvali E., Salman H., Choset H. Ergodic coverage in constrained environments using stochastic trajectory optimization. 2017 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS), 2017, pp. 5204-5210. DOI: 10.1109/IROS.2017.8206410.

Zaidi L., Bettayeb B. Sahnoun M. Optimisation and Simulation of Transportation Tasks in Flexible Job Shop with Muti-Robot Systems. 2021 1st International Conference On Cyber Management And Engineering (CyMaEn), 2021, pp. 1-6. DOI: 10.1109/CyMaEn50288.2021.9497283.

Zanchettin A.M., Messeri C., Cristantielli D. Trajectory optimisation in collaborative robotics based on simulations and genetic algorithms. Int J Intell Robot Appl 6, 2022, pp. 707–723. DOI: 10.1007/s41315-022-00240-4.

Горитов А.Н., Гончаров К.В. Планирование траектории движения манипуляционного робота в неизвестной среде на ос-нове алгоритма муравьиных колоний // Доклады Томского гос. ун-та систем управления и радиоэлектроники. 2020. Т. 23. № 2. С. 55–64.

Иванов С.Н., Колесник М.Б., Колошенко Ю.Б. Постановка задачи выбора и алгоритм определения параметров переда-точных элементов электромеханических преобразователей с учётом действующих напряжений // Ученые записки Комсомоль-ского-на-Амуре гос. техн. ун-та. 2021. № 1(49). С. 29–36 DOI: 10.17084/20764359_2021_49_29.

Система распределения и планирования выполнения задач агентами роевых робототехнических систем на основе кол-лективного принятия решения / В.И. Петренко, Ф.Б. Тебуева, А.С. Павлов, С.С. Рябцев, М.М. Гурчинский // Вестник Воро-нежского гос. ун-та. Серия: Системный анализ и информационные технологии. 2023. № 1. С. 114–127.

Кожевников В.В. Метод синтеза интеллектуальных систем управления роботами на основе математической модели когнитивных цифровых автоматов // В книге: Актуальные проблемы физической и функциональной электроники. Мат. 23-й Всеросс. молодежной научн. конф. Ульяновск : УлГТУ, 2020. С. 94–95.

Zhou Jin, Yi Hao, Cao Huajun, Jiang Pei, Zhang Chaoyong, Ge Weiwei. Structural decomposition-based energy consumption modeling of robot laser processing systems and energy-efficient analysis. Robotics and Computer-Integrated Manufacturing, 2022, vol 76, 102327. DOI: 10.1016/j.rcim.2022.102327.

Эшби У.Р. Введение в кибернетику. М.: Изд. иностр. лит., 1959. 432 с.

Gorkavyy A.I., Gorkavyy M.A., Melnichenko M.A., Kuznetsov A.A. Hybrid approach to synthesis of electromechanical block control system of mechatronic module. AIP Conference Proceedings 2700, 2023, 040010. DOI: 10.1063/5.0124875.

Стельмащук С.В., Черепанов Н.И. Система подчинённого управления электроприводом постоянного тока с последо-вательным возбуждением // Ученые записки Комсомольского-на-Амуре гос. техн. ун-та. 2022. № 1(57). С. 35-45. DOI: 10.17084/20764359-2022-57-35.

Стельмащук С.В. Оценка точности системы согласованного управления с учётом возмущающего воздействия // Уче-ные записки Комсомольского-на-Амуре гос. техн. ун-та. 2020. Т. 1. № 1(41). С. 9-17.

Passino K.M., Yurkovich S. Fuzzy control. Menlo Park, CA: Addison Wesley Longman, 1998.

Ту Р., Довгаль В.М., Ян Н.С. Моделирование кинематического управления роботом-манипулятором "Intelbot" на ос-нове адаптивной нейро-нечеткой системы вывода (ANFIS) // Научные ведомости Белгородского гос. ун-та. Серия: Экономика. Информатика. 2018. Т. 45, № 3. С. 497-509. DOI: 10.18413/2411-3808-2018-45-3-497-509.

Киселев В.В. Обучение в системах нечеткого управления // Математические структуры и моделирование. 2000. №2 (6). C. 78-90.

Yang Jiang, Yifan Yu, Ruohuai Sun, Bin Zhao Research on dynamic path planning method of electric inspection robot based on fuzzy neural network. Energy Reports, 2023, vol. 9, supplement 8, pp. 483-491.

#

J.S. Gu, C.W. de Silva. Development and implementation of a real-time open-architecture control system for industrial robot sys-tems. Engineering Applications of Artificial Intelligence. 2004;17(5):469-483.

Peng, Tao & Xu, Xun & Wang, Lihui. A novel energy demand modelling approach for CNC machining based on function blocks. Journal of Manufacturing Systems. 2014;(33):196-208. DOI: 10.1016/j.jmsy.2013.12.004.

Gkouletsos D., Iannelli A., De Badyn M. H., Lygeros J. Decentralized Trajectory Optimization for Multi-Agent Ergodic Explo-ration. IEEE Robotics and Automation Letters. 2021;6(4):6329-6336. DOI: 10.1109/LRA.2021.3094242.

Ayvali E., Salman H., Choset H. Ergodic coverage in constrained environments using stochastic trajectory optimization. 2017 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS). 2017. Pp. 5204-5210. DOI: 10.1109/IROS.2017.8206410.

Zaidi L., Bettayeb B. Sahnoun M. Optimisation and Simulation of Transportation Tasks in Flexible Job Shop with Muti-Robot Systems. 2021 1st International Conference On Cyber Management And Engineering (CyMaEn). 2021. Pp. 1-6. DOI: 10.1109/CyMaEn50288.2021.9497283.

Zanchettin A.M., Messeri C., Cristantielli D. Trajectory optimisation in collaborative robotics based on simulations and genetic algorithms. Int J Intell Robot Appl 6. 2022. Pp. 707–723. DOI: 10.1007/s41315-022-00240-4.

Goritov A. N., Goncharov K. V. Planning the trajectory of a manipulative robot in an unknown environment based on the ant colony algorithm. Reports of Tomsk State University of Control Systems and Radioelectronics. 2020;23(2):55-64. (In Russ.).

Ivanov S.N., Kolesnik M.B., Koloshenko Y.B. Statement of the selection problem and algorithm for determining the parameters of transmission elements of electromechanical converters taking into account the operating voltages. Scientific notes of Komsomolsk-on-Amur State Technical University. 2021;49(1):29–36. DOI: 10.17084/20764359_2021_49_29 (In Russ.).

Petrenko V.I., Tebueva F.B., Pavlov A. S., Ryabzev S. S., Gurchinskiy M. M. The system of distribution and planning of tasks by agents of swarm robotic systems based on collective decision-making. Bulletin of Voronezh State University. Series: System analysis and information technologies. 2023;(1):114-127. (In Russ.).

Kozhevnikov V. V. Method of synthesis of intelligent robot control systems based on a mathematical model of cognitive digital automata. Current problems of physical and functional electronics. Materials of the 23rd All-Russian Youth Scientific Conference. 2020. Pp. 94-95. (In Russ.).

Zhou Jin, Yi Hao, Cao Huajun, Jiang Pei, Zhang Chaoyong, Ge Weiwei. Structural decomposition-based energy consumption modeling of robot laser processing systems and energy-efficient analysis, Robotics and Computer-Integrated Manufacturing. 2022;(76):102327.

Eshbi U.R. Introduction to Cybernetics. Moscow: Izdatel'stvo inostrannoj literatury; 1959. 432 p. (In Russ.).

Gorkavyy A. I., Gorkavyy M. A., Melnichenko M. A., Kuznetsov A. A. Hybrid approach to synthesis of electromechanical block control system of mechatronic module. AIP Conference Proceedings 2700. 2023. 040010. DOI: 10.1063/5.0124875

Stel'mashchuk S.V., Cherepanov N.I. Slave control system for DC electric drive with sequential excitation. Scientific notes of Komsomolsk-on-Amur State Technical University. 2022;57(1):35-45. DOI: 10.17084/20764359-2022-57-35 (In Russ.).

Stel'mashchuk S.V. Estimation of the accuracy of a coordinated control system taking into account the disturbing influence. Sci-entific notes of Komsomolsk-on-Amur State Technical University. 2020;41(1):9-17. (In Russ.).

Passino K. M., Yurkovich S. Fuzzy control. Menlo Park, CA: Addison Wesley Longman.1998.

Tu R., Dovgal' V.M., Yan N.S. Modeling of kinematic control of the “Intelbot” robotic manipulator based on the adaptive neu-ro-fuzzy inference system (ANFIS). Scientific bulletins of Belgorod State University. Series: Economics. Computer science. 2018;45(3):497-509. DOI: 10.18413/2411-3808-2018-45-3-497-509.

Kiselev V.V. Training in fuzzy control systems. Mathematical structures and modelin. 2000;6(2):78-90.

Yang Jiang, Yifan Yu, Ruohuai Sun, Bin Zhao. Research on dynamic path planning method of electric inspection robot based on fuzzy neural network. Energy Reports. 2023;9(8):483-491.

Опубликован

28.06.2024

Как цитировать

(1)
Мельниченко, М. А.; Горькавый, М. А.; Горькавый, А. И.; Гудим, А. С. Синтез нечеткой модели энергопотребления промышленного робота на базе гибридных систем управления электрическим приводом. electromeh 2024, 67, 45-55.

Выпуск

Раздел

Статьи