ارایه یک الگوریتم فرا ابتکاری بهبودیافته جهت بهینه‌سازی کنترل‌کننده مرتبه کسری برای بازوی ربات صنعتی با ساختار موازی

نیکدل, نازیلا

doi:10.22105/dmor.2021.308886.1492

نوع مقاله : مقاله پژوهشی

نویسنده

نازیلا نیکدل

گروه مهندسی برق و کامپیوتر، دانشگاه ارومیه، ارومیه، ایران.

10.22105/dmor.2021.308886.1492

چکیده

هدف: امروزه از سیستم‌های رباتیک به صورت وسیعی در پیشبرد عملیات صنعتی بهره گرفته می‌شود؛ بنابراین، اتخاذ تصمیمات کنترلی مناسب جهت تضمین کارایی این سیستم‌ها امری حیاتی است. لازم است معیارهایی هم‌چون مدت زمان عملیات و سرعت پاسخ‌دهی، هزینه کنترلی و خطای سیستم با ارایه روش مناسبی به صورتی کنترل شوند تا عملیات صنعتی به نحو موفقیت‌آمیزی انجام شود؛ لذا این مقاله دو هدف اصلی را دنبال می‌کند: 1- کنترل سیستم رباتیک از طریق ارایه یک روش مبتنی بر حسابان مرتبه کسری به صورتی که قادر باشد باوجود پیچیدگی و غیر خطی‌گری در سیستم آن را کنترل نماید و 2- ارایه الگوریتم فرا ابتکاری "بهبود‌یافته گرگ خاکستری" جهت بهینه‌سازی پاسخ سیستم.
روش‌شناسی پژوهش: ابتدا مدل ریاضی ربات بر مبنای قوانین لاگرانژ ارایه می‌شود و سپس از حسابان مرتبه کسری جهت طراحی کنترل‌کننده بهره گرفته می‌شود. علاوه‌بر‌آن، کارایی الگوریتم گرگ خاکستری با ارایه روش بهبودیافته افزایش می‌یابد.
یافته‌ها: توابع هزینه مختلف برمبنای معیارهای عملکردی اصلی سیستم رباتیک معرفی و الگوریتم بهبود‌یافته بر آنها اعمال می‌شود. نتایج حاصل از مقایسه الگوریتم پیشنهادی با الگوریتم‌های دیگر، نشان‌دهنده عملکرد مطلوب الگوریتم پیشنهادی هستند. علاوه‌بر‌آن، کارایی کنترل‌کننده مرتبه کسری با معادل مرتبه صحیح آن مقایسه می‌شود و نتایج نشان‌دهنده بهبود قابل‌توجه عملکرد سیستم هستند.
اصالت/ارزش افزوده علمی: کنترل‌کننده پیشنهادی قادر است باوجود پیچیدگی و غیر خطی‌گری در مدل سیستم، آن را به‌خوبی کنترل نماید. علاوه‌بر‌آن با الهام از الگوریتم گرگ خاکستری، روش بهینه‌سازی بهبود‌یافته‌ای ارایه می‌شود که قادر به افزایش کارایی سیستم کنترل‌شده باشد. نتایج عددی عملکرد مطلوب کنترل‌کننده و الگوریتم بهینه‌سازی بهبودیافته را نشان می‌دهند.

کلیدواژه‌ها

موضوعات

بهینه سازی در علوم و مهندسی

عنوان مقاله [English]

An improved meta-heuristic algorithm to optimize the fractional-order controller for an industrial manipulator with a parallelogram structure

نویسنده [English]

Nazila Nikdel

Department of Electrical and Computer Engineering, Urmia University, Urmia, Iran.

چکیده [English]

Purpose: Nowadays, robotic systems are widely used in advanced industrial operations. Therefore, making appropriate control decisions to ensure the efficiency of these systems is critical. Criteria such as operation time and response speed, control cost, and system error need to be controlled by providing appropriate methods to ensure the successful performance of industrial operations. Therefore, this article pursues two main objectives: 1) controlling the robotic system by presenting a method based on fractional-order calculus so that it can control the system despite its complexity and non-linearity, 2) presenting the meta-heuristic algorithm "Improved Grey Wolf" to optimize the system response.
Methodology: First, the mathematical model of the robot is presented based on Lagrange rules, and then the fractional-order calculus is used to design the controller. In addition, the efficiency of the grey wolf algorithm is increased with the introduction of an improved method.
Findings: Different cost functions based on the main performance criteria of the robotic system are introduced, and an improved algorithm is applied to them. The comparison results of the proposed algorithm and other algorithms, indicate its satisfying performance. In addition, the efficiency of the fractional-order controller is compared with its integer-order counterpart, and the results show a significant improvement in system performance.
Originality/Value: The proposed controller can control the system well despite its complexity and non-linearity. In addition, inspired by the Grey Wolf algorithm, an improved optimization method is proposed that can increase the efficiency of the controlled system. Numerical results show the satisfying performances of the proposed controller and the improved optimization algorithm.

کلیدواژه‌ها [English]

Optimization
Meta-heuristic algorithm
Improved Grey Wolf algorithm
Industrial robotic system
Fractional-order controller

مراجع

[1] Giusti, A., Malzahn, J., Tsagarakis, N. G., & Althoff, M. (2018). On the combined inverse-dynamics/passivity-based control of elastic-joint robots. IEEE transactions on robotics, 34(6), 1461–1471.

[2] Kali, Y., Saad, M., & Benjelloun, K. (2018). Optimal super-twisting algorithm with time delay estimation for robot manipulators based on feedback linearization. Robotics and autonomous systems, 108, 87–99.

[3] Arteaga-Pérez, M. A., Ortiz-Espinoza, A., Romero, J. G., & Espinosa-Pérez, G. (2020). On the adaptive control of robot manipulators with velocity observers. International journal of robust and nonlinear control, 30(11), 4371–4396.

[4] Peng, J., Ding, S., Yang, Z., & Xin, J. (2020). Adaptive neural impedance control for electrically driven robotic systems based on a neuro-adaptive observer. Nonlinear dynamics, 100, 1359–1378.

[5] Tong, M., Lin, W., Huo, X., Jin, Z., & Miao, C. (2020). A model-free fuzzy adaptive trajectory tracking control algorithm based on dynamic surface control. International journal of advanced robotic systems, 17(1), 1729881419894417. https://doi.org/10.1177/1729881419894417

[6] Pradhan, R., Majhi, S. K., Pradhan, J. K., & Pati, B. B. (2020). Optimal fractional order PID controller design using Ant Lion Optimizer. Ain shams engineering journal, 11(2), 281–291.

[7] Hekimouglu, B. (2019). Optimal tuning of fractional order PID controller for DC motor speed control via chaotic atom search optimization algorithm. IEEE access, 7, 38100–38114.

[8] Abdulkhader, H. K., Jacob, J., & Mathew, A. T. (2019). Robust type-2 fuzzy fractional order PID controller for dynamic stability enhancement of power system having RES based microgrid penetration. International journal of electrical power & energy systems, 110, 357–371.

[9] Jumani, T. A., Mustafa, M. W., Hussain, Z., Rasid, M. M., Saeed, M. S., Memon, M. M., & Nisar, K. S. (2020). Jaya optimization algorithm for transient response and stability enhancement of a fractional-order PID based automatic voltage regulator system. Alexandria engineering journal, 59(4), 2429–2440.

[10] Asgharnia, A., Jamali, A., Shahnazi, R., & Maheri, A. (2020). Load mitigation of a class of 5-MW wind turbine with RBF neural network based fractional-order PID controller. ISA transactions, 96, 272–286.

[11] Shah, P., Agashe, S., & Kulkarni, A. J. (2018). Design of a fractional PI λ D μ controller using the cohort intelligence method. Frontiers of information technology & electronic engineering, 19, 437–445.

[12] Zaheeruddin, Z., & Singh, K. (2022). Intelligent fractional-order-based centralized frequency controller for microgrid. IETE journal of research, 68(4), 2848–2862.

[13] Aghababa, M. P. (2014). A Lyapunov-based control scheme for robust stabilization of fractional chaotic systems. Nonlinear dynamics, 78(3), 2129–2140.

[14] Badamchizadeh, M. A., Hassanzadeh, I., & Abedinpour Fallah, M. (2010). Extended and unscented kalman filtering applied to a flexible-joint robot with jerk estimation. Discrete dynamics in nature and society, 2010. DOI:10.1155/2010/482972

[15] Spong, M. (2006). Robot modeling and control. John Wiley & Sons.

[16] Mendes, E. M. A. M., Salgado, G. H. O., & Aguirre, L. A. (2019). Numerical solution of Caputo fractional differential equations with infinity memory effect at initial condition. Communications in nonlinear science and numerical simulation, 69, 237–247.

[17] Dai, Y., Wei, Y., Hu, Y., & Wang, Y. (2016). Modulating function-based identification for fractional order systems. Neurocomputing, 173, 1959–1966.

[18] Podlubny, I. (1998). Fractional differential equations: an introduction to fractional derivatives, fractional differential equations, to methods of their solution and some of their applications. Elsevier.

[19] Aghababa, M. P. (2016). Optimal design of fractional-order PID controller for five bar linkage robot using a new particle swarm optimization algorithm. Soft computing, 20(10), 4055–4067.

[20] Delavari, H., Ghaderi, R., Ranjbar, A., & Momani, S. (2012). Reply to “comments on ‘fuzzy fractional order sliding mode controller for nonlinear systems, commun nonlinear sci numer simulat 15 (2010) 963--978.’” Communications in nonlinear science and numerical simulation, 17(10), 4010–4014.

[21] Aguila-Camacho, N., Duarte-Mermoud, M. A., & Gallegos, J. A. (2014). Lyapunov functions for fractional order systems. Communications in nonlinear science and numerical simulation, 19(9), 2951–2957.

[22] Mirjalili, S., Mirjalili, S. M., & Lewis, A. (2014). Grey wolf optimizer. Advances in engineering software, 69, 46–61.

[23] Ghahremani Nahr, J., & Bathaee, M. (2021). Design of a humanitarian logistics network considering the purchase contract. Journal of decisions and operations research, 6(3), 423–444.

[24] Singh, N., & Singh, S. B. (2017). A novel hybrid GWO-SCA approach for optimization problems. Engineering science and technology, an international journal, 20(6), 1586–1601.

[25] Rabbani, M., Tohidi Fard, M., Partovi, M., & Farrokhi-Asl, H. (2018). Solving a multi-depot vehicle routing problem with time windows and fuzzy demands using metaheuristic algorithms in home health care services. Journal of decisions and operations research, 3(2), 114–127.

تصمیم گیری و تحقیق در عملیات

ارایه یک الگوریتم فرا ابتکاری بهبودیافته جهت بهینه‌سازی کنترل‌کننده مرتبه کسری برای بازوی ربات صنعتی با ساختار موازی

مراجع

مراجع

دوره 8، شماره 2
شهریور 1402
صفحه 333-351

ارایه یک الگوریتم فرا ابتکاری بهبودیافته جهت بهینه‌سازی کنترل‌کننده مرتبه کسری برای بازوی ربات صنعتی با ساختار موازی

مراجع

مراجع

دوره 8، شماره 2شهریور 1402صفحه 333-351

دوره 8، شماره 2
شهریور 1402
صفحه 333-351