Identifica��o e Compensa��o de Atritos N�o Lineares de Atuadores Rob�ticos Via Redes Neurais Artificiais

Abstract

IntroduçãoExistem atualmente diversas aplicações de redes neurais artificiais (RNA), nos mais variados domínios da ciência e tecnologia [(Kaynak, and Ertugru, 1997), (Jung and Hsia, 1998)]. Trata-se de um assunto que tem merecido grande atenção por parte da comunidade científica. Em [Miller, 1995] tem uma importante descrição sobre o histórico das redes neurais artificiais.Neste artigo investiga-se a possibilidade de identificação do torque de atrito de um atuador robótico do tipo moto-redutor, utilizando-se uma Rede Neural Artificial (RNA). A principal motivação reside na dificuldade de se encontrar um modelo dinâmico muito realista e preditivo para atuadores robóticos, dificuldade esta devida principalmente aos atritos não lineares internos aos atuadores [Armstrong, 1988]. Esta aplicação (identificação de atrito via RNA) começou a ser mais estudada apenas recentemente [(Dapper and Zanh, 1999), (Selmic and Lewis, 2000)], tratando-se, portanto, de um assunto bastante atual. Uma vez identificado o atrito não linear, propõe-se um mecanismo de compensação deste a fim de linearizar o atuador. A estratégia de identificação, utilizada conjuntamente ao mecanismo de compensação, constitui a principal contribuição deste trabalho.Como não se dispõe, até o presente momento, de um atuador robótico isolado em uma bancada a fim de se realizar experimentos, utilizou-se um modelo proposto na literatura [Gomes, 95]. Os resultados deste modelo serviram de referência como padrões de treinamento da RNA. A seqüência natural do presente trabalho será adquirir um moto-redutor do tipo harmonic-drive para a obtenção dos resultados experimentais, a fim de validar definitivamente o mecanismo de compensação de atritos proposto e testado em simulação. Como o modelo utilizado foi muito testado experimentalmente, acredita-se que todo o formalismo de identificação e compensação proposto deva proporcionar bons resultados na prática. O Atuador RobóticoUm atuador robótico do tipo moto-redutor pode ser visualizado como um elemento transmissor de movimento contendo uma elasticidade interna de constante K, conforme representado na Fig. 1. O torque motor m T é aplicado ao rotor de inércia r I . Atritos não lineares estão sempre presentes neste tipo de dinâmica, fazendo com que o torque motor não seja transmitido integralmente à inércia s I acoplada à saída do redutor. As equações (1) descrevem a dinâmica deste sistema [Gomes and Chrétien, 1992]. at T corresponde ao torque de atrito não linear, o qual será obtido via RNA. s r θ θ e são, respectivamente, os ângulos do rotor e do eixo de saída do redutor.

Dead Zone Compensation in Direct Current Motors: A Review

“…Its also represents the input values (X 1 , X 2 , ..., X 10 ) used by the neurons to calculate the outputs (Y 1 , Y 2 ) of the ANN. Among the literature found on the use of compensation methods with artificial neural networks, the studies Jang and Jeon (2000), Gervini and Gomes (2001), Gervini et al (2003) and Selmic and Lewis (2000) stand out. These researches presented different ways of using neural networks to compensate the dead zone and are the studies most cited by publications on the same topic.…”

“…A sequence of papers published by S. C. P. Gomes and V. I. Gervini draws attention. Initially, in the article Gervini and Gomes (2001) a training strategy is presented and a structure of a neural network is proposed to learn the torque friction of a robotic actuator. The authors created and trained a backpropagation neural network with two input neurons to receive the motor torque and rotor speed variables and estimate an output referring to the estimated friction torque variable, this being the value responsible for compensating the losses from the dead zone.…”

Controle Adaptativo de Estruturas Flexíveis via Redes Neurais

“…Utilizou-se a arquitetura de rede proposta em [10], a qual é composta de dois neurônios na camada de entrada (torque motor e velocidade do rotor), quatro na camada intermediária e um na camada de saída (torque de compensação neural), a qual é mostrada na fig. 4.…”