1-5-1- کنترل کننده عصبی بر اساس بازسازی خروجی ……………………………………………. 7
1-5-2- کنترل کننده عصبی بر اساس مدل دینامیک معکوس …………………………………. 10
1-5-3- کنترل فازی توزیع یافته ……………………………………………………………………… 12
1-5-4- سایر روش ها …………………………………………………………………………………….. 16
فصل دوم: سیستم بازوی انعطاف پذیر Quanser ………………………………………………..
2-1- پایه سیستم ………………………………………………………………………………………….. 18
2-2- موتور DC  ……………………………………………………………………………………………..
2-3- انكودر ……………………………………………………………………………………………….. 19
2-4- بازوی انعطاف پذیر ………………………………………………………………………………. 20
2-5- تنش سنج …………………………………………………………………………………………….. 21
2-6- منبع تغذیه ……………………………………………………………………………………. 21
2-7- برد PCI MultiQ مدل 626 ……………………………………………………………………. 21
2-8- نرم‌افزار WinCon …………………………………………………………………………….
2-9- نرم‌افزار سیمولینك ……………………………………………………………………………. 24
فصل سوم: مدلسازی ……………………………………………………………………………… 26
3-1-  مدلسازی ………………………………………………………………………………………… 27
3-1-1- مدل بازوی انعطاف پذیر ………………………………………………………… 28
3-1-2- مدل محرک …………………………………………………………………………….. 30
3-1-3- معادلات دینامیک سیستم …………………………………………………………….. 32
فصل چهارم: کنترل عصبی- فازی ………………………………………………….. 34
4-1- مقدمه ………………………………………………………………………………………… 35
4-2- فازی …………………………………………………………………………………………. 36
4-2-1- مجموعه های فازی ………………………………………………………………………… 36
4-2-2- منطق فازی …………………………………………………………………………………. 37
4-2-3-  سیستم فازی ……………………………………………………………………………… 38
4-3- کنترل کننده فازی بازوی انعطاف پذیر ……………………………………………………. 39
4-4- شبكه‌های عصبی- فازی ……………………………………………………………………. 42
4-4-1- شبكه عصبی- فازی ممدانی ……………………………………………………………. 44
4-4-2- شبكه عصبی- فازی سوگنو ………………………………………………………………. 48
4-5- کنترل کننده عصبی- فازی بازوی انعطاف پذیر ………………………………………. 49
فصل پنجم: الگوریتم آموزش عاطفی …………………………………………………. 51
5-1- مقدمه ………………………………………………………………………………………… 52
5-2- آموزش عاطفی برای به روز رسانی متغیر های کنترل کننده عصبی- فازی………. 54
5-3- تابع حساسیت بازوی انعطاف پذیر …………………………………………………. 56
5-3-1- تابع حساسیت بازوی انعطاف پذیر بر اساس مدل فضای حالت ……………. 57
5-3-2- تابع حساسیت بازوی انعطاف پذیر بر اساس شناساگر شبکه عصبی…………. 58
5-3-2-1- شناسایی بر پایه شبکه عصبی …………………………………………………… 58
5-3-2-1-1- شبکه عصبی تابع پایه شعاعی وزن دار ……………………………………. 60
5-3-2-1-2- آموزش شبکه تابع پایه شعاعی وزن دار با روش پس انتشار خطا …. 62
فصل ششم: شبیه سازی و پیاده سازی کنترل بازوی انعطاف پذیر …………….. 65
6-1- کنترل کننده فازی با استنتاج مینیمم ……………………………………………… 66
6-1-1 شبیه سازی کنترل فازی با استنتاج مینیمم …………………………………… 67
6-1-2- پیاده سازی کنترل فازی با استنتاج مینیمم ………………………………… 68
6-2- کنترل کننده فازی با استنتاج ضرب ……………………………………………….. 69
6-2-1- شبیه س
ازی کنترل فازی با استنتاج ضرب …………………………………….. 71
6-2-2- پیاده سازی کنترل فازی با استنتاج ضرب ……………………………………. 72
6-3- کنترل کننده عصبی- فازی ……………………………………………………………… 74
6-3-1- شبیه سازی کنترل عصبی- فازی ……………………………………………… 75
6-3-2- پیاده سازی کنترل عصبی- فازی …………………………………………………. 79
فصل هفتم: نتیجه گیری و پیشنهادات …………………………………………………. 84
7-1- نتیجه گیری ……………………………………………………………………………… 85
7-2- پیشنهادات …………………………………………………………………………………. 86
پیوست ……………………………………………………………………………………………… 88

چکیده:
در این نوشتار، به بررسی به کارگیری کنترل عصبی- فازی با الگوریتم آموزش عاطفی برای کنترل بازوی انعطاف پذیر Quanser پرداخته شده است. توصیف دقیق دینامیک سیستم بازوی انعطاف پذیر به دلیل ویژگی های مدل بازوی انعطاف پذیر از جمله مدل غیرخطی، متغیر با زمان و با مرتبه بالا(از نظر تئوری بی نهایت)،  کار بسیار پیچیده ای است. به همین دلیل کنترل کننده هایی که طراحی آنها به صورت آزاد از مدل صورت می گیرد، می توانند گزینه مناسبی برای کنترل بازوی انعطاف پذیر باشند تا با استفاده از بهترین دانش موجود بتوان با نا معینی های موجود در مدل ساده شده روبرو شد. از جمله روش های کنترلی آزاد از مدل روش های کنترل عصبی و فازی می باشند. از این میان روش کنترل عصبی- فازی به دلیل بهره گیری از ویژگی های قانونمند و مقاوم بودن کنترل فازی و ویژگی های نگاشت غیر خطی، توانایی برخورد با عدم قطعیت ها و طبیعت تطبیقی کنترل عصبی، انتخاب شده است. از طرف دیگر، در کنترل کننده های فازی و عصبی- فازی نسبت به کنترل کننده های عصبی میزان حساسیت به شرایط اولیه نیز کاهش می یابد که این امر در پیاده سازی کنترل کننده روی مدل واقعی بیشتر خود را نشان می دهد. تحت عملگر بودن بازوی انعطاف پذیر نیز یکی از دلایلی است که انتخاب روش های کنترلی بهینه ساز را برای این سیستم مناسب می سازد. از آنجا که الگوریتم های آموزش روش های هوشمند تطبیقی هم همواره در جهت بهینه کردن یک تابع هدف پیش می روند، روش های هوشمند انتخاب مناسبی محسوب می شوند. در این تحقیق، الگوریتم آموزش عاطفی را انتخاب کردیم زیرا وقتی به دلیل وجود عدم قطعیت ها و حجم محاسبات، یک تصمیم گیری کاملا منطقی و مستدل غیر ممکن می شود، آنگاه می توان از عواطف به عنوان یک روش تقریبی برای انتخاب تصمیم مناسب استفاده کرد. در آموزش عاطفی، یک نسخه شناختی از آموزش تقویتی نشان داده می شود که در آن یک سیگنال نقاد به طور مداوم نتایج سیستمی را که با فرمان کنترلی انتخاب شده کار می کند، بر حسب معیار های عملکرد ارزیابی می کند و وظیفه آموزش کنترل کننده را بر عهده دارد. با استفاده از الگوریتم آموزش عاطفی جهت تطبیق پارامتر های کنترل کننده عصبی- فازی، پارامتر های قابل تنظیم آن شامل مراکز دسته بخش تالی و مراکز دسته و انحراف معیار توابع گوسین در بخش مقدم از طریق این الگوریتم آموزش داده شده و به صورت بهنگام به روز رسانی می شوند.
فصل اول: بر بازوی انعطاف پذیر و کنترل هوشمند آن
1-1- مقدمه
در سال های اخیر، حوزه روباتیك سیر تكاملی را آغاز كرده است كه مبتنی بر نیازهای كاربران می باشد. تقاضای صنعت برای زمانهای پاسخ سریعتر و مصرف انرژی كمتر، طراحان روبات را بر آن داشته تا اصلاحات بنیادی را در طراحی بازوهای روبات صورت دهند. با كاربرد مواد سبك وزن تر و بازسازی پیكربندی فیزیكی روبات، بازوها به مرور بلندتر و نازكتر شدند و اهداف آنها مبنی بر سرعت بالا، شتاب گیری سریع و مصرف انرژی كمتر تحقق یافت. این بازوهای انعطاف پذیر حوزه تحقیقاتی کاملا جدیدی را در زمینه طراحی و كنترل  بازوی ربات با درجه دقت قابل قبول گشوده اند ]1[.
برای بازوی روباتیك صلب، كنترل مسیر نوك دست، معادل كنترل محرك حالت صلب (انعطاف ناپذیر) است. اما برای كنترل مطلوب بازوی انعطاف پذیر، كنترل مطمئن تری از حالات انعطاف ناپذیر لازم است تا ارتعاشات اجتناب ناپذیر و بدون محدودیت در آن مد نظر قرار گیرند. در نتیجه، ردگیری دقیق روبات با بازوی انعطاف پذیر مسئله ای بحث برانگیز شناخته می شود. این را هم باید در نظر گرفت که همواره صلبیت بازوها، یک فرض ایده آل است و با افزایش نسبت بار به وزن بازو، سرعت حرکت و پهنای باند کنترل ممکن است از این صلبیت کاسته شود ]15[.
این درست است که این بازوها به علت سبک بودن و کاهش اینرسی دارای عملکرد سریع تری نسبت به بازوهای صلب هستند و به گشتاور کمتری برای حرکت نیاز دارند و این خود باعث کاهش مصرف انرزی الکتریکی می شود و اقتصادی تر است ]1[. ولی از دیدگاه مدلسازی، طبیعت توزیع یافته دینامیک این بازوها واستعداد طبیعی انعطاف پذیری، امکان اینکه بتوان مدل دقیقی با بعد معین بدست آورد، را غیر ممکن می سازد و علاوه بر این به علت ایجاد نوسانات ناشی از کاهش صلبیت در حرکت، کنترل دقیق مسیر حرکت بسیار مشکل می شود ]3[.
<stro
ng>2-1- ویژگی های مدل سیستم
از دیدگاه مدلسازی، طبیعت توزیع یافته دینامیک این بازوها واستعداد طبیعی انعطاف پذیری ساختمان، امکان اینکه بتوان مدل دقیقی با بعد معین بدست آورد، را غیر ممکن می سازد. در نتیجه مدلی غیرخطی، متغیر با زمان و با مرتبه بالا ( از نظر تئوری بی نهایت ) خواهیم داشت ]3[.
علاوه بر این، به علت ناهم خوانی موقعیت سنسورها و محرکها (ورودی ها و خروجی ها)، چنانچه مستقیما موقعیت انتهای بازو را به عنوان خروجی بگیریم، منجر به کنترل غیر متمرکز و رفتار دینامیک غیر مینیمم فاز خواهد شد. به عبارت دیگر، تابع تبدیل حلقه باز سیستم از محل اعمال گشتاور در مفصل تا موقعیت انتهای بازو، صفر های ناپایدار خواهد داشت.این ویژگی تا وقتی که بهره پایداری حلقه بسته مد نظر باشد، محدودیت های شدیدی را بر طراحی کنترل کننده تحمیل می کند ]3[.
از اینها گذشته، به علت کمتر بودن تعداد محرکها نسبت به درجات آزادی سیستم، سیستم کنترل زیر فعال  خواهد بود که خود محدودیت های زیادی را بر آنچه که از طریق  کنترل  کردن می توان به آن دست یافت، ایجاد می کند. زیرا با تنها یک ورودی باید بتوانیم جابجایی زاویه ای بازو را به نحوی کنترل کنیم که میزان نوسانات انتهای بازو میرا شود ]3[.
3-1- چرا کنترل هوشمند
سیستم های مکانیکی که به صورت نرم افزاری شبیه سازی شده اند، معمولاً ویژگی های اجزای صلب را نشان می دهند، در حالی که، در واقعیت محرکها، بازوها و مفصل ها، به دلیل اینکه صلب مطلق نیستند، نسبت به آنچه که به صورت تئوری بدست می آید، تاحدودی کاهش در عملکرد کنترل را نشان می دهند. استفاده از یک سیستم کنترل خاص ، یکی از راه های حل این مشکل است ]5[.
از طرفی، توصیف دقیق دینامیک یک سیستم غیر صلب، به خاطر ویژگی خاص مدل سیستم، مثل غیر خطی بودن، مرتبه بالا و متغیر با زمان بودن معادلات مدل سیستم ، کار بسیار پیچیده ای است ]5[.
مدل های تخمین زده شده توسط روش های معمول ریاضی مثل معادلات دیفرانسیلی نیوتن–اویلر یا لاگرانژ-اویلر، نیاز به ظرفیت محاسباتی بالا و اطلاعات از پیش تعیین شده در مورد پارامترهای سیستم دارد که استفاده کاربردی از آنها را در سیستم های کنترل محدود می کند. بنابراین وجود نا معینی های دینامیک سیستم، مهمترین فاکتوری است که استفاده از روش های کنترل کلاسیک را برای تحلیل سیستم های کنترل غیر صلب نامناسب می کند ]5[.
در طول سال های زیادی، مهندسان کنترل کلاسیک با مدل های ریاضی کار می کردند و اطلاعات بیشتری از سیستم بدست نمی آوردند. اما امروزه مهندسان کنترل علاوه بر اینکه از تمام مراجع اطلاعات کلاسیک استفاده می کنند، از کنترل کننده های غیر کلاسیک، از جمله کنترل کننده هوشمند نیز که به عنوان یک کنترل کننده آزاد از مدل شناخته می شود، استفاده می کنند. از داده های عددی (ورودی/خروجی) و/ یا اطلاعات فرد خبره به عنوان یک مدل تخمینی استفاده می کنند و کنترل کننده ای براساس قانون اگر-آنگاه فازی و یا بر اساس شبکه عصبی با گره هایی در چند لایه طراحی می کنند ]6[.
تحلیل مقالاتی که به کنترل سیستم های انعطاف پذیر با روش های هوشمند از طریق شبکه عصبی پرداخته اند ، نشان از نتیجه مطلوب کنترل کننده های عصبی با آموزش بهنگام، برای غلبه بر مشکل نامعینی و وابسته به زمان بودن دینامیک سیستم ، دارد. نگاشت غیرخطی، طبیعت تطبیقی و توانایی برخورد با عدم قطعیت ها، در شبکه های عصبی آنها را ابزار توانمندی برای کنترل بازوی انعطاف پذیر ساخته است ]4[.