13 results
Search Results
Now showing 1 - 10 of 13
Item 機械手臂結合影像系統之控制(2012) 葉傅文; Fu-Wen Ye本論文的研究內容為使用機械手臂結合影像辨識系統，取得工作空間中目標物件之座標，以進行物件的抓取或移動。由於機械手臂在現實生活當中的應用存在許多變數，不同的任務下針對物件姿態所能容許的移動方式可能有所限制，例如移動盛水的杯子要避免傾倒的姿勢。一般過去的研究僅強調物件定位的精確度，而並未考慮機械手臂的姿態，有鑒於此，本控制系統會在執行物件的抓取時，依據任務之目的切換不同的控制策略，以符合正確的任務目的與物件擺放姿態。 若要將機械手臂整合影像系統並成功應用於實作，則必須依照工作空間內的變化做出即時的運算，本研究除了利用影像處理進行物件的輪廓與顏色判別外，還配合夾爪上的雷射光模組所投影的光點作為回饋進行定位。在本研究當中所使用的機械手臂具有六軸關節存在運動學冗餘度的問題，因此本研究之系統必須事先進行D-H座標系統的順向與逆向運動學分析，推算出三維空間卡式座標系統與機械手臂各關節馬達轉動角度之間的關係，如此一來才能實現快速、靈活與準確的控制。本研究最後成功建立一套通用的多軸機械手臂控制方法，能夠應用到各種類似配置的機械手臂上，透過影像處理分析攝影機接收到的資訊，以應付各種不同的環境下更加複雜的應用與操作。Item 應用適應性類神經網路於機械手臂之追跡控制器設計(2020) 彭景詮; Peng, Jing-Quan本論文研究目的為使用類神經網路(Neural Network)估測機械手臂之未知系統參數，並使用適應性控制(Adaptive Control)作為類神經網路之權重值調變，使機械手臂在未知系統參數的情況下完成追跡。 在運動學方面使用D-H(Denavit-Hartenberg)座標系統定義並以此推導出正向運動學，在此定義基礎上使用Pieper’s Solution推導出機械手臂的逆向運動學，藉由順向與逆向運動學求出機械手臂末端點在空間中的三維座標與各軸馬達移動角度之間的關係。 在控制器設計上使用背推(Backstepping)方法設計，將系統分成一個非線性二階系統，設計一個虛擬控制器用以對抗系統未知項，並藉由穩定性分析在保證子系統穩定的狀況下設計該虛擬控制器的形式。對於未知系統參數與系統未知項使用類神經網路進行估測，並藉由適應控制的更新律對類神經網路之權重值做參數調變，藉由Lyapunov 函數與Barbalat引裡證明整個系統的穩定性，最後經由實驗驗證此控制器的性能。Item 應用自適應滑動模式實現於機械手臂之位置控制器設計(2017) 蔡岱桓; Tsai, Tai-Huan本論文主要研究之目的是設計三相無刷直流馬達的位置控制器，並實現於機械手臂上。在位置控制器設計方面，本論文克服了機械手臂當中的不確定性與外界干擾的問題，並且提出強健且穩定的自適應滑動控制器設計方法。本研究選擇具有良好強健性的滑動模式控制器為主控制器。而在滑動模式控制當中有負責將系統狀態拉至滑動平面的(sign function)sgn(.)。但此函數會造成在滑動平面上 0- 、0+ 附近變化，隨著滑動增益量造成滑動模式中的跳切現象。因此本研究以飽和函 數(saturation function)sat(.) 替換符號函數，來去除滑動模式的跳切現象。但在系統在穩態時，存在穩態誤差。因此本文研究加入適應控制，對於系統附載進行估測，以消除系統在穩態時出現的穩態誤差。 本研究提出的位置控制器，可以有效率的使我們所控制的三相無刷直流馬達追上我們的目標位置。並實際解決傳統滑動控制當中的跳切現象，與系統在穩態時的穩態誤差，使目標位置與馬達位之誤差值趨近於零。在控制器設計當中，本文以 Lyapunov 函數證明系統穩定性。在馬達位置控制精確的情況下，本文結合機械手臂之正逆向運動學，以機械手臂目標位置推算馬達必須實際轉動之角度，使目標移動更加精確，並驗證控制器性能。 最後本實驗以 C#程式語言，建立三相無刷直流馬達與與電腦之間的溝通。並設計控制機械手臂之 UI 介面，並實際運作在 Windows10 作業系統中。介面內容包含馬達相對與絕對位置控制、馬達轉速設定、馬達與電腦通訊方法。調整機械手臂當中三顆馬達同時做動狀態，使機械手臂完成目標命令。Item 機械手臂之加速度觀測及其應用(2017) 陸俊瑋; Lu, Chun-Wei本文主旨為雙軸機械手臂加速度的估測，並且使用線性加速度感測器來量測。由於一般在市面上角加速度感測器比較難以取得，因此在實驗中使用線性加速度規。一般常用的線性加速度規通常是電容式與壓電式加速度規兩種。由於MEMS技術的進步使的電容式加速度規變得無所不在，但是與壓電式加速度規相比，電容式加速度規在頻寬與雜訊之間存在很大的衝突，因此限制了它們在高性能運動系統的應用。另一方面，壓電式加速度規在頻寬與雜訊之間有很好的平衡，卻無法量測低頻之加速度訊號。 在本研究中，在具有兩個旋轉關節的雙軸機械手臂之末端安裝兩個壓電式加速度規，並且使用光學編碼器來測量兩個旋轉關節的角度。接著使用角度和壓電式加速度規所量測之線性加速度，估測出兩個旋轉關節的直角座標加速度。 本文實驗平台採用TI TMS320C6713 DSP與Xilinx可程式閘陣列(FPGA)結合而成之控制器硬體核心，以C語言與硬體描述語言(VHDL)作為控制器設計之發展工具。本文實現所提出的加速度觀測器設計方法，並且使用加速度干擾補償器(ADOB)，比較各種加速度訊號對於實驗平台控制性能之影響，由實驗結果可知本方法具有實用性。Item 應用強健性重複滑動模型控制於機械手臂定位追跡控制器設計(2015) 張煒騰; Wei-Tang Chang本研究利用非線性控制理論實現重複控制結合滑動模型控制於非線性系統之四軸機械手臂上，使得輸出的追跡效能具有較高精度，且在外部干擾訊號以及系統未知項影響下有較佳的強健性。 機械手臂精密運動控制在實際的應用上經常面對不同型態的負載，如不可預測的外部干擾訊號、系統未知項(System Uncertainty)，或是系統模型自身的影響：重力、柯氏力、慣性力等等，在不同型態的負載影響下使得系統輸出效能的精準度與穩定性受到影響。為了有效提高系統的輸出效能，必須對外部干擾訊號以及系統未知項的影響加以抑制。本研究致力於機械手臂的精密運動控制。其中滑動模型控制設計用來消除外部干擾訊號以及系統模型的影響，增加系統的強健性。結合重複控制抑制系統未知項的影響，即使系統包含未知項依然能夠達成追跡控制。Item 應用自適應性類神經網路控制器於六軸機械手臂(2022) 吳孟謙; Wu, Meng-Chien本論文提出了一種基於神經網絡框架學習機制的六軸機械臂控制器設計。首先，我們從六軸機械臂的實際構造中得到訓練數據集。其次，神經網絡的訓練方法是基於自適應調整輸入層和隱藏層之間的權重值和誤差。第三，將訓練數據集作為神經網絡的輸入來訓練模型。最後，我們利用李雅普諾夫理論保證了六軸機械臂控制器設計的穩定性，並與PI控制器設計進行了比較。實現了六軸機械手臂動力學模型推導，以解決運動不穩定性問題。機械臂運動過程中時變不確定擾動引起的現象。詳細動力學模型是藉由Lagrange方程式所推導出來的，計算出六軸機械手臂動力學模型。透過動力學模型，進一步進行模擬驗證。控制器是以PD為基礎進行設計的，結合自適應徑向基函數神經網絡 (RBFNN)，經由隱藏層與輸出層之間的自適應調整，最終取得所需的輸出結果，再藉由Lyapunov 函數進行穩定性分析，證明整個系統的穩定性，最後實驗分析此控制器對六軸機械手臂的控制穩定性。Item 雙軸機械手臂之適應性模糊滑動模式控制(2011) 鄭景文; Ching-Wen Cheng本研究之目的是針對機械手臂之循軌控制提出適應性模糊滑動模式控制。於系統模型部份已知的情況下，運用極點配置法來設計標稱控制器給予機械手臂之理想動態，並透過滑動模式干擾估測器及適應性模糊補償器將系統的不確定性及外部干擾予以補償。 利用滑動模式干擾估測器來提昇整體控制架構之初始性能，並對於未知的干擾給予快速有效的補償，以提升控制架構的強健性能。適應性模糊補償器透過自訂適應性法則，將控制系統中的未知干擾建模於模糊規則庫；當建模完成便可依據系統之狀態，查得目前的系統干擾，以達到即時的干擾補償，因此可進一步改善滑動模式干擾估測器補償的相位落後問題。 本文實驗平台之架構上，採用美國德州儀器公司(Texas Instruments, TI)所生產之TMS320C6713 DSP搭配具FPGA之自製擴充子板為實驗平台。在FPGA方面，以硬體描述語言(VHDL)撰寫Encoder, A/D與D/A等週邊界面程式；在控制器實現上，利用TI所提供的Code Composer Studio (CCS)環境下以C/C++撰寫控制器程式並下載到DSP上執行。經由自製的雙軸機器手臂實驗平台進行追圓軌跡控制，結果顯示能有效提升循軌的表現及降低循軌誤差。Item 應用可變步長適應滑模結合指數律演算法於機械手臂追跡之控制器設計(2015) 楊智翔; Zhi-Xiang Yang本研究主要在於結合指數律(exponential law, EL)於可變步長適應滑模控制器(variable step size adaptive sliding mode controller, VSSASMC)並應用於機械手臂的追跡。在設計控制器時考慮到機械手臂的不確定量與外界干擾，於是本研究選擇具有良好強健性的滑動模式控制器為主控制器。而滑動模式控制中有一設計參數為切換增益(switching gain)，此參數必須大於系統的干擾和不確定量的上界(upper bound)，但是通常我們並無法直接知道上界值只能通過重覆測試調整。為了使系統能夠應付未知邊界的不確定量與干擾，本研究加入適應控制調整滑動模式中的上界參數，使控制器能應付多變的情況。 而適應控制本身則會使系統響應變慢，因此引入了指數律使系統更快收斂。而指數律不只可以與滑動模式控制結合達到減小跳切現象的效果；同時也能和適應控制結合成可變步長適應控制，使適應律的步長依誤差而調整。並且通過Lyapunov函數及Barbalat引理證明系統穩定性。最後經由實驗驗證此控制器的性能。Item 雙軸機械手臂之平順控制(2014) 林益頤; Yi-Yi, Lin本論文研究主旨為將各種平順控制方法應用於雙軸機械手臂之定位。雙軸機械手臂為耦合的非線性系統，在此我們使用計算力矩控制(Computed Torque Control)方法將其解耦為線性系統之後，再設計各種時間最佳化平順控制器。 研究動機是因為機械系統中若急動度(即，加速度對時間的微分量)太大常常會對系統造成不好的影響。基於此點，本論文限制雙軸機械手臂的最大急動度，設計急動度限制下時間最佳化控制(Jerk-Constrained Time-Optimal Control, JCTOC)；此外，更進一步限制痙攣度，其為急動度的再一次微分量，設計痙攣度限制下時間最佳化控制(Snap-Constrained Time-Optimal Control, SCTOC)。 在實作上，本研究將平順控制法則實現於雙軸機械手臂，使用的實驗平台核心控制器為DSP搭配具可程式陣列閘(FPGA)之實驗室自製擴充子板，FPGA方面使用VHDL規劃週邊界面，而DSP方面使用C語言實現各種控制法則。實驗結果顯示，藉由限制住受控體輸出之高階微分量，雙軸機械手臂在定位時能擁有平順的響應，且相較於傳統的線性控制器能達到更短的安定時間。Item 雙軸機械手臂之適應性神經網路滑動模式控制(2013) 鄭百恩; Pei-En Cheng本研究之目的是針對機械手臂之循軌控制提出適應性神經網路滑動模式控制方法。於系統模型部份已知的情況下，運用極點配置法來設計標稱控制器指定機械手臂之理想動態，並透過滑動模式干擾估測器及適應性神經網路補償器將系統的不確定性及外部干擾予以補償，以實現指定的理想動態。 系統控制架構中之滑動模式干擾估測器用於提昇整體控制架構之初始性能，並對於未知的干擾給予快速有效的補償，以提升系統的強健性能。相對於適應性神經網路控制器透過自訂的適應性法則，將未知干擾建模於神經網路規則庫；當建模完成便可依據系統之狀態，查得目前的系統干擾，以達到即時的干擾補償，可進一步改善滑動模式干擾估測器補償的相位落後問題。 本文實驗平台方面，採用美國德州儀器公司(Texas Instruments Incorporated, TI)所生產之TMS320C6713 DSP搭配具FPGA之自製擴充子板為控制器核心。在FPGA方面，以硬體描述語言(VHDL)撰寫Encoder, ADC與DAC等週邊界面程式；在控制法則實現上，利用TI所提供的Code Composer Studio (CCS)發展環境，以C/C++撰寫控制器程式並下載到DSP上執行。藉由本實驗室自製的雙軸機器手臂實驗平台進行追圓軌跡控制，結果顯示能有效提升循軌的表現及降低循軌誤差。