อัลกอริทึมควบคุมที่ใช้สำหรับแพลตฟอร์มหมุน 6 DOF คืออะไร?

ในฐานะซัพพลายเออร์ของแพลตฟอร์มแบบหมุนได้ 6 DOF (Degrees of Freedom) ฉันมักถูกถามเกี่ยวกับอัลกอริธึมการควบคุมที่ใช้ในระบบที่ซับซ้อนเหล่านี้ ในโพสต์บนบล็อกนี้ ฉันจะเจาะลึกอัลกอริธึมการควบคุมต่างๆ ที่ใช้กันทั่วไปเพื่อให้แน่ใจว่าการทำงานที่แม่นยำและมีประสิทธิภาพของแพลตฟอร์มแบบหมุนเวียน 6 DOF

ทำความเข้าใจกับ 6 DOF Rotational Platforms

ก่อนที่เราจะพูดถึงอัลกอริธึมการควบคุม สิ่งสำคัญคือต้องเข้าใจว่าแพลตฟอร์มการหมุน 6 DOF คืออะไร แพลตฟอร์ม 6 DOF สามารถเคลื่อนที่ได้ 6 วิธี: การเคลื่อนที่แบบแปลน 3 แบบ (ตามแกน X, Y และ Z) และการเคลื่อนไหวแบบหมุน 3 แบบ (pitch, roll และ yaw) แพลตฟอร์มเหล่านี้มีการใช้กันอย่างแพร่หลายในอุตสาหกรรมต่างๆ รวมถึงการบินและอวกาศ ยานยนต์ และความบันเทิง สำหรับการใช้งานต่างๆ เช่น การจำลองการบิน การทดสอบยานพาหนะ และประสบการณ์ความเป็นจริงเสมือน

การควบคุมตามสัดส่วน - อินทิกรัล - อนุพันธ์ (PID)

หนึ่งในอัลกอริธึมการควบคุมที่ใช้กันอย่างแพร่หลายในแพลตฟอร์มการหมุน 6 DOF คือการควบคุมตามสัดส่วน - อินทิกรัล - อนุพันธ์ (PID) การควบคุม PID เป็นกลไกลูปควบคุมผลป้อนกลับที่คำนวณค่าความผิดพลาดอย่างต่อเนื่อง ซึ่งเป็นผลต่างระหว่างเซ็ตพอยต์ที่ต้องการและตัวแปรกระบวนการที่วัดได้ จากนั้นตัวควบคุมจะปรับอินพุตควบคุมให้กับระบบตามเงื่อนไขสัดส่วน ปริพันธ์ และอนุพันธ์ของข้อผิดพลาด

• ระยะเวลาตามสัดส่วน: ระยะสัดส่วนเป็นสัดส่วนกับข้อผิดพลาดปัจจุบัน โดยจะให้การตอบสนองทันทีต่อข้อผิดพลาด และยิ่งข้อผิดพลาดมากเท่าใด การดำเนินการแก้ไขก็จะยิ่งมากขึ้นเท่านั้น อย่างไรก็ตาม การใช้คำตามสัดส่วนเพียงอย่างเดียวสามารถนำไปสู่ข้อผิดพลาดในสถานะคงที่ โดยที่ระบบไม่ถึงค่าที่ตั้งไว้อย่างครบถ้วน
• ระยะอินทิกรัล: คำสำคัญสะสมข้อผิดพลาดเมื่อเวลาผ่านไป ช่วยกำจัดข้อผิดพลาดในสถานะคงที่โดยการปรับอินพุตควบคุมอย่างต่อเนื่องจนกว่าข้อผิดพลาดจะเป็นศูนย์ อย่างไรก็ตาม การดำเนินการรวมที่มากเกินไปอาจทำให้ระบบทำงานเกินกำหนดและไม่เสถียรได้
• เงื่อนไขอนุพันธ์: เงื่อนไขอนุพันธ์เป็นสัดส่วนกับอัตราการเปลี่ยนแปลงของข้อผิดพลาด โดยจะคาดการณ์ลักษณะการทำงานในอนาคตของข้อผิดพลาดและให้การดำเนินการแก้ไขเพื่อป้องกันข้อผิดพลาดเกินขนาด คำที่เป็นอนุพันธ์สามารถปรับปรุงเสถียรภาพและเวลาตอบสนองของระบบได้

การควบคุม PID นั้นค่อนข้างง่ายต่อการนำไปใช้และสามารถให้ประสิทธิภาพที่ดีในหลาย ๆ แอปพลิเคชัน อย่างไรก็ตาม อาจไม่เหมาะกับระบบที่มีไดนามิกหรือการรบกวนที่ซับซ้อน

รุ่น - การควบคุมเชิงคาดการณ์ (MPC)

โมเดล - การควบคุมแบบคาดการณ์ (MPC) เป็นอัลกอริธึมการควบคุมขั้นสูงที่ใช้แบบจำลองทางคณิตศาสตร์ของระบบเพื่อทำนายพฤติกรรมในอนาคต MPC คำนวณอินพุตควบคุมที่เหมาะสมที่สุดเหนือการคาดการณ์ขอบเขตอันจำกัด เพื่อลดฟังก์ชันต้นทุนที่คำนึงถึงค่าเซ็ตพอยต์ ข้อจำกัดของระบบ และความพยายามในการควบคุมที่ต้องการ

• การสร้างแบบจำลอง: กนง. ต้องการโมเดลที่แม่นยำของแท่นหมุน 6 DOF โมเดลนี้สามารถหาได้จากเทคนิคการระบุระบบ ซึ่งเกี่ยวข้องกับการวัดพฤติกรรมอินพุต - เอาท์พุตของระบบ และปรับแบบจำลองทางคณิตศาสตร์ให้เข้ากับข้อมูล
• การคาดการณ์และการเพิ่มประสิทธิภาพ: MPC คาดการณ์สถานะในอนาคตของระบบตามสถานะปัจจุบันและอินพุตควบคุม จากนั้นจะปรับอินพุตควบคุมให้เหมาะสมเหนือการคาดการณ์ขอบเขตอันจำกัดเพื่อลดฟังก์ชันต้นทุนให้เหลือน้อยที่สุด อินพุตควบคุมที่เหมาะสมที่สุดจะถูกนำไปใช้กับระบบ และกระบวนการจะถูกทำซ้ำในแต่ละเวลาสุ่มตัวอย่าง

MPC สามารถจัดการกับข้อจำกัดของระบบ เช่น ขีดจำกัดของแอคชูเอเตอร์และขอบเขตทางกายภาพ ได้อย่างมีประสิทธิภาพมากกว่าการควบคุม PID นอกจากนี้ยังสามารถปรับให้เข้ากับการเปลี่ยนแปลงในไดนามิกและการรบกวนของระบบ ทำให้เหมาะสำหรับระบบที่ซับซ้อนและไม่เชิงเส้น อย่างไรก็ตาม กนง. ต้องการทรัพยากรในการคำนวณมากขึ้นและแบบจำลองของระบบที่แม่นยำยิ่งขึ้น

การควบคุมลอจิกคลุมเครือ

Fuzzy Logic Control (FLC) เป็นอัลกอริธึมควบคุมที่ใช้ตรรกะคลุมเครือเพื่อแสดงและจัดการข้อมูลที่ไม่แน่ใจและไม่แน่ชัด FLC มีพื้นฐานอยู่บนแนวคิดของชุดคลุมเครือและกฎคลุมเครือ ซึ่งช่วยให้ผู้ควบคุมตัดสินใจโดยพิจารณาจากตัวแปรทางภาษามากกว่าค่าตัวเลขที่แม่นยำ

• ชุดคลุมเครือและฟังก์ชันการเป็นสมาชิก: FLC ใช้ชุดคลุมเครือเพื่อแสดงตัวแปรอินพุตและเอาต์พุตของระบบ ชุดฟัซซี่แต่ละชุดถูกกำหนดโดยฟังก์ชันสมาชิก ซึ่งอธิบายระดับของค่าอินพุตที่เป็นของชุด ตัวอย่างเช่น ชุดค่าคลุมเครือสำหรับข้อผิดพลาดสามารถกำหนดเป็น "ค่าลบขนาดใหญ่", "ค่าลบเล็กน้อย", "ศูนย์", "ค่าบวกขนาดเล็ก" และ "ค่าบวกค่ามาก"
• กฎคลุมเครือ: FLC ใช้กฎคลุมเครือเพื่ออธิบายความสัมพันธ์ระหว่างตัวแปรอินพุตและเอาต์พุต กฎเหล่านี้จะขึ้นอยู่กับความรู้และประสบการณ์ของผู้ปฏิบัติงานระบบหรือผู้ออกแบบ ตัวอย่างเช่น กฎคลุมเครืออาจเป็น "ถ้าข้อผิดพลาดเป็นบวกมาก และการเปลี่ยนแปลงในข้อผิดพลาดเป็นบวกเล็กน้อย ดังนั้นเอาต์พุตควบคุมจะมีค่าเป็นบวกมาก"
• การอนุมานแบบฟัซซีและการฟัซซี่: FLC ใช้การอนุมานแบบคลุมเครือเพื่อกำหนดเอาต์พุตของตัวควบคุมโดยยึดตามค่าอินพุตและกฎแบบคลุมเครือ ผลลัพธ์ของการอนุมานแบบฟัซซี่คือเซตฟัซซี่ ซึ่งจะต้องแปลงเป็นค่าที่คมชัดผ่านการดีฟัซซี

FLC สามารถจัดการข้อมูลที่ไม่แน่ใจและไม่แม่นยำได้อย่างมีประสิทธิภาพมากกว่าอัลกอริธึมควบคุมแบบเดิม นอกจากนี้ยังสามารถให้กลยุทธ์การควบคุมที่ใช้งานง่ายและเหมือนมนุษย์มากขึ้น อย่างไรก็ตาม FLC ต้องการความเข้าใจที่ดีเกี่ยวกับระบบและความเชี่ยวชาญในการออกแบบชุดและกฎที่ไม่ชัดเจน

การควบคุมแบบปรับเปลี่ยนได้

การควบคุมแบบอะแดปทีฟเป็นอัลกอริธึมการควบคุมที่ปรับพารามิเตอร์การควบคุมตามการเปลี่ยนแปลงของไดนามิกหรือการรบกวนของระบบ การควบคุมแบบอะแดปทีฟสามารถแบ่งได้เป็นสองประเภทหลัก: รุ่น - การควบคุมแบบปรับเปลี่ยนอ้างอิง (MRAC) และการควบคุมการปรับจูนเอง

• รุ่น - การควบคุมแบบอ้างอิงอ้างอิง (MRAC): MRAC ใช้โมเดลอ้างอิงเพื่อระบุพฤติกรรมที่ต้องการของระบบ ตัวควบคุมจะปรับพารามิเตอร์การควบคุมเพื่อลดข้อผิดพลาดระหว่างเอาต์พุตของระบบและเอาต์พุตของโมเดลอ้างอิง MRAC สามารถปรับให้เข้ากับการเปลี่ยนแปลงในไดนามิกและการรบกวนของระบบ ทำให้เหมาะสำหรับระบบที่มีความไม่แน่นอนหรือเวลา - พารามิเตอร์ที่แปรผัน
• การควบคุมการปรับแต่งด้วยตนเอง: การควบคุมการปรับแต่งด้วยตนเองใช้อัลกอริธึมการประมาณค่าพารามิเตอร์ออนไลน์เพื่อประมาณค่าพารามิเตอร์ของระบบ จากนั้นตัวควบคุมจะปรับพารามิเตอร์การควบคุมตามพารามิเตอร์ที่ประมาณไว้ การควบคุมการปรับจูนเองสามารถใช้เพื่อปรับให้เข้ากับการเปลี่ยนแปลงในไดนามิกและการรบกวนของระบบ โดยไม่จำเป็นต้องใช้แบบจำลองอ้างอิง

การควบคุมแบบอะแดปทีฟสามารถให้ประสิทธิภาพที่ดีในระบบที่มีความไม่แน่นอนหรือเวลา - พารามิเตอร์ที่แปรผัน อย่างไรก็ตาม ต้องใช้ทรัพยากรในการคำนวณมากขึ้นและการออกแบบที่ซับซ้อนมากกว่าอัลกอริธึมการควบคุมแบบดั้งเดิม

การประยุกต์ใช้อัลกอริธึมควบคุมในแพลตฟอร์มการหมุน DOF 6 แบบ

ทางเลือกของอัลกอริธึมการควบคุมขึ้นอยู่กับการใช้งานเฉพาะและข้อกำหนดของแพลตฟอร์มการหมุน 6 DOF ตัวอย่างเช่น ในแอปพลิเคชันการจำลองการบิน ซึ่งต้องการความแม่นยำสูงและการตอบสนองที่รวดเร็ว อาจใช้การควบคุม PID และ MPC ร่วมกัน ในการใช้งานการทดสอบการสั่นสะเทือน ซึ่งระบบจำเป็นต้องจัดการกับการสั่นสะเทือนและการรบกวนที่ซับซ้อน FLC หรือการควบคุมแบบปรับได้อาจมีความเหมาะสมมากกว่า

บริษัทของเรามีแพลตฟอร์มแบบหมุนเวียน DOF 6 แบบ รวมถึงเครื่องจำลองการเคลื่อนไหว 6 Dof ระดับไฮเอนด์,ตารางทดสอบการสั่นสะเทือน, และแพลตฟอร์มการเคลื่อนที่แบบ 3 แกน. แพลตฟอร์มเหล่านี้ได้รับการออกแบบเพื่อให้การทำงานมีประสิทธิภาพสูงและเชื่อถือได้ และอัลกอริธึมการควบคุมได้รับการคัดเลือกและปรับแต่งอย่างระมัดระวังเพื่อให้ตรงตามข้อกำหนดเฉพาะของแต่ละแอปพลิเคชัน

บทสรุป

โดยสรุป อัลกอริธึมการควบคุมที่ใช้ในแพลตฟอร์มการหมุน 6 DOF มีบทบาทสำคัญในการรับประกันการทำงานที่แม่นยำและมีประสิทธิภาพของระบบเหล่านี้ การควบคุม PID เป็นอัลกอริธึมที่เรียบง่ายและใช้กันอย่างแพร่หลาย ในขณะที่ MPC, FLC และการควบคุมแบบปรับได้เป็นอัลกอริธึมขั้นสูงกว่าที่สามารถจัดการกับไดนามิกและการรบกวนที่ซับซ้อนได้ ทางเลือกของอัลกอริธึมการควบคุมขึ้นอยู่กับการใช้งานเฉพาะและข้อกำหนดของแพลตฟอร์ม

หากคุณสนใจที่จะซื้อแพลตฟอร์มแบบหมุนได้ 6 DOF หรือมีคำถามใดๆ เกี่ยวกับผลิตภัณฑ์ของเรา โปรดติดต่อเราเพื่อขอการอภิปรายโดยละเอียด เรามุ่งมั่นที่จะนำเสนอผลิตภัณฑ์คุณภาพสูงและการบริการลูกค้าที่เป็นเลิศ

อ้างอิง

• ออสสตรอม, เคเจ และเมอร์เรย์, RM (2008) ระบบตอบรับ: บทนำสำหรับนักวิทยาศาสตร์และวิศวกร สำนักพิมพ์มหาวิทยาลัยพรินซ์ตัน.
• Dorf, RC และบิชอป RH (2017) ระบบควบคุมที่ทันสมัย เพียร์สัน.
• Passino, KM, และ Yurkovich, S. (1998) การควบคุมที่คลุมเครือ แอดดิสัน - เวสลีย์