Ảnh hưởng của tải trọng đến việc Điều khiển vị trí cơ nhân tạo khí nén
Abstract
Pneumatic artificial muscles (PAMs) are a type of biomimicry actuators, which are being widely used in the application of bio-simulation robots and medical auxiliary devices. However, PAM systems often have high non-linearity, uncertainty, and characteristics that change over time, especially the effect of load volume. To assess the effect of load on pneumatic artificial mechanical position control, in this paper, the PAM position is controlled by a proportional-integral-derivative controller (PID) in various load cases. The results showed that the root mean squared error (RMSE) tended to gradually increase from 2.2 mm to 4.8 mm when the placement was different at 10 mm and 30 mm with the same load volume of 20 kg. In addition, the experimental results at the 10 mm placement and the change in load mass of 10 kg and 25 kg respectively show that the system will be more stable as the load increases.
Tóm tắt
Bộ truyền động cơ nhân tạo khí nén (PAM) là một loại bộ truyền động mô phỏng sinh học, đang được sử dụng rộng rãi trong ứng dụng robot mô phỏng sinh học và các thiết bị phụ trợ y tế. Tuy nhiên, các hệ thống PAM thường có độ phi tuyến tính cao, độ không đảm bảo và các đặc tính thay đổi theo thời gian, đặc biệt là ảnh hưởng của khối lượng tải. Để đánh giá sự ảnh hưởng của tải trọng trong việc điều khiển vị trí cơ nhân tạo khí nén, trong bài báo này, vị trí PAM được điều khiển bởi bộ điều khiển vi tích phân tỉ lệ (PID) trong nhiều trường hợp tải trọng khác nhau. Kết quả cho thấy sai số trung bình bình phương (RMSE) có xu hướng tăng dần từ 2.2 mm đến 4.8 mm, khi vị trí đặt khác nhau tại 10 mm và 30 mm với cùng khối lượng tải là 20 kg. Bên cạnh đó, kết quả thực nghiệm tại vị trí đặt 10 mm và thay đổi lần lượt khối lượng tải là 10kg và 25 kg cho thấy hệ sẽ ổn định hơn khi tải trọng tăng.
Tài liệu tham khảo
[1] Y. Wang and X. Jing, “Nonlinear stiffness and dynamical response characteristics of an asymmetric X-shaped structure,” Mech. Syst. Signal Process., vol. 125, pp. 142–169, Jun. 2019, doi: 10.1016/j.ymssp.2018.03.045.
[2] H. Dai, X. Jing, C. Sun, Y. Wang, and X. Yue, “Accurate modeling and analysis of a bio-inspired isolation system: with application to on-orbit capture,” Mech. Syst. Signal Process., vol. 109, pp. 111–133, Sep. 2018, doi: 10.1016/j.ymssp.2018.02.048.
[3] M. Al Janaideh and O. Aljanaideh, “Further results on open-loop compensation of rate-dependent hysteresis in a magnetostrictive actuator with the Prandtl-Ishlinskii model,” Mech. Syst. Signal Process., vol. 104, pp. 835–850, May 2018, doi: 10.1016/j. ymssp.2017.09.004.
[4] M. D. Doumit and S. Pardoel, “Dynamic contraction behaviour of pneumatic artificial muscle,” Mech. Syst. Signal Process., vol. 91, pp. 93–110, Jul. 2017, doi: 10.1016/j. ymssp.2017.01.001.
[5] J. Sarosi, I. Biro, J. Nemeth, and L. Cveticanin, “Dynamic modeling of a pneumatic muscle actuator with two-direction motion,” Mech. Mach. Theory, vol. 85, pp. 25– 34, Mar. 2015, doi: 10.1016/j.mechmachtheory.2014.11.006.
[6] A. Merola, D. Colacino, C. Cosentino, and F. Amato, “Model-based tracking control design, implementation of embedded digital controller and testing of a biomechatronic device for robotic rehabilitation,” Mechatronics, vol. 52, pp. 70–77, Jun. 2018, doi: 10.1016/j.mechatronics.2018.04.006.
[7] H. Al-Fahaam, S. Nefti-Meziani, T. Theodoridis, and S. Davis, “The Design and Mathematical Model of a Novel Variable Stiffness Extensor-Contractor Pneumatic Artificial Muscle,” Soft Robot., vol. 5, no. 5, pp. 576–591, Oct. 2018, doi: 10.1089/ soro.2018.0010.
[8] T. D. C. Thanh and K. K. Ahn, “Nonlinear PID control to improve the control performance of 2 axes pneumatic artificial muscle manipulator using neural network,” Mechatronics, vol. 16, no. 9, pp. 577–587, Nov. 2006, doi: 10.1016/j.mechatronics.2006.03.011.
[9] T. Wang, X. Chen, and W. Qin, “A novel adaptive control for reaching movements of an anthropomorphic arm driven by pneumatic artificial muscles,” Appl. Soft Comput., vol. 83, p. 105623, Oct. 2019, doi: 10.1016/j.asoc.2019.105623.
[10] E. Arabi, T. Yucelen, B. C. Gruenwald, M. Fravolini, S. Balakrishnan, and N. T. Nguyen, “A neuroadaptive architecture for model reference control of uncertain dynamical systems with performance guarantees,” Syst. Control Lett., vol. 125, pp.
37–44, Mar. 2019, doi: 10.1016/j.sysconle.2019.01.005.
