Otomatik yük arabaları için denetimci tasarımı

Abstract

ÖZET Kendinden devinimli yük arabaları fabrika otomasyonunda ve esnek imalatta çok önemli bir yere sahiptir. Bundan dayı otomatik yük arabası için denetimci tasarımı pek çok araştırmacının ilgisini çekmiştir. Bu çalışmalarda pek çok denetimci tasarımı ele alınmış ve onların performansları karşılaştırılmış ve sonuçlar tartışılmıştır. Denetimci tasarlarken göz önüne alınması gereken en önemli nokta sistemin parametrelerinin zamana bağlı değişebileceğidir. Yük arabalarının taşıdığı yük değiştiğinde atalet, diğer bir deyişle dinamiği değişir. Bundan dolayı tasarlanacak olan denetimcinin bu değişikliklere karşı gürbüz olması gerekir. İlk denetimci tipi olarak, belli bir alanda gürbüz olan ters dinamik modelleme yöntemi ile denetimci tasarlandı. Bu denetimci ile birlikte bir de PD denetimci tasarlandı. Lineerleştirme yapay sinir ağı kullanılarak yapıldı ve bu metoda ters dinamik modelleme yöntemi adı verilir. İkinci kontrol yöntemi olarak da diğer bir popüler yapay sinir ağı ile kontrol yöntemi kullanıldı. Bu metot hata geri besleme öğrenmeli yapı olarak adlandırılır. Bu online öğrenen bir yapı olup modelleme ve gürültüyü aynı zamanda da bozucuları kompanse etmek için ikinci bir denetimciye ihtiyaç duyar. Kontrol algoritmalarını gerçekleşebilirliği bilgisayar benzetimi ile doğrulanmıştır.

SUMMARY Automated Guided Vehicles ( AGV ) have a significant importance in factory automation and flexible manufacturing. The control and guidance of an AGV has therefore attracted the attention of many researchers. In his work a number of controller designs are considered and their performances are compared and discussed. When designing a controller the most important point is that the system parameters may change with time. With the change of the load of the vehicle, the inertia, i.e. the dynamics of the vehicle may change. Therefore, the controller should be designed to overcome any parameter changes. The first controller considered in this work is a feedback-feedforward linearization together with a PD control algorithm. This linearization achieved by using neural network and this method is called direct inverse modeling architecture Secondly, another popular neurocontrol algorithm is used. This method is called Feedback Error Learning Architecture. It is an online learning controller and it need a secondary controller in order to compensate the modeling errors and also noise and disturbance All algorithms are simulated on a digital computer.