|
DOI: 10.14489/vkit.2020.04.pp.018-028
Бобырь М. В., Милостная Н. А., Архипов А. Е., Лунева М. Ю.
АНАЛИЗ БЫСТРОДЕЙСТВУЮЩИХ ДЕФАЗЗИФИКАТОРОВ В ЗАДАЧЕ УПРАВЛЕНИЯ РОБОТОМ-МАНИПУЛЯТОРОМ
(c. 18-28)
Аннотация. Предложены линейный, нелинейный, модифицированный, быстродействующий дефаззификаторы на основе метода отношения площадей. Представлена имитационная модель нейро-нечеткого устройства управления поворотом плеч робота-манипулятора с использованием линейного и нелинейного дефаззификаторов, реализованная в системе MatLab Simulink. Проведено сравнение графиков зависимостей времени от угла поворота звеньев робота-манипулятора, основанное на традиционном методе центра тяжести и предлагаемом методе. Установлено, что традиционный метод центра тяжести не обеспечивает выполнение заданных углов поворота звеньев робота-манипулятора в то время как предлагаемые модели дефаззификаторов обладают данным свойством. Имитационная модель устройства спроектирована в виде параллельно-конвейерного устройства для реализации в программируемой логической интегральной схеме семейства Spartan 3Е компании Xilinx (США). Показано, что время вычисления четкого значения при быстродействующей дефаззификации составляет 130 нс. Опыт проведен на частоте 100 МГц.
Ключевые слова: метод отношения площадей; дефаззификатор; нейро-нечеткая модель; робот-манипулятор; нечеткая логика; искусственный интеллект; мягкие вычисления.
Bobyr M. V., Milostnaya N. A., Arkhipov A. E., Luneva M. Yu.
ANALYSIS OF THE SPEED OF THE DEFUZZIFIER IN THE TASK OF CONTROLLING THE ROBOT-MANIPULATOR
(pp. 18-28)
Abstract. Linear, nonlinear, modified, high-speed defuzzifiers based on the area ratio method are presented in this paper. The proposed defuzzifiers are used in a fuzzy digital filter device and make it possible to ensure the additivity of the robotic manipulator control system, since traditional models do not have this property. The essence of this development is to find a crisp value of the output fuzzy variable, which in this case are the regulation coefficients of the fuzzy digital filter. Reducing the number of computational operations provides an increase in the performance of the defuzzifier. The reduction in number of computational operations is carried out by eliminating the output variable’s truncated term’s height calculation, thereby reducing the computation time. A simulation model which was implemented in the MatLab Simulink system, for a neuro-fuzzy device of the robotic arm using linear and non-linear defuzzifiers is presented. The dependence of time graphs on the angle of rotation of the joints of the robotic manipulator are compared, based on the traditional center of gravity method and the method shown in this paper. It was found that the traditional center of gravity method does not ensure the fulfillment of the specified rotation angles of the links of the robotic arm, while the proposed models of defuzzifiers have this property, which can be seen from the presented dependency graphs. The simulation model of the device was also designed as a parallel-conveyor device for implementation in the field-programmable gate array of the Xilinx Spartan 3Е family. The analysis showed that the calculation time for a crisp value with high-speed defuzzification is 130 ns, which is two orders of magnitude higher than existing models. The experiment was conducted at a frequency of 100 MHz.
Keywords: Method of areas’ ratio; Defuzzifier; Neuro-fuzzy model; Robotic arm; Fuzzy logic; Artificial intelligence; Soft computing.
М. В. Бобырь, Н. А. Милостная, А. Е. Архипов, М. Ю. Лунева (Юго-Западный государственный университет, Курск, Россия) E-mail:
Этот e-mail адрес защищен от спам-ботов, для его просмотра у Вас должен быть включен Javascript
M. V. Bobyr, N. A. Milostnaya, A. E. Arkhipov, M. Yu. Luneva (Southwest State University, Kursk, Russia) E-mail:
Этот e-mail адрес защищен от спам-ботов, для его просмотра у Вас должен быть включен Javascript
1. Бобырь М. В., Кулабухов С. А. Дефаззификация вывода из базы нечетких правил на основе метода разности площадей // Вестник компьютерных и информационных технологий. 2015. № 9. С. 32 – 41. doi: 10.14489/vkit.2015.09.pp.032-041
2. Bobyr M. V., Milostnaya N. A., Kulabuhov S. A. A Method of Defuzzification Based on the Approach of Areas’ Ratio // Applied Soft Computing. 2017. V. 59. Р. 19 – 23. doi: 10.1016/j.asoc.2017.05.040
3. Broekhoven E. V., Baets B. D. Fast and Accurate Center of Gravity Defuzzification of Fuzzy System Outputs Defined on Trapezoidal Fuzzy Partitions // Fuzzy Sets and Systems. 2006. V. 157, No. 7. P. 904 – 918.
4. Применение аппарата нечеткой логики для улучшения динамических характеристик гибридных фильтров высших гармоник / Ю. К. Розанов и др. // Электричество. 2007. № 1. С. 23 – 31.
5. A Switching-Based Collaborative Fractional Order Fuzzy Logic Controllers for Robotic Manipulators / S. Richa et al. // Applied Mathematical Modeling. 2019. V. 73. P. 228 – 246. doi: 10.1016/j.apm.2019.03.041
6. Koohi H., Kiani K. User Based Collaborative Filtering Using Fuzzy C-Means // Measurement. 2016. V. 91. P. 134 – 139. doi: 10.1016/j.measurement. 2016.05.058
7. Yang Q., Sun L. A Fuzzy Complementary Kalman Filter Based on Visual and IMU Data for UAV Landing // Intern. Journal for Light and Electron Optics. 2018. V. 173. P. 279 – 291. doi: 10.1016/j.ijleo.2018.08.011
8. Бобырь М. В., Милостная Н. А., Кулабухов С. А. Алгоритм обучения меток функций принадлежности // Вестник компьютерных и информационных технологий. 2016. № 9. С. 26 – 35. doi: 10.14489/vkit.2016.09.pp.026-035
9. Farajdadians S., Hosseini S. M. H. Optimization of Fuzzy-Based MPPT Controller Via Metaheuristic Techniques for Stand-Alone PV Systems // Intern. Journal of Hydrogen Energy. 2019. V. 44. P. 25457 – 25472.
10. Stable Adaptive Probabilistic Takagi–Sugeno–Kang Fuzzy Controller for Dynamic Systems with Uncertainties / O. Shaheen et al. // ISA Transaction. 2019. August 21. doi: 10.1016/j.isatra.2019.08.035
11. Multi-Objective Based Fuzzy Rule Based Systems (FRBSs) for Trade-Off Improvement in Accuracy and Interpretability: a Rule Relevance Point of View / M. I. Rey et al. // Knowledge-Based Systems. 2017. V. 127. P. 67 – 84. doi: 10.1016/j.knosys.2016.12.028
12. Бобырь М. В., Кулабухов С. А. Дефаззификация вывода из базы нечетких правил на основе метода разности площадей // Вестник компьютерных и информационных технологий. 2015. № 9. С. 32 – 41. doi: 10.14489/vkit.2015.09.pp.032-041
13. Бобырь М. В. Метод нелинейного обучения нейро-нечеткой системы вывода // Искусственный интеллект и принятие решений. 2018. № 1. С. 67 – 75.
14. Бобырь М. В., Кулабухов С. А., Милостная Н. А. Обучение нейро-нечеткой системы на основе метода разности площадей // Искусственный интеллект и принятие решений. 2016. № 4. С. 15 – 26.
15. Bobyr M. V., Emelyanov S. G. A Nonlinear Method of Learning Neuro-Fuzzy Models for Dynamic Control Systems // Applied Soft Computing. 2020. V. 88. P. 106030. doi: 10.1016/j.asoc.2019.106030
16. Бобырь М. В., Лунева М. Ю., Ноливос К. С. А. Нечеткий цифровой фильтр для управления роботом-манипулятором ARMino // Мехатроника, автоматизация, управление. 2019. Т. 20, № 4. C. 244 – 250. doi: 10.17587/mau.20.244-250
17. Пат. 2701841 Российская Федерация, МПК G06F 3/00, G06N 7/02. Устройство дефаззификации на основе метода отношения площадей / Бобырь М. В., Кулабухов С. А., Архипов А. Е.; № 2018144147; заявл. 13.12.2018; опубл. 01.10.2019, Бюл. № 28. 16 с.
18. Bobyr M. V., Yakushev A. S., Dorodnykh A. A. Fuzzy Devices for Cooling the Cutting Tool of the CNC Machine Implemented on FPGA // Measurement. 2020. V. 152. P. 107378. doi: 10.1016/j.measurement.2019.107378
19. Пат. 2408052 Российская Федерация, МПК G06Е 3/00. Оптоэлектронный дефаззификатор / Курейчик В. М., Курейчик В. В., Аллес М. А., Ковалев С. М., Соколов С. В.; № 2009124196/08; заявл. 24.06.2009; опубл. 27.12.2010, Бюл. № 36. 11 с.
20. Пат. 2439651 Российская Федерация, МПК G06Е 3/00. Оптоэлектронный дефаззификатор / Аллес М. А., Соколов С. В., Ковалев С. М.; № 2010140538/08; заявл. 04.10.2010; опубл. 10.01.2012, Бюл. № 01. 8 с.
1. Bobyr' M. V., Kulabuhov S. A. (2015). Defuzzification of the output from the base of fuzzy rules based on the area difference method. Vestnik komp'yuternyh i informatsionnyh tekhnologiy, (9), pp. 32 – 41. [in Russian language] doi: 10.14489/vkit.2015.09.pp.032-041
2. Bobyr M. V., Milostnaya N. A., Kulabuhov S. A. (2017). A Method of Defuzzification Based on the Approach of Areas’ Ratio. Applied Soft Computing, Vol. 59, pp. 19 – 23. doi: 10.1016/j.asoc.2017.05.040
3. Broekhoven E. V., Baets B. D. (2006). Fast and Accurate Center of Gravity Defuzzification of Fuzzy System Outputs Defined on Trapezoidal Fuzzy Partitions. Fuzzy Sets and Systems, Vol. 157, (7), pp. 904 – 918.
4. Rozanov Yu. K. et al. (2007). The use of a fuzzy logic apparatus to improve the dynamic characteristics of hybrid filters of higher harmonics. Elektrichestvo, (1), pp. 23 – 31. [in Russian language]
5. Richa S. et al. (2019). A Switching-Based Collaborative Fractional Order Fuzzy Logic Controllers for Robotic Manipulators. Applied Mathematical Modeling, Vol. 73, pp. 228 – 246. doi: 10.1016/j.apm.2019.03.041
6. Koohi H., Kiani K. (2016). User Based Collaborative Filtering Using Fuzzy C-Means. Measurement, Vol. 91, pp. 134 – 139. doi: 10.1016/j.measurement.2016.05.058
7. Yang Q., Sun L. (2018). A Fuzzy Complementary Kalman Filter Based on Visual and IMU Data for UAV Landing. International Journal for Light and Electron Optics, Vol. 173, pp. 279 – 291. doi: 10.1016/j.ijleo.018.08.011
8. Bobyr' M. V., Milostnaya N. A., Kulabuhov S. A. (2016). Membership Function Label Learning Algorithm. Vestnik komp'yuternyh i informatsionnyh tekhnologiy, (9), pp. 26 – 35. [in Russian language] doi: 10.14489/ vkit.2016.09.pp.026-034
9. Farajdadians S., Hosseini S. M. H. (2019). Optimization of Fuzzy-Based MPPT Controller Via Metaheuristic Techniques for Stand-Alone PV Systems. International Journal of Hydrogen Energy, Vol. 44, pp. 25457 – 25472.
10. Shaheen O. et al. (2019). Stable Adaptive Probabilistic Takagi–Sugeno–Kang Fuzzy Controller for Dynamic Systems with Uncertainties. ISA Transaction. doi: 10.1016/j.isatra.2019.08.035
11. Rey M. I. et al. (2017). Multi-Objective Based Fuzzy Rule Based Systems (FRBSs) for Trade-Off Improvement in Accuracy and Interpretability: a Rule Relevance Point of View. Knowledge-Based Systems, Vol. 127, pp. 67 – 84. doi: 10.1016/j.knosys.2016.12.028
12. Bobyr' M. V., Kulabuhov S. A. (2015). Defuzzification of the derivation from the base of fuzzy rules based on the area difference method. Vestnik komp'yuternyh i informatsionnyh tekhnologiy, (9), pp. 32 – 41. [in Russian language] doi: 10.14489/ vkit.2015.09.pp.032-041
13. Bobyr' M. V. (2018). The method of nonlinear learning neuron-fuzzy output system. Iskusstvenniy intellekt i prinyatie resheniy, (1), pp. 67 – 75. [in Russian language]
14. Bobyr' M. V., Kulabuhov S. A., Milostnaya N. A. (2016). Training a neuro-fuzzy system based on the area difference method. Iskusstvenniy intellekt i prinyatie resheniy, (4), pp. 15 – 26. [in Russian language]
15. Bobyr M. V., Emelyanov S. G. (2020). A Non-linear Method of Learning Neuro-Fuzzy Models for Dynamic Control Systems. Applied Soft Computing, Vol. 88. doi: 10.1016/j.asoc.2019.106030
16. Bobyr' M. V., Luneva M. Yu., Nolivos K. S. A. (2019). Fuzzy digital filter to control the ARMino robotic arm. Mekhatronika, avtomatizatsiya, upravlenie, Vol. 20, (4), pp. 244 – 250. [in Russian language] doi: 10.17587/mau.20.244-250
17. Bobyr' M. V., Kulabuhov S. A., Arhipov A. E. Defuzzification device based on the area ratio method. Ru Patent No. 2701841. Russian Federation. [in Russian language]
18. Bobyr M. V., Yakushev A. S., Dorodnykh A. A. (2019). Fuzzy Devices for Cooling the Cutting Tool of the CNC Machine Implemented on FPGA. Measurement, Vol. 152. doi: 10.1016/j.measurement.2019.107378
19. Kureychik V. M., Kureychik V. V., Alles M. A., Kovalev S. M., Sokolov S. V. Optoelectronic Defuzzifier. Ru Patent No. 2408052. Russian Federation. [in Russian language]
20. Alles M. A., Sokolov S. V., Kovalev S. M. Optoelectronic Defuzzifier. Ru Patent No. 2439651. Russian Federation. [in Russian language]
Статью можно приобрести в электронном виде (PDF формат).
Стоимость статьи 350 руб. (в том числе НДС 18%). После оформления заказа, в течение нескольких дней, на указанный вами e-mail придут счет и квитанция для оплаты в банке.
После поступления денег на счет издательства, вам будет выслан электронный вариант статьи.
Для заказа скопируйте doi статьи:
10.14489/vkit.2020.04.pp.018-028
и заполните форму
Отправляя форму вы даете согласие на обработку персональных данных.
.
This article is available in electronic format (PDF).
The cost of a single article is 350 rubles. (including VAT 18%). After you place an order within a few days, you will receive following documents to your specified e-mail: account on payment and receipt to pay in the bank.
After depositing your payment on our bank account we send you file of the article by e-mail.
To order articles please copy the article doi:
10.14489/vkit.2020.04.pp.018-028
and fill out the form
.
|
Архив номеров
Разработка концепции и создание сайта - ООО «Издательский дом «СПЕКТР»