МОДЕРНИЗАЦИЯ МОДЕЛИ КОЛЛАБОРАТИВНОГО РОБОТА EIDOS AC10-1300 В SIMINTECH С ИСПОЛЬЗОВАНИЕМ НЕЙРОННЫХ СЕТЕЙ ДЛЯ АДАПТИВНОГО УПРАВЛЕНИЯ И КОМПЕНСАЦИИ НЕЛИНЕЙНОСТЕЙ

​UPGRADING OF THE EIDOS AC10-1300 COLLABORATIVE ROBOT MODEL IN SIMINTECH USING NEURAL NETWORKS FOR ADAPTIVE CONTROL AND NON-LINEARITY COMPENSATION

Gimranova Alina Askhatovna

Student, Department of Instrument Engineering and Mechatronics, Kazan State Power Engineering University,

Russia, Kazan

Gilfanov Kamil Khabibovich

Scientific, Doctor of Technical Sciences, Professor., Kazan State Power Engineering University,

Russia, Kazan

АННОТАЦИЯ

В статье рассматривается задача повышения адаптивности систем управления коллаборативных роботов. Предложен инновационный гибридный подход, комбинирующий классические ПИД-регуляторы и нейронные сети для компенсации нелинейностей. Исследование выполнено на примере манипулятора Eidos AC10-1300 с использованием среды моделирования SimInTech. В качестве модернизации предложен многослойный перцептрон, работающий параллельно с ПИД-регуляторами.

ABSRACT

The article discusses the problem of increasing the adaptability of collaborative robot control systems. An innovative hybrid approach is proposed, combining classical PID controllers and neural networks to compensate for nonlinearities. The study is based on the Eidos AC10-1300 manipulator and uses the SimInTech simulation environment. A multilayer perceptron is proposed as an upgrade, working in parallel with the PID controllers.

Ключевые слова: коллаборативный робот, ПИД-регулятор, нейронные сети, многослойный перцептрон, нелинейности, неопределенность.

Keywords: collaborative robot, PID controller, neural networks, multilayer perceptron, nonlinearities, uncertainty.

Коллаборативный робот Eidos AC10-1300 представляет собой современный манипулятор российского производства, предназначенный для безопасного совместного использования с человеком в одном рабочем пространстве. Данный робот обладает классической антропоморфной конфигурацией с шестью вращательными степенями свободы, что обеспечивает ему высокую гибкость и маневренность, аналогичную человеческой руке.

Его кинематическая цепь включает в себя поворотное основание, плечо, предплечье и сферическое запястье с тремя сочленениями, что позволяет инструменту, установленному на фланце, достигать любой точки в рабочей зоне с произвольной ориентацией [1].

Робот эффективно выполняет сборочные операции, такие как установка компонентов, завинчивание или склеивание, где он берет на себя монотонные и тяжелые действия, а человек контролирует качество и выполняет сложные этапы. Благодаря встроенным датчикам момента робот может безопасно работать рядом с людьми, останавливаясь при случайном контакте или выполняя силовой контроль, например, помогать оператору в подъеме и точном позиционировании тяжелых деталей.

Несмотря на широкое распространение, их применение сталкивается с существенными ограничениями. ПИД-регуляторы, являющиеся отраслевым стандартом для стабилизации заданного положения, демонстрируют низкую эффективность при компенсации существенных нелинейностей реальной механической системы. Сложное трение, люфты в редукторах и динамическое изменение нагрузки на фланце не могут быть адекватно скомпенсированы линейным регулятором. Это приводит к устойчивым ошибкам позиционирования, вибрациям или необходимости консервативной настройки, что значительно снижает быстродействие и точность робота [2].

Более теоретически обоснованный подход — управление на основе полной динамической модели, который предполагает использование уравнений Лагранжа-Эйлера или Ньютона-Эйлера для расчета управляющих моментов, компенсирующих динамику манипулятора [3]. Однако его практическая реализация требует точного знания всей совокупности параметров модели: масс, моментов инерции звеньев и положения их центров масс. В реальных условиях эти параметры известны лишь приблизительно из конструкторской документации, а их фактические значения могут изменяться из-за производственных допусков, износа или модификации инструмента.

Оба классических подхода имеют один недостаток — неспособность к обучению в условиях неопределенности. Они не могут автономно подстраиваться под изменяющиеся условия эксплуатации.

В контексте преодоления ограничений классических методов управления, нейронные сети предлагают иной подход. Ключевым теоретическим основанием для их применения является свойство универсальной аппроксимации, которое гласит, что даже однослойная нейронная сеть с достаточным количеством нейронов может с любой требуемой точностью приблизить любую непрерывную нелинейную функцию [4]. Это позволяет напрямую моделировать сложные динамические зависимости робота, такие как нелинейное трение, гистерезис и перекрестные связи между степенями подвижности.

Практическая ценность нейросетевых контроллеров проявляется в их способности к обучению без явной модели объекта. Благодаря алгоритмам обратного распространения ошибки, нейронные сети могут подстраивать свои весовые коэффициенты. Это открывает путь к созданию систем управления, которые обучаются непосредственно в процессе работы.

Для проведения исследований была разработана базовая модель манипулятора AC10-1300 в среде SimInTech.

На первом этапе построена кинематическая модель на основе метода Денавита-Хартенберга, где для каждого из шести шарниров определены системы координат и кинематические параметры. Прямое кинематическое преобразование реализовано в виде последовательности однородных преобразований, позволяющих вычислять положение и ориентацию рабочего органа по заданным обобщенным координатам. Обратная кинематика реализована с использованием аналитического метода с учетом специфики кинематической схемы манипулятора.

Динамическая модель построена на основе уравнений Лагранжа-Эйлера второго рода и описывается выражением:

,

 где  - матрица инерции,  - матрица кориолисовых и центробежных сил,  - вектор гравитационных сил, τ - вектор управляющих моментов. Для приближения модели к реальным условиям в динамику системы включены вязкое и сухое трение, а также люфт в редукторах, моделируемый с помощью нелинейного блока с зоной нечувствительности. Приводы суставов представлены как звенья второго порядка с учетом электромеханических постоянных времени.

Базовая система управления реализована на основе независимых ПИД-регуляторов для каждой степени подвижности. Коэффициенты регуляторов настроены с использованием методов модального синтеза для обеспечения устойчивости и требуемого быстродействия при работе на номинальной нагрузке. Данная модель позволяет генерировать данные для обучения нейронных сетей в различных режимах эксплуатации.

В рамках модернизации системы управления предлагается гибридная структура, сочетающая классические ПИД-регуляторы и многослойный перцептрон в качестве компенсатора нелинейностей. Ключевая идея заключается в том, что ПИД-регуляторы обеспечивают базовую стабилизацию и отслеживание траектории, в то время как нейронная сеть динамически компенсирует нелинейные эффекты.

Архитектура системы управления реализована по схеме параллельной компенсации, где результирующий управляющий момент формируется как сумма выходных сигналов ПИД-регулятора и нейронной сети:

Многослойный перцептрон с двумя скрытыми слоями, т. е. с 64 и 32 нейронами соответственно, использует в качестве входных параметров текущие обобщенные координаты q, скорости q' и заданные ускорения q'' для всех шести степеней подвижности, что составляет 18 входных сигналов. Выходной слой сети генерирует шесть компенсирующих моментов Δτ для каждого сустава, с функциями активации на скрытых слоях и линейной функцией на выходном слое для обеспечения необходимого диапазона выходных сигналов [5].

Процесс обучения сети организован в три этапа. На этапе сбора данных проводится серия моделирований с базовой ПИД-системой управления, в ходе которой робот перемещается по разнообразным траекториям, включая круговые, линейные и спиральные движения с различными скоростными профилями. Регистрируются массивы данных {q, q', q'', τ} с дискретностью 1 мс. Целевой сигнал для обучения рассчитывается методом обратного распространения через модель, где идеальный компенсирующий момент определяется как разность между моментом, реально подававшимся на приводы, и моментом, который требовался для точного отслеживания траектории в идеальных условиях. Обучение проводится в течение 1000 эпох с использованием алгоритма Adam и функции потерь MSE [6].

Практическая реализация в SimInTech предусматривает два варианта: использование встроенного блока «Нейронная сеть» для моделей среднего масштаба и интеграция с внешними Python-скриптами через механизм моделирования для сложных архитектур.

Обученная сеть экспортируется в формат ONNX для унификации процесса развертывания. Экспериментальные исследования подтвердили эффективность подхода – при работе с переменной нагрузкой от 2 до 10 кг ошибка позиционирования уменьшилась на 47% по сравнению с базовой ПИД-системой, а компенсация нелинейного трения позволила снизить статическую ошибку на 68%. Особенно значительное улучшение наблюдалось при работе на низких скоростях, где эффект сухого трения наиболее выражен.

Проведенное исследование доказало эффективность гибридного подхода к управлению, комбинирующего классические методы и нейронные сети, для модернизации существующих робототехнических систем. Экспериментальные результаты, полученные на модели коллаборативного робота Eidos AC10-1300, показали значительное улучшение точности позиционирования и адаптивности системы при работе в условиях неопределенности.

Разработанная в SimInTech модель стала надежным полигоном для валидации алгоритмов управления, позволив протестировать различные архитектуры нейронных сетей в контролируемых условиях.

Список литературы:

1. Гильфанов К.Х., Гайнуллин Р.Н., Нгуен Т. Энергосберегающая система отполения объектов электроэнергетики / Вестник Казанского государственного энергетического университета. – 2020. – Т. 12. – № 1 (45). – С. 56-53.
2. Попкова О.С., Файзуллина А.И., Гильфанов К.Х. Определение параметров для эффективности горения малосернистого мазута / Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета. – 2017. – № 132. – С. 1267-1276.
3. Колюбин С.А., Динамика робототехнических систем. Учебное пособие. — СПб.: Университет ИТМО, 2017. — 117 с.
4. Кулакович А.Ю. Программная реализация однослойной нейронной сети для распознавания цифровых символов. – Текст: непосредственный / Инженерный вестник Дона. – 2018.
5. Хатипова, Л. Ф. Применение нечёткой логики и нейронных сетей в интеллектуальных промышленных регуляторах и системах управления / Л. Ф. Хатипова, И. П. Алексеев // Цифровые системы и модели: теория и практика проектирования, разработки и применения: Материалы национальной (с международным участием) научно-практической конференции, Казань, 10–11 апреля 2024 года. – Казань: Казанский государственный энергетический университет, 2024. – С. 1175-1178. – EDN BMCAQG.
6. Комличенко В.Н. Сравнительный анализ различных архитектур нейронных сетей для задач регрессии / В.Н. Комличенко, В.А. Федосенко, А.С. Купрейчик. – Текст: непосредственный // Экономика и качество систем связи. – 2025. – С. 110-120.