Descarga la aplicación para disfrutar aún más
Vista previa del material en texto
Identificacio´n Parame´trica Facultad de Ciencias de la Electro´nica Beneme´rita Universidad Auto´noma de Puebla Maestr´ıa en Ciencias de la Electro´nica, Opcio´n en Automatizacio´n Fernando Reyes Corte´s Control de Robots Manipuladores ftp://ece.buap.mx/pub/profesor/FernandoReyes/crm/ Primavera 2016 Mı´nimos cuadrados Modelo de regresio´n dina´mico Modelo de regresio´n filtrado Regresor del modelo de energ´ıa Regresor de los modelos de potencia y potencia filtrada Parte III Identificacio´n parame´trica Contenido Esquemas de regresio´n de los modelos: dina´mico dina´mico filtrado energ´ıa potencia potencia filtrada Fernando Reyes Corte´s Beneme´rita Universidad Auto´noma de Puebla Facultad de Ciencias de la Electro´nica Identificacio´n Parame´trica Control de Robots Manipuladores MCEA-20800 Maestr´ıa en Ciencias de la Electro´nica, Opcio´n en Automatizacio´n 3 / 20 Mı´nimos cuadrados Modelo de regresio´n dina´mico Modelo de regresio´n filtrado Regresor del modelo de energ´ıa Regresor de los modelos de potencia y potencia filtrada Mı´nimos cuadrados Considere el modelo matema´tico que esta´ expresado como un regresor lineal de la siguiente forma: y(k) = Ψ(k)Tθ donde: y(k) ∈ IRn es un vector de mediciones (entradas o salidas) del sistema, Ψ(k) ∈ IRp×n es la matriz de regresio´n compuesta por observaciones de funciones conocidas El vector de para´metros desconocidos esta´ representado por θ ∈ IRp . El modelo y(k) = Ψ(k)Tθ esta´ indexado por la variable k , la cual denota el tiempo discreto; se asume que el conjunto de ı´ndices y(k) y Ψ(k) forman un conjunto discreto. Fernando Reyes Corte´s Beneme´rita Universidad Auto´noma de Puebla Facultad de Ciencias de la Electro´nica Identificacio´n Parame´trica Control de Robots Manipuladores MCEA-20800 Maestr´ıa en Ciencias de la Electro´nica, Opcio´n en Automatizacio´n 4 / 20 Mı´nimos cuadrados Modelo de regresio´n dina´mico Modelo de regresio´n filtrado Regresor del modelo de energ´ıa Regresor de los modelos de potencia y potencia filtrada El algoritmo de mı´nimos cuadrados para el caso vectorial tiene la siguiente forma: θˆ(k) = θˆ(k − 1) + P(k − 1) Ψ(k)[I +Ψ(k − 1)TP(k − 1)Ψ(k)]−1 e(k) (1) P(k) = P(k − 1)− P(k − 1)Ψ(k)[I +Ψ(k)TP(k − 1)Ψ(k)]−1Ψ(k)TP(k − 1) (2) e(k) = y(k)−Ψ(k)T θˆ(k − 1) (3) donde: P(k) ∈ IRp×p es la matriz de covarianza, la cual es una matriz definida positiva, e(k) ∈ IRn es el error de prediccio´n, θˆ(k) ∈ IRp es el vector de para´metros estimados, θ ∈ IRp es el vector de para´metros reales. El algoritmo de mı´nimos cuadrados para el caso escalar tiene la siguiente forma: θˆ(k) = θˆ(k − 1) + P(k − 1) Ψ(k)e(k) 1 + Ψ(k − 1)TP(k − 1)Ψ(k) P(k) = P(k − 1)− P(k−1)Ψ(k)Ψ(k)TP(k−1) 1+Ψ(k−1)TP(k−1)Ψ(k) e(k) = y(k)−Ψ(k)T θˆ(k − 1) Fernando Reyes Corte´s Beneme´rita Universidad Auto´noma de Puebla Facultad de Ciencias de la Electro´nica Identificacio´n Parame´trica Control de Robots Manipuladores MCEA-20800 Maestr´ıa en Ciencias de la Electro´nica, Opcio´n en Automatizacio´n 5 / 20 Mı´nimos cuadrados Modelo de regresio´n dina´mico Modelo de regresio´n filtrado Regresor del modelo de energ´ıa Regresor de los modelos de potencia y potencia filtrada Propiedades del algoritmo recursivo de mı´nimos cuadrados Sea θ˜ = θˆk − θ ‖θˆk − θ‖2 ≤ λmax P−10 λmin P−10 ‖θˆ0 − θ‖ ∀ k ≥ 0 limk→∞‖θˆk − θ‖ = 0 ∀ k ≥ 0. ‖θˆk − θ‖ <∞ ∀ k ≥ 0 Fernando Reyes Corte´s Beneme´rita Universidad Auto´noma de Puebla Facultad de Ciencias de la Electro´nica Identificacio´n Parame´trica Control de Robots Manipuladores MCEA-20800 Maestr´ıa en Ciencias de la Electro´nica, Opcio´n en Automatizacio´n 6 / 20 Mı´nimos cuadrados Modelo de regresio´n dina´mico Modelo de regresio´n filtrado Regresor del modelo de energ´ıa Regresor de los modelos de potencia y potencia filtrada Sen˜ales de excitacio´n persistente Las condiciones de convergencia parame´trica del algoritmo de mı´nimo cuadrados se refieren a que la matriz de covarianza satisfaga: limk→∞λmin { P(k − 1)−1} = ∞ limk→∞ n−1∑ i=1 ΨkΨkT = ∞ Definicio´n Una sen˜al τ(t) es considerada de excitacio´n persistente de orden n si existen ρ1, ρ2 ∈ IR+ tal que: ρ1I ≥ limN→∞ 1 N N∑ i=1 τ(t + n)... τ(t + 1) [τ(t + n) · · · τ(n + 1)] ≥ ρ2I El disen˜o de la sen˜al de excitacio´n persistente τ(t) se realiza: τ = a1 sen(w1t + ϕ1) + a2 sen(w2t + ϕ2) + · · ·+ an sen(wnt + ϕn) a1, a2, · · · , an ∈ IR deben ser seleccionados de manera conveniente para no saturar a los servos. Las frecuencias w1,w2, · · · ,wn ∈ IR+ son del tipo irracional o factores de αpi, con α ∈ IR. Las fase ϕ1, ϕ2, · · · , ϕn son del tipo aleatorio (random). Adema´s, cada componente senoidal determina dos para´metros θˆ1, θˆ2, es decir para identificar p para´metros se requieren p 2 componentes senoidales. Fernando Reyes Corte´s Beneme´rita Universidad Auto´noma de Puebla Facultad de Ciencias de la Electro´nica Identificacio´n Parame´trica Control de Robots Manipuladores MCEA-20800 Maestr´ıa en Ciencias de la Electro´nica, Opcio´n en Automatizacio´n 7 / 20 Mı´nimos cuadrados Modelo de regresio´n dina´mico Modelo de regresio´n filtrado Regresor del modelo de energ´ıa Regresor de los modelos de potencia y potencia filtrada Modelo de regresio´n dina´mico El modelo de regresio´n dina´mico tambie´n conocido como modelo de regresio´n diferencial adquiere la siguiente estruc- tura: τ f = Yf (q , q˙ , q¨)θ (4) El modelo de regresio´n dina´mico (4) requiere: Medicio´n de la aceleracio´n articular q¨ para calcular los elementos de la matriz de observaciones Y (q , q˙ , q¨). El error de prediccio´n del robot manipulador toma la siguiente forma: e(k) = τ f (k)︸︷︷︸ y (k) −Yf (q , q˙ , q¨)(k)︸ ︷︷ ︸ Ψ(k)T θˆ(k − 1) . (5) El modelo de regresio´n dina´mico corresponde al caso vectorial. Fernando Reyes Corte´s Beneme´rita Universidad Auto´noma de Puebla Facultad de Ciencias de la Electro´nica Identificacio´n Parame´trica Control de Robots Manipuladores MCEA-20800 Maestr´ıa en Ciencias de la Electro´nica, Opcio´n en Automatizacio´n 8 / 20 Mı´nimos cuadrados Modelo de regresio´n dina´mico Modelo de regresio´n filtrado Regresor del modelo de energ´ıa Regresor de los modelos de potencia y potencia filtrada Modelo de regresio´n dina´mico filtrado La medicio´n de la aceleracio´n articualr q¨ ∈ IRn representa un inconveniente. La idea clave es filtrar de ambos lados del modelo de regresio´n dina´mico por un filtro estable estrictamente propio. Sin pe´rdida de generalidad, conside´rese un filtro de primer orden dado por la funcio´n de transferencia f (s) = λ s+λ donde λ es una constante positiva y s representa el operador diferencial: τ f = f (s)τ Yf (q , q˙) = f (s)Y (q , q˙ , q¨) Debido a la introduccio´n de los filtros, se evita el requerimiento de la aceleracio´n articular q¨ dentro de la matriz de regresio´n Yf (q , q˙). Con la anterior notacio´n y con referencia al algoritmo recursivo de mı´nimos cuadrados, el error de prediccio´n correspondiente al modelo de regresio´n dina´mico filtrado del robot manipulador toma la siguiente forma vectorial: e(k) = τ f (k)︸︷︷︸ y (k) −Yf (q , q˙)(k)︸ ︷︷ ︸ Ψ(k)T θˆ(k − 1) . Fernando Reyes Corte´s Beneme´rita Universidad Auto´noma de Puebla Facultad de Ciencias de la Electro´nica Identificacio´n Parame´trica Control de Robots Manipuladores MCEA-20800 Maestr´ıa en Ciencias de la Electro´nica, Opcio´n en Automatizacio´n 9 / 20 Mı´nimos cuadrados Modelo de regresio´n dina´mico Modelo de regresio´n filtrado Regresor del modelo de energ´ıa Regresor de los modelos de potencia y potencia filtrada Ejemplo Obtener los esquemas de regresio´n del modelo dina´mico y dina´mico filtrado de un pe´ndulo. El modelo dina´mico del pe´ndulo se encuentra dado por: τ = I q¨ + bq˙ + fc signo (q˙) +mglc sen(q) el esquema de regresio´n delmodelo dina´mico es: e = τ − [q¨ q˙ signo (q˙) sen(q)] Iˆ bˆ fˆc mˆgˆ lˆc donde [ Iˆ bˆ fˆc mˆgˆ lˆc ]T son los para´metros estimados de [ I b fc mglc ]T , respectivamente. El modelo dina´mico filtrado se obtiene como: λτ s + λ = I λq¨ s + λ + b λq˙ s + λ + fc λ signo (q˙) λ+ s +mglc λ sen(q) s + λ = I s λq˙ s + λ + b s λq s + λ + fc λ signo (q˙) λ+ s +mglc λ sen(q) s + λ donde s = d dt . Por lo tanto el esquema de regresio´n del modelo dina´mico filtrado para un pe´ndulo es: e = λτ s + λ − [ s λq˙ s+λ s λq s+λ λ signo(q˙) λ+s λ sen(q) s+λ ] Iˆ bˆ fˆc mˆgˆ lˆc Fernando Reyes Corte´s Beneme´rita Universidad Auto´noma de Puebla Facultad de Ciencias de la Electro´nica Identificacio´n Parame´trica Control de Robots Manipuladores MCEA-20800 Maestr´ıa en Ciencias de la Electro´nica, Opcio´n en Automatizacio´n 10 / 20 Mı´nimos cuadrados Modelo de regresio´n dina´mico Modelo de regresio´n filtrado Regresor del modelo de energ´ıa Regresor de los modelos de potencia y potencia filtrada Esquema de regresio´n del modelo de energ´ıa Un enfoque particularmente atractivo para el disen˜o de esquemas de identificacio´n parame´trica de robots manipu- ladores se basa en el modelo de energ´ıa aplicada al robot manipulador, el cual puede ser descrito como un modelo de regresio´n lineal en te´rminos de los para´metros dina´micos. Este esquema tambie´n se conoce en la literatura como modelo integral. La energ´ıa total del robot manipulador esta´ dada por la suma de la energ´ıa cine´tica K(q , q˙), la energ´ıa potencial U(q) ma´s la energ´ıa disipativa f f (q˙ , f e): ET (q , q˙) = H(q , q˙) + f f (q˙ , f e) (6) H(q , q˙) = K(q , q˙) + U(q). (7) donde H(q , q˙) se denomina el hamiltoniano. Fernando Reyes Corte´s Beneme´rita Universidad Auto´noma de Puebla Facultad de Ciencias de la Electro´nica Identificacio´n Parame´trica Control de Robots Manipuladores MCEA-20800 Maestr´ıa en Ciencias de la Electro´nica, Opcio´n en Automatizacio´n 11 / 20 Mı´nimos cuadrados Modelo de regresio´n dina´mico Modelo de regresio´n filtrado Regresor del modelo de energ´ıa Regresor de los modelos de potencia y potencia filtrada La energ´ıa cine´tica y potencial puede ser escrita como una funcio´n lineal de los para´metros dina´micos: K(q , q˙) = 1 2 q˙TM (q)q˙ = φK(q , q˙) TθK (8) U(q) = φU(q)TθU (9) donde φK y φU son vectores de orden p1 × 1 y p2 × 1, los cuales dependen de posiciones y velocidades articulares, respectivamente; θK y θU son vectores de orden p1 × 1 y p2 × 1, respectivamente, los cuales contienen los para´metros dina´micos del robot manipulador tales como masas, centros de masas y momentos de inercia. La energ´ıa disipativa puede descomponerse como: f f (q˙ , f e) = φf f (q˙ , f e) Tθf f (10) Fernando Reyes Corte´s Beneme´rita Universidad Auto´noma de Puebla Facultad de Ciencias de la Electro´nica Identificacio´n Parame´trica Control de Robots Manipuladores MCEA-20800 Maestr´ıa en Ciencias de la Electro´nica, Opcio´n en Automatizacio´n 12 / 20 Mı´nimos cuadrados Modelo de regresio´n dina´mico Modelo de regresio´n filtrado Regresor del modelo de energ´ıa Regresor de los modelos de potencia y potencia filtrada Por lo tanto, la energ´ıa total del robot manipulador puede expresarse como un regresor lineal en te´rminos de los para´metros dina´micos del hamiltoniano H(q , q˙) y la friccio´n f f (q˙ , f e): H(q , q˙) = φH(q , q˙)TθH (11) donde φH(q , q˙) T = [φK(q , q˙) T φU(q) T ] (12) θH = [θ T K θ T U ] T . (13) La parametrizacio´n lineal de la energ´ıa total conduce a la bien conocida propiedad de linealidad del modelo dina´mico en te´rminos de los para´metros dina´micos del robot manipulador. El lagrangiano del robot manipulador L(q , q˙) puede ser expresado de la siguiente forma: L(q , q˙) = φL(q , q˙)TθH φL(q , q˙) T = [φK(q , q˙) T − φU(q)T ] . Las siguientes propiedades se satisfacen: ∂L ∂q˙ = ∂φL(q , q˙) ∂q˙ θH, d dt [ ∂L ∂q˙ ] = [ d dt ∂φL(q , q˙) ∂q˙ ] θH, ∂L ∂q = ∂φL(q , q˙) ∂q θH . Fernando Reyes Corte´s Beneme´rita Universidad Auto´noma de Puebla Facultad de Ciencias de la Electro´nica Identificacio´n Parame´trica Control de Robots Manipuladores MCEA-20800 Maestr´ıa en Ciencias de la Electro´nica, Opcio´n en Automatizacio´n 13 / 20 Mı´nimos cuadrados Modelo de regresio´n dina´mico Modelo de regresio´n filtrado Regresor del modelo de energ´ıa Regresor de los modelos de potencia y potencia filtrada El modelo de regresio´n de la energ´ıa se basa en el principio de la conservacio´n de la energ´ıa, el cual establece que el trabajo efectuado por las fuerzas aplicadas a un sistema es igual al cambio de energ´ıa total del sistema:∫ t 0 q˙(σ)Tτ (σ)dσ︸ ︷︷ ︸ energ´ıa aplicada (t) = H(q(t), q˙(t))−H(q(0), q˙(0))︸ ︷︷ ︸ energ´ıa almacenada (t) + ∫ t 0 q˙(σ)T f (q˙(σ))dσ︸ ︷︷ ︸ energ´ıa disipada (t) . Sin pe´rdida de generalidad, supo´ngase que la energ´ıa hamiltoniana en el instante cero es nula, es decir H(q(0), q˙(0)) = 0. Empleando el principio de conservacio´n de la energ´ıa y la propiedad de linealidad en los para´metros de la energ´ıa total del robot, el modelo de regresio´n de la energ´ıa esta´ dado por:∫ t 0 q˙(σ)Tτ (σ)dσ = [ φH(q(t), q˙(t)) T ∫ t 0 q˙(σ)TφF(q˙(σ))dσ ] θ . Fernando Reyes Corte´s Beneme´rita Universidad Auto´noma de Puebla Facultad de Ciencias de la Electro´nica Identificacio´n Parame´trica Control de Robots Manipuladores MCEA-20800 Maestr´ıa en Ciencias de la Electro´nica, Opcio´n en Automatizacio´n 14 / 20 Mı´nimos cuadrados Modelo de regresio´n dina´mico Modelo de regresio´n filtrado Regresor del modelo de energ´ıa Regresor de los modelos de potencia y potencia filtrada El modelo de regresio´n es lineal en los para´metros dina´micos y en los coeficientes de friccio´n viscosa y de Coulomb. El regresor depende de la posicio´n q y velocidad q˙ , por lo que no requiere la aceleracio´n q¨ . El error de prediccio´n del modelo de regresio´n de la energ´ıa se define como: e(k) = ∫ kh 0 q˙(σ)Tτ (σ)dσ︸ ︷︷ ︸ y(k) − [ φH(q , q˙) T (k) ∫ kh 0 q˙(σ)TφF(q˙(σ))dσ ] ︸ ︷︷ ︸ Ψ(k)T θˆ(k − 1) donde h indica el periodo de muestreo. Fernando Reyes Corte´s Beneme´rita Universidad Auto´noma de Puebla Facultad de Ciencias de la Electro´nica Identificacio´n Parame´trica Control de Robots Manipuladores MCEA-20800 Maestr´ıa en Ciencias de la Electro´nica, Opcio´n en Automatizacio´n 15 / 20 Mı´nimos cuadrados Modelo de regresio´n dina´mico Modelo de regresio´n filtrado Regresor del modelo de energ´ıa Regresor de los modelos de potencia y potencia filtrada Ejemplo Obtener el modelo de regresio´n de la energ´ıa para un pe´ndulo. La energ´ıa cine´tica y potencial de un pe´ndulo se encuentra dada por: H(q , q˙) = 1 2 I q˙2 +mglc [ 1− cos(q)] La energ´ıa total del pe´ndulo esta´ dada por la siguiente expresio´n:∫ t 0 q˙τdt = 1 2 I q˙2 +mglc [ 1− cos(q)]+ b ∫ t 0 q˙2dt + fc ∫ t 0 |q˙ |dt . Por tanto, el modelo de regresio´n lineal de la energ´ıa se encuentra por: e = ∫ t 0 q˙τdt − [1 2 q˙2 ∫ t 0 q˙2dt ∫ t 0 |q˙ |dt [1− cos(q)]] Iˆ bˆ fˆc mˆgˆ lˆc Fernando Reyes Corte´s Beneme´rita Universidad Auto´noma de Puebla Facultad de Ciencias de la Electro´nica Identificacio´n Parame´trica Control de Robots Manipuladores MCEA-20800 Maestr´ıa en Ciencias de la Electro´nica, Opcio´n en Automatizacio´n 16 / 20 Mı´nimos cuadrados Modelo de regresio´n dina´mico Modelo de regresio´n filtrado Regresor del modelo de energ´ıa Regresor de los modelos de potencia y potencia filtrada Modelo de regresio´n de la potencia y potencia filtrada La potencia aplicada puede expresarsecomo un regresor lineal de un vector de para´metros y un vector de observaciones: q˙Tτ = [ d dt φH(q , q˙) T q˙TφF(q˙) ] θ e(k) = q˙T (k)τ (k)− [ d dt φH(q(k), q˙(k)) T q˙T (k)φF(q˙(k)) ] θˆ(k − 1) El modelo de la potencia aplicada presenta la desventaja de requerir la aceleracio´n articular en el vector de regresio´n. Este inconveniente puede ser resuelto al filtrar ambos lados del modelo de regresio´n aplicada mediante un filtro estable estrictamente propio. Sin pe´rdida de generalidad, conside´rese una vez ma´s el filtro de primer orden cuya funcio´n de transferencia esta´ dada por f (s) = λ/(s + λ) donde λ > 0. Fernando Reyes Corte´s Beneme´rita Universidad Auto´noma de Puebla Facultad de Ciencias de la Electro´nica Identificacio´n Parame´trica Control de Robots Manipuladores MCEA-20800 Maestr´ıa en Ciencias de la Electro´nica, Opcio´n en Automatizacio´n 17 / 20 Mı´nimos cuadrados Modelo de regresio´n dina´mico Modelo de regresio´n filtrado Regresor del modelo de energ´ıa Regresor de los modelos de potencia y potencia filtrada Al aplicar el filtro a ambos lados se obtiene el siguiente modelo, el cual se ha denotado como el modelo de regresio´n de la potencia filtrada: λ s + λ q˙T (t)τ (t) = [ λs s + λ φH(q(t), q˙(t)) T λ s + λ q˙TφF(q˙) ] θ . El modelo de la potencia filtrada conserva las mismas ventajas que el modelo de regresio´n de la energ´ıa, es decir, es lineal en los para´metros dina´micos y coeficientes de friccio´n viscosa y de Coulomb, depende de la posicio´n q y velocidad q˙ y no requiere la medicio´n de la aceleracio´n articular q¨ . El error de prediccio´n del modelo de regresio´n de la potencia filtrada es una funcio´n escalar que se define en forma natural como: e(k) = λ s + λ (q˙Tτ )(k)︸ ︷︷ ︸ y(k) − [ λs s + λ φH(q , q˙) T (k) λ s + λ q˙TφF(q˙)(k) ] ︸ ︷︷ ︸ Ψ(k)T θˆ(k − 1) . Fernando Reyes Corte´s Beneme´rita Universidad Auto´noma de Puebla Facultad de Ciencias de la Electro´nica Identificacio´n Parame´trica Control de Robots Manipuladores MCEA-20800 Maestr´ıa en Ciencias de la Electro´nica, Opcio´n en Automatizacio´n 18 / 20 Mı´nimos cuadrados Modelo de regresio´n dina´mico Modelo de regresio´n filtrado Regresor del modelo de energ´ıa Regresor de los modelos de potencia y potencia filtrada Ejemplo Obtener los esquemas de regresio´n del modelo de la potencia y potencia filtrada para un pe´ndulo robot. El modelo de potencia de un pe´ndulo es: τ q˙ = I q˙ q¨ + bq˙2 + fc|q˙ |+mglc sen(q)q˙ e(k) = τ(k)q˙(k)− [q˙ q¨ q˙2 |q˙ | sen(q)q˙] Iˆ bˆ fˆc mˆgˆ lˆc Fernando Reyes Corte´s Beneme´rita Universidad Auto´noma de Puebla Facultad de Ciencias de la Electro´nica Identificacio´n Parame´trica Control de Robots Manipuladores MCEA-20800 Maestr´ıa en Ciencias de la Electro´nica, Opcio´n en Automatizacio´n 19 / 20 Mı´nimos cuadrados Modelo de regresio´n dina´mico Modelo de regresio´n filtrado Regresor del modelo de energ´ıa Regresor de los modelos de potencia y potencia filtrada El modelo de la potencia filtrada se determina por: λτ q˙ s + λ = I λq˙ q¨ s + λ + b λq˙2 s + λ + fc λ|q˙ | s + λ +mglc λ sen(q)q˙ s + λ = 1 2 Is λq˙2 s + λ + b λq˙2 s + λ + fc λ|q˙ | s + λ +mglc λ sen(q)q˙ s + λ El modelo de regresio´n de la potencia filtrada para un pe´ndulo es: e = λτ q˙ s + λ − [ 1 2 s λq˙ 2 s+λ λq˙2 s+λ λ|q˙| s+λ λ sen(q)q˙ s+λ ] Iˆ bˆ fˆc mˆgˆ lˆc Fernando Reyes Corte´s Beneme´rita Universidad Auto´noma de Puebla Facultad de Ciencias de la Electro´nica Identificacio´n Parame´trica Control de Robots Manipuladores MCEA-20800 Maestr´ıa en Ciencias de la Electro´nica, Opcio´n en Automatizacio´n 20 / 20 Identificación paramétrica Mínimos cuadrados Modelo de regresión dinámico Modelo de regresión filtrado Regresor del modelo de energía Regresor de los modelos de potencia y potencia filtrada
Compartir