(۴-۸۲)

قوانین تطبیق پارامترهای شبکه عصبی-فازی عبارتنداز:

(۴-۸۳)

(۴-۸۴)

(۴-۸۵)

(۴-۸۶)

(۴-۸۷)

(۴-۸۸)

در این شبیه­سازی، برای هر مفصل ۳ گروه عضویت درنظر گرفته شده است. این قانون کنترل و به همراه قوانین تطبیق (۴-۸۳) تا (۴-۸۶) را به ربات اسکارا و موتورهای توصیف شده در فصل قبل اعمال می­کنیم. مسیر مطلوب در (۴-۶۳) داده شده است. مقادیر  و  به ترتیب برای ماتریس­های  و

شکل (۴-۱۴) ساختار شبکه عصبی-فازی
انتخاب شده است. ضرایب همگرایی  در (۴-۸۳) تا (۴-۸۶) به طور یکسان روی عدد ۵ تنظیم شده ­اند. مقادیر اولیه  به طور تصادفی در بازه  قرار داده شده ­اند. همچنین، مقادیر اولیه  به طور تصادفی در بازه­  و مقادیر اولیه  به طور یکسان  انتخاب شده ­اند.

شکل (۴-۱۵) بلوک دیاگرام کنترل کننده عصبی-فازی
این مقادیر با توجه به حداکثر تغییرات  در (۴-۷۰) بدست آمده­اند. در شکل (۴-۱۶)، خطاهای ردگیری کنترل­ کننده عصبی-فازی و کنترل­ کننده پیشنهادی با یکدیگر مقایسه شده ­اند. همان­طور که در این شکل دیده می­ شود، خطاهای ردگیری کنترل­ کننده مبتنی بر سری فوریه به مراتب بهتر از کنترل­ کننده عصبی­-فازی می­باشد. البته با افزایش مقادیر  و  و ضرایب همگرایی  خطای ردگیری کنترل کننده عصبی-فازی کاهش می­یابد. اما این امر موجب افزایش لرزش در سیگنال کنترل خواهد شد. در شکل (۴-۱۷) سیگنالهای کنترل با یکدیگر مقایسه شده ­اند. همان­طور که در این شکل مشاهده می­ شود، ولتاژ موتورها در کنترل­ کننده عصبی-فازی لرزش دارند و با افزایش  و  این لرزش بیشتر نیز می­ شود. علاوه بر این، حجم محاسبات کنترل ­کننده عصبی-فازی بسیار بیشتر از کنترل­ کننده مبتنی بر سری فوریه می­باشد، به طوری که زمان اجرای شبیه­سازی مربوط به کنترل کننده پیشنهادی کمتر از ۲ دقیقه است، در حالی که این زمان برای کنترل­ کننده عصبی-فازی بیش از ۱۵ دقیقه می­باشد.

شکل (۴-۱۶) مقایسه خطاهای ردگیری دو کنترل کننده (سری فوریه: ــــــــ عصبی-فازی: - - -)

شکل (۴-۱۷) مقایسه ولتاژ موتورها در دو کنترل کننده (سری فوریه: ــــــــ عصبی-فازی: - - -)
۴-۵- نتایج آزمایشگاهی
در این قسمت به تشریح دستگاه آزمایشگاهی ساخته شده در این پایان نامه می­پردازیم. تاکنون انتقادات بسیاری نسبت به راهبرد کنترل ولتاژ صورت گرفته است و برخی از صاحب­نظران در موفقیت­­آمیز بودن آن در پیاده­سازی عملی به دلیل نادیده گرفتن دینامیک بازو و طراحی کنترل­ کننده بر مبنای مدل موتور، تردید کرده ­اند. در این پایان نامه پیاده­سازی موفقیت­آمیز قانون کنترل ارائه شده در این فصل که مبتنی بر راهبرد کنترل ولتاژ می­باشد، روی ربات اسکارا را نشان می­دهیم. اگرچه مشخصات ربات اسکارای در نظرگرفته شده برای شبیه­سازی با ربات اسکارای ساخته شده تفاوت بسیاری دارد، اما رفتار کنترل­ کننده پیشنهادی در مورد هر دو ربات بسیار شبیه است که نشان­دهنده معتبر بودن نتایج شبیه­سازی­های مبتنی بر راهبرد کنترل ولتاژ می­باشد.
نکته مهم دیگر، مستقل از مدل بودن قانون کنترل پیشنهادی است. در حال حاضر، تمامی پارامترهای ربات ساخته شده اعم از پارامترهای دینامیکی توصیف شده در جدول (۳-۲) و مشخصات موتورها از قبیل مقاومت، اندوکتانس و نسبت تبدیل چرخ­دنده مجهول هستند و قانون کنترل (۴-۲۰) که در این قسمت پیاده­سازی شده است نیز به آنها نیازی ندارد. فقط ولتاژ قابل تحمل موتورها معلوم می­باشد.
دستگاه آزمایشگاهی ساخته شده در شکل (۴-۱۸) به تصویر کشیده شده است. همان­طور که در شکل (۴-۱۸) مشاهده می­ شود، از پاور کامپیوتر به عنوان منبع تغذیه استفاده شده است. از خروجی ۵ ولت آن برای تحریک موتورهای مفاصل اول و دوم و از خروجی ۱۲ ولت آن برای تحریک موتور مفصل کشویی استفاده شده است. نام تجاری سروموتورهای DC مفاصل اول و دوم TowerPro MG995 و حداکثر ولتاژ قابل تحمل آنها ۵ ولت است. حداکثر جابجایی زاویه­ای این موتورها حدود ۲۰۰ درجه می­باشد. نام تجاری موتور سوم ZKJS-180-370 است که یک موتور DC دوازده ولتی می­باشد.
شکل (۴-۱۸) ستاپ آزمایشگاهی