Académique Documents
Professionnel Documents
Culture Documents
Chapitre 5
Techniques de commande des robots
-
qd Kp
+
+ q
+
Ki ∫ robot
•
+ q
•
• + e
qd Kd
-
Figure.5.1 : schéma classique d’une commande PID
La commande classique tient le monopole dans le domaine industriel mais elle présente
certains inconvénients et certains avantages.
Les avantages sont :
-Facilité d’implantation.
- Faible coût (implantation, temps de calcul).
Les inconvénients sont :
- cette commande, fondée sur un modèle linéaire du robot manipulateur, n’est plus acceptable
pour les grand déplacement effectués à des vitesses importantes et demandant une bonne
précision.
- le terme intégral est indispensable pour éliminer l’erreur statique en position due aux forces
de gravité. Cependant, pour une entrée de type rampe, l’erreur statique subsiste.
-la dynamique du manipulateur variant avec sa configuration, il ne sera pas possible de
maintenir les performances du système pour toutes les configurations accessibles si les
coefficients du correcteur sone constants.
Lois de commende :
Si les forces de pesanteur sont compensées mécaniquement ou autrement, la loi de commande
à choisir est du type PD :
• •
τ = K P (q d − q) + K D (q d − q )
Dans le cas ou les forces de pesanteur ne sont pas compensées, une commande PID est
nécessaire et la loi correspondante est de la forme :
• • t
τ = K P (q d − q) + K D (q d − q) + K I ∫ (q d − q)dt 5.1
0
qd : position désirée. q : position réelle.
• •
q d : Vitesse désirée. q : Vitesse réelle.
1
Chapitre 5 Robotique (Techniques de commande des robots)
KP, KD, KI : matrices diagonales (n×n) contenant les gains KPi, KDi, KIi.
L’implantation de la commande PID nécessite la connaissance des gains KPi, KDi, KIi de
chaque articulation.
Pour cela, on suppose que les équations dynamiques des articulations sont découplées et
linéaires et en négligeant les forces centrifuge et Coriolis ainsi que les forces de pesanteur et
de frottement.
L’équation correspondant de chaque articulation prend la forme :
••
τ i = Ji qi 5.2
Où Ji : représente la partie fixe ( ou maximale dans d’autre cas ) de l’élément mij de la matrice
d’inertie M(q).
Le modèle est d’autant plus réaliste que le rapport de réduction est important, que les vitesses
sont faibles et que les gains en position et en vitesses sont grands.
On égalisant l’équation (5.2) avec une équation du système (5.1) on obtient :
• • t ••
K Pi (q d − q ) + K Di (q d − q) + K Ii ∫ (q d − q)dt = J i qi
0
La fonction de transfert en boucle fermée entre qi et qdi est comme suit :
qi K Di s 2 + K Pi s + K Ii
= 5.3
q di J i s 3 + K Di s 2 + K Pi s + K Ii
qi
On remarque bien que ≠ 1 , donc, la présence d’une erreur.
dqi
En robotique, la pratique la plus courante consiste à choisir les gains de manière à obtenir
comme pôles dominants un pôle double réel négatif, dans le but d’obtenir une réponse sans
oscillations et rapide, l’autre pôle est choisi réel négatif mais loin des deux autres.
L’équation caractéristique de la fonction de transfert (5.3) s’écrit sous la forme :
E i ( s ) = J i S 3 + K Di s 2 + K Pi s + K Ii
K K K
Si on pose K Pi' = Pi '
K Di = Di K Ii' = Ii
Ji Ji Ji
Alors E i ( s ) = S 3 + K Di
'
s 2 + K Pi' s + K Ii 5.4
Nous remarquons que les gains Kp , KD , KI sont fonction de Ji supposé constant, mais en
réalité Ji varie en fonction de la situation de l’ensemble du robot, donc l’amortissement n’est
vraiment critique que pour la valeur de Ji choisie.
2
Chapitre 5 Robotique (Techniques de commande des robots)
La recherche de précision et de vitesse impose une commande dynamique, c’est-à-dire que les
actionneurs doivent être commandés en couple. Nous allons passer en revue les principales
techniques actuellement développées.
qd - e
Kp
+
Ki ∫
• • q
+
qd + e + ∧ + τ robot
Kd M (q )
- •
+ + q
••
qd ∧ • ∧
H ( q, q ) + τ f
3
Chapitre 5 Robotique (Techniques de commande des robots)
qi s 3 + K Di s 2 + K Pi s + K Ii
= 3 5.9
q di s + K Di s 2 + K Pi s + K Ii
La fonction de transfert (5.9) est unitaire, donc la trajectoire du robot doit suivre exactement
la trajectoire d’erreur de modélisation.
Le calcul de la commande dynamique dépend de la tâche à réaliser :
- Si la charge est connue, sont identification se fait hors ligne.
- Si la charge n’est pas connue l’identification en ligne est obligatoire.
Dans ce cas, l’erreur se comporte comme un système du second ordre. La pulsation propre et
l’amortissement sont alors réglés par les gains du correcteurs :
K p = ω2
5.12
K d = 2ξω
La présence d’un gain intégral est théoriquement inutile puisque le système asservi se
comporte comme un double intégrateur. Cependant, en pratique, le gain intégral est utilisé
pour diminuer l’influence des erreurs de modélisation puisque la commande en couple
calculé a aussi tendance à être peu robuste face aux erreurs de modélisation.
Soit :
Ou
5.13
couple de perturbation.
Nous déduisons que l’erreur de modélisation constitue une excitation pour l’équation de
l’erreur ‘e’. Remédier à ce problème c’est augmenter les gains , et .
4
Chapitre 5 Robotique (Techniques de commande des robots)
qd - e
Kp
+
Ki ∫
• • q
+
qd + e + ∧ + τ robot
Kd M (q )
- •
+ + q
••
∧ • ∧
qd
H ( q, q ) + τ f
•
qd qd
5
Chapitre 5 Robotique (Techniques de commande des robots)
A Gain-scheduling :
Il est possible des fois de trouver des variables auxiliaires qui ont une grande corrélation avec
le changement des paramètres dynamiques. Il est donc possible de réduire les effets des
paramètres on ajustant le régulateur et on se basant sur ces variables auxiliaires.
Le problème du Gain-scheduling est la détermination des paramètres auxiliaires, qui nécessite
la connaissance de la physique du système à commander.
La régulation par Gain-scheduling est la détermination des paramètres auxiliaires, qui
nécessite la connaissance de la physique du système à commander.
Gain-scheduling
Uc Y
U
Régulateur Processus
6
Chapitre 5 Robotique (Techniques de commande des robots)
Modèle de Ym
référence
Mécanisme
d’adaptation
Uc Y
U
Régulateur Processus
Procédure Estimateur de
d’ajustement paramètres
Uc U Y
Régulateur Processus
7
Chapitre 5 Robotique (Techniques de commande des robots)
Approche du gradient
La méthode du gradient est utilisée en premier lieu par Whitaker dans son travail
original. Le développement de cette approche envers le MRAS revient à utilisé les règles de
MIT.
Règle de MIT
Soit l’erreur entre ym et y (e=ym-y) et θ le vecteur des paramètres à ajuster. Un critère à
minimiser est proposé comme :
5.17
Par conséquent pour que J soit petit il est raisonnable de changer les paramètres dans le sens
négatif du gradient de J c.-à-d. :
5.18
S’il est supposé que les paramètres θ changent plus lentement que les autres variables du
système, alors on peut calculer dans ce cas en supposant θ constant. représente la
sensibilité du système et détermine la vitesse d’adaptation des paramètres.
e
θ
Π
5.20
La règle de MIT est performante si est choisi petit, mais sa valeur peut dépendre de
l’amplitude du signal et du gain du processus. En conséquence, il n’est pas possible de donner
à une limite qui assure la stabilité globale du système. il se peut que le système est stable
pour des valeurs et non pour d’autres.
8
Chapitre 5 Robotique (Techniques de commande des robots)
Une façon de remédier au problème précédent est d’utiliser les règles MIT modifiées
donnés par la formule.
5.21
Une autre façon de limiter carrément la vitesse de convergence est d’introduire la fonction de
saturation :
5.22
Il arrive parfois que le choix de larges des valeurs pour y provoque l’instabilité.
Pour toutes ces raisons, le choix d’une approche que se base sur la stabilité semble meilleure.
Fonction de Lyapunov :
Les recherches extensives menées dans le but de trouver une méthode d’analyse de stabilité,
qui assure la tendance de l’erreur vers zéro ont pu donné la fonction de Lyapunov.
La méthode proposé par lyapunov est valable pour les systèmes non-linéaires et dont l’idée
est illustrée en figure (5.9).
L’énoncé de la méthode est le suivant : l’équilibre est stable si on trouve une fonction réelle
de l’espace d’état, sa courbe enveloppe l’état d’équilibre et la dérivée de la variable d’état
pointe à l’intérieur de la courbe.
X2
•
x =0
x=0 V(x)=cst
X1
Figure 5.9 Illustration de la méthode de Lyapunov
9
Chapitre 5 Robotique (Techniques de commande des robots)
•
Alors V doit être définie négative :
La condition (5.26) fixera donc la loi d’adaptation assurant par suite la stabilité et la tendance
de l’erreur vers zéro.
•• • • •
M (θ ) θ + C (θ , θ ) θ + G (θ ) + F (θ ) = τ (t ) 5.27
Le problème consiste à trouver un schéma de commande qui génère le vecteur des couples
τ (t ) assurant le suivi de la trajectoire désirée.
Pour le développement du schéma du commande décentralisé, il est nécessaire de voir
chaque articulation comme étant un sous système du système global (le bras manipulateur).
Ces sous systèmes sont interconnectés par les couples inertiels de couplage, les termes de
Coriolis, Centrifuge, friction et de gravité.
-
θ di ei Régulateur + τi Robot Manipulateur
+ ajustable θi
+
Si
Loi
d’adaptation
10
Chapitre 5 Robotique (Techniques de commande des robots)
2 (2)
- Un terme d’anticipation adaptatif : ∑ Lij (t ) θ di (t )
j =0
1 ( j)
- Un terme de retour adaptatif : ∑ K ij (t ) e i (t )
j =0
L’adaptation des termes précédents exige une loi qui doit en plus assurer la stabilité du
système en boucle fermée.
L’approche utilisée pour résoudre ce problème est la fonction de Lyapunov basée sur un
modèle de référence.
L’’équation d’erreur e(e = θ d − θ ) de chaque sous-systéme est obtenu en remplacent
l’équation de τ i (5.30) dans l’équation (5.29), ce qui donne l’équation suivante (sans indice)
•• • • ••
d e + K 1 e+ K 0 e = m − s − L0θ d − L1 θ d + (d − L2 ) θ d 5.31
•• •
e m (t ) + 2ξw e m (t ) + w 2 em (t ) = 0 5.34
Soit :
• 0 1
x m (t ) = x m (t ) = Ax m (t ) 5.35
− w
2
− 2ξw
•
x m (t ) = (em (t ), e m (t ))
L’équation 5.36 représente le modèle de référence ou w est la pulsation propre et ξ le
coefficient d’amortissement.
L’équation 5.34 admet pour une solution :
0 0
x m (0) = ; t=0 x m (t ) = ∀ t>0
0 0
La loi d’adaptation cherchée doit assurer la tendance de x(t) vers xm(t) et cela pour toutes les
trajectoires désirées θ d .
Vu que le modèle de référence est stable, alors il existe des matrices P et Q définies
positives satisfaisant l’équation de Lyapunov.
PA + AT P = −Q 5.36
11
Chapitre 5 Robotique (Techniques de commande des robots)
• • •
Alors E (t ) = x m (t ) − x(t )
Ou encore
• 0 0 0 0 0 • 0 ••
E (t ) = K 0 K1 x(t ) + s − m + L0 θ + L1 θ + L2 − d θ
−w 2
− 2ξw d d d
d d d d d d
5.38
Choisissons la fonction de Lyapunov définie positive comme suit :
s−m ∗ 2 K ∗ K ∗ L ∗
V = E T PE + R0 ( − s ) + R1 ( 0 − w 2 − K 0 ) 2 + R2 ( 1 − 2ξw − K 1 ) 2 + R3 ( 0 − L 0 ) 2
d d d d
L ∗ L ∗
+ R4 ( 1 − L 1 ) 2 + R5 ( 2 − L 2 ) 2 5.39
d d
Pour que le système à boucle fermée soit stable et que l’erreur e tend vers zéro, il faut choisir
la loi d’adaptation de manière à assurer que V soit définie négative. Nous obtenons donc :
• •2 •2 •• 2
V = − E QE − 2 R 0 h − 2 R 1 h e − 2 R 2 h e − 2 R 3 h θ − 2 R 4 h θ d − 2 R 5 h θ d
T 2 2 2 2 2 2
d
2 2
5.40
•
Alors V <0
t
S (t ) = S (0) + C1 ∫ h(t )dt + C 2 h(t )
0
t
K 0 (t ) = K 0 (0) + C 3 ∫ h(t )e(t ) + C 4 h(t )e(t )
0
t • • 5.41
K1 (t ) = K1 (0) + C5 ∫ h(t ) e(t ) + C6 h(t ) e(t )
0
t
L0 (t ) = L0 (0) + C 7 ∫ h(t )θ d (t )dt + C8 h(t )θ d (t )
0
t • •
L1 (t ) = L1 (0) + C 9 ∫ h(t ) θ d (t )dt + C10 h(t ) θ d (t )
0
t •• ••
L2 (t ) = L2 (0) + C11 ∫ h(t ) θ d (t )dt + C12 h(t ) θ d (t )
0
• •
Avec h = p 2 e + p3 e = c p e + cv e
12