1 |
[en] LEARNING CONTROL OF HIGH FREQUENCY SERVO: HYDRAULIC SYSTEMS / [pt] CONTROLE POR APRENDIZADO DE SISTEMAS SERVO: HIDRÁULICOS DE ALTA FREQÜÊNCIAJUAN GERARDO CASTILLO ALVA 28 October 2008 (has links)
[pt] Sistemas hidráulicos são usados onde se requerem forças e
torques
relativamente altos, alta velocidade de resposta para o
início, parada e reversão da
velocidade. Eles são usados em sistemas industriais, em
robótica, simuladores de
movimento, plantas automatizadas, exploração de minérios,
prensas, e
especialmente em sistemas de testes de fadiga de
materiais. As máquinas de testes
de fadiga baseadas em sistemas servo-hidráulicos têm como
propósito fazer
ensaios nos materiais para prever a vida útil em serviço.
Os ensaios de fadiga são
quase sempre independentes da freqüência de trabalho.
Para uma dada resistência
do material e magnitudes das tensões alternadas e médias
aplicadas, a vida à
fadiga depende essencialmente do número de ciclos de
carga aplicados ao material
testado. Por esse motivo, trabalhar com a máquina de
ensaios de materiais a uma
freqüência elevada traz vantagens de redução de tempo e
custo dos ensaios, sem
interferir nos resultados. A aplicação da carga pode ser
repetida milhões de vezes,
em freqüências típicas de até cem vezes por segundo para
metais. Para se
atingirem estas freqüências, relativamente altas para um
teste de fadiga, é
necessário um sistema de controle eficiente. Nesta
dissertação, técnicas de
controle por aprendizado são desenvolvidas e aplicadas a
uma máquina de ensaios
de materiais, permitindo a aplicação de carregamentos de
amplitude variável em
alta freqüência. A metodologia proposta consiste em fazer
um controle do tipo
bang-bang, restringindo à servo-válvula do sistema a
trabalhar sempre nos seus
limites extremos de operação, i.e., procurando mantê-la
sempre completamente
aberta em uma ou outra direção. Devido à dinâmica do
sistema, os pontos de
reversão devem ficar antes dos picos e vales de força ou
tensão desejada. O
instante de reversão é um parâmetro que depende de
diversos fatores, como a
amplitude e carga média da solicitação, e também é
influenciado por zonas mortas
causadas, e.g., por folgas na fixação dos corpos de
prova. Para que a servo-válvula
trabalhe no limite de seu funcionamento, o algoritmo de
aprendizado obtém os
instantes ótimos para as reversões, associados a
variáveis adimensionais com valores entre 0 e 1,
armazenados em tabelas específicas para cada tipo de
carregamento. A lei de aprendizado preenche e atualiza
constantemente os valores
das tabelas durante a execução dos testes, melhorando a
resposta do sistema a
cada evento. Apresentam-se a modelagem dinâmica de uma
máquina servohidráulica
e de sua malha de controle, e simulações comparando o
controle PID
com o controle por aprendizado proposto. A validação
experimental é feita em
uma máquina servo-hidráulica de ensaios de fadiga. Para
este fim, um software de
controle em tempo real foi especialmente desenvolvido e
implementado em um
sistema computacional CompactRIO. Os resultados
demonstram a eficiência da
metodologia proposta. / [en] Hydraulic systems are used where relatively high forces and
torques are
required, or when high response speeds are necessary. They
are used in industrial
systems, robotics, movement simulators, automated plants,
ore exploration,
presses, and especially in fatigue testing systems. Fatigue
tests are usually
performed on servo-hydraulic systems, in order to predict
the behavior of
materials and their life in service. Fatigue tests are
almost always independent of
the loading frequency. For a given material and magnitudes
of alternate and mean
stresses, the fatigue life depends essentially on the
number of applied load cycles
on the tested material. For this reason, working with the
material testing machine
at high frequencies brings the advantages of reduction in
time and cost, without
altering the results. The application of the load can be
repeated millions of times,
in frequencies of up to one hundred times per second for
metals, or even more. To
achieve such frequencies, relatively high for a fatigue
test, it is necessary to use an
efficient control system. In this thesis, learning control
techniques are developed
and applied to a materials testing machine, allowing the
application of constant or
variable amplitude loads in high frequency. The proposed
methodology consists
of implementing a bang-bang type control, restricting the
system servo-valve to
always work at its extreme limits of operation, i.e.,
always keeping it completely
open in one or the other direction. Due to the system
dynamics, the reversion
instant must happen before achieving the peaks and valleys
of desired force (or
stress, strain, etc.). The reversion instant is a parameter
that depends on several
factors, such as the alternate and mean loading components.
It is also influenced
by dead zones caused, e.g., by the slack in the mounting
between a CTS specimen
and the machine pins. As the servo-valve works in its
limits of operation, the
learning algorithm tries to obtain the optimal instants for
the reversions,
associating them to a non dimensional variable with values
between 0 and 1,
stored in specific tables. The learning law constantly
updates the values of the
table during the execution of the tests, improving the
system response. In this work, the dynamic modeling of a
servo-hydraulic machine is presented, together
with its control scheme. Simulations are performed to
compare results from PID
and learning controls. The experimental validation is made
using a servohydraulic
testing machine. For this purpose, real time control
software is
developed and implemented in a CompactRIO computational
system. The results
demonstrate the efficiency of the proposed methodology.
|
2 |
[en] ACCELERATED LEARNING AND NEURO-FUZZY CONTROL OF HIGH FREQUENCY SERVO-HYDRAULIC SYSTEMS / [pt] CONTROLE POR APRENDIZADO ACELERADO E NEURO-FUZZY DE SISTEMAS SERVO-HIDRÁULICOS DE ALTA FREQUÊNCIAELEAZAR CRISTIAN MEJIA SANCHEZ 29 January 2018 (has links)
[pt] Nesta dissertação foram desenvolvidas técnicas de controle por aprendizado acelerado e Neuro-Fuzzy, aplicadas em um sistema servo-hidráulico para ensaio de fadiga. Este sistema tem o propósito de fazer ensaios em materiais para prever a resistência à fadiga dos materiais. O trabalho envolveu quatro etapas principais: levantamento bibliográfico, desenvolvimento de um controle por aprendizado acelerado, desenvolvimento de um controle por aprendizado Neuro-Fuzzy, e implementação experimental dos modelos de controle por aprendizado proposto em uma máquina de ensaios de materiais. A implementação do controle por aprendizado acelerado foi feita a partir do modelo de controle desenvolvido por
Alva, com o objetivo de acelerar o processo de aprendizagem. Esta metodologia consiste em fazer um controle do tipo bang-bang, restringindo a servo-válvula a trabalhar sempre em seus limites extremos de operação, i.e., procurando mantê-la sempre completamente aberta em uma ou outra direção. Para
manter a servo-válvula trabalhando em seus limites de seu funcionamento, os instantes ótimos para as reversões são obtidos pelo algoritmo de aprendizado, e armazenados em tabelas específicas para cada tipo de carregamento. Estes pontos de reversão dependem de diversos fatores, como a amplitude e carga média da solicitação, e são influenciados pela dinâmica do sistema. Na metodologia proposta, a lei de aprendizado inclui um termo de momentum que permite acelerar a aprendizagem dos valores das tabelas constantemente durante a execução dos testes, melhorando a resposta a cada evento. O desenvolvimento de um controle por aprendizado Neuro-Fuzzy foi motivado pela necessidade de ter um agente
com a capacidade de aprendizado e armazenamento dos pontos ótimos de reversão. Este modelo de controle também consiste na implementação de um controle do tipo bang-bang, trabalhando com a servo-válvula sempre nos seus limites extremos de operação. O instante de reversão é determinado pelo sistema
Neuro-Fuzzy, o qual tem como entradas a gama (dobro da amplitude) e o valor mínimo do carregamento solicitado. O processo de aprendizado é feito pelas atualizações dos pesos do sistema Neuro-Fuzzy, baseado nos erros obtidos durante a execução dos testes, melhorando a resposta do sistema a cada evento. A validação experimental dos modelos propostos é feita em uma máquina servohidráulica
de ensaios de fadiga. Para este fim, o algoritmo de controle proposto foi implementado em tempo real em um módulo de controle CompactRIO da National Instruments. Os testes efetuados demonstraram a eficiência da metodologia proposta. / [en] In this thesis, accelerated learning and Neuro-Fuzzy control techniques were developed and applied to a servo-hydraulic system used in fatigue tests. This work involved four main stages: literature review, development of an accelerated learning control, development of a Neuro-Fuzzy control, and implementation of the learning control models into a fatigue testing machine. The accelerated learning control was implemented based on a learning control developed in previous works, introducing a faster learning law. Both learning control methodologies consist on implementing a bang-bang control, forcing the servovalve
to always work in its operational limits. As the servo-valve works in its operational limits, the reversion points to achieve every peak or valley in the desired history are obtained by the learning algorithm, and stored in a specific table for each combination of minimum and mean load. The servo-valve reversion
points depend on a few factors, such as alternate and mean loading components, while they are as well influenced by the system dynamics. In the proposed accelerated methodology, the learning law includes one momentum term that allows to speed up the learning process of the table cell values during the
execution of the tests. The developed Neuro-Fuzzy control also consists on a bang-bang control, making the servo-valve work in its operational limits. However, here the instant of each reversion is determined by the Neuro-Fuzzy system, which has the load range and minimum load required as inputs. The
learning process is made by the update of the Neuro-Fuzzy system weights, based on the errors obtained during the execution of the test.The experimental validation of the proposed models was made using a servo-hydraulic testing machine. The control algorithm was implemented in real time in a C-RIO computational system. The tests demonstrated the efficiency of the proposed methodology.
|
Page generated in 0.0231 seconds