⚡ electrical engineering

Co-Simulation and Comparative Control Analysis of a 3-DOF Serial Manipulator Using MSC ADAMS and MATLAB

Dit artikel presenteert een co-simulatieframework met behulp van MSC ADAMS en MATLAB om een 3-DOF seriële manipulator te modelleren en demonstreert dat een adaptieve Fuzzy-PID-controller een conventionele PID-controller aanzienlijk overtreft door de volgfout, overshoot en insteltijd drastisch te verminderen, terwijl een hoge positioneringsnauwkeurigheid behouden blijft.

Oorspronkelijke auteurs: Mohammad Heidar Khamsehei Fadaei, Seyed Ali Hamzeh Pahnehkolaei

Gepubliceerd 2026-06-30

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Mohammad Heidar Khamsehei Fadaei, Seyed Ali Hamzeh Pahnehkolaei

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je een robotarm probeert te leren om een kopje op te pakken en naar een schoteltje te verplaatsen zonder een druppel te morsen. Hiervoor heb je twee dingen nodig: een perfect begrip van hoe het lichaam van de arm beweegt (de fysica) en een slim brein dat de motoren precies vertelt hoe hard ze moeten duwen (de besturing).

Dit artikel gaat over het bouwen van een virtuele testlaboratorium om uit te zoeken wat de beste manier is om die robotarm te onderwijzen, en vervolgens te bewijzen dat een "slim" brein veel beter werkt dan een "dom" brein.

Hier is de uitsplitsing van hun werk, met behulp van eenvoudige analogieën:

1. Het bouwen van de virtuele robot (De "Digital Twin")

In plaats van een echte metalen robot te bouwen en het risico te lopen deze te breken, gebruikten de onderzoekers een computerprogramma genaamd MSC ADAMS. Beschouw dit als een hoogwaardige videogame-engine die niet alleen echt lijkt, maar ook echt voelt.

De Bouw: Ze maakten een robotarm met 3 gewrichten (zoals een menselijke schouder, elleboog en pols) volledig in de computer.
De Fysica: Ze gaven elk onderdeel van de robot exact het gewicht en de stijfheid van echt staal. Ze berekenden hoe zwaar elk onderdeel is en hoe het rondzwaait. Dit zorgt ervoor dat wanneer de computer een beweging simuleert, deze zich gedraagt als een echte machine, inclusief alle lastige fysica zoals momentum en traagheid.

2. Het "Brein" van de operatie (Co-simulatie)

De onderzoekers verbonden hun virtuele robot (in ADAMS) met een besturingsprogramma (MATLAB/Simulink).

De Analogie: Stel je voor dat het ADAMS-programma het lichaam van de robot is, en het MATLAB-programma het brein. Ze zijn aan elkaar gekoppeld zodat het brein commando's kan sturen ("Beweeg je elleboog!") en het lichaam direct terugmeldt ("Ik beweeg, maar ik ben zwaar en vertraag").
Waarom dit doen? Dit maakt het mogelijk om verschillende "hersenen" (besturingsstrategieën) te testen op dezelfde "body" zonder ooit een fysiek prototype te hoeven bouwen. Dit bespaart geld en tijd.

3. De twee Breinen: "De Strengeling" versus "De Adaptieve Coach"

De onderzoekers testten twee verschillende manieren om de beweging van de robot te besturen:

Controller A: De Standaard PID (De "Strengeling")
- Hoe het werkt: Dit is de traditionele methode die in fabrieken wordt gebruikt. Het is als een strenge leraar die overal dezelfde hoeveelheid hulp geeft, ongeacht de situatie. Als de robot niet op koers is, duwt de leraar een beetje harder. Als hij er ver naast zit, duwt de leraar veel harder.
- Het Probleem: Het lichaam van de robot verandert terwijl hij beweegt. Wanneer de arm snel zwaait, creëert hij eigen krachten (zoals middelpuntvliedende kracht). Een "Strengeling" weet niet hoe hij voor deze veranderingen moet aanpassen, waardoor hij vaak doorschiet (te ver gaat) of wiebelt voordat hij stopt.
Controller B: De Fuzzy-PID (De "Adaptieve Coach")
- Hoe het werkt: Dit is een slimmer brein dat gebruikmaakt van "Fuzzy Logic". Denk aan een coach die de robot in realtime in de gaten houdt. Als de robot snel en zwaar beweegt, zegt de coach: "Oké, ik moet voorzichtiger zijn." Als de robot moeite heeft om te starten, zegt de coach: "Duw harder!"
- De Magie: Het past voortdurend zijn eigen instellingen (gains) aan op basis van wat er op dit moment gebeurt. Het volgt geen rigide regelboek; het past zich aan de situatie aan.

4. De Resultaten: Wie won de race?

Ze vroegen beide "hersenen" om de robot langs een complex pad te leiden. Hier is hoe de "Adaptieve Coach" (Fuzzy-PID) de "Strengeling" (Standaard PID) versloeg:

Nauwkeurigheid: De "Strengeling" miste het doel met een merkbare marge. De "Adaptieve Coach" was ongelooflijk precies en bleef binnen 0,25 millimeter van het doel (ongeveer de dikte van een menselijke haar).
Overshoot (Doorschieten): De "Strengeling" zwaaide vaak voorbij het doel en moest daarna weer terugzwaaien (zoals een pendel). De "Adaptieve Coach" stopte bijna exact waar hij moest stoppen.
- De claim van het paper: De nieuwe controller verminderde de "overshoot" (het te ver doorschieten) met 78%.
Snelheid om te stoppen: Wanneer de robot moest stoppen, deed de "Strengeling" er lang over om tot rust te komen en te stoppen met wiebelen. De "Adaptieve Coach" kwam veel sneller tot rust.
- De claim van het paper: Het verminderde de tijd om tot rust te komen met 64%.
Foutreductie: Algehele tracking-fout (hoe ver de robot van het pad afweek) werd met 67% verminderd.

5. De Belangrijkste Conclusie

Het paper concludeert dat het gebruik van deze methode van Virtueel Prototyping een gamechanger is.

Geen Verspild Metaal: Je hoeft geen fysieke robots te bouwen, te breken en opnieuw te bouwen om ideeën te testen. Je kunt dit allemaal in de computer doen.
Betere Besturing: Voor complexe machines zoals robotarmen is een "slimme" controller die in realtime aanpast, superieur aan een standaard, vaste controller.
Kosten & Tijd: De auteurs beweren dat deze aanpak de ontwikkelingskosten met 40-60% kan verlagen en ontwerpprocessen die voorheen weken duurden, kan terugbrengen naar enkele dagen.

Kortom: Ze bouwden een perfecte digitale robot, gaven hem een "slim" brein dat leert terwijl hij beweegt, en bewezen dat deze combinatie veel sneller, nauwkeuriger en stabieler is dan een traditionele, rigide controller.

Technische Samenvatting: Co-simulatie en Vergelijkende Controleanalyse van een 3-DOF Seriële Manipulator

Probleemstelling
De effectieve inzet van seriële manipulatoren in de industriële robotica vereist een rigoureuze modellering van kinematische en dynamische gedragingen, gekoppeld aan geavanceerde besturingsstrategieën om nauwkeurige trajectvolging en verstoringonderdrukking te waarborgen. De inherente nietlineariteiten, inertiekoppeling en snelheidafhankelijke Coriolis- en middelpuntvliedende krachten in multi-degree-of-freedom (DOF) systemen vormen echter aanzienlijke uitdagingen voor het ontwerp van controllers. Conventionele Proportional-Integral-Derivative (PID) controllers zijn weliswaar alomtegenwoordig vanwege hun eenvoud, maar vertrouwen vaak op vaste parameters die moeite hebben met het aanpassen aan variërende operationele omstandigheden en dynamische belastingen. Bovereen is de ontwikkeling van robuuste controlesystemen traditioneel afhankelijk van fysieke prototyping, wat kostbaar en tijdrovend is. Deze studie adresseert de behoefte aan een hoogwaardige virtuele prototyping-omgeving en een adaptieve besturingsstrategie die in staat is de complexe dynamica van een planaire 3-DOF seriële manipulator te beheersen.

Methodologie
Het onderzoek maakt gebruik van een uitgebreid co-simulatieframework dat MSC ADAMS integreert voor multi-body dynamische modellering en MATLAB/Simulink voor de vormgeving van het controlesysteem. De methodologie verloopt via vier primaire fasen:

Mechanische Modellering: Een planaire 3-DOF seriële manipulator bestaande uit zes stijve schakels en zes revolute gewrichten werd gemodelleerd in MSC ADAMS. Aan de componenten werden staalmateriaaleigenschappen toegewezen (dichtheid: $7,801 \times 10^{-6}$ kg/mm³, Youngs modulus: $2,07 \times 10^5$ N/mm²). Inertieparameters, inclusief massa en traagheidsmomenten, werden automatisch door ADAMS berekend op basis van geometrische volumes.
Kinematische en Dynamische Formulering:
- Kinematica: De Denavit-Hartenberg (D-H) conventie werd gebruikt om voorwaartse en inverse kinematische vergelijkingen af te leiden, waarbij de overgang van gewrichtsverplaatsingen naar de pose van de end-effector en vice versa wordt in kaart gebracht.
- Dynamica: De Euler-Lagrange formulering werd gehanteerd om de bewegingsvergelijkingen af te leiden, waarbij expliciet rekening wordt gehouden met de symmetrische positief-definiete inertiematrix en nietlineaire termen die Coriolis-, middelpuntvliedende en zwaartekrachteffecten vertegenwoordigen.
Co-simulatieframework: Het mechanische ADAMS-model werd geëxporteerd naar MATLAB/Simulink via de ADAMS/Control interface. Dit creëerde een verenigde omgeving waarin Simulink de controle-algoritmen implementeerde (draaiend op 1 kHz) terwijl ADAMS de fysieke dynamica oploste (met intervallen van 100 μs). De interface wisselde gewrichtstorsie-inputs en gewrichtspositie-/snelheidsoutputs uit.
Ontwerp van de Besturingsstrategie: Twee controllers werden ontworpen en vergeleken:
- Conventionele PID: Een fixed-gain PID-controller afgestemd op elk gewricht.
- Adaptieve Fuzzy-PID: Een hybride controller die een fuzzy inferentie-systeem gebruikt om PID-parameters ( $K_p, K_i, K_d$ ) in real-time dynamisch te plannen op basis van de volgfout ( $e$ ) en de afgeleide daarvan ( $\Delta e$ ). Het fuzzy-logicasysteem maakte gebruik van zeven Gaussische lidmaatschapsfuncties voor de inputs en singleton/integer outputs voor de aanpassing van de parameters.

Belangrijkste Bijdragen

Geïntegreerde Virtuele Prototyping: De studie vestigt een robuust co-simulatie-workflow die theoretische kinematische en dynamische modellen valideert tegen hoogwaardige multi-body simulaties, wat de levensvatbaarheid van virtuele prototyping aantoont voor het verminderen van ontwikkelingskosten en het versnellen van ontwerpcycli.
Implementatie van Adaptieve Besturing: Het artikel beschrijft het ontwerp en de implementatie van een Fuzzy-PID-controller die specifiek is afgestemd op de nietlineaire dynamica van een 3-DOF manipulator, waarbij real-time parameterplanning wordt gebruikt om inertiekoppeling en variërende belastingen te compenseren.
Vergelijkende Prestatieanalyse: Er wordt een rigoureuze kwantitatieve evaluatie gegeven, waarbij de fixed-gain PID en de adaptieve Fuzzy-PID controllers worden vergeleken op basis van meerdere prestatie-indicatoren, waaronder gewrichtsvolgfout, overshoot, inschakeltijd en de positioneringsnauwkeurigheid van de end-effector.

Resultaten
Simulatie resultaten geven aan dat de adaptieve Fuzzy-PID-controller de conventionele PID-controller aanzienlijk overtreft:

Volgnauwkeurigheid: De Fuzzy-PID-controller behaalde een reductie van 67% in de gewrichtsvolgfout vergeleken met de PID-controller. Specifiek daalde de Root Mean Square Error (RMSE) voor Gewricht 1 van 0,36° naar 0,12°.
Transiënt Respons: De Fuzzy-PID-aanpak verminderde de overshoot gemiddeld met 78%. Voor Gewricht 1 daalde de overshoot van 37,3% (PID) naar 8,2%. Bij Gewricht 3 werd de overshoot volledig geëlimineerd (0% vs. 1,4%).
Inschakeltijd: Er werd een gemiddelde verbetering van 64% in de inschakeltijd waargenomen over alle gewrichten. Bijvoorbeeld, de inschakeltijd van Gewricht 1 verbeterde van 0,275 s naar 0,098 s.
Precisie van de End-Effector: De Fuzzy-PID-controller hield de positioneringsnauwkeurigheid van de end-effector binnen ±0,25 mm tijdens complexe trajecten, terwijl de PID-controller afwijkingen vertoonde tot ±0,82 mm.

Betekenis en Claims
Het artikel claimt dat de voorgestelde methodologie de theoretische modellen verkregen via D-H en de Lagrangiaanse methode valideert, zoals aangetoond door de nauwe correlatie tussen analytische voorspellingen en simulatieresultaten. De studie benadrukt de aanzienlijke voordelen van virtuele prototyping, waarbij een reductie van 40–60% in ontwikkelingskosten wordt geschat en een verkorting van de ontwerpitereer-cycli van weken naar dagen.

De auteurs stellen dat de adaptieve Fuzzy-PID-controller superieure robuustheid en prestaties biedt voor nietlineaire robotica-systemen door effectief te compenseren voor dynamische koppeling en inertievariaties die fixed-gain controllers uitdagen. De studie concludeert dat dit co-simulatieframework een praktisch en kosteneffectief fundament biedt voor het ontwerp en de optimalisatie van industriële robotica-systemen, waarbij voor toekomstig werk wordt gesuggereerd om ruimtelijke manipulatoren en geavanceerde factoren zoals gewrichtsflexibiliteit en externe verstoringen te integreren.