TELKOM NIKA Indonesia n  Journal of  Electrical En gineering   Vol. 16, No. 1, Octobe r 201 5, pp. 65 ~ 7 4   DOI: 10.115 9 1 /telkomni ka. v 16i1.849 9        65     Re cei v ed  Jun e  30, 2015; Revi sed Aug u st  7, 2015; Accepted Augu st  30, 2015   Compared w i th  PI,   Fuzzy-PI and PSO -PI Controllers of  Robotic Grinding Force Servo System                               Adna n Jabb a r Attiy a * 1,2 . Yang  Weny u 1 , Salam Wale y  Shneen 3   1 School of Mec han ical Sci enc e and En gi neer ing,    Huaz hon g Un i v ersit y  of Sci e n c e and T e chno log y  (HUST ) , Luo yu R o a d  103 7, W uhan, Chi n a   2 Alk w a r izmi En gin eeri ng co lle ge/Bag h d ad U n iversit y , Bag h dad, Iraq   3 Huazh ong U n i v ersit y  of Sci e n c e and T e chno log y  (HUST )  /  Univers i t y   of  T e chn o lo g y ,   Bagh da d, Iraq  *Corres p o ndi n g  author, e-ma i l : rainma n30 09 @ y ah oo.com, me w y a ng@m a il.hust.ed u .cn,  Salam _ w a le y7 3@ ya hoo.com                     A b st r a ct  By grin din g  pr ocess, w hen  an i ndustri a l r obot is   used t o  finis h  a cur v ed surfac e, b o th fee d   mov e me nt an d contact forc e must c ontro l l ed  at the si milar ti me  in  or der that th e g r indi ng to ol w oul d   mac h i ne the w o rk-piec e  at  t he  ri ght  p o si tion  i n   rig h t  posture w i th  r equ ired  forc e.  A passiv e  w r ist  system is  adv a n ced, i n  this  p aper, to co nfor m the  sha pe of  the mach ini n g   prop ell e r  by al tering its  postu re   alo ng w i th th e  surface. T h e  prop ortio nal- i ntegra l  (PI)  co ntroll er, du e t o  its si mplic ity, robustn ess,  and   affordab le  pric e, is extre m ely  often  used  in   practica l  a ppl ic ations,  but it  is  effective for  li near syst e m s, as   w e ll as, th e c h alle ng ing  task  is to fi nd  its o p timal  ga ins. If the  process e s  inv o lve d  h i g h er or der  an d ti me   delay system s ,  m a ny intellig ent controllers  were appe ar ed. In this paper, to  cope with  nonlinearities,  improve  the c ontrol l er p a ra meters  an d at  the sa me  ti me  mod e li ng  uncerta inties  o f  grind i n g   mar i n e   prop ell e r surfa c e, a PI torque  cont roll er is  propos ed suc h  t hat its opt i m al  gai ns are  deriv ed vi a a  mo de r n   systems bas ed  on fu z z y  lo gic  theory and p a r ticle sw arm o p timi z a ti on al g o rith m w h ich a r e used to sol v e  vario u s eng in e e rin g  prob le ms. Grinding fo rce is cont roll ed un der F u zz y - PI control l e r  w h ich is bei ng   asse mb led  a n d  co mpare d  w i t h a PSO-PI c ontrol l er to  o b tain  w h ich c ont roller  that  prov ides  gri ndi ng   w i th  hig her q u a lity. T he co mp ared  cont roll ers h a v e be en o p ti mi z e d  tog e ther w i th the p a ra me ters of the T w o - Phase  Hybr id  Steppi ng M o tor .  T he su ggeste d fu zz y  ru le  fun c tion  and  PSO  alg o rith m  impr ove th e res p o n se   of the c ontrolled system and  searches  a  high-quality  solution impr essively. Simulation  and com p arison  re su l t s a r e  p r e s e n t ed  an d  th a t  th e   p r op ose d  con t ro l  syste m s  a r e  co pi n g  we ll  wi th   n o n l i n e a r i t ie s  and  uncerta inties  w h ile find PI c ontrol p a ra met e r set e ffectively, the PSO-PI controller h a s a better co ntro l   perfor m ance w i th improved st ep r e sponse for robotic gr inding forc e  s e rvo  system . These control  m e t h ods   w a s simul a ted  usin g MAT L AB/SIMULINK.     Ke y w ords :   PI controller, F u zz y - PI co ntrol l er, particl e sw arm  optim i z a t i on (PSO), PSO-PI controller,  force  control, gri ndi n g  robot       Copy right  ©  2015 In stitu t e o f  Ad van ced  En g i n eerin g and  Scien ce. All  rig h t s reser ve d .       1. Introduc tion    Grindi ng is a  mech anical pro c e ss inte n ded to rem o ve a very thin and even l a yer of  material s on  the outer e dge of the  workpi ece.  Field practi ce  previou s ly demon strated  the  difficulty in g r inding  compl e x sh ape d  workpie c e li ke   a ma rine  p r o peller o r  tu rbi ne bl ade  whi c h   deman ds the  end-effecto r  of the manipu lator to  kee p  a stable  cont act force with  the environm ent   while the gri nding tool m o ves alon g the profile  of  the workpie c e. To perfo rm su ch a task,  con c u r rently, both force an d positio n of the ro bot sh o u ld be  control l ed. The s e co ntrol st rategie s   have b een  classified i n to  two  main  systems, im p edan ce  control an d hyb r i d  po sition/fo rce  control. Th ese meth od s d e mand  a n  a c curate  dyn a m ic m odel  of  the m anip u l a tor  and  of t he  conta c t force  intera ction. In  a hybri d  po si tion/fo rce  con t rol sch e me o n ly path no rmal directio n  is  subj ect to  a   con s tant  pressure  or force  co ntrol.   The r e a r e  seve ral  advanta g e s   of this solutio n .  Firstly, the  d i mensi onal  variation  du e  to the  tool wea r   i s  com pen sated aut omatically,  a nd  se con d ly, the nece s sity of accura cy on  the  program med path is  relaxed  sin c e  the assured  conta c t from the force co ntrol loop will re comp en se th e prog ram e r ror [1].   In the PI controlle r there  are two pa ramete rs: p r oportio nal co efficient and  integral  coeffici ent. the PI controll e r  ca n present  indivi duali z e d  co ntrol n e cessities  by tuning the s e two  Evaluation Warning : The document was created with Spire.PDF for Python.
                             ISSN: 23 02-4 046                     TELKOM NI KA  Vol. 16, No. 1, Octobe r 2015 :  65 – 7 4   66 parameters.  Many intelligence algorithms are  suggested to tuni ng th e PI param e ters. the  plurality pa rt of control sy stems u s e  reg u lar PI c ontro l algorith m s  with fixed con s traint valu es set   throug h the   empo we ring.  Thi s  i s  g u id e to the  ea ses  of de sig n  and  lo w  co st but it  rem a ins  uncertain  gui de to m o re   compl e xity that is m a the m atical. T h e  com b inatio n  of P-I controller  para m eters d epen d on type of method s and well -kno wn de sig n  m e thod s ordin a rily dema n d s  a  mathemati c al  model th at can de scrib e  t he control obj ect dyna mical perfo rma n ce  pre c i s ely [2]. In   addition, the r e are n u me rous linea r m e thod s u s ed   in the d e si gn  of PI stabl e s  d e sig nated  as  con s e r vative controlle r any way, re sea r ch is a di stin g u ish ed  deal s with ca rrie d  out in the design  of unco mmo n cont rolle rs  usin g ne w computatio n a l  techniq u e s   su ch a s  ne ural netwo rks  and  fuzzy logi c [3 ]. Dependi ng  on the ch ang e of control  o b ject s pa ram e ters, the p e rforman c e of t h e   system will  chang e whe n  this controll er  is applie d to a nonline a r  control sy stem  [4]. Fuzzy logic   is wid e ly use d  in pro c e sses where sy stem dynam ics is eithe r  ve ry compl e x or demo n st rat e  a   highly no nlin ear  ch ara c te r. In orde r to  get expe ctan t control effe ct, fuzzy co ntrol rule s de si gn  sho u ld ta ke  full statem ent  of the  control  spe c ialty  whi c h  i s  different   from co nvent ional co ntrol  [ 5 ].  Hsi eh  et al.  pre s ent  an  o p timal p r edi cted fuzz y-PI gain sche duli ng cont rolle r  to control  t he  con s tant turni ng force pro c ess with a fixed metal rem o val rate und er variou s cu tting conditio n s  [6]. On the  other  hand,  for the  same  magnitud e   of negative  and p o sitive  referen c e in put  cha nge s, the  execution of  a linear con t rol law will  cau s e differe nt resp on se s of a nonline a r   system. Many design st rategies  will  developed to defeat the  disadvantages of linear  P-I  controlle rs. S u ch  meth od s create d  fo r  obtainin g  a  g oal tran sform  a lin ea r P-I  co ntroll er i n to  unconventio n a l PI cont roll ers [7]. To  defeat the s e   dif f i cult ies,   sev e r a l t y pe s of  mo dif i e d  PI  controlle rs  su ch a s  ad apti v e PI controll ers  and a u to  tuning were  advanced la tely [8]. Also, a  cla ss of non conve n tional  type of PI contro lle r appl ying fuzzy lo gic ha s bee n  design ed a n d   simulate d for  this pu rpo s e [ 9 ]. The Particle Swarm Opt i mization, i s  a n  addition al p opula r  optimal  algorith m  propo sed by  Kennedy  an d Eberh a rt [10] in 1995.  It is an algorithm for  swarm  intelligen ce b a se d on pop ulation-ba sed  adaptive  op timization, swarm theory  and stocha stic  based o n  the  simulatio n  of  animal  so cia l  behavio rs li ke fish swa r ms a nd bi rd f l ocks.  Comp a r ed  with other  method s su ch as ge netic comp ut ation ,  machine l e arnin g , and  neural netwo rk  learni ng, it furnish e s bette r perfo rman ce  in co mp uting accuracy,  co mput ing spee d, and memo ry  size in spite o f  the fact that  the origin al PSO is  very si mple with onl y a few para m eters to modify.  Each  parame t er in PSO e x tremely affects the  pe rfo r man c e  of PSO. Although , it is yet to be   found h o w to  determi ne  suitable valu e s  of p a ram e t e rs in PSO t hat ca n be  consi dered a s  level  optimizatio n [11,12]. The PSO techniq ue ha s a ste ady meeting  cha r a c teri stic as com pare d  to   other  stochastic method s a nd it  can a c hi eve a high qu ality solution  durin g a sh ort e r computatio n  time [13]. It h a s va rio u s im plementatio n s  in  e ngine ering field s . In   the PI control l er  de sign, th e   PSO algorith m  is applie d to sea r ch a  bes t  PI c ontrol parameters  [14].    In this p ape r, the PI co ntro ller h a s  bee n  prop osed first ,  then tunin g  i t  by fuzzy l o g i c an d  a particl e swarm optimi z at ion (PSO) alg o rithm to  improve the cont rolle r parame t ers. The Fo rce   Control Algori t hms are de scrib ed in Se ction 2.  The propo sed fu zzy  logic an d PSO algorith m  a r e  deline a ted in  Section  3.  MATLAB sim u lation  re su lts an d  some  comp are results a r e  sho w n i n   Section 4. Fin a lly, concl u si ons a r e ma de  in Section 5.      2. Force Co n t rol Algorith m s               As  sho w n  i n   Fi gure  1,  the  rob o t  e nd-e ffe ctor o r  tool of  an  ind u strial  ma nip u lator in  co ntact  with a wo rkpi ece.         Figure 1. Main para m eters used in g r ind i ng poli c ies  Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  2302-4 046     Com pared wit h   PI ,   Fuzzy_P I  & PS O_PI Cont rollers  of  Robot i c…  ( A d n a n   J a b b a r   A t t i y a )   67 The obj ective  is to make the tool softly into  conta c t  with the workpiece, apply  a conta c t  force, which is well kept while the tip of  the tool  follows the p r ofile  of the part to be grind ed. The  ordin a ry  meth od to  satisfy the a bove  obj ective i s  to  m a ke  the  tool  a l ways no rmal   to profile of  th e   workpi ece an d to control th e orientatio n of the end -eff ec tor. At the s a me time this  demands  onl y   the com p o s ite force in Fn  and Ft dire ct ion to be  con t rolled. The f o rce co ntrol system stru ct ure  can be descri bed as a position-base d controller with  an outer fuzzy PI or PSO  PI force cont rol   loop. The p r ofile data fo r the ma rine  prop eller  can be p r od u c ed off-li ne  and sto r e d  in   microprocessor mem o ry a s  a refe re nce  path for th e  robot to foll ow. The g r in ding tool  can n ot  kee p  the  spe c ified  conta c t  force by mov i ng ba si cally along  th e  p r o peller profile path  on acco unt  of the geom etric a nd di splacement e r rors in  the  p r opell e r lo cat i on and  othe r fine erro rs,  so  need s to be a n  external force control lo o p  to accompli sh a practi cal  path.      3. The   Model  of the T w o - phase  H y brid Stepping  Motor   The tran sfer  function G ( s) of the open-loop sy stem of the two-ph ase  Hybrid S t epping   Motor is  as  follows  [15]:    Gs               ( 1 )     Whe r e,   A s KPis K Ii KH            ( 2 )         B s s THs 1  Ls R  KPis K Ii KH           L THs RT H L s R s KPis K Ii KH       (3)     The subdivid ed drivin g is  assume d for  the Hybr i d  Steppin g  Moto r in ord e r to  reach to  the actu al sy stem p e rfo r m ance pa ram e ter an d to  de cre a se the i n trica c y of the  system t r an sfer   function. In si mulation, the  par a m eters o f  the two-ph a s e Hyb r id  Ste pping M o tor  sele cted a r e  as  follows :   In e r tia   C o n s ta n t  J  =  25 0  k g  · m, In du cta n c e L=   0 . 33  H ,  Re s i s t an c e  R  =  8  Ω , ,   β  = 1,  Coeffici ent of Viscou s  F r iction B = 0 N · m ·  s/rad, Kpv = 500, KIv = 0, KPi = 5, KIi =   500,                                        ke = 0.2 5  N · m/A, N =  180, KH = 15 a nd TH  = 0. The Tra n sfe r  functio n  will b e :    G s  .                       ( 4 )                  4.1. Conv entional PI Strateg y  for Grin ding Force S e rv o Unit  The mo st con v entional PI controlle r or lin ear  PI cont rol l er is de scri b e d as follo ws:    Y t e t Kp K i e t dt           ( 5 )     Whe r e KP is the propo rtional consta nt  gain and KI  is the integral con s tant g a in acco rdin g  to   manual  expe rtise. T he  sig nal e ( t) i s  th e er ro r  signa l betwe en th e refe ren c e   and the  p r ocess  output c(t) it is explain ed a s : e(t) =  r(t)  −  c ( t).       Table 1. The  effect of Kp and Ki to the controlle d syst em   Parameter  Rise  ti me   O v ersh oo t  Turni ng  time   Error  Kp   decrease increase  Small  change  decrease  Ki  decrease  increase increase eliminte       Figure 4. Simulink a nd Blo ck di agram of  PI controller  Evaluation Warning : The document was created with Spire.PDF for Python.
                             ISSN: 23 02-4 046                     TELKOM NI KA  Vol. 16, No. 1, Octobe r 2015 :  65 – 7 4   68 And the PI controlle r inte rnal st ru cture  is explai ned i n  Figu re 5, th e input p a ra meters for th e PI  controlle r are   Kp, Ki,and th e output for the co ntrolle r i s  u.        Figure 5. The  stru cture fo r PI controlle r      4.2. Fuzzy -PI controller fo r Grinding Force Serv o  Unit  The  Rule  ba se i s  form ed  based o n  th e  followi ng concepts.  T h e   fuzzy rule s and  the  rang es of inp u t membe r shi p  functio n s are ente r ed f r o m  the obtai na ble data. T h e  followin g  ste p s  can rep r e s ent  the pro c edu re of the sugg ested fu zzy lo gic:   Step 1: Initialize (FIS editor) the input of  fu zzy logi c  co ntrolle r erro r (e),  chan ge o f  erro r  (ec) an d outp u t (KP) and (KI), see Figu re 6          Figure 6. FIS  Editor of Fuzzy-PI cont roll er      Step 2: Set the sy stem wi th tow fuzzy logi c  cont rolle r (KP,KI) ea c h  co ntrolle r h a s tw o  inputs, (e,ec) and the o u tp ut are (KP,KI), e input  h a s seven fu zzy  set a s soci ate d  with it, whi c h  sorte d  as n e gative large  (Nl ) , negativ e medium  (NM),n egative  small (NS),  Zero e rro r (Z),  positive sm all  (PS), positive medium (P M) and  p o siti ve large (Pl ) , see Fig u re 7, 8.          Figure 7. Membershi p  error functio n  (e )  Figure 8. membershi p  ch a nge erro r fun c tion  (ec )   Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  2302-4 046     Com pared wit h   PI ,   Fuzzy_P I  & PS O_PI Cont rollers  of  Robot i c…  ( A d n a n   J a b b a r   A t t i y a )   69 Step 3: Set the input ra ng e from -3 to 3,  where the  input e and ec are sh own in the  followin g  equ ations: e = { N B(-4,-3,-2 ), NM(-3, - 2,-1),  NS(- 2,-1,0 ),Z (-1,0,1 ), PS(0,1,2), PM(1, 2 ,3],  Pl(2,3,4)}, ec= { [N(-2,-1,0),  Z(-1,0,1), PB(0,1,2)}.   Step 4: set th e output rang e from 0 to 6.  Fi gure 9 sho w s th e memb ership fun c tio n  of the  output variabl e KP.    Figure 9. Membershi p  Kp function   Figure 10. Membe r ship Ki function                                                            The su rfa c e viewe r  is sho w n in Figure 11 , 12.    Figure 11. Surface vie w  of Kp of fuzzy  c ontroller  Figure 12. Surface vie w  of Ki of fuzzy  c ontroller    Figure 13. Ru le bases for F u zzy cont rol  sy st em   Figure 14. Ru le bases vie w  for Fuzzy co ntrol  sy st em   Evaluation Warning : The document was created with Spire.PDF for Python.
                             ISSN: 23 02-4 046                     TELKOM NI KA  Vol. 16, No. 1, Octobe r 2015 :  65 – 7 4   70 Step 5: The  estimation p e rform a n c e  measur es a r e Rise time  (RT ) , pea k oversh oot  (OV), and   Am plitude (AM).  Figure   shows  a n  exampl e  of a  de si red  time respon se  to imp r ove  th e  respon se of  the system  by c hang e  the controll er pa ram e ters until we  reach the op timal  respon se of the syste m .    4.3. PSO Algorithm for G r inding Forc e Serv o Unit  In a PSO system, particl es  fly approxima t ely in  a multidimen sion al search  spa c e  with an  adapta b le vel o city whi c h m odified dyna mically a c cord ing to its o w n and the oth e r pa rticle s fl ying   experie nce. Duri ng flight, each p a rti c l e  modifie s  its po sition a c cording to its own expe rie n ce   giving the be st previo us p o sition  (the  minimum fitn ess value )  is called p e rso nal be st (P b e st)  whi c h  kee p s  path of its co ordin a tes a s sociate d  with  the be st  soluti on that o b tai n ed  so fa r in  the  probl em sp ace, P best is  reco rde d  and  deline a ted  as PI=(pi1,pi2, …,pid), whil e  the index of  the  best p a rti c le  among  all th e neig hbo rin g  pa rticle s in  the po pulati on is called t he glo bal b e s t (G   best), it is deli neated by the  symbol g an d it  is the best solution in the wh ole gro up [16].            Figure 15.  Particle  swarm  optimization  (PSO)  strategy   Figure 16. Th e stru cture of Particle  swarm  optimization (PSO) strategy      For a PI- co ntrolled  syste m , there are  often  four indices to ch ara c teri ze th e system   perfo rman ce:  ISE, IAE, IT AE and  ITSE. In this paper  we sele ct ITSE which i s  de fined as:       ITSE te ∞ t dt            ( 6 )           Figure 8. The  flowch art of the PSO-PI co ntrol sy stem   Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  2302-4 046     Com pared wit h   PI ,   Fuzzy_P I  & PS O_PI Cont rollers  of  Robot i c…  ( A d n a n   J a b b a r   A t t i y a )   71 The modifie d  PSO framework i s  de scrib ed as follo ws:   1. Generate the initial velocity and po sition fo r ea ch p a rt ran domly deline a ted on e input- output  syste m  controll er i n  pa rticl e  a ccordin g to   its lowe r  and  up p e r val u e s  of  e a ch  PI contro ller   parameters  in s y s t em to form parents  [17].    2. For ea ch p a rt in each pa rticle in the sw arm, estima te P best (the  personal fitn ess.  3. To find the  best PI controllers re pre s e n ted  by the b e st pa rts in  th e swarm, eva l uate G  best (th e  glob al best fitness) for all varied  parts fro m  all  particle s  in the swarm.  4. Determi n e  G best of all  particle s  in t he pop ulation  by adding al l G best for a ll parts  from ea ch pa rticle in swa r m.  5. Update e a c h pa rticle to  form progeny .  6. Compa r e  P best (the p e rsonal fitne s s) of ea ch pa rt of progeny  with their simi lar part s   in pare n ts an d cho o se the best on es to fo rm ne w offspring to the n e xt generatio n.  7. Determine  G best  (the  global fitne s s) of the varie d  part s  in the  populatio n a s  to the   new offsprin g  and addi ng to be the be st one s for the n e xt generatio n.  8. Stop if the  stoppi ng sta n dard i s  sati sf ied otherwi se,  go to step 5. See Figure 8   Each p a rticl e  is treate d  as a p o int i n  a D-dime n s ion a l sp ace .  The ith pa rticle i s   rep r e s ente d   as xi =  (xi1,xi2,…,xid). Th e velo ci ty  of each  a gent whi c h gra dua lly  gets clo s e   to  Pbest an d G best i s  re pre s ente d  a s  vi=(vi1,vi2, …,vid), it can  be  adju s ted by  the followi n g   equatio n:    v   w . v  c 1 . r a n d . p  x  c 2 . r a n d . p  x        ( 7 )     Whe r e  v   is  current velocity,  v    is mo dified  velocity, n repre s e n ts ite r ation,  w is  a n  inertia   weight,  p   =  Pb es t,   p   = Gbest, c1 and c2  are two po sitive consta nts,  rand ( ) is a random  gene rated nu mber with a range of [0,1], and  x   is the  curre n t searching point. The sea r chin g   point in the solution spa c e  or the cu rren t pos ition can  be adju s ted  by the followi ng equ ation:     x   x   v              ( 8 )         Figure 18. Steps of PSO-P I controlle r  Evaluation Warning : The document was created with Spire.PDF for Python.
                             ISSN: 23 02-4 046                     TELKOM NI KA  Vol. 16, No. 1, Octobe r 2015 :  65 – 7 4   72 As recomme nded  in PS O, the  co nst ants  ar e  c1 =c2=0.8, Eq uation  (7 ) i s  used  to  cal c ulate  ne w velocity of the parti cle a ccordin g to  its  p r eviou s  velo ci ty and its p r e v alent po sition   dist an ce s  of  f r om it s o w n  b e st  p o sit i o n   ( e x per ie nce) a nd the  g r ou p’ s b e st  expe ri ence. Th en t h e   particl e flies i n  the dire ctio n of a new po sition a c cordi ng to Equatio n (8).   Inertia wei ght , w in the Equation (7 ) is t o  make bala n ce b e twe en  the local  sea r ch an d   global  sea r ch ca pability. It can be a  nonlin ear fu n c ti on of time  or po sitive  con s tant o r   even   positive linea r [18]. In this p aper  we set w=0.3.      5. Results a nd discussio n   To verify th e  efficien cy  o f  the p r op osed fu zzy  rul e  meth od  a nd a  pa rticl e  swa r m  optimizatio n (PSO) algo rith m. With the  MATLAB  SIMULINK, a fam ous  simul a tio n  software, a nd  for a co nventional PI, Fuzzy_PI, and PSO- PI cont rolle r as  sho w n in  Figure 1 9 .          Figure 19. Simulink figu re  of PI, Fuzzy_PI, and PSO-PI controlle r      Step respon ses is  sho w n i n  Figure 20, 21, 22, and 2 3  with Kp= 20  and Ki = 40             Figure 20. Step re spo n se of the system  under  PI controlle r  Figure 21. Step re spo n se of the system  under  PI, Fuz z y -PI c ontroller            Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  2302-4 046     Com pared wit h   PI ,   Fuzzy_P I  & PS O_PI Cont rollers  of  Robot i c…  ( A d n a n   J a b b a r   A t t i y a )   73     Figure 22. Step re spo n se of the sy stem  under PI, PSO-PI cont rolle r      First, for the  step respon se of the syst em  unde r PI controlle r sh o w n in Fig u re  20, we   note that the Rise time va lue = 0.01 6, the ov ersho o t value = 20% , and the ste a dy state error  also  we note  that there is  no  an un dershoot value while wh en we   submit Fu zzy-PI strategy we   rema rk th at the rise time value (d ecre ase) =  0.0 1 , the oversh oot va lue (de c rea s e )  = 10% whe r e   the system ta ke s sh ort time to rea c h th e  steady state  as sho w ing in  Figure 2 1 .  The system respon se   of PI  controller  tuni ng  usi n g Parti c le S w arm O p timization  is  shown in Figure 22 show  that the  system will   reach t he  stability quickly than the sy stem  under  PI & Fuzzy-PI controll er a n d  the pea k overshoot (d e c rease) = 7%  while the Ri se time = 0.013  so   that the syste m  got good resp on se. See  Table 2 and  Figure 23.       Table 2. Step  resp on se pe rforman c e  for  PI,Fuzzy -PI & PSO-PI controlle rs   Control Metho d   Overshoot   (%)   Rise Time  (s )  Stead y  State E r ror  PI         20   0.016   0.083   Fuzz y _ PI  10  0.01  0.035   PSO-PI (I TAE)  7  0.013   0.027           Figure 23. Step re spo n se of the system  under PI, Fu zzy_PI, and  PSO-PI controller                  6. Conclusio n   In this pa per  resea r ch works  are ta ke n  for gri nding f o rce controlling. Wh en a  grindi ng   whe e l grin ds  prop elle rs a s  a free-fo rm surfa c e by  a  robot, the gri n ding force,  at the mentio ned  machi n ing po int, must be controlle d in the normal di re ction in ord e r that both grinding force a n d   feed movem ent coul d be  controll ed. T he modeli ng,  control a nd  simulatio n  of the Two-Ph ase  Hybrid Step pi ng Motor  hav e been  done  using th e so ftware p a cka g e MATLAB/SIMULINK. T he  desi gn ha s b een remarke d  that the system re sp on se is improved  by setting the paramete r s of  the tran sfer f unctio n  until  we obtai n an  optimal  re sp onse of the  system afte r perfo rming th e  value of PI con s tants  achi eved fro m  the fuzzy  rule metho d  and PSO. The sub m itted   methodol ogy  gives better performan ce  in the pea k  overshot, rise time, and the stea dy-state  err o r. The r e spo n s e  rem a rke d  from the  PSO-PI  controlle r ha s a small over sho o t, small stea dy  state  e r ror,  a nd small rise time  than  PI and ha s  smal l  over sh oot, small stea dy state  e r ror  th an  Evaluation Warning : The document was created with Spire.PDF for Python.
                             ISSN: 23 02-4 046                     TELKOM NI KA  Vol. 16, No. 1, Octobe r 2015 :  65 – 7 4   74 Fuz z y - PI  con t roller.  Ho we v e r, it is  r e m a rk ed  fr om  the  simulatio n  that the  con t roller pe rforms  improve d  in   Fuzzy-PI (th e  over shoot , rise  time, settling and  steady state   better  than   PI  controlle r.      Ackn o w l e dg ements       This  work wa s pa rtially su pporte d by the Nation al Basi c Re se arch Prog ram of  China  (201 4CB 046 704).       Referen ces   [1]  Jianj un W a n g , Hui Z han g, T homas A F u hlbri g g e .  F o rce Contro l T e chno log i es for New  Robot i c   Appl icatio ns.  IEEE Internatio nal C onfere n ce  on T e chnolo g i e s for Practical  Robot App lic ations. 20 08.   [2]  W R  H w a ng, W E  T hompson.  Desig n   of i n tell ige n t fu zz y   log i c co ntroll ers  u s ing  ge netic  al gorith m s . I n   Proceedings of  the 3rd IEEE  Confer ence on Fuzz y   S y stem s, IEEE  World Congress on Computational  Intelli genc e. 19 94: 138 3-1 388.    [3]  Z u lfatman, MF  Ra hmat. Ap pli c atio n  of s e lf-tuni ng f u zz y PI D co ntroll er  on   in dustria l h y dr aulic   actu ato r   usin g s y stem i dentif ic atio n ap proac h.  Interna t iona l Jour na l  on S m art Se ns ing  and I n tell ig ent Syste m s.   200 9; 2(2).  [4]  Seema C hopr a, R Mitra, Vija y  Kum a r. Auto tuni ng of fu zz y  PI type c ontrol l er usi n g  fuzz y  log i c.   Internatio na l jo urna l of compu t ationa l cog n iti on.  200 8; 6(1).   [5]  Ma Qiuj ie, Sh i  Jingz hu o. F u z z y  PID  Spe e d  Contro l of T w o Ph ase  Ultra sonic M o tor.  TEL K OMNIKA  Indon esi an Jou r nal of Electric al Eng i ne eri ng.  2014: 6 560- 65 65.   [6]  Hsieh CH, Chou JH , Wu YJ.  Optimal  predicted fuzzy   PI gain  sch ed uli ng c ontrol l er  of co n s tant turni n g   force sy stems  w i t h  fix ed metal removal r a te.  Int J Adv Manuf T e chnol.  20 0 2 : 714-7 21.   [7]  Jiho ng Le e. On  metho d s for  improv in g   perfo rm ance  of PI-t ype f u zz y l ogic  co ntroll ers.  IEEE   Transactions On Fu z z y  System s.  19 93; 1(4).   [8]  Raja ni K Mud i a, Chanc ha l D e yb, T s u-T i an Lee. An  impr o v ed auto-t uni n g  scheme for  PI controllers.  ISA T r ansactio n s.  2008: 4 5 -5 2.  [9]  W M   T ang, G Chen, R D  L u . A modifie d  fuzz y  PI  con t roller for a fl exibl e -j oint ro bot arm  w i t h   uncerta inties.  Int. J.  Fu z z y  Sets Syst . 2001: 109 –1 19.   [10]  J Kenn ed y, R C  Eberh a rt.  Particle sw arm  opti m i z at io n . Proc eedings IEEE I n ter national Conferenc e on  Neur al Net w o r ks IV. 1995: 19 42-1 948.   [11]  Juin g-Shi an  C h io u, Shu n -H u ng T s ai, Min g -T ang Li u. A  P S O-based  ad a p tive fuzz y PI D-control l ers.   Simulati on Mo dell i n g  Practice  and T heory.   2 012; 26: 4 9 -59.   [12] Z hang  Xi n, Da ng Jia n w u , Li u  Min. Parameter Op timizatio n  of PID Controller Base d on PSO for Multi- leaf Co llim ator.  T E LKOMNIKA Indones ia n Jo urna l of Electri c al Eng i ne eri n g.  2013: 6 127- 613 4.  [13]  Gaing ZL. A Particle S w arm  Op timization Approach fo r O p timum Design of PID Cont roller  in AV R  Sy s t e m .  IEEE Transactions on Energy Conv ersion.  200 4; 19: 384-3 94.   [14]  Liu Y, Z hang J ,  W ang S.  Opti mi z a t i o n  Desi g n  Based o n  PSO Algorith m  for PID Controll er . 5th W o rl d   Con g ress on In tellig ent Co ntro l and Autom a ti on. 200 4; 3: 24 19-2 422.   [15]  XU  W enq ia ng,  YAN Ji anh on g. Deriv a tio n   of  T r ansmissio n  F uncti on M ode l of T w o- p hase  H y bri d   Steppi ng Motor .   Space Electro n ic T e chn o lo gy .  2011, 3: 50-5 3 .   [16]  Lalit ha MP,  R edd y  VCV,  Us ha V. O p timal  DG p l acem e n t for mi nimu m rea l  p o w e r  loss  in r a d i a l   distrib u tion s y s t ems using PS O.  J  T heor App l  Inf T e chnol . 2 010; 13( 2): 107 -116.   [17]  Sa w s a n  Gharg hor y ,   Ha nan K a mal. Mod i fie d  PSO  for Optimal T uning  of F u zz y  PID C o ntroll er.  IJCSI  Internatio na l Journ a l of  Co mputer Scie nce I ssues.  201 3; 1 0 (2): 462- 47 1.  [18]  Mahmu d  I w a n  Soli hi n, Le e  F ook T a ck, Moe y   Lea p K e a n .  T uni ng  of P I D Contr o ll er  Using  Partic le   Swarm  Optimiz a tion (PSO) . Proceed ing  of the Interna t iona l Confer e n ce on Adv a n c ed Scie nce,   Engi neer in g an d Information T e chn o lo g y . 201 1: 458-4 61.             Evaluation Warning : The document was created with Spire.PDF for Python.