Chia sẻ bài báo qua Email ỨNG DỤNG PHƯƠNG PHÁP HỌC THÔNG SỐ CỰC TIỂU VÀ MẠNG NƠ-RON NHÂN TẠO TRONG ĐIỀU KHIỂN TAY MÁY
Thông tin bài báo
Ngày nhận bài: 06/06/24 Ngày hoàn thiện: 07/10/24 Ngày đăng: 08/10/24Các tác giả
1. Nguyễn Trường Kỳ, Trường Đại học Sư phạm Kỹ thuật Vĩnh Long2. Phạm Thanh Tùng
, Trường Đại học Sư phạm Kỹ thuật Vĩnh Long
Tóm tắt
Nghiên cứu này thiết kế và thực hiện bộ điều khiển trượt thích nghi bền vững dựa vào mạng nơ-ron RBF với phương pháp học thông số cực tiểu cho hệ tay máy. Đây là hệ thống đã được triển khai trong các ngành sản xuất vật liệu xây dựng, luyện kim, chế tạo cơ khí và công nghiệp đóng tàu. Bộ điều khiển trượt thích nghi bền vững dựa vào mạng nơ-ron RBF được thiết kế để đảm bảo vị trí các khớp của tay máy bám theo vị trí tham chiếu trong thời gian hữu hạn. Các trọng số của mạng nơ-ron RBF được cập nhật trực tuyến bằng giải thuật Quasi Newton căn cứ theo các luật thích nghi bền vững nhằm mục đích điều khiển đầu ra của hệ tay máy bám theo một quỹ đạo nhất định. Phương pháp học thông số cực tiểu được sử dụng trong nghiên cứu này để hệ thống chỉ còn một thông số thích nghi trực tuyến, giảm gánh nặng tính toán. Tính ổn định của hệ thống được chứng minh bằng lý thuyết Lyapunov. Các kết quả mô phỏng với MATLAB/Simulink cho thấy hiệu quả của bộ điều khiển đề xuất với thời gian tăng, thời gian xác lập, độ quá điều chỉnh, sai số xác lập của thanh 1 lần lượt là 0,0747(s), 0,1376(s), 0,002 (%), 0(rad) và của thanh 2 là 0,0844(s), 0,152(s), 0(%), 0(rad).
Từ khóa
Toàn văn:
PDFTài liệu tham khảo
[1] B. Mahboub and D. Stephen, “A Two-Link Robot Manipulator: Simulation and Control Design,” Int. J. Robot Eng., vol. 5, no. 2, pp. 1-17, 2020.
[2] Z. Dachang, D. Baolin, Z. Puchen, and W. Wu, “Adaptive Backstepping Sliding Mode Control of Trajectory Tracking for Robotic Manipulators,” Complexity, vol. 2020, pp. 1-11, 2020.
[3] H. Wang, L. Fang, T. Song, J. Xu, and H. Shen, “Model-free adaptive sliding mode control with adjustable funnel boundary for robot manipulators with uncertainties,” Review of Scientific Instruments, vol. 92, no. 6, pp. 1-10, 2021.
[4] Z. Wang, “Adaptive Fuzzy System Compensation Based Model-Free Control for Steer-by-Wire Systems with Uncertainty,” International Journal of Innovative Computing, Information and Control, vol. 17, no. 1, pp. 141-152, 2021.
[5] T. Yang, N. Sun, and Y. Fang, “Adaptive Fuzzy Control for a Class of MIMO Underactuated Systems with Plant Uncertainties and Actuator Dead zones: Design and Experiments,” IEEE Trans. Cybern., vol. 52, no. 8, pp. 8213-8226, Aug. 2022.
[6] G. Lin, J. Yu, and J. Liu, “Adaptive Fuzzy Finite-Time Command Filtered Impedance Control for Robotic Manipulators,” IEEE Access, vol. 9, pp. 50917-50925, 2021.
[7] S. Diao, W. Sun, L. Wang, and J. Wu, “Finite-Time Adaptive Fuzzy Control for Nonlinear Systems with Unknown Backlash-Like Hysteresis,” Int. J. Fuzzy Syst., vol. 23, no. 7, pp. 2037-2047, 2021.
[8] H. Lee, D. Nam, and C. H. Park, “A Sliding Mode Controller Using Neural Networks for Robot Manipulator,” Proc. of European Symposium on Artificial Neural Networks Bruges (Belgium), vol. 23, no. 9, pp. 193-198, 2004.
[9] W. K. Alqaisi, B. Brahmi, J. Ghommam, M. Saad, and V. Nerguizian, “Adaptive Sliding mode Control Based on RBF Neural Network Approximation for Quadrotor,” in 2019 IEEE International Symposium on Robotic and Sensors Environments (ROSE), Ottawa, ON, Canada: IEEE, 2019, pp. 1-7.
[10] H. Feng et al., “A new adaptive sliding mode controller based on the RBF neural network for an electro-hydraulic servo system,” ISA Transactions, vol. 129, pp. 472-484, 2022.
[11] T. T. Pham, C.-N. Nguyen, T. K. M. Le, H. T. Vo, V. H. Dong, and N. P. Nguyen, “Adaptive Sliding Mode Control with RBF Neural Networks for Omni-Directional Mobile Robot,” Journal of Technical Education Science, vol. 49, pp. 80-87, 2018.
[12] T. T. Pham and C.-N. Nguyen, “Adaptive Sliding Mode Control Based on Rbf Neural Network for Two Tanks Interacting System,” TNU Journal of Science and Technology, vol. 226, no. 11, pp. 323-331, 2021.
[13] H. X. Le, T. V. Nguyen, A. V. Le, T. A. Phan, N. H. Nguyen, and M. X. Phan, “Adaptive hierarchical sliding mode control using neural network for uncertain 2D overhead crane,” International Journal of Dynamics and Control, vol. 7, no. 3, pp. 996-1004, 2019.
[14] J. F. Li and F. H. Xiang, “RBF Network Adaptive Sliding Mode Control of Ball and Plate System Based on Reaching Law,” Arabian Journal for Science and Engineering, no. 8, pp. 9393-9404, 2021.
[15] H. Zhang and Y. Liu, “Adaptive RBF neural network based on sliding mode controller for active power filter,” International Journal of Power Electronics, vol. 11, no. 4, pp. 460-481, 2020.
[16] M. N. T. Shnata and N. Z. Azlan, “Adaptive sliding mode control with radial basis function neural network for time dependent disturbances and uncertainties,” ARPN Journal of Engineering and Applied Sciences, vol. 11, no. 6, pp. 4123-4129, 2016.
[17] J. Wang, J. Wang, and T. Zhang, “RBF Neural Network based Adaptive Sliding Mode Control for Hypersonic Flight Vehicles,” 2016 IEEE Chinese Guidance, Navigation and Control Conference (CGNCC), 2016, pp. 58-63.
[18] J. Qin and J. Du, “Minimum-learning-parameter-based adaptive finite-time trajectory tracking event-triggered control for underactuated surface vessels with parametric uncertainties,” Ocean Engineering, vol. 271, no. 11, pp. 1-12, 2023.
[19] K. Krishan, D. Ghosh, A. Upadhayay, J. Yao, X. Zhao, and A. Upadhyay, “Quasi-Newton methods for multiobjective optimization problems: A systematic review,” Applied Set-Valued Analysis and Optimization, vol. 5, no. 2, pp. 291-321, 2023.
[20] N. M. Ghaleb and A. A. Aly, “Modeling and Control of 2-DOF Robot Arm,” Inter. J. of Emerging Engineering Research and Technology, vol. 6, no. 11, pp. 8-23, 2018.
[21] J. Liu, Sliding Mode Control Using MATLAB, Elsevier Science, 2017.
DOI: https://doi.org/10.34238/tnu-jst.10548
Các bài báo tham chiếu
- Hiện tại không có bài báo tham chiếu