intTypePromotion=1
ADSENSE

Thiết kế bộ điều khiển thích nghi trượt bền vững trên cơ sở mờ nơron cho robot công nghiệp

Chia sẻ: ViEnzym2711 ViEnzym2711 | Ngày: | Loại File: PDF | Số trang:8

35
lượt xem
2
download
 
  Download Vui lòng tải xuống để xem tài liệu đầy đủ

Bài viết này trình bày một phương pháp điều khiển bền vững thích nghi sử dụng mạng mờ nơron trên cơ sở SMC cho robot công nghiệp để cải thiện độ chính xác cao của điều khiển bám. Một trong những khó khăn trong thiết kế bộ điều khiển phù hợp mà nó có thể đạt được sai lệch xấp xỉ yêu cầu để hệ thống điều khiển ổn định và bền vững khi lực ma sát, các tham số thay đổi và nhiễu bên ngoài tác động.

Chủ đề:
Lưu

Nội dung Text: Thiết kế bộ điều khiển thích nghi trượt bền vững trên cơ sở mờ nơron cho robot công nghiệp

NGHIÊN CỨU KHOA HỌC<br /> <br /> <br /> THIẾT KẾ BỘ ĐIỀU KHIỂN THÍCH NGHI TRƯỢT BỀN VỮNG<br /> TRÊN CƠ SỞ MỜ NƠRON CHO ROBOT CÔNG NGHIỆP<br /> DESIGN A ROBUST ADAPTIVE SLIDING MODE CONTROLLER<br /> BASED ON FUZZY NEURAL NETWORKS FOR<br /> INDUSTRIAL ROBOT MANIPULATOR<br /> Vũ Thị Yến1,2, Wang Yao Nan2, Lê Thị Hồng Nhinh1, Lương Thị Thanh Xuân1<br /> Email: havi2203@gmail.com<br /> 1<br /> Trường Đại học Sao Đỏ, Việt Nam<br /> 2<br /> Trường Đại học Hồ Nam, Trung Quốc<br /> Ngày nhận bài: 05/9/2017<br /> Ngày nhận bài sửa sau phản biện: 26/9/2017<br /> Ngày chấp nhận đăng: 26/9/2017<br /> <br /> Tóm tắt<br /> Bài báo này trình bày một phương pháp điều khiển bền vững thích nghi sử dụng mạng mờ nơron trên cơ<br /> sở SMC cho robot công nghiệp để cải thiện độ chính xác cao của điều khiển bám. Một trong những khó<br /> khăn trong thiết kế bộ điều khiển phù hợp mà nó có thể đạt được sai lệch xấp xỉ yêu cầu để hệ thống điều<br /> khiển ổn định và bền vững khi lực ma sát, các tham số thay đổi và nhiễu bên ngoài tác động. Để giải quyết<br /> vấn đề này, một bộ điều khiển thông minh kế thừa FNNs bền vững thích nghi và SMC đã được thiết kế để<br /> nghiên cứu điều khiển vị trí của một robot người máy n khớp. Trong phương án điều khiển đưa ra 4 lớp của<br /> FNNs sử dụng để ước lượng động học phi tuyến của robot. Luật thích nghi của các tham số mạng đã được<br /> thiết lập bằng thuyết ổn định Lyapunov, ổn định và bền vững của toàn bộ hệ thống điều khiển đã đạt được<br /> và sai lệch bám hội tụ về vị trí và độ chính xác yêu cầu đã được đáp ứng. Cuối cùng, kết quả thực hiện trên<br /> một robot 2 bậc tự do đã được đưa ra và so sánh với bộ điều khiển PID và AF, từ việc chứng minh đó thì<br /> thấy rằng bộ điều khiển đưa ra có khả năng bám chính xác và khả năng bền vững cao hơn. Cấu trúc bài<br /> báo gồm bảy phần: Phần 1 là giới thiệu chung; Động lực học của robot được đưa ra trong Phần 2; Phần 3<br /> xây dựng cấu trúc bộ điều khiển FNNs; Phần 4 thiết kế bộ điều khiển FNNs; Chứng minh tính ổn định của<br /> hệ thống được đưa ra trong Phần 5; Phần 6 là mô phỏng; Và cuối cùng là phần Kết luận.<br /> Từ khóa: Robot người máy; mạng mờ nơron; điều khiển bền vững thích nghi; điều khiển trượt.<br /> Abstract<br /> This paper present a robust adaptive control method using Fuzzy Neural Networks (FNNs) based on SMC<br /> for two-link industrial robot manipulator (IRM) to improve high accuracy of the tracking control. One of the<br /> difficulties in designing a suitable control scheme, which can achieve the required approximation errors, is<br /> to guarantee the stability and robustness of control system, due to joint friction forces, parameter variations<br /> and external disturbances. To deal with these problems, an intelligent controller which inherited the robust<br /> adaptive FNNs and SMC scheme is designed to investigate to the joint position control of an n-link industrial<br /> robot manipulator. In this proposed control scheme four layers FNNs are used to approximate nonlinear<br /> robot dynamics. The adaptation laws of network parameters are adjusted using the Lyapunov stability<br /> theorem, the global stability and robustness of the entire control system are guaranteed, and the tracking<br /> errors converge to the required precision and position is proved. Finally, experiments performed on a two<br /> link robot industrial manipulator are provided in comparison with Proportional Integral Differential (PID) and<br /> Adaptive Fuzzy (AF) control to demonstrate superior tracking precision and robustness of the proposed<br /> control methodology.<br /> <br /> Keywords: Robot manipulators; fuzzy neural network; sliding mode control; robust adaptive control.<br /> <br /> TỪ VIẾT TẮT 1. GIỚI THIỆU CHUNG<br /> IRM: Industrial Robot Manipulator<br /> Điều khiển robot công nghiệp luôn luôn là một<br /> SMC: Sliding Mode Control<br /> FNNs: Fuzzy Neural Networks mảng nghiên cứu thú vị và thu hút được sự chú<br /> PID: Proportional Integral Differential ý của nhiều nhà nghiên cứu. Trong thực tế, robot<br /> AF: Adaptive Fuzzy công nghiệp là một hệ thống phi tuyến nhiều biến,<br /> <br /> <br /> 28 Tạp chí Nghiên cứu khoa học - Đại học Sao Đỏ, ISSN 1859-4190. Số 3(58).2017<br /> LIÊN NGÀNH ĐIỆN - ĐIỆN TỬ - TỰ ĐỘNG HÓA<br /> <br /> rất phức tạp và chúng luôn luôn chịu tác động của Y<br /> các tín hiệu không rõ trong động lực học, như sự X2, Y2<br /> tác động của nhiễu, trọng lượng tải thay đổi, ma<br /> sát phi tuyến… Do đó, khi xây dựng bộ điều khiển l2 m2<br /> cho robot với những kiến thức đã biết, đó là một<br /> thách thức rất lớn. Để giải quyết vấn đề đó, có q2<br /> rất nhiều phương pháp điều khiển được đưa ra,<br /> bao gồm bộ điều khiển PID, thích nghi, điều khiển l1<br /> trượt,… đã được đề cập trong các tài liệu [1-6]. m1<br /> Trong những năm qua, các ứng dụng của bộ điều q1<br /> 0<br /> khiển thông minh trên cơ sở logic mờ và mạng X<br /> nơron để điều khiển vị trí của cánh tay robot công Hình 1. Robot 2 bậc tự do<br /> nghiệp được quan tâm. Bộ điều khiển mờ là một ( ) ̈ + ( , ̇) ̇ + ( ) = (1)<br /> công cụ hiệu quả trong việc xấp xỉ hệ thống phi Ở đây( , ̇ , ̈ ) ∈ ×1<br /> là vị trí, vận tốc và gia tốc<br /> tuyến [7-10]. Trong [8], một bộ điều khiển mờ lai của robot. ( )∈ ×<br /> là ma trận khối lượng<br /> kết hợp giữa công nghệ Backstepping và phương nxn<br /> suy rộng. ( , q̇ ) ∈ R là ma trận ly tâm và<br /> pháp xấp xỉ mờ đã được đưa ra để điều khiển hệ<br /> Coriolis. ( ) ∈ ×1 là một vectơ mô tả thành<br /> thống phi tuyến với cấu trúc không xác định và có<br /> sự tác động của nhiễu bên ngoài. Bộ điều khiển đó phần trọng lượng, ∈ ×1 là mômen điều<br /> đã đảm bảo được hiệu quả bám và sai lệch bám khiển.<br /> theo yêu cầu. Trong [10], một nghiên cứu mới đã Để thiết kế bộ điều khiển, chúng ta đưa ra một<br /> được đưa ra bằng việc kết hợp giữa hệ thống logic số tính chất cho (1) như sau:<br /> mờ Takagi - Sugeno với công nghệ Backstepping. Tính chất 1: Ma trận khối lượng suy rộng M(q)<br /> Thuật toán điều khiển bền vững thích nghi mờ cho là một ma trận đối xứng và xác định dương.<br /> hệ thống ngoài khuếch đại đầu vào không biết rõ ( )≤ 0 (2)<br /> và thuật toán điều khiển bền vững thích nghi mờ ở đây 0 > 0 và 0 ∈<br /> trượt với khuếch đại đầu vào không biết rõ cũng Tính chất 2: ̇ ( ) − 2 ( , ̇ ) là ma trận đối<br /> đã được đưa ra. Cả hai phương pháp này có thể<br /> xứng lệch cho vectơ bất kỳ:<br /> đảm bảo rằng vòng lặp kín của hệ thống làm cho<br /> [ ̇ ( ) – 2 ( , ̇ )] = 0 (3)<br /> hệ thống ổn định trong giới hạn đưa ra. Tuy nhiên,<br /> trong tất cả các tài liệu trên luật của bộ điều khiển<br /> Tính chất 3: ( , ̇ ) ̇ , F( ̇ ) được giới hạn theo:<br /> mờ được xây dựng dựa trên kinh nghiệm của ‖ ( , ̇ ) ̇ ‖ ≤ ‖ ̇ ‖2 (4)<br /> người thiết kế. Vì thế, bằng những kiến thức kinh ở đây là hằng số dương.<br /> nghiệm đó nhiều khi không đủ và rất khó để xây 3. CẤU TRÚC BỘ ĐIỀU KHIỂN FNNs<br /> dựng được luật điều khiển tối ưu. Để giải quyết<br /> vấn đề này, bộ điều khiển nơron được đưa ra [11- 1<br /> <br /> 14]. Trong [11], một bộ điều khiển bền vững thích<br /> nghi trên cơ sở của mạng nơron đã được đưa ra Σ … Σ … Σ Output layer<br /> <br /> để điều khiển cho cánh tay robot SCARA. Trong<br /> các tài liệu trên đã kế thừa các thuận lợi của bộ<br /> điều khiển nơron, đó là khả năng học online các 1 Π … Π … Π Rule<br /> luật trong quá trình bộ điều khiển làm việc. Tuy layer<br /> nhiên, bộ điều khiển nơron khi áp dụng cho các<br /> hệ thống lớn thì khối lượng tính toán nhiều và rất<br /> … … … … … … Membership<br /> phức tạp. Để giải quyết khó khăn này thì trong bài Layer<br /> 1<br /> báo đã đưa ra bộ điều khiển mờ nơron trên cơ sở 1 1<br /> 1 1<br /> 1 1<br /> <br /> kết hợp những ưu điểm của bộ điều khiển mờ và<br /> bộ điều khiển nơron. Do đó, khi áp dụng bộ điều Input layer<br /> khiển này vào điều khiển robot thì hiệu quả bám,<br /> tốc độ hội tụ đã được cải thiện đáng kể. 1<br /> <br /> <br /> 2. ĐỘNG LỰC HỌC ROBOT Hình 2. Cấu trúc bộ điều khiển FNNs<br /> Xét phương trình động lực học của robot người Bộ điều khiển FNNs có cấu trúc như hình 2 gồm<br /> máy n bậc tự do được đưa ra trong hình 1 [15]: 4 lớp:<br /> <br /> <br /> <br /> Tạp chí Nghiên cứu khoa học - Đại học Sao Đỏ, ISSN 1859-4190. Số 3(58).2017 29<br /> NGHIÊN CỨU KHOA HỌC<br /> <br /> - Lớp 1 là lớp đầu vào (Input layer): gồm các với:<br /> biến ngôn ngữ đầu vào 1, 2 , ... ... ; =[ 1 2 … ] (9)<br /> - Lớp 2 là lớp hàm liên thuộc (Membership):<br /> =[ 1 2 … ] (10)<br /> mờ hóa tín hiệu đầu vào theo hàm cơ sở<br /> Gaussian. ở đây: =[ 1 2 … ]<br /> Sau đây, chúng ta sử dụng bộ điều khiển FNNs<br /> (5)<br /> này giống như một xấp xỉ trong bộ điều khiển đã<br /> trong đó: và ( = 1, … , ; = 1, … , ), được thiết kế. Khi đó sẽ tồn tại một hàm FNNs<br /> tối ưu với các tham số tối ưu như sau:<br /> tương ứng là các tham số của hàm Gaussian<br /> của hàm liên thuộc thứ của biến ngôn ngữ đầu ( ( )) = ∗ ∗ ( ( ), ∗ , ∗ ) + ∆( ( )) (11)<br /> vào thứ . ở đây ∗<br /> , ∗ , ∗ là các tham số tối ưu của W, m,<br /> b, tương ứng, ∆( ( )) là vectơ sai lệch xấp xỉ.<br /> =[ 1<br /> 1 … 1<br /> 1 1<br /> 2 … 2<br /> 2<br /> … 1<br /> … [<br /> ∈ ×1 Điều kiện ràng buộc 1: Giới hạn của tham số<br /> và tối ưu bộ điều khiển FNNs:<br /> ‖ ∗‖ ∗‖ ∗‖<br /> =[ 1<br /> 1 … 1<br /> 1 1<br /> 2 … 2<br /> 2<br /> … 1<br /> … ] ∈ ×1 ≤ ,‖ ≤ ,‖ ≤ (12)<br /> ở đây , , là các giá trị thực dương.<br /> ở đây = ∑ =1 biểu diễn toàn bộ số hàm<br /> liên thuộc của biến ngôn ngữ đầu vào thứ . Điều kiện ràng buộc 2: Sai lệch xấp xỉ được giới<br /> - Lớp 3 là lớp luật (Rule layer), h ạn:<br /> ‖∆∗ ‖ ≤ ∆ (13)<br /> = ( ) (6)<br /> =1 ở đây ∆ là giá trị thực dương.<br /> Trong đó: ( = 1, … , ) là đầu ra thứ của<br /> Đầu ra của bộ điều khiển FNNs là giá trị xấp xỉ<br /> lớp luật; là trọng số giữa lớp luật và lớp hàm<br /> và được tính theo công thức sau:<br /> liên thuộc; là toàn bộ số luật.<br /> (14)<br /> - Lớp 4 là lớp đầu ra (Output layer).<br /> ∗ ∗ ∗<br /> Trong lớp này mỗi một nơron biểu diễn một trong đó , , , là giá trị xấp xỉ của , , , .<br /> biến ngôn ngữ đầu ra. Mỗi một nơron ( =<br /> 1, … , ). 4. THIẾT KẾ BỘ ĐIỀU KHIỂN FNNs<br /> Đầu ra của một nơron sẽ được tính như sau: Mục đích thiết kế bộ điều khiển FNNs để khi<br /> robot dưới sự tác động của lực thì sai lệch<br /> = (7)<br /> 1 bám giữa vị trí mong muốn của các khớp với<br /> Công thức (7) có thể được viết lại như sau:<br /> vectơ vị trí thực tế của robot có thể được hội<br /> =[ 1 2 … ] = tụ về 0 khi → ∞. Cấu trúc của bộ điều khiển<br /> = ( , , , ) (8) robot được thiết kế như hình 3.<br /> <br /> Update Law<br /> Ẇ = K w (<br /> ^<br /> − −<br /> ^<br /> ) s − K w ‖s‖<br /> ^ ^ ^<br /> <br /> <br /> <br /> <br /> ^̇<br /> m = K m W s − K m ‖s‖m<br /> ^ ^<br /> <br /> <br /> ^̇<br /> b = K c W s − K c ‖s‖c<br /> ^ ^<br /> <br /> <br /> ^<br /> ̇ = K ‖s‖ ɸ<br /> β<br /> <br /> <br /> <br /> <br /> s<br /> Reference Fuzzy neural ^<br /> =<br /> ^<br /> ɸ<br /> , ̇ network ‖s‖<br /> <br /> <br /> , ̇ (+)<br /> Robot<br /> (+)<br /> (+) (+)<br /> = ̇+ .<br /> (-<br /> <br /> Hình 3. Cấu trúc hệ thống điều khiển robot công nghiệp<br /> <br /> <br /> <br /> <br /> 30 Tạp chí Nghiên cứu khoa học - Đại học Sao Đỏ, ISSN 1859-4190. Số 3(58).2017<br /> LIÊN NGÀNH ĐIỆN - ĐIỆN TỬ - TỰ ĐỘNG HÓA<br /> <br /> <br /> ( ), ̇ ( ) tương ứng là sai lệch vị trí và sai lệch 0, … ,0 0, … ,0<br /> [ i<br /> ] =[ ,<br /> i<br /> ,…,<br /> i<br /> , ]<br /> <br /> <br /> <br /> <br /> { {<br /> <br /> <br /> { {<br /> vận tốc. Luật thích nghi sẽ được xác định như ( − 1) 1 ( − )<br /> sau: 0, … ,0 0 … ,0<br /> ( )= − (15) [ i<br /> ]=[ ,<br /> i<br /> ,…,<br /> i<br /> , ]<br /> ( − 1) 1 ( − )<br /> ( )= ̇+ (16) ~<br /> Với = ∗ − , ∗<br /> ~ ^<br /> <br /> = − thì (22) có thể được<br /> ^<br /> <br /> <br /> Ở đây = ( 1 , 2 , … , ) là ma trận khuếch<br /> viết lại như sau:<br /> đại hằng số dương.<br /> ~<br /> Từ công thức (1) có thể viết lại như sau : ̃= ~ + ~ ~<br /> + ( , ) (24)<br /> ( ) ∗ ( ̈ − ̈) + ( , ̇ ) ∗ ( ̇ − ̇) + ( ) = Từ (22) và (24) ta có:<br /> ( ) ∗ ( ̈ + ̇ − ̇) + ( , ̇ ) ∗ ( ̇ + − ) ~<br /> ~<br /> + ( )= = ( − − )<br /> + (<br /> ~<br /> +<br /> ~<br /> )+ (25)<br /> ̇+ = ( ) ∗ ( ̈ + ̇) + ( , ̇ )<br /> ∗( ̇ + )+ ( )− (17) ở đây:<br /> ̇+ = − (18)<br /> = ∗<br /> (̃ + + )− ( ∗<br /> + ∗)<br /> +∆<br /> ở đây = ( ) ∗ ( ̈ + ̇) + ( , ̇ ) ∗<br /> ( ̇ + )+ ( ) Thế (25) vào (20) ta có:<br /> Từ sơ đồ cấu trúc hệ thống điều khiển robot<br /> hình 3 ta có: (26)<br /> = + + (19)<br /> trong đó tín hiệu đầu ra của bộ điều khiển<br /> FNNs và , là bộ điều khiển trượt (SMC). Theo điều kiện ràng buộc 1 và 2 của hàm FNNs<br /> Thay (19) vào (18) ta thu được: chúng ta có bất đẳng thức như sau:<br /> ~<br /> ̇ = −( + ) − (20)<br /> ^<br /> <br /> ∗<br /> ‖ ‖ ≤ || + ∆|| + || ∗ ||‖ ‖<br /> Hàm xấp xỉ của đầu ra bộ điều khiển FNNs<br /> + || ∗ |||| ||<br /> được tính như sau: ∗ ∗ ‖||<br /> +‖ + || (27)<br /> Bằng việc cộng theo vào 2 vế của bất đẳng thức<br /> 2 2 2<br /> <br /> (21) một hằng số dương + + thì kết quả<br /> 4 4 4<br /> <br /> Từ công thức (20) chúng ta có thể viết lại như sau: bất đẳng thức vẫn không đổi. khi đó bất đẳng<br /> ~<br /> (22) thức (27) trở thành<br /> = ∗ ̃ + ̂ +<br /> ~<br /> 2 2 2<br /> ‖ ‖+ + ∗<br /> + ≤ ɸ (28)<br /> ở đây: 4 4 4<br /> ∗<br /> Ở đây =[ 1, 2, 3 , 4 ] và<br /> ∗ ∗ ∗ ),<br /> = ( ( , ), , ) , = ( ( ), , ^ ^<br /> ɸ = [1, ‖ ‖, || ||, || || ],<br /> ^<br /> , , , là các hằng số<br /> = ∗− , ̃ = ∗<br /> − ̂, 1 2 3 4<br /> 2 2 2<br /> dương và chúng được giới hạn bởi + +<br /> Theo luật Lyapunov mở rộng và khai triển theo 4 4 4<br /> <br /> Taylor thì khi đó ̃ có thể được biểu diễn như +|| ∗ ̃ + ∆‖, ‖ ∗<br /> ‖, ‖ ∗<br /> ‖, ‖ ∗<br /> +<br /> sau: ∗‖<br /> <br /> <br /> ̃= ( ∗<br /> − )+ ( ∗<br /> − ) (23) Bộ điều khiển trượt được chọn như sau :<br /> ∗ ∗<br /> + ( − , − )<br /> (29)<br /> trong đó H là vectơ bậc cao hơn của việc hai<br /> trong đó ̂ là giá trị xấp xỉ của ∗<br /> triển theo Taylor. , được giới hạn bởi các hằng<br /> số dương và được xác định như sau: Để hệ thống làm việc ổn định, việc chọn luật học<br /> 1 2 thích nghi của bộ điều khiển FNNs rất quan<br /> =[ , ,…, ]| trọng và trong bài báo này luật học sẽ được<br /> =<br /> chọn như sau:<br /> ^̇<br /> )s − K w ‖s‖ ^<br /> ̂ ^ − ^<br /> =[ ]| ⎧W = Kw ( −<br /> 1 2<br /> , ,…,<br /> =<br /> ⎪m ^̇ = K ^<br /> m W s − K m ‖s‖m<br /> ^<br /> (30)<br /> và [ ] , [ i ] được xác định theo: ⎨ ^ḃ = K c W^<br /> i<br /> s − K c ‖s‖c^<br /> ⎪ ̇<br /> ⎩ ̂ = K β ‖s‖ ɸ<br /> <br /> <br /> Tạp chí Nghiên cứu khoa học - Đại học Sao Đỏ, ISSN 1859-4190. Số 3(58).2017 31<br /> NGHIÊN CỨU KHOA HỌC<br /> <br /> <br /> <br /> <br /> (34)<br /> <br /> (31)<br /> <br /> <br /> <br /> (35)<br /> <br /> <br /> <br /> <br /> (32)<br /> <br /> <br /> <br /> <br /> (36)<br /> <br /> <br /> <br /> <br /> (33)<br /> <br /> <br /> <br /> <br /> 32 Tạp chí Nghiên cứu khoa học - Đại học Sao Đỏ, ISSN 1859-4190. Số 3(58).2017<br /> LIÊN NGÀNH ĐIỆN - ĐIỆN TỬ - TỰ ĐỘNG HÓA<br /> <br /> <br /> <br /> <br /> Tạp chí Nghiên cứu khoa học - Đại học Sao Đỏ, ISSN 1859-4190. Số 3(58).2017 33<br /> NGHIÊN CỨU KHOA HỌC<br /> <br /> <br /> Thông số bộ điều khiển 1…<br /> ∑ 1 =1 … ∑ =1 (∏ =1 ( ))<br /> PID: = (150, 130) , = (0.01, 0.01) , =<br /> = (100, 100) ∑<br /> 1 =1<br /> …∑ =1 (∏ =1 ( ))<br /> Bộ điều khiển AF: = ( )<br /> Luật update: ̇ = ( ) chọn = 100 ∏ =1 ( )<br /> Luật hợp thành mờ: ( )=<br /> 1 1<br /> 1<br /> … , 1…<br /> ∑<br /> 1 =1<br /> …∑ =1 (∏ =1 ( ))<br /> <br /> Trong đó: 1 = 1,2, … , , = 1,2, . . .<br /> <br /> <br /> <br /> <br /> Hình 6. Vị trí, sai lệch bám và mômen điều khiển của robot khi có nhiễu tác động<br /> 7. KẾT LUẬN<br /> <br /> Trong bài báo này, bộ điều khiển thích nghi bền qua mô phỏng và được so sánh với bộ điều khiển<br /> vững được xây dựng trên cơ sở của bộ điều khiển PID và bộ điều khiển mờ thích nghi (AF). Quan sát<br /> mờ nơron (FNNs) để điều khiển cho robot hai kết quả mô phỏng chúng ta thấy rằng khả năng<br /> khớp đã đạt được độ bám chính xác cao trong bám, sai lệch bám của bộ điều khiển đưa ra tốt<br /> môi trường làm việc khác nhau. Trên cơ sở thuyết hơn bộ điều khiển PID và bộ điều khiển AF. Từ<br /> ổn định Lyapunov, tác giả đã chứng minh được hệ kết quả mô phỏng chúng ta có thể tiếp tục nghiên<br /> thống luôn luôn ổn định trên toàn vùng làm việc. cứu để đưa vào thực nghiệm cũng như được ứng<br /> Hiệu quả của bộ điều khiển đã được kiểm chứng dụng vào thực tế.<br /> <br /> <br /> 34 Tạp chí Nghiên cứu khoa học - Đại học Sao Đỏ, ISSN 1859-4190. Số 3(58).2017<br /> LIÊN NGÀNH ĐIỆN - ĐIỆN TỬ - TỰ ĐỘNG HÓA<br /> <br /> TÀI LIỆU THAM KHẢO compensator with robust adaptive observer at<br /> <br /> [1]. Vicente Parra-Vega, Suguru Arimoto, Yun-Hui input trajectory level for uncertain multi-link robot<br /> Liu, Gerhard Hirzinger and Prasad Akella (2003). manipulators. Journal of the Franklin institute 000,<br /> Dynamic Sliding PID Control for Tracking of Robot pp.1-30.<br /> Manipulators: Theory and Experiments. IEEE<br /> [10]. Yang, Y. S., Feng, G., Ren, J. S. (2004). A<br /> Trans. on robotics and automation, vol 19(6), pp.<br /> combined Backstepping and small gain approach<br /> 967-976<br /> to robust adaptive fuzzy control for strict-feedback<br /> [2]. E.M. Jafarov, M.N.A. Parlakçı, and Y. Istefanopulos<br /> nonlinear systems. IEEE Trans. Syst., Man<br /> (2005). A New Variable Structure PID - Controller<br /> Design for Robot Manipulators. IEEE Trans. on Cybern. A, Syst., Humans, 34 (3), pp.406-420.<br /> control systems technology, Vol 13 (1), pp. 122-130. [11]. Rossomando F G, Soria C M (2016). Adaptive<br /> [3]. Man Zhihong and M. Palaniswami (1994). Robust neural sliding mode control in discrete time<br /> tracking control for rigid robotic manipulators. IEEE for a SCARA robot arm. IEEE Latin america<br /> Trans. Automat. Contr. vol. 39, no. 1, pp. 154 - 159.<br /> transactions, Vol 14, No 6.<br /> [4]. R. G. Morgan and U. Ozguner (1985). A<br /> [12]. Li ZJ, and Su CY (2013). Neural-adaptive Control<br /> decentralised variable structure control algorithm for<br /> robotic manipulators. IEEE J. Robotics Automat., of Single-master multiple slaves Teleoperation for<br /> vol. 1, pp. 57 - 65. Coordinated Multiple Mobile Manipulators with<br /> <br /> [5]. Man Zhihong and M. Palaniswami (1993). A Time-varying Communication Delays and Input<br /> variable structure model reference adaptive control Uncertainty. IEEE Trans. Neural Network and<br /> for nonlinear robotic manipulators. Int. J. Adaptive Learning Systems, 24 (9): pp. 1400-1413.<br /> Control and Signal Processing, vol. 7, pp. 539 -<br /> [13]. Zhao Z, He W, and Ge SS (2014). Adaptive<br /> 562.<br /> neural network control for a fully actuated marine<br /> [6]. A. Sabanovic (2011). Variable structure systems<br /> surface vessel with multiple output constraints.<br /> with sliding modes in motion control - A Survey.<br /> IEEE Trans. Ind. Electron., 7 (2), pp. 212-223. IEEE Trans. Control systems Technology. 22(4):<br /> pp. 1536-1543.<br /> [7]. P.S. Londhe, Yogesh Singh, M. Santhakumar, B.M.<br /> Patre, L.M. Waghmare (2016). Robust nonlinear [14]. Xu B, Yang CG, Shi ZK (2014). Reinforcement<br /> PID-like fuzzy logic control of a planar parallel learning output feedback NN control using<br /> (2PRP-PPR) manipulator. ISA Transactions 63,<br /> deterministic learning techniques. IEEE Trans.<br /> 218-232.<br /> Neural Network and Learning Systems, 25(3):<br /> [8]. Zhou, S. S., Feng, G., Feng, C. B. (2005). Robust<br /> pp. 635-641.<br /> control for a class of uncertain nonlinear systems:<br /> Adaptive fuzzy approach based on backstepping. [15]. Vũ Thị Yến, Phan Văn Phùng, Nguyễn Trọng<br /> Fuzzy Sets and Systems, 151(1), pp. 1-20. Các. Thiết kế bộ điều khiển trượt bền vững trên<br /> [9]. Yuan Chen, Kangling Wang, Longying Zhai, cơ sở mạng nơron cho robot công nghiệp. Tạp chí<br /> Jun Gao (2017). Feedforward fuzzy trajectory Nghiên cứu khoa học - Đại học Sao Đỏ, Việt Nam.<br /> <br /> <br /> <br /> <br /> Tạp chí Nghiên cứu khoa học - Đại học Sao Đỏ, ISSN 1859-4190. Số 3(58).2017 35<br />
ADSENSE

CÓ THỂ BẠN MUỐN DOWNLOAD

 

Đồng bộ tài khoản
2=>2