Điều khiển trượt bền vững dựa trên chế độ Quasi mới và bộ quan sát mạng nơ-ron nhân tạo thích ứng cho robot
DOI:
https://doi.org/10.54939/1859-1043.j.mst.208.2025.21-30Từ khóa:
Robot; Mạng nơ-ron RBF; Bộ quan sát; Thích nghi; Điều khiển trượt.Tóm tắt
Nghiên cứu này thiết kế và đánh giá kết quả mô phỏng bộ điều khiển trượt bền vững dựa vào chế độ Quasi mới và bộ quan sát mạng nơ-ron nhân tạo (RBFNN: Radial basis function neural network) thích nghi cho robot. Robot công nghiệp (tay máy robot) là một tay máy đa chức năng, có thể được lập trình để thực hiện các nhiệm vụ nguy hiểm và/hoặc lặp đi lặp lại với độ chính xác cao. Bộ quan sát mạng nơ-ron RBFNN bền vững thích nghi được sử dụng để ước lượng các trạng thái và hàm phi tuyến trong mô tả toán học của robot. Bộ điều khiển trượt dựa vào chế độ Quasi mới kết hợp với bộ quan sát mạng nơ-ron RBFNN bền vững thích nghi để điều khiển bám quỹ đạo robot với các chỉ tiêu chất lượng đạt được phù hợp. Các trọng số của mạng nơ-ron RBFNN được cập nhật trực tuyến. Tính ổn định của các phương pháp điều khiển đề xuất đều được chứng minh bằng lý thuyết ổn định Lyapunov. Các kết quả mô phỏng trong MATLAB/Simulink đã cho thấy hiệu quả, tính bền vững của phương pháp đề xuất với thời gian tăng đạt 0,4656(s), thời gian xác lập là 0,7690(s), sai số xác lập là 0(rad), độ vọt lố là 0(%), các giá trị của RMSE (Root Mean Squared Error), IAE (Integral Absolute Error) và ISE (Integral Square Error) lần lượt là 1,7549e-06, 0,0222 và 0,001124.
Tài liệu tham khảo
[1]. P. Bhavagna Sai Rajeev et al., “Dynamic analysis of single link and R-P manipulators”, International Journal of Science, Technology and Management (IJSTM), vol. 11, no. 10, pp. 30–39, (2022).
[2]. T. S. Lee, E. A. Alandoli, “A critical review of modelling methods for flexible and rigid link manipulators”, Journal of the Brazilian Society of Mechanical Sciences and Engineering, vol. 42, no. 10, pp. 1–14, (2020).
[3]. K. Bingi, B. Rajanarayan Prusty, A. Pal Singh, “A review on fractional-order modelling and control of robotic manipulators”, Fractal and Fractional, vol. 7, no. 1, pp. 1–29, (2023).
[4]. J. Humaidi, I. K. Ibraheem, A. T. Azar, M. E. Sadiq, “A new adaptive synergetic control design for single link robot arm actuated by pneumatic muscles”, Entropy, vol. 22, no. 7, pp. 1–24, (2020).
[5]. Z. Yan, X. Lai, Q. Meng, P. Zhang, M. Wu, “Tracking control of single-link flexible-joint manipulator with unmodeled dynamics and dead zone”, International Journal of Robust and Nonlinear Control, vol. 31, no. 4, pp. 1270–1287, (2021).
[6]. A. Fayazi, N. Pariz, A. Karimpour, V. Feliu-Batlle, S. H. HosseinNia, “Adaptive sliding mode impedance control of single-link flexible manipulators interacting with the environment at an unknown intermediate point”, Robotica, vol. 38, no. 9, pp. 1642–1664, (2020).
[7]. Duong Xuan, “Dynamics and control analysis of a single flexible link robot with translational joints”, Science and Technology Development Journal – Engineering and Technology, vol. 3, no. 4, pp. 588–595, (2020).
[8]. Johnson Antony A., “Motion control of single link flexible joint robot manipulator using ANFIS MATLAB simulation”, Middle East Journal of Applied Science and Technology (MEJAST), vol. 2, no. 4, pp. 26–35, (2019).
[9]. D. Dermawan, H. Abbas, R. Syam, Z. Djafar, A. K. Muhammad, “Dynamic modeling of a single-link flexible manipulator robot with translational and rotational motions”, IIUM Engineering Journal, vol. 21, no. 1, pp. 228–239, (2020).
[10]. E. M. Raju, L. S. R. Krishna, Y. S. C. Mouli, V. N. Rao, “Effect of link flexibility on tip position of a single link robotic arm”, Journal of Physics: Conference Series, vol. 662, pp. 1–7, (2015).
[11]. A. Zhang, Z. Lin, B. Wang, Z. Han, “Nonlinear model predictive control of single-link flexible-joint robot using recurrent neural network and differential evolution optimization”, Electronics, vol. 10, no. 19, pp. 1–19, (2021).
[12]. J. F. Peza-Solís, G. Silva-Navarro, N. R. Castro-Linares, “Trajectory tracking control in a single flexible-link robot using finite differences and sliding modes”, Journal of Applied Research and Technology, vol. 13, no. 1, pp. 70–78, (2015).
[13]. H. Ullah, et al., “Robust output feedback control of single-link flexible-joint robot manipulator with matched disturbances using high gain observer”, Sensors, vol. 21, no. 9, pp. 1–22, (2021).
[14]. H. Zhang et al., “Radial basis function neural network sliding mode control for ship path following based on position prediction”, Journal of Marine Science and Engineering, vol. 9, p. 1055, (2021).
[15]. M. Mancini, E. Capello, E. Punta, “Sliding mode control with chattering attenuation and hardware constraints in spacecraft applications”, IFAC PapersOnLine, vol. 53, no. 2, pp. 5147–5152, (2020).
[16]. W. Alqaisi, C. El-Bayeh, “Adaptive control based on radial basis function neural network approximation for quadrotor”, Proceedings of the Annual System of Systems Engineering Conference (SOSE), pp. 214–219, (2022).
[17]. Y. H. Kim, F. L. Lewis, C. T. Abdallah, “A dynamic recurrent neural-network-based adaptive observer for a class of nonlinear systems”, Automatica, vol. 33, no. 8, pp. 1539–1543, (1997).
[18]. J. Liu, “Radial basis function (RBF) neural network control for mechanical systems: design, analysis and MATLAB simulation”, Springer, (2013).
