تعداد نشریات | 44 |
تعداد شمارهها | 1,303 |
تعداد مقالات | 16,035 |
تعداد مشاهده مقاله | 52,538,967 |
تعداد دریافت فایل اصل مقاله | 15,242,589 |
کنترل ترکیبی منطق فازی نوع دوم-شبکه عصبی و مود لغزشی مرتبه بالا برای یک بازوی رباتیکی با نامعینی پارامتری و اختلال خارجی | ||
مهندسی مکانیک دانشگاه تبریز | ||
مقاله 24، دوره 51، شماره 1 - شماره پیاپی 94، اردیبهشت 1400، صفحه 219-228 اصل مقاله (1.86 M) | ||
نوع مقاله: مقاله پژوهشی | ||
شناسه دیجیتال (DOI): 10.22034/jmeut.2021.9808 | ||
نویسندگان | ||
سینا محمدرضایی نوده1؛ محمدحسن قاسمی* 2؛ حمید رضا محمدی دانیالی3 | ||
1دانشجوی دکتری، گروه مهندسی مکانیک، دانشگاه نوشیروانی صنعتی بابل، بابل، ایران | ||
2دانشیار، گروه مهندسی مکانیک، دانشگاه نوشیروانی صنعتی بابل، بابل، ایران | ||
3استاد، گروه مهندسی مکانیک، دانشگاه نوشیروانی صنعتی بابل، بابل، ایران | ||
چکیده | ||
بازوهای صنعتی باید قادر به کار در محیطهایی با اختلالهای پیشبینی نشده باشند. در این مقاله یک کنترلکننده ترکیبی منطق فازی نوع دوم-شبکه عصبی و مود لغزشی مرتبه بالا برای یک بازوی رباتیکی که تحت اختلال خارجی قابل توجه و نامعینی پارامتری است، پیشنهاد شده است. منطق فازی نوع دوم به دلیل استفاده از توابع عضویت فازی و وجود اثر نامعینی در الگوریتم، انتخابی مناسب در مواجهه با نامعینی محیطی محسوب میشود. همچنین شبکه عصبی میتواند به افزایش مقاومت کنترلکننده در برابر نامعینی منجر شود. با وجود آنکه ذاتاً شبکه عصبی نیاز به ساخت قوانین فازی مرتبه دوم خود ندارد، قوانین اولیهای که بر مبنای سطح لغزش روش مود لغزشی تعیین شود، میتواند به بهبود رفتار سیستم کمک کند. از جمله ویژگیهای کنترلکننده جدید، افزایش مقاومت آن نسبت به روشهای کلاسیک در حضور نامعینی پارامتری و اختلال خارجی است. به علاوه، ویژگی خود تنظیمی کنترلکننده که بر مبنای وجود شبکه عصبی در بلوک مرکزی کنترلکننده فازی نوع دوم است، به افزایش مقاوم بودن روش کمک کرده است. عملکرد مثبت کنترلکننده پیشنهادی تحت اختلالهای قابل توجه شبیهسازیها نشان داده شده است. | ||
کلیدواژهها | ||
منطق فازی نوع دوم؛ مود لغزشی مرتبه بالا؛ نامعینی پارامتری؛ اختلال خارجی | ||
مراجع | ||
[1] Zadeh L. A., Fuzzy sets. Information and control, Vol. 8, No. 3, pp. 338-353, 1965. [2] Zadeh L. A., The concept of a linguistic variable and its application to approximate reasoning—I. Information sciences, Vol. 8, No. 3, pp. 199-249, 1975. [3] Mendel J. M., John R. I. and Liu F, Interval type-2 fuzzy logic systems made simple. IEEE transactions on fuzzy systems, Vol. 14, No. 6, pp. 808-821, 2006. [4] Larguech S., Aloui S., Pagès O., El Hajjaji A. and Chaari A., Adaptive type-2 fuzzy sliding mode control for MIMO nonlinear systems: application to a turbocharged diesel engine, 23rd Mediterranean Conference on Control and Automation (MED), IEEE, pp. 203-210, 2015. [5] Zirkohi M. M. and Lin T. C., Interval type-2 fuzzy-neural network indirect adaptive sliding mode control for an active suspension system. Nonlinear Dynamics, Vol. 79, No. 1, pp. 513-526, 2015. [6] Shabaniniai F., Etedali N. and Ghadamyari A., Type-2 fuzzy sliding mode control for deployment of a robotic team. Nonlinear Studies, Vol. 21, No. 4, 2014. [7] Ramesh T., Panda A. K. and Kumar S. S., Type-1 and Type-2 fuzzy logic and sliding-mode based speed control of direct torque and flux control induction motor drives–A comparative study. International Journal of Emerging Electric Power Systems, Vol. 14, No. 5, pp. 385-400, 2013. [8] Hung J. Y., Gao W. and Hung J. C., Variable structure control: A survey. IEEE transactions on industrial electronics, Vol. 40, No. 1, pp. 2-22, 1993. [9] Drakunov S. V. and Utkin V. I., Sliding mode control in dynamic systems. International Journal of Control, Vol. 55, No. 4, pp. 1029-1037, 1992. [10] Utkin V. I., Sliding modes in control and optimization: Springer Science & Business Media, 2013. [11] Song F. and Smith S. M., Combine sliding mode control and fuzzy logic control for autonomous underwater vehicles. Advanced Fuzzy Logic Technologies in Industrial Applications, Eds., pp. 191-205: Springer, 2006. [12] Lin W. S. and Chen C. S, Applications, Robust adaptive sliding mode control using fuzzy modelling for a class of uncertain MIMO nonlinear systems. IEE Proceedings-Control Theory and Applications, Vol. 149, No. 3, pp. 193-202, 2002. [13] Hu H. and Woo P. Y., Fuzzy supervisory sliding-mode and neural-network control for robotic manipulators. IEEE Transactions on Industrial Electronics, Vol. 53, No. 3, pp. 929-940, 2006. [14] Medhaffar H., Derbel N. and Damak T., A decoupled fuzzy indirect adaptive sliding mode controller with application to robot manipulator. International Journal of Modelling, Identification and Control, Vol. 1, No. 1, pp. 23-29, 2006. [15] Efe M. Ö., Fractional fuzzy adaptive sliding-mode control of a 2-DOF direct-drive robot arm. IEEE Transactions on Systems, Man, and Cybernetics, Part B (Cybernetics), Vol. 38, No. 6, pp. 1561-1570, 2008. [16] Huang Y. J., Kuo T. C. and Chang S. H, Adaptive sliding-mode control for nonlinear systems with uncertain parameters. IEEE Transactions on Systems, Man, and Cybernetics, Part B (Cybernetics), Vol. 38, No. 2, pp. 534, 2008. [17]Roopaei M., Zolghadri M. and Meshksar S., Enhanced adaptive fuzzy sliding mode control for uncertain nonlinear systems. Communications in Nonlinear Science and Numerical Simulation, Vol. 14, No. 9-10, pp. 3670-3681, 2009. [18] Noroozi N., Roopaei, M. and Jahromi M. Z., Adaptive fuzzy sliding mode control scheme for uncertain systems. Communications in Nonlinear Science and Numerical Simulation, Vol. 14, No. 11, pp. 3978-3992, 2009. [19] Hacioglu Y., Arslan Y. Z. and Yagiz N., MIMO fuzzy sliding mode controlled dual arm robot in load transportation. Journal of the Franklin Institute, Vol. 348, No. 8, pp. 1886-1902, 2011. [20] Amer A. F., Sallam E. A. and Elawady W. M., Adaptive fuzzy sliding mode control using supervisory fuzzy control for 3 DOF planar robot manipulators. Applied Soft Computing, Vol. 11, No. 8, pp. 4943-4953, 2011. [21] Nekoukar V. and Erfanian A., Adaptive fuzzy terminal sliding mode control for a class of MIMO uncertain nonlinear systems. Fuzzy Sets and Systems, Vol. 179, No. 1, pp. 34-49, 2011. [22] Cerman O. and Hušek P., Adaptive fuzzy sliding mode control for electro-hydraulic servo mechanism. Expert Systems with Applications, Vol. 39, No. 11, pp. 10269-10277, 2012. [23] Kayacan E. and Kaynak O., Sliding mode control theory‐based algorithm for online learning in type‐2 fuzzy neural networks: application to velocity control of an electro hydraulic servo system. International Journal of Adaptive Control and Signal Processing, Vol. 26, No. 7, pp. 645-659, 2012. [24] Niknam T., Khooban M. H., Kavousifard A. and Soltanpour M. R., An optimal type II fuzzy sliding mode control design for a class of nonlinear systems. Nonlinear Dynamics, Vol. 75, No. 1-2, pp. 73-83, 2014. [25]Khalaji A. K. and Moosavian S. A. A., Design and Implementation of a Fuzzy Sliding Mode Control Law for a Wheeled Robot Towing a Trailer. Modares Mechanical Engineering, Vol. 14, No. 4, pp. 81-88, 2014. [26] Soltanpour M. R., Khooban M. H. and Khalghani M. R., An optimal and intelligent control strategy for a class of nonlinear systems: adaptive fuzzy sliding mode. Journal of Vibration and Control, Vol. 22, No. 1, pp. 159-175, 2016. [27] Hendel R., Khaber F. and Essounbouli N., Adaptive type-2 fuzzy second order sliding mode control for nonlinear uncertain chaotic system. arXiv preprint arXiv:1601.04245, 2015. [28] Naik P. R., Samantaray J., Roy B. K. and Pattanayak S. K., 2-DOF robot manipulator control using fuzzy PD control with SimMechanics and sliding mode control: A comparative study. 2015 International Conference on Energy, Power and Environment: Towards Sustainable Growth (ICEPE), IEEE, pp. 1-6. [29] Farahmand M., Ghasemi R. and Salari M., Fuzzy Hybrid Super-Twisting Sliding Mode Controller Design for a Class of Non-linear Dynamics of a Quadrotor. Modares Mechanical Engineering, Vol. 18, No. 1, pp. 307-316, 2018. [30] Camci E., Kripalani D. R., Ma L., Kayacan E. and Khanesar M. A., An aerial robot for rice farm quality inspection with type-2 fuzzy neural networks tuned by particle swarm optimization-sliding mode control hybrid algorithm. Swarm and evolutionary computation, Vol. 41, pp. 1-8, 2018. [31] Li H., Wang J., Wu L., Lam H. K. and Gao Y., Optimal guaranteed cost sliding-mode control of interval type-2 fuzzy time-delay systems. IEEE Transactions on Fuzzy Systems, Vol. 26, No. 1, pp. 246-257, 2018. ]32[ فریطوس س. م. ر.، ه. همایی ه. و هادیان جزی ش.، هوشمند سازی در کنترل فازی بازوهای مکانیکی ماهر صلب-انعطاف پذیر با کمک شبکه عصبی بازگشتی پویا، مهندسی مجلۀ مهندسی مکانیک دانشگاه تبریز، د. 47، ش. 4، ص 219-228، 1396. [33] Hamza M. F., Yap H. J. and Choudhury I. A., Applications, Recent advances on the use of meta-heuristic optimization algorithms to optimize the type-2 fuzzy logic systems in intelligent control. Neural Computing and Applications, Vol. 28, No. 5, pp. 979-999, 2017. [34] Zeghlache S., Saigaa D. and Kara K., Fault tolerant control based on neural network interval type-2 fuzzy sliding mode controller for octorotor UAV. Frontiers of Computer Science, Vol. 10, No. 4, pp. 657-672, 2016. | ||
آمار تعداد مشاهده مقاله: 530 تعداد دریافت فایل اصل مقاله: 375 |