ĐIỀU KHIỂN BÁM THÍCH NGHI BỀN VỮNG CHO TAY MÁY ROBOT TRÊN CƠ SỞ ĐIỀU KHIỂN HỌC LẶP VÀ MẠNG NƠ RON RBF
Từ khóa
DOI:
https://doi.org/10.34238/tnu-jst.12923Tóm tắt
Điều khiển bám quỹ đạo đóng vai trò quan trọng trong hiệu suất của tay máy robot, đặc biệt trong các môi trường phức tạp, phi tuyến và có bất định. Bài báo này trình bày một phương pháp điều khiển bám quỹ đạo thích nghi bền vững cho tay máy robot dựa trên điều khiển học lặp và mạng nơ ronhàm cơ sở xuyên tâm. Phương pháp đề xuất kết hợp một luật điều khiển học lặp kiểu tỉ lệ - vi phân với mạng nơ ron hàm cơ sở xuyên tâm học trực tuyến để ước lượng nhiễu và một thành phần chuyển mạch nhằm nâng cao tính bền vững trong giai đoạn học ban đầu. Mạng nơ ron hàm cơ sở xuyên tâm thích nghi gần đúng thành phần không chắc chắn và nhiễu bên ngoài mà không cần thông tin trước, trong khi thành phần chuyển mạch đảm bảo ổn định ban đầu trước khi mạng hội tụ. Phân tích dựa trên lý thuyết ổn định Lyapunov trong không gian lặp được sử dụng để chứng minh chặt chẽ sự hội tụ của cả sai số bám quỹ đạo và sai số ước lượng. Mô phỏng số trên tay máy robot đã được thực hiện để đánh giá hiệu quả của phương pháp đề xuất so với bộ điều khiển trượt thích nghi. Kết quả cho thấy bộ điều khiển đề xuất không chỉ đạt được chất lượng bám quỹ đạo tốt hơn, đặc biệt trong các pha biến thiên nhanh và khi có sự thay đổi đột ngột về tham số, mà còn tạo ra mô men điều khiển trơn hơn đáng kể.Lượt tải
Tài liệu tham khảo
C. Chen, H. Liu, and W. He, "Iterative learning control for uncertain robot manipulators with input saturation," IEEE Trans. Ind. Electron., vol. 67, no. 1, pp. 708–717, 2020.
W. He, C. Sun, and Y. Li, "Adaptive neural control of robotic manipulators with unknown dead-zone input," IEEE Trans. Cybern., vol. 52, no. 7, pp. 6751–6762, 2022.
J. Zhou and Y. Sun, “Robust adaptive neural control for robot manipulators with dead-zone input and uncertain dynamics," Neurocomputing, vol. 450, pp. 41–50, 2021.
Z. Li and H. Wang, "An improved iterative learning control scheme for robotic manipulators using PD-type learning and disturbance observer," Int. J. Control Autom. Syst., vol. 19, pp. 1317–1327, 2021.
H. Wang, Y. Chen, and D. Guo, "Adaptive iterative learning control for robot manipulator systems with non-repetitive uncertainties," IEEE Access, vol. 10, pp. 22854–22864, 2022.
Y. Zhao and W. He, "Neural network-based adaptive iterative learning control for robotic manipulators," IEEE Trans. Syst., Man, Cybern.: Syst., vol. 50, no. 12, pp. 5116–5127, 2020.
L. Gao et al., "Adaptive fuzzy iterative learning control of robotic manipulators with input saturation," IEEE Trans. Ind. Electron., vol. 70, no. 1, pp. 371–381, 2023.
P. Shi and Y. Li, "Robust learning control for robotic manipulators with uncertain kinematics and dynamics," J. Franklin Inst., vol. 357, no. 6, pp. 3512–3534, 2020.
H. Liu and W. He, "Adaptive learning control for flexible joint robots with unknown input delays and disturbances," IEEE Trans. Ind. Electron., vol. 69, no. 1, pp. 918–928, 2022.
L. Xu, X. Chen, and M. Fei, "Adaptive neural network control of robot manipulators using RBF approximation and barrier Lyapunov function," Neural Comput. Appl., vol. 33, no. 24, pp. 17821–17833, 2021.
L. Yu and X. Wang, "RBF neural networks based adaptive control for robotic manipulators with input constraints," IEEE Trans. Neural Netw. Learn. Syst., vol. 34, no. 5, pp. 2210–2222, 2023.
Y. Zhang and W. He, "RBF neural network-based adaptive control of robot manipulators with unknown input saturation," IEEE Trans. Syst., Man, Cybern.: Syst., vol. 51, no. 11, pp. 6606–6617, 2021.
W. He, C. Sun, and S. Liu, "Learning control for robotic manipulators based on recurrent neural networks," IEEE Trans. Neural Netw. Learn. Syst., vol. 31, no. 10, pp. 4021–4032, 2020.
Z. Jin and S. Xie, "Improved PD-type iterative learning control for nonlinear systems with application to robotic manipulators," Int. J. Control, vol. 95, no. 3, pp. 727–736, 2022.
Y. Pan, X. Liu, and D. Yue, "Event-triggered learning control of robot manipulators with disturbance observer," IEEE Trans. Cybern., vol. 51, no. 7, pp. 3539–3550, 2021.
F. Zhang, L. Guo, and X. Zhao, "Disturbance-observer-based robust learning control for robotic manipulators," Mechatronics, vol. 68, 2020, Art. no. 102375.
J. Ren and B. Xiao, "Adaptive neural sliding-mode control for robotic manipulators with external disturbances," IEEE Access, vol. 11, pp. 10789–10798, 2023.
C. Liang et al., "Adaptive learning control for nonlinear systems using neural networks," IEEE Trans. Neural Netw. Learn. Syst., vol. 33, no. 1, pp. 117–128, 2022.
Z. Li and H. Wang, "Neural learning adaptive control for robotic manipulators with input delay and actuator faults," Int. J. Robust Nonlinear Control, vol. 33, no. 2, pp. 1094–1112, 2023.
B. Wu and W. He, "Learning control of robotic arms using Lyapunov–Krasovskii functionals," IEEE Trans. Syst., Man, Cybern.: Syst., vol. 51, no. 8, pp. 4982–4991, 2021.
M. Boukattaya, H. Gassara, and T. Damak, "A global time-varying sliding-mode control for the tracking problem of uncertain dynamical systems," ISA transactions, vol. 97, pp. 155–170, 2020.
D. D. Nguyen et al., "Optimal tracking control for robot manipulators with input constraint based reinforcement learning," J. Comput. Sci. Cybern., vol. 39, no. 2, pp.175–189, 2023.
D. D. Nguyen and V. T. Vu, "Adaptive synchronous sliding control for a robot manipulator based on neural networks and fuzzy logic," Int. J. Electr. Comput. Eng., vol. 14, no. 3, pp. 2377–2385, 2024.
Y. Huang, H. Liu, Z. Qiao, and D. Sun, "Adaptive sliding mode control for robotic manipulators with uncertainties and input disturbances," IEEE Trans. Ind. Electron., vol. 69, no. 2, pp. 1805–1814, 2022.
