Синтез нейромережевого регулятора та експериментальне дослідження стійкості для адаптивної системи керування квадрокоптером.
DOI:
https://doi.org/10.15276/opu.2.70.2024.12Ключові слова:
БПЛА, рівняння динаміки, рівняння Ейлера-Лагранжа, ефект високочастотного тремтіння, апроксимація нейронної мережі, сигмоїдальна безперервна активаційна функція, функція Ляпунова, MIMO (Multi Input Multi Output), RBF (Radial basis function), SMC (Sliding mode control)Анотація
При вирішенні низки складних маніпуляційних завдань доцільно брати до уваги нелінійну динаміку об’єкта управління. До таких завдань, зокрема, можна віднести керування великими маніпуляторами космічного базування, а також наземними маніпуляційними системами, що застосовуються у будівництві, у разі ліквідації наслідків аварій та катастроф. Для подібних маніпуляційних систем завдання управління ускладняються за рахунок того, що динаміки керованої конструкції дуже складна і, в більшості випадків, не може бути математично описана. У зв’язку з цим не завжди можуть бути застосовані методи, що ґрунтуються на вирішенні зворотного завдання динаміки. Застосування PID-контролерів, які широко використовують у більшості промислових додатків, також дозволяє взяти до уваги особливості динаміки руху таких систем. Також виникають проблеми із забезпеченням стійкості, у тому числі при дії зовнішніх факторів, які наперед не відомі. Новий напрямок у цій галузі пов’язані з застосуванням нейронних мереж, які можуть оцінити динаміку системи як реального часу. З іншого боку, застосування ковзних режимів у системах управління забезпечує незалежність процесу управління, як від зовнішніх впливів, і від параметричних збурень. Поєднання цих методів дозволяє створити систему, яка може усунути деякі недоліки кожного методу. У цій статті розроблено метод управління, що базується на адаптивному алгоритмі налаштування нейронної мережі. Пропонований метод дозволяє керувати системою без апріорної інформації про структуру та параметри динамічної моделі керованого об’єкта. Для визначення коефіцієнтів нейромережевого регулятора застосовуються адаптивні алгоритми, що дозволяють проводити його налаштування як нормального функціонування системи. За допомогою методу Ляпунова отримано умови стійкості такої системи керування. Ефективність запропонованого способу управління підтверджується результатами моделювання системи управління в середовищі MATLAB, а також експериментальними дослідженнями робототехнічних систем.
Завантаження
Посилання
Markazi, A.H.D., Maadani, M., Zabihifar, S., & Doost-Mohammadi, N. (2018). Adaptive fuzzy sliding mode control of under-actuated nonlinear systems. Int J Autom Comput., 15, 364–76.
Gruber, P., & Balemi, S. (2010). Overview of non-linear control methods. Swiss Society for Automatic Control, 1–33.
He, W., Ge, S.S., Li, Y., Chew, E., & Ng, Y.S. (2015). Neural Network Control of a Rehabilitation Robot by State and Output Feedback. J Intell Robot Syst., 80(1), 15–31. Retrieved from: http://link.springer.com/10.1007/s10846-014-0150-6.
Polydoros, A.S., Nalpantidis, L., & Kruger, V. (2015). Real-time deep learning of robotic manipulator inverse dynamics. 2015 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS), 3442–3448. Retrieved from: http://ieeexplore.ieee.org/document/7353857/.
Muller, A. (2017). Recursive second-order inverse dynamics for serial manipulators. 2017 IEEE International Conference on Robotics and Automation (ICRA), 2483–2489. Retrieved from: http://ieeexplore.ieee.org/document/7989289/.
Duc, M.N., & Trong, T.N. (2014). Neural network structures for identification of nonlinear dynamic robotic manipulator. 2014 IEEE International Conference on Mechatronics and Automation, 1575–1580. Retrieved from: http://ieeexplore.ieee.org/lpdocs/epic03/wrapper.htm?arnumber=6885935.
Rahmani, B., & Belkheiri, M. (2016). Robust Adaptive Control of Robotic Manipulators Using Neural Networks : Application to a Two Link Planar Robot. ICMIC-2016, 839–844.
He, W., Chen, Y., Yin, Z., & Member, S. (2015). Adaptive Neural Network Control of an Uncertain Robot With Full-State Constraints. IEEE Transactions on Cybernetics, 46(3), 620–629. DOI: 10.1109/TCYB.2015.2411285.
Yan, L., & Li, C.J. (1997). Robot Learning Control Based on Recurrent Neural Network Inverse Model, 14(3), 1–22.
Li, Y., Li, S., Caballero, D., Miyasaka, M., & Lewis, A. (2017). Hannaford B. Improving control precision and motion adaptiveness for surgical robot with recurrent neural network. IEEE Int Conf Intell Robot Syst, 3538–3543.
He, W., Ge, S.S., How, B.V.E., & Choo, Y.S. (2014). Dynamics and Control of Mechanical Systems in Offshore Engineering. London: Springer London. Retrieved from: http://link.springer.com/ 10.1007/978-1-4471-5337-5.
Hana Boudjedir, Fouad Yacef, & Omar Bouhali N.R. (2012). Dual Neural Network for Adaptive Sliding Mode Control of Quadrotor Helicopter Stabilization. Int J Inf Sci Tech, 2(4),101–15.
Moreno-Valenzuela, J., Aguilar-Avelar, C., Puga-Guzman, S.A., & Santibanez, V. (2016). Adaptive Neural Network Control for the Trajectory Tracking of the Furuta Pendulum. IEEE Trans Cybern. 1–14.
Nelson, J., & Kraft, L.G. (1994). Real-time control of an inverted pendulum system using complementary neural network and optimal techniques. In: Proceedings of 1994 American Control Conference - ACC ‘94, p. 2553–2554. Retrieved from: http://ieeexplore.ieee.org/document/735019/.
Hsu, C-F. (2014). Adaptive backstepping Elman-based neural control for unknown nonlinear systems. Neurocomputing, 136, 170–179. Retrieved from: https://www.sciencedirect.com/science/article/pii/ S0925231214001684.
Boudjedir, H. (2012). Dual Neural Network for Adaptive Sliding Mode Control of Quadrotor Helicopter Stabilization. Int J Inf Sci Tech, 2(4), 1–14. Retrieved from: http://www.airccse.org/journal/ IS/papers/2412ijist01.pdf.
Khazaee, M., Markazi, A.H.D., Rizi, S.T., & Seyfi, B. (2017). Adaptive fuzzy sliding mode control of input-delayed uncertain nonlinear systems through output-feedback. Nonlinear Dyn, 87(3), 1943–1956. Retrieved from: http://link.springer.com/10.1007/s11071-016-3164-8.
Li, M., Bi, D., & Xiao, Z. (2015). Mechanism Simulation and Experiment of 3-DOF Parallel Robot Based on MATLAB. 2015 Ipemec, 489–494.
Huang, Y. (2015). Neural Network Based Dynamic Trajectory Tracking of Delta Parallel Robot. Int Conf Mechatronics Autom., 1938–1943.
Du, J., & Lou, Y. (2016). Simplified Dynamic Model for Real-time Control of the Delta Parallel Robot. 1647–1652.
Naidoo, Y., Stopforth, R., & Bright, G. (2011). Helicopter Modelling and Control. Int J Adv Robot Sy., 8(4), 139–149.
Van Cuong, P., & Nan, W.Y. (2016). Adaptive trajectory tracking neural network control with robust compensator for robot manipulators. Neural Comput Appl, 27(2), 525–536. Retrieved from: http://dx.doi.org/10.1007/s00521-015-1873-4.
Yildirim, S. (2005). Design of Adaptive Robot Control System Using Recurrent Neural Network. J Intell Robot Syst, 44(3), 247–261. Retrieved from: http://link.springer.com/10.1007/s10846-005-9012-6.
Alashqar, H.A.H., & Hussein, M.T. (2013). Modeling and High Precision Motion Control of 3 DOF Parallel Delta Robot Manipulator.
Tanaka, Y., & Tsuji, T. (2004). On-line Learning of Robot Arm Impedance Using Neural Networks. 2004 IEEE International Conference on Robotics and Biomimetics, 941–946. Retrieved from: http://ieeexplore.ieee.org/document/1521911/.
Brandt, R.D., & Lin, F. (1999). Adaptive interaction and its application to neural networks. Inf Sci (Ny), 121 (3–4), 201–215. Retrieved from: https://www.sciencedirect.com/science/article/pii/ S0020025599000900.
Olfati-Saber, R. (1999). Fixed point controllers and stabilization of the cart-pole system and the rotating pendulum. Proceedings of the 38th IEEE Conference on Decision and Control (Cat No99CH36304), 1174–1181. Retrieved from: http://ieeexplore.ieee.org/document/830086/.
Turker, T., Gorgun, H., & Cansever, G. (2012). Lyapunov’s direct method for stabilization of the Furuta pendulum. Turkish J Electr Eng Comput Sci., 20(1), 99–110.
