کنترل مدل مرجع تطبیقی با جبرانساز شبکه عصبی مصنوعی ربات زیرآبی خودکار6 درجه آزادی | ||
مکانیک سازه ها و شاره ها | ||
مقاله 12، دوره 7، شماره 3، مهر 1396، صفحه 165-184 اصل مقاله (1.58 M) | ||
نوع مقاله: مقاله مستقل | ||
شناسه دیجیتال (DOI): 10.22044/jsfm.2017.3922.2049 | ||
نویسندگان | ||
مهدی یاقوتی1؛ ابولفتح نیکرنجبر* 2 | ||
1کارشناسی ارشد، گروه مهندسی مکانیک، واحد کرج، دانشگاه آزاد اسلامی واحد کرج | ||
2استادیار، گروه مهندسی مکانیک، واحد کرج، دانشگاه آزاد اسلامی واحد کرج | ||
چکیده | ||
طراحی کنترلکننده هوشمند خودتنظیم رباتهای زیرآبی خودکار بدلیل محیط پر اغتشاش زیر آب، دینامیک پیچیده غیرخطی و ناقص عملگر، بسیار چالش برانگیز است. در این مقاله کنترل ترکیبی مدل مرجع تطبیقی همراه با جبرانساز شبکه عصبی مصنوعی برای کنترل ردیاب ربات زیرآبی خودکار 6 درجه آزادی ارائه شده است. سیستم دینامیکی غیرخطی ناقص عملگر 4 ورودی - 6 خروجی شناور زیرآبی بر اساس دو رویکرد تفکیک مدل دینامیکی به چهار زیرسیستم و خطی سازی هر زیر سیستم مطابق ساختار ویژه آن با استفاده از روش خطی سازی فیدبک جزئی و یا دینامیک معکوس و روش دینامیک جفت شده، بنا شده است. در هر دو رویکرد دینامیک جفت نشده و یکپارچه، پایداری زیر سیستمها و فرآیند کل با استفاده از روش پایداری لیاپانف تضمین شده است. به علت عملکرد سیستم در محیط همراه با ورودیهای نامطلوب دایمی با هدف مقاوم سازی سیستم تحت کنترل، علاوه بر کنترل کننده مدل مرجع تطبیقی، از جبرانساز اضافی شبکه عصبی مصنوعی با تطبیق برخط پارامترهای وزنها و بایاسهای آن در هر زیرسیستم و نیز سیستم یکپارچه استفاده شده است. نتایج شبیه سازیهای جداگانه کنترلکننده ترکیبی مدل مرجع تطبیقی با جبرانساز شبکه عصبی در محیط نرم افزار سیمولینک متلب، بوضوح نشان از عملکرد چشمگیر کنترلکنندهی بهرهمند از جبرانساز شبکه عصبی مصنوعی در مقاوم سازی فرآیند و بهبود عملکرد ربات در ردیابی مسیر مطلوب با دقت قابل توجه در حضور ورودیهای نامطلوب دائمی برای هر دو رویکرد را دارد. | ||
کلیدواژهها | ||
کنترل ربات زیرآبی خودکار؛ کنترل مدل مرجع تطبیقی؛ جبرانساز شبکه عصبی مصنوعی؛ دینامیک زیرفعال؛ خطی سازی فیدبک جزئی | ||
مراجع | ||
[1] لوئیپور م (1389) رویکردها و ملزومات کسب و توسعه دانش و فناوری ربات های هوشمند زیرآبی. دوازدهمین همایش صنایع دریایی، ایران – زیباکنار. [2] Lakhekar GV (2013) A new approach to the design of an adaptive fuzzy sliding mode controller. IJOSE 3(2): 50-60. [3] Choukchou-Braham A, Cherki B, Djemai M, Busawon K (2013) Analysis and control of underactuated mechanical systems. Springer Science & Business Media. [4] Zhao S, Yuh J (2005) Experimental study on advanced underwater robot control. Robotics IEEE Transactions 21(4): 695-703. [5] Åström KJ, Wittenmark B (2013) Adaptive Control. 3rd edn. Dover Publications. [6] Pankaj S, Kumar JS, Nema R (2011) Comparative analysis of MIT rule and Lyapunov rule in model reference adaptive control scheme. ISDE 2(4): 154-162. [7] Forouzantabar A, Gholami B, Azadi M (2012) Adaptive neural network control of autonomous underwater vehicles. WASET 67: 304-309. [8] Mokhar MBM, Ismail ZH (2015) Fuzzy sliding mode with region tracking control for autonomous underwater vehicle. Jurnal Teknologi 72(2): 97-101. [9] Park BS (2015) Adaptive formation control of underactuated autonomous underwater vehicles. Ocean Eng 96: 1-7. [10] Eski İ, Yıldırım S (2014) Design of neural network control system for controlling trajectory of autonomous underwater vehicles. IJARS 11. [11] Sahu BK, Subudhi B (2014) Adaptive tracking control of an autonomous underwater vehicle. IJAC 11(3): 299-307. [12] Cui R, Yang C, Li y (2014) Neural network based reinforcement learning control of autonomous underwater vehicles with control input saturation. Control UKACC International Conference on IEEE. [13] رستمی م، جوادی مقدم ج و باقری ا (1392) هدایت و کنترل ربات زیرآبی با استفاده از سیستم ANFIS. مکانیک سازهها و شارهها 46-33 :(4)3. [14] Fossen TI (1994) Guidance and control of ocean vehicles. Wiley, New York. [15] Chow B (2009) Assigning closely spaced targets to multiple autonomous underwater vehicle. M.Sc Thesis, Dept. Mech, Eng, Univ. Waterloo. [16] Prestero TTJ (2001) Verification of a six-degree of freedom simulation model for the REMUS autonomous underwater vehicle. M.Sc Thesis, Dept. Mech, Eng, Univ. Massachusetts Institute of Technology. [17] Spong M W, Hutchinson S, Vidyasagar M (2006) Robot modeling and control. Wiley. [18] Ioannou P, Fidan B (2006) Adaptive Control Tutorial. Society for Industrial and Applied Mathematics (SIAM), Philadelphia. [19] Hagan MT, Demuth H, Beale M, De Jesus O (1996) Neural network design. Pws Pub. [20] Olfati-Saber R (2000) Nonlinear control of underactuated mechanical systems with application to robotics and aerospace vehicles. PHD Thesis, Massachusetts Institute of Technology. | ||
آمار تعداد مشاهده مقاله: 2,142 تعداد دریافت فایل اصل مقاله: 1,343 |