tailieunhanh - Thiết kế bộ điều khiển thích nghi trượt bền vững sử dụng mạng nơron cho robot công nghiệp

Bài viết này đưa ra bộ điều khiển bền vững thích nghi mạng nơron cho robot công nghiệp để cải thiện độ chính xác cao của điều khiển bám. Để giả quyết các kiến thức chưa biết của hệ thống robot, bộ điều khiển ARNNs được sử dụng để xấp xỉ động lực học chưa biết mà không yêu cầu kiến thức trước đó. | Thiết kế bộ điều khiển thích nghi trượt bền vững sử dụng mạng nơron cho robot công nghiệp LIÊN NGÀNH ĐIỆN - ĐIỆN TỬ - TỰ ĐỘNG HÓA Thiết kế bộ điều khiển thích nghi trượt bền vững sử dụng mạng nơron cho robot công nghiệp Design a robust adaptive sliding mode controller using neural network for industrial robot manipulator 1, 2 1 Vũ Thị Yến , Nguyễn Hữu Quảng , Lê Đức Thân3 Email: havi2203@ 1 Trường Đại học Sao Đỏ, Việt Nam 2 Trường Đại học Hồ Nam, Trung Quốc 3 Trường Đại học Tài chính - Quản trị kinh doanh Ngày nhận bài: 6/9/2018 Ngày nhận bài sửa sau phản biện: 22/12/2018 Ngày chấp nhận đăng: 27/12/2018 Tóm tắt Bài báo này đưa ra bộ điều khiển bền vững thích nghi mạng nơron cho robot công nghiệp để cải thiện độ chính xác cao của điều khiển bám. Để giả quyết các kiến thức chưa biết của hệ thống robot, bộ điều khiển ARNNs được sử dụng để xấp xỉ động lực học chưa biết mà không yêu cầu kiến thức trước đó. Ngoài ra, bộ điều khiển trượt SMC được xây dựng để tối ưu các tham số vectơ, bù sai lệch xấp xỉ. Tất cả các tham số của bộ điều khiển đưa ra được xác định bằng thuyết ổn định Lyapunov. Vì thế, khả năng ổn định, bền vững và hiệu quả bám yêu cầu của ARNNs cho IRMs được đảm bảo. Hơn thế nữa, mô phỏng được thực hiện trên robot ba bậc tự do đưa ra so sánh với bộ điều khiển PID và bộ điều khiển mờ thích nghi (AF) để chứng minh tính bền vững và hiệu quả của bộ điều khiển ARNNs. Từ khóa: Điều khiển trượt; mạng nơron; điều khiển thích nghi bền vững; robot công nghiệp. Abstract This paper proposed an adaptive robust neural networks (ARNNs) control for industrial robot manipulators to improve high accuracy of the tracking control. In order to deal with the unknown knowledge of the robot system problems, the ARNNs are used to approximate the unknown dynamics without the requirement of prior knowledge. In addition, the robust SMC is constructed to optimize parameter vectors, compensate the approximation error. All .