Nghiên cứu bộ quan sát bền vững thích nghi và mạng nơ-ron nhân tạo cho robot liên kết đơn
Abstract
This article designs an adaptive robust observer based on an artificial neural network (radial basis function neural network) for a single link robot. The RBF neural network is used to estimate unknown nonlinear functions in the robot's mathematical equations. The weights of the neural network are updated online. With a neural network observer, speedless adaptive control can be implemented without model information. The stability of the state estimation error was analyzed. The simulation results in MATLAB/Simulink have shown the effectiveness of the neural network adaptive robust observer with the estimation error approaching 0.
Tóm tắt
Bài báo thiết kế bộ quan sát bền vững thích nghi dựa vào mạng nơ-ron nhân tạo (mạng nơ-ron hàm cơ sở xuyên tâm) cho robot liên kết đơn. Mạng nơ-ron RBF được sử dụng để ước lượng các hàm phi tuyến chưa biết trong phương trình toán học của robot. Các trọng số của mạng nơ-ron được cập nhật trực tuyến. Với bộ quan sát mạng nơ-ron, bộ điều khiển thích nghi tốc độ có thể được thực hiện mà không cần thông tin của mô hình. Tính ổn định của sai số ước lượng trạng thái đã được phân tích. Các kết quả mô phỏng trong MATLAB/Simulink đã cho thấy hiệu quả của bộ quan sát bền vững thích nghi mạng nơ-ron với sai số ước lượng tiến về 0.
Tài liệu tham khảo
[1] P. Bhavagna Sai Rajeev and Mr. K. Rajesh Babu (2022). Dynamic analysis of single link and R-P manipulators. International Journal of Science, Technology and Management (IJSTM), 11(10), 30–39.
[2] T. S. Lee and E. A. Alandoli (2020). A critical review of modelling methods for flexible and rigid link manipulators. J Braz. Soc. Mech. Sci. Eng., 42(10), 1–14, doi: 10.1007/s40430-020-02602-0.
[3] George Ellis (2002). Observers in Control Systems. Academic Press.
[4] R.-D. Xi, X. Xiao, T.-N. Ma, and Z.-X. Yang (2022). Adaptive Sliding Mode Disturbance Observer Based Robust Control for Robot Manipulators Towards Assembly Assistance. IEEE Robot. Autom. Lett., 7(3), 6139–6146, doi: 10.1109/LRA.2022.3164448.
[5] Z. Yi, W. Xie, L. Liu, and B. Xu (2022). A neural network adaptive interval observer design for nonlinear systems. IET Control Theory & Appl, 16(6), 615–624, doi: 10.1049/cth2.12258.
[6] R.-D. Xi, T.-N. Ma, X. Xiao, and Z.-X. Yang (2024). Design and implementation of an adaptive neural network observer–based backstepping sliding mode controller for robot manipulators. Transactions of the Institute of Measurement and Control, 46(6), 1093–1104, doi: 10.1177/01423312231190169.
[7] M. A. Sassi, M. J.-D. Otis, and A. Campeau-Lecours (2017). Active stability observer using artificial neural network for intuitive physical human–robot interaction. International Journal of Advanced Robotic Systems, 14(4), 1–16, doi: 10.1177/1729881417727326.
[8] Y. H. Kim, F. L. Lewis, and C. T. Abdallah (1997). A dynamic recurrent neural-network-based adaptive observer for a class of nonlinear systems. Automatica, 33(8), 1539–1543, doi: 10.1016/S0005-1098(97)00065-4.
[9] J. Liu (2013). Radial Basis Function (RBF) Neural Network Control for Mechanical Systems: Design, Analysis and Matlab Simulation. Berlin, Heidelberg: Springer Berlin Heidelberg.
