كنترل كننده نروفازي بازوهاي مكانيكي ماهر صلب - انعطاف پذير با توابع عضويت هوشمند

Neuro-fuzzy Controller of Rigid-Flexible Manipulators with Intelligence Membership Function

اين مقاله يك سيستم كنترل نرو فازي جديد را براي كنترل بازوهاي مكانيكي ماهر صلب-انعطاف پذير ارايه مي دهد. ارتقاء عملكرد كنترل كننده فازي و هوشمند سازي در واحدهاي فازي ساز و غير فازي ساز، از اهداف مورد نظر اين تحقيق هستند. سيستم كنترل پيشنهادي شامل كنترل كننده فازي در قسمت پسخورد و شبكه عصبي در قسمت پيشخورد است. شبكه وظيفه تخمين ديناميك معكوس دستگاه و نيز توليد فرمان كنترلي را به عهده دارد. به روز رساني ضرايب وزني شبكه، با استفاده از خروجي قسمت فازي و بر روي خط انجام مي شود. از طرفي براي هوشمند سازي واحد فازي ساز، از دو شبكه عصبي بازگشتي پويا استفاده شده است. شبكه ها وظيفه تنظيم ضرايب اصلي توابع عضويت را در كنترل كننده فازي به عهده دارند. ورودي اين شبكه ها خطا و نرخ تغيير خطا هستند و وزن هاي آنها با استفاده از الگوريتم پس انتشار خطا انجام مي شود. جهت تصديق و كارآمدي روش ارايه شده، شبيه سازي براي بازوي مكانيكي ماهر با سه رابط كه رابط انتهايي انعطاف پذير است، انجام شده است. پاسخ سيستم به ورودي پله و ورودي سينوسي بطور مجزا براي كنترل كننده فازي و كنترل كننده پيشنهادي به دست آمده و با يكديگر مقايسه شده اند. مقايسه و بررسي هاي انجام شده، نشان از كارآمدي روش ارايه شده دارد.

This paper presents a new Neuro-fuzzy control system to control rigid-flexible manipulators. Enhancing the performance of fuzzy controller and intelligence in fuzzy and non-fuzzy units is the goal of this research. Proposed control system includes a fuzzy controller in the feedback and a neural network is the feed-forward. The network has the responsibility of estimating the inverse dynamic of device and then, the production of control command. Updating weighting coefficients of network is done online using the fuzzy controller output. On the other hand, two dynamic recurrent neural networks are used for making fuzzy unit intelligent. Networks are responsible for regulating the main factors of membership functions in the fuzzy controller. The input of these networks is error and error change rate and their weights are done by using an error back-propagation algorithm. To verify the effectiveness of the proposed method, simulation is conducted for skilled manipulators with three interfaces where the end interface is flexible. System responses to step input and sinusoidal input are separately obtained for fuzzy controllers and proposed controller and compared. Comparison and studies indicate the effectiveness of the provided method.