كنترل هماهنگ يك تراكتور- تريلر و ماشين برداشت محصول كمباين با استفاده از كنترل مقاوم تطبيقي عصبي

Coordinated Control of a Tractor-Trailer and a Combine Harvester by Neural Adaptive Robust Control

در اين مقاله، مسئله‌ي كنترل هماهنگ يك سيستم تراكتور- تريلر و يك ماشين برداشت محصول كمباين به كمك روش رهبر- پيرو در حضور عدم قطعيت‌هاي مدل با هدف رديابي مسير زماني مرجع براي اولين ‌بار مورد توجه قرار مي‌گيرد. ابتدا، يك مدل ديناميكي مرتبه دوم رهبر- پيرو به صورت اويلر- لاگرانژ توسعه مي‌يابد كه تمام خواص ساختاري مدل ديناميكي را حفظ مي‌كند. سپس، كنترل ربات تراكتور- تريلر به نحوي انجام مي‌گيرد كه فاصله و جهت نسبي مطلوب با ماشين جمع آوري محصول، حفظ شود. براي اين منظور، طراحي كنترل‌كننده‌ي پيشنهادي به روش مقاوم تطبيقي عصبي انجام مي‌گيرد. در اين طرح كنترلي، نامعيني‌هاي پارامتري مانند جرم، ممان اينرسي و پارامترهاي فيزيكي ديگر توسط شبكه‌ي عصبي تابع پايه شعاعي تخمين زده مي‌شوند و سپس نامعيني‌هاي غيرپارامتري از قبيل ديناميك‌هاي مدل نشده سيستم، اصطكاك و لغزش چرخ‌ها توسط جمله كنترلي مقاوم تطبيقي جبران مي‌گردند. به علاوه، نشان داده مي‌شود كه كنترل‌كننده خطاهاي رديابي را وادار مي‌كند كه به توپ كوچكي اطراف مبدأ در حضور نامعيني‌ها ميل كنند. پايداري كنترل‌كننده‌ پيشنهادي به صورت تحليلي و بر اساس تئوري لياپانوف اثبات مي‌شود. نهايتاً، طرح‌ كنترلي پيشنهادي با استفاده از نرم‌افزار متلب شبيه‌سازي و اعتبار آن‌ نشان داده خواهد شد و با كنترل‌كننده‌ي پس‌گام مقايسه مي‌شود.

In this paper, the coordinated control problem of a tractor-trailer and a combine harvester is taken into account in the presence of model uncertainties by using the leader-following approach to track a reference trajectory for the first time. At first, a second-order leader-follower dynamic model is developed in Euler-Lagrange form which preserves all structural properties of the dynamic model. Then, the tractor-trailer is controlled to maintain a separation distance and a relative bearing angle with respect to the combine harvester. For this purpose, the controller is designed by using an adaptive robust neural network technique. In this control scheme, the parametric uncertainties such as masses, the moments of inertia and other physical parameters are estimated by a radial basis function neural network (RBFNN) and, then, nonparametric uncertainties such as unmodeled dynamics, friction and the slippage of wheels are compensated by the adaptive robust control term. Moreover, it will be shown that the controller makes the tracking errors converge to a small bound around the origin in the presence of uncertainties. The stability of the proposed controller is demonstrated by an analysis based on Lyapunov theory. Finally, the proposed control scheme is simulated by MATLAB software and its validity will be shown and it is compared with the backstepping controller.