كنترل تركيبي منطق فازي نوع دوم-شبكه عصبي و مود لغزشي مرتبه بالا براي يك بازوي رباتيكي با نامعيني پارامتري و اختلال خارجي

Hybrid Control of Fuzzy Type 2-Neural Network and Higher Order Sliding Mode for Robotic Manipulator with Parametric Uncertainties and Perturbations

بازوهاي صنعتي بايد قادر به كار در محيط‌هايي با اختلال‌هاي پيش‌بيني نشده باشند. در اين مقاله يك كنترل‌كننده تركيبي منطق فازي نوع دوم-شبكه عصبي و مود لغزشي مرتبه بالا براي يك بازوي رباتيكي كه تحت اختلال خارجي قابل توجه و نامعيني پارامتري است، پيشنهاد شده است. منطق فازي نوع دوم به دليل استفاده از توابع عضويت فازي و وجود اثر نامعيني در الگوريتم، انتخابي مناسب در مواجهه با نامعيني محيطي محسوب مي‌شود. همچنين شبكه عصبي مي‌تواند به افزايش مقاومت كنترل‌كننده در برابر نامعيني منجر شود. با وجود آنكه ذاتاً شبكه عصبي نياز به ساخت قوانين فازي مرتبه دوم خود ندارد، قوانين اوليه‌اي كه بر مبناي سطح لغزش روش مود لغزشي تعيين شود، مي‌تواند به بهبود رفتار سيستم كمك كند. از جمله ويژگي‌هاي كنترل‌كننده جديد، افزايش مقاومت آن نسبت به روش‌هاي كلاسيك در حضور نامعيني پارامتري و اختلال خارجي است. به علاوه، ويژگي خود تنظيمي كنترل‌كننده كه بر مبناي وجود شبكه عصبي در بلوك مركزي كنترل‌كننده فازي نوع دوم است، به افزايش مقاوم بودن روش كمك كرده است. عملكرد مثبت كنترل‌كننده پيشنهادي تحت اختلال‌هاي قابل توجه شبيه‌سازي‌ها نشان داده شده است.

Industrial arms must be able to perform their tasks in environments with serious unplanned conditions and perturbations. In this paper, the aim is to control a robotic manipulator which is under parametric uncertainty and significant external perturbations. Fuzzy type 2 logic is considered as an appropriate choice in the face of uncertain conditions due to various reasons such as the use of fuzzy membership functions and footprint of uncertainty existence in the algorithm. The use of neural network can increase the robustness of controller in the face of uncertainties. Although the neural network does not necessarily need to build its fuzzy type 2 rules, the initial rules based on sliding surface of sliding mode scheme can improve system’s performance. More robustness of the novel algorithm in comparison with classic sliding mode controller is the main feature made in the presence of parametric uncertainty and external perturbations. In addition, the controller self-regulation feature, based on the existence of neural network in the central block of fuzzy type 2 controller, helps to increase the robustness of the method. Positive performance of novel scheme has been shown in simulation of two-link robotic arm with different significant perturbations.