كنترل يادگير تكرار شونده مقاوم براي ربات توانبخشي در حضور عدم‌ قطعيت پارامتري

Robust iterative learning control for rehabilitation robot in the presence of parametric uncertainty

در اين مقاله، همگرائي مقاوم كنترل يادگير تكرار شونده (ILC) در ربات توانبخشي خطي داراي عدم قطعيت پارامتري، بدست آمده است. امروزه ربات‌هاي توانبخشي وظيفه مهمي را در كمك به فيزيوتراپ‌ها در ترميم آسيب‌هاي حركتي بر عهده دارند. از آن جهت كه عدم قطعيت در ربات‌هاي توانبخشي در عمل با تكرار تغيير مي‌كنند، حذف اثر عدم قطعيت پارامتري متغير با تكرار امري بسيار ضروري است. همچنين عدم قطعيت پارامتري در ماتريس‌هاي ورودي و خروجي مدل يك ربات توانبخشي، تاثير مستقيمي بر همگرائي الگوريتم ILC داشته و يك تاثير كوچك در هر يك از اين ماتريس‌ها، ممكن است به واگرائي الگوريتم منجر شود. در اين مقاله، ابتدا قانون الگوريتم ILC بدون حضور عدم قطعيت بدست آمده و سپس همگرائي مقاوم اين الگوريتم با يك بهره يادگيري ثابت در حضور عدم قطعيت پارامتري، اثبات شده است. در پايان صحت‌سنجي نتايج بدست آمده روي يك مدل ربات توانبخشي مورد تحليل و ارزيابي قرار گرفته است.

In this paper, the robust convergence of iterative learning control (ILC) in a linear rehabilitation robot with parametric uncertainty is obtained. Today, rehabilitation robots have an essential role in assisting physiotherapists in repairing muscle injuries. Since the uncertainties in rehabilitation robots change with practice in iteration, it is crucial to eliminate the effect of variable parametric uncertainty with iteration. Also, parametric uncertainty in the input and output matrices of a rehabilitation robot model directly affects the convergence of the ILC algorithm, and a small effect on each of these matrices may lead to algorithm divergence. In this paper, first, the law of the ILC algorithm without uncertainty is obtained. Then the robust convergence of this algorithm with a fixed learning gain in the presence of parametric uncertainty is proved. Finally, validation of the results obtained on a rehabilitation robot model is analyzed and evaluated.