طراحي كنترل كننده تطبيقي مد لغزشي مبتني شبكه عصبي كوانتومي

Design of an adaptive sliding mode controller based on quantum neural network

در اين مقاله، يك كنترل‌كننده مقاوم هوشمند كوانتومي مبتني بر تركيب روش كنترل مد لغزشي با لايه مرزي و شبكه‌هاي عصبي كوانتومي ارائه مي‌شود. اين كنترل‌كننده با استفاده از تابع لغزشي متغير با زمان و در حضور اختلالات خارجي، براي سيستم‌هاي غيرخطي نامعين، به منظور حذف اثرات ناشي از نامعيني‌هاي سيستم و فركانس‌هاي مدل نشده، طراحي شده است. در اين روش بهره كنترل و پهناي باند فركانس شكست به طور تطبيقي تنظيم مي‌شوند و ضمن حذف اثرات نامعيني‌ها به طور كارا، كنترل-كننده فاقد هرگونه نوسانات شديد مي‌باشد. با توجه به سرعت و دقت بالاي شبكه‌هاي عصبي كوانتومي در شناسايي سيستم، در اين مقاله يك شبكه عصبي كوانتومي سه لايه براي شناسايي توابع نامعين غيرخطي ديناميك سيستم طراحي شده است. هم‌چنين، به منظور پشتيباني تئوري تحليلي روش و استخراج قواعد تطبيقي يك قضيه ارائه و اثبات شده است. در پايان مثال‌هاي شبيه‌سازي شده نشان مي‌دهند كه روش پيشنهادي يك كنترل ردياب مقاوم تطبيقي هوشمند، كه در آن دامنه كنترل و شاخص انتگرال قدرمطلق خطاي رديابي مسير بسيار كمتر از ساير روش‌ها است، ارائه مي‌كند. بنابراين شناسايي مؤثر و حذف اثرات ناشي از نامعيني‌هاي سيستم، قابل تنظيم بودن بهره كنترل و پهناي باند فركانس شكست و رديابي دقيق‌تر، از مزيت‌هاي روش پيشنهادي است.

In this paper, a quantum intelligent robust controller via a combination of sliding mode control with boundary layer and quantum neural networks, for uncertain nonlinear systems in presence of external disturbances, is presented. Based on the adjustable time variant rejection regulator and rejection parameter, a time variant sliding surface as an adaptive chain of the first ordered low pass filters is defined. A three layers quantum neural network is designed to identify the uncertain nonlinear functions in system dynamics. In this method, the control gain, rejection parameter and quantum neural network are tuned adaptively. Also, the effects of uncertainties and the un-modeled frequencies are eliminated and chattering phenomenon does not occur. Also, for facilitating analytical theory of the presented method and derivation of the adaptive laws a theorem is proved. Finally, the simulated examples show that the proposed method presents an intelligent adaptive robust tracking control such that the control amplitudes and the integral absolute error index of the tracking trajectory are much less than the other methods. Therefore, effective identification, eliminating the effects of system uncertainties, adjustable control gain and rejection parameter and more accurate tracking are some of the advantages of this method.