کنترل هماهنگ یک تراکتور- تریلر و ماشین برداشت محصول کمباین با استفاده از کنترل مقاوم تطبیقی عصبی

در این مقاله، مسئله‌ی کنترل هماهنگ یک سیستم تراکتور تریلر و یک ماشین برداشت محصول کمباین به کمک روش رهبر پیرو در حضور عدم قطعیت‌های مدل با هدف ردیابی مسیر زمانی مرجع برای اولین ‌بار مورد توجه قرار می‌گیرد. ابتدا، یک مدل دینامیکی مرتبه دوم رهبر پیرو به صورت اویلر لاگرانژ توسعه می‌یابد که تمام خواص ساختاری مدل دینامیکی را حفظ می‌کند. سپس، کنترل ربات تراکتور تریلر به نحوی انجام می‌گیرد که فاصله و جهت نسبی مطلوب با ماشین جمع آوری محصول، حفظ شود. برای این منظور، طراحی کنترل‌کننده‌ی پیشنهادی به روش مقاوم تطبیقی عصبی انجام می‌گیرد. در این طرح کنترلی، نامعینی‌های پارامتری مانند جرم، ممان اینرسی و پارامترهای فیزیکی دیگر توسط شبکه‌ی عصبی تابع پایه شعاعی تخمین زده می‌شوند و سپس نامعینی‌های غیرپارامتری از قبیل دینامیک‌های مدل نشده سیستم، اصطکاک و لغزش چرخ‌ها توسط جمله کنترلی مقاوم تطبیقی جبران می‌گردند. به علاوه، نشان داده می‌شود که کنترل‌کننده خطاهای ردیابی را وادار می‌کند که به توپ کوچکی اطراف مبدا در حضور نامعینی‌ها میل کنند. پایداری کنترل‌کننده‌ پیشنهادی به صورت تحلیلی و بر اساس تئوری لیاپانوف اثبات می‌شود. نهایتاً، طرح‌ کنترلی پیشنهادی با استفاده از نرم‌افزار متلب شبیه‌سازی و اعتبار آن‌ نشان داده خواهد شد و با کنترل‌کننده‌ی پس‌گام مقایسه می‌شود.

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

In this paper, the coordinated control problem of a tractortrailer and a combine harvester is taken into account in the presence of model uncertainties by using the leaderfollowing approach to track a reference trajectory for the first time. At first, a secondorder leaderfollower dynamic model is developed in EulerLagrange form which preserves all structural properties of the dynamic model. Then, the tractortrailer 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.