کنترل ترکیبی منطق فازی نوع دوم-شبکه عصبی و مود لغزشی مرتبه بالا برای یک بازوی رباتیکی با نامعینی پارامتری و اختلال خارجی

بازوهای صنعتی باید قادر به کار در محیط‌هایی با اختلال‌های پیش‌بینی نشده باشند. در این مقاله یک کنترل‌کننده ترکیبی منطق فازی نوع دومشبکه عصبی و مود لغزشی مرتبه بالا برای یک بازوی رباتیکی که تحت اختلال خارجی قابل توجه و نامعینی پارامتری است، پیشنهاد شده است. منطق فازی نوع دوم به دلیل استفاده از توابع عضویت فازی و وجود اثر نامعینی در الگوریتم، انتخابی مناسب در مواجهه با نامعینی محیطی محسوب می‌شود. همچنین شبکه عصبی می‌تواند به افزایش مقاومت کنترل‌کننده در برابر نامعینی منجر شود. با وجود آنکه ذاتاً شبکه عصبی نیاز به ساخت قوانین فازی مرتبه دوم خود ندارد، قوانین اولیه‌ای که بر مبنای سطح لغزش روش مود لغزشی تعیین شود، می‌تواند به بهبود رفتار سیستم کمک کند. از جمله ویژگی‌های کنترل‌کننده جدید، افزایش مقاومت آن نسبت به روش‌های کلاسیک در حضور نامعینی پارامتری و اختلال خارجی است. به علاوه، ویژگی خود تنظیمی کنترل‌کننده که بر مبنای وجود شبکه عصبی در بلوک مرکزی کنترل‌کننده فازی نوع دوم است، به افزایش مقاوم بودن روش کمک کرده است. عملکرد مثبت کنترل‌کننده پیشنهادی تحت اختلال‌های قابل توجه شبیه‌سازی‌ها نشان داده شده است.

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

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 selfregulation 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 twolink robotic arm with different significant perturbations.