کنترل مدل مرجع تطبیقی با جبرانساز شبکه عصبی مصنوعی ربات زیرآبی خودکار6 درجه آزادی

طراحی کنترل‌کننده هوشمند خودتنظیم ربات های زیرآبی خودکار بدلیل محیط پر اغتشاش زیر آب، دینامیک پیچیده غیرخطی و ناقص عملگر، بسیار چالش برانگیز است. در این مقاله کنترل ترکیبی مدل مرجع تطبیقی همراه با جبرانساز شبکه عصبی مصنوعی برای کنترل ردیاب ربات زیرآبی خودکار 6 درجه آزادی ارائه شده است. سیستم دینامیکی غیرخطی ناقص عملگر 4 ورودی 6 خروجی شناور زیرآبی بر اساس دو رویکرد تفکیک مدل دینامیکی به چهار زیرسیستم و خطی سازی هر زیر سیستم مطابق ساختار ویژه آن با استفاده از روش خطی سازی فیدبک جزئی و یا دینامیک معکوس و روش دینامیک جفت شده، بنا شده است. در هر دو رویکرد دینامیک جفت نشده و یکپارچه، پایداری زیر سیستم‌ها و فرآیند کل با استفاده از روش پایداری لیاپانف تضمین شده است. به علت عملکرد سیستم در محیط همراه با ورودی‌های نامطلوب دایمی با هدف مقاوم سازی سیستم تحت کنترل، علاوه بر کنترل کننده مدل مرجع تطبیقی، از جبرانساز اضافی شبکه عصبی مصنوعی با تطبیق برخط پارامترهای وزن‌ها و بایاس‌های آن در هر زیرسیستم و نیز سیستم یکپارچه استفاده شده است. نتایج شبیه سازیهای جداگانه کنترل‌کننده ترکیبی مدل مرجع تطبیقی با جبرانساز شبکه عصبی در محیط نرم افزار سیمولینک متلب، بوضوح نشان از عملکرد چشمگیر کنترل‌کننده‌ی بهرهمند از جبرانساز شبکه عصبی مصنوعی در مقاوم سازی فرآیند و بهبود عملکرد ربات در ردیابی مسیر مطلوب با دقت قابل توجه در حضور ورودی‌های نامطلوب دائمی برای هر دو رویکرد را دارد.

Model Reference Adaptive Control with Artificial Neural Network Compensator of 6 DOF Autonomous Underwater Vehicle

The perturbed and noisy environment of the underwater and complex nonlinear underactuated dynamic system of the Autonomous Underwater Vehicle (AUV) turns out the design of the usually intelligent and adjustable controller, more challenging. In this paper, the hybrid Model Reference Adaptive Control (MRAC) along with the Artificial Neural Network (ANN) compensator for trajectory tracking of the 6 Degree of Freedom (DOF) AUV is illustrated. 4 Input6 Output (4I6O) nonlinear underactuated dynamic system in two individual approaches is divided into first, 4 subsystems and based on the inherent dynamics of the each subsystem, the partial or inverse linearization technique is employed for each one, and second, the coupled linearized model. The stability of the each closedloop subsystems, and hence the complete controlled model is insured according to the Lyapounve’s stability theory for both approaches. To further increasing the robustness of the closed loop system in such agitated environment, an ANN compensator benefiting online backpropagation learning algorithm to tune the network's parameters is incorporated with each controllers. The results of the simulations of the hybrid MRAC along with ANN compensator in Matlab Simulink environment, clearly indicates the outperformance of the ANN compensated control method versus its nonANN compensated counterpart in terms of increasing the robustness as well as more accurate trajectory tracking performance of the control system subjected to the continual applied noises for both coupled and decoupled dynamical systems.