Адаптивное нечеткое скользящее управление приводом с приводом от двух противоположных пневматических искусственных мышц

Apr 17, 2024

Научные отчеты, том 13, Номер статьи: 8242 (2023) Цитировать эту статью

525 Доступов

Подробности о метриках

Пневматические искусственные мышцы (PAM) являются потенциальным исполнительным механизмом в системах взаимодействия человека и робота, особенно в системах реабилитации. Однако PAM представляет собой нелинейный привод с неопределенностью и значительной задержкой характеристик, что затрудняет управление. В этом исследовании представлен подход к управлению скользящим режимом в дискретном времени в сочетании с адаптивным нечетким алгоритмом (AFSMC) для борьбы с неизвестным возмущением привода на основе PAM. Разработанная система нечеткой логики имеет векторы параметров составляющих правил, которые автоматически обновляются по адаптивному закону. Следовательно, разработанная система нечеткой логики может разумно аппроксимировать возмущение системы. При использовании системы на основе PAM в многосценарных исследованиях экспериментальные результаты подтверждают эффективность предложенной стратегии.

В последние годы PAM стал одним из наиболее многообещающих приводов для приложений, требующих моделирования движений, подобных человеческим. ПАМ состоит из длинной резиновой трубки, покрытой плетеной пряжей. ПАМ твердеет и сжимается в радиальном и продольном направлениях при подаче сжатого воздуха. И наоборот, он станет мягче и удлинится, когда мы выпустим воздух. Это сокращение похоже на принцип работы мышечных пучков живых существ. PAM обычно используются в промышленности из-за их преимуществ, таких как быстрая реакция, чрезвычайно легкий вес, высокое соотношение мощности к весу и мощности к объему, безопасность, чистота, простота обслуживания, гибкость и низкая стоимость1,2. 3,4,5. Некоторые известные применения включают манипуляторы4,6,7,8 для повышения безопасности людей, взаимодействующих с роботами, системы реабилитации9,10,11,12,13,14 и медицинские устройства15,16 для помощи пациентам в восстановлении двигательных функций. Однако PAM — это нелинейная система с огромной задержкой, и ее регулирование с хорошей производительностью всегда привлекает большое внимание исследователей.

Более того, определение нелинейной математической модели PAM является чрезвычайно сложной задачей, что приводит к смещению в оценке параметров системы на основе PAM. В результате системы на основе PAM имеют множество неизвестных помех. Для решения проблем пневматического мышечного привода было предложено множество методов управления. Во многих ранних исследованиях был выбран пропорционально-интегрально-дифференциальный (ПИД) регулятор и его модифицированные версии. Нелинейный ПИД-регулятор17,18,19,20,21 для улучшения коррекции явления нелинейного гистерезиса и повышения надежности. Нечеткий ПИД-регулятор22,23,24,25 предлагается для улучшения характеристик отслеживания траектории. Большинство упомянутых контроллеров имеют достойную производительность. Их недостаточно для борьбы с гистерезисом и нелинейностью PAM.

Чтобы преодолеть недостатки ПИД-регулятора и его улучшенных вариантов, в литературе представлены подходы нелинейного управления, такие как управление скользящим режимом (SMC), динамическое управление поверхностью, адаптивное управление, управление интерактивным обучением и интеллектуальное управление. Более конкретно, обычное управление скользящим режимом применяется в работах 26,27 для отслеживания траектории системы PAM. Различные типы скользящего режима дискретного времени используются для надежного управления положением системы PAM28,29. Кроме того, динамическое управление поверхностью, которое использует фильтр первого порядка для улучшения реакции системы, также применяется для отслеживания управления системами PAM30. Более того, в работе 31 авторы рекомендуют адаптивное управление для оценки неизвестных параметров системы в режиме онлайн, что обеспечивает удовлетворительные характеристики управления.

Интерактивное управление обучением и интеллектуальное управление, которое может изучать нелинейность и оценивать неизвестные параметры, также являются важными подходами к управлению системой PAM. Авторы статьи 32 предложили надежный алгоритм управления итеративным обучением для устранения неопределенностей и ограничений состояния системы PAM. Для управления системой PAM предлагается нечеткое управление в сочетании с дробным ПИД-регулированием25, с управлением скользящим режимом33 и с управлением прогнозированием модели34. В этих статьях нечеткая логика играет роль в настройке параметров управления. Ссылка35 предложила адаптивный подход к управлению нечетким скользящим режимом для регулирования системы PAM без заранее определенной модели, в которой неизвестные параметры оцениваются с использованием нечетких функций. Аналогично, в [36] использовалась та же идея, но вместо нечеткой логики для оценки неизвестных функций использовалась нейронная сеть. Кроме того, считается, что обучение с подкреплением оптимизирует эффективность управления системой PAM37. Большинство из вышеупомянутых подходов могут повысить надежность системы. Некоторые из них пытаются улучшить производительность системы, оценивая неизвестные части и помехи с помощью очень сложных алгоритмов оценки. Эти алгоритмы теоретически эффективны, но их реализация очень сложна и требует большого количества вычислений. Таким образом, требование эффективного алгоритма управления остается открытой проблемой.