Fuzzy supervisory sliding-mode und neuronale Netzwerksteuerung für robotische Manipulatoren

Hochgradig nichtlineare, stark gekoppelte und zeitvariable robotische Manipulatoren leiden unter strukturierten und unstrukturierten Unsicherheiten. Die Sliding-Mode-Steuerung (SMC) ist effektiv, um Unsicherheiten zu überwinden, und hat eine schnelle Transientenantwort, während der Steuerungsaufwand diskontinuierlich ist und Rattern verursacht. Das neuronale Netzwerk hat die inhärente Fähigkeit, eine nichtlineare Funktion mit beliebiger Genauigkeit zu lernen und zu approximieren, was in den Reglern verwendet wird, um komplexe Prozesse zu modellieren und unstrukturierte Unsicherheiten auszugleichen. Allerdings verschlechtert das unvermeidliche Lernverfahren die transienten Leistungen bei Störungen. Ein neuartiger Ansatz wird präsentiert, um ihre Nachteile zu überwinden und von ihren attraktiven Merkmalen der robusten und intelligenten Steuerung zu profitieren. Das vorgeschlagene Steuerschema kombiniert die SMC und die neuronale Netzwerksteuerung (NNC) mit unterschiedlichen Gewichten, die von einem fuzzy übergeordneten Regler bestimmt werden. Dieses neuartige Schema wird als fuzzy supervisory sliding-mode und neuronale Netzwerksteuerung (FSSNC) bezeichnet. Die Konvergenz und Stabilität des vorgeschlagenen Steuersystems werden durch die Anwendung von Lyapunovs direkter Methode bewiesen. Simulationen für unterschiedliche Situationen zeigen seine Robustheit mit zufriedenstellender Leistung.