طراحی کنترل کننده شبکه عصبیِ تابع پایه شعاعیِ تطبیقی با ترم مقاوم مد لغزشی برای شناورهای زیر سطحی

نوع مقاله: کوتاه

نویسندگان

دانشکده مهندسی دانشگاه آزاد واحد بوئین زهرا، قزوین، ایران

چکیده

در این مقاله شناورهای زیر سطحی برای طراحی کنترل غیر خطی که هم برای نقص عملگر شناورهای سطحی و هم برای تضمین ردیابی مناسب باشند مورد بررسی قرار گرفته اند. بدین منظور کنترلگری با توانمندی تخمین هوشمند نامعینی ها و جبرانسازی اغتشاشات جریان آب اقیانوس برای هر دو مد کنترل عمق و سمت پیشنهاد می­شود. برای تقریب دینامیک های غیر خطی نامعین، کنترل کننده شبکه عصبیِ تابع پایه شعاعیِ تطبیقی پیشنهاد شده است. در ادامه، مساله طراحی یک کنترل کننده شبکه عصبیِ تابع پایه شعاعیِ تطبیقی با یک ترم مد لغزشی تقویت شده است تا خطای ردیابی و تنظیم در حضور نامعینی ها بهبود یابد در نتیجه هم بر عدم قطعیت­ها غلبه خواهد شد و هم در کنترل عمق، اثر نقص عملگر در راستای عمق جبران خواهد شد. همچنین، پایداری روش کنترلی پیشنهاد شده با تئوری لیاپانوف اثبات شده است. طراحی و شبیه سازی ها بدون ساده سازی سیستم دینامیکی بکار گرفته شده است. اگر چه در این مقاله روش کنترلی پیشنهاد شده روی مدل REMUS پیاده سازی اما این روش قابلیت پیاده سازی روی هر شناورسطحی و زیر سطحی را دارا می باشد.

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

Adaptive Radial Basis Function Neural Network AUV Controller Design with Sliding Mode Robust Term

نویسندگان [English]

  • Behdad Geranmehr
  • Kamaran Vafaee
چکیده [English]

This work addresses an autonomous underwater vehicle (AUV) for applying nonlinear control that be efficient for both perfect operation of under-actuated AUV and tracking guarantees. For this purpose, controller is capable of intelligent estimation of uncertainties and ocean current disturbance rejection. We proposed adaptive radial basis function neural network (RBF NN) controller in both heading and diving to approximate unknown nonlinear dynamics. Moreover, the problem of designing an adaptive RBF NN controller was augmented with sliding mode robust term to improve trajectory tracking and regulation in presence of uncertainties. Due to under-actuated mechanism of REMUS and lack of direct actuator effect, combination of RBF NN and sliding mode robust term is applied to compensate the system’s gravity/buoyancy force and guarantee appropriate motion in Z direction. Furthermore, stability proof of proposed control scheme was shown with lyapunov theory. Furthermore, the control, design and simulation results are provided without any simplification of the entire system. Although the design approach of this paper is implemented on REMUS this point of view can be applied on any AUV using the same technique.

کلیدواژه‌ها [English]

  • AUV
  • REMUS
  • Adaptive RBF NN
  • SMC

[1] Chu, Z. and D. Zhu. Adaptive sliding mode heading control for autonomous underwater vehicle including actuator dynamics. in OCEANS 2016-Shanghai. 2016. IEEE.

[2]        Geranmehr, B. and S.R. Nekoo, Nonlinear suboptimal control of fully coupled non-affine six-DOF autonomous underwater vehicle using the state-dependent Riccati equation. Ocean Engineering, 2015. 96: p. 248-257.

[3] Geranmehr, B. and S.R. Nekoo. The state-dependent set-point regulation and tracking control of horizontal motion of AUV. in Robotics and Mechatronics (ICRoM), 2014 Second RSI/ISM International Conference on. 2014. IEEE.

[4] Geranmehr, B. and S.R. Nekoo. The nonlinear suboptimal diving control of an autonomous underwater vehicle. in Robotics and Mechatronics (ICRoM), 2014 Second RSI/ISM International Conference on. 2014. IEEE.

[5] Rezazadegan, F. and K. Shojaei. An Adaptive Control Scheme for 6-DOF Control of an AUV Using Saturation Functions. in Proceedings of the 3rd International Conference on Intelligent Computational Systems, April. 2013.

[6] Lewis, F.L., K. Liu, and A. Yesildirek, Neural net robot controller with guaranteed tracking performance. IEEE Transactions on Neural Networks, 1995. 6(3): p. 703-715.

[7] Fateh, M.M., S.M. Ahmadi, and S. Khorashadizadeh, Adaptive RBF network control for robot manipulators. Journal of AI and Data Mining, 2014. 2(2): p. 159-166.

[8] Lei, X. and P. Lu, The adaptive radial basis function neural network for small rotary-wing unmanned aircraft. IEEE Transactions on Industrial Electronics, 2014. 61(9): p. 4808-4815.

[9] Chu, Y. and J. Fei, Adaptive global sliding mode control for MEMS gyroscope using RBF neural network. Mathematical Problems in Engineering, 2015. 2015.

[10] Daachi, M., et al., A radial basis function neural network adaptive controller to drive a powered lower limb knee joint orthosis. Applied Soft Computing, 2015. 34: p. 324-336.

[11] Prestero, T., Verification of a six-degree of freedom simulation model for the REMUS autonomous underwater vehicle. 2001, Massachusetts Institute of Technology and Woods Hole Oceanographic Institution.

[12] Slotine, J.-J.E. and W. Li, Applied nonlinear control. Vol. 199. 1991: prentice-Hall Englewood Cliffs, NJ.