طراحي كنترل‌كننده‌ تحمل‌پذير خطاي مد لغزشي ترمينال غيرتكين براي سيستم‌هاي غيرخطي بر مبناي فيلتر كالمن توسعه يافته‌ تطبيقي

Design of Fault Tolerant Nonsingular Terminal Sliding Mode Control for Nonlinear Systems based on an Adaptive Extended Kalman Filter

در اين مقاله براي غلبه بر خطاهاي سنسور، كنترل‌كننده‌ تحمل‌‌پذير خطاي مد لغزشي ترمينال غير تكين معرفي شده است. در مقايسه با كنترل مد لغزشي مرسوم، اين روش نه تنها مزاياي كنترل مد لغزشي را دارا است، بلكه سبب مي‌شود تا عملكرد سيستم بهبود يافته و حالت‌هاي سيستم در زمان محدودي به نقطه‌ كار همگرا شوند. همچنين، اين روش قادر است مشكل تكينگي در كنترل‌كننده‌ مد لغزشي ترمينال را نيز رفع كند. كنترل‌ كننده‌ ارائه­ شده از يك سيستم تشخيص و شناسايي خطاي مبتني بر بانكي از فيلترهاي كالمن توسعه‌يافته تطبيقي بهره مي‌برد. فيلتر كالمن توسعه‌يافته‌ در شرايطي كه مشخصات آماري نويز معلوم نباشد، كارآمدي خود را از دست داده و حتي ممكن است سبب واگرايي تخمين گردد. ازاين‌رو در اين مقاله نوعي فيلتر كالمن توسعه‌يافته‌ تطبيقي معرفي شده است كه قادر است در شرايطي كه مشخصات آماري نويز معلوم نيست، عملكرد مطلوب خود را حفظ كند. در ادامه، با شبيه‌سازي خطاهاي سنسور در يك ربات دو درجه‌ آزادي، توانايي روش تحمل‌پذير خطاي ارائه­ شده در حفظ و تضمين پايداري سيستم در حضور خطاهاي سنسور نسبت به كنترل مد لغزشي مرسوم را نشان داده و ارجحيت فيلتر كالمن توسعه‌‌يافته‌ تطبيقي بر فيلتر كالمن توسعه‌يافته از لحاظ دقت تخمين و تشخيص و شناسايي خطاي سنسور نشان داده شده است.

In this paper to deal with the sensor faults, Non-singular Terminal Sliding Mode Fault Tolerant Control (NTSM-FTC) is proposed. In comparison to existing sliding mode control (SMC), the proposed controller can retain the advantages of the SMC and it can also improve the system performance and make the systems states converge to equilibrium point in a finite time. Moreover, it can solve the singularity problem in terminal SMC method. This controller utilizes a Fault Detection and Diagnosis (FDD) system based on bank of Adaptive Extended Kalman Filter (AEKF). Conventional Extended Kalman Filter (EKF) suffers from performance depreciation and may even diverge in case the statistics of the noises were unknown. Hence, in this paper AEKF has been proposed to maintain the desired performance, while the statistics of the noises are unknown. Next, by simulating sensor faults on a two degree of freedom robot manipulator, the capability of the proposed FTC in terms of stability ensuring in comparison to conventional SMC has been shown and the superiority of the proposed AEKF in terms of estimation and FDD accuracy has been illustrated.