كنترل مدل مرجع تطبيقي با جبرانساز شبكه عصبي مصنوعي ربات زيرآبي خودكار6 درجه آزادي

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

طراحي كنترل‌كننده هوشمند خودتنظيم رباتهاي زيرآبي خودكار بدليل محيط پر اغتشاش زير آب، ديناميك پيچيده غيرخطي و ناقص عملگر، بسيار چالش برانگيز است. در اين مقاله كنترل تركيبي مدل مرجع تطبيقي همراه با جبرانساز شبكه عصبي مصنوعي براي كنترل ردياب ربات زيرآبي خودكار 6 درجه آزادي ارائه شده است. سيستم ديناميكي غيرخطي ناقص عملگر 4 ورودي - 6 خروجي شناور زيرآبي بر اساس دو رويكرد تفكيك مدل ديناميكي به چهار زيرسيستم و خطي سازي هر زير سيستم مطابق ساختار ويژه آن با استفاده از روش خطي سازي فيدبك جزئي و يا ديناميك معكوس و روش ديناميك جفت شده، بنا شده است. در هر دو رويكرد ديناميك جفت نشده و يكپارچه، پايداري زير سيستم‌ها و فرآيند كل با استفاده از روش پايداري لياپانف تضمين شده است. به علت عملكرد سيستم در محيط همراه با ورودي‌هاي نامطلوب دايمي با هدف مقاوم سازي سيستم تحت كنترل، علاوه بر كنترل كننده مدل مرجع تطبيقي، از جبرانساز اضافي شبكه عصبي مصنوعي با تطبيق برخط پارامترهاي وزن‌ها و باياس‌هاي آن در هر زيرسيستم و نيز سيستم يكپارچه استفاده شده است. نتايج شبيه سازيهاي جداگانه كنترل‌كننده تركيبي مدل مرجع تطبيقي با جبرانساز شبكه عصبي در محيط نرم افزار سيمولينك متلب، بوضوح نشان از عملكرد چشمگير كنترل‌كننده‌ي بهرهمند از جبرانساز شبكه عصبي مصنوعي در مقاوم سازي فرآيند و بهبود عملكرد ربات در رديابي مسير مطلوب با دقت قابل توجه در حضور ورودي‌هاي نامطلوب دائمي براي هر دو رويكرد را دارد.

The perturbed and noisy environment of the underwater and complex nonlinear under-actuated 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 Input-6 Output (4I6O) nonlinear under-actuated 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 closed-loop 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 non-ANN 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.