هوشمند سازي در كنترل فازي بازوهاي مكانيكي ماهر صلب - انعطاف پذير با كمك شبكه عصبي بازگشتي پويا

Intelligence in Fuzzy Control of Rigid-Flexible Manipulator using Dynamic Recurrent Neural Network

اين مقاله به هوشمند سازي در كنترل فازي بازوهاي مكانيكي ماهر با پايه ثابت و رابط نهايي انعطاف پذير خواهد پرداخت. پنجه روي مسيري كه از قبل مشخص شده، حركت ميكند و فرض بر اينست كه ديناميك سيستم ناشناخته و متغير مي باشد. در كنترل بر اساس منطق فازي، توابع عضويت در ابتداي مسير انتخاب شده و تا انتهاي حركت، ثابت و بدون تغيير باقي مي مانند. اين تحقيق جهت بهبود پاسخ سيستم، با كمك شبكه عصبي به اصلاح توابع عضويت در حين حركت خواهد پرداخت. جهت تسريع در بروز رساني توابع عضويت، از شبكه عصبي بازگشتي پويا استفاده شده است. معادلات پارامتري بروز رساني وزنهاي شبكه بر اساس كاهش خطا، نرخ خطاي زاويه مفاصل و تغيير شكل خمشي بدست مي آيند. جهت تصديق و كارآمدي روش ارايه شده، شبيه سازي براي بازوي مكانيكي با سه رابط انجام شده است. پاسخهاي سيستم براي كنترل كننده فازي و كنترل كننده پيشنهادي با يكديگر مقايسه شده است. همچنين جهت اثبات مقاوم بودن سيستم كنترل، مثالي ارايه خواهد شد. نتايج و بررسي هاي صورت گرفته، كارآمدي روش ارايه شده را نشان مي دهند.

This article deals with intelligence in fuzzy control of manipulators with fixed base and the last flexible arm. The tip is moving on a path which is pre-specified. It is assumed that the dynamics of the system is unknown and variable. In control based on fuzzy logic, membership functions remain unchanged in the beginning of selected path to the end. This research deals with modifying membership functions during movement in order to improve system response by using neural network. Dynamic recurrent neural network is used to accelerate updating membership functions. Parametric equations of updating network weights are obtained based on reduction of joint angle errors, rate of joint angle errors and bending deformation. To verify the effectiveness of the proposed method, simulation for manipulator is made with three arms. System responses are compared in both the fuzzy controller and the proposed controller with each other. In order to prove the robustness of the control system, an example will be presented. The obtained results and surveys show the effectiveness of the proposed method.