کنترل سطح دینامیکی با استفاده از شبکه‌های عصبی تطبیقی برای سیستم-های تصادفی غیرخطی به فرم فیدبک-اکید دارای پسماند پرنتل-ایشلینسکی در عملگر

روش‌های هوشمند در صنعت برق

مقاله 1، دوره 11، شماره 42، مرداد 1399، صفحه 15-27   

نوع مقاله: مقاله پژوهشی

نویسندگان

محمد مهدی آقاجری¹؛ مهناز هاشمی^{* 2}

¹دانشکده مهندسی برق- واحد نجف آباد، دانشگاه آزاد اسلامی، نجف آباد، ایران

²مرکز تحقیقات ریز شبکه های هوشمند- واحد نجف آباد، دانشگاه آزاد اسلامی، نجف آباد، ایران

چکیده

به­منظور پایدارسازی سیستم­های تصادفی غیرخطی فیدبک-اکید دارای غیرخطی­گونگی پسماند پرنتل-ایشلینسکی در عملگر، با بکارگیری روش طراحی کنترل سطح دینامیکی تطبیقی که از شبکه ­های گوسی بهره­برده­اند، یک روش طراحی کنترل­کننده پیشنهاد شده است. این روش قابل اعمال به سیستم­های غیرخطی تصادفی با هر نوع دینامیک نامعلوم است. شبکه­های گوسی براساس قابلیت تقریب­زنی عمومی، امکان تقریب­زنی دینامیک­های نامعلوم سیستم­های تصادفی غیرخطی را فراهم می­آورند. با استفاده از الگوریتم پارامترهای-یادگیری-کمینه، فرایند تقریب­زنی دینامیک­های نامعلوم سیستم با کمترین پیچیدگی و حجم محاسبات صورت می­پذیرد. پایداری سیستم کنترل پیشنهاد شده، به­صورت تحلیلی اثبات شده و نتایج آن نیز به­ وسیله یک مثال شبیه­سازی ردگیری، به نمایش گذاشته شده است. نشان داده شده است که روش طراحیپیشنهاد شده برای سیستم کنترل تطبیقی، کران­داری در احتمال و در نتیجه آن کران­داری نهایی یکنواخت را برای تمام سیگنال­های حلقه-بسته تضمین می­کند. همچنین اثبات شده است که می­توان با استفاده از این روش خطای ردگیری سیستم را تا اندازه دلخواه کوچک گرداند

کلیدواژه‌ها

پسماند پرندل-ایشلینسکی؛ سیستم‌های تصادفی غیرخطی؛ شبکه عصبی تابع بنیادی شعاعی؛ غیرخطی-گونگی عملگر؛ کنترل سطح دینامیکی

مراجع

[1]     M. Krstic, I. Kanellakopoulos, P. V. Kokotovic, Nonlinear and adaptive control design. Wiley New York, 1995.

[2]     H. Wang, B. Chen, C. Lin, "Direct adaptive neural control for strict-feedback stochastic nonlinear systems”, Nonlinear Dynamics, vol. 67, no. 4, pp. 2703-2718, Mar. 2012 (doi: 10.1007/s11071-011-0182-4).

[3]     D. Swaroop, J. K. Hedrick, P. P. Yip, J. C. Gerdes, "Dynamic surface control for a class of nonlinear systems”, IEEE Trans. on Automatic Control, vol. 45, no. 10, pp. 1893-1899, Oct. 2000 (doi:10.1109/tac.20­0­0­.880994).

[4]     D. Wang J. Huang, "Neural network-based adaptive dynamic surface control for a class of uncertain nonlinear systems in strict-feedback form”, IEEE Trans. on Neural Networks, vol. 16, no. 1, pp. 195-202, Jan. 2005 (doi:10.1109/TNN.2004.839354).

[5]     H. Ma, H. Liang, Q. Zhou, C. K. Ahn, "Adaptive dynamic surface control design for uncertain nonlinear strict-feedback systems with unknown control direction and disturbances”, IEEE Trans. on Systems, Man, Cybernetics: Systems, no. 99, pp. 506 - 515, July 2018 (doi:10.1109/TSMC.2018.2855170).

[6]     D. Lei, T. Wang, D. Cao, J. Fei, "Adaptive dynamic surface control of mems gyroscope sensor using fuzzy compensator”, IEEE Access, vol. 4, pp. 4148-4154, August 2016 (doi:10.1109/ACCESS.201­6.25­965­3­8).

[7]     G.Q. Wu, S.M. Song, J.G. Sun, "Adaptive dynamic surface control for spacecraft terminal safe approach with input saturation based on tracking differentiator”, International Journal of Control, Automation and Systems, vol. 16, no. 3, pp. 1129-1141, May 2018 (doi:10.1007/s12555-017-0531-2).

[8]     G. Liu, G. Li, Z. Peng, H. Pan, "Adaptive neural network dynamic surface control algorithm for pneumatic servo system”, Proceedings of the ICMIC, pp. 821-829, Singapore, 2020 (doi: 10.1007/978-981-15-0474-7_77)

[9]     T.-P. Zhang S. S. Ge, "Adaptive dynamic surface control of nonlinear systems with unknown dead zone in pure feedback form”, Automatica, vol. 44, no. 7, pp. 1895-1903, July 2008 (doi: 10.1016/j.automati­ca.2­007­.11­.025).

[10]  M. Bataghva, M. Hashemi, "Adaptive sliding mode synchronisation for fractional-order non-linear systems in the presence of time-varying actuator faults”, IET Control Theory and Applications, vol. 12, no. 3, pp. 377-383, Jan. 2018 (doi:10.1049/iet-cta.2017.0458).

[11]  Z. Li, T. Li, G. Feng, "Adaptive neural control for a class of stochastic nonlinear time‐delay systems with unknown dead zone using dynamic surface technique”, International Journal of Robust Nonlinear Control, vol. 26, no. 4, pp. 759-781, Mar. 2016 (doi:10.1002/rnc.3336).

[12]  W.J. Si, X.D. Dong, F.F. Yang, "Adaptive neural dynamic surface control for a general class of stochastic nonlinear systems with time delays and input dead-Zone”, International Journal of Control, Automation Systems, vol. 15, no. 5, pp. 2416-2424, Sep. 2017 (doi:10.1007/s12555-016-0564-y).

[13]  X. Zhang, C.Y. Su, Y. Lin, L. Ma, J. Wang, "Adaptive neural network dynamic surface control for a class of time-delay nonlinear systems with hysteresis inputs and dynamic uncertainties”, IEEE Trans. On Neural Networks Learning Systems, vol. 26, no. 11, pp. 2844-2860, Feb. 2015 (doi:10.1109/TNNLS.2015.2397935).

[14]  X. Zhang, Y. Lin, J. Mao, "A robust adaptive dynamic surface control for a class of nonlinear systems with unknown Prandtl–Ishilinskii hysteresis”, International Journal of Robust Nonlinear Control, vol. 21, no. 13, pp. 1541-1561, Sep. 2010 (doi:10.1002/rnc.1652).

[15]  B. Xu, "Disturbance observer-based dynamic surface control of transport aircraft with continuous heavy cargo airdrop”, IEEE Trans. on Systems, Man, Cybernetics: Systems, vol. 47, no. 1, pp. 161-170, Jan. 2017 (doi: 10.­11­09/­TSM­C.2016.2558098).

[16]  M. Hashemi, G. Shahgholian, "Distributed robust adaptive control of high order nonlinear multi agent systems”, ISA transactions, vol. 74, pp. 14-27, Feb. 2018 (doi: 10.1016/j.isatra.2018.01.023).

[17]  N. Wang, Z. Liu, Z. Zheng, M. J. Er, "Global exponential trajectory tracking control of underactuated surface vehicles using dynamic surface control approach”, Proceeding of the IEEE/ICoIAS, pp. 221-226, Singapore, March 2018 (doi: 10.1109/ICoIAS.2018.8494037).

[18]  H. Liu, Y. Pan, J. Cao, "Composite learning adaptive dynamic surface control of fractional-order nonlinear systems”, IEEE Trans on Cybernetics, Sep. 2019 (doi:10.1109/TCYB.2019.2938754).

[19]  G. Li, W. Xu, J. Zhao, S. Wang, B. Li, "Precise robust adaptive dynamic surface control of permanent magnet synchronous motor based on extended state observer”, IET Science, Measurement and Technology, vol. 11, no. 5, pp. 590-599, July 2017 (doi:10.1049/iet-smt.2016.0252).

[20]  B. Ren, S. S. Ge, C.Y. Su, T. H. Lee, "Adaptive neural control for a class of uncertain nonlinear systems in pure-feedback form with hysteresis input”, IEEE Trans. on Systems, Man, Cybernetics, Part B, vol. 39, no. 2, pp. 431-443, April 2009 (doi:10.1109/tsmcb.2008.2006368).

[21]  Q. Wang, C.Y. Su, "Robust adaptive control of a class of nonlinear systems including actuator hysteresis with Prandtl–Ishlinskii presentations”, Automatica, vol. 42, no. 5, pp. 859-867, Mar. 2006 (doi: 10.1016/j.autom­a­tic­a.200­6.01­.018).

[22]  H. Wang, B. Chen, K. Liu, X. Liu, C. Lin, "Adaptive neural tracking control for a class of nonstrict-feedback stochastic nonlinear systems with unknown backlash-like hysteresis”, IEEE Trans. on Neural Networks Learning Systems, vol. 25, no. 5, pp. 947-958, May 2014 (doi:10.1109/tnnls.2013.2283879).

[23]  C.Y. Su, Q. Wang, X. Chen, and S. Rakheja, "Adaptive variable structure control of a class of nonlinear systems with unknown Prandtl-Ishlinskii hysteresis”, IEEE Trans. on Automatic Control, vol. 50, no. 12, pp. 2069-2074, Dec. 2005 (doi:10.1109/TAC.2005.860260).