Adaptive Fuzzy-Slide-Mode-Steuerung eines Aktuators, der von zwei gegensätzlichen pneumatischen künstlichen Muskeln angetrieben wird

Apr 17, 2024

Wissenschaftliche Berichte Band 13, Artikelnummer: 8242 (2023) Diesen Artikel zitieren

525 Zugriffe

Details zu den Metriken

Der pneumatische künstliche Muskel (PAM) ist ein potenzieller Aktor in Mensch-Roboter-Interaktionssystemen, insbesondere in Rehabilitationssystemen. Allerdings handelt es sich bei PAM um einen nichtlinearen Aktuator mit Unsicherheit und einer erheblichen Verzögerung der Eigenschaften, was die Steuerung zu einer Herausforderung macht. Diese Studie stellt einen zeitdiskreten Gleitmodus-Steuerungsansatz in Kombination mit dem adaptiven Fuzzy-Algorithmus (AFSMC) vor, um mit der unbekannten Störung des PAM-basierten Aktuators umzugehen. Das entwickelte Fuzzy-Logic-System verfügt über Parametervektoren der Komponentenregeln, die durch ein adaptives Gesetz automatisch aktualisiert werden. Folglich kann das entwickelte Fuzzy-Logic-System die Systemstörung angemessen annähern. Beim Betrieb des PAM-basierten Systems in Multi-Szenario-Studien bestätigen experimentelle Ergebnisse die Effizienz der vorgeschlagenen Strategie.

In den letzten Jahren war das PAM einer der vielversprechendsten Aktoren für Anwendungen, die die Simulation menschenähnlicher Bewegungen erfordern. Das PAM besteht aus einem langen Schlauch aus Gummi, der mit geflochtenem Garn ummantelt ist. PAM versteift und zieht sich bei Zufuhr von Druckluft in radialer und longitudinaler Richtung zusammen. Umgekehrt wird es weicher und länger, wenn wir die Luft ablassen. Diese Kontraktion ähnelt dem Funktionsprinzip der Muskelbündel von Lebewesen. PAMs werden in der Regel in industriellen Anwendungen eingesetzt, da sie die Vorteile einer schnellen Reaktion, eines extrem geringen Gewichts, eines hohen Leistungs-Gewichts- und Leistungs-Volumen-Verhältnisses, inhärenter Sicherheit, Sauberkeit, Wartungsfreundlichkeit, Biegsamkeit und geringer Kosten bieten1,2. 3,4,5. Zu den wichtigsten Anwendungen gehören Manipulatoren4,6,7,8 zur Verbesserung der Sicherheit von Menschen, die mit Robotern interagieren, Rehabilitationssysteme9,10,11,12,13,14 und medizinische Geräte15,16 zur Unterstützung von Patienten bei der Wiederherstellung der motorischen Funktion. Allerdings handelt es sich bei PAM um ein nichtlineares System mit einer enormen Latenz, und dessen Regulierung mit guter Leistung erregt bei Forschern stets große Aufmerksamkeit.

Darüber hinaus ist die Bestimmung eines nichtlinearen mathematischen Modells von PAM äußerst anspruchsvoll, was zu einer Verzerrung bei der Schätzung der Parameter des PAM-basierten Systems führt. Daher weisen PAM-basierte Systeme viele unbekannte Störungen auf. Zur Lösung der Probleme des pneumatischen Muskelaktuators wurden viele Steuerungsmethoden vorgeschlagen. Viele frühe Studien entschieden sich für den Proportional-Integral-Derivative (PID)-Regler und seine modifizierten Versionen. Ein nichtlinearer PID-basierter Regler17,18,19,20,21 zur Verbesserung der Korrektur des nichtlinearen Hysteresephänomens und zur Erhöhung der Robustheit. Zur Verbesserung der Trajektorienverfolgungsleistung wird ein Fuzzy-PID-Regler22,23,24,25 vorgeschlagen. Die meisten der genannten Controller haben eine ordentliche Leistung. Sie sind nicht geeignet, mit der Hysterese und Nichtlinearität von PAM umzugehen.

Um die Nachteile des PID-Reglers und seiner verbesserten Varianten zu überwinden, wurden in der Literatur nichtlineare Regelungsansätze wie SMC (Sliding Mode Control), dynamische Oberflächenregelung, adaptive Regelung, interaktive Lernregelung und intelligente Regelung vorgestellt. Genauer gesagt wird in den Referenzen 26 und 27 die konventionelle Gleitmodussteuerung für die Trajektorienverfolgung eines PAM-Systems angewendet. Für die robuste Positionssteuerung eines PAM-Systems werden verschiedene Arten der zeitdiskreten Gleitmodussteuerung verwendet28,29. Darüber hinaus wird die dynamische Oberflächensteuerung, die Filter erster Ordnung zur Verbesserung der Systemreaktion verwendet, auch auf die Tracking-Steuerung von PAM-Systemen angewendet30. Darüber hinaus empfehlen die Autoren in Ref. 31 eine adaptive Steuerung zur Online-Schätzung unbekannter Systemparameter, wodurch eine zufriedenstellende Steuerungsleistung erzielt wird.

Interaktive Lernsteuerung und intelligente Steuerung, die die Nichtlinearität lernen und unbekannte Parameter schätzen kann, sind ebenfalls herausragende Ansätze zur Steuerung des PAM-Systems. Die Autoren von Ref.32 schlugen einen robusten iterativen Lernsteuerungsalgorithmus vor, um die Unsicherheiten und Zustandsbeschränkungen eines PAM-Systems zu berücksichtigen. Für die Steuerung des PAM-Systems werden eine Fuzzy-Steuerung in Kombination mit einer fraktionierten PID-Steuerung25, einer Sliding-Mode-Steuerung33 und einer Modellvorhersagesteuerung34 vorgeschlagen. In diesen Artikeln spielt Fuzzy-Logik eine Rolle bei der Anpassung der Steuerparameter. Referenz35 schlug einen adaptiven Fuzzy-Slide-Mode-Steuerungsansatz zur Regelung eines PAM-Systems ohne vordefiniertes Modell vor, bei dem die unbekannten Parameter mithilfe von Fuzzy-Funktionen geschätzt werden. In ähnlicher Weise wurde in Ref. 36 die gleiche Idee verwendet, aber anstelle der Fuzzy-Logik wurde ein neuronales Netzwerk verwendet, um die unbekannten Funktionen abzuschätzen. Darüber hinaus wird davon ausgegangen, dass Reinforcement Learning auch die Steuerungsleistung des PAM-Systems optimieren kann37. Die meisten der oben genannten Ansätze können dem System Robustheit verleihen. Einige von ihnen versuchen, die Systemleistung zu verbessern, indem sie unbekannte Teile und Störungen mit sehr komplizierten Schätzalgorithmen abschätzen. Diese Algorithmen sind theoretisch effektiv, ihre Implementierung ist jedoch mit großem Rechenaufwand sehr schwierig. Daher ist die Anforderung eines effektiven Steueralgorithmus immer noch ein offenes Problem.

Basierend auf den positiven Forschungsergebnissen zu Fuzzy- und adaptiven Reglern gehen wir die Regelung eines nichtlinearen PAM-Systems mit unbekannter Störung an, indem wir es als lineares System mit unbekannter Störung behandeln. Wir schlagen einen adaptiven Fuzzy-Algorithmus in Kombination mit einem Sliding-Mode-Regelungsgesetz vor, um die Störung abzuschätzen und zu kompensieren und gleichzeitig Näherungsfehler und Modellunsicherheiten zu berücksichtigen. Um eine praktische Implementierung zu ermöglichen, entwerfen wir den Algorithmus im diskreten Bereich, sodass er für die Programmierung auf einem digital eingebetteten Gerät geeignet ist. Unser Artikel leistet mehrere Beiträge zum Bereich der Regelungstechnik für nichtlineare Systeme, insbesondere im Zusammenhang mit PAM-Systemen mit unbekannten Störungen, wie folgt

Schlägt einen adaptiven Fuzzy-Gleitmodus-Steuerungsalgorithmus vor, um ein nichtlineares PAM-System mit unbekannter Störung zu steuern, indem es als lineares System mit unbekannter Störung betrachtet wird.

Der vorgeschlagene Ansatz hat den Vorteil, dass zur Schätzung unbekannter Parameter Fuzzy-Logik verwendet wird, wodurch er bei der Handhabung komplexer und nichtlinearer Systeme effektiver wird.

Entwirft den AFSMC-Algorithmus im diskreten Bereich für die praktische Implementierung auf einem digital eingebetteten Gerät.

Die Systemstruktur ist in Abb. 1 dargestellt. Das System umfasst einen Luftkompressor, der zwei künstliche Muskelbündel (mit \(23 \times 10^{-3}\) (m) Durchmesser \(40 \times) mit Luft versorgt 10^{-2}\) (m) Nennlänge). Beim Aufblasen und Entleeren des künstlichen Muskelsystems über zwei Proportionalventile (SMC, ITV-2030-212S-X26) zieht sich ein Muskelbündel zusammen und das andere entspannt sich, wodurch sich die Riemenscheibe um ihre Mitte dreht. Der erzeugte Drehwinkel wird mit dem Potentiometer (WDD35D8T) gemessen. Der eingebettete Controller myRIO-1900 von National Instrument wurde in diesem Experiment verwendet, um den Rückkopplungswinkel vom Potentiometer zu berechnen und das Steuersignal für die Proportionalventile zu erzeugen, während die LabVIEW-Software zur Überwachung des gesamten Prozesses verwendet wurde.

Die Experimentierplattform zweier gegensätzlicher PAMs-Aktuatoren38.

Abbildung 2 zeigt ein schematisches Diagramm des Funktionsprinzips eines pneumatischen künstlichen Muskels, das jede Beziehung zwischen dem Luftdruck, der Bewegung der künstlichen Muskeln und dem Ablenkungswinkel der Riemenscheibe beschreibt. Zunächst wird der Druck in den Muskelbündeln auf \(P_{0} = 0,2\) MPa eingestellt. Gleichung (1) beschreibt den Innendruck zweier PAMs im Betrieb.

Dabei sind \(P_1\) und \(P_2\) die Drücke der beiden PAMs, \(P_0\) der Anfangsdruck und \(\Delta P\) die Druckdifferenz zwischen den beiden PAMs. Das dynamische Modell eines einzelnen pneumatischen künstlichen Muskels (PAM) kann mit dem Reynolds-Modell39 wie folgt ausgedrückt werden:

mit

wobei x die Kontraktion der Länge von PAM ist. Die Modellkomponenten, die die Feder-, Dämpfungs- und Kontraktionselemente darstellen, werden durch K, B bzw. F dargestellt. \({K_i}\) und \({F_i}\) (i = 0,1) sind Konstanten. \({B_{i,j}}\) sind lineare Funktionen. Der Wert von j gibt an, ob sich das PAM zusammenzieht (\(j = 1\)) oder abnimmt (\(j = 2\)). In einer Konfiguration, in der zwei PAMs antagonistisch wirken, erzeugen sie ein Drehmoment T auf der Riemenscheibe, das ein Trägheitsmoment J aufweist. Der Ausdruck für das Drehmoment T lautet wie folgt:

wobei r den Radius der Riemenscheibe darstellt. Die von jedem PAM erzeugten Kräfte \(F^{PAM}{e}\) und \(F^{PAM}{f}\) können ausgedrückt werden als:

Das Aufbauschema zweier gegensätzlicher pneumatischer künstlicher Muskeln.

Die Kontraktionen der PAMs \(x_e\) und \(x_f\) in Gl. (5) kann durch Verwendung der anfänglichen Kontraktion (\(x_0\)) und des Winkels der Riemenscheibe (\(\theta \)) erhalten werden, wie unten gezeigt:

Unter der Annahme, dass die beiden PAMs ähnliche mechanische Parameter haben, können wir die Gleichungen verwenden. (3), (4), (5) und (6), um den folgenden Ausdruck abzuleiten:

oder

wobei \(c_1 = \displaystyle {\frac{2(F_1-K_1 x_0)r}{J}}\), \(c_2 = \displaystyle {\frac{\left[ B_{0e} +B_{0f} + (B_{1e}+B_{1f}){P_0} \right] r^2}{J}}\), und \(c_3 = \displaystyle {\frac{2 (K_0+K_1P)r^2} {J}}\).

Um den Entwurf des Controllers auf einem Echtzeitprozessor zu erleichtern, betrachten wir die folgende zeitdiskrete Formulierung des Modells (Gleichung 8).

Das Steuersignal \(u_k\) stellt den unterschiedlichen Druck \(\Delta P\) dar, der auf das PAM-System ausgeübt wird, während \(y_k\) die Winkelauslenkung \(\theta \) der Riemenscheibe darstellt. Die Störung und unbekannten Unsicherheiten im System werden durch \(p_k\) bezeichnet und die Modellparameter werden durch \(a_i\) und \(b_j\), \(m=n=2\) dargestellt. Die identifizierten Modellparameterwerte sind in Tabelle 1 aufgeführt.

In diesem Abschnitt wird der Aufbau des vorgeschlagenen AFSMC für das PAM-System beschrieben, der mehrere Schritte umfasst. Zunächst wird ein Sliding-Mode-Regler mit einem Steuersignal entwickelt, das eine Variable \({\hat{p}}_k\) enthält, um die Systemstörung abzuschätzen und die Regelleistung zu verbessern. Als nächstes wird ein adaptiver Fuzzy-Algorithmus entwickelt, um die Variable \({\hat{p}}_k\) zu berechnen. Abschließend wird die Stabilität des adaptiven Fuzzy-Sliding-Mode-Reglers anhand der Lyapunov-Stabilitätsbedingung demonstriert. Abbildung 3 zeigt das Blockdiagramm des Systemcontrollers.

Blockdiagramm des vorgeschlagenen adaptiven Fuzzy-Sliding-Mode-Reglers.

Zur Gestaltung der SMC-Steuerung wird die Gleitfläche gewählt

In der Gleichung bezeichnet \(\alpha \) einen Entwurfsparameter, der die Bedingung \(0< \alpha < 1\) erfüllt, und \(e_k\) stellt den Trackingfehler zwischen der gemessenen Trajektorie \(y_k\) und ihrer dar gewünschter Wert \(y_k^*\). Unter Verwendung des in Gl. angegebenen Single-Input-Single-Output-Modells des PAMs-Systems. (9) können wir den Tracking Error wie folgt ausdrücken:

Ersetzen Sie \(e_{k}\) aus Gleichung. (11) in Gl. (10) haben wir

Um die Gleitvariable zu gewährleisten, wird die Gleitfläche angetrieben. Wir betrachten das folgende zeitdiskrete Gesetz

oder

wobei \(K_{sw} > 0\) die Kontrollverstärkung ist. Durch Ersetzen von \(s_{k}\) aus Gl. (14) in die Gl. (12) kann das Steuersignal \(u_k\) erhalten werden als

Das Steuersignal \(u_{k}\) dieses Algorithmus enthält ein unsicheres Störelement \(p_{k}\). Um den Steueralgorithmus effektiv zu implementieren, ist es notwendig, den Wert von \(p_{k}\) genau zu bestimmen. In diesem Artikel wird ein adaptiver Fuzzy-Algorithmus zur Schätzung von \(p_{k}\) vorgeschlagen. Dieser Algorithmus gewährleistet die Systemstabilität und erhöht die Gesamteffektivität des Controllers. Mit dem Schätzwert \({\hat{p}}_{k}\) von \(p_{k}\) wird das Steuersignal \(u_{k}\) nach folgender Gleichung berechnet:

In den folgenden Unterabschnitten wird der vorgeschlagene adaptive Fuzzy-Algorithmus ausführlich erläutert.

In dieser Studie wird ein Fuzzy-System verwendet, um das Ausgangssignal eines Systems abzuschätzen. Das Fuzzy-System basiert auf einer Reihe von Wenn-Dann-Fuzzy-Regeln, die sich auf die bekannten Eingangssignale beziehen. Diese Regeln haben die folgende Form:

wobei \(i=1, \dots , N\) wobei N die Anzahl der Fuzzy-Regeln des Systems ist; \(s_j (k)\) \((j=1, \dots , n)\) sind die Eingangssignale, \({\hat{p}} _k^i (k)\) sind das entsprechende Ausgangssignal.

Aufgrund ihrer hohen Genauigkeit werden die Fuzzy-Regeln von Takagi-Sugeno (TS) häufig zur Modellierung nichtlinearer Systeme eingesetzt. Diese Studie verwendet das Takagi-Sugeno-Kang (TSK)-Modell der Ordnung 0. Die Wenn-Dann-Fuzzy-Regeln für dieses Modell können wie folgt dargestellt werden:

Unter der Annahme, dass jede Regel der Ausgabe \(p_k^i = D _k^i\) einen numerischen Wert zuweist, können wir den geschätzten Wert von \({\hat{p}} _k\) mithilfe eines gewichteten Durchschnitts berechnen:

oder, ähnlich,

wobei \( D_k\) = \([ D_k^1, D_k^2,\dots , D_k^N]^T\) der Vektor ist, der die zugeschriebenen Werte \(D _k^i\) für Regel i enthält; \(W(s_k)=[W_1 (s_k),W_2 (s_k),\dots ,W_N (s_k)]^T\) ist ein normalisierter Gewichtsvektor mit \(\displaystyle W_i (s_k)= \frac{w_i} {\sum _{j=1}^N w_j} \) und \(w_i\) ist die Feuerstärke jeder Regel. Im folgenden Unterabschnitt wird ein adaptives Gesetz zur Aktualisierung des Vektors \(D_k\) vorgestellt, das die genaueste Näherung von \({p}_k\) darstellt. Dieses Update wird die Leistung des Systems verbessern.

Um sicherzustellen, dass der geschätzte Wert \({\hat{p}} _k\) die Störung \(p_k\) genau widerspiegelt, führen wir ein Anpassungsgesetz ein, um den Parametervektor \(D_k\) zu aktualisieren. Dieses Anpassungsgesetz ist gegeben durch:

wobei \(\varphi \) eine streng positive Konstante darstellt, die mit der Anpassungsrate verbunden ist. Es ist erwähnenswert, dass:

Gleichung (22) zeigt auch, dass keine Anpassung erfolgt, wenn sich die Zustände auf der Gleitfläche befinden.

In diesem Abschnitt werden wir die Stabilität des vorgeschlagenen Algorithmus anhand der Lyapunov-Stabilitätsbedingung demonstrieren. Diese Analyse ermöglicht es uns, den Parameterbereich für den AFSMC-Controller zu bestimmen. Es seien \(D^*_k\) die idealen Vektoren, aus denen sich der Störwert \(p_k\) berechnen lässt als \(p_k = D^{*T}_k W(s_k)\). Wir definieren den Näherungsfehler wie folgt:

Gleichzeitig berücksichtigen wir Fuzzy-Parameterfehler

Es ist offensichtlich das

Wenden Sie die Differentialrechnung mit der Gleichung (Gl. 25) an, um die folgende Methode zu erhalten

Gemäß der Theorie der Anpassungsregeln in Gl. (23) Wenn Zustände auf einer Gleitfläche existieren, findet keine Anpassung statt, da die Ergebnisse \(\Delta D^*_{k+1}\) = 0 sind, also \(\Delta {\tilde{D}}_ {k+1}\) wird wie folgt zugewiesen

Um die Stabilität des Systems mithilfe des vorgeschlagenen Algorithmus zu demonstrieren, betrachten wir die Lyapunov-Kandidatenfunktion:

Dann,

Um \(\Delta V_k\) zu berechnen, untersuchen wir zunächst seine erste Komponente:

Zusätzlich,

Ersetzen von \(u_{k}\) aus Gl. (15) in Gl. (32) kann \(\Delta s_{k}\) erhalten werden als

Dann gilt Gl. (31) wird

Als nächstes betrachten wir den zweiten Teil von \(\Delta V_{k}\)

Daher,

Daher haben wir gezeigt, dass die vorgeschlagene adaptive Fuzzy-Slide-Mode-Steuerung die asymptotische Stabilität des Systems garantiert.

In diesem Abschnitt beschreiben wir eine Reihe von Experimenten, die durchgeführt wurden, um die Leistung des vorgeschlagenen Controllers bei unterschiedlichen Flugbahnen zu bewerten. Das Hauptziel dieser Experimente bestand darin, die Wirksamkeit des Reglers unter verschiedenen Bedingungen zu bewerten. Um dies zu erreichen, haben wir die unten beschriebenen Gaußschen Zugehörigkeitsfunktionen für \(S_i\) verwendet.

Der Graph für diese Zugehörigkeitsfunktionen ist in Abb. 4 dargestellt.

Die Zugehörigkeitsfunktionen der Fuzzy-Menge.

Experimente wurden mit Eingangssignalen wie Sinus und verschiedenen Sinuswellen in zwei Szenarien durchgeführt – mit und ohne Last. Der Steuerungsansatz wurde mit dem LabVIEW/MyRIO-Toolkit implementiert und dann mit einer Abtastzeit von 5 ms in den MyRIO-1900-Controller eingebettet. Die Leistung des vorgeschlagenen AFSMC-Ansatzes und des herkömmlichen SMC-Ansatzes wurden im Hinblick auf die Flugbahnverfolgung verglichen. Tabelle 2 zeigt die Parameter für AFSMC und SMC nach der Feinabstimmung.

Die Wirksamkeit beider Regelungsstrategien, AFSMC und SMC, wurde zunächst für das Leerlaufszenario anhand von Sinussignalen mit einem Frequenzbereich von 0,1–1,0 Hz als gewünschte Trajektorien bewertet. Die in Abb. 5 dargestellten experimentellen Ergebnisse zeigen, dass beide Controller eine hervorragende Tracking-Leistung bieten, ihre Wirksamkeit jedoch mit zunehmender Frequenz abnimmt. Dennoch weist der AFSMC-Controller eine bessere Nachführleistung bei geringerer Abweichung auf als der SMC-Controller. Insbesondere im Fall eines 0,1-Hz-Referenzsignals zeigt der SMC-Regler im eingeschwungenen Zustand die höchste Abweichung der dynamischen Leistung bei nahezu 6,0\(^\circ \), wohingegen der Abweichungswert für AFSMC viel kleiner ist, etwa 6,0\(^\circ \). 2,2\(^\circ \) und konvergiert konsequent gegen 0\(^\circ \). Im Fall eines 1,0-Hz-Referenzsignals liegen die maximalen Fehlerwerte für SMC und AFSMC bei etwa 10,0\(^\circ \) bzw. 4,0\(^\circ \).

Experimentelle Ergebnisse zur Verfolgung sinusförmiger Trajektorien ohne Last.

Im zweiten Szenario wurde dem System eine Last von 5 kg zugeführt. Diese Belastung entspricht dem Beinteil asiatischer Menschen40. Die Ergebnisse der Tracking-Leistung und der Tracking-Fehler sind in Abb. 6 dargestellt. Bei einem 0,1-Hz-Referenzsignal liegen die maximalen Fehlerwerte für AFSMC und SMC im stationären Zustand bei etwa 2,0\(^\circ \) und 4,0\(^\ circ \). Wenn die Frequenz des Referenzsignals zunimmt, nimmt auch der Fehler zu. Bei einem Referenzsignal von 1,0 Hz liegen die maximalen Fehlerwerte für AFSMC und SMC im stationären Zustand bei etwa 4,0\(^\circ \) bzw. 10,0\(^\circ \). Bemerkenswert ist, dass der AFSMC-Regler selbst bei Vorhandensein einer externen Störkomponente weiterhin eine überlegene Leistung im Vergleich zum SMC zeigt, wie der quadratische mittlere Trackingfehler (RMSE) in Tabelle 3 dargestellt ist. Dies ist auf die genaue Schätzung des Störelements zurückzuführen \(p_k\), eine Funktion der Gleitflächenvariablen \(s_k\), die mithilfe eines adaptiven Fuzzy-Algorithmus bestimmt wird. Eine weitere Analyse der Schätzgenauigkeit wird im nächsten Unterabschnitt besprochen.

Versuchsergebnisse zur Verfolgung sinusförmiger Trajektorien mit einer Zusatzlast von 5 kg.

Neben der Verwendung sinusförmiger Trajektorien wird die Trackingleistung von AFSMC- und SMC-Controllern auch anhand einer gemischten sinusförmigen Referenztrajektorie bewertet, wie durch die folgende Gleichung beschrieben: \(\theta (t)=20\sin {2\pi f} + 12,8\sin {\pi f}\). Die Basisfrequenz f des Referenzsignals liegt in diesem Experiment zwischen 0,1 und 0,8 Hz.

Das erste Szenario betrifft das unbelastete System, und die Tracking-Leistung der beiden Controller ist in Abb. 7 dargestellt. Bei einer Referenztrajektorie von 0,1 Hz beträgt der maximale stationäre Fehler für SMC etwa 4,5\(^\circ \), während AFSMC ist mit etwa 2,0\(^\circ \) viel niedriger. Bei einer Referenztrajektorie von 0,5 Hz beträgt der maximale stationäre Fehler für SMC und AFSMC ungefähr 9,8\(^\circ \) bzw. 4,1\(^\circ \). Darüber hinaus bleibt die Trackingleistung von AFSMC bei einer Referenztrajektorie von 0,8 Hz effektiv. Bemerkenswert ist, dass AFSMC eine Orbitalverfolgung mit einem maximalen Fehler von etwa 6,5\(^\circ \) aufweist, während der Wert von SMC etwa 10,5\(^\circ \) beträgt. Dies bestätigt, dass SMC weniger in der Lage ist, sich an hochfrequente Orbitale anzupassen, insbesondere bei komplexen Flugbahnen. Andererseits schneidet AFSMC weiterhin gut ab, wenn komplizierte Trajektorien wie gemischte Sinussignale verfolgt werden. Dieses Experiment demonstriert außerdem die Wirksamkeit des adaptiven Fuzzy-Algorithmus bei der Kompensation des systematischen Rauschens des nichtlinearen Modells, dh des künstlichen Muskelsystems.

Experimentelle Ergebnisse zur Verfolgung einer gemischten Sinus-Trajektorie ohne Last.

Im belasteten Systemszenario kommt es sowohl bei den SMC- als auch bei den AFSMC-Controllern zu einem Leistungsabfall. Allerdings weist der AFSMC-Controller aufgrund seiner Fähigkeit, sich an Systemstörungen anzupassen, eine überlegene Leistung auf. Bei einer Referenztrajektorie von 0,8 Hz betrugen die maximalen stationären Fehlerwerte für SMC und AFSMC ungefähr 15,0\(^\circ \) bzw. 8,0\(^\circ \). Die Steuerungsqualität sowohl der SMC- als auch der AFSMC-Controller ist in Abb. 8 dargestellt, während RMSE für beide Controller sowohl in belasteten als auch unbelasteten Testszenarien in Tabelle 4 zusammengefasst ist.

Experimentelle Ergebnisse zur Verfolgung einer Mixed-Sinus-Trajektorie mit einer Last (m = 5 kg).

Einer der Hauptvorteile des vorgeschlagenen Steuerungsansatzes ist seine Fähigkeit, sich effektiv an externe Störungen anzupassen. Um dies zu demonstrieren, wurde das System zunächst so betrieben, dass es ein gemischtes Sinussignal mit einer Grundfrequenz von \(f=0,5\) Hz ohne Belastung bis zum Erreichen des stationären Zustands verfolgte. Als nächstes wurde dem System plötzlich eine Last hinzugefügt und insgesamt 45 Sekunden lang Daten zur weiteren Analyse gesammelt. Die Ergebnisse zeigten, dass die von AFSMC gesteuerten PAMs im Vergleich zu SMC eine bessere Anpassung an den Moment der Lastverschiebung aufwiesen.

Abbildung 9 zeigt den Unterschied zwischen den AFSMC- und SMC-Controllern, wenn dem System plötzlich eine Last hinzugefügt wird. Die Zeit vom Systemstart bis zum Hinzufügen der Last beträgt etwa 23 s bzw. 30 s für die AFSMC- und SMC-Controller. Beide Controller weisen leichte Schwankungen in ihren Flugbahnen auf. Der AFSMC kehrt jedoch schnell zurück, um den gewünschten Wert zu verfolgen, indem er seinen Steuerausgang manipuliert. Dies ist auf die Schätzung des Störanteils \(p_k\) mithilfe des adaptiven Fuzzy-Algorithmus mit sofortiger Anpassung zurückzuführen. Im Gegensatz dazu kann der SMC \(p_k\) nicht genau schätzen, wie es der AFSMC tut. Infolgedessen ändert sich die Steuerausgabe des SMC geringfügig und kann nicht zur gewünschten Flugbahn zurückkehren.

Die Untersuchung der Störungsabschätzung bei plötzlicher Lastzunahme.

Diese Arbeit schlägt einen adaptiven Fuzzy-Slide-Mode-Steuerungsansatz für das PAM-basierte System vor, um die Tracking-Leistung durch Schätzung und Kompensation externer Störungen zu verbessern. Die Störkomponente \(p_k\) wird mithilfe des Takagi-Sugeno-Fuzzy-Algorithmus geschätzt und die Werte der Ausgangsvariablen \({\hat{D}}\) werden durch ein adaptives Gesetz automatisch aktualisiert. Der vorgeschlagene AFSMC-Controller wird durch Experimente mit Sinussignaleingängen im Bereich von 0,1 bis 1,0 Hz evaluiert. Die Ergebnisse zeigen eine verbesserte Tracking-Genauigkeit im Vergleich zum herkömmlichen Sliding-Mode-Steuerungsansatz. Beispielsweise beträgt der RMSE-Wert bei einer Last von 0,5 Hz 2,68\(^\circ \) für AFSMC und 4,21\(^\circ \) für SMC. Wenn dem System plötzlich eine Last hinzugefügt wird, zeigt der AFSMC-Controller darüber hinaus eine bessere Anpassungsfähigkeit als der SMC-Ansatz. Der AFSMC-Controller kehrt schnell zurück, um den gewünschten Wert zu verfolgen, indem er seinen Steuerausgang manipuliert, während der SMC keine hochgenaue Schätzung von \(p_k\) erreichen kann und sich sein Steuerausgang geringfügig ändert, was dazu führt, dass er nicht zur gewünschten Flugbahn zurückkehren kann. Die experimentellen Ergebnisse zeigen, dass sich der vorgeschlagene AFSMC-Ansatz besser an externe Störungen anpasst als der herkömmliche SMC-Ansatz. Der vorgeschlagene AFSMC-Ansatz zeigt jedoch Schwächen in der Übergangszeit, in der es zu Chattering kommen kann, wenn sich \({\hat{p}} _k\) \({\hat{p}} _k^*\) nähert. Weitere Studien sind erforderlich, um dieses Problem anzugehen und die Qualität des AFSMC-Controllers zu verbessern.

Die während der aktuellen Studie verwendeten und/oder analysierten Datensätze sind auf begründete Anfrage beim jeweiligen Autor erhältlich.

Daerden, F. & Lefeber, D. Pneumatische künstliche Muskeln: Aktuatoren für Robotik und Automatisierung. EUR. J. Mech. Umgebung. Ing. 47, 11–21 (2002).

Google Scholar

Chou, C.-P. & Hannaford, B. Messung und Modellierung pneumatischer künstlicher Muskeln von Mckibben. IEEE Trans. Roboter. Automat. 12, 90–102. https://doi.org/10.1109/70.481753 (1996).

Artikel Google Scholar

Sekine, M., Shiota, K., Kita, K., Namiki, A. & Yu, W. Eine leichte Schulterprothese mit antagonistischer stoßabsorbierender Hybridbetätigung für bimanuelle Aktivitäten des täglichen Lebens. Adv. Mech. Eng.https://doi.org/10.1177/1687814016645982 (2016).

Artikel Google Scholar

Aun, KK & Anh, HPH Systemmodellierung, Identifizierung und Steuerung des mit genetischen Algorithmen optimierten zweigliedrigen pneumatischen künstlichen Muskelmanipulators. im Jahr 2007 IEEE International Conference on Control and Automation. https://doi.org/10.1109/ICCA.2007.4376407(2007).

Chiang, C.-J. & Chen, Y.-C. Neuronale Netzwerk-Fuzzy-Slide-Mode-Steuerung pneumatischer Muskelaktuatoren. Ing. Appl. Artif. Intel. 65, 68–86. https://doi.org/10.1016/j.engappai.2017.06.021 (2017).

Artikel MathSciNet Google Scholar

Walker, I. Kontinuierliche Rückgrat-Robotermanipulatoren. ISRN Robot.https://doi.org/10.5402/2013/726506 (2013).

Artikel ADS Google Scholar

Choi, T. & Lee, J.-J. Steuerung des Manipulators mithilfe pneumatischer Muskeln für mehr Sicherheit. IEEE Trans. Ind. Elektron. 57, 2815–2825. https://doi.org/10.1109/TIE.2009.2036632 (2010).

Artikel Google Scholar

Kim, G., Kang, S. & Cho, H. Modellierung und Simulation angetriebener Hüftorthesen durch pneumatische Aktuatoren. Int. J. Steuerung Autom. Syst. 8, 59–66. https://doi.org/10.1007/s12555-010-0108-9 (2010).

Artikel Google Scholar

Sawicki, GS & Ferris, DP Eine pneumatisch angetriebene Knie-Knöchel-Fuß-Orthese (Kafo) mit myoelektrischer Aktivierung und Hemmung. J. NeuroEng. Rehabilitation.https://doi.org/10.1177/1687814016645982 (2009).

Artikel Google Scholar

Banala, S., Kim, SH, Agrawal, S. & Scholz, J. Robotergestütztes Gangtraining mit aktivem Bein-Exoskelett (Alex). IEEE Trans. Neuronales System. Rehabilitation. Ing. 17, 2–8. https://doi.org/10.1109/TNSRE.2008.2008280 (2009).

Artikel Google Scholar

Beil, P. et al. Sichere und nachgiebige Führung durch ein angetriebenes Knie-Exoskelett zur robotergestützten Gangrehabilitation. Adv. Roboter. 25, 513–535. https://doi.org/10.1163/016918611X558225 (2011).

Artikel Google Scholar

Hussain, S., Xie, SQ & Jamwal, PK Steuerung einer Roboterorthese zur Gangrehabilitation. Roboter. Autonomes Syst. 61, 911–919. https://doi.org/10.1016/j.robot.2013.01.007 (2013).

Artikel Google Scholar

Thinh, D. & Yamamoto, S.-I. Bedarfsgerechte Steuerung einer durch pneumatische künstliche Muskeln betätigten Roboterorthese zur Gangrehabilitation. Appl. Wissenschaft. 8, 499. https://doi.org/10.3390/app8040499 (2018).

Artikel Google Scholar

Kim, D., Hong, YP & Kim, KS Bipedaler Geh- und Aufprallreduzierungsalgorithmus für einen Roboter mit pneumatisch angetriebenen Knien. Int. J. Steuerung Autom. Syst. 19, 3937–3946. https://doi.org/10.1007/s12555-020-0613-4 (2021).

Artikel Google Scholar

Liu, Y., Zang, X., Liu, X. & Wang, L. Entwurf eines zweibeinigen Roboters, der durch pneumatische künstliche Muskeln angetrieben wird. Biomed. Mater. Ing. 26, S757–S766. https://doi.org/10.3233/BME-151367 (2015).

Artikel PubMed Google Scholar

Riener, R. et al. Patientenkooperative Strategien für robotergestütztes Laufbandtraining: Erste experimentelle Ergebnisse. IEEE Trans. Neuronales System. Rehabilitation. Ing. 13, 380–94. https://doi.org/10.1109/TNSRE.2005.848628 (2005).

Artikel Google Scholar

Andrikopoulos, G., Nikolakopoulos, G. & Manesis, S. Nichtlineare Steuerung pneumatischer künstlicher Muskeln. auf der 21. Mittelmeerkonferenz für Steuerung und Automatisierung. https://doi.org/10.1109/MED.2013.6608804 (2013).

Ahn, KK & Thanh, T. Nichtlineare PID-Steuerung zur Verbesserung der Steuerungsleistung des pneumatischen künstlichen Muskelmanipulators mithilfe eines neuronalen Netzwerks. J. Mech. Wissenschaft. Technol. 19, 106–115. https://doi.org/10.1007/BF02916109 (2005).

Artikel Google Scholar

Zhong, J., Fan, J., Zhu, Y., Zhao, J. & Zhai, W. Eine nichtlineare PID-Regelung zur Verbesserung der Regelleistung eines Manipulators, der durch einen pneumatischen Muskelaktuator betätigt wird. Adv. Mech. Ing. 6, 172782. https://doi.org/10.1155/2014/172782 (2014).

Artikel Google Scholar

Takosoglu, J. Winkelpositionskontrollsystem pneumatischer künstlicher Muskeln. Open Eng. 10, 681–687. https://doi.org/10.1515/eng-2020-0077 (2020).

Artikel Google Scholar

Zhang, D., Zhao, X. & Han, J. Aktive modellbasierte Steuerung für pneumatische künstliche Muskeln. IEEE Trans. Ind. Elektron. 64, 1686–1695. https://doi.org/10.1109/TIE.2016.2606080 (2017).

Artikel Google Scholar

Dao, QT, Mai, D.-H. & Nguyen, D.-K. Experimentelle Validierung für pneumatische künstliche Muskeln mittels Fuzzy-PID-Kontrolle. Mess. Kontrollautomat. 2, 58–64 (2021).

Google Scholar

Nuchkrua, T. & Leephakpreeda, T. Selbstoptimierende Fuzzy-PID-Steuerung eines wasserstoffbetriebenen pneumatischen Aktuators für künstliche Muskeln. J. Bionic Eng. 10, 329–340. https://doi.org/10.1016/S1672-6529(13)60228-0 (2013).

Artikel Google Scholar

Robinson, RM, Kothera, CS & Wereley, NM Steuerung eines Schwerlast-Robotermanipulators mit pneumatischen künstlichen Muskeln. Aktuatoren 3, 41–65. https://doi.org/10.3390/act3020041 (2014).

Artikel Google Scholar

Wang, H. & Lu, J. Forschung zur Fuzzy-PID-Steuerung fraktionaler Ordnung des pneumatisch-hydraulischen Rehabilitationstrainingssystems für die oberen Gliedmaßen basierend auf PSO. Int. J. Steuerung Autom. Syst. 20, 310–320. https://doi.org/10.1007/s12555-020-0847-1 (2022).

Artikel CAS Google Scholar

Xing, K. et al. Tracking-Steuerung pneumatischer künstlicher Muskelaktoren basierend auf Gleitmodus und nichtlinearem Störungsbeobachter. Regelungstheorie Appl. IET 4, 2058–2070. https://doi.org/10.1049/iet-cta.2009.0555 (2010).

Artikel MathSciNet Google Scholar

Lilly, J. & Quesada, P. Ein Sliding-Mode-Controller mit zwei Eingängen für einen planaren Arm, der von vier pneumatischen Muskelgruppen betätigt wird. IEEE Trans. Neuronales System. Rehabilitation. Ing. 12, 349–359. https://doi.org/10.1109/TNSRE.2004.831490 (2004).

Artikel Google Scholar

Thinh, D., Nguyen, L. & Yamamoto, S.-I. Zeitdiskrete integrale Gleitmodussteuerung fraktionierter Ordnung eines antagonistischen Aktuators, der von pneumatischen künstlichen Muskeln angetrieben wird. Appl. Wissenschaft. 9, 2503. https://doi.org/10.3390/app9122503 (2019).

Artikel Google Scholar

Dao, QT, Le Tri, TK, Nguyen, VA & Nguyen, ML Zeitdiskrete Gleitmodussteuerung mit exponentiellem Leistungsraten-Erreichungsgesetz eines pneumatischen künstlichen Muskelsystems. Kontrolltheorie-Technologie. 20, 514–524. https://doi.org/10.1007/s11768-022-00117-8 (2022).

Artikel Google Scholar

Wu, J., Huang, J., Wang, Y. & Xing, K. Nichtlineare, auf Störungsbeobachtern basierende dynamische Oberflächensteuerung zur Trajektorienverfolgung des pneumatischen Muskelsystems. IEEE Trans. Steuersystem. Technol. 22, 440–455. https://doi.org/10.1109/TCST.2013.2262074 (2014).

Artikel Google Scholar

Sun, N. et al. Adaptive Steuerung für pneumatische künstliche Muskelsysteme mit parametrischen Unsicherheiten und unidirektionalen Eingabebeschränkungen. IEEE Trans. Ind. Informieren. 16, 969–979. https://doi.org/10.1109/TII.2019.2923715 (2020).

Artikel Google Scholar

Qian, K., Li, Z., Chakrabarty, S., Zhang, Z. & Xie, SQ Robuste iterative Lernkontrolle für pneumatische Muskeln mit Unsicherheiten und Zustandsbeschränkungen. IEEE Trans. Ind. Elektron. 70, 1802–1810. https://doi.org/10.1109/TIE.2022.3159970 (2023).

Artikel ADS Google Scholar

Rezoug, A., Hamerlain, F. & Hamerlain, M. Anwendung des Fuzzy-Slide-Modus zur Steuerung eines Manipulatorroboters, der durch pneumatische künstliche Muskeln betätigt wird. IFAC Proceedings Bände 42, 580–585. https://doi.org/10.3182/20090921-3-TR-3005.00099 (2009). 2. IFAC-Konferenz zu intelligenten Steuerungssystemen und Signalverarbeitung.

Xiuze, X. & Long, C. Adaptives Takagi-Sugeno-Fuzzy-Modell und modellprädiktive Steuerung pneumatischer künstlicher Muskeln. Wissenschaft. China Technol. Sci.https://doi.org/10.1007/s11431-021-1887-6 (2021).

Artikel Google Scholar

Liang, D., Sun, N., Wu, Y., Liu, G. & Fang, Y. Fuzzy-Sliding-Mode-Steuerung für humanoide Armroboter, angetrieben durch pneumatische künstliche Muskeln mit unidirektionalen Eingängen, Sättigungen und Totzonen. IEEE Trans. Ind. Informieren. 18, 3011–3021. https://doi.org/10.1109/TII.2021.3111655 (2022).

Artikel Google Scholar

Ba, DX, Dinh, TQ & Ahn, KK Eine integrierte intelligente nichtlineare Steuerungsmethode für einen pneumatischen künstlichen Muskel. IEEE/ASME Trans. Mechatron. 21, 1835–1845. https://doi.org/10.1109/TMECH.2016.2558292 (2016).

Artikel Google Scholar

Liu, G., Sun, N., Yang, T. & Fang, Y. Auf Verstärkungslernen basierende vorgeschriebene Leistungsbewegungssteuerung von pneumatischen, muskelbetätigten Roboterarmen mit Messgeräuschen. IEEE Trans. Syst. Mann Cybernet. Syst. 53, 1801–1812. https://doi.org/10.1109/TSMC.2022.3207575 (2023).

Artikel Google Scholar

Dao, QT, Mai, DH, Nguyen, DK & Ly, NT Adaptive Parameter-integrale Gleitmodussteuerung pneumatischer künstlicher Muskeln in antagonistischer Konfiguration. J. Kontrollautomatik. Elektr. Syst.https://doi.org/10.1007/s40313-022-00902-5 (2022).

Artikel Google Scholar

Reynolds, D., Repperger, D., Phillips, C. & Bandry, G. Modellierung der dynamischen Eigenschaften pneumatischer Muskeln. Ann. Biomed. Ing. 31, 310–317. https://doi.org/10.1114/1.1554921 (2003).

Artikel CAS PubMed Google Scholar

Winter, DA Biomechanik und motorische Kontrolle menschlicher Bewegung 4. Aufl. (Wiley, 2009).

Buchen Sie Google Scholar

Referenzen herunterladen

Diese Forschung wird von der Hanoi University of Science and Technology (HUST) unter der Projektnummer T2022-PC-002 finanziert.

Diese Autoren trugen gleichermaßen bei: Quy-Thinh Dao und Minh-Duc Duong.

Universität für Wissenschaft und Technologie Hanoi, Hanoi, 11615, Vietnam

Minh-Duc Duong, Quang-Thuyet Pham, Tuan-Chien Vu und Quy-Thinh Dao

Shibaura Institute of Technology, Saitama, 337-8570, Japan

Ngoc-Tam BUI

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Q.-TD konzipierte die Methodik und entwarf das Experiment, T.-CV und Q.-TP führten die Experimente durch, N.-TB und M.-DD analysierten die Ergebnisse und verfassten das Originalmanuskript. Alle Autoren haben das Manuskript überprüft.

Korrespondenz mit Quy-Thinh Dao.

Die Autoren geben an, dass keine Interessenkonflikte bestehen.

Springer Nature bleibt neutral hinsichtlich der Zuständigkeitsansprüche in veröffentlichten Karten und institutionellen Zugehörigkeiten.

Open Access Dieser Artikel ist unter einer Creative Commons Attribution 4.0 International License lizenziert, die die Nutzung, Weitergabe, Anpassung, Verbreitung und Reproduktion in jedem Medium oder Format erlaubt, sofern Sie den/die ursprünglichen Autor(en) und die Quelle angemessen angeben. Geben Sie einen Link zur Creative Commons-Lizenz an und geben Sie an, ob Änderungen vorgenommen wurden. Die Bilder oder anderes Material Dritter in diesem Artikel sind in der Creative Commons-Lizenz des Artikels enthalten, sofern in der Quellenangabe für das Material nichts anderes angegeben ist. Wenn Material nicht in der Creative-Commons-Lizenz des Artikels enthalten ist und Ihre beabsichtigte Nutzung nicht gesetzlich zulässig ist oder über die zulässige Nutzung hinausgeht, müssen Sie die Genehmigung direkt vom Urheberrechtsinhaber einholen. Um eine Kopie dieser Lizenz anzuzeigen, besuchen Sie http://creativecommons.org/licenses/by/4.0/.

Nachdrucke und Genehmigungen

Duong, MD., Pham, QT., Vu, TC. et al. Adaptive Fuzzy-Slide-Mode-Steuerung eines Aktuators, der von zwei gegensätzlichen pneumatischen künstlichen Muskeln angetrieben wird. Sci Rep 13, 8242 (2023). https://doi.org/10.1038/s41598-023-34491-3

Zitat herunterladen

Eingegangen: 30. Dezember 2022

Angenommen: 02. Mai 2023

Veröffentlicht: 22. Mai 2023

DOI: https://doi.org/10.1038/s41598-023-34491-3

Jeder, mit dem Sie den folgenden Link teilen, kann diesen Inhalt lesen:

Leider ist für diesen Artikel derzeit kein gemeinsam nutzbarer Link verfügbar.

Bereitgestellt von der Content-Sharing-Initiative Springer Nature SharedIt

Durch das Absenden eines Kommentars erklären Sie sich damit einverstanden, unsere Nutzungsbedingungen und Community-Richtlinien einzuhalten. Wenn Sie etwas als missbräuchlich empfinden oder etwas nicht unseren Bedingungen oder Richtlinien entspricht, kennzeichnen Sie es bitte als unangemessen.