دوره 18، شماره 4 - ( مجله کنترل، جلد 18، شماره 4، زمستان 1403 )
جلد 18 شماره 4,1403 صفحات 55-43 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Abdi S, Zakeri M, Sayyed noorani S M, Beyramzad J. Intelligent control of MEMS gyroscopes using nonsingular fast terminal SMC and fuzzy orthogonal neural networks based adaptive HOSM observer. JoC 2025; 18 (4) :43-55
URL: http://joc.kntu.ac.ir/article-1-1014-fa.html
URL: http://joc.kntu.ac.ir/article-1-1014-fa.html
عبدی سیامک، ذاکری منیژه، سید نورانی سید محمدرضا، بیرامزاد جلیل. کنترل هوشمند ژیروسکوپ‌های میکروالکترومکانیکی به روش مد لغزشی پایانهای غیرتکین سریع و رویتگر مد لغزشی مرتبه بالا تطبیقی مبتنی بر شبکه‌های عصبی متعامد فازی. مجله کنترل. 1403; 18 (4) :43-55
سیامک عبدی1 
، منیژه ذاکری*1 ، سید محمدرضا سید نورانی1 ، جلیل بیرامزاد2
، منیژه ذاکری*1 ، سید محمدرضا سید نورانی1 ، جلیل بیرامزاد2
1- دانشکده مهندسی مکانیک، گروه مهندسی مکاترونیک، دانشگاه تبریز، تبریز، ایران
2- دانشکده مهندسی مکانیک، گروه طراحی کاربردی، دانشگاه علم و صنعت ایران، تهران، ایران
2- دانشکده مهندسی مکانیک، گروه طراحی کاربردی، دانشگاه علم و صنعت ایران، تهران، ایران
چکیده: (117 مشاهده)
مقاله حاضر یک روش کنترلی جدید برای ژیروسکوپ‌های میکرو الکترومکانیکی با هدف دستیابی به دقت و سرعت ردیابی بالا، حذف پدیده چترینگ، مقاوم بودن در برابر وجود عدمقطعیت‌ها و حضور اغتشاشات خارجی و بینیاز به اندازه‌گیری مستقیم متغیر حالت سرعت ارائه می‌دهد. برای پرهیز از پیچیدگی کنترلکننده، یک رویتگر حالت مد لغزشی مرتبه بالای هوشمند استفاده‌شده است، که ضرایب آن توسط یک شبکه عصبی- فازی ساختاریافته با توابع فعالساز از نوع چندجملهایهای متعامد چپیشف بهصورت تطبیقی بروزرسانی میشود. این کنترلکننده قادر به تخمین هم‌زمان حالت‌های سیستم و تابع عدم قطعیت و اغتشاش کل سیستم است. بخش مرکزی آن یک کنترلگر مد لغزشی پایانهای غیرتکین سریع است که علاوه بر دقت بسیار بالا، از سرعت همگرایی بسیار مطلوبی نیز برخوردار بوده و دستیابی به پایداری زمان محدود را تضمین میکند. برای حذف چترینگ نیز از یک شبکه عصبی-فازی مشابه دیگری استفاده میشود تا بخشهای غیرخطی موجود در قانون کنترلی را هموار کند. عملکرد کنترلکننده پیشنهادی از طریق شبیه‌سازی و مقایسه با نتایج گزارششده در پژوهشهای قبلی بررسی میگردد. مقایسه نتایج حاکی از برتری کیفی و کمی روش پیشنهادی در موارد ادعایی بهویژه دقت ردگیری و حذف چترینگ میباشد.
واژه‌های کلیدی: ژیروسکوپ میکرو الکترو مکانیکی، کنترل مد لغزشی، شبکه های عصبی فازی، چترینگ، رویتگر مد لغزشی مرتبه بالا
نوع مطالعه: پژوهشي |
موضوع مقاله:
تخصصي
دریافت: 1403/6/15 | پذیرش: 1403/11/30 | انتشار الکترونیک پیش از انتشار نهایی: 1403/12/3 | انتشار: 1403/12/30
دریافت: 1403/6/15 | پذیرش: 1403/11/30 | انتشار الکترونیک پیش از انتشار نهایی: 1403/12/3 | انتشار: 1403/12/30
فهرست منابع
1. [1] Feng Z, Fei J. Super-twisting sliding mode control for micro gyroscope based on RBF neural network. IEEE Access. 2018 Oct 21;6:64993-5001. [DOI:10.1109/ACCESS.2018.2877398]
2. [2] Xu B, Zhang R, Li S, He W, Shi Z. Composite neural learning-based nonsingular terminal sliding mode control of MEMS gyroscopes. IEEE Transactions on Neural networks and learning systems. 2019 Jun 26;31(4):1375-86. [DOI:10.1109/TNNLS.2019.2919931]
3. [3] Guo Y, Xu B, Zhang R. Terminal sliding mode control of mems gyroscopes with finite-time learning. IEEE Transactions on Neural Networks and Learning Systems. 2020 Sep 17;32(10):4490-8. [DOI:10.1109/TNNLS.2020.3018107]
4. [4] Fei J, Chen Y, Liu L, Fang Y. Fuzzy multiple hidden layer recurrent neural control of nonlinear system using terminal sliding-mode controller. IEEE transactions on cybernetics. 2021 Mar 12;52(9) [DOI:10.1109/TCYB.2021.3052234]
5. [5] Fei J, Yan W. Adaptive control of MEMS gyroscope using global fast terminal sliding mode control and fuzzy-neural-network. Nonlinear Dynamics. 2014 Oct;78:103-16. [DOI:10.1007/s11071-014-1424-z]
6. [6] Liang X, Li S, Fei J. Adaptive fuzzy global fast terminal sliding mode control for microgyroscope system. IEEE Access. 2016 Dec 7;4:9681-8. [DOI:10.1109/ACCESS.2016.2636901]
7. [7] Zhang R, Xu B, Wang H. Recursive Integral Terminal Sliding Mode Control of MEMS Gyroscopes via Composite Neural Learning and Disturbance Observer.
8. [8] Yan W, Hou S, Fang Y, Fei J. Robust adaptive nonsingular terminal sliding mode control of MEMS gyroscope using fuzzy-neural-network compensator. International Journal of Machine Learning and Cybernetics. 2017 Aug;8:1287-99. [DOI:10.1007/s13042-016-0501-7]
9. [9] Fei J, Yan W, Yang Y. Adaptive nonsingular terminal sliding mode control of MEMS gyroscope based on backstepping design. International Journal of Adaptive Control and Signal Processing. 2015 Sep;29(9):1099-115. [DOI:10.1002/acs.2523]
10. [10] Wang Z, Fei J. Novel fuzzy neural nonsingular terminal sliding mode control of MEMS gyroscope. Complexity. 2019 Dec 18;2019:1-5. [DOI:10.1155/2019/6840639]
11. [11] Wang Z, Fei J. Fractional-order terminal sliding-mode control using self-evolving recurrent Chebyshev fuzzy neural network for MEMS gyroscope. IEEE Transactions on Fuzzy Systems. 2021 Jul 7;30(7):2747-58. [DOI:10.1109/TFUZZ.2021.3094717]
12. [12] Fei J, Wang Z, Liang X. Robust adaptive fractional fast terminal sliding mode controller for microgyroscope. Complexity. 2020 Jul 23;2020. [DOI:10.1155/2020/8542961]
13. [13] Rahmani M, Rahman MH. A novel compound fast fractional integral sliding mode control and adaptive PI control of a MEMS gyroscope. Microsystem Technologies. 2019 Oct;25(10):3683-9. [DOI:10.1007/s00542-018-4284-5]
14. [14] Fei J, Liang X. Adaptive backstepping fuzzy neural network fractional-order control of microgyroscope using a nonsingular terminal sliding mode controller. Complexity. 2018 Sep 10;2018. [DOI:10.1155/2018/5246074]
15. [15] Fei J, Feng Z. Fractional-order finite-time super-twisting sliding mode control of micro gyroscope based on double-loop fuzzy neural network. IEEE Transactions on Systems, Man, and Cybernetics: Systems. 2020 Mar 25;51(12):7692-706. [DOI:10.1109/TSMC.2020.2979979]
16. [16] Fei J, Feng Z. Adaptive super-twisting sliding mode control for micro gyroscope based on double loop fuzzy neural network structure. International Journal of Machine Learning and Cybernetics. 2021 Mar;12:611-24. [DOI:10.1007/s13042-020-01191-7]
17. [17] Pan Q, Fei J, Xue Y. Adaptive intelligent super-twisting control of dynamic system. IEEE Access. 2022 Apr 18;10:42396-403. [DOI:10.1109/ACCESS.2022.3168685]
18. [18] Fei J, Feng Z. Adaptive super-twisting sliding mode control for micro gyroscope based on double loop fuzzy neural network structure. International Journal of Machine Learning and Cybernetics. 2021 Mar;12:611-24. [DOI:10.1007/s13042-020-01191-7]
19. [19] Fei J, Feng Z. Adaptive fuzzy super-twisting sliding mode control for microgyroscope. Complexity. 2019 Feb 21;2019. [DOI:10.1155/2019/6942642]
20. [20] Rahmani M, Komijani H, Ghanbari A, Ettefagh MM. Optimal novel super-twisting PID sliding mode control of a MEMS gyroscope based on multi-objective bat algorithm. Microsystem Technologies. 2018 Jun;24:2835-46. [DOI:10.1007/s00542-017-3700-6]
21. [21] Yu X, Feng Y, Man Z. Terminal sliding mode control-An overview. IEEE Open Journal of the Industrial Electronics Society. 2020 Nov 25;2:36-52. [DOI:10.1109/OJIES.2020.3040412]
22. [22] Utkin V, Poznyak A, Orlov Y, Polyakov A. Conventional and high order sliding mode control. Journal of the Franklin Institute. 2020 [DOI:10.1007/978-3-030-41709-3_7]
23. [23] Fridman L, Moreno JA, Bandyopadhyay B, Kamal S, Chalanga A. Continuous nested algorithms: The fifth generation of sliding mode controllers. InRecent advances in sliding modes: From control to intelligent
24. [24] Asl RM, Hagh YS, Palm R, Handroos H. Integral non-singular terminal sliding mode controller for nth-order nonlinear systems. IEEE Access. 2019 Jul 24;7:102792-802. [DOI:10.1109/ACCESS.2019.2930798]
25. [25] Shtessel Y, Edwards C, Fridman L, Levant A. Sliding mode control and observation. New York: Springer New York; 2014. [DOI:10.1007/978-0-8176-4893-0]
26. [26] Liu J, Wang X. Advanced sliding mode control for mechanical systems. Berlin: Springer; 2012. [DOI:10.1007/978-3-642-20907-9]
27. [27] Si H, Shao X, Zhang W. MLP-based neural guaranteed performance control for MEMS gyroscope with logarithmic quantizer. IEEE Access. 2020 Feb 17;8:38596-605. [DOI:10.1109/ACCESS.2020.2974526]
28. [28] Shao X, Si H, Zhang W. Fuzzy wavelet neural control with improved prescribed performance for MEMS gyroscope subject to input quantization. Fuzzy Sets and Systems. 2021 May 15;411:136-54. [DOI:10.1016/j.fss.2020.08.005]
29. [29] Zirkohi MM. Adaptive interval type-2 fuzzy recurrent RBFNN control design using ellipsoidal membership functions with application to MEMS gyroscope. ISA transactions. 2022 Jan 1;119:25-40. [DOI:10.1016/j.isatra.2021.02.046]
30. [30] Asad YP, Shamsi A, Tavoosi J. Backstepping-based recurrent type-2 fuzzy sliding mode control for MIMO systems (MEMS triaxial gyroscope case study). International journal of uncertainty, fuzziness and knowledge-based systems. 2017 Apr;25(02):213-33. [DOI:10.1142/S0218488517500088]
31. [31] Vafaie RH, Mohammadzadeh A, Piran MJ. A new type-3 fuzzy predictive controller for MEMS gyroscopes. Nonlinear Dynamics. 2021 Sep;106(1):381-403. [DOI:10.1007/s11071-021-06830-4]
32. [32] Alattas KA, Mohammadzadeh A, Mobayen S, Aly AA, Felemban BF, Vu MT. A new data-driven control system for MEMSs gyroscopes: Dynamics estimation by type-3 fuzzy systems. Micromachines. 2021 Nov 12;12(11):1390. [DOI:10.3390/mi12111390]
33. [33] Jafari M, Mobayen S, Roth H, Bayat F. Nonsingular terminal sliding mode control for micro-electro-mechanical gyroscope based on disturbance observer: Linear matrix inequality approach. Journal of Vibration and Control. 2022 May;28(9-10):1126-34. [DOI:10.1177/1077546320988192]
34. [34] Zhang R, Xu B, Wei Q, Zhang P, Yang T. Harmonic disturbance observer-based sliding mode control of MEMS gyroscopes. Science China Information Sciences. 2022 Mar;65:1-3. [DOI:10.1007/s11432-019-2841-9]
35. [35] Ma X, Sun Y, Zhu F. Nonsingular terminal sliding mode control of uncertain chaotic gyroscope system based on disturbance observer. Journal of Mathematics. 2021 Jan 4;2021:1-7. [DOI:10.1155/2021/6646941]
36. [36] Giap V, Vu H, Nguyen Q, Huang SC. Chattering-free sliding mode control-based disturbance observer for MEMS gyroscope system. Microsystem Technologies. 2022 Aug;28(8):1867-77. [DOI:10.1007/s00542-022-05323-7]
37. [37] Fridman L, Shtessel Y, Edwards C, Yan XG. Higher‐order sliding‐mode observer for state estimation and input reconstruction in nonlinear systems. International Journal of Robust and Nonlinear Control: IFAC‐Affiliated Journal. 2008 Mar 10;18(4‐5):399-412. [DOI:10.1002/rnc.1198]
38. [38] Nguyen VC, Vo AT, Kang HJ. Fault diagnosis and fault-tolerant control of uncertain robot manipulators using high-order sliding mode. Mathematical Problems in Engineering. 2016 Sep 4;2016. [DOI:10.1155/2016/7926280]
39. [39] Nguyen VC, Vo AT, Kang HJ. A finite-time fault-tolerant control using non-singular fast terminal sliding mode control and third-order sliding mode observer for robotic manipulators. IEEE Access. 2021 Feb 16;9:31225-35. [DOI:10.1109/ACCESS.2021.3059897]
40. [40] Van M, Ge SS, Ren H. Finite time fault tolerant control for robot manipulators using time delay estimation and continuous nonsingular fast terminal sliding mode control. IEEE transactions on cybernetics. 2016 Apr 28;47(7):1681-93. [DOI:10.1109/TCYB.2016.2555307]
41. [41] Shokouhi F, Davaie Markazi AH. A new continuous approximation of sign function for sliding mode control. InInternational Conference on Robotics and Mechatronics (ICRoM 2018). Tehran. Iran 2018.
42. [42] Lee TT, Jeng JT. The Chebyshev-polynomials-based unified model neural networks for function approximation. IEEE Transactions on Systems, Man, and Cybernetics, Part B (Cybernetics). 1998 Dec;28(6):925-35. [DOI:10.1109/3477.735405]
43. [43] Patra JC, Kot AC. Nonlinear dynamic system identification using Chebyshev functional link artificial neural networks. IEEE Transactions on Systems, Man, and Cybernetics, Part B (Cybernetics). 2002 Aug 7;32(4):505-11. [DOI:10.1109/TSMCB.2002.1018769]
44. [44] Chittora P, Singh A, Singh M. Chebyshev functional expansion based artificial neural network controller for shunt compensation. IEEE transactions on industrial informatics. 2018 Jan 15;14(9):3792-800. [DOI:10.1109/TII.2018.2793347]
45. [45] Lu K, Li T, Zhang L. Active attitude fault-tolerant tracking control of flexible spacecraft via the Chebyshev neural network. Transactions of the Institute of Measurement and Control. 2019 Feb;41(4):925-33. [DOI:10.1177/0142331218803410]
46. [46] Bai Y, Wang D. Fundamentals of fuzzy logic control-fuzzy sets, fuzzy rules and defuzzifications. Advanced fuzzy logic technologies in industrial applications. 2006:17-36. [DOI:10.1007/978-1-84628-469-4_2]
47. [47] Beyhan S, Itik M. Adaptive fuzzy-Chebyshev network control of a conducting polymer actuator. Journal of Intelligent Material Systems and Structures. 2016 May;27(8):1019-29. [DOI:10.1177/1045389X15577660]
48. [48] Fei J, Yang J. Chebyshev Fuzzy Neural Network Super-Twisting Terminal Sliding Mode Control for Active Power Filter. IEEE Internet of Things Journal. 2023 Mar 28. [DOI:10.1109/JIOT.2023.3262665]
49. [49] Yadegari H, Beyramzad J, Khanmirza E. Magnetorquers-based satellite attitude control using interval type-II fuzzy terminal sliding mode control with time delay estimation. Advances in Space Research. 2022 Apr 15;69(8):3204-25. [DOI:10.1016/j.asr.2022.01.018]
50. [50] Nazari N, Moladavoudi H, Beyramzad J. Finite time sliding mode control for agile rigid satellite with CMG actuators using fast high-order sliding mode observer. Aerospace Systems. 2024 Jun;7(2):363-83. [DOI:10.1007/s42401-024-00283-4]
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
