طراحی و شبیه سازی سیستم کنترل فازی-عصبی برای ربات های صنعتی با قابلیت یادگیری و انطباق

کنترل دقیق و انطباق پذیر ربات های صنعتی در محیط های متغیر و غیرقطعی یکی از چالش های اساسی در رباتیک پیشرفته است. این مقاله یک سیستم کنترل هیبریدی فازی-عصبی (ANFIS) با قابلیت یادگیری و انطباق برای ربات های صنعتی ارائه می دهد که در مواجهه با تغییرات پارامترهای سیستم، اغتشاشات خارجی و عدم قطعیت ها، عملکرد مطلوبی دارد. معماری پیشنهادی از ترکیب منطق فازی نوع-۲ بازه ای (IT۲FL) و شبکه عصبی عمیق (DNN) بهره می برد که امکان یادگیری پویا و بهینه سازی پارامترها را با استفاده از الگوریتم های تکاملی چندهدفه فراهم می کند. مدل پیشنهادی روی یک ربات صنعتی ۶ درجه آزادی شبیه سازی شده و عملکرد آن با کنترل کننده های PID، فازی مرسوم و عصبی-فازی استاندارد مقایسه گردیده است. نتایج شبیه سازی نشان می دهد که کنترل کننده پیشنهادی در مقایسه با سایر روش ها، خطای ردیابی مسیر را تا ۶۸٪ کاهش داده، زمان پاسخ را ۴۲٪ بهبود بخشیده و در برابر تغییر بار و اغتشاشات، مقاومت ۵۳٪ بیشتری از خود نشان می دهد. همچنین، قابلیت یادگیری و انطباق این سیستم به مرور زمان، عملکرد ربات را بهبود می بخشد و نیاز به تنظیم مجدد پارامترها را به حداقل می رساند.

کلیدواژه ها:

سیستم کنترل فازی-عصبی ، منطق فازی نوع-۲ بازه ای ، شبکه عصبی عمیق ، ربات های صنعتی ، کنترل انطباقی ، الگوریتم های تکاملی