banner
홈페이지 / 블로그 / 두 개의 반대되는 공압 인공 근육으로 구동되는 액추에이터의 적응형 퍼지 슬라이딩 모드 제어
블로그

두 개의 반대되는 공압 인공 근육으로 구동되는 액추에이터의 적응형 퍼지 슬라이딩 모드 제어

Jun 07, 2023Jun 07, 2023

Scientific Reports 13권, 기사 번호: 8242(2023) 이 기사 인용

286 액세스

측정항목 세부정보

공압 인공 근육(PAM)은 인간-로봇 상호 작용 시스템, 특히 재활 시스템의 잠재적인 작동 장치입니다. 그러나 PAM은 불확실성이 있고 특성이 상당히 지연되어 제어가 어려운 비선형 액추에이터입니다. 본 연구에서는 PAM 기반 액추에이터의 알려지지 않은 외란을 처리하기 위해 적응형 퍼지 알고리즘(AFSMC)과 결합된 이산 시간 슬라이딩 모드 제어 접근 방식을 제시합니다. 개발된 퍼지 논리 시스템은 적응 법칙에 의해 자동으로 업데이트되는 구성요소 규칙의 매개변수 벡터를 갖습니다. 결과적으로, 개발된 퍼지 논리 시스템은 시스템 교란을 합리적으로 근사화할 수 있습니다. 다중 시나리오 연구에서 PAM 기반 시스템을 운영할 때 실험 결과는 제안된 전략의 효율성을 확인합니다.

최근 몇 년 동안 PAM은 인간과 유사한 움직임의 시뮬레이션이 필요한 응용 분야에서 가장 유망한 액추에이터 중 하나였습니다. PAM은 고무로 만들어지고 편조사로 덮인 긴 튜브로 구성됩니다. PAM은 압축 공기를 공급할 때 방사형 및 세로 방향으로 경화되고 수축됩니다. 반대로 공기를 놓으면 부드러워지고 길어집니다. 그 수축은 생물의 근육다발이 작동하는 원리와 유사하다. PAM은 빠른 반응, 초경량, 높은 중량 대비 출력 및 부피 대비 출력 비율, 고유한 안전성, 청결성, 유지 관리 용이성, 유연성 및 저비용 등의 장점으로 인해 일반적으로 산업 응용 분야에 활용됩니다1,2 3,4,5. 일부 주요 응용 분야로는 로봇과 상호 작용하는 인간의 안전을 강화하는 조작기4,6,7,8, 재활 시스템9,10,11,12,13,14, 환자의 운동 기능 회복을 돕는 의료 기기15,16 등이 있습니다. 그러나 PAM은 지연 시간이 큰 비선형 시스템이므로 이를 좋은 성능으로 조절하는 것은 항상 연구자들로부터 큰 관심을 끌고 있습니다.

또한 PAM의 비선형 수학적 모델을 결정하는 것은 매우 어렵기 때문에 PAM 기반 시스템의 매개변수 추정에 편향이 발생합니다. 결과적으로 PAM 기반 시스템에는 알려지지 않은 교란이 많이 있습니다. 공압식 근육 액츄에이터의 문제점을 해결하기 위해 많은 제어 방법이 제안되었다. 많은 초기 연구에서는 PID(Proportional-Integral-Derivative) 컨트롤러와 수정된 버전을 선택했습니다. 비선형 히스테리시스 현상의 보정을 강화하고 견고성을 높이기 위한 비선형 PID 기반 컨트롤러17,18,19,20,21. 퍼지 PID 컨트롤러22,23,24,25는 궤적 추적 성능을 향상시키기 위해 제안되었습니다. 언급된 컨트롤러의 대부분은 괜찮은 성능을 가지고 있습니다. 이는 PAM의 히스테리시스 및 비선형성을 처리하기에는 부적절합니다.

PID 제어기와 그 개선된 변형의 단점을 극복하기 위해 슬라이딩 모드 제어(SMC), 동적 표면 제어, 적응 제어, 대화형 학습 제어 및 지능형 제어와 같은 비선형 제어 접근 방식이 문헌에 제시되었습니다. 보다 구체적으로, PAM 시스템의 궤적 추적을 위해 Refs.26,27에서는 기존 슬라이딩 모드 제어가 적용됩니다. PAM 시스템의 강력한 위치 제어를 위해 다양한 유형의 이산 시간 슬라이딩 모드 제어가 사용됩니다. 또한 시스템 응답을 향상시키기 위해 1차 필터를 사용하는 동적 표면 제어는 PAM 시스템의 추적 제어에도 적용됩니다. 또한 Ref.31에서 저자는 만족스러운 제어 성능을 달성하기 위해 알려지지 않은 시스템 매개변수를 온라인으로 추정하기 위해 적응 제어를 권장합니다.

비선형성을 학습하고 알려지지 않은 매개변수를 추정할 수 있는 대화형 학습 제어 및 지능형 제어도 PAM 시스템 제어에 대한 주요 접근 방식입니다. Ref.32의 저자는 PAM 시스템의 불확실성과 상태 제약을 해결하기 위해 강력한 반복 학습 제어 알고리즘을 제안했습니다. 부분 PID 제어25, 슬라이딩 모드 제어33, 모델 예측 제어34와 결합한 퍼지 제어가 PAM 시스템 제어를 위해 제안되었습니다. 이 기사에서는 퍼지 논리가 제어 매개변수를 조정하는 역할을 합니다. Reference35는 사전 정의된 모델 없이 PAM 시스템을 조절하기 위한 적응형 퍼지 슬라이딩 모드 제어 접근 방식을 제안했습니다. 여기서 알 수 없는 매개변수는 퍼지 함수를 사용하여 추정됩니다. 마찬가지로 Ref.36도 같은 아이디어를 사용했지만 퍼지 논리 대신 신경망을 활용하여 미지의 함수를 추정했습니다. 또한 PAM 시스템의 제어 성능을 최적화하기 위해 강화 학습도 고려됩니다. 앞서 언급한 접근 방식의 대부분은 시스템에 견고성을 가져올 수 있습니다. 그 중 일부는 매우 복잡한 추정 알고리즘을 사용하여 알려지지 않은 부분과 장애를 추정하여 시스템 성능을 향상시키려고 합니다. 이러한 알고리즘은 이론적으로는 효과적이지만 계산량이 많아 구현이 매우 어렵습니다. 따라서 효과적인 제어 알고리즘에 대한 요구 사항은 여전히 ​​​​미해결 문제입니다.

0\) is control gain. By replacing \(s_{k}\) from Eq. (14) into the Eq. (12), the control signal \(u_k\) can be obtained as/p>