banner
Maison / Nouvelles / Commande adaptative en mode glissant flou d'un actionneur alimenté par deux muscles artificiels pneumatiques opposés
Nouvelles

Commande adaptative en mode glissant flou d'un actionneur alimenté par deux muscles artificiels pneumatiques opposés

Oct 28, 2023Oct 28, 2023

Rapports scientifiques volume 13, Numéro d'article : 8242 (2023) Citer cet article

286 accès

Détails des métriques

Le muscle artificiel pneumatique (PAM) est un actionneur potentiel dans les systèmes d'interaction homme-robot, en particulier les systèmes de rééducation. Cependant, PAM est un actionneur non linéaire avec une incertitude et un retard considérable dans les caractéristiques, ce qui rend le contrôle difficile. Cette étude présente une approche de contrôle en mode glissant à temps discret combinée à l'algorithme flou adaptatif (AFSMC) pour faire face à la perturbation inconnue de l'actionneur à base de PAM. Le système de logique floue développé possède des vecteurs de paramètres des règles de composants qui sont automatiquement mis à jour par une loi adaptative. Par conséquent, le système de logique floue développé peut raisonnablement approximer la perturbation du système. Lors de l'utilisation du système basé sur PAM dans des études multi-scénarios, les résultats expérimentaux confirment l'efficacité de la stratégie proposée.

Ces dernières années, le PAM a été l'un des actionneurs les plus prometteurs pour les applications nécessitant la simulation de mouvements de type humain. Le PAM est constitué d'un long tube en caoutchouc et recouvert de fil tressé. Le PAM se raidit et se contracte dans les directions radiale et longitudinale lors de l'alimentation en air comprimé. A l'inverse, il va s'assouplir et s'allonger lorsque nous relâcherons l'air. Cette contraction est similaire au principe de fonctionnement des faisceaux musculaires des êtres vivants. Les PAM sont généralement utilisés dans les applications industrielles en raison de leurs avantages de réaction rapide, d'extrême légèreté, de rapports puissance/poids et puissance/volume élevés, de sécurité inhérente, de propreté, de facilité d'entretien, de souplesse et de faible coût1,2,3,4,5. Certaines applications importantes incluent les manipulateurs4,6,7,8 pour améliorer la sécurité des humains qui interagissent avec les robots, les systèmes de rééducation9,10,11,12,13,14 et les dispositifs médicaux15,16 pour aider les patients à restaurer la fonction motrice. Cependant, PAM est un système non linéaire avec une latence énorme, et sa régulation avec de bonnes performances attire toujours une grande attention de la part des chercheurs.

De plus, la détermination d'un modèle mathématique non linéaire de PAM est extrêmement difficile, ce qui entraîne un biais dans l'estimation des paramètres du système basé sur PAM. En conséquence, les systèmes basés sur PAM ont beaucoup de perturbations inconnues. De nombreuses méthodes de commande ont été proposées pour résoudre les problèmes de l'actionneur musculaire pneumatique. De nombreuses premières études ont choisi le contrôleur proportionnel-intégral-dérivé (PID) et ses versions modifiées. Un contrôleur basé sur PID non linéaire17,18,19,20,21 pour améliorer la correction du phénomène d'hystérésis non linéaire et une robustesse accrue. Un contrôleur PID flou22,23,24,25 est proposé pour améliorer les performances de suivi de trajectoire. La plupart des contrôleurs mentionnés ont des performances décentes. Ils sont inadéquats pour traiter l'hystérésis et la non-linéarité de PAM.

Pour surmonter les inconvénients du contrôleur PID et de ses variantes améliorées, des approches de contrôle non linéaire telles que le contrôle en mode glissant (SMC), le contrôle de surface dynamique, le contrôle adaptatif, le contrôle d'apprentissage interactif et le contrôle intelligent ont été présentés dans la littérature. Plus spécifiquement, une commande de mode glissant classique est appliquée dans les références 26, 27 pour le suivi de trajectoire d'un système PAM. Différents types de contrôle en mode glissant à temps discret sont utilisés pour le contrôle de position robuste d'un système PAM28,29. De plus, le contrôle de surface dynamique qui utilise un filtre de premier ordre pour améliorer la réponse du système est également appliqué au contrôle de suivi des systèmes PAM30. De plus, dans la réf.31, les auteurs recommandent un contrôle adaptatif pour estimer en ligne des paramètres système inconnus, ce qui permet d'obtenir des performances de contrôle satisfaisantes.

Le contrôle d'apprentissage interactif et le contrôle intelligent qui peuvent apprendre la non-linéarité et estimer les paramètres inconnus sont également des approches importantes pour contrôler le système PAM. Les auteurs de la Ref.32 ont proposé un algorithme de contrôle d'apprentissage itératif robuste pour traiter les incertitudes et les contraintes d'état d'un système PAM. Le contrôle flou en combinaison avec le contrôle PID fractionnaire25, avec le contrôle en mode glissant33 et avec le contrôle prédictif du modèle34 est proposé pour le contrôle du système PAM. Dans ces articles, la logique floue joue un rôle dans l'ajustement des paramètres de contrôle. Reference35 a proposé une approche de contrôle adaptatif en mode glissant flou pour réguler un système PAM sans modèle prédéfini, dans lequel les paramètres inconnus sont estimés à l'aide de fonctions floues. De même, Ref.36 a utilisé la même idée, mais au lieu de la logique floue, un réseau de neurones a été utilisé pour estimer les fonctions inconnues. De plus, l'apprentissage par renforcement est également envisagé pour optimiser les performances de contrôle du système PAM37. La plupart des approches susmentionnées peuvent apporter de la robustesse au système. Certains d'entre eux tentent d'améliorer les performances du système en estimant les parties inconnues et les perturbations avec des algorithmes d'estimation très compliqués. Ces algorithmes sont théoriquement efficaces, mais leur mise en œuvre est très difficile avec beaucoup de calcul. Ainsi, l'exigence d'un algorithme de contrôle efficace est toujours un problème ouvert.

Sur la base des résultats de recherche favorables sur les contrôleurs flous et adaptatifs, nous abordons le contrôle d'un système PAM non linéaire avec une perturbation inconnue en le traitant comme un système linéaire avec une perturbation inconnue. Nous proposons un algorithme flou adaptatif combiné à une loi de commande en mode glissant pour estimer et compenser la perturbation tout en traitant les erreurs d'approximation et les incertitudes du modèle. Pour permettre une mise en œuvre pratique, nous concevons l'algorithme dans le domaine discret, ce qui le rend faisable pour la programmation sur un dispositif numérique embarqué. Notre article apporte plusieurs contributions au domaine de l'ingénierie de contrôle pour les systèmes non linéaires, en particulier dans le contexte des systèmes PAM avec des perturbations inconnues comme suit

Propose un algorithme de contrôle adaptatif en mode glissant flou pour contrôler un système PAM non linéaire à perturbation inconnue en le considérant comme un système linéaire à perturbation inconnue.

L'approche proposée a l'avantage d'utiliser la logique floue pour estimer des paramètres inconnus, ce qui la rend plus efficace dans la gestion de systèmes complexes et non linéaires.

Conçoit l'algorithme AFSMC dans le domaine discret pour une mise en œuvre pratique sur un dispositif numérique embarqué.

La structure du système est illustrée à la Fig. 1. Le système comprend un compresseur d'air qui fournit de l'air à deux faisceaux musculaires artificiels (avec \(23 \times 10^{-3}\) (m) de diamètre, \(40 \times 10^{-2}\) (m) de longueur nominale). Lorsqu'il est gonflé et dégonflé au système musculaire artificiel par deux valves proportionnelles (SMC, ITV-2030-212S-X26), un faisceau musculaire se contracte et l'autre se détend, provoquant la rotation de la poulie autour de son centre. L'angle de rotation produit est mesuré par le potentiomètre (WDD35D8T). Le contrôleur intégré myRIO-1900 de National Instrument a été utilisé dans cette expérience pour calculer l'angle de rétroaction du potentiomètre et générer le signal de commande vers les vannes proportionnelles, tandis que le logiciel LabVIEW a été utilisé pour surveiller l'ensemble du processus.

La plate-forme d'expérimentation de deux actionneurs PAM opposés38.

La figure 2 montre un diagramme schématique du principe de fonctionnement d'un muscle artificiel pneumatique, qui décrit chaque relation entre la pression d'air, le mouvement des muscles artificiels et l'angle de déviation de la poulie. Initialement, la pression dans les faisceaux musculaires est fixée à \(P_{0} = 0,2\) MPa. L'équation (1) décrit la pression interne de deux PAM en fonctionnement.

où \(P_1\) et \(P_2\) sont les pressions des deux PAM, \(P_0\) est la pression initiale et \(\Delta P\) est la différence de pression entre les deux PAM. Le modèle dynamique d'un seul muscle pneumatique artificiel (PAM) peut être exprimé à l'aide du modèle de Reynolds39 comme :

avec

où x est la contraction de la longueur de PAM. Les composants du modèle représentant le ressort, l'amortissement et les éléments contractiles sont représentés par K, B et F, respectivement. \({K_i}\) et \({F_i}\) (i = 0,1) sont des constantes. \({B_{i,j}}\) sont des fonctions linéaires. La valeur de j indique si le PAM se contracte (\(j = 1\)) ou se dégonfle (\(j = 2\)). Dans une configuration où deux PAM agissent de manière antagoniste, ils génèrent un couple T sur la poulie, qui a un moment d'inertie J. L'expression du couple T est la suivante :

où r représente le rayon de la poulie. Les forces \(F^{PAM}{e}\) et \(F^{PAM}{f}\) créées par chaque PAM peuvent être exprimées comme :

Le schéma de structure de deux muscles artificiels pneumatiques opposés.

Les contractions des PAM \(x_e\) et \(x_f\) dans Eq. (5) peut être obtenu en utilisant la contraction initiale (\(x_0\)) et l'angle de la poulie (\(\theta \)), comme indiqué ci-dessous :

En supposant que les deux PAM ont des paramètres mécaniques similaires, nous pouvons utiliser les équations. (3), (4), (5) et (6) pour obtenir l'expression suivante :

ou

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

Pour faciliter la conception du contrôleur sur un processeur temps réel, nous considérons la formulation en temps discret suivante du modèle (Eq. 8).

Le signal de commande \(u_k\) représente la pression différente \(\Delta P\) appliquée au système PAM, tandis que \(y_k\) représente la déviation angulaire de la poulie \(\theta \). La perturbation et les incertitudes inconnues dans le système sont notées \(p_k\), et les paramètres du modèle sont représentés par \(a_i\) et \(b_j\), \(m=n=2\). Les valeurs des paramètres de modèle identifiés sont présentées dans le tableau 1.

Cette section décrit la construction de l'AFSMC proposé pour le système PAM, qui comprend plusieurs étapes. Initialement, un contrôleur en mode glissant est développé avec un signal de contrôle contenant une variable \({\hat{p}}_k\) pour estimer la perturbation du système et améliorer les performances de contrôle. Ensuite, un algorithme flou adaptatif est conçu pour calculer la variable \({\hat{p}}_k\). Enfin, la stabilité du contrôleur de mode glissant flou adaptatif est démontrée sur la base de la condition de stabilité de Lyapunov. La figure 3 illustre le schéma fonctionnel du contrôleur de système.

Schéma fonctionnel du contrôleur de mode glissant flou adaptatif proposé.

Pour concevoir la commande SMC, la surface de glissement est choisie comme

Dans l'équation, \(\alpha \) désigne un paramètre de conception qui satisfait la condition \(0< \alpha < 1\), et \(e_k\) représente l'écart de suivi entre la trajectoire mesurée \(y_k\) et sa valeur souhaitée \(y_k^*\). En utilisant le modèle à entrée unique et sortie unique du système PAMs donné dans l'équation. (9), nous pouvons exprimer l'erreur de suivi comme :

Remplacez \(e_{k}\) de l'équation. (11) dans l'éq. (10), nous avons

Pour garantir que la variable de glissement est entraînée vers la surface de glissement. On considère la loi d'atteinte en temps discret suivante

ou

où \(K_{sw} > 0\) est le gain de contrôle. En remplaçant \(s_{k}\) de l'Eq. (14) dans l'éq. (12), le signal de commande \(u_k\) peut être obtenu comme

Le signal de commande \(u_{k}\) de cet algorithme comprend un élément de perturbation incertain \(p_{k}\). Pour implémenter efficacement l'algorithme de contrôle, il est nécessaire de déterminer avec précision la valeur de \(p_{k}\). Cet article propose un algorithme flou adaptatif pour estimer \(p_{k}\). Cet algorithme assure la stabilité du système et améliore l'efficacité globale du contrôleur. Avec la valeur estimée \({\hat{p}}_{k}\) de \(p_{k}\), le signal de commande \(u_{k}\) est calculé à l'aide de l'équation suivante :

Les sous-sections suivantes fourniront une explication détaillée de l'algorithme flou adaptatif proposé.

Dans cette étude, un système flou est utilisé pour estimer le signal de sortie d'un système. Le système flou fonctionne sur la base d'un ensemble de règles floues Si-Alors liées aux signaux d'entrée connus. Ces règles ont la forme suivante :

où \(i=1, \dots , N\) avec N le nombre de règles floues du système ; \(s_j (k)\) \((j=1, \dots , n)\) sont les signaux d'entrée, \({\hat{p}} _k^i (k)\) sont le signal de sortie correspondant.

En raison de leur grande précision, les règles floues de Takagi-Sugeno (TS) sont fréquemment utilisées pour modéliser des systèmes non linéaires. Cette étude utilise le modèle Takagi-Sugeno-Kang (TSK) d'ordre 0. Les règles floues Si-Alors pour ce modèle peuvent être représentées comme suit :

En supposant que chaque règle attribue une valeur numérique à la sortie \(p_k^i = D _k^i\), nous pouvons calculer la valeur estimée de \({\hat{p}} _k\) en utilisant une moyenne pondérée :

ou, de même,

où, \( D_k\) = \([ D_k^1, D_k^2,\dots , D_k^N]^T\) est le vecteur contenant les valeurs attribuées \(D _k^i\) pour la règle i ; \(W(s_k)=[W_1 (s_k),W_2 (s_k),\dots ,W_N (s_k)]^T\) est un vecteur de poids normalisé avec \(\displaystyle W_i (s_k)= \frac{w_i}{\sum _{j=1}^N w_j} \) et \(w_i\) est la puissance de tir de chaque règle. La sous-section suivante introduira une loi adaptative pour mettre à jour le vecteur \(D_k\), représentant l'approximation la plus précise de \({p}_k\). Cette mise à jour améliorera les performances du système.

Afin de s'assurer que la valeur estimée \({\hat{p}} _k\) reflète fidèlement la perturbation \(p_k\), nous introduisons une loi d'adaptation pour mettre à jour le vecteur de paramètre \(D_k\). Cette loi d'adaptation est donnée par :

où \(\varphi \) représente une constante strictement positive associée au taux d'adaptation. Il est à noter que:

L'équation (22) indique également qu'aucune adaptation ne se produit lorsque les états se trouvent sur la surface de glissement.

Dans cette section, nous démontrerons la stabilité de l'algorithme proposé en utilisant la condition de stabilité de Lyapunov. Cette analyse nous permettra de déterminer la gamme de paramètres pour le contrôleur AFSMC. Soit \(D^*_k\) les vecteurs idéaux, à partir desquels la valeur de perturbation \(p_k\) peut être calculée comme \(p_k = D^{*T}_k W(s_k)\). On définit l'erreur d'approximation comme suit :

Simultanément, nous considérons les erreurs de paramètres flous

Il est évident que

Utilisez le calcul différentiel avec l'équation de (Eq. 25) pour obtenir la méthode suivante

Selon la théorie des règles d'adaptation montrée dans l'Eq. (23), lorsque des états existent sur une surface de glissement, aucune adaptation ne se produit, car les résultats \(\Delta D^*_{k+1}\) = 0, donc \(\Delta {\tilde{D}}_{k+1}\) est affecté comme suit

Pour démontrer la stabilité du système à l'aide de l'algorithme proposé, nous considérerons la fonction candidate de Lyapunov :

Alors,

Pour calculer \(\Delta V_k\), nous allons d'abord examiner sa première composante :

En outre,

En substituant \(u_{k}\) à partir de l'équation. (15) dans l'éq. (32), \(\Delta s_{k}\) peut être obtenu comme

Ensuite, l'éq. (31) devient

Ensuite, nous considérons la deuxième partie de \(\Delta V_{k}\)

Donc,

Par conséquent, nous avons montré que la commande adaptative en modes glissants flous proposée garantit la stabilité asymptotique du système.

Dans cette section, nous décrivons une série d'expériences qui ont été menées pour évaluer les performances du contrôleur suggéré avec des trajectoires variables. L'objectif principal de ces expériences était d'évaluer l'efficacité du contrôleur dans différentes conditions. Nous avons utilisé les fonctions d'appartenance gaussiennes pour \(S_i\) décrites ci-dessous pour y parvenir.

Le graphique de ces fonctions d'appartenance est illustré à la Fig. 4.

Les fonctions d'appartenance de l'ensemble flou.

Des expériences ont été menées avec des signaux d'entrée tels que des ondes sinusoïdales et diverses ondes sinusoïdales dans deux scénarios, avec et sans charge. L'approche de contrôle a été implémentée à l'aide de la boîte à outils LabVIEW/MyRIO, puis intégrée dans le contrôleur MyRIO-1900 avec un temps d'échantillonnage de 5 ms. Les performances de l'approche AFSMC proposée et de l'approche SMC conventionnelle ont été comparées en termes de suivi de trajectoire. Le tableau 2 présente les paramètres pour AFSMC et SMC après réglage fin.

L'efficacité des deux stratégies de contrôle, AFSMC et SMC, a d'abord été évaluée pour le scénario sans charge en utilisant des signaux sinusoïdaux avec une plage de fréquences de 0,1 à 1,0 Hz comme trajectoires souhaitées. Les résultats expérimentaux, illustrés à la Fig. 5, démontrent que les deux contrôleurs offrent d'excellentes performances de suivi, mais leur efficacité diminue à mesure que la fréquence augmente. Néanmoins, le contrôleur AFSMC présente de meilleures performances de suivi avec une déviation plus faible que le contrôleur SMC. Plus précisément, dans le cas d'un signal de référence de 0,1 Hz, à l'état stable, le contrôleur SMC affiche l'écart le plus élevé des performances dynamiques à près de 6,0\(^\circ \), alors que la valeur d'écart pour l'AFSMC est beaucoup plus petite, autour de 2,2\(^\circ \), et converge systématiquement vers 0\(^\circ \). Dans le cas d'un signal de référence de 1,0 Hz, les valeurs d'erreur maximales pour SMC et AFSMC sont respectivement d'environ 10,0\(^\circ \) et 4,0\(^\circ \).

Résultats expérimentaux pour le suivi de trajectoires sinusoïdales sans charge.

Dans le deuxième scénario, une charge de 5 kg a été introduite dans le système. Cette charge équivaut à la partie des jambes des humains asiatiques40. Les résultats des performances de suivi et des erreurs de suivi sont illustrés à la Fig. 6. Avec un signal de référence de 0,1 Hz, les valeurs d'erreur maximales pour l'AFSMC et le SMC à l'état stable sont d'environ 2,0\(^\circ \) et 4,0\(^\circ \), respectivement. Lorsque la fréquence du signal de référence augmente, l'erreur augmente également. Avec un signal de référence de 1,0 Hz, les valeurs d'erreur maximales pour l'AFSMC et le SMC à l'état stable sont d'environ 4,0\(^\circ \) et 10,0\(^\circ \), respectivement. Remarquablement, même avec la présence d'une composante de perturbation externe, le contrôleur AFSMC continue de démontrer des performances supérieures par rapport au SMC car l'erreur quadratique moyenne de suivi (RMSE) est présentée dans le tableau 3. Cela est dû à l'estimation précise de l'élément de perturbation \(p_k\), une fonction de la variable de surface de glissement \(s_k\) déterminée à l'aide d'un algorithme flou adaptatif. Une analyse plus approfondie de la précision de l'estimation sera abordée dans la sous-section suivante.

Résultats expérimentaux pour le suivi de trajectoires sinusoïdales avec une charge ajoutée de 5 kg.

Outre l'utilisation de trajectoires sinusoïdales, les performances de suivi des contrôleurs AFSMC et SMC sont également évaluées à l'aide d'une trajectoire de référence sinusoïdale mixte telle que décrite par l'équation suivante : \(\theta (t)=20\sin {2\pi f} + 12,8\sin {\pi f}\). La fréquence de base f du signal de référence varie de 0,1 à 0,8 Hz dans cette expérience.

Le premier scénario implique le système déchargé et les performances de suivi des deux contrôleurs sont illustrées à la Fig. 7. Avec une trajectoire de référence de 0,1 Hz, l'erreur maximale en régime permanent pour SMC est d'environ 4,5\(^\circ \), tandis que l'AFSMC est beaucoup plus faible à environ 2,0\(^\circ \). Avec une trajectoire de référence de 0,5 Hz, l'erreur maximale en régime permanent pour le SMC et l'AFSMC est d'environ 9,8\(^\circ \) et 4,1\(^\circ \), respectivement. De plus, les performances de suivi de l'AFSMC restent efficaces avec une trajectoire de référence de 0,8 Hz. Notamment, l'AFSMC présente un suivi orbital avec une erreur maximale d'environ 6,5\(^\circ \), tandis que la valeur de SMC est d'environ 10,5\(^\circ \). Cela confirme que SMC est moins capable de s'adapter aux orbitales à haute fréquence, en particulier avec des trajectoires complexes. D'autre part, l'AFSMC continue de bien fonctionner lors du suivi de trajectoires compliquées telles que des signaux sinusoïdaux mixtes. Cette expérience démontre en outre l'efficacité de l'algorithme flou adaptatif pour compenser le bruit systématique du modèle non linéaire, c'est-à-dire le système musculaire artificiel.

Résultats expérimentaux pour le suivi d'une trajectoire sinusoïdale mixte sans charge.

Dans le scénario de système chargé, les contrôleurs SMC et AFSMC subissent une diminution des performances. Cependant, le contrôleur AFSMC démontre des performances supérieures en raison de sa capacité à s'adapter aux perturbations du système. Avec une trajectoire de référence de 0,8 Hz, les valeurs maximales d'erreur en régime permanent pour le SMC et l'AFSMC étaient d'environ 15,0\(^\circ \) et 8,0\(^\circ \), respectivement. La qualité de contrôle des contrôleurs SMC et AFSMC est illustrée à la Fig. 8, tandis que les RMSE pour les deux contrôleurs dans les scénarios de test chargés et déchargés sont résumés dans le Tableau 4.

Résultats expérimentaux pour le suivi d'une trajectoire sinusoïdale mixte avec une charge (m = 5 kg).

L'un des principaux avantages de l'approche de contrôle proposée est sa capacité à s'adapter efficacement aux perturbations externes. Pour le démontrer, le système a d'abord été utilisé pour suivre un signal sinusoïdal mixte avec une fréquence de base de \(f=0,5\) Hz sans aucune charge jusqu'à atteindre un état stable. Ensuite, une charge a été soudainement ajoutée au système et les données ont été collectées pendant un total de 45 s pour une analyse plus approfondie. Les résultats ont montré que les PAM contrôlés par l'AFSMC avaient une meilleure adaptation au moment du déplacement de la charge par rapport au SMC.

La figure 9 illustre la différence entre les contrôleurs AFSMC et SMC lorsqu'une charge est soudainement ajoutée au système. Le temps depuis le démarrage du système lorsque la charge est ajoutée est d'environ 23 s et 30 s pour les contrôleurs AFSMC et SMC, respectivement. Les deux contrôleurs présentent de légères fluctuations dans leurs trajectoires. Cependant, l'AFSMC revient rapidement pour suivre la valeur souhaitée en manipulant sa sortie de contrôle. Ceci est dû à l'estimation de la composante de perturbation \(p_k\) à l'aide de l'algorithme flou adaptatif avec adaptation immédiate. En revanche, le SMC ne peut pas estimer précisément \(p_k\) comme le fait l'AFSMC. En conséquence, la sortie de contrôle du SMC change légèrement et ne peut pas revenir pour suivre la trajectoire souhaitée.

L'étude de l'estimation des perturbations lorsque la charge est soudainement ajoutée.

Ce travail propose une approche de contrôle adaptatif en mode glissant flou pour le système basé sur PAM afin d'améliorer les performances de suivi en estimant et en compensant les perturbations externes. La composante de perturbation \(p_k\) est estimée à l'aide de l'algorithme flou de Takagi-Sugeno, et les valeurs de la variable de sortie \({\hat{D}}\) sont mises à jour automatiquement par une loi adaptative. Le contrôleur AFSMC proposé est évalué par des expériences avec des entrées de signal sinusoïdal allant de 0,1 à 1,0 Hz. Les résultats montrent une précision de suivi améliorée par rapport à l'approche traditionnelle de contrôle en mode glissant. Par exemple, la valeur RMSE avec une charge à 0,5 Hz est de 2,68\(^\circ \) pour l'AFSMC et de 4,21\(^\circ \) pour le SMC. De plus, lorsqu'une charge est soudainement ajoutée au système, le contrôleur AFSMC démontre une meilleure adaptabilité que l'approche SMC. Le contrôleur AFSMC revient rapidement pour suivre la valeur souhaitée en manipulant sa sortie de contrôle, tandis que le SMC ne peut pas atteindre une estimation très précise de \(p_k\) et sa sortie de contrôle change légèrement, ce qui entraîne une incapacité à revenir à la trajectoire souhaitée. Les résultats expérimentaux démontrent que l'approche AFSMC proposée s'adapte mieux aux perturbations externes que l'approche SMC traditionnelle. Cependant, l'approche proposée de l'AFSMC montre des faiblesses dans la période de transition, où le broutage peut se produire lorsque \({\hat{p}} _k\) approche \({\hat{p}} _k^*\). D'autres études sont nécessaires pour résoudre ce problème et améliorer la qualité du contrôleur AFSMC.

Les ensembles de données utilisés et/ou analysés au cours de l'étude actuelle sont disponibles auprès de l'auteur correspondant sur demande raisonnable.

Daerden, F. & Lefeber, D. Muscles artificiels pneumatiques : actionneurs pour la robotique et l'automatisation. EUR. J. Mech. Environ. Ing. 47, 11-21 (2002).

Google Scholar

Chou, C.-P. & Hannaford, B. Mesure et modélisation des muscles artificiels pneumatiques mckibben. IEEE Trans. Robot. Automat. 12, 90–102. https://doi.org/10.1109/70.481753 (1996).

Article Google Scholar

Sekine, M., Shiota, K., Kita, K., Namiki, A. & Yu, W. Une prothèse d'épaule légère avec un actionnement hybride antagoniste absorbant les chocs pour les activités bimanuelles de la vie quotidienne. Adv. Méca. Eng.https://doi.org/10.1177/1687814016645982 (2016).

Article Google Scholar

Aun, KK & Anh, HPH Modélisation du système d'identification et de contrôle du manipulateur de muscle artificiel pneumatique à deux liaisons optimisé avec des algorithmes génétiques. en 2007 Conférence internationale IEEE sur le contrôle et l'automatisation. https://doi.org/10.1109/ICCA.2007.4376407(2007).

Chiang, C.-J. & Chen, Y.-C. Contrôle en mode glissant flou des réseaux de neurones des actionneurs musculaires pneumatiques. Ing. Appl. Artef. Renseignement. 65, 68–86. https://doi.org/10.1016/j.engappai.2017.06.021 (2017).

Article MathSciNet Google Scholar

Walker, I. Robots manipulateurs "continuum" à colonne vertébrale continue. ISRN Robot.https://doi.org/10.5402/2013/726506 (2013).

Annonces d'article Google Scholar

Choi, T. & Lee, J.-J. Commande du manipulateur par muscles pneumatiques pour plus de sécurité. IEEE Trans. Ind. Électron. 57, 2815–2825. https://doi.org/10.1109/TIE.2009.2036632 (2010).

Article Google Scholar

Kim, G., Kang, S. & Cho, H. Modélisation et simulation d'une orthèse de hanche motorisée par des actionneurs pneumatiques. Int. J. Contrôle Autom. Syst. 8, 59–66. https://doi.org/10.1007/s12555-010-0108-9 (2010).

Article Google Scholar

Sawicki, GS & Ferris, DP Une orthèse genou-cheville-pied à commande pneumatique (kafo) avec activation et inhibition myoélectriques. J. NeuroEng. Rehabilit.https://doi.org/10.1177/1687814016645982 (2009).

Article Google Scholar

Banala, S., Kim, SH, Agrawal, S. & Scholz, J. Entraînement à la marche assisté par robot avec exosquelette de jambe actif (alex). IEEE Trans. Système neuronal. Réhabilit. Ing. 17, 2–8. https://doi.org/10.1109/TNSRE.2008.2008280 (2009).

Article Google Scholar

Beil, P. et al. Guidage sûr et conforme par un exosquelette de genou motorisé pour la rééducation de la marche assistée par robot. Adv. Robot. 25 , 513–535 . https://doi.org/10.1163/016918611X558225 (2011).

Article Google Scholar

Hussain, S., Xie, SQ & Jamwal, PK Contrôle d'une orthèse robotique pour la rééducation de la marche. Robot. Système autonome 61, 911–919. https://doi.org/10.1016/j.robot.2013.01.007 (2013).

Article Google Scholar

Thinh, D. & Yamamoto, S.-I. Commande assistée au besoin d'une orthèse robotique actionnée par un muscle artificiel pneumatique pour la rééducation de la marche. Appl. Sci. 8, 499. https://doi.org/10.3390/app8040499 (2018).

Article Google Scholar

Kim, D., Hong, YP & Kim, KS Algorithme de marche bipède et de réduction d'impact pour un robot à genoux pneumatiques. Int. J. Contrôle Autom. Syst. 19, 3937–3946. https://doi.org/10.1007/s12555-020-0613-4 (2021).

Article Google Scholar

Liu, Y., Zang, X., Liu, X. & Wang, L. Conception d'un robot bipède actionné par des muscles artificiels pneumatiques. Biomédical. Mater. Ing. 26, S757–S766. https://doi.org/10.3233/BME-151367 (2015).

Article PubMed Google Scholar

Riener, R. et al. Stratégies coopératives des patients pour l'entraînement sur tapis roulant assisté par robot : premiers résultats expérimentaux. IEEE Trans. Système neuronal. Réhabilit. Ing. 13, 380–94. https://doi.org/10.1109/TNSRE.2005.848628 (2005).

Article Google Scholar

Andrikopoulos, G., Nikolakopoulos, G. & Manesis, S. Contrôle non linéaire des muscles artificiels pneumatiques. à la 21e Conférence méditerranéenne sur le contrôle et l'automatisation. https://doi.org/10.1109/MED.2013.6608804 (2013).

Ahn, KK & Thanh, T. Contrôle pid non linéaire pour améliorer les performances de contrôle du manipulateur de muscle artificiel pneumatique utilisant un réseau de neurones. J. Mech. Sci. Technol. 19, 106-115. https://doi.org/10.1007/BF02916109 (2005).

Article Google Scholar

Zhong, J., Fan, J., Zhu, Y., Zhao, J. & Zhai, W. Un contrôle pid non linéaire pour améliorer les performances de contrôle d'un manipulateur actionné par un actionneur musculaire pneumatique. Adv. Méca. Ing. 6, 172782. https://doi.org/10.1155/2014/172782 (2014).

Article Google Scholar

Takosoglu, J. Système de contrôle de position angulaire des muscles artificiels pneumatiques. Ouvrir Eng. 10, 681–687. https://doi.org/10.1515/eng-2020-0077 (2020).

Article Google Scholar

Zhang, D., Zhao, X. & Han, J. Contrôle basé sur un modèle actif pour le muscle artificiel pneumatique. IEEE Trans. Ind. Électron. 64, 1686–1695. https://doi.org/10.1109/TIE.2016.2606080 (2017).

Article Google Scholar

Dao, QT, Mai, D.-H. & Nguyen, D.-K. Validation expérimentale pour les muscles artificiels pneumatiques utilisant le contrôle pid flou. Mes. Automate de contrôle. 2, 58–64 (2021).

Google Scholar

Nuchkrua, T. & Leephakpreeda, T. Contrôle pid à réglage automatique flou de l'actionneur musculaire artificiel pneumatique à hydrogène. J. Bionic Eng. 10, 329–340. https://doi.org/10.1016/S1672-6529(13)60228-0 (2013).

Article Google Scholar

Robinson, RM, Kothera, CS & Wereley, NM Contrôle d'un manipulateur robotique de levage lourd avec des muscles artificiels pneumatiques. Actionneurs 3, 41–65. https://doi.org/10.3390/act3020041 (2014).

Article Google Scholar

Wang, H. & Lu, J. Recherche sur le contrôle pid flou d'ordre fractionnaire du système d'entraînement de rééducation pneumatique-hydraulique des membres supérieurs basé sur pso. Int. J. Contrôle Autom. Syst. 20, 310–320. https://doi.org/10.1007/s12555-020-0847-1 (2022).

Article CAS Google Scholar

Xing, K. et al. Contrôle de suivi d'actionneurs musculaires artificiels pneumatiques basé sur le mode de glissement et l'observateur de perturbations non linéaires. Théorie du contrôle Appl. IET 4, 2058–2070. https://doi.org/10.1049/iet-cta.2009.0555 (2010).

Article MathSciNet Google Scholar

Lilly, J. & Quesada, P. Un contrôleur à mode coulissant à deux entrées pour un bras planaire actionné par quatre groupes musculaires pneumatiques. IEEE Trans. Système neuronal. Réhabilit. Ing. 12, 349–359. https://doi.org/10.1109/TNSRE.2004.831490 (2004).

Article Google Scholar

Thinh, D., Nguyen, L. & Yamamoto, S.-I. Commande en mode glissant intégral d'ordre fractionnaire à temps discret d'un actionneur antagoniste entraîné par des muscles artificiels pneumatiques. Appl. Sci. 9, 2503. https://doi.org/10.3390/app9122503 (2019).

Article Google Scholar

Dao, QT, Le Tri, TK, Nguyen, VA & Nguyen, ML Commande en mode glissant à temps discret avec loi d'atteinte exponentielle du taux de puissance d'un système musculaire artificiel pneumatique. Théorie du contrôle Technol. 20, 514-524. https://doi.org/10.1007/s11768-022-00117-8 (2022).

Article Google Scholar

Wu, J., Huang, J., Wang, Y. et Xing, K. Contrôle de surface dynamique basé sur un observateur de perturbation non linéaire pour le suivi de trajectoire du système musculaire pneumatique. IEEE Trans. Système de contrôle Technol. 22, 440–455. https://doi.org/10.1109/TCST.2013.2262074 (2014).

Article Google Scholar

Sun, N. et al. Contrôle adaptatif pour systèmes musculaires artificiels pneumatiques avec incertitudes paramétriques et contraintes d'entrée unidirectionnelles. IEEE Trans. Ind. Inform. 16, 969–979. https://doi.org/10.1109/TII.2019.2923715 (2020).

Article Google Scholar

Qian, K., Li, Z., Chakrabarty, S., Zhang, Z. & Xie, SQ Contrôle d'apprentissage itératif robuste pour le muscle pneumatique avec incertitudes et contraintes d'état. IEEE Trans. Ind. Électron. 70, 1802–1810. https://doi.org/10.1109/TIE.2022.3159970 (2023).

Annonces d'article Google Scholar

Rezoug, A., Hamerlain, F. & Hamerlain, M. Application du mode de glissement flou au contrôle d'un robot manipulateur actionné par des muscles artificiels pneumatiques. Actes de l'IFAC Volumes 42, 580–585. https://doi.org/10.3182/20090921-3-TR-3005.00099 (2009). 2e conférence IFAC sur les systèmes de contrôle intelligents et le traitement du signal.

Xiuze, X. & Long, C. Modèle flou adaptatif takagi-sugeno et modèle de contrôle prédictif des muscles artificiels pneumatiques. Sci. Chine Technol. Sci.https://doi.org/10.1007/s11431-021-1887-6 (2021).

Article Google Scholar

Liang, D., Sun, N., Wu, Y., Liu, G. & Fang, Y. Contrôle du mode de glissement flou pour les robots à bras humanoïdes actionnés par des muscles artificiels pneumatiques avec des entrées unidirectionnelles, des saturations et des zones mortes. IEEE Trans. Ind. Inform. 18, 3011–3021. https://doi.org/10.1109/TII.2021.3111655 (2022).

Article Google Scholar

Ba, DX, Dinh, TQ & Ahn, KK Une méthode de contrôle non linéaire intelligente intégrée pour un muscle artificiel pneumatique. IEEE/ASME Trans. Mécatron. 21, 1835–1845. https://doi.org/10.1109/TMECH.2016.2558292 (2016).

Article Google Scholar

Liu, G., Sun, N., Yang, T. & Fang, Y. Contrôle de mouvement de performance prescrit basé sur l'apprentissage par renforcement des bras robotiques actionnés par les muscles pneumatiques avec des bruits de mesure. IEEE Trans. Syst. Homme Cybernet. Syst. 53, 1801–1812. https://doi.org/10.1109/TSMC.2022.3207575 (2023).

Article Google Scholar

Dao, QT, Mai, DH, Nguyen, DK & Ly, NT Contrôle du mode de glissement intégral des paramètres adaptatifs des muscles artificiels pneumatiques en configuration antagoniste. J. Contrôle Automat. Électr. Syst.https://doi.org/10.1007/s40313-022-00902-5 (2022).

Article Google Scholar

Reynolds, D., Repperger, D., Phillips, C. & Bandry, G. Modélisation des caractéristiques dynamiques du muscle pneumatique. Anne. Biomédical. Ing. 31, 310–317. https://doi.org/10.1114/1.1554921 (2003).

Article CAS PubMed Google Scholar

Winter, DA Biomécanique et contrôle moteur du mouvement humain 4e éd. (Wiley, 2009).

Réserver Google Scholar

Télécharger les références

Cette recherche est financée par l'Université des sciences et technologies de Hanoï (HUST) sous le numéro de projet T2022-PC-002.

Ces auteurs ont contribué à parts égales : Quy-Thinh Dao et Minh-Duc Duong.

Université des sciences et technologies de Hanoï, Hanoï, 11615, Vietnam

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

Institut de technologie Shibaura, Saitama, 337-8570, Japon

Ngoc-Tam BUI

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

Q.-TD a conçu la méthodologie et conçu l'expérience, T.-CV et Q.-TP ont réalisé les expériences, N.-TB et M.-DD ont analysé les résultats et rédigé le manuscrit original. Tous les auteurs ont examiné le manuscrit.

Correspondance à Quy-Thinh Dao.

Les auteurs ne déclarent aucun intérêt concurrent.

Springer Nature reste neutre en ce qui concerne les revendications juridictionnelles dans les cartes publiées et les affiliations institutionnelles.

Libre accès Cet article est sous licence Creative Commons Attribution 4.0 International, qui permet l'utilisation, le partage, l'adaptation, la distribution et la reproduction sur tout support ou format, à condition que vous accordiez le crédit approprié à l'auteur ou aux auteurs originaux et à la source, fournissez un lien vers la licence Creative Commons et indiquez si des modifications ont été apportées. Les images ou tout autre matériel de tiers dans cet article sont inclus dans la licence Creative Commons de l'article, sauf indication contraire dans une ligne de crédit au matériel. Si le matériel n'est pas inclus dans la licence Creative Commons de l'article et que votre utilisation prévue n'est pas autorisée par la réglementation légale ou dépasse l'utilisation autorisée, vous devrez obtenir l'autorisation directement du détenteur des droits d'auteur. Pour voir une copie de cette licence, visitez http://creativecommons.org/licenses/by/4.0/.

Réimpressions et autorisations

Duong, MD., Pham, QT., Vu, TC. et coll. Commande adaptative en mode glissant flou d'un actionneur alimenté par deux muscles artificiels pneumatiques opposés. Sci Rep 13, 8242 (2023). https://doi.org/10.1038/s41598-023-34491-3

Télécharger la citation

Reçu : 30 décembre 2022

Accepté : 02 mai 2023

Publié: 22 mai 2023

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

Toute personne avec qui vous partagez le lien suivant pourra lire ce contenu :

Désolé, aucun lien partageable n'est actuellement disponible pour cet article.

Fourni par l'initiative de partage de contenu Springer Nature SharedIt

En soumettant un commentaire, vous acceptez de respecter nos conditions d'utilisation et nos directives communautaires. Si vous trouvez quelque chose d'abusif ou qui ne respecte pas nos conditions ou directives, veuillez le signaler comme inapproprié.