fa طراحی یک کنترل‌کننده ردیاب فیدبک خروجی برای بازوهای متحرک با استفاده از یک تکنیک مقاومِ تطبیقیِ عصبی تخصصي Special پژوهشي Research paper <p dir="RTL"><span style="font-family:b zar;"><span style="font-size:10.0pt;">در</span></span> <span style="font-family:b zar;"><span style="font-size:10.0pt;">این</span></span> <span style="font-family:b zar;"><span style="font-size:10.0pt;">مقاله</span></span><span style="font-family:b zar;"><span style="font-size:10.0pt;">، کنترل ردیابی </span></span><span style="font-family:b zar;"><span style="font-size:10.0pt;">یک بازوی </span></span><span style="font-family:b zar;"><span style="font-size:10.0pt;">ربات</span></span><span style="font-family:b zar;"><span style="font-size:10.0pt;"> متصل بر روی یک پایه متحرک چرخ‌دار مورد توجه قرار می‌گیرد. یک الگوریتم</span></span> <span style="font-family:b zar;"><span style="font-size:10.0pt;">کنترلی</span></span> <span style="font-family:b zar;"><span style="font-size:10.0pt;">غیرخطی مقاوم تطبیقی عصبی به منظور کنترل ردیاب فیدبک خروجی برای یک بازوی متحرک چرخ‌دار بدون اندازه‌گیری سرعت سیستم برای مقابله با دینامیک‌های مدل نشده سیستم، نامعینی‌های </span></span><span style="font-family:b zar;"><span style="font-size:10.0pt;">پارامتری</span></span><span style="font-family:b zar;"><span style="font-size:10.0pt;"> و غیرپارامتری و اغتشاشات خارجی، پیشنهاد </span></span><span style="font-family:b zar;"><span style="font-size:10.0pt;">شده است</span></span><span style="font-family:b zar;"><span style="font-size:10.0pt;">. یک تحلیل پایداری مبتنی بر لیاپانوف نشان می‌دهد که </span></span><span style="font-family:b zar;"><span style="font-size:10.0pt;">خطاهای ردیابی و رؤیت حالت </span></span><span style="font-family:b zar;"><span style="font-size:10.0pt;">نهایتاً به طور یکنواخت کران‌دار هستند و به توپ کوچکی شامل مبدأ همگرا می‌شوند. یک شبکه عصبی مبتنی بر توابع پایه شعاعی برای جبران نامعینی‌های ناشی از دینامیک‌های بازوی متحرک به کار گرفته شده است. </span></span><span style="font-family:b zar;"><span style="font-size:10.0pt;">نامعینی‌های غیر پارامتری و خطای تقریب شبکه عصبی نیز با یک کنترل کننده مقاوم تطبیقی جبران شده اند. علاوه بر این، تابع تانژانت هایپربولیک در طراحی کنترل کننده فیدبک خروجی به کار گرفته شده است تا خطر اشباع عملگرها را کاهش دهد و سیگنال‌های کنترلی هموارتری تولید کند. در نهایت، نتایج شبیه سازی تأثیر </span></span><span style="font-family:b zar;"><span style="font-size:10.0pt;">الگوریتم پیشنهادی در</span></span> <span style="font-family:b zar;"><span style="font-size:10.0pt;">این</span></span> <span style="font-family:b zar;"><span style="font-size:10.0pt;">مقاله</span></span> <span style="font-family:b zar;"><span style="font-size:10.0pt;">را</span></span><span style="font-family:b zar;"><span style="font-size:10.0pt;"> به خوبی نشان می‌دهند.</span></span><span style="font-family:b zar;"><span style="font-size:10.0pt;"></span></span></p> <p>In this paper, the tracking control of a robotic arm mounted on a wheeled mobile platform is considered. A nonlinear neural adaptive robust control algorithm is proposed for the output feedback tracking control of a wheeled mobile manipulator without measuring system velocities to deal with the unmodeled system dynamics, parametric uncertainties and external disturbances. A Lyapunov-based stability analysis shows that tracking and observation errors are Uniformly Ultimately Bounded (UUB) and converge to a small ball containing the origin. A Radial Basis Function Neural Network (RBFNN) is employed to compensate for the uncertainties of mobile manipulator dynamics. Nonparametric uncertainties and NN approximation errors are also compensated by an adaptive robust controller. In addition, hyperbolic tangent function is employed in the design of the output feedback controller to reduce the risk of actuators saturation and to produce smoother control signals. Finally, simulation results demonstrate the effectiveness of the proposed controller well.</p> اشباع عملگر, بازوهای متحرک,کنترل غیرخطی مقاوم تطبیقی, شبکه عصبی تابع پایه شعاعی. Actuator saturation, Mobile manipulators, Nonlinear adaptive robust control, Radial basis function neural network. 27 39 http://joc.kntu.ac.ir/browse.php?a_code=A-10-532-2&slc_lang=fa&sid=1 Nooshin Poorvaez نوشین پور واعظ n.poorvaez@sel.iaun.ac.ir 10031947532846005397 10031947532846005397 No Department of Electrical Engineering, Najafabad Branch, Islamic Azad University, Najafabad, Iran دانشکده مهندسی برق، واحد نجف آباد، دانشگاه آزاد اسلامی، نجف آباد، ایران Khoshnam Shojaei خوشنام شجاعی shojaei@pel.iaun.ac.ir 10031947532846005398 10031947532846005398 Yes Department of Electrical Engineering, Najafabad Branch, Islamic Azad University, Najafabad, Iran دانشکده مهندسی برق، واحد نجف آباد، دانشگاه آزاد اسلامی، نجف آباد، ایران