Адаптивное управление робототехническими системами с использованием нейронных сетей и скользащих режимов тема диссертации и автореферата по ВАК РФ 05.02.05, кандидат наук Забихифар Сейедхассан

• Забихифар Сейедхассан
• кандидат наук
• 2018

Оглавление диссертации кандидат наук Забихифар Сейедхассан

Введение

Глава 1.Обзор методов адаптивного управления, основанных на скользящих режимов, нечеткой логики и нейронных сетей

1.1. Нелинейные методы

1.2. Обзор работ в области управления с использованием нечеткой логики

и нейронных сетей

1.3. Применение скользящих режимов

1.4. Применение адаптивных нейронных сетей

1.5. Подходы к оптимизации

1.6. Применение методов, основанных на решении обратной задачи динамики

1.7. Применение комбинированных методов на основе адаптивной нейронной сети

1.8. Гибридная система для управления манипулятором с контролем сил

и положения

1.9. Рекуррентные нейронные сети

1.10. Выводы по первой главе

Глава 2.Разработка адаптивного способа управления манипуляционными роботами. Метод А№Ы8С

2.1. Нейронно -сетевые топологии

2.1.1. Математическая модель нейрона

2.1.2. Аппроксимация функций

2.1.3. Нейроуправление

2.2. Робот манипулятор

2.2.1. Кинематика робота манипулятора

2.2.2. Динамика робот манипулятора

2.2.3. Постановка задачи

Стр.

2.2.4. Структура регулятора ANN, используемого для управления роботом манипулятором

2.2.5. Динамические ошибки системы

2.2.6. Правило настройки весов НС для движения по траектории

2.2.7. Новая функция активации

2.2.8. Разработка управления с двойной адаптивной нейронной сетью

2.3. Пример реализации управления двухзвенным роботом манипулятором

2.3.1. Кинематика и динамика

2.3.2. Результаты моделирования

2.3.3. Сравнение

2.3.4. LSTM сеть

2.3.5. Результаты применение LSTM для управления роботом

2.3.6. Результаты эксперимента

2.4. Выводы по второй главе

Глава 3.Применение метода ANNSMС для управления робототехническими системами

3.1. Управление вращением перевернутого маятника

3.1.1. Динамика механической системы

3.1.2. Постановка задачи

3.1.3. Структура контроллера

3.1.4. Динамика изменения ошибки системы

3.1.5. Экспериментальное исследование

3.2. Гибридное управление роботом с параллельной кинематикой

3.2.1. Кинематика робота Дельта

3.2.2. Динамика робота Дельта

3.2.3. Постановка задачи

3.2.4. Разработка адаптивной системы управления с помощью нейронной сети

3.2.5. Гибридное управление силой и положением

Стр.

3.3. Управление квадрокоптером

3.3.1. Динамика квадрокоптера

3.3.2. Постановка задачи

3.3.3. Синтез регулятора

3.3.4. Экспериментальное исследование

3.4. Выводы по третьей главе

Основные результаты и заключение

Список Литературы

СПИСОК СОКРАЩЕНИЙ И УСЛОВНЫХ ОБОЗНАЧЕНИЙ

НС - Нейро сети

АНС - Адаптивная нейронная сеть

NN - Neural network

ANN - Adaptive neural network

SMC - Sliding mode control

FNN - Feedforward neural network

RNN - Recurrent neural network

SHL - Single hidden layer

MIMO - Multi input multi output

LTI - Linear time invarient

ISMC - Integral sliding mode control

PSO - Particle swarm optimization

BA - Bat Algorithm

BP - Back-Propagation

RBF - Radial basis function

REMUS - Remote environmental monitoring units

DLA - Deep Learning Algorithm

ERL - Exponential Reaching Law

AFSM - Adaptive fuzzy sliding mode

LSTM - Long Short Term Memory

ANNSMC - Adaptive neural network sliding mode control

Введение диссертации (часть автореферата) на тему «Адаптивное управление робототехническими системами с использованием нейронных сетей и скользащих режимов»

Введение Актуальность темы исследования

При решении ряда сложных манипуляционных задач целесообразно принимать во внимание нелинейную динамику объекта управления. К таким задачам, в частности, можно отнести управление крупными манипуляторами космического базирования, а также наземными манипуляционными системами, применяемыми в строительстве, при ликвидации последствий аварий и катастроф. Для подобных манипуляционных систем задача управления усложняется за счет того, что динамики управляемой конструкции весьма сложна и, в большинстве случаев, не может быть полностью математически описана. В связи с этим не всегда могут быть применены методы, основанные на решении обратной задачи динамики. Применение PID- контроллеров, которые широко используются в большинстве промышленных приложений, также не позволяет принять во внимание особенности динамики движения таких систем. Также возникают проблемы с обеспечением устойчивости, в том числе, при действии внешних факторов, которые заранее не известны. Новое направление в данной области связано с применением нейронных сетей, которые способны оценить динамику системы в режиме реального времени. С другой стороны, применение скользящих режимов в системах управления обеспечивает независимость процесса управления, как от внешних воздействий, так и от параметрических возмущений. Объединение этих методов позволяет создать систему, которая может устранить некоторые недостатки каждого метода.

В данной диссертации разработан метод управления, основан на адаптивном алгоритме настройки нейронной сети. Предлагаемый метод позволяет управлять системой без априорной информации о структуре и параметрах динамической модели управляемого объекта. Для определения коэффициентов нейросетевого регулятора применяются адаптивные алгоритмы, позволяющие проводить его

настройку в режиме нормального функционирования системы. С помощью метода Ляпунова получены условия устойчивости такой системы управления. Эффективность предложенного способа управления, подтверждается результатами моделирования системы управления в среде MATLAB, а также экспериментальными исследованиями робототехнических систем.

Цель и задачи работы

Целью диссертационной работы является разработка интеллектуальной системы управления с использованием адаптивной искусственной нейронной сети для широкого класса роботов. Для манипуляционных систем управление усложняется за счет сложной и нелинейной динамики конструкции, которая, может быть не полностью описана. Преимущество применения адаптивной нейронной сети для таких задач состоит в том, что правила управления не зависят от математической модели объекта. Другим преимуществом такого способа управления является возможность управления не полностью активироваными системами (underactuated systems), в которых число активных элементов меньше числа степеней подвижности . Для достижения поставленной цели в работе были поставлены и решены следующие задачи:

- Разработан алгоритм управления на базе адаптивной нейронной сети для управления роботами различного типа.

- Проведено моделирование робототехнических систем с целью обоснования предложенного способа управления

- Разработан способ управления не полностью активироваными робототехническими системами

- Разработан алгоритм гибридного управления положением и силами, развиваемыми манипулятором в процессе выполнения рабочей операции.

- Выполнены экспериментальные исследования реальных робототехнических системх, показавшие эффективность предложенных методов.

Методы исследования

При выполнении работы были исползованы методы теории искусственных нейронных сетей, адаптивного управления, теории автоматического управления и системного анализа.

Научная новизна работы заключается в следующем:

1. Разработан метод управления сложным динамическим объектом с использованием адаптивной нейронной сети и скользящих режимов. Система адаптивного управления позволяет эффективно управлять РТС без априорного знания математической модели динамики объекта управления, а также обеспечивает инвариантность процесса управления по отношению к внешним воздействиям.

2. Предложенная система обладает свойством он-лайн обучения в процессе работы системы и не требует априорной информации о математической модели объекта управления

3. Показано, что предлагаемый метод может быть использован как для управления манипуляционными роботами, так и для управления другими типами робототехнических систем, включая механические системы с не полностью активированными степенями подвижности, манипуляторы с управлением рабочим инструментом как по силе, так и по положению, БПЛА

4. Предложен подход компенсации высокочастотных колебаний управляющего сигнала в окрестности поверхности скольжения, основанный на применении двойной нейронной сети. В том числе, предложена новая функция активации, позволяющая повысить эффективность управления

Практическая ценность работы

состоит в том, что предложенный способ управления позволяет эффективно управлять сложными механическими системами, динамика которых описана не полностью. В том числе, при наличии переменных нагрузок и возмущений, неизвестных заранее. Метод позволяет также реализовать интегрированную систему управления манипуляционными роботами как по положению, так и по усилиям.

На защиту выносятся

1. Метод управления с использованием адаптивной нейронной сети

2. Математическая модель манипуляционного робота,управляемого с применением адаптивной нейронной сети.

3. Гибридное управление манипулятором по силе и по положению

4. Резултаты моделирования роботоотехнических систем и результаты эксперименталных исследований.

Апробация работы

Основные результаты работы докладывались и получили положительную оценку на ряде научно-технических конференций, в том числе:

На Международных научно-технических конференциях «Экстремальная робототехника» (Санкт-Петербург, 2014, 2015, 2016, 2017, 2018).

Научных конференциях Иранских студентов, молодых ученых и аспирантов. (Москва 2015, Екатеринбург 2017)

Принят доклад на международной конференции: The 3rd International Conference on interactive collaborative robotics, ICR September, 2018). (Leipzig - Germany)

Публикации. Результаты диссертационной работы отражены в 8 научных статьях ([1]-[8]), среди которых 4 публикациях ([1], [3], [4], [7]), в изданиях из перечня ВАК РФ.

Структура и объем работы диссертации. Диссертационная работа состоит из введения, трех глав, заключения, списка использованной литературы. Работа составляет 143 печатных страницы, 77 рисунков, 4 таблицы. Список использованной литературы включает 92 наименований.

В первой главе рассмотрены нпучные работы, которые были ранее сделаны в этой области, и составлен критический обзор развития нелинейных методов в области управления роботами и нелинейных систем. В первую очередь, тех методов, в которых для упраления техническими объектами применялись искусственные нейрнные сети и скользящие режимы.

Вторая глава посвящена разработке способов управления

робототехнических систем с применением адаптивной нейронной сети и скользящих режимов (Adaptive Neural Network Sliding Controller - ANNSC). Способ адаптивного нейронного сетевого управления разработан в общем случае для систем типа MIMO. Была введена новая функция активации для повышения эффективности управления. Предложенная схема управления была исследована и оптимизирована для манипуляционного робота типа SCARA Предложен новый алгоритм двойной искусственной нейронной сети типа ANNSC с новой функцией активации, позволяющий устранить дребезг («чаттер») и улучшить процесс управления рабочим инструментом манипулятора по положению без использования предварительной информации о параметрах робота.

В третьей главе, для того, чтобы продемонстрировать возможности разработанного способа управления, были рассмотрены примеры его применения для различных роботов. Предложен новый гибридный позиционно-силовой регулятор с использованием адаптивной нейронной сети для управления движением робота-манипулятора. Показано, что предлагаемый метод может быть использован как для управления манипуляционными роботами, так и для управления другими типами робототехнических систем, включая механические системы с не полностью активированными степенями подвижности, манипуляторы с управлением рабочим инструментом как по силе,

так и по положению и БПЛА.

В заключении подведены итоги диссертационного исследования, изложены его основные выводы и обобщающие результаты.

Глава 1. Обзор методов адаптивного управления, основанных на скользящих режимов, нечеткой логики и нейронных сетей

В этом разделе мы рассмотрим некоторые из наиболее часто используемых методов нелинейного управления, а также научные работы в области мягких вычислений, чтобы составить обзор современного состояния нелинейных методов, которые применялись в области управления робототехническими системами.

1.1. Нелинейные методы

Учитывая, что рассматриваемые в данной работе системы существенно нелинейны, рассмотрим вначале общие подходы к исследованию таких систем. Теория нелинейного управления охватывает широкий класс систем, не подчиняющихся принципу суперпозиции. Заметим, что все реальные системы управления нелинейны. Эти системы описываются нелинейными дифференциальными или разностными уравнениями. Математические методы, разработанные для их обработки, более строгие и гораздо менее общие, часто применяемые только к узким категориям систем.

Backstepping control - популярный метод управления нелинейными системами, представленными в так называемой строгой форме обратной связи, например, в системах с пониженным напряжением. Например, некоторые примеры тестов для робототехники, такие как Acrobot, Rotating Pendulum и Cart-Pole, определены в форме с строгой обратной связью.

Backstepping - метод, разработанный около 1990 года Петраком, Кокотовичем и другими для проектирования стабилизирующих элементов управления для специального класса нелинейных динамических систем, обладающих рекурсивной структурой математического описания. Из-за этой рекурсивной структуры инженер может начать процесс проектирования в известной стабильной системе и «отменить» новые контроллеры, которые

постепенно стабилизируют каждую внешнюю подсистему. Процесс завершается, когда достигается конечное внешнее управление. [9].

Преимущество этого подхода состоит в том, что его можно применять рекурсивно с точки зрения расширения размерности системы. Недостатками являются трудности в поиске функции Ляпунова, и все переменные состояния должны быть измеримыми. Также необходим нелинейный наблюдатель, если не все переменные состояния измеримы. Он также чувствителен к изменению параметров.

Другой подход к управлению нелинейной системой заключается в том, что сначала нелинейная система линеаризуется, а линеаризованная система компенсируется с помощью известных методов теории линейного управления.

Функцию Ляпунова можно использовать для синтеза нелинейных систем управления. Сначала для системы замкнутого цикла должна быть найдена функция Ляпунова V, а затем разработан закон управления, который делает производную V отрицательной для требуемой области притяжения (для всех возможных начальных условий, возмущений и других неопределенностей).

Теория устойчивости Ляпунова является стандартным инструментом и одним из важнейших инструментов анализа нелинейных систем. Он может быть распространен сравнительно легко на неавтономные системы и способен обеспечить стратегию построения стабилизирующих контроллеров обратной связи. В исследованиях устойчивости понятие положительно определенной функции играет важную роль, поскольку она в приложениях служит в качестве функции Ляпунова [10]. Недостатками, которые можно упомянуть, является трудность нахождения функции Ляпунова и необходимость измеримости всех переменных состояния.

1.2. Обзор работ в области управления с использованием нечеткой логики и нейронных сетей.

При нечетком управлении, априорное знание используют в виде правил,

применяемых для управления системой. Правила обычно предоставляются экспертами или операторами. Результирующий закон управления - это просто нелинейная статическая функция между несколькими входами и выходами контроллера. В системе управления техническим объектом входы обычно являются управляющей ошибкой, производной управляющей ошибки и некоторыми внешними переменными (воздействиями).

Преимущество метода состоит в том, что не требуется точная модель объекта управления. Контроллер может быть создан по опыту пользователя, причем при необходимости всегда могут быть добавлены новые продукционные правила, связывающие ситуацию и управляющие сигналы.

К недостаткам может быть отнесена проблема полноты системы правил и их согласованности. Устойчивость системы в целом при этом не гарантируется. Оптимизация осуществляется путем проб и ошибок. Возможно большое количество настраиваемых параметров. Сходные преимущества и недостатки имеют и нейронные сети, используемые в качестве контроллера.

Нейронная сеть состоит из множества нейронов, выполняющих одну и ту же нелинейную операцию, причем входы одного элемента связаны с выходом других элементов. Как правило, нейроны организованы в слои. Выбор функции активации, выполняемой в нейроне (сигмоид, простой порог, ...), а также количество слоев и количество нейронов на слой, являются основными параметрами сети.

В качестве входных переменных для всей сети может использоваться управляющая ошибка, ее производная, заданное значение и возмущения; в качестве выходных переменных используются управляющие входы в установку. Нейронные сети наиболее эффективны в задачах классификации и при моделировании нелинейных систем [11].

К преимуществам NN также можно отнести отсутствие необходимости знания точной модели объекта управления. Нейросеть позволяет решить задачу идентификации сложныъх динамических систем.

Основной недостаток NN связан с тем, что не определен выбор размера и

структуры сети, а её настройка работает только в той области условий работы, в которой сеть была обучена. Устойчивость системы с NN -контроллером также, как и в случае применения нечеткого вывода не гарантируется.

В последнее время, применение нечеткого вывода и нейронных сетей для управления положением робототехнических применений получило значительное распространение [12]-[14]. Исследования методов обучения нейронных сетей были представлены онлайн-алгоритмами обучения при управлении роботами с неизвестной динамической моделью.

В [15], для системы управления предлагается адаптивный компенсатор нейронной сети для повышения эффективности управления без модификации оборудования. Предлагаемый адаптивный компенсатор NN очень полезен, когда обычный контроллер не может правильно обрабатывать значительные возмущения и изменения параметров. В [16], представлена унифицированная структура для идентификации и управления нелинейными динамическими системами, в которых параметрический метод как адаптивного нелинейного управления, так и адаптивного линейного управления может быть применен для анализа устойчивости. Сингулярный анализ возмущений используется для исследования свойств устойчивости и робастности динамического нейронного сетевого идентификатора.

1.3. Применение скользящих режимов

Скользящее управление (управление с использованием скользящего режима) относится к методам управления системой с переменной структурой. Его значение определяется тем фактом, что для такого управления не нужна точная модель управляемой системы, достаточно знать упрощенную модель и некоторые верхние границы ошибок моделирования. С другой стороны, существуют другие методы, которые не являются скользящим управлением, но также включают в свои алгоритмы принцип скользящего управления. Таким способом является, например, алгоритм самонастраивающегося адаптивного

управления [17].

В теоретическом описании режимов скольжения движение системы остается ограниченной поверхностью скольжения. Однако при реальной реализации режима скользящего режима возникает высокочастотное переключение «чаттер» в малой окрестности поверхности скольжения. На самом деле, хотя система не линейна, идеализированное (т.е. без чаттера) поведение системы на Рис. 2.1, ограниченное поверхностью S=0, является LTI (линейной инвариантной по времени) системой с экспоненциально устойчивым состоянием равновесия.

Траектории движения в режиме скольжения (соответствующие системе с меньшим порядком) имеют желаемые свойства и соответствуют устойчивому движению в положение равновесия. Основным преимуществом управления в режиме скольжения является его робастность. Поскольку управление обеспечивает только переключение между двумя состояниями системы, оно не обязательно должно быть точным и не будет чувствительным к изменениям параметров, которые входят в канал управления. Кроме того, поскольку закон управления не является непрерывной функцией, состояние равновесия в режиме скольжения может быть достигнуто за конечное время в отличие от случая асимптотического движения к этому состоянию.

Управление режимом скольжения имеет множество применений в робототехнике. В частности, этот алгоритм управления успешно использовался для реализации управления беспилотными судами в бурном море [18].

Управление режимом скольжения должно применяться с большей осторожностью, чем другие формы нелинейного управления, которые имеют более гладкое контролирующее действие. В частности, поскольку приводы имеют задержки и другие недостатки, жесткое скользящее управление может приводить к вибрации, потере энергии, повреждению объекта управления. Методы проектирования непрерывного управления не так восприимчивы к этим проблемам.

Управление с помощью скользящего режима (SMC - Sliding Mode Control) доказало свои преимущества благодаря различным исследованиям.

Достоинством, которое отличает данный метод, является независимость SMC от внешних возмущений и неопределенности модели. Недостатками скользящего управления являются прерывистый закон управления и быстрое переключение режимов, которое вызывает высокочастотный «шум» (чаттер)

5 = 0

Рис. 2.1. Траектория на фазовой плоскости системы, в режиме скольжения

Теория управления скользящим режимом, нередко применяется для

управления манипуляторами. Tzafestas и др. (1996) рассмотрели применение робастного управления методом скользящего режима, и этот подход был сравнен с управлением вычисленного крутящего момента. Результаты численного моделирования получены при внешних неопределенностях и возмущениях.

Nikkhah и д. (2005, 2007) предложил робастный подход к отслеживанию управления для недоактированных (Underactuated) роботов. Метод управления разработан в соответствии с подходом SMC. Определенная в работе поверхность скольжения позволяет управлять положением и скоростью обобщенных координат манпулятора. Chen (2007) разработал «интегральный скользящий режим» (ISMC) для отслеживания опорного движения манипулятора на основе предложенной динамической связи. Робастность системы анализировалась с помощью компьютерного моделирования. В отличие от SMC, движение системы в интегральном режиме скольжения имеет размерность, равную размерности пространства состояний. В интегральном режиме скользящего режима (ISMC) траектория системы всегда начинается с поверхности скольжения. Поэтому ликвидируется фаза достижения скользящего режима, и гарантируется

робастность во всем пространстве состояний.

В [19] подход ERL (Exponential Reaching Law) вводится в механизм управления для управления как характеристиками чаттера (chatter - дребезга в окрестности поверхности переключения), так и отслеживания, чего невозможно достичь с помощью обычного подхода SMC. В [20], предлагались адаптивные алгоритмы для настройки как параметров SMC, так и толщины пограничного слоя, что позволило устранить дребезг сигнала управления и улучшить характеристики отслеживания. В [21], представлен способ настройки параметров скользящих режимов для моделей определенного класса нелинейных механических систем для улучшения характеристик отслеживания. Предложенный метод может быть использован для устранения проблемы бесконечной скорости переключения в робастной стратегии управления.

Lu и Wang (2009) предложил метод повторного обучения с использованием скользящего режима с интегральным наблюдателем в режиме скольжения для управления отслеживанием опорной траектории. Интегральный наблюдатель возмущений, основанный на компенсации обратной связи, гарантировал малую ошибку отслеживания. Кроме того, это повысило системную нечувствительность к внешним возмущениям. Экспериментальные результаты показали эффективность предлагаемого алгоритма.

Lian и др. (2010) применили новый метод ISMC к классу неопределенных коммутируемых нелинейных систем. Они спроектировали нелинейную интегральную поверхность скольжения на основе коммутируемой системы под SMC. Предложенный алгоритм управления был сконструирован таким образом, чтобы гарантировать качество SMC с самого начала процесса управления. Робастность была одним из главных преимуществ этого алгоритма.

Li и Ge (2013) предложили способ адаптивного робастного управления для двуногих роботов в условиях динамической неопределенности.

Taherkhorsandi и др. (2014) предложили адаптивный робастный гибрид ПИД (PID)- управления и SMC - управления для двуногого робота с использованием генетического алгоритма обучения. Они использовали функции PID и SMC для

улучшения производительности оптимального адаптивного ПИД-регулятора. Кроме того, был применен многоцелевой генетический алгоритм вместо процедуры проб и ошибок для настройки параметров системы управления. Результаты численного моделирования показали эффективность гибридного контроллера.

Управление при использовании SMC является прерывистым по своей природе из-за комбинации номинального контроля и прерывистого контроля обратной связи. Явление «чаттер» происходит, за счет разрыва в управлении с обратной связью. Yu and Weng (2014a) предложил подход H1 для отслеживания адаптивного нечеткого интегрального скользящего режима для управления манипуляторами с параллельной структурой. Была использована нечеткая модель для приближения неизвестных неопределенностей. В адаптивном нечетком методе использовался подход ISMC для устранения неопределенностей в системе и внешних возмущений. В конечном итоге было проведено численное моделирование планарной параллельной роботизированной системы с параллельной структурой и с двумя DOF (степенями свободы), которое подтвердило эффективность предлагаемого подхода к управлению.

1.4. Применение адаптивных нейронных сетей

В [22] адаптивное нейронное управление разработано для реабилитационного робота с неизвестной динамикой системы с целью устранения неопределенностей в системе и повышения робастности. Адаптивные NN используются для идентификации неизвестной модели робота и адаптации взаимодействий между роботом и больным.

В [23], предлагается управление на основе нейронных сетей для роботов-манипуляторов с учетом неопределенных ограничений окружающей среды, возмущений и неизвестной динамики роботов. В [24], для управления движением робота-манипулятора представлена робастная схема управления

выходной обратной связью нейронной сети, которая включает в себя наблюдатель нейронной сети.

В [25], адаптивные робастные стратегии управления представлены для управления скоординированными движениями нескольких мобильных манипуляторов, взаимодействующих с жесткой поверхностью при наличии неопределенностей и возмущений. Сеть радиально-базисных функций (RBF) также нашла применение для управления динамическими системами [26] Сеть RBF представляет собой специальную архитектуру нейронной сети. Адаптация сети RBF может улучшать эффективность управления системы с неопределенностью. Закон адаптации получен с использованием метода Ляпунова, так что гарантируется устойчивость всей системы и сходимость адаптации весовых коэффициентов сети. В [27] предлагается адаптивное управление с использованием сети RBF для получения элементов матрицы инерции, матрицы Кориолиса и вектора силы тяжести, определяющих динамику манипуляционных роботов.

В [28] предложена модификация нейронной сети RBF-SMC, позволяющая устранить дребезг и управлять приводом типа SMA. Сеть RBF также использовала адаптивную регулировку коэффициента скользящего режима для устранения эффектов динамических неопределенностей и обеспечения асимптотической сходимости ошибки в работе системы [29]. В [30], представлена сеть RBF для адаптивной компенсации ошибки отслеживания нелинейной системы непрерывного времени. Система управления обеспечивает плавное переключение между адаптивными и режимами скольжения с интеграцией преимуществ робастного и интеллектуального управления. При этом SMC используется, чтобы компенсировать неопределенности и обеспечить устойчивость нелинейной системы.

Список литературы диссертационного исследования кандидат наук Забихифар Сейедхассан, 2018 год

Список Литературы

1. Забихифар С, Ющенко А.С. Адаптивная система управления квадрокоптером. Робототехника и техническая кибернетика. 2017;4:41-6.

2. Забихифар С, Ющенко А.С. Управление квадрокоптером с использованием адаптивной нейронной сети. In: Экстремальная робототехника. СП-Б: ЦНИИ РТК; 2017. p. 245-50.

3. Ющенко А.С, Лебедев К.Р, Забихафар С. Система управления квадрокоптером на основе адаптивной нейронной сети. Наука и Образование. 2017;7:262-77.

4. Zabihifar S, Yuschenko A.S. Нечеткое управление скользящего типа манипуляторами. Робототехника и техническая кибернетика. 2015;2(7):66-70.

5. Zabihifar S, Yuschenko A.S. Управление манипулятором с использованием нечеткого управления скользящего типа. In: Экстремальная робототехника. СП-Б: ЦНИИ РТК; 2015. p. 301-10.

6. Zabihifar S, Yustohenko A.S. Робастное управление вращением перевернутого маятника с помощью адаптивной нейронной сети. In: Экстремальная Робототехника. СП-Б: ЦНИИ РТК; 2016. p. 206-24.

7. Забихифар С, Маркази А.Х.Д, Ющенко А.С. Two link manipulator control using fuzzy sliding mode approach. Her Bauman Moscow State Tech Univ Ser Instrum Eng [Internet]. 2015;6(105):30-45. Available from: http: //vestnikprib.ru/catalog/icec/auto/938. html

8. Markazi A.H.D, Maadani M, Zabihifar S, Doost-Mohammadi N. Adaptive fuzzy sliding mode control of under-actuated nonlinear systems. Int J Autom Comput. 2018;15:364-76.

9. Ojha A.V, Khandelwal A. Control of non-linear system using backstepping. Int J Res Eng Technol. 2015;606-10.

10. B. Lantos L.M. Basic Nonlinear Control Methods [Internet]. Nonlinear Control of Vehicles and Robots. Springer-Verlag London Limited; 2011. 71 p. Available from: http://www.springer.com/engineering/control/book/978-0-85729-634-4

11. Gruber P, Balemi S. Overview of non-linear control methods. Swiss Society for Automatic Control; 2010. 1-33 p.

12. Ngo T, Wang Y, Mai T, ... MN-IJ of, 2014 U. Robust adaptive neural-fuzzy network tracking control for robot manipulator. univagora.ro [Internet]. 2012 [cited 2018 Feb 8];7(2):341-52. Available from: http: //www.univagora.ro/j our/index.php/ij ccc/article/view/1414

13. Wai R-J, Chen P-C. Robust Neural-Fuzzy-Network Control for Robot Manipulator Including Actuator Dynamics. IEEE Trans Ind Electron [Internet]. 2006 Jun [cited 2018 Feb 8];53(4):1328-49. Available from: http://ieeexplore.ieee.org/document/1667930/

14. Jun Luo, Zhijun Li, Aiguo Ming, Shuzhi Sam Ge. Robust Motion/Force Control of Holonomic Constrainted Nonholonomic Mobile Manipulators using Hybrid Joints. In: 2006 6th World Congress on Intelligent Control and Automation [Internet]. IEEE; 2006 [cited 2018 Feb 8]. p. 408-12. Available from: http://ieeexplore.ieee.org/document/1712348/

15. Young-Kiu Choi, Min-Jung Lee, Sungshin Kim, Young-Chul Kay. Design and implementation of an adaptive neural-network compensator for control systems. IEEE Trans Ind Electron [Internet]. 2001 Apr [cited 2018 Feb 8];48(2):416-23. Available from: http://ieeexplore.ieee.org/document/915421/

16. Polycarpou MM. Stable adaptive neural control scheme for nonlinear systems. IEEE Trans Automat Contr [Internet]. 1996 Mar [cited 2018 Feb 8];41(3):447-51. Available from: http://ieeexplore.ieee.org/document/486648/

17. Slotin E. Applied nonlinear control. New jersey: Prentice Hall; 1991. 461 p.

18. Edwards C, Spurgeon SK. Sliding mode control: theory and applications. Taylor & Francis; 1998. 237 p.

19. Fallaha CJ, Saad M, Kanaan HY, Al-Haddad K. Sliding-Mode Robot Control With Exponential Reaching Law. IEEE Trans Ind Electron [Internet]. 2011 Feb [cited 2018 Feb 8];58(2):600-10. Available from: http://ieeexplore.ieee.org/document/5437255/

20. Park J, Han G, Ahn H. Adaptive approaches on the sliding mode control of robot

manipulators. ijcas.org [Internet]. 2001 [cited 2018 Feb 8];3(1): 15-20. Available from: http: //ij cas. org/admin/paper/files/7586.pdf

21. Islam S, Liu X.P. Robust Sliding Mode Control for Robot Manipulators. IEEE Trans Ind Electron [Internet]. 2011 Jun [cited 2018 Feb 8];58(6):2444-53. Available from: http://ieeexplore.ieee.org/document/5530377/

22. He W, Ge SS, Li Y, Chew E, Ng YS. Neural Network Control of a Rehabilitation Robot by State and Output Feedback. J Intell Robot Syst [Internet]. 2015 Oct 21 [cited 2018 Feb 8];80(1):15-31. Available from: http://link.springer.com/10.1007/s 10846-014-0150-6

23. Li Z, Yang C, & JG-IJ of R, 2007 U. Neuro-adaptive compliant force/motion control of uncertain constrained wheeled mobile manipulators. search.proquest.com [Internet]. 2007 [cited 2018 Feb 8];22(3):206-14. Available from:

http://search.proquest.com/openview/359788dcb48c91b17569be238eeb727c/17 pq-origsite=gscholar&cbl=42907

24. Kim Y.H, Lewis F.L. Neural network output feedback control of robot manipulators. IEEE Trans Robot Autom [Internet]. 1999 Apr [cited 2018 Feb 8];15(2):301-9. Available from: http://ieeexplore.ieee.org/document/760351/

25. Li Z, Li J, Kang Y. Adaptive robust coordinated control of multiple mobile manipulators interacting with rigid environments. Automatica [Internet]. 2010 Dec 1 [cited 2018 Feb 8];46(12):2028-34. Available from: https://www.sciencedirect.com/science/article/pii/S00051098100036027via%3 Dihub

26. Van Cuong P, Nan WY. Adaptive trajectory tracking neural network control with robust compensator for robot manipulators. Neural Comput Appl [Internet]. 2016;27(2):525-36. Available from: http://dx.doi.org/10.1007/s00521-015-1873-4

27. Shuzhi S. Ge, Hang C.C, Woon L.C. Adaptive neural network control of robot manipulators in task space. IEEE Trans Ind Electron [Internet]. 1997 [cited 2018 Feb 8];44(6):746-52. Available from:

http://ieeexplore.ieee.org/document/649934/

28. Tai N.T, Ahn K.K. A RBF neural network sliding mode controller for SMA actuator. Int J Control Autom Syst [Internet]. 2010 Dec 8 [cited 2018 Feb 8];8(6):1296-305. Available from: http://link.springer.com/10.1007/s12555-010-0615-8

29. Zhihong M, Wu H.R, Palaniswami M. An adaptive tracking controller using neural networks for a class of nonlinear systems. IEEE Trans Neural Networks [Internet]. 1998 [cited 2018 Feb 8];9(5):947-55. Available from: http://ieeexplore.ieee.org/document/712168/

30. Seshagiri S, Khalil H.K. Output feedback control of nonlinear systems using RBF neural networks. IEEE Trans Neural Networks [Internet]. 2000 [cited 2018 Feb 8];11(1):69-79. Available from: http://ieeexplore.ieee.org/document/822511/

31. Шепелев ИЕ. Модель нейронной сети с преднастройкой для решения задач формирования сенсомоторной координации робота-манипулятора [Internet]. Ростов-на-Дону; 2004 [cited 2018 May 18]. Available from: http://www.dissercat.com/content/model-neironnoi-seti-s-prednastroikoi-dlya-resheniya-zadach-formirovaniya-sensomotornoi-koor

32. Хапкина Ирина, Викторович БС. Методика синтеза системы управления роботом на базе нейронных сетей. Известия Тульского государственного университета Технические науки [Internet]. 2013 [cited 2018 May 18];(9-1): 179-85. Available from: https://cyberleninka.ru/article/n/metodika-sinteza-sistemy-upravleniya-robotom-na-baze-neyronnyh-setey

33. Аль Кхаит С, Загхлюл С. система управления траекториями манипулятора с упругими звеньями, основанная на использовании адаптивной нейронной сети. Мехатроника, автоматизация, управление [Internet]. 2009 [cited 2018 May 18];4:25-31. Available from: https://elibrary.ru/item.asp?id=11901045

34. Polydoros A.S, Nalpantidis L, Kruger V. Real-time deep learning of robotic manipulator inverse dynamics. In: 2015 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS) [Internet]. IEEE; 2015 [cited 2018 Feb 12]. p. 3442-8. Available from: http://ieeexplore.ieee.org/document/7353857/

35. Spong M.W, Ortega R. On adaptive inverse dynamics control of rigid robots. IEEE Trans Automat Contr [Internet]. 1990 [cited 2018 Feb 12];35(1):92-5. Available from: http://ieeexplore.ieee.org/document/45152/

36. Polydoros A.S, Boukas E, Nalpantidis L. Online multi-target learning of inverse dynamics models for computed-torque control of compliant manipulators. In: 2017 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS) [Internet]. IEEE; 2017 [cited 2018 Feb 12]. p. 4716-22. Available from: http://ieeexplore.ieee.org/document/8206344/

37. Muller A. Recursive second-order inverse dynamics for serial manipulators. In: 2017 IEEE International Conference on Robotics and Automation (ICRA) [Internet]. IEEE; 2017 [cited 2018 Feb 12]. p. 2483-9. Available from: http://ieeexplore.ieee.org/document/7989289/

38. Duc M.N, Trong T.N. Neural network structures for identification of nonlinear dynamic robotic manipulator. In: 2014 IEEE International Conference on Mechatronics and Automation [Internet]. IEEE; 2014 [cited 2018 Feb 11]. p. 1575-80. Available from: http://ieeexplore.ieee.org/lpdocs/epic03/wrapper.htm?arnumber=6885935

39. He W, Dong Y. Adaptive Fuzzy Neural Network Control for a Constrained Robot Using Impedance Learning. IEEE Trans Neural Networks Learn Syst [Internet]. 2017;1-13. Available from: http://ieeexplore.ieee.org/document/7865986/

40. Rahmani B, Belkheiri M. Robust Adaptive Control of Robotic Manipulators Using Neural Networks : Application to a Two Link Planar Robot. In: ICMIC-2016. 2016. p. 839-44.

41. He W, Chen Y, Yin Z, Member S. Adaptive Neural Network Control of an Uncertain Robot With Full-State Constraints. 2015;46(3): 1-10.

42. Liu Y, Zhao B, Li Y. Adaptive Neural Network Position/Force Hybrid Control for Constrained Reconfigurable Manipulators. In: IEEE 17th International Conference on Computational Science and Engineering [Internet]. IEEE; 2014 [cited 2018 Feb 12]. p. 38-43. Available from: http://ieeexplore.ieee.org/document/7023552/

43. Chaudhary H, Panwar V, Prasad R, Sukavanam N. Adaptive neuro fuzzy based hybrid force/position control for an industrial robot manipulator. J Intell Manuf [Internet]. 2016;27(6): 1299-308. Available from: http://dx.doi.org/10.1007/s10845-014-0952-1

44. Yildirim S. Design of Adaptive Robot Control System Using Recurrent Neural Network. J Intell Robot Syst [Internet]. 2005;44(3):247-61. Available from: http://link.springer.com/ 10.1007/s 10846-005-9012-6

45. Yan L, Li C.J. Robot Learning Control Based on Recurrent Neural Network Inverse Model. 1997;14(3):1-22.

46. Li Y, Li S, Caballero D, Miyasaka M, Lewis A, Hannaford B. Improving control precision and motion adaptiveness for surgical robot with recurrent neural network. IEEE Int Conf Intell Robot Syst. 2017;2017-Septe:3538-43.

47. Lewis F.L, Jaganathan S, Yesildirek A. Neural Network Control of Robot Manipulators and Nonlinear Systems. 1999.

48. Zuo Y, Wang Y, Liu X, Yang SX, Huang L, Wu X, et al. Neural network robust H<» tracking control strategy for robot manipulators. Appl Math Model [Internet]. 2010 Jul 1 [cited 2018 Feb 8];34(7):1823-38. Available from: https://www.sciencedirect.com/science/article/pii/S0307904X090030477via%3 Dihub

49. Wang H, Zhu S, Systems SL-I, WRI 2009. GCIS'09., 2009 U. Robust adaptive wavelet network control for robot manipulators. ieeexplore.ieee.org [Internet]. 2009 [cited 2018 Feb 8];2:313-7. Available from: http://ieeexplore.ieee.org/abstract/document/5209432/

50. He W, Ge S.S, How B.V.E, Choo Y.S. Dynamics and Control of Mechanical Systems in Offshore Engineering [Internet]. London: Springer London; 2014 [cited 2018 Jun 7]. 230 p. (Advances in Industrial Control). Available from: http://link.springer.com/10.1007/978-1 -4471 -5337-5

51. Yang C, Li Z, Tang Y. Decentralised adaptive fuzzy control of coordinated multiple mobile manipulators interacting with non-rigid environments. IET Control Theory Appl [Internet]. 2013 Feb 14 [cited 2018 Jun 7];7(3):397-410.

Available from: http://digital-library.theiet.org/content/journals/10.1049/iet-cta.2011.0334

52. Siciliano B, Sciavicco L. Robotics, Modeling, Planning and control. Springer London; 2009. 632 p.

53. Hana Boudjedir, Fouad Yacef, Omar Bouhali N.R. Dual Neural Network for Adaptive Sliding Mode Control of Quadrotor Helicopter Stabilization. Int J Inf Sci Tech. 2012;2(4):101-15.

54. Ge S.S (Shuzhi S., Hang C.C, Lee T.H, Zhang T. Stable Adaptive Neural Network Control. Springer US; 2002. 282 p.

55. Moreno-Valenzuela J, Aguilar-Avelar C, Puga-Guzman S.A, Santibanez V. Adaptive Neural Network Control for the Trajectory Tracking of the Furuta Pendulum. IEEE Trans Cybern. 2016;1—14.

56. Craig J. introduction to robotics mechanics and control. Addison-Wesley; 2006. 570 p.

57. Kurode S, Chalanga A, Bandyopadhyay B. Swing-Up and Stabilization of Rotary Inverted Pendulum using Sliding Modes. IFAC Proc Vol [Internet]. 2011 Jan 1 [cited 2018 May 29];44(1):10685-90. Available from: https://www.sciencedirect.com/science/article/pii/S1474667016453292

58. Rudra S, Barai R.K, Maitra M, Mandal D, Ghosh S, Dam S, et al. Stabilization of Furuta Pendulum: A backstepping based hierarchical sliding Mode approach with disturbance estimation. In: 2013 7th International Conference on Intelligent Systems and Control (ISCO) [Internet]. IEEE; 2013 [cited 2018 May 29]. p. 99105. Available from: http://ieeexplore.ieee.org/document/6481130/

59. Moreno-Valenzuela J, Aguilar-Avelar C, Puga-Guzman SA, Santibanez V. Adaptive Neural Network Control for the Trajectory Tracking of the Furuta Pendulum. IEEE Trans Cybern [Internet]. 2016 Dec [cited 2018 May 29];46(12):3439-52. Available from: http://ieeexplore.ieee.org/document/7378936/

60. Furuta K, Yamakita M, Kobayashi S. Swing up control of inverted pendulum. In: Proceedings IECON '91: 1991 International Conference on Industrial

Electronics, Control and Instrumentation [Internet]. IEEE; [cited 2018 May 29]. p. 2193-8. Available from: http://ieeexplore.ieee.org/document/239008/

61. Chen Y-F, Huang A-C. Adaptive control of rotary inverted pendulum system with time-varying uncertainties. Nonlinear Dyn [Internet]. 2014 Apr 6 [cited 2018 May 29];76(1):95-102. Available from: http://link.springer.com/10.1007/s11071-013-1112-4

62. Acosta J.A. Furuta's Pendulum A Conservative Nonlinear Model for Theory and Practise. Math Probl Eng [Internet]. 2010 Mar 3 [cited 2018 May 29];2010:1-29. Available from: http://www.hindawi.com/journals/mpe/2010/742894/

63. Aguilar-Ibanez C, Suarez-Castanon M.S, Gutierres-Frias OO. The direct Lyapunov method for the stabilisation of the Furuta pendulum. Int J Control [Internet]. 2010 Nov [cited 2018 May 29];83(11):2285-93. Available from: http://www.tandfonline.com/doi/abs/10.1080/00207179.2010.520029

64. Turker T, Gorgun H, Cansever G. Lyapunov's direct method for stabilization of the Furuta pendulum. Turkish J Electr Eng Comput Sci. 2012;20(1):99-110.

65. A°strom K.J, Aracil J, Gordillo F. A family of smooth controllers for swinging up a pendulum. Automatica [Internet]. 2008 Jul 1 [cited 2018 May 29];44(7):1841-8. Available from: https://www.sciencedirect.com/science/article/pii/S0005109807004736

66. Gordillo F, Acosta J.A, Aracil J. A new swing-up law for the Furuta pendulum. Int J Control [Internet]. 2003 Jan [cited 2018 May 29];76(8):836-44. Available from: http://www.tandfonline.com/doi/abs/10.1080/0020717031000116506

67. La Hera P.X, Freidovich L.B, Shiriaev A.S, Mettin U. New approach for swinging up the Furuta pendulum: Theory and experiments. Mechatronics [Internet]. 2009 Dec 1 [cited 2018 May 29];19(8):1240-50. Available from: https://www.sciencedirect.com/science/article/abs/pii/S0957415809001317

68. Aguilar L.T, Boiko I, Fridman L, Iriarte R. Generating Self-Excited Oscillations via Two-Relay Controller. IEEE Trans Automat Contr [Internet]. 2009 Feb [cited 2018 May 29];54(2):416-20. Available from: http://ieeexplore.ieee.org/document/4782016/

69. Freidovich L, Shiriaev A, Gordillo F, Gomez-Estern F, Aracil J. Partial-Energy-Shaping Control for Orbital Stabilization of High-Frequency Oscillations of the Furuta Pendulum. IEEE Trans Control Syst Technol [Internet]. 2009 Jul [cited 2018 May 29];17(4):853-8. Available from: http://ieeexplore.ieee.org/document/4837870/

70. Nelson J, Kraft L.G. Real-time control of an inverted pendulum system using complementary neural network and optimal techniques. In: Proceedings of 1994 American Control Conference - ACC '94 [Internet]. IEEE; [cited 2018 May 29]. p. 2553-4. Available from: http://ieeexplore.ieee.org/document/735019/

71. Cong S, Liang Y. PID-Like Neural Network Nonlinear Adaptive Control for Uncertain Multivariable Motion Control Systems. IEEE Trans Ind Electron [Internet]. 2009 Oct [cited 2018 May 29];56(10):3872-9. Available from: http://ieeexplore.ieee.org/document/4812095/

72. Hsu C-F. Adaptive backstepping Elman-based neural control for unknown nonlinear systems. Neurocomputing [Internet]. 2014 Jul 20 [cited 2018 May 29];136:170-9. Available from: https://www.sciencedirect.com/science/article/pii/S0925231214001684

73. Hsu C-F, Lin C-M, Yeh R-G. Supervisory adaptive dynamic RBF-based neural-fuzzy control system design for unknown nonlinear systems. Appl Soft Comput [Internet]. 2013 Apr 1 [cited 2018 May 29];13(4):1620-6. Available from: https://www.sciencedirect.com/science/article/pii/S1568494612005728

74. Ping Z. Tracking problems of a spherical inverted pendulum via neural network enhanced design. Neurocomputing [Internet]. 2013 Apr 15 [cited 2018 May 29];106:137-47. Available from: https://www.sciencedirect.com/science/article/pii/S0925231212008624

75. Yu C, Wang F, Lu Y. Robust Control of a Furuta Pendulum. Proc SICE Annu Conf 2010 [Internet]. 2010;(2):2559-63. Available from: http://ieeexplore.ieee.org/xpls/abs_all.jsp?arnumber=5602458

76. Khanesar M.A, Teshnehlab M, Shoorehdeli M.A. Fuzzy Sliding Mode Control of Rotary Inverted Pendulum. In: 2007 IEEE International Conference on

Computational Cybernetics [Internet]. IEEE; 2007 [cited 2018 May 29]. p. 5762. Available from: http://ieeexplore.ieee.org/lpdocs/epic03/wrapper.htm?arnumber=4402019

77. Van Cuong P, Nan W.Y. Adaptive trajectory tracking neural network control with robust compensator for robot manipulators. Neural Comput Appl [Internet]. 2016 Feb 21 [cited 2018 May 29];27(2):525-36. Available from: http://link.springer.com/10.1007/s00521-015-1873-4

78. Fantoni I, Lozano R (Rogelio). Non-linear control for underactuated mechanical systems [Internet]. Springer; 2002 [cited 2018 May 29]. 295 p. Available from: https://dl.acm.org/citation.cfm?id=559808

79. Olfati-Saber R. Fixed point controllers and stabilization of the cart-pole system and the rotating pendulum. In: Proceedings of the 38th IEEE Conference on Decision and Control (Cat No99CH36304) [Internet]. IEEE; 1999 [cited 2018 May 29]. p. 1174-81. Available from: http://ieeexplore.ieee.org/document/830086/

80. Boudjedir H. Dual Neural Network for Adaptive Sliding Mode Control of Quadrotor Helicopter Stabilization. Int J Inf Sci Tech [Internet]. 2012 Jul 31 [cited 2018 May 29];2(4):1-14. Available from: http://www.airccse.org/journal/IS/papers/2412ijist01 .pdf

81. Saikalis G, Feng Lin. A neural network controller by adaptive interaction. In: Proceedings of the 2001 American Control Conference (Cat No01CH37148) [Internet]. IEEE; 2001 [cited 2018 May 29]. p. 1247-52 vol.2. Available from: http://ieeexplore.ieee.org/document/945893/

82. Brandt R.D, Lin F. Adaptive interaction and its application to neural networks. Inf Sci (Ny) [Internet]. 1999 Dec 2 [cited 2018 May 29];121(3-4):201-15. Available from: https://www.sciencedirect.com/science/article/pii/S0020025599000900

83. Mun-Soo Park, Dongkyoung Chwa. Swing-Up and Stabilization Control of Inverted-Pendulum Systems via Coupled Sliding-Mode Control Method. IEEE Trans Ind Electron [Internet]. 2009 Sep [cited 2018 May 29];56(9):3541-55.

Available from: http://ieeexplore.ieee.org/document/4752767/

84. Tanaka Y, Tsuji T. On-line Learning of Robot Arm Impedance Using Neural Networks. In: 2004 IEEE International Conference on Robotics and Biomimetics [Internet]. IEEE; 2004 [cited 2017 Aug 4]. p. 941-6. Available from: http://ieeexplore.ieee.org/document/1521911/

85. Singh H.P, Sukavanam N, Panwar V. Neural network based compensator for robustness to the robot manipulators with uncertainties. ICMET 2010 - 2010 Int Conf Mech Electr Technol Proc. 2010;(Icmet):444-8.

86. Khazaee M, Markazi A.H.D, Rizi ST, Seyfi B. Adaptive fuzzy sliding mode control of input-delayed uncertain nonlinear systems through output-feedback. Nonlinear Dyn [Internet]. 2017;87(3):1943-56. Available from: http://link.springer.com/10.1007/s 11071-016-3164-8

87. Li M, Bi D, Xiao Z. Mechanism Simulation and Experiment of 3-DOF Parallel Robot Based on MATLAB. 2015;(Ipemec):489-94.

88. Alashqar H.A.H, Prof A, Hussein M.T. Modeling and High Precision Motion Control of 3 DOF Parallel Delta Robot Manipulator. 2013.

89. Huang Y. Neural Network Based Dynamic Trajectory Tracking of Delta Parallel Robot. Int Conf Mechatronics Autom. 2015;1938-43.

90. Prempraneerach P. Workspace and dynamic trajectory tracking of delta parallel robot. Int Comput Sci Eng Conf ICSEC 2014. 2014;469-74.

91. Codourey A. Dynamic modelling and mass matrix evaluation of the DELTA parallel robot for axes decoupling control. In: Proceedings of IEEE/RSJ International Conference on Intelligent Robots and Systems IROS '96 [Internet]. IEEE; 1996 [cited 2017 Aug 4]. p. 1211-8. Available from: http://ieeexplore.ieee.org/document/568973/

92. Du J, Lou Y. Simplified Dynamic Model for Real-time Control of the Delta Parallel Robot. 2016;(August):1647-52.

93. Bouabdallah S, Noth A, Siegwart R. PID vs LQ control techniques applied to an indoor micro quadrotor. In: 2004 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS) (IEEE Cat No04CH37566) [Internet].

IEEE; 2004 [cited 2018 Jun 1]. p. 2451-6. Available from: http://ieeexplore.ieee.org/document/1389776/

94. Naidoo, Y., Stopforth, R., & Bright G. Helicopter Modelling and Control. Int J Adv Robot Sy. 2011;8(4):139-49.

95. Bouhali O, Boudjedir H. Neural network control with neuro-sliding mode observer applied to quadrotor helicopter. In: 2011 International Symposium on Innovations in Intelligent Systems and Applications [Internet]. IEEE; 2011 [cited 2017 Feb 1]. p. 24-8. Available from: http://ieeexplore.ieee.org/document/5946063/

отзыв

научного руководителя, профессора, д.т.н. Ющенко A.C. на диссертационную работу Забихифара Сейедхассана «Адаптивное управление робототехническими системами с использованием нейронных сетей и скользящих режимов», представленной на соискание ученой степени кандидата технических наук по специальности 05.02.05 Роботы, Мехатроника и Робототехнические Системы

Гражданин Ирана Сейедхассан Забихифар поступил в аспирантуру МГТУ им. Н.Э.Баумана на кафедру «Робототехнические системы и мехатроника» в 2014 г. Им была предложена тема диссертационной работы, основанная на уже проведенных им предварительных исследованиях в относительно новой области управления роботами. А именно, в области применения адаптивных нейронных сетей и скользящих режимов, обеспечивающих возможность эффективного управления сложными системами без точного знания математической модели объекта управления, а также характера возмущающих воздействий.

Обладая хорошей математической подготовкой, полученной в Иранском Университете, С.Х.Забихифар сразу активно включился в работу над диссертацией кафедре. За время обучения им опубликовано 8 статей, в том числе, четыре по списку ВАК и одна зарегистрирована в SCOPUS. Основные результаты работы докладывались и получили положительную оценку на Международных научно-технических конференциях «Экстремальная робототехника» (Санкт-Петербург) в 2014,2015,2016 и в 2017 г.г. В настоящее время его доклад включен в программу международной конференции «The 3rd International Conference on interactive collaborative robotics», которая состоится в сентябре с.г. в Лейпциге (Германия). Он также неоднократно выступал на научно-технических семинарах кафедры СМ-7 и на Научных конференциях Иранских студентов, обучающихся в России (Москва,2015, Екатеринбург, 2017).

В представленной С.Х.Забихифаром диссертации «Адаптивное управление робототехническими системами с использованием нейронных сетей и скользящих режимов», решена задача, представляющая как научный, так и практический интерес. Совместное применение для управления роботами скользящих режимов и адаптивных нейронных сетей позволяет в полной мере использовать преимущества обоих методов, и, в определенной мере, избежать проблем, связанных с применением этих методов по-отдельности. Наиболее важными областями практического применения разработанных методов могут стать задачи управления крупными манипуляционными конструкциями, обладающими сложной динамикой, в том числе, задачи управления манипуляторами космического базирования. А также проблемы, связанные с управлением мобильными роботами, подверженным действию неизвестных заранее возмущений, в частности, задачи управления БПЛА.

По мнению научного руководителя Забихифар С.Х. является высококвалифицированным специалистом, способным самостоятельно решать сложные научно-технические задачи.

Считаю, что диссертация Забихифара С.Х. может быть представлена к защите на заседании Диссертационного Совета Д 212.141.02 при Московском государственном техническом университете им. Н.Э. Баумана. Автор диссертации - С.Х.Забихифар заслуживает присуждения ученой степени кандидата технических наук по специальности 05.02.05 «Роботы, мехатроника и робототехнические системы».

Научный руководитель, д.т.н., профессор