Contrôle adaptatif du mode de glissement flou d'un actionneur alimenté par deux muscles artificiels pneumatiques opposés

Apr 17, 2024

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

525 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, le PAM est un actionneur non linéaire présentant une incertitude et un retard considérable dans ses caractéristiques, ce qui rend le contrôle difficile. Cette étude présente une approche de contrôle en mode glissant en temps discret combinée à l'algorithme flou adaptatif (AFSMC) pour gérer la perturbation inconnue de l'actionneur basé sur PAM. Le système de logique floue développé possède des vecteurs de paramètres des règles composantes qui sont automatiquement mis à jour par une loi adaptative. Par conséquent, le système de logique floue développé peut raisonnablement se rapprocher de 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 recouvert de fil tressé. Le PAM se raidit et se contracte dans les directions radiales et longitudinales lors de l'alimentation en air comprimé. A l’inverse, il va se ramollir et s’allonger lorsque l’on libère 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 flexibilité 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 réadaptation9,10,11,12,13,14 et les dispositifs médicaux15,16 pour aider les patients à restaurer leurs fonctions motrices. Cependant, le 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 présentent de nombreuses perturbations inconnues. De nombreuses méthodes de contrôle 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. L'invention concerne un contrôleur non linéaire basé sur PID17,18,19,20,21 pour améliorer la correction du phénomène d'hystérésis non linéaire et accroître la robustesse. 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 gérer l'hystérésis et la non-linéarité du 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 présentées dans la littérature. Plus spécifiquement, le contrôle du mode glissant conventionnel est appliqué dans les références 26, 27 pour le suivi de trajectoire d'un système PAM. Différents types de contrôle à 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 les paramètres inconnus du système, ce qui permet d'obtenir des performances de contrôle satisfaisantes.

Le contrôle d'apprentissage interactif et le contrôle intelligent capables d'apprendre la non-linéarité et d'estimer les paramètres inconnus sont également des approches importantes pour contrôler le système PAM. Les auteurs de la référence 32 ont proposé un algorithme de contrôle d'apprentissage itératif robuste pour répondre aux incertitudes et aux contraintes d'état d'un système PAM. Un contrôle flou en combinaison avec un contrôle PID fractionnaire25, un contrôle en mode glissant33 et un contrôle prédictif de modèle34 sont proposés 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 adaptative de contrôle du mode glissant flou pour réguler un système PAM sans modèle prédéfini, dans laquelle les paramètres inconnus sont estimés à l'aide de fonctions floues. De même, la référence 36 a utilisé la même idée, mais au lieu d'une logique floue, un réseau neuronal 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 mentionnées ci-dessus 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 à l’aide d’algorithmes d’estimation très compliqués. Ces algorithmes sont théoriquement efficaces, mais leur mise en œuvre est très difficile avec beaucoup de calculs. Ainsi, la nécessité d’un algorithme de contrôle efficace reste un problème ouvert.