DOI: https://doi.org/10.1038/s41598-025-34816-4
PMID: https://pubmed.ncbi.nlm.nih.gov/41513731
تاريخ النشر: 2026-01-09
المؤلف: Guirong Han وآخرون
الموضوع الرئيسي: الشبكات العصبية والتطبيقات
نظرة عامة
تقدم البحث خوارزمية تحكم لشبكة عصبية تعتمد على دالة الأساس الشعاعي (RBF) مع ضمان استقرار ليابونوف، مصممة خصيصًا للروبوتات الصناعية. تتجاوز هذه الطريقة المبتكرة الحاجة إلى نموذج رياضي دقيق للنبات، مما يسهل التعلم في الوقت الحقيقي والتعويض عن غير الخطية وعدم اليقين في النظام. تستخدم الخوارزمية قانون تحكم تكيفي يقوم بضبط معلمات الشبكة العصبية ديناميكيًا لضمان تحكم دقيق في تتبع الروبوتات. يتم استخدام تحسين سرب الجسيمات (PSO) لتحسين معلمات عرض الأساس RBF، مما يعزز قدرات التقريب للشبكة. أظهرت التحقق من خلال محاكاة الروبوت الصناعي ABB IRB1600 في MATLAB Simscape والمحاكاة المشتركة مع ADAMS تقليلًا كبيرًا في أخطاء التتبع، مما يبرز قوة ومرونة الخوارزمية مع الالتزام بمبادئ استقرار ليابونوف.
تخلص الدراسة إلى أن الإطار التكيفي المقترح للتحكم يدمج بفعالية شبكات RBF، والقوانين التكيفية المستندة إلى ليابونوف، والتحكم بطريقة الانزلاق لمعالجة التحديات التي تطرحها غير الخطية وعدم اليقين في الروبوتات الصناعية. تشمل النتائج الرئيسية تصميم ناجح لوحدة تحكم تكيفية تحافظ على استقرار الحلقة المغلقة، وتعزيز أداء التحكم من خلال تحسين PSO، وتحقيق تحكم تتبع في الوقت الحقيقي في المحاكاة. ومع ذلك، فإن الاعتماد على البيئات المحاكاة دون التحقق من الأجهزة المادية يمثل قيدًا، حيث يحد من تقييم قوة استراتيجية التحكم ضد الاضطرابات في العالم الحقيقي. ستركز الأبحاث المستقبلية على توسيع هذه الاستراتيجية للتحكم إلى سيناريوهات التعاون متعددة الأذرع ودمج تقنيات متقدمة مثل التعلم العميق أو التعلم المعزز لتحسين قدرات اتخاذ القرار في التطبيقات الصناعية المعقدة.
مقدمة
في المقدمة، يبرز البحث الدور المحوري للروبوتات الصناعية في التصنيع الحديث، مع التأكيد على مساهماتها في كفاءة الإنتاج، وتقليل التكاليف، وجودة المنتج. على الرغم من مزاياها، تواجه تقنيات التحكم لهذه الروبوتات تحديات كبيرة، بما في ذلك الدقة في التمركز، والقدرة على التكيف مع البيئات المعقدة، وضمان السلامة والموثوقية. يتم مناقشة طرق التحكم التقليدية، مثل التحكم التناسبي-التكاملي-المشتق (PID)، والتحكم بطريقة الانزلاق (SMC)، والتحكم التنبؤي بالنموذج (MPC)، كل منها مع نقاط قوته وحدوده. يُلاحظ أن التحكم PID يتميز ببساطته وفعاليته في الأنظمة الخطية، بينما يوفر SMC قوة ضد الاضطرابات ولكنه قد يعاني من مشاكل الاهتزاز. على الرغم من أن MPC قادر على التعامل مع متغيرات متعددة وقيود، إلا أنه يتطلب حسابات مكثفة.
تستعرض القسم أيضًا جهود البحث المعاصرة المختلفة التي تهدف إلى تعزيز منهجيات التحكم في الروبوتات. تشمل المساهمات البارزة تطبيق التحكم الضبابي بطريقة الانزلاق للروبوتات الصناعية، والتحكم بطريقة الانزلاق المستندة إلى الشبكات العصبية للتلاعب الروبوتي، والتحكم التنبؤي بالنموذج لتتبع المسار في الروبوتات التأهيلية. يتم تسليط الضوء على دمج خوارزميات التحكم التقليدية مع الشبكات العصبية كنهج واعد لتحسين أداء التحكم، لا سيما للأنظمة المعقدة وغير الخطية. تمهد المقدمة الطريق لاستكشاف استراتيجيات التحكم المتقدمة التي تستفيد من كل من الطرق الكلاسيكية وتقنيات التعلم الآلي الحديثة لمعالجة التحديات المتطورة في الروبوتات الصناعية.
مناقشة
في هذا القسم، يناقش المؤلفون التقدم في استراتيجيات التحكم للروبوتات المتلاعبة التي تواجه عدم اليقين الديناميكي، والاضطرابات الخارجية، وتشبع المدخلات. يقدمون شبكة عصبية ضبابية جديدة (FWNN) مصممة لتقدير عدم اليقين المركب، مما يعزز دقة تتبع المسار. يبرز البحث منهجيات التحكم المختلفة، بما في ذلك التحكم بطريقة الانزلاق للشبكات العصبية الضبابية، واستراتيجيات الشبكة العصبية للدالة الأساسية الشعاعية (RBFNN) التكيفية، والتحكم بطريقة الانزلاق التكيفية، مما يظهر فعاليتها في التخفيف من الاضطرابات وتحسين أداء التحكم. من الجدير بالذكر أن المؤلفين يستخدمون نظرية استقرار ليابونوف لتأسيس الحدود النهائية الموحدة لنظام الحلقة المغلقة، مما يضمن أداءً قويًا.
تدمج استراتيجية التحكم بالشبكة العصبية RBF التكيفية المقترحة تقريب النموذج المحلي، والقوانين التكيفية المستندة إلى ليابونوف، والتحكم بطريقة الانزلاق، مما يعالج تحدي ضمان استقرار الحلقة المغلقة. يستخدم المؤلفون تحسين سرب الجسيمات (PSO) لتحسين المعلمات الحرجة لشبكات RBF، مما يعزز قدراتها في التقريب. من خلال محاكاة صارمة وتجارب على المتلاعب ABB IRB1600، تظهر الإطار المقترح دقة تتبع متفوقة ومرونة مقارنة بالطرق التقليدية، مثل SMC-PID، تحت ظروف عدم اليقين المختلفة. تؤكد النتائج على إمكانية استراتيجيات الشبكات العصبية التكيفية في تحسين التحكم في الأنظمة الروبوتية المعقدة دون الاعتماد على معرفة نموذج دقيق مسبقًا.
DOI: https://doi.org/10.1038/s41598-025-34816-4
PMID: https://pubmed.ncbi.nlm.nih.gov/41513731
Publication Date: 2026-01-09
Author(s): Guirong Han et al.
Primary Topic: Neural Networks and Applications
Overview
The research presents a Lyapunov-stability-guaranteed local model adaptive Radial Basis Function (RBF) neural network control algorithm tailored for industrial robots. This innovative approach circumvents the necessity for an exact mathematical model of the plant, facilitating real-time learning and compensation for system nonlinearities and uncertainties. The algorithm employs an adaptive control law that dynamically adjusts the neural network parameters to ensure high-precision tracking control of robot manipulators. Particle Swarm Optimization (PSO) is utilized to optimize the RBF basis width parameters, enhancing the network’s approximation capabilities. Validation through simulations of the ABB IRB1600 industrial robot in MATLAB Simscape and co-simulation with ADAMS demonstrated significant reductions in tracking errors, showcasing the algorithm’s robustness and adaptability while adhering to Lyapunov stability principles.
The study concludes that the proposed adaptive control framework effectively integrates RBF networks, Lyapunov-based adaptive laws, and sliding mode control to address the challenges posed by nonlinearities and uncertainties in industrial manipulators. Key findings include the successful design of an adaptive controller that maintains closed-loop stability, the enhancement of control performance through PSO optimization, and the achievement of real-time tracking control in simulations. However, the reliance on simulated environments without physical hardware validation presents a limitation, as it restricts the assessment of the control strategy’s robustness against real-world disturbances. Future research will focus on extending this control strategy to multi-arm collaborative scenarios and integrating advanced techniques such as deep learning or reinforcement learning to improve decision-making capabilities in complex industrial applications.
Introduction
In the introduction, the paper highlights the pivotal role of industrial robots in modern manufacturing, emphasizing their contributions to production efficiency, cost reduction, and product quality. Despite their advantages, the control technologies for these robots face significant challenges, including precise positioning, adaptability to complex environments, and ensuring safety and reliability. Traditional control methods, such as Proportional-Integral-Derivative (PID) control, Sliding Mode Control (SMC), and Model Predictive Control (MPC), are discussed, each with its strengths and limitations. PID control is noted for its simplicity and effectiveness in linear systems, while SMC offers robustness against disturbances but may suffer from chattering issues. MPC, although capable of handling multiple variables and constraints, is computationally intensive.
The section also reviews various contemporary research efforts aimed at enhancing robot control methodologies. Notable contributions include the application of sliding mode fuzzy control for industrial robots, neural network-based SMC for robotic manipulation, and model predictive control for trajectory tracking in rehabilitation robots. The integration of traditional control algorithms with neural networks is highlighted as a promising approach to improve control performance, particularly for complex, nonlinear systems. The introduction sets the stage for exploring advanced control strategies that leverage both classical methods and modern machine learning techniques to address the evolving challenges in industrial robotics.
Discussion
In this section, the authors discuss advancements in control strategies for robotic manipulators facing dynamic uncertainties, external disturbances, and input saturation. They introduce a novel fuzzy wavelet neural network (FWNN) designed to estimate composite uncertainties, enhancing trajectory tracking accuracy. The paper highlights various control methodologies, including fuzzy neural network sliding mode control, adaptive bias Radial Basis Function Neural Network (RBFNN) strategies, and adaptive sliding mode control, demonstrating their effectiveness in mitigating disturbances and improving control performance. Notably, the authors employ Lyapunov stability theory to establish the uniform ultimate boundedness of the closed-loop system, ensuring robust performance.
The proposed adaptive RBF neural network control strategy integrates local model approximation, Lyapunov-based adaptive laws, and sliding mode control, addressing the challenge of ensuring closed-loop stability. The authors utilize Particle Swarm Optimization (PSO) to optimize critical parameters of the RBF networks, enhancing their approximation capabilities. Through rigorous simulations and experiments on the ABB IRB1600 manipulator, the proposed framework exhibits superior tracking accuracy and robustness compared to conventional methods, such as SMC-PID, under various uncertainties. The findings underscore the potential of adaptive neural network strategies in improving the control of complex robotic systems without relying on precise prior model knowledge.