Bộ điều khiển bền vững thích nghi nơ ron trên cơ sở của công nghệ cuốn chiếu cho tay máy

Nghiên cứu này đưa ra một bộ điều khiển bền vững thích nghi nơ ron (ARNNs) trên cơ sở của công nghệ điều khiển cuốn chiếu cho cánh tay máy robot để cải thiện vị trí bám. Trong nghiên cứu này, bộ điều khiển là sự kết hợp những thuận lợi của mạng nơ ron hướng tâm, điều khiển trượt và công nghệ điều khiển cuốn chiếu. Bộ điều khiển RBFNNs được sử dụng xấp xỉ hàm chưa rõ để giải quyết sự mở rộng của nhiễu và hàm phi tuyến chưa rõ. Hơn thế nữa, nhiễu của hệ thống được bù bởi bộ điều khiển trượt.

SCIENCE - TECHNOLOGY P-ISSN 1859-3585 E-ISSN 2615-9619 BỘ ĐIỀU KHIỂN BỀN VỮNG THÍCH NGHI NƠ RON TRÊN CƠ SỞ CỦA CÔNG NGHỆ CUỐN CHIẾU CHO TAY MÁY ADAPTIVE ROBUST NEURAL NETWORK CONTROLLER BASIS ON BACKSTEPPING FOR ROBOT MANIPULATORS Vũ Thị Yến*, Trần Đức Hiệp, Phạm Thế Vũ, Phạm Trung Hiếu TÓM TẮT Nghiên cứu đưa điều khiển bền vững thích nghi nơ ron (ARNNs) sở công nghệ điều khiển chiếu cho cánh tay máy robot để cải thiện vị trí bám Trong nghiên cứu này, điều khiển kết hợp thuận lợi mạng nơ ron hướng tâm, điều khiển trượt công nghệ điều khiển chiếu Bộ điều khiển RBFNNs sử dụng xấp xỉ hàm chưa rõ để giải mở rộng nhiễu hàm phi tuyến chưa rõ Hơn nữa, nhiễu hệ thống bù điều khiển trượt Tất tham số điều khiển xác định thuyết ổn định Lyapunov Chúng thay đổi online luật học thích nghi Do đó, tính ổn định bền vững hiệu suất bám yêu cầu điều khiển ARNNs cho cánh tay máy robot đạt khả bền vững hiệu suất điều khiển ARNNs chứng minh việc thực mô cánh tay máy robot bậc tự Từ khóa: Robot người máy; mạng nơ ron; điều khiển bền vững thích nghi; điều khiển trượt ABSTRACT This present study proposes an Adaptive Robust Neural Networks (ARNNs) based on backstepping control method for industrial robot manipulators (IRMs) in order to improve high correctness of the position tracking control In this research, the ARNNs controller is combined the advantages of Radial Basis Function Neural Networks (RBFNNs), the robust term and adaptive backstepping control technique The NNs is used in order to approximate the unknown function to deal with external disturbances and uncertain nonlinearities In addition, the disturbance of system is compensated by the robust Sliding Mode Control (SMC) All the parameters of ARNNs are determined by the Lyapunov stability theorem They are tuned online by the adaptive training laws Therefore, the stability, robustness and desired tracking performance of ARNNs for IRMs are guaranteed The robustness and effectiveness of the ARNNs are proved by the simulations performed on the three-link IRMs Keywords: Robot manipulators; neural network; sliding mode control; robust adaptive control Khoa Điện, Trường Đại học Công nghiệp Hà Nội * Email: havi2203@gmail.com Ngày nhận bài: 10/01/2021 Ngày nhận sửa sau phản biện: 20/6/2021 Ngày chấp nhận đăng: 25/8/2021 Website: https://tapchikhcn.haui.edu.vn CHỮ VIẾT TẮT IRMs: Industrial Robot Manipulators SMC: Sliding Mode Control RBFNNs: Radial Basis Function Neural Networks ARNNs: Adaptive Robust Neural Networks PID: Proportional Integral Differential AF: Adaptive Fuzzy GIỚI THIỆU CHUNG Với đời cách mạng công nghiệp 4.0, sản xuất thông minh ngày trọng phát triển Do nghiên cứu điều khiển để điều khiển cho robot công nghiệp quan tâm Tuy nhiên, robot công nghiệp đối tượng phi tuyến, q trình làm việc, ln chịu tác động nhiễu vấn đề đặt việc thiết kế điều khiển phù hợp gặp nhiều khó khăn Đã có nhiều điều khiển cho robot đưa điều khiển PID, điều khiển thích nghi, điều khiển trượt,… đưa tài liệu [1-6] Ngày điều khiển thông minh sở điều khiển mờ mạng nơ ron ứng dụng rộng rãi điều khiển robot công nghiệp Bộ điều khiển mờ công cụ hiệu việc xấp xỉ hệ thống phi tuyến [7-10] Trong [8] điều khiển mờ bền vững thích nghi để điều khiển cho đối tượng phi tuyến Ở đây, tác giả kết hợp thuận lợi điều khiển mờ, điều khiển trượt điều khiển thích nghi để điều khiển cho đối tượng phi tuyến Bộ điều khiển mờ sử dụng để xấp xỉ động lực học chưa rõ hệ thống phi tuyến điều khiển đưa đảm bảo tính ổn định hiệu suất bám theo yêu cầu Tuy nhiên, điều khiển mờ xây dựng luật điều khiển luật điều khiển chủ yếu xây dựng kinh nghiệm người thiết kế Do đó, với kiến thức kinh nghiệm nhiều chưa đủ khó để xây dựng luật điều khiển tối ưu Để giải vấn đề này, điều khiển thông minh sở mạng nơ ron đưa [11-17] Trong tài liệu [11], điều khiển thích nghi nơ ron đưa điều khiển cho cánh tay robot Ở điều khiển nơ ron sử dụng để xấp xỉ động lực học chưa rõ Vol 57 - No (Aug 2021) ● Journal of SCIENCE & TECHNOLOGY KHOA HỌC CƠNG NGHỆ P-ISSN 1859-3585 E-ISSN 2615-9619 robot Ngồi tham số điều khiển xác định sở thuyết ổn định Lyapunov Hơn nữa, tham số điều chỉnh online q trình làm việc luật thích nghi Bộ điều khiển đưa đảm bảo khả ổn định hiệu suất điều khiển yêu cầu Bằng việc kế thừa ưu điểm điều khiển nơ ron, báo đưa điều khiển nơ ron sở công nghệ điều khiển chiếu để điều khiển cho cánh tay robot công nghiệp Bước 2: đạo hàm z (t) theo thơi gian, ta có: ż (t) = α̇ Xét phương trình động lực học cánh tay robot đưa sau [11]: M(q)q̈ + C(q, q̇ )q̇ + G(q) + F(q̇ ) + τ = τ (1) Để thiết kế điều khiển đưa số tính chất cho (1) sau [4]: Tính chất 1: Ma trận khối lượng suy rộng M (q) ma trận đối xứng xác định dương M(q) ≤ m I (2) Thay công thức (5, 6, 10) vào (1), ta có: Mż = Mα̇ + Cα − Cz + G + F + τ − τ (11) Hàm thứ theo Lyapunov L chọn sau: L z ,z =L z (t) + z Mz (12) Đạo hàm theo thời gian L là: L̇ z , z = z z (t) − λ z + z Ṁz L̇ (13) + Cα + z (y + τ − τ) (15) Luật điều khiển thích nghi chọn sau: τ=y+λ z +z +τ (16) >0 Thay cơng thức (16) vào cơng thức (14), ta có: L̇ = −z λ z − z λ z (17) (17), ta thấy L̇ < 0, z (t), z (t) < L̇ z (0), z (0) Vậy hệ thống Từ L̇ (14) +G+F Với λ C số dương Bộ điều khiển chiếu cho động lực học robot công nghiệp mô tả sau [7]: Bước 1: z (t), ż (t) vector sai lệch bám đạo hàm vector sai lệch định nghĩa sau: z (t) = q − q ż (t) = q̇ − q̇ (5) = z z (t) − z λ z Với y = Mα̇ (4) BỘ ĐIỀU KHIỂN CUỐN CHIẾU + z Mż Thay công thức (11) vào (13) sử dụng giả thuyết 2, ta có: L̇ = z z (t) − λ z + z Ṁz +z Mα̇ + Cα − Cz + G + F + τ − τ m > 0 và m ∈ R Tính chất 2: Ṁ(q) − 2C(q, q̇ ) ma trận đối xứng lệch cho véc tơ x bất kỳ: (3) x Ṁ(q) – 2C(q, q̇ ) x = Tính chất 3: C(q, q̇ )q̇ , F(q̇ ) giới hạn theo: ‖C(q, q̇ )q̇ ‖ ≤ C ‖q̇ ‖ (10) Ở đây, q̈ sử dụng giống đầu vào điều khiển ảo thứ 2 ĐỘNG LỰC HỌC CỦA ROBOT Ở đây (q, q̇ , q̈ ) ∈ R × vị trí, vận tốc gia tốc robot M(q) ∈ R × ma trận khối lượng suy rộng C(q, q̇ ) ∈ R ma trận lực ly tâm ma trận gia tốc coriolis G(q) ∈ R × véc tơ mơ tả thành phần trọng lượng, τ ∈ R × mô men điều khiển (t) − q̈ công thức ổn định không phụ thuộc vào z CẤU TRÚC BỘ ĐIỀU KHIỂN RBFNNs Cấu trúc điều khiển RBFNNs đưa hình 1, bao gồm lớp: lớp (đầu vào - Input layer), Lớp (lớp ẩn - Hidden layer), Lớp (Lớp đầu - Output layer) [12] Bằng việc sử dụng q̇ đầu điều khiển ảo Định nghĩa hàm như: α (t) = q̇ + λ z α̇ (t) = q̈ + λ ż (6) Với λ >0 Hàm theo Lyapunov L chọn sau: (7) L z (t) = z z Vector sai lệch bám ( ) định nghĩa sau: z (t) = α (t) − q̇ = ż Đạo hàm L L̇ +λ z (8) z (t) tính sau: z (t) = z ż =z z (t) − λ z (9) Tạp chí KHOA HỌC VÀ CÔNG NGHỆ ● Tập 57 - Số (8/2021) Hình Cấu trúc RBFNN Website: https://tapchikhcn.haui.edu.vn SCIENCE - TECHNOLOGY P-ISSN 1859-3585 E-ISSN 2615-9619 Giả thiết M(q), C(q, q̇ ), G(q), F(q̇ ) giá trị đầu điều khiển RBFNNs chúng xác định tương ứng sau: y = Mα̇ + Cα Sử dụng công thức (6) công thức (22-25), công thức (28) viết lại sau: M(q) = M (q) + Γ = W ∗ Ξ (q) + Γ C(q, q̇ ) = C (q, q̇ ) + Γ = W ∗ Ξ (q, q̇ ) + Γ (18) (19) y = W ∗ Ξ (q) q̈ + λ ż G(q) = G (q) + Γ = W ∗ Ξ (q) + Γ (20) +W ∗ Ξ (q, q̇ ) q̇ + λ z (21) F(q̇ ) = F (q̇ ) + Γ = W ∗ Ξ (q̇ ) + Γ Ở đây, W , W , W giá trị trọng số tối ưu điều khiển h , h , h đầu lớp ẩn E , E , E sai W , W , W tương ứng giới hạn Giá trị đánh giá M (q), C (q, q̇ ), G (q) xác định theo công thức sau: M (q) = W ∗ Ξ (22) C (q, q̇ ) = W ∗ Ξ (23) G (q) = W ∗ Ξ (24) F (q̇ ) = W ∗ Ξ (25) Trong đó: M , C , G , F giá trị đánh giá M (q), C (q, q̇ ), G (q) W , W , W , và W giá trị đánh giá W , W , W W THIẾT KẾ BỘ ĐIỀU KHIỂN VÀ PHÂN TÍCH TÍNH ỔN ĐỊNH 5.1 Thiết kế điều khiển Robot tác động lực τ điều khiển thiết kế cho sai lệch bám vị trí mong muốn khớp q với véc tơ vị trí thực tế robot q hội tụ t → ∞ Cấu trúc điều khiển thiết kế hình e(t), ė (t) tương ứng sai lệch vị trí sai lệch tốc độ Luật thích nghi xác định sau: τ = y + λ z + z + τ (26) Ở đây, τ hàm y (28) +G+F (29) +W ∗ Ξ (q) + W ∗ Ξ (q̇ ) Bộ điều khiển trượt thiết kế sau: z η W η W η W η W τ = + + + z 4 4 +η sgn z Ở đây: β = = + (30) β + η sgn z + + ; η ≥ ‖Γ + τ ‖ Với việc phân tích trên, luật học điều khiển chọn sau: ̇ ⎧W = K Ξ (q) q̈ + λ ż z − η K z W ⎪ Ẇ = K Ξ (q, q̇ ) q̇ + λ z z − η K z W (31) ⎨ Ẇ = K Ξ (q)z − η K z W ⎪ ̇ ⎩ W = K Ξ (q̇ )z − η K z W Ở đây: K , K , K , K , η , η , η , η hàng số dương hàng số đường chéo ma trận điều khiển trượt y giá trị xấp xỉ Thay công thức (6) công thức (18-21) vào công thức (15), công thức (15) viết lại sau: y = W ∗ Ξ (q) + Γ q̈ + λ ż + W ∗ Ξ (q, q̇ ) + Γ q̇ + λ z +W ∗ Ξ (q) + Γ + W ∗ Ξ (q̇ ) + Γ y = W ∗ Ξ (q) q̈ + λ ż +Γ Hình Cấu trúc hệ thống điều khiển robot q̈ + λ ż 5.2 Phân tích tính ổn định +W ∗ Ξ (q, q̇ ) q̇ + λ z +Γ q̇ + λ z Xét robot n link có phương trình động học phương trình (1) điều khiển RBFNNs có luật thích nghi cơng thức (26) Phân tích tính ổn định hệ thống theo thuyết Lyapunov + W ∗ Ξ (q) + Γ +W ∗ Ξ (q̇ ) + Γ y = W ∗ Ξ (q) q̈ + λ ż (27) +W ∗ Ξ (q, q̇ ) q̇ + λ z +W ∗ Ξ (q) + W ∗ Ξ (q̇ ) + Γ Ở đây: Γ=Γ q̈ + λ ż + Γ q̇ + λ z +Γ +Γ Giá trị xấp xỉ đầu điều khiển y tính tốn sau: Website: https://tapchikhcn.haui.edu.vn Xét hàm Lyapunov có phương trình sau: 1 L(t) = z z + z Mz 2 tr W K W + tr W K W + +tr W K W + tr W K W (32) Ở đây: W = W − W , W = W − W , W = W −W ,W = W −W Vol 57 - No (Aug 2021) ● Journal of SCIENCE & TECHNOLOGY KHOA HỌC CÔNG NGHỆ P-ISSN 1859-3585 E-ISSN 2615-9619 Đạo hàm theo thời gian L(t): L̇(t) = z ż + z Ṁz + z Mż +tr W K Ẇ + tr W K Ẇ +tr W K Ẇ + tr W K L̇(t) ≤ −z λ z z −η z −η z (33) Ẇ Thay công thức (11) sử dụng giả thuyết vào cơng thức (33), ta có: L̇(t) = z z (t) − z λ z + z (y + τ − τ) +tr W K Ẇ + tr W K Ẇ (34) +tr W K Ẇ + tr W K Ẇ Thay công thức (26), (27), (29), (31), ta có: L̇(t) = −z λ z − z λ z +W ∗ Ξ (q) q̈ + λ ż −η −η z −z λ z W − W W − W W − W W − W z −z λ z (36) L̇(t) ≤ −z λ Ta thấy L̇(t) ≤ 0, hệ thống ổn định không phụ thuộc vào z KẾT QUẢ MÔ PHỎNG HỆ THỐNG z +W ∗ Ξ (q, q̇ ) q̇ + λ z z +W ∗ Ξ (q)z −τ z + W ∗ Ξ (q̇ )z + (Γ + τ )z − tr W K Ẇ − tr W K Ẇ −tr W K L̇(t) = −z λ z Ẇ − tr W K Ẇ −z λ z +W ∗ Ξ (q, q̇ ) q̇ + λ z +W ∗ Ξ (q)z +(Γ + τ )z z + W ∗ Ξ (q̇ )z +η z trW W −W (35) +η z trW W − W +η z trW W − W +η z trW W − W −τ z Sử dụng định luật  T W  W    W  ,W  W  trW  W  W   W Và thay công thức (30) vào công thức (35), ta có: L̇(t) = −z λ z − z λ z +W ∗ Ξ (q, q̇ ) q̇ + λ z +W ∗ Ξ (q)z +(Γ + τ )z z + W ∗ Ξ (q̇ )z + η z trW W −W +η z trW W − W +η z trW W − W +η z trW W − W − τ z ̇L(t) ≤ −z λ z − z λ z + (Γ + τ )z +η z ‖W ‖ W +η z ‖W ‖ W − W +η z ‖W ‖ W − W +η z ‖W ‖ W − W −z z z − W β − z η sgn z Tạp chí KHOA HỌC VÀ CƠNG NGHỆ ● Tập 57 - Số (8/2021) Hình Robot bậc tự Phương trình động học robot (hình 3) sau: q̈ C C C q̇ M M M G M M M q̈ + C C C q̇ + G M M M G q̈ C C C q̇ τ = τ τ M = (m + m + m )l + (m + m )l + m l +2(m + m )l l cos(q ) +2m l l cos(q + q ) + 2m l l cos(q ) M = (m + m )l + m l + (m + m )l l cos(q ) +m l l cos(q + q ) + 2m l l cos(q ) M = m l + m l l cos(q + q ) + m l l cos(q ) M =M M = (m + m )l + m l + 2m l l cos(q ) M = m l + m l l cos(q ) M = m l + m l l cos(q + q ) + m l l cos(q ) M =M M =m l C = −2(m + m )l l sin(q ) q̇ −2m l l sin(q ) q̇ −2m l l sin(q + q ) (q̇ + q̇ ) C = −(m + m )l l sin(q ) q̇ − 2m l l sin(q ) q̇ −m l l sin(q + q ) (q̇ ) − 2m l l sin(q + q )q̇ Website: https://tapchikhcn.haui.edu.vn SCIENCE - TECHNOLOGY P-ISSN 1859-3585 E-ISSN 2615-9619 C C C C C C C = −m l l sin(q ) q̇ − m l l sin(q + q )q̇ = −(m + m )l l sin(q ) q̇ − 2m l l sin(q ) q̇ −m l l sin(q + q ) (q̇ + q̇ ) +(m + m )l l sin(q ) (q̇ + q̇ ) +m l l sin(q + q )(q̇ + q̇ + q̇ ) = −2m l l sin(q ) q̇ = −m l l sin(q ) q̇ = −m l l sin(q + q )(q̇ + q̇ ) −m l l sin(q ) q̇ +m l l sin(q + q )(q̇ + q̇ + q̇ ) +m l l sin(q + q )(2q̇ + q̇ + q̇ ) = m l l sin(q ) q̇ = 0; G = (m + m + m )gl sin(q ) +(m + m )gl sin(q + q ) +m gl sin(q + q + q ) G = (m + m )gl sin(q + q ) +m gl sin(q + q + q ) G = m gl sin(q + q + q ) Ở đây, p , p , p trọng lượng link, l , l , l chiều dài link g = 10(m/s ) Các thông số link robot sau: p = 4,5 (kg), p = 3,2 (kg), p = 1,6 (kg); l = 450 (mm), l = 340 (mm), l = 220 (mm); Giá trị vị trí mẫu link chọn sau: q q ] q = [q = [sin(1,5t) 0,5 sin(2t) sin(1,5t)] ; Mô vài trường hợp sau: Trường hợp 1: Nhiễu lực chọn có dạng sau: 2sin t   2sign q1        τ  2sin t  ;F L  2signq  2sin t  2sign q     Các thông số điều khiển: λ = diag(80, 80,80); λ = diag(40, 40,40); K = K = K = K = diag(15 , 25 ,25, 20); η = η = η = η = 0,5; η = diag(0,5; 0,07; 0,05); Bảng Thông số độ hệ thống Link Thời gian xác lập (s) Sai số xác lập 0,2 3,136.10-4 0,3 3,243.10-4 0,35 5,968.10-3 Hình Kết mơ trường hợp 1: Vị trí, sai lệch bám, mơ men điều khiển link robot tương ứng với điều khiển ARNNs, AF, PID Tín hiệu điều khiển điều khiển trượt hàm xấp xỉ ARNNs Trường hợp 2: Hệ thống làm việc sau thời gian 1,5s ta đưa thêm nhiễu có dạng sau: ( ) = [40 sin(20 ) 40 sin(20 ) 40 sin(20 ) ] Website: https://tapchikhcn.haui.edu.vn Nhận xét: Từ kết mơ hình thấy ba điều khiển PID, AF ARNNs đảm bảo tính ổn định bền vững trình làm việc Tuy nhiên, qua kết mơ hình 4, cho thấy mô men điều khiển điều khiển ARNNs hội tụ nhanh hơn, sai lệch bám mô men điều khiển nhỏ hai điều khiển lại Điều chứng minh chất lượng điều khiển robot việc sử dụng điều khiển ARNNs ổn định hơn, khả bám cải thiện Vol 57 - No (Aug 2021) ● Journal of SCIENCE & TECHNOLOGY KHOA HỌC CƠNG NGHỆ Hình Kết mơ trường hợp 2: Vị trí, sai lệch bám, mô men điều khiển link robot tương ứng với điều khiển ARNNs, AF, PID Tín hiệu điều khiển điều khiển trượt hàm xấp xỉ ARNNs KẾT LUẬN Bài báo đưa điều khiển thích nghi bền vững nơ ron sở thuật toán điều khiển chiếu để điều khiển cho robot link đảm bảo độ xác mơi trường làm việc khác Trên sở thuyết ổn định Lyapunov, nhóm tác giả chứng minh hệ thống luôn ổn định toàn vùng làm việc Hiệu điều khiển kiểm chứng qua mô so sánh với điều khiển PID điều khiển mờ thích nghi AF Quan sát kết mô thấy khả bám, sai lệch bám điều khiển đưa tốt điều khiển PID điều khiển AF Từ kết mơ tiếp tục nghiên cứu để đưa vào thực nghiệm ứng dụng vào thực tế Tạp chí KHOA HỌC VÀ CÔNG NGHỆ ● Tập 57 - Số (8/2021) P-ISSN 1859-3585 E-ISSN 2615-9619 TÀI LIỆU THAM KHẢO [1] Vicente Parra-Vega, Suguru Arimoto, Yun-Hui Liu, Gerhard Hirzinger, Prasad Akella, 2003 Dynamic Sliding PID Control for Tracking of Robot Manipulators: Theory and Experiments IEEE Trans on robotics and automation, vol 19(6), pp 967-976 [2] I Kanellakopoulos, P V Kokotovic, A S Morse, 1991 Systematic design of adaptive controllers for feedback linearizable systems IEEE Trans Autom Control, vol 36, no 11, pp 1241-1253 [3] M Kristic, I Kanellakopoulos, P V Kokotovic, 1995 Nonlinear and Adaptive Control Design New York: Wiley [4] R A Freeman, P V Kokotovic, 1996 Robust Nonlinear Control Design Boston, MA: Birkhäuser [5] B Yao, M Tomizuka, 1997 Adaptive robust control of SISO nonlinear systems in a semi-strict feedback form Automatica, vol 33, no 5, pp 893-900 [6] Z P Jiang, L Praly, 1998 Design of robust adaptive controllers for nonlinear systems with dynamic uncertainties Automatica, vol 34, no 7, pp 825-840 [7] Y S Yang, C J Zhou, 2005 Adaptive fuzzy stabilization for strictfeedback canonical nonlinear systems via backstepping and smallgain approach IEEE Trans Fuzzy Syst., vol 13, no 1, pp 104-114 [8] Tong S C., Li H X., 2003 Fuzzy Adaptive Sliding Mode Control for MIMO Nonlinear Systems IEEE Transaction on Fuzzy Systems, 11(3): 354-360 [9] Y Zhang, P Y Peng, Z P Jiang, 2000 Stable neural controller design for unknown nonlinear systems using backstepping IEEE Trans Neural Netw., vol 11, no 6, pp 1347-1360 [10] S S Zhou, G Feng, C B Feng, 2005 Robust control for a class of uncertain nonlinear systems: Adaptive fuzzy approach based on backstepping Fuzzy Sets Syst., vol 151, no 1, pp 1-20 [11] He W., Chen Y., Yin Z., 2016 Adaptive Neural Network Control of an Uncertain Robot With Full-State Constraints IEEE Transactions on Cybernetics, 46(3): 620-629 [12] Rong H J., Wei J T., Bai J M., et al., 2015 Adaptive Neural Control for a Class of MIMO Nonlinear Systems with Extreme Learning Machine Neurocomputing, 149, 405-414 [13] Kern J., Jamett M., Urrea C., et al., 2014 Development of a neural controller applied in a DOF robot redundant IEEE Latin America Transactions, 12(2): 98-106 [14] Sun C., He W., Ge W., et al., 2017 Adaptive Neural Network Control of Biped Robots IEEE Transactions on systems, Man, and Cybernetics, 47(2): 315-326 [15] Zheng G., Zhou Y., Ju M., 2019 Robust control of silicone soft robot using neural networks ISA Transactions the journal of Automation, 0578(19): 1-15 [16] Zhang D., Kong L., Zhang Q L., Fu Q., 2020 Neural network based Fixed Time control for a robot with uncertainties and input Deadzone Neurocomputing, https://doi.org/10.1016/j.neucom.2020.01.072 [17] Yuncheng Ouyang, Lu Dong, Yanling Wei, Changyin Sun, 2020 Neural Network Based Tracking Control for an Elastic Joint Robot With Input Constraint via ActorCritic Design Neurocomputing, https://doi.org/10.1016/j.neucom.2020.05.067 AUTHORS INFORMATION Vu Thi Yen, Tran Duc Hiep, Pham The Vu, Pham Trung Hieu Faculty of Electrical Engineering, Hanoi University of Industry Website: https://tapchikhcn.haui.edu.vn ... ổn định hiệu suất điều khiển yêu cầu Bằng việc kế thừa ưu điểm điều khiển nơ ron, báo đưa điều khiển nơ ron sở công nghệ điều khiển chiếu để điều khiển cho cánh tay robot công nghi? ??p Bước 2: đạo... ARNNs KẾT LUẬN Bài báo đưa điều khiển thích nghi bền vững nơ ron sở thuật toán điều khiển chiếu để điều khiển cho robot link đảm bảo độ xác mơi trường làm việc khác Trên sở thuyết ổn định Lyapunov,... làm việc Hiệu điều khiển kiểm chứng qua mô so sánh với điều khiển PID điều khiển mờ thích nghi AF Quan sát kết mô thấy khả bám, sai lệch bám điều khiển đưa tốt điều khiển PID điều khiển AF Từ kết