UỚC LƯỢNG NHIỄU BẰNG MẠNG NƠ-RON NHẰM NÂNG CAO HIỆU NĂNG BỘ ĐIỀU KHIỂN PID CHO CƠ CẤU BỐN KHÂU BẢN LỀ

Tóm tắt

Bài báo này đề xuất một phương pháp điều khiển kết hợp giữa PID và mạng nơ-ron nhằm cải thiện khả năng bám quỹ đạo của cơ cấu bốn khâu trong điều kiện có nhiễu. Trong các hệ cơ khí thực tế, các yếu tố bất định như ma sát khớp, thay đổi tải và nhiễu từ môi trường có thể làm suy giảm đáng kể độ chính xác điều khiển. Để khắc phục vấn đề này, một mạng nơ-ron được sử dụng để ước lượng nhiễu dựa trên trạng thái hệ và tín hiệu điều khiển, sau đó được dùng để bù vào tín hiệu điều khiển PID theo thời gian thực. Một mô hình động lực học rút gọn của cơ cấu bốn khâu được sử dụng để đánh giá phương pháp đề xuất. Nhiễu được mô hình hóa bao gồm cả thành phần biến thiên theo thời gian và thành phần ma sát phụ thuộc vận tốc, giúp phản ánh tốt hơn các đặc tính của hệ cơ khí. Kết quả mô phỏng trong nhiều trường hợp nhiễu cho thấy phương pháp PID kết hợp mạng nơ-ron giúp giảm đáng kể sai số bám quỹ đạo so với PID truyền thống. Điều này khẳng định hiệu quả của phương pháp bù nhiễu bằng mạng nơ-ron trong việc nâng cao độ bền vững và hiệu năng điều khiển.

Title

NEURAL-NETWORK-BASED DISTURBANCE ESTIMATION FOR ENHANCED PIDCONTROL OF A FOUR-BAR LINKAGE

Abstract

This paper presents a neural-network-assisted PID control approach for improving trajectory tracking performance of a four-bar linkage under disturbance. In practical mechanical systems, uncertainties such as joint friction, load variations, and external disturbances significantly degrade control accuracy. To address this issue, a neural network is employed to estimate the disturbance based on system states and control inputs. The estimated disturbance is then used to compensate the PID control signal in real time. A simplified dynamic model of the four-bar linkage is adopted to evaluate the proposed method. Disturbances are modeled to include both time-varying components and velocity-dependent friction, providing a more realistic representation of mechanical uncertainties. Simulation results under multiple disturbance scenarios demonstrate that the proposed PID+NN approach significantly reduces tracking error compared to conventional PID control. The results confirm the effectiveness of neural-network-based disturbance compensation in enhancing robustness and tracking performance.