PID Control with Intelligent Compensation for Exoskeleton Robots

کتاب PID Control with Intelligent Compensation for Exoskeleton Robots نوشتهٔ دکتر ون یو (Wen Yu)، یکی از آثار تخصصی و ارزشمند در حوزهٔ مهندسی کنترل و رباتیک است که به یکی از چالش‌های اساسی در طراحی ربات‌های اسکلت‌خارجی (Exoskeleton Robots) می‌پردازد. این کتاب با تلفیق روش‌های کلاسیک کنترل تناسبی-انتگرالی-مشتق‌گیری (PID) با هوش محاسباتی، مسیری نوین برای پایدارسازی و افزایش کارایی این سامانه‌های پیچیده ارائه می‌دهد و منبعی معتبر برای مهندسان و پژوهشگران این عرصه به شمار می‌رود.

دربارهٔ کتاب —

کتاب پیشِ رو، با تکیه بر دانش کنترل خطی و غیرخطی، به دنبال رفع یکی از معایب شناخته‌شدهٔ کنترلکننده‌های PID در رباتیک صنعتی و پزشکی است. همان‌گونه که در مقدمهٔ کتاب نیز اشاره شده، وجود بخش انتگرالی در یک کنترل‌کنندهٔ PID، هرچند به حذف خطای حالت ماندگار کمک می‌کند، اما می‌تواند با کاهش پهنای باند سامانه، عملکرد گذرای آن را با اختلال مواجه کرده و حتی پایداری کلی سیستم را به مخاطره اندازد. راه‌حل سنتی این مشکل، استفاده از کنترل تناسبی-مشتق‌گیری (PD) همراه با جبران‌کننده‌های گرانش و اصطکاک است که خود به مدل‌های دقیق‌تری نیاز دارد. کتاب PID Control with Intelligent Compensation for Exoskeleton Robots با معرفی رویکردی نوین، از شبکه‌های عصبی و سیستم‌های فازی به عنوان جبران‌کننده‌های هوشمند در کنار کنترل‌کننده‌های خطی PID و PD بهره می‌برد. این روش که در کتاب به عنوان «سومین رویکرد» برای تلفیق کنترل هوشمند با PID معرفی شده، به دنبال حفظ ساختار ساده و خطی کنترل‌کنندهٔ صنعتی PID و در عین حال، افزودن یک جبران‌کنندهٔ هوشمند به آن است تا بدون نیاز به مدل‌سازی پیچیده ریاضی، عملکرد سامانه را بهبود بخشد. نویسنده با ارائهٔ اثبات‌های دقیق ریاضی بر پایهٔ پایداری لیاپانوف (Lyapunov stability)، شرایط صریحی برای انتخاب بهینهٔ بهره‌های کنترل‌کنندهٔ خطی PID فراهم می‌آورد که این شرایط در فضای کاری (Task Space) و فضای مفاصل (Joint Space) ربات قابل اعمال است.

دربارهٔ نویسنده

دکتر ون یو (Wen Yu)، نویسندهٔ این کتاب، استاد و رئیس گروه کنترل خودکار در مرکز تحقیقات و مطالعات پیشرفتهٔ مؤسسهٔ پلی‌تکنیک ملی مکزیک (CINVESTAV-IPN) است. او مدرک کارشناسی خود را از دانشگاه تسینگهوا (Tsinghua University) پکن و مدارک کارشناسی ارشد و دکتری خود را در رشتهٔ مهندسی برق از دانشگاه نورث‌ایسترن (Northeastern University) چین دریافت کرده است. سوابق علمی و پژوهشی دکتر یو شامل فعالیت‌های گسترده‌ای در حوزهٔ کنترل هوشمند و رباتیک است و او سابقهٔ همکاری با دانشگاه کالیفرنیا، سانتا کروز و دانشگاه کوئینز بلفاست را در کارنامه دارد. ایشان عضو آکادمی علوم مکزیک بوده و به عنوان سردبیر وابسته در مجلات معتبری همچون IEEE Transactions on Cybernetics و Neurocomputing فعالیت می‌کنند. بخش قابل‌توجهی از پژوهش‌های این کتاب حاصل پروژه‌ای پنج‌ساله با حمایت شورای ملی علوم و فناوری مکزیک (CONACyT) با عنوان «تعامل هوشمند انسان و ربات و ربات توان‌بخشی اسکلت‌خارجی» بوده است.

چرا باید این کتاب را بخوانید؟

مطالعهٔ این کتاب برای طیف گسترده‌ای از دانشجویان، محققان و مهندسین فعال در حوزهٔ رباتیک و کنترل، دستاوردهای ارزشمندی به همراه دارد که در ادامه به برخی از آن‌ها اشاره می‌شود:

• درک عمیقی از چالش‌های کنترل ربات‌های اسکلت‌خارجی: کتاب با ارائهٔ پیش‌نیازهای لازم، خواننده را با ماهیت پیچیدهٔ ربات‌های پوشیدنی و چالش‌های منحصربه‌فرد کنترل آن‌ها، از جمله تعامل با کاربر انسانی، آشنا می‌سازد.
• آشنایی با روش‌های نوین جبران‌سازی هوشمند: این اثر به طور خاص به طراحی جبران‌کننده‌های مبتنی بر شبکه‌های عصبی، سیستم‌های فازی و مد لغزشی (Sliding Mode) برای کنترل‌کننده‌های PD و PID می‌پردازد و مزایا و کاربردهای هر یک را تشریح می‌کند.
• یادگیری تحلیل پایداری با رویکرد ریاضی دقیق: یکی از نقاط قوت کتاب، ارائهٔ اثبات‌های تحلیلی برای پایداری سامانه‌های کنترلی پیشنهادی است که برای کاربردهای صنعتی و تضمین عملکرد ایمن، حیاتی است.
• ارائهٔ مثال‌های عملی و کدنویسی شبیه‌سازی: کتاب شامل کاربردهای عملی بر روی ربات‌های اسکلت‌خارجی و همچنین کدهای شبیه‌سازی در محیط نرم‌افزار متلب (MATLAB) است که به درک بهتر مطالب کمک شایانی می‌کند.
• دیدگاهی جامع در تلفیق کنترل کلاسیک و مدرن: این کتاب پلی است بین تئوری کنترل خطی کلاسیک و روش‌های نوین کنترل هوشمند و نشان می‌دهد که چگونه می‌توان از مزایای هر دو رویکرد برای طراحی سامانه‌های کنترل کارآمدتر بهره جست.

این کتاب برای چه کسانی مناسب است؟

مطالب کتاب به گونه‌ای تدوین شده است که هم برای دانشجویان مقاطع کارشناسی ارشد و دکتری مهندسی برق، مکانیک و رباتیک که به دنبال منبعی جامع برای دروس کنترل رباتیک و سامانه‌های غیرخطی هستند، مفید باشد و هم برای مهندسین شاغل در صنعت که به دنبال درک و به‌کارگیری روش‌های پیشرفتهٔ کنترل در سامانه‌های رباتیک هستند، منبعی ارزشمند برای خودآموزی به شمار می‌رود. پیش‌نیاز درک این کتاب، گذراندن دوره‌هایی در زمینهٔ رباتیک، تحلیل سامانه‌های غیرخطی و شبکه‌های عصبی است.

سوالات متداول

دلیل اصلی استفاده از جبران‌کننده‌های هوشمند در کنترل PID چیست؟

کنترل‌کننده‌های PID به دلیل ساختار ساده و عملکرد مناسب، به طور گسترده در صنعت استفاده می‌شوند. با این حال، بخش انتگرالی آن‌ها می‌تواند باعث کاهش پایداری و عملکرد نامطلوب گذرا در سامانه‌های غیرخطی و پیچیده‌ای مانند ربات‌ها شود. جبران‌کننده‌های هوشمند مانند شبکه‌های عصبی و سیستم‌های فازی، بدون نیاز به مدل‌سازی دقیق ریاضی از ربات، می‌توانند این مشکلات را جبران کرده و عملکرد کلی سامانه را بهبود بخشند.

رویکرد این کتاب با سایر روش‌های کنترل هوشمند چه تفاوتی دارد؟

رویکرد منحصربه‌فرد این کتاب در این است که به جای طراحی یک کنترل‌کنندهٔ هوشمند کامل، یک کنترل‌کنندهٔ خطی استاندارد PID را حفظ کرده و یک جبران‌کنندهٔ هوشمند به موازات آن اضافه می‌کند. این کار مزیت ساختار ساده و شناخته‌شدهٔ PID را حفظ کرده و در عین حال، توانایی جبران‌سازی غیرخطی‌ها را با استفاده از روش‌های هوشمند فراهم می‌آورد. همچنین، این کتاب بر اثبات پایداری تحلیلی این سامانه‌های ترکیبی تأکید ویژه‌ای دارد که برای کاربردهای صنعتی ضروری است.

آیا برای درک این کتاب به دانش پیشرفته‌ای در ریاضیات نیاز است؟

بله، درک مفاهیم این کتاب نیازمند دانش پایه و تا حدی پیشرفته در زمینه‌هایی مانند تحلیل سامانه‌های غیرخطی، نظریهٔ پایداری لیاپانوف، اصول شبکه‌های عصبی و مبانی رباتیک است. نویسنده در مقدمه، این سطوح از دانش را به عنوان پیش‌نیاز مطالعهٔ کتاب ذکر کرده است. با این حال، مطالب به صورت گام‌به‌گام و با ارائهٔ مثال‌های کاربردی ارائه شده‌اند که می‌تواند فرآیند یادگیری را تسهیل کند.

__PID Control with Intelligent Compensation for Exoskeleton Robots__ explains how to use neural PD and PID controls to reduce integration gain, and provides explicit conditions on how to select linear PID gains using proof of semi-global asymptotic stability and local asymptotic stability with a velocity observer. These conditions are applied in both task and joint spaces, with PID controllers compensated by neural networks. This is a great resource on how to combine traditional PD/PID control techniques with intelligent control. Dr. Wen Yu presents several leading-edge methods for designing neural and fuzzy compensators with high-gain velocity observers for PD control using Lyapunov stability. Proportional-integral-derivative (PID) control is widely used in biomedical and industrial robot manipulators. An integrator in a PID controller reduces the bandwidth of the closed-loop system, leads to less-effective transient performance and may even destroy stability. Many robotic manipulators use proportional-derivative (PD) control with gravity and friction compensations, but improved gravity and friction models are needed. The introduction of intelligent control in these systems has dramatically changed the face of biomedical and industrial control engineering. Front_cover Front-Matter Copyright Dedication CONTENTS About the Author Preface Introduction 1 Preliminaries 1.1 Exoskeleton robots 1.2 Control of exoskeleton robots 1.3 Neural network and fuzzy systems 1.4 PD and PID control 1.4.1 PID parameters tuning 1.4.2 PID control in task space 1.4.3 PID control with velocity observer 1.5 PD and PID control with compensations 1.6 Robot admittance control 1.7 Trajectory generation of exoskeleton robots 2 Stable PID Control and Systematic Tuning of PID Gains 2.1 Stable PD and PID control for exoskeleton robots 2.1.1 Stable PD control 2.1.2 Stable PID control 2.2 PID parameters tuning in closed-loop 2.2.1 Linearization of the closed-loop system 2.2.2 PD/PID tuning 2.2.3 Refine PID gains 2.2.4 Stability conditions for PID gains 2.3 Application to an exoskeleton 2.4 Conclusions 3 PID Control in Task Space 3.1 Linear PID control in task space 3.2 Linear PID control with velocity observers 3.3 Experimental results 3.4 Conclusions 4 PD Control with Neural Compensation 4.1 PD control with high gain observer 4.1.1 Singular perturbation method 4.1.2 Lyapunov method 4.2 PD control with neural compensator 4.2.1 PD control with single layer neural compensation 4.2.2 PD control with a multilayer feedforward neural compensator 4.3 PD control with velocity estimation and neural compensator 4.4 Simulation 4.5 Conclusions 5 PID Control with Neural Compensation 5.1 Stable neural PID control 5.2 Neural PID control with unmeasurable velocities 5.3 Neural PID tracking control 5.4 Experimental results of the neural PID 5.5 Conclusions 6 PD Control with Fuzzy Compensation 6.1 PD control with fuzzy compensation 6.2 Membership functions learning and stability analysis 6.3 Experimental comparisons 6.4 Conclusion 7 PD Control with Sliding Mode Compensation 7.1 PD control with parallel neural networks and sliding mode 7.2 PD control with serial neural networks and sliding mode 7.3 Simulation 7.4 Conclusions 8 PID Admittance Control in Task Space 8.1 Human-robot cooperation via admittance control 8.2 PID admittance control in task space 8.3 PID admittance control in task space with neural compensation 8.4 Admittance PD control with Jacobian approximation 8.5 Admittance control with adaptive compensations 8.6 Experimental results 8.6.1 Pan and tilt robot 8.6.2 4-DoF robot 8.7 Conclusions 9 PID Admittance Control in Joint Space 9.1 PD admittance control 9.2 PD admittance control with adaptive compensations 9.3 PD admittance control with sliding mode compensations 9.4 PID admittance control 9.5 Experimental results 9.5.1 Pan and tilt robot 9.5.2 4-DoF exoskeleton 9.6 Conclusion 10 Robot Trajectory Generation in Joint Space 10.1 Codebook and key-points generation 10.2 Joint space trajectory generation with a modified hidden Markov model 10.3 Experiments of learning trajectory 10.3.1 Two-link planar elbow manipulator 10.3.2 4-DoF upper limb exoskeleton 10.4 Conclusions A Design of Upper Limb Exoskeletons A.1 Heavy duty exoskeleton robot A.2 Portable exoskeleton robot Bibliography Index Back_cover PID Control with Intelligent Compensation for Exoskeleton Robots explains how to use neural PD and PID controls to reduce integration gain, and provides explicit conditions on how to select linear PID gains using proof of semi-global asymptotic stability and local asymptotic stability with a velocity observer. These conditions are applied in both task and joint spaces, with PID controllers compensated by neural networks. This is a great resource on how to combine traditional PD/PID control techniques with intelligent control. Dr. Wen Yu presents several leading-edge methods for designing neural and fuzzy compensators with high-gain velocity observers for PD control using Lyapunov stability. Proportional-integral-derivative (PID) control is widely used in biomedical and industrial robot manipulators. An integrator in a PID controller reduces the bandwidth of the closed-loop system, leads to less-effective transient performance and may even destroy stability. Many robotic manipulators use proportional-derivative (PD) control with gravity and friction compensations, but improved gravity and friction models are needed. The introduction of intelligent control in these systems has dramatically changed the face of biomedical and industrial control engineering. Discusses novel PD and PID controllers for biomedical and industrial robotic applications, demonstrating how PD and PID with intelligent compensation is more effective than other model-based compensations Presents a stability analysis of the book for industrial linear PID Includes practical applications of robotic PD/PID control, such as serial sliding mode, explicit conditions for linear PID and high gain observers for neural PD control Includes applied exoskeleton applications and MATLAB code for simulations and applications