21 آگوست 2023 -توسط موسسه فناوری شیباورا
فناوری PAM کاربرد گسترده ای در صنایع مختلف دارد. اما ردیابی دقیق پارامترهای سیستم های مبتنی بر PAM برای روش های کنترل سنتی بسیار مهم و در عین حال چالش برانگیز است. کنترل حالت لغزشی فازی تطبیقی (AFSMC) برای سیستم‌های مبتنی بر PAM که توسط محققان ژاپنی پیشنهاد شده است، عملکرد کنترل‌کننده بهبود یافته و سازگاری قابل‌توجهی را با اغتشاشات خارجی ناگهانی نشان می‌دهد، و از طریق دستکاری خروجی کنترل خود، به سرعت به مسیر اصلی باز می‌گردد. اعتبار: گزارش های علمی (2023). DOI
در سال‌های اخیر، ماهیچه‌های مصنوعی پنوماتیک (PAMs) به عنوان محرک‌های امیدوارکننده برای شبیه‌سازی حرکات انسان‌مانند، با کاربردهای برجسته در صنایع مختلف از جمله رباتیک، توانبخشی و پروتز ظاهر شده‌اند.PAM ها معمولا از لاستیک تشکیل شده و با نخ بافته پوشانده شده اند و می توانند مکانیک ماهیچه های انسان را تقلید کنند. آنها می توانند در صورت تامین هوای تحت فشار سفت و منقبض شوند و با آزاد شدن هوا نرم و طولانی شوند. با این حال، PAM یک سیستم غیرخطی است و تأخیر زیادی را تجربه می‌کند، و همین امر داشتن سیستم‌های کنترلی که می‌توانند عملکرد آنها را تنظیم کنند، مهم است.
در حالی که تعیین یک مدل ریاضی غیرخطی برای PAM چالش برانگیز است، محققان در گذشته روش‌های کنترلی زیادی را برای حل مسائل مرتبط با PAM پیشنهاد کرده‌اند. با این حال، در حالی که این روش‌های کنترل سنتی عملکرد مناسبی از خود نشان می‌دهند، قادر به مقابله با غیرخطی بودن و پسماند بودن PAM نیستند. علاوه بر این، در حالی که الگوریتم‌های کنترل یادگیری از نظر تئوری در بهبود عملکرد سیستم مبتنی بر PAM مؤثر بوده‌اند، پیاده‌سازی آنها عملی بسیار دشوار است.
برای غلبه بر این محدودیت ها و رسیدگی به این مشکل باز، گروهی از محققان به رهبری دانشیار Ngoc-Tam BUI از برنامه جهانی نوآورانه، دانشکده مهندسی، موسسه فناوری شیباورا در ژاپن، به همراه دکتر کوی-تین دائو از دانشگاه هانوی علم و فناوری، راه حل جدیدی را پیشنهاد کرده است.
در مطالعه خود که در مجله Scientific Reports منتشر شد، آنها یک رویکرد کنترلی به نام “کنترل کننده حالت لغزشی فازی تطبیقی یا AFSMC پیشنهاد کردند که از منطق فازی (نوعی تفکر محاسباتی) برای تخمین پارامترهای کنترلی سیستم های مبتنی بر PAM استفاده می کند.
دانشیار BUI توضیح می دهد: “استراتژی کنترل ابتکاری پیشنهادی از الگوریتم فازی Takagi-Sugeno برای تخمین مولفه اغتشاش و به روز رسانی خودکار مقادیر متغیر خروجی استفاده می کند، که دقت و سازگاری ردیابی افزایش یافته را در مقایسه با روش های کنترل حالت لغزشی سنتی نشان می دهد.”
محققان ابتدا یک کنترلر حالت لغزشی با یک سیگنال کنترلی توسعه دادند که دارای یک متغیر ویژه برای تخمین اختلالات و بهبود عملکرد کنترل است. سپس، آنها یک الگوریتم فازی تطبیقی طراحی کردند، که در آن بردار پارامترهای قوانین مؤلفه به طور خودکار توسط یک قانون تطبیقی به روز می شوند تا متغیر اختلال را محاسبه کنند.
سپس پایداری الگوریتم ASFMC توسعه‌یافته با استفاده از شرایط پایداری لیاپانوف (برای مطالعه پایداری یک سیستم غیرخطی) مورد تجزیه و تحلیل قرار گرفت. علاوه بر این، محققان مجموعه‌ای از آزمایش‌ها را برای ارزیابی عملکرد کنترل‌کننده خود با مقایسه آن با روش‌های کنترل حالت لغزشی سنتی انجام دادند.
قابل‌توجه است که رویکرد AFSMC دقت ردیابی بهبود یافته‌ای را نشان می‌دهد، با مقدار خطای میانگین مربع ریشه ۲.۶۸ درجه در فرکانس ۰.۵ هرتز تحت بار، در حالی که رویکرد کنترل‌کننده حالت لغزشی مقدار بالاتری از ۴.۲۱ درجه را نشان می‌دهد.
علاوه بر این، سازگاری استثنایی در برابر اختلالات ناگهانی خارجی نشان داد. در توضیح بیشتر این نتایج، دانشیار BUI می‌گوید: “در یک ارزیابی مقایسه‌ای در برابر سیستم بازتوانی تجاری معروف LOKOMAT، کنترل‌کننده AFSMC عملکرد مشابهی را ارائه کرد. همچنین سازگاری فوق‌العاده‌ای نسبت به تغییرات بار ناگهانی نشان داد و دستکاری خروجی کنترل آن به سرعت به مسیر مورد نظر باز می‌گردد..”
بنابراین، این یافته‌ها به پتانسیل رویکرد جدید AFSMC برای ادغام در دستگاه‌های توانبخشی روباتیک، دستگاه‌های کمکی و تجهیزات فیزیوتراپی برای درمان دقیق و شخصی اشاره می‌کنند. علاوه بر این، این رویکرد می تواند به طراحی و توسعه اندام های مصنوعی پیشرفته برای بهبود عملکرد و نتایج توانبخشی کمک کند.
دانشیار BUI در مورد پیامدهای بلندمدت این مطالعه می گوید: “با نتایج این تحقیق، ظهور یک سیستم توانبخشی تجاری که توسط PAM فعال شده است را می توان طی 5 تا 10 سال آینده پیش بینی کرد. این سیستم نوآورانه فراهم می کند. مزایای قابل توجهی برای بیماران، از جمله کسانی که آسیب نخاعی و سکته مغزی دارند و سایرین که نیاز به توانبخشی دارند.
