← 返回论文列表

动态增长模糊神经控制器在3PSP并联机器人中的应用
A Dynamic-Growing Fuzzy-Neuro Controller, Application to a 3PSP Parallel Robot

作者: Mohsen Jalaeian-Farimani, Mohammad-R Akbarzadeh-T, Alireza Akbarzadeh 等4人
arXiv: 2604.13763v1
分类: eess.SY, cs.AI, cs.LG, cs.NE, cs.RO
📝 论文摘要
迄今为止，软计算的多种范式已被用于解决许多现代问题。其中，模糊系统与神经网络的自组织组合能够构建强大的决策系统。本文提出将动态增长模糊神经控制器与自适应策略相结合，应用于3PSP并联机器人的位置控制问题，并重点探讨了动态增长机制的具体实现。相较于其他自组织方法，动态增长模糊神经控制器以更为保守的方式添加新规则，因此省略了剪枝机制，转而通过自适应策略使控制系统适应参数变化。同时，基于滑模的非线性控制器确保了系统稳定性。该综合控制策略旨在以更少的计算量实现更快的响应速度，同时保持整体稳定性。选择3PSP并联机器人作为研究对象，是基于其复杂的动力学特性以及此类方法在现代工业系统中的实用价值。多组仿真实验验证了所提出的动态增长模糊神经控制器策略在3PSP机器人控制中的优越性。

📊 核心分析

🎯 研究动机
该论文旨在解决复杂工业系统中机器人位置控制的难题。研究背景是： - 软计算(soft computing)范式已广泛用于解决现代控制问题 - 3PSP并联机器人(parallel robot)具有复杂的动力学特性，是验证先进控制策略的理想平台 - 需要设计一种既能快速响应又计算高效且保持稳定性的控制器
🔧 核心方法
论文提出并应用了一种名为动态增长模糊神经控制器(Dynamic Growing Fuzzy Neural Controller, DGFNC)的混合智能控制方法，具体包括： - 将模糊系统(fuzzy systems)与神经网络(neural networks)进行自组织(self-organizing)结合 - 采用保守的动态增长机制(dynamic growing mechanism)添加新规则，省略剪枝机制(pruning mechanism) - 结合自适应策略(adaptive strategy)来适应系统参数变化 - 引入基于滑模控制(sliding mode control)的非线性控制器来保证系统稳定性
💡 核心创新
论文的核心创新点在于： - 提出了一种保守的动态增长机制：与现有自组织方法相比，DGFNC更保守地添加新规则，从而简化结构并减少计算量 - 创新的控制架构融合：将动态增长模糊神经控制器、自适应策略和滑模稳定性保证有机结合，形成统一的控制策略 - 省略剪枝机制：通过自适应策略替代传统的剪枝操作，使系统能适应参数变化而无需频繁结构调整
🏆 总体贡献
论文对该领域的整体贡献包括： - 提出了一种新型的混合智能控制框架DGFNC，实现了快速响应与低计算成本的平衡 - 为复杂动力学系统（如3PSP并联机器人）提供了有效的控制解决方案 - 通过仿真验证了所提方法在工业机器人控制中的优越性能 - 推动了模糊神经控制(fuzzy-neuro control)在自适应和自组织方向的发展