Feedback linearization is a powerful nonlinear control technique, but its performance degenerates substantially when subject to modeling errors. Recently robust granular feedback linearization, a method that uses the participatory learning to cancel the effect of model mismatches, was introduced to reduce the impact of modeling errors in the control loop. This paper aims to evaluate the performance of the robust, granular feedback linearization controller with learning done using eTS, the evolving Takagi-Sugeno approach. The behavior of the robust, granular feedback linearization with eTS is evaluated using an inverted pendulum control system to track a specified trajectory. Performance is measured using integral of the absolute error, the integral of the variability of the control signal, and the integral of the variability of the error indexes. Simulation results suggest that the robust, granular eTS control performs better than exact feedback linearization. Resumo: A linearização por realimentaçãoé uma poderosa técnica de controle não linear, mas quando aplicada a situações em que há erro de modelagem, seu desempenho fica comprometido e o comportamento em malha fechada degenera. A linearização por realimentação granular robustá e uma técnica que utiliza aprendizagem participativa para cancelar os efeitos causados por erros de modelagem na malha de controle. Esse trabalho objetiva avaliar o desempenho do controlador de linearização por realimentação granular robusta quando o mecanismo de aprendizagemé substituído pelo eTS, o algoritmo evolutivo Takagi-Sugeno. O controlador granular robusto com eTSé utilizado para que os estados de um pêndulo invertido siga uma trajetória especificada. Os resultados de simulação são quantificados usando os critérios da integral do valor absoluto do erro, da integral da variabilidade do erro e da integral da variabilidade do sinal de controle. Os resultados sugerem que o controlador granular robusto com eTS tem desempenho superior a linearização por realimentação exata.
scite is a Brooklyn-based organization that helps researchers better discover and understand research articles through Smart Citations–citations that display the context of the citation and describe whether the article provides supporting or contrasting evidence. scite is used by students and researchers from around the world and is funded in part by the National Science Foundation and the National Institute on Drug Abuse of the National Institutes of Health.