An adaptive neuro-fuzzy sliding mode based genetic algorithm control system for under water remotely operated vehicle

Moghaddam, Jalal Javadi; Bagheri, Ahmad

doi:10.1016/j.eswa.2009.06.015

Cited by 64 publications

(24 citation statements)

References 14 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…El control de un vehículo subacuático es complejo dado que existen efectos hidrodinámicos no lineales que resultan de la interacción con el medio y que en muchas ocasiones no es posible cuantificar [63]. Cohan [9] determinó que el desarrollo de sistemas de control para ROV es un tema actual y con futuro de desarrollo promisorio, lo cual se puede constatar con el número de trabajos que se encuentran en la literatura, entre estos [58], [64], [65], [66].…”

Section: Algoritmos De Controlunclassified

Una arquitectura para el diseño conceptual de vehículos para exploración subacuática

et al. 2015

View full text Add to dashboard Cite

ResumenEste artículo presenta una arquitectura para el diseño conceptual de vehícu-los subacuáticos operados remotamente (ROV). La arquitectura propuesta está basada en una revisión extensa de literatura y la experiencia obtenida durante 20 años con el desarrollo de tres sistemas ROV diseñados para misiones de inspección subacuática. El ROV se divide en cinco subsistemas: vehículo, estación en superficie, interfaz superficie/vehículo, sistema de control y software. Para cada uno de estos subsistemas se definen funciones y tareas, se enuncian componentes, se establecen interrelaciones con otros subsistemas y se plantean alternativas comúnmente utilizadas. La delimitación de los subsistemas desde el diseño conceptual busca evitar problemas en las fases avanzadas del desarrollo del sistema robótico de exploración.Palabras clave: diseño de ROV; exploración subacuática; sistema robótico de exploración; vehículos submarinos autónomos

show abstract

Section: Algoritmos De Controlunclassified

Una arquitectura para el diseño conceptual de vehículos para exploración subacuática

et al. 2015

View full text Add to dashboard Cite

show abstract

“…Adicionalmente a esto, la literatura reporta numerosos estudios que proponen derivaciones o extensiones de la estructura de control presentada en la Fig. 3, donde se destaca la forma en que los modelos neuro-difusos son potenciados con el poder de optimización que tienen los algoritmos genéticos [59]. En [60], por ejemplo, se presenta la integración de un Algoritmo Genético de forma Reducida (RGA) con un Controlador Neuro-difuso de Adaptación Indirecta, en un sólo algoritmo denominado RIAFC y aplicado a sistemas complejos con incertidumbre.…”

Section: Modelos Neuro-difusos Para El Control De Sistemas Compleunclassified

Dinámica Estocástica o Compleja con Información Incompleta: Una Revisión desde el Control

Gómez¹,

Palacio²,

Valencia³

et al. 2013

Iteckne

View full text Add to dashboard Cite

Resumen-El control de procesos con dinámica estocástica o compleja es exitoso siempre y cuando se pueda estimar un modelo que se ajuste bien al comportamiento, sin embargo, esta suposición pierde validez en aplicaciones donde la información del sistema es reducida o incompleta, muy comunes en ambientes reales de la industria. La literatura presenta diferentes esquemas de control, siendo los modelos neuro-difusos los que reportan mejor desempeño. Estos modelos conjugan la capacidad de adaptación que tienen las redes neuronales con la robustez de los motores de inferencia que tiene la lógica difusa, para modelar el conocimiento de expertos mediante reglas de aprendizaje, identificar dinámicas complejas y aumentar la adaptabilidad del sistema a perturbaciones que en la práctica tienden a ser de naturaleza estocástica sumado, a veces, que la información del sistema sea restringida. Este artículo presenta una revisión sobre dificultades y soluciones derivadas del control de sistemas estocásticos o complejos con información incompleta. Se revisan las estructuras de control cuando la dinámica del sistema presenta vaguedad en los datos, la evolución hacia técnicas adaptativas, y el desempeño de las redes neuro-difusas ante procesos estocásticos o complejos con incertidumbre en los datos. De forma preliminar se establece que el control de este tipo de sistemas debe estar compuesto por modelos híbridos soportados en rutinas de optimización y análisis probabilístico que garanticen el tratamiento de las incertidumbres sin afectar el desempeño de las estructuras de control y la consistencia en la precisión.Palabras clave-Control adaptativo, sistemas estocás-ticos, redes neuronales, lógica difusa, modelos neurodifusos, información incompleta.Abstract-Control theory for processes with stochastic or complex dynamics has a successful performance as long as a model can be adjusted to the system behavior, although for real applications in the industry, where data can be reduced or incomplete, this statement may not be true. Different control schemes have been proposed and the literature reports promising results with neural fuzzy models. These models combine the adaptability of neural networks with the robust inference of fuzzy logic, in order to model expert knowledge by learning rules, identify complex dynamics and enhance the control adaptability when stochastic disturbances are present, which sometimes cause incomplete system data. This paper presents a review on the difficulties and solutions related to the control of stochastic or complex systems with incomplete data. This study, initially, discusses the control structures when the system data present notable uncertainty levels. Next, different adaptive control schemes are presented, and finally, nonlinear and stochastic control approaches based on neural fuzzy systems are reviewed. Thereby, in a preliminary way, this review establishes that a system under the conditions mentioned above should be controlled by hybrid models supported on probabilistic routines and optimizatio...

show abstract

“…These controllers mainly work based on neural networks (Bagheri and Moghaddam, 2009;Hung and Chung, 2007), or fuzzy control (Bessa et al, 2008;Chen et al, 2009). Also new methods based on genetic algorithms are available (Demirtas, 2009;Moghaddam and Bagheri, 2010).…”

Section: Introductionmentioning

confidence: 99%

Nonlinear controller design of a ship autopilot

Tomera¹

2010

International Journal of Applied Mathematics and Computer Science

View full text Add to dashboard Cite

The main goal here is to design a proper and efficient controller for a ship autopilot based on the sliding mode control method. A hydrodynamic numerical model of CyberShip II including wave effects is applied to simulate the ship autopilot system by using time domain analysis. To compare the results similar research was conducted with the PD controller, which was adapted to the autopilot system. The differences in simulation results between two controllers are analyzed by a cost function composed of a heading angle error and rudder deflection either in calm water or in waves. Simulation results show the effectiveness of the method in the presence of nonlinearities and disturbances, and high performance of the proposed controller.

show abstract

An adaptive neuro-fuzzy sliding mode based genetic algorithm control system for under water remotely operated vehicle

Cited by 64 publications

References 14 publications

Una arquitectura para el diseño conceptual de vehículos para exploración subacuática

Una arquitectura para el diseño conceptual de vehículos para exploración subacuática

Dinámica Estocástica o Compleja con Información Incompleta: Una Revisión desde el Control

Nonlinear controller design of a ship autopilot

Contact Info

Product

Resources

About