TY - JOUR T1 - Optimal Fractional order iterative learning control for single-link robot control TT - کنترل یادگیر تکرار‌شونده مرتبه‌کسری بهینه برای کنترل بازوی ربات تک-لینک JF - mdrsjrns JO - mdrsjrns VL - 15 IS - 10 UR - http://mme.modares.ac.ir/article-15-12041-fa.html Y1 - 2016 SP - 259 EP - 268 KW - Iterative learning control systems؛ Updating law of iterative learning control؛ fractional order of type Dalpha and PDalpha KW - single-link robot arm؛ Biogeography-based optimization (BBO) N2 - در این مقاله، نوع جدیدی از سیستم‌های کنترل یادگیر تکرار‌شونده مرتبه‌کسری تحت عنوان کنترل یادگیر تکرار‌‌شونده مشتقی مرتبه‌‌کسری و کنترل یادگیر تکرار‌شونده تناسبی-مشتقی مرتبهکسری برای سیستم خطی‌سازی شده بازوی ربات تک-لینک ارائه می‌شود. در قانون بروزرسانی کنترل یادگیر تکرار‌شونده مشتقی، آریمتو کلاسیک از مشتق مرتبه اول (با تابع تبدیل s )‌ خطای ردیابی استفاده می‌شود. روش ارائه شده در این مقاله برای بروزرسانی قانون کنترل یادگیری تکرار‌شونده از مشتق مرتبه‌کسری (با تابع تبدیل s^alpha برای (2 0] alpha in ) خطای ردیابی استفاده می‌کند. برای اولین بار، ابتدا سیستم ربات غیرخطی، با اعمال روش خطی‌سازی فیدبک ورودی- حالت خطی گشته، سپس به آنالیز و تحلیل همگرایی قانون کنترل یادگیر تکرارشونده نوع PD^alpha برای سیستم‌های خطی پرداخته می‌شود. در ادامه، یک معیار برای انتخاب بهینه ضرایب کنترل‌کننده با استفاده از الگوریتم بهینه‌سازی مبتنی بر جغرافیای زیستی ارائه می‌گردد. در قسمت اول شبیه‌سازی، هر دو قانون بروزرسانی کنترل یادگیر تکرارشونده مرتبه‌کسری (نوع D^alpha و نوع PD^alpha) بر روی بازوی ربات تک-لینک خطی شده، پیاده‌سازی می‌شود، و عملکرد این دو کنترل‌کننده به ازای مقادیر متفاوت alpha نمایش داده می‌شود. در ادامه و جهت بهبود عملکرد سیستم کنترلی حلقه بسته، ضرایب کنترل یادگیر تکرار‌شونده مرتبه‌کسری (ضریب تناسبی k_P و ضریب مشتقی k_D وalpha) با استفاده از الگوریتم بهینه‌سازی مبتنی بر جغرافیای زیستی، بهینه‌سازی می‌شوند. نهایتاً کنترل یادگیر تکرار‌شونده پیشنهادی با نوع متداول آن مورد مقایسه قرار می‌گیرد. M3 ER -