Гибридное адаптивно-оптимальное управление с настройкой параметров методом MPSO для трехзвенного робототехнического манипулятора

В статье рассматривается задача высокоточного слежения за траекторией трехзвенного нелинейного робототехнического манипулятора, функционирующего в условиях параметрической неопределенности и внешних возмущений. Классические ПИД-регуляторы и стандартные адаптивные методы управления демонстрируют ограниченную робастность и пониженную энергетическую эффективность при управлении динамически связанной многозвенной системой. Для преодоления указанных ограничений предложена гибридная адаптивно-оптимальная структура управления, объединяющая адаптивное вычислительное управление моментом с модифицированным алгоритмом роя частиц для систематической настройки коэффициентов регулятора. Динамическая модель получена на основе формализма Эйлера – Лагранжа и реализована в среде MATLAB методом численного интегрирования. Параметры регулятора оптимизируются по многокритериальной целевой функции, учитывающей ошибку слежения, управляющее воздействие и энергопотребление. Оптимизированные коэффициенты усиления затем применяются в рамках адаптивной компенсационной структуры в режиме реального времени для повышения устойчивости к неопределенностям моделирования. Результаты моделирования показывают, что предложенный подход обеспечивает снижение среднеквадратичной ошибки приблизительно на 26 % по сравнению со стандартным адаптивным управлением, уменьшение времени установления, снижение нормированного энергопотребления и уменьшение пульсаций крутящего момента, что подтверждает повышение точности, робастности и энергоэффективности системы.

1. Tong Y., Liu J., Zhou H., Ju Zh., Zhang X. Adaptive tracking control of robotic manipulators with unknown kinematics and uncertain dynamics. IEEE Transactions on Automation Science and Engineering. 2024;21(4):5252–5269. https://doi.org/10.1109/TASE.2023.3309964

2. Gamez-Herrera D., Sifuentes-Mijares J., Santibañez V., Gandarilla I. Composite adaptive control of robot manipulators with friction as additive disturbance. Actuators. 2025;14(5). https://doi.org/10.3390/act14050237

3. Ozguney O.C., Burkan R. Adaptive-robust control of hybrid robot manipulator. Journal of Control Engineering and Applied Informatics. 2025;27(4):49–57. https://doi.org/10.61416/ceai.v27i4.9553

4. Shami T.M., El-Saleh A.A., Alswaitti M., et al. Particle swarm optimization: A comprehensive survey. IEEE Access. 2022;10:10031–10061. https://doi.org/10.1109/ACCESS.2022.3142859

5. Ahmed G., Eltayeb A., Alyazidi N.M., et al. Improved particle swarm optimization for fractional order PID control design in robotic manipulator system: A performance analysis. Results in Engineering. 2024;24. https://doi.org/10.1016/j.rineng.2024.103089

6. Urrea C. Industrial Robotics and Adaptive Control Systems in STEM Education: Systematic Review of Technology Transfer from Industry to Classroom and Competency Development Framework. Applied Sciences. 2026;16(4). https://doi.org/10.3390/app16042026

7. Li T., Zhang G., Zhang T., Pan J. Adaptive Neural Network Tracking Control of Robotic Manipulators Based on Disturbance Observer. Processes. 2024;12(3). https://doi.org/10.3390/pr12030499

8. Zhang H., Zhao Y., Wang Y., Liu L. Adaptive neural network control of robotic manipulators with input constraints and without velocity measurements. IET Control Theory & Applications. 2024;18:1232–1247. https://doi.org/10.1049/cth2.12660

9. Sun W., Jin Y., Dai K., Guo Zh., Ma F. Flexible manipulator trajectory tracking based on an improved adaptive particle swarm optimization algorithm with fuzzy PD control. Mechanical Sciences. 2025;16(1):125–141. https://doi.org/10.5194/ms-16-125-2025

10. Benmachiche A., Derdour M., Kahil M.S., Ghanem M.Ch., Deriche M. Adaptive Hybrid PSO-APF Algorithm for Advanced Path Planning in Next-Generation Autonomous Robots. Sensors. 2025;25(18). https://doi.org/10.3390/s25185742

11. Кашко В.В., Олейникова С.А. Математическая модель универсальной системы управления шагающим роботом на основе методов обучения с подкреплением. Моделирование, оптимизация и информационные технологии. 2024;12(1). https://doi.org/10.26102/2310-6018/2024.44.1.025

12. Aouaichia A., Stihi S., Fareh R., et al. Neural network model predictive control with active disturbance rejection for robot manipulators trajectory tracking. Journal of the Franklin Institute. 2025;362(13). https://doi.org/10.1016/j.jfranklin.2025.107910