Stick-Slip-Induced Time Delays in Reconfigurable Systems: Data-Driven Estimation and Sliding Mode Control

Sintesi Tecnica: Ritardi indotti da Stick-Slip in Sistemi Riconfigurabili

Definizione del Problema
I sistemi meccanici riconfigurabili, in particolare i robot a cavi e i meccanismi di tensegrità, soffrono di un degrado delle prestazioni dovuto all'attrito stick-slip. Questo fenomeno introduce ritardi temporali ignoti e variabili durante la trasmissione del moto attraverso elementi elastici, portando a errori di inseguimento della traiettoria, cicli limite e potenziale instabilità meccanica. Sebbene esistano modelli di attrito tradizionali (ad es., Coulomb, LuGre), essi spesso si basano su una complessa identificazione dei parametri o non riescono a catturare la natura dinamica e variabile dei ritardi nelle condizioni operative reali. Inoltre, le strategie di controllo standard trattano spesso questi ritardi come disturbi limitati, richiedendo guadagni di commutazione elevati che inducono chattering e usura.

Metodologia
Gli autori propongono un'architettura di controllo ibrida che integra la stima del ritardo basata sui dati con una strategia di Controllo a Modo a Scorrimento (SMC) robusta. La metodologia si articola in tre fasi principali:

1. Caratterizzazione Sperimentale e Modellazione Basata sui Dati:

   • È stato costruito un banco di prova sperimentale utilizzando un attuatore lineare, molle intercambiabili (0,077–0,696 N/m) e sensori (celle di carico, encoder, Time-of-Flight) per quantificare i ritardi di inizio del moto sotto diverse pesi, tensioni, rigidità e velocità.
   • I dati grezzi sono stati sottoposti a un processo di filtraggio a due stadi utilizzando il clustering DBSCAN per rimuovere outlier e rumore, seguiti da un'analisi di regressione.
   • Diversi modelli predittivi sono stati addestrati per stimare il ritardo ($\hat{h}$) basandosi su parametri fisici (rigidità $K$, tensione $T_i$, peso $w$, velocità $V$). Questi includevano l'Equazione Normale, Gradient Descent Batch/Stocastico/Mini-batch e una rete neurale artificiale (ANN) superficiale. L'ANN ha dimostrato prestazioni superiori con l'errore quadratico medio più basso (MSE = 0,214), catturando efficacemente le dipendenze non lineari senza richiedere modelli di attrito analitici espliciti.

2. Integrazione dell'Architettura di Controllo:

   • Il ritardo stimato $\hat{h} = f_\theta(K, T_i, w, V)$ viene inserito in un buffer di stato storico.
   • Questo buffer permette al controllore di accedere direttamente allo stato ritardato $x(t-\hat{h})$.
   • Lo stato ritardato viene iniettato nella legge di controllo equivalente ($u_{eq}$) per cancellare attivamente gli effetti primari della latenza stick-slip.
   • Un Controllore a Modo a Scorrimento Super-Twisting (ST-SMC) fornisce il termine di commutazione robusta ($u_n$) per gestire gli errori di stima residui e i disturbi esterni, con l'obiettivo di ridurre il chattering rispetto a un primo ordine SMC.

3. Analisi della Stabilità e Ottimizzazione del Guadagno:

   • Per evitare la sintonizzazione euristica, il guadagno della superficie di scorrimento ($\sigma$) è stato sistematicamente ottimizzato utilizzando un funzionale di Lyapunov-Krasovskii e Disuguaglianze Matrici Lineari (LMI).
   • Viene impiegato un approccio basato su descrittori per ridurre il conservatorismo delle condizioni di stabilità, garantendo la stabilità asintotica della dinamica di scorrimento a ordine ridotto sotto ritardi variabili nel tempo.
   • Viene presentato un algoritmo per convertire le risultanti Disuguaglianze Matrici Bilineari (BMI) in LMI risolvibili per trovare l'ottimo $\sigma$.

Contributi Chiave

• Compensazione del Ritardo Ibrida: Il documento introduce un metodo innovativo in cui le previsioni di latenza stick-slip tramite machine learning sono direttamente incorporate nella legge di controllo equivalente, anziché trattare i ritardi esclusivamente come disturbi.
• Sintonizzazione del Guadagno Basata su LMI: Fornisce una procedura formale, non euristica, per l'ottimizzazione dei guadagni del modo a scorrimento utilizzando l'analisi di stabilità basata su LMI, specificamente adattata per sistemi con ritardi stimati.
• Validazione Sperimentale: Il framework è validato su due distinti sistemi riconfigurabili: un dispositivo di riabilitazione dell'arto superiore a guida a cavi e un meccanismo di tensegrità rotazionale planare.

Risultati
La validazione è stata eseguita su entrambi i sistemi sotto disturbi esterni ($v(t) = 2\cos(2t)$) e ritardi temporali simulati (fino a 7 secondi per il riabilitatore, 0,7 secondi per il sistema di tensegrità).

• Accuratezza di Inseguimento: L'ST-SMC ottimizzato tramite LMI ha superato significativamente il controllo manuale tradizionale.
  • Per il sistema di riabilitazione, l'errore quadratico medio (RMSE) è stato ridotto da 0,2286° (ST-SMC manuale) a 0,0083°, rappresentando una riduzione dell'errore del 99% rispetto agli approcci standard.
  • Per il sistema di tensegrità, l'RMSE è migliorato da 0,0902° a 0,0751°, un miglioramento del 48% rispetto alla sintonizzazione manuale.
• Riduzione del Chattering: Compensando attivamente il ritardo tramite il predittore ANN, i guadagni di commutazione robusti richiesti sono inferiori, risultando in segnali di controllo più fluidi e una riduzione del chattering.
• Prestazioni del Modello: L'ANN superficiale ha superato la regressione lineare e le varianti di gradient descent nel predire la dinamica dello stick-slip, confermando la necessità di una modellazione non lineare.

Significatività e Rivendicazioni
Gli autori affermano che questo lavoro riesce a colmare il divario tra l'adattabilità basata sui dati e la rigorosa teoria del controllo. Integrando un predittore di ritardo basato sui dati con un controllore a modo a scorrimento ottimizzato tramite LMI, il sistema raggiunge un inseguimento della traiettoria ad alta precisione in presenza di ritardi variabile stick-slip senza fare affidamento su complessi modelli di attrito analitici. Lo studio dimostizza che trattare il ritardo come uno stato compensabile (tramite il buffer e il controllo equivalente) piuttosto che come un disturbo non modellato permette di ottenere guadagni di controllo significativamente più bassi e margini di stabilità migliorati.

Limitazioni e Lavori Futuri
Il documento riconosce che l'approccio attuale si affida a un buffer di stato storico, che richiede un'allocazione continua di memoria, e che il predittore a rete neurale richiede più risorse computazionali rispetto alla regressione classica. Di conseguenza, il metodo è attualmente limitato a meccanismi planari a singolo grado di libertà in simulazione e validazione sperimentale. Il lavoro futuro è identificato nella focalizzazione sull'implementazione in tempo reale su sistemi embedded con risorse limitate, richiedendo un'ulteriore ottimizzazione della rete neurale e della gestione del buffer.