Bài viết trình bày ứng dụng thuật toán lọc Kalman để xử lý tín hiệu thu thập được từ cảm biến đo độ ẩm đất Soil Moisture Sensor. Tín hiệu đo thu được từ cảm biến, thông qua một mô đun chuyển đổi trước khi đưa tới vi điều khiển Arduino UNO R3.
HỘI NGHỊ KHOA HỌC TỒN QUỐC VỀ CƠ KHÍ – ĐIỆN – TỰ ĐỘNG HÓA (MEAE2021) Ứng dụng lọc Kalman để xử lý tín hiệu từ cảm biến độ ẩm soil moisture Đặng Văn Chí 1, Bộ mơn Tự động hóa Mỏ - Dầu khí, Trường Đại học Mỏ - Địa chất, dangvanchi@humg.edu.vn THƠNG TIN BÀI BÁO TĨM TẮT Quá trình: Nhận 17/06/2021 Chấp nhận 17/6/2021 Đăng online 17/12/2021 Bài báo trình bày ứng dụng thuật tốn lọc Kalman để xử lý tín hiệu thu thập từ cảm biến đo độ ẩm đất Soil Moisture Sensor Tín hiệu đo thu từ cảm biến, thông qua mô đun chuyển đổi trước đưa tới vi điều khiển Arduino UNO R3 Thuật toán lọc Kalman nhúng vào chương trình thu thập liệu, sau xử lý lọc nhiễu trước giám sát giao diện PC Từ kết bước đầu chạy thử mơ hình làm dùng kỹ thuật lọc Kalman cho hệ thống đo độ ẩm cho đối tượng đo đại lượng khác Việc nghiên cứu ứng dụng thành công thuật tốn Kalman cho phép ta có thêm cơng cụ hữu hiệu để lọc bỏ nhiễu loạn cho hệ thống đo góp phần nâng cao độ xác, độ tin cậy cho phép đo Từ khóa: kalman filter, moisture_sensor, Arduino UNO R3, signal processing © 2021 Trường Đại học Mỏ - Địa chất Tất quyền bảo đảm Mở đầu điều khiển Trong nghiên cứu nhóm tác giả Đào Văn Phượng & nnk(2020) ứng dụng thuật toán lọc Kalman vào xử lý tín hiệu cân động, nhóm tác giả thực nghiệm chip stm32F746 với 1000 mẫu sử dụng ADC 12bít kết nối với giao diện Matlab Kết nghiên cứu ứng dụng cho hệ thống thực cho thấy hiệu thuật toán việc lọc nhiễu hệ thống Tuy nhiên phương pháp yêu cầu phải dùng Card Matlab phần mềm Matlab có quyền với giá thành đắt Trong hệ thống tự động hóa trình nhiệt … thiết bị đo, cảm biến nhiệt phần tử quan trọng định tới chất lượng làm việc ổn định hệ thống điều khiển Thực tế trình đo đại lượng vật lý gặp phải tác động nhiễu đo lường với nhiều nguồn tác động ảnh hưởng điện từ trường, sóng hài bậc cao nguồn nhiễu khác cơng nghiệp Trong kỹ thuật có nhiều giải pháp nhà khoa học đề xuất: sử dụng mạch lọc điện tử hay sử dụng vật liệu truyền dẫn kháng nhiễu thuật toán lọc tối ưu …Tuy nhiên giải pháp kỹ thuật cơng nghệ khó triệt tiêu hồn tồn nhiễu Vì nguồn nhiễu ngẫu nhiên trước chất để đưa giải pháp lọc cách phù hợp Trong nước có nhiều nhà khoa học nghiên cứu đề xuất thuật toán xử lý lọc nhiễu cho ứng dụng đo lường Trong nghiên cứu khác tác giả Đinh Xuân Vinh(2018) ứng dụng lọc Kalman để nâng cao độ xác đo GPS động, sử dụng máy thu GPS loại TRIMBLE 4000 SSi phần mềm Compas để xử lý liệu Lọc Kalman triển khai theo cách sử dụng tích phân Euler phương pháp bình phương cực tiểu Các phương trình Riccati áp dụng để giải vấn đề phi tuyến, nâng cao hiệu suất lọc tối ưu hóa sau bước lọc Tuy nhiên cách thức xử lý 173 HỘI NGHỊ KHOA HỌC TOÀN QUỐC VỀ CƠ KHÍ – ĐIỆN – TỰ ĐỘNG HĨA (MEAE2021) liệu bị gián đoạn chưa đáp ứng yêu cầu xử lý tự động, thuật toán lọc chưa nhúng vào phần mềm xử lý liệu máy đo mơ hình thử nghiệm nhiệt độ điểm đóng băng Trong nghiên cứu khác nhóm tác giả Eleffendi, M A., & Johnson, C M (2015) ứng dụng lọc Kalman để ước tính nhiệt độ mối nối mơ-đun công suất IGBT Phép đo nhiệt độ thông qua phép đo trực tuyến sau chúng xử lý thuật toán lọc Kalman Các kết dự đốn từ mơ hình lọc sử dụng để phát thay đổi thông số mơ hình nhiệt Thuật tốn kiểm chứng Camera hồng ngoại chứng minh hiệu rõ rệt dùng lọc Kalman để dự báo Như với cơng trình nghiên cứu ngồi nước có liên quan đến việc ứng dụng thuật toán Kalman cho thấy lọc công cụ hữu hiệu việc khử nhiễu ước lượng mơ hình Thực tế việc lựa chọn phụ thuộc vào đối tượng cụ thể với yêu cầu độ xác, tốc độ hội tụ, tính ổn định đáp ứng thời gian thực Về giải pháp giảm nhiễu, tác giả Dương Ngọc Pháp(2017) có trình bày số phương pháp để lọc nhiễu cho mơ hình Robot hai bánh tự cân sử dụng lọc thông thấp, lọc Kalman, sử dụng phép biến đổi wavelet thuật tốn tối ưu hóa Các thuật tốn tác giả thực nghiệm mơ hình, nhúng code vào Vi điều khiển Arduino Nano Atmega328P kết hợp với giải thuật PID để điều khiển động Q trình thực nghiệm cho thấy thuật tốn cho kết cải thiện đáng kể so với tín hiệu thơ thu đối sánh lọc Kalman cho kết giảm nhiễu tốt nhiều so với kỹ thuật lại Tuy nhiên lọc Kalman có thuật tốn cấu trúc phức tạp, thời gian xử lý tính tốn bị trễ nhiều so với giải pháp khác Vấn đề cần phải lưu ý tính tốn áp dụng cho đối tượng có yêu cầu xử lý liệu đáp ứng thời gian thực Nghiên cứu sở lý thuyết thuật toán Kalman Trên Thế giới, xử lý tín hiệu nhiệt từ Sensor nhiều nhà khoa học quan tâm nghiên cứu áp dụng rộng rãi lĩnh vực đời sống Trong nghiên cứu tác giả Panwar, A., Trivedi, J J., & Nejadi, S (2015) trình bày phương pháp ước tính nhiệt độ sử dụng lọc Kalman mở rộng kép (DEKF) dựa mơ hình nhiệt để đo trở kháng, có khả ước tính hệ số đối lưu bề mặt tế bào chưa biết hệ số đối lưu Kết nghiên cứu cho thấy thay tương đương sử dụng cảm biến nhiệt thông thường 2.1 Giới thiệu Kalman Kalman tên người đề xuất lọc vào năm 1960, R.E Kalman công bố báo Kalman, R.E (1960) giải pháp quy hồi để giải tốn lọc thơng tin rời rạc tuyến tính Từ đến lọc Kalman nhiều nhà khoa học giới nghiên cứu, ứng dụng nhiều ngành kỹ thuật công nghệ khác hệ thống tự động hóa điều khiển, robot máy tính, hệ thống định vị vệ tinh, tàu ngầm, xe tự hành, ô tô tự lái…Kalman thuật toán ước lượng gồm tập phương trình tốn học mơ tả phương trình tốn quy hồi, cho phép ước lượng trạng thái trình cho phương sai giá trị thực giá trị ước lượng nhỏ Bộ lọc đặc biệt hiệu việc ước lượng trạng thái khứ, tương lai Nhóm tác giả Chiang, C J., Yang, J L., & Cheng, W C (2013) nghiên cứu ứng dụng lọc Kalman mở rộng (EKF) để ước tính nhiệt độ trạng thái sạc cho siêu tụ Các tác giả phát triển mơ hình phi tuyến bao gồm mơ hình mạch tương đương phụ thuộc vào nhiệt độ lần phát triển ứng dụng thuật toán EKF Kết nghiên cứu cho thấy hiệu chất lượng tín hiệu thu Khi sử dụng cảm biến giá trị nhận ln thay đổi quanh vị trí cân (mặc dù có 174 HỘI NGHỊ KHOA HỌC TỒN QUỐC VỀ CƠ KHÍ – ĐIỆN – TỰ ĐỘNG HĨA (MEAE2021) thể nhỏ) nguyên nhân nhiễu từ hệ thống Chức lọc cần phải loại bỏ nhiễu làm mịn giá trị đo Sơ đồ nguyên lý hình Hiệp phương sai ước lượng dự đoán 𝑃𝑘+1/𝑘 = 𝐹𝑘 𝑃𝑘/𝑘 𝐹𝑘𝑇 + 𝑄𝑘 (4) Trong đó: Qk ma trận nhiễu rời rạc Ký hiệu ước lượng dự đoán trạng thái xk+1 𝑥̂(𝑘+1)/𝑘 Quá trình hiệu chỉnh độ ẩm trình thu thập giá trị dựa vào giá trị để hiệu chỉnh giá trị ước lượng để thu kết dự đốn xác Kết giá trị ước lượng đầu lọc Kalman Quá trình hiệu chỉnh ước lượng thực sau: 𝑇 𝑇 𝐾𝑘+1 = 𝑃𝑘+1/𝑘 𝐻𝑘+1 (𝐻𝑘+1 𝑃𝑘+1/𝑘 𝐻𝑘+1 + −1 𝑅𝑘+1 ) (5) Trạng thái ước lượng điều chỉnh 𝑥̂𝑘+1/𝑘+1 = 𝑥̂𝑘+1/𝑘 + 𝐾𝑘+1 (𝑧𝑘+1 − 𝐻𝑘+1 𝑥̂𝑘+1/𝑘 (6) Hiệp phương sai ước lượng điều chỉnh 𝑃𝑘+1/𝑘+1 = (𝐼 − 𝐾𝑘+1 𝐻𝑘+1 )𝑃𝑘+1/𝑘 (7) Trong đó: Kk+1 độ lợi mạch lọc Kalman I ma trận đơn vị dùng để điều chỉnh số chiều vector 𝑥̂𝑘+1/𝑘+1 trạng thái ước lượng điều chỉnh thời điểm thứ k+1 Đây giá trị đầu lọc Kalman Lưu đồ giải thuật Kalman cho q trình xử lý tín hiệu độ ẩm cho hình Hình Sơ đồ nguyên lý lọc Kalman 2.2 Cơ sở lý thuyết thuật toán Kalman Bộ lọc Kalman sử dụng hệ thống hình 1, ước lượng trạng thái trình rời rạc theo thời gian phương trình ngẫu nhiên tuyến tính, phương trình chuyển trạng thái Welch,G.(1995); Kalman, R.E(1960) xk+1 = Fkxk + Gkuk + wk (1) zk = Hkxk + νk (2) Trong đó: xk trạng thái đọc từ cảm biến uk vector điều khiển đầu vào wk nhiễu dao động ngẫu nhiên (nhiễu hệ thống) Gk ma trận điều khiển (với hệ thống hệ số 1:1) Fk ma trận chuyển trạng thái (hệ số chuyển trạng thái hệ thống tính tốn giá trị trực tiếp) zk thông tin quan sát hay đo lường thực tời điểm k Hk ma trận mơ hình quan sát νk nhiễu cộng trình đo lường Giải thuật bao gồm trình: Quá trình ước lượng giá trị độ ẩm (q trình dự đốn) trình điều chỉnh giá trị độ ẩm Quá trình dự đốn giá trị độ ẩm: Bộ lọc Kalman dựa vào trạng thái ước lượng giá trị độ ẩm để điều chỉnh 𝑥̂𝑘/𝑘 ước lượng xk đọc vào từ cảm biến trước để ước lượng trạng thái 𝑥̂(𝑘+1)/𝑘 ước lượng dự đoán xk+1 cho phép đo 𝑧𝑘+1 Trạng thái dự đoán: 𝑥̂(𝑘+1)/𝑘 = 𝐹𝑘 𝑥̂𝑘/𝑘 + 𝐺𝑘 𝑢𝑘 (3) Trong đó: Rk ma trận hiệp biến Hình Lưu đồ giải thuật Kalman xử lý nhiễu tín hiệu đo độ ẩm Như lọc Kalman bao gồm bước sau: 175 HỘI NGHỊ KHOA HỌC TỒN QUỐC VỀ CƠ KHÍ – ĐIỆN – TỰ ĐỘNG HĨA (MEAE2021) Dự đốn: bước u cầu biết giá trị bước trước 𝑥̂𝑘/𝑘 , 𝑃𝑘/𝑘 Dựa giá trị xác định 𝑥̂(𝑘+1)/𝑘 𝑃𝑘+1/𝑘 Thông số kỹ thuật: - Nguồn Vcc = 5V - 14 pins In/Out Digital: chân Serial: (RX) (TX); Chân PWM (~): 3, 5, 6, 9, 10, 11: cho phép xuất xung PWM với độ phân giải 8bit; Chân giao tiếp SPI: 10 (SS), 11 (MOSI), 12 (MISO), 13 (SCK) - chân Analog (A0 → A5) cung cấp độ phân giải tín hiệu 10bit - chân A4 (SDA) A5 (SCL) hỗ trợ giao tiếp I2C/TWI với thiết bị ngoại vi Điều chỉnh: 𝑥̂(𝑘+1)/𝑘 𝑃𝑘+1/𝑘 hiệu chỉnh dựa thông tin quan sát zk Cụ thể Kk+1 tính theo (5), dựa vào xác định 𝑥̂(𝑘+1)/𝑘+1 𝑃𝑘+1/𝑘+1 Xây dựng mơ hình xử lý liệu đo với sensor độ ẩm soil moisture 3.1 Thiết kế module đo thu thập liệu 3.2 Kết nghiên cứu thử nghiệm thảo luận Về sơ đồ nguyên lý cho hình phương thức truyền nhận liệu mô tả hình Mơ hình để thử nghiệm thuật tốn Kalman tích hợp từ thiết bị trên, hình ảnh mơ hình mơ tả hình Trong mơ hình soil_moisture sensor đặt gần với thiết bị thu xử lý liệu Arduino, nguồn nhiễu coi không đáng kể Thông thường nhiễu đo lường dao động khoảng ±15% giá trị thực tế Tuy nhiên để nhận biết rõ khả làm việc lọc Kalman code vi điều khiển đưa vào giả lập biên độ nhiễu ngẫu nhiên ±100% Sau trộn giá trị đo với nhiễu dùng thuật toán Kalmnan để lọc bỏ nhiễu Hình Sơ đồ ngun lý hoạt động hệ thống Mơ hình gồm có: - Sensor đo độ ẩm soil_moisture, hình Hình Sensor đo độ ẩm soil_moisture Thông số kỹ thuật: - Input-voltage Vcc = 3.3v ~ 5v - Pin mass: GND - Digital Output: DO - Analog Output: AO - Vi điều khiển Arduino UNO R3, hình Hình Mơ hình hệ thống thử nghiệm Kết chạy thử nghiệm thuật tốn mơ hình minh họa hình 7,8,9,10, nhiễu ngẫu nhiên màu xanh da trời (blue), giá trị đo thực đường có màu xanh (green) đường màu đỏ (red) giá trị ước lượng Quá trình test thuật toán Kalman, tác giả thực thay đổi hệ số lọc SimpleKalmanFilter với giá trị khác nhau: Hình Vi điều khiển Arduino UNO R3 176 HỘI NGHỊ KHOA HỌC TỒN QUỐC VỀ CƠ KHÍ – ĐIỆN – TỰ ĐỘNG HĨA (MEAE2021) Hình 7,8 kết hệ số 0.02 0.01 cho thấy giá trị ước lượng giá trị thực có sai lệch tương đối lớn, giá trị ước lượng có đáp ứng nhanh bám sát tốt với trị đo thực Hình 9,10 kết hệ số 0.002 0.001 cho thấy giá trị ước lượng giá trị thực có sai lệch nhỏ đáng kể, giá trị ước lượng nhấp nhơ mịn hơn, đặc biệt hình 10 cho thấy kết đường bám sát với có sai lệch khơng đáng kể Tuy nhiên việc giảm hệ số lọc làm cho đáp ứng chậm thấy rõ hình Như tùy thuộc vào đối tượng đo, yêu cầu độ xác thời gian đáp ứng hệ thống thực tế, ta cần phải khảo sát cụ thể mơ hình để chọn hệ số SimpleKalmanFilter cho hợp lý Hình 10 Test hệ số SimpleKalmanFilter bo_loc(2, 2, 0.001) Kết luận Tác giả nghiên cứu ứng dụng thành cơng thuật tốn Kalman vào xử lý liệu đo nhiệt độ sử dụng cảm biến soil_moisture vi điều khiển Arduino Uno R3 Mơ hình thực nghiệm xây dựng hình kiểm chứng tính hiệu thuật toán, thể hình 7,8,9,10 Thuật tốn đánh giá dễ dàng áp dụng thực hiện, việc lập trình code Arduino bới có hỗ trợ từ thư viện nguồn mở sử dụng với hàm tính tốn Kalman chạy test trực tiếp từ cơng cụ Tool\Serial Plotter cửa sổ phần mềm Kết thực nghiệm hồn tồn ứng dụng vào thực tế sản xuất nông nghiệp, cho hệ thống tưới tiêu tự động, công nghệ trồng nhà kính, hệ thống dự báo lở đất … Thực tế hoạt động hệ thống đo, nguồn nhiễu đa dạng khó lường, xuất ngẫu nhiên với nhiều thành phần sóng hài trộn lẫn vào tín hiệu đo Tác giả đề xuất tiếp tục nghiên cứu cải tiến ghép đa tầng thuật toán Kalman, tầng thay đổi hệ số lọc cách linh hoạt để nâng cao độ xác, chất lượng lọc hiệu làm việc thuật toán Tài liệu tham khảo Hình Test hệ số SimpleKalmanFilter bo_loc(2, 2, 0.02) Hình Test hệ số SimpleKalmanFilter bo_loc(2, 2, 0.01) Đào Văn Phượng, Nguyễn Anh Tuấn, Vũ Trung Hiếu: Ứng dụng lọc Kalman xử lý tín hiệu cân động Tạp chí khoa học cơng nghệ - Đại học Đà Nẵng, Vol 18, No 11.1, 2020, ISSN 18591531 Hình Test hệ số SimpleKalmanFilter bo_loc(2, 2, 0.002) Đinh Xuân Vinh: Áp dụng lọc Kalman để nâng cao độ xác đo GPS động Tạp chí Khoa học ĐHQGHN: Các Khoa học Trái đất Môi trường, Tập 34, Số (2018) 74-85 177 HỘI NGHỊ KHOA HỌC TỒN QUỐC VỀ CƠ KHÍ – ĐIỆN – TỰ ĐỘNG HÓA (MEAE2021) Welch, G., Bishop, G.: “An introduction to the Kalman filter”, Technical Report TR 95-041, University of North Carolina, Department of Computer Science, 1995 Eleffendi, M A., & Johnson, C M (2015) Application of Kalman filter to estimate junction temperature in IGBT power modules IEEE Transactions on Power Electronics, 31(2), 15761587 Kalman, R.E.: “A New Approach to Linear Filtering and Prediction Problems”, Trans of the ASME – Journal of Basic Engineering, 1960, 2, (12), pp 35-45 Dương Ngọc Pháp: Các giải pháp giảm nhiễu cho cảm biến đo lường quán tính ứng dụng robot hai bánh tự cân Kỷ yếu hội thảo khoa học quốc gia CITA 2017” Công nghệ thông tin ứng dụng lĩnh vực”, 2017, pp 225-229 Panwar, A., Trivedi, J J., & Nejadi, S (2015) Importance of distributed temperature sensor data for steam assisted gravity drainage reservoir characterization and history matching within ensemble Kalman filter framework Journal of Energy Resources Technology, 137(4) Đặng Văn Chí, (2017) Kỹ thuật đo lường điện thuật toán đo phi điện, NXB Xây dựng, 298 trang Đặng Văn Chí & nnk (2021) Đo lường điều khiển máy tính - ứng dụng công nghệ IoTLora Gatway để giám sát điều khiển xa web server, NXB Khoa học – kỹ thuật, 285 trang Chiang, C J., Yang, J L., & Cheng, W C (2013) Temperature and state-of-charge estimation in ultracapacitors based on extended Kalman filter Journal of Power Sources, 234, 234-243 178 ... (2015) ứng dụng lọc Kalman để ước tính nhiệt độ mối nối mô-đun công suất IGBT Phép đo nhiệt độ thông qua phép đo trực tuyến sau chúng xử lý thuật toán lọc Kalman Các kết dự đoán từ mơ hình lọc sử dụng. .. Lưu đồ giải thuật Kalman cho q trình xử lý tín hiệu độ ẩm cho hình Hình Sơ đồ nguyên lý lọc Kalman 2.2 Cơ sở lý thuyết thuật toán Kalman Bộ lọc Kalman sử dụng hệ thống hình 1, ước lượng trạng... trị độ ẩm (q trình dự đốn) q trình điều chỉnh giá trị độ ẩm Q trình dự đốn giá trị độ ẩm: Bộ lọc Kalman dựa vào trạng thái ước lượng giá trị độ ẩm để điều chỉnh