Tối ưu hóa hệ mờ-noron trong điều khiển robot

Bài báo này trình bày ứng dụng của logic mờ và đại số gia tử vào điều khiển mờ, kết hợp mạng noron nhân tạo và hệ điều khiển mờ xây dựng trên lí thuyết đại số gia tử, kết hợp giữa giải thuật di truyền và giải thuật lan truyền ngược để nâng cao độ chính xác của bộ trọng số trong mạng noron nhân tạo.

Tạp chí Khoa học Cơng nghệ 52 (6) (2014) 685-699 TỐI ƯU HÓA HỆ MỜ-NORON TRONG ĐIỀU KHIỂN ROBOT Phan Bùi Khơi*, Nguyễn Văn Toản Viện Cơ khí, Đại học Bách khoa Hà Nội (HUST), Số Đại Cồ Việt, Hai Bà Trưng, Hà Nội * Email: khoi.phanbui@hust.edu.vn Đến Tịa soạn: 13/2/2014; Chấp nhận đăng: 26/3/2014 TĨM TẮT Cùng với phát triển mạnh mẽ khọc học kĩ thuật; hệ mờ mạng noron ngày ứng dụng rộng rãi nhiều lĩnh vực Dựa logic người, với ưu điểm đơn giản xử lí xác thơng tin khơng chắn; hệ mờ mạng noron nhân tạo đem lại nhiều hiệu đáng kể lĩnh vực điều khiển tự động hóa Tối ưu hệ điều khiển mờ noron toán quan trọng cần thiết để nâng cao hiệu điều khiển, tạo tiền đề cho việc giải toán kĩ thuật với độ xác cao, tốn khơng thể khó mơ hình hóa Bài báo trình bày ứng dụng logic mờ đại số gia tử vào điều khiển mờ, kết hợp mạng noron nhân tạo hệ điều khiển mờ xây dựng lí thuyết đại số gia tử, kết hợp giải thuật di truyền giải thuật lan truyền ngược để nâng cao độ xác trọng số mạng noron nhân tạo Từ khóa: tối ưu hóa, hệ mờ-noron, đại số gia tử, giải thuật di truyền GIỚI THIỆU Logic mờ mạng noron nhân tạo nhiều tác giả nghiên cứu ứng dụng lĩnh vực điều khiển tự động hóa Có nhiều cơng trình báo nghiên cứu điều khiển mờ, đại số gia tử, mạng noron nhân tạo, hệ mờ noron dựa logic mờ cổ điển Trước tiên, ta thấy logic mờ phù hợp với logic người [1] khơng thể làm rõ giá trị ngữ nghĩa biến ngôn ngữ [2], ta phải xây dựng khối luật hợp thành logic mờ, điều gây nên sai số q trình điều khiển Lí thuyết đại số gia tử đời để khắc phục nhược điểm logic mờ [2], tăng tính đơn giản q trình xây dựng hệ điều khiển Bên cạnh đó, số tác giả kết hợp mạng noron nhân tạo với logic mờ đạt kết khả quan việc xây dựng hệ điều khiển Tuy nhiên, kết hợp chúng phức tạp dễ gây sai số trình xấp xỉ Để khắc phục điều đó, báo đề cập đến việc kết hợp mạng noron nhân tạo với hệ mờ xây dựng đại số gia tử; ta dùng mạng noron nhân tạo để xấp xỉ giá trị ngữ nghĩa biến ngôn ngữ đầu đầu vào giá trị ngữ nghĩa biến ngôn ngữ đầu vào hệ mờ thơng qua q trình luyện mạng Như vậy, mạng noron đóng vai trị xấp xỉ đa thức nên ta dùng mạng noron truyền thẳng Thêm vào đó, báo nêu việc kết hợp giải thuật di truyền giải thuật lan truyền ngược để dễ dàng thu trọng số tối ưu mạng noron, giúp việc xấp xỉ tăng độ xác Ta 685 Phan Bùi Khơi, Nguyễn Văn Toản dùng giải thuật lan truyền ngược để tìm bô trọng số đạt gần đạt tới cực tiểu địa phương hàm giá, sau dùng trọng số làm quần thể gốc giải thuật di truyền để giúp chúng vượt qua cực tiểu địa phương, hướng tới giá trị cực tiểu toàn cục, cuối ta lấy trọng số thu từ giải thuật di truyền làm trọng số ban đầu cho giải thuật lan truyền ngược, ta đạt trọng số có độ xác cao mà cách làm đơn giản Tất điều khiển xây dựng M-File MATLAB, sau dùng Simulink mô kiểm tra kết quả, không dùng điều khiển có sẵn Simulink TỐI ƯU HÓA HỆ MỜ NORON 2.1 Logic mờ Tập mờ F xác định tập kinh điển X tập mà phần tử cặp giá trị (x, µF(x)), đó: : → 0, [3] Ta cần ý tới thông số đặc trưng cho tập mờ Các phép toán tập mờ, dạng hàm thuộc hàm, biến ngôn ngữ, luật hợp thành giải mờ Một hệ luật hợp thành mô tả n mệnh đề: [3] Ri : Nếu … … Rn : Nếu … … ( Với i=1…n-1) Gọi Bi’ µ i tập mờ hàm thuộc luật hợp thành Ri , tập mờ R’ luật hợp thành : R’ = B1’ ∪ B2’ ∪…∪ Bn’ [3] 2.2 Đại số gia tử Với biến ngôn ngữ X, gọi X = Dom(X) tập giá trị ngôn ngữ biến X Miền giá trị X xem ĐSGT AX = (X, G, H, ≤) G tập phần tử sinh, H tập gia tử “≤” quan hệ cảm sinh ngữ nghĩa X [2] Ta cần ý tới độ đo tính mờ hàm định lượng ngữ nghĩa: Độ đo tính mờ: Kí hiệu fm(τ) độ đo tính mờ phần tử τ, τ ∈ X giả sử độ đo tính mờ phần tử thuộc đoạn [0,1] Một số tính chất trực giác fm(τ): [4] (1) fm(τ) = 0, τ giá trị rõ (2) Nếu h gia tử τ giá trị mờ hτ đặc trưng τ, ta có fm(hτ) < fm(τ) fm(hτ) = µ(h)fm(τ), với ∀τ ∈ X (3) Nếu c+, c– hai phần tử sinh X thì: fm(c+) + fm(c–) = Hàm định lượng ngữ nghĩa: Cho fm hàm độ đo tính mờ tập X Hàm định lượng ngữ nghĩa υ: X → [0,1], kết hợp với hàm fm, xác định sau: [2] (1) ʋ(W) = θ = fm(c-), ʋ(c-) = θ – α, fm(c-) = β.fm(c-), ʋ(c+) =θ + α.fm(c+) (2) ʋ(hjx) = ʋ(x)+ Sign(hjx) ∑ 686 fm h x ω h x fm h x Tối ưu hóa hệ mờ- noron điều khiển Robot Trong đó: ω(h x) = [1 + Sign(hjx).Sign(hphjx).(β-α)], j ∈ {j: −q ≤ j ≤ p& j ≠ 0} = [−q p] ∑ !μ " h = α ∑ μ h = β , với α, β > α + β = Trong logic mờ, hệ luật thể dạng bảng FAMs m chiều, ta dùng công thức định lượng ngữ nghĩa để đưa bảng FAMs bảng giá trị ngữ nghĩa SAMS 2.3 Kết hợp mạng noron hệ mờ đại số gia tử Các cơng trình dựa định lí Kolmogorov dự kiến tồn ánh xạ liên tục từ [0,1]p đến [0,1]n xấp xỉ mạng perceptron ba lớp ,có lớp vào gồm p noron, lớp gồm n noron lớp ẩn gồm (2p+1) noron Giá trị đầu vào mạng noron ngữ nghĩa biến ngôn ngữ nên giá trị nằm khoảng (0,1) , nên ta dùng hàm chuyển hàm sigmoid, hàm sigmoid xử lí tốt với giá trị đầu vào nằm khoảng (-1,1) g(f) = #$ %& Ta dùng giải thuật lan truyền ngược sai số: Bước 1: Chọn số học η > 0, số quán tính α, sai số cho phép Emax, khởi tạo trọng số ban đầu gán E = 0, k = Bước 2: Huấn luyện mạng Với mẫu học thứ k: lớp vào (q = 1), với i ta có: qyi = 1yi = xki * Lan truyền tín hiệu từ lớp vào tới lớp ra: qyi = g(qneti) = g(∑) '() * +( ) Bước 3: Xác định tín hiệu lỗi lớp ra: E = ∑.( * ,(- +( + E qδi = ( dki - qyi ).g’.(qneti) Bước 4: Lan truyền ngược sai số * ∆qwij = ηq /( q-1 yi qwij = qwij + ∆qwij * * δi = g’.( q-1neti ).∑) '() /) với j = q, q-1,…, Bước 5: Kiểm tra điều kiện lặp Nếu k < p k = k+1 quay lại bước Ngược lại, nhảy tới bước Bước 6: Kiểm tra lỗi Nếu E < Emax kết thúc trình học đưa trọng số Ngược lại, gán E = 0, k = nhảy tới bước Lưu ý: Ta nên chọn trọng số khởi tạo wij nằm giới hạn [-3/01( , 3/01( ] Trong đó: ki tổng số liên kết từ noron j tới noron I [5] Ta nên dùng số học thích nghi thêm vào thành phần quán tính để nâng cao độ xác tăng khả hội tụ học [6] 2.4 Kết hợp giải thuật di truyền giải thuật lan truyền ngược sai số 687 Phan Bùi Khôi, Nguyễn Văn Toản Giải thuật lan truyền ngược sai số dễ cho ta kết rơi vào cực tiểu địa phương hàm giá, vượt qua cực tiểu địa phương giải thuật dễ dàng đưa đến giá trị cực tiểu toàn cục Tuy nhiên, để làm điều ta phải nhiều thời gian vào công việc chọn trọng số khởi tạo, số qn tính [7] Ngược lại, ta có giải thuật di truyền với ưu điểm làm việc quần thể nên dễ dàng giúp ta vượt qua khỏi cực tiểu địa phương để tiến tới cực tiểu toàn cục [8]; khối lượng tính tốn lớn nên hội tụ chậm [9] Ta kết hợp hai giải thuật với để thu trọng số có độ xác cao đơn giản Phần giới thiệu tác giả nêu nên ý tưởng kết hợp hai giải thuật này, giải thuật lan truyền ngược sai số nêu trên, ta đề cập đến giải thuật lan di truyền Giải thuật di truyền gồm tốn tử : tái sinh, lai ghép, đột biến chọn lọc Cấu trúc giải thuật di truyền tổng quát Bước 1: Tại t = ta khởi tạo quần thể gốc P(t) chọn sai số cho phép Emax Bước 2: Xác định hàm mục tiêu tính độ thích nghi cho cá thể quần thể P(t) Bước 3: Tạo cá thể toán tử tái sinh, lai ghép đột biến quần thể gốc P(t) Bước 4: Xác định hàm mục tiêu cho cá thể đưa tất cá thể bố mẹ cá thể vào quần thể P’(t) Bước 5: Kiểm tra điều kiện Nếu thỏa mãn điều kiện dừng lặp đưa cá thể tốt Ngược lại, ta quay bước 3 ÁP DỤNG CÁC PHƯƠNG PHÁP ĐIỀU KHIỂN VÀO MƠ HÌNH ROBOT Để thuận tiện cho hướng nghiên cứu tiếp theo, báo tác giả nêu toán cho hệ robot tác hợp gồm robot hàn bậc tự (6 khớp quay) robot tác hợp bậc tự (2 khớp quay khớp tịnh tiến), hình Sau áp dụng phương pháp điều khiển nêu cho robot tác hợp bậc tự để kiểm nghiệm tính đắn, tín hiệu đặt điều khiển vị trí, vận tốc, gia tốc khâu robot tác hợp bậc tự do, lấy từ tốn mơ hình hệ robot tác hợp Robot tác hợp: Gồm biến khớp: Robot hàn: Gồm biến khớp: Biến khớp thứ nhất: tịnh tiến dọc theo z0’ - Biến khớp thứ nhất: quay quanh z0 góc q1 đoạn q7 - Biến khớp thứ hai: quay quanh z1 góc q2 Biến khớp thứ hai: tịnh tiến dọc theo z1’ - Biến khớp thứ ba: quay quanh z2 góc q3 đoạn q8 - Biến khớp thứ tư: quay quanh z3 góc q4 ’ - Biến khớp thứ lăm: quay quanh z4 góc q5 - Biến khớp thứ ba: quay quanh z2’ góc q9 - Biến khớp thứ sáu: quay quanh z góc q - Biến khớp thứ tư: quay quanh z3 góc q10 Đặt q = [q1,q2,…,q10] T Bài tốn đặt cho trước quỹ đạo mong muốn đường hàn, từ ta tìm biến khớp robot hàn robot tác hợp để đầu hàn thực đường hàn hệ tọa độ bàn máy Tọa độ hướng đầu hàn hệ tọa độ bàn máy: x = [x1,x2,…,x6]T Với : x1, x2, x3: hướng đầu hàn hệ tọa độ bàn máy 688 Tối ưu hóa hệ mờ- noron điều khiển Robot x4, x5, x6: vị trí đầu hàn hệ tọa độ bàn máy Hình Mơ hình hệ robot tác hợp hệ trục tọa độ đặt khâu Hệ robot tác hợp ta xét xem hệ robot dư dẫn động, xác định phương trình liên kết có 10 biến khớp cần tìm Ta dùng phương pháp tam diện thuận trùng theo để xác định phương trình liên kết hệ robot tác hợp, thêm vào toán tối ưu chuẩn vector vận tốc suy rộng chuẩn vector gia tốc suy rộng Sau giải toán hệ robot tác hợp, ta dùng kết để áp dụng vào điều khiển nêu Như nói, ta dùng kết tốn để áp dụng điều khiển robot tác hợp bậc tự Sau kiểm nghiệm tính đắn phương pháp điều khiển trên, tác giả tiếp tục áp dụng toán điều khiển cho hệ robot tác hợp Với toán động học hệ robot tác hợp ta có mối quan hệ sau: x = f(q) x (3.1) 10 R q R Đạo hàm hai vế (3.1) ta được: J(q) = = = J(q) (3.2) = J(q) + (q) (3.3) Dùng phương pháp tam diện trùng theo ta có mối liên hệ robot hàn robot tác hợp: Th = 0Tb.bTh => bTh = (0Tb)-1.0Th (3.4) Đặt B = (0Tb)-1.0Th => bTh = B (3.5) đó: Th: Ma trận Denavit Hartenberg đầu hàn so với hệ trục tọa độ cố định x0y0z0 689 Phan Bùi Khôi, Nguyễn Văn Toản Tb: Ma trận DH bàn máy so với hệ trục tọa độ cố định x0y0z0 Th: Ma trận DH đầu hàn so với hệ trục tọa độ bàn máy b Thay thông số chọn vào (3.5) ta thu mối quan hệ (3.1): Thông số DH hệ tọa độ phôi đầu hàn: a = 0; d = 0; α = 0; θ = 0,2πt + Thông số DH hệ tọa độ phôi bàn máy: 34 2 A = 0,01; d = 0,05+0,01cos(t); α=34; θ = 0, 2πt + b Th[1,1] = B[1,1], bTh[1,3] = B[1,3], bTh[3,3] = B[3,3] (3 phương trình hướng) b Th[1,4] = B[1,4], bTh[2,4] = B[2,4], bTh[3,4] = B[3,4] (3 phương trình vị trí) Ta có phương trình với 10 ẩn số, để tìm lời giải cho toán động học ngược ta dùng phương pháp nhân tử Lagrange để xử lí ma trận tựa nghịch đảo ma trận Jacobian, bên cạnh đưa vào điều kiện tối ưu chuẩn vector vận tốc suy rộng gia tốc suy rộng Tác giả đưa hàm khoảng cách vào tối ưu chuẩn vector vận tốc gia tốc suy rộng để kết biến khớp tìm tránh va vào giới hạn làm việc Áp dụng phương pháp hiệu chỉnh gia lượng vector tọa độ suy rộng tìm lời giải cho toán 3.1 Bài toán tối ưu chuẩn vector vận tốc suy rộng Giải (3.2) tìm 67 từ 87 với điều kiện làm cực tiểu hàm: (67 -z)T.W.(67 -z) + λ9 ( 87 – J.67 ) g= Chọn W = I10 (ma trận đơn vị) ta thu nghiệm có chuẩn nhỏ nhất: 67 = J+ 87 + ( I10 – J+.J ).z đó: z ∈ R10 chọn z = ∝* tránh va vào giới hạn khớp: bước thời gian h = Vậy G tk+1 = tk + h Dùng khai triển Taylor ta có q(tk+1)=q(tk) + 67 (tk).h + 6E (tk).h2 (Bỏ qua vơ bé bậc > ) Trong đó: 67 (tk) = J+.87 (tk) + [ In - J+ J ].z 6E (tk)= J+.( 8E (tk) - F.7 67 k ) + ( In – J+.J ).z0 = J+.8E (tk) – J+.F.7 ( J+.87 (tk) + [ In - J+ J ].z) +( In – J+.J ).z0 Vậy: qk+1 = qk + J+(qk) 87 (tk) h + [ In - J+(qk) J(qk) ].zk.h + [J+(qk).8E (tk) – J+(qk).F(7 qk) ( J+(qk).87 (tk) + [ In - J+(qk) J(qk) ].zk) + ( In – J+(qk).J(qk) ).z0k].h2 k = N-1 (*) Tuy nhiên giá trị 6A thu phương trình (*) cịn thơ Có thể khơng cịn thỏa mãn phương trình x = f(q); ta hiệu chỉnh để đạt q cách 6A khoảng ngắn thỏa mãn x = f(q) Khi tốn trở thành tìm q thỏa mãn x = f(q) làm cực tiểu hàm: g = (q - 6A )T.W.(q - 6A) = (∆6)T.W.( ∆6) Ta nhận được: ∆6- = [J(6Ak)]+ [xk - f( 6Ak)] Mục đích việc cực tiểu hàm mục tiêu ta tìm nghiệm thoản mãn x = f(q) với q nằm đa tạp giá trị 6A cách 6A khoảng ngắn Phương pháp hiệu chỉnh gia lượng vector tọa độ suy rộng *) Hiệu chỉnh gia lượng vector tọa độ suy rộng thời điểm tk: Bước 1: Xác định giá trị gần tọa độ suy rộng thời điểm tk: 6Ak=qk-1+ J+(qk-1).87 k-1.h + [I10 - J+(qk-1) J(qk-1)].zk-1.h + [J+(qk-1).8E k-1 – J+(qk-1).F(7 qk-1) (J+(qk-1).87 k-1 + [ I10 - J+(qk-1) J(qk-1) ].zk-1) + ( I10 – J+(qk-1).J(qk-1) ).zk-1].h2 Bước 2: Hiệu chỉnh gia lượng để thu giá trị gần tốt hơn: 6k = 6Ak + ∆6- ∆6- = [J(6Ak)]+ [xk - f( 6Ak)] Bước 3: Ta lấy 6Ak = 6Ak + ∆6- so sánh: Nếu ‖∆6- ‖ < J ta lấy qk = 6Ak Nếu ‖∆6- ‖ > J ta tiếp tục lấy 6Ak = 6Ak + ∆6- lặp lại bước ‖∆6- ‖ < J lấy qk = 6Ak dừng việc tính qk Bước 4: Từ giá trị qk tìm sau hiệu chỉnh ta áp dụng vào cơng thức thiết lập để tính vận tốc gia tốc Bước 5: Kết thúc tính toán toán động học ngược *) Hiệu chỉnh gia lượng vector tọa độ suy rộng t0 ta làm tương tự bỏ qua bước AAA 64 xác định theo thực tiễn 691 Phan Bùi Khôi, Nguyễn Văn Toản Trong báo tác giả dùng J = 10-6 Thực giải số khoảng thời gian T= 9(s) Bước thời gian h = ∆t = 0,005 Thông số hệ robot tác hợp dùng toán tối ưu chuẩn vector vận tốc gia tốc Hằng số α = 1; trọng số dương ci chọn tùy ý Robot hàn Không gian làm việc biến khớp: q1 = K1700 q2 = -1550L1000 q4 = K 1800 q3 = -1700L2600 q5 = -500L2300 q6 = K3600 dq2=3,32 (rad/s) dq3 = 3,14 (rad/s) dq5 = 6,98 (rad/s) dq6 =10,5 (rad/s) Vận tốc lớn khâu: dq1 = 3,40 (rad/s) dq4 = 6,98 (rad/s) Robot tác hợp Không gian làm việc biến khớp: q7 = L 0,6 (m) q8 = L 0,4 (m) Vận tốc lớn khâu: dq7 = 0,3 (m/s) q9 = K600 dq8 = 0,4(m/s) dq9 = 3,5(rad/s) q10 = K 1800 dq10 =5,2(rad/s) Bài toán thực MAPLE Sau vị trí, vận tốc gia tốc khâu robot tác hợp thời điểm xuất file text để làm tín hiệu đầu vào SIMULINK Thông số dạng luật áp dụng điều khiển Bộ điều khiển Mờ Chọn luật hợp thành Max-Min, phương pháp giải mờ trọng tâm, hàm liên thuộc dạng tam giác Đầu vào gồm sai lêch vị trí e sai lệch vận tốc de Đầu lượng điều chỉnh momen lực đặt vào khớp u Miền giá trị vật lí đầu vào ra: e = [e1, e2, e3, e4] Với e1, e2, e3, e4 sai số vị trí khớp de = [de1, de2, de3, de4] Với de1, de2, de3, de4 sai số vận tốc khớp u = [ u1, u2, u3, u4] khớp Giá trị cụ thể : Với u1, u2, u3, u4 lượng điều chỉnh momen lực vào e1 = [-5, 5] (mm) de1 = [-5, 5] (mm/s) e2 = [-5, 5] (mm) de2 = [-5, 5] (mm/s) e3 = [ -1,1] (độ) de3 = [-1,1] (độ/s) e4 = [-1,1] (độ) de4 = [-1,1] (độ/s) u1=[-120,120] (N) u2=[-400, 400] (N) u3=[-10, 10] (N.m) u4=[-0,4, 0,4] (N.m) Ta chia đầu vào thành giá trị ngôn ngữ, bảng biểu diễn hệ luật mờ: AL: âm lớn 692 AN: âm nhỏ Z: zero DN: dương nhỏ DL: dương lớn Tối ưu hóa hệ mờ- noron điều khiển Robot Bảng Bảng FAM biểu diễn hệ luật mờ (GTNN: giá trị ngôn ngữ) GTNN AL AN Z DN DL AL DL DL DL DN Z AN DL DN DN Z AN Z DL DN Z AN AL DN DN Z AN AN AL DL Z AN AL AL AL Bộ điều khiển mờ đại số gia tử Đầu vào dạng luật chọn trên, bên cạnh tham số gia tử chọn sau: G = {0, S, W, B, 1} với S= Small; B = Big H={H-, H+} Với H- = L ; H+ = V => q=1, p =1 Với L = Little; V= Very fm(S) = M = 0,5 µ(L) = µ(V) = 0,5 => α = β = 0,5 fm(B) = 1- fm(S) = 0,5 Các giá trị ngôn ngữ đầu vào logic mờ chuyển sang giá trị ngôn ngữ đại số gia tử sau: AL => VS AN => LS Z => W DN => LB DL => VB Từ thông số trên, dùng hàm định lượng ngữ nghĩa để chuyển bảng FAM sang bảng SAM (Bảng 2; GTNN: Giá trị ngữ nghĩa) Bảng Bảng SAM GTNN υ(VS)=0,125 υ(LS)=0,375 υ(W)=0,5 υ(LB)=0,625 υ(VB)=0,875 υ(VS)=0,125 0,875 0,875 0,875 0,625 0,5 υ(LS)=0,375 0,875 0,625 0,625 0,5 0,375 υ(W)=0,5 0,875 0,625 0,5 0,375 0,125 υ(LB)=0,625 0,625 0,5 0,375 0,375 0,125 693 Phan Bùi Khôi, Nguyễn Văn Toản υ(VB)=0,875 0,5 0,375 0,125 0,125 0,125 Lưu ý: Để khơng bỏ sót trường hợp q trình xấp sỉ, đầu vào có giá trị vật lí nằm bên trái miền giá trị vật lí giá trị ngơn ngữ AL giá trị ngữ nghĩa lấy υ(0)= Nếu giá trị vật lí nằm bên phải miền giá trị vật lí giá trị ngơn ngữ DL giá trị ngữ nghĩa lấy υ(1) = Kết hợp mạng noron hệ mờ đại số gia tử Chọn thông số trên, riêng hàm liên thuộc ta chọn hàm sigmoid nói Dùng mạng noron truyền thẳng lớp giải thuật lan truyền ngược sai số; số học thích nghi với giá trị khởi tạo n = 0,6 sau k = 99 vòng lặp liên tiếp mà hàm giá giảm tăng liên tục số học thay đổi 0,005 Hằng số quán tính chọn là: anpha1 = 0,005; anpha2 = 0,01; anpha3 = 0,006; anpha4 = 0,007; Với thông số trọng số khởi tạo, ta thu trọng số với sai số E = 0,0002 Kết hợp giải thuật di truyền giải thuật lan truyền ngược để tối ưu trọng số mạng noron mờ ĐSGT Hàm giá chọn: E = (y1-d1)2 đó: y1 đầu thực; d1 đầu mong muốn Dùng phương pháp mã hóa trọng số, tái sinh cách quay bánh xe Routlle, đột biến BIASED Bộ trọng số thu với sai số E = 0,00005 Cách thực đơn giản hơn, thêm ta tốn nhiều thời gian cho việc chọn số quán tính số học mà lại thu trọng số có sai số tốt nhiều dùng giải thuật lan truyền ngược sai số Mô hình SIMULINK 694 Tối ưu hóa hệ mờ- noron điều khiển Robot Hình Mơ hình Simulink Các khối mơ hình SIMULINK Trong đó: vitri.mat, vantoc.mat, giatoc.mat vị trí, vận tốc, gia tốc tính tốn nhận từ Maple sau xuất file text, dùng From File đưa vào Simulink làm tín hiệu đặt BoDieuKhien khối chứa điều khiển, TinhLucLyThuyet khối tính tốn lực momen lí thuyết với đầu vào vị trí, vận tốc, gia tốc thu từ chương trình Maple, Robot mơ hình robot, tất viết M-File, sau dùng Matlab Function đưa vào Simulink Kết mô Bộ điều khiển mờ cổ điển: Các hình 3, biểu diễn kết mơ ứng với điều khiển mờ cổ điển 695 Phan Bùi Khơi, Nguyễn Văn Toản Hình Đồ thị tọa độ, vận tốc mô tọa độ, vận tốc tính tốn khâu Hình Đồ thị sai số vị trí sai số vận tốc khâu Bộ điều khiển Mờ ĐSGT: Các hình 5, biểu diễn kết mô ứng với điều khiển mờ kết hợp đại số gia tử Hình Đồ thị tọa độ, vận tốc mô tọa độ vận tốc tính tốn khâu 696 Tối ưu hóa hệ mờ- noron điều khiển Robot Hình Đồ thị sai số vị trí sai số vận tốc khâu Bộ Điều khiển Noron-Mờ ĐSGT: Các hình 7,8 biểu diễn kết mơ ứng với điều khiển kết hợp Noron-Mờ-Đại số gia tử Hình Đồ thị toạ độ, vận tốc mơ tọa độ, vận tốc tính tốn khâu Hình Đồ thị sai số vị trí sai số vận tốc khâu 697 Phan Bùi Khơi, Nguyễn Văn Toản Bộ điều khiển Noron-Mờ ĐSGT có kết hợp giải thuật di truyền giải thuật lan truyền ngược biểu diễn hình 9, 10 Hình Đồ thị tọa độ;vận tốc mơ tọa độ vận tốc tính tốn khâu Hình 10 Đồ thị sai số vị trí sai số vận tốc khâu KẾT LUẬN Những kết cho thấy điều khiển dựa logic mờ điều khiển dựa đại số gia tử cho kết tương tự nhau, điều khiển noron-mờ ĐSGT cho kết tốt điều khiển noron-mờ ĐSGT có kết hợp giải thuật di truyền giải thuật lan truyền ngược sai số cho kết tốt Trong nội dung, báo cần so sánh phương pháp với nên tác giả dùng biến ngơn ngữ có mức phân hoạch (k = 2) áp dụng đại số gia tử Nếu sử dụng với mức phân hoạch k chắn kết phương pháp có liên quan đến ĐSGT cịn xác Tuy vậy, kết mô cho thấy điều khiển làm việc xác, đường tọa độ vận tốc mô gần trùng khớp với đường tọa độ vận tốc tính toan Hướng nghiên cứu tác giả áp dụng phương pháp điều khiển vào hệ robot tác hợp TÀI LIỆU THAM KHẢO 698 Tối ưu hóa hệ mờ- noron điều khiển Robot Mamdani E H - Twenty Years of Fuzzy Control: Experiences Gained and Lessons Learnt, IEEE Intl.Conf on Fuzzy Systems, 1993, pp 339-344 Nguyen Cat Ho, Huynh Van Nam - An algebraic approach to linguistic hedges in Zadeh’s fuzzy logic, Fuzzy Sets and System 129 (2002) 229-254 Keung-Chi Ng, Bruce Abramson - Uncertainty Management in Expert Systems, University of Southern California Nguyen Cat Ho and Wechler W - Hedge algebras: An algebraic approach to structure of sets of linguistic truth values, Fuzzy Sets and Systems 35 (1990) 281-293 Wessels L., Barnard E - Avoiding False Local Minima by Proper Initialization of Connections, IEEE Trans on Neural Networks, 1992 Hertz J., Krogh A., Palmer R G - Introduction to the Theory of Neural Computation, NewYork : Addison-Wesley, 1991 Ruey-Jing Lian, Chung-Neng Huang, “ Self- Orgazing Fuzzy Radial Basis Function, Neural-Network Controller For Robotic Motion Control”, ICIC International 2012 ISN 1349-4198 Goldberg D E - Genetic Algorithm in Search, Optimization and Machine Learning, Addison Wesley, Reading, MA, 1898 Frank Saunders, John Rieffel, Jason Rife - A Method of Accelerating Convergence for Genetic, Algorithms Evolving Morphological and Parameters for a Biomimetic Robot, Proceedings of the 4th International Conference on Autonomous Robots and Agents, Feb 10-12-2009, Wellington, New Zealand ABSTRACT OPTIMIZING NEURAL FUZZY SYSTEM FOR ROBOT CONTROL Phan Bui Khoi*, Nguyen Van Toan School of Mechanical Engineering, HUST, No 1, Dai Co Viet, Hai Ba Trung, Hanoi * Email: khoi.phanbui@hust.edu.vn Along with the strong development of science and technology, fuzzy system and artificial neural network are increasingly widely applied in multiple field Base on human logic, with advantages that is simple and it process exactly uncertain information; fuzzy system and artificial neural network have brought many considerable efficient in field of control and automation Optimizing neural fuzzy system is important and necessary to improve control efficiency, creating fundamental factors to resolve technical problems with high accurate, especially problems that we can not modeling or difficult This science article perform applications of fuzzy logic and fuzzy algebra for fuzzy control, incorporating artificial neural network and fuzzy algebra control, combining genetic algorithm and error back propagation algorithm to improve accurateness of the weights of artificial neural network Keywords: optimizing, Neural Fuzzy System, Fuzzy Algebra, Genetic Algorithm (GA) 699 ... 688 Tối ưu hóa hệ mờ- noron điều khiển Robot x4, x5, x6: vị trí đầu hàn hệ tọa độ bàn máy Hình Mơ hình hệ robot tác hợp hệ trục tọa độ đặt khâu Hệ robot tác hợp ta xét xem hệ robot dư dẫn động,... để áp dụng điều khiển robot tác hợp bậc tự Sau kiểm nghiệm tính đắn phương pháp điều khiển trên, tác giả tiếp tục áp dụng toán điều khiển cho hệ robot tác hợp Với toán động học hệ robot tác hợp... Bộ điều khiển Mờ ĐSGT: Các hình 5, biểu diễn kết mô ứng với điều khiển mờ kết hợp đại số gia tử Hình Đồ thị tọa độ, vận tốc mơ tọa độ vận tốc tính tốn khâu 696 Tối ưu hóa hệ mờ- noron điều khiển