Kết hợp điều khiển trượt và mạng nơ ron để điều khiển xe tự cân bằng

Để điều khiển cho xe tự cân bằng thì hiện nay có rất nhiều phương pháp hiệu quả như điều khiển trượt, điều khiển PID, LQR, BackStepping... Bản thân cá nhân bộ điều khiển trượt hoặc sử dụng mạng nơ ron làm bộ điều khiển cũng thu được kết quả rất tốt. Trong bài viết này, tác giả không sử dụng bộ điều khiển nơ ron làm bộ điều khiển chính, mà sử dụng khả năng nhận dạng đối tượng của mạng nơ ron, nhằm mục đích nhận dạng các thành phần nhiễu xuất hiện ngẫu nhiên trong hệ.

Tuyển tập Hội nghị Khoa học thường niên năm 2021 ISBN: 978-604-82-5957-0 KẾT HỢP ĐIỀU KHIỂN TRƯỢT VÀ MẠNG NƠ RON ĐỂ ĐIỀU KHIỂN XE TỰ CÂN BẰNG Nguyễn Đức Minh Trường Đại học Thủy lợi, email: minhnd@tlu.edu.vn GIỚI THIỆU Để điều khiển cho xe tự cân có nhiều phương pháp hiệu điều khiển trượt, điều khiển PID, LQR, BackStepping Bản thân cá nhân điều khiển trượt sử dụng mạng nơ ron làm điều khiển thu kết tốt Tuy nhiên trường hợp nhiễu bất định xuất phương pháp có hạn chế nhấn định Trong báo này, tác giả không sử dụng điều khiển nơ ron làm điều khiển chính, mà sử dụng khả nhận dạng đối tượng mạng nơ ron, nhằm mục đích nhận dạng thành phần nhiễu xuất ngẫu nhiên hệ Khi điều khiển trượt làm tốt nhiệm vụ lại hệ lý tưởng hóa sau bù nhiễu mạng nơ ron Việc sử dụng mạng nơ ron để nhận dạng nhiễu bù nhiễu thường dựa kinh nghiệm lựa chọn mạng số nơ ron lớp mạng, nghiên cứu này, tác giả đưa kết lựa chọn từ kinh nghiệm nghiên cứu trước phương án lựa chọn luật điều khiển phương án bù nhiễu Từ áp dụng vào điều khiển bù nhiễu cho xe hai bánh tự cân có dặc tính động học phi tuyến CẤU TRÚC VÀ MƠ HÌNH ĐỘNG HỌC CỦA XE TỰ CÂN BẰNG 2.1 Mơ hình xe tự cân Thơng thường, mơ hình động học rơ bốt xây dựng phương pháp EulerLagrange Cấu trúc mơ hình xe hai bánh tự cân minh họa Hình Đây rơ bốt bậc tự với biến khớp biến di chuyển x, biến góc quay δ biến góc nghiêng θ Hình Cấu trúc xe tự cân 2.2 Phương trình Lagrange J  x&l2  x&r2 m  M  x&l  x&r   L   mw  wy    r2  2     x& x&r  & &2  ML  l   cos( )+ ( ML  J p  J c )  (1)     x&l  x&r  Jv  mgl cos( )  D  Trong xl , xr khoảng dịch chuyển bánh trái, bánh phải dọc theo trục x, D hoảng cách bánh xe theo trục z Cấu trúc điều khiển PID: K u ( s )  ( K p  i  sKd )e( s ) (2) s 267 Tuyển tập Hội nghị Khoa học thường niên năm 2021 ISBN: 978-604-82-5957-0 MƠ PHỎNG VÀ PHÂN TÍCH Chọn chu kỳ trích mẫu Tsp = 0.01 để nhận dạng thành phần nhiễu bất định có hệ Sau huấn luyện ta kết sau: Sai lệch mse đầu mơ hình mạng nơ ron đối tượng 2,5*10-12 Sai lệch lớn đầu mơ hình mạng nơ ron cánh tay rơ bốt 6*10-5 Số lần huấn luyện 1350 Tham số hàm Gaussian sử dụng để mô tác giả lựa chọn sau: Các thông số mô hình lựa chọn mơ sau: mw = 0.3kg; M = 1kg; m = 2kg; L = 0.1m; D = 0.2m; g = 10 m*s-2; r = 0.035m Ta đặt nhiễu hình sin với tham số ngẫu nhiên vào hệ thu lực tác động vào hai bánh sau: fl = - fr = 2.85sin(((2t) + rank) N Đáp ứng Mô men hai bánh lúc có dạng Hình 1  1.2; 2  1.2; c1  0.01; c2  0.01 Tỷ lệ học  = 0.1  = Đáp ứng vào, mơ hình mẫu, đầu đối tượng đáp ứng mơ hình mẫu điều khiển nơ ron mô Hình Hình Đáp ứng moment hai bánh Các trạng thái ban đầu hệ rô bốt tự cân lựa chọn sau: [x;x&; ;&]   0;0.001; 0.0005;0 Hình Tín hiệu vào mẫu Với lựa chọn mạng nơ ron, luật điều khiển, tham số hệ Gaussian trên, đáp ứng hệ biểu diễn hình 5, 6, Quan sát đáp ứng ta thấy hệ thống ổn định tốt, theo thiết kế với hiệu suất cao Các thông số vị trí, tốc độ, góc quay vận tốc góc nhanh chóng trở vị trí cân sau khơng q giây Điều chứng tỏ phương pháp điều khiển nhóm tác giả đề suất hoạt động hiệu x 10 -3 Position [m] 2.5 1.5 0.5 -0.5 0.5 1.5 2.5 3.5 Hình Đầu NN model, sai lệch đầu NN model đối tượng Hình Đáp ứng vị trí rô bốt 268 Tuyển tập Hội nghị Khoa học thường niên năm 2021 ISBN: 978-604-82-5957-0 KẾT LUẬN Các kết mô cho thấy điều khiển hoạt động tốt đạt mục tiêu đề ra, tham số mạng noron tính tốn cập nhật online để đảm bảo cho ổn định gặp biến thiên nhiễu TÀI LIỆU THAM KHẢO Hình Đáp ứng tốc độ rơ bốt x 10 -4 [1] Minh Nguyen-Duc, Wang Wei, Zhuang Yan Consensus of Multi-Agent Systems with Euler-Lagrange System Using Neural Networks Controller ICIC Express Lett 2016, 10, pp 1697-1704 Angle [rad] -1 -2 [2] -3 -4 -5 0.5 1.5 2.5 3.5 Hình Đáp ứng góc quay rơ bốt Hình Đáp ứng vận tốc góc rơ bốt 269 Minh Nguyen-Duc, Thang Nguyen-Trong Sliding Surface in Consensus Problem of Multi-Agent Rigid Manipulators with Neural Network Controller Energies, 2017,10.12: 2127  ... mẫu điều khiển nơ ron mơ Hình Hình Đáp ứng moment hai bánh Các trạng thái ban đầu hệ rô bốt tự cân lựa chọn sau: [x;x&; ;&]   0;0.001; 0.0005;0 Hình Tín hiệu vào mẫu Với lựa chọn mạng nơ ron, ... niên năm 2021 ISBN: 978-604-82-5957-0 KẾT LUẬN Các kết mô cho thấy điều khiển hoạt động tốt đạt mục tiêu đề ra, tham số mạng noron tính tốn cập nhật online để đảm bảo cho ổn định gặp biến thiên... 978-604-82-5957-0 MƠ PHỎNG VÀ PHÂN TÍCH Chọn chu kỳ trích mẫu Tsp = 0.01 để nhận dạng thành phần nhiễu bất định có hệ Sau huấn luyện ta kết sau: Sai lệch mse đầu mơ hình mạng nơ ron đối tượng 2,5*10-12