Thiết kế robot di chuyển và đo lường thông số trạm biến áp tự hành

ĐẠI HỌC ĐÀ NẴNG TRƯỜNG ĐẠI HỌC BÁCH KHOA KHOA ĐIỆN ĐỒ ÁN LIÊN MÔN 4 NGÀNH KỸ THUẬT ĐIỀU KHIỂN TỰ ĐỘNG HOÁ ĐỀ TÀI THIẾT KẾ ROBOT DI CHUYỂN VÀ ĐO LƯỜNG THÔNG SỐ TRẠM BIẾN ÁP TỰ HÀNH Người hướng dẫn TS.

TỔNG QUAN VỀ ĐỀ TÀI

Tính cấp thiết của đề tài

Hiện nay, sự phát triển nhanh chóng của các nhà máy điện, trạm biến áp và lưới điện đã tạo ra nhu cầu cao về quản lý và vận hành, đòi hỏi một lượng lớn nhân công, từ đó làm tăng chi phí Để đáp ứng các yêu cầu kỹ thuật, việc tự động hóa hệ thống điện trở thành một hướng đi tất yếu Tại Việt Nam, phần lớn trạm biến áp vẫn hoạt động theo phương thức truyền thống, với việc điều khiển qua tủ bảng và khóa điều khiển, trong khi chức năng giám sát từ các trung tâm điều độ chủ yếu dựa vào hệ thống thu thập thông tin xa (RTU) Mặc dù một số trạm đã được tự động hóa, nhưng vẫn cần có công nhân trực để theo dõi thiết bị theo quy trình quy phạm Các camera lắp đặt tại một số trạm chỉ giúp giám sát tình trạng chung và an ninh, mà chưa thể theo dõi chi tiết tình trạng từng thiết bị, như trạng thái dao cách ly hay tình trạng hỏng hóc sau thiên tai.

Dựa trên các phân tích đã thực hiện, cần thiết phải sử dụng robot tự động giám sát trạm biến áp để thu thập hình ảnh và thông tin trạng thái của các thiết bị Robot này có khả năng di chuyển tự động trong trạm theo một hệ thống dẫn hướng đến các vị trí đã được xác định trước như máy cắt, dao cách ly, máy biến áp, thanh góp và các vị trí khác cần theo dõi Nó sẽ thu thập hình ảnh và trạng thái của các thiết bị từ nhiều góc độ khác nhau và truyền dữ liệu về trung tâm điều khiển.

Mục tiêu nghiên cứu

Nghiên cứu phát triển robot tự động di chuyển với tốc độ 0,4 - 1 m/s trong trạm biến áp nhằm thay thế con người trong việc thu thập và xử lý hình ảnh, thông tin Robot sẽ sử dụng các cảm biến để theo dõi trạng thái của các thiết bị như dao cách ly, máy cắt, đồng hồ nhiệt độ dầu MBA, đồng hồ nhiệt độ cuộn cao áp và cuộn trung áp MBA từ nhiều góc độ khác nhau, sau đó truyền dữ liệu về trung tâm điều khiển.

Đối tượng và phạm vi nghiên cứu

− Nghiên cứu khảo sát trạm biến áp giả định theo mô hình được xây dựng từ các trạm biến áp thực tế

− Nghiên cứu thiết kế, chế tạo hệ thống điều khiển phù hợp cho robot tại trạm biến áp

− Nghiên cứu chế tạo robot tự động mang camera giám sát,

− Nghiên cứu thiết kế, chế tạo hệ thống cấp nguồn cho robot,

− Nghiên cứu chế tạo hệ thống truyền dữ liệu từ robot về phòng vận hành tại trạm biến áp.

Cách tiếp cận và phương pháp nghiên cứu

Đề tài nghiên cứu tập trung vào mô hình động lực và điều khiển của robot, cũng như các phương thức truyền dữ liệu và xử lý hình ảnh Bên cạnh đó, cấu trúc của trạm biến áp và các thiết bị cần giám sát trong trạm biến áp cũng được khảo sát kỹ lưỡng.

Giới thiệu về robot giám sát trạm biến áp

Robot giám sát trạm biến áp là công cụ tiên tiến giúp kiểm tra cơ sở hạ tầng từ xa, kết hợp lập bản đồ không gian nhỏ để kiểm tra nhiệt độ và phát hiện sự ăn mòn với độ nhạy cao Với cụm cảm biến bao gồm cảm biến lidar, máy ảnh nhiệt và máy ảnh quang phổ, robot thực hiện đánh giá tình trạng thiết bị một cách định lượng Robot có khả năng quan sát lặp lại trong hầu hết mọi môi trường trạm biến áp, với nhiều loại địa hình và điều kiện thời tiết, đạt độ chính xác định vị trong phạm vi 10 cm Nhờ đó, robot phát hiện hầu hết các mối nguy hiểm tiềm ẩn, góp phần nâng cao hiệu quả quản lý và bảo trì thiết bị.

Dữ liệu từ bộ cảm biến trong robot giúp phát hiện hư hỏng và dấu hiệu xuống cấp như vết nứt, rò điện và sự oxy hóa Ngoài ra, nó còn lập bản đồ các thay đổi vật lý của máy biến áp, công tắc, dây dẫn và các thiết bị khác.

Trạm biến áp không người trực là giải pháp tối ưu cho hệ thống điện nhờ vào khả năng vận hành tự động, nâng cao năng suất lao động và giảm thiểu nhân lực Trong tương lai, ngành Điện sẽ triển khai hàng loạt trạm biến áp tự động, điều khiển từ xa Công nghệ Robot tự động sẽ phát triển chương trình giám sát trạm biến áp tiên tiến nhất hiện nay.

Robot giám sát trạm biến áp là giải pháp tối ưu cho việc khảo sát các khu vực nguy hiểm như trạm biến áp, hầm mỏ và những địa điểm chứa vật liệu độc hại Thiết bị này rất hiệu quả trong việc theo dõi và đánh giá sự thay đổi của môi trường theo thời gian, đảm bảo an toàn cho con người trong những tình huống rủi ro.

Hình 1: Mô tả tổng quan Robot

Thông tin cơ bản của hệ thống:

• Bộ phận xoay và nghiêng chắc chắn (PTU) được thiết kế cho các ứng dụng có độ rung cao

• Hệ thống camera quan sát, camera hồng ngoại phát hiện các điểm nóng và dị thường nhiệt

• Hệ thống đo tốc độ bằng encoder

• Hệ thống điều hướng bằng la bàn điện tử

• Khả năng tránh vật cản

• Cho phép điều chỉnh bằng tay

• Rô bôt sau khi hoàn thành giám sát hoặc pin yếu sẽ tự động quay về trạm sạc.

MÔ HÌNH ĐỘNG HỌC, ĐỘNG LỰC HỌC CỦA ĐỐI TƯỢNG

Mô hình động học của Mobile Robot

2.1.1 Mô hình bánh xe robot

Loại mobile robot được sử dụng trong đề tài này là Differential Drive Robot (robot gồm 2 bánh chủ động và 1 bánh bị động)

Mô hình bánh xe robot được mô tả như hình 2.1, với bánh xe quay quanh trục Y và di chuyển theo phương X Khi robot hoạt động ở tốc độ thấp, có thể bỏ qua ảnh hưởng của sự trượt giữa bánh xe và mặt đường.

Các thông số của bánh xe : r= bán kính bánh xe v= vận tốc dài của bánh w= vận tốc góc của bánh xe

Động học của robot là nghiên cứu về chuyển động mà không xem xét lực tác động, tập trung vào các yếu tố hình học xác định vị trí của robot Nó thể hiện mối quan hệ giữa các thông số điều khiển và trạng thái của hệ thống trong không gian.

2.1.2 Phương trình động học của Mobile Robot

Mô hình robot được thể hiện ở hình dưới đây:

Hình 2 2: Hệ quy chiếu của mobile robot

Để xác định vị trí của robot trong mặt phẳng, cần xây dựng mối quan hệ giữa tọa độ tham chiếu toàn cục và hệ tọa độ tham chiếu cục bộ của robot Các trục x, y sẽ xác định tọa độ của bất kỳ điểm nào trong hệ tọa độ toàn cục.

Điểm P (xOy) được coi là tâm dịch chuyển của robot, dùng để xác định vị trí của robot trong hệ tọa độ tham chiếu cục bộ xmPym Vị trí của điểm P trong hệ tọa độ toàn cục được xác định bởi các tọa độ x, y và góc lệch θ giữa hai hệ tọa độ Các thông số hình học của robot bao gồm vận tốc dài của bánh phải vr(t), vận tốc dài của bánh trái vl(t), vận tốc góc của bánh phải wr(t) và vận tốc góc của bánh trái wl(t).

R - bán kính mỗi bánh của mobile robot

ICC - tâm vận tốc tức thời

Ta có phương trình toán học trong không gian trạng thái như sau:

Trong đó vận tốc dài của robot được tính: v(t) = w(t)R = 1 (v (t) + v (t))

Và: v (t) = 2v(t) + w(t)L r 2R v (t) = 2v(t) − w(t)L l 2R w(t)= R (v (t) − v (t)) Viết lại dưới dạng ma trận:

Các thông số kỹ thuật của Mobile Robot trong mô hình bao gồm bán kính R = 0.5 m và chiều dài L = 0.15 m Những thông số này sẽ được áp dụng để xây dựng mô hình Mobile Robot trên phần mềm mô phỏng Matlab-Simulink, nơi Mobile Robot sẽ được điều khiển một cách hiệu quả.

Mô hình động học, động lực học của cánh tay robot

2.2.1 Đặc điểm kĩ thuật của cánh tay robot

Cánh tay robot 3 bậc tự do được mô tả như trong hình, bao gồm 4 thanh (bao gồm base) và 3 khớp với các thông số kĩ thuật như sau:

Hình 2 3: Tay máy robot 3 bậc tự do

L12 = L1 + L2 = 0.4 (m) là chiều dài thanh thứ nhất

L3 = 0.4 (m) là chiều dài thanh thứ hai

Chiều dài của thanh thứ ba là L4 = 0.2 m, trong khi các góc quay của các khớp được ký hiệu lần lượt là θ1 cho khớp thứ nhất, θ2 cho khớp thứ hai và θ3 cho khớp thứ ba Khối lượng của thanh thứ nhất là m1 = 1.5 kg, và khối lượng của thanh thứ hai là m2 = 2 kg.

M3 = 1 (kg) là khối lượng của thanh thứ ba

2.2.2 Các phương trình động học thuận Động học thuận của cánh tay robot được xác định bởi một nhóm các tham số được gọi là các tham số Denavit - Hartenberg (DH), các tham số này được sử dụng để thành lập

Bốn ma trận biến đổi thuần nhất giữa các hệ tọa độ khác nhau được áp dụng vào cấu trúc của tay máy robot Các tham số Denavit-Hartenberg (DH) cho robot 3 bậc tự do được thiết lập theo hình vẽ.

Ta các định được các ma trận biến đổi thuần nhất cho tay máy 3-DOF:

Từ (1), (2), (3), (4) ta có phương trình biến đổi thuần nhất 0 T :

cos 1 cos( 2 +  3 ) −cos 1 sin( 2 + 3 ) sin 1 L 3 cos 1 cos 2 + L 4 cos 1 cos( 2 +  3 )

sin cos( + ) −sin.sin(+ ) −cos L sin .cos+ L sin.cos( + ) 

Vậy tọa độ vị trí của end-effector của tay máy là:

Và ma trận hướng của tay máy được xác định là ma trận 3x3 bao gồm 3 hàng và 3 cột đầu tiên của ma trận biến đổi thuần nhất 0 T

2.2.3 Các phương trình động học ngược

Bài toán động học ngược trong robotics yêu cầu xác định tất cả các giá trị của các biến khớp để đạt được vị trí và hướng mong muốn của end-effector Trong khi bài toán động học thuận của tay máy robot nối tiếp thường dễ giải quyết, bài toán động học ngược lại là một thách thức lớn với nhiều nghiệm khả thi.

Các phương trình toán học cho bài toán động học ngược có thể được xác định qua phương pháp đại số hoặc hình học Trong bài viết này, chúng tôi sẽ tập trung vào việc áp dụng phương pháp đại số.

Từ tọa độ vị trí của end-effector của tay máy, dễ thấy rằng:

L 3 sin 2 + L 4 sin( 2 + 3 ) = P z − L 12 Bình phương 2 vế của 2 phương trình rồi cộng lại ta được:

 2 = A tan 2 ( ad − bc, ac + bd )

2.2.4 Các phương trình động lực học của tay máy

Mô hình động lực học của tay máy robot nghiên cứu chuyển động và lực tác động lên cánh tay robot, đồng thời thiết lập mối quan hệ toán học giữa vị trí của các biến khớp và các tham số kích thước của robot Có hai phương pháp chính để giải quyết các phương trình động lực học của tay máy robot: Phương pháp Euler - Lagrange và Phương pháp Newton.

Trong nghiên cứu này, chúng tôi áp dụng phương pháp Euler - Lagrange để tính toán các thông số liên quan đến tổng động năng và thế năng, từ đó xác định tham số Lagrangian ℒ cho toàn bộ hệ thống Việc này cho phép chúng tôi tính toán lực hoặc momen xoắn cần thiết tác động lên từng khớp Bằng cách sử dụng Lagrangian ℒ, chúng tôi có thể giải phương trình Euler-Lagrange thông qua các đạo hàm riêng của động năng và thế năng, giúp xác định phương trình chuyển động của hệ cơ học một cách chính xác.

= d  L  − L dt   Trong đó τ là ngoại lực hoặc momen xoắn tổng quát áp dụng lên tay máy và L là phương trình Lagrange của chuyển động, được cho bởi phương trình:

Để giải phương trình Lagrange L(θ, θ) = K(θ, θ) - U(θ), cần tính toán động năng K và thế năng U Trong nghiên cứu này, cánh tay robot có 3 bậc tự do với các thanh dài hình trụ, trong đó khối tâm nằm ở trọng tâm các thanh Do đó, momen quán tính của từng thanh được xác định dựa trên vị trí khối tâm.

Từ đây ta tính được động năng và thế năng của hệ: i C i

Trong đó: i=1 mi là khối lượng ở khâu thứ i

V và i w i là vận tốc dài tại trọng tâm của khâu thứ i và vận tốc quay ở khâu thứ i

0 g T là momen quán tính tại trọng tâm của khấu thứ i là gia tốc trọng trường

0 P là vị trí trọng tâm ở khâu thứ i chiếu lên hệ tọa độ (0)

U ref là mốc thế năng gốc

Sử dụng phương pháp Euler–Lagrange cho trường hợp tất cả các khớp là khớp xoay:

• Vận tốc góc của khâu thứ i+1 ở hệ trục (i+1): i+1 w = i+1 R i w +  i+1 i+1 i i i+1 Z i+1

• Vận tốc dài của điểm gốc ở hệ trục (i+1): i+1 v = i+1 R.( i v + i w  i P )

Trong hệ thống, ma trận xoay giữa các khâu được ký hiệu là i+1, i, và i+1 Vận tốc góc của khâu thứ i được chiếu lên chính nó là w, trong khi đó, vận tốc góc của khâu thứ i+1 cũng được chiếu lên chính nó là i+1.

 i+1 là vận tốc góc tại khớp thứ i+1 i+1

Z i+1 là vecto của trục z i+1 i+1 là vận tốc dài ở điểm gốc của (i+1) i i i i+1 là vận tốc dài ở điểm gốc của (i) là vị trí của điểm gốc (i+1) chiếu lên (i)

2 Áp dụng vào bài toán:

• Tọa độ khối tâm tại các khâu:

- Vận tốc dài tại gốc tọa độ:

- Vận tốc tại trọng tâm:

- Vận tốc dài tại gốc tọa độ:

- Vận tốc tại trọng tâm:

- Vận tốc dài tại gốc tọa độ:

- Vận tốc tại trọng tâm:

Sau khi đã tính được τ, chuyển phương trình vi phân của robot về dạng tổng quát:

Trong đó: M (  ) là ma trận quán tính

C (  ,  ) là ma trận lực Coriolis và lực li tâm

Cuối cùng, ta viết chương trình tính toán các thông số như hình dưới:

+  1 m L 2 + 1 m L L cos + 1 m gL cos( + ) + 1 m gL cos + m gL cos

G =  m gL cos(  +  ) + m gL cos  + m gL cos  

Ta sẽ sử dụng các ma trận và vecto này để mô phỏng trong Matlab Simulink.

KĨ THUẬT ĐỊNH VỊ VÀ THUẬT TOÁN ĐIỀU KHIỂN MOBILE

Tổng quan về kĩ thuật định vị cho Mobile Robot

Điều hướng là một trong những thách thức lớn nhất đối với robot di động Để đạt được thành công trong việc điều hướng, robot cần phải được trang bị đầy đủ bốn khâu thiết yếu.

• Nhận thức: robot phải dịch các tín hiệu từ cảm biến để thu được dữ liệu có nghĩa

• Định vị: robot phải xác định được vị trí của nó trong môi trường hoạt động

• Khả năng tri thức: robot phải quyết định hành động như thế nào để đạt được mục đích

• Điều khiển chuyển động: robot phải điều chỉnh các thông số đầu ra động cơ để đạt được quỹ đạo mong muốn

Hình 2.3 miêu tả sơ đồ nguyên lý chung của khâu định vị trong mobile robot

Hình 3 1: Sơ đồ nguyên lý của khâu định vị trong mobile robot

Trong ứng dụng robot, hai phương pháp định vị phổ biến là phương pháp định vị tuyệt đối (APM) và phương pháp định vị tương đối (RPM) APM cho phép robot xác định vị trí chính xác trong không gian bằng cách sử dụng các tham số cố định, trong khi RPM giúp robot xác định vị trí tương đối so với các đối tượng xung quanh Việc lựa chọn giữa hai phương pháp này phụ thuộc vào yêu cầu cụ thể của từng ứng dụng.

Phương pháp định vị tương đối chủ yếu dựa vào dead-reckoning, tính toán số vòng quay của bánh xe để xác định vị trí tương đối của robot sau một khoảng thời gian di chuyển Đây là một phương pháp đơn giản, tiết kiệm chi phí và được áp dụng rộng rãi trong hầu hết các robot di động, kể cả những robot sử dụng định vị APM Tuy nhiên, nhược điểm lớn của dead-reckoning là sai số tích lũy, dẫn đến bán kính sai số lớn.

Phương pháp định vị tuyệt đối cho mobile robot sử dụng nhiều loại cảm biến bên cạnh encoder, bao gồm beacon, cột mốc, so sánh bản đồ cục bộ và toàn cục, cũng như định vị bằng vệ tinh (GPS) Mỗi phương pháp này có những thuật toán và cảm biến riêng, nhưng đều phục vụ cho việc định vị robot hiện nay Phương pháp sử dụng cột mốc chỉ phù hợp trong nhà, trong khi so sánh bản đồ thường được áp dụng cho các robot tự trị phức tạp Đối với phương pháp GPS, nó chỉ hiệu quả ngoài trời và có sai số lớn, có thể lên đến hàng mét Một số phương pháp khác sử dụng cảm biến la bàn hoặc con quay để định hướng robot dựa vào từ trường trái đất.

Trong cuộc thi robot tại San Jose, California, một điều bất ngờ là các robot đã sử dụng phương pháp dead reckoning để định vị và di chuyển.

Năm 1992, hai robot sử dụng phương pháp sửa lỗi UMBmark do nhóm J Borenstein phát triển đã giành giải nhất và giải nhì, với khả năng di chuyển 100 m mà không có sai số Cụ thể, robot có thể di chuyển quanh một phòng ngủ kích thước 5mx5m, thực hiện 5-6 vòng mà không gặp bất kỳ sai sót nào Với ưu điểm về chi phí thấp và tính đơn giản, phương pháp dead-reckoning trở thành một giải pháp đầu tiên và cần thiết cho các robot di động.

Dù áp dụng phương pháp định vị nào, dead-reckoning vẫn là lựa chọn hàng đầu Phương pháp này sẽ được sử dụng trong đề tài nghiên cứu này.

Phương pháp Dead - reckoning

Dead reckoning là phương pháp phổ biến để xác định vị trí tương đối của robot di động trong mặt phẳng sau khi di chuyển, so với vị trí ban đầu Giải bài toán dead reckoning thực chất là giải bài toán động học cho robot, nhằm xác định vị trí và hướng tức thời của robot sau khi chuyển động, với tọa độ gốc được gắn với sàn của robot tại thời điểm ban đầu.

Trong các ứng dụng thực tế của robot di động, độ chính xác là yếu tố quan trọng, khiến cho bài toán dead reckoning trở nên phức tạp hơn so với bài toán động học cho tay máy.

Các tay máy được kết nối chặt chẽ, cho phép xác định tọa độ cuối dựa trên góc xoay tại các khớp Ngược lại, robot di chuyển trên sàn xe bằng bánh xe cao su, với lực ma sát tương đối yếu, dẫn đến sai số lớn trong phương pháp dead reckoning do phụ thuộc vào tương tác giữa bánh xe và bề mặt.

Bài viết này sẽ trình bày lại bài toán động học cho robot di động mô hình NEWT, một trong những mô hình cơ bản và phổ biến nhất được sử dụng trong thiết kế robot.

Hình 3 2: Sơ đồ nguyên lý mô hình NEWT

Robot mô hình NEWT được điều khiển bởi hai bánh xe chủ động, với bộ điều khiển hai động cơ nhận tín hiệu hồi tiếp từ encoder Bánh xe kết nối với động cơ thông qua hộp giảm tốc có tỷ số truyền n.

- R là đường kính bánh xe mà ta dùng để tính toán trong bộ điều khiển

- Ce là độ phân giải của encoder (tính bằng xung trên vòng)

- n là tỉ số truyền giảm tốc giữa trục động cơ (cũng là trục của encoder) so với trục bánh xe

Từ đây chúng ta có thể tính hệ số chuyển đổi giữa số xung encoder và độ dịch chuyển của bánh xe theo công thức sau:

Với số xung NL và NR ghi nhận từ bánh xe bên trái và bên phải, chúng ta có thể tính toán độ dịch chuyển của từng bánh xe tại thời điểm k.

Và tính được độ dịch chuyển tương đối của điểm trung tâm (trung điểm đường nối hai bánh xe) và góc xoay của robot theo các công thức sau:

Trong đó L là khoảng cách giữa hai bánh xe trong mô hình NEWT

Khi đó hướng tương đối của robot tại thời điểm k+1 sẽ là:

Và vị trí tương đối của robot tại thời điểm k+1 sẽ là: x k +1 = x k + D C,k +1 cos k +1 y k +1 = y k + D C,k +1 sin  k +1

Ta sẽ áp dụng các công thức này vào Matlab Simulink để mô phỏng vị trí của robot

3.2.2 Những lưu ý khi sử dụng phương pháp Dead-reckoning

Chúng ta đã giải quyết bài toán động học cơ bản cho robot di động mô hình NEWT, đây là nền tảng của phương pháp dead reckoning Tuy nhiên, các công thức này dựa vào việc biến đổi tuyến tính các thông số từ encoder thành độ dịch chuyển của bánh xe, trong khi thực tế không có sự tuyến tính hoàn hảo trong ứng dụng robot Sự không tuyến tính này dẫn đến các sai số cần được nhận diện, bao gồm hai loại sai số chính và một số nguyên nhân gây ra chúng.

Có hai loại sai số là sai số ngẫu nhiên và sai số hệ thống

• Nguyên nhân sai số hệ thống

− Các bánh xe không tròn

− Các bán kính trung bình của các bánh xe không bằng với bán kính bánh xe mà chúng ta dùng để tính toán

− Các bánh xe bị lệch trục

Khoảng cách giữa hai bánh xe không thể xác định chính xác vì chúng luôn tiếp xúc với mặt sàn theo một đường thẳng hoặc một mặt phẳng, thay vì chỉ tại một điểm tiếp xúc.

− Độ phân giải giới hạn của encoder

− Tần số lấy mẫu từ encoder (chúng ta không thể đếm encoder liên tục, mà chỉ có thể lấy mẫu ở mỗi thời điểm để tính toán)

• Nguyên nhân sai số ngẫu nhiên

− Có những chướng ngại vật bất thường, các cảm biến khác không ghi nhận được, và robot vẫn vượt qua chướng ngại vật đó

Bánh xe có thể gặp nhiều sai lệch trong quá trình hoạt động, bao gồm sự trượt bánh xe với mặt sàn, gia tốc quá cao mà bánh xe chưa kịp đạt được trong thời gian tính toán, và hiện tượng trượt do lực quán tính khi xoay quá nhanh Ngoài ra, các ngoại lực tác động lên thân robot và nội lực từ các cơ cấu chấp hành động trên robot cũng góp phần gây ra những sai lệch này.

Khi robot hoạt động trên bề mặt phẳng, sai số chủ yếu đến từ các sai số hệ thống Tuy nhiên, nếu bề mặt không đều, các sai số ngẫu nhiên trở thành vấn đề quan trọng cần được chú ý.

Trong bài viết này, chúng ta sẽ giả định rằng không có sai số nào, vì robot được nghiên cứu hoạt động trong không gian hai chiều và các điều kiện thí nghiệm được mô phỏng.

Thuật toán điều khiển robot tự hành

Xe tự hành và robot tự hành đang trở thành những lĩnh vực nghiên cứu quan trọng và phát triển nhanh trong ngành robotics Các phương tiện tự động này không chỉ giúp cải thiện lưu lượng, mật độ giao thông mà còn nâng cao hiệu quả, an toàn và sự thoải mái cho người di chuyển Trên thế giới và tại Việt Nam, nhiều giải pháp xe/robot tự hành đã được thử nghiệm và triển khai Nỗ lực nghiên cứu vẫn đang tiếp tục nhằm nâng cao hiệu suất, độ tin cậy và giảm chi phí cho các phương tiện này.

Một trong những yếu tố quan trọng quyết định sự thành công của xe/robot tự hành là trình theo dõi đường đi (path tracker) Có nhiều kỹ thuật với mức độ phức tạp và hiệu quả khác nhau, ảnh hưởng đến độ chính xác, độ ổn định và sự thoải mái của hành khách Mục tiêu của bộ điều khiển là giúp xe đi theo con đường mong muốn bằng cách giảm thiểu sai số giữa xe và đường đi tham chiếu, đồng thời duy trì vận tốc ổn định dựa trên thuật toán path planning Trong số các thuật toán điều khiển phổ biến cho xe tự hành, ba thuật toán nổi bật là Pure Pursuit, Stanley và Model Predictive Controller Bài viết này sẽ tập trung giới thiệu thuật toán Pure Pursuit.

3.3.1 Nguyên lý bộ điều khiển sử dụng thuật toán Pure Pursuit

Pure Pursuit Controller là một thuật toán theo dõi đường đi, không giống như các bộ điều khiển truyền thống Thuật toán này xác định các đặc tính dựa trên thông số kỹ thuật của xe, sử dụng đầu vào là vị trí và hướng của xe cùng với đường tham chiếu Từ đó, nó có thể tính toán vận tốc và góc lái tương ứng, giúp cải thiện hiệu suất điều khiển.

Pure Pursuit tính toán góc lái dựa trên vị trí của xe và lộ trình cần tuân theo Vận tốc của xe thay đổi tùy thuộc vào đặc điểm khu vực như đường trống, đông dân cư, độ dốc và vật cản Thuật toán sẽ điều chỉnh vị trí điểm phía trước trên lộ trình dựa vào vị trí hiện tại của xe, liên tục đuổi theo một điểm phía trước Thuộc tính LookAheadDistance xác định khoảng cách để nhìn về phía trước.

Hình 3 3: Thuật toán Pure Pursuit

Sau đây ta có các quan hệ hình học như sau:

Hình 3 4: Quan hệ hình học

Khi di chuyển đến điểm đích có tọa độ (x,y), thay vì cho robot đổi hướng và đi thẳng, ta có thể cho robot di chuyển theo một cung tròn Tuy nhiên, cần lưu ý rằng cung tròn này không phải là duy nhất, do đó, ta nên giả định rằng tâm tức thời của đường cong sẽ nằm trên trục X để đảm bảo tính chính xác trong chuyển động.

Từ đó dễ dàng rút ra các công thức hình học: x 2 + y 2 = l 2 x + d = r

-  là độ cong của cung tròn

- x là tín hiệu sai số (độ lệch)

- 2 có thể được coi là độ lợi của luật điều khiển l 2

Mục đích của Pure Pursuit là điều chỉnh độ cong  sau mỗi khoảng thời gian để kiểm soát hướng di chuyển của xe Điều này được thực hiện bằng cách gắn một cung tròn vào điểm đích trên đường dẫn, với khoảng cách l, và cung tròn này sẽ tiếp tuyến với trục Y của xe Độ cong này liên quan đến độ lệch x của điểm đích so với gốc tọa độ, được tính bằng bình phương nghịch đảo của khoảng cách nhìn trước l Một số điểm tương tự với bộ điều khiển tỷ lệ P có độ lợi bằng 2 lần bình phương nghịch đảo của l, nhưng "sai số" ở đây được xác định bởi độ lệch x của điểm phía trước xe Sau khi tính được độ cong, cần chọn góc lái tỉ lệ với độ cong này để đảm bảo điều khiển chính xác.

Sau khi hiểu được quan hệ hình học, ta trình bày các bước của thuật toán như sau:

B1: Xác định tọa độ hiện tại của robot trong tọa độ toàn cục B2: Tìm điểm gần nhất từ robot đến quỹ đạo mong muốn B3: Tìm điểm đích cho robot

B4: Thay đổi điểm đích trong hệ tọa độ cục bộ của robot B5: Tính toán độ cong và yêu cầu robot di chuyển theo đường cong đó B6: Cập nhật tọa độ và tiến đến điểm đích tiếp theo.

3.3.2 Ảnh hưởng của LookAheadDistance đến thuật toán Pure Pursuit

LookAheadDistance là tham số quan trọng trong bộ điều khiển, xác định khoảng cách mà robot cần nhìn về phía trước để tính toán vận tốc góc phù hợp cho việc điều hướng Hình dưới đây minh họa ví dụ về LookAheadDistance.

Hình 3 5: LookAheadDistance Ảnh hưởng của việc thay đổi tham số này có thể thay đổi cách robot hoạt động trên đường đi và có 2 mục tiêu chính:

• Lấy lại đường đi (robot đang cách đường đi một khoảng lớn và muốn bám lại đường đi)

• Duy trì đường đi (robot đang ở trên đường đi và muốn duy trì nó) Để nhanh chóng lấy lại đường đi giữa các điểm đặt, điều chỉnh tham số

Việc giảm giá trị LookAheadDistance sẽ giúp robot di chuyển nhanh hơn về phía đường đi, nhưng có thể dẫn đến tình trạng robot vượt quá và dao động quanh đường đi mong muốn Để khắc phục vấn đề này, cần điều chỉnh tham số LookAheadDistance lớn hơn Tuy nhiên, nếu giá trị này quá lớn, nó sẽ gây ra độ cong lớn giữa các góc, ảnh hưởng đến khả năng di chuyển của robot.

Vì vậy tùy thuộc vào ứng dụng của robot mà ta điều chỉnh tham số này hợp lý

3.3.3 Hạn chế của thuật toán Pure Pursuit

Thuật toán Pure Pursuit có một vài hạn chế như sau:

Bộ điều khiển không thể theo dõi đường dẫn trực tiếp một cách chính xác; do đó, cần điều chỉnh các tham số một cách phù hợp để tối ưu hóa khả năng bám hội tụ của robot theo thời gian.

• Thuật toán không ổn định với robot tại một điểm cố định, ta nên đặt một ngưỡng khoảng cách cụ thể đối với một điểm kết thúc của robot.

Lưu đồ điều khiển robot trạm biến áp

3.4.1 Lưu đồ thuật toán tổng quát

Lưu đồ thuật toán mô tả quá trình robot hoạt động

Hình 3 8: Lưu đồ thuật toán tổng quát

3.4.2 Lưu đồ thuật toán trên Arduino điều khiển vị trí Robot và vị trí tay máy

Hình 3 9: Lưu đồ thuật toán trên Arduino

3.4.3 Mô phỏng trên Matlab Simulink

Ta cho trước các điểm mong muốn đi qua trong bản đồ, việc này được thực hiện thủ công

Từ lí thuyết đã nêu ở trên, chọn LookAheadDistance = 0.1, ta có mô hình mô phỏng như sau:

Hình 3 10: Mô hình mô phỏng

Hình 3 11: Kết quả mô phỏng mobile robot

Hình 3 12: Sai số mô phỏng mobile robot

• Mô hình chạy ổn định, robot bám khá sát các điểm mong muốn

• Sai số quỹ đạo không đáng kể, chỉ tính bằng vài centimet

THIẾT KẾ PHẦN CỨNG HỆ THỐNG

Tổng quan thiết kế

Nhóm nghiên cứu đã xác định mục tiêu giám sát trạng thái thiết bị trong trạm biến áp thông qua việc thu thập và xử lý dữ liệu Theo đó, các vị trí giám sát đã được đề xuất dựa trên sơ đồ của trạm biến áp giả định.

• Giám sát thông số trạng thái nhiệt độ dầu của MBA

• Giám sát thông số trạng thái nhiệt độ cuộn dây cao áp 110kV của MBA

• Giám sát thông số trạng thái nhiệt độ cuộn dây trung áp 22kV của MBA

• Giám sát thông số trạng thái dao cách ly 3 pha

• Giám sát thông số trạng thái dao máy cắt 3 pha

Hình 4 1: Sơ đồ trạm biến áp

4.1.2 Chọn thiết bị điều khiển truyền động cho robot

Đối với các ứng dụng điều khiển vị trí đòi hỏi độ chính xác cao, nhóm đã quyết định sử dụng động cơ bước (Step Motor) làm hệ truyền động cho robot di động và tay máy.

4.1.3 Chọn phần mềm lập trình điều khiển, thu thập và xử lý dữ liệu

Phần mềm LabView là một môi trường ngôn ngữ đồ họa hiệu quả, giúp giao tiếp đa kênh giữa con người, thuật toán và thiết bị Nó hỗ trợ nhiều chuẩn giao tiếp phần cứng như RS232, USB, TCP/IP và UDP Với giao diện đồ họa dễ sử dụng, LabView mạnh mẽ trong việc xây dựng thuật toán, kết nối thiết bị điều khiển và phát triển ứng dụng một cách nhanh chóng và hiệu quả.

Thiết kế phần cứng

Cấu tạo mạch động lực và điều khiển:

Hình 4 2: Tổng quan sơ đồ thiết kế phần cứng điều khiển robot

Nhóm thiết kế đã triển khai hai máy vi tính để điều khiển và thu thập dữ liệu, trong đó một máy tính được lắp đặt bên trong robot di chuyển, và máy còn lại được đặt cố định tại nhà điều hành của Trạm Biến Áp (TBA).

Máy tính trên Robot cần có kích thước nhỏ gọn, tốc độ xử lý nhanh, tiêu thụ điện năng thấp và đầy đủ các cổng giao tiếp cho thiết bị ngoại vi Để đáp ứng các yêu cầu này, nhóm đã chọn sử dụng máy tính Raspberry Pi 4.

− Thông số: Broadcom BCM2711, Quad core Cortex-A72 (ARM v8) 64-bit SoC 1.5GHz

− Wifi chuẩn 2.4 GHz và 5.0 GHz IEEE 802.11ac Bluetooth 5.0, BLE

− 2 cổng USB 3.0 và 2 cổng USB 2.0

− Chuẩn 40 chân GPIO, tương thích với các phiên bản trước

− Hỗ trợ 2 cổng ra màn hình chuẩn Micro HDMI với độ phân giải lên tới 4K

− Khe cắm Micro-SD cho hệ điều hành và lưu trữ

− Nguồn điện DC 5V – 3A DC chuẩn USB-C

− 5V DC via GPIO header (minimum 3A*)

Camera thu thập hình ảnh cần có độ phân giải cao để đảm bảo hình ảnh sắc nét và rõ ràng Bên cạnh đó, thiết bị cũng phải được trang bị chức năng điều chỉnh khoảng cách chụp, như zoom quang học, để linh hoạt trong việc ghi lại các chi tiết.

Từ cơ sở này nhóm thiết kế đã chọn Camera của hãng National Instrument với thông số kỹ thuật như sau:

Mã số thiết bị: Basler acA3800-10gm

− Độ phân giải: 3480 x 2748 pixel (Chuẩn hình ảnh độ phân giải 4K)

− Tốc độ : 30 khung hình / giây

− Bộ điều khiển zoom quang học với khoảng cách sử dụng từ 40cm đến 300cm

− Chuẩn giao tiếp Gigabit Ethernet 1000Mbps

− Công suất tiêu thụ tối đa : 3,7 Wats

− Điện áp làm việc 12 – 24 VDC

− Khối lượng: 90 gam (Chưa kể khối lượng thiết bị Zoom quang học)

Hình 4 4: Camera Basler acA3800-10gm

4.2.3 Bộ truy cập không dây WiFi (Router)

Nhóm thiết kế đã chọn thiết bị bộ phát Wifi 4G công nghiệp Edup AZ800 Wifi Router 300Mbps với các thông số cơ bản như sau:

− Tốc độ truyền / nhận dữ liệu: 300Mbps

− Có 4 ăng ten thu / phát tín hiệu với bán kính phủ sóng khoảng 40 mét

Hình 4 5: Edup AZ800 Wifi Router

4.2.4 Module ESP8266-12E Để truyền nhận dữ liệu trong mạng không dây với giao thức TCP/IP Nhóm thiết kế đã chọn Modul ESP8266-12E làm nhiệm vụ này

− Điện áp hoạt động: 3.0 ~ 3.6VDC

− Dòng điện hoạt động: trung bình ~80mA

− Giao tiếp: UART/ADC/GPIO/PWM

− Dải tần số: 2.4GHz – 2.5GHz (2400M – 2483.5M)

4.2.5 Module Arduino UNO và Modulê Micro Step Driver a Module Arduino Uno

Module sử dụng vi điều khiển 8 bit Atmega328, được thiết kế nhỏ gọn và tích hợp bộ chuyển đổi RS232 to COM, giúp truyền nhận dữ liệu hiệu quả với máy tính.

− Chip điều khiển chính: ATmega328P

− Chip nạp và giao tiếp UART: ATmega16U2

− Nguồn nuôi mạch: 5VDC từ cổng USB hoặc nguồn ngoài cắm từ giắc tròn

− Số chân Digital I/O: 14 (trong đó 6 chân có khả năng xuất xung PWM)

− Dòng điện DC Current trên mỗi chân I/O: 20 mA

− Dòng điện DC Current chân 3.3V: 50 mA

− Flash Memory: 32 KB (ATmega328P), 0.5 KB dùng cho bootloader

Hình 4 7: Modul Arduino Uno b Modul Micro Step Driver:

Là modul điều khiển động cơ bước Thông số kỹ thuật gồm:

− Điện áp cực đại: 40 VDC

− Tích hợp chân Reset và Enable

− Tích hợp chân điều khiển đảo chiều quay động cơ DIR

− Tích hợp chân phát xung PUL để điều khiển tốc độ và vị trí

− Tính năng bảo vệ quá áp, quá nhiệt

Hình 4 8: Modul Micro Step Driver

Là bo mạch được thiết kế cho các ứng dụng điều khiển các máy CNC có công suất bé

Chân cắm mở rộng của bo mạch được thiết kế để kết hợp với modul vi điều khiển Arduino UNO

Bo mạch CNC Shield V3 hỗ trợ gắn 4 modul điều khiển động cơ bước DRV8255, cho phép điều khiển tối đa 3 trục X, Y, Z và tùy chọn cho một trục thứ 4 trên máy CNC.

4.2.7 Cảm biến siêu âm HY-SRF05

Cảm biến siêu âm UltraSonic HY-SRF05 là thiết bị lý tưởng để đo khoảng cách giữa vật thể và cảm biến thông qua sóng siêu âm Với thời gian phản hồi nhanh và độ chính xác cao, cảm biến này rất phù hợp cho các ứng dụng phát hiện vật cản và đo khoảng cách.

− Điện áp hoạt động: 5VDC

− Tín hiệu giao tiếp: TTL

− Chân tín hiệu: Echo, Trigger (thường dùng) và Out (ít dùng)

− Tần số phát sóng: 40Khz

Khoảng cách đo được của cảm biến dao động từ 2 đến 450 cm, với khoảng cách tối đa đạt được trong điều kiện lý tưởng như không gian trống và bề mặt vật thể phẳng Tuy nhiên, trong điều kiện bình thường, cảm biến cho kết quả chính xác nhất khi đo trong khoảng cách dưới 100 cm.

− Sai số: 0.3cm (khoảng cách càng gần, bề mặt vật thể càng phẳng sai số càng nhỏ)

− Kích thước: 43mm x 20mm x 17mm

Hình 4 10: Cảm biến siêu âm UltraSonic HY-SRF05

4.2.8 Cảm biến nhiệt độ ES1C-A40

Thiết bị giúp đo nhiệt độ, phân tích nhiệt độ bề mặt từ xa khoảng cách đo xa lên đến

1 m, đường kính bề mặt đo lên đến 12 cm, 8cm, 5cm hoặc nhỏ hơn tùy theo vị trí lắp đặt cảm biến

Cảm biến nhiệt độ hồng ngoại không tiếp xúc có khả năng đo nhiệt độ trong khoảng từ -20 đến 500 độ C, với tín hiệu đầu ra dạng analog 4-20mA Thiết bị này tương thích với hầu hết các bộ điều khiển, màn hình hiển thị, PLC và bộ ghi dữ liệu, mang lại sự linh hoạt trong ứng dụng công nghiệp.

− Bước sóng hồng ngoại: 8-14um (đo được những vật phát ra bước sóng hồng ngoại trong phạm vi 8-14um)

− Tỉ lệ khoảng cách/tiết diện: 20/1

− Nhiệt độ làm việc: 0-60 độ C

− Ngõ ra: 4-20mA, kết nối 2 dây

Hình 4 11: Ảnh mô phỏng cảm diện tích và khoảng cách đặt cảm biến

Cảm biến la bàn số HMC5883L, với kích thước nhỏ gọn và giao tiếp I2C, được thiết kế để đo từ trường của trái đất nhằm xác định phương hướng với độ chính xác cao từ 1 đến 2 độ Cảm biến này có khả năng đo riêng biệt cho từng trục và có thể kết hợp dữ liệu để tính toán định hướng 3D.

Cảm biến la bàn số HMC5883L có khả năng đo từ trường xung quanh, bao gồm cả các nguồn từ trường mạnh như nam châm hoặc điện trường Khi phát hiện từ trường bên ngoài, cảm biến này có thể xác định khoảng cách và hướng đến vật phát ra từ trường, giúp người dùng nắm bắt thông tin về môi trường xung quanh một cách chính xác.

Hình 4 12: Mudul la bàn HMC5883L

Sử dụng Encoder 600 xung để đo tốc độ bánh xe và đo góc cho từng khớp của tay máy

− Điện áp hoạt động: DC5-24V

− Tốc độ cơ khí tối đa 6000 vòng / phút

− Tần số đáp ứng điện 20K / giây

4.2.11 Động cơ Động cơ bước thực chất là một động cơ đồng bộ Có khả năng cố định roto vào những vị trí cần thiết Động cơ bước được ứng dụng trong các lĩnh vực điều khiển vị trí

Khi lựa chọn động cơ cho cơ cấu di chuyển của robot, cần lưu ý rằng lực cản tĩnh phụ thuộc vào khối lượng của robot và trạng thái đường đi, bao gồm các yếu tố như cong, thẳng, ổ gà và dốc Do đó, lực cản có thể được tính toán theo công thức cụ thể.

G x - khối lượng của xe, kg

R b - bán kính bánh xe, m β - hệ số ma sát trượt, (8.10 −4 ÷ 15.10 −4 ) r ct - bán kính cổ trục bánh xe, m f - hệ số ma sát lăn (5.10 −3 )

Mô men của động cơ sinh ra để thắng lực cản chuyển động đó bằng:

Công suất của động cơ khi di chuyển có tải được xác định bởi lực cản chuyển động (F), tỉ số truyền từ trục động cơ đến bánh xe (N i), và hiệu suất của cơ cấu (η).

Thực tế ta có được:

G x - khối lượng của robot: 50( kg)

R b - bán kính bánh xe: 300( mm) = 0.3( m)

𝛽 - hệ số ma sát trượt: 8.10 −4 r ct - bán kính cổ trục bánh xe: 5( mm) = 0,005( m) f - hệ số ma sát lăn: 5.10 −3

F - lực cản chuyển động = 8,18 [N] i - tỉ số truyền từ trục động cơ đến bánh xe = 10

𝜂 - hiệu suất của cơ cấu = 0,9

Mô men sinh ra để thắng lực cản chuyển động:

Với vận tốc 5( km/h) Công suất cần thiết của động cơ khi di chuyển trong chế độ xác lập bằng:

0.8 Công suất động cơ được lựa chọn dựa trên các thông số lớn nhất do yêu cầu đặt ra Trong lúc hoạt động xe chịu nhiều ảnh hưởng bởi các lực cản bên ngoài (địa hình, không khí)

Để đảm bảo hiệu suất hoạt động của robot, nên lựa chọn hai động cơ với công suất 30W và điện áp 24V Sự kết hợp này không chỉ đáp ứng yêu cầu về tốc độ mà còn có khả năng chịu tải tốt, đồng thời vẫn đảm bảo tính kinh tế cho sản phẩm.

THIẾT KẾ BỘ ĐIỀU KHIỂN TAY MÁY

Bộ điều khiển mờ

Lý thuyết logic mờ, được giới thiệu lần đầu vào năm 1965 bởi giáo sư Lotfi Zadeh qua công trình “Fuzzy sets” trên tạp chí “Information and control”, đã mở ra một hướng đi mới trong toán học Khái niệm “Fuzzy” (mờ) được sử dụng để phân biệt với các lý thuyết toán học truyền thống, nhấn mạnh sự khác biệt giữa các trạng thái như “thuộc - không thuộc” và “đúng - sai”.

Tập hợp mờ, theo Zadeh, được định nghĩa là những khái niệm không thể diễn đạt bằng các phương pháp toán học truyền thống, mà chỉ có thể được hiểu thông qua trí tuệ nhân tạo, đặc biệt trong các hệ thống phức tạp có sự tham gia của con người.

Logic mờ được ứng dụng lần đầu tiên vào năm 1975 khi Mamdani và Assilian thiết kế bộ điều khiển mờ để điều khiển động cơ hơi nước Năm 1982, Holmblad và Osregaad phát triển bộ điều khiển mờ công nghiệp cho quá trình nung chảy xi măng tại Đan Mạch, từ đó thúc đẩy nghiên cứu về giải thuật mờ Bart Kosko đã chứng minh “định lý xấp xỉ mờ”, cho thấy mọi hệ thống có thể được chuyển đổi thành hệ thống xấp xỉ dựa trên logic mờ Điều này cho phép phản ánh mối quan hệ “đầu vào - đầu ra” mà không cần sử dụng các phương trình hay phép tính phức tạp thường thấy trong các hệ thống điều khiển.

Lý thuyết logic mờ đã được áp dụng hiệu quả trong nhiều lĩnh vực như điều khiển công nghệ, quản lý giao thông, chẩn đoán y học, quản lý tài chính, dự báo giá cổ phiếu và công nghệ nhận dạng Các ứng dụng này bao gồm từ máy giặt, camera đến thiết bị radar trong hệ thống phòng thủ và điều khiển máy bay Kinh nghiệm thực tế cho thấy việc thiết kế hệ thống logic mờ giúp giảm đáng kể chi phí và thời gian so với các hệ thống truyền thống.

Sơ đồ của hệ thống điều khiển mờ:

Sơ đồ khối bộ điều khiển mờ

Khối mờ hoá (Fuzzifier) có nhiệm vụ chuyển đổi các giá trị rõ ràng đầu vào thành một miền giá trị mờ, sử dụng hàm thuộc đã được lựa chọn phù hợp với biến ngôn ngữ đầu vào.

Khối hợp thành (Inference Mechanism) là quá trình chuyển đổi các giá trị mờ của biến ngôn ngữ đầu vào thành các giá trị mờ của biến ngôn ngữ đầu ra, dựa trên các luật hợp thành đã được thiết lập.

Khối luật mờ (Rule-base) bao gồm một tập hợp các luật dạng "Nếu Thì ", được xây dựng dựa trên các luật mờ cơ sở do người thiết kế phát triển Những luật này được điều chỉnh phù hợp với từng biến và giá trị của các biến ngôn ngữ, theo mối quan hệ mờ giữa đầu vào và đầu ra.

Khối giải mờ (Defuzzifier) có chức năng chuyển đổi các giá trị mờ đầu ra thành các giá trị rõ ràng để điều khiển đối tượng Bộ điều khiển mờ được cấu trúc cơ bản gồm ba khâu chính.

Khâu Fuzzy hoá có vai trò quan trọng trong việc chuyển đổi giá trị đầu vào thành một vector, trong đó các hàm thuộc thể hiện mức độ phụ thuộc của giá trị đó vào tập mờ của biến ngôn ngữ đầu vào.

• Khõu hợp thành: thực hiện luật hợp thành, xử lý vector à cho ra giỏ trị mờ

B’ của biến ngôn ngữ đầu ra

• Khâu giải mờ: chuyển đổi tập mờ B’ thành một giá trị rõ y’ngõ ra

Phân loại các khâu điều khiển mờ: cũng như các khâu điều khiển kinh điển, khâu điều khiển mờ được phân theo các tiêu chuẩn sau:

• Tiền định hay ngẫu nhiên

• Ổn định – không ổn định

• Tham số tĩnh hay tham số động

5.1.3 Thiết kế bộ điều khiển mờ Để có thể điều khiển tay máy di chuyển theo tín hiệu đặt, theo yêu cầu đề tài ta sử dụng bộ điều khiển mờ Bộ điều khiển mờ bản chất có tính phi tuyến nên thích hợp để điều khiển các đối tượng phi tuyến, đồng thời tích hợp được các kinh nghiệm điều khiển thu được trên thực tế

• 2 tín hiệu vào là sai lệch góc (E) và vi phân của sai lệch (DE)

• 1 tín hiệu ra là tín hiệu điều khiển (T)

2 Số lượng tập mờ, giới hạn vào ra

The article discusses two input variables that represent seven linguistic values: NB (Negative Big), NM (Negative Medium), NS (Negative Small), ZE (Zero), PS (Positive Small), PM (Positive Medium), and PB (Positive Big).

Miền xác định các hàm thành viên E

Miền xác định các hàm thành viên DE

• 1 biến đầu ra là các hằng số với số lượng là 7 biểu diễn các giá trị ngôn ngữ:

NB (Negative Big), NM (Negative Medium), NS (Negative Small), ZE (Zero), PS (Positive Small), PM (Positive medium) và PB (Positive Big)

Miền xác định các hàm thành viên T

Việc xác định số lượng, dạng và tọa độ các hàm trong hệ thống điều khiển mờ Sugeno hoàn toàn dựa trên cơ sở thực nghiệm với đối tượng thực tế Bộ điều khiển này bao gồm tổng cộng 49 mệnh đề hợp thành, được thể hiện qua bảng dưới đây.

NB NM NS Z PS PM PB

NB NB NB NB NB NM NS Z

NM NB NB NB NM NS Z PS

NS NB NB NM NS Z PS PM

Z NB NM NS Z PS PM PB

PS NM NS Z PS PM PB PB

PM NS Z PS PM PB PB PB

PB Z PS PM PB PB PB PB

Mô hình simulink hệ thống bộ điều khiển mờ (Fuzzy logic):

Khi không có nhiễu (Noise = 0): Đáp ứng vào ra của hệ thống

Sai lệch bình phương trung bình theo chuẩn ISE

Sai lệch bình phương trung bình theo chuẩn ITSE

Khi có nhiễu (Noise = 0.0005): Đáp ứng vào ra của hệ thống

Sai lệch bình phương trung bình theo chuẩn ISE

Sai lệch bình phương trung bình theo chuẩn ITSE

Theo mô phỏng, tín hiệu đầu ra từ phương pháp điều khiển mờ (khớp 1 và khớp 3) cho thấy chất lượng dầu ra đạt tiêu chuẩn tốt, tiến gần đến giá trị đặt ban đầu, với sai số ổn định xấp xỉ 0.

Tín hiệu ngõ ra tại khớp 2 cho thấy những hạn chế trong phương pháp điều khiển mờ trong việc xây dựng luật hợp thành Để tối ưu hóa bộ điều khiển, cần có kinh nghiệm từ chuyên gia và thực hiện các thử nghiệm đánh giá.

Bộ điều khiển Neural (ANN)

Mô hình simulink hệ thống bộ điều khiển Neural

Khi không có nhiễu (Noise = 0): Đáp ứng vào ra của hệ thống

Sai lệch bình phương trung bình theo chuẩn ISE

Sai lệch bình phương trung bình theo chuẩn ITSE

Khi có nhiễu (Noise = 0.00002): Đáp ứng vào ra của hệ thống Sai lệch bình phương trung bình theo chuẩn ISE

Sai lệch bình phương trung bình theo chuẩn ITSE

Bộ điều khiển mờ PID (FLC-PID)

5.3.1 Sơ đồ điều khiển sử dụng Mờ PID t

Mô hình toán của bộ PID: u(t) = K p e(t) + K I  0 e(x)dx + K D de(t) dt

Các tham số KP, KI, KD của bộ điều khiển mờ được điều chỉnh dựa trên sai lệch e(t) và đạo hàm de(t) Có nhiều phương pháp chỉnh định bộ PID, bao gồm phiếm hàm mục tiêu, chỉnh định trực tiếp và các phương pháp của Zhao, Tomizuka, Isaka Nguyên tắc chung là bắt đầu với các trị số KP, KI, KD theo phương pháp Zeigler-Nichols, sau đó theo dõi đáp ứng và điều chỉnh dần để tìm ra hướng chỉnh định phù hợp.

Lân cận a1 ta cần luật ĐK mạnh để rút ngắn thời gian lên, do vậy chọn: KP lớn,

KD nhỏ và KI nhỏ

Lân cận b1 ta tránh vọt lố lớn nên chọn: KP nhỏ, KD lớn, KI nhỏ

Lân cận c1 và d1 giống như lân cận a1 và b1

5.3.3 Các bước thiết kế bộ điều khiển Mờ

1) Xác định biến ngôn ngữ

+ Sai lệch: E = Giá trị đặt – Giá trị đo được

+ Tốc độ tăng: DE - Đầu ra: 3 biến

+ Kp hệ số tỷ lệ

+ KI hệ số tích phân

+ KD hệ số vi phân

- Số lượng biến ngôn ngữ

E = {âm nhiều, âm vừa, âm ít, zero, dương ít, dương vừa, dương nhiều}

DE = { âm nhiều, âm vừa, âm ít, zero, dương ít, dương vừa, dương nhiều}

Kp / KD = { zero, nhỏ, trung bình, lớn, rất lớn}={Z, S , M, L, U}

KI = { mức 1, mức 2, mức 3, mức 4, mức 5}= {L1, L2, L3, L4, L5}

3) Chọn luật và giải mờ

+ Chọn luật hợp thành theo quy tắc Max-Min

+ Giải mờ theo phương pháp trọng tâm

- Mô hình bộ điều khiển Mờ PID:

Th1: Không có nhiễu tác động

+ Quỹ đạo đầu vào đầu ra

+ Thông số ISE và ITSE

TH2: Có nhiễu tác động

+ Quỹ đạo đầu vào đầu ra

+ Thông số ISE và ITSE

- Bộ điều khiển có độ chính xác tốt, sai số nằm trong mức kiểm soát ( Next

* Lưu ý: Tương tự cho các khớp Theta2 và Theta3

Bước 6: Chọn csố nơ-ron lớp ẩn -> Next

Bước 7: Chọn thuật toán huấn luyện ( Levenberg – Marquardt ) -> Train

Bước 8: Sau khi train xong -> Chọn “’ Simulink Diagram “ để đưa ra khối ANN -> Next -> Finish

Bước 9: Copy khối ANN vừa tạo -> Paste vào bộ điều khiển chính

Giải thuật tối ưu bộ điều khiển PID bằng bộ Mờ Fuzzy từ mạng nơ-ron RBF

Mô hình điều khiển động cơ sử dụng bộ Mờ được minh họa trong Hình 4, trong đó các tham số điều chỉnh Kp, Ki, Kd được cập nhật theo luật Mờ Các thông số này được xác định dựa trên e và de từ mạng Nơ-ron.

Mô hình tối ưu bộ điều khiển PID bằng bộ mờ từ mạng nơ-ron

Mô hình tổng quát đề tài

Mô hình bộ điều khiển

Mô hình bộ điều khiển Neural_Fuzzy_PID

Kết quả mô phỏng đầu ra theta của bộ điều khiển

Kết quả mô phỏng đầu ra theta không có nhiễu của bộ điều khiển

Bộ điều khiển mờ neural PID (FLC-ANN-PID)

Bộ điều khiển Fuzzy kết hợp với mạng Neural và PID tạo ra một hệ thống điều khiển thích nghi, cho phép mạng Nơron hoạt động như bộ điều khiển PID truyền thống Sự kết hợp này không chỉ giúp cải thiện hiệu suất điều khiển mà còn tự động điều chỉnh các thông số của bộ PID thông qua việc cập nhật trọng số của mạng nơron dựa trên các luật hợp thành mờ trong quá trình điều khiển.

Các bước thiết kế bộ điều khiển Fuzzy

Bước 1: Xác định biến ngôn ngữ

+ Sai lệch: E = Giá trị đặt – Giá trị đo được

+ Tốc độ tăng DE - Đầu ra: 2 biến

+ ΔE: Độ biến thiên sai lệch

+ ΔDE: Độ biến thiên tốc độ tăng

- Số lượng biến ngôn ngữ

E = {âm nhiều, âm vừa, âm ít, zero, dương ít, dương vừa, dương nhiều}

DE = { âm nhiều, âm vừa, âm ít, zero, dương ít, dương vừa, dương nhiều}

DE = {N31, N21, N11, ZE1, P11, P21, P31} ΔE = { zero, nhỏ, trung bình, lớn, rất lớn}={Z, S , M, L, U} ΔDE = { mức 1, mức 2, mức 3, mức 4, mức 5}= {L1, L2, L3, L4, L5}

Luật chỉnh định: ΔDE ΔDE DE

Bước 3: Chọn luật và giải mờ

+ Chọn luật hợp thành theo quy tắc Max-Min

+ Giải mờ theo phương pháp trọng tâm

Mô hình Fuzzy cho cánh tay robot 3 bậc tự do

Mô hình Fuzzy có 2 đầu vào và 2 đầu ra là ΔE và ΔDE như đã trình bày phần trên

- Mô hình Fuzzy cho cánh tay 1:

- Mô hình Fuzzy cho cánh tay 2:

- Mô hình Fuzzy cho cánh tay 3:

Giống như bộ điều khiển ANN-FLC-PID

Các bước xây dựng mạng nơron

Bước 1: Chọn bộ điều khiển có đầu ra đáp ứng đúng yêu cầu đề tài Ở đây ta chọn bộ điều khiển Fuzzy_PID

Bước 2: Thu thập các số liệu đầu vào e và de cho mỗi i1, i2, i3, cùng với ba đầu ra Kp, Ki và Kd cho mỗi o1, o2, o3, nhằm điều khiển bộ PID Các thông số này cần được chọn sao cho bám sát nhất với quỹ đạo đầu vào mong muốn trong quá trình điều khiển tay máy.

Bước 3: Tiến hành huấn luyện dữ liệu bằng cách chạy thử với bộ điều khiển theo mong muốn, từ đó thu thập được các thông số quan trọng.

Bước 4: Vào Command Window -> gõ lệnh “ nnstart ‘’ trên Matlab sẽ xuất hiện cửa sổ Neural Network -> Chọn “ Fitting app “

Bước 5: Chọn thông số khớp muốn huấn luyện Ở đây ta chọn thông số khớp Theta1 -> Next

* Lưu ý: Tương tự cho các khớp Theta2 và Theta3

Bước 6: Chọn số nơ-ron lớp ẩn -> Next

Bước 7: Chọn thuật toán huấn luyện ( Levenberg – Marquardt ) -> Train

Bước 8: Sau khi train xong -> Chọn “’ Simulink Diagram “ để đưa ra khối ANN -> Next -> Finish e

Bước 9: Coppy khối ANN vừa tạo -> Paste vào bộ điều khiển chính

Giải thuật tối ưu bộ điều khiển PID bằng mạng nơ-ron RBF từ bộ Fuzzy

Mô hình điều khiển động cơ sử dụng mạng nơ-ron RBF được minh họa trong Hình 4, trong đó các tham số điều chỉnh Kp, Ki, Kd được cập nhật thông qua mạng nơ-ron RBF Thông số từ mạng nơ-ron RBF được lấy từ bộ điều khiển mờ.

Mô hình tối ưu bộ điều khiển PID bằng mạng nơ-ron từ bộ mờ

Mô hình tổng quất đề tài

Mô hình bộ điều khiển

Mô hình bộ điều khiển Fuzzy_Neural_PID

Kết quả mô phỏng đầu ra Theta có nhiễu của bộ điều khiển

Kết quả mô phỏng đầu ra theta không có nhiễu của bộ điều khiển

So sánh, đánh giá chất lượng các bộ điều khiển

Các kết quả từ các bộ điều khiển cho thấy rằng các bộ điều khiển thích nghi đạt được chất lượng xác lập tốt hơn, với độ vọt vố thấp hoặc không có độ lọt vố, so với các bộ điều khiển kinh điển Hơn nữa, chúng cũng thể hiện khả năng bền vững trước biến thiên nhiễu và tham số.

Các quỹ đạo thu được cho thấy không có sự biến động lớn về sai số, và hiện tượng rung xác lập được thể hiện rõ ràng trên đồ thị Thời gian quá độ và thời gian xác lập giữa các bộ điều khiển không có sự khác biệt đáng kể.

Bộ điều khiển FLC có hạn chế do phụ thuộc vào kinh nghiệm trong việc xây dựng luật hợp thành, khiến cho việc thay thế các bộ điều khiển kinh điển gặp khó khăn Để đánh giá chất lượng của các mô hình, nhóm nghiên cứu đã áp dụng tiêu chuẩn tích phân bình phương sai lệch để phân tích quá trình quá độ và xác lập của các bộ điều khiển Kết quả mô phỏng trong 10 giây cho thấy rõ hơn hiệu suất của các bộ điều khiển này.

Bảng so sánh tiêu chuẩn tích phân bình phương sai lệch

Bộ điều khiển Jquá độ + Jxác lập

Không nhiễu Có nhiễu Tổng

Qua bảng so sánh ta thấy bộ điều khiển FLC-PID có tích phân bình phương sai lệch thấp nhất.