TỔNG QUAN VỀ ĐỀ TÀI
Tính cấp thiết của đề tài
Hiện nay các nhà máy điện, trạm biến áp và lưới điện phát triển rất nhanh chóng cả về số lượng, quy mô và chất lượng dẫn tới việc quản lý vận hành các hệ thống điện lớn sẽ đòi hỏi phải có số lượng nhân công lớn làm tăng chi phí Hơn nữa, nhiều hạng mục công việc bắt buộc phải tự động hóa hoàn toàn mới đáp ứng được các yêu cầu kỹ thuật.
Vì vậy, việc ứng dụng các hệ thống thông tin, đo lường, điều khiển để tự động hóa trong hệ thống điện là một hướng đi tất yếu. Ở Việt Nam hiện nay, phần lớn các trạm biến áp đều vận hành theo kiểu truyền thống, được điều khiển thông qua các tủ bảng, sử dụng khóa điều khiển Chức năng giám sát trạm từ các trung tâm điều độ cũng chỉ thực hiện thông qua hệ thống thu thập thông tin xa (RTU) Tuy nhiên các màn hình HMI (Human Machine Interface) của các trung tâm điều khiển từ xa chỉ thể hiện trạng thái logic đóng cắt của thiết bị nhưng không thể hiện được trạng thái vật lý hay tình trạng thực của thiết bị, mà theo quy trình quy phạm bắt buộc phải có, ví dụ phải thấy rõ trạng thái dao cách ly đã mở/ đóng sau thao tác, tình trạng hỏng hóc sau bão, sau các thảm họa thiên nhiên … Một số trạm biến áp mặc dù đã đuợc tự động hóa nhưng vẫn phải đảm bảo số luợng công nhân trực vận hành chỉ để theo dõi thiết bị và trạng thái thiết bị theo nhu quy trình quy phạm quy định Một số trạm biến áp mặc dù đã lắp đặt camera, nhưng các camera này cũng chỉ giúp giám sát tình trạng chung của trạm, giám sát an ninh tránh sự đột nhập từ bên ngoài, và chưa có khả năng giám sát chi tiết tình trạng từng thiết bị.
Từ những phân tích nên trên, đưa ra yêu cầu sử dụng một loại robot tự động (Robot giám sát trạm biến áp) để thu thập hình ảnh, thông tin trạng thái thiết bị trong trạm biến áp Robot giám sát trạm biến áp có thể tự động di chuyển trong trạm theo một hệ thống dẫn hướng đến những vị trí định trước (vị trí máy cắt, dao cách ly, máy biến áp,thanh góp, và các vị trí khác cần theo dõi, thu thập theo yêu cầu thực tế đặt ra), thu thập hình ảnh và trạng thái các thiết bị này đưa về trung tâm, các thiết bị trạm từ các góc độ khác nhau và truyền về trung tâm điều khiển.
Mục tiêu nghiên cứu
Nghiên cứu chế tạo Robot có thể tự động di chuyển với tốc độ 0,4 - 1 m/s trong trạm biến áp để thay thế con người, thu thập và xử lý hình ảnh, thông tin thông qua các cảm biến về trạng thái các dao cách ly, máy cắt, đồng hồ nhiệt độ dầu MBA, đồng hồ nhiệt độ cuộn cao áp MBA, đồng hồ nhiệt độ cuộn trung áp MBA, từ các góc độ khác nhau và truyền 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
Đối tượng nghiên cứu của đề tài này là mô hình động lực, mô hình điều khiển của robot, các phương thức truyền dữ liệu, xử lý hình ảnh Ngoài ra cấu trúc trạm biến áp và các thiết bị cần giám sát trong trạm biến áp cũng được khảo sát.
Giới thiệu về robot giám sát trạm biến áp
Robot giám sát trạm biến áp là bộ công cụ tiên tiến để kiểm tra cơ sở hạ tầng và trạm biến áp từ xa, kết hợp với việc lập bản đồ không gian quy mô nhỏ giúp kiểm tra nhiệt độ và phát hiện sự ăn mòn với độ nhạy cao Với một cụm cảm biến bao gồm: cảm biến lidar, máy ảnh nhiệt và máy ảnh quang phổ, Robot kiểm tra một cách trực quan để đánh giá tình trạng của các thiết bị trên cơ sở định lượng Các cảm biến được gắn trên một Robot giám sát trạm biến áp có khả năng thực hiện việc quan sát lặp lại trong hầu hết mọi môi trường của trạm biến áp, với nhiều loại địa hình trong mọi điều kiện thời tiết với định vị lặp lại trong phạm vi 10 cm Robot phát hiện hầu hết các mối nguy hiểm tiềm ẩn để đánh giá tình trạng thiết bị.
Dữ liệu từ bộ cảm biến trong robot được sử dụng để phát hiện những hư hỏng và các dấu hiệu xuống cấp (các vết nứt, rò điện, sự oxy hóa) và lập bản đồ thể hiện những thay đổi vật lý đối với máy biến áp, công tắc, dây dẫn cùng các thiết bị khác
Trạm biến áp không người trực là giải pháp hợp lý cho hệ thống điện vì được quản lý vận hành một cách tự động, nâng cao năng suất lao động, giảm tối đa nhân lực Trong tương lai, hàng loạt trạm biến áp không người trực, vận hành tự động, điều khiển từ xa sẽ được ngành Điện đưa vào vận hành Công nghệ Robot tự động sẽ xây dựng một chương trình giám sát trạm biến áp tiên tiến nhất có thể đạt được hiện nay.
Robot giám sát trạm biến áp là thiết bị lý tưởng để khảo sát các khu vực nguy hiểm cho con người như trạm biến áp, hầm mỏ và nhưng địa điểm chứa vật liệu nguy hiểm Thiết bị này vô cùng thích hợp cho việc giám sát một khu vực để đánh giá những thay đổi của môi trường theo thời gian.
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 lý tưởng hóa như hình 2.1 Bánh xe quay quanh trục của nó (trục Y) Bánh xe chuyển động theo phương X (trục X ) Khi chuyển động ở tốc độ thấp, có thể bỏ qua ảnh hưởng của sự trượt của bánh xe so với 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
Hình 2.1: Mô hình bánh xe đã được lý tưởng hóa. Động học là bài toán về chuyển động mà không xét tới sự tác động của lực tới chuyển động của robot, nó bao gồm các yếu tố hình học xác định vị trí của robot Nó bao thể hiện mối quan hệ giữa các thông số điều khiển và các thông số 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
Trước tiên để xác định vị trí của robot trong mặt phẳng, ta xây dựng mối quan hệ giữa tọa độ tham chiếu toàn cục của mặt phẳng và hệ tọa độ tham chiếu cục bộ của robot như hinh 2.2 Các trục x, y xác định tọa độ của điểm bất kì trong hệ tọa độ toàn cục có gốc O (xOy) Điểm P coi là tâm dịch chuyển của robot, nó được dùng để xác định vị trí của robot Hệ tọa độ xmPym là hệ tọa độ tham chiếu cục bộ của robot, gắn liền với robot. Như vậy vị trí điểm P trong hệ tọa độ tham chiếu toàn cục được xác định bởi tọa độ x, y và góc lệch θ giữa hai hệ tọa độ toàn cục và cục bộ Các thông số hình học của robot bao gồm: vr(t) - vận tốc dài của bánh phải. vl(t) - vận tốc dài của bánh trái. wr(t) - vận tốc góc của bánh phải. wl(t) - vận tốc góc của bánh trái.
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:
Viết lại dưới dạng ma trận: cos cos
Các thông số kĩ thuật của Mobile Robot được sử dụng trong mô hình là: R = 0.1 (m); L = 0.5 (m). Đây là phương trình mà sẽ được sử dụng để xây dựng mô hình mobile robot trên phần mềm mô phỏng Matlab-Simulink Trên đó mobile robot sẽ được điều khiển bởi một bộ điều khiển sẽ được tiếp tục xây dựng trong phần sau.
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: Mô hình tay máy robot
L12 = L1 + L2 = 0.4 (m) là chiều dài thanh thứ nhất.
L3 = 0.4 (m) là chiều dài thanh thứ hai.
L4 = 0.2 (m) là chiều dài thanh thứ ba. θ1 là góc quay của khớp thứ nhất. θ2 là góc quay của khớp thứ hai. θ3 là góc quay của khớp thứ ba. m1 = 1.5 (kg) là khối lượng của thanh thứ nhất. m2 = 2 (kg) là khối lượng của thanh thứ hai.
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 các ma trận biến đổi thuần nhất giữa các hệ tọa độ khác nhau được gắn lên cấu trúc của tay máy robot Các tham số DH của robot 3 bậc tự do như trên hình vẽ được thành lập như sau:
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 4 T :
cos( ) sin( ) sin sin ( ) sin( ) cos( ) sin sin( ) cos cos sin cos cos cos cos sin sin cos cos cos
Vậy tọa độ vị trí của end-effector của tay máy là:
.cos cos cos cos( ) sin cos sin cos( )
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 4 T
2.2.3 Các phương trình động học ngược
Bài toán động học ngược được phát biểu là: Cho trước vị trí và hướng của end- effector của robot, tính toán tất cả các tập hợp giá trị của các biến khớp có thể được sử dụng để tạo ra vị trí và hướng này của end-effector Đối với tay máy robot nối tiếp, bài toán động học thuận thường dễ giải quyết trong khi bài toán động học ngược là một bài toán khó và tồn tại nhiều nghiệm.
Các phương trình toán học được sử dụng để giải bài toán động học ngược có thể được xác định bằng phương pháp đại số hoặc phương pháp hình học Trong phạm vi đề tài, chúng em sử dụng phương pháp đại số.
Từ tọa độ vị trí của end-effector của tay máy, dễ thấy rằng:
1 Atan 2( , )P P y x hoặc 1 Atan 2(P y , P x ) Tiếp theo, giả sử:
1 1 if cos 0 cos if sin 0 cos x y
Bình phương 2 vế của 2 phương trình rồi cộng lại ta được:
3 Atan 2(sin ,cos ) 3 3 Mặt khác:
2 Atan 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 liên quan đến chuyển động và các lực liên quan đến cánh tay robot và thiết lập mối quan hệ toán học giữa vị trí của các biến khớp rô bốt và các tham số kích thước của rô bốt Có hai phương pháp để thực hiện các phương trình động lực học của tay máy robot: Phương pháp Euler - Lagrange và phương pháp Newton
Trong đề tài này, chúng em sử dụng phương pháp Euler - Lagrange dựa vào việc tính toán các thông số về tổng động năng và thế năng để xác định tham số Lagrangian ℒ trên toàn bộ hệ thống, rồi từ đó tính toán được lực hoặc momen xoắn cần tác dụng lên mỗi khớp Với Lagrangian , ta có thể giải phương trình Euler-Lagrange dựa vào đạoℒ hàm riêng của các thuộc tính động năng và thế năng của hệ cơ học để tính phương trình chuyển động, cụ thể được xác định như sau: d L L
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:
L K U Để giải phương trình Lagrange, ta cần tính toán động năng K và thế năng U, trong đề tài, cánh tay robot gồm 3 bậc tự do với các thanh dài hình trụ, khối tâm nằm ở trọng tâm các thanh, vì vậy momen quán tính của từng thanh là:
Từ đây ta tính được động năng và thế năng của hệ:
Trong đó: 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
I i là momen quán tính tại trọng tâm của khấu thứ i
0 g T là gia tốc trọng trường
P là vị trí trọng tâm ở khâu thứ i chiếu lên hệ tọa độ (0) ref i
U 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):
Vận tốc dài của điểm gốc ở hệ trục (i+1):
là ma trận xoay của hệ trục (i) lên (i+1) i w i là vận tốc góc của khâu thứ i chiếu lên chính nó.
là vận tốc góc của khâu thứ i+1 chiếu lên chính nó.
i là vận tốc góc tại khớp thứ i+1
là vận tốc dài ở điểm gốc của (i+1) i v i là vận tốc dài ở điểm gốc của (i)
P i là vị trí của điểm gốc (i+1) chiếu lên (i) Áp dụng vào bài toán:
Tọa độ khối tâm tại các khâu:
- Vận tốc dài tại gốc tọa độ: 1 v 1 0 1 R( 0 v 0 0 w 0 0 P 1 )
- Vận tốc tại trọng tâm: 0 V C 1 0 1 R( 1 v 1 1 w 1 1 P C 1 )
- Vận tốc dài tại gốc tọa độ: 2 v 2 2 1 R( 1 v 1 1 w 1 1 P 2 )
- Vận tốc tại trọng tâm: 2 2
- 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:
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 ROBOT
Tổng quan về kĩ thuật định vị cho Mobile Robot
Điều hướng là một trong lĩnh vực thách thức nhất đối với mobile robot Có thể nói, muốn điều hướng thành công, nhất thiết robot phải được trang bị hoàn thiện 4 khâu sau:
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 các ứng dụng robot, có hai phương pháp định vị thường được sử dụng là phương pháp định vị tuyệt đối (APM) và phương pháp định vị tương đối (Relative Positioning Methods - RPM).
Phương pháp định vị tương đối chủ yếu dựa trên bài toán dead-reckoning (tính số vòng quay của bánh xe để suy ra vị trí tương đối của robot sau một khoảng thời gian chuyển động) Phương pháp này đơn giản, rẻ tiền và hầu như được sử dụng trong tất cả các mobile robot, cho dù robot đó sử dụng phương pháp định vị APM Khuyết điểm của phương pháp dead- reckoning là bán kính sai số lớn, nguyên nhân gây bởi sai số tích luỹ.
Phương pháp định vị tuyệt đối thì lại dùng thêm các cảm biến khác ngoài encoder như dùng beacon, cột mốc, so sánh các bản đồ cục bộ và bản đồ toàn cục, định vị bằng vệ tinh (GPS)…Trong mỗi phương pháp định vị tuyệt đối, người ta sử dụng các thuật toán và cảm biến khác nhau, nhưng đều là những phương pháp chủ yếu dùng cho mobile robot ngày nay Chúng ta có thể phân tích một vài ưu khuyết điểm của phương pháp định vị tuyệt đối để có cái nhìn tổng quát về việc định vị cho mobile robot như sau: phương pháp sử dụng cột mốc (beacons) chỉ thích hợp dùng trong nhà; phương pháp so sánh bản đồ thường dùng cho các robot tự trị phức tạp; phương pháp định vị dùng GPS thì chỉ thích hợp dùng ngoài trời, và cũng cho sai số rất lớn (lên đến hàng mét), một số phương pháp định vị khác thì dùng cảm biến la bàn hoặc con quay để định hướng cho robot nhờ vào từ trường trái đất…
Tuy nhiên, một điều không ngờ đến là trong cuộc thi các robot sử dụng phương pháp dead reckoning để định vị và di chuyển được tổ chức ở San Jose, California năm
1992, hai robot thắng giải nhất và giải nhì là hai robot dùng phương pháp sửa lỗi UMBmark do nhóm của J Borenstein thực hiện và nó có thể di chuyển 100 m mà không có sai số Hay cụ thể hơn là robot có thể dạo quanh một phòng ngủ 5mx5m, 5-6 vòng mà không hề có sai số Với lợi điểm rẻ tiền, đơn giản phương pháp dead- reckoning là một giải pháp đầu tiên và cần thiết cho các mobile robot.
Như vậy, cho dù sử dụng bất kỳ phương pháp định vị nào đi nữa thì phương pháp dead- reckoning dường như luôn là sự lựa chọn đầu tiên Và đây sẽ là phương pháp được sử dụng trong đề tài này.
Phương pháp Dead - reckoning
Dead reckoning là một phương pháp phổ biến dùng để xác định vị trí tương đối của robot di động trong mặt phẳng, sau một quá trình di chuyển nào đó, so với vị trí ban đầu Việc giải bài toán dead reckoning thực ra là giải bài toán động học cho robot di động, nhằm mục đích xác định vị trí và hướng tức thời của robot sau một quá trình chuyển động, trong đó toạ độ gốc là toạ độ gắn với sàn của robot ở thời điểm ban đầu.
Cũng rất gần với bài toán động học cho tay máy, nhưng độ chính xác trong các ứng dụng thực tế của robot di động, khiến cho bài toán dead reckoning trở nên khó khăn hơn.
Lý do chủ yếu là do các tay máy được liên kết với nhau một cách vững chắc, và nếu như ta biết chắc được góc xoay tại các khớp, thì có thể biết được toạ độ cuối của tay máy. Trong khi đó, robot liên kết với sàn xe bằng các bánh xe, thường làm bằng cao su, và chuyển động nhờ vào lực ma sát tương đối yếu, do đó, các sai số trong phương pháp dead reckoning sẽ lớn hơn vì phụ thuộc nhiều vào tương tác của bánh xe với sàn nhà.
Phần này sẽ giới thiệu lại bài toán động học cho robot di động mô hình NEWT được dùng trong thiết kế này, cũng là mô hình cơ bản và thông dụng nhất cho các robot.
Hình 3 2: Sơ đồ nguyên lý mô hình NEWT
Hình trên mô tả sơ đồ của một robot mô hình NEWT, trong đó có hai bánh xe chủ động sẽ điều khiển robot Một bộ điều khiển hai động cơ, nhận tín hiệu hồi tiếp từ encoder Bánh xe được nối với động cơ qua hộp giảm tốc có tỉ 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 lần lượt được ghi nhận từ bánh xe bên trái và bánh xe bên phải, chúng ta có thể tính được độ dịch chuyển của mỗi bánh xe tại thời điểm k như sau:
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:
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
Như vậy, xem như chúng ta đã giải bài toán động học rất đơn giản cho robot di động mô hình NEWT Đây là phần cơ bản nhất của phương pháp dead reckoning Tuy nhiên, bởi vì các công thức trên dựa vào việc biến đổi tuyến tính các thông số ghi nhận từ encoder thành độ dịch chuyển của bánh xe, nhưng trong thực tế, không bao giờ có sự tuyến tính hoàn hảo trong các ứng dụng robot như vậy Sự không tuyến tính sẽ gây ra các sai số Chúng ta cần nhận diện hai loại sai số và một vài nguyên nhân chính dẫn đến các sai số đó 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 hai bánh xe không xác định được vì bánh xe luôn tiếp xúc với mặt sàn theo một đường thẳng hoặc một mặt phẳng, chứ không phải là tiếp xúc điểm.
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
Những sai lệch của bánh xe: o Sự trượt của bánh xe với mặt sàn o Gia tốc quá cao và bánh xe chưa đạt đến gia tốc đó trong một khoảng thời gian tính toán o Khi xoay quá nhanh, lực quán tính làm trượt bánh xe o Ngoại lực (tác dụng lên thân robot…) o Nội lực (những cơ cấu chấp hành động trên robot…)
Trong thực tế, khi robot hoạt động trên một mặt sàn tương đối tốt, phẳng, thì sai số chủ yếu là các sai số hệ thống Nhưng nếu mặt sàn lồi lõm thì các sai số ngẫu nhiên lại là vấn đề cần được quan tâm.
Trong đề tài này, chúng ta giả sử không quan tâm đến các sai số, bởi vì giải thiết là robot hoạt động trong không gian hai chiều, và điều kiện thí nghiệm là mô phỏng.
Thuật toán điều khiển robot tự hành
Ngày nay, xe tự hành hay robot tự hành nằm trong số các lĩnh vực nghiên cứu đang phát triển nhanh và quan trọng nhất của robotics Các phương tiện tự động giúp đáp ứng việc tăng lưu lượng, mật độ, hiệu quả, an toàn và cảm giác thoải mái khi di chuyển.Nhiều giải pháp xe/robot tự hành đã được triển khai thử nghiệm trên thế giới và ngay tại
Việt Nam Những nỗ lực nghiên cứu vẫn tiếp tục được thực hiện nhằm cải thiện hiệu suất, độ tin cậy và cắt giảm chi phí của xe/robot tự hành.
Một trong những chìa khóa quyết định sự thành công xe/robot tự hành nằm ở trình theo dõi đường đi (path tracker) Trên lý thuyết, tồn tại rất nhiều kỹ thuật, với các mức độ phức tạp và tính hiệu quả khác nhau trong một số tình huống cụ thể Việc lựa chọn trình theo dõi đường đi ảnh hưởng đến hiệu suất về độ chính xác và độ ổn định và sự thoải mái của hành khách Mục tiêu của bộ điều khiển là đảm bảo xe đi theo một con đường mong muốn bằng cách giảm thiểu sai số giữa xe và đường đi tham chiếu Đồng thời vận tốc của xe cũng phải ổn định dựa trên đường đi tham chiếu sẽ được định trước bởi thuật toán về path planning Có nhiều thuật toán có thể được sử dụng, nhưng phổ biến nhất có 3 thuật toán điều khiển phổ biến cho xe tự hành, bao gồm: Pure Pursuit, Stanley và Model Predictive Controller Đề tài này sẽ giới thiệu thuật toán Pure Pursuit.
3.3.1 Nguyên lý bộ điều khiển sử dụng thuật toán Pure Pursuit
Pure Pursuit Controller không phải là một bộ điều khiển truyền thống, mà hoạt động như một thuật toán theo dõi đường đi Các đặc tính này được xác định dựa trên các thông số kỹ thuật của xe Với đầu vào là vị trí, hướng của xe và đường tham chiếu có thể tính toán vận tốc và góc lái tương ứng.
Pure Pursuit tính toán góc lái dựa trên thông tin về vị trí của xe và đường đi mà xe phải bám theo Vận tốc của xe sẽ tùy thuộc vào đặc tính của từng khu vực (Đường trống, đường đông dân cư, đường có độ dốc lớn, vật cản trên đường) Sau đó, thuật toán sẽ di chuyển điểm ở phía trước trên đường đi dựa trên vị trí hiện tại của phương tiện, dần dần cho đến điểm cuối cùng Hiểu một cách đơn giản, phương tiện liên tục đuổi theo một điểm trước mặt nó Thuộc tính LookAheadDistance quyết định khoảng cách xác định điểm 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
Tưởng tượng rằng điểm đích của ta được biểu thị như trên hình bởi tọa độ (x,y) và ta muốn robot di chuyển đến đó theo một cung tròn thay vì bắt robot đổi hướng rồi đi đến đó theo đường thẳng Tuy nhiên, cung tròn này không phải là duy nhất Vì thế ta nên ràng buộc giả sử rằng tâm tức thời của đường cong nằm trên trục X.
Từ đó dễ dàng rút ra các công thức hình học:
- là độ cong của cung tròn
- x là tín hiệu sai số (độ lệch)
2 l có thể được coi là độ lợi của luật điều khiển Mục đích của Pure Pursuit là thay đổi độ cong sau mỗi khoảng thời gian để điều khiển bằng cách gắn một cung tròn vào một điểm đích trên đường dẫn ở một khoảng cách là l, cung tròn này tiếp tuyến với trục Y của xe Độ cong có liên hệ đến độ lệch x của điểm đích so với gốc tọa độ bằng bình phương nghịch đảo của khoảng cách nhìn trước l.
Có một số điểm tương tự về hình thức giống như bộ điều khiển tỷ lệ P trong đó độ lợi bằng 2 lần bình phương nghịch đảo của l Tuy nhiên, "sai số" ở dạng này là độ lệch x của một điểm phía trước xe Sau khi có được độ cong, ta nên chọn góc lái tỉ lệ với độ cong.
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: Biến đổi điểm đích về hệ tọa độ cục bộ của robot B5: Tính toán độ cong và yêu cầu robot điều hướng theo độ cong đó
B6: Cập nhật tọa độ và đi đến điểm đích kế tiếp
3.3.2 Ảnh hưởng của LookAheadDistance đến thuật toán Pure Pursuit
LookAheadDistance là tham số điều khiển chính cho bộ điều khiển Nó có ý nghĩa là khoảng cách dọc theo đường đi của robot nên nhìn từ vị trí hiện tại để tính toán ra vận tốc góc phù hợp cho việc điều hướng Hình dưới mô tả ví dụ về
Hình 3.5: Look Ahead Distance 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
LookAheadDistance nhỏ sẽ làm cho robot di chuyển nhanh về phía đường đi Tuy nhiên, ta có thể thấy như hình dưới, robot sẽ chạy vượt quá và dao động quanh đường đi mong muốn Để giảm thiểu tình trạng này, ta điều chỉnh tham số LookAheadDistance lớn hơn, tuy nhiên, nếu quá lớn sẽ gây nên tình trạng gây ra độ cong hớn giữa các góc.
Hình 3.6: Look Ahead Distance quá nhỏ
Hình 3.7: Look Ahead Distance quá lớn
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:
Như đã nói, bộ điều khiển không thể bám một cách chính xác đường dẫn trực tiếp, tham số phải được điều chỉnh thích hợp để tối ưu 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: Mô hình mô phỏng
Hình: Kết quả mô phỏng mobile robot
Hình: 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
Với mục tiêu đã đặt ra trong đề tài là giám sát các trạng thái thiết bị trong trạm biến áp dựa vào việc thu thập và xử lý dữ liệu Nhóm đã đưa ra các vị trí giám sát theo sơ đồ trạm biến áp giả định như sau:
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
Với các ứng dụng điều khiển vị trí yêu cầu độ chính xác cao, nhóm đã chọn hệ truyền động sử dụng động cơ bước (Step Motor) để truyền động cho mobile robot và tay máy.
4.1.3 Chọn phần mềm lập trình điều khiển, thu thập và xử lý dữ liệu
Phần mềm LabView là môi trường ngôn ngữ đồ họa hiệu quả trong việc giao tiếp đa kênh giữa con người, thuật toán và các thiết bị LabView hỗ trợ nhiều chuẩn giao tiếp phần cứng như chuẩn giao tiếp RS232, chuẩn USB, chuẩn giao tiếp mạng TCP/IP, UDP.Giao diện ngôn ngữ đồ họa dễ sử dụng, hỗ trợ mạnh trong việc xây dựng các thuật toán,kết nối các thiết bị điều khiển, phát triển các 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 sử dụng 02 máy vi tính cho việc điều khiển và thu thập dữ liệu. Một máy tính đặt trong robot di chuyển và một máy tính đặt cố định trong nhà điều hành của TBA.
Với máy tính đặt trên Robot, yêu cầu kích thước phải nhỏ gọn, tốc độ xử lý nhanh, điện năng tiêu thụ thấp và có đủ các cổng giao tiếp cần thiết cho các thiết bị ngoại vi. Nhóm sử dụng máy tính Raspberry pi 4 với các thông số như sau:
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*)
Yêu cầu kỹ thuật đặt ra cho Camera thu thập hình ảnh là phải có độ phân giải cao để hình ảnh thu được phải sắc nét, phải có thiết bị điều chỉnh khoảng cách chụp (thiết bị Zoom quang học).
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 dòng vi điều khiển họ 8bit Atmega328 với các thông số kỹ thuật như sau: Modul được thiết kế nhỏ gọn, có tích hợp bộ chuyển đổi chuẩn giao tiếp RS232 to COM để truyền nhận dữ liệu 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 DC
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 có thể gắn với 4 modul điều khiển động cơ bướcDRV8255 cho phép điều khiển tối đa 3 trục X, Y, Z và thêm một tùy chọn ở trục thứ 4 trên máy CNC.
4.2.7 Cảm biến siêu âm HY-SRF05
Cảm biến siêu âm UltraSonic HY-SRF05 được sử dụng để nhận biết khoảng cách từ vật thể đến cảm biến nhờ sóng siêu âm, cảm biến có thời gian phản hồi nhanh, độ chính xác cao, phù hợp cho các ứng dụng phát hiện vật cản, đo khoảng cách bằng sóng siêu âm.
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: 2~450cm (khoảng cách xa nhất đạt được ở điều khiện lý tưởng với không gian trống và bề mặt vật thể bằng phẳng, trong điều kiện bình thường cảm biến cho kết quả chính xác nhất ở khoảng cách
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, đo nhiệt độ trong dải từ -20 đến 500 độ ngõ ra dạng tín hiệu analog 4-20mA, tương thích hầu hết với các bộ điều khiển, hiện thị, plc, bộ ghi dữ liệu…
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 có kích thước nhỏ gọn sử dụng giao tiếp I2C, được dùng để đo từ trường của trái đất nhằm xác định phương hướng với độ chính xác lên đến 1 hoặc 2 độ, cảm biến có cách đo riêng biệt cho từng trục và có thể kết hợp lại để tính toán 3D.
Cảm biến la bàn số HMC5883L còn có thể dùng để đo từ trường thô hoặc các nguồn từ trường mạnh hơn gần nó, cảm biến có thể cảm nhận được nguồn từ trường xung quanh nó như của nam châm hoặc điện trường, khi phát hiện được từ trường từ bên ngoài, nó có thể xác định được khoảng cách tương đối hoặc chiều đến vật phát ra từ trường đó.
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.
Tính chọn động cơ, đối với cơ cấu di chuyển của robot, lực cản tĩnh phụ thuộc vào khối lượng của robot, trạng thái đường đi (cong, thẳng, ổ gà, dốc, …) Do vậy lực cản được tính theo công thức sau:
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:
F - lực cản chuyển động, N i - tỉ số truyền từ trục động cơ đến bánh xe η - hiệu suất của cơ cấu Công suất của động cơ khi di chuyển có tải bằng:
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:
10⋅0,9 =0,0273 [N m] Với vận tốc 5 (km / h) Công suất cần thiết của động cơ khi di chuyển trong chế độ xác lập bằng:
0.8 ⋅10 −3 =0,05125[KW]Q,25[W] 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).
THIẾT KẾ BỘ ĐIỀU KHIỂN TAY MÁY
BỘ ĐIỀU KHIỂN MỜ (FLC)
Lý thuyết logic mờ (fuzzy sets theory) bắt đầu xuất hiện từ năm 1965 khi giáo sư Lotfi Zadeh đăng công trình nghiên cứu “Fuzzy sets” trên tạp chí “Information and control” Từ “Fuzzy” - tiếng việt nghĩa là “Mờ”, được đưa vào lý thuyết mới này nhằm mục đích phân định sự khác nhau với môn toán chính xác truyền thống với những khái niệm như: “thuộc – không thuộc”, “đúng - sai”
Khái niệm tập hợp mờ của Zadeh được định nghĩa như: “Những khái niệm không thể giải thích bằng phương pháp toán học thông thường và chỉ được lý giải bằng trí tuệ nhân tạo ví dụ trong những hệ thống phức tạp với sự có mặt của con người ”
Logic mờ được ứng dụng đầu tiên vào năm 1975 khi Mamdani và Assilian thiết kế bộ điều khiển mờ (Fuzzy controler) để điều khiển động cơ hơi nước Năm 1982 Holmblad và Osregaad đã chế tạo ra bộ điều khiển mờ công nghiệp và được ứng dụng trong điều khiển ấu trình nung chảy xi măng ở nhà máy Đan Mạch Nhờ có sáng chế này mà việc nghiên cứu giải thuật mờ được thúc đẩy mạnh mẽ Sau đó một thời gian Bart Kosko đã chứng minh “định lý xấp sỉ mờ” (Fuzzy Approximation Theorem) Theo định lý này bất cứ một hệ thống nào có thể biến thành hệ thống xấp xỉ dựa trên nguyên tắc logic mờ Nói theo cách khác, nhờ những phát biể u dạng “ nếu - thì” và hình thức hoá công cụ của lý thuyết tập hợp mờ ta có thể phản ánh bất cứ một mối quan hệ “đầu vào- đầu ra” nào mà không cần những phương trình, phép tính tích phân vi phân phức tạp nào thường được sử dụng trong những hệ thống điều khiển hay đồng nhất đối tượng điều khiển
Lý thuyết logic mờ được ứng dụng thành công trong các lĩnh v ực như: điều khiển các quá trình công nghệ, điều khiển giao thông, xác định bệnh trong y học, quản lý tài chính, dự báo giá cổ phiếu, công nghệ nhận dạng Sản phẩm của ứng dụng này có thể là máy giặt, camera cho đến thiết bị ra đa trong hệ thống phòng thủ chiến lược, hay hệ thống điều khiển máy bay Kinh nghiệm thực tế khi thiết kế hệ thống logic mờ cho thấy giá thành và thời gian nhỏ hơn nhiều so với thiết kế hệ thống truyền thống.
Sơ đồ của hệ thống điều khiển mờ:
Sơ đồ khối bộ điều khiển mờ.
Biến đổi các giá trị rõ đầu vào thành một miền giá trị mờ với hàm thuộc đã chọn ứng với biến ngôn ngữ đầu vào.
Khối hợp thành (Inference Mechanism)
Biến đổi các giá trị mờ hoá của biến ngôn ngữ đầu vào thành các giá trị mờ của biến ngôn ngữ đầu ra theo các luật hợp thành.
Khối luật mờ (Rule-base)
Gồm tập các luật “Nếu Thì ” dựa vào các luật mờ cơ sở do người thiết kế xây dựng thích hợp cho từng biến và giá trị của các biến ngôn ngữ theo quan hệ mờ Vào/Ra.
Biến đổi các giá trị mờ đầu ra thành các giá trị rõ để điều khiển đối tượng
Cấu trỳc cơ bản của bộ ủiều khiển mờ (gồm 3 khõu):
Khõu Fuzzy hoỏ: cú nhiệm vụ chuyển đổi một giỏ trị đầu vào xo thành vector à gồm các hàm thuộc, biểu thị độ phụ thuộc của giá trị rõ theo 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, bài báo đề xuất 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 (giá trị ngôn ngữ)
2 biến đầu vào 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 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 lựa chọn số lượng, dạng và tọa độ các hàm thuộc hoàn toàn dựa trên cơ sở thực nghiệm trên đối tượng thực Các mệnh đề hợp thành (tổng cộng
49 luật) của bộ điều khiển mờ Sugeno được thực hiện theo bảng sau:
5.1.4 Hệ thống điều khiển tay máy sử dụng bộ điều khiển mờ:
Mô hình simulink hệ thống bộ điều khiển mờ (Fuzzy logic):
Mô hình điều khiển mờ
Khi không có nhiễu (Noise = 0): Đáp ứng vào ra của hệ thống
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
DE 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
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 Đánh giá và nhận xét:
Theo như mô phỏng, tín hiệu ngõ ra của phương pháp diều khiển mờ (khớp 1và khớp 3) cho thấy cho chất luợng dầu ra tốt, tiến dần về giá trị dặt ban dầu, sai số khi ổn dịnh xấp xĩ 0
Bên cạnh đó, tín hiệu ngõ ra ở khớp 2 chỉ ra những hạn chế trong phương pháp điều khiển mờ ở trong khâu xây dựng luật hợp thành Bộ điều khiển cần kinh nghiệm của chuyên gia và phải trải qua thực nghiệm để đánh giá và tối ưu cho bộ điều khiển.
Qua những đánh giá trên, nhóm đã rút ra những lưu ý khi thiết kê bộ điều khiển mờ:
Không bao giờ dùng điều khiển mờ để giải quyết bài toán mà có thể dễ dàng thực hiện bằng bộ điều khiển kinh điển.
Không nên dùng bộ điều khiển mờ cho các hệ thống cần độ an toàn cao.
Thiết kế bộ điều khiển mờ phải được thực hiện qua thực nghiệm.
Phuong pháp giải quyết các bài toán trong lý thuyết logic tập mờ rất gần với tư duy con nguời Nhờ dó, phuong pháp này có thể giải quyết được các bài toán có độ phứcc tạp cao, có chứa đựng nhiều yếu tố không rõ ràng
Với khả năng xử lý các khái niệm gần gũi với cuộc sống con nguời Việc kết hợp lý thuyết mờ với các phương pháp khác như mạng noron, trí tuế nhân tạo chắc chắn sẽ mở ra một hướng nghiên cứu với nhiều triển vọng khả quan.
BỘ ĐIỀU KHIỂN NEURAL (ANN)
Mạng nơron nhân tạo là một mô hình toán học đơn giản của bộ não con người, bản chất mạng nơron nhân tạo là mạng tính toán phân bố song song Trái với các mô 71 hình tính toán thông thường, hầu hết các mạng nơron phải được huấn luyện trước khi sử dụng Các nghiên cứu về mạng nơron nhân tạo đã bắt đầu từ thập niên 1940 Năm 1944, McCulloch và Pitts công bố về công trình nghiên cứu về liên kết của các tế bào nơron Năm 1949, Hebb công bố công bố nghiên cứu về tính thích nghi của mạng nơron Cuối những năm
1950, Rosenblatt đưa ra mạng Perceptron Nghiên cứu về mạng nơron chỉ phát triển mạnh từ sau những năm 1980 sau giai đoạn thoái trào từ năm 1969, khi Minsky và Papert chỉ ra một số khuyết điểm của mạng Perceptron Năm 1985, mạng Hopfield ra đời và sau đó một năm là mạng lan truyền ngược Đến nay đã có rất nhiều cấu hình mạng và các thuật toán huấn luyện tương ứng được công bố để giải quyết các bài toán khác nhau.
5.2.2 Ứng dụng của mạng Neural Điều khiển theo vòng hở: Hình 4.22 là sơ đồ điều khiển sử dụng mạng nơron trong cấu trúc vòng hở Sai số e được sử dụng để luyện mạng Vì vậy thông tin về sai số phải được lan truyền ngược qua cả đối tượng điều khiển và mạng nơron để hiệu chỉnh lại thông số mạng Như vậy học có giám sát không được sử dụng ở đây Đầu ra mong muốn không biết trước nhưng phải được xác định để sử dụng thuật lan truyền ngược sai số Khi sử dụng phương pháp này để luyện mạng có thể coi đối tượng như “lớp đầu ra” của mạng
118 nơron Nhưng cũng có thể tránh quá trình lan truyền ngược qua đối tượng bằng cách sử dụng thêm mô hình mạng nơron của đối tượng Mô hình mạng nơron này nhận được sau khi nhận dạng mô hình đối tượng Như vậy sai số có thể dễ dàng lan truyền ngược qua mô hình mạng. Điều khiển theo vòng kín : Hình 4.23 là sơ đồ cấu trúc điều khiển theo vòng kín sử dụng mạng nơron Trường hợp này đầu ra mong muốn của mạng u thể hiện bộ điều khiển phải được xác định từ đầu ra mong muốn của đối tượng yd trước khi sử dụng mọi thuật học có giám sát như lan truyền ngược sai số Có thể có các quan điểm khác nhau về bộ điều khiển bằng mạng nơron là mạng nơron được luyện “bắt chiếc” bộ điều khiển hiện tại như hình 4.24 Trường hợp này hay xảy ra khi bộ điều khiển hiện tại đang sử dụng quá đắt hoặc không tin cậy Sau khi bộ điều khiển bằng mạng nơron thay thế bộ điều khiển hiện tại, nó có thể được hiệu chỉnh qua quá trình luyện mạng bám theo sự biến đổi động học của đối tượng và môi trường Việc sử dụng mạng nơron như trên tương đương với việc thiết kế và sử dụng một hệ chuyên gia Cần thận trọng với tiệm cận này vì phải rất linh hoạt Có thể thay thế cho bộ điều khiển hiện tại theo từng giai đoạn sao cho hợp lý và kinh tế. Điều khiển với mô hình chuẩn; Sơ đồ điều khiển theo mô hình mẫu sử dụng hai mạng nơron: một mạng là bộ điều khiển và một mạng là mô hình mạng nơron nhận dạng đối tương như 4.25 Trước tiên phải nhận dạng được đối tượng, tức là tìm được một mạng nơron NN model với cấu trúc phù hợp, sao cho sai lệch mse giữa đầu ra của nó so với đầu ra của đối tượng là nhỏ nhất Khi có được mô hình thay thế đối tượng là NN model, ta sẽ kết hợp nó với mạng NN controller thành một mạng duy nhất gọi tên là NN system, sau đó huấn luyện mạng nơron NN system này với tập tín hiệu vào và ra mẫu Tập mẫu này được lấy từ đầu vào và đầu ra của mô hình mẫu Trong quá trình huấn luyện, các tham số của NN model được giữ cố định, chỉ có các tham số của NN controller là được chỉnh định sao cho sai lệch mse giữa đầu ra của NN system và mô hình mẫu là nhỏ nhất
Sơ đồ hệ thống dùng để huấn luyện bộ điều khiển bài toán nhận dạng và đối tượng cần nhận dạng ở đây là mô hình mẫuNN controller Như vậy, việc thiết kế bộ điều khiển nơron về bản chất là một
Mô hình điều khiển dự báo; Mô hình điều khiển dự báo (hình 4.26) sử dụng để tối ưu hóa dáp ứng đầu ra của đối tượng trong khoảng thời gian dự kiến Đây là cấu trúc phụ thuộc nhiều vào mạng nơron mô tả đối tượng , bộ điều khiển sử dụng mạng nơron, hàm biểu diễn Ý tưởng chủ đạo của hệ thống điều khiển dự báo - Dùng một mô hình để dự báo đáp ứng của đối tượng tại các thời điểm rời rạc trong tương lai trong một phạm vi dự báo (prediction horizon) nhất định - Tính toán chuỗi tín hiệu điều khiển tương lai trong phạm vi điều khiển (control horizon) bằng cách tối thiểu hóa một hàm mục tiêu Hàm mục tiêu thường dùng là yêu cầu làm cho tín hiệu dự báo đáp ứng của đối tượng phải càng gần quỹ đạo đáp ứng mong muốn càng tốt, trong điều kiện ràng buộc cho trước - Dời phạm vi dự báo theo thời gian, sao cho tại mỗi thời điểm lấy mẫu quá trình tối ưu hóa được lặp lại với tín hiệu đo vừa thu được, và chỉ có tác động điều khiển đầu tiên trong chuổi tác động điều khiển đã tính toán được xuất ra để điều khiển đối tượng phản ứng đầu ra của hệ thống và thực hiện tối ưu hóa để lựa chọn tín hiệu điều khiển tốt nhất
Phản hồi tuyến tính hóa thích nghi dùng mạng nơ-ron
Bộ điều khiển với quyết định hỗ trợ của mạng nơ-ron Khi bộ tới hạn thích nghi là mạng nơron có thể xây dựng được bộ điều khiển thông minh mức thấp Trong đó mạng nơron đóng vai trò bộ lịch trình sẽ quyết định luật điều khiển nào được sử dụng, xem hình 4.29 Mạng nơron cũng có thể được luyện để xác định giá trị của các thông số trong bộ điều khiển công nghiệp PID thông thường Ngoài ra mạng nơron có thể đóng vai trò bộ tối ưu tìm giá trị tối ưu của hàm mục tiêu điều khiển Đầu ra của mạng nơron là giá trị thông số của bộ điều khiển làm cực tiểu hàm giá Mạng nơron còn cung cấp những thông tin làm việc sai lệch cho bộ điều khiển, giúp bộ điều khiển hoạt động chính xác.
5.2.3 Hệ thống điều khiển tay máy sử dụng bộ điều khiển Neural
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
Mô hình toán của bộ PID:
Các tham số KP, KI, KD được chỉnh định theo từng bộ điều khiển mờ riêng biệt dựa trên sai lệch e(t) và đạo hàm de(t) Có nhiều phương pháp khác nhau để chỉnh định bộ PID ( xem các phần sau) như là dựa trên phiếm hàm mục tiêu, chỉnh định trực tiếp, chỉnh định theo Zhao, Tomizuka và Isaka … Nguyên tắc chung là bắt đầu với các trị KP, KI, KD theo Zeigler-Nichols, sau đó dựa vào đáp ứng và thay đổi dần để tìm ra hướng chỉnh định thích 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
+ 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 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
Bước 9: Coppy khối ANN vừa tạo -> Paste vào bộ điều khiển chính
1 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 trình bày ở Hình 4 Trong đó, các tham số điều chỉnh K p , K i , K d được cập nhật dựa trên luật Mờ và các thông số này được lấy từ e và de của mạng Nơ-rone và de của mạng Nơ-ron e và de của mạng Nơ-ron
Hình 4: Mô hình tối ưu bộ điều khiển PID bằng bộ mờ từ mạng nơ-ron
2 Mô hình mô phỏng từ Matlab Simulink
Hình 5: Mô hình tổng quát đề tài2.2 Mô hình bộ điều khiển
Hình 6: Mô hình bộ điều khiển Neural_Fuzzy_PID
Hình 7: Kết quả mô phỏng đầu ra theta của bộ điều khiển
Hình 8: Kết quả mô phỏng độ chênh lệch đầu vào và đầu ra của bộ điều khiển
Hình 9: Kết quả J xác lập của bộ điều khiển
Hình 10: Kết quả J quá độ của bộ điều khiển3.2 Mô phỏng không nhiễu
Hình 11: Kết quả mô phỏng đầu ra theta không có nhiễu của bộ điều khiển
Hình 12: Kết quả mô phỏng độ chệnh lệch đầu ra và đầu vào của bộ điều khiển
Hình 13: Kết quả J xác lập của bộ điều khiển
Hình 14: Kết quả J quá độ của bộ điều khiển
BỘ ĐIỀU KHIỂN MỜ NEURAL PID (FLC-ANN-PID)
Là sự kết hợp giữa bộ điều khiển Fuzzy mạng Neural và PID Sự kết hợp này không chỉ mang lại cho mạng Nơron được xây dựng có khả làm việc như một bộ điều khiển PID truyền thống, mà còn đem lại khả năng tự động điều chỉnh các thông số bộ PID, thông qua việc cập nhật các trọng số của mạng nơron từ các luật hợp thành mờ trong quá trình điều khiển Đây là một bộ điều khiển thích nghi
Sơ đồ của hệ thống điều khiển mờ
Biến đổi các giá trị rõ đầu vào thành một miền giá trị mờ với hàm thuộc đã chọn ứng với biến ngôn ngữ đầu vào.
Khối hợp thành (Inference Mechanism)
Biến đổi các giá trị mờ hoá của biến ngôn ngữ đầu vào thành các giá trị mờ của biến ngôn ngữ đầu ra theo các luật hợp thành.
Khối luật mờ (Rule-base)
Gồm tập các luật “Nếu Thì ” dựa vào các luật mờ cơ sở do người thiết kế xây dựng thích hợp cho từng biến và giá trị của các biến ngôn ngữ theo quan hệ mờ Vào/Ra.
Biến đổi các giá trị mờ đầu ra thành các giá trị rõ để điều khiển đối tượng
Cấu trúc cơ bản của bộ điều khiển mờ (gồm 3 khâu):
Khõu Fuzzy hoỏ: cú nhiệm vụ chuyển đổi một giỏ trị đầu vào xo thành vector à gồm cỏc hàm thuộc, biểu thị độ phụ thuộc của giá trị rõ theo 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
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
+ Δe và Δde cho mỗi E: Độ biến thiên sai lệch
+ Δe và Δde cho mỗi DE: 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 và Δde cho mỗi E = { zero, nhỏ, trung bình, lớn, rất lớn}={Z, S , M, L, U} Δe và Δde cho mỗi DE = { mức 1, mức 2, mức 3, mức 4, mức 5}= {L1, L2, L3, L4, L5}
Luật chỉnh định: ΔEE ΔEE DE
Luật chỉnh định: ΔEDE ΔEDE 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 cho mỗi E và Δe và Δde cho mỗi DE 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:
Tên gọi PID là chữ viết tắt của ba thành phần cơ bản có trong bộ điều khiển gồm: khâu khuếch đại (P), khâu tích phân (I) và khâu vi phân (D) Bộ điều khiển PID có ba tính chất sau:
- Phục tùng và thực hiện chính xác nhiệm vụ được giao (khâu tỉ lệ).
- Làm việc có tích lũy kinh nghiệm để thực hiện tốt nhiệm vụ (khâu tích phân).
- Phản ứng nhanh nhạy với sự thay đổi tình huống trongquá trình thực hiện nhiệm vụ (khâu vi phân).
Hình 1: Sơ đồ luật điều khiển PID
Trong đó: + r: tín hiệu đặt + y: tín hiệu đầu ra + e: tín hiệu sai lệch.
Luật điều khiển PID là thuật tính toán tín hiệu điều khiển từ sai số giữa tín hiệu mong muốn và tín hiệu đo được Tín hiệu là tổng của ba thành phần P (tỷ lệ của sai số), I (tích phân của sai số) và D (vi phân của sai số):
Hình 2: Sơ đồ khối bộ điều khiển PID
5.6.3 Bộ điều khiển Noron – Mạng Noron RBF
Giới thiệu mạng noron RBF
Hàm cơ sở bán kính xuyên tâm (RBF) được đưa ra bởi M.J.D Powell để giải quyết bài toán nội suy hàm nhiều biến năm 1987 Ngày nay, đây là vấn đề quan trọng được nghiên cứu trong ngành, nhiều lĩnh vực Trong lĩnh vực mạng Nơron, mạng Nơron RBF được đề xuất bởi D.S Bromhead và D Lowe năm 1988 để giải quyết bài toán nội suy và xấp xỉ hàm nhiều biến
Mạng RBF là một loại mạng Nơron nhân tạo truyền thẳng gồm có ba lớp Nó bao gồm n nút của lớp đầu vào cho vector đầu vào x thuộc R n , N neuron ẩn có hàm kích hoạt là hàm RBF Gaussian (giá trị của neuron ẩn thứ k chính là giá trị trả về của hàm cơ sở bán kính φ k ) và m neuron đầu ra.
Hình 3: Kiến trúc mạng RBF Ứng dụng của mạng noron RBF:
Nhờ ưu điểm vượt trội là có thời gian huấn luyện mạng rất ngắn, ngày nay mạng
Neural RBF được sử dụng trong rất nhiều lĩnh vực:
- Xử lý ảnh, tín hiệu số
- Xác định mục tiêu cho Radar
- Quá trình phát hiện lỗi
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 số đầu vào và đầu ra trong quá trình điều khiển tay máy, thông số được chọn bám sát nhất đối với quỹ đạo đầu vào mong muốn Ở đây ta muốn 2 đầu vào e và de cho mỗi i1, i2, i3 và 3 đầu ra Kp, Ki và Kd cho mỗi o1, o2, o3 để điều khiển bộ PID
Bước 3: Ta tiến hành quá trình huấn luyện dữ liệu Sau khi chạy thử với bộ điều khiển đáp ứng với mong muốn, ta thu thập được các thông số như sau:
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
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 trình bày ở Hình 4 Trong đó, các tham số điều chỉnh K p , K i , K d được cập nhật dựa trên mạng nơ-ron RBF và các thông số từ mạng noron RBF được lấy từ e và de của bộ Mờe và de của mạng Nơ-ron e và de của mạng Nơ-ron
Hình 4: Mô hình tối ưu bộ điều khiển PID bằng mạng nơ-ron từ bộ mờ
Mô hình mô phỏng từ Matlab Simulink
Hình 6: Mô hình tổng quất đề tài
Mô hình bộ điều khiển
Hình 7: Mô hình bộ điều khiển Fuzzy_Neural_PID
Hình 7: Kết quả mô phỏng đầu ra Theta có nhiễu của bộ điều khiển
Hình 8: Kết quả mô phỏng độ chênh lệch đầu vào và đầu ra của bộ điều khiển
Hình 9: Kết quả J xác lập của bộ điều khiển
Hình 10: Kết quả J quá độ của bộ điều khiển
Hình 11: Kết quả mô phỏng đầu ra theta không có nhiễu của bộ điều khiển
Hình 12: Kết quả mô phỏng độ chệnh lệch đầu ra và đầu vào của bộ điều khiển
