Đang tải... (xem toàn văn)
Hiện nay đa số các hệ thống thực tế cần điều khiển đều là phi tuyến. Hầu hết các kỹ thuật truyền thống thường gặp khó khăn trong việc điều khiển và nhận dạng thiết bị. Từ đó mà bộ điều khiển trượt thích nghi được áp dụng để giải quyết các hệ thống có tính phi tuyến cao. Đặc điểm của bộ điều khiển trượt thích nghi là tính ổn định bền vững ngay cả khi có tác động nhiễu hoặc thông số mô hình thay đổi theo thời gian. Trong bộ điều khiển trượt thích nghi dùng mạng nơron, người thiết kế cần biết chính xác mô hình của đối tượng. Thuật toán tối ưu bầy đàn được áp dụng để tìm kiếm cấu trúc mạng nơron với hàm cơ sở xuyên tâm (RBF), nhằm mục tiêu cải thiện độ chính xác cho bộ điều khiển trượt thích nghi. Kết quả mô phỏng trên phần mềm MATLAB® Simulink cho thấy giải pháp đề xuất đã đáp ứng tốt hơn so với bộ điều khiển khi chưa được tối ưu. Thời gian xác lập của hệ thống hợp lý, độ vọt lố không đáng kể và sai số ngõ ra thấp. Ngoài ra bộ điều khiển còn ổn định với nhiễu tác động vào hệ thống. Từ khóa: Hệ thống phi tuyến, Bộ điều khiển trượt thích nghi, Mạng nơ ron hàm cơ sở xuyên tâm, Thuật toán tối ưu bầy đàn
TRUONG DAL HQC CAN THO KHOA CONG NGHE LE HOANG DANG NGHIEN CUU CUA CAU TRUC DE NANG CAO CHAT MOBILE ANH HUONG MANG NO-RON LUONG DIEU KHIEN ROBOT LUẬN VĂN TÓT NGHIỆP CAO HỌC NGANH KY THUAT DIEU KHIEN & TỰ ĐỘNG HÓA CAN BO HUONG DAN PGs.TS NGUYÊN CHÍ NGƠN LỜI CẢM TẠ robot” kết nghiên cứu thân giúp đỡ, động viên t bạn bè gia đình Tác giả xin gửi lời cảm ơn tới người giúp đỡ thời gian học tập - nghiên cứu khoa học vừa qua Tôi xin gửi lời cám ơn sâu sắc đến thầy PGs.TS Nguyễn Chí Ngơn trực tiếp hướng dẫn cung cấp tài liệu, thông tin khoa học cần thiết cho luận van Xin chân thành cám ơn mơn Tự Động Hóa khoa Cơng Nghệ tạo điều kiện cho tơi hồn thành tốt nghiên cứu khoa học Cuối tơi xin chân thành cám thầy cô, bạn bè đặc biệt gia đình ủng hộ giúp đỡ trình thực luận văn TOM TAT Hiện đa số hệ thống thực tế cần điều khiển phi tuyến Hầu hết kỹ thuật truyền thống thường gặp khó khăn việc điều khiển v: nhận dạng thiết bị Từ mà khiển trượt thích nghỉ áp dụng đề giải hệ thống có tính phi tuyến cao Đặc điểm b thích nghỉ tinh ơn định bền vững có tác động nhiễu thơng số mơ hình thay đổi theo thời gian Trong điều khiên trượt thích nghỉ dùng mạng nơ-ron, người thiết kế cần biết xác mơ hình đối tượng Thuật tốn tối ưu bầy đàn áp dụng đề tìm kiếm cấu trúc mạng nơ-ron với ham sở xuyên tâm (RBF), nhằm mục tiêu cải thiện độ xác cho điều khiển trượt thích nghỉ Kết mơ phần mềm MATLABỸ /Simulink cho thấy giải pháp đề xuất đáp ứng tốt so với điều khiển chưa tối ưu Thời gian xác lập hệ thống hợp lý, độ vọt lồ không đáng sai SỐ ngõ thấp Ngoài điều khiển cịn ơn định với nhiễu tác động vào hệ thống Từ khóa: Hệ thống phi tuyến, Bộ khiên trượt thích nghỉ, Mạng nơron hàm sở xuyên tâm, Thuật toán tối ưu bầy đàn ii ABSTRACT Nowadays, most of the real systems that need to be controlled are nonlinear Therefore, the traditional methods and tools usually come up against with difficult to control and identify From there, the adaptive sliding control is applied to solve highly nonlinear systems The characteristics of adaptive sliding mode control are stable stability even when there are no disturbance effects or model parameters change over time In adaptive sliding mode control using neural network, the designer needs to know the exact model of the object The optimum colony algorithm is used to find the optimazation structure of RBF neural network and improve the accuracy of adaptive sliding mode controllers Simulation results on the MATLAB® / Simulink software showed that the proposed solution is better suited to the controller than when it is not optimized Set time of reasonable system, insignificant overshoot and low output error In addition, the controller is stable with interference from the system Keyword: Nonlinear systems, Adaptive sliding mode control, Radial basic function neural network, Particle swam optimization iii LOI CAM DOAN Tơi xin cam đoan luận văn hồn thành dựa kết nghiên cứu với tên đề tài *Nghiên cứu ảnh hưởng cấu trúc mạng nơron lên chất lượng điều khiển mobile robot” Ca ệu, kết trình bày trong, luận văn trung thực chưa công bố bat ky cơng trình luận văn trước Ngày 30 tháng 06 năm 2017 Ký tên Lê Hoàng Đăng iv MUC LUC LỜI CẢM TẠ TOM TAT ABSTRACT LOI CAM DOAN DANH SÁCH HÌNH DANH MUC BANG - vii DANH MUC TU VIET TAT Chương GIỚI THIỆU Tổng quan 1.1.1 Cơ sở khoa học 1.1.2 1.2 Mục 1.2.1 1.2.2 Lịch sử nghiên cứu tiêu nhiệm vụ nghiên cứu Mục tiêu Nhiệm vụ nghiên cứu 1.3 Đối tượng, phạm vi phương pháp nghiên cứu 1.3.1 Đối tượng phạm vi nghiên cứu 1.3.2 Phương pháp nghiên cứu 1.4 Bố cục luận văn Chương CƠ SỞ LÝ THUYÉT 2.1 Điều khiên thích nghi 2.1.1 Mơ hình hồi qui tuyến tính 2.1.2 Thuật tốn bình phương tối thiểu tuyến tính có trọng số đệ qui 2.2 Điều kh 2.2.1 Đối tượng điều khiển 2.2.2 Luật điều khiển trượt kinh điền 2.2.3 Điều khiển trượt cho hệ thống MIMO 2.2.4 Đặc điểm điều khiên trượt 2.3 Các phương pháp điều khiển trượt thích nghỉ sử dụng mạng nơ-ron 15 2.3.1 Hệ thống điều khiển 2.3.2 Luật cập nhật thích nghỉ l§ l6 -l6 18 2.3.3 Bộ điều khiển thích nghỉ sử dụng mạng nơ-ron 2.4 Mạng nơ-ron RBF 2.5 Tổng quan thuật toán bầy đài 2.5.1 Khái niện 2.5.2 Thuật toán PSO 2.5.3 Giải thuật PSO 18 19 122 Chuong NGHIEN CUU ANH HUGNG CUA CAU TRUC MẠNG NƠ-RON LÊN CHẤT LƯỢNG ĐIỀU KHIỂN MOBILE ROBOT -23 3.1 Mơ hình robot ba bánh đa hướng 23 3.1.1 Tổng quan robot ba bánh đa hướng 3.1.2 Mơ hình tốn học 3.2 Bộ khiên trượt thích 23 23 27 nghỉ 3.2.1 Thiết kế điều khiển trượt thích nghỉ „27 3.2.2 Khảo sát điều khiển trượt thích nghỉ _20 31 3.3 Mạng nơ-ron RBE cấu trúc PSO 3.3.1 Mạng tự cầu trúc RBENN ce BI 3.3.2 Hàm mục tiêu ioe RBFNN 36 3.3.3 Tìm cấu trúc mạng nơ-ron RBF sử dụng gỉ: thuat PSO 33 3.3.4 Một số ví dụ nhận dạng đối tượng phi tuyến tối ưu cấu trúc mạng bảng PSO Chuong KET QUA MO PHONG 38 4.1 Thiét ké m6 hinh digu khién thông số mô 38 4.2 Két qua mé phong .4l Chương KẾT LUẬN VÀ HƯỚNG PHÁT TRIẺN . - 49 MỘT SĨ CƠNG TRÌNH ĐÃ CƠNG BĨ TÀI LIỆU THAM KHẢO vi DANH SÁCH HÌNH Hình 2.1 Quan hệ vào đối tượng [12] Hình 2.2 Sơ đồ nhận dạng hệ thng [12] Hình 2.3 Mơ tượng chattering [15] Hình 2.4 Cấu trúc mạng RBF [5] « T7 Hình 2.5 Bay dan tu nhiên [25] „19 Hình 2.6 Ngun lý cập nhật vị trí thuật tốn PSO khơng gian tìm kiếm [27] 21 Hình 3.1 Mơ hình robot ba bánh đa hướng [29] 423 Hình 3.2 Hệ tọa độ gán cho robot ba bánh đa hướng [35] -24 Hình 3.3 Bộ điều khiển trượt thích nghỉ dùng mạng RBENN [ 16] 30 Hình 3.4 Biểu đồ pha x 30 Hình 3.5 Biểu đồ pha y V31 Hình 3.6 Biểu đồ pha góc 31 Hình 3.7 Sơ đồ tối ưu số nơ-ron lớp an mang RBFNN bang giải thuật PSO 35 Hình 3.8 Sơ đồ tối ưu thông số khởi tạo mang RBFNN bang giải thuật PSO Hình 3.9 Nhận dạng đối tượng phi tuyến hàm mù .36 37 Hình 3.10 Nhận dạng đối tượng phi tuyến 37 hàm sin Hình 4.1 Mơ hình điều khiển trượt thích nghỉ dùng mạng nơ-ron 38 Hình 4.2 Độ hội tụ tìm kiếm số nơ-ron lớp ẩn PSO -42 Hình 4.3 Độ hội tụ tìm kiếm số thơng số khởi tạo PSO 42 Hình 4.4 So sánh tín hiệu đáp ứng điều khiển trượt thích nghỉ trượt cổ dié Hình Hình Hình Hình Hình 43 4.5 4.6 4.7 4.8 4.9 Tín hiệu đáp ứng quỳ đạo trịn Đáp ứng tín hiệu x quỹ đạo trịn Đáp ứng tín hiệu y quỹ đạo trịn Đáp ứng tín hiệu góc “- quỳ đạo trịn So sánh tín hiệu quỹ đạo trịn có tác động nhiễu Hình 4.10 Tín hiệu đáp ứng với quy dao hinh rose curve vii 44 24d -44 45 46 47 Hinh 4.11 Dap ting tin hiệu x quy dao hinh rose curve Hình 4.12 Đáp ứng tín hiệu y quỷ đạo hình rose curve Hình 4.13 Đáp ứng tín hiệu góc - quỹ đạo hình rose curve viii DANH MUC BANG Bang 4.1 Thông số PSO tối ưu số nơ-ron lớp ân mạng RBENN [9] 39 Bảng 4.2 Thông số PSO tối ưu cấu trúc khởi tạo mạng RBENN [9] 39 Bang 4.3 Thông số khởi tạo mạng RBENN PSO 40 Bảng 4.4 Thông số khởi tạo mạng RBENN [5] 40 Bảng 4.5 Thơng số mơ hình robot ba bánh đa hướng [35] -41 Bảng 4.6 Các tham số điều khiển trượt thích nghỉ 141 Bảng 4.7 So sánh tín hiệu đáp ứng điều khiển trượt thích nghỉ trượt điể Bảng 4.8 Thơng số đáp ứng robot với quỹ đạo trịn .-43 45 Bảng 4.9 Thông số đáp ứng robot với quỹ đạo trịn có tác động nhiễu 46 48 ix Bang 4.1 Thông số PSO tối ưu số nơ-ron lớp an mang RBENN [9] Thông số thuật toan PSO Giá trị Số cá thể quần thể Kích thước quan thé 10 lặp “Trọng số quán tính 01 Thong sé cr Thơng số c; Khoảng tìm kiếm số nơ-ron lớp ân 3-50 Bang 4.2 Thông số PSO tối ưu cấu trúc khởi tạo mạng RBENN [9] Thơng số thuật tốn PSO Giá trị Số cá thể quần thể Kích thước quần thể lặp 15 Trong sé quan tinh 0.1 Thông số c¡ Thông số c; Trong điều khiển trượt thích nghỉ dùng mạng nơ-ron, cho đối tượng robot ba bánh đa hướng thiết kế hệ với ngõ vào ngõ Nên mạng RBFNN có cầu trúc 3-x-3 (với x số nơ-ron lớp ẩn) Sau trình tìm kiếm số nơ-ron lớp ẳn thông số tối ưu giải thuật bầy dan ta thông số Bảng 4.3 Các thông số khởi tạo Bảng 4.4 chọn dựa mơ hình đối tượng Mục tiêu thông số khởi tạo tối ưu by đàn thông số khởi tạo kết trình bày phần sau 39 Bang 4.3 Thông số khởi tạo mang RBFNN bang PSO Thông số PSO-RBF Số nơ-ron lớp ân 0.08 0.09 Vée-to trung tim (c) | 0.37 $0.27 404 'Ngưỡng kích hoạt (b) Trọng số (Wi) Trọng số kết nối (Wa) Trọng số kết nối (Ws) [0.03 0.39 0.28 011 0.42 0.65 0.61 D.11 (0.66 (0.05 0.21 0.1 01 61 (0.07 10.29 7002 7005 0.17 O11 O15 (008 01 (0.1 0.16 (019 012 033 (0.1 0.07 046 0.51 -034 [0.19 0.07 007 0.2 (0.16 (0.44 | F017 0387 (0.42 0.22 (0.5 0.37 033 10.07 018 0.02 10.25" 0.04 [0.14 (0447 (043 03 1039 162" Bảng 4.4 Thông số khởi tạo mạng RBENN [5] Thông số RBF Based Số nơ-ron lớp ân Vée-to trung tâm (c) 05 (05 105 05 105 Ngudng kich hoat (b) 11T 0 0 05 05 05 05 05 1 1 L1Ữ Trọng số kết nối I (Wi) Trọng số kết nối (W›) Trọng số kết nối (Ws) Mơ hình robot ba bánh đa hướng (ở mục 3.) với thông số mô liệt kê Bảng 4.5 40 Bảng 4.5 Thơng số mơ hình robot ba bánh đa hướng [35] Thơng số Mơ-men qn tính robot Khối lượng Khoảng cách bánh xe đến trọng Giá trị L= 1125 m=94 L=0.178 Đơn vị kgm? kg m tam robot Hệ số truyền động k=0448 Hệ số ma sát nhớt bánh xe c= 0.1889) Mơ-mem qn tính bánh xe | _ Iz=0.02108 Bán kính bánh xe r= 0/0245 kgm°/s kgm? m Các tham số mô cho trượt thích nghỉ nghiên cứu thể Bảng 4.6 Việc chọn tham số trượt dựa đối tượng điều khiên robot ba bánh đa hướng Nếu chọn giá trị thấp xảy sai lệch robot quỹ đạo lớn, ngược lại xuất chattering ảnh hưởng tới chất lượng điều khiên Bang 4.6 Các tham số điều khiển trượt thích nghỉ Ý nghĩa Ký hiệu Thông số trượt , Giá trị 00 0n P09 4d 200 -0 20 00- GP 20 k 0 25 0 rũ k OF 25 E0 ke E0 58E 4.2 Kết mơ Kết tìm kiếm số nơ-ron lớp ân mạng RBFNN giải thuật tối ưu PSO voi độ hội tụ (Hình 4.2) Lay mẫu để xác định số nơ-ron lớp ẩn thời điểm mang no-ron RBF đạt tới hội tụ nên sai số làm mục tiêu nhỏ, làm tăng khả tìm kiếm tồn cục Giới hạn số nơ-ron lớp ẩn tìm kiếm khoảng [3,50], thuật toán tối ưu xác định số nơ-ron lớp ân tốt dựa vào giá trị nhỏ hàm mục tiêu trình huấn luyện mạng nơ-ron Sai số hàm mục tiêu giảm sau vịng lặp, sau giá trị tối ưu giữ ngun 4I Ngồi ra, nghiên cứu cịn khảo sát số nơ-ron lớp ân >50, kết tối ưu khơng tốt mà cịn làm chậm q trình huấn luyện mạng 34 xi0" i 15 'SO-RBF Hidden convergence| 25 35 Iteration 45 55 Hình 4.2 Độ hội tụ tìm kiếm số nơ-ron lớp An bing PSO Độ hội tụ trình tìm kiếm thơng số khởi tạo c, b, W¡, W›, Ws cho mạng RBFNN trình bày Hình 4.3 Do lay thời điểm nên sai số ngõ ngõ ước lượng lớn dẫn tới sai số hàm mục tiêu lớn Tốc độ hội tụ bắt đầu giảm từ vòng lặp thứ đến vịng lặp thứ 11, sau sai số hàm mục tiêu khơng thay đổi Kết tìm kiếm thông số tối ưu liệt kê Bảng 4.3 0.076: [—PSO-RBF parameter convergence| 2.07605, Error 0.076 2.07595 0074 307885 — 0.0758 a Iteration 10 Hình 4.3 Độ hội tụ tìm kiếm số thơng số khởi tạo PSO Khảo sát tín hiệu đáp ứng robot ba bánh đa hướng với ộ điều khién trượt thích nghỉ dùng mạng nơ-ron RBF Quỹ đạo hình trịn có phương trình (4.1): 42 xị -10.8cos(2'1) y, J0.3sin(2t) H n0 41) Kết so sánh điều khiển trượt thích nghỉ dùng mạng nơ-ron với điều khiển trượt cỗ điển (Hình 4.4) Ta thấy tín hiệu đáp ứng (Bảng 4.7) điều khiển trượt thích nghỉ tốt nhiều, có hệ thống thích nghỉ luật điều khiển sử dụng mạng nơ-ron RBE Vì mạng RBF đóng vai trị quan trọng điều khiên, nên tối ưu tốt cấu trúc đóng vai trò nâng cao khả điều khiển hệ thống 3# Trajectory 32 E> -= 04 %4 92 a xím) 22 012 340.08= Eans 004 an 24 028 Trajectory =——¬ : ‘Adaptive SMC Contr = Siding Mode Control_|- 328 03 xim) 032 344 Hình 4.4 So sánh tín hiệu đáp ứng điều khiển trượt thích nghỉ trượt cổ điển Bảng 4.7 So sánh tín hiệu đáp ứng điều khiển trượt thích nghỉ trượt cổ điển Thông số mô _ | Adaptive SMC Control | Sliding Mode Control Thời gian tăng 0.2510.05 (s) 0,340.05 (s) Thời gian xác lập 0.35+0.05 (s) 0.5+0.05 (s) 0.005+0.001 (m) 0.007+0.001 (m) 1740.1 (9) 2.3+0.1 (%) Sai số xác lập Độ vọt lố Tín hiệu đáp ứng mơ chưa có tác động nhiễu với ngõ vào xa, ya góc “j Kết mơ quỹ đạo trịn trình bày Hình 4.5, tín hiệu đáp ứng x, y góc “7 trình bày Hình 4.6, Hình 4.7 Hình 4.8 43 Trajectory 24 Trajectory ym) yim) 32L 02 04 02 ‹ xm) 02 p1“ Hình 4.5 Tín hiệu đáp ứng quỹ đạo trịn 0445 xím) 016 -Rer —Pso-Rar RAF-Rased| Time (s) Hình 4.6 Đáp ứng tín hiệu x quỷ đạo trịn RBF-Based| 35 Time(s; ' Hình 4.7 Đáp ứng tín hiệu y quỹ đạo trịn 44 15 x10 ‘ Ret —Pso-ReF — RBF-Base| os Zo é 08 ag ) 35 Time (s) 18 Hình 4.8 Đáp ứng tín hiệu góc “ quỹ đạo trịn Qua bảng thơng số đáp ứng robot với quỹ đạo trịn (Bảng 4.8), ta thay khả đáp ứng tín hiệu tối ưu PSO tốt so với việc khởi tạo mạng thông số mạng RBFNN Nhờ trọng số ban đầu tối ưu mà hệ thống ước lượng thơng số mơ hình tốt hơn, từ làm tăng nhanh kha đáp ứng điều khiên trượt thích nghỉ, ma chat lượng điều khiển nâng lên đáng kể Bảng 4.8 Thông số đáp ứng robot với quỷ đạo trịn Thơng số mơ PSO-RBF RBF Based Thời gian tăng 0,240.05 (s) 0,2540.05 (s) ‘Thi gian xác lap 0.30.05 (s) 0.35+0.05 (s) Sai số xác lập 0.002+0.0005 (m) 0.005+0.001 (m) Độ vọt lố 0.70.05 (%) 1.740.1 (%) Khảo sát đáp ứng quỹ đạo trịn với tín hiệu nhiễu từ hồi tiếp Tín hiệu đáp ứng Hình 4.5 so sánh đáp ứng tín hiệu tối ưu giải thuật PSO chưa có tác động nhiễu Với biên độ nhiễu vào hệ thống hỏi tiếp khoảng 0.03 (m) Tín hiệu đáp ứng sau nhiễu có giá trị sai lệch khoảng 0.005(m) so với tín hiệu chưa có tác động nhiễu (Bảng 4.9) chứng tỏ điều khiển bền vững trước nhiễu có góp phần khơng nhỏ thuật tốn tối ưu 45 Trajectory 04 Trajectory 025 028 027 3-0z 029 a Zo -02 tr PSO-RạE PSO-RBF Nowe|~ 03 04 ‘Sa oz 02 x(m) om 0m 018 04 = 014 4012 x(m) 01 O08 Hình 4.9 So sánh tín hiệu quỷ đạo trịn có tác động nhiễu Bảng 4.9 Thơng số đáp ứng robot với quỹ đạo trịn có tác động nhiễu Thơng số mơ PSO-RBF PSO-RBF Noise Thời gian tăng 0,240.05 (s) 0.2540.05 (s) Thời gian xác lập 0.30.05 (s) 0.40.05 (s) Sai số xác lập 0.002+0.0005 (m) 0.005+0.001 (m) Độ vọt lố 0.70.05 (%) 1.6740.1 (%) Khảo sát tín hiệu đáp ứng mơ hình robot ba bánh đa hướng với quỹ đạo hình rose curve Hình 4.9 Ngõ vào đặt xa, vụ góc “2 có phương trình (42): Lx, 10.3 cos(2/t).cos(t) [10.3 Hy, H 102eo(2/0asin(“0) go 42) Hinh 4.10, Hinh 4.11, Hình 4.12 Hình 4.13 thể tín hiệu đáp ứng x, y góc ˆ' giữ tín hiệu đặt ngõ đáp ứng 46 Trajectory Trajectory fps—nsoRnr —-RBIF.Based| ym) yum) vs ‘os 06 04 xím) 02 = Ì 026-025-024 xim) 02 -023 Hình 4.10 Tín hiệu đáp ứng với quỹ đạo hình rose curve on - Amplitude ho a 02 34 06 34 Time (s) 12 = Ref _—>sos || RAF ase 16 18 Hình 4.11 Đáp ứng tin hiệu x quỹ đạo hình rose curve T T Amplitude 64 ) 32 34 08 08 Time (s) 12 14 18 Hình 4.12 Đáp ứng tín hiệu y quỹ dao hinh rose curve 47 18 x10 i oS Zo šỆ 0s Ls ĐÓ ' 02 0Á 06 | 081 Time (s) l2 lÁ l6 ===Ra —5soar |—-Rhuued LẠ Hình 4.13 Đáp ứng tín hiệu góc “' quỹ dao hinh rose curve Bảng 4.10 Bảng thông số đáp ứng robot với quỹ rose curve Thông số mô PSO-RBF RBF Based Thời gian tăng 0.0540.05 (s) 0.0540.05 (s) ‘Thai gian xác lap 0.15+0.05 (s) 0.1540.05 (s) Sai số xác lập 0.0025+0.0005 (m) 0.0060.001 (m) Độ vọt lố 0.8320.05 (%) 2£0.5 (%) Kết mô robot bám quy dao hinh rose curve cho thay (Bang 4.10), với quỹ đạo phức tạp thời gian tăng, thời gian xác lập sai số xác lập tăng lên Trong đó, điều khiên trượt thích nghỉ tối ưu cấu trúc phát huy hiệu so với cầu trúc 48 Chuong KET LUAN VA HUONG PHAT TRIEN Kết luận Mạng RBFNN điều khiển trượt thích nghỉ dùng mạng nơ-ron nhân tạo ước lượng tham số mơ hình robot ba bánh đa hướng Do mạng RBENN có khả học trực tuyến nên có tác dụng bù nhiễu tham số robot thay đổi theo thời gian Nghiên cứu sử dụng thuật toán tơi ưu bẩy đàn đề tìm kiếm cấu trúc mạng cận tối ưu nhằm tăng khả thích nghỉ với mơ hình đồng thời góp phần tăng chất lượng điều khiển trượt thích nghĩ Mơ với quỹ đạo khác có nhiễu tác động so sánh khởi tạo cấu trúc mạng RBENN tối ưu bản, ta thấy robot ba bánh đa hướng bám quỳ đạo với thời gian tăng nhanh, sai số xác lập thấp, đồng thời ôn định trước nhiễu hệ thống Thành công luận văn góp phần làm tăng khả tối ưu cấu trúc mạng RBENN, đóng góp vào phát triển lĩnh vực mạng nơ-ron nhân tạo Hướng phát triển Khảo sát so sánh thêm phương pháp tối ưu cấu trúc mạng khác như: giải thuật di truyền, k-mean, OLS, để tìm phương pháp tối ưu tốt Đưa mơ hình đề xuất, thực nghiệm robot thực tế phạm vỉ phịng thí nghiệm Thực đo đạc tính tốn sai lệch trình điều khiển Sử dụng điều khiển trượt thích nghỉ dùng mạng nơ-ron nhân tạo nghiên cứu Thực mô nhiều đối tượng khác đề chứng minh tính ứng dụng cao én định cho hệ thống phi tuyến 49 MỘT SĨ CƠNG TRÌNH ĐÃ CƠNG BĨ [CBI] L.H Đăng, N D Tứ, T C Cường, P T Tùng, and N C Ngôn, 2016 Thử nghiệm điều khiển RBF-PD mơ hình robot ba bánh đa hướng Chuyên san đo lường, điều khiển Tự động hóa, vol 17, pp 51-55 ISSN: 1859-0551 [CB2] L.H Đăng, N Ð Tứ, T C Cường, P T Tùng, and N C Ngôn, 2016 Điều khiển robot bánh đa hướng sử dụng điều khiên RBF-PD tự chỉnh Kỷ yếu Hội nghị tồn qc lần thứ Cơ điện tử, pp 744-749 ISBN: 978-604-913-503-3 [CB3] T C Cuong, N D Tu, L H Dang, T Q Bao, and N C Ngon, 2017 An application of movement direction control for the three wheeled mobile robots using visual information Information Science and Technology (ICIST), IEEE 7th International Conference, vol 22, pp 121-128 DOI: 10.1109/ICIST.2017.7926504 [CB4] N.Đ Tứ, T C Cường, L H Đăng, P T Tùng, and N C Ngơn, 2016 Mơ hình hóa điều khiển robot ba bánh đa hướng Kỷ yếu Hội nghị tồn quốc lần thứ § Cơ điện tử, pp 517-523 ISBN: 97§-604-913- 503-3 [CBS] N.Đ Tứ, L.H Đăng, T C Cường, and N C Ngơn, 2017 Điều khiển thích nghỉ theo mơ hình tham khảo dựa mạng nơ-ron RBE, Tạp chí Khoa học, Trường Đại học Can Tho, pp 1-9 [CBó] P T Tung, L H Dang, N D Tu, T C Cuong, and N C Ngon, July 21-23, 2017 Optimizing the structure of RBF neural network-based controller for omnidirectional robot System Science and Engineering (ICSSE), IEEE Sth International Conference on HCMC University of Technology and Education Ho Chi Minh city, Vietnam 50 TÀI LIỆU THAM KHẢO [1 Bì [4] J Fei, Z Wang, X Lu, and L Deng, 2013 Adaptive RBF neural network control based on sliding mode controller for active power filter In Control Conference (CCC), 2013 32nd Chinese, pp 3288-3293 C Liu, 2016 Application of RBF neural network and sliding mode control for a servo mechanical press In Aircraft Utility Systems (AUS), IEEE International Conference on, pp 346-351 H Tongyue and F Juntao, 2015 Adaptive sliding mode control of flexible beam using RBF neural controller In Control Conference (CCC), 2015 34th Chinese, pp 3405-3410 L Zhang, Z Chen, Z Li, C.-Y Su, and Z Xiao, 2015 Adaptive neural network control for uncertain MIMO robotic systems with time-varying delay and unknown backlash-like hysteresis In Information and Automation, 2015 [EEE International Conference on, pp 1827-1832 [5] J Liu, 2013 Radial Basis Function (RBF) Neural Network Control for Mechanical Systems Springer, pp 365 [6] N H Dũng, 2010 Điều khiển thích nghỉ hệ phi tuyến dùng mạng nơron ữI D S T Chau, 2010 Diéu khién trượt thích nghỉ gián tiếp dùng mạng [8] N T Higp, 2011 Digu khién robot với mạng hàm bán kính sở có hệ số học tối ưu giải thuật di truyền Tạp chí Tự động hóa ngày nay, vol 126, pp 14-20 I9 [10] hàm sở xuyên tâm Tạp chí Khoa học, Trường Đại học Cần Thơ, vol 15a, pp 263-272 RBF Khoa hgc va Ung dung, vol 13, pp 18-22 T Y Sun, C.-C Liu, C.-L Lin, S.-T Hsieh, and C.-S Huang, 2009 A radial basis function neural network with adaptive structure via particle swarm optimization Particle Swarm Optimization, pp 423-436 A Esmaeili and N Mozayani, 2009 Adjusting the parameters of radial basis function networks using particle swarm optimization In Computational Intelligence for Measurement Systems and Applications, 2009 CIMSA'09 IEEE International Conference on, pp 179-181 (11) V Fathi and G A Montazer, 2013 An improvement in RBF learning algorithm based on PSO for real time applications Neurocomputing, vol 111, pp 169-176 [12] N D Phước, 2005 Lý Thuyết Điều Khiên Nâng Cao Nhà xuất [3] N D Minh 2012 Điều Khiển Trượt Thích Nghỉ Hệ Thống Phi Tuyến [14] Khoa Học Kỹ Thuật, pp 480 Luận án tiến sĩ kỹ thuật, pp 84 V Utkin, J Guldner, and J Shi, 2009 Sliding mode control in electromechanical systems CRC press, vol 34, pp 503 51 (15] M [16] ÁN Đức Minh, D Hoài Nghĩa, and N Đức Thành, 2009 Điều khiển trượt thích nghỉ dùng mạng nơ-ron Tạp chí Khoa học Cơng nghệ trường đại học kỹ thuật, pp 1-5 Y Zhang, S Wang, and G Ji , 2015 A comprehensive survey on particle swarm optimization algorithm and its applications Mathematical Problems in Engineering, vol 2015, pp 1-38 S Panda and N P Padhy, 2008 Comparison of particle swarm optimization and genetic algorithm for FACTS-based controller design Applied soft computing, vol 8, pp 1418-1427 [17] [I8] [I9] Khodadadi, [21] Shahbazian, and M Aghajani, 2015 A Novel J Kennedy, 1997 The particle swarm: social adaptation of knowledge In Evolutionary Computation 303-308 [20] M Approach in Design of Model-free Fuzzy Sliding Mode Controller to SISO Chemical Processes Journal of Automation and Control, vol 3, pp 1-9 IEEE International Conference on, pp R Eberhart and J Kennedy, 1995 A new optimizer using particle swarm theory In Micro Machine and Human Science, MHS'95, Proceedings of the Sixth International Symposium on, pp 39-43 F, Bu and J Wan, 2010 The application and research on particle swam optimization in emergency evacuation In Information Computing and Telecommunications (YC-ICT), 2010 IEEE Youth Conference on, pp 287-290 [22] M Han and W Yao, 2010 Remote sensing image fusion using particle swam optimization In Intelligent Control and Information Processing (ICICIP), 2010 International Conference on, pp 238-241 [2] T Nireekshana, G K Rao, and S [24] [25] [26] (27] S N Raju, 2011 Incorporation of unified power flow controller model for optimal placement using particle swam optimization technique In Electronics Computer Technology (ICECT), 2011 3rd International Conference on, pp 209-214 K.-L Du and M, Swamy, 2016 Particle swarm optimization," in Search and Optimization by Metaheuristics, ed: Springer, pp 153-173 S G Reid, K M Malan, and A P Engelbrecht, 2014 Carry trade portfolio optimization using particle swarm optimization In Evolutionary Computation (CEC), 2014 IEEE Congress on, pp 30513058 M Clerc, 2012 Standard particle swarm optimisation Springer, pp 15 B Allaoua, A Laoufi, B Gasbaoui, and A Abderrahmani, 2009 Neurofuzzy DC motor speed control using particle swarm optimization Leonardo Electronic Journal of Practices and Technologies, vol 15, pp 1-18 Si, [28] N Winters and J Santos-Victor, [29] Y Liu, J J Zhu, R L Williams, and J Wu, 2008 Omni-directional 1999 Mobile robot navigation using omni-directional vision In Proc 3rd Irish Machine Vision and Image Processing Conference (IMVIP’99), pp 151-166 mobile robot controller based on trajectory linearization Robotics and Autonomous Systems, vol 56, pp 461-479 [30] C Ren and S Ma, 2013 Dynamic modeling and analysis of an omnidirectional mobile robot In Intelligent Robots and Systems (IROS), 2013 IEEE/RSJ International Conference on, pp 4860-4865 (31) J E M Salih, M Rizon, Yaacob, A H Adom, and M R Mamat, 2006 Designing omni-directional mobile robot with mecanum wheel American Journal of Applied Sciences, vol 3, pp 1831-1835 [32] M Wada, A Takagi, and S Mori , 2000 Caster drive mechanisms for holonomic and omnidirectional mobile platforms with no over constraint In Robotics and Automation, 2000 Proceedings ICRA'00 IEEE International Conference on, pp 1531-1538 (33] M West and H Asada, 1997 Design of ball wheel mechanisms for omnidirectional vehicles with full mobility and invariant kinematics Journal of mechanical design, vol 119, pp 153-161 [34] J Wu, R L Williams, and J Lew , 2006 Velocity and acceleration cones for kinematic and dynamic constraints on omni-directional mobile robots Journal of dynamic systems, measurement, and control, vol 128, pp 788-799 [35] K Watanabe, 1998, Control of an omnidirectional mobile robot," in Knowledge-Based Intelligent Electronic Systems, 1998 Proceedings KES'98 [36] 1998 Second International Conference on, pp 51-60 T.-Y Sun, C.-C Liu, C.-L Lin, S.-T Hsieh, and C.-S Huang , 2009 A radial basis function neural network with adaptive structure via particle swarm optimization In Particle Swarm Optimization, ed: InTech, pp 423-436, [37] Y Bai and L Zhang, 2002, Genetic algorithm based self-growing training for RBF neural networks In Neural Networks, 2002 ITCNN‘02 Proceedings of the 2002 International Joint Conference on, pp 840-845 [38] [3] V.G Gudise and G K Venayagamoorthy, 2003 Comparison of particle swarm optimization and backpropagation as training algorithms for neural networks In Swarm Intelligence Symposium, 2003 SIS03 Proceedings of the 2003 IEEE, pp 110-117 C-L Lin, $.-T Hsieh, and C.-C Liu, 2005 PSO-based learning rate adjustment for blind source separation, In Intelligent Signal Processing and Communication Systems, 2005 ISP ACS 2005 Proceedings of 2005 International Symposium on, pp 181-184 53