Tình hình nghiên cứu trong và ngoài nước
Trên thị trường đã có nhiều bệ thử động lực học cho xe với tính năng mô phỏng lực cản tác dụng lên xe Tuy nhiên, các hệ thống này hầu hết rất phức tạp và giá thành cao, chỉ được trang bị trong một số phòng thí nghiệm hiện đại với mục đích nghiên cứu
Ví dụ như bệ thử CD 48” được trang bị tại phòng thí nghiệm động cơ đốt trong trọng điểm ĐHQG-TPHCM với chức năng phân tích động lực học, phân tích khí thải khi ô tô chạy trên điều kiện thực, đo tiêu hao nhiên liệu khi ô tô hoạt động
Hình 1.1: Sơ đồ hệ thống bệ thử CD 48”
Hay bệ thử 48” Chassis Dynamometer Systems được hãng Mustang Advanced Engineering cung cấp trên toàn cầu, phục vụ trong lĩnh vực chứng nhận công nhận phát thải Hệ thống cho phép thực hiện các chu trình đo theo tiêu chuẩn FTP75, SFTP (US06), EUDC
Hình 1.2: Bệ thử MUSTANG 48” Chassis Dynamometer Systems
Một số nghiên cứu đã được thực hiện để chế tạo các bệ thử trong lĩnh vực cơ khí động lực ở nước ta như nghiên cứu chế tạo bệ thử dòng công suất hở để kiểm tra bền trục các đăng trong hệ thống truyền lực ô tô tải nhẹ của Trần Hữu Danh và các cộng sự, hay nghiên cứu chế tạo băng thử động cơ xe máy của Đoàn Phước Thọ và Nguyễn Thanh Tuấn [1] Tuy nhiên, bệ thử công suất dòng hở chỉ là một hệ thống gồm động cơ điện kết nối với cơ cấu gây tải thông qua chi tiết cần kiểm tra bền, momen tải đặt lên chi tiết cần kiểm bền không đòi hỏi thay đổi theo điều kiện vận hành thực tế mà chỉ cần phù hợp xác định giới hạn bền của chi tiết đó Bệ thử xe gắn máy của Đoàn Phước Thọ [2] cũng tương tự như các bệ thử xe gắn máy đã được phân phối trên thị trường như Dynojet 250i chỉ trang bị hệ thống tạo tải cho xe, qua đó giúp xây dựng các đường đặc tính momen, công suất của động cơ cũng như tiêu hao nhiên liệu ở các mức tải khác nhau mà chưa tính đến điều kiện vận hành thực tế trên đường của xe
- Đầu những năm 1980, Severino D'Angelo và cộng sự nhận thấy nhu cầu về bệ thử động lực học trong ngành công nghiệp ô tô.- Sự phát triển của vi điều khiển được sử dụng rộng rãi trong các bộ điều khiển của bệ thử, nhóm nghiên cứu đã tiến hành thiết kế bộ điều khiển mô phỏng quán tính cho bệ thử.- Thiết kế này khắc phục được những giới hạn về điều kiện thử nghiệm do cấu trúc cơ học, tạo nền tảng cho việc chế tạo loại bệ thử có tính năng mô phỏng quán tính và lực cản.
4 đường Bệ thử ô tô có chức năng mô phỏng lực cản của Christian Matthews và các cộng sự nghiên cứu năm 2009 [4] sử dụng phương pháp xây dựng phương trình vi phân trạng thái Riccati mô tả bệ thử và bộ điều khiển lực cản, và bộ lọc Kalman dự đoán các biến trạng thái ngõ vào hệ phương trình
Sự phát triển của trí tuệ nhân tạo và học máy đã mở ra nhiều cơ hội mới Từ năm 1992, nghiên cứu của K.J Hunt và cộng sự đã ứng dụng mạng neuron nhân tạo vào mô hình hóa, nhận dạng và điều khiển hệ thống phi tuyến Điều này cho thấy xu hướng thay thế các bộ điều khiển thích nghi truyền thống bằng mạng neuron nhân tạo trong nhiều lĩnh vực lý thuyết và thực nghiệm.
Từ đó, tác giả đề xuất xây dựng bộ điều khiển mạng neuron nhân tạo cho hệ thống phi tuyến phức tạp như bệ thử động lực học với khả năng mô phỏng lực quán tính và lực cản.
Mục tiêu nghiên cứu
Khi xe vận hành trên đường, tổng hợp lực tác động lên xe bao gồm lực kéo 𝐹 𝑘 do động cơ của xe sinh ra, tỏng hợp các thành phần lực cản 𝐹 𝑐 : lực cản lăn, lực cản gió, lực cản leo dốc cân bằng với lực quán tính của xe Khi xe vận hành trên bệ thử, các thành phần lực cản cũng như quán tính của xe không còn cùng độ lớn như trường hợp xe vận hành trên đường thật Cụ thể, tổng hợp lực cản khi xe vận hành trên bệ thử 𝐹 𝑑 bao gồm lực cản lăn của cụm con lăn ma sát, quán tính của cụm con lăn ma sát và lực cản do máy điện của bệ thử tạo ra; và lực kéo của xe sinh ra trên bệ thử lúc này là 𝐹 𝑤
Hình 1.3: Mô hình động lực học xe hai bánh khi di chuyển trên đường (trái) và khi vận hành trên bệ thử (phải)
Mục đích của mô phỏng khối lượng quán tính xe và lực cản đường là lực kéo xe sinh ra trên bệ thử bằng lực kéo xe sinh ra trên đường tại cùng vận tốc:
Phương pháp nghiên cứu
Nghiên cứu sử dụng môi trường mô phỏng SIMULINK của phần mềm MATLAB làm công cụ mô phỏng số để thực hiện các nội dung nghiên cứu, bao gồm:
- Mô hình hóa bệ thử xe gắn máy có tính năng giả lập quán tính xe và lực cản đường
- Xây dựng luật điều khiển giả lập quán tính và lực cản đường
- Xây dựng tập dữ liệu huấn luyện cho bộ điều khiển mô phỏng quán tính và lực cản đường
Ngoài ra, nghiên cứu còn sử dụng Neural Network Toolbox của phần mềm MATLAB trong việc huấn luyện mạng neuron của bộ điều khiển.
Các nội dung nghiên cứu
Các nội dung nghiên cứu được tác giả thực hiện trong đề tài gồm:
- Xây dựng mô hình bệ thử xe gắn máy có chức năng mô phỏng quán tính và lực cản đường
- Xây dựng mạng neuron để xấp xỉ bộ điều khiển mô phỏng lực cản cho bệ thử xe gắn máy
- Đánh giá chất lượng bộ điều khiển.
Ý nghĩa khoa học – thực tiễn
Đề tài góp phần chứng minh khả năng xấp xỉ phi tuyến năng động cao của mạng neuron nhân tạo
Kết quả của đề tài có thể được sử dụng làm công nghệ lõi để phát triển các bệ thử động lực học cho ô tô, xe gắn máy có chức năng mô phỏng lực cản khi xe vận hành trên đường thật Sản phẩm phục vụ cho đào tạo và nghiên cứu khoa học trong lĩnh vực phương tiện giao thông vận tải, hỗ trợ công tác đăng kiểm công nhận phát thải cho phương tiện sử dụng động cơ đốt trong cũng như hỗ trợ thiết kế dung lượng pin phù hợp cho xe điện
Bệ thử ô tô CD 48”
Bệ thử ô tô CD 48” được trang bị tại phòng thí nghiệm động cơ đốt trong trọng điểm ĐHQG-TPHCM có khả năng mô phỏng lực cản đường, qua đó cho phép phân tích động lực học, phân tích khí thải và đo tiêu hao nhiên liệu khi ô tô chạy trên điều kiện thực Bệ thử được thiết kế để thử các xe có một cầu chủ động, với một số thông số như:
- Khối lượng toàn bộ của xe: từ 454kg đến 5400kg
- Khối lượng cầu chủ động đè lên bệ thử tối đa: 4500kg
- Tốc độ cực đại cho phép: 200km/h
- Công suất tối đa ở chế độ động cơ: 150kW từ 92km/h đến 189km/h
- Công suất tối đa ở chế độ máy phát: 153kW từ 92km/h đến 200km/h
Hình 2.1: Hình ảnh thực tế bệ thử CD 48” trong phòng thí nghiệm
Hình 2.2: Sơ đồ bố trí chung bệ thử CD 48”
Khi chuyển động trên đường phẳng nằm ngang, gia tốc của xe sinh ra do tổng hợp các lực tác dụng lên xe và làm cho vận tốc của xe thay đổi theo Xét tại vị trí tiếp xúc giữa bánh xe và mặt đường, xe chịu tác động của các lực theo phương chuyển động bao gồm:
- Lực kéo do động cơ sinh ra truyền đến điểm tiếp xúc bánh xe và mặt đường
- Các lực cản tác động lên xe quy về điểm tiếp xúc bánh xe và mặt đường bao gồm: + Lực cản lăn
+ Lực cản quán tính của xe
Phương trình cân bằng lực tại điểm tiếp xúc bánh xe và mặt đường có dạng:
𝐹 𝑡𝑟𝑎𝑐 = 𝐹 𝑟𝑒𝑠 = 𝐹 𝑟𝑜𝑙𝑙 + 𝐹 𝑎𝑒𝑟𝑜 + 𝐹 𝑖𝑛𝑒𝑟 Trong đó, các thành phần lực cản được tính theo công thức
Với: 𝑓: hệ số cản lăn
𝑚: khối lượng đặt lên cầu chủ động
𝜌: khối lượng riêng không khí
𝐶 𝑑 : hệ số cản chính diện
𝐴: diện tích cản chính diện
Khi vận hành trên bệ thử, gia tốc của xe sinh ra chỉ để làm quay con lăn của bệ thử, do đó thành phần lực cản chỉ còn gồm hai thành phần:
- Lực cản lăn của cụm cơ cấu con lăn, là một hàm bậc hai theo tốc độ cụm con lăn
- Lực cản quán tính của cụm cơ cấu con lăn
Kết cấu cơ bản của một bệ thử ô tô là cụm thiết bị tạo lực cản, là một máy điện AC
Máy điện xoay chiều hoạt động dựa trên nguyên lý 3 pha không đồng bộ với roto lồng sóc Khi hoạt động như động cơ, roto kéo các con lăn quay nhờ chuyển đổi công suất điện thành công suất cơ Ngược lại, khi hoạt động như máy phát, các bánh xe kéo con lăn và roto quay, chuyển đổi công suất cơ thành công suất điện Máy điện AC này có stato xoay được nhờ cân bằng mômen điện từ, cho phép sử dụng cảm biến lực để đo mômen điện từ do máy tạo ra Mômen điện từ được điều khiển bởi biến tần.
Bệ thử CD 48” có 3 chế độ vận hành:
- V = Const: Bộ điều khiển của bệ thử sẽ tự động điều chỉnh FCẢN DYNO nhằm duy trì tốc độ xe không đổi (bằng giá trị đặt trước), bất kể lực kéo của xe thay đổi như thế nào.
- F = Const: bộ điều khiển của bệ thử giữ FCẢN DYNO là hằng số không phụ thuộc tốc độ của xe
- Road Load Simulation: bộ điều khiển của bệ thử luôn điều khiển FCẢN DYNO sao cho lực kéo, tốc độ, gia tốc của xe đạt được tương tự như đang chạy trên đường thực:
Ngoài ra, bộ điều khiển của bệ thử còn cho phép thực hiện các chức năng để hiệu chuẩn kết quả thử nghiệm như:
Quá trình làm nóng ổ bi rotor giúp nâng nhiệt độ ổ bi lên đến mức nhiệt độ làm việc Khi đạt nhiệt độ làm việc, tổn hao ma sát của ổ bi sẽ ổn định Sau đó, tổn hao của bệ thử chỉ còn là do ma sát giữa bề mặt rotor và hai con lăn với không khí.
Chức năng bù tổn hao: tìm tổn hao của bệ thử gây ra do ma sát giữa ổ bi rô-to, ma sát giữa bề mặt rô-to, bề mặt hai con lăn với không khí khi bệ thử hoạt động.
- Road Load Data: chức năng tìm các hệ số F0, F1, F2 thực từ các giá trị đo được khi cho xe chạy CoastDown trên đường thực
- CoastDown WITHOUT Vehicle: Dynamometer Check Up - chức năng kiểm tra độ chính xác của dyno khi dyno mô phỏng lực cản đường ở chế độ Road Load Simulation
- CoastDown WITH Vehicle: Automatic Adaptation with Vehicle
- Centering: dyno tự quay với tốc độ chậm (khoảng 2km/h) để kiểm tra độ trượt ngang của xe Nếu xe bị trượt ngang nghĩa là xe không thẳng góc với bệ thử, cần đưa xe vào bệ thử lại
Động lực học mô hình bệ thử xe gắn máy
Hình 2.3: Bố trí chung bệ thử xe gắn máy
Một bệ thử động lực học xe gắn máy thông thường được chế tạo với mục đích xác định đặc tính kỹ thuật (momen, công suất, khả năng tăng tốc ) và đặc tính kinh tế (suất tiêu hao nhiên liệu) của xe trong các điều kiện khác nhau hoặc trong các tình huống cụ thể Ngoài ra, bệ thử còn xác định rằng một chiếc xe có đáp ứng các tiêu chuẩn an toàn, khả năng vận hành, tiêu thụ nhiên liệu và yêu cầu khác được xác định trước đó Kết quả thực nghiệm trên bệ thử động lực học được sử dụng để cải thiện thiết kế và phát triển của các mẫu xe, đảm bảo an toàn và hiệu suất tối ưu cho người sử dụng
Cụm thiết bị tạo tải của bệ thử động lực học là bộ con lăn ma sát dẫn động bằng động cơ điện, đảm nhận nhiệm vụ mô phỏng tải trọng tác động lên bánh xe Hệ thống cảm biến thu thập các thông số vận hành của xe, bao gồm cảm biến đo tốc độ, cảm biến đo lưu lượng nhiên liệu Bộ điều khiển điều chỉnh tải trọng và thu thập dữ liệu từ các cảm biến Cuối cùng, hệ thống hiển thị kết quả đo và hỗ trợ người dùng vận hành bệ thử một cách hiệu quả.
Hình 2.4: Động lực học xe khi vận hành trên đường
Xe vận hành trên đường phẳng nằm ngang chịu lực cản 𝐹 𝑐 tổng hợp từ lực cản lăn
𝐹 𝑟 và lực cản gió 𝐹 𝑎 Tổng lực cản này với lực cản quán tính của xe (tích khối lượng xe
𝑚 𝑣 và gia tốc xe 𝑣 𝑣 ̇ ) cân bằng với lực kéo do xe sinh ra 𝐹 𝑘
Hình 2.5: Động lực học xe khi vận hành trên bệ thử
Xe vận hành trên bệ thử chịu lực cản 𝐹 𝑑 tổng hợp từ lực cản ma sát của bệ thử 𝐹 𝑓 và lực cản điện từ do bẹ thử tạo ra 𝐹 𝑒 Tổng lực cản này với lực cản quán tính của bệ thử (tích khối lượng con lăn 𝑚 𝑑 và gia tốc con lăn 𝑣 𝑑 ̇ ) cân bằng với lực kéo do xe sinh ra trên bệ 𝐹 𝑤
Do lực cản và khối lượng bệ thử khác lực cản và khối lượng trên đường, nên để mô phỏng điều kiện làm việc của xe trên đường thật tức là lực kéo của xe trên bệ bằng lực kéo của xe trên đường tại cùng một tốc độ thì cần điều khiển Fe, tức là điều khiển bù quán tính và lực cản đường
Mạng neuron nhân tạo
Bộ não con người là hệ thống xử lý thông tin phức hợp, phi tuyến và song song có khả năng học, ghi nhớ, tổng quát hóa và xử lý lỗi Não người có khoảng 10 11 tế bào thần kinh (neuron), trong đó mỗi neuron liên kết với khoảng 100 nghìn neuron tạo thành mạng
Mạng neuron nhân tạo (ANN) là một mô hình toán học bắt chước mạng lưới của các neuron sinh học trong não người Chúng được cấu thành từ nhiều neuron được kết nối với nhau, truyền thông tin bằng cách tính toán các giá trị mới tại các neuron liên kết với neuron trước đó Trong một số trường hợp, ANN được thiết kế để có khả năng thích ứng, tự thay đổi cấu trúc trong quá trình huấn luyện dựa trên lỗi hoặc thông tin mới.
Hình 2.6: Cấu trúc mạng neuron truyền thẳng hai lớp với 4 ngõ vào, 4 ngõ ra và 5 neuron mỗi lớp ẩn
Neuron sinh học có kết cấu gồm thân tế bào (soma), các đầu dây thần kinh vào (dendrite), khớp nối (synapse), sợi trục (axon) và đầu dâu thần kinh ra Mỗi neuron trong mạng neuron nhân tạo mô phỏng lại một neuron sinh học này với một hoặc nhiều đầu
15 vào và một đầu ra duy nhất Giá trị đầu ra được tính toán từ vector các giá trị đầu vào, vector trọng số neuron (weight), giá trị bias, hàm tích hợp ngõ vào và hàm kích hoạt (activation function) của neuron
Hình 2.7: Cấu trúc toán học của một neuron nhân tạo [7]
Với hàm tích hợp ngõ vào là hàm tuyến tính và hàm tác động là hàm nấc, giá trị đầu ra neuron được tính theo trình tự:
Mạng thần kinh được huấn luyện bằng việc xử lý các ví dụ mẫu, là các ví dụ có đầu vào và đầu ra đã biết Sự khác biệt giữa đầu ra của mạng và đầu ra mục tiêu được gọi là lỗi Lỗi là cơ sở để điều chỉnh các thông số mạng (bộ giá trị weight và bias) theo một quy tắc học nhất định Các lần điều chỉnh liên tiếp (epoch) sẽ làm cho đầu ra của mạng neuron ngày càng giống với đầu ra mục tiêu đã biết Sau một lượng đủ lớn epoch, việc huấn luyện mạng sẽ được dừng lại theo một số tiêu chí nhất định
Hình 2.8: Phương pháp huấn luyện mạng không có giám sát
Nhờ tính linh hoạt và khả năng huấn luyện, mạng nơ-ron nhân tạo (ANN) có thể học và mô hình hóa các mối quan hệ phi tuyến tính phức tạp giữa dữ liệu đầu vào và đầu ra Điều này cho phép ANN giải quyết các vấn đề phức tạp trong nhiều lĩnh vực khác nhau.
- Thị giác máy tính: chẩn đoán y tế bằng cách phân loại hình ảnh y khoa, hệ thống nhận diện hình ảnh trên ô tô tự lái, nhận diện khuôn mặt
- Nhận dạng giọng nói: hỗ trợ các nhân viên trực tổng đài và tự động phân loại cuộc gọi, tạo phụ đề chính xác cho video và bản ghi âm cuộc họp để mở rộng phạm vi tiếp cận nội dung
- Kỹ thuật xử lý ngôn ngữ tự nhiên: tổng đài viên ảo và chatbot tự động, tóm tắt tài liệu và tạo bài viết về một chủ đề cho trước
BỆ THỬ XE HAI BÁNH MÔ PHỎNG QUÁN TÍNH VÀ
Sơ đồ bố trí chung
Bệ thử dùng cho xe hai bánh với bánh sau chủ động, cụm cơ cấu tạo lực cản là một con lăn được kết nối với một máy điện 3 pha không đồng bộ, máy điện được điều khiển bởi biến tần có thể hoạt động ở 2 chế độ: máy phát và động cơ điện
Hình 3.1: Bố trí chung bệ thử xe gắn máy có tính năng mô phỏng quán tính xe và lực cản đường
Bệ thử được thiết kế với một số thông số như:
- Khối lượng xe: từ 160kg đến 810kg
- Sử dụng cụm thiết bị tạo lực cản là con lăn hình trụ có khối lượng 250kg, bán kính 0.3m, máy điện ba pha không đồng bộ công suất 44kW được điều khiển thông qua biến tần Momen cản ma sát theo phương trình:
- Tốc độ tối đa cho phép thử nghiệm là 125km/h
Thử nghiệm được thực hiện trên đường phẳng nằm ngang với 4 mẫu xe và 2 mức tải trọng cho mỗi xe, tổng tải trọng từ 157kg đến 810kg, vận hành theo 5 chu trình tiêu chuẩn: WMTC part 1, WMTC part 2, WMTC part 3, NEDC và Japan 10-15 mode
Phương trình động lực học của xe trên đường
Chuyển động của xe theo phương nằm ngang tuân thủ theo định luật Newton, gia tốc của xe theo phương ngang tỉ lệ thuận với độ lớn tổng hợp lực tác dụng lên xe và tỉ lệ nghịch với khối lượng xe Xét điểm cân bằng là vị trí tiếp xúc của bánh xe với mặt đường Tổng hợp lực cản tác dụng lên xe là:
2 𝜌 𝐶 𝑑 𝐴 𝑣 𝑣 2 Theo định luật 2 Newton, gia tốc của xe được xác định theo công thức:
𝐹 𝑘 − 𝐹 𝑐 = 𝑚 𝑣 𝑣 𝑣 ̇ Trong đó: 𝐹 𝑐 : lực cản tổng hợp tác dụng lên xe khi vận hành trên đường thẳng nằm ngang
𝐹 𝑟 : lực cản lăn tác dụng lên xe khi vận hành trên đường thẳng nằm ngang
𝐹 𝑎 : lực cản khí động tác dụng lên xe khi vận hành trên đường thẳng nằm ngang
𝐹 𝑘 : lực kéo do xe sinh ra khi vận hành trên đường thẳng nằm ngang 𝑓: hệ số cản lăn
𝑚 𝑣 : khối lượng đặt lên cầu chủ động
𝜌: khối lượng riêng không khí
𝐶 𝑑 : hệ số cản chính diện
𝐴: diện tích cản chính diện
Hình 3.2: Động lực học xe hai bánh trên đường
Nguyên lý mô phỏng quán tính xe và lực cản đường
Xe vận hành trên bệ thử chịu lực cản 𝐹 𝑑 tổng hợp từ lực cản ma sát của bệ thử 𝐹 𝑓 và lực cản điện từ do bẹ thử tạo ra 𝐹 𝑒 Tổng lực cản này với lực cản quán tính của bệ thử (tích khối lượng con lăn 𝑚 𝑑 và gia tốc con lăn 𝑣 𝑑 ̇ ) cân bằng với lực kéo do xe sinh ra trên bệ 𝐹 𝑤
Do lực cản và khối lượng bệ thử khác lực cản và khối lượng trên đường, nên để mô phỏng điều kiện làm việc của xe trên đường thật tức là lực kéo của xe trên bệ bằng lực kéo của xe trên đường tại cùng một tốc độ thì cần điều khiển Fe, tức là điều khiển bù quán tính và lực cản đường
Hình 3.3: Động lực học xe trên bệ thử
Mô hình mô phỏng bệ thử dùng MATLAB
Mô hình mô phỏng bệ thử trên phần mềm MATLAB được chia thành năm khối chính bao gồm:
- Khối Drive_cycle: mảng dữ liệu hai chiều của chu trình thử bao gồm thời điểm của chu trình và giá trị vận tốc tại từng thời điểm đó Đầu ra khối Drive_cycle là giá trị tốc độ mong muốn mà xe vận hành tại từng thời điểm
Khối Vehicle mô phỏng hành vi điều khiển tốc độ của xe, từ đó đưa ra giá trị mô-men kéo mà xe sinh ra trên bệ thử Giá trị này đóng vai trò quan trọng trong việc đánh giá khả năng vận hành của xe, đặc biệt là khả năng tăng tốc và giảm tốc Khối Vehicle thường kết hợp với các khối khác để tạo thành một hệ thống mô phỏng xe hoàn chỉnh, cho phép các nhà nghiên cứu và kỹ sư đánh giá hiệu suất xe một cách toàn diện.
Khối Roller là mô hình con lăn của bệ thử Đầu vào khối Roller là tổng hợp momen do xe và máy điện sinh ra, tác động trực tiếp lên chuyển động quay của con lăn Bên trong khối Roller còn có thành phần cản lăn của cụm con lăn, tỉ lệ thuận với bình phương tốc độ quay con lăn Momen tổng hợp tác dụng lên con lăn sinh ra chuyển động quay cho con lăn.
21 gia tốc góc, tích phân theo miền thời gian cho ra giá trị tốc độ góc con lăn Giá trị này là đầu ra của khối Roller và phản hồi về khối Vehicle để điều khiển tốc độ xe bám theo chu trình cũng như phản hồi về biến tần điều khiển máy điện trong khối Dynamometer
- Khối Simulator_controller: bộ điều khiển mô phỏng quán tính và lực cản đường tác động lên xe vận hành trên bệ thử Đầu vào khối là vận tốc tức thời của xe, qua đó tính toán gia tốc thực tế và gia tốc mong muốn nếu xe vận hành với lực cản tương tự như khi vận hành trên đường Đầu ra khối bộ điều khiển là tín hiệu điều khiển cho biến tần điều khiển máy điện của bệ thử
- Khối Dynamometer: là một máy điện xoay chiều 3 pha không đồng bộ , được điều khiển bằng biến tần, có thể vận hành trong hai trường hợp:
+ Động cơ điện dẫn động con lăn
+ Máy phát điện hấp thụ công suất của xe thông qua con lăn
Qua đó tạo ra lực mô phỏng quán tính và lực cản đường tác động lên xe như khi vận hành trên đường
Hình 3.4: Mô hình mô phỏng bệ thử động lực học xe hai bánh có chức năng giả lập quán tính xe và lực cản đường
Đáp ứng của bệ thử với bộ điều khiển PID
Sau khi xây dựng giải thuật mô phỏng quán tính xe và lực cản đường, cũng như mô hình bệ thử trên SIMULINK, tác giả sử dụng bộ điều khiển vòng kín PID để thực hiện điều khiển lực cản mô phỏng đảm bảo gia tốc mô hình xe khi vận hành trên bệ thử bám theo gia tốc mô hình xe khi vận hành trên đường thật
Hình 3.5: Sơ đồ tuyến điều khiển của bộ điều khiển vòng kín gia tốc xe khi vận hành trên bệ thử
Từ đó tiến hành thử nghiệm thu thập các bộ hệ số của bộ điều khiển PID để giá trị lực kéo do xe sinh ra trên bệ thử bám theo giá trị lực kéo do xe sinh ra khi vận hành trên đường thật
Hình 3.6: Đáp ứng của bệ thử dùng bộ điều khiển PID gia tốc với xe có khối lượng
810kg theo chu trình WMTC part 2
Hình 3.7: Đáp ứng của bệ thử với xe có khối lượng 215kg theo chu trình WMTC part 2 sử dụng cùng thông số bộ PID trong trường hợp xe có khối lượng 810kg theo chu trình
Kết quả cho thấy, với cùng một bộ hệ số của bộ điều khiển vòng kín thông thường, khả năng mô phỏng quán tính và lực cản đường của bệ thử không tốt như nhau, thậm chí là sai lệch nhiều Do đó, việc xây dựng mạng neuron nhân tạo có thể được huấn luyện làm bộ xấp xỉ tổng quát, dùng để xấp xỉ luật điều khiển phi tuyến, có tính năng động cao mà bệ thử động lực học xe là nhu cầu tất yếu
Cấu trúc mạng dùng làm bộ xấp xỉ
Mạng nơ-ron truyền thẳng bốn lớp ẩn được sử dụng để mô phỏng bộ điều khiển PID chuẩn, với số lượng nơ-ron tương ứng tại mỗi lớp ẩn là 10, 8, 6 và 4 Đầu vào của mạng là bảy biến trạng thái của bệ thử.
- Khối lượng xe thử nghiệm
- Lực cản đường mong muốn tức thời
- Lực kéo tức thời của xe
- Tổng lực cản tức thời trên bệ
- Gia tốc tức thời của bệ
- Sai số gia tốc tức thời
- Vận tốc tức thời của bệ
Ngõ ra mạng là lực cản mà bệ thử cần bù
Ngoài ra, các hàm tích hợp ngõ vào và hàm kích hoạt của các neuron trong mạng được chọn là:
- Hàm tích hợp ngõ vào là hàm tuyến tính
- Hàm kích hoạt các lớp ẩn là hàm tan sigmoid
- Hàm kích hoạt lớp ra là hàm tuyến tính
Hình 4.1: Cấu trúc mạng neuron dùng làm bộ xấp xỉ
Xây dựng tập dữ liệu huấn luyện mạng
Dataset là một khái niệm thường gặp trong lĩnh vực machine learning nói chung cũng như mạng neuron nhân tạo nói riêng Nó là một tập hợp dữ liệu, thường được trình bày dưới dạng bảng mà trong đó mỗi cột sẽ mô tả một biến cụ thể và mỗi hàng tương ứng với một thành phần nhất định của tập dữ liệu, và thường được chia thành 3 tập dữ liệu nhỏ để phục vụ cho quá trình huấn luyện cũng như kiểm chứng hoạt động của mạng là training set, validation set, và testing set
Hình 4.2: Phương pháp phân chia dữ liệu cho quá trình huấn luyện mạng
Training data (hoặc training dataset) là dữ liệu ban đầu được sử dụng để đào tạo các mô hình machine learning Nó được đưa vào các thuật toán machine learning để dạy chúng cách đưa ra dự đoán hoặc thực hiện các hoạt động phức tạp Một training dataset thường chiếm hơn 60% tổng số dữ liệu.
Trong quá trình huấn luyện, các mô hình machine learning cần được đánh giá định kỳ và do đó, điều quan trọng là phải có bộ xác nhận Bằng cách tính toán tổn thất (tức là tỷ lệ lỗi) mà mô hình mang lại trên tập hợp xác thực tại bất kỳ điểm nào cho trước, chúng ta có thể biết được hiệu quả của việc đào tạo Và từ đó có thể chọn được mẫu ưng ý nhất Validation set chiếm khoảng 20% tổng số dữ liệu
Sau khi mô hình được xây dựng, tập dữ liệu kiểm thử một lần nữa xác nhận rằng nó có thể đưa ra dự đoán chính xác Tập kiểm thử này cung cấp một bài kiểm tra thực tế cuối cùng để xác nhận rằng thuật toán machine learning đã được đào tạo hiệu quả Tập kiểm thử thường chiếm 20% tổng số dữ liệu.
28 Để mạng neuron nhân tạo có khả năng xấp xỉ bộ điều khiển mô phỏng lực cản cho bệ thử, tập dữ liệu để huấn luyện mạng cần được chọn để bao trùm toàn bộ miền làm việc của bệ thử
Các trường hợp được chọn để thử nghiệm lấy kết quả làm dữ liệu huấn luyện mạng có các đặc trưng:
- Khối lượng tối thiểu và tối đa của xe cho phép thử nghiệm trên bệ thử
- Gia tốc tối đa của xe có thể đạt được khi vận hành trên bệ thử
- Vận tốc tối đa của xe có thể đạt được khi vận hành trên bệ thử
Các trường hợp thử nghiệm để xây dựng tập dữ liệu huấn luyện gồm:
- Bốn mức khối lượng xe thử nghiệm: 157kg, 275kg, 524kg, và 810kg
- Lần lượt vận hành theo hai chu trình thử nghiệm: WMTC part 2 và WMTC part
- Tám bộ thông số PID mô phỏng quán tính và lực cản đường tốt nhất cho từng trường hợp
Đồ thị 7 thể hiện mối quan hệ giữa trạng thái hoạt động và lực cản mà bệ thử cần phải tạo ra khi vận hành với khối lượng xe thử nghiệm là 157 kg theo chu trình WMTC phần 2.
Hình 4.4: Đồ thị 7 biến trạng thái và lực cản mà bệ thử cần tạo khi vận hành trong trường hợp khối lượng xe thử nghiệm là 157kg theo chu trình WMTC part 3
Hình 4.5: Đồ thị 7 biến trạng thái và lực cản mà bệ thử cần tạo khi vận hành trong trường hợp khối lượng xe thử nghiệm là 275kg theo chu trình WMTC part 2
Hình 4.6: Đồ thị 7 biến trạng thái và lực cản mà bệ thử cần tạo khi vận hành trong trường hợp khối lượng xe thử nghiệm là 275kg theo chu trình WMTC part 3
Hình 4.7: Đồ thị 7 biến trạng thái và lực cản mà bệ thử cần tạo khi vận hành trong trường hợp khối lượng xe thử nghiệm là 524kg theo chu trình WMTC part 2
Hình 4.8: Đồ thị 7 biến trạng thái và lực cản mà bệ thử cần tạo khi vận hành trong trường hợp khối lượng xe thử nghiệm là 524kg theo chu trình WMTC part 3
Hình 4.9: Đồ thị 7 biến trạng thái và lực cản mà bệ thử cần tạo khi vận hành trong trường hợp khối lượng xe thử nghiệm là 810kg theo chu trình WMTC part 2
Hình 4.10: Đồ thị 7 biến trạng thái và lực cản mà bệ thử cần tạo khi vận hành trong trường hợp khối lượng xe thử nghiệm là 810kg theo chu trình WMTC part 3
Huấn luyện mạng
Bản chất của quá trình huấn luyện mạng là liên tục cập nhật bộ trọng số và độ lệch của tất cả các neuron trong mạng để giá trị ngõ ra mạng dịch chuyển theo xu hướng bằng với giá trị ngõ ra mong muốn của tập dữ liệu huấn luyện
Công cụ Neural Network Training của MATLAB hỗ trợ nhiều giải thuật huấn luyện mạng như:
- Conjugate Gradients with Powell/Beale Restart
Tuy nhiên, nghiên cứu này lựa chọn sử dụng giải thuật huấn luyện mặc định của công cụ là giải thuật lan truyền ngược Levenberg-Marquardt bởi nhiều đặc trung phù hợp với cấu trúc mạng đã xây dựng
Hình 4.11: Giao diện công cụ Neural Network Training của MATLAB
Thuật toán Levenberg-Marquardt là thuật toán tối ưu hóa được dùng để tìm giá trị tối ưu của hàm đa biến, thường được sử dụng trong xác định tham số mô hình toán học dựa trên dữ liệu đầu vào Thuật toán kết hợp phương pháp Gauss-Newton và phương pháp gradient giảm, trong đó phương pháp Gauss-Newton tập trung vào sự hội tụ bậc hai gần cực tiểu, còn phương pháp gradient giảm đảm bảo sự hội tụ toàn cục.
34 sử dụng để tìm kiếm các tham số tối ưu bằng cách giải quyết hệ phương trình phi tuyến Tuy nhiên, nó có thể gặp phải vấn đề khi ma trận đạo hàm không khả nghịch hoặc không xấp xỉ tốt Để khắc phục nhược điểm này, thuật toán Levenberg-Marquardt trải qua hai giai đoạn Trong giai đoạn đầu tiên, nó sử dụng phương pháp Gauss-Newton để tìm kiếm các tham số gần giống với phương pháp gradient giảm Trong giai đoạn thứ hai, nó sử dụng một yếu tố điều chỉnh gọi là yếu tố Levenberg-Marquardt để điều chỉnh quá trình tối ưu hóa Yếu tố này giúp giải quyết các vấn đề nhạy cảm với ma trận đạo hàm
Thuật toán Levenberg-Marquardt thường được sử dụng trong các bài toán khớp mô hình và điều chỉnh tham số trong các ứng dụng như phân tích số liệu, nhận dạng mẫu, xử lý hình ảnh và nhiều ngành công nghiệp khác
Hình 4.12: Mô hình toán của giải thuật lan truyền ngược Levenberg-Marquardt trong hiệu chỉnh bộ trọng số và độ lệch chuẩn của các neuron trong mạng
Quá trình huấn luyện mạng được bắt đầu bằng việc khởi tạo bộ thông số mạng (bao gồm các trọng số và độ lệch của các neuron trong mạng), khi đó, giá trị ngõ ra mạng hầu như chưa hội tụ về giá trị ngõ ra mong muốn của tập dữ liệu huấn luyện
Hình 4.13: Đồ thị ngõ ra mong muốn và ngõ ra mạng neuron khi bắt đầu huấn luyện
Giải thuật huấn luyện Levenberg-Marquardt liên tục cập nhật bộ hệ số mạng, sau nhiều vòng lặp, giá trị ngõ ra mạng dần tiến về giá trị mong muốn của tập dữ liệu huấn luyện
Quá trình cập nhật bộ hệ số mạng diễn ra ngẫu nhiên, do đó, mỗi lần huấn luyện mạng với cùng cấu trúc cũng như tập dữ liệu huấn luyện cho kết quả khác nhau Cụ thể, hệ số hội tụ, số chu kỳ lặp, cũng như bộ hệ số mạng của mỗi lần huấn luyện thành công đều khác nhau
Hình 4.14: Đồ thị ngõ ra mong muốn và ngõ ra mạng neuron khi huấn luyện thành công
Mạng neuron được huấn luyện thành công trong nghiên cứu sau khi thực hiện 377 chu kỳ lặp và đạt hệ số hội tụ R = 0.99918
Mạng neuron sau khi huấn luyện thành công được sử dụng làm bộ điều khiển lực cản cho mô hình bệ thử trong các trường hợp vận hành xây dựng tập dữ liệu huấn luyện mạng để xác thực khả năng hoạt động trước khi thử nghiệm với các trường hợp mở rộng
Hình 4.15: Đáp ứng của bệ thử dùng bộ điều khiển PID gia tốc với xe có khối lượng
810kg vận hành theo chu trình WMTC part 2
Hình 4.16: Đáp ứng của bệ thử dùng bộ điều khiển mạng neuron sau khi huấn luyện thành công với xe có khối lượng 810kg vận hành theo chu trình WMTC part 2
Kết quả thu được cho thấy rằng mạng nơ-ron sau khi được huấn luyện sẽ có xu hướng dự đoán được bộ luật điều khiển lực cản mà bệ thử cần đưa ra nhằm mô phỏng lực quán tính và lực cản của đường giống như mô hình bệ thử sử dụng bộ điều khiển PID.
KẾT QUẢ VÀ THẢO LUẬN
Bộ điều khiển lực cản ứng dụng mạng lưới neuron nhân tạo được phát triển trong đề tài nghiên cứu này thể hiện hiệu quả cao trong việc mô phỏng quán tính và lực cản đường tác động lên xe ô tô, xe máy trên bệ thử động lực học Bộ điều khiển đạt độ chính xác cao khi ứng dụng vào 38/40 trường hợp thử nghiệm (tương đương với 95% số trường hợp), trong đó có 30/32 trường hợp mở rộng.
Hình 5.1: Đồ thị tốc độ, momen kéo của xe và momen cản do bệ thử tạo ra trong trường hợp thử nghiệm với xe có khối lượng 730kg theo chu trình thử NEDC
Tiêu biểu cho các trường hợp bộ điều khiển dự đoán đúng luật điều khiển là thử nghiệm với xe có khối ượng 730kg theo chu trình thử NEDC, sai số năng lượng kéo giữa mô hình xe khi vận hành trên bệ và mô hình xe vận hành trên đường là -0.97%, và sai số năng lượng phanh giữa mô hình xe khi vận hành trên bệ và mô hình xe vận hành trên đường là -2.98%
Hình 5.2: Đồ thị tốc độ, momen kéo của xe và momen cản do bệ thử tạo ra trong trường hợp thử nghiệm với xe có khối lượng 215kg theo chu trình thử WMTC part 3
Hướng phát triển
- Trường hợp nhiều trạng thái hoạt động tức thời khác nhau nhưng nhận cùng tín hiệu điều khiển có thể được khắc phục bằng cách thêm một số tín hiệu ngõ vào của mạng neuron như sai số về vận tốc tức thời của xe trên bệ thử so với vận tốc tính toán lý thuyết để tăng khả năng mạng neuron xác định trạng thái hoạt động tức thời duy nhất của bệ thử
- Tăng kích thước của tập dữ liệu huấn luyện, tương đương với việc tăng độ phân giải của các tín hiệu ngõ vào bộ điều khiển mạng neuron để nâng cao chất lượng điều khiển
- Và như đã đề cập ở phần ý nghĩa thực tiễn của nghiên cứu, kết quả này có thể được phát triển thử nghiệm trên bệ thử thực tế để kiểm tra khả năng điều khiển linh hoạt của mạng neuron mô phỏng quán tính và lực cản đường
