Cấu trúc bộ điều khiển kép bao gồm mô hình tiểu não mờ tự tổ chức sử dụng hàm liên thuộc gaussian xếp chồng và mạng lưới học tập cảm xúc của não cho hệ thống robot song song

Trang 1 Hội nghị Khoa học trẻ ỉần 5 năm 2023YSC2023-ỈUHYSC5.F124CẤU TRÚC BỌ ĐIỀU KHIỂN KÉP BAO GỊM MƠ HÌNH TIỂU NÃO MỜ Tự TỎ CHỨC SỬ DỤNG HÀM LIÊN THUỘC GAUSSIAN XẾP CHÒNG VÀ MẠNG LƯỚI H

Hội nghị Khoa học trẻ ỉần 5 năm 2023(YSC2023)-ỈUH

YSC5.F124

CẤU TRÚC BỌ ĐIỀU KHIỂN KÉP BAO GÒM MÔ HÌNH TIỂU NÃO MỜ Tự

TỎ CHỨC SỬ DỤNG HÀM LIÊN THUỘC GAUSSIAN XẾP CHÒNG VÀ MẠNG LƯỚI HỌC TẠP CẢM XÚC CỦA NÃO CHO HẸ THỐNG ROBOT SONG SỎNG

LÊTỐNGTÂN HÒA1’, NGÔ THANH QUYỀN1, NGUYỄNVĂNTHỌ1, LÂMBÌNHMINH1

} Khoa công nghệ Điện, Trường Đại học Công nghiệp Thành phổ Hồ Chỉ Minh

* ỉetongtanhoa78@gmaiỉ.com

Tóm tăt. Hệ thống robotsongsong được áp dụngtrong nhiều lĩnh vực khác nhau như ỵ tế, sản xuất, vận chuyển, Tuynhiên, việc điều khiểnmộthệ thống phi tuyến bất kỉluôn gặphở ngại lớn bởi luôn có thành phầnbấtđịnhtồntạitrong các hệ thống đó Điều đókhiếncho mô hình toán của hệ thống rấtkhó xácđịnh Bàibáo này đề xuấtbộ điều khiển sử dụngcấu trúctự tổ chức cho hệ thống Robot 2 bậc song song của hãngQuanser Robot có haiđộng cơ sẽ điềukhiển bốn thanh, bao gồmhaithanh gắn trực tiếp vào độngcơ

vàhai thanh bị động.Bộđiềukhiểnđề xuất là sự kết hợp giữa mặt trượt và hai hệ thống conhoạtđộng độc lập songsong bao gồm brain emotional learning network (BEL), cerebellar model articulation controller network(CMAC) Bộ điều khiển đềxuất được áp dụng vào hệ thốngđã mô tả ởtrên nhằmkiểmnghiệm tínhxác thực giữa lý thuyết và thực tế thông qua nhiều kết quả môphỏng và thực nghiệm

Từ khóa Kỹ thuậttựtổ chức, bộ điều khiển môhình tiểu não, điều khiển thích nghi, bộ điềukhiểnhọc tập cảm xúc não

DOUBLE CONTROLLER STRUCTURE INCLUDES A SELF-ORGANIZING

Abstract Parallel roboticsystems areapplied inmany different fieldssuch as medicine, manufacturing, transportation, etc However, controlling any nonlinear system is always a big obstacle because those systems always have problems with uncertainty components That makes themathematical model of the system very difficult to determine This paper proposes a controller using a self-organizing structure for Quanser's 2DOF parallelrobotsystem A robot with 2 motors will control 4 connecting rods, of which 2 aredữectlỵ attached todie engine and 2 are passive The proposed controller is a combination ofsliding surface generator and two independent parallel subsystems including a brain-emotional learning (BEL) network, and a cerebellar model articulation control network (CMAC) Theproposed controller is applied

todie Robotdescribed above to test the authenticity between theory and reality through many simulations and experimental results

Keywords Self-organizing technique, cerebellar model articulation controller,adaptive control, brain emotionallearning network (BEL)

1 GIỚI THIỆU

Điềukhiểnhệ thống phi tuyếnđược coi lànhiệm vụ quan họng trong kỹ thuậtđiều khiển Đặcbiệt, bộ điều khiển cầnxử lý đượctínhphi tuyến của hệ thốngđểkiểm soát được hiệu quả [1],[2] Tuynhiên, mô hình toán học chotính chất phi tuyến gặp nhiềukhó khănvà đồngthời cũng làm giảm chấtlượng củabộ điều khiển[3], [4] Vì vậy,bộ điều khiển dựa hên mạng nơ ron nhân tạo đã phát triểnnhanh chóngcác để đạt được tốc độ hộitụnhanh và khảnăng đáp ứng linhhoạt [5] Đối với các hệ thốngthựctế,bộ điều khiển

cần đáp ứng nhanh để xử lí tình huống một cách hiệu quả Mộtsố bộ điều khiểndựatrên mạng no' ron đã cải thiệnchất lượng điều khiển[6] Ngoài ra, bộ điều khiển có thể sử dụng mạngnơ ronkết hợp mạng học tập cảm xúc của não vàmạng chức năng tựtồ chức [7], Tuy nhiên, việcbố sung như vậy chỉ cho phép thêm hoặc xóamỗi lần một nơ-ron nên cần cómột phưongpháp hiệuquả hơn Ngoài ra, Huynhvàcáccộng sự

đã xây dựng một cấu trúc tựtổ chức để điềukhiển các hệ thống phituyến [8], [9] Trong nghiên cứu này, các tác giả đã thêm hoặc loại bỏ nhiều trọng số trong mỗi chu kỳlặp Bằng kếtquảthực nghiệm, tác giả nhận thấy rằng bộ điềukhiểnhọc tập cảm xúc củanão mạng (BEL) cóhiệu suất tốthơn trongđiều khiển bámvìtính chất cấu trúckép của nó Trong nghiên cứu [9], hai kênh trongBEL chiasẻ trọngsố và cùng cấutrúc mạng Các tác giả cũng sử dụng CM AC, mộtmạng nơ ron kênh đonđã được sử dụngrộng rãi trong hệ thống điều khiển robot [10], Vì rây, việc sử dụngcấu trúcmạng CMAC để cải thiện BEL và kết hợp tính toán nhằmnângcao chất lượngđiềukhiểntrong hệ phi tuyến là một lựa chọn cótiềm năngphát triển.Dựa vào nhận định trên, nghiên cứunày đề xuất một mạng nơ ron tự tổ chức mới gọi là bộđiều khiển

tự tổ chức khớp nốimô hìnhtiểu não cảmxúc (SOEDNN),kết hợpmạng CMAC và bộ điều khiểnhọc tập cảmxúc củanão (BELC) Đặc biệt, cấu trúc tự tố chức được tíchhợp vào mạng đề xuất để xác địnhkhi nào tạora mộtlớp mới hoặc xóa một lớptrọng số Để đảm bảo chất lượng bền vững của hệ thống, cácquỵ tắc họctập củaCM AC vàbộ điều khiển bềnvững được dựa trên hàmLyapunov Dựatrên mạng mói này, nghiêncứu này úng đụng vào hệ thống robot hai bậc song song nhằm kiểm nghiệmtính xác thực giữa thực

tế và lí thuyết đềra Phần còn lại của bài viết được tỗ chức như sau PhầnIIgiói thiệu môhình toán học của đối tưọng Phần III trình bày lý thuyết về mô hình SOEDNN.Phần IV mô tả quá trìnhthực nghiệmgiải thuật SOEDNN Phần V làkết quả thực nghiệm Phần VI làphần kết của nghiên cứu này

2 MÔ HÌNH TOÁN HỌC CỦA ĐỐI TƯỢNG

Hình 1 Sơ đồ cấu trúc robot song song hai bậc Hình 1 thể hiện sơđồ cấu trúc của một robot song song hai bậc Phươngtrinhđộng lực họccủacánhtay robot được mô tảnhư sau:

Trong đóq' = (q t> q2>q3>qì) T là tọađộ tổng quát của các khớp robot vàq = hai khớp đỉều khiển; q', q, 'q E R n lần lượt là các vector vịtrí, vận tốc và gia tốc khớp; M (g'~) E R 2x2 là matrận của mô men quán tính; C(q'>q') E R2x2 đại diện cho lực hướng tâm rà hiệu ứng Coriolis; B m = (ốmi,ốm2)> trong đó b mi (i = 1,2) biểu thị độ nhớtcủa động cơ thứ i; g(q') E R 2xlỉàvectơ trọng lực; mi(i = 1,2)

là dòng điện phần ứngcủa động cơ thứi; KT = diag(.KTi) Ktf) là hằngsố đạc trưng cho sựbiến đổi cơ điện giữadòng điện vàmômen

Mối liên hệ giữa q' và q được thể hiện qua ơ(q)có thể biểu diễn bằng phương trinh sau :

U0ji,q2)+í,4sin((j2+<ĩ4)J

Hội nghị Khoa học trẻ ỉần 5 năm 2023(YSC2023)-ỈUH A(qi,qì) = 2LịẰ(qít q 2 )

B(qi>q 2 ) = 2L4p(q1,q2)

= lị - ^4 -22(<?1,Í?2) -p2(í?i,í?2)

2(<?1, q 2 ) = L2 cos(q2 ) - Lt cos(q 4) + L 5

Kqi> Q2) = L 2 stn(q 2 ) - Lt sin(<h)

Ta có matrận mô-men quántính:

M'(q') =

■™11 0

™31 0

0

™22 0 m42

™13 0

™33 0

0 ■ m24 0

m 44 _

(5)

W1 = m4T2

™13 = m31 = m3

ựỉ + T 2 + ^LỵT^COS

^ + MT3cos(q3 + ổ:

™22 = m2 Tị + m4 ( t 2 + t4

m 24 = m 42 = m4 (r2 + L 2 4 cos(q 4 +ổ4))+ J4

m33 = ĨĨ1 3 2 +/ 3

m 44 = m4 rị + /4

Lực hướng tâm được biểu diễn là:

C'(q',q') =

■ Ms 0 -Ml _ 0

0

h 2q 4

0

-h 2q2

MỘ1 + Ộ3) 0 0 0

0

h 2 (q 2 + Ộ4) 0 0

(6)

hl = -msLiTsSÍnCqs + ổ3)

h 2 = -m 4 L 2T 4 sin(q4 + ổ4)

'01*1 + m3L1)cos(q1 + ổj + m 3 T 3 cos(q 4 + q 3 + ổ 3y

-QQ1 y (m2T2 + m 4 L 2 )cos{q2 + ổ2) + rrĩ4 T 4cos(q2 + q4 + ổ3)

m 4 T4cos(q2 + q4 + ổ4) Trong đó, p(q') E IR4x2 là thành phần đạo hàm của ơ(q)với giá trịtốt nhất của qvà p(q', q’ ) E IR4x2 là thành phần đạo hàm của p(qiy M(q l ) = pT (q')M'(q')p(q') + J m ; J m = diag(J ml,Jm2) vàJ mi ạ = 1,2) là các ma trận quán tính của động cơ thứ i. c(q', q') = p T(q')C'(q')p(q') + M’ (q ’ )p(q ’)

wg(q')=ff(q')g\q').

Tronghệ thống phi tuyến, phương trìnhvector trạngthái củahệ cánh tay robot được biểu diễn:

Trongđó q(t) E R k làngõ ra củahệ thống; x(t) = [xr(t) xT (t) làcác vector trạng thái;

f e Rk là hàm danh định trong hệ thốngphituyến;G ^x(t)^ E R k là hàmsố khuếch đại ngõvào thểhiệnlà G e /?fcxfc; hàm bất định Z(x(t)) = l2(2£(.t))> ■■■ln (^(.t))]T ) E /?fc;ngõracủa

bộđiều khiển được biểu thị ở dạng u(t) = |ỉ/](t) u2(t), ,u k(t)]T ER k.

Saisố bám e(t) E R k được biểu diễn theo công thức: e(t) = qd(t) ~ q(t), trong đó qd(t) là giátrị mong muốn trừchogiá trị phảnhồi là q(t) Sai sốbám củahệ thống được định nghĩa như sau:

Mặt trượt củahệ thống được cho như sau:

s(t) = e^-1\t) + /<1e^-2\t)+ -+ /Cn_ie(O+/CnJũte(Ocỉt (10)

s(t) = e^n\t) + H -1-K n e(t)

= q(t) - fQ (x(t)) - gou(t) - l(x(t),t) + KTe(t) (11)

NởiK= [Kn Kn_ 4 K4] t làhệsố khuếch đại của tín hiệu phản hồi

Trên thựctế, công thức (8)đã mô tảvề cáchàmdanh địnhcủahệ thống và hàmsố khuếch đại.Dođó các hàm /(x(t)), G(x(t)) rất khó được xácđịnhchínhxác do saiso với nhiềunguyênnhân khác nhau nhưđộ nhớt thay đoi, hệ số ma sát thay đoi, ngoại lựctác độngvào Đế giải quyết vấnđềnày, ta xemnhư giá trị của > G0(x(t)) là thành phần danh địnhkhông thay đổi và ỉ(x(í), t) là tổngcácthành phầnbất định chưa biết theothời giantrongmôhình Từđóta có thểviếtlạiphươngtrình (8) nhưsau:

Neu foQc(ty), Go và ỉ(x(t)) được biết chính xác trong điều kiện lý tưởng

Suy ra bộđiều khiển lý tưởng thu được như sau:

TREWNN = Gõ1 [iịd - /ũfe) - t) + K T ẹ+ ộS0n[s(t)]] (16) Trong đó Qsgn [s là luật học của mặt trượtvà Q >0; Saisốeđượcmặt trượt sxửlínhưsau:

3 THIÉT KẾ Bộ ĐIỀU KHIỂN SOEDNN

(2) Lóp (3) Lóp (4) Lớp (5) Lóp không tiếp nhận trọng so ngõ ra phụ gian hộ

nhớ

Hình 2 Cấu trúc của mạng thần kinh SOEDNN đề xuất Hình 2 môtả cấu trúc của mạngthần kinh kép.Một cáchtổng quát, đây làmộtsự giao thoa trao đổi giá trị sau không gian bộ nhớ.Các giá trịxuấtra từ không gian bộnhớ được kết hợp,trao đoi với nhau ở lớp tiếp nhận và lớp trọngsố làm gia tăng khả năng khángnhiễucũng như độ phức tạpcủahệ thong, cấu trúc mạng neural kép bao gồm lớp ngõvào (1), lớpbộ nhớliên kết (2) chocả hai kênh BELvàCMAC, lớp tiếpnhận (3)của CMAC, lớp trọngsố(4)kênhBEL (E)và CMAC (IV), lớp ngõ ra phụ (5) vàngõ racủa cấu trúc mạng (6)

3.1 Cấu trúc mạng SOEDNN

Chi tiết của các lóp được mô tảnhưsau:

3.1.1 Lớp ngõ vào S:

Ngõ vào của mạng làtín hiệu mặttrượt, là s = [q1,q2 , . , qn]r

3.1.1.1 Kênh BEL:

Lớp không gian bộ nhớ (Ml): Lớp này bao gồmnbkhốitrongBEL Mỗi khối là một hàm Gaussian cơ bản được địnhnghĩanhưsau:

%ij(Ji) = T(Ji, Cịj, Vij)

Hội nghị Khoa học trẻ ỉần 5 năm 2023(YSC2023)-ỈUH

Trong đólịbiểu thị ngõ vào thứ i của mạng là giá trị hiện tại, Cịj là khoảngcáchhung bìnhvà Vịj

làphương sai ở trạng thái hiện tại E làmatrậnkhối của BEL và được địnhnghĩa là:

3 = [fll fin, ■■■ĩll ■■■ỉln/e R ‘ nb (19)

Lớp tiếp nhận: Không sử dụng

Lớp trọng so (V): Vjj k đượcxácđịnhlà trọng số củangõ ra thứ i,ngõvào thứj củakhối thứktrong BEL

Lớp ngõ ra phụ (X): di là ngõ ra thứ i của BEL vàđược định nghĩa như sau:

3.1.1.2 Kênh CMAC:

Lớp không gian bộ nhớ (M2ỵ nàybao gồm n k khối trong CMAC Mỗi khối là một hàm Gaussian cơ bản được định nghĩa như sau:

Trongđólị biểu thị ngõvào thứ icủa mạng.TỊijỢi) là giá trịhiện tại,ĩỉiy là khoảng cách trung bình vàZíj

làphương sai ở trạng thái hiện tại

Lớp tiếp nhận (/): Lớp này bao gồm các hườngtiếp nhận được tính bằng cách lấytích của cácgiá trị ở lớp mờ hóa tương ứng hước đóvà được định nghĩa:

d> là matrậnkhối của CMAC và được định nghĩa là:

$ = [01 02 ự>njXn’1 , , (23)

Lớp trọng so (FE): Wjj k được xác định là trọngsố của ngõrathứ i, ngõ vào thứjcủa khối thứkhong CMAC

Lớp ngõ ra phụ (ơ): Oi là ngõ ra thứj của CMACvàđược địnhnghĩanhư sau:

3.1.2 Lớp ngõ ra (T):

a và olà haivecto ngõ ra:

Trong đón là kích thước ngõ ra Giáhị cuối cùngcủamạng neural kép đượcxác định như sau:

3.2 Cấu trúc tự tổ chức

Trong cấutrúc SOEDNN còn có cấutrúctrúctựđộng cậpnhật các thamsốhàmGaussian, cấutrúctựcập nhật sẽ cập nhật tham số hiện hànhtại lớpkhông gian bộ nhớ nếu giátrịngõvào nằm trong giới hạn.Ngược lại, nó sẽ tạo ra một lớpmớivà hình thành lên một siêukhối Đe duytrì sự ổnđịnhvàcấu trúccủa mạng thì cấutrúc tự tổ chức cũng sẽtự giảmsố lớp hiện hành

Khoảngcách hung bình DMkđượctínhnhư sau:

Vớimt = [mlk , ,m íki ,mn.k ]

Phương pháp xác định đểthêm một lớp mới :

l<fc<7lfc Neumax DM k > một lớpmới được tạora vớiKg là giá trị giới hạn cho hước Neu như giátrị mới củangõ vào lớn hơn giátrị hiện tại thì sẽ tạora mộtlớp mới :

Với n k (t) là số lớp hiện tại ởthời điểm t Các giá trị ngẫu nhiên sẽ được tạo ra ở lớp trọng sốmớibao gồm

cả giá trị trung bìnhvà giá trịphương sai banđầu

Với lị làngõ vàomới,Zfò làhangso được xác định trước

Đe duy trìcấu trúccủamạng, cấu trúc tự cập nhậtsẽphải xemxét đến việc giảm so lóp Đe giảm số lớp thành phần thứk của ngõ ra thứ j được xácđịnh như sau :

Tìmgiá trị lớn nhất của ngõ ra thứ n tương ứng với thành phần nhỏ nhất là :

ơ l<k<nk l<j<m J

Neu MMjk < Kc , khiđó lớpthứ k phải bị xóa với K c là giá trị giớ hạncho trước

3.3 Luật học của mạng SOEDNN

SOEDNN là mộtcấu trúc mạng ổn định bởi các luật cập nhật và bộ điềukhiển bền vững đềuthiết kế dựa trênlý thuyết ổn địnhLyapuno Cácluật cậpnhật kênh BEL của SOEDNN được định nghĩa như sau:

Trong đó a là tốc độ họccủamạng, d bao gồmngõ vào svà ngõ raUSOCB củaBEL Luật cập nhậtkênh BEL được định nghĩa như sau :

Đe có được hiệu suấttốt hơn, cáctham số đượccập nhật bởi lý thuyết phân tích ổn địnhLyapunov Các luật cập nhật chitiết của w, m, zđược mô tả trong Mục IV

4 Bộ ĐIỀU KHIỂN SOEDNN CHO ROBOT SONG SONG HAI BẬC

Hình 3 Cấu trúc tồng quan bộ điều khiển SOEDNN cho robot song song hai bậc Hình 3mô tảtống quan về bộ điềukhiên SOEDNN,bộ điều khiên gốm 3phấn: một mặt trượt, một bộ điều khiển SOEDNN và một bộ điều khiển bền vững.Các sai so ngõ vào của hệ thống được xử líbởi mặt trượt, sauđóđượcđưa vào các hệ thống SOEDNNvà bộđiều khiển bền vững để khởi tạo các giá trịđiều khiển Theo cấu trúcbộ điều khiểnđề xuất, ngõ vào s của mạng SOEDNNlàtín hiệu ngõ ra liên tục từ mặt trượt:

s = [Sp s2]r-Đồng thời, các luật học của bộ điềukhiển bền vữngTRC là ngõ ra của mặt trượt Giátrịngõ

ra của bộ điềukhiểnđềxuấtnhư sau :

Giả sử rằng T soeđnnlàngõ ralí tưởng của mạng SOEDNN để tìm kiếm của mặt trượt.Lúc đó ta

có thểviết như sau :

Hội nghị Khoa học trẻ ỉần 5 năm 2023(YSC2023)-ỈUH

Tuynhiên, trong thực tếlại khôngcó được các thông số lí tưởng như vậy.Dođó, đề xuất khác được đưa ra bằng cách tínhxấp xỉ củangõ ra :

Ta có V = 7* —ọ,E = — Ề,w = IF — í*= <í>* — ĩ>, từđó ta sẽ cóngõra mạngneuralkép :

Ta phải khai triểnchuỗiTaylor để chuyển đổi hàm phi tuyến thành hàm tuyếntính :

Trong đó và [("^)] được định nghĩa như sau :

Trong đóin = m* — in, ể = — Z, ot là mộtvectơ vớicácsố hạngbậc cao Tacó :

(47)

Đe đảm bảo tính ổn định của hệthống, cácquỵ tắc cập nhật của SOEDNN phải tuân theo lý thuyết ổn định Lyapunov Toàn bộ quỵ tắccậpnhật củakênh CMAC đượcthiếtkếnhư sau :

Bộ điều khiển bền vững đượcthiếtkế như sau :

TfíC = (2/?2)-1[(Z + E2)/?2+Z]sĩ’ (52) HàmLyapunov của cấutrúc này có dạng:

L(s(t),ỹ,P7,m,ể) = I [sr (t)gõ1s(t) + tr wz] +

ír[ỹ7’ư-1ỹ] + m7//”1rTí + zTgz 1z] (S3)

Lấy đạo hàm của hàm Lyapunov, ta có :

L(s(t),v, w, rri, ề) = ST (t)g01 s(t) + tr vl 'a~}v

= ST (t)g^s(t) — tr Ẽ7’ư-1Ê

+ tr WTg v /W + ?nr?77n17n + ể Tgz 1ề

— tr WTg^-W — ffd'ghnm — zTgz rz

= sT(i){yT~ - WT$ - W T ($ mm + ^ỗ) - URC + ỡ)

—tr |ỹ7'ữ-1 l/j — tr — m Trjmin — z Tg z rz

< — tr[iv(s(t)<i> + gỸv ^)] —

-ể[sr(t)^^ + v^z] + sT(t)V~ + sr(t)(ỡ - U RC )

Thay cácphương trình (49) đến (52) vào phương hình (54), ta có :

< -|sr(t)s(t) +|ấ2ỡ2 +|ỹr Lấytíchphân phương hình (55) từt=0 đến t=T, ta được :

(54) (55) (56)

5 KÉT QUẲ THỰC NGHIỆM VÀ PHÂN TÍCH

Hình 4 Cấu trúc tổng quan bộ điều khiển SOEDNN cho robot song song hai bậc Hình 4 mô tảthiết bị dùng để thực hiệnthínghiệm trong nghiêncứu Mô hình robot song song hai bậc tự

do được sử dụng trong thínghiệm gồm có hai động cơ servo, mỗiđộng cơcó tốc độ tối đa 6000v/phút, cùng với đó là Encoder trên mỗi động cơ servo có độ phângiải là 4096 xung/vòng, tỉ số truyền là 70 n/a Board NI_PICE_6351 được càiđặt trong PC rà được sử dụng để thư thậpvà truyềntín hiệu điềukhiểntừ máy tính cho robot thông quaphần mềm Matlab Simulinkvà Quanser Quarc cấu hình các thamsố của mạng SOEDNN được thống kê trong Bảng 1 Trong đó nb, nklần lượt là số lượng ngõ vào của mạng;

c, m, v,z là cáctham số của hàm Gaussian;a là tốc độ học

Bảng 1 Cấu hình tham số mạng SOEDNN

BEL CM AC

Hình 5 biểu diễn ngõra củahai góc ứngvới các bộđiều khiển PED, SOEDNN Hình 7thểhiện các saisố bám quỹ đạo của các bộ điều khiển PID, SOEDNN Hình8 thểhiệnquỹ đạo thực tế của hệ thống ứng vói PED, SOEDNN

Hình 5 Ngõ ra 6A và 6B ứng với các bộ điều khiển PID, SOEDNN Nhìnvàohình 5 cóthểthấy kết quả củahaibộ điềukhiển SOEDNNrà PIDtương đổi tốt Nhưng ở các góc có sựkhác biệtrõrệtkhi PID không thểđáp ứng tốt vói quỹđạo cho trước

Hội nghị Khoa học trẻ lần 5 nám 2023(YSC2023)-ỈƯH

TỈIÍII-(S>

Hình 6 Sai số bám quỹ đạo eA và eB úng với các bộ điều khiển PID, SOEDNN Nhìn rào Hình 6 cóthể thấy saisốbámcủaSOEDNNnhỏhơn(1.03e-05 đốivới eA và3.85e-06 đối vói ổg) sovớiPED là -5.18e-04 đối vớie A và -3.9 le-04 đối với e B.

Hình 7 Quỹ đạo thực tế của hệ thống ứng với các bộ điều khiển PID, SOEDNN Với kếtquả thực nghiệm ỏ' trên cóthểnói lằng, SOEDNN tốt hơnsovớiPID Nói các khác, nhược điểm ở PDD được cải thiện hơn.Bởi, hệ thống đề xuất được kế thừa các ưuđiểmcủa hai hệ thống CMACvà BEL mang đến sự ồn định vàhội tụtốt hơn so với phươngphápso sánh

Bảng 2 Tham số chi tiết của PID so với SOEDNN

PID SOEDNN ỡa(đeg)

e.4 -5.18e-04 1.03e-05

MAX eA 7.78e-03 5.08e-03

ỡB(đeg)

eB -3.91e-04 3.85e-06

MAX e B 5.26e-03 2.95e-03 Bảng 2 đã đua ra được các thông sốchi tiết của bộđiềukhiển PID sovới SOEDNN đề xuất Các thông số thểhiện rõ được sự phát triển các giai đoạn của bộ điềukhiển Sai sốcủa SOEDNN đạt giá trị rất tốt ở hai góc d A và ớg là1,03e-05 và 3.85e-06 Điều đó có nghĩa, hệ thống luôn theosát với quỹđạo đã chotrước Tuy bộ điềukhiển PID vẫn đáp ứng được yêu cầu vàsai số tạo raở haigóc d Avà ớglà-5.18e-04 và -3.91

e-04 nhưng điều đó vẫn chuađủ để khiếncho chất lượngđỉều khiển tốt hơn SOEDNNđược chứng thực giữa

lý thuyết rà thực nghiệm hoàn toàn phù hợp với hệ thống robot hai bậc song song Điều đóđã được thể hiện bởi các thông số cấu trúc mạngđề xuất cókhả năng kiểmsoátvà<fiều khiển hệ thốngvới độ chính xác cao Điềunày chứng tỏ rằng SOEDNNcó mức độ tincậy caođốivóicáchệ thống phi tuyến

6 KẾT LUẬN

Bài báo này kiểm chứng lí thuyết về một cấu trúc mạng tự tồ chức dựa vào CMAC và tích họp thêm thành phần BEL Ngoàinhững ưu điểmđã được thểhiện ở phần V, SOEDNN cònmang trong mìnhnhũngđiểm đảng chú ý Cấu trúcmạngnày sử dụng một nơ-ron mạng nhân tạo để mô phỏng trong quá trình học tập của đối tượng điều khiển,giúpbộđiều khiển nắmbắt vàướclượng được các thànhphầnbất đỊnh phứctạp trong hệ thốngphi tuyến Bằng cách áp dụng ưu điểmcủacác hệthống, SOEDNN có khả năng tự họcvà

tựbiếnđổi theo thời gian.Điều này cho phép bộ điều khiển thích ứngvới các thay đổi của hệ thống và tối

ưuhóa hiệu suấtkhihoạtđộng Triển vọng nghiên cứu và phát triển của cấu trúcmạng SOEDNNlà một

khía cạnh quanhọng Dựavào những ưu điểm đã đượcthể hiện trongphần kết quả thực nghiệm, SOEDNN

có thể phù hợpcác hệ thốngkhác nhưđộngcơAC, động cơ servo, robot diđộng, Nhìn chung, SOEDNN không chỉ phù hợp với hệ thốngrobot song song màcòn có thể phù hợp vớicác hệ thống hệ thống phi tuyến bởi độ tin cậy và hiệusuất đã đượcthể hiện trong thực nghiệm hên

TÀI LIỆU THAM KHẢO

[1] z Chen, F Huang, w Chen, J Zhang, w Sun, J Chen, J Gu, and s Zhu, “RBFNN-based adaptive sliding mode control design for delayed nonlinear multilateral tele-robotic system with cooperative manipulation,” IEEE Transactions on Industrial Informatics, pp 1-1, 2019

[2] D Zhou, M Shi, F Chao, C.-M Lin, L Yang, c Shang, and c Zhou, “Use of human gestures for controlling a mobile robot via adaptive cmac network and fuzzy logic controller,” Neurocomputing, vol 282, pp 218 - 231, 2018 [3] F Chao, D Zhou, c Lin, L Yang, c Zhou, and c Shang, “Type-2 fuzzy hybrid controller network for robotic systems,” IEEE Transactions on Cybernetics, pp 1-15, 2019

[4] w Fang, F Chao, C.-M Lin, L Yang, c Shang, and c Zhou, “An improved fuzzy brain emotional learning model network controller for humanoid robots,” Frontiers in Neurorobotics, vol 13, p 2, 2019 [Online], Available:

https://www.frontiersin.org/article/10.3389/fnbot.2019.00002

[5] T Huynh, c Lin, T Le, H Cho, T T Pham, N Le, and F Chao, “A new self-organizing fuzzy cerebellar model articulation controller for uncertain nonlinear systems using overlapped gaussian membership functions,” IEEE Transactions on Industrial Electronics, pp 1-1, 2019

[6] F Chao, z Zhu, c Lin, H Hu, L Yang, c Shang, and c Zhou, “Enhancedrobotic hand-eye coordination inspired from human-like behavioral patterns,” IEEE Transactions on Cognitive and Developmental Systems, vol 10, no 2,

pp 384-396, June 2018

[7] Q Wu, c Lin, w Fang, F Chao, L Yang, c Shang, and c Zhou, “Selforganizing brain emotional learning controller network for intelligent control system of mobile robots,” IEEE Access, vol 6, pp 59 096- 59 108, 2018 [8] T Huynh, T Le, and c Lin, “Self-organizing recurrent wavelet fuzzy neural network-based control system design for MIMO uncertain nonlinear systems using TOP SIS method,” Int J Fuzzy Sy st., vol 21, no 2, pp 468-487, 2019 [9] c Lin, R Ramarao, and s H Gopalai, “Self-organizing adaptive fuzzy brain emotional learning control for nonlinear systems,” Int J Fuzzy Sy st., vol 21, no 7, pp 1989-2007, 2019 [Online], Available: https://doi.org/10.1007/s40815-019-00698-8

[10] w Fang, F Chao, L Yang, C.-M Lin, c Shang, c Zhou, and Q Shen, “A recurrent emotional cmac neural network controller for vision-based mobile robots,” Neurocomputing, vol 334, pp 227 - 238, 2019