nghiên cứu phát triển giải thuật điều khiển thông minh dựa trên mạng nơ ron mờ hồi quy ứng dụng điều khiển

TÓM TẮT Luận án này nhằm mục tiêu nghiên cứu phát triển giải thuật điều khiển thông minh dựa trên mạng nơ-ron mờ hồi quy Recurrent Fuzzy Neural Networks để áp dụng trong điều khiển hệ ph

Tính cấp thiết của luận án

Cách mạng công nghiệp 4.0 đã và đang thúc đẩy sự phát triển nhanh chóng của công nghiệp, mà ở đó ngày càng phát sinh nhiều thiết bị phi tuyến, khó kiểm soát Các kỹ thuật điều khiển phổ biến và đã được công nghiệp hoá như điều khiển PID đã không còn đủ linh hoạt để đáp ứng yêu cầu Dù vậy, bộ điều khiển PID công nghiệp hiện vẫn được dùng phổ biến Vấn đề cấp thiết đã và đang đặt ra là nhu cầu xây dựng các giải thuật đủ linh động để cập nhật tham số bộ điều khiển PID hay bù tín hiệu điều khiển một cách thông minh và linh hoạt Trong khi đó, những thập niên gần đây, công nghệ trí tuệ nhân tạo đang được nhiều quốc gia trên thế giới quan tâm, ứng dụng Một nhánh quan trọng của trí tuệ nhân tạo được quan tâm nhiều là ứng dụng mạng nơ-ron nhân tạo Từ đó, lý thuyết điều khiển phi tuyến cũng đã hướng đến việc sử dụng các thuật toán điều khiển thông minh, dựa trên mạng nơ-ron nói chung và mạng nơ-ron mờ hồi quy nói riêng Hướng nghiên cứu và ứng dụng mạng nơ-ron mờ hồi quy có ưu điểm với cơ chế cập nhật trực tuyến bộ điều khiển phi tuyến này một cách hiệu quả Tuy nhiên, các công bố cho thấy bộ điều khiển này dù đã được triển khai thành công, nhưng chủ yếu thông qua mô phỏng trên máy tính Nhằm tận dụng độ ổn định và tin cậy cao của bộ điều khiển PID, kết hợp với tính ưu việt của bộ điều khiển dùng mạng nơ-ron mờ hồi quy, nghiên cứu này hướng đến việc xây dựng kỹ thuật điều khiển giám sát (supervisory control), thông qua việc kết hợp bộ điều khiển PID và bộ điều khiển dùng mạng nơ-ron mờ hồi quy đã đề cập Giải thuật điều khiển được kiểm nghiệm trên mô hình đối tượng phi tuyến là robot Delta và thiết bị công nghiệp là hệ ổn định lưu lượng chất lỏng RT020 Bằng việc ứng dụng các mạng nơ-ron mờ hồi quy để nhận dạng không tham số mô hình đối tượng và để điều khiển bù cho bộ PID, giải thuật đề xuất có tính linh động cao, cải thiện được chất lượng của cả hệ thống và nhất là đáp ứng được nhu cầu cấp thiết đã và đang đặt ra nhằm kiểm soát hệ điều khiển vòng kín các đối tượng phi tuyến hiện nay.

Tổng quan về vấn đề nghiên cứu

Các bài toán điều khiển trong thực tế, đa phần là sử dụng hệ phi tuyến Vì thế, nhiều nhà nghiên cứu và nhà thiết kế đã quan tâm tích cực trong việc phát triển và ứng dụng của các phương pháp điều khiển phi tuyến bởi những lý do sau [1]: 1) Cải thiện hệ thống điều khiển hiện có; 2) Phân tích các đặc tính phi tuyến khó; 3) Xử lý sự không chắc chắn của mô hình; 4) Thiết kế đơn giản Các kỹ thuật học cơ bản về thiết kế và phân tích hệ phi tuyến có thể tăng cường đáng kể khả năng của kỹ thuật điều khiển để đáp ứng với các bài toán điều khiển thực tế một cách hiệu quả

Các phương pháp để điều khiển hệ phi tuyến [2] bao gồm: điều khiển tuyến tính hóa hồi tiếp, điều khiển trượt và điều khiển thích nghi, điều khiển mờ, điều khiển ứng dụng giải thuật di truyền và điều khiển sử dụng mạng nơ-ron, điều khiển giám sát kết hợp sử dụng mạng nơ-ron và mờ hồi quy Trong đó nổi bật là bộ điều khiển mạng nơ- ron mờ hồi quy, đây là một trong các phương pháp điều khiển hiệu quả hệ phi tuyến với ưu điểm là tính ổn định bền vững ngay cả khi hệ thống nhiễu hoặc thông số của mô hình thay đổi theo thời gian [3]

Sự phát triển không ngừng của khoa học công nghệ đã cho ra đời một lĩnh vực nghiên cứu mới đầy tiềm năng và cũng nhiều thách thức, đó là điều khiển thông minh [4] Đây là phương pháp điều khiển phỏng theo các đặc điểm cơ bản của trí thông minh của con người, bao gồm khả năng học, khả năng xử lý thông tin không chắn chắn và khả năng tìm kiếm lời giải tối ưu Các kỹ thuật điều khiển thông minh được sử dụng phổ biến hiện nay bao gồm mạng nơ-ron nhân tạo, logic mờ và giải thuật di truyền Các kỹ thuật này phát triển rất mạnh về lý thuyết và được ứng dụng rất rộng rãi trong các lĩnh vực công nghiệp, dân dụng cũng như an ninh quốc phòng, đặc biệt là mạng nơ-ron nhân tạo và giải thuật di truyền

Giải thuật di truyền đã được giới thiệu bởi J Holland, dựa trên thuyết tiến hóa tự nhiên của Darwin [5] Giải thuật di truyền được phát triển từ sự lựa chọn tự nhiên và các cơ chế tính toán, nó là thuật toán tìm kiếm với các đặc điểm của sự tìm kiếm song song cao, ngẫu nhiên và thích nghi [6] Bằng cách thực hiện liên tiếp các toán tử di truyền như lựa chọn, lai ghép, đột biến và như thế tạo ra quần thể thế hệ mới, dần dần phát triển cho đến khi nhận được trạng thái tối ưu với giải pháp tối ưu xấp xỉ Trong những nghiên cứu gần đây, giải thuật di truyền đã trở thành công cụ tối ưu phổ biến cho nhiều lĩnh vực nghiên cứu như: điều khiển hệ thống, thiết kế điều khiển, khoa học và kỹ thuật [7] Đồng thời bộ điều khiển mờ đã được được L.A Zadeh [8] nêu ra lần đầu tiên vào năm 1965 Bộ điều khiển này giải quyết các bài toán, rất gần với cách tư duy của con người Tới nay, bộ điều này đã phát triển rất mạnh mẽ và được ứng dụng trong nhiều lĩnh vực kỹ thuật và công nghiệp [9], [10]

Trong những năm gần đây, điều khiển mờ FUZZY-PID [11], [12], [13] và giải thuật di truyền GA-PID [14], [15], [16], [17], [18], [19] đã được các nhà nghiên cứu quan tâm với nhiều ứng dụng trong thực tế và sản xuất Các kết quả mô phỏng cho thấy sai số quỹ đạo hội tụ nhanh; ổn định tiệm cận toàn cục; trạng thái sai số quỹ đạo tiến về không Tuy nhiên, tín hiệu điều khiển GA-PID và FUZZY-PID không còn điều khiển bám tốt theo tín hiệu đặt khi thay đổi khối lượng của tải và tác động của nhiễu lên cả hệ thống phi tuyến vòng kín [20], [21] Để nâng cao chất lượng điều khiển, các nghiên cứu [22] đã đề xuất một bộ điều khiển PID thích nghi mạng nơ-ron; [23] PID thích nghi dùng mạng nơ-ron RBF; [24] nhận dạng và điều khiển sử dụng mạng nơ-ron mờ hồi quy; [25] bộ điều khiển PID thích nghi nơ-ron sử dụng mạng nơ-ron mờ hồi quy Kết quả mô phỏng cho thấy rằng các phương pháp đề xuất loại bỏ được hiện tượng chattering, tính bền vững được cải thiện, ít sai số và đạt được độ hội tụ nhanh hơn

Mạng nơ-ron nhân tạo là một bộ xử lý song song to lớn gồm nhiều đơn vị xử lý đơn giản, giả lập quá trình học tập và xử lý của bộ não con người [26] Đơn vị cơ bản của mạng nơ-ron được gọi là nơ-ron nhân tạo, mô phỏng chức năng cơ bản của nơ-ron tự nhiên: nó nhận các ngõ vào, xử lý chúng bằng kết nối đơn giản và ngưỡng, xuất kết quả cuối cùng ở ngõ ra Mạng nơ-ron thường sử dụng phương pháp học giám sát Học về cơ bản tham khảo quy trình điều chỉnh các trọng số để tối ưu hiệu suất của mạng Mạng nơ-ron phụ thuộc vào giải thuật học máy vì sự thay đổi các trọng số kết nối của mạng gây ra nó để đạt được kiến thức để giải quyết các vấn đề trong tầm tay Mạng nơ-ron có khả năng học các quan hệ phức tạp giữa các dữ liệu vào ra được cung cấp Khi một tập các ngõ vào ra được cung cấp, mạng nơ-ron có thể học quan hệ giữa chúng bằng cách thay đổi các trọng số của các liên kết của nó Mạng nơ-ron nhân tạo đã trở nên phổ biến trong những năm gần đây với nhiều lý do: thứ nhất, mạng nơ-ron cung cấp khả năng tính toán rất tổng quát; thứ hai, mạng nơ-ron có thể được sản xuất trực tiếp trong phần cứng VLSI và cung cấp khả năng xử lý song song tương đối lớn

Mạng nơ-ron mờ hồi quy (điều khiển thông minh) nổi lên như bộ điều khiển thích nghi, góp phần nâng cao chất lượng điều khiển của bộ điều khiển PID (điều khiển kinh điển) Khó khăn trong huấn luyện mạng nơ-ron mờ hồi quy là lựa chọn phù hợp số nơ- ron, tâm, ngưỡng và trọng số kết nối [27] Sử dụng nhiều nơ-ron lớp ẩn sẽ gây ra hiện tượng học lâu và tăng sự phức tạp của mạng [28], ngược lại mạng sẽ không thể học đầy đủ các dữ liệu mẫu [29] Thông số này thường được lựa chọn bằng phương pháp thử và sai [30] Thông số tâm của mạng cũng ảnh hưởng đến hiệu suất của mạng Nếu chọn tâm không phù hợp, hiệu quả mạng nơ-ron sẽ rất khó đạt được kết quả mong muốn Nếu các tâm quá gần, chúng sẽ tạo ra sự tương quan tuyến tính tương đối, ngược lại chúng sẽ không đạt yêu cầu xử lý tuyến tính Quá nhiều tâm sẽ dẫn đến tràn trong khi khó phân loại hoàn thành nếu số tâm quá ít Bên cạnh đó, việc lựa chọn các giá trị của ngưỡng và trọng số khởi tạo ban đầu cũng ảnh hưởng đến hiệu quả của mạng Ngoài ra, giải thuật huấn luyện mạng nơ-ron mờ hồi quy cũng cần được quan tâm để tăng cường hiệu suất của mạng, trong đó giải thuật Gradient Descent [31], [32], thường được sử dụng Tuy nhiên, một vài nghiên cứu chỉ ra rằng để xác định cấu trúc [33] và các thông số của mạng nơ-ron mờ hồi quy [34], [35] để đạt được kết quả mong muốn phải phù hợp với từng ứng dụng cụ thể

Nghiên cứu khảo sát sự ảnh hưởng của mạng nơ-ron mờ hồi quy đến chất lượng bộ điều khiển thích nghi SNA-PID để điều khiển hệ phi tuyến, quá trình khảo sát sự ảnh hưởng của mạng nơ-ron mờ hồi quy đến chất lượng bộ điều khiển thích nghi để điều khiển hệ phi tuyến đã thực hiện đạt được mục tiêu đề ra Tuy nhiên, cũng còn tồn tại một số hạn chế về sự chọn lựa các hệ số của bộ điều khiển và bộ nhận dạng hệ phi tuyến trong quá trình nhận dạng và huấn luyện trực tuyến, chứng tỏ giải thuật huấn luyện còn cần phải cải tiến thêm Để giải quyết hạn chế này, nghiên cứu đề xuất áp dụng giải thuật điều khiển giám sát RFNN-PID, bộ điều khiển mạng nơ-ron mờ hồi quy RFNNC kết hợp với bộ điều khiển PID thích nghi được sử dụng, nhằm quan sát các thông số sai số đầu ra hệ phi tuyến thông qua bộ nhận dạng RFNNI, cập nhật và điều chỉnh các thông số đầu vào tối ưu để điều khiển hệ phi tuyến, góp phần giảm sai số hệ thống điều khiển vòng kín Kết quả mô phỏng được thực hiện với MATLAB/Simulink, để điều khiển hệ phi tuyến và thực nghiệm trên hệ phi tuyến thật là mô hình robot Delta 3-DOF.

Luận điểm khoa học cần giải quyết trong luận án

Từ các thành tựu nghiên cứu tổng quan của lĩnh vực nghiên cứu đã nêu trên, nội dung luận án này nhằm trả lời các câu hỏi khoa học cơ bản sau:

- Có thể hiệu chỉnh tham số tối ưu của bộ điều khiển một cách trực tuyến hay?

- Có thể dùng mạng nơ-ron mờ hồi quy để hiệu chỉnh bù cho bộ điều khiển PID truyền thống trên một đối tượng phi tuyến cho trước?

Mục tiêu của luận án

Mục tiêu tổng quát

Xây dựng giải thuật điều khiển thông minh dùng mạng nơ-ron mờ hồi quy để kiểm soát đối tượng phi tuyến – minh hoạ bằng điều khiển bám quỹ đạo cho robot Delta

3 bậc tự do (3-DOF), thông qua mô phỏng và thực nghiệm.

Mục tiêu cụ thể

- Nghiên cứu xây dựng các phương trình chuyển động của hệ phi tuyến thực nghiệm là robot Delta 3-DOF: xây dựng các phương trình động học thuận, động học ngược và động lực học của robot Delta 3-DOF

- Thiết kế bộ điều khiển FUZZY-PID và GA-PID để điều khiển hệ phi tuyến bám theo quỹ đạo đặt trước để có cơ sở đánh giá chất lượng điều khiển với giải thuật điều khiển đề xuất

- Nghiên cứu xây dựng bộ điều khiển Single Neural Adaptive PID dựa trên bộ nhận dạng mạng nơ-ron mờ hồi quy (SNA-PID) để điều khiển hệ phi tuyến bám theo quỹ đạo đặt trước

- Đề xuất bộ điều khiển giám sát (Supervisory Control) bằng cách sử dụng bộ điều khiển mạng nơ-ron mờ hồi quy (RFNNC), kết hợp với PID để điều khiển hệ phi tuyến bám theo quỹ đạo đặt trước Đồng thời cải thiện chất lượng điều khiển bằng cách sử dụng bộ nhận dạng mạng nơ-ron mờ hồi quy (RFNNI), để nhận dạng hệ phi tuyến hồi về bộ điều khiển mạng nơ-ron mờ hồi quy để điều khiển tự chỉnh thích nghi với bộ điều khiển PID, làm nhiệm vụ tạo ra điện áp ban đầu lớn để quay các cánh tay của cả hệ phi tuyến Các giải thuật nghiên cứu được áp dụng điều khiển bám quỹ đạo robot Delta 3-DOF trên MATLAB/Simulink, để so sánh đánh giá các kết quả đạt được của 4 bộ điều khiển và kiểm chứng giải thuật đề xuất điều khiển giám sát kết hợp RFNN-PID, trong điều khiển bám quỹ đạo robot Delta 3-DOF ở trạng thái danh định và sự thay đổi các thông số của đối tượng

- Thiết kế, chế tạo mô hình robot Delta 3-DOF và thực nghiệm điều khiển thời gian thực các bộ điều khiển đã xây dựng trên MATLAB/Simulink, để điều khiển bám quỹ đạo robot Delta 3-DOF thông qua giao thức truyền nhận dữ liệu UART.

Phương pháp nghiên cứu, cách tiếp cận

Luận án được thực hiện với các phương pháp nghiên cứu sau:

- Nghiên cứu tài liệu: thu thập tài liệu từ nguồn tài liệu khoa học trong ngành trên các tạp chí khoa học uy tín trong nước và quốc tế liên quan đến nội dung nghiên cứu của luận án; phân tích, tổng hợp tài liệu từ các nguồn thu thập ở trên, xác định ưu điểm của phương pháp điều khiển hệ phi tuyến để sử dụng làm cơ sở khoa học cho luận án, đồng thời tiến hành cải tiến những tồn tại trong các tài liệu đó

- Nghiên cứu phần mềm Solidworks, CorelDRAW để thiết kế bản vẽ và cắt khung cơ khí robot Delta 3-DOF

- Nghiên cứu phần mềm Protuse để thiết kế, mô phỏng và thi công mạch điều khiển cho robot Delta 3-DOF

- Thực nghiệm mô hình toán học hệ phi tuyến là robot Delta 3-DOF Kết quả mô phỏng được thực hiện trên MATLAB/Simulink

- Xử lý thông tin: quan sát đáp ứng của hệ thống và điều chỉnh các thông số của bộ điều khiển (nếu có) sao cho đáp ứng thỏa mãn các chỉ tiêu chất lượng điều khiển như: sai số xác lập, thời gian quá độ và độ vọt lố.

Ý nghĩa khoa học và thực tiễn

Ý nghĩa khoa học

Nghiên cứu đề xuất giải thuật điều khiển giám sát RFNN-PID: trong đó bộ điều khiển mạng nơ-ron mờ hồi quy RFNNC kết hợp cùng với bộ điều khiển PID thích nghi và bộ nhận dạng RFNNI được sử dụng để quan sát các thông số sai số đầu ra của hệ phi tuyến để cập nhật, điều chỉnh các thông số đầu vào tối ưu điều khiển hệ phi tuyến bám theo quỹ đạo đặt trước sao cho sai số bám tiến về không, giảm vọt lố và ít bị ảnh hưởng của nhiễu.

Ý nghĩa thực tiễn

Kiểm chứng được khả năng ứng dụng thực tế của giải thuật điều khiển giám sát RFNN-PID để điều khiển hệ thống phi tuyến được đề xuất bằng các công cụ tính toán mềm và thực nghiệm trên mô hình hệ phi tuyến thật là điều khiển bám quỹ đạo vòng kín robot Delta 3-DOF và hệ ổn định lưu lượng RT020 của Đức.

Những đóng góp của luận án về mặt khoa học

Về mặt lý thuyết

- Xây dựng được giải thuật điều khiển thích nghi mạng nơ-ron trên cơ sở bộ nhận dạng mạng nơ-ron mờ hồi quy SNA-PID để điều khiển hệ phi tuyến bám theo quỹ đạo đặt trước

- Xây dựng được giải thuật điều khiển giám sát (Supervisory Control) bằng cách sử dụng mạng nơ-ron mờ hồi quy RFNNC kết hợp với bộ điều khiển PID để điều khiển hệ phi tuyến bám theo quỹ đạo đặt trước

- Đánh giá và lựa chọn cấu trúc mạng nơ-ron mờ hồi quy thích hợp trong điều khiển hệ phi tuyến

- Xây dựng được bộ nhận dạng mạng nơ-ron mờ hồi quy RFNNI, để nhận dạng hệ phi tuyến hồi về bộ điều khiển mạng nơ-ron mờ hồi quy nhằm điều khiển tự chỉnh thích nghi với bộ điều khiển PID.

Về mặt thực tiễn

- Mô phỏng bộ điều khiển FUZZY-PID, GA-PID và SNA-PID để điều khiển hệ thống phi tuyến bám theo quỹ đạo đặt trước đạt các chỉ tiêu chất lượng

- Mô phỏng bộ điều khiển giám sát (Supervisory Control) bằng cách sử dụng mạng nơ-ron mờ hồi quy RFNNC, kết hợp với bộ điều khiển PID để điều khiển hệ phi tuyến bám theo quỹ đạo đặt trước đạt các chỉ tiêu chất lượng

- Cải thiện chất lượng bộ điều khiển giám sát bằng cách sử dụng bộ nhận dạng mạng nơ-ron mờ hồi quy RFNNI, để nhận dạng hệ phi tuyến hồi về bộ điều khiển mạng nơ-ron mờ hồi quy nhằm điều khiển tự chỉnh thích nghi với bộ điều khiển PID làm nhiệm vụ tạo ra điện áp ban đầu lớn để quay các cánh tay của hệ phi tuyến bám theo quỹ đạo đặt trước

- Ứng dụng thực nghiệm trên mô hình hệ phi tuyến thật là điều khiển robot Delta 3-DOF, bám theo quỹ đạo đường tròn và quỹ đạo đường số 8

- Ứng dụng thực nghiệm trên mô hình hệ phi tuyến thật là điều khiển hệ ổn định lưu lượng chất lỏng RT020.

Bố cục của luận án

Luận án được tổ chức bao gồm phần tổng quan, 3 chương nội dung nghiên cứu và phần kết luận, cụ thể như sau:

Nội dung chính của phần này là trình bày lý do thực hiện luận án; mục tiêu; các phương pháp nghiên cứu; đối tượng và phạm vi nghiên cứu cũng như ý nghĩa và những đóng góp của luận án.

ĐIỀU KHIỂN PID THÍCH NGHI DỰA TRÊN MẠNG NƠ-RON MỜ HỒI QUY ĐỂ ĐIỀU KHIỂN HỆ PHI TUYẾN

Giới thiệu

Đối tượng điều khiển trong luận án là hệ thống phi tuyến, vốn được sử dụng nhiều trong ứng dụng thực tế Sự phức tạp trong điều khiển hệ phi tuyến đã thách thức các nhà nghiên cứu đưa ra các thủ tục thiết kế có hệ thống, để đáp ứng các yêu cầu về mục tiêu điều khiển [34] Khi làm việc với một ứng dụng cụ thể, người thiết kế cần thực hiện công cụ phù hợp nhất cho bài toán Để điều khiển hệ phi tuyến, các công cụ cơ bản được sử dụng bao gồm: điều khiển tuyến tính hóa hồi tiếp, điều khiển trượt, kỹ thuật cuốn chiếu, điều khiển thích nghi, điều khiển mờ FUZZY-PID, điều khiển sử dụng giải thuật di truyền GA-PID, điều khiển PID thích nghi mạng nơ-ron, mạng nơ-ron RBF và mạng nơ-ron mờ hồi quy Trong đó nổi bật là bộ điều khiển thông minh dựa trên mạng nơ-ron mờ hồi quy, đây là một trong các phương pháp điều khiển hiệu quả hệ phi tuyến với ưu điểm là tính ổn định bền vững ngay cả khi hệ thống nhiễu hoặc thông số của mô hình thay đổi theo thời gian [33], [34], [35] Tuy nhiên, đối với biên độ của luật điều khiển thông minh nếu không được lựa chọn phù hợp sẽ gây ra hiện tượng dao động, rất khó cập nhật các trọng số bộ điều khiển và sẽ gây ra lỗi trong quá trình cập nhật các trọng số bộ điều khiển Để giải quyết khó khăn trên, mạng nơ-ron mờ hồi quy được sử dụng để ước lượng các trọng số kết nối của nơ-ron và cập nhật trực tuyến các trọng số đó trong quá trình điều khiển được tính toán dựa trên phương pháp Gradient Descent [34] Mạng nơ-ron mờ hồi quy, đóng vai trò như một bộ điều khiển ước lượng các trọng số của bộ điều khiển PID thích nghi mạng nơ-ron Các trọng số của mạng được cập nhật trực tuyến, dựa trên các tín hiệu ở ngõ vào và ngõ ra của mô hình hệ phi tuyến

Chương này trình bày phương pháp thiết kế bộ điều khiển PID thích nghi mạng nơ- ron SNA-PID, để điều khiển bám quỹ đạo hệ phi tuyến MIMO là robot Delta 3-DOF Đây là một loại robot với kết cấu nhẹ và đơn giản, các chuyển động của robot Delta hầu như không tạo ra lực quán tính lớn Điều này tạo ra thế mạnh cực kỳ lớn cho robot Delta: Tốc độ làm việc cực kỳ cao, mang đến năng suất lớn và robot Delta được sử dụng phổ biến trong công việc gắp thả, đóng gói trong các nhà máy vì chúng di chuyển rất nhanh và linh hoạt Bộ điều khiển PID thích nghi mạng nơ-ron SNA-PID, được thiết kế để đảm bảo quỹ đạo thực tế của robot bám theo quỹ đạo đặt trước Mạng nơ-ron mờ hồi quy đóng vai trò như một bộ nhận dạng được huấn luyện trực tuyến, bằng giải thuật Gradient Descent Đồng thời do mô hình trong các bài báo đã công bố rất khó so sánh, vì những mô hình này khác xa với hệ thực nghiệm robot Delta mà nhóm sẽ thiết kế chế tạo Vì vậy, trong chương này tác giả xây dựng thêm một số bộ điều khiển khác: FUZZY-PID và GA-PID để đánh giá chất lượng với bộ điều khiển PID thích nghi mạng nơ-ron SNA-PID Kết quả mô phỏng được kiểm chứng trên MATLAB/Simulink và so sánh, đánh giá kết quả của bộ điều khiển FUZZY-PID, GA-PID so với bộ điều khiển điều khiển PID thích nghi mạng nơ-ron SNA-PID thông qua các chỉ tiêu chất lượng của hệ vòng kín.

Sơ lược tình hình nghiên cứu

Ngày nay, bộ điều khiển PID được ứng dụng rất phổ biến trong điều khiển các quá trình công nghiệp, do khả năng điều khiển hiệu quả, cấu trúc đơn giản và phạm vi ứng dụng rộng [36] Trong lý thuyết điều khiển, có rất nhiều phương pháp để hiệu chỉnh thông số của bộ điều khiển PID, phổ biến nhất là phương pháp Ziegler- Nichols [37], đối với một số hệ thống, việc hiệu chỉnh bộ điều khiển PID bằng phương pháp này đòi hỏi một quá trình thực nghiệm khá mất thời gian [38] Thông thường, các thông số của bộ điều khiển được xác lập bằng phương pháp Ziegler-Nichols dựa trên kết quả đo đạc được từ đáp ứng của hệ thống

Tuy nhiên, do ảnh hưởng của nhiễu và sai số của phép đo, dẫn đến việc hiệu chỉnh thông số của bộ điều khiển PID khó đạt được giá trị tốt [39] Vì vậy, một quá trình tinh chỉnh được thực hiện trước khi áp dụng bộ điều khiển vào hệ thống [40], [41], [42] Sau đây, tác giả trình bày một số công trình khoa học tiêu biểu liên quan đến nội dung thực hiện chương 2

1.2.1 Tình hình nghiên cứu ở Việt Nam

Trong quá trình phát triển các giải thuật thông minh, mạng nơ-ron nhân tạo tỏ ra hiệu quả trong vai trò xấp xỉ hàm phi tuyến nên được ứng dụng thành công trong việc nhận dạng mô hình của đối tượng Trên cơ sở đó, việc phát triển công cụ nhận dạng không tham số mô hình đối tượng sử dụng mạng nơ-ron mờ hồi quy RFNN cũng được quan tâm Mạng nơ-ron mờ hồi quy RFNN với thuật toán huấn luyện trực tuyến đang là một công cụ mạnh được sử dụng để thiết kế các bộ điều khiển thông minh Ngoài ra, với khả năng tự học trực tuyến mạng nơ-ron hoàn toàn phù hợp trong việc ứng dụng để tự chỉnh các thông số bộ điều khiển PID

Năm 2011, tác giả Nguyễn Chí Ngôn và cộng sự [34] đã ứng dụng mạng nơ-ron mờ hồi quy RFNN để nhận dạng và điều khiển đối tượng phi tuyến đáp ứng của đối tượng sẽ được ước lượng bằng một bộ nhận dạng RFNN Từ đó, độ nhạy của đáp ứng của đối tượng đối với tín hiệu điều khiển, còn gọi là thông tin Jacobian, sẽ được ước lượng thông qua bộ nhận dạng RFNN Thông tin Jacobian là cơ sở để tính toán các Gradient của giải thuật cập nhật trực tuyến bộ trọng số của nơ-ron tuyến tính, cấu hình theo nguyên tắc của một bộ điều khiển PID Tức là, thông số của bộ điều khiển PID sẽ được điều chỉnh thích nghi trong quá trình điều khiển nhờ giải thuật huấn luyện trực tuyến mạng nơ-ron nhân tạo Kết quả mô phỏng cho thấy đáp ứng của hệ thống dưới tác động của bộ điều khiển đã xây dựng thỏa mãn yêu cầu điều khiển khắt khe, cụ thể là không xuất hiện vọt lố và triệt tiêu được sai số xác lập với thời gian tăng đạt 0.4±0.1 (s) Ngoài ra còn có một số công trình nghiên cứu về điều khiển mờ, mạng nơ-ron mờ hồi quy và giải thuật di truyền có một số đóng góp nhất định Một số công trình tiêu biểu có thể kể bao gồm: trong [35] Phạm Hữu Đức Dục và Nguyễn Công Hiền, sử dụng bộ điều khiển nơ-ron mờ để ứng dụng điều khiển thích nghi vị trí động cơ một chiều; Huỳnh Thế Hiển, Huỳnh Minh Vũ và Nguyễn Hoàng Dũng đã xây dựng bộ điều khiển PID dựa trên mạng nơ-ron hàm cơ sở xuyên tâm ứng dụng điều khiển cánh tay robot; [42] Võ Lâm Chương và Lê Hoài Quốc, đã xây dựng bộ điều khiển thông minh dựa trên luật ứng xử cho robot tự hành

1.2.2 Tình hình nghiên cứu ngoài nước

Năm 2011, Tác giả Reza Jafari và Rached Dhaouadi [25], sử dụng mạng nơ-ron hồi quy RNN cũng là nền tảng phát triển mạng RFNN để nhận dạng điều khiển hệ phi tuyến bằng bộ nhận dạng RNN cũng bằng cách ước lượng thông tin Jacobian, để tính toán các Gradient của giải thuật cập nhật trực tuyến bộ thông số của một nơ-ron tuyến tính, cấu hình theo nguyên tắc của bộ điều khiển PID Kết quả cho thấy, khi sử dụng bộ nhận dạng để cập nhật thông tin Jacobian là trọng số cho mạng nơ-ron PID, thì kết quả nhận được đáp ứng điều khiển tốt hơn nhiều so với đáp ứng điều khiển không có cập nhật thông số Jacobian thay đổi trọng số PID cho mạng nơ-ron

Ngoài ra, còn có những nghiên cứu khác có hướng kết hợp sử dụng một mạng nơ-ron hồi quy, để thực hiện suy diễn mờ được biết dưới tên mạng nơ-ron mờ hồi quy và đã đạt được những thành công nhất định [43], [44].

Mục tiêu

Chương 2 được thực hiện với những mục tiêu tổng quát là xây dựng phương trình chuyển động của robot và xây dựng 3 bộ điều khiển áp dụng điều khiển bám quỹ đạo robot và đánh giá chất lượng điều khiển bao gồm những nội dung cụ thể như sau:

- Mô hình hóa đối tượng phi tuyến MIMO là robot Delta 3-DOF

- Xây dựng bộ điều khiển FUZZY-PID để đánh giá khả năng điều khiển bám quỹ đạo, mô hình động lực học của robot Delta 3-DOF

- Xây dựng bộ điều khiển GA-PID để đánh giá khả năng điều khiển bám quỹ đạo, mô hình động lực học của robot Delta 3-DOF

- Xây dựng bộ điều khiển PID thích nghi mạng nơ-ron (SNA-PID), để đánh giá khả năng điều khiển bám quỹ đạo mô hình động lực học của robot Delta 3-DOF

- Cải thiện chất lượng điều khiển bằng cách sử dụng mạng nơ-ron mờ hồi quy (RFNNI), làm bộ nhận dạng ngõ ra của hệ được huấn luyện trực tuyến bằng giải thuật Gradient Descent, để hồi tiếp về thông số Jacobian điều chỉnh trực tuyến các thông số của bộ điều khiển PID thích nghi mạng nơ-ron

- Giải thuật điều khiển nghiên cứu được áp dụng điều khiển bám quỹ đạo robot Delta 3-DOF trên phần mềm MATLAB/Simulink

- Đánh giá chất lượng các bộ điều khiển đã xây dựng thông qua các chỉ tiêu chất lượng như độ vọt lố, thời gian tăng và thời gian xác lập.

Mô hình hóa đối tượng phi tuyến MIMO-robot Delta 3-DOF

Nghiên cứu về robot Delta 3-DOF do Murray [45] thực hiện, đã chứng minh phương trình động lực của robot Delta song song, tương tự như các phương trình động lực học của robot chuỗi Do đó, hầu hết các thuật toán điều khiển robot chuỗi có thể áp dụng cho các robot Delta song song Tuy nhiên, những phương pháp đặc trưng mà có thể sử dụng để tận dụng những lợi thế cụ thể của robot Delta song song chưa được giải quyết thỏa đáng Một trong những nỗ lực đầu tiên thực hiện điều này là Nakamura [46], người đã sử dụng các tọa độ dư dẫn động để tối ưu các hàm mục tiêu Các vấn đề động học, động lực học của hệ nhiều vật có cấu trúc mạch vòng được tác giả Nguyễn Văn

Khang đề cập trong [47], [48] Trong các tài liệu này, tác giả Nguyễn Văn Khang đưa ra cách thức thiết lập các phương trình động lực học của hệ nhiều vật, có cấu trúc cây bằng các phương trình Lagrange loại 2 [49] Với các robot song song, tác giả Nguyễn Văn Khang sử dụng phương pháp tách cấu trúc và phương pháp Lagrange dạng nhân tử [50] để thiết lập phương trình chuyển động của robot Vì vậy, việc xây dựng và mô hình hóa đối tượng phi tuyến MIMO-robot Delta 3-DOF là bài toán không đơn giản

Dưới đây, tác giả sẽ trình bày việc mô hình hóa và xây dựng mô hình động lực học chuyển động, cho loại robot Delta 3-DOF không gian RUS Tuy nhiên, điều cần lưu ý là trong robot Delta 3-DOF có sử dụng khớp Cardan và khớp cầu, để mô hình hóa khớp nối các khâu Chính vì vậy, mà việc thiết lập các phương trình chuyển động của robot Delta 3-DOF là bài toán khá phức tạp

1.4.1 Mô hình động học của robot Delta 3-DOF

Mô hình tối ưu nhất cho robot Delta 3-DOF, là một hệ thống các cơ cấu cứng được kết nối bằng các khớp Các cơ cấu hình bình hành kết nối các liên kết dẫn động với nền tảng di động, được mô phỏng như các thanh đồng nhất với các khớp phổ quát và hình cầu ở hai đầu Bằng cách sử dụng mô hình này, robot Delta được coi như một hệ thống đa cơ thể với bảy cơ thể: ba chân mỗi chân có hai liên kết và nền di động Cấu tạo và mô hình của robot được trình bày như Hình 1.1 và tham khảo [51], [52], [53]

Cấu tạo của robot bao gồm các phần như sau:

Bàn máy cố định A, bàn máy động B

Ba khâu chủ động A 1 B 1 , A 2 B 2 , A 3 B 3 liên kết với bàn máy cố định bằng các khớp quay và được dẫn động bởi 3 động cơ, các động cơ này gắn chặt với bàn máy cố định

Ba khâu bị động B 1 D 1 , B 2 D 2 , B 3 D 3 , mỗi khâu là một cấu trúc hình bình hành

Hình 1.1a: Cấu tạo robot song song Delta không gian 3-DOF

Hình 1.1b: Mô hình toán của robot song song Delta không gian 3-DOF Hình 1.1: Cấu tạo và mô hình của robot

Nhờ tính chất của các khâu hình bình hành, nên bàn máy động là một vật rắn chuyển động tịnh tiến trong không gian Như vậy, robot Delta có 3 bậc tự do xác định bởi 3 tọa độ góc  1 , 2 , 3 trong không gian khớp

1.4.2 Xây dựng mô hình động lực học chuyển động robot Delta 3-DOF không gian 3RUS

Từ cấu tạo của robot Delta như Hình 1, ta thấy có các khâu hình bình hành nên việc tính toán động học trực tiếp trên robot là khá phức tạp Để đơn giản ta xây dựng mô hình động lực học của robot dựa trên mô hình robot thật, nghĩa là ta thay thế các khâu hình bình hành bằng một thanh có chiều dài bằng chiều dài khâu hình bình hành [54], [55] Các thanh này một đầu được nối với các khâu dẫn động của robot, bằng các khớp Cardan tại B i và đầu còn lại được nối với bàn máy động bằng các khớp cầu D i như Hình 1.2 và 1.3

Hình 1.2: Mô hình động lực học robot Hình 1.3: Tọa độ suy rộng định vị

Từ mô hình động lực học của robot ta xây dựng các hệ tọa độ khảo sát như sau: chọn hệ tọa độ cố định Ox 0 y 0 z 0 gắn với bàn máy cố định, với gốc O là tâm bàn máy cố định

Trục Oz 0 hướng thẳng đứng lên trên, trục Ox 0 đi qua A 1 (tâm động cơ dẫn động) của chân 1, trục Oy 0 được chọn sao cho hệ Ox 0 y 0 z 0 thuận

Chọn lần lượt 3 hệ trục tọa độ cố định Ox i y i z i (i=1, 2, 3), để khảo sát các chân

Trong đó trục Oz i trùng với Oz 0 , trục Ox i đi qua điểm A i , trục Oy i được chọn sao cho hệ trục Ox i y i z i thuận

Như vậy, cùng với hệ tọa độ cố định Ox 0 y 0 z 0 ban đầu kí hiệu là (R 0), ta có thêm

3 hệ tọa độ cố định Ox i y i z i (i=1, 2, 3) kí hiệu là (R 0 ), ( R 0 ), ( R 0) Như vậy, các hệ

(R 0 ), (R 0), ( R 0) được tạo ra khi quay hệ (R 0 ) quanh trục Oz 0 một góc α1 (trong đó α1 lần lượt là 0 0 , 120 0 , 240 0 )

1.4.2.1 Phân tích chuyển động các khâu của robot Delta

Từ Hình 1.2 và 1.3 ta thấy: robot có tất cả bảy khâu chuyển động bao gồm: Ba khâu dẫn động A 1 B 1 , A 2 B 2 , A 3 B 3 là các thanh có chiều dài L 1 chuyển động quay quanh trục vuông góc với mặt phẳng (Ox i z i ) tại A i Khi khảo sát chuyển động các khâu này, ta sử dụng các tọa độ góc  1 ,  2 ,3, tương ứng Hình 1.2 Bàn máy động B là một vật rắn, chuyển động tịnh tiến trong không gian

Do vậy, để khảo sát chuyển động của bàn máy động ta chỉ cần khảo sát tọa độ của tâm của bàn máy chuyển động P Tọa độ điểm P có trong hệ (Rp) là: x P , y P , z P Việc xác định vị trí khâu B 1 D 1 , B 2 D 2 , B 3 D 3 tương đối phức tạp Trước hết, ta xét khâu B 1 D 1 Tại B1 ta dựng hệ tọa độ B 1 x 0 y 0 z 0  như sau: Trục B 1 x 0  // Ox, B 1 y 0  // Oy,

B 1 z 0  // Oz Bài toán đặt ra là: Xác định vị trí khâu B 1 D 1 của robot song song Delta 3RUS trong hệ quy chiếu B 1 x 0 y 0 z 0  Giả sử giao của hai mặt phẳng (z 0 B 1 x 0 ) và (y 0 B1D1) là đường B 1 K Ta gọi B 1 K là đường nút Ký hiệu góc giữa trục B 1 x 0  và B 1 K là  1 , góc giữa trục B 1 K và B 1 D 1 là 1 Do trục B 1 y 0  vuông góc với mặt phẳng (z 0 B 1 x 0 ) mà B 1 K lại nằm trong mặt phẳng (z 0  B 1 x 0 ) nên B 1 y 0 ⊥ B 1 K 1 Quay hệ B 1 x 0 y 0 z 0  quanh trục B 1 y 0  một góc  1

Do trục B 1 z 1 vuông góc với mặt phẳng (B 1 y 1 x 1 ) mà B 1 D 1 lại nằm trong mặt phẳng (B 1 y 1 x 1 ) nên B 1 z 1 ⊥ B 1 D 1 Quay hệ B 1 x 1 y 1 z 1 quanh trục B 1 z 1 một góc  1 ta được

Kết luận: Vị trí khâu B 1 D 1 trong hệ B 1 x 0 y 0 z 0  xác định bởi hai góc  1 và  1 Tương tự như vậy vị trí các khâu B 2 D 2 và B 3 D 3 được xác định bởi các cặp góc

1.4.2.2 Mô hình toán chuyển động của robot Delta 3-DOF

Tác giả xây dựng mô hình toán chuyển động của robot dựa trên mô hình động học mà ta đã xây dựng từ mô hình robot Delta 3-DOF thật [56] Với mô hình động học đó thì mỗi khâu hình bình hành được mô hình bằng một thanh, từ đó tác giả xây dựng được 2 mô hình động lực học như Hình 1.4 và Hình 1.5

Mô hình 1: Khâu hình bình hành được mô hình bằng một thanh có khối lượng phân bố đều trên toàn chiều dài thanh như Hình 1.4 Khối lượng và chiều dài thanh tương ứng bằng khối lượng và chiều dài khâu hình bình hành

Mô hình 2: Khâu hình bình hành được mô hình bằng một thanh có khối lượng tập trung ở hai đầu, khối lượng mỗi đầu thanh bằng ẵ khối lượng khõu hỡnh bỡnh hành như Hình 1.5

So sánh hai mô hình động lực học của robot Delta 3-DOF mà tác giả xây dựng, với robot Delta thật, ta thấy mô hình 1 phức tạp hơn mô hình 2 Vì vậy, tác giả chọn phương án thiết lập phương trình chuyển động cho mô hình 2 và thực nghiệm trên robot Delta 3-DOF mô hình 1 [56], [57], [58]

➢ Thiết lập phương trình chuyển động của robot Delta 3-DOF không gian 3RUS trên mô hình 2

Điều khiển bám quỹ đạo robot sử dụng bộ điều khiển FUZZY-PID

1.5.1 Thiết kế bộ điều khiển FUZZY-PID cho robot Delta 3-DOF

Như đã đề cập ở các chuyên đề trước, tối ưu bộ điều khiển PID trong việc điều khiển hệ phi tuyến thật robot Delta, là một bài toán không đơn giản Thế nên ở phần này, tác giả đề xuất thêm bộ điều khiển FUZZY-PID để so sánh, đánh giá chất lượng điều khiển của cả hệ phi tuyến trên cùng mô hình robot Delta 3-DOF Điều khiển PID tự điều chỉnh mờ dựa trên bộ điều khiển PID và sử dụng các quy tắc suy luận mờ, để làm cho các tham số của bộ điều khiển PID tự chỉnh định dựa trên

Delta robot sai lệch e(t) và đạo hàm de(t) Mục đích chính của giải thuật này, chính là tìm ra các giá trị Kp, Kd, Ki tối ưu thỏa mãn mô hình toán của bộ điều khiển PID [59] Nguyên tắc này được minh họa trong Hình 1.7

Hình 1.7: Sơ đồ điều khiển dùng thuật toán FUZZY-PID

Trên Hình 1.7, các biến đầu vào của bộ điều khiển mờ là sai lệch e(t) giữa vị trí quỹ đạo mong muốn và vị trí quỹ đạo thực tế và đạo hàm de(t) Trong khi đầu ra của hệ thống điều khiển mờ chính là các tham số chỉnh định cho PID tương ứng với

Đồng thời K e , K et , là các hệ số tiền xử lí và hậu xử lí cho bộ điều khiển FUZZY-PID để thuận tiện cho việc thiết kế và chỉnh định Ngõ ra của bộ điều khiển PID cũng chính là ngõ ra của bộ điều khiển FUZZY-PID Các tham số cuối cùng của FUZZY-PID được tính theo công thức (1.29) dựa vào tài liệu [13] như sau:

: giá trị ban đầu của bộ điều khiển PID

: giá trị đầu ra của bộ điều khiển FUZZY

: tham số chỉnh định tối ưu mong muốn cuối cùng

Việc xây dựng các hàm liên thuộc, các khoảng giá trị của biến vật lí và biến ngôn ngữ dựa trên kinh nghiệm chỉnh định tham khảo [60] e(t) và de(t)={âm nhiều, âm vừa, âm ít, zero, dương ít, dương vừa, dương nhiều} e(t) và de(t)={NB, NM, NS, ZO, PS, PM, PB}

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

   ={NB, NM, NS, ZO, PS, PM, PB}

Các tập mờ cho các hệ số đầu vào e(t) và de(t) được trình bày trong Hình 1.8, ngõ ra các hệ số và cấu trúc của bộ điều khiển mờ, được tác giả sử dụng mô hình Mamdani được minh họa trong Hình 1.9

Hình 1.8: Tập mờ cho biến vào e(t), de(t)

Hình 1.9: Ngõ ra các hệ số và cấu trúc bộ điều khiển mờ Các luật hợp thành hệ số e(t), de(t) và được trình bày trong Bảng 1.1 Bảng 1.1: Chi tiết các luật hợp thành mờ các hệ số e(t), de(t) và

NB NM NS ZO PS PM PB de(t)

NB PB/PS/NB PS/PS/NB NB/PM/NM NM/PM/NM NB/ZO/NS NM/ZO/ZO PS/ZO/ZO

NM PB/PS/NB PB/PB/NB NB/PM/NM NM/PS/NS NM/ZO/NS NS/ZO/ZO ZO/NS/ZO

NS ZO/PM/NB NS/PM/NM NM/PM/NS NM/ZO/NS NS/NS/ZO NS/NS/PS ZO/NS/PS

ZO ZO/PM/NB NS/PM/NB NS/PS/NS NS/NS/ZO NS/NM/PS NS/NM/PM ZO/NM/PM

PS ZO/PS/NM ZO/PS/NM ZO/ZO/ZO ZO/NS/PS ZO/NM/PS ZO/NM/PM ZO/NM/PB

PM PB/PS/NS NS/ZO/NS PS/NS/PS PS/NM/PS PS/NM/PM PS/NM/PB PB/NB/PB

PB PB/ZO/ZO PM/ZO/ZO PM/NM/PS PM/NM/PM PS/NB/PM PS/NB/PB PB/NB/PB

Nguyên tắc chung để tìm ra các giá trị mong muốn, là bắt đầu với các giá trị tham khảo theo [61] trên cùng mô hình robot Delta, sau đó dựa vào đáp ứng và thay đổi dần Ảnh hưởng của các tham số PID tác động lên chất lượng điều khiển [10], là cơ sở để xây dựng luật mờ Để rút ngắn thời gian, ta cần chọn tín hiệu điều khiển mạnh, do vậy chọn: K p lớn, K D nhỏ và K i lớn; để tránh vọt lố lớn khi đáp ứng gần đạt đến giá trị tham khảo, chọn K p nhỏ, K D lớn và K I nhỏ

1.5.2 Kết quả mô phỏng và đánh giá

Các thông số kỹ thuật của robot Delta 3-DOF thật mà nhóm tác giả đã thiết kế trên phần mềm Solidwords [62], [63] và gia công các thông số cơ khí như: tấm nền cố định, tay trên, tay dưới và tấm chuyển động được trình bày như Bảng 1.2

Bảng 1.2: Các thông số bản vẽ kỹ thuật của robot Delta 3-DOF

1/2/3 so với Ox của tấm cố định

Khối lượng của 3 tay trên

Khối lượng của 3 tay dưới

Khối lượng tấm chuyển động

Chiều dài tam giác đều đĩa nền trên/ dưới

Bán kính tấm nền cố định/ chuyển động

Chiều dài chân trên/ dưới

Vị trí ban đầu của tấm chuyển động P

Các tham số của 3 bộ điều khiển PID dùng điều khiển 3 cánh tay của robot Delta, được chọn theo [61] như ma trận (1.30), để so sánh kết quả trên cùng mô hình robot:

K I = diag (150,150,150) Các tham số của giải thuật FUZZY, được chọn lựa và mô tả như Bảng 1.3

Bảng 1.3: Các tham số của giải thuật FUZZY tham khảo trong [13], [60]

Sơ đồ điều khiển FUZZY-PID mà tác giả đã xây dựng trong MATLAB/Simulink, được trình bày từ Hình 1.10 cho đến Hình 1.12

Hình 1.10: Bộ điều khiển FUZZY-PID xây dựng trong MATLAB/Simulink

Hình 1.11: Cấu trúc bên trong của bộ FUZZY-PID

Hình 1.12: Sơ đồ mô tả chi tiết các tham số của bộ điều khiển FUZZY-PID

Với các sơ đồ mô phỏng được trình bày ở các Hình 1.10 đến 1.12 và các thông số của robot Delta 3-DOF được trình bày ở Bảng 1.2, ta thu được một số kết quả ứng với tín hiệu tham khảo Đó là các quỹ đạo khác nhau để đánh giá chất lượng điều khiển, các tín hiệu vào và tín hiệu ra tương ứng của hệ thống được vẽ trên cùng một đồ thị, để so sánh trực quan chất lượng các bộ điều khiển

Quỹ đạo tham chiếu đầu tiên là đường tròn, được mô tả bởi phương trình (1.31):

Hình 1.13 và 1.14 lần lượt trình bày đáp ứng các góc theta và tín hiệu điều khiển chính là các lực đưa vào mô hình robot Delta 3-DOF Đáp ứng quỹ đạo ngõ ra của bộ điều khiển FUZZY-PID bám theo tín hiệu tham chiếu được trình bày như Hình 1.15

Hình 1.13: Đáp ứng các góc theta với quỹ đạo đường tròn

Hình 1.14: Tín hiệu điều khiển với quỹ đạo đường tròn

Hình 1.15: Đáp ứng quỹ đạo đường tròn Khi tăng khả năng mang tải của robot Delta lên 1.5 kg, ta có đáp ứng quỹ đạo ngõ ra của robot Delta 3-DOF như Hình 1.16

Hình 1.16: Đáp ứng quỹ đạo đường tròn khi robot mang tải thêm 1.5 kg

Quỹ đạo thứ hai là đường cong số 8 được mô tả bởi phương trình (1.32): x(t) =0.15*sin(2 t)+0.2 y(t) = 0.15*sin(2 t)*cos(2 t)+0.3 z = -0.7 ( )m

Hình 1.17 và 1.18 lần lượt trình bày đáp ứng các góc theta và tín hiệu điều khiển chính là các lực đưa vào mô hình robot Delta 3-DOF Đáp ứng quỹ đạo ngõ ra của bộ điều khiển FUZZY-PID bám theo tín hiệu tham chiếu như được trình bày Hình 1.19

Hình 1.17: Đáp ứng các góc theta với quỹ đạo đường cong số 8

Hình 1.18: Tín hiệu điều khiển với quỹ đạo đường cong số 8

Hình 1.19: Đáp ứng quỹ đạo đường cong số 8 Khi tăng khả năng mang tải của robot Delta lên 1.5 kg, ta có đáp ứng quỹ đạo ngõ ra của robot Delta 3-DOF như Hình 1.20

Điều khiển bám quỹ đạo robot Delta sử dụng giải thuật di truyền

1.6.1 Thiết kế giải thuật GA-PID cho robot Delta 3-DOF

Giải thuật Z-N được áp dụng để xác định ba thông số của bộ điều khiển PID Ba thông số này là cơ sở để giới hạn không gian tìm kiếm của giải thuật di truyền Nhiệm

Sai số xác lập (rad) PID 5.87 9.5248 0.0186

Bảng 1.4: So sánh các chỉ tiêu chất lượng hệ thống PID và FUZZY-PID vụ của giải thuật di truyền là chọn lọc bộ ba {Kp, Kd, Ki} tối ưu cho bộ điều khiển PID, thỏa mãn hàm mục tiêu IAE được trình bày trong sơ đồ Hình 1.29

Hình 1.29: Mô hình bộ điều khiển GA-PID

1.6.2 Lưu đồ giải thuật di truyền

Giải thuật di truyền được hỗ trợ bởi phần mềm MATLAB và được trình bày chi tiết trong các tài liệu tham khảo [14], [65], [66] Giải thuật di truyền được sử dụng như một công cụ để giải bài toán tối ưu, nhằm tìm được các giá trị {Kp_opt, Kd_ opt, Ki_ opt} thỏa mãn hàm mục tiêu của giải thuật di truyền trong (1.36) với không gian tìm kiếm được giới hạn bởi (1.37) được trình bày với lưu đồ giải thuật Hình 1.30

Hình 1.30: Lưu đồ giải thuật di truyền để xác định thông số bộ điều khiển PID Trong giải thuật di truyền thì mỗi phần tử sẽ chứa 3 tham số K P , K i và K D từ đó ta xây dựng các bước của lưu đồ giải thuật điều khiển GA-PID

Step 1: Khởi tạo quần thể ngẫu nhiên ban đầu gồm K P , Ki và K D

Step 2: Thiết lập PID và mô phỏng hệ vòng kín để xác định sai số e(t)

Step 3: Ước lượng giá trị hàm mục tiêu

Step 4: Kiểm tra hội tụ

Step 4.1: Nếu đã hội tụ thì lưu giá trị các K P-opt , K i-opt , K D-opt , kết thúc vòng lặp

Step 4.2: Nếu chưa hội tụ

Step 5: Sinh thế hệ mới

Step 6: Lặp lại bước 2 cho đến khi hội tụ

Giải thuật di truyền được xác định bởi (1.36), (1.37) sẽ tiến hành tối ưu hóa dựa theo tiêu chuẩn tích phân trị tuyệt đối biên độ sai số (1.35) tham khảo trong [15], [16],

=  (1.35) trong đó e t ( ) = theta i (1,2,3) ref − theta i (1,2,3) act

Giải thuật di truyền được áp dụng là tìm kiếm các giá trị {Kp_opt, Kd_opt,

Ki_opt} tối ưu của bộ điều khiển PID, mà ở đó các hàm J đạt giá trị cực tiểu Vì vậy hàm mục tiêu của giải thuật di truyền là

Nhằm giới hạn không gian tìm kiếm của giải thuật di truyền, ta giả thiết các giá trị tối ưu {Kp_opt, Kd_opt, Ki_opt} nằm xung quanh giá trị {Kp_ Z-N , Kd_ Z-N , Ki_ Z-N } đạt được từ giải thuật Z-N Các giới hạn tìm kiếm tương ứng cho ba thông số của bộ điều khiển PID như sau:

(1.37) Trong đó, các hệ số α và β được chọn sao cho không gian tìm kiếm đủ rộng để chứa được giá trị tối ưu

Kết quả mô phỏng sẽ thực nghiệm trên 2 quỹ đạo khác nhau, để đánh giá tính ổn định của hai bộ điều khiển được trình bày trong sơ đồ Hình 1.31

Hình 1.31: Bộ điều khiển GA-PID xây dựng trong MATLAB/Simulink

Trong sơ đồ Hình 1.31 gồm hai bộ điều khiển là bộ điều khiển PID với các thông số tham khảo từ [61] và bộ điều khiển GA-PID mà tác giả đã xây dựng, để so sánh đánh giá chất lượng của hai bộ điều khiển trên cùng một mô hình robot Delta 3-DOF

1.6.3.1 Thông số mô phỏng Đối tượng điều khiển là robot Delta 3-DOF với các thông số kỹ thuật được trình bày trong Bảng 1.2 trong mục 1.5.2.1 ở trên

Các tham số của 3 bộ điều khiển PID để điều khiển 3 cánh tay robot Delta 3-DOF được chọn trên cùng mô hình robot [61] với công thức (1.38):

Các tham số của giải thuật GA mà tác giả đã xây dựng được chọn như Bảng 1.5

Bảng 1.5: Các tham số giải thuật di truyền

Số cá thể trong quần thể 40

Số nhiễm sắc thể trong cá thể 9

Số gen trong nhiễm sắc thể 10

Số thế hệ tối đa 100 α 0,02 β 50

Quỹ đạo tham chiếu đầu tiên là đường tròn được mô tả bởi phương trình (1.39): x(t) = 0.17*sin(2 t) +0.3 y(t) = 0.17*sin(2 t)*cos(2 t) +0.2 z = -0.7 ( )m

Kết quả chạy mô phỏng bộ điều khiển GA được trình bày trong video [67], [68] và đạt các kết quả sau:

Hình 1.32: Đáp ứng các góc với quỹ đạo đường tròn

Hình 1.33: Tín hiệu điều khiển với quỹ đạo đường tròn

Hình 1.34: Đáp ứng quỹ đạo đường tròn

Hình 1.35: Đáp ứng quỹ đạo đường tròn khi robot Delta mang tải thêm 0.6 kg Quỹ đạo thứ hai là đường Astroid được mô tả bởi phương trình (1.40) sau: x(t) = 0.17*cos(t)* cos(t)*cos(t)+0.3 y(t) = 0.17*sin(t)*sin(t)*sin(t) +0.2 z = -0.7 ( )m

Hình 1.36: Đáp ứng các góc với quỹ đạo Astroid

Hình 1.37: Tín hiệu điều khiển với quỹ đạo Astroid

Hình 1.38: Đáp ứng quỹ đạo Astroid

Hình 1.39: Đáp ứng quỹ đạo Astroid khi robot Delta mang tải thêm 0.6 kg

Sau khi tiến hành cải tiến bộ điều khiển PID sử dụng giải thuật di truyền, sau 40 thế hệ bộ điều khiển này được áp dụng cho mô hình điều khiển hồi tiếp âm đơn vị như hình 1.29 Các tín hiệu vào và tín hiệu ra tương ứng của hệ thống được vẽ trên cùng đồ thị để so sánh trực quan chất lượng các bộ điều khiển

Kết quả mô phỏng cho thấy rằng đáp ứng của thuật toán GA tốt hơn so với bộ điều khiển PID, với thời gian xác lập là 0.5 (s) và vọt lố nhỏ khoảng 3.14 (%) Chỉ tiêu chất lượng được trình bày trong Bảng 1.6

Bảng 1.6: So sánh các chỉ tiêu chất lượng hệ thống PID và GA

Tiêu chuẩn chất lượng PID GA

Các góc  1act  2act  3act  1act  2act  3act

Sai số xác lập (rad)

Phương pháp tìm kiếm giá trị tối ưu của bộ điều khiển PID bằng giải thuật di truyền, thỏa mãn tiêu chuẩn IAE dựa trên các giá trị khởi điểm xác định bởi giải thuật Z-N Ưu điểm lớn của phương pháp này là thiết kế được bộ điều khiển tối ưu, để điều khiển trên các mô hình toán của đối tượng điều khiển khác nhau Bởi vì, trong quá trình thiết kế, các giải thuật di truyền chỉ dựa trên các tín hiệu vào ra đo đạc được từ hệ thống Tuy nhiên, nhược điểm của phương pháp này là phải chạy rất nhiều vòng hồi tiếp âm đơn vị, để xác định giá trị hàm mục tiêu trong quá trình áp dụng giải thuật di truyền Trong thực tế, điều này không phải lúc nào cũng được phép Ngoài ra, để có thể ứng dụng được trong thực tiễn, thì hệ thống cần được trang bị thêm các thiết bị đo đạc tín hiệu Khi đó, việc thiết kế bộ điều khiển thời gian thực trở nên khả thi cho nhiều đối tượng, bằng cách kết nối máy tính vào các thiết bị đo đạc này.

Điều khiển bám quỹ đạo robot Delta sử dụng bộ điều khiển PID thích nghi dựa trên cơ sở bộ nhận dạng mạng nơ-ron mờ hồi quy

1.7.1 Cơ sở lý thuyết điều khiển PID thích nghi

Ngày nay bộ điều khiển PID được ứng dụng rất phổ biến trong điều khiển các quá trình công nghiệp, do khả năng điều khiển hiệu quả, cấu trúc đơn giản và phạm vi ứng dụng rộng [36] Trong lý thuyết điều khiển, có rất nhiều phương pháp để hiệu chỉnh thông số của bộ điều khiển PID, phổ biến nhất là phương pháp Ziegler-Nichols [37] Tuy nhiên, đối với một số hệ thống, việc hiệu chỉnh bộ điều khiển PID bằng phương pháp này đòi hỏi một quá trình thực nghiệm khá mất thời gian [38] Thông thường, các thông số của bộ điều khiển được xác lập bằng phương pháp Ziegler-Nichols dựa trên kết quả đo đạc được từ đáp ứng của hệ thống

Tuy nhiên, do ảnh hưởng của nhiễu và sai số của phép đo, dẫn đến việc hiệu chỉnh thông số của bộ điều khiển PID khó đạt được giá trị tốt [37] Vì vậy, một quá trình tinh chỉnh được thực hiện [39], [40] trước khi áp dụng bộ điều khiển vào hệ thống [69] Sau đây, tác giả trình bày một số công trình khoa học tiêu biểu liên quan đến nội dung thực hiện bộ điều khiển PID thích nghi

1.7.1.1 Tình hình nghiên cứu ở Việt Nam

Trong quá trình phát triển các giải thuật thông minh, mạng nơ-ron nhân tạo tỏ ra hiệu quả trong vai trò xấp xỉ hàm phi tuyến nên được ứng dụng thành công trong việc nhận dạng mô hình của đối tượng Trên cơ sở đó, việc phát triển công cụ nhận dạng không tham số mô hình đối tượng sử dụng mạng nơ-ron mờ hồi quy RFNN cũng được quan tâm Mạng nơ-ron mờ hồi quy với thuật toán huấn luyện trực tuyến, đang là một công cụ mạnh được sử dụng để thiết kế các bộ điều khiển thông minh Đồng thời khả năng tự học trực tuyến mạng nơ-ron, hoàn toàn phù hợp trong việc ứng dụng để tự chỉnh các thông số bộ điều khiển PID

Nghiên cứu của Nguyễn Chí Ngôn trong [34], tác giả Nguyễn Chí Ngôn và cộng sự đã ứng dụng mạng nơ-ron mờ hồi quy RFNN, để nhận dạng và điều khiển đối tượng phi tuyến đáp ứng của đối tượng sẽ được ước lượng bằng một bộ nhận dạng RFNN Từ đó, độ nhạy đáp ứng của đối tượng đối với tín hiệu điều khiển, còn gọi là thông tin Jacobian, sẽ được ước lượng thông qua bộ nhận dạng RFNN Thông tin Jacobian là cơ sở để tính toán các gradient của giải thuật cập nhật trực tuyến bộ trọng số của một nơ- ron tuyến tính, cấu hình theo nguyên tắc của một bộ điều khiển PID Tức là, thông số của bộ điều khiển PID sẽ được điều chỉnh thích nghi trong quá trình điều khiển, nhờ giải thuật huấn luyện trực tuyến mạng nơ-ron nhân tạo Đồng thời, bộ điều khiển được hiệu chỉnh thông qua mô phỏng trên mô hình hệ thanh và bóng, song song đó cũng được kiểm nghiệm trên hệ ổn định áp suất RT030 của hãng Gunt-Hamburg, Đức Kết quả mô phỏng cho thấy đáp ứng của hệ thống dưới tác động của bộ điều khiển đã xây dựng thỏa mãn yêu cầu điều khiển khắt khe, cụ thể là không xuất hiện vọt lố và triệt tiêu được sai số xác lập với thời gian tăng đạt 0.4±0.1 (s) Ngoài ra, còn có một số công trình nghiên cứu về điều khiển mờ, mạng nơ-ron nhân tạo giải thuật di truyền, đã có một số đóng góp nhất định Một số công trình tiêu biểu có thể kể bao gồm: [35] Nguyễn Công Hiền và Phạm Hữu Đức Dục đã xây dựng bộ điều khiển mạng nơ-ron mờ ứng dụng trong điều khiển thích nghi vị trí động cơ một chiều; trong [41] nghiên cứu của tác giả Nguyễn Hoàng Dũng về ứng dụng mạng nơ-ron dùng hàm cơ sở xuyên tâm (RBFNN), để nhận dạng hệ phi tuyến và chỉnh định thông số PID; trong [42] Lê Hoài Quốc và Võ Lâm Chương, đã xây dựng bộ điều khiển thông minh dựa trên luật ứng xử ứng dụng điều khiển cho robot tự hành

1.7.1.2 Tình hình nghiên cứu ngoài nước

Về nghiên cứu về tối ưu cho bộ điều khiển PID, có các công trình nghiên cứu đã được công bố trên các hội nghị hoặc tạp chí lớn quốc tế ở lĩnh vực ứng dụng mạng nơ- ron, trong việc thiết kế và tối ưu bộ điều khiển PID Trong đó, thông số PID được chỉnh định bằng nhiều giải thuật khác nhau và ứng dụng điều khiển trên nhiều đối tượng phi tuyến khác nhau, kết quả đạt được rất tốt Một số nghiên cứu tiêu biểu đáng chú ý liên quan đến lĩnh vực này gồm:

Các nghiên cứu [24] và [70] đã đưa ra các đề xuất về ứng dụng mạng nơ-ron mờ hồi quy (RFNN) trong việc nhận dạng và sử dụng RFNN với chức năng là một bộ điều khiển cho hệ thống, trong đó: bộ RFNN thứ nhất gọi là RFNNI đóng vai trò nhận dạng đối tượng kiểm tra sự sai khác giữa ngõ ra hệ thống và ngõ ra của bộ nhận dạng RFNNI để trả về thông số Jacobian, bộ RFNN thứ hai gọi là RFNNC đóng vai trò là bộ điều khiển được chỉnh định từ RFNNI để tối ưu ngõ ra điều khiển Cả hai nghiên cứu đã đạt được kết quả rất tốt trong nhận dạng và điều khiển hệ thống với RFNN

Với khả năng tự học trực tuyến mạng nơ-ron [23] hoàn toàn phù hợp trong việc ứng dụng để chỉnh định các thông số của bộ điều khiển PID [71]

Tác giả Reza Jafari và Rached Dhaouadi [25], sử dụng mạng nơ-ron hồi quy RNN (nền tảng phát triển mạng RFNN) cũng để nhận dạng điều khiển hệ phi tuyến bằng bộ nhận dạng RNN cũng bằng cách ước lượng thông tin Jacobian để tính toán các Gradient của giải thuật cập nhật trực tuyến bộ thông số của một nơ-ron tuyến tính, cấu hình theo nguyên tắc của bộ điều khiển PID Kết quả cho thấy, khi sử dụng bộ nhận dạng để cập nhật thông tin Jacobian là trọng số cho mạng nơ-ron PID thì kết quả cho thấy đáp ứng điều khiển tốt hơn nhiều so với đáp ứng điều khiển không có cập nhật Jacobian trọng số cho mạng nơ-ron PID

Những nghiên cứu khác có hướng kết hợp sử dụng một mạng nơ-ron hồi quy [43], [44] để thực hiện suy diễn mờ được biết dưới tên mạng nơ-ron mờ hồi quy (Recurrent Fuzzy Neural Network – RFNN) và đã có những thành công nhất định [72]

Ngoài ra các nghiên cứu [73], [74], [75] đề xuất phương pháp chỉnh định thông số PID dựa trên mạng nơ-ron dùng hàm cơ sở xuyên tâm, với phương pháp dùng RBFNN làm bộ nhận dạng các hệ thống có tính phi tuyến và làm cơ sở chỉnh định các thông số PID trực tuyến, từ đó tối ưu điều khiển cho các hệ thống phi tuyến này

1.7.2 Thiết kế bộ điều khiển PID thích nghi dựa trên cơ sở mạng nơ-ron mờ hồi quy

Hệ thống điều khiển cho cánh tay robot Delta sử dụng bộ điều khiển Single Neural Adaptive PID được trình bày trong Hình 1.40 và tham khảo [52]:

Hình 1.40: Cấu trúc bộ điều khiển PID thích nghi dựa trên mạng nơ-ron mờ hồi quy [52]

Tín hiệu tham chiếu y ref là góc quay của ba cánh tay trên của robot, được gửi đến ba bộ cộng, tạo ra ba tín hiệu sai số e 1 , e 2 , e 3 đến ba bộ điều khiển PID thích nghi mạng nơ-ron Đầu ra của ba bộ điều khiển được đưa vào Tau1, Tau2, Tau3 của robot Delta 3- DOF Đồng thời, ba bộ nhận dạng RFNNI sẽ quan sát ba đầu ra của ba bộ điều khiển PID thích nghi mạng nơ-ron và ba tín hiệu đầu ra y gồm có theta1, theta2, theta3 của robot Delta 3-DOF Mỗi bộ nhận dạng RFNNI sẽ huấn luyện và trả về tham số Jacobian về ba bộ điều khiển PID thích nghi mạng nơ-ron, để cập nhật liên tục các tham số K P ,

K D và K I của ba bộ điều khiển, tín hiệu ra u để điều khiển robot Delta 3-DOF, bám theo tín hiệu tham chiếu y ref , các kết quả đạt được tác giả nghiên cứu công bố trong tạp chí quốc tế về kỹ thuật cơ khí và nghiên cứu robot trong tài liệu tham khảo [52]

Kết quả mô phỏng sẽ thực nghiệm điều khiển bám quỹ đạo robot Delta, để đánh giá tính ổn định của hai bộ điều khiển được trình bày trong sơ đồ Hình 1.41

Hình 1.41: Sơ đồ mô phỏng bộ điều khiển PID thích nghi trên cơ sở bộ nhận dạng mạng nơ-ron mờ hồi quy [52]

Các thông số của robot Delta 3-DOF được trình bày trong Bảng 1.2, ở mục 1.5.2.1 và các thông số bộ điều khiển PID thích nghi nơ-ron được trình bày trong Bảng 1.7 Bảng 1.7: Các tham số của bộ điều khiển PID thích nghi mạng nơ-ron [52]

Ký hiệu Ý nghĩa Giá trị

K K K Thông số khởi tạo của bộ điều khiển PID thích nghi mạng nơ-ron

[ K p ;  K I ; K D ] Hệ số học của bộ điều khiển PID thích nghi mạng nơ-ron

Quỹ đạo tham chiếu là quỹ đạo đường tròn được mô tả bởi phương trình (1.41) tham khảo trong [52]:

Hình 1.42 và 1.43 lần lượt trình bày đáp ứng các góc theta và đáp ứng sai số tín hiệu của robot Delta 3-DOF

Hình 1.42: Đáp ứng các góc của hai bộ điều khiển PID và PID thích nghi mạng nơ-ron

Hình 1.43: Đáp ứng sai số của hai bộ điều khiển Đáp ứng quỹ đạo ngõ ra của hai bộ điều khiển PID và bộ điều khiển PID thích nghi nơ-ron, được trình bày như Hình 1.44 và tải trọng của robot Delta 3-DOF thay đổi được trình bày trong Hình 1.45

Hình 1.44: Đáp ứng quỹ đạo hai bộ điều khiển PID và PID thích nghi mạng nơ-ron

Hình 1.45: Đáp ứng quỹ đạo của hai bộ điều khiển PID và PID thích nghi mạng nơ-ron khi tải trọng của robot Delta 3-DOF tăng thêm 0,9 Kg Kết quả mô phỏng cho thấy, bộ điều khiển PID thích nghi mạng nơ-ron bám tốt hơn bộ điều khiển PID, với thời gian xác lập khoảng 0,33 ± 0,001 (s) Các lỗi ở trạng thái ổn định được loại bỏ và các chỉ tiêu chất lượng, được trình bày trong Bảng 1.8

Bảng 1.8: Chỉ tiêu chất lượng điều khiển [52]

Tiêu chuẩn chất lượng PID SNA-PID Thời gian xác lập 5.56±0.001 (s) 0.33±0.001 (s)

So sánh kết quả của 3 bộ điều khiển: PID thích nghi trên cơ sở mạng nơ-ron mờ hồi quy với GA-PID và FUZZY-PID ứng dụng điều khiển bám quỹ đạo

Các kết quả được mô phỏng trên cùng mô hình robot với quỹ đạo đường tròn, cho thấy rằng bộ điều khiển PID thích nghi trên cơ sở mạng nơ-ron mờ hồi quy, tốt hơn giải thuật di truyền GA-PID và bộ điều khiển FUZZY-PID được trình bày ở Bảng 1.9

Bảng 1.9: Chỉ tiêu chất lượng điều khiển của 3 bộ điều khiển Chỉ tiêu chất lượng FUZZY-PID GA-PID SNA-PID

Thông qua chỉ tiêu chất lượng ta thấy rằng, bộ điều khiển PID thích nghi trên cơ sở mạng nơ-ron mờ hồi quy cải thiện được chất lượng điều khiển bám tốt hơn, làm giảm vọt lố và thời gian xác lập của cả hệ thống điều khiển vòng kín

Chương 1 nghiên cứu và đề xuất 3 bộ điều khiển FUZZY-PID, GA-PID và bộ điều khiển PID thích nghi mạng nơ-ron (SNA-PID), được huấn luyện trực tuyến bằng giải thuật Gradient Descent cho robot Delta 3-DOF Kết quả mô phỏng được so sánh với bộ điều khiển FUZZY-PID và giải thuật GA-PID cho thấy rằng, chất lượng điều khiển và khả năng thay đổi tải trọng của bộ điều khiển SNA-PID tốt hơn Đồng thời, Chương 1 đã tiến hành kiểm chứng đáp ứng của bộ điều khiển SNA-PID với các quỹ đạo khác nhau, kết quả mô phỏng vẫn cho thấy sự vượt trội của bộ điều khiển này so với 2 bộ điều khiển còn lại Tuy nhiên, bộ điều khiển PID thích nghi mạng nơ-ron cũng còn tồn tại một số hạn chế về sự chọn lựa các hệ số của bộ điều khiển trong xấp xỉ hàm phi tuyến cho kết quả hội tụ chậm Để cải thiện điều này, nghiên cứu đề xuất sử dụng giải thuật điều khiển giám (Supervisory Control), kết hợp bộ điều khiển mạng nơ-ron mờ hồi quy (RFNNC) cùng với bộ điều khiển PID và bộ nhận dạng RFNNI (RFNN-PID), để điều khiển hệ phi tuyến Các nội dung này sẽ được trình bày ở Chương 2.

ĐIỀU KHIỂN GIÁM SÁT KẾT HỢP RFFN-PID DỰA TRÊN BỘ NHẬN DẠNG MẠNG NƠ-RON MỜ HỒI QUY

Giới thiệu

Mạng nơ-ron mờ hồi quy đã được nghiên cứu và sử dụng rộng rãi trong nhiều lĩnh vực như: nhận dạng, phân loại, xấp xỉ [76], [77], [78], [79], [80], [81], [82] do cấu trúc đơn giản, hiệu quả tốt, khả năng hội tụ nhanh Đây là mạng tự học, tự tổ chức, thích nghi, tốc độ huấn luyện nhanh và hội tụ toàn cục [83], [84], [85], [86], [87], [88], [89], [90] Trong mạng nơ-ron mờ hồi quy, ngõ vào của mạng này gồm các nút có nhiệm vụ chuyển tải các giá trị ngõ vào đến lớp kế tiếp và hồi tiếp được thêm vào để tăng khả năng đáp ứng của mạng Đồng thời ngõ vào của bộ nhận dạng RFNN tương ứng, là tín hiệu điều khiển hiện tại và ngõ ra quá khứ của đáp ứng Lớp thứ hai là lớp mờ hóa với hàm kích hoạt Gaussian [91], bước này tự động điều chỉnh trong quá trình huấn luyện trực tuyến bộ nhận dạng RFNN, để đưa đến lớp kế tiếp, lớp thứ ba là lớp luật bao gồm các tham số học, bước này phát triển một thuật toán học đệ quy dựa trên phương pháp Gradient Descent Cuối cùng là lớp ra, bao gồm các nơ-ron tuyến tính và các trọng số kết nối từ lớp luật lên lớp ra, đồng thời ngõ ra của lớp này cũng là ngõ ra của bộ nhận dạng RFNN Mục tiêu của giải thuật huấn luyện trực tuyến mạng nơ-ron mờ hồi quy, là điều chỉnh các bộ trọng số của mạng nơ-ron và các tham số của các hàm liên thuộc trên lớp mờ hóa, để đạt giá trị cực tiểu hàm chi phí [92], [93], [94], [95], [96], [97], [98]

Khó khăn trong huấn luyện mạng nơ-ron, là lựa chọn phù hợp số nơ-ron, tâm, ngưỡng và trọng số kết nối [99], [100], [101], [102], [103], [104], [105], [106], [107], [108] Số nơ-ron cóvai trò rất quan trọng, trong mạng nơ-ron mờ hồi quy Sử dụng nhiều nơ-ron sẽ gây ra hiện tượng học lâu và tăng sự phức tạp của mạng [26], ngược lại mạng sẽ không thể học đầy đủ các dữ liệu mẫu Thông số này thường được lựa chọn bằng phương pháp thử và sai [5] Thông số tâm của mạng cũng ảnh hưởng đến hiệu suất của mạng Nếu chọn tâm không phù hợp, hiệu quả mạng nơ-ron sẽ rất khó đạt được kết quả mong muốn Bên cạnh đó, việc lựa chọn các giá trị trọng số khởi tạo ban đầu cũng ảnh hưởng đến hiệu quả của mạng [84], [109], [110], [111], [112], [113], [114], [115], [116] Chính vì vậy mà các tâm và trọng số của mạng được chọn cho phù hợp với từng đối tượng phi tuyến [117], [118], [119], [120], [121], [122], [123], [124], [125] được cập nhật trực tuyến dựa trên các tín hiệu ở ngõ ra của mô hình hệ phi tuyến, để điều khiển đạt được kết quả tốt [126], [127], [128], [129], [130], [131], [132], [133]

Trong Chương 2 này, nghiên cứu thực hiện bộ điều khiển giám sát kết hợp, bằng cách sử dụng mạng nơ-ron mờ hồi quy kết hợp với bộ điều khiển PID và bộ nhận dạng RFNNI, để điều khiển hệ phi tuyến đảm bảo hệ thống ổn định, sai số bám tiến về không và ít bị ảnh hưởng của nhiễu Bộ điều khiển được ứng dụng để điều khiển robot Delta 3-DOF, bám theo quỹ đạo đặt trước trong cả hệ thống điều khiển vòng kín.

Sơ lược tình hình nghiên cứu

Bộ điều khiển PID được sử dụng nhiều trong các ngành công nghiệp để điều khiển các dây chuyền sản xuất thực tế, do thiết kế bộ điều khiển có chi phí thấp, mô hình lại đơn giản và phạm vi sử dụng rộng [36] Trong điều khiển tự động, để điều chỉnh các thông số KP, KD, KI của bộ điều khiển PID, thì ta sử dụng nhiều phương pháp khác nhau, nhưng thường sử dụng là phương pháp Ziegler-Nichols [37]

Tuy nhiên, do ảnh hưởng của nhiễu, sai số của phép đo, tải thay đổi đột ngột và môi trường làm việc thay đổi, dẫn đến bộ điều khiển PID khó duy trì điều khiển ổn định

Vì vậy, một bộ điều khiển mạng nơ-ron mờ hồi quy được sử dụng để giám sát ngõ ra của bộ PID Sau đó tinh chỉnh được thực hiện với sự thay đổi của tải và môi trường làm việc, cũng như ảnh hưởng của nhiễu trước khi áp dụng bộ điều khiển vào hệ thống [34] Sau đây, tác giả nêu ra một số nghiên cứu tiêu biểu, liên quan đến nội dung thực hiện chương 2

2.2.1 Tình hình nghiên cứu ở Việt Nam

Năm 2005, trong [42] Võ Lâm Chương cùng cộng sự đã thiết kế bộ điều khiển mạng nơ-ron mờ hồi quy, dựa trên luật ứng xử ứng dụng điều khiển cho robot tự hành Năm 2005, trong [35] Nguyễn Công Hiền cùng cộng sự, nhóm tác giả đã sử dụng bộ điều khiển nơ-ron mờ trong điều khiển thích nghi ứng dụng điều khiển vị trí động cơ một chiều Năm 2008, trong [134] Đinh Thị Thuý Quỳnh cùng cộng sự đã ứng dụng mạng nơ-ron trong bài toán xác định lộ trình cho robot Năm 2010, trong [135] Huỳnh Văn Tuấn, Trần Quốc Cường, Dương Hoài Nghĩa, Nguyễn Hữu Phương đã sử dụng mạng nơ-ron mờ loại 2 để ứng dụng kiểm soát tiếng ồn tích cực Năm 2011, trong [34] tác giả Nguyễn Chí Ngôn và cộng sự đã ứng dụng mạng nơ–ron mờ hồi quy (RFNN) để nhận dạng và điều khiển đối tượng phi tuyến đáp ứng của đối tượng sẽ được ước lượng bằng một bộ nhận dạng mạng nơ-ron mờ hồi quy Năm 2013, trong [136] Nguyễn Hữu Công, Nguyễn Thị Thanh Nga, Phạm Văn Hưng đã nghiên cứu ứng dụng mạng nơ-ron hồi quy thời gian liên tục trong nhận dạng và điều khiển hệ thống xử lý nước thải Năm

2015, trong [137] Nguyễn Mạnh Thảo, Trần Thu Hằng, Phạm Văn Nguyên đã ứng dụng mạng nơ-ron nhân tạo để dự báo tốc độ ăn mòn thép CT3 trong khí quyển Năm 2019, trong [138] Nguyễn Thị Thanh Thúy và Nguyễn Hiền Thân đã ứng dụng mạng nơ-ron hồi quy tổng quát và thuật toán nội suy, đánh giá chất lượng nước mặt sông và các chi lưu sông Đồng Nai, tỉnh Bình Dương

2.2.2 Tình hình nghiên cứu ngoài nước

Năm 2000, trong [24] tác giả Ching-Hung Lee và Ching-Cheng Teng đề xuất cấu trúc mạng nơ-ron mờ hồi quy, để xác định và điều khiển phi tuyến hệ thống động lực học Năm 2004, trong [33] tác giả Wei Sun và Yaonan Wang đề xuất cấu trúc sử dụng mạng nơ-ron mờ hồi quy, trên nền của bộ điều khiển thích nghi ứng dụng điều khiển bám quỹ đạo của robot Năm 2005, trong [139] tác giả Cheng-Hung Chen và Chin-Teng Lin đề xuất sử dụng cấu trúc nơ-ron mờ hồi quy bù trừ, để nhận dạng hệ thống phi tuyến hỗn loạn Năm 2006, trong [140] tác giả Faa-Jeng Lin cùng cộng sự đề xuất sử dụng một mạng nơ-ron mờ, dựa trên mạng dựa trên hàm cơ sở xuyên tâm tuần hoàn, để kiểm soát vị trí của động cơ đồng bộ tuyến tính nam châm vĩnh cửu, điều khiển hướng trường để theo dõi quỹ đạo tham chiếu tuần hoàn Đồng thời cũng vào năm 2006, trong [116] tác giả Chun-Fei Hsu và cộng sự đề xuất mạng nơ-ron mờ hồi quy thích nghi dựa trên định lý Lyapunov và thực nghiệm ổn định điện áp trên bộ biến đổi nguồn DC-DC Năm

2009, trong [72] tác giả Sun Wei và cộng sự đề xuất sử dụng bộ điều khiển thích nghi trên nền của mạng nơ-ron ứng dụng điều khiển bám quỹ đạo của robot hai liên kết Năm

2011, trong [25] tác giả Reza Jafari và Rached Dhaouadi, sử dụng mạng nơ-ron hồi quy, để nhận dạng điều khiển hệ thống máy ổn tốc phi tuyến bằng bộ nhận dạng RNN, bộ nhận dạng ước lượng thông tin Jacobian để tính toán các Gradient của giải thuật cập nhật trực tuyến bộ thông số của một nơ-ron tuyến tính Thực nghiệm cho thấy khi sử dụng bộ nhận dạng để cập nhật thông tin Jacobian, thì kết quả cho đáp ứng điều khiển tốt hơn nhiều so với đáp ứng điều khiển không có cập nhật thông tin Jacobian trọng số cho mạng nơ-ron PID Năm 2012, trong [141] tác giả Cheng-Kai Chan và Ching-Chih Tsai đã đề xuất bộ điều khiển trượt với ma sát Coulomb, trên nền của mạng nơ-ron mờ hồi quy ứng dụng điều khiển bám quỹ đạo của robot cưỡi bóng Năm 2013, trong [32] tác giả Jinkun Liu thiết kế, phân tích và mô phỏng MATLAB hàm cơ sở bán kính (RBF) điều khiển mạng thần kinh cho các hệ thống cơ khí; cũng vào năm 2013, trong [142] tác giả Rong-Jong Wai và You-Wei Lin đã đề xuất bộ điều khiển bám thích nghi dựa trên mạng nơ-ron mờ hồi quy Petri ứng dụng thực nghiệm để điều khiển bám đối tượng của robot di động, được gắn camera giám sát trên thân của robot; đồng thời cũng năm 2013, trong [143] tác giả Ching-Chih Tsai và Cheng-Kai Chan đã đề xuất bộ điều khiển trượt thích nghi trực tiếp mờ loại hai dựa trên mạng nơ-ron mờ hồi quy để điều khiển bám quỹ đạo của robot bóng Năm 2014, trong [144] tác giả Thanglong Mai và Yaonan Wang đã đề xuất bộ điều khiển lực thích nghi khớp mô hình tiểu não hệ thống, dựa trên mạng nơ-ron mờ hồi quy ứng dụng điều khiển robot di động kiểu bánh xích Năm 2016, trong [145] tác giả Faa-Jeng Lin và cộng sự đã đề xuất nơ-ron mờ hồi quy mạng lưới khớp nối, mô hình tiểu não ứng dụng điều khiển động cơ đồng bộ nam châm vĩnh cửu sáu pha; cũng năm 2016, trong [146] tác giả Faa-Jeng Lin và cộng sự đã đề xuất mạng nơ- ron mờ hồi quy ứng dụng, để điều khiển công suất hoạt động và công suất phản kháng hệ thống quang điện biến đổi ba pha nối lưới; đồng thời năm 2016, trong [147] tác giả Fayez F M El-Sousy và Khaled A Abuhasel đã đề xuất bộ điều khiển mạng nơ-ron mờ hồi quy wavelet tự tổ chức, kết hợp với bộ điều khiển thông minh bám thích nghi ứng dụng điều khiển hệ phi tuyến là hệ thống chuyển động hai trục Năm 2017, trong [148] tác giả H Hasanpour và cộng sự trình bày một chiến lược điều khiển kết hợp PID thích nghi dựa trên mạng nơ-ron RBF, để ứng dụng điều khiển máy bay Quadrotor; đồng thời năm 2017, trong [149] tác giả Sheng Liu và cộng sự đã đề xuất bộ điều khiển trượt hồi tiếp thích nghi, dựa trên mạng nơ-ron mờ hồi quy wavelet ứng dụng điều khiển tốc độ của động cơ sáu pha nam châm vĩnh cửu Năm 2018, trong [115] tác giả Faa-Jeng Lin và cộng sự đã đề xuất bộ điều khiển hồi tiếp thông minh trên nền của mạng nơ-ron mờ hồi quy, ứng dụng điều khiển hệ thống truyền động vị trí của động cơ đồng bộ Năm

2019, trong [22] tác giả Sabrine Slama cùng cộng sự đề xuất chuyển đổi trực tuyến giữa bộ điều khiển PID thích nghi mạng thần kinh (APID) và bộ điều khiển mạng thần kinh thích nghi gián tiếp (IAC) ứng dụng điều khiển cho hệ thống nhiều đầu vào và nhiều đầu ra phi tuyến (MIMO); đồng thời cũng năm 2019, trong [150] tác giả Faa-Jeng Lin và cộng sự đã đề xuất bộ điều khiển theo dõi mô-men xoắn trên nền của mạng nơ-ron mờ hồi quy huyền thoại, ứng dụng để điều khiển hệ thống truyền động vị trí động cơ đồng bộ Năm 2020, trong [52] tác giả Lê Minh Thành và cộng sự đã đề xuất sử dụng bộ điều khiển PID thích nghi một nơ-ron, dựa trên bộ nhận dạng mạng nơ-ron mờ hồi quy ứng dụng điều khiển bám quỹ đạo robot Delta 3-DOF, kết quả mô phỏng trên MATLAB/Simulink cho thấy đáp ứng của thuật toán đề xuất tốt hơn so với việc sử dụng bộ điều khiển PID truyền thống, với thời gian cài đặt khoảng 0,3 ± 0,1(s) và sai số trạng thái ổn định bị loại bỏ; cũng năm 2020, trong [151] tác giả Kuang-Hsiung Tan và cộng sự đã đề xuất bộ điều khiển mạng nơ-ron mờ hồi quy Wavelet cập nhập trực tuyến các thông số của bộ điều khiển PI ứng dụng điều khiển khắc phục những hạn chế của máy phát điện phân phối dựa trên biến tần truyền thống; đồng thời năm 2020, trong [152] tác giả FAA-JENG LIN và cộng sự đã đề xuất bộ điều khiển thông minh sử dụng mạng nơ- ron mờ hồi quy wavelet, ứng dụng điều khiển hệ thống quang điện kết hợp bộ chuyển đổi DC/DC xen kẽ và biến tần ba cấp Năm 2021, trong [112] tác giả Juntao Fei và Yun Chen đã đề xuất thiết kế bộ điều khiển trượt đầu cuối trên nền của mạng nơ-ron mờ hồi quy, ứng dụng điều khiển bộ lọc công suất một pha tích cực; cũng năm 2021, trong [153] tác giả Shih-Gang Chen và cộng sự đã đề xuất bộ điều khiển dự báo dựa trên mạng nơ- ron mờ hồi quy Chebyshev, ứng dụng điều khiển hệ thống truyền động động cơ không đồng bộ công suất cực đại mới; cũng năm 2021, trong [55] tác giả Lê Minh Thành và cộng sự đã đề xuất bộ điều khiển giám sát kết hợp sử dụng mạng nơ-ron mờ hồi quy, kết hợp với bộ PID dựa trên bộ nhận dạng mạng nơ-ron mờ hồi quy, ứng dụng điều khiển bám quỹ đạo robot Delta 3-DOF; cũng năm 2021, trong [154] tác giả Kuang- Hsiung Tan và Tzu-Yu Tseng đã đề xuất bộ điều khiển mạng nơ-ron Petri mờ hồi quy wavelet ứng dụng điều khiển hoạt động của chuyển mạch và kết nối lưới điện trong hệ thống Microgrid; đồng thời năm 2021, trong [155] tác giả Jiachen Yao và cộng sự đã đề xuất bộ điều khiển mạng nơ-ron mờ hồi quy đặc tính phân cụm ứng dụng điều khiển hệ thống giám sát và đo lường độ hao mòn của các dụng cụ sử dụng cho chế biến Năm

2022, trong [133] tác giả Yuqing Tang và cộng sự đã đề xuất mạng nơ-ron mờ hồi quy, ứng dụng dự báo chuỗi thời gian dài hạn; đồng thời cũng năm 2022, trong [156] tác giả Juntao Fei và Lunhaojie Liu đã đề xuất bộ điều khiển dự đoán mô hình phi tuyến thời gian thực sử dụng mạng nơ-ron mờ hồi quy, ứng dụng điều khiển bộ lọc nguồn tích cực.

Mục tiêu

Chương 2 được thực hiện với những mục tiêu như sau:

- Xây dựng bộ điều khiển giám sát kết hợp RFNN-PID, để đánh giá khả năng điều khiển bám quỹ đạo mô hình động lực học robot Delta 3-DOF

- Cải thiện chất lượng điều khiển bằng cách sử dụng mạng nơ-ron mờ hồi quy RFNNI, làm bộ nhận dạng ngõ ra của hệ thống được huấn luyện trực tuyến bằng giải thuật Gradient Descent, để hồi tiếp về thông số Jacobian điều chỉnh trực tuyến các thông số của bộ điều khiển giám sát kết hợp RFNN-PID

- Giải thuật điều khiển nghiên cứu được áp dụng điều khiển bám quỹ đạo robot Delta 3-DOF, trên phần mềm MATLAB/Simulink.

NGHIÊN CỨU CHẾ TẠO VÀ THỰC NGHIỆM ĐIỀU KHIỂN TRÊN HỆ PHI TUYẾN MIMO - SISO

Xây dựng mô hình thực nghiệm trên hệ phi tuyến

Việc xây dựng mô hình thực nghiệm trên hệ phi tuyến MIMO là robot Delta 3- DOF, có yêu cầu cao về công nghệ Bên cạnh đó, việc tiến hành thực nghiệm thực tế cũng đòi hỏi tính chính xác về xây dựng mô hình cơ khí, cũng như kết cấu điều khiển hệ thống động lực của robot Do đó, các công trình nghiên cứu chủ yếu tập trung vào phát triển lý thuyết ứng dụng trong điều khiển mô hình robot Delta 3-DOF, chế tạo mô hình robot Delta 3-DOF và thực nghiệm các bộ điều khiển thông minh để điều khiển bám quỹ đạo robot Delta 3-DOF đã được tác giả và nhóm nghiên cứu công bố trong các tạp chí [52], [56], [157] Đồng thời nhóm cũng thực nghiệm trên mô hình hệ phi tuyến SISO thứ 2, là hệ ổn định lưu lượng chất lỏng RT020 được cung cấp bởi hãng Gunt Hamburg [158] và đã được tác giả và nhóm nghiên cứu công bố trong tạp chí [159].

Thiết kế và gia công khung cơ khí hệ MIMO là robot Delta 3-DOF

Dựa theo lý thuyết về cấu trúc của robot Delta 3-DOF không gian RUS, mà tác giả cùng nhóm nghiên cứu đã xây dựng ở trên, đồng thời tham khảo các mô hình robot song song của Giáo sư Reymond Clavel cùng nhóm nghiên cứu trong [53] và mô hình robot song song của Tiến sĩ Jean-Pierre Merlet trong tài liệu [54], tác giả đã thiết kế mô hình khung cơ khí robot Delta 3-DOF thật khi hoàn thành bao gồm:

- Tấm nền cố định bàn trên

- Bệ đỡ gắn động cơ

➢ Tấm nền cố định bàn trên Để cho tấm nền robot Delta thêm vững và bệ gắn động cơ không bị dịch chuyển trong quá trình vận hành, nên tấm nền cố định của robot Delta được thiết kế gồm 3 lớp xếp chồng lên nhau như Hình 3.1:

Lớp thứ nhất dưới cùng được khuyết một phần để gắn động cơ

Lớp thứ hai và thứ ba: chịu khối lượng của toàn bộ cánh tay và toàn lực tác động nên vật liệu cứng hơn tấm thứ nhất

Hình 3.1: Bản vẽ tấm nền cố định và thông số kỹ thuật

- Khoảng cách từ tâm đến 3 động cơ là: 0.138 m

- Bán kính tấm nền cố định là: 0.2 m

- Các động cơ được đặt nằm lần lượt các nhau góc 120 o

Bản vẽ chi tiết được thiết kế trên Solidworks [62], [63] và để gia công cắt thực tế, được thiết kế trên phần mềm Corel x7 [160] và trình bày như trong Hình 3.2

Hình 3.2: Tấm nền cố định sau khi gia công hoàn chỉnh

➢ Chi tiết bệ đỡ gắn động cơ

Bệ đỡ gắn động cơ dùng để cố định và giữ động cơ gắn vào tấm nền cố định, được thiết kế như Hình 3.3

Hình 3.3: Bản vẽ chi tiết bệ đỡ gắn động cơ

- Chọn vật nhẹ và dẻo là Mica

- Khối lượng thực của ba tay trên khi tính cả khối lượng vít cố định là:

- Chiều dài tay trên L1=0,3 m, chiều dài từ tâm động cơ đến khớp lăng trụ bằng 0,25 m (là khoảng cách tâm động cơ đến tâm khớp chuyền động) được trình bày trong Hình 3.4

Hình 3.4: Bản vẽ chi tiết và sản phẩm khi gia công cánh tay đòn trên

- Đặc tính: rỗng Đường kính ngoài nhân đường kính trong: 6mm x 4mm

- Chiều dài tay đòn dưới L2=0,8 (m), chiều dài đoạn từ tâm 2 đầu khớp cầu bằng 0,698 m (là khoảng cách chiều dài giữa tâm các điểm chuyền động)

Khối lượng thực của ba tay dưới khi tính cả khối lượng vít cố định là:

Bản vẽ chi tiết và sản phẩm khi gia công hoàn chỉnh cánh tay đòn dưới, được trình bày trong Hình 3.5 và 3.6

Hình 3.6: Cánh tay đòn dưới khi gia công hoàn chỉnh

- Chất liệu: nhôm nguyên khối

- Kích thước lỗ giữa: 13mm

- Loại ốc bắt tay đòn: M4 - 4mm

- Khối lượng thực tế tấm di động m p =0,14Kg

- Khối lượng chi tiết của tấm nền di động m p =0,15Kg(tính cả khối lượng ốc vít cố định tấm chuyển động với 3 khớp chuyển động)

- Khoảng cách từ tâm điểm P cho đến các điểm nối D là: PD = 25mm (khoảng cách từ tâm tấm di động đến tâm khớp chuyển động)

Bản vẽ chi tiết tấm nền di động và hình ảnh tấm nền di động sau khi gia công hoàn chỉnh, được trình bày trong Hình 3.7 và Hình 3.8

Hình 3.7: Bản vẽ chi tiết tấm nền di động

Hình 3.8: Tấm nền di động sau khi gia công hoàn chỉnh Tiến hành gia công cơ khí cho robot Delta, việc đầu tiên là tiến hành thiết kế bản vẽ trong Solidworks tham khảo trong [62], [63] và xuất ra file 2D để gia công các chi tiết của robot Delta 3-DOF, kết hợp với phần mềm Corel x7 [160] để cắt CNC khung robot Delta 3-DOF hoàn chỉnh

Khung cơ khí robot Delta 3-DOF hoàn chỉnh phiên bản 1, 2 và 3 được tác giả cùng nhóm chế tạo và thực nghiệm trình bày trong Hình 3.9

Hình 3.9.a): Phiên bản 1 Hình 3.9.b): Phiên bản 2 Hình 3.9.c): Phiên bản 3 Hình 3.9: Các phiên bản 1, 2 và 3 của robot mà nhóm đã chế tạo và thực nghiệm

Thiết kế và gia công tủ điện điều khiển robot Delta 3-DOF

3.3.1 Sơ đồ nguyên lý và hoạt động của mạch điều khiển

Sơ đồ khối và sơ đồ mạch điều khiển robot Delta 3-DOF, được trình bày trong Hình 3.10 và Hình 3.11

Hình 3.10: Sơ đồ khối điều khiển robot Delta 3-DOF

Hình 3.11: Sơ đồ cấu trúc phần cứng điều khiển robot Delta thực tế

Từ Hình 3.10 và 3.11 ta có thể giải thích nguyên lý hoạt động như sau: Đầu tiên ta có các góc tham chiếu theta1_ref, theta2_ref, theta3_ref được tạo ra thông qua khối động học ngược (Inverse Kinematics), đưa vào bộ điều khiển RFNN- PID Đồng thời bộ điều khiển RFNN-PID cũng được nạp online vào DSP C2000, thông qua giao thức UART để tạo ra các tín hiệu điều khiển là các lực (Tau1, Tau 2, Tau 3), đưa đến điều khiển mô hình robot Delta Ngõ ra của DSP C2000 là các tín hiệu dạng xung PWM, các tín hiệu PWM này được điều chế thông qua các thuật toán thông minh được xây dựng trên MATLAB/Simulink và được cách ly thông qua mạch TLP281, sau đó đưa xuống Driver YAKAWA

Ngõ ra của Driver YAKAWA là điện áp để điều khiển động cơ chuyển động, sẽ tạo ra khớp quay của các cánh tay robot Delta (theta1_act, theta2_act, theta3_act) và nhờ khối động học thuận (Forward Kinematics), chuyển thành các vị trí thực tại tâm P của tấm nền chuyển động Tốc độ của 3 động cơ thay đổi nhanh hay chậm, sẽ phụ thuộc vào các lực ra của 3 bộ điều khiển để điều chế độ rộng xung PWM từ DSP C2000, đưa đến điều khiển thay đổi chiều quay và góc quay của động cơ thông qua Driver YAKAWA

Tiếp theo ngõ ra của ba động cơ sẽ trả về 2 giá trị Encoder, đưa ngược về vi điều khiển DSP C2000 để đọc giá trị (Read_Encoder 1,2,3), nhưng do vi điều khiển DSP C2000 chỉ đọc về tín hiệu có dạng điện áp 0 – 3.3V, mà Encoder lại trả ra giá trị dạng điện áp 0 – 5V, nên cần phải thông qua mạch LJ245 để chuyển mức tín hiệu từ 0 - 5V sang 0 – 3.3V Xung Encoder A và B hồi ngược về bộ tổng, để cho ra sai số giữa góc thực tế và góc tham chiếu, đưa đến các thuật toán điều khiển RFNN-PID và các khối phát xung được xây dựng trên MATLAB/Simulink, tạo ra các lực (Tau1, Tau2, Tau3) để điều khiển vị trí và chiều quay thuận nghịch của ba động cơ trên mô hình robot Delta

3.3.2 Vi điều khiển DSP C2000 TMS320F28379D

TMS320F28379D là một trong các họ của vi điều khiển DSP và là một trong những series mạnh nhất của dòng xử lí hiệu 32bit C2000, nằm trong nhóm sản phẩm của công ty Texas Instrument Các sản phẩm này được sử dụng phổ biến trong các ứng dụng điều khiển nhúng, trong ngành công nghiệp tự động hóa, robot, điện tử công suất, vi điều khiển F28379D được trang bị lõi kép (Dual core) dựa trên kiến trúc CPU TI 32bit C28x và chia sẻ thông tin giữa 2 CPU bằng module IPC

Với bộ nhớ RAM là 204KB, kết hợp với bộ nhớ Flash là 1024 KB, tốc độ hoạt động tối đa lên đến 200MHz tham khảo trong [161], tốc độ xử lí cao cho phép chúng ta dễ dàng nhúng các giải thuật điều khiển như PID, FUZZY, LQR, Neural, MPC Đồng thời có thể điều khiển thời gian thực, với tốc độ xử lí nhanh thông qua các giao thức truyền thông như UART, CAN, SPI, SCI

Ngoài ra, DSP có 18 kênh PWM, trong đó có 6 kênh tốc độ cao sử dụng chức năng truy cập bộ nhớ trực tiếp DMA Với khả năng Debug online, breakpoint giúp chạy chương trình từng bước, liên tục hay tạm dừng Đồng thời có thể theo dõi các thanh ghi, giá trị biến, biểu thức bất kỳ Các chức năng của TMS320F28379D vô cùng phong phú và tối ưu, giúp ta dễ dàng lập trình cho các ứng dụng đòi hỏi tốc độ, chính xác và sơ đồ khối của TMS320F28x7x được trình bày ở Hình 3.12

Hình 3.12: Sơ đồ khối TMS320F28x7x Bên cạnh đó, việc truyền thông giữa phần mềm MATLAB/Simulink và vi điều khiển DSP C2000 [162], được giao tiếp thông qua giao thức UART (Universal Asyn- chronous Receiver/Transmitter)

Việc khai báo các chân của DSP C2000, phải tương ứng với cấu hình thực tế trong MATLAB/Simulink Để làm được việc đó, ta cần phải xem sơ đồ chân thực tế của vi điều khiển [161], [162] Chi tiết sơ đồ chân của DSP TMS320F2837xD, được trình bày lần lượt từ Hình 3.13 đến Hình 3.15

Hình 3.13: Chi tiết sơ đồ chân DSP TMS320F2837xD

Hình 3.14: Chi tiết sơ đồ mạch DSP TMS320F2837xD

Hình 3.15: Chi tiết sơ đồ đấu dây DSP TMS320F2837xD Các chân input và output của DSP TMS320F2837xD, được trình bày trong các Hình 3.16 đến Hình 3.20

Hình 3.16: Sơ đồ chân DSP TMS320F837xD - J1, J3

Hình 3.17: Sơ đồ chân DSP TMS320F837xD – J4, J2

Hình 3.20: Sơ đồ tổng thể các chân input/output

Thiết kế bản vẽ mạch điều khiển, gia công lắp mạch và lắp tủ điều khiển

3.4.1 Thiết kế bản vẽ mạch điện điều khiển

Sơ đồ mạch điện nguyên lý và sơ đồ mạch in, được thiết kế trong phần mềm Protues tham khảo trong [163] và được trình bày như Hình 3.21

Hình 3.21: Sơ đồ nguyên lý mạch điều khiển thiết kế trên phần mềm Protues

Trên sơ đồ nguyên lý gồm có 6 module cách ly: 3 module cách ly tín hiệu ngõ ra PWM của DSP C200 và 3 mudule hồi tiếp tín hiệu từ Encoder về DSP C2000, 1 mudule nguồn ổn áp 3v3 và 1 module nguồn ổn áp 5v, 1 mudule vi điều khiển DSP C2000 TMS320F8379D và 2 IC Op-amp dùng để khuếch đại điện áp cấp cho Driver Yakawa

3.4.2 Gia công lắp ráp các linh kiện mạch điều khiển

Sau khi thiết kế bản vẽ sẽ xuất file ra Layout và tiến hành gia công mạch in, hàn gắn linh kiện và hoàn thiện mạch điều khiển được trình bày như Hình 3.22

Hình 3.22: Sản phẩm mạch in và mạch điều khiển sau khi hoàn thiện

Mạch điều khiển hoàn chỉnh được bố trí các linh kiện sao cho khả năng chống nhiễu tốt, hạn chế nhiễu khi 3 động cơ hoạt động Vì vậy tác giả đã sử dụng các đường mạch in sao cho phù hợp với các đường tín hiệu, các đường nguồn và mass, để các đường mạch in này tự khử nhiễu Đồng thời tác giả có sử dụng các tụ lọc nhiễu tần số cao, để lọc nhiễu trên các đường tín hiệu Output và Input của các mudule tín hiệu và các mạch nguồn ổn áp, để lọc nhiễu khi động cơ hoạt động ở tần số cao

3.4.3 Lắp tủ điều khiển robot Delta

Sau khi hoàn thiện mạch điều khiển sẽ bắt toàn bộ vào khung sắt của tủ điện bao gồm: mạch điều khiển và 3 Driver Yakawa, kèm theo 1 cuộn dây chống nhiễu và một

CB 1 pha 220Vac/50A và 1 bộ nguồn công nghiệp chống nhiễu tốt Bộ nguồn công nghiệp chống nhiễu tạo ra 4 mức điện áp là: 5v cấp cho cho các mạch cách ly, 12v cấp cho các mạch ổn áp, -24v và 24v cấp cho các mạch khuếch đại Op-amp Đồng thời kết nối các dây tín hiệu và các dây nguồn của 3 Driver lên mạch điều khiển, thông qua các Domino Mặt trước của tủ được bố trí gồm: 3 đèn xanh báo nguồn cho 3 Driver Yakawa và 1 đèn đỏ báo mất nguồn cho 3 Driver ngưng hoạt động, 1 công tắc dừng khẩn cấp khi robot hoạt động quá tải hoặc robot lệch ra khỏi không gian làm việc, 1 công tắc 3 trạng thái sử dụng chuyển trạng thái hoạt động của robot khi hoạt động ở chế độ điều khiển bằng tay và chế độ điều khiển tự động Tủ điện bằng chất liệu nhựa ABS, với kích thước 600x400x255 được trình bày như Hình 3.23

Hình 3.23: Bố trí các linh kiện trên khung của tủ điện và mặt trước của tủ điện

Thiết kế và xây dựng các thuật toán điều khiển trên MATLAB/Simulink

Sơ đồ điều khiển vòng kín robot Delta sử dụng card DSPC2000, giao tiếp với các bộ điều khiển được xây dựng trên MATLAB/Simulink, được trình bày trong Hình 3.24

Hình 3.24: Sơ đồ điều khiển thời gian thực robot Delta 3-DOF

Trên sơ đồ khối Hình 3.24 gồm các khối sau: có 3 khối phát xung ePWM1, ePWM2, ePWM3 và 3 khối đọc tín hiệu encoder eQEP1, eQEP2, eQEP3, 3 khối điều khiển RFNN-PID, khối tạo ra quỹ đạo đặt, khối động học ngược và mô hình robot Delta, nhiệm vụ và chức năng của từng khối sẽ được trình bày cụ thể trong mục 3.5.2

3.5.2 Các khối chức năng trên MATLAB/Simulink

3.5.2.1 Khối tạo quỹ đạo đặt

Khối tạo quỹ đạo tham chiếu được lấy từ thư viện Simulink, là khối MATLAB Function để tạo ra các quỹ đạo đặt khác nhau theo hàm x, y và z được viết trong khối MATLAB Function được trình bày như Hình 3.25

Hình 3.25: Khối tạo ra quỹ đạo tham chiếu

Khối động học ngược của robot Delta, được lấy từ thư viện Simulink, là khối MATLAB Function để tạo ra các góc đặt theta1, theta2 và theta3 khác nhau theo vị trí đặt x, y và z, được xây dựng trong khối Function được trình bày như Hình 3.26

Hình 3.26: Khối chuyển đổi vị trí x, y, z ra các góc theta 1, 2, 3

Khối phát xung thay đổi độ rộng được xây dựng từ thư viện MATLAB/Simulink, sau khi setup được thêm vào gói hỗ trợ C2000, sau đó chọn Embedded Coder Support for Texas Instruments C2000 Processors Tiếp theo chọn vi điều khiển trên mạch điện điều khiển F2837xD, chọn khối ePWM để xây dựng tần số phát xung và độ rộng xung thay đổi để đưa đến Driver Yakawa điều khiển 3 động cơ Servo AC 3 pha 220V Tốc độ và chiều quay của động cơ phụ thuộc vào tín hiệu ra từ 3 bộ điều khiển RFNN-PID, đưa đến thay đổi độ rộng 3 khối phát xung, khối phát xung ePWM được trình bày như Hình 3.27

Hình 3.27: Sơ đồ khối phát xung và các cấu hình bên trong của khối ePWM

3.5.2.4 Khối đọc tín hiệu Encoder eQEP

Khối đọc tín hiệu Encoder được xây dựng từ thư viện MATLAB/Simulink, sau khi setup được thêm vào gói hỗ trợ C2000, sau đó chọn Embedded Coder Support for Texas Instruments C2000 Processors Tiếp đến chọn vi điều khiển trên mạch điện điều khiển F2837xD và chọn khối eQEP, để xây dựng và thiết lập các thông số trong khối eQEP để đọc tín hiệu Encoder từ Driver Yakawa, trả về vi điều khiển DSP C2000 thông qua 2 Encoder A và B Trong đó Encoder A để xác định góc quay của động cơ, còn Encoder B được dùng để xác định chiều quay của động cơ Đồng thời tín hiệu Encoder cũng được setup số xung đọc về từ Driver Yakawa, thông qua các phím ấn và màn hình hiển thị nằm trên Driver Yakawa, khối đọc Encoder được trình bày như Hình 3.28

Hình 3.28: Sơ đồ khối đọc Encoder và các cấu hình bên trong của khối eQEP

3.5.2.5 Khối điều khiển RFNN- PID

Khối điều khiển RFNN-PID được xây dựng trên MATLAB/Simulink, để đưa tín hiệu đến khối phát xung ePWM làm thay đổi độ rộng xung để đưa đến Driver Yakawa, điều khiển động cơ AC servo Các thông số của 3 bộ điều khiển RFNN-PID trên hệ thực nghiệm, được tác giả cùng nhóm nghiên cứu xây dựng dựa vào Bảng 2.1 mục 2.4.2.3 tham khảo [51], [52], [55], [56], [164], [165] và được trình bày trong Hình 3.29 với các thông số của mạng RFNN khởi tạo ngẫu nhiên

Hình 3.29: Thông số của 3 bộ điều khiển

Kết quả thực nghiệm robot Delta 3-DOF phiên bản 3

Robot Delta 3-DOF phiên bản 1, được tác giả cùng nhóm nghiên cứu chế tạo và thực nghiệm vào năm 2020 với 3 động cơ DC, giao tiếp với MATLAB/Simulink điều khiển robot Delta 3-DOF bám vị trí đặt trước sử dụng vi điều khiển Arduino Mega được trình bày trong video [166]

Robot Delta 3-DOF phiên bản 2, được tác giả cùng nhóm nghiên cứu chế tạo và thực nghiệm vào năm 2021 với 3 động cơ AC servo, điều khiển robot Delta 3-DOF bám theo quỹ đạo đặt trước là hình vuông và vòng tròn, sử dụng vi điều khiển STM37F402 Ưu điểm của phiên bản 2 là hoạt động nhanh và chính xác, thực nghiệm robot phiên bản

2 được trình bày trong video [167]

Robot Delta 3-DOF phiên bản 3, được tác giả cùng nhóm nghiên cứu chế tạo và thực nghiệm vào năm 2022, sử dụng 3 động cơ AC servo 3 pha 220Vac, các bộ điều khiển thông minh được xây dựng trên MATLAB/Simulink, để điều khiển vòng kín robot Delta 3-DOF bám theo quỹ đạo đặt trước, là quỹ đạo đường tròn và quỹ đạo đường hình số 8 Ưu điểm của phiên bản 3 là khung cơ khí được tối ưu về khối lượng cũng như không gian làm việc, mạch điều khiển được sử dụng vi điều khiển DSPC2000 của Texas Instruments Bên cạnh đó, phiên bản 3 còn có ưu điểm là robot hoạt động nhanh và chính xác, lực quán tính nhỏ và robot có thể mang tải lên đến hơn 1 kg Đồng thời tích hợp các bộ điều khiển thông minh, để điều khiển online vòng kín, hồi tiếp Encoder thời gian thực giao tiếp với các thuật toán điều khiển thông minh, được tác giả xây dựng trên MATLAB/Simulink, để điều khiển bám quỹ đạo robot Delta 3-DOF được trình bày trong Hình 3.30

Hình 3.30: Ứng dụng giải thuật điều khiển thông minh trên hệ thực nghiệm robot

3.6.1 Thực nghiệm và kết quả trên quỹ đạo đường tròn

Các thông số của robot Delta phiên bản 3 trên hệ thực nghiệm, được tác giả cùng nhóm nghiên cứu xây dựng đến đây [52], [55], [56] và được trình bày trong Bảng 3.1

Bảng 3.1: Các thông số của robot Delta 3-DOF phiên bản 3

1/2/3 so với Ox của tấm cố định

Khối lượng của 3 tay trên

Khối lượng của 3 tay dưới

Khối lượng tấm chuyển động

Chiều dài tam giác đều đĩa nền trên/ dưới

Bán kính tấm nền cố định/ chuyển động

Chiều dài chân trên/ dưới

Vị trí ban đầu của tấm chuyển động P

Các thông số của 3 bộ điều khiển RFNN-PID trên hệ thực nghiệm được, tác giả cùng nhóm nghiên cứu xây dựng dựa vào Bảng 2.1 mục 2.4.2.3 tham khảo [51], [56], [164], [165] và được trình bày trong Bảng 3.2 với các thông số của mạng RFNN khởi tạo ngẫu nhiên

Bảng 3.2: Các thông số của 3 bộ PID với quỹ đạo đường tròn

Các thông số của bộ PID rời rạc 1 K p = 1.99; K i = 0.00001; K d = 0.008

Quỹ đạo đường tròn được tạo ra trong khối MATLAB Function, được trình bày trong công thức (3.1) và thời gian lấy mẫu chọn là 0.01, thời gian chạy thực nghiệm được chọn là vô cực (t=inf) x = 10+6*cos(t) ( ) y = 10+6*sin(t) ( ) z = -680 ( ) ref ref ref cm cm cm

Các kết quả đạt được khi chạy thực nghiệm trên robot với quỹ đạo đường tròn trên phiên bản 3, được trình bày trong video [168] và các kết quả đạt được đáp ứng các góc, đáp ứng các sai số và đáp ứng lực tác động làm quay 3 cánh tay trình bày từ Hình 3.31 cho đến Hình 3.33

Hình 3.31: Đáp ứng góc Theta_1 quỹ đạo đường tròn

Hình 3.32: Đáp ứng góc Theta_2 quỹ đạo đường tròn

Hình 3.33: Đáp ứng góc Theta_3 quỹ đạo đường tròn Quỹ đạo thực tế của đường tròn được trình bày trong Hình 3.34 và thực nghiệm trong video [168]

Hình 3.34: Kết quả thực nghiệm quỹ đạo đặt và quỹ đạo thực của đường tròn

3.6.2 Thực nghiệm và kết quả trên quỹ đạo đường số 8

Các thông số của robot Delta phiên bản 3 trên hệ thực nghiệm, được tác giả cùng nhóm cứu nghiên xây dựng [52], [55], [56] và được trình bày trong Bảng 3.1 ở trên Các thông số của 3 bộ điều khiển dựa vào Bảng 2.1 mục 2.4.2.3 tham khảo [51], [56], [164], [165], được trình bày trong Bảng 3.3 với các thông số mạng RFNN khởi tạo ngẫu nhiên

Bảng 3.310: Các thông số của 3 bộ PID với quỹ đạo đường số 8

Các thông số của bộ PID rời rạc 2 K p = 1; K i = 0.00008; K d = 0.0009

Quỹ đạo đường số 8 được tạo ra trong khối MATLAB Function, được trình bày trong công thức (3.2), thời gian lấy mẫu chọn là 0.01 và thời gian chạy thực nghiệm được chọn là vô cực (t=inf) x = 10+6*cos(t) ( ) y = 10+6*cos(t)*sin(t) ( ) z = -680 ( ) ref ref ref cm cm cm

Các kết quả đạt được khi chạy thực nghiệm với quỹ đạo đường số 8 trên phiên bản 3, được trình bày trong video [169] và các kết quả đạt được đáp ứng các góc, đáp ứng các sai số và đáp ứng lực tác động làm quay 3 cánh tay vẽ quỹ đạo đường số 8, được trình bày từ Hình 3.35 cho đến Hình 3.37

Hình 3.35: Đáp ứng góc Theta_1 của quỹ đạo đường số 8

Hình 3.36: Đáp ứng góc Theta_2 của quỹ đạo đường số 8

Hình 3.37: Đáp ứng góc Theta_3 của quỹ đạo đường số 8 Quỹ đạo thực tế của đường số 8, được trình bày trong Hình 3.38 và được thực nghiệm trong video [169]

Hình 3.38: Kết quả thực nghiệm quỹ đạo đặt và quỹ đạo thực của đường số 8 Sau khi thực nghiệm trên 2 quỹ đạo khác nhau, ta thấy quỹ đạo của robot Delta 3-DOF vẫn bám theo 2 quỹ đạo đường tròn và đường số 8, với sai số nằm trong khoảng [ 1.5 / 180;1.5 / 180](−   rad) Đánh giá hạn chế kết quả thực nghiệm trên mô hình robot Delta: mặc dù góc đáp ứng của cánh tay robot bám tốt góc tham chiếu (Hình 3.35 – Hình 3.37), tuy nhiên đầu mút của robot vẫn bị rung và không vẽ chính xác quỹ đạo mong muốn Hạn chế này được xác định bởi các nguyên nhân cơ bản sau: một là, hạn chế về vật liệu và khả năng chế tạo cơ khí chính xác của nhóm nghiên cứu, nên phần chân đế và các tay máy của robot Detla 3-DOF chưa đủ cứng vững; hai là, thời gian trễ truyền thông trên card DSP- C2000 cũng ảnh hưởng đến việc tác động kịp thời của tín hiệu điều khiển lên đối tượng

Do hạn chế về thời gian và kinh phí đầu tư, nên nghiên cứu này không chọn lựa hướng tiếp tục chế tạo phiên bản mới của robot Delta mà tiến hành kiểm chứng giải thuật điều khiển RFNN-PID trên một thiết bị công nghiệp sẵn có trong phòng thí nghiệm, đó là hệ ổn định lưu lượng chất lỏng RT020 của hãng Gunt-Hamburg.

Kết quả thực nghiệm trên hệ phi tuyến SISO

3.7.1 Mô hình thực nghiệm trên hệ ổn định lưu lượng chất lỏng RT020 Đối tượng thực nghiệm trong nghiên cứu này là hệ ổn định lưu lượng chất lỏng RT020 của hóng G.U.N.T Gerọtebau GmbH [158], được minh họa trờn Hỡnh 3.39 Hệ này gồm có các ngõ vào-ra như sau: X là lưu lượng nước thực tế trong đường ống kiểm soát (0-160 l/h, đối tượng điều khiển), Z là công suất máy bơm nước (0-100%) vào ống dẫn – công suất này có thể thay đổi tự do để giả lập nhiễu của tác động vào hệ thống và

Y là công suất van nước điều tiết lưu lượng trong đường ống kiểm soát (0-100%, tín hiệu điều khiển) Nhiệm vụ cơ bản của bộ điều khiển là kiểm soát góc công suất mở van tiết lưu Y, để giữ ổn định lưu lượng X của chất lỏng thích ứng với sự thay đổi của công suất Z của máy bơm

RT020 được xây dựng và đóng gói sẵn các bộ điều khiển P, PI, PID và ON-OFF trên Labview Người vận hành chỉ có thể thay đổi các thông số như: tín hiệu tham khảo, tham số bộ điều khiển, một số thông số về chất lượng điều khiển và an toàn Chương trình giao tiếp giữa MATLAB và thiết bị RT020 được xây dựng bởi [170], thông qua card LabJack [171], để đọc và hiển thị giá trị cảm biến, cũng như xuất các tín hiệu điều khiển các bộ phần chấp hành như: máy bơm, van nước tiết lưu,… Nhờ cơ chế giao tiếp này, bộ điều khiển có thể thiết kế trên MATLAB và truyền tín hiệu điều khiển xuống thiết bị một cách dễ dàng

Hình 3.39: Hệ thực nghiệm RT020

3.7.2 Nguyên lý điều khiển giám sát

Nguyên lý điều khiển đề xuất trong nghiên cứu này, được kế thừa từ nhiều công trình đã công bố và đã xây dựng thành công trên MATLAB/Simulink [159] Bộ điều khiển PID kết hợp với bộ điều khiển dùng mạng nơ-ron mờ hồi quy (RFNNC), trở thành một kỹ thuật điều khiển giám sát (supervisory control), được xây dựng dựa theo [172] Nguyên tắc nhận mô hình đối tượng dùng mạng nơ-ron mờ hồi quy (RFNNID), để xác định độ nhạy của đối tượng, gọi là thông tin Jacobian được xây dựng dựa theo [34], [52], [157] Hình 3.40 trình bày sơ đồ nguyên lý của hệ điều khiển được xây dựng trong nghiên cứu này

Hình 3.40: Nguyên lý điều khiển dùng mạng RFNN cho hệ RT020

Trong sơ đồ Hình 3.40, đối tượng điều khiển là hệ ổn định lưu lượng chất lỏng RT020, được kiểm soát và giữ ổn định bởi bộ điều khiển PID mặc định của [158] Tuy nhiên, các tham số cố định của của bộ PID không đủ linh hoạt để thích ứng với sự biến thiên của đối tượng, ví dụ như thay đổi công suất của máy bơm Vì vậy, bộ điều khiển RFNNC được tăng cường, để tinh chỉnh đáp ứng của đối tượng và thích nghi với sự biến đổi của đối tượng nhờ cơ chế huấn luyện trực tuyến của nó Giải thuật cập nhật trọng số của bộ điều khiển RFNNC, được triển khai theo [24] và các cải tiến trong [52], [55], [157], [34] Giải thuật này cần thông tin Jacobian, nên bộ nhận dạng mô hình đối tượng RFNNID cũng được xây dựng Bộ nhận dạng RFNNID cũng được huấn luyện trực tuyến, để cung cấp kịp thời thông tin về sự biến đổi của đối tượng cho bộ điều khiển

3.7.3 Sơ đồ bố trí thực nghiệm

Sơ đồ thực nghiệm điều khiển giám sát hệ RT020 của nghiên cứu này, được xây dựng trên MATLAB/Simulink và minh họa bố trí thực nghiệm được thể hiện trên Hình 3.41 Trong đó, bộ điều khiển PID được xác lập giá trị mặc định, với tham số bộ điều khiển Kp = 0.01, Ki = 0.5 và Kd = 0, được cung cấp bởi hãng Gunt [158]

Hình 3.41: a) Sơ đồ điều khiển giám sát hệ RT020; b) Bố trí thực nghiệm

3.7.4 Thực nghiệm và so sánh đánh giá kết quả

3.7.4.1 So sánh bộ điều khiển PID và bộ điều khiển giám sát RFNN-PID

Trong thực nghiệm này, lưu lượng tham khảo được đặt ở 80 lít/giờ trong 20 giây đầu tiên Ở 20 giây tiếp theo, lưu lượng tham khảo được nâng lên 120 lít/giờ

Hình 3.42: Kết quả thực nghiệm #1

Kết quả Hình 3.42 cho thấy bộ điều khiển dùng RFNNs, đã cải thiện được chất lượng điều khiển PI Cụ thể, bộ điều khiển PI trong [158] cho độ vọt lố cao (~30%), nhưng khi kết hợp nó với bộ điều khiển RFNNC thì độ vọt lố đã giảm mạnh Khi giải thuật huấn luyện các mạng RFNN đã ổn định, thì độ vọt lố của đáp ứng không còn đáng kể nữa Thời gian xác lập của đáp ứng đạt từ 7,5 đến 8,5 (s), phù hợp với thực tiễn

Trong khi đó, bộ điều khiển PI cho thời gian xác lập khoảng 12 (s)

Hình 3.43a trình bày các tín hiệu điều khiển, thành phần của kỹ thuật điều khiển giám sát dùng RFNNs Thành phần tín hiệu điều khiển do bộ RFNNC tạo ra, đã giúp cải thiện chất lượng điều khiển, khi mà thành phần điều khiển PI bắt đầu có tốc độ biến thiên chậm lại ở chế độ xác lập Hình 3.43b trình bày kết quả nhận dạng ngõ ra, của hệ RT020 và thông tin Jacobian của đối tượng Kết quả cho thấy, bộ RFNNID đã nhận dạng tốt lưu lượng chất lỏng Thành phần Jacobian ước lượng được từ bộ nhận dạng RFNNID, hỗ trợ tốt cho thuật toán cập nhật trực tuyến bộ điều khiển RFNNC

Hình 3.43: a) Tín hiệu điều khiển thực nghiệm #1; b) Kết quả nhận dạng thực nghiệm #1

3.7.4.2 Khảo sát chất lượng bộ RFNNC trên hệ thực nghiệm RT020

Hệ RT020 đã được hãng tích hợp cơ chế cưỡng bức giảm tốc độ máy bơm, bằng cách khống chế mạch driver của thiết bị Theo đó, công suất của máy bơm có thể được cài đặt từ 0 đến 100%, tại ngõ vào thứ hai (Z) của đối tượng điều khiển, trên Hình 3.41a [170] Khi Z=0 (%), bất kể tín hiệu điều khiển (Y) là bao nhiêu, thì hệ vẫn không hoạt động Khi Z0 (%) thì máy bơm sẽ hoạt động tùy thuộc vào ngõ vào điều khiển Y, để gây nhiễu lên thiết bị ta có thể giảm giá trị Z Ví dụ, khi Z (%) thì dù cho tín hiệu điều khiển Y đạt trị cực đại, thì công suất của máy bơn vẫn chỉ hoạt động ở 80 % Với cơ chế trên, trong thí nghiệm này Z sẽ được giảm xuống mức 50% và sau đó được nâng lên 75% để khảo sát đáp ứng của bộ điều khiển

Hình 3.44 trình bày kết quả thực nghiệm, khi có can thiệp giảm cưỡng bức công suất máy bơm nước trên hệ RT020 Khi công suất máy bơm bị giảm cưỡng bức xuống 50%, làm cho lưu lượng nước ngõ ra giảm mạnh, khi đó tín hiệu điều khiển đã được nâng lên mức cực đại (100 %) Tuy nhiên, do máy bơm đã bị làm yếu, nên lưu lượng ngõ ra có tăng, nhưng không thể đạt đến giá trị tham khảo (Hình 3.44) Sau đó, công suất máy bơm được kéo lên mức 75%, bộ điều khiển RFNNC-PID đã nhanh chóng đưa lưu lượng nước về giá trị tham khảo với đáp ứng không xuất hiện vọt lố và sai số xác lập không đáng kể

Hình 3.45a trình bày các tín hiệu điều khiển thành phần của bộ điều RFNN-PID

Từ kết quả Hình 3.45a ta thấy, tại giây thứ 40, khi công suất máy bơm đã được nâng từ 50% lên 75%, lúc này tín hiệu điều khiển PID đã tăng rất cao (trên Hình 3.45a, bộ bảo vệ đã cắt tín hiệu điều khiển ở mức tối đa là 100%), nên nó cần nhiều thời gian để giảm tín hiệu điều khiển Trong khi đó, bộ RFNNC chỉ cần vài chu kỳ lấy mẫu đã tạo ra tín hiệu điều khiển âm, góp phần kéo tín hiệu điều khiển tổng hợp về giá trị phù hợp để giữ ổn định lưu lượng nước tại giá trị tham khảo Kết quả này thể hiện một cách rõ ràng về sự góp mặt tích cực của bộ điều khiển RFNNC, trong cơ chế điều khiển giám sát này Ngoài ra, Hình 3.45b cũng cho thấy bộ nhận dạng RFNNID đã đảm nhận tốt vai trò nhận dạng lưu lượng nước ngõ ra của hệ RT020 và xác định được thông tin Jacobian, để cung cấp cho giải thuật cập nhật trực tuyến bộ điều khiển RFNNC [159]

Hình 3.44: Kết quả thực nghiệm #2 a) b)

Hình 3.45: a) Tín hiệu điều khiển thực nghiệm #2; b) Kết quả nhận dạng thực nghiệm #2

Kết quả thực nghiệm bộ điều khiển giám sát RFNNC-PID, kết hợp với bộ nhận dạng RFNNI để điều khiển hệ phi tuyến thực là hệ ổn định lưu lượng chất lỏng RT020, được trình bày trong video [173] Kết quả thực nghiệm đã chứng tỏ được thời gian cập nhật tham số của mạng đủ nhanh và kết thúc trong chu kỳ lấy mẫu, để đảm bảo tín hiệu điều khiển trên mô hình thực không bị trễ đáng kể

Nghiên cứu thực nghiệm được bộ điều khiển giám sát, kết hợp giữa bộ điều khiển PID truyền thống và bộ điều khiển dùng mạng RFNN (gọi là RFNNC) Bộ RFNNC đảm nhận trách nhiệm tinh chỉnh đáp ứng của RT020, nhờ cơ chế giám sát và cập nhật tham số trực tuyến của nó Giải thuật cập nhật tham số của bộ điều khiển RFNNC, sử dụng thông tin Jacobian từ bộ nhận dạng RFNNID, để thích ứng với sự biến thiên của đối tượng Các kết quả thực nghiệm cho thấy, khi kết hợp với bộ RFNNC, đáp ứng của hệ RT020 đã được cải thiện đáng kể Khi giải thuật cập nhật thông số RFNNs hội tụ, đáp ứng lưu lượng của thiết bị RT020 có độ vọt lố không đáng kể nữa Ngoài ra, bộ điều khiển RFNNC cũng góp phần giảm thời gian xác lập của đối tượng, từ khoảng 12 (s) xuống còn khoảng 80.5 (s)

Do hạn chế về thiết bị thí nghiệm, nên điểm yếu cơ bản của nghiên cứu này là hệ RT020 chỉ phi tuyến nhẹ với thời gian trễ ngắn Do đó, nghiên cứu này thật sự cũng chưa đánh giá đầy đủ các yếu tố tác động đến hệ điều khiển, khi thực nghiệm trên hệ phi tuyến mạnh hơn

Chương 3 trình bày các bước thiết kế và lắp ráp phần cứng mô hình robot Delta

3-DOF, tủ điều khiển và thực nghiệm điều khiển vòng kín các bộ điều khiển đã xây dựng trên MATLAB/Simulink, để điều khiển bám quỹ đạo online mô hình hệ phi tuyến thực là robot Delta 3-DOF Trình bày thực nghiệm điều khiển vòng kín bộ điều khiển giám sát RFNN-PID, trên hệ ổn định lưu lượng chất lỏng RT020, thông qua giao thức truyền nhận dữ liệu UART Sau khi thực nghiệm điều khiển bám quỹ đạo đường tròn và đường số 8, trên mô hình robot Delta 3-DOF phiên bản 3, ta thấy quỹ đạo thực của robot Delta 3-DOF vẫn bám tốt theo 2 quỹ đạo tham chiếu đường tròn và đường số 8, với sai số nằm trong khoảng [ 1.5 / 180;1.5 / 180]( −   rad ) Đồng thời kết quả thực nghiệm bộ điều khiển giám sát RFNN-PID trên hệ ổn định lưu lượng chất lỏng RT020, có độ vọt lố không đáng kể và bộ điều khiển RFNNC, cũng góp phần giảm thời gian xác lập của đối tượng, từ khoảng 12 (s) xuống còn khoảng 80.5 (s)

KẾT LUẬN VÀ ĐỀ NGHỊ Kết quả đạt được

Định dạng
Số trang	169
Dung lượng	8,14 MB