điều khiển cân bằng hệ con lắc ngược quay song song dựa trên anfis

Để đạt được điều này, nhóm sinh viên sẽ thực hiện các công việc sau: • Xây dựng mô hình phần cứng cho hệ thống con lắc ngược quay song song.. LÊ THỊ THANH HOÀNG NHẬN XÉT Về nội dung đề t

TỔNG QUAN

Đặt vấn đề

Trong bối cảnh không ngừng phát triển công nghệ hiện nay, lý do điều khiển tự động đã và đang trở thành một trong những trụ cột quan trọng nhất Công nghệ hiện đại không chỉ đơn thuần là sự tiến bộ của các thiết bị và hệ thống, mà còn đòi hỏi sự tối ưu hóa và điều khiển chính xác để đạt được hiệu quả cao nhất Lý thuyết điều khiển tự động đóng vai trò sau đó tạm thời đảm bảo rằng các hệ thống này hoạt động ổn định Trước đó, lý do điều khiển tự động giúp cải thiện hiệu suất của các sản phẩm và hoạt động sản xuất Trong ngành công nghiệp, các hệ thống tự động hóa dựa trên lý do điều khiển cho phép điều chỉnh và duy trì các tham số quan trọng một cách liên tục và chính xác Điều này không chỉ giúp tăng cường năng suất mà còn giảm thiểu lỗi và lãng phí, từ đó nâng cao chất lượng sản phẩm và để tiếp tục phát triển và ứng dụng hiệu quả, cần có những nghiên cứu và đổi mới liên tục

Trong các trường đại học và các phòng nghiên cứu lý thuyết tự động hiện nay có một số mô hình tương đối phổ biến được sử dụng để làm đối tượng nghiên cứu kiểm tra các giải thuật đó là con lắc ngược quay đơn thanh (RIP), và phát triển hơn của hệ quay đơn thanh đó là con lắc ngược quay hai thanh nối tiếp (RDSIP) Các mô hình này được nghiên cứu thành công trong cả mô phỏng và thực tế và được trình bày rộng rãi trên các bài báo khoa học Có một mô hình rất phức tạp và có độ khó cao trong việc nghiên cứu đó là con lắc ngược kép quay kiểu song song (PRDIP), thực tế mô hình này rất mới và rất ít các nhóm nghiên cứu và thực hiện được mô hình phức tạp này Có một nhóm sinh viên đã thực hiện thành công trên mô hình PRDIP với giải thuật điều khiển LQR

Trong luận văn tốt nghiệp này, nhóm sinh viên đề xuất thực hiện nghiên cứu và phát triển trên mô hình con lắc ngược quay hai thanh song song (PRDIP) Với việc sử dụng ANFIS để học các kết quả của LQR của nhóm sinh viên thực hiên thành công trước đó nhằm cải thiện hiệu suất điều khiển của hệ thống thông qua việc tự điều chỉnh các thông số của bộ điều khiển dựa trên dữ liệu thực tế thu thập được từ hệ thống Điều này giúp tối ưu hóa hiệu suất hoạt động của PRDIP trong các ứng dụng thực tế, như cân bằng và điều khiển vị trí của nó Việc sử dụng ANFIS để học các kết quả của các giải thuật trên một mô hình phức tạp như là PRDIP mô hình thuộc loại SIMO(Single-Input Multiple-Output) thực sự rất khó khăn và rất ít người làm được vì tính phức tạp của nó, nhưng nhóm sinh viên đã cố gắng và nghiên cứu thành công

2 được mô hình phức tạp này khi dùng bộ điều khiển ANFIS trên cả mô phỏng và thực nghiệm

❖ Các kết quả nghiên cứu nước ngoài

Cho đến hiện nay, mô hình PRDIP áp dụng ANFIS và các giải thuật đã được một số nhóm tác giả nước ngoài nghiên cứu và trình bày trên các mặt báo khoa học Cụ thể như sau:

Năm 2015, nhóm tác giả gồm có Deepak Chandran, Bipin Krishna, Dr V I George, Dr I Thirunavukkarasu đã thực hiện nghiên cứu về việc nhận dạng hệ thống con lắc ngược quay hai thanh song song sử dụng mạng nơ rơn nhân tạo [1] Trong bài báo, nhóm tác giả đã thành lập phương trình toán mô tả hệ thống dựa vào phương trình Lagrange Sau đó, quá trình nhận dạng mô hình PRDIP được nhóm tác giả triển khai thông qua việc sử dụng mạng nơ ron nhân tạo và độ chính xác của mô hình được kiểm tra bằng cách thay đổi số lượng nơ-ron trong lớp ẩn và kết quả cho thấy rằng sai số toàn phương trung bình (mean squared error) bị giảm đáng kể khi có nhiều nơ- ron hơn trong lớp ẩn Vào năm 2022, nhóm tác giả gồm A Kharola, Rahul and V Pokhriyal, đã thực hiện nghiên cứu phương pháp PID-based ANFIS trên mô hình PRDIP [2] Trong bài nghiên cứu, nhóm tác giả đã đề xuất các chiến lược điều khiển đạo hàm theo tỷ lệ-tích phân (PID) và mờ thần kinh thích ứng (ANFIS) để ổn định con lắc đôi ngược phi tuyến tính cao Các phương trình vi phân của hệ thống đề xuất được suy ra bằng định luật thứ hai của Newton Kết quả của bộ điều khiển PID đã được thu thập và sử dụng cho việc huấn luyện bộ điều khiển ANFIS Nghiên cứu này xem xét một bộ điều khiển ANFIS mới được thiết kế chỉ sử dụng hai hàm thành viên để giải quyết vấn đề bùng nổ quy tắc Nghiên cứu cuối cùng đã so sánh kết quả của bộ điều khiển PID và ANFIS về thời gian ổn định, lỗi trạng thái ổn định và phản hồi vượt mức Kết qua bài nghiên cứu cho thấy, nhóm tác giả đã thực hiện thành công việc điều khiển PID-based ANFIS cho hệ PRDIP Năm 2013, nhóm tác giả bao gồm

V Mohan và N Singh đã thực hiện nghiên cứu điều khiển hệ thống con lắc ngược quay kép [3] Trong bài báo này, hiệu suất của điều khiển LQR và ANFIS cho hệ thống Con lắc ngược đôi được so sánh Hệ thống con lắc ngược kép rất không ổn định và phi tuyến Mô hình toán học được trình bày bằng cách tuyến tính hóa hệ thống theo vị trí thẳng đứng của nó Việc phân tích hệ thống được thực hiện vì tính ổn định, khả năng kiểm soát và khả năng quan sát của nó Hơn nữa, bộ điều khiển LQR và bộ điều khiển ANFIS dựa trên phản ứng tổng hợp biến trạng thái được đề xuất để điều khiển hệ thống con lắc ngược kép và kết quả mô phỏng cho thấy bộ điều khiển ANFIS có hiệu suất theo dõi và hiệu suất loại bỏ nhiễu tốt hơn so với bộ điều khiển LQR

❖ Các kết quả nghiên cứu trong nước

Năm 2023, nhóm tác giả bao gồm M -D Vo et al, đã nghiên cứu giải thuật LQR trên mô hình PRDIP, Trong nghiên cứu này, nhóm tác giả đã áp dụng thành công cho mô hình PDRIP cho cả mô phỏng và thực nghiệm [4]

Lý do chọn đề tài

Như đề cập ở trên, hiện nay có rất nhiều nghiên cứu trong họ con lắc ngược quay gồm con lắc quay đơn thanh (RIP) và con lắc ngược quay hai thanh nối tiếp (RDSIP) đã được áp dụng nhiều giải thuật khác nhau trong đó có sử dụng ANFIS Trong luận văn tốt nghiệp này, thay vì sử dụng hai đối tượng trên để nghiên cứu, nhóm sinh viên sẽ đề xuất và chọn đề tài “ĐIỀU KHIỂN CÂN BẰNG HỆ CON LẮC NGƯỢC QUAY SONG SONG DỰA TRÊN ANFIS” để làm đề tài cho luận văn tốt nghiệp Đối tượng con lắc ngược quay hai thanh song song là một đối tượng mới trong việc kiểm chứng giải thuật Qua đó nhóm sinh viên muốn tìm hiểu và triển khai với việc sử dụng ANFIS để học các kết quả của LQR của nhóm sinh viên thực hiên thành công trước đó nhằm cải thiện hiệu suất điều khiển của hệ thống thông qua việc tự điều chỉnh các thông số của bộ điều khiển dựa trên dữ liệu thực tế thu thập được từ hệ thống Điều này giúp tối ưu hóa hiệu suất hoạt động của PRDIP trong các ứng dụng thực tế, như cân bằng và điều khiển vị trí của nó và để làm rõ hơn về đối tượng nghiên cứu mới này cũng như là cách triển khai bộ điều khiển để giúp hệ thống hoạt động một cách tốt nhất, việc dùng ANFIS để học giải thuật LQR trên đối tượng PRDIP thuộc đối tượng SIMO(Single-Input Multiple-Output) thật sự rất khó khăn, vì đối tượng nhóm sinh viên nghiên cứu mang tính phức tạp rất cao, nhưng nhóm sinh viên đã áp dụng bộ điều khiển ANFIS một cách thành công.

Mục tiêu của đề tài

Mục tiêu của nhóm sinh viên trong luận văn tốt nghiệp này như sau:

- Mô tả phương trình toán học của hệ thống

- Lựa chọn và thiết kế mô hình phần cứng phù hợp cho hệ thống

- Tìm hiểu và đề xuất giải thuật nghiên cứu

- Tìm hiểu lý thuyết logic mờ

- Tìm hiểu lý thuyết mạng nơron

- Thực hiện triển khai các giải thuật điều khiển cho hệ thống trên mô phỏng và điều khiển thực tế

- Thiết kế bộ điều khiển ANFIS để điều khiển hệ con lắc ngược quay song song

- Ghi nhận, so sánh và nhận xét kết quả đã thực hiện trong từng trường hợp trên mô hình.

Nội dung của đề tài

Những nội dung chính mà nhóm sinh viên thực hiện trong luận văn

- CHƯƠNG 1 TỔNG QUAN: trình bày về sự phát triển của công nghệ cũng như lý thiết điều khiển tự động và các nghiên cứu bài báo liên quan đến đề tài và lý do chọn đề tài của cũng như mục tiêu và nhóm sinh viên hướng tới

- CHƯƠNG 2 CƠ SỞ LÝ THUYẾT: nhóm sinh viên sẽ trình bày tổng quan về đối tượng được nghiên cứu và kiểm chứng các phương trình toán học

- CHƯƠNG 3 ĐỀ XUẤT GIẢI THUẬT ĐIỀU KHIỂN: nhóm sinh viên sẽ trình bày lý thuyết bộ điều khiển ANFIS

- CHƯƠNG 4 THIẾT KẾ PHẦN CỨNG VÀ LỰA CHỌN THIẾT BỊ: lựa chọn và đưa ra các thiết bị phù hợp của mô hình phần cứng của mô hình PRDIP

- CHƯƠNG 5 KẾT QUẢ MÔ PHỎNG VÀ THỰC NGHIỆM: trình bày và các kết quả thu được của hệ thống trên mô hình và thực nghiệm Tiếp đó, sẽ so sánh nhận xét kết quả của các trường hợp mà nhóm sinh viên đã thực hiện trên PDRIP

- CHƯƠNG 6 KẾT LUẬN: đưa ra những đánh giá cho luận văn và đưa ra các hướng phát triển hơn mà nhóm sinh viên thực hiện muốn hướng đến.

CƠ SỞ LÝ THUYẾT

Giới thiệu về họ con lắc ngược quay

Các mô hình thuộc họ con lắc ngược quay đang được sử dụng phổ biến trong nghiên cứu lý thuyết điều khiển tự động và cũng được áp dụng trong giảng dạy tại các trường đại học Trong số đó, mô hình con lắc ngược quay đơn thanh (RIP) là một trong những mô hình phổ biến và được sử dụng rộng rãi nhất

RIP được xây dựng từ hai thanh đồng chất, trong đó đầu của một thanh cánh tay được gắn chặt vào một động cơ DC Đầu cuối của thanh cánh tay này nối với đầu của thanh con lắc thông qua một encoder để tính toán góc lệch giữa hai thanh, cho phép thanh con lắc quay tự do xung quanh khớp nối với thanh cánh tay

Hình 2 1: Mô hình con lắc ngược quay đơn thanh

Tiếp theo, một mô hình phức tạp hơn được phát triển từ RIP là mô hình con lắc ngược quay hai thanh nối tiếp (RDSIP) Mô hình này bổ sung một thanh con lắc nối tiếp vào hệ thống RIP ban đầu, tạo ra một cấu trúc có độ phức tạp cao hơn Một số mô hình thực tế được nghiên cứu và xây dựng hiện nay như sau:

CHƯƠNG 2 CƠ SỞ LÝ THUYẾT

Hình 2 2: Mô hình con lắc ngược quay hai bậc nối tiếp

Một hướng nghiên cứu mới đáng chú ý là hệ thống con lắc ngược quay hai thanh song song (PRDIP), một biến thể tiên tiến hơn của hệ thống RIP Dù đã ít được khám phá so với các mô hình khác, PRDIP hứa hẹn mang lại những tiến bộ đáng kể Tuy nhiên, việc xây dựng và điều khiển thành công hệ thống PRDIP là một thách thức lớn do đòi hỏi sự hiểu biết sâu sắc về cả vật lý và toán học

Trong thực tế, có thông tin cho rằng nhóm nghiên cứu do Ichiro Maruta và đồng nghiệp thực hiện đã thành công trong việc xây dựng và điều khiển một mô hình PRDIP, đây là một bước tiến quan trọng trong lĩnh vực này.Mô hình đó được trình bày ở Hình 2 3

Hình 2 3: Mô hình con lắc ngược quay hai bậc song song

ĐỀ XUẤT GIẢI THUẬT ĐIỀU KHIỂN

Phân tích tính ổn định của bộ điều khiển LQR

CHƯƠNG 3 ĐỀ XUẤT GIẢI THUẬT ĐIỀU KHIỂN

3.1 Lý thuyết điều khiển LQR

Giải thuật Linear Quadratic Regulator (LQR) là một phương pháp điều khiển tối ưu rất phổ biến trong lý thuyết và thực tế Nó cho phép điều khiển ổn định cho các hệ thống phi tuyến như con lắc ngược quay hoặc con lắc ngược trên xe LQR được thiết kế để cải thiện hiệu suất của hệ thống điều khiển phản hồi trạng thái tuyến tính trong không gian thời gian liên tục

Theo tài liệu [6], một hệ điều khiển hoạt động tốt nhất khi luôn duy trì ở trạng thái tối ưu theo một tiêu chuẩn chất lượng nhất định (đạt giá trị cực trị) Việc đạt được trạng thái tối ưu phụ thuộc vào các yếu tố như yêu cầu chất lượng, sự hiểu biết về đối tượng và tác động lên nó, cũng như điều kiện làm việc của hệ

Hình 3 1: Cấu trúc của bộ điều khiển LQR

Trong đó: ma trận A, B và C là ma trận hệ thống

Chỉ tiêu chất lượng 𝐽 đạt giá trị cực tiểu:

J = ∫ (x 0 ∞ T Qx + u T Ru)dt (3.2) Trong đó:

- Q là ma trận xác định dương (hoặc bán xác định dương)

- R là ma trận xác định dương tối ưu năng lượng

Bên phải phương trình (3.2) xác định lượng năng lượng tiêu tốn của tín hiệu điều khiển Để tìm giá trị của ma trận K cho vector điều khiển tối ưu sao cho hàm mục tiêu đạt cực tiểu :

CHƯƠNG 3 ĐỀ XUẤT GIẢI THUẬT ĐIỀU KHIỂN

Trong đó ma trận K được tính theo công thức sau:

Với S được giải từ phương tình vi phân Ricati:

Khi S không thay đỏi theo thời gian thì S=0, từ đó có thể viết lại phương trình Ricati (3.5) như sau:

3.2 Phân tích tính ổn định của bộ điều khiển LQR Ở phần này, nhóm sinh viên thực hiện phân tích tính ổn định của bộ điều khiển LQR

Thay thế phương trình (3.3) và (3.4) vào hệ phương trình biến trạng thái (3.1) thu được như sau: ẋ = Ax + B(−R T B T Sx) = (A − BR T B T S)x (3.7) Bây giờ chọn hàm năng lượng:

V = x T Sx V(x) ≥ 0, ∀x (3.8) Với S là ma trận vuông xác định dương

Do V(x) xác định dương, nên để hệ thống ổn định thì V(x) phải xác định âm Đặt lại như sau:

Do ma trận Q và R là ma trận xác định dương nên (𝑄 + 𝐾 𝑇 𝑅𝐾) cũng là xác định dương, từ đó có thể kết luận rằng 𝑉̇(𝑥) sẽ xác định âm

Từ (3.8) và (3.10) có được V > 0 và V̇ < 0 thỏa mãn tiêu chuẩn ổn định thứ hai Lyapunov nên kết luận rằng bộ điều khiển ổn định

CHƯƠNG 3 ĐỀ XUẤT GIẢI THUẬT ĐIỀU KHIỂN

Lý thuyết bộ điều khiển ANFIS

3.3.1 Tổng quan về logic mờ

Lôgic mờ thường được sử dụng trong các hệ thống sau:

• Hệ thống điều khiển phi tuyến

• Hệ thống điều khiển yêu cầu khả năng thích ứng cao với các biến đổi môi trường

• Hệ thống điều khiển robot và tự động hóa, nơi tính linh hoạt và khả năng xử lý các thông tin mơ hồ là quan trọng

• Hệ thống điều khiển nhiệt độ và điều hòa không khí, giúp tối ưu hóa hiệu suất và tiết kiệm năng lượng

• Hệ thống điều khiển mà tham số hoặc mô hình đối tượng không thể xác định được

Mô hình mờ Mamdani, hay còn gọi là hệ suy diễn mờ Mamdani, là một trong những phương pháp phổ biến nhất để xây dựng hệ thống điều khiển mờ Được đặt theo tên của Ebrahim Mamdani, người đã đề xuất phương pháp này vào những năm

1970, mô hình mờ Mamdani đặc trưng bởi khả năng xử lý các thông tin không chắc chắn và phi tuyến tính Dưới đây là mô tả chi tiết về mô hình mờ Mamdani:

Các bước xây dựng mô hình mờ Mamdani:

Biến đầu vào được chuyển đổi từ giá trị rõ ràng (crisp value) sang giá trị mờ (fuzzy value) bằng cách sử dụng các hàm thành viên (membership functions) Các hàm thành viên này có thể có dạng hình tam giác, hình thang, hay hình chuông

Sử dụng các luật mờ (fuzzy rules) để đưa ra quyết định Mỗi luật mờ thường có dạng "Nếu thì " (IF THEN ) Ví dụ: "Nếu nhiệt độ cao và độ ẩm thấp thì quạt chạy nhanh." Các luật này được thiết lập dựa trên kinh nghiệm và hiểu biết về hệ thống

Kết quả của mỗi luật mờ được tổng hợp lại để tạo ra một tập mờ đại diện cho đầu ra của hệ thống Các phương pháp tổng hợp phổ biến bao gồm min-max và phương pháp trọng số

CHƯƠNG 3 ĐỀ XUẤT GIẢI THUẬT ĐIỀU KHIỂN

Biến đầu ra mờ được chuyển đổi trở lại thành giá trị rõ ràng bằng cách sử dụng các phương pháp như centroid (trung tâm của vùng), bisector (phân chia), mean of maximum (trung bình của giá trị cực đại), hoặc phương pháp height Ưu điểm của mô hình mờ Mamdani:

• Dễ hiểu và dễ thực hiện: Các quy tắc và quá trình suy diễn dễ hiểu và dễ thực hiện, ngay cả đối với người không chuyên về toán học

• Xử lý thông tin không chắc chắn: Có khả năng xử lý tốt các thông tin không chắc chắn và phi tuyến tính

• Linh hoạt: Có thể áp dụng trong nhiều lĩnh vực khác nhau như điều khiển tự động, dự báo, và phân loại

Hạn chế của mô hình mờ Mamdani:

• Phức tạp khi hệ thống lớn: Số lượng quy tắc có thể tăng rất nhanh khi số lượng biến đầu vào tăng, dẫn đến sự phức tạp trong việc quản lý và tối ưu hóa hệ thống

• Hiệu quả tính toán: Quá trình tổng hợp và giải mờ có thể tốn kém về mặt tính toán khi hệ thống có nhiều đầu vào và đầu ra

Mô hình mờ Sugeno, hay còn gọi là mô hình mờ Takagi-Sugeno-Kang (TSK), là một phương pháp điều khiển mờ được giới thiệu bởi Takagi, Sugeno và Kang vào năm 1985 Mô hình này đặc trưng bởi đầu ra của các quy tắc mờ là các hàm số bậc nhất hoặc hằng số, giúp đơn giản hóa quá trình giải mờ và cải thiện hiệu suất tính toán so với mô hình Mamdani

Các bước xây dựng mô hình mờ Sugeno:

Biến đầu vào được chuyển đổi từ giá trị rõ ràng (crisp value) sang giá trị mờ (fuzzy value) bằng cách sử dụng các hàm thành viên (membership functions) Các hàm thành viên này có thể có dạng hình tam giác, hình thang, hoặc Gaussian

Sử dụng các luật mờ (fuzzy rules) để đưa ra quyết định Mỗi luật mờ thường có dạng "Nếu thì " Tuy nhiên, khác với mô hình Mamdani, phần kết luận (THEN) của mỗi luật trong mô hình Sugeno là một hàm số hoặc một hằng số

CHƯƠNG 3 ĐỀ XUẤT GIẢI THUẬT ĐIỀU KHIỂN

Kết quả của mỗi luật mờ được tổng hợp lại để tạo ra một giá trị đại diện cho đầu ra của hệ thống Quá trình tổng hợp này thường sử dụng phương pháp trung bình có trọng số

Trong mô hình Sugeno, quá trình giải mờ thường đơn giản hơn vì đầu ra của các luật mờ đã là các giá trị rõ ràng hoặc các hàm số Giá trị cuối cùng của đầu ra là một tổng trọng số của các giá trị này Ưu điểm của mô hình mờ Sugeno:

• Hiệu quả tính toán: Quá trình giải mờ đơn giản và nhanh chóng hơn do đầu ra của các luật mờ là các hàm số hoặc hằng số

• Khả năng mô hình hóa: Mô hình Sugeno có khả năng mô hình hóa các hệ thống phi tuyến tính phức tạp một cách hiệu quả

• Dễ dàng kết hợp với các phương pháp khác: Mô hình Sugeno có thể dễ dàng kết hợp với các phương pháp học máy và tối ưu hóa để cải thiện hiệu suất điều khiển

Hạn chế của mô hình mờ Sugeno:

• Khó hiểu đối với người dùng: Phần kết luận của các luật mờ trong mô hình Sugeno là các hàm số, có thể làm cho hệ thống khó hiểu hơn đối với người dùng không chuyên

THIẾT KẾ PHẦN CỨNG VÀ THIẾT BỊ THỰC TẾ

Thiết kế khung cho mô hình con lắc thực tế

Sau quá trình nghiên cứu và tính toán kỹ lưỡng, nhóm sinh viên đã lựa chọn thép là vật liệu hoàn hảo cho khung đế, đảm bảo khả năng chịu tải cao và đáp ứng mọi yêu cầu kỹ thuật

Hình 4.1: Hình chiếu đứng Hình 4.2: Hình chiếu cạnh

Hình 4 3: Hình chiếu bằng Hình 4 4: Hình hoàn chỉnh của bộ phận

Bảng 4 1: Kích thước khung đế

Thông số Kích thước Đơn vị

Chiều cao chân đế 50 mm

Khoảng cách giữa 2 trục 170 mm

Nhóm sinh viên lựa chọn thép dày 2 (mm) và ống trục dài 300 (mm) để làm thân khung cho mô hình

CHƯƠNG 4 THIẾT KẾ PHẦN CỨNG VÀ THIẾT BỊ THỰC TẾ

Hình 4 5: Hình chiếu đứng Hình 4 6: Hình chiếu cạnh

Hình 4 7: Hình chiếu bằng Hình 4 8: Hình toàn bộ phận

Bảng 4 2: Kích thước thân khung

Thông số Kích thước Đơn vị

Khoảng cách giữa 2 trục 170 mm

Tiết diện động cơ 54 mm

4.1.3 Thiết kế thanh cánh tay quay

Hình 4 9: Hình chiếu đứng Hình 4 10 Hình chiếu cạnh

Lựa chon thiết bị thực tế cho mô hình

Hình 4 11: Hình chiếu bằng Hình 4 12: Hình toàn bộ phận

Bảng 4 3: Kích thước thanh cánh tay quay

Thông số Kích thước

Tiết diện ống gắn trục động cơ 20mm

4.1.4 Mô hình 3D sau khi hoàn thành các bộ phận

Hình 4 13: Mô hình 3D cho hệ PRDIP

4.2 Lựa chon thiết bị thực tế cho mô hình

4.2.1 Giới thiệu về board STM32F4 DISCOVERY

Board STM32F4 DISCOVERY là một board phát triển dựa trên vi điều khiển STM32F407VGT6 của hãng STMicroelectronics Board này có thể được sử dụng để thực hiện các ứng dụng nhúng đa năng như điều khiển động cơ, âm thanh, video, giao tiếp không dây và nhiều hơn nữa Board STM32F4 DISCOVERY được trang bị một số tính năng nổi bật như:

- Vi điều khiển 32-bit ARM Cortex®-M4 STM32F407VGT6 mang lại tốc độ xử lý nhanh chóng và khả năng tính toán dấu phẩy động vượt trội

- On-board ST-LINK/V2 trên STM32F4-DISCOVERY giúp dễ dàng nạp chương trình và gỡ lỗi trực tiếp trên bảng mạch, tiết kiệm thời gian và công sức

CHƯƠNG 4 THIẾT KẾ PHẦN CỨNG VÀ THIẾT BỊ THỰC TẾ

- Nguồn điện cung cấp cho board: Bảng mạch có khả năng được cung cấp nguồn thông qua cổng USB hoặc nguồn cung cấp điện áp 5V bên ngoài, giúp tăng tính linh hoạt trong quá trình sử dụng

- Cảm biến chuyển động LIS302DL: Được tích hợp sẵn trên board, cảm biến này cung cấp thông tin về chuyển động 3 trục, giúp phát hiện và theo dõi các hoạt động chuyển động

- Cảm biến âm thanh MP45DT02 ST-MEMS, mic cảm biến âm thanh vô hướng kỹ thuật số

- Bộ chuyển đổi DAC âm thanh CS43L22: Đây là một thành phần quan trọng cho việc xử lý âm thanh trên board, giúp tạo ra âm thanh chất lượng cao từ dữ liệu số

Với những tính năng trên, board STM32F4 DISCOVERY không chỉ cung cấp một môi trường phát triển linh hoạt cho các ứng dụng nhúng, mà còn giúp đơn giản hóa quá trình phát triển và thử nghiệm các ứng dụng liên quan đến cảm biến chuyển động và âm thanh

Thông số kỹ thuật của động cơ được trình bày ở Bảng 4 4

Bảng 4 4: Thông số kỹ thuật của board STM32F4

Vi điều khiển STM32F4 Điện áp hoạt động 5v

Tần số hoạt động 168 MHz Dòng tối đa trên mỗi chân I/O

25mA Dòng ra tối đa 100mA

CHƯƠNG 4 THIẾT KẾ PHẦN CỨNG VÀ THIẾT BỊ THỰC TẾ

4.2.2 Động cơ servo Nisca NF5475 Encoder Để duy trì trạng thái cân bằng cho hệ con lắc ngược quay, việc sử dụng động cơ được trang bị Encoder là giải pháp hiệu quả Encoder cung cấp thông tin về vị trí và tốc độ quay của trục động cơ, giúp điều khiển chính xác chuyển động của con lắc Nhóm sinh viên dùng động cơ có tích hợp sẵn Encoder với số xung là 200 ppr

Hình 4 15: Động cơ servo Nisca NF5475 Encoders

Thông số kỹ thuật của động cơ được trình bày ở Bảng 4 5

Bảng 4 5: Thông số kỹ thuật của động cơ servo Nisca NF5475 Encoders

Thông số Định nghĩa Giá trị

T Momen động cơ 74.83 (Kg.cm)

Tốc độ không tải 3818 RPM n Số vòng quay/phút

4500 (vòng/phút) Theo tài liệu [8],thông số động cơ Nisca được trình bày trong bảng Bảng 4 6

Bảng 4 6: Thông số động cơ Servo Nisca NF5475 Encoder

Thông số Ý nghĩa Trị số

K b Hằng số phản điện (V/rad/sec) 0.09

J m Moment quán tính của rotor động cơ DC (kgm 2 )

C m Hệ số ma sát nhớt (Nm/rad/sec) 0.000048

CHƯƠNG 4 THIẾT KẾ PHẦN CỨNG VÀ THIẾT BỊ THỰC TẾ

Việc điều khiển điện áp cấp cho động cơ được thực hiện bằng cách phát xung PWM từ STM32F4 Bằng cách thay đổi tần số và độ rộng xung PWM (Pulse Width Modulation) được áp dụng cho ngõ vào điều khiển, ta có thể điều chỉnh tốc độ quay của động cơ Khi tín hiệu điều khiển được áp dụng cho IN1 và IN2, Mosfet Q1 và Q4 dẫn, tạo thành đường dẫn cho dòng điện chạy qua động cơ theo chiều thuận Khi tín hiệu điều khiển được áp dụng cho IN3 và IN4, Mosfet Q2 và Q3 dẫn, tạo thành đường dẫn cho dòng điện chạy qua động cơ theo chiều ngược

Mạch cầu H IR2184 là một linh kiện điện tử được sử dụng phổ biến để điều khiển động cơ DC, cho phép đảo chiều quay động cơ bằng cách thay đổi hướng dòng điện qua cuộn dây Mạch cầu H IR2184 sử dụng 4 transistor Mosfet hoặc IGBT được kết nối theo cấu trúc cầu H Hai Mosfet kênh N ở phía trên và hai Mosfet kênh P ở phía dưới tạo thành cầu H Mạch tích hợp mạch cách ly quang điện (optocoupler) để bảo vệ mạch điều khiển và mạch công suất khỏi nhiễu và sự ảnh hưởng lẫn nhau Optocoupler truyền tín hiệu điều khiển từ mạch điều khiển sang mạch công suất một cách an toàn và hiệu quả Mạch cầu H IR2184 có thể hoạt động với điện áp nguồn từ 10V đến 20V và dòng điện tối đa 2A cho mỗi transistor Mạch cầu H chịu được dòng 10A và điều xung được 95% Có ngõ vào điều xung PWM và ngõ vào chọn chiều quay của động cơ Mạch cầu H IR2184 có thể được sử dụng để điều khiển các loại động cơ DC như động cơ không chổi than, động cơ bước hay động cơ servo

Chức năng của từng chân của mạch cầu H IR2184 được trình bày ở Bảng 4 7

Bảng 4 7: Chức năng các chân của mạch cầu H IR2184

D- Chân đảo chiều động cơ D+ Chân đảo chiều đông cơ P+ Chân nhận xung PWM từ vi điều khiển P- Chân nhận xung PWM từ vi điều khiển

CHƯƠNG 4 THIẾT KẾ PHẦN CỨNG VÀ THIẾT BỊ THỰC TẾ

M1 Chân kết nối với động cơ DC M2 Chân kết nối với động cơ DC 24+ Chân nối cực dương của nguồn 24V DC GND Chân nối 0V DC

Sử dụng Encoder độ phân giải cao là yếu tố then chốt để đảm bảo hiệu quả hoạt động cho hệ thống con lắc ngược quay Encoder cung cấp thông tin chính xác và chi tiết về chuyển động của thanh cánh tay, giúp hệ thống điều khiển phản hồi nhanh chóng, chính xác và góp phần giữ cho con lắc luôn được cân bằng

Rotary encoder LPD3806-600BM-G5-24C là một bộ mã hóa quay (rotary encoder) được sử dụng để đo góc quay và hướng của trục quay Số xung mỗi vòng quay là 600 xung và sử dụng điện áp cung cấp 5VDC Rotary encoder LPD3806- 600BM-G5-24C có hai kênh đầu ra A và B Khi trục quay theo chiều kim đồng hồ, kênh A sẽ có tín hiệu trước kênh B Ngược lại, khi trục quay ngược chiều kim đồng hồ, kênh B sẽ có tín hiệu trước kênh A Bằng cách theo dõi sự chênh lệch thời gian giữa hai tín hiệu, có thể xác định được hướng quay của trục Rotary encoder LPD3806-600BM-G5-24C có thể ứng dụng trong các hệ thống điều khiển vị trí, tốc độ và hướng của các động cơ, robot và các thiết bị cơ khí khác

Hình 4 17: Rotary encoder LPD3806-600BM-G5-24C Bảng 4 8: Thông số Rotary encoder LPD3806-600BM-G5-24C

Model Vcc GND Kênh A Kênh B Resolution

Encoder 5V - Red 0V - Back Green White 600ppr

4.2.5 Mạch chuyển đổi USB to TTL CP2102

Mạch chuyển đổi USB to TTL CP2102 là một công cụ quan trọng và tiện ích trong việc truyền và nhận dữ liệu từ hệ thống STM32F4 về máy tính Được trang bị chip CP2102 của hãng Silicon Labs, mạch này có khả năng chuyển đổi tín hiệu USB sang TTL và ngược lại một cách nhanh chóng và ổn định Với thiết kế nhỏ gọn và dễ

CHƯƠNG 4 THIẾT KẾ PHẦN CỨNG VÀ THIẾT BỊ THỰC TẾ

32 sử dụng, chỉ cần cắm vào cổng USB và kết nối các chân TX, RX, GND với thiết bị cần giao tiếp, mạch CP2102 giúp đơn giản hóa quá trình kết nối và truyền nhận dữ liệu Không chỉ là một công cụ hữu ích trong việc giao tiếp với STM32F4, mạch CP2102 còn có thể được sử dụng cho nhiều ứng dụng khác trong các dự án điện tử, bao gồm việc lập trình cho các module như Arduino, ESP8266, và STM32

Với khả năng chuyển đổi tín hiệu nhanh chóng và ổn định, mạch CP2102 là một lựa chọn tốt không chỉ cho các kỹ sư điện tử mà còn cho những nhà phát triển phần mềm Điều này làm cho nó trở thành một công cụ không thể thiếu trong hộp công cụ của bất kỳ dự án điện tử nào

Hình 4 18: Mạch chuyển đổi USB to TTL CP2102

Các chân của mạch chuyển đổi được trình bày ở Bảng 4 9

Bảng 4 9: Chức năng các chân mạch chuyển đổi USB to TTL CP2102

TXD Chân truyền dữ liệu UART, kết nối với chân RX trên Board STM32F4 RXD Chân nhận dữ liệu UART, kết nối với chân RX trên

Board STM32F4 GND Chân nối mass

Nguồn chuyển đổi điện áp từ 220V AC sang 12V DC-5A là một giải pháp hiệu quả để cung cấp nguồn cho động cơ Được thiết kế với công suất đầu ra là 60W, bộ nguồn này có khả năng chuyển đổi điện áp xoay chiều từ lưới điện nhà bạn sang điện áp một chiều an toàn và ổn định để cung cấp cho các thiết bị điện tử Với dòng điện tối đa lên đến 5A, nó có thể cung cấp đủ nguồn cho đa dạng các thiết bị như camera, đầu ghi hình, đèn LED, quạt, bơm nước và nhiều ứng dụng khác mà yêu cầu điện áp 12VDC và không vượt quá dòng điện 5A Ngoài ra, với thiết kế nhỏ gọn và dễ dàng

CHƯƠNG 4 THIẾT KẾ PHẦN CỨNG VÀ THIẾT BỊ THỰC TẾ

33 lắp đặt, nguồn Adapter 12VDC-5A là một lựa chọn phổ biến cho các ứng dụng cần nguồn cung cấp ổn định và đáng tin cậy

Hệ thống sẽ hoạt động với nguồn Adapter có thông số như Bảng 4 10

Bảng 4 10: Thông số bộ nguồn

Thông số Giá trị Điện áp ngõ vào 100V AC - 240V AC Điện áp ngõ ra 12V DC Đầu DC ngõ ra 5.5x2.1 mm Dòng điện ngõ ra 5A

Led báo nguồn Màu xanh

Nhóm sinh viên sử dụng trục trơn để làm thanh con lắc với kích thước được đo đạc và trình bày ở Bảng 4 11

Bảng 4 11: Kích thước thanh con lắc

Thông số Kích thước

Chiều dài thanh con lắc 1 25.4 (mm) Chiều dài thanh con lắc 2 16.4 (mm) Đường kính trục trơn 6 (mm)

Mô hình thực tế và sơ đồ kết nối linh kiện phần cứng

KẾT QUẢ MÔ PHỎNG VÀ THỰC NGHIỆM

Mô phỏng bộ điều khiển

5.1.1.Thiết kế bộ điều khiển LQR

Hình 5 1: Sơ đồ mô phỏng hệ con lắc ngược quay song song

Hình 5 2: Sơ đồ mô phỏng bộ điều khiển LQR

CHƯƠNG 5: KẾT QUẢ MÔ PHỎNG VÀ THỰC NGHIỆM

5.1.2 Thiết kế luật học của ANFIS

Sử dụng Toolbox ANFIS trong MATLAB nhằm thiết kế bộ điều khiển ANFIS cho hệ thống con lắc ngược quay song song (PRDIP), nhóm sinh viên đã thực hiện các bước sau:

Bước 1: Chuẩn bị Dữ liệu Đào tạo

Trước tiên, thu thập dữ liệu đầu vào và đầu ra từ hệ thống con lắc ngược quay song song Thu thập dữ liệu từ bộ điều khiển LQR để huấn luyện ANFIS Các dữ liệu đầu vào (state variables) và đầu ra (control actions) trong các biến MATLAB như sau:

• inputData: Ma trận các biến trạng thái (ví dụ: góc và vận tốc góc của con lắc)

• outputData: Ma trận các hành động điều khiển tương ứng

Bước 2: Tạo và Huấn luyện ANFIS

Sử dụng anfis Toolbox để tạo và huấn luyện mạng ANFIS Dưới đây là các bước cụ thể:

• Tải dữ liệu vào workspace: o load('inputData.mat'); o load('outputData.mat');

• Kết hợp dữ liệu đầu vào và đầu ra thành một mảng huấn luyện: o trainingData = [inputData outputData];

• Tạo hệ thống mờ ban đầu: o Anfisedit; o numMFs = 3; o mfType = 'trapmf'; o inFIS = genfis1(trainingData, numMFs, mfType);

• Huấn luyện hệ thống ANFIS: o epochNum = 3; o [outFIS, trainError] = anfis(trainingData, inFIS, epochNum);

• Lưu hệ thống ANFIS đã được huấn luyện: o save('trainedANFIS.mat', 'outFIS');

Bước 3: Sử dụng ANFIS để Điều khiển

Nhóm sinh viên đã tạo ra chương trình mô phỏng cho ANFIS để kiểm tra chất lượng đã học

CHƯƠNG 5: KẾT QUẢ MÔ PHỎNG VÀ THỰC NGHIỆM

Bước 4: Tích hợp vào Mô phỏng Toàn Hệ thống

Tích hợp bộ điều khiển ANFIS vào mô phỏng toàn bộ hệ thống con lắc ngược quay song song để kiểm tra hiệu suất của nó Nhóm sinh viên sử dụng Simulink để mô phỏng hệ thống với bộ điều khiển ANFIS này

Hình 5 3: Chương trình mô phỏng hệ thống tạo tập dữ liệu đầu vào đầu ra

Hình 5 4: Chương trình thu thập dữ liệu trên Matlab/Simulink

Trong đào tạo ANFIS, một khối cấu trúc được hình thành bằng cách tích hợp các tham số được nêu trong Phần 3.4 để thích ứng với tập dữ liệu được thu thập trong Phần 5.2 Ở đây, giá trị "u" của tập dữ liệu đóng vai trò là đầu ra của hệ thống suy

CHƯƠNG 5: KẾT QUẢ MÔ PHỎNG VÀ THỰC NGHIỆM

44 luận mờ, trong khi các cột còn lại được coi là đầu vào Việc đào tạo ANFIS có thể được thực hiện thuận tiện trong MATLAB bằng lệnh anfisedit Tệp fis kết quả đóng vai trò là bộ điều khiển phản hồi trạng thái cho hệ thống được thiết kế

Hình 5 5: Giao diện công cụ ANFIS

Hình 5 6: Giá trị lỗi sau khi huấn luyện 2 epochs

CHƯƠNG 5: KẾT QUẢ MÔ PHỎNG VÀ THỰC NGHIỆM

Kết quả mô phỏng

5.2.1 Mô phỏng điều khiển cân bằng và chống dao động cho hệ PRDIP bằng giải thuật LQR

Nhóm sinh viên sẽ triển khai bộ điều khiển LQR lên đối tượng nghiên cứu PRDIP trên công cụ Matlab/Simulink Từ đó có những đánh giá đối với đáp ứng ngõ ra của hệ thống Chương trình mô phỏng hệ PRDIP với bộ điều khiển LQR như sau:

Hình 5 8: Chương trình mô phỏng Matlab/Simulink

CHƯƠNG 5: KẾT QUẢ MÔ PHỎNG VÀ THỰC NGHIỆM

46 Để có thể thực hiện mô phỏng nhóm sinh viên khai báo các giá trị ban đầu:

- Góc lệch ban đầu của cánh tay quay: ∅ = 0.02 (rad)

- Góc lệch ban đầu của con lắc thứ nhất: 𝜃 1 = 0.02 (rad)

- Góc lệch ban đầu của con lắc thứ hai: 𝜃 2 = 3.14002 (rad)

- Vận tốc ban đầu của cánh tay quay: ∅̇ = 0.001 (rad/s)

- Vận tốc ban đầu của con lắc thứ nhất: 𝜃̇ 1 = 0.008 (rad/s)

- Vận tốc ban đầu của con lắc thứ hai: 𝜃̇ 2 = 0.0001 (rad/s)

Ma trận Q và R của bộ điều khiển LQR được lựa chọn bằng phương pháp thử sai như sau:

Ma trận điều khiển có giá trị như sau:

Hình 5 9: Đáp ứng góc ∅ (rad) và vận tốc góc ∅̇ (rad/s) của thanh cánh tay

CHƯƠNG 5: KẾT QUẢ MÔ PHỎNG VÀ THỰC NGHIỆM

Hình 5 10: Đáp ứng góc 𝜽 𝟏 (rad) và vận tốc góc 𝜽 𝟏 ̇ (rad/s) của con lắc thứ nhất

Hình 5 11: Đáp ứng góc 𝜽 𝟐 (rad) và vận tốc góc 𝜽 𝟐 ̇ (rad/s) của con lắc thứ hai

Hình 5 12: Đáp ứng ngõ vào điện áp u (V) Nhận xét:

Theo như kết quả, ban đầu thanh con lắc thứ nhất sẽ dao động mạnh trong khoảng

8 (s) đầu tiên, với biên độ lớn nhất là -0.03 (rad) so với vị trí cân bằng Sau đó, con lắc ổn định quanh vị trí 0 (rad) Đồng thời, thanh con lắc thứ hai cũng sẽ dao động mạnh trong khoảng 10 (s) đầu tiên, với biên độ lớn nhất là 3.155 (rad), và từ giây thứ

11 trở đi, nó sẽ ổn định quanh vị trí làm việc 3.1459 (rad) Khi cả hai thanh con lắc đã ổn định sau khoảng 10 (s), thì cũng là lúc thanh cánh tay sẽ ổn định quanh vị trí -

CHƯƠNG 5: KẾT QUẢ MÔ PHỎNG VÀ THỰC NGHIỆM

0.01 (rad) Tương tự, hệ thống sẽ cần cấp một lượng điện áp lớn trong khoảng 10 (s) đầu tiên để giữ cho hai thanh con lắc ổn định, sau đó bộ điều khiển sẽ kiểm soát điện áp và duy trì tín hiệu điện áp quanh 0 (V)

5.2.2 Kết quả mô phỏng hệ thống PRDIP với LQR dựa trên ANFIS

Các tham số điều khiển của ANFIS, bao gồm số lượng và loại hàm thành viên, khả năng chịu lỗi, số kỷ nguyên và phương pháp học được chỉ định như sau:

• Loại hàm liên thuộc: Trapmf

Hình 5 13: Đáp ứng góc cánh tay (rad)

Hình 5 14: Đáp ứng góc con lắc thứ nhất (rad)

CHƯƠNG 5: KẾT QUẢ MÔ PHỎNG VÀ THỰC NGHIỆM

Hình 5 15: Đáp ứng góc con lắc thứ hai (rad)

Hình 5 16: Đáp ứng vận tốc góc cánh tay (rad/s)

Hình 5 17: Đáp ứng vận tốc góc con lắc thứ nhất (rad/s)

CHƯƠNG 5: KẾT QUẢ MÔ PHỎNG VÀ THỰC NGHIỆM

Hình 5 18: Đáp ứng vận tốc góc con lắc thứ hai (rad/s)

Hình 5 19: Đáp ứng điện áp u (V) Nhận xét:

Hình 5.13 thể hiện đáp ứng góc của thanh cánh tay Ban đầu, góc lệch của cánh tay dao động mạnh trong 8 (s) đầu tiên với biên độ lớn nhất là 0.22 (rad), và sau 10 (giây), con lắc ổn định xung quanh vị trí làm việc

Hình 5.14 thể hiện đáp ứng góc của con lắc thứ nhất Ban đầu, góc lệch con lắc thứ nhất dao động mạnh trong 8 (s) đầu tiên với biên độ lớn nhất là 0.08 (rad), và sau

10 (s) con lắc ổn định xung quanh vị trí 0 (rad)

Hình 5.15 thể hiện đáp ứng góc của con lắc thứ hai Ban đầu, góc lệch con lắc thứ nhất dao động mạnh trong 8 (s) đầu tiên với biên độ lớn nhất là 3.44 (rad), và sau

10 (s) con lắc ổn định xung quanh vị trí làm việc 3.145 (rad).

KẾT LUẬN

Kết luận

Trong nghiên cứu này, chúng tôi đề xuất sử dụng hộp công cụ ANFIS của Matlab để có được bộ điều khiển thông minh mô phỏng bộ điều khiển thành công trước đây bộ điều khiển LQR Phương pháp ANFIS dựa trên LQR này đã được chứng minh là thành công trong cả mô phỏng và thử nghiệm Hơn nữa, thuật toán này được áp dụng trên hệ thống SIMO bậc cao – PRDIP Từ đó, nghiên cứu này cung cấp tài liệu tham khảo cho các nghiên cứu tiếp theo về kiểm soát ANFIS đối với loại mô hình này Ngoài ra, mô hình thời gian thực có thể là nền tảng phần cứng để đào tạo các thuật toán cho sinh viên trong phòng thí nghiệm.

Hướng phát triển

Hướng phát triển mà nhóm sinh viên đề xuất là sẽ tiếp tục nghiên cứu và điều khiển cân bằng cho cả hai con lắc hướng lên của hệ con lắc ngược quay song song Đối với bộ điều khiển LQR, việc lựa chọn ma trận Q và R rất quan trọng vì nó sẽ ảnh hưởng đến chất lượng điều khiển của hệ thống Vì vậy, nhóm sinh viên cũng đề xuất áp dụng giải thuật di truyền (genetic algorithm - GA) đối với việc chọn lựa ma trận

Q để tối ưu nhất quá trình lựa chọn các trọng số của ma trận Q Cùng với đó, nhóm sinh viên sẽ nghiên cứu và xem xét đề xuất các giải thuật điều khiển khác tối ưu hơn để áp dụng trên đối tượng PRDIP nhầm mục đích phục vụ cho việc điều khiển cân bằng hai thanh con lắc Ngoài ra nhóm còn đề xuất thêm nghiên cứu so sánh bộ điều chỉnh Gaussian bậc hai tuyến tính và bộ điều chỉnh bậc hai tuyến tính cho con lắc ngược quay song song.

Các kết quả nghiên cứu khoa học

Bên cạnh đó, thông qua đề tài nhóm sinh viên có các công bố khoa học đã được chấp nhận như sau: