một số giải pháp nâng cao chất lượng hệ truyền động có khe hở trên cơ sở điều khiển thích nghi, bền vững

i Li cam đoan Tôi xin cam đoan đây là công trình nghiên cu ca cá nhân tôi di s hng dn ca tp th các nhà khoa hc và các tài liu tham kho đã trích dn. Kt qu nghiên cu là trung thc và cha đc công b trên bt c mt công trình nào khác. Tác gi Lê Th Thu Hà ii Li cm n Trong quá trình làm lun án, tôi đã nhn đc rt nhiu góp ý v chuyên môn cng nh s ng h v các công tác t chc ca tp th cán b hng dn, ca các nhà khoa hc, ca các bn đng nghip. Tôi xin đc gi ti h li cám n sâu sc. Tôi xin bày t lòng cm n đn tp th hng dn đã tâm huyt hng dn tôi trong sut th i gian qua. Tôi cng xin chân thành cm n các nhà khoa hc, các đng nghip, các t chc Khoa, Trung tâm thí nghim, Phòng ban ca Trng i hc K thut công nghip Thái Nguyên đã có nhng ý kin đóng góp quý báu và to điu kin thun li cho tôi trong sut quá trình thc hin đ tài lun án. Nhân đây tôi cng xin đc cm n gia đình bé nh ca tôi, chng và con trai, đã ht lòng ng h tôi v thi gian, tinh th n, tình cm, giúp tôi vt qua rt nhiu khó khn đ hoàn thành đc quyn lun án này. Tác gi lun án Lê Th Thu Hà iii Mc lc Các ký hiu đc s dng vi Bng các ký hiu vit tt vii Bng danh mc các hình v viii PHN M U 1 Tng quan v các phng pháp điu khin h truyn đng 1 c đim bài toán điu khin h truyn đng 1 Các phng pháp điu khin hin có 2 V tính cp thit, mc đích và nhim v ca đ tài 13 Tính cp thit ca đ tài 13 Mc tiêu nghiên cu 15 i tng và phm vi nghiên cu 16 Ý ngha khoa hc và thc tin ca đ tài 17 Nhng đóng góp ca lun án 17 Cu trúc ca lun án 18 CHNG 1: C S LÝ THUYT IU KHIN THÍCH NGHI BN VNG PHI TUYN 20 1.1 Gii thiu chung 20 1.2 Các khái nim mô t 21 1.2.1 Khái nim n đnh Lyapunov 21 1.2.2 Khái nim n đnh ISS 23 1.2.3 Tiêu chun xét tính n đnh Lyapunov 24 1.3 Các phng pháp điu khin phi tuyn 26 1.3.1 iu khin n đnh và phng pháp backstepping 27 1.3.2 iu khin n đnh thích nghi và nguyên tc certainty equivalence 29 1.3.3 iu khin thích nghi theo mô hình mu 31 1.3.4 iu khin n đnh bn vng và phng pháp ISS-CLF 32 1.3.5 iu khin trt 34 1.4 iu khin thích nghi vi h m và mng neural 35 1.4.1 Xp x bng h m 35 1.4.2 Xp x bng mng neural 37 1.4.3 iu khin m thích nghi 39 1.5 Kt lun 41 iv CHNG 2: XÂY DNG MÔ HÌNH TOÁN CHO H TRUYN NG QUA BÁNH RNG 43 2.1 H truyn đng qua bánh rng 43 2.1.1 Gii thiu chung 43 2.1.2 Mt s yêu cu v c khí đi vi h truyn đng bánh rng 44 2.1.3 Bin pháp c hc làm gim sai s khi gia công bánh rng 45 2.2 Xây dng mô hình toán tng quát 47 2.2.1 Cu trúc vt lý và các đnh lut cân bng 48 2.2.2 Mô hình toán  ch đ n khp, có tính đn hiu ng mài mòn vt liu, đ đàn hi và moment ma sát 51 2.2.3 Mô hình toán  ch đ khe h (dead zone) 53 2.2.4 Mô hình tng quát 54 2.3 Mô t h  ch đ xác lp 54 2.3.1 Mô hình toán  ch đ xác lp 54 2.3.2 Mô phng trên MatLab 55 2.4 Kt lun 57 CHNG 3: IU KHIN THÍCH NGHI VÀ BN VNG H TRUYN NG QUA BÁNH RNG 59 3.1 iu khin m thích nghi theo mô hình mu 59 3.1.1 Xây dng c cu bù theo nguyên tc cân bng vi mô hình mu 59 3.1.2 Thit k b điu khin m thích nghi cho h đã đc bù bt đnh 61 3.1.3 Kt qu mô phng trên MatLab 64 3.2 iu khin thích nghi bn vng trong không gian trng thái 65 3.2.1 Xây dng b điu khin bám thích nghi bn vng trên nn điu khin trt và gi đnh rõ cho h phi tuyn truyn ngc cht 65 3.2.2 ng dng cho h truyn đng qua bánh rng 71 3.2.3 Kt qu mô phng trên MatLab 74 3.3 iu khin thích nghi bn vng vi phn hi tc đ 79 3.3.1 Mô hình phn hi tc đ 79 3.3.2 Thit k b điu khin thích nghi bn vng 79 3.3.3 Kt qu mô phng trên MatLab 80 3.4 Kt lun 87 CHNG 4: XÂY DNG MÔ HÌNH VT LÝ H TRUYN NG QUA BÁNH RNG VÀ CÁC KT QU THC NGHIM 89 4.1 Xây dng mô hình thc nghim 89 4.1.1 Máy tính Pentum IV - phn mm Matlab 7.0.4 và phn mm ControlDesk Version 5.0 90 4.1.2 Card điu khin DS1104 90 v 4.1.3 Driver Servo motor Midi-Maestro 140x14/28 92 4.1.4 ng c, khp ni hai bánh rng và ti 92 4.2 Kt qu thí nghim vi b điu khin PID 93 4.2.1 H truyn đng qua bánh rng khi cha có b điu khin 93 4.2.2 Kt qu thí nghim vi b điu khin PID kinh đin 95 4.2.3 Kt qu vi b điu khin PI m 97 4.3 Kt qu thí nghim khi có thêm khâu chnh đnh thích nghi theo mô hình mu 99 4.4 Kt lun 101 Kt lun và nhng hng nghiên cu tip theo 102 vi Các ký hiu đc s dng (), ()Gs Rs Hàm truyn , , pID kTT Tham s b điu khin PID () 1 , , = … T n xxx Vector các tín hiu trng thái () 1 , , = … T m uuu Vector các tín hiu đu vào (tín hiu điu khin) () () 1 1 ( ) ( ), , ( ) () (), , () T n T m ff gg = = … … fx x x gx x x Các vector hàm mô t h thng (,)dtx Hàm s bt đnh (, , )Buu τ τ =   Hàm mô t khe h 2 , , , ms c d MMJJ Moment ma sát, moment cn và moment quán tính , nn nm×× ∈∈ABRR Ký hiu các ma trn (,)Vtx Hàm Lyapunov () () f V LV ∂ = ∂ xfx x o hàm Lie ( ) 1 , , T q p θθ =∈R… θ Vector các tham s hng bt đnh 1 (), , () μ μ … n XX xx Ký hiu các hàm thuc mô t tp m 112 2 , ω ϕω ϕ ==  Vn tc góc ca các bánh rng 01 1 , L rr Bán kính trong và ngoài ca bánh rng 12 , zz S rng ca các bánh rng c , L α  cng vng vt liu và góc n khp hai bánh rng ()tx Module ca vector ()tx Chun ca vector ()t ∞ x Chun vô cùng ca vector sup ( ) t tx Giá tr chn trên nh nht inf ( ) t tx Giá tr chn di ln nht () () 1 1 ( ) ( ), , ( ) ( ) ( ), , ( ) = = G H … … T m T n xgx gx xhx hx Ma trn hàm vii Bng các ký hiu vit tt BIBS H có tín hiu vào b chn - trng thái b chn (bounded inputs - bounded states) LTI H tuyn tính tham s hng (linear time-invariant systems) ISS H n đnh vào-trng thái (input to states stable) K Tp các hàm thc (), 0rr γ ≥ đn điu tng và có giá tr nh nht bng 0 ti 0, tc là (0) 0 γ = ∞ K Tp các hàm thc (), 0rr γ ≥ đn điu tng, không b chn và có giá tr nh nht bng 0 ti 0, tc là (0) 0 γ = và lim ( ) r r γ →∞ = ∞ L Tp các hàm (), 0tt δ ≥ đn điu gim tha mãn lim ( ) 0 t t δ →∞ = KL Tp các hàm thc hai bin (,), 0, 0rt r t β ≥≥ mà khi t c đnh thì thuc K và khi r c đnh thì thuc L ∞ KL Tp các hàm thc hai bin (,), 0, 0rt r t β ≥≥ mà khi t c đnh thì thuc ∞ K và khi r c đnh thì thuc L O Min n đnh GAS H n đnh tim cn toàn cc (global asymptotic stable) LF Hàm Lyapunov (Lyapunov function) CLF Hàm điu khin Lyapunov (Control Lyapunov function) Z Tp các đim trng thái không điu khin đc, tc là tp các đim trng thái mà ti đó tín hiu điu khin không thay đi đc hng ca qu đo trng thái. H Min hp dn (attractor) SISO H mt đu vào-mt đu ra (single input - single output system) MIMO H nhiu đu vào-nhiu đu ra (multi inputs - multi outputs system) BSB Mng neural brain-states-in-a-box, là mng có khâu chuyn đi tuyn tính dng quán tính bc nht và khâu phi tuyn dng tuyn tính bão hòa. viii Bng danh mc các hình v Hình 0.1: H truyn đng 1 Hình 0.2: iu khin h truyn đng lý tng bng b điu khin PI 4 Hình 0.3: Bn cht ca khe h và mô hình nghch đo ca khe h 5 Hình 0.4: Bù khe h bng mô hình ngc 6 Hình 0.5: iu khin bù khe h bng mô hình ngc và b điu khin PI 6 Hình 0.6: iu khin bù khe h bng mng neural 7 Hình 0.7: Nâng cao cht lng bù khe h nh mng neural bng chnh đnh thích nghi 8 Hình 0.8: Nâng cao cht lng bù khe h nh mng neural bng phn hi trng thái 9 Hình 0.9: Bù khe h moment ma sát và moment xon bng phn hi trng thái. 10 Hình 0.10: iu khin bù khe h và ma sát [ 41] 11 Hình 0.11: Mô hình tuyn tính xp x ca h khp ni mm có khe h [ 38] 12 Hình 0.12: Mô t nguyên tc làm vic ca b điu khin d báo [ 8] 13 Hình 0.13: Bài toán điu khin h truyn đng qua bánh rng 14 Hình 0.14: Nguyên lý điu khin h truyn đng ca lun án 16 Hình 1.1: Minh ha Lyapunov gián tip 27 Hình 1.2: Minh ha nguyên tc ca certainty equivalence 30 Hình 1.3: Minh ha nguyên tc thích nghi theo mô hình mu 32 Hình 1.4: Cu trúc ca h m 36 Hình 1.5: Mô t các hàm thuc ca b xp x m 37 Hình 1.6: Cu trúc mng neural [ 1] 38 Hình 1.7: iu khin h truyn đng bng b điu khin m thích nghi 40 Hình 2.1: Mt s dng h truyn đng qua bánh rng 43 Hình 2.2: H nhiu cp bánh rng là h truyn ngc ca nhiu h mt cp bánh rng 48 Hình 2.3: Cu trúc vt lý ca h truyn đng qua mt cp bánh rng 49 Hình 2.4: Minh ha các đnh lut cân bng gia cp bánh rng 50 Hình 2.5: S đ đng lc hc 51 Hình 2.6: Thit lp phng trình đng lc hc khi hai bánh rng n khp 51 Hình 2.7: Mô t trng thái hai bánh rng  vùng cht ca khe h 53 Hình 2.8: S đ khi mô t h truyn đng qua bánh rng vi mô hình (2.12) 56 Hình 2.9: nh hng ca các thành phn đ xon, ma sát, hiu ng khe h ti cht lng truyn đng 56 Hình 2.10: Xp x khe h bng h s truyn đng tuyn tính nh và hàm đn tr bt đnh 57 Hình 3.1: Cu trúc điu khin theo mô hình mu 61 Hình 3.2: Cu trúc h điu khin  hình 3.1 vi b điu khin PI m thích nghi 62 Hình 3.3: S đ mô t khi đng c 62 Hình 3.4: S đ mô t h bánh rng 63 Hình 3.5: M hóa tín hiu vào ra và lut hp thành ca b PI m 64 Hình 3.6:  th quan h vào ra ca b PI m (surface) 64 Hình 3.7: Kt qu mô phng, so sánh vi trng hp không s dng PI m thích nghi 65 ix Hình 3.8: Cu trúc b điu khin thích nghi bn vng cho h truyn ngc cht (3.12) 69 Hình 3.9: S đ h điu khin  hình 3.8 trên MatLab cho h truyn đng bánh rng 75 Hình 3.10: Cu trúc h truyn đng bánh rng (3.37) biu din trên MatLab 75 Hình 3.11: Cu trúc b điu khin (3.41) biu din trên MatLab 75 Hình 3.12: Cu trúc h con Subsystem trong b điu khin  hình 3.11 76 Hình 3.13: Cu trúc h con theta_f_estimate trong b điu khin  hình 3.11 76 Hình 3.14: Cu trúc h con theta_g_estimate trong b điu khin  hình 3.11 76 Hình 3.15: Kt qu chnh đnh các tham s f  θ 77 Hình 3.16: Kt qu chnh đnh tham s g θ  78 Hình 3.17: Kt qu tín hiu đu ra thc 1 2 x ϕ = ca h và tín hiu mu w 78 Hình 3.18: Sai lch bám gia tín hiu đu ra thc 1 2 x ϕ = và tín hiu mu w 78 Hình 3.19: S đ mô phng h điu khin cho h truyn đng bánh rng 80 Hình 3.20: i tng điu khin Plant trong hình 3.19 81 Hình 3.21: B điu khin Controller theo công thc (3.43) trong hình 3.19 81 Hình 3.22: C cu chnh đnh Adjustor theo công thc (3.43) trong hình 3.19 82 Hình 3.23: Kt qu mô phng tín hiu mu ()wt và tín hiu đu ra 1 2 x ϕ = 83 Hình 3.24: So sánh tham s bt đnh g θ vi tham s chnh đnh g θ  84 Hình 3.25: So sánh tham s bt đnh [3] f θ vi tham s chnh đnh [3] f θ  84 Hình 3.26: So sánh tham s bt đnh [2] f θ vi tham s chnh đnh [2] f θ  84 Hình 3.27: So sánh tham s bt đnh [1] f θ vi tham s chnh đnh [1] f θ  85 Hình 3.28: Mô phng kh nng bám tín hiu mu khi tham s bt đnh thay đi theo t 86 Hình 3.29: So sánh tham s bt đnh [3]( ) f t θ vi tham s chnh đnh [3]( ) f t θ  86 Hình 3.30: So sánh tham s bt đnh [2]( ) f t θ vi tham s chnh đnh [2]( ) f t θ  86 Hình 3.31: So sánh tham s bt đnh [1]( ) f t θ vi tham s chnh đnh [1]( ) f t θ  87 Hình 4.1: Cu trúc h thng thc nghim 89 Hình 4.2: Giao din hin th 90 Hình 4.3: Card điu khin DSP 1104 91 Hình 4.4: B bin đi công sut 92 Hình 4.5: Driver DC servo motor 92 Hình 4.6: ng c, khp ni bánh rng và ti 92 Hình 4.7: Bàn thí nghim phn ngun, kt ni và máy tính điu khin 93 Hình 4.8: Mô hình thc nghim khi cha có b điu khin 94 Hình 4.9: Tc đ 2 ϕ  khi cha có b điu khin 94 Hình 4.10: Tc đ 2 ϕ  khi cha có b điu khin trong thi gian 5s 94 Hình 4.11: Tc đ 2 ϕ  khi cha có b điu khin trong thi gian 0.2s 95 Hình 4.12: Mô hình thc nghim khi có b điu khin PID 95 x Hình 4.13: Tc đ 2 ϕ  khi có tín hiu tc đ đt ( ) () 50sin 2wt t π = 96 Hình 4.14: Tc đ 2 ϕ  khi có tín hiu tc đ đt ( ) ( ) 200 sinwt t π = 96 Hình 4.15: Mô hình thc nghim khi có b điu khin PI m 97 Hình 4.16: Cu trúc b PI m (m hóa và surface) 97 Hình 4.17: Tc đ 2 ϕ  khi có tín hiu tc đ đt ( ) ( ) 200 sinwt t π = 98 Hình 4.18: Tc đ 2 ϕ  khi có tín hiu tc đ đt ( ) () 50sin 2wt t π = 98 Hình 4.19: Mô hình thc nghim vi b PI m và khâu chnh đnh thích nghi 99 Hình 4.20: Tc đ 2 ϕ  khi có tín hiu tc đ đt ( ) ( ) 200 sinwt t π = 99 Hình 4.21: Tc đ 2 ϕ  khi có tín hiu tc đ đt ( ) () 50sin 2wt t π = 99 Hình 4.22: Tc đ 2 ϕ  và sai lch tc đ khi có tín hiu tc đ đt () () 50sin 2wt t π = 100 Hình 5.1: Hin tng rung trong h bám thích nghi bn vng 103 Hình 5.2:  xut gim hin tng rung trong h bng vic b sung khâu m xác đnh xp x hàm phi tuyn bt đnh 103 Hình 5.3:  xut điu khin tuyn tính gán đim cc vi b xp x m vn nng 104 Hình 5.4: C cu chp hành gm bin tn và đng c là mt phn ca đi tng điu khin 105 [...]... truy n a) ng có khe h : Các ph u m a a b) u u 1 m a u Hình 0.3: B n ch t c a khe h và mô hình ngh ch o c a khe h a V i h truy n ng có khe h ta không th tuy n tính hóa c khe h và do ó b t bu c ph i áp d ng các ph ng pháp i u khi n phi tuy n Khe h có nhi u d ng khác nhau, nó có th là khe h xu t hi n trong các kh p n i truy n ng ho c là khe h gi a các bánh r ng trong h truy n ng qua bánh r ng Khe h sinh... h i tr ng thái 1 s u ng có khe h H truy n ng lý t ng y x Hình 0.8: Nâng cao ch t l ng bù khe h nh m ng neural b ng ph n h i tr ng thái Ngoài ra, tài li u [18, 48] còn kh ng nh vi c nâng cao ch t l ng bù khe h nh c c u ch nh nh thích nghi PI có th thay c b ng b i u khi n ph n h i tr ng thái gán i m c c B i v y khi s d ng mô hình tr ng thái (0.7) ta có c u trúc 10 i u khi n bù khe h cho h truy n 0.9 ng... d i d ng h ng s và hàm s Xây d ng ph ng pháp i u khi n thích h p trên nguyên t c k t h p các ph ng pháp i u khi n hi n có nh thích nghi, b n v ng, logic m và m ng neural, cho h truy n ng có c ba y u t b t nh nêu trên c bi t, lu n án t ra m c ích là s không s d ng nguyên t c i u khi n bù các thành ph n b t nh trên bao g m moment ma sát, moment xo n c ng nh bù khe h nh các ph ng khác t tr c n nay v n... ng có khe h c và b i u khi n PI y 7 Hình 0.5 mô t nguyên t c i u khi n bù khe h b ng mô hình ng c T t nhiên là nguyên t c i u khi n này ch có ngh a khi ta xác nh c chính xác mô hình ng c (0.5) c a khe h và mô hình truy n ng luôn có th tách c hai thành ph n riêng bi t là khe h và ph n mô hình lý t ng tuy n tính còn l i m c n i ti p nhau t n t i c a ph ng pháp i u khi n h hình 0.3 là ta l i không có. .. nói lên c kh n ng ng d ng c a nó trong i u khi n bù khe h v i h phi tuy n, vì nó m i ch d ng l i cho h truy n ng có mô hình tuy n tính tham s h ng d i d ng hàm truy n G (z ) B ch nh nh tham s H truy n w e B i u khi n PI u k p , TI ng có khe h H truy n ng lý t ng y 1 s Hình 0.7: Nâng cao ch t l ng bù khe h nh m ng neural b ng ch nh nh thích nghi Nh v y có th nói r ng so v i vi c bù b ng mô hình ng c,... ng i ta ã có th có thêm c h i ch nh nh thích nghi cho tham s b i u khi n nh m nâng cao h n n a tính b n v ng c a h th ng i u khi n M t s ph ng pháp i u khi n PI ph n h i thích nghi b sung thêm này ã c gi i thi u khá chi ti t các tài li u [26, 44] mà ng i ta v n g i là b i u khi n PI t ch nh (PI selft tuning) Song theo [18] thì vi c ch s d ng PI t ch nh thích nghi không làm gi m dao ng xo n trên tr c... c xác l p c a h Các gi i pháp c h c nêu trên ch thích h p v i ch th ng c ng nh h th ng có tính ng h c bi n i ch m và c ng ch gi i quy t c m t ph n mang tính ch t nh k Tr ng h p chung, khi các y u t ng u nhiên x y ra b t th ng tác ng lên h th ng, thì các bi n pháp c khí nêu trên không th kh c ph c ngay c làm vi c quá c ng V i nh ng bài toán nâng cao ch t l ng h th ng ch nh có tính ng h c nhanh, d i... n án là s h ng t i vi c xu t m t ph ng pháp i u khi n m i trên n n k t h p các ph ng pháp i u khi n thích nghi, b n v ng và m hi n có, ch không tr c ti p nh n d ng và i u khi n bù, nên lu n án ã dành ra 2 ch ng u gi i thi u nh ng nét c b n nh t c ng nh các k t qu m i nh t c a nhóm các ph ng pháp i u khi n này C th là: 1 Ph n m u: T ng quan v các ph ng pháp hi n có c a bài toán i u khi n h truy n ng... u khi n PI u k p , TI ng có khe h H truy n ng lý t ng y 1 s Hình 0.6: M c dù v y nh ng ph c a nó ó là: i u khi n bù khe h b ng m ng neural ng pháp i u khi n bù x p x này c ng có m t h n ch Vi c x p x hàm phi tuy n nh m ng neural hay h m ch có th có ck t qu x p x v i sai l ch nh tùy ý trong mi n gi i h n cho phép, n u nh hàm phi tuy n c n c x p x ó là liên t c Gi thi t này ta có th d dàng th y ngay 8... tài li u [34] ã gi i thi u m t ph ng pháp gi i quy t, nh ng ch d ng l i tr ng h p khi h có ma sát ph thu c t c t ng i nh Nh ng nghiên c u t ng quan v các ph ng pháp i u khi n h truy n ng trên ây cho th y t t c các ph ng pháp ó u b gi i h n là chúng ch có th mb o c c tính ng h c bám n nh cho h n u nh trong ó ho c ch ch a tính b t nh v moment xo n trên tr c, ho c ch có thành ph n b t nh v ma sát Nói cách . Hình 0.7: Nâng cao cht lng bù khe h nh mng neural bng chnh đnh thích nghi 8 Hình 0.8: Nâng cao cht lng bù khe h nh mng neural bng phn hi trng thái 9 Hình 0.9: Bù khe h moment. 0.8: Nâng cao cht lng bù khe h nh mng neural bng phn hi trng thái Ngoài ra, tài liu [ 18, 48] còn khng đnh vic nâng cao cht lng bù khe h nh c cu chnh đnh thích nghi PI có. đc khe h và do đó bt buc phi áp dng các phng pháp điu khin phi tuyn. Khe h có  nhiu dng khác nhau, nó có th là khe h xut hin trong các khp ni truyn đng hoc là khe h