Điều khiển swing up và cân bằng con lắc ngược

Đáp ứng góc của con lắc tuyến tính khi có bộ điều khiển PID hai biến và thay đổi khối lượng con lắc .... Đáp ứng góc của con lắc tuyến tính khi có bộ điều khiển PID hai biến và thay đổi

BỘ GIÁO DỤC VÀ ĐÀO TẠO

TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT

THÀNH PHỐ HỒ CHÍ MINH

LUẬN VĂN THẠC SĨ NGUYỄN QUANG THÔNG

ĐIỀU KHIỂN SWING-UP VÀ CÂN BẰNG CON LẮC NGƯỢC

NGÀNH: KỸ THUẬT ĐIỆN – 60520202

S K C0 0 4 6 1 6

BỘ GIÁO DỤC VÀ ĐÀO TẠO

TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT

THÀNH PHỐ HỒ CHÍ MINH

LUẬN VĂN THẠC SĨ NGUYỄN QUANG THÔNG

ĐIỀU KHIỂN SWING-UP

LÝ LỊCH KHOA HỌC

I LÝ LỊCH SƠ LƢỢC:

Họ & tên: Nguyễn Quang Thông Giới tính: Nam

Ngày, tháng, năm sinh: 28/03/1989 Nơi sinh: TP.HCM

Chỗ ở riêng hoặc địa chỉ liên lạc: Số 175/1, đường Lái Thiêu 22, khu phố Đông Tư, huyện Thuận An, thị trấn Lái Thiêu, tỉnh Bình Dương

Điện thoại cơ quan: Điện thoại di động: 090.8385.289

II QUÁ TRÌNH ĐÀO TẠO:

1.Đại học:

Hệ đào tạo: Chính Quy Thời gian đào tạo từ 09/2007 đến 05/2012

Nơi học: Trường Đại Học Sư Phạm Kỹ Thuật Tp Hồ Chí Minh

Ngành học: Điện Công Nghiệp

2 Cao học:

Hệ đào tạo: Chính Quy Thời gian đào tạo từ 09/2013 đến 10/2015

Nơi học: Trường Đại Học Sư Phạm Kỹ Thuật Tp Hồ Chí Minh

Ngành học: Kỹ Thuật Điện

Tên đề tài: Điều khiển swing-up và cân bằng con lắc ngược

Ngày & nơi bảo vệ: Tháng 10/2015, tại Trường Đại Học Sư Phạm Kỹ Thuật Tp Hồ Chí Minh

Người hướng dẫn: TS Ngô Văn Thuyên

III QUÁ TRÌNH CÔNG TÁC CHUYÊN MÔN KỂ TỪ KHI TỐT NGHIỆP ĐẠI HỌC:

Thời gian Nơi công tác Nhiệm vụ

Từ 09/2012 đến hiện tại Trường Cao Đẳng Kỹ Thuật Cao Thắng Giảng viên

TP HCM, ngày … tháng 10 năm 2015

Người khai ký tên

LỜI CAM ĐOAN

Tôi cam đoan đây là công trình nghiên cứu của tôi

Các số liệu, kết quả nêu trong luận văn là trung thực và chưa từng được ai công bố trong bất kỳ công trình nào khác

Tp Hồ Chí Minh, ngày … tháng 10 năm 2015

(Ký tên và ghi rõ họ tên)

Nguyễn Quang Thông

LỜI CẢM ƠN

Lời đầu tiên, tôi xin gửi lời cảm ơn sâu sắc đến thầy TS Ngô Văn Thuyên, thầy đã hỗ trợ và tạo điều kiện tốt nhất cho tôi về phương tiện và thiết bị học tập Hơn nữa, thầy đã định hướng, cung cấp cho tôi những tài liệu và kiến thức rất có giá trị cùng với những lời động viên, khích lệ tinh thần học tập đã giúp tôi hoàn thành được luận văn này

Sau đó, tôi xin gửi lời cảm ơn chân thành đến tập thể quý Thầy Cô trường Đại Học Sư Phạm Kỹ Thuật Tp Hồ Chí Minh đã trang bị cho tôi một nền tảng kiến thức vững vàng, đáng giá Đặc biệt, xin chân thành cảm ơn quý Thầy Cô Khoa Điện – Điện Tử đã tạo điều kiện thuận lợi và hỗ trợ cho tôi rất nhiều trong quá trình học tập cũng như trong thời gian làm luận văn này

Cuối cùng, tôi xin gởi lời cảm ơn đến gia đình, bạn bè, đồng nghiệp đã giúp

đỡ, hỗ trợ tôi về kiến thức cũng như tinh thần trong quá trình làm luận văn

TÓM TẮT LUẬN VĂN

Hệ thống con lắc ngược là hệ thống không ổn định, phi tuyến ở mức cao Nó được sử dụng như một mô hình phổ biến cho các ứng dụng trong kỹ thuật điều khiển tuyến tính và phi tuyến Mô hình con lắc được dùng để kiểm chứng lại các thuật toán điều khiển như điều khiển PID, trượt, mạng nơron, Điều khiển con lắc ngược gồm hai quá trình: điều khiển swing-up và điều khiển cân bằng

Trong luận văn này, con lắc ngược được điều khiển cân bằng dùng mạng nơron huấn luyện theo thuật toán hàm cơ sở xuyên tâm để học theo một bộ điều khiển hiện có Kết quả mô phỏng cho thấy, bộ điều khiển sử dụng mạng nơron hàm

cơ sở xuyên tâm có khả năng thay thế hoàn toàn được bộ điều khiển hiện có để điều khiển mô hình con lắc ngược Từ đó áp dụng bộ điều khiển nơron này lên mô hình thực nghiệm, kết quả đáp ứng cho thấy con lắc đã được duy trì ổn định hoàn toàn quanh vị trí cân bằng thẳng đứng hướng lên

Giải thuật Logic Mờ được sử dụng để xây dựng bộ điều khiển swing-up Bộ điều khiển Logic Mờ sẽ tính toán và đưa ra giá trị điều khiển tạo dao động hợp lý dựa vào vị trí và vận tốc con lắc để đưa con lắc lên vị trí thẳng đứng hướng lên sao cho vận tốc tại đó là nhỏ nhất Sau đó chuyển sang bộ điều khiển cân bằng để giữ con lắc ổn định tại vị trí này Kết quả thực nghiệm cho thấy giải thuật Logic Mờ hoàn toàn có khả năng điều khiển đưa con lắc từ vị trí buông lõng lên đến vị trí cân bằng thẳng đứng hướng lên

ABTRACT

Inverted pendulum system is a highly nonlinear and unstable system It is used as a common model for technical applications in linear and nonlinear controlling Pendulum model is used to test control algorithms such as PID control, sliding, neural networks, … Controling a inverted pendulum consists of two processes: swing-up control and balance control

In this thesis, inverted pendulum balance is controlled using neural network algorithm trained radial basis function to study under an existing controller Simulation results show that the controller using radial basis function neural networks fully capable replace existing controllers to control the inverted pendulum model Since then apply this to the neural controller experimental model we see the pendulum has been maintained completely pendulum stability around the equilibrium position

Fuzzy Logic algorithm used to build the swing-up controller Fuzzy Logic Controller will calculate and provide value control based on the position and velocity of the pendulum to give the pendulum to vertical upward position so that the velocity at which the smallest Then switch to the balance control to keep the pendulum stable in this position Experimental results show that the algorithm Fuzzy Logic fully capable drivers put pendulum from location to location loose vertical upward equilibrium

MỤC LỤC

Quyết Định Giao Đề Tài

Xác Nhận Của Cán Bộ Hướng Dẫn

Lý Lịch Khoa Học

Lời cam đoan i

Lời cảm ơn ii

Tóm tắt luận văn iii

Abtract iv

Mục lục v

Danh sách các chữ viết tắt viii

Danh sách các hình ix

Danh sách các bảng xiv

Chương 1 TỔNG QUAN 1

1.1 Đặt vấn đề 1

1.2 Lịch sử nghiên cứu 2

1.3 Mục tiêu và giới hạn của đề tài 4

1.4 Phương pháp nghiên cứu 4

1.5 Nội dung luận văn 4

Chương 2 CƠ SỞ LÝ THUYẾT 6

2.1 Giới thiệu sơ lược về hệ thống con lắc ngược quay 6

2.2 Thiết lập mô hình toán học của con lắc ngược quay 7

2.3 Cơ sở lý thuyết mạng nơron hàm cơ sở xuyên tâm 11

2.3.1 Khái niệm hàm cơ sở xuyên tâm 11

2.3.2 Mô hình mạng RBF 11

2.3.3 Mô hình mạng RBF Gaussian 15

2.3.4 Các chiến lược học cho mạng RBF 19

2.3.5 Mạng hàm cơ sở xuyên tâm trong Matlab 19

2.4 Tổng quan về điều khiển mờ 24

2.4.1 Cấu trúc bộ điều khiển mờ 25

2.4.2 Nguyên lý làm việc của bộ điều khiển mờ 28

2.4.3 Các loại điều khiển mờ thường sử dụng 29

2.4.4 Thiết kế bộ điều khiển mờ 30

Chương 3 ĐIỀU KHIỂN CÂN BẰNG DÙNG BỘ ĐIỀU KHIỂN PID 31

3.1 Thiết lập sơ đồ khối con lắc ngược trên Simulink Matlab 31

3.2 Mô phỏng điều khiển cân bằng con lắc ngược dùng bộ điều khiển PID 32

3.2.1 Đáp ứng góc của con lắc tuyến tính khi chưa có bộ điều khiển 32

3.2.2 Đáp ứng góc của con lắc tuyến tính khi có bộ điều khiển PID cho góc α 34

3.2.3 Đáp ứng góc của con lắc tuyến tính khi có bộ điều khiển PID cho góc α và góc θ 35

3.2.4 Đáp ứng góc của con lắc tuyến tính khi có bộ điều khiển PID hai biến và thay đổi khối lượng con lắc 37

3.2.5 Đáp ứng góc của con lắc tuyến tính khi có bộ điều khiển PID hai biến và thay đổi chiều dài con lắc 39

3.2.6 Đáp ứng góc của con lắc phi tuyến khi có bộ điều khiển PID hai biến 41

3.2.7 Đáp ứng góc của con lắc phi tuyến khi có bộ điều khiển PID hai biến và thay đổi khối lượng con lắc 42

3.2.8 Đáp ứng góc của con lắc phi tuyến khi có bộ điều khiển PID hai biến và thay đổi chiều dài con lắc 44

Chương 4 ĐIỀU KHIỂN CÂN BẰNG DÙNG MẠNG NƠRON NHÂN TẠO RBF 47

4.1 Thiết kế bộ điều khiển cân bằng dùng mạng nơron RBF 47

4.2 Mô phỏng điều khiển cân bằng con lắc ngược phi tuyến dùng mạng nơron RBF 49

4.2.1 Đáp ứng góc của con lắc phi tuyến khi điều khiển bằng mạng nơron RBF với góc đặt cố định 49

4.2.2 Đáp ứng góc của con lắc phi tuyến khi điều khiển bằng mạng nơron

RBF với góc nhiễu ngẫu nhiên 50

4.2.3 Đáp ứng góc của con lắc phi tuyến khi điều khiển bằng mạng nơron RBF và thay đổi khối lượng con lắc 52

4.2.4 Đáp ứng góc của con lắc phi tuyến khi điều khiển bằng mạng nơron RBF và thay đổi chiều dài con lắc 55

4.2.5 So sánh mạng nơron RBF với mạng Fitting Neural Network 58

Chương 5 ĐIỀU KHIỂN SWING-UP DÙNG LOGIC MỜ 61

5.1 Nguyên lý điều khiển mờ 61

5.1.1 Tiền xử lý 61

5.1.2 Mờ hóa 62

5.1.3 Hệ qui tắc mờ 62

5.1.4 Giải mờ 63

5.2 Điều khiển swing-up 63

5.3 Áp dụng điều khiển mờ trong swing-up con lắc 64

Chương 6 KẾT QUẢ THỰC NGHIỆM 66

6.1 Điều khiển cân bằng dùng mạng nơron RBF 66

6.2 Điều khiển swing-up dùng Logic Mờ 68

Chương 7 KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN 71

7.1 Kết luận 71

7.2 Hướng phát triển của đề tài 71

TÀI LIỆU THAM KHẢO 72

DANH SÁCH CÁC CHỮ VIẾT TẮT

1 DSP : Digital Signal Processing

2 MIMO : Multi Inputs Multi Outputs

3 MISO : Multi Inputs Single Output

10 QEP : Quadrature Encoder Pulse

11 RBF : Radial Basis Function

12 RBFNN : Radial Basis Function Neural Network

13 SCI : Serial Communications Interface

14 SIMO : Single Input Multi Outputs

15 SISO : Single Input Single Output

16 ZE : Zero

DANH SÁCH CÁC HÌNH

Hình 1.1 Xe hai bánh tự cân bằng 1

Hình 1.2 Con lắc ngược quay 1

Hình 1.3 Xe con lắc ngược 1

Hình 1.4 Con lắc ngược kép 1

Hình 2.1 Hệ thống con lắc ngược quay 6

Hình 2.2 Mô hình con lắc ngược quay 7

Hình 2.3 Phân tích chuyển động của con lắc ngược quay 8

Hình 2.4 Sơ đồ biểu diễn mạng RBF với vector đầu vào xRn và một đầu ra yR 12

Hình 2.5 Hàm cơ sở xuyên tâm Gaussian 15

Hình 2.6 Biểu đồ phác họa của mạng nơron sử dụng hàm cơ sở xuyên tâm Gaussian 17

Hình 2.7 Biểu đồ khối biểu diễn RBFNN Gaussian 18

Hình 2.8 Mạng nơron hàm cơ sở xuyên tâm với R ngõ vào 19

Hình 2.9 Đồ thị hàm a = radbas(n) 20

Hình 2.10 Cấu trúc mạng nơron hàm cơ sở xuyên tâm 21

Hình 2.11 Overfitting (Spread = 100) 23

Hình 2.12 Underfitting (Spread = 0.01) 24

Hình 2.13 Fitting (Spread = 1) 24

Hình 2.14 Cấu trúc bộ điều khiển mờ 25

Hình 3.1 Sơ đồ khối mô hình toán con lắc tuyến tính 31

Hình 3.2 Sơ đồ khối mô hình toán con lắc phi tuyến 31

Hình 3.3 Sơ đồ khối con lắc tuyến tính khi chưa có bộ điều khiển 32

Hình 3.4 Đáp ứng góc α của con lắc tuyến tính khi chưa có bộ điều khiển 33

Hình 3.5 Đáp ứng góc θ của con lắc tuyến tính khi chưa có bộ điều khiển 33

Hình 3.6 Sơ đồ khối mô phỏng điều khiển con lắc tuyến tính hồi tiếp góc α 34

Hình 3.7 Đáp ứng góc α của con lắc tuyến tính khi có hồi tiếp góc α 34

Hình 3.8 Đáp ứng góc θ của con lắc tuyến tính khi có hồi tiếp góc α 35

Hình 3.9 Sơ đồ khối mô phỏng điều khiển con lắc tuyến tính hồi tiếp cả hai góc α và góc θ 36

Hình 3.10 Đáp ứng góc α của con lắc tuyến tính khi hồi tiếp cả hai góc α và góc θ 36

Hình 3.11 Đáp ứng góc θ của con lắc tuyến tính khi hồi tiếp cả hai góc α và góc θ 36

Hình 3.12 Sơ đồ khối mô phỏng điều khiển con lắc tuyến tính bằng bộ điều khiển PID hai biến và thay đổi khối lượng con lắc 37

Hình 3.13 Đáp ứng góc α của con lắc tuyến tính khi m = 0.1 kg 37

Hình 3.14 Đáp ứng góc θ của con lắc tuyến tính khi m = 0.1 kg 38

Hình 3.15 Đáp ứng góc α của con lắc tuyến tính khi m = 0.31 kg 38

Hình 3.16 Đáp ứng góc θ của con lắc tuyến tính khi m = 0.31 kg 38

Hình 3.17 Sơ đồ khối mô phỏng điều khiển con lắc tuyến tính bằng bộ điều khiển PID hai biến và thay đổi chiều dài con lắc 39

Hình 3.18 Đáp ứng góc α của con lắc tuyến tính khi l = 0.1 mét 39

Hình 3.19 Đáp ứng góc θ của con lắc tuyến tính khi l = 0.1 mét 40

Hình 3.20 Đáp ứng góc α của con lắc tuyến tính khi l = 0.3 mét 40

Hình 3.21 Đáp ứng góc θ của con lắc tuyến tính khi l = 0.3 mét 40

Hình 3.22 Sơ đồ khối mô phỏng điều khiển con lắc phi tuyến với tín hiệu nhiễu bằng bộ điều khiển PID hai biến 41

Hình 3.23 Đáp ứng góc α của con lắc phi tuyến khi ngõ vào là tín hiệu nhiễu 41

Hình 3.24 Đáp ứng góc θ của con lắc phi tuyến khi ngõ vào là tín hiệu nhiễu 42

Hình 3.25 Sơ đồ khối mô phỏng điều khiển con lắc phi tuyến bằng bộ điều khiển PID hai biến và thay đổi khối lượng con lắc 42

Hình 3.26 Đáp ứng góc α của con lắc phi tuyến khi m = 0.1 kg 43

Hình 3.27 Đáp ứng góc θ của con lắc phi tuyến khi m = 0.1 kg 43

Hình 3.28 Đáp ứng góc α của con lắc phi tuyến khi m = 0.31 kg 43

Hình 3.30 Sơ đồ khối mô phỏng điều khiển con lắc phi tuyến bằng bộ điều khiển

PID hai biến và thay đổi chiều dài con lắc 44

Hình 3.31 Đáp ứng góc α của con lắc phi tuyến khi l = 0.1 mét 45

Hình 3.32 Đáp ứng góc θ của con lắc phi tuyến khi l = 0.1 mét 45

Hình 3.33 Đáp ứng góc α của con lắc phi tuyến khi l = 0.3 mét 45

Hình 3.34 Đáp ứng góc θ của con lắc phi tuyến khi l = 0.3 mét 46

Hình 4.1 Sơ đồ khối mô phỏng điều khiển con lắc phi tuyến bằng PID để thu thập dữ liệu 47

Hình 4.2 Khối nơron RBF 48

Hình 4.3 Cấu trúc khối nơron RBF 48

Hình 4.4 Sơ đồ khối mô phỏng điều khiển con lắc phi tuyến bằng mạng nơron RBF với góc đặt cố định 49

Hình 4.5 Đáp ứng góc α của con lắc phi tuyến khi điều khiển bằng mạng nơron RBF với góc đặt cố định 49

Hình 4.6 Đáp ứng góc θ của con lắc phi tuyến khi điều khiển bằng mạng nơron RBF với góc đặt cố định 50

Hình 4.7 Sơ đồ khối mô phỏng điều khiển con lắc phi tuyến bằng mạng nơron RBF với tín hiệu nhiễu 50

Hình 4.8 Đáp ứng góc α của con lắc phi tuyến khi điều khiển bằng mạng nơron RBF với tín hiệu nhiễu 51

Hình 4.9 Đáp ứng góc α của con lắc phi tuyến khi điều khiển bằng mạng Fitting Neural Network với tín hiệu nhiễu 51

Hình 4.10 Đáp ứng góc θ của con lắc phi tuyến khi điều khiển bằng mạng nơron RBF với tín hiệu nhiễu 52

Hình 4.11 Đáp ứng góc θ của con lắc phi tuyến khi điều khiển bằng mạng Fitting Neural Network với tín hiệu nhiễu 52

Hình 4.12 Sơ đồ khối mô phỏng điều khiển con lắc phi tuyến bằng mạng nơron RBF khi thay đổi khối lượng con lắc 53

Hình 4.13 Đáp ứng góc α của con lắc phi tuyến khi điều khiển bằng mạng nơron

Hình 4.16 Đáp ứng góc α của con lắc phi tuyến khi điều khiển bằng mạng Fitting

Neural Network với m = 0.31 kg 54

Hình 4.17 Đáp ứng góc θ của con lắc phi tuyến khi điều khiển bằng mạng nơron

RBF với m = 0.31 kg 55

Hình 4.18 Đáp ứng góc θ của con lắc phi tuyến khi điều khiển bằng mạng Fitting

Neural Network với m = 0.31 kg 55

Hình 4.19 Sơ đồ khối mô phỏng điều khiển con lắc phi tuyến bằng mạng nơron

RBF khi thay đổi chiều dài con lắc 56

Hình 4.20 Đáp ứng góc α của con lắc phi tuyến khi điều khiển bằng mạng nơron

Hình 4.23 Đáp ứng góc α của con lắc phi tuyến khi điều khiển bằng mạng Fitting

Neural Network với l = 0.3 mét 57

Hình 4.24 Đáp ứng góc θ của con lắc phi tuyến khi điều khiển bằng mạng nơron

RBF với l = 0.3 mét 58

Hình 4.25 Đáp ứng góc θ của con lắc phi tuyến khi điều khiển bằng mạng Fitting

Neural Network với l = 0.3 mét 58

Hình 4.26 Sơ đồ khối so sánh dữ liệu đáp ứng góc của con lắc phi tuyến khi điều

khiển bằng mạng nơron RBF và mạng Fitting Neural Network 59