Trong bài báo này, trình bày một đề xuất cấu trúc điều khiển cho các hệ thống truyền động dựa trên mô hình ngược và điều khiển thích nghi theo mô hình mẫu (MRAS). Ý tưởng chính là sử dụng mạng neuron để nhận dạng mô hình ngược của đối tượng sử dụng với cấu trúc điều khiển thuận và điều khiển mô hình nội dựa trên mạng neuron để đảm bảo hệ thống vô sai ở trạng thái xác lập với tín hiệu vào dạng hàm nấc giảm thiểu nhiễu đo lường ở đầu ra của đối tượng.
Điều khiển – Cơ điện tử - Truyền thông ĐIỀU KHIỂN MƠ HÌNH NGƯỢC DỰA TRÊN MẠNG NƠ-RON KẾT HỢP MRAS CHO HỆ TRUYỀN ĐỘNG Nguyễn Văn Chí*, Phạm Văn Thiêm Tóm tắt: Trong báo này, chúng tơi trình bày đề xuất cấu trúc điều khiển cho hệ thống truyền động dựa mơ hình ngược điều khiển thích nghi theo mơ hình mẫu (MRAS) Ý tưởng sử dụng mạng neuron để nhận dạng mơ hình ngược đối tượng sử dụng với cấu trúc điều khiển thuận điều khiển mơ hình nội dựa mạng neuron để đảm bảo hệ thống vô sai trạng thái xác lập với tín hiệu vào dạng hàm nấc giảm thiểu nhiễu đo lường đầu đối tượng Cấu trúc đề xuất áp dụng ví dụ hệ thống truyền động trượt ray để minh chứng cho kết điều khiển Các kết mô hệ thống điều khiển chuyển động đạt chất lượng bám mong muốn Keywords: MRAS, Mơ hình ngược, Mơ hình thuận, Mạng neuron, Điều khiển mơ hình nội ĐẶT VẤN ĐỀ Việc điều khiển hệ thống truyền động phức tạp có nhiều yếu tố cần quan tâm thiết kế điều khiển là: giảm ảnh hưởng nhiễu q trình, nhiễu đo lường bất định mô tả hệ thống lên định điều khiển [1,3,4] Do đó, khó khăn xác định điều khiển để thỏa mãn tất yếu tố Để kiểm chứng thuật toán điều khiển chuyển động, cho thấy chất lượng hạn chế, tác giả [5] xây dựng mơ hình chuyển động thử nghiệm mơ tả hình Hệ thống bao gồm trượt di chuyển tiến lùi ray, động chiều trượt cố định mặt phẳng Các tham số hệ thống cho bảng Bảng Tham số hệ thống Hình Mơ hình thử nghiệm thuật tốn điều khiển chuyển động Theo [2], mơ hình tốn hệ thống biểu diễn không gian trạng thái có kể đến thành phần lực ma sát cho công thức (1): v d 0 v dc sgn(v ) km L L L m F (1) x m x m L L 36 N.V.Chí, P.V.Thiêm, “Điều khiển mơ hình… cho hệ truyền động.” Nghiên cứu khoa học cơng nghệ Trong báo này, chúng tơi trình bày hai cấu trúc điều khiển dựa vào mạng neuron MRAS cho hệ thống truyền động cấu trúc điều khiển thuận dùng mạng nơron MRAS (FF_MRAS) cấu trúc điều khiển nội dùng mạng nơron MRAS (IM-MRAS) CẤU TRÚC ĐIỀU KHIỂN ĐỀ XUẤT 2.1 Điều khiển ngược trực tiếp Phương pháp đơn giản để thiết kế điều khiển dùng phương pháp điều khiển vòng hở, điều khiển mơ hình ngược đối tượng Giả sử đối tượng phi tuyến mơ tả phương trình sai phân: y(t ) f (y(t 1), , y(t n), u(t 1), , u(t m)) y(t 1) f (y(t ), , y(t n 1), u(t ), , u(t m 1)) (2) ta chọn luật điều khiển là: u(t ) f 1(r(t 1), r(t ) , r(t n 1), u(t 1), , u(t m 1)) (3) dễ thấy tín hiệu y(t ) đối tượng đồng tín hiệu r (t ) Mặc dù nguyên tắc điều khiển ngược trực tiếp đơn giản chiến lược thực ứng dụng thực tế, đặc biệt trường hợp đối tượng điều khiển phi tuyến, rút mô hình ngược giải tích đối tượng Một giải pháp đề xuất để giải vấn đề sử dụng mơ hình mờ mạng neron để nhận dạng mơ hình ngược đối tượng: u(t, ) f 1(r(t 1), r(t ) , r(t n 1), u(t 1), , u(t m 1)) (4) Có hai cách ước lượng thơng số mơ hình ngược là: Ước lượng off-line: thơng số mơ hình ngược ước lượng dựa vào tập liệu vào đối tượng (đã thu thập trước) cho sai lệch tín hiệu u(t ) kích thích đầu vào đối tượng tín hiệu u (t, ) mơ hình ngược nhỏ nhất: N J () u(t ) u(t, ) (5) i 1 Thuật tốn ước lượng thơng số off-line đơn giản, sử dụng phiên thuật toán Newton [7] Nếu mơ hình ngược mạng neural sử dụng thuật toán huấn luyện mạng off-line, thuật tốn lan truyền ngược Ước lượng on-line: thơng số mơ hình ngược cập nhật on-line cho sai lệch tín hiệu đối tượng tín hiệu đặt bé nhất: N J () r (t ) y(t ) (6) i 1 Nếu mơ hình ngược ước lượng on-line ta có sơ đồ điều khiển ngược thích nghi trực tiếp Tuy nhiên, phương pháp điều khiển mơ hình ngược có số nhược điểm sau: Tạp chí Nghiên cứu KH&CN quân sự, Số Đặc san ACMEC, 07 - 2016 37 Điều khiển – Cơ điện tử - Truyền thông - Phương pháp điều khiển dùng mô hình ngược áp dụng đối tượng cần điều khiển ổn định với pha cực tiểu - Việc lấy mẫu đầu vào đối tượng quan trọng, định việc nhận dạng mơ hình ngược hay sai Hiện chưa có phương pháp cách thu thập liệu để đảm bảo thu thập toàn đặc tính đối tượng, điều phụ thuộc vào kinh nghiệm người thiết kế - Nếu mơ hình ngược khơng nhận dạng đặc tính động học ngược đối tượng kết điều khiển có sai số Giải pháp để loại trừ ảnh hưởng sai số mơ hình sử dụng thêm điều khiển thuận (feedforward control) điều khiển mơ hình nội Trong bào báo đề xuất sử dụng điều khiển MRAS đóng vai trò khâu điều khiển thuận 2.2 Cấu trúc điều khiển thuận kết hợp MRAS Như trình bày trên, để bù sai số mơ hình nhận dạng, chúng tơi sử dụng thêm điều khiển MRAS[2], thu luật thích nghi cho tham số điều khiển theo công thức (7) sau: p e p22e2 dt K p (0) a 21 1 Kd p e p22e2 x 2pdt Kd (0) b 21 K i p21e1 p22e2 dt K i (0) Kp (7) đó: e1 x 1m x 1; e2 x 2m x ; R x , a, b hệ số dương, hệ số p21, p22 dương tùy chọn Mơ hình mẫu chọn là: Gm (s ) x 1m R wn2 (8) s 2zwns wn2 Mạng nơron chọn báo MPL (Multi Perceptron Layer) có cấu trúc gồm lớp: lớp vào, lớp ẩn lớp sau: - Lớp vào có m neuron, với trọng số kết nối với lớp ẩn vqj ; q 1, l ; j 1, m - Lớp ẩn có l neuron, với trọng số kết nối với lớp 1q ; q 1, l - Lớp có neuron Thuật tốn học lan truyền ngược sai số tóm tắt sau: Bước 1: Chọn tốc độ học , chọn sai số cực đại E max Bước 2: Khởi động: gán sai số E , gán biến chạy k , gán 1q ; vqj ; q 1, l ; j 1, m giá trị ngẫu nhiên nhỏ Bước 3: Tính đầu mạng với tín hiệu vào x (k ) : 38 N.V.Chí, P.V.Thiêm, “Điều khiển mơ hình… cho hệ truyền động.” Nghiên cứu khoa học công nghệ m Lớp ẩn: netq (k ) v Lớp ra: net(k ) qj (k )x j , zq ah (netq (k )) iq (k )zq (k ), y(k ) a (net(k )) j 1 l q 1 (9) (10) Bước 4: Cập nhật trọng số mạng neuron: Lớp ra: oi (k ) [d (k ) y(k )][a 0' (neti (k ))] 1q (k 1) 1q (k ) oi (k )zq (k ) (11) Lớp ẩn: hq (k ) [oi (k )1q (k )][ah' (netq (k ))] vqj (k 1) vqj (k ) hq (k )x j (k ) (12) Bước 5: Tính sai số tích lũy E E 0.5[d (k ) y(k )]2 Bước 6: Nếu k < K gán k = k + quay lại bước Nếu k = K tiếp tục bước Bước 7: Kết thúc chu kỳ huấn luyện, E E max kết thúc q trình huấn luyện E E max gán E 0, k quay lại bước bắt đầu chu kỳ huấn luyện Cấu trúc điều khiển đề xuất mơ tả hình sau: Hình a) Hình bên trái, điều khiển thuận dùng mạng nơron MRAS (FF_MRAS), b) Hình bên phải, điều khiển nội dùng mạng nơron MRAS (IM-MRAS) Kết điều khiển dùng mạng neuron phụ thuộc nhiều vào kết huấn luyện mạng neuron Do thuật toán huấn luyện mạng thuật tốn tìm cực trị cục nên phải huấn luyện mạng nhiều lần mô hình ngược u cầu 2.3 Điều khiển mơ hình nội dựa mạng neuron kết hợp với MRAS Trong tài liệu [6], điều khiển nội cho hệ tuyến tính ln ln đảm bảo sai số xác lập hệ thống tín hiệu vào hàm bước nhảy có nhiễu (t ) tác động Cấu trúc sơ đồ điều khiển đề xuất đối hệ truyền động đưa dựa sơ đồ điều khiển mơ hình nội tuyến tính, rõ ràng mơ hình mơ tả xác đặc tính động hệ thống khơng có nhiễu tín hiệu đầu 0, hệ thống trở thành điều khiển vòng hở Tạp chí Nghiên cứu KH&CN qn sự, Số Đặc san ACMEC, 07 - 2016 39 Điều khiển – Cơ điện tử - Truyền thơng Nếu có nhiễu (t ) ảnh hưởng đến q trình điều khiển tín hiệu phản hồi (t ) không gây ảnh hưởng tác động điều khiển, nhiễu (t ) bị loại trừ khỏi tín hiệu chuẩn Do đó, ảnh hưởng nhiễu nhiễu đo lường đầu q trình điều khiển hồn tồn bị triệt tiêu Bộ lọc sử dụng để tăng độ bền vững hệ thống sai số mơ hình tần số cao nhiễu đo lường Bộ điều khiển bù MRAS thêm vào để bù phần sai số phương pháp điều khiển mơ hình nội phi tuyến, đảm bảo hệ vơ sai có ảnh hưởng nhiễu đo lường đầu trình Các tham số chọn phần 2, cấu trúc điều khiển minh họa hình 2b Một điều cần lưu ý, liệu huấn luyện mạng neuron quan trọng, liệu không tổng qt dù có huấn luyện lần kết điều khiển khơng thể tốt Hơn nữa, liệu tổng quát, huấn luyện mạng nhiều lần mà kết điều khiển khơng tốt phải xem lại cấu trúc mạng neuron cách chọn lại tín hiệu vào phù hợp tăng số nút lớp ẩn KẾT QUẢ MƠ PHỎNG Việc nhận dạng mơ hình động học ngược hệ thống truyền động sử dụng mạng neuron Dữ liệu vào để dùng nhận dạng mơ hình ngược trình bày hình với đầu vào x L (t 1), x L (t ) , đầu u (t ) , số neuron lớp ẩn 6, hàm kích hoạt lớp ẩn sigmoid, lớp hàm tuyến tính Sau nhận dạng mơ hình ngược, ta có sai lệch huấn luyện mạng neural có dạng hình 4b, với gradient = 0.11685 epoch 19 Kết điều khiển hệ truyền động bám theo tín hiệu đặt có dạng hàm xung với chu kỳ 6s thể hình 4a với cấu trúc điều khiển FF-MRAS, mạng neural nhận dạng xác mơ hình ngược đáp ứng đầu hệ trùng với đường tín hiệu đặt mong muốn, so sánh với điều khiển dùng mạng neural cho thấy sai số bám tín hiệu đặt FF-MRAS nhỏ nhều thể hình 4b Hình Dữ liệu vào – hệ thống truyền động để nhận dạng mơ hình ngược (hình bên trái) sai lệch huấn luyện theo gradient (hình bên phải) 40 N.V.Chí, P.V.Thiêm, “Điều khiển mơ hình… cho hệ truyền động.” Nghiên cứu khoa học cơng nghệ Hình a) Kết điều khiển sử dụng FF_MRAS sai lệch đầu với FF-MRAS (hình bên trái) điều khiển ngược dùng mạng neural (hình bên phải) Tiếp theo, cấu trúc điều khiển IM-MRAS kiểm chứng cách sử dụng mơ hình ngược mơ hình thuận có cấu trúc mạng neuron với đầu x L (t ) , đầu vào u(t 1), x L (t 1) số neuron lớp ẩn 6, hàm kích hoạt lớp ẩn sigmoid, lớp hàm tuyến tính Hình Kết điều khiển sử dụng IM_MRAS Kết điều khiển hình 5, có sai lệch mơ hình nhiễu, MRAS khơng trì khả bám tín hiệu đặt, cấu trúc điều khiển IM-MRAS trì khả KẾT LUẬN Bài báo trình bày hai cấu trúc điều khiển sử dụng mạng neuron để nhận dạng mơ hình ngược mơ hình thuận đối tượng, kết hợp với điều khiển thích nghi theo mơ hình mẫu Các kết mô cho thấy hai cấu trúc điều khiển cho phép trì khả bám quỹ đạo điều kiện có tồn sai lệch mơ hình nhiễu, qua nghiên cứu cho thấy hai cấu có khả sử dụng cho hệ thống điều khiển truyền động nhằm đạt yêu cầu cao tính xác Phân tích tính ổn định minh chứng Tạp chí Nghiên cứu KH&CN quân sự, Số Đặc san ACMEC, 07 - 2016 41 Điều khiển – Cơ điện tử - Truyền thông kết áp dụng thực tiễn công việc nghiên cứu hai cấu trúc điều khiển TÀI LIỆU THAM KHẢO [1] Asif Sˇabanovic, Kouhei Ohnishi Keio, “Motion control systems”, John Wiley & Sons (Asia) Pte Ltd, 2011 [2] Nguyen Duy Cuong, “Advanced controllers for electromechanical Motion systems, theory, design, and applications”, Science and Technics Publishing House, 2014 [3] Astrom, K J., Wittenmark, B., “Computer-Controlled Systems-Theory and Design”, Third Edition, Prentice Hall Information and System sciences Series, Prentice Hall, Upper Saddle River, 1997 [4] Landau, Y D., Control and Systems Theory- “Adaptive Control-The Model Reference Approach”, Marcel Dekker, 1979 [5] Van Amerongen, J., “Intelligent Control (part IJ-MRAS, Lecture notes”, University of Twente, The Netherlands, March 2004 [6] Nguyễn Dỗn Phước, “Lý thuyết điều khiển tuyến tính”, Nhà xuất khoa học Kỹ thuật, 2010 [7] Peter Dyer & Stephen R McReynolds, “The computation and theory optimal control”, vol 65, Academic Press, Inc ABSTRACT A MOTION CONTROL USING THE INVERSE MODEL BASED ON THE NEURAL NETWORK COMBINING WITH MRAS In this article, the control method for the motion systems using the inverse model based on the neural network combining with MRAS is presented Two kinds of control structure that are feed forward and internal model controls are used with the inverse model estimated by neural network to keep the outputs of the controlled motion control system tracking to the desired step strategies with none tracking errors in the static states This method is applied for the motion control test system, it consists of a slider which can move back and forth over a rail and shows the obtained results The desired performance of the motion control can be done by this simulation method Keywords: MRAS, Inverse model, Feedforward model, Neural network, Internal model control Nhận ngày 12 tháng 05 năm 2016 Hoàn thiện ngày 23 tháng 06 năm 2016 Chấp nhận đăng ngày 04 tháng 07 năm 2016 Địa chỉ: Trường Đại học Kỹ thuật công nghiệp – Đại học Thái Nguyên * 42 Email: ngchi@tnut.edu.vn N.V.Chí, P.V.Thiêm, “Điều khiển mơ hình… cho hệ truyền động.” ... khiển mơ hình cho hệ truyền động. ” Nghiên cứu khoa học cơng nghệ Hình a) Kết điều khiển sử dụng FF _MRAS sai lệch đầu với FF -MRAS (hình bên trái) điều khiển ngược dùng mạng neural (hình bên phải)... trái, điều khiển thuận dùng mạng nơron MRAS (FF _MRAS) , b) Hình bên phải, điều khiển nội dùng mạng nơron MRAS (IM -MRAS) Kết điều khiển dùng mạng neuron phụ thuộc nhiều vào kết huấn luyện mạng neuron... công nghệ Trong báo này, chúng tơi trình bày hai cấu trúc điều khiển dựa vào mạng neuron MRAS cho hệ thống truyền động cấu trúc điều khiển thuận dùng mạng nơron MRAS (FF _MRAS) cấu trúc điều khiển