Thiết kế quỹ đạo mẫu có tính tự học cho hệ thống cánh tay máy xúc tự động

BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC BÁCH KHOA HÀ NỘI - NGUYỄN VĂN THÀNH THIẾT KẾ QUỸ ĐẠO MẪU CĨ TÍNH TỰ HỌC CHO HỆ CÁNH TAY MÁY XÚC TỰ ĐỘNG LUẬN VĂN THẠC SỸ CHUYÊN NGÀNH: KỸ THUẬT ĐIỀU KHIỂN VÀ TỰ ĐỘNG HÓA Hà Nội – 2018 BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC BÁCH KHOA HÀ NỘI - NGUYỄN VĂN THÀNH THIẾT KẾ QUỸ ĐẠO MẪU CĨ TÍNH TỰ HỌC CHO HỆ CÁNH TAY MÁY XÚC TỰ ĐỘNG LUẬN VĂN THẠC SỸ CHUYÊN NGÀNH: KĨ THUẬT ĐIỀU KHIỂN VÀ TỰ ĐỘNG HÓA NGƯỜI HƯỚNG DẪN KHOA HỌC: TS VŨ THỊ THÚY NGA Hà Nội – 2018 MỤC LỤC TRANG PHỤ BÌA LỜI CAM ĐOAN DANH MỤC HÌNH ẢNH CHƯƠNG I: TỔNG QUAN 1.1 Tổng quan toán 1.2 Giới thiệu mạng nơ-ron ứng dụng đề tài CHƯƠNG II: CƠ SỞ LÝ THUYẾT MẠNG NORON 2.1 Mơ hình nơ-ron cấu trúc mạng nơ-ron 2.1.1 Mơ hình nơ-ron 2.1.2 Cấu trúc mạng nơ-ron 11 2.1.3 Một số cấu trúc mạng nơ-ron phổ biến 14 2.2 Huần luyện mạng nơ-ron 19 2.2.1 Luật học 19 2.2.2 Luật học Perceptron 20 2.2.3 Một vài thuật toán tối ưu 22 2.2.4 Phương pháp lan truyền ngược 26 2.2.5 Tổng quát hóa mạng nơ-ron (generalization) 29 2.2.6 Huần luyện mạng nơ-ron động 32 2.3 Vân đề huấn luyện mạng nơ-ron thực tế 39 2.3.1 Các bước trước huấn luyện 39 2.3.2 Huấn luyện mạng nơ-ron 41 2.3.3 Phân tích kết huấn luyện 42 CHƯƠNG III: THIẾT KẾ QUỸ ĐẠO 44 3.1 Sự cần thiết việc thiết kế quỹ đạo 44 3.2 Bài toán thiết kế quỹ đạo 45 3.2.1 Tổng quan thiết kế quỹ đạo chuyển động robot 45 3.2.2 Không gian biến khớp không gian hoạt động 47 3.2.3 Quỹ đạo không gian làm việc 47 3.2.4 Quỹ đạo không gian biến khớp 47 3.2.5 Quỹ đạo từ không gian hoạt động sang không gian biến khớp 48 3.3 Thiết kế quỹ đạo chuyển động robot đa thức bậc cao ràng buộc gia tốc 48 3.3.1 Tổng quan phương pháp thiết kế 48 3.3.2 Chiến lược thiết kế quỹ đạo 49 3.4 Thiết kế quỹ đạo sử dụng Logic Mờ 50 3.4.1 Tổng quan logic mờ thiết kế quỹ đạo 50 3.4.2 Phương pháp thiết kế điều khiển 50 3.5 Thiết kế quỹ đạo sử dụng mạng neural 51 3.5.1 Tổng quan phương pháp 51 3.5.2 Cấu trúc mạng Neural điều khiển 51 CHƯƠNG IV: MÔ PHỎNG VÀ THỰC NGHIỆM 54 4.1 Ý tưởng thực 54 4.2 Mơ hình tải 55 4.3 Thiết kế quỹ đạo mẫu cho mơ hình tải 58 4.3.1 Ý tưởng thiết kế 58 4.3.2 Xấp xỉ tài mạng noron hồi quy 59 4.3.3 Thiết kế phát quỹ đạo mẫu theo mơ hình mẫu 65 KẾT LUẬN 72 TÀI LIỆU THAM KHẢO 73 LỜI CAM ĐOAN Tên NGUYỄN VĂN THÀNH, học viên cao học ngành Kỹ thuật Điều khiển Tự động hóa khóa 2016-2018 Giáo viên hướng dẫn khoa học TS VŨ THỊ THÚY NGA Tôi xin cam đoan luận văn với đề tài “Thiết kế quỹ đạo mẫu có tính tự học cho hệ cánh tay máy xúc tự động” cơng trình nghiên cứu riêng tơi chưa cơng bố cơng trình khác Các số liệu nêu luận văn trung thực DANH MỤC HÌNH ẢNH Hình 2.1 Nơ-ron đầu vào Hình 2.2 Nơ-ron nhiều đầu vào 10 Hình 2.3 Nơ-ron nhiều đầu vào dạng vector 10 Hình 2.4 Mạng nơ-ron lớp 11 Hình 2.5 Mạng nơ-ron lớp dạng vector 12 Hình 2.6 Mạng nơ-ron nhiều lớp 12 Hình 2.7 Mạng nơ-ron nhiều lớp dạng vector 13 Hình 2.8 Khâu Delay 13 Hình 2.9 Khâu tích phân 14 Hình 2.10 Mạng hồi quy 14 Hình 2.11 Mạng Perceptron 15 Hình 2.12 Mạng ADALINE 15 Hình 2.13 Mạng Perceptron nhiều lớp 16 Hình 2.14 Mạng lọc thích nghi ADAPLINE 17 Hình 2.15 Mạng hồi quy 18 Hình 2.16 Mạng Perceptron 20 Hình 2.17 Mạng Perceptron nhiều lớp 26 Hình 2.18 Hiện tượng overfitting 29 Hình 2.19 Huấn luyện tốt, không bị overfitting 29 Hình 2.20 Mơ tả phương pháp early stopping 31 Hình 2.21 Mạng hồi quy 32 Hình 2.22 Sơ đồ mạng trải theo thời gian 33 Hình 2.23 Mạng NARX 35 Hình 2.24 Sơ đồ mạng kín 35 Hình 2.25 Sơ đồ mạng tháo vịng phản hồi 36 Hình 2.26 Sơ đồ trình huấn luyện mạng nơ-ron 39 Hình 3.1 Bài toán thiết kế quỹ đạo tổng quát 45 Hình 3.2 Ví dụ Path Plannong 46 Hình 3.3 Sơ đồ điều khiển Mờ tổng quát 50 Hình 3.4 Cấu trúc mạng Neural 52 Hình 3.5 Sơ đồ khối điều khiển quỹ đạo 53 Hình 4.1 Sơ đồ khối hệ thống 54 Hình 4.2 Hình dạng giả đinh tải toán 55 Hình 4.3 Quỹ đạo múc tương tác với tải 56 Hình 4.4 Khối lượng múc thực 58 Hình 4.5 Sở đồ nguyên lý thiết kế điều khiển noron theo phương pháp mơ hình mẫu 59 Hình 4.6 Tín hiệu vảo-ra đối tượng cho trình huấn luyện mạng 61 Hình 4.7 Kiến trúc tổng quát mạng NARX nhận dạng tải toán học 62 Hình 4.8 Kiến trúc mạng đóng (bên trái) mạng hở (bên hở)………… … …….62 Hình 4.9 Kết huấn luyện mạng noron nhận dạng mơ hình …………………… 64 Hình 4.10 Kết kiểm tra mạng noron nhận dạng mơ hình ……………………… 65 Hình 4.11 Kiến trúc mạng noron điều khiển nối tiếp với mạng noron nhận dạng đối tượng 66 Hình 4.12 Dữ liệu vào mơ hình mẫu cho trình huấn luyện mạng noron điều khiển (hình phía input, phía output) 67 Hình 4.13 Kết huấn luyện điều khiển (các giá trị trục tung nhân với 1100 để giá trị thực) 68 Hình 4.14 Kiến trúc điều khiển (bộ phát quỹ đạo mẫu) 69 Hình 4.15 kết chạy điều khiển với tải tốn (ở hình dưới, h ánh xạ vào vùng giá trị [-1 1], đặt tên h_scale) 70 Hình 4.16 Quỹ đạo khối lượng số bước 71 CHƯƠNG I: TỔNG QUAN 1.1 Tổng quan toán Hiện giới, nhu cầu sử dụng robot ngày nhiều với ưu điểm vượt trội so với người độ xác cao, độ an toàn, độ bền, tăng suất lao động, đáp ứng yêu cầu chất lượng cao sản xuất, việc ứng dụng robot trong nhiều khâu sản xuất ngành công nghiệp ngày trở nên phổ biến Với cách mạng công nghiệp 4.0, ứng dụng robot dây chuyền sản xuất công nghiệp đời sống xã hội trọng tâm cách mạng công nghệ lớn sau Internet ứng dụng robot cơng nghiệp tự động hóa, gia tăng mơ hình "nhà máy thơng minh" khu cơng nghiệp mơ hình robot thơng minh xu hướng phát triển mạnh Việt Nam Do số khó khăn sở vật chất, điều kiện mà nước ta chưa có nhiều ứng dụng Robot làm thay công việc tay chân cho người Trong có đề tài mà em tìm hiểu thiết kế quỹ đạo mẫu cho robot tự động múc tải ứng dụng ngành xây dựng ngành công nghiệp Mục tiêu cụ thể toán cho Robot tự động thực việc múc tải cho khối lượng múc ln trì theo u cầu đặt (hay theo giá trị đặt cho trước) Mục đích tốn tạo tính tốn quỹ đạo mẫu phát quỹ đạo đặt cho Robot máy xúc khơng người lái Vì khó khăn mà cơng nhân thường gặp xác định khối lượng cho phép dạng quỹ đạo tải, khó khăn địa hình, mơi trường làm việc gây cản trở nguy hiểm cho người thực cơng việc, nên việc tìm hiểu thiết kế quỹ đạo mẫu cho robot tự động múc tải để giảm bớt khó khăn điều mà em thấy cần thiết Do hoạt động môi trường làm việc robot phải chịu nhiều tác động khác từ môi trường bên ngồi tác động vào gây số khó khăn cho việc tính tốn, xác định quỹ đạo phù hợp để múc tải xác với khối lượng yêu cầu Do em có tìm hiểu đưa phương pháp thiết kế quỹ đạo mẫu theo phương pháp nơ-ron 1.2 Giới thiệu mạng nơ-ron ứng dụng đề tài Mạng Neuron mơ hình xử lý thông tin mô dựa hoạt động hệ thống thần kinh sinh vật, bao gồm số lượng lớn Neuron gắn kết để xử lý thông tin Mạng nơ-ron giống não người, học kinh nghiệm (thơng qua huấn luyện), có khả lưu giữ kinh nghiệm hiểu biết (tri thức) sử dụng tri thức việc dự đoán liệu chưa biết Ngày mạng nơ ron có nhiều ứng dụng thưc tế y học, quân sự, nhận dạng mẫu…và đặc biệt trí tuệ nhân tạo ứng dụng việc thiết kế hệ thống thơng minh mà điều khiển có khả tư não người xu hướng tiến đến điều khiển tự động Thực tế, mạng nơron có liên quan đến lĩnh vực như: học, thích nghi, khái qt hố tối ưu hóa Trong lĩnh vực thì: đốn nhận, học, hoạt động định vấn đề liên quan mật thiết với kỹ thuật dị đường… Kỹ thuật nơron có khả xử lý hiệu liệu khơng xác, kích thước lớn, cơng việc khó khăn sử dụng phương pháp truyền thống CHƯƠNG II: CƠ SỞ LÝ THUYẾT MẠNG NORON 2.1 Mơ hình nơ-ron cấu trúc mạng nơ-ron 2.1.1 Mơ hình nơ-ron a Nơ-ron đầu vào Nơ-ron đầu vào có mơ hình thể Hình 2.1 Một đại lượng đầu vào vô hướng p nhân với thành phần vơ hướng weight w, với tìn hiệu đầu vào “1” nhân với thành phần vô hướng bias s, chúng cộng lại thành thành phần n=wp+b n vào hàm biến đổi f để thu tín hiệu vơ hướng a=f(n)=f(wp+b) Hình 0.1 Nơ-ron đầu vào Hàm biến đổi f hàm tuyến tính phi tuyến n Hiện nay, người ta thường sử dụng số hàm cho mạng nơ-ron Việc thiết kế phát quỹ đạo (hay điều khiển vịng ngồi) dựa nguyên lý phương pháp thiết kế điều khiển theo mơ hình mẫu Trước tiên, ta xấp xỉ lại đối tượng mạng Noron Việc xấp xỉ đối tượng thông qua liệu vào-ra đối tượng (do hồn tồn khơng có thơng tin mơ hình cấu trúc đối tượng) Tiếp theo đó, ta thiết kế điều khiển mạng Noron Sơ đồ khối nguyên lý điều khiển mô tả hình 3.4 Trong điều khiển mạng noron, mạng noron điều khiển nối tiếp với mạng noron nhận dạng đối tượng để trở thành mạng noron lớn Trong trình huấn luyện điều khiển (mạng noron điều khiển), mạng noron nhận dạng đối tượng giữ cố định Sai lệch tín hiệu thực tín hiệu phát từ mơ hình mẫu (Control Error) sử dụng để cập nhật tham số cho điều khiển Chi tiết thiết kế mạng noron nhận dạng (xấp xỉ) đối tượng điều khiển triển khai rõ ràng phần 4.3.2 4.3.3 Hình 0.5 Sở đồ nguyên lý thiết kế điều khiển noron theo phương pháp mơ hình mẫu 4.3.2 Xấp xỉ tài mạng noron hồi quy Việc nhận dạng đối tượng việc thu thâp dư liệu vào đối tượng Trước tiên ta có nhận vài xét đối tượng, đối tượng có tính động học Tức với quỹ đạo mà máy xúc dùng để múc tải, khối lượng múc có 59 xu hướng giảm dần theo thời gian Đối với tải toán, tượng diễn góc k giảm dần theo tổng khối lượng múc Để đưa mơ hình mạng noron nhận dạng xác đối tượng động, ta cần phải đảm bảo liệu vào-ra thu thập bảo phủ toàn dải làm việc hệ thống Đối với toán nhận dạng đối tượng, ta thường thu thập liệu cách đưa vào hệ thống tín hiệu input có dạng chuỗi bước nhảy, có biên độ độ dài xung ngẫu nhiên (dạng liệu đầu vào thường gọi dạng“skyline”) Cụ thể trình nhận dạng tải tốn, ta đưa tín hiệu đầu vào có biên độ h 2.92 4.09 (h nói tọa độ trục hoành đỉnh parabol, h nằm dải giá trị ta đặt gia thiết giới hạn độ dịch theo trục hoành parabol), độ dài xung duration5 30 chu kỳ (việc lựa chọn độ dài xung qua q trình thử chọn thực nghiệm, khơng có sở xác để nói đâu lựa chọn tối ưu) Dạng tín hiệu đầu vào hình 4.6, hình 4.7 thể đáp ứng đầu đối tượng ứng với dạng đầu vào 60 Hình 0.6 Tín hiệu vào-ra đối tượng cho q trình huấn luyện mạng Sau thu thập liệu huấn luyện, ta tiến hành thiết kế kiến trúc mạng noron Để mơ tả đặc tính động học hệ thống, ta phải sử dụng mạng noron động, cụ thể ta sử dụng kiến trúc mạng hồi quy (Recurrent neural network) Đối với toán nhận dạng mạng noron qua liệu vào-ra, kiến trúc mạng áp dụng phổ biến kiến trúc NARX kiến trúc mạng noron hồi quy Trong kiến trúc mạng, tín hiệu đầu vào qua Tap-delay-line Hơn 61 đầu mạng phản hồi,qua lớp Tap-delay-line trở thành đầu vào Hình 0.7 Kiến trúc tổng quát mạng NARX nhận dạng tải tốn học Mạng NARX mơ tả tốn học sau: y(t ) = f (u (t −1), u (t − nu ) , y(t −1), , y(t − ny )) Có tính chất khiến cho mạng NARX sử dụng phổ biến Mạng NARX có đường phản hồi từ đầu ra, q trình huấn luyện ta có giá trị thực đầu mạng, ta mở đưởng phản hồi coi đầu vào thứ hai Kiến trúc mạng hở gọi serier-parell architecture sử dụng cho onestep-ahead prediction Hình 0.8 Kiến trúc mạng đóng (bên trái) mạng hở (bên hở) 62 Huấn luyện mạng hở: việc huấn luyện mạng hở, liệu thực đầu coi đầu vào thứ hai Việc huấn luyện mạng xác đơn giản cần thuật tốn lan truyền ngược thơng thường Huấn luyện mạng kín: sau kết thúc huấn luyên mạng hở, mạng noron sử dụng để dự đoán trước bước (one-step-ahead prediction) Tuy nhiên mục tiêu ta nhận dạng đối tượng (tức dự đoán trước n bước) ta cần phải tiếp tục huấn luyện mạng kín Đường phản hồi mạng đóng lại Tập liệu huấn luyện chia thành tập nhỏ, độ dài nhỏ (chọn số delay + ) Sau tăng dần độ dài tập chúng có độ dài tập huấn luyện ban đầu Thuật tốn sử dụng q trình huấn luyện thuật tốn Bayesian Regularization Kết q trình huấn luyện thể hình 4.9 63 Hình 0.9 Kết huấn luyện mạng noron nhận dạng mơ hình Sau hồn thành q trình huấn luyện, ta tiến hành kiểm tra noron nhận dạng với số liệu vào-ra khác đối tượng, kết hình 4.10 Qua hình 4.10, thấy sai số kiểm tra chấp nhận 64 Hình 0.10 Kết kiểm tra mạng noron nhận dạng mơ hình Kết luận: khối lượng đầu bám theo khối lượng đặt sai lệch khoảng (0÷ 20) ta thấy chấp nhận 4.3.3 Thiết kế phát quỹ đạo mẫu theo mơ hình mẫu Trước tiên, ta phải chọn mơ hình mẫu phù hợp Nhận xét thấy, mơ hình noron nhận dạng có bậc 3, đó, ta lựa chọn mơ hình mẫu hàm truyền rời rạc deadbeat bậc Mơ hình mẫu có dạng hàm truyền Gm( z ) sau 65 z −1 + z −2 + 27 z −3 Gm( z) = 37 (15) Kiến trúc mạng noron điều khiển nối tiếp với noron nhận dạng đối tượng thể qua hình 4.11, lớp lớp kiến trúc điều khiển Hình 0.11 Kiến trúc mạng noron điều khiển nối tiếp với mạng noron nhận dạng đối tượng Ta tiến hành thu thập liệu để huấn luyện cho điều khiển, liệu thu thập thơng qua mơ hình mẫu 66 Hình 0.12 Dữ liệu vào mơ hình mẫu cho q trình huấn luyện mạng noron điều khiển (hình phía input, phía output) Tuy điều khiển làm việc với set point 1000 phải làm việc với trạng thái khác đối tượng Do việc chọn set point có dạng giúp huấn luyên điều khiển với trạng thái trình làm việc thực tế đối tượng (Như trạng thái khối lượng giảm từ 1100 xuống 1000 tăng từ 800 lên 1000…) Trong trình huấn luyện mạng noron điều khiển, tham số mạng noron nhận dạng đối tượng giữ cố định Sai lệch đầu mơ hình mẫu mạng noron lan truyền ngược để cập nhập tham số cho mạng noron điều khiển Kết 67 huấn lun thể hình 4.13, thấy kết huấn luyện có sai lệch nhỏ Hình 0.13 Kết huấn luyện điều khiển (các giá trị trục tung nhân với 1100 để giá trị thực) Kết thúc trình huấn luyện điều khiển, ta tiến hành copy điều khiển cấu trúc mạng tổng điều khiển riêng, có kiến trúc hình 4.14 68 Hình 0.14 Kiến trúc điều khiển (bộ phát quỹ đạo mẫu) Bước cuối cùng, ta tiến hành chạy điều khiển với mô hình tải tốn để kiểm nghiệm, kết kiếm tra thể hình 4.15 69 Hình 0.15 kết chạy điều khiển với tải tốn (ở hình dưới, h ánh xạ vào vùng giá trị [-1 1], đặt tên h_scale) Nhận xét: Có thể thấy điều khiển (bộ phát quỹ đạo mẫu) giúp cho khối lượng giữ ổn định 1000 đơn vị Có sai số q trình xác lập sai lệch noron nhận dạng đối tượng toán Sau bước múc, khối lượng múc đạt đến giá trị xác lập bước múc đầu, quỹ đạo giữ chế độ default (ứng với h _ scale = ) Kết thúc bược này, giá trị khối lượng, quỹ đạo, giá trị đặt điền đầy vào giá trị ban đầu mạng noron điều khiển Lúc ta tiến hành chạy điều khiển Sau bước chạy khối lượng múc tiến đến vùng xác lập (  1000 ) Hình 4.16 thể quỹ đạo số bước múc khối lượng tương ứng múc 70 Hình 0.16 Quỹ đạo khối lượng số bước 71 KẾT LUẬN Với nội dung hoàn thiện luận văn giải vấn đề sau: - Tìm hiểu mạng noron ứng dụng thiết kế quỹ đạo cho Robot - Nhận dạng mơ hình tải có dạng thực tế - Thiết kế điều khiển noron theo phương pháp mơ hình mẫu - Kiểm nghiệm điều khiển chạy Matlab Simulink Tuy nhiên, đề tài hạn chế chưa giải : Bộ điều khiển thiết kế với tải có dạng biết trước, quỹ đạo robot chưa tối ưu thời gian, lượng, đường Hướng phát triển đề tài Trong thời gian tới tiếp tục hoàn thiện thiết kế điều khiển cho mơ hình tải khác nhau, hướng tới tối ưu quỹ đạo robot, thời gian chuyển động, lượng sử dụng robot tính ổn định hệ thống 72 TÀI LIỆU THAM KHẢO [1] Hossein Barghi Jond, Vasif V Nabiyev, Rifat Benveniste (2016), Trajectory Planning Using High-Order Polynomials under Acceleration Constraint, Journal of Optimization in Industrial Engineering - 21 (2017) [2] Martin T Hagan, Neural Network Design [3] Shuya Imajo, Masami Konishi, Tatsushi Nishi, Jun Imai (2004), Application of a neural network to the generation of a robot arm trajectory, Artif Life Robotics – 2005 [4] S.N Van den Brink (2005), Trajectory generation for a fouraxis robot with linear kinematics, Eindhoven [5] Václav Hlavác, Robot trajectory generation, Czech Technical University in Prague [6] Viorel Stoian, Mircea Ivanescu (2008), Robot Control by Fuzzy Logic, University of Craiova Romania 73 ... TRƯỜNG ĐẠI HỌC BÁCH KHOA HÀ NỘI - NGUYỄN VĂN THÀNH THIẾT KẾ QUỸ ĐẠO MẪU CĨ TÍNH TỰ HỌC CHO HỆ CÁNH TAY MÁY XÚC TỰ ĐỘNG LUẬN VĂN THẠC SỸ CHUYÊN NGÀNH: KĨ THUẬT ĐIỀU KHIỂN VÀ TỰ ĐỘNG HÓA... 42 CHƯƠNG III: THIẾT KẾ QUỸ ĐẠO 44 3.1 Sự cần thiết việc thiết kế quỹ đạo 44 3.2 Bài toán thiết kế quỹ đạo 45 3.2.1 Tổng quan thiết kế quỹ đạo chuyển động robot 45... tốn thiết kế quỹ đạo kết hợp chuyển động mong muốn với ràng buộc quỹ đạo tối ưu thời gian tối ưu Hiện tại, robot thường cho mục đích, máy phát quỹ đạo phát triển Nói chung, máy phát quỹ đạo thiết