1. Trang chủ
  2. » Luận Văn - Báo Cáo

Điều khiển trượt thích nghi dùng mô hình RBF

97 6 0

Đang tải... (xem toàn văn)

Tài liệu hạn chế xem trước, để xem đầy đủ mời bạn chọn Tải xuống

THÔNG TIN TÀI LIỆU

Thông tin cơ bản

Định dạng
Số trang 97
Dung lượng 767,2 KB

Nội dung

Trang MỤC LỤC CHƯƠNG GIỚI THIỆU CHƯƠNG HỆ THỐNG CON LẮC NGƯỢC QUAY TRÒN 2.1 Giới thiệu 2.2 Mô hình tốn 2.3 Sơ đồ mô hệ thống sử dụng Matlab/Simulink CHƯƠNG ĐIỀU KHIỂN TRƯỢT 10 3.1 Nguyên lý điều khiển trượt 10 3.1.1 Điều khiển bám mục tiêu 11 3.1.2 Phương pháp ổn định hoá 12 3.1.3 Hiện tượng chattering 14 3.2 Thiết kế điều khiển trượt cho hệ thống lắc ngược quay tròn 14 3.2.1 Thiết kế điều khiển trượt (điều khiển θ1 ) cho hệ thống lắc ngược quay tròn 14 3.2.1.1 Thiết kế 15 3.2.1.2 Sơ đồ mô điều khiển trượt Matlab/Simulink 15 3.2.1.3 Kết mô cho trường hợp hệ thống danh định 17 3.2.1.4 Tính bền vững thay đổi thông số đối tượng 18 3.2.2 Thiết kế điều khiển trượt (điều khiển θ1 θ ) cho hệ thống lắc ngược quay tròn 22 3.2.2.1 Thiết kế 22 3.2.2.2 Sơ đồ mô điều khiển trượt Matlab/Simulink 24 3.2.2.3 Trường hợp hệ thống danh định 25 Trang 3.2.2.4 Tính bền vững thay đổi thông số đối tượng 27 CHƯƠNG NHẬN DẠNG MƠ HÌNH DÙNG MẠNG RBF 33 4.1 Giới thiệu toán nhận dạng mô hình 33 4.2 Cấu trúc mô hình nhận dạng dùng mạng neuron RBF 36 4.2.1 Mô hình mạng đơn giản 38 4.2.2 Mô hình RBF-ARX 39 4.2.3 Mô hình mạng ART-RBF 39 4.3 Một số thuật toán nhận dạng mô hình dùng mạng RBF 40 4.3.1 Nhận dạng cấu trúc 43 4.3.1.1 Lựa chọn trọng tâm ngẫu nhiên theo vector ngõ vào 43 4.3.1.2 Thuật toán lựa chọn trọng tâm K- means 44 4.3.1.3 Lựa chọn trọng tâm 45 4.3.1.4 Nhận dạng có giám sát cấu trúc mạng hàm sở xuyên tâm (RBF) sử dụng phương pháp lai 46 4.3.1.5 Một số thuật toán xây dựng cấu trúc mạng thích nghi 48 4.3.2 Nhận dạng thông số 50 4.3.2.1 Thuật toán steepest descent 52 4.3.2.2 Thuật toán Gauss – Newton 52 4.3.2.3 Thuật toán Levenberg – Marquardt (LM) 53 4.3.2.4 Thuật toán lan truyền ngược (BP) 53 4.3.2.5 Thuật toán trung bình bình phương tối thiểu LMS 54 4.3.2.6 Thuật toán bình phương tối thiểu (LS) bình phương tối thiểu đệ quy (RLS) 54 4.3.3 Thuật toán xác định cấu trúc mạng, ước lượng thông số phi tuyến trọng số tuyến tính cải tiến 56 Trang 4.3.3.1 Cấu trúc mạng 56 4.3.3.2 Thuật toán huấn luyện mạng 58 4.4 Nhận dạng mô hình đối tượng lắc ngược quay tròn dùng mô hình RBF 60 CHƯƠNG ĐIỀU KHIỂN TRƯỢT DÙNG MÔ HÌNH RBF 65 5.1 Thiết kế 65 5.2 Mô 66 5.2.1 Trường hợp hệ thống danh định 67 5.2.2 Tính bền vững thay đổi thông số đối tượng 68 CHƯƠNG ĐIỀU KHIỂN TRƯỢT THÍCH NGHI DÙNG MƠ HÌNH RBF 74 6.1 Thiết kế thuật tốn điều khiển trượt thích nghi 74 6.2 Mô 75 6.2.1 Trường hợp hệ thống danh định 76 6.2.2 Tính bền vững thay đổi thông số đối tượng 77 KẾT LUẬN VÀ KIẾN NGHỊ 85 DANH SÁCH TÀI LIỆU THAM KHẢO 87 PHỤ LỤC A CHƯƠNG TRÌNH NHẬN DẠNG HỆ CON LẮC NGƯỢC QUAY TRÒN DÙNG MẠNG RBF 90 PHỤ LỤC B CHƯƠNG TRÌNH CẬP NHẬT THƠNG SỐ BỘ ĐIỀU KHIỂN TRƯỢT THÍCH NGHI 94 PHỤ LỤC C DANH MỤC CHƯƠNG TRÌNH 95 CHƯƠNG GIỚI THIỆU Trang Phương pháp điều khiển trượt với ưu điểm tính bền vững nhiễu thay đổi thông số nên nhận nhiều quan tâm có nhiều ứng dụng thực tiễn Phương pháp điều khiển trượt: xác định luật điều khiển u để đưa quỹ đạo pha hệ thống mặt trượt trì mặt trượt cách bền vững, mặt trượt quy định người thiết kế Trong thiết kế luật điều khiển trượt thấy tín hiệu điều khiển chuyển từ giá trị đến giá trị khác cách nhanh Tuy nhiên thực tế điều đạt có tồn thời gian trễ tính tốn, giới hạn cấu vật lý Sự chuyển mạch gây tượng dao động (chattering) Đây tượng không mong đợi, gây sai số điều khiển, phát nóng mạch điện tử, mài mịn phận khí, kích động mode tần số cao khơng mơ hình hoá làm giảm chất lượng điều khiển ổn định Để khắc phục tượng chattering, có nhiều tác giả đưa phương pháp hiệu có giá trị ví dụ việc sử dụng hàm saturation sigmoid để thay cho hàm sign Đối tượng điều khiển hệ lắc ngược: hệ thống có đặc tính động phi tuyến, khơng ổn định Đã có nhiều tác giả nghiên cứu đến đối tượng như: • Martin Ansbjerg Kjỉr [6], thiết kế điều khiển lắc ngược phương pháp trượt • M O nder Efe, Okayay Kaynak, Xinghuo Yu, Xinghuo Yu, Bogdan M.Wilamowski[1], nghiên cứu luật điều khiển trượt dùng mơ hình RBF • Jeffrey T.Spooner and M.Passino[3], nghiên cứu điều khiển phân quyền dùng mạng RBF Trang • Vadim Utkin, Jugen Guldner and Jingxin Shi [7], áp dụng phương pháp điều khiển trượt cho hệ thống điện • Để thiết kế hệ thống điều khiển trượt địi hỏi phải xác định mơ hình đối tượng điều khiển Trong thực tế khơng phải lúc người thiết kế có mơ hình xác đối tượng Để giải vấn đề này, ta dùng phương pháp nhận dạng mơ hình đối tượng điều khiển dùng mạng neuron hàm sở xuyên tâm (RBF) So với phương pháp nhận dạng phi tuyến truyền thống, phương pháp có ưu điểm không cần xác định cấu trúc mô hình Trên sở sử dụng mơ hình mạng neuron RBF, tác giả xây dựng luật điều khiển trượt cho đối tượng động phi tuyến Mục tiêu luận văn: tìm hiểu mạng RBF áp dụng cho hệ thống điều khiển trượt thích nghi dùng mơ hình RBF bao gồm: • Xây dựng luật điều khiển trượt cho đối tượng lắc ngược quay tròn (inverted pendulum with rotating base) • Nhận dạng đối tượng dùng mạng RBF • Thiết kế hệ thống điều khiển trượt dùng mạng RBF • Thiết kế hệ thống điều khiển trượt thích nghi dùng mạng RBF cho đối tượng lắc ngược quay trịn • Mơ hệ thống Matlab/ Simulink CHƯƠNG Trang HỆ THỐNG CON LẮC NGƯỢC QUAY TRÒN 2.1 Giới thiệu Hệ lắc ngược quay trịn mơ tả Widjaja (1994) [7] Hình 2.1 mơ hình hệ thống lắc ngược quay tròn Hệ lắc ngược quay tròn hệ thống phi tuyến thường tìm thấy phịng thí nghiệm trường đại học Hệ lắc ngược quay trịn gồm có thành phần nối với nhau: chân đế trịn lắc ngược • Các tín hiệu vào hệ lắc ngược quay tròn u: tín hiệu vào điều khiển hệ thống θ0,θ1 : tín hiệu hệ thống • Hoạt động hệ thống lắc ngược quay tròn: Điện áp đầu vào u điều khiển hệ thống hoạt động Ban đầu khơng có tín hiệu điều khiển hệ thống đứng yên: θ1= π, θ0: tùy ý Khi có điện áp đầu vào hệ thống hoạt động Bài toán đặt tìm luật điều khiển u để đưa hệ thống trạng thái ổn định: θ1= 0, θ0 : tùy ý θ1 = 0, θ&0 = Trang Hình 2.1: Là mơ hình tốn hệ lắc ngược quay trịn 2.2 Mơ hình tốn m1: khối luợng lắc J1 : quán tính lắc L1 : khoảng cách từ trọng tâm đến trục quay g : gia tốc trọng trường C1 : hệ số ma sát lắc đế quay tròn θ : góc quay trịn đế với trục nằm ngang θ1 : góc quay trịn lắc với trục thẳng đứng Phương trình cân động lực hệ thống cho bởi:  θ a θ = − p + K pu   C m gL K θ&&1 = − θ&1 + 1 sin θ1 + θ&&0 J1 J1 J1  (2.1) Trong đó: a p , k p : số K1 : số tỉ lệ, K 0 cho vị trí khơng lắc ngược u : tín hiệu đầu vào hệ thống Các thông số hệ thống: Gia tốc trọng trường g = 9.8006 ms Khoảng cách từ trọng tâm đến trục quay L1 = 0.113m Hằng số a p = 33.04 Trang Các thông số hệ thống Khối lượng lắc m1 8.6184x10-2 kg Quán tính lắc J1 1.301x10-3 Nms2 Hằng số ap 33.04 Hằng số kp 74.89 Hệ số ma sát C1 2.979x10-3Nms/rad-1 L1 0.113m Hằng số tỉ lệ K1 0.0019 Gia tốc trọng trường g 9.8006 ms2 lắc đế quay tròn Khoảng cách từ trọng tâm đến trục đứng Hằng số k p = 74.89 Khối lượng lắc m1 = 8.6184x 10 −2 kg Quán tính lắc J = 1.301x 10 −3 Nm s Hệ số ma sát lắc đế quay tròn C1 = 2.979 x10 −3 Nms / rad −1 2.3 Sơ đồ mô hệ thống sử dụng Matlab/Simulink Trang Hình 2.2: Khối mơ tả hệ thống Hình 2.3: Sơ đồ chi tiết mô tả hệ thống Sơ đồ mô hệ thống xây dựng Simulink dựa vào phương trình (2.1) trình bày (hình 2.3) Trang 10 CHƯƠNG ĐIỀU KHIỂN TRƯỢT 3.1 Nguyên lý điều khiển trượt r e - + Bộ điều khiển trượt u Đối tượng điều khiển y Hình 3.1: Hệ thống điều khiển trượt Xét hệ thống phi tuyến: x(n) = f(X) + g(X)u Trong u∈R tín hiệu điều khiển, y = x tín hiệu x   x&    ∈ R n véc tơ trạng thái X = M   ( n−1)   x  (3.1) Trang 83 Nhận xét: - Reaching mode: thời gian quỹ đạo pha mặt trượt S 0.45 giây - Slingdingmode: thời gian quỹ đạo pha gốc toạ độ khoảng 1.5 giây - Chattering: biên độ dao động lớn d./ So sánh - Reaching mode: Thời gian quỹ đạo pha mặt trượt S không đổi khối lượng lắc giảm, tăng khối lượng lắc tăng hệ thống hoạt động với nhiễu - Slingding mode: không ảnh hưởng chế độ làm việc - Chattering không bị ảnh hưởng khối lượng lắc tăng giảm tăng nhiễu tác động lên hệ thống Các kết cho thấy hệ thống điều khiển trượt thích nghi dùng mạng RBF có thời gian quỹ đạo pha mặt trượt nhanh so với hệ thống điều khiển trượt dùng mạng RBF hệ thống điều khiển trượt kinh điển Trang 84 KẾT LUẬN VÀ KIẾN NGHỊ Luận văn thực công việc sau: Tìm hiểu mơ hình tốn học hệ thống lắc ngược quay tròn xây dựng mơ hình mơ cho hệ thống Tìm hiểu phương pháp điều khiển trượt áp dụng để thiết kế điều khiển trượt cho hệ lắc ngược quay trịn Mơ hệ thống danh định, hệ thống có nhiễu tác động thơng số đối tượng thay đổi Tìm hiểu phương pháp nhận dạng mơ hình đối tượng phi tuyến động dùng mạng neuron hàm sở xuyên tâm (RBF) áp dụng nhận dạng đối tượng lắc ngược quay tròn Thiết kế mô điều khiển trượt dùng mạng RBF cho hệ lắc ngược quay tròn Mơ hệ thống danh định, hệ thống có nhiễu tác động thông số đối tượng thay đổi So sánh kết mô điều khiển trượt dùng mạng RBF với kết mô điều khiển trượt kinh điển Thiết kế mô điều khiển trượt thích nghi dùng mạng RBF cho hệ lắc ngược quay tròn So sánh kết mơ điều khiển trượt thích nghi dùng Trang 85 mạng RBF với kết mô trượt dùng mạng RBF với kết điều khiển trượt kinh điển Các kết mô cho thấy hệ thống điều khiển trượt dùng mạng RBF có chất lượng tương đương với hệ thống điều khiển trượt lý tưởng Ưu điểm phương pháp người thiết kế khơng cần biết mơ hình phi tuyến xác đối tượng để thiết kế hệ thống điều khiển trượt kinh điển, người ta phải có mơ hình xác đối tượng Hệ thống điều khiển trượt thích nghi dùng mạng RBF có chất lượng tương điều khiển trượt dùng mạng RBF Ưu điểm phương pháp điều khiển trượt thích nghi vector thông số cập nhật thay đổi theo thời gian Luận văn phát triển theo hướng: Điều khiển trượt thích nghi dùng mạng RBF kết hợp với giải thuật di truyền (GA) Trang 86 TÀI LIỆU THAM KHẢO [1] M.Önder Efe, Okayay Kaynak, Xinghuo Yu, Bogdan M.Wilamowski, “Sliding Mode Control of Nonlinear Systems Using Gaussian Radial Basis Function Neural Networks”, IEEE, pp.474-479, 2001 [2] Dong Si Thien Chau and Duong Hoai Nghia, “Nonlinear System Identification Using Radial Basis Neural Networks”, International Symposium on Electrical & Electronics Engineering 2005 _The Ho chi Minh City University of Technology [3] Jeffrey T.Spooner and M Passino, “Decentralized Adaptive Control of Nonlinear Systems Using Radial Basis Neural Networks”, IEEE Transactions on Automatic Control, Vol.44, No.11, pp.2050-202057, 1999 [4] Ho Dac Loc, Nguyen Thi Phuong Ha, Luong Van Lang,”Adaptive Control of Nonlinear Dynamics Systems Based on RBF Network” [5] Duong Hoai Nghia, Trần Quang Thuận Dong Si Thien Chau, “Sliding Mode Control Using Radial Basis Function Neural Network”, 10th Vietnam Conference on Radio and Electronics pp.263-267, 2006 Trang 87 [6] Martin Ansbjerg Kiær, “Sliding Mode Control”, Department of Automatic Control Lund Institute of Technology Sweden, February th , 2004 [7] Vadim Utkin, Jugen Guldner and Jingxin Shi “Sliding Mode Control in Electromechanical System” Nhà xuất bản: ‘Taylor and Francis’ [8] M.Önder Efe, “Variable Structure Systems Theory in Training of Radial Basis Function Neurocontrollers – Part II: Applications”, NIMIA-SC2001 – 2001 NATO Advanced Study Institude on Neural Networks for Instrumentation, Measurement, and Related Industrial Applications: Study Cases Crema, Italy, 9-20 October 2001 [9] Rafal Bogacz, Christophe Giraud, “Supervised Competitive Learning for Finding Position of Radial Basis Functions”, Computer Science anh Management Dept., Technical University of Wroclaw [10] Lê Thị Kim Loan, “Điều khiển trượt mờ_ ứng dụng nâng vật từ trường”, Luận văn thạc sĩ [11] Ahmed Belhani, Khaled Belarbi and Fateh Mehazem, “Design of Multivariable Backstepping Controller Using Genetic Algorithm”, ACSE 05 Conference, CICC, Cairo, Erypt, 19-21 December 2005 [12] Emelyanov,S.V “Variable structure control systems”, Moscow, Nauka, 1967 [13] Lê Tấn Duy, “Bộ điều khiển trượt cho hoạt động bền vững tay máy robot”, Tạp chí Khoa học công nghệ, ĐH Đà Nẵng, số 1(5) 2004 [14] Hui Peng, Tohru Ozaki, “A Parameter Optimization Methode for Radial Basis Function Type Models”, IEEE Transactions on Neural Networks, Vol.14, No.2(2003), pp.442-438 [15] Simon Haykin, “Neural Networks–A Comprehentive Foundation”, 2nd Edition, Prentice Hall International Inc, 1999, pp 256-317 [16] Alessio Micheli, Diego Sona, at al, “Contextual Processing of Structured Data by Recursive Cascade Correlation”, IEEE Transactions on Neural Networks, Vol.15, No.6(2004), pp.1396-1410 Trang 88 [17] S.Jagannathan, G.Galan, “Adaptive Critic Neuron Network–Based Object Grasping Control Using a 3-Finger Gripper”, IEEE Transactions on Neuron Networks, Vol.15, No.2 (2004), pp 395-407 [18] Piotr Ciskowski,Ewaryst Rafajlowicz, “Context-Dependent Neural Nets– Structures and Learning”, IEEE Transactions on Neural Networks, Vol.15, No.6(2004), pp.1367-1378 [19] Shie-Jue Lee, Chun-Liang Hou, “An ART-Based Contruction of RBF Network”, IEEE Transactions on Neural Networks, Vol.13, No.6(2002), pp.13081321 [20] Nguyễn Duy Khanh, “Ứng dụng mạng RBF nhận dạng điều khiển chế độ làm việc trạm biến áp Bình Triệu”, Luận văn thạc sỹ, ĐHBK TP.HCM, 2001 [21] A.Toledo,M.Pinzolas,”Improvement of the Neighborhood Based LevenbergMarquardt Algorithm by Local Adaptation of the Learning Coefficient”,IEEE Transaction on Neural Network, Vol.16,No.4(2005),pp.988-992 Trang 89 PHỤ LỤC A CHƯƠNG TRÌNH NHẬN DẠNG HỆ CON LẮC NGƯỢC QUAY TRỊN DÙNG MẠNG RBF load Pendulu.mat myData Time = myData(1,:); X1 = myData(2,:); % theta1 X2 = myData(3,:); % theta1' X3 = myData(4,:); % theta1'' X4 = myData(5,:); % y' UU = myData(6,:); % u NN = size(myData,2); Tsamp= 0.0001; % so mau du lieu % chu ky lay mau clear myData figure(1) % du lieu nhan dang subplot(511), plot(Time, X1, 'k'), ylabel('x1') subplot(512), plot(Time, X2, 'k'), ylabel('x2') Trang 90 subplot(513), plot(Time, X3, 'k'), ylabel('x3') subplot(514), plot(Time, X4, 'k'), ylabel('x4') subplot(515), plot(Time, UU, 'k'), ylabel('u') %%%%%%%%%%%%%%%%%%%%%%%%% RBF functions x1max = max(abs(X1)); x2max = max(abs(X2)); x3max = max(abs(X3)); x4max = max(abs(X4)); x1m = x1max*2/3; x2m = x2max*2/3; x3m = x3max*2/3; x4m = x4max*2/3; % reference point Xr1 = [ x1m; 0; 0]; Xr2 = [-x1m; 0; 0]; Xr3 = [ 0; x2m; 0]; Xr4 = [ 0; -x2m; 0]; Xr5 = [ 0; 0; x4m]; Xr6 = [ 0; 0; -x4m]; Sig1 = x1m*x1m; Sig2 = x1m*x1m; Sig3 = x2m*x2m; Sig4 = x2m*x2m; Trang 91 Sig5 = x4m*x4m; Sig6 = x4m*x4m; % initialize RLS identification algorithm Theta = [0; 0; 0; 0; 0; 0; 0]; GGG = 100*eye(7); for kk = : min(10000,NN) XX = [X1(kk); X2(kk); X4(kk)]; Phi(1,1) = exp(-(XX-Xr1)'*(XX-Xr1)/Sig1); Phi(2,1) = exp(-(XX-Xr2)'*(XX-Xr2)/Sig2); Phi(3,1) = exp(-(XX-Xr3)'*(XX-Xr3)/Sig3); Phi(4,1) = exp(-(XX-Xr4)'*(XX-Xr4)/Sig4); Phi(5,1) = exp(-(XX-Xr5)'*(XX-Xr5)/Sig5); Phi(6,1) = exp(-(XX-Xr6)'*(XX-Xr6)/Sig6); Phi(7,1) = UU(kk); % phuong phap binh phuong toi thieu de quy (recursive least squares) KKK eps Theta GGG = GGG*Phi/(1+Phi'*GGG*Phi); = X3(kk) - Phi'*Theta; = Theta + KKK*eps; = (eye(7) - KKK*Phi')*GGG; end for kk = : min(NN) XX = [X1(kk); X2(kk); X4(kk)]; Trang 92 Phi(1,1) = exp(-(XX-Xr1)'*(XX-Xr1)/Sig1); Phi(2,1) = exp(-(XX-Xr2)'*(XX-Xr2)/Sig2); Phi(3,1) = exp(-(XX-Xr3)'*(XX-Xr3)/Sig3); Phi(4,1) = exp(-(XX-Xr4)'*(XX-Xr4)/Sig4); Phi(5,1) = exp(-(XX-Xr5)'*(XX-Xr5)/Sig5); Phi(6,1) = exp(-(XX-Xr6)'*(XX-Xr6)/Sig6); Phi(7,1) = UU(kk); Y3h(kk,1)= Phi'*Theta; Y3(kk,1) = X3(kk); TT(kk,1) = Time(kk); end figure(2), clf plot(TT,Y3h, 'k'), hold on, plot(TT,Y3, 'b') Xr = [Xr1, Xr2, Xr3, Xr4, Xr5, Xr6]; Sig= [Sig1, Sig2, Sig3, Sig4, Sig5, Sig6]; save RBF_Xr.mat Xr; save RBF_Sig.mat Sig; save RBF_Theta.mat Theta; Trang 93 PHỤ LỤC B CHƯƠNG TRÌNH CẬP NHẬT THƠNG SỐ BỘ ĐIỀU KHIỂN TRƯỢT THÍCH NGHI function y = myAdaptiveRBF(x) % x(1) : theta1 x(2) : theta1' x(3) : theta1'' x(4) : y' x(5) : u global Xr1 Xr2 Xr3 Xr4 Xr5 Xr6 Sig1 Sig2 Sig3 Sig4 Sig5 Sig6 Theta GGG XXX = [x(1); x(2); x(4)]; % XXX = [theta1; theta1'; y']; Phi(1,1) = exp(-(XXX-Xr1)'*(XXX-Xr1)/Sig1); Phi(2,1) = exp(-(XXX-Xr2)'*(XXX-Xr2)/Sig2); Phi(3,1) = exp(-(XXX-Xr3)'*(XXX-Xr3)/Sig3); Phi(4,1) = exp(-(XXX-Xr4)'*(XXX-Xr4)/Sig4); Phi(5,1) = exp(-(XXX-Xr5)'*(XXX-Xr5)/Sig5); Phi(6,1) = exp(-(XXX-Xr6)'*(XXX-Xr6)/Sig6); Phi(7,1) = x(5); Trang 94 % cap nhat vecto thong so dung phuong phap binh phuong toi thieu de quy (recursive least squares) KKK eps = GGG*Phi/(1+Phi'*GGG*Phi); = x(3) - Phi'*Theta; Theta = Theta + KKK*eps; GGG = (eye(7) - KKK*Phi')*GGG; % tinh output y = [Phi'*Theta;Theta]; PHỤ LỤC C DANH MỤC CHƯƠNG TRÌNH 1./ InitControlTheta1.m → Khởi động thông số đối tượng điều khiển (điều khiển θ1 ) 2./ ControlTheta1.mdl → mô hệ thống điều khiển trượt (điều khiển θ1 ) danh định lấy liệu huấn luyện mạng RBF 3./ ControlTheta1_noise.mdl → mô hệ thống điều khiển trượt (điều khiển θ1 ) có nhiễu 4./ SMC.m → kết mô hệ thống điều khiển trượt (điều khiển θ1 ) 5./ InitControlTheta1Reg0.m → khởi động thông số đối tượng điều khiển (điều khiển θ1 θ ) 6./ ControlTheta1Reg0.mdl → mô hệ thống điều khiển trượt (điều khiển θ1 θ ) 7./ ControlTheta1Reg0_noise.mdl → mô hệ thống điều khiển trượt (điều khiển θ1 θ ) có nhiễu 8./ ConLacNguoc_NhanDang.m → nhận dạng mơ hình dùng mạng RBF Trang 95 9./ InitSlidingModeControl.m → khởi động thông số đối tượng điều khiển cho hệ thống điều khiển trượt dùng mơ hình RBF 10./ InitSlidingModeControl_M.m: khởi động thông số đối tượng điều khiển cho hệ thống điều khiển trượt dùng mơ hình RBF khối lượng lắc thay đổi 11./ RBF_SlidingModeControl.mdl → mơ hệ thống danh định dùng mơ hình RBF 12./ RBF_SlidingModeControl_Noise.mdl → mô hệ thống dùng mô hình RBF có nhiễu 13./ SlidingModeControl_M.mdl → mơ hệ thống điều khiển trượt dùng mơ hình RBF khối lượng lắc thay đổi 14./ SMC_RBF.m → kết mô hệ thống điều khiển trượt dùng mơ hình RBF 15./ myRBF.m → mơ hình mạng RBF 16./ InitAdaptiveRBFSlidingModeControl.m → khởi động thông số điều khiển trượt thích nghi dùng mơ hình RBF 17./ InitAdaptiveRBFSlidingModeControl_M.m → khởi động thông số điều khiển trượt thích nghi dùng mơ hình RBF khối lượng lắc thay đổi 18./ Adaptive_RBF_SlidingModeControl.mdl → mô hệ thống điều khiển trượt thích nghi dùng mơ hình RBF 19./ Adaptive_RBF_SlidingModeControl_Noise.mdl → mơ hệ thống điều khiển trượt thích nghi dùng mơ hình RBF có nhiễu 20./ myAdaptiveRBF.m → mơ hình mạng RBF điều khiển trượt thich nghi 21./ AdativeSMC.m → kết mô điều khiển trượt thích nghi 22./ Ve_Parameter.m → vẽ thơng số nộ điều khiển Trang 96 LÝ LỊCH TRÍCH NGANG Họ tên: CHÂU NGUYỄN NGỌC LAN Ngày, tháng, năm sinh: 29-03-1981 Nơi sinh: Phú Yên Địa liên lạc: Khoa Điện Điện- Điện Tử, trường Đại Học Bà Rịa Vũng Tàu, 80 Trương Công Định, Tp Vũng Tàu QUÁ TRÌNH ĐÀO TẠO Từ năm 1999 đến 2004 : Học Đại học quy chun ngành Điện Tử- Viễn Thơng trường đại học Bách Khoa TP.HCM Từ năm 2005 đến 2007: Học Cao học chuyên ngành Tự Động Hóa trường đại học Bách Khoa - Đại học Quốc gia TP.HCM Q TRÌNH CƠNG TÁC Từ năm 2004 đến 2005: Làm việc Công ty thiết bị y tế, Quận Tân Bình, TP.HCM Từ năm 2006 đến nay: Giảng viên Khoa Điện-Điện Tử, trường đại học Bà RịaVũng Tàu Trang 97 ... Sơ đồ mô điều khiển trượt Matlab/Simulink (3.21) Trang 25 Hình 3.12: Khối mơ tả điều khiển trượt Hình 3.13: Sơ đồ chi tiết mơ tả điều khiển trượt Trang 26 Hình 3.14: Sơ đồ mạch điều khiển dùng. .. bày (hình 2.3) Trang 10 CHƯƠNG ĐIỀU KHIỂN TRƯỢT 3.1 Nguyên lý điều khiển trượt r e - + Bộ điều khiển trượt u Đối tượng điều khiển y Hình 3.1: Hệ thống điều khiển trượt Xét hệ thống phi tuyến:... rotating base) • Nhận dạng đối tượng dùng mạng RBF • Thiết kế hệ thống điều khiển trượt dùng mạng RBF • Thiết kế hệ thống điều khiển trượt thích nghi dùng mạng RBF cho đối tượng lắc ngược quay trịn

Ngày đăng: 04/04/2021, 06:58

w