THÔNG TIN TÀI LIỆU
ĐẠI HỌC QUỐC GIA TP HỒ CHÍ MINH TRƯỜNG ĐẠI HỌC BÁCH KHOA NGUYỄN KHẮC NGUYÊN CHUYÊN NGÀNH: TỰ ĐỘNG HĨA MÃ SỐ: 60.52.60 TP HỒ CHÍ MINH , 07-2010 CƠNG TRÌNH ĐƯỢC HỒN THÀNH TẠI TRƯỜNG ĐẠI HỌC BÁCH KHOA ĐẠI HỌC QUỐC GIA THÀNH PHỐ HỒ CHÍ MINH Cán hướng dẫn khoa học: PGS.TS NGUYỄN THỊ PHƯƠNG HÀ Cán chấm nhận xét 1: TS NGUYỄN VĨNH HẢO Cán chấm nhận xét 2: TS TRƯƠNG ĐÌNH CHÂU Luận văn thạc sĩ bảo vệ HỘI ĐỒNG CHẤM BẢO VỆ LUẬN VĂN THẠC SĨ TRƯỜNG ĐẠI HỌC BÁCH KHOA, ngày 23 tháng 07 năm 2010 Thành phần Hội đồng đánh giá luận văn thạc sĩ gồm: Chủ tịch hội đồng : TS NGUYỄN ĐỨC THÀNH Thư ký hội đồng : TS NGUYỄN VĨNH HẢO Ủy viên hội đồng : TS NGUYỄN THIỆN THÀNH Ủy viên hội đồng : TS TRƯƠNG ĐÌNH CHÂU Ủy viên hội đồng : TS HUỲNH THÁI HOÀNG Xác nhận Chủ tịch Hội đồng đánh giá luận văn Bộ môn quản lý chuyên ngành sau luận văn sửa chữa ( có) Chủ tịch Hội đồng đánh giá LV Bộ môn quản lý chuyên ngành TRƯỜNG ĐẠI HỌC BÁCH KHOA CỘNG HÒA XÃ HỘ CHỦ NGHĨA VIỆT NAM PHÒNG ĐÀO TẠO SĐH ĐỘC LẬP-TỰ DO-HẠNH PHÚC Tp.HCM, ngày 09 tháng 07năm 2010 Họ tên học viên: NGUYỄN KHẮC NGUYÊN Phái: Nam Ngày tháng năm sinh: 16/02/1979 Nơi sinh: Sóc Trăng Chuyên ngành: Tự Động Hóa MSHV: 01506362 I TÊN ĐỀ TÀI: ĐIỀU KHIỂN THÍCH NGHI HỆ TAY MÁY HAI BẬC TỰ DO DÙNG MẠNG NƠRON MỜ HỒI QUY II NHIỆM VỤ VÀ NỘI DUNG - Tìm hiểu cấu trúc giải thuật học mạng nơron mờ hồi quy (RFNN) - Nghiên cứu thực điều khiển thích nghi hệ tay máy hai bậc tự với mơ hình phi tuyến theo mơ hình điều khiển sau: Mơ hình điều khiển dùng PID logic mờ Mơ hình nhận dạng đối tượng phi tuyến dùng mạng RFNN với giải thuật học online Mơ hình điều khiển thích nghi trực tiếp, gián tiếp dùng mạng RFNN - Mơ mơ hình điều khiển MATLAB( viết M-file) - Phân tích, đánh giá so sánh kết mơ mơ hình điều khiển - Khảo sát tín ổn định bền vững điều khiển thông qua việc thay đổi kiểu tín hiệu tham khảo, thêm nhiễu thay đổi tải hệ tay máy bậc tự III NGÀY GIAO NHIỆM VỤ: IV NGÀY HOÀN THÀNH NHIỆM VỤ: V CÁN BỘ HƯỚNG DẪN: PGS.TS NGUYỄN THỊ PHƯƠNG HÀ CÁN BỘ HƯỚNG DẪN CN CHUYÊN NGÀNH PGS.TS NGUYỄN THỊ PHƯƠNG HÀ CN BỘ MÔN QL CHUYÊN NGÀNH TS NGUYỄN ĐỨC THÀNH Đề cương nội dung luận án thạc sĩ hội đồng chuyên ngành thông qua Ngày…tháng…năm 2010 TRƯỞNG PHÒNG ĐT-SĐH TRƯỞNG KHOA QL NGÀNH Lời cảm ơn LỜI CẢM ƠN Trước hết xin chân thành cảm ơn đến tất Quý Thầy Cô thuộc Bộ Môn Điều Khiển Tự Động, Khoa Điện-Điện Tử, Trường Đại Học Bách Khoa TPHCM trang bị kiến thức tảng, phương pháp nghiên cứu giúp đỡ tơi suốt q trình học tập nghiên cứu đề tài Tôi xin cảm ơn bạn lớp cao học Tự Động Hóa K17 động viên nhiệt tình giúp đỡ gặp khó khăn Tơi xin cảm ơn Quý Thầy Cô thuộc Bộ Môn Viễn Thông Kỹ Thuật Điều Khiển, Khoa Công Nghệ Thông Tin Truyền Thông, Đại Học Cần Thơ (nay Bộ Mơn Tự Động Hóa, Khoa Cơng Nghệ, Đại Học Cần Thơ) tạo điều kiện thuận lợi để n tâm học tập Tơi xin cảm ơn thầy Nguyễn Chí Ngơn (Phó Trưởng Khoa Cơng Nghệ ĐHCT), thầy Lương Vinh Quốc Danh (Bộ Môn Điện Tử Viễn Thông, Khoa Công Nghệ, Đại Học Cần Thơ) giúp đỡ tơi suốt q trình thực đề tài Đặc biệt xin chân thành cảm ơn Cô PGS.TS Nguyễn Thị Phương Hà tận tình hướng dẫn để tơi hồn thành đề tài Tơi xin gửi lời cảm ơn đến tác giả báo mà sử dụng làm tài liệu tham khảo luận văn Và cuối muốn gửi lời biết ơn sâu sắc đến người thân gia đình tơi; khơng ngừng động viên, thơng cảm giúp đỡ nhiều sống hàng ngày để tơi an tâm học tập hồn thành luận văn thạc sĩ Học viên Cao Học Lớp TĐH K17 Nguyễn Khắc Nguyên Trang i Tóm tắt TĨM TẮT Nghiên cứu đề cập đến việc sử dụng mạng nơ-ron mờ hồi quy (Recurrent Fuzzy Neural Network - RFNN) để nhận dạng điều khiển hệ phi tuyến tay máy hai bậc tự Mơ hình tốn học hệ tay máy xây dựng dựa vào phương trình Euler-Lagrange biến đổi đưa hệ phương trình trạng thái cho mục đích khảo sát tính hiệu mạng RFNN Mạng RFNN thân mạng liên kết nhiều lớp có hồi qui dùng để thực suy diễn mờ sử dụng luật mờ động Các liên kết tạm nhúng vào bên mạng cách thêm kết nối hồi tiếp lớp thứ hai mạng nơ-ron mờ (Fuzzy Neural Network - FNN) Mạng RFNN mở rộng khả mạng FNN nhằm giải vấn đề thời gian Hơn nữa, kết suy diễn mờ mạng FNN, phương pháp xấp xỉ tổng qt, phân tích hội tụ cịn mở rộng cho mạng RFNN Bên cạnh nhiều phương pháp điều khiển hệ tay máy điều khiển PID kinh điển, điều khiển trực tiếp dùng logic mờ, mạng nơ-ron … nghiên cứu này, sử dụng mạng nơ-ron mờ hồi quy để nhận dạng mơ hình thuận nhận dạng mơ hình ngược đối tượng Phương pháp ổn định Lyapunov áp dụng để đảm bảo hội tụ mạng RFNN qua việc lựa chọn tốc độ học thích hợp Trên sở đó, đề tài xây dựng điều khiển thích nghi trực tiếp gián tiếp sử dụng mạng RFNN cho đối tượng tay máy hai bậc tự Bên cạnh đó, luận văn cịn thực mơ phương pháp điều khiển thông thường khác như: điều khiển PID, điều khiển mờ, nơ-ron nhằm so sánh, đánh giá khẳng định tính ưu việt phương pháp chọn Trang ii Tóm tắt ABSTRACT This paper proposes a recurrent fuzzy neural network (RFNN) for identifying and controlling a two link manipulator nonlinear system The arm dynamics are given according to Lagrange’s equation Then they are transformed to state variable representations for evaluating the effectiveness of RFNN The RFNN is inherently a recurrent multilayered connectionist network for realizing fuzzy inference using dynamic fuzzy rules Temporal relations are embedded in the network by adding feedback connections in the second layer of the fuzzy neural network (FNN) The RFNN expands the basic ability of the FNN to cope with temporal problems In addition, results for the FNN fuzzy inference engine, universal approximation, and convergence analysis are extended to the RFNN Among many approaches for controlling two link manipulator nonlinear system, this research uses RFNN for model identifying and inverse model identifying The Lyapunov stability approach is also applied to guarantee the convergence of the RFNN by choosing appropriate learning rates All of that, the direct and indirect adaptive controllers based on RFNN are designed for this dynamic sytem Moreover, this thesis also compares several simulation results on other normal controllers such as PID controller, Fuzzy-based controller, and neural network controller to evaluate the effectiveness of the proposed RFNN approach Trang iii Mục lục MỤC LỤC CHƯƠNG GIỚI THIỆU TỔNG QUAN 1 Các vấn đề cơng trình có liên quan 1.1 Tổng quan điều khiển thích nghi dùng mạng nơ-ron mờ 1.2 Tình hình nghiên cứu điều khiển tay máy hai bậc tự Nhiệm vụ luận văn 3 Nội dung luận văn 3.1 Chương 1: Tổng quan 3.2 Chương 2: Cơ sở lý thuyết 3.3 Chương 3: Đối tượng tay máy hai bậc tự 3.4 Chương 4: Điều khiển tay máy hai bậc tự 3.5 Chương 5: Mô 3.6 Chương 6: Kết luận hướng phát triển CHƯƠNG CƠ SỞ LÝ THUYẾT .6 Đặt vấn đề Logic mờ 2.1 Khái niệm 2.2 Luật hợp thành 11 2.3 Bộ điều khiển mờ 17 Mạng nơ-ron nhân tạo 20 3.1 Cấu trúc mạng nơ-ron sinh học 21 3.2 Mơ hình tốn mạng nơ ron nhân tạo 22 3.3 Phân loại mạng nơ-ron nhân tạo 25 Điều khiển tích hợp 32 4.1 Khái niệm 32 4.2 Bài toán điều khiển thích nghi 33 4.3 Cơ sở lý thuyết mạng nơ-ron mờ 35 Tóm tắt chương 38 CHƯƠNG 39 ĐỐI TƯỢNG TAY MÁY HAI BẬC TỰ DO .39 Giới thiệu 39 Mơ hình vật lý hệ tay máy hai bậc tự 39 Đặc tính động học đối tượng 41 Mơ hình khơng gian trạng thái mơ hình tay máy 44 Quỹ đạo đầu mút hệ tay máy hai bậc tự 46 Trang iv Mục lục Ảnh hưởng thơng số mơ hình phụ tải 47 6.1 Ảnh hưởng thông số mơ hình cánh tay 47 6.2 Ảnh hưởng vật nặng đầu cánh tay m3 50 6.3 Ảnh hưởng nhiễu 51 Tóm tắt chương 52 CHƯƠNG 53 ĐIỀU KHIỂN THÍCH NGHI 53 HỆ PHI TUYẾN DÙNG MẠNG RFNN 53 Giới thiệu 53 Mạng nơ-ron mờ hồi qui RFNN 53 2.1 Cấu trúc mạng RFNN 53 2.2 Sự phân lớp mạng RFNN 55 2.3 Lập luận mờ 57 Sơ đồ nhận dạng hệ phi tuyến 59 3.1 Nhận dạng mơ hình thuận: 60 3.2 Nhận dạng mơ hình ngược 62 Sơ đồ điều khiển thích nghi hệ phi tuyến 64 Giải thuật học lan truyền ngược 66 Phân tích ổn định mạng 69 6.1 Phân tích ổn định cho nhận dạng 69 6.2 Phân tích ổn định cho điều khiển gián tiếp 72 Thí dụ minh họa nhận dạng điều khiển 75 7.1 Nhận dạng online hệ phi tuyến với nhiều tape delay 75 7.2 Mơ hình dự báo Mackey-Glass 78 7.3 Điều khiển thích nghi trực tiếp hệ phi tuyến SISO 79 Tóm tắt chương 81 CHƯƠNG 82 KẾT QUẢ MÔ PHỎNG .82 Đặt vấn đề 82 Điều khiển kinh điển hệ tay máy dùng PID 82 2.1 Giải thuật điều khiển 82 2.2 Các bước thực điều khiển PID 83 2.3 Kết mô phỏng: 83 2.4 Nhận xét 86 Điều khiển hệ tay máy dùng logic mờ 86 3.1 Thiết kế điều khiển mờ trực tiếp 86 3.2 Thiết kế điều khiển mờ cho hệ tay máy hai bậc tự 87 3.3 Kết mô Matlab 89 3.4 Nhận xét 91 Nhận dạng hệ tay máy dùng mạng RFNN 92 4.1 Nhận dạng mơ hình đối tượng tay máy(mơ hình thuận) 92 Trang v Mục lục 4.2 Nhận dạng mơ hình ngược đối tượng tay máy 97 Điều khiển thích nghi trực tiếp hệ tay máy dùng mạng RFNN 101 5.1 Sơ đồ điều khiển 101 5.2 Kết mô 103 5.3 Nhận xét 113 Điều khiển thích nghi gián tiếp hệ tay máy dùng mạng RFNN 114 6.1 Mơ hình điều khiển gián tiếp hệ tay máy hai bậc tự 114 6.2 Kết mô 116 6.3 Nhận xét 123 Điều khiển thích nghi trực tiếp lắc ngược dùng RFNN 124 7.1 Đối tượng lắc ngược xe 124 7.2 Mơ hình điều khiển cân lắc ngược xe dùng RFNN 126 7.3 Kết mô 127 Tóm tắt chương 128 CHƯƠNG 129 KẾT LUẬN & HƯỚNG PHÁT TRIỂN 129 Nội dung thực 129 Kết luận 131 Hướng phát triển 132 TÀI LIỆU THAM KHẢO VÀ TRÍCH DẪN 133 PHỤ LỤC 135 LÝ LỊCH TRÍCH NGANG 137 Trang vi Danh sách hình vẽ DANH SÁCH CÁC HÌNH VẼ Hình 2.1: Mơ tả hàm liên thuộc Hình 2.2: Các dạng hàm liên thuộc thường sử dụng Hình 2.3: Minh họa hàm liên thuộc biến ngôn ngữ 10 Hình 2.4: Mơ tả nguyên tắc giải mờ 14 Hình 2.5: Mơ tả giải mờ phương pháp trọng tâm 15 Hình 2.6: Sơ đồ khối điều khiển mờ 17 Hình 2.7: mơ hình mờ với hàm liên thuộc 17 Hình 2.8: Mơ hình điều khiển mờ 18 Hình 2.9: Cấu trúc nơ-ron sinh học 21 Hình 2.10: Cấu trúc nơ-ron nhân tạo 22 Hình 2.11 Mạng nơ-ron lớp 25 Hình 2.12: Cấu trúc mạng nơ-ron ba lớp 27 Hình 2.13: Cấu trúc mạng hồi quy nơ-ron ba lớp 27 Hình 2.14 Biểu diễn hàm lượng sai số chiều 29 Hình 2.15: Mạng hồi quy tồn phần 31 Hình 2.16: Mạng hồi quy bán phần Jordan 31 Hình 2.17: Mạng hồi quy bán phần Elman 32 Hình 2.18: Cấu trúc mạng nơ-ron mờ dựa giải thuật FHEA 37 Hình 3.1: Hình vẽ mơ tả cánh tay máy hai bậc tự 39 Hình 3.2 Đầu mút cánh tay hệ tọa độ Descartes 46 Hình 3.3 Đáp ứng hệ tay máy với điều kiện góc ban đầu 1 2 0 47 Hình 3.4 Đáp ứng hệ tay máy với giảm hệ số ma sát nhớt 48 Hình 3.5 Đáp ứng hệ tay máy với tăng hệ số ma sát nhớt 48 Hình 3.6 Đáp ứng hệ tay máy với giảm hệ số ma sát động k1, k2 49 Hình 3.7 Đáp ứng hệ tay máy với tăng hệ số ma sát động k1,k2 49 Hình 3.8 Đáp ứng hệ tay máy với khối lượng vật nặng m3 = 0.5kg 50 Hình 3.9 Đáp ứng hệ tay máy với khối lượng vật nặng m3 = 10kg 50 Hình 3.10 Đáp ứng hệ tay máy điểm cân 1 2 pi / 0 , không nhiễu 51 Hình 3.11 Đáp ứng hệ tay máy điểm cân 1 2 pi / 0 , có nhiễu 51 Hình 4.1: Cấu trúc mạng nơron mờ hồi quy(RFNN) 54 Hình 4.2: Cấu trúc kết nối luật mờ thứ j 58 Hình 4.3: Cấu trúc nhận dạng mơ hình động phi tuyến dùng mạng RFNN 60 Hình 4.4 : Phương pháp nhận dạng mơ hình cấu trúc song song 61 Hình 4.5 : Phương pháp nhận dạng mơ hình cấu trúc nối tiếp 62 Hình 4.6 : Phương pháp huấn luyện tổng quát nhận dạng mơ hình ngược 63 Hình 4.7: Cấu trúc điều khiển trực tiếp dùng mạng RFNN 65 Hình 4.8: Cấu trúc điều khiển gián tiếp dùng mạng RFNN 65 Hình 4.9: Kết kiểm tra tín hiệu ngẫu nhiên 76 Hình 4.10: Kết kiểm tra tín hiệu sin 76 Hình 4.11: Kết kiểm tra tín hiệu sin+vng 77 Hình 4.12: Kết đánh giá dự báo mơ hình Mackey-Glass 78 Hình 4.13: Mơ hình điều khiển trực tiếp dùng RFNN 79 Trang vii Nguyễn Khắc Nguyên Chương – Kết mơ Hình 5.38(c): Đáp ứng link với tín hiệu đặt: xung hình vuông_nhiễu 6.3 Nhận xét Kết mô phần gần giống kết phần điều khiển trực tiếp, nhiên điều khiển gián tiếp có số đặc điểm sau: - Hệ thống điều khiển gồm nhận dạng điều khiển với giải thuật học online cập nhật trọng số kết nối - Bộ nhận dạng dùng để nhận dạng mơ hình đối tượng cung cấp thơng tin mơ hình(độ nhạy) cho điều khiển, điều làm điều khiển hoạt động ổn định hội tụ nhanh q trình học thơng số online Các kết điều khiển với tín hiệu đặt hình hoa văn, xung hình vng kết hợp sin +vng cho thấy điều khiển thích nghi có nhiễu thay đổi tải cánh tay Trang 123 Nguyễn Khắc Nguyên Chương – Kết mơ Điều khiển thích nghi trực tiếp lắc ngược dùng RFNN Để khẳng định tính ưu việc hiệu mạng RFNN với giải thuật học online, phần ta thiết kế điều khiển trực tiếp điều khiển cân hệ lắc ngược xe Yêu cầu toán điều khiển vị trí xe giữ cho lắc thẳng đứng 7.1 Đối tượng lắc ngược xe 7.1.1 Mơ hình vật lý Hình 5.39: Mơ hình vật lý lắc ngược xe Với: M : Khối lượng xe [kg] m : khối lượng lắc [kg] l : Moment làm quay khớp nối [m] g : Gia tốc trọng trường [m/s ] F : Lực tác động vào xe [N] x : Vị trí xe [m] : Góc quay lắc so với phương thẳng đứng 7.1.2 Phương trình động học lắc ngược xe F ml (sin ) mg cos sin x M m m(cos ) 2 F cos ( M m) g (sin ) ml (cos sin ) ml (cos ) ( M m)l Trang 124 (5.1) Nguyễn Khắc Nguyên Chương – Kết mơ 7.1.3 Mơ hình khơng gian trạng thái lắc ngược xe x1 (t ) (t ) x (t ) (t ) ; Đặt biến trạng thái: x(t ) x3 (t ) x(t ) x4 (t ) x (t ) ngõ vào: u (t ) F ; x1 (t ) (t ) x1 (t ) 1 0 x2 (t ) ngõ ra: y (t ) x(t ) x3 (t ) 0 x3 (t ) x4 (t ) Với x1 x x x3 x x4 x x3 x2 (5.2) x4 x Từ (5.2) suy được: x2 (t ) x1 (t ) u cos x1 ( M m) g (sin x1 ) ml (cos x1 sin x1 ) x2 x (t ) ml (cos x1 )2 ( M m)l x (t ) x3 (t ) x4 (t ) x t ( ) u ml (sin x1 ) x2 mg cos x1 sin x1 M m m(cos x1 ) Các giá trị dùng để mô lắc ngược xe - Khối lượng lắc xe : m = 1[kg] - Khối lượng xe: M = [kg] - Chiều dài lắc: l = 1[m] - Gia tốc trọng trường: g = 9.8[m/s2]; Trang 125 (5.3) Nguyễn Khắc Nguyên Chương – Kết mơ 7.2 Mơ hình điều khiển cân lắc ngược xe dùng RFNN r (k ) e (k ) u( k ) x (k ) yu ( k ) Hình 5.40: Mơ hình điều khiển cân lắc ngược Bộ điều khiển (RFNNC) có: o Ngõ vào : r (k ), x(k 1) o Ngõ : u (k ) o Sai số e(k ) x(k ) r (k ) : sai số tín hiệu đặt tín hiệu ngõ mơ hình dùng để cập nhật online trọng số kết nối mạng điều khiển RFNNC(bằng phương pháp Gradient Descent) Các thông số điều khiển dùng mạng RFNN: RFNNC Số ngõ vào: Số ngõ ra: Số luật (hàm liên thuộc): 16 Số nút mạng: 51 Số thông số mạng: 112 Tốc độ học: Im I I 0.0215 Trang 126 Nguyễn Khắc Nguyên Chương – Kết mô 7.3 Kết mô Hình 5.41(a): Kết đáp ứng vị trí xe góc lệch (khơng nhiễu) Hình 5.41(b): Kết đáp ứng vị trí xe góc lệch (có nhiễu) Trang 127 Nguyễn Khắc Nguyên Chương – Kết mơ Tóm tắt chương Chương trình bày mô việc điều khiển hệ tay máy hai bậc tự nhiều phương pháp khác điều khiển giải thuật PID, điều khiển trực tiếp logic mờ, đặc biệt điều khiển thích nghi trực tiếp gián tiếp sử dụng mạng RFNN với giải thuật học online Ngoài ra, để khẳng định hiệu điều khiển dùng mạng RFNN, tác giả mô điều khiển cân lắc ngược xe dùng mạng RFNN Trang 128 Nguyễn Khắc Nguyên Chương – Kết luận & hướng phát triển CHƯƠNG KẾT LUẬN & HƯỚNG PHÁT TRIỂN Nội dung thực Nhận dạng điều khiển hệ phi tuyến dùng mạng RFNN Trong phần này, nêu lên ví dụ xấp xỉ hệ thống phi tuyến động, mơ hình dự báo Mackey-Glass, nhận dạng hệ phi tuyến động điều khiển hệ phi tuyến SISO dùng cấu trúc mạng RFNN với giải thuật học online Mục đích nhằm để khẳng định khả linh động, giải thuật học hội tụ nhanh cấu trúc mạng RFNN, đồng thời nêu lên mơ hình nhận dạng cải tiến cấu trúc điều khiển thích nghi trực tiếp gián tiếp dùng cấu trúc mạng Điều khiển hệ tay máy hai bậc tự dùng giải thuật PID Giải thuật kinh điển PID sử dụng rộng rãi hệ thống điều khiển hệ tuyến tính phi tuyến tính đơn giản hiệu Tuy nhiên, phương pháp việc tìm kiếm chọn lựa thơng số điều khiển khó khăn thường không tối ưu Trong đề tài này, tác giả xây dựng lại điều khiển PID dùng để điều khiển hệ tay máy hai bậc tự do, mục đích nhằm so sánh kết với phương pháp mà đề tài chọn Kết mơ trình bày Chương – phần Trong kết giải thuật PID điều khiển tốt hệ tay máy trường hợp khơng có nhiễu, khối lượng vật nặng m3 không thay đổi nhiều phương pháp nhạy với nhiều khơng có tính thích nghi Điều khiển hệ tay máy hai bậc tự dùng Logic mờ Logic mờ phương pháp điều khiển đại việc thiết kế điều khiển dùng logic mờ thường dựa nhiều vào kiến thức chuyên gia, kinh nghiệm đặc tính vật lý, động học đối tượng Các đối tượng điều khiển điều khiển mờ thường khơng cần biết trước mơ hình tốn mà yêu cầu người thiết kế biết Trang 129 Nguyễn Khắc Nguyên Chương – Kết luận & hướng phát triển đặc tính hệ thiết kế Trong luận văn này, tác giả xây dựng mơ hình điều khiển mờ trực tiếp hệ tay máy hai bậc tự do, mục đích so sánh kết với phương pháp mà đề tài chọn Q trình thiết kế chi tiết mơ đáp ứng hệ trình bày Chương – Phần Với kết ta thấy hệ mờ điều khiển bám cho hệ tay máy, kết với nhiễu tốt phương pháp PID, nhiên độ vọt lố dao động cịn q trình điều khiển Nhận dạng mơ hình đối tượng hệ tay máy hai bậc tự Để điều khiển đối tượng phi tuyến động mà khơng biết trước mơ hình(hệ thống hộp đen) thường phải nhận dạng xấp xỉ đối tượng Trong phần tác giả nhận dạng mô hình thuận ngược đối tượng phi tuyến(hệ tay máy) cách sử dụng mạng RFNN, mục đích nhằm cung cấp trọng số kết nối thiết kế điều khiển Các mơ trình bày chương – phần Bộ điều khiển thích nghi trực tiếp hệ tay máy Đề tài xây dựng mơ hình điều khiển thích nghi trực tiếp hệ tay máy, với hai điều khiển độc lập sử dụng cấu trúc mạng RFNN với giải thuật học online cập nhật trọng số kết nối Kết mơ nhiều loại tín hiệu đặt khác nhau( hình hoa văn, tín hiệu vng, tín hiệu vng+sin), với thay đổi tải trình điều khiển nhiễu tác động, ta thấy hệ thống điều khiển đáp ứng tốt thích nghi với thay đổi hệ thống Ưu điểm cấu trúc điều khiển đơn giản, thời gian tính tốn ngắn thích hợp cho việc nhúng giải thuật vào phần cứng tiện lợi cho việc xây dựng điều khiển thực tế Mơ hình điều khiển kết mơ trình bày chương 5- phần Điều khiển thích nghi gián tiếp hệ tay máy Đề tày xây dựng mô hình mơ thích nghi gián tiếp dựa tảng mạng RFNN Bộ điều khiển thích nghi gián tiếp gồm có nhận dạng mơ hình đối tượng, mục đích cung cấp thơng tin đối tượng cho điều Trang 130 Nguyễn Khắc Nguyên Chương – Kết luận & hướng phát triển khiển (độ nhạy - Sensitivity); Bộ điều khiển dùng cấu trúc mạng RFNN, với mục đích tạo tín hiệu điều khiển với luật điều khiển thích nghi dựa vào giải thuật học online điều chỉnh thông số mạng điều khiển Sơ đồ điều khiển kết mô trình bày chương – phần , tương tự điều khiển trực tiếp, phần trình bày kết với tín hiệu đặt hình hoa văn, xung hình vng xung hình vng + sin với nhiễu tác động thay đổi khối lượng vật đầu cánh tay trình điều khiển Cấu trúc mạng RFNN áp dụng cho hệ phi tuyến động khác (hệ lắc ngược xe – kết mơ trình bày chương 5phần 8) Phần xây dựng điều khiển trực tiếp dùng mạng RFNN với giải thuật học thích nghi online điều khiển vị trí xe theo tín hiệu đặt cho trước Kết thực cơng với tín hiệu đặt xung hình vng trước hợp có nhiễu không nhiễu Với kết đạt phần mô phỏng, ta thấy cấu trúc mạng RFNN với giải thuật học huấn luyện online thật hiệu nhận dạng điều khiển hệ thống phi tuyến động Kết luận Cấu trúc điều khiển thích nghi trực tiếp gián tiếp cho hệ phi tuyến sử dụng mạng RFNN Các kết mô mạng RFNN có thuận lợi sau: 1) Mạng RFNN có khả động lực hấp dẫn lưu trữ thông tin tạm thời 2) Trong thực tế ứng dụng, RFNN có cấu trúc mạng nhỏ có thơng số cần điều chỉnh so với mạng FNN 3) Mạng RFNN thực giải tốt vấn đề thời gian xấp xỉ ánh xạ hệ thống động với mức độ xác ý muốn 4) Mạng RFNN mạng tĩnh FNN cho thơng số Do mạng RFNN hệ tổng quát mạng FNN, kết hợp đặc tính động với lợi ích mạng FNN Trang 131 Nguyễn Khắc Nguyên Chương – Kết luận & hướng phát triển 5) Mạng RFNN có khả thích nghi online sử dụng cho điều khiển hệ thống động Hạn chế luận văn Trong luận văn học viên sử dụng ngơn ngữ lập trình Matlab để viết file.m để mô hệ thống thực phép toán giải thuật Với cách tiếp cận cần phải chuyển đổi hàm để ứng dụng xây dựng sơ đồ simulink cho điều khiển thời gian thực Vì q trình thực đề tài cịn gặp nhiều khó khăn, học chưa thực mơ kiểm chứng trên mơ hình thực Hướng phát triển Từ kết đạt hạn chế luận văn, hướng phát triển đề tài tiếp tục nghiên cứu là: - Hoàn thiện mơ hình điều khiển dùng cấu trúc mạng RFNN với cơng cụ huấn luyện online thích nghi điều chỉnh cấu trúc thông số mạng nơron mờ - Xây dựng điều khiển mô trực tiếp mơ hình thực - Tích hợp cấu trúc điều khiển dùng mạng RFNN lên chip vi điều khiển để tạo điều khiển standalone(độc lập với máy tính) Lời kết Điều khiển thích nghi lĩnh vực phức tạp, hứa hẹn nhiều hấp dẫn nghiên cứu nhiều vấn đề nên tiếp tục phát triển hoàn thiện Trong phạm vi luận văn cao học chưa thể đề cập sâu vấn đề khơng tránh khỏi thiếu sót Kính mong bạn quan tâm lĩnh vực đóng góp ý kiến Trang 132 Nguyễn Khắc Nguyên Tài liệu tham khảo trích dẫn TÀI LIỆU THAM KHẢO VÀ TRÍCH DẪN [1] K S Narendra and K Parthasarathy, “Identification and control of dynamical systems using neural networks,” IEEE Trans Neural Networks, vol 1, pp.4-27, 1990 [2] Y M Park, M S Choi and K Y Lee, “An optimal tracking neuro-controller for nonlinear dynamic systems,” IEEE Trans Neural Networks, vol 7, pp 10991110, 1996 [3] S.H Hu, M.H Ang Jr., and H Krishnan, "On-line Neural Network Compensator for Constrained Robot Manipulators," Proceedings of the 3rd Asian Control Conference, 4-7 July 2000, Shanghai, China, pp 1621-1627 [4] C C Ku and K Y Lee, “Diagonal recurrent neural networks for dynamic systems control,” IEEE Trans Neural Networks”, vol 6, pp 144-156, 1995 [5] K.Funahashi and Y.Nakamura,“Approximation of dynamical systems by continuous-time recurrent neural network,” Neural Networks,vol.6, pp 801– 806, 1993 [6] L Jin, P N.Nikiforuk, and M Gupta,“Approximation of discrete-time statespace trajectories using dynamic recurrent neural networks,” IEEE Trans Automat Contr., vol 40, pp 1266–1270, July 1995 [7] Meng Joo Er, Yang Gao, “Online adaptive fuzzy neural identification and control of nonlinear dynamic systems”, IEEE Trans Fuzzy Systems, Vol 11, No 4, august 2003 [8] C T Lin and C S G Lee, “Neural-network-based fuzzy logic control and decision system,” IEEE Trans Comput., vol 40, pp 1320–1336, Dec 1991 [9] Y C Chen and C C Teng, “A model reference control structure using a fuzzy neural network,” FuzzySetsSyst., vol 73,pp 291–312,1995 [10] Y C Chen and C C Teng, “Fuzzy neural network systems in model reference control systems,” in Neural Network Systems, Techniques and Applications,C.T Leondes, Ed New York: Academic,1998, vol 6, pp 285–313 Trang 133 Nguyễn Khắc Nguyên Tài liệu tham khảo trích dẫn [11] C H Lee, C C Teng, “Identification and control of dynamic systems using recurrent fuzzy neural networks,” IEEE Trans on Fuzzy Systems, vol 8, no 4, pp 349-366, 2000 [12] Wei Sun, “A Recurrent Fuzzy Neural Network Based Adaptive Control and Its Application on Robotic Tracking Control”, Neural Information Processing Letters and Reviews, 2004 [13] Wen Yu, Xiaoou Li, “Recurent fuzzy neural networks for nonlinear system identification”, IEEE Multi-conference on System and Control Singapore, 1-3 Oct 2007 [14] Jinzhu Peng, Yaonan Wang and Wei Sun, “Trajectory-Tracking Control for Mobile Robot Using Recurrent Fuzzy Cerebellar Model Articulation Controller”, Neural Information Processing - Letters and Reviews, 2007 [15] S Q Wu and M J Er, “Dynamic fuzzy neural networks-A novel approach to function approximation”, IEEE Trans Syst., Man, Cybern B, Cybern, Vol 30, no 2, Apr 2000, pp.358-364 [16] M J Er, Z Li, H Cai, Q Chen, “Adaptive Noise Cancellation Using Enhanced Dynamic Fuzzy Neural Networks” ,IEEE Transactionon Fuzzy Systems, vo.13, NO 3, Jun 2005, pp.331-342 [17] M J Er , C B Low, K H Nah, M H Lim, S Y Ng, “Real-time implementation of a dynamic fuzzy neural networks controller for a SCARA”, Microprocessors and Microsystems, Vo 26 2002, pp.449-461 [18] Jyh-Shing Roger Jang, Chuen-Tsai Sun, Eiji Mizutani, “Neural-Fuzzy and Soft Computing”, Prentice Hall, 1997 [19] Nguyễn Thị Phương Hà, “Lý thuyết điều khiển đại”, ĐHQG TP Hồ Chí Minh, 2007 [20] Lakhmi C Jain; N.M Martin, “Fusion of Neural Networks, Fuzzy Systems and Genetic Algorithms: Industrial Applications”, CRC Press LLC, 98 Trang 134 Nguyễn Khắc Nguyên Phụ lục PHỤ LỤC Source code chương trình mơ Matlab Mơ điều khiển dùng PID: …\Chuongtrinh\0_PID_control\ PID_robo_N.mdl : chương trình simulink TWOLINKMAN.m : S-function mơ hình đối tượng hệ tay máy bậc Mô điều khiển dùng logic mờ: …\Chuongtrinh\1_Fuzzy_control\ Fuzzy_robo.mdl : chương trình simulink TWOLINKMAN.m : S-function mơ hình đối tượng hệ tay máy bậc Fuzzy_u1.fis : mô hình mờ điều khiển thứ Fuzzy_u2.fis : mơ hình mờ điều khiển thứ Nhận dạng mơ hình đối tượng hệ tay máy hai bậc tự a Nhận dạng mơ hình thuận …\Chuongtrinh\3_RFNN_Ident\Ident_FFMode\ RFNNI_FF.m : chương trình nhận dạng mơ hình thuận RobotArm.m : mơ hình hệ tay máy bậc RFNNI.m : chương trình nhận dạng mơ hình thuận b Nhận dạng mơ hình ngược …\Chuongtrinh\3_RFNN_Ident\Ident_invMode RFNNI_Invert.m : chương trình nhận dạng mơ hình ngược RobotArm.m : mơ hình hệ tay máy bậc RFNNI.m : chương trình nhận dạng mơ hình ngược Mơ điều khiển thích nghi gián tiếp hệ tay máy …\Chuongtrinh\4_IDBAC_RFNN RFNNBAC_main.m : chương trình mơ RFNN_IDAC.m : chương trình điều khiển gián tiếp RobotArm.m : mơ hình hệ tay máy bậc initControl.m : khởi động thông số điều khiển Trang 135 Nguyễn Khắc Nguyên SelectInput.m Phụ lục : chương chọn lựa tín hiệu đặt Mơ điều khiển thích nghi trực tiếp hệ tay máy …\Chuongtrinh\5_DBAC_RFNN RFNNBAC_main.m : chương trình mơ RFNN_DAC.m : chương trình điều khiển trực tiếp RobotArm.m : mơ hình hệ tay máy bậc initControl.m : khởi động thông số điều khiển SelectInput.m : chương chọn lựa tín hiệu đặt Mô nhận dạng điều khiển hệ phi tuyến a Nhận dạng, dự báo mơ hình hệ phi tuyến … \Chuongtrinh\6_Ident_control_Nonlinear\0_Ident_predict RFNNI_Predit_Mackey_Glass.m : mô dự báo mô hình RFNNI_TD.m : nhận dạng mơ hình phi tuyến b Điều khiển hệ phi tuyến … \Chuongtrinh\6_Ident_control_Nonlinear\1_Control RFNNI_C.m : chương trình mơ điều khiển hệ phi tuyến Mơ điều khiển lắc ngược xe …\Chuongtrinh\7_DBAC_RFNN_invertpendulum InvertPendulum.m : mơ hình lắc ngược xe RFNN_DAC.m : chương trình điều khiển dùng mạng RFNN RFNNBAC_main.m: chương trình mơ điều khiển initControl.m SelectInput.m : khởi động thông số điều khiển : chương chọn lựa tín hiệu đặt Trang 136 Nguyễn Khắc Nguyên Lý lịch trích ngang LÝ LỊCH TRÍCH NGANG _ Họ tên: NGUYỄN KHẮC NGUYÊN Ngày sinh: 16/02/1979 Phái: Nam Nơi sinh: Sóc Trăng Địa chỉ: 147 – Trần Quang Diệu, P An Thới, Q Bình Thủy, TPCT Địa mail: nknguyen@ctu.edu.vn Tel: 0913.158.603 QUÁ TRÌNH ĐÀO TẠO Từ 1996 2001: Học đại học Trường Đại Học Cần Thơ, chuyên ngành điện tử Từ 2006 nay: Học thạc sỹ Trường Đại Học Bách Khoa Tp Hồ Chí Minh chun ngành Tự Động Hóa Q TRÌNH CƠNG TÁC Từ 06/2001 06/2002: Nhân viên kỹ thuật Cty TNHH Quảng cáo Trung Trực, Q Tân Bình, TP Hồ Chí Minh Từ 08/2002 12/2007: Giảng viên thuộc Bộ Môn Viễn Thông Kỹ Thuật Điều Khiển, Khoa Công Nghệ Thông Tin Truyền Thông, Trường Đại Học Cần Thơ Từ 12/2007 đến nay: Giảng viên thuộc Bộ Mơn Tự Động Hóa, Khoa Cơng Nghệ, Trường Đại Học Cần Thơ Trang 137 ... cấu trúc mạng RFNN để nhận dạng điều khiển thích nghi đối tượng phi tuyến động mà cụ thể hệ tay máy hai bậc tự 1.2 Tình hình nghi? ?n cứu điều khiển tay máy hai bậc tự Hệ tay máy hai bậc tự hệ thống... TÀI: ĐIỀU KHIỂN THÍCH NGHI HỆ TAY MÁY HAI BẬC TỰ DO DÙNG MẠNG NƠRON MỜ HỒI QUY II NHIỆM VỤ VÀ NỘI DUNG - Tìm hiểu cấu trúc giải thuật học mạng nơron mờ hồi quy (RFNN) - Nghi? ?n cứu thực điều khiển. .. học mạng nơron mờ hồi quy (RFNN) [2], [3], [4], [5] Khảo sát đối tượng hệ tay máy hai bậc tự Nghi? ?n cứu thực điều khiển thích nghi hệ tay máy hai bậc tự với mơ hình phi tuyến theo mơ hình điều khiển
Ngày đăng: 04/04/2021, 06:59
Xem thêm: