(Luận văn thạc sĩ) điều khiển con lắc ngược sử dụng mạng NEURAL trên CHIP DSP

BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT THÀNH PHỐ HỒ CHÍ MINH LUẬN VĂN THẠC SĨ NGUYỄN ĐỨC QUYỀN ĐIỀU KHIỂN CON LẮC NGƯỢC SỬ DỤNG MẠNG NEURAL TRÊN CHIP DSP NGÀNH: KỸ THUẬT ĐIỆN TỬ - 605270 S KC 0 4 Tp Hồ Chí Minh, tháng 09 năm 2013 BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT THÀNH PHỐ HỒ CHÍ MINH LUẬN VĂN THẠC SĨ NGUYỄN ĐỨC QUYỀN ĐIỀU KHIỂN CON LẮC NGƯỢC SỬ DỤNG MẠNG NEURAL TRÊN CHIP DSP NGÀNH: KỸ THUẬT ĐIỆN TỬ - 605270 Hướng dẫn khoa học: TS NGÔ VĂN THUYÊN Tp Hồ Chí Minh, tháng 09 năm 2013 Lời Cam Đoan Tơi cam đoan cơng trình nghiên cứu Các số liệu, kết nêu luận văn trung thực chƣa đƣợc cơng bố cơng trình khác Tp Hồ Chí Minh,ngày 11 tháng 09 năm 2013 (Ký tên ghi rõ họ tên) Nguyễn Đức Quyền iii Lời Cảm Ơn - - -  - - - Em xin gửi lời cảm ơn chân thành tới thầy TS Ngơ Văn Thun, ngƣời tận tình hƣớng dẫn truyền đạt kiến thức giúp em hoàn thành luận văn Và quan trọng hết, thầy ngƣời gợi mở cho em hƣớng nghiên cứu mà em cảm thấy quan tâm mong muốn theo đuổi Bên cạnh đó, em xin gửi lời cảm ơn sâu sắc tới tất qúy Thầy Cô trƣờng Đại Học Sƣ Phạm Kỹ Thuật Tp Hồ Chí Minh trang bị cho em kiến thức bổ ích, đặc biệt em xin chân thành cảm ơn thầy TS Nguyễn Minh Tâm tạo điều kiện thuận lợi hỗ trợ cho em nhiều trình học tập nhƣ thời gian làm luận văn Cuối cùng, xin chân thành cảm ơn quan tâm, hỗ trợ, tạo điều kiện động viên vật chất lẫn tinh thần thành viên gia đình, đặc biệt Mẹ suốt thời gian qua Nguyễn Đức Quyền iv Tóm Tắt Luận Văn Hệ thống lắc ngƣợc hệ thống không ổn định, phi tuyến mức cao Nó đƣợc sử dụng nhƣ mơ hình phổ biến cho ứng dụng kỹ thuật điều khiển tuyến tính phi tuyến Mơ hình lắc đƣợc dùng để kiểm chứng lại thuật toán điều khiển nhƣ: điều khiển trƣợt, đặt cực, LQR, PID, logic mờ, mạng neural Điều khiển lắc ngƣợc gồm hai trình: điều khiển lật ngƣợc lắc điều khiển cân lắc quanh vị trí lật ngƣợc Trong phƣơng pháp điều khiển hành hệ phi tuyến, mạng neural phƣơng pháp khơng Tuy nhiên, mạng neural cịn nhiều vấn đề cần quan tâm Những kết nghiên cứu trƣớc cho thấy mạng neural điều khiển tốt phƣơng pháp khác hệ phi tuyến Trong cơng trình này, tác giả sử dụng mạng neural truyền thẳng khớp quan hệ vào (fitting neural network) huấn luyện theo luật học lan truyền ngƣợc Bayesian để xây dựng điều khiển cân Bộ điều khiển cân đƣợc huấn luyện để mô theo điều khiển hệ thống Bộ điều khiển cân hoạt động giống điều khiển hệ thống nhƣng thích nghi thơng số hệ thống thay đổi Tác giả sử dụng thuật toán logic mờ để xây dựng điều khiển lật ngƣợc lắc Dựa vị trí vận tốc lắc, điều khiển lật ngƣợc tính tốn định điện áp điều khiển nhằm đƣa lắc lên vị trí dựng ngƣợc cho vận tốc nhỏ nhất, sau chuyển sang điều khiển cân để giữ lắc ổn định vị trí Kết thực nghiệm đạt đƣợc: Bộ điều khiển lật ngƣợc dùng logic mờ đƣa lắc từ vị trí bng thõng lên vị trí lật ngƣợc, sau hệ thống điều khiển chuyển sang điều khiển cân để giữ lắc ổn định vị trí Bộ điều khiển cân lắc dùng mạng neural truyền thẳng khớp quan hệ vào đạt đƣợc đáp ứng sai số hệ thống nhỏ trì lắc ổn định tốt vị trí lật ngƣợc v Mục lục Trang tựa trang Quyết định giao đề tài LÝ LỊCH KHOA HỌC i Lời Cam Đoan iii Lời Cảm Ơn iv Tóm Tắt Luận Văn v Mục lục vii Danh Sách Các Chữ Viết Tắt x Danh Sách Các Hình xi Danh Sách Các Bảng xiv Chƣơng Tổng Quan 1.1 Đặt vấn đề 1.2 Lịch sử nghiên cứu 1.3 Mục tiêu giới hạn đề tài 1.4 Phƣơng pháp nghiên cứu 1.5 Nội dung luận văn Chƣơng Mơ Hình Tốn Học 2.1 Xây dựng mơ hình tốn học [8], [9] 2.2 Mô lắc ngƣợc quay matlab 13 2.1.1 Khảo sát đáp ứng lắc tuyến tính 15 2.1.2 Khảo sát đáp ứng góc lắc với điều khiển PID biến 16 2.1.3 Khảo sát đáp ứng góc lắc với điều khiển PID hai biến 17 2.1.4 Khảo sát đáp ứng lắc phi tuyến 21 vii Chƣơng Điều Khiển Cân Bằng Dùng Mạng Neural (Ann) 24 3.1 Mạng neural truyền thẳng nhiều lớp (Multilayer Feed-forward Neural Network) [15], [16] 24 3.1.1 Vấn đề thiết kế cấu trúc mạng 25 3.1.2 Số lớp ẩn 26 3.1.3 Số neural lớp ẩn 27 3.2 Luật học lan truyền ngƣợc [16] 28 3.3 Lựa chọn huấn luyện mạng 33 3.3.1 Mạng truyền thẳng (feedforwardnet) 34 3.3.2 Mạng truyền thẳng ghép cascade (Cascade-forward neural network) 35 3.3.3 Mạng truyền thẳng khớp quan hệ vào (fitting neural network) 37 3.4 Điều khiển lắc mạng fitting neural network 38 Chƣơng Điều Khiển Swing-Up Dùng Logic Mờ 39 4.1 Tổng quan điều khiển mờ [14] 39 4.1.1 Tiền xử lý 39 4.1.2 Mờ hóa 39 4.1.3 Hệ qui tắc mờ 40 4.1.4 Các phép toán tập mờ 41 4.2 Điều khiển Swing-up [14], [15] 42 4.3 Áp dụng điều khiển mờ Swing-up lắc 44 Chƣơng Kết Quả Thực Nghiệm 46 5.1 Điều khiển lắc ngƣợc dùng mạng fitting neural network 46 5.1.1 Đáp ứng lắc chƣa thay đổi thơng số mơ hình 47 viii 5.1.2 Đáp ứng lắc thêm m = 0.31kg 2L=16cm 49 5.1.3 Đáp ứng lắc thêm m = 0.31kg 2L=30cm 51 5.2 Điều khiển Swing-up sử dụng logic mờ 54 Nhận xét: 56 Chƣơng Kết Luận Và Hƣớng Phát Triển Đề Tài 56 6.1 Kết luận 56 6.2 Hƣớng phát triển đề tài 56 TÀI LIỆU THAM KHẢO 59 Phụ Lục 62 A Giới thiệu phần cứng hệ thống lắc ngƣợc quay 62 a Phần khí: 62 b Phần mạch điện tử: 63 c Các sơ đồ nguyên lý mạch điện hệ thống thực 65 ix – Tổng Quan Chƣơng Tổng Quan 1.1 Đặt vấn đề Ngày lý thuyết điều khiển tuyến tính phát triển hoàn chỉnh đƣợc áp dụng thành cơng q trình cơng nghiệp nhƣ thiết bị dân dụng Tuy nhiên, lý thuyết không hiệu hệ thống phi tuyến mà khơng thể khó xác định xác mơ hình tốn học, hệ thống có mơ hình tốn học thay đổi chịu tác động nhiễu Bên cạnh đó, lý thuyết điều khiển phi tuyến có bƣớc phát triển đáng kể Từ có tảng toán học cần thiết để thiết kế điều khiển đạt chất lƣợng Các lý thuyết đƣợc áp dụng thành công để điều khiển hệ phi tuyến đƣợc chia thành hai nhóm chính: lý thuyết điều khiển kinh điển lý thuyết điều khiển đại Nhóm phƣơng pháp điều khiển kinh điển dựa vào việc tuyến tính hóa đặc tuyến hệ thống xung quanh điểm làm việc, sau áp dụng phƣơng pháp điều khiển cho hệ tuyến tính Lý thuyết điều khiển kinh điển bộc lộ yếu điểm chất lƣợng nhƣ độ tin cậy đối tƣợng điều khiển hệ phi tuyến, đối tƣợng khơng rõ khó xác định xác mơ hình tốn học, nhƣ chịu tác động nhiễu Nhóm phƣơng pháp điều khiển đại bao gồm điều khiển dùng giải thuật mờ, điều khiển dùng giải thuật di truyền, điều khiển dùng mạng thần kinh nhân tạo (Artificial Neural Network, đề tài gọi tắt mạng neural) … Điều khiển mờ dựa vào việc xấp xĩ thơng số đối tƣợng dùng mơ hình mờ Các thông số đƣợc cập nhật liên tục trình điều khiển dựa vào sai số hồi tiếp Phƣơng pháp vận dụng tính xấp xĩ hàm hệ mờ dùng luật thích nghi để cập nhật thông số hệ mờ theo tiêu chuẩn ổn định Lyapunov Mạng neural hình thành cịn chƣa có tri thức hệ thống, tri thức mạng hình thành dần sau trình huấn luyện Mạng neural đƣợc huấn luyện tập liệu, bao gồm kích 1 – Tổng Quan thích ngõ vào đáp ứng ngõ hệ thống Ta đƣa vào đầu vào mạng neural kích thích, mạng neural hình thành đáp ứng tƣơng ứng ngõ ra, đáp ứng phù hợp với loại kích thích đƣợc lƣu giữ, giai đoạn đƣợc gọi giai đoạn học mạng Khi hình thành tri thức, dùng mạng neural để điều khiển hệ thống mà đƣợc học Hệ lắc ngƣợc quay hệ thống khơng ổn định có ngõ vào điều khiển số bậc tự Đây hệ phi tuyến có hai điểm cân bằng: Điểm cân thẳng đứng hƣớng lên (vị trí lật ngƣợc) điểm cân thẳng đứng hƣớng xuống dƣới (vị trí bng thõng), vị trí lật ngƣợc điểm cân khơng ổn định Bài tốn đặt thiết kế hệ thống điều khiển gồm hai phần: điều khiển lật ngƣợc (swing-up) có nhiệm vụ đƣa lắc từ vị trí bng thõng lên vị trí lật ngƣợc điều khiển cân có nhiệm vụ giữ lắc ổn định vị trí lật ngƣợc Con lắc ngƣợc đối tƣợng đại diện cho lớp đối tƣợng có độ phi tuyến cao không ổn định Con lắc ngƣợc quay bậc tự có ƣu điểm hệ thống khí không phức tạp (so với lắc ngƣợc xe), đƣợc sử dụng rộng rãi việc giảng dạy nghiên cứu lý thuyết điều khiển tự động nhƣ xây dựng điều khiển Con lắc ngƣợc quay bậc tự bao gồm phần chính: phần khí, phần điện tử phần chƣơng trình Phần khí bao gồm kim loại (con lắc) quay quanh trục thẳng đứng Thanh kim loại đƣợc gắn gián tiếp với đầu cánh tay nằm ngang thơng qua cảm biến để đo góc, đầu lại cánh tay đƣợc gắn vào trục quay động DC Động DC đặt thẳng đứng để cánh tay quay mặt phẳng nằm ngang Do trình vận hành cánh tay quay với tốc độ cao nên phần khí cần phải đƣợc tính tốn thiết kế xác, chắn nhằm tránh rung gây nhiễu hƣ hỏng trình vận hành Phần điện tử gồm phần nhỏ là: cảm biến đo góc cánh tay lắc, mạch khuyếch đại công suất mạch điều khiển Phần cảm biến đóng vai trị quan trọng, cung cấp cho điều khiển: vị trí, hƣớng cánh tay lắc – Kết Quả Thực Nghiệm Hình 5.11 Đáp ứng góc alpha với mạng fitting neural network thêm m 2L=30cm SSE= 624 Hình 5.12 Đáp ứng góc alpha với mạng truyền thẳng [9] thêm m 2L=30cm SSE=919 Kết đáp ứng cho thấy ngõ góc lệch theta lắc với điều khiển mạng fitting neural network lệch khoảng [-15˚,-2˚], SSE= 76345 mạng neural truyền thẳng [9] lệch khoảng [-27˚,2˚], SSE= 209188 đƣợc thể Hình 5.13 Hình 5.14 52 – Kết Quả Thực Nghiệm Hình 5.13 Đáp ứng góc theta với mạng fitting neural network thêm m 2L=30cm SSE= 76345 Hình 5.14 Đáp ứng góc theta với mạng feedforward [9] thêm m 2L=30cm SSE= 209188 Dựa vào kết thực nghiệm ta thấy mạng fitting neural network cho đáp ứng điều khiển hệ lắc ngƣợc tốt mạng feedforward góc lệch lắc cánh tay trƣờng hợp: thơng số mơ hình khơng đổi thơng số mơ hình thay đổi thêm khối lƣợng m = 0.31kg vị trí 2L=16cm 2L=30cm 53 – Kết Quả Thực Nghiệm 5.2 Điều khiển Swing-up sử dụng logic mờ Phần tác giả trình bày kết đạt đƣợc điều khiển swing-up sử dụng logic mờ hồi tiếp vị trí vận tốc gó alpha Hình 5.15 mơ tả vùng kích điện áp lên động để điều khiển lật ngƣợc lắc Hình 5.15 Vùng tác động điều khiển Swing- up 54 – Kết Quả Thực Nghiệm Hình 5.16: Lưu đồ giải thuật điều khiển Swing-up Sau kết thu đƣợc thực điều khiển Swing-up mơ hình lắc ngƣợc Bộ điều khiển swing-up đƣa lắc từ vị trí bng thõng lên vị trí dựng ngƣợc chuyển sang điều khiển cân để trì lắc vị trí này, kết thể hình 5.17 55 – Kết Quả Thực Nghiệm Hình 5.17 Góc alpha lắc điều khiển swing-up Nhận xét: Bộ điều khiển dùng mạng fitting neural network để điều khiển hệ thống lắc ngƣợc cân cho đáp ứng lắc ổn định khoảng [-2˚,1˚] khối lƣợng lắc đƣợc thay đổi điều khiển mạng fitting neural network giữ đƣợc hệ thống ổn định quanh vị trí dựng ngƣợc tốt Cả hai điều khiển mạng neural truyền thẳng [9] mạng fitting neural network ổn định đƣợc hệ thống lắc ngƣợc Tuy nhiên, kết thực nghiệm cho thấy điều khiển dùng mạng fitting neural network ổn định hệ thống lắc ngƣợc tốt điều khiển dùng mạng feedforward network Tác giả áp dụng thành công giải thuật mờ vào điều khiển swing-up Dựa vận tốc vị trí góc hồi tiếp, điều khiển lật ngƣợc tính tốn điện áp kích swing-up nhƣ trình bày chƣơng Kết thực nghiệm đạt đƣợc hệ thống điều khiển lắc ngƣợc quay hoàn chỉnh nhƣ mục tiêu đề tài 56 - Kết Luận Và Hướng Phát Triển Đề Tài Chƣơng Kết Luận Và Hƣớng Phát Triển Đề Tài 6.1 Kết luận Mục tiêu nghiên cứu luận văn điều khiển lắc ngƣợc cân điều khiển lật ngƣợc lắc, trƣớc tiên tác giả xây dựng đƣợc mơ hình mơ lắc dựa theo phƣơng trình tốn học Mơ hình mơ đƣợc dùng để nghiên cứu đặc tính hệ thống thử nghiệm phƣơng pháp điều khiển Tiếp theo tác giả xây dựng thành công hệ thống điều khiển lắc ngƣợc quay hoàn chỉnh, bao gồm: điều khiển cân sử dụng mạng fitting neural network điều khiển swing-up sử dụng logic mờ Kết thực nghiệm cho thấy mạng fitting neural network điều khiển ổn định lắc ngƣợc tốt, thay đổi khối lƣợng lắc (thêm vật nặng m = 0.31kg) hệ thống thích nghi điều khiển ổn định lắc quanh vị trí lật ngƣợc Bộ điều khiển cân lắc dùng mạng fitting neural network cho đáp ứng điều khiển tốt điều khiển dùng mạng feedforward Bộ điều khiển lật ngƣợc lắc sử dụng giải thuật Logic mờ điều khiển lật ngƣợc lắc thành công Khi lắc đƣợc đƣa lên vị trí dựng ngƣợc, hệ thống chuyển sang điều khiển cân dùng mạng fitting neural network để ổn định vị trí dựng ngƣợc 6.2 Hƣớng phát triển đề tài Đề tài „Điều Khiển Con Lắc Ngược Sử Dụng Mạng Neural Trên Chip Dsp‟ đƣợc phát triển thêm nhƣ sau:  Dùng mạng neural online để tự huấn luyện điều chỉnh thông số, cấu trúc mạng trình điều khiển  Nghiên cứu cấu trúc luật học mạng neural khác để áp dụng cho điều khiển lắc ngƣợc  Điều khiển lật ngƣợc lắc giải thuật khác 56 – Phụ Lục Tài Liệu Tham Khảo [1] Yung-Chih Fu, Jung-Shan Lin, Nonlinear backstepping control design of the furuta pendulum, IEEE Conference on Control Applications - CCA, pp 96-101, 2005 [2] Yanliang Zhang, Wei Tech Ang, Jiong Jin, Shudong Zhang, Zhihong Man, Nonlinear Adaptive Sliding Mode Control for a Rotary Inverted Pendulum, Advances in Industrial Engineering and Operations Research Lecture Notes in Electrical Engineering Volume 5, pp 345-360, 2008 [3] Phan Vinh Hiếu, Nguyễn Đức Thành, Xây dựng điều khiển nhúng cho hệ lắc ngược quay, Đại Học Bách Khoa TPHCM, 2010 [4] Tyaki, M.A.a.B., Design of Fuzzy logic controller for nonlinear model of inverted pendulum - cart system, December 17-19,2008 [5] Mojtaba Ahmadieh Khanesar, Mohammad Teshnehlab, Mahdi Aliyari Shoorehdeli, Sliding Mode Control of Rotary Inverted Pendulm, Proceeding of the 15th Mediterranean Conference on Control & Automation, 2007 [6] ANK Nasir, RMTR Ismail, MA Ahmad, Performance comparison between sliding mode control (SMC) and PD-PID controllers for a nonlinear inverted pendulum system, World Academy of Science, Engineering and Technology, 2010 [7] Chunha Ryu, Byung-Jae Choi, Bong-Yeol Choi, Design of a Fuzzy Logic Controller for a Rotary-type Inverted Pendulum System, International Journal of Fuzzy Logic and Intelligent Systems, vol 2, no 2, pp 109-114, June 2002 [8] Callinan, T., Artificial Neural Network Identification and control of the inverted pendulum, Center of excellence in BME of IR IRAN, August 2003 [9] Trƣơng Tấn, Ngô Văn Thuyên, Điều khiển nhận dạng lắc ngược, Đại Học Sƣ Phạm Kỹ Thuật TP HCM, 2012 [10] Omaima N Ahmad AL-Allaf, Cascade-Forward vs Function Fitting Neural Network for Improving Image Quality and Learning Time in Image Compression System, Proceedings of the World Congress on Engineering 2012 Vol II, London, U.K, July - 6, 2012 59 – Phụ Lục [11] Hao Yu and B M Wilamowski, “Levenberg–Marquardt Training” Industrial Electronics Handbook, vol – Intelligent Systems, 2nd Edition, chapter 12, pp 12-1 to 12-15, CRC Press 2011 [12] Burden F, Winkler D, “Bayesian regularization of neural networks” Artificial Neural Networks : Methods and Applications, Methods in Molecular Biology Vol 458 , pp 23 to 42, Springer Press Jun-01-2008 [13] Zhongmin Wang, YangQuan Chen, Ning Fang, Minimum-Time Swing-up of a Rotary Inverted Pendulum by Iterative Impulsive Control, Proceeding of the American Control Conference Boston, Massachusetts, 2004 [14] Furura K., Yamakita M., Swing-up control of Inverted pendulum using pseudostate feedback, Proceedings of the Institution of Mechanical Engineers, vol 206, 1992 [15] Lê Hải Khôi, Trần Đức Minh, Một phương pháp dự báo liệu sử dụng mạng nơron Tạp chí Tin học Điều khiển học 20, 2004 [16] Phạm Hữu Dục Đức, Mạng nơron ứng dụng điều khiển tự động, Nhà xuất khoa học kỹ thuật, 2009 [17] Nguyễn Thị Phƣơng Hà, Lý Thuyết Điều Khiển Hiện Đại, Nhà Xuất Bản Đại Học Quốc Gia Tp Hồchí Minh, 2007 [18] Vũ Chấn Hƣng, Đặng Thành Phu, Hoàng Văn Tuấn, Điều Khiển Hệ Thống Con Lắc Ngược Quay, Tạp chí Khoa học Cơng nghệ, 2005 [19] Nguyễn Thị Phƣơng Hà, Huỳnh Thái Hoàng, Lý Thuyết Điều Khiển Tự Động, Nhà Xuất Bản Đại Học Quốc Gia Tp Hồchí Minh, 2005 [20] Valeri Mladenov, Application of Neural Networks for Control of Inverted Pendulum, Wseas Transactions On Circuits And System, 2011 [21] Madan M Gupta, Liang Jin, Noriyasu Homma, Static and dynamic neural networl from fundamentals to advanced theory, A Joihn Wiley & Sons, Inc., 2003 [22] Xiumin Diao, Ou Ma, Rotary Inverted Pendulum, New Mexico State University, 2006 [23] Ahmad Nor Kasruddin Bin Nasir, Modeling And Controller Design For An Inverted Pendulum System, Universiti Teknologi Malaysia, 2007 60 – Phụ Lục [24] Mahadi Hasan, Chanchal Saha, Md Mostafizur Rahman, Md Rabiual Islam Sarker, Subrata K Aditya, Balancing of an Inverted Pendulum Using PD Controller, Dhaka Univ J Sci 60(1): 115-120, 2012 [25] Viroch Sukontanakarn, Manukid Parnichkun, Real-Time Optimal Control for Rotary Inverted Pendulum, American Journal of Applied Sciences (6), 2009 [26] Singh Vivekkumar Radhamohan, Mona Subramaniam A, Dr M.J.Nigam, Fuzzy Swing-up and Stabilization of Real Inverted Pendulum using single rulebase, Journal of Theoretical and Applied Information Technology, 2010 61 – Phụ Lục Phụ Lục A Giới thiệu phần cứng hệ thống lắc ngƣợc quay Hình 7.1 thể sơ đồ hệ thống điều khiển lắc ngƣợc quay Hệ thống thực nghiệm đƣợc giới thiệu Hình 5.2 Hình 7.1 Sơ đồ hệ thống điều khiển lắc ngược quay Hình 7.2 Hệ thống thực nghiệm Hệ thống lắc ngƣợc quay đƣợc thiết kế gồm phần chính: Phần khí, phần mạch điện tử phần thu thập liệu máy tính hệ thống lắc thơng qua JtagXDS510 a Phần khí: Hệ lắc ngƣợc quay Hình 7.3 bao gồm: Encoder lắc Encoder cánh tay Mạch điều khiển 62 – Phụ Lục Con lắc Jtag XDS510 USB Cánh tay quay Động DC DSP TMS320F2812 Khung nhơm 10 Bàn nhơm Hình 7.3 Phần khí mơ hình lắc ngược Thơng số hệ thống lắc ngƣợc đƣợc trình bày Bảng 7.1 Bảng 7.1 Thông số thực hệ thống lắc ngƣợc thực Mơ tả Thơng số mơ hình Khối lƣợng lắc 0.2 kg Chiều dài lắc Chiều dài cánh tay 32 cm 23cm Khối lƣợng cánh tay 0.4 kg Độ cao mơ hình Khối lƣợng mơ hình 75 cm kg Thơng số động DC có: 24VDC, 3700rpm, 55W Thơng số encoder có: 5VDC, độ phân giải 4096v/p b Phần mạch điện tử: Hệ thống mạch đƣợc tích hợp nhiều khối bao gồm mạch giao tiếp encoder, mạch nguồn 5VDC, mạch cầu H điều khiển động DC, mạch truyền thông mạch cách ly Mạch giao tiếp Encoder: Dạng sóng ngõ encoder cần đƣợc xử lý trƣớc đƣa vào ngõ vào QEP chip F2812 để tƣơng thích với mức logic 63 – Phụ Lục chip F2812 (sơ đồ nguyên lý mạch giao tiếp Encoder đƣợc thể phụ lục 3) Mạch cầu H: Điều khiển động DC, đƣợc sử dụng ứng dụng phải có khả đảo chiều nhanh dẫn dòng lớn Trong mạch cầu H, IC IR2184 đƣợc sử dụng để làm driver cho FET mạch cầu H Với nguyên lý hoạt động chúng, IC driver đƣợc sử dụng mạch nhận tín hiệu PWM đóng FET tƣơng ứng để làm cho động quay theo chiều xác định Mạch giao chuẩn SCI: đƣợc sử dụng để giao tiếp chip F2812 máy tính có nhiệm vụ thu thập liệu Mạch cách ly: Mạch cách ly chip F2812 mạch cầu H đƣợc sử dụng mơ hình Opto 6N137 Đây IC chun dùng có tần số đóng ngắt cao để xử lý tín hiệu PWM đƣợc sử dụng để nhận tín hiệu điều khiển từ chip F2812, với Opto PC817 đƣợc dùng để đƣa tín hiệu sang mạch cầu H nhằm điều khiển động Hình 7.4 Mạch điện tử điều khiển mơ hình lắc ngược Mạch giao tiếp SCI Mạch điều khiển Mạch cầu H Mạch giao tiếp Encorder 64 – Phụ Lục c Các sơ đồ nguyên lý mạch điện hệ thống thực 3k3 220 2 PWM1 0.1u + 6N137 5V Hình 7.5 Mạch giao tiếp Encorder với ngõ QEP DSP 5V 14 14 5V GND_3,3V U16B U16A 5V 4k7 th2 7 330 3k3 HEF4001B 5V PC817 14 220 DIR 1 blue U16C 10 4k7 2th1 GND_3,3V Hình 7.6 Mạch cách ly phần điều khiển phần động lực 65 24VDC – Phụ Lục 1 SD HO COM LO Vs Vcc 1N4007 VB 1 IN + 4,7u + 470u + 470u + IRF3205 1K 470u 4,7u + 5V yellow 2 th2 IRF3205 100 + 100 0.1uF RXD TXD 14 13 GND 5V_DSP 0.1uF 16 15 Hình 7.7 Mạch động lực điều khiển động 24V V- C2- V+ C2+ C1- VCC C1+ T2OUT T1OUT R2IN R1IN R2OUT R1OUT T1IN T2IN 12 11 10 2 Vs Vcc IR2184 thuan LO green nghich + COM HO 1K SD 1N4007 2 VB COMMUNICATION _ SCI 5V IN IRF3205 100 0.1uF 0.1uF RXD_DSP TXD_DSP M AX 3232 Hình 7.8 Mạch giao tiếp SCI 66 4,7u 4,7u th1 IR2184 IRF3205 2 12V 100 12V ... thuật điều khiển thông minh nhƣ điều khiển mờ [7], điều khiển dùng mạng neural [8], [9] Việc sử dụng mạng neural [8], [9] mô thành công giải thuật điều khiển trƣớc (bộ điều khiển PID) để điều khiển. .. giả sử dụng mạng fitting neural network để xây dựng điều khiển cân cho lắc ngƣợc quay.[24] 3.4 Điều khiển lắc mạng fitting neural network Mơ hình lắc thực nghiệm đƣợc điều khiển cân điều khiển sử. .. thống sử dụng hai điều khiển để điều khiển ổn định cho lắc ngƣợc Cả hai điều khiển đƣợc mô môi trƣờng Simulink Matlab cho thấy có khả điều khiển thành cơng mơ hình lắc Kết cho thấy sử dụng điều khiển