Mô hình hóa Quán tính và Lực Cản Xe Ô tô và Xe Máy bằng Mạng Neuron Nhân Tạo

Tình hình nghiên cứu trong và ngoài nước

Một số nghiên cứu đã được thực hiện để chế tạo các bệ thử trong lĩnh vực cơ khí động lực ở nước ta như nghiên cứu chế tạo bệ thử dòng công suất hở để kiểm tra bền trục các đăng trong hệ thống truyền lực ô tô tải nhẹ của Trần Hữu Danh và các cộng sự, hay nghiên cứu chế tạo băng thử động cơ xe máy của Đoàn Phước Thọ và Nguyễn Thanh Tuấn [1]. Tuy nhiên, bệ thử công suất dòng hở chỉ là một hệ thống gồm động cơ điện kết nối với cơ cấu gây tải thông qua chi tiết cần kiểm tra bền, momen tải đặt lên chi tiết cần kiểm bền không đòi hỏi thay đổi theo điều kiện vận hành thực tế mà chỉ cần phù hợp xác định giới hạn bền của chi tiết đó. Từ những năm 80 của thế kỷ trước, Severino D'Angelo và các cộng sự [3] đã nhận thấy tính thiết yếu của bệ thử động lực học trong ngành ô tô máy động lực, kèm theo đó là việc vi điều khiển ngày càng được sử dụng phổ biến trong các bộ điều khiển của bệ thử, nhóm tác giả đã tiến hành nghiên cứu thiết kế bộ điều khiển mô phỏng quán tính cho bệ thử để khắc phục những giới hạn về điều kiện thử nghiệm bởi kết cấu cơ khí, đặt nền móng cho việc chế tạo loại bệ thử có tính năng mô phỏng quán tính và lực cản.

Mục tiêu nghiên cứu

Bệ thử ô tô có chức năng mô phỏng lực cản của Christian Matthews và các cộng sự nghiên cứu năm 2009 [4] sử dụng phương pháp xây dựng phương trình vi phân trạng thái Riccati mô tả bệ thử và bộ điều khiển lực cản, và bộ lọc Kalman dự đoán các biến trạng thỏi ngừ vào hệ phương trỡnh. Khảo sát cho thấy việc điều khiển hệ thống bởi mạng neuron nhân tạo thay thế cho các bộ điều khiển thích nghi truyền thống đang được nghiên cứu và thử nghiệm trong nhiều lĩnh vực, từ lý thuyết đến thực nghiệm. Từ đó, tác giả đưa ra ý tưởng về việc xây dựng bộ điều khiển mạng neuron nhân tạo cho một đối tượng phi tuyến mạnh như bệ thử động lực học có tính năng mô phỏng quán tính và lực cản đường.

Phương pháp nghiên cứu

Các nội dung nghiên cứu

- Xây dựng mạng neuron để xấp xỉ bộ điều khiển mô phỏng lực cản cho bệ thử xe gắn máy.

Ý nghĩa khoa học – thực tiễn

Động lực học mô hình bệ thử xe gắn máy

Tổng lực cản này với lực cản quán tính của xe (tích khối lượng xe 𝑚𝑣 và gia tốc xe 𝑣𝑣̇ ) cân bằng với lực kéo do xe sinh ra 𝐹𝑘. Tổng lực cản này với lực cản quán tính của bệ thử (tích khối lượng con lăn 𝑚𝑑 và gia tốc con lăn 𝑣𝑑̇ ) cân bằng với lực kéo do xe sinh ra trên bệ 𝐹𝑤. Do lực cản và khối lượng bệ thử khác lực cản và khối lượng trên đường, nên để mô phỏng điều kiện làm việc của xe trên đường thật tức là lực kéo của xe trên bệ bằng lực kéo của xe trên đường tại cùng một tốc độ thì cần điều khiển Fe, tức là điều khiển bù quán tính và lực cản đường.

Mạng neuron nhân tạo

Giá trị đầu ra được tính toán từ vector các giá trị đầu vào, vector trọng số neuron (weight), giỏ trị bias, hàm tớch hợp ngừ vào và hàm kớch hoạt (activation function) của neuron. Nhờ khả năng có thể huấn luyện mà mạng neuron nhân tạo có thể học hỏi và dựng mô hình các mối quan hệ giữa dữ liệu đầu vào và đầu ra phi tuyến tính, phức tạp. - Nhận dạng giọng nói: hỗ trợ các nhân viên trực tổng đài và tự động phân loại cuộc gọi, tạo phụ đề chính xác cho video và bản ghi âm cuộc họp để mở rộng phạm vi tiếp cận nội dung.

Sơ đồ bố trí chung

Phương trình động lực học của xe trên đường

Nguyên lý mô phỏng quán tính xe và lực cản đường

Mô hình mô phỏng bệ thử dùng MATLAB

Giá trị này là đầu ra của khối Roller và phản hồi về khối Vehicle để điều khiển tốc độ xe bám theo chu trình cũng như phản hồi về biến tần điều khiển máy điện trong khối Dynamometer. - Khối Simulator_controller: bộ điều khiển mô phỏng quán tính và lực cản đường tác động lên xe vận hành trên bệ thử. Đầu vào khối là vận tốc tức thời của xe, qua đó tính toán gia tốc thực tế và gia tốc mong muốn nếu xe vận hành với lực cản tương tự như khi vận hành trên đường.

Đầu ra khối bộ điều khiển là tín hiệu điều khiển cho biến tần điều khiển máy điện của bệ thử. Qua đó tạo ra lực mô phỏng quán tính và lực cản đường tác động lên xe như khi vận hành trên đường.

Đáp ứng của bệ thử với bộ điều khiển PID

Từ đó tiến hành thử nghiệm thu thập các bộ hệ số của bộ điều khiển PID để giá trị lực kéo do xe sinh ra trên bệ thử bám theo giá trị lực kéo do xe sinh ra khi vận hành trên đường thật. Kết quả cho thấy, với cùng một bộ hệ số của bộ điều khiển vòng kín thông thường, khả năng mô phỏng quán tính và lực cản đường của bệ thử không tốt như nhau, thậm chí là sai lệch nhiều. Do đó, việc xây dựng mạng neuron nhân tạo có thể được huấn luyện làm bộ xấp xỉ tổng quát, dùng để xấp xỉ luật điều khiển phi tuyến, có tính năng động cao mà bệ thử động lực học xe là nhu cầu tất yếu.

Cấu trúc mạng dùng làm bộ xấp xỉ

Xây dựng tập dữ liệu huấn luyện mạng

Để mạng neuron nhân tạo có khả năng xấp xỉ bộ điều khiển mô phỏng lực cản cho bệ thử, tập dữ liệu để huấn luyện mạng cần được chọn để bao trùm toàn bộ miền làm việc của bệ thử. - Khối lượng tối thiểu và tối đa của xe cho phép thử nghiệm trên bệ thử. - Gia tốc tối đa của xe có thể đạt được khi vận hành trên bệ thử.

- Vận tốc tối đa của xe có thể đạt được khi vận hành trên bệ thử. - Lần lượt vận hành theo hai chu trình thử nghiệm: WMTC part 2 và WMTC part 3. - Tám bộ thông số PID mô phỏng quán tính và lực cản đường tốt nhất cho từng trường hợp.

Huấn luyện mạng

Tuy nhiên, nghiên cứu này lựa chọn sử dụng giải thuật huấn luyện mặc định của công cụ là giải thuật lan truyền ngược Levenberg-Marquardt bởi nhiều đặc trung phù hợp với cấu trúc mạng đã xây dựng. Giải thuật Levenberg-Marquardt là một thuật toán tối ưu hóa được sử dụng để giải quyết bài toán tìm giá trị tối ưu của một hàm số đa biến, thông thường được ứng dụng trong việc xác định các tham số của một mô hình toán học dựa trên dữ liệu đầu vào. Thuật toán Levenberg-Marquardt thường được sử dụng trong các bài toán khớp mô hình và điều chỉnh tham số trong các ứng dụng như phân tích số liệu, nhận dạng mẫu, xử lý hình ảnh và nhiều ngành công nghiệp khác.

Quá trình huấn luyện mạng được bắt đầu bằng việc khởi tạo bộ thông số mạng (bao gồm cỏc trọng số và độ lệch của cỏc neuron trong mạng), khi đú, giỏ trị ngừ ra mạng hầu như chưa hội tụ về giỏ trị ngừ ra mong muốn của tập dữ liệu huấn luyện. Mạng neuron sau khi huấn luyện thành công được sử dụng làm bộ điều khiển lực cản cho mô hình bệ thử trong các trường hợp vận hành xây dựng tập dữ liệu huấn luyện mạng để xác thực khả năng hoạt động trước khi thử nghiệm với các trường hợp mở rộng. Kết quả cho thấy, mạng neuron sau khi huấn luyện có xu hướng dự đoán luật điều khiển lực cản mà bệ thử cần sinh ra để mô phỏng quán tính và lực cản đường như mô hình bệ thử sử dụng bộ điều khiển PID.

Bộ điều khiển lực cản dùng mạng neuron nhân tạo ứng dụng trong giả lập quán tính và lực cản đường ở bệ thử động lực học ô tô và xe máy mà đề tài xây dựng đáp ứng tốt 30/32 trường hợp mở rộng, tức tổng cộng 38/40 trường hợp thử nghiệm. Tiêu biểu cho các trường hợp bộ điều khiển dự đoán đúng luật điều khiển là thử nghiệm với xe có khối ượng 730kg theo chu trình thử NEDC, sai số năng lượng kéo giữa mô hình xe khi vận hành trên bệ và mô hình xe vận hành trên đường là -0.97%, và sai số năng lượng phanh giữa mô hình xe khi vận hành trên bệ và mô hình xe vận hành trên đường là -2.98%. Tiêu biểu cho các trường hợp bộ điều khiển dự đoán đúng luật điều khiển là thử nghiệm với xe có khối ượng 215kg theo chu trình thử WMTC part 3, sai số năng lượng kéo giữa mô hình xe khi vận hành trên bệ và mô hình xe vận hành trên đường là -78.52%, và sai số năng lượng phanh giữa mô hình xe khi vận hành trên bệ và mô hình xe vận hành trên đường là 20308.16%.

Với các trường hợp bộ điều khiển dùng mạng neuron nhân tạo mô phỏng lực cản cho đáp ứng tốt, sai số của năng lượng kéo giữa mô hình xe khi vận hành trên bệ và mô hình xe vận hành trên đường cũng như sai số của năng lượng phanh giữa mô hình xe khi vận hành trên bệ và mô hình xe vận hành trên đường có giá trị nằm trong vùng ±5%,.

Hướng phát triển

- Và như đã đề cập ở phần ý nghĩa thực tiễn của nghiên cứu, kết quả này có thể được phát triển thử nghiệm trên bệ thử thực tế để kiểm tra khả năng điều khiển linh hoạt của mạng neuron mô phỏng quán tính và lực cản đường.