Nghiên cứu phát triển giải thuật điều khiển thông minh dựa trên mạng nơ ron mờ hồi quy ứng dụng điều khiển hệ phi tuyến

Mục tiêu tổng quát

Ngoài ra, giải thuật huấn luyện mạng nơ-ron mờ hồi quy cũng cần được quan tâm để tăng cường hiệu suất của mạng, trong đó giải thuật Gradient Descent [31], [32], thường được sử dụng. Tuy nhiên, cũng còn tồn tại một số hạn chế về sự chọn lựa các hệ số của bộ điều khiển và bộ nhận dạng hệ phi tuyến trong quá trình nhận dạng và huấn luyện trực tuyến, chứng tỏ giải thuật huấn luyện còn cần phải cải tiến thêm.

Giới thiệu

Vì vậy, trong chương này tác giả xây dựng thêm một số bộ điều khiển khác: FUZZY-PID và GA-PID để đánh giá chất lượng với bộ điều khiển PID thích nghi mạng nơ-ron SNA- PID. Kết quả mô phỏng được kiểm chứng trên MATLAB/Simulink và so sánh, đánh giá kết quả của bộ điều khiển FUZZY-PID, GA-PID so với bộ điều khiển điều khiển PID thích nghi mạng nơ-ron SNA-PID thông qua các chỉ tiêu chất lượng của hệ vòng kín.

Sơ lược tình hình nghiên cứu

Một số công trình tiêu biểu có thể kể bao gồm: trong [35] Phạm Hữu Đức Dục và Nguyễn Công Hiền, sử dụng bộ điều khiển nơ-ron mờ để ứng dụng điều khiển thích nghi vị trí động cơ một chiều; Huỳnh Thế Hiển, Huỳnh Minh Vũ và Nguyễn Hoàng Dũng đã xây dựng bộ điều khiển PID dựa trờn mạng nơ-ron hàm cơ sở xuyờn tõm ứng dụng điều khiển cỏnh tay robot; [42] Vừ Lâm Chương và Lê Hoài Quốc, đã xây dựng bộ điều khiển thông minh dựa trên luật ứng xử cho robot tự hành. Năm 2011, Tác giả Reza Jafari và Rached Dhaouadi [25], sử dụng mạng nơ-ron hồi quy RNN cũng là nền tảng phát triển mạng RFNN để nhận dạng điều khiển hệ phi tuyến bằng bộ nhận dạng RNN cũng bằng cách ước lượng thông tin Jacobian, để tính toán các Gradient của giải thuật cập nhật trực tuyến bộ thông số của một nơ-ron tuyến tính, cấu hình theo nguyên tắc của bộ điều khiển PID.

Mục tiêu

Ngoài ra, còn có những nghiên cứu khác có hướng kết hợp sử dụng một mạng nơ-ron hồi quy, để thực hiện suy diễn mờ được biết dưới tên mạng nơ-ron mờ hồi quy và đã đạt được những thành công nhất định [43], [44].

Mô hình hóa đối tượng phi tuyến MIMO-robot Delta 3-DOF

• Xây dựng mô hình động lực học chuyển động robot Delta 3-DOF không gian 3RUS
• Kết quả mô phỏng và đánh giá 1. Thông số mô phỏng
• Kết quả mô phỏng và đánh giá

Như vậy, mô hình động lực học của mô hình 2 này bao gồm 4 vật rắn, trong đó các khâu AiBi (i=1, 2, 3) chuyển động quay quanh các trục vuông góc với mặt phẳng OAiBi tại Ai có khối lượng m1 và vật rắn còn lại là bàn máy động (bao gồm ba chất điểm gắn tại Di) chuyển động tịnh tiến có khối lượng (mp+3mb) và 3 chất điểm đặt tại các điểm Bi có khối lượng mb. Trong sơ đồ Hình 1.31 gồm hai bộ điều khiển là bộ điều khiển PID với các thông số tham khảo từ [61] và bộ điều khiển GA-PID mà tác giả đã xây dựng, để so sánh đánh giá chất lượng của hai bộ điều khiển trên cùng một mô hình robot Delta 3-DOF.

Điều khiển bám quỹ đạo robot Delta sử dụng bộ điều khiển PID thích nghi dựa trên cơ sở bộ nhận dạng mạng nơ-ron mờ hồi quy

• Cơ sở lý thuyết điều khiển PID thích nghi

Một số công trình tiêu biểu có thể kể bao gồm: [35] Nguyễn Công Hiền và Phạm Hữu Đức Dục đã xây dựng bộ điều khiển mạng nơ-ron mờ ứng dụng trong điều khiển thích nghi vị trí động cơ một chiều; trong [41] nghiên cứu của tác giả Nguyễn Hoàng Dũng về ứng dụng mạng nơ-ron dùng hàm cơ sở xuyên tâm (RBFNN), để nhận dạng hệ phi tuyến và chỉnh định thụng số PID; trong [42] Lờ Hoài Quốc và Vừ Lõm Chương, đã xây dựng bộ điều khiển thông minh dựa trên luật ứng xử ứng dụng điều khiển cho robot tự hành. Các nghiên cứu [24] và [70] đã đưa ra các đề xuất về ứng dụng mạng nơ-ron mờ hồi quy (RFNN) trong việc nhận dạng và sử dụng RFNN với chức năng là một bộ điều khiển cho hệ thống, trong đó: bộ RFNN thứ nhất gọi là RFNNI đóng vai trò nhận dạng đối tượng kiểm tra sự sai khỏc giữa ngừ ra hệ thống và ngừ ra của bộ nhận dạng RFNNI để trả về thông số Jacobian, bộ RFNN thứ hai gọi là RFNNC đóng vai trò là bộ điều khiển được chỉnh định từ RFNNI để tối ưu ngừ ra điều khiển.

So sánh kết quả của 3 bộ điều khiển: PID thích nghi trên cơ sở mạng nơ- ron mờ hồi quy với GA-PID và FUZZY-PID ứng dụng điều khiển bám quỹ

Các kết quả được tác giả cùng nhóm nghiên cứu công bố trong [52], cho thấy bộ điều khiển PID thích nghi mạng nơ-ron điều khiển bám quỹ đạo tốt, trong điều kiện nhiễu và tải trọng robot thay đổi. So sánh kết quả của 3 bộ điều khiển: PID thích nghi trên cơ sở mạng nơ-.

Sơ lược tình hình nghiên cứu

Năm 2019, trong [22] tác giả Sabrine Slama cùng cộng sự đề xuất chuyển đổi trực tuyến giữa bộ điều khiển PID thích nghi mạng thần kinh (APID) và bộ điều khiển mạng thần kinh thích nghi gián tiếp (IAC) ứng dụng điều khiển cho hệ thống nhiều đầu vào và nhiều đầu ra phi tuyến (MIMO); đồng thời cũng năm 2019, trong [150] tác giả Faa-Jeng Lin và cộng sự đó đề xuất bộ điều khiển theo dừi mụ-men xoắn trờn nền của mạng nơ-ron mờ hồi quy huyền thoại, ứng dụng để điều khiển hệ thống truyền động vị trí động cơ. Năm 2020, trong [52] tác giả Lê Minh Thành và cộng sự đã đề xuất sử dụng bộ điều khiển PID thích nghi một nơ-ron, dựa trên bộ nhận dạng mạng nơ-ron mờ hồi quy ứng dụng điều khiển bám quỹ đạo robot Delta 3-DOF, kết quả mô phỏng trên MATLAB/Simulink cho thấy đáp ứng của thuật toán đề xuất tốt hơn so với việc sử dụng bộ điều khiển PID truyền thống, với thời gian cài đặt khoảng 0,3 ± 0,1(s) và sai số trạng thái ổn định bị loại bỏ; cũng năm 2020, trong [151] tác giả Kuang-Hsiung Tan và cộng sự đã đề xuất bộ điều khiển mạng nơ-ron mờ hồi quy Wavelet cập nhập trực tuyến các thông số của bộ điều khiển PI ứng dụng điều khiển khắc phục những hạn chế của máy phát điện phân phối dựa trên biến tần truyền thống; đồng thời năm 2020, trong [152] tác giả FAA-JENG LIN và cộng sự đã đề xuất bộ điều khiển thông minh sử dụng mạng nơ- ron mờ hồi quy wavelet, ứng dụng điều khiển hệ thống quang điện kết hợp bộ chuyển đổi DC/DC xen kẽ và biến tần ba cấp.

Thiết kế và gia công khung cơ khí hệ MIMO là robot Delta 3-DOF

Xung Encoder A và B hồi ngược về bộ tổng, để cho ra sai số giữa góc thực tế và góc tham chiếu, đưa đến các thuật toán điều khiển RFNN-PID và các khối phát xung được xây dựng trên MATLAB/Simulink, tạo ra các lực (Tau1, Tau2, Tau3) để điều khiển vị trí và chiều quay thuận nghịch của ba động cơ trên mô hình robot Delta. Các sản phẩm này được sử dụng phổ biến trong các ứng dụng điều khiển nhúng, trong ngành công nghiệp tự động hóa, robot, điện tử công suất, vi điều khiển F28379D được trang bị lừi kộp (Dual core) dựa trờn kiến trỳc CPU TI 32bit C28x và chia sẻ thông tin giữa 2 CPU bằng module IPC.

Thiết kế bản vẽ mạch điều khiển, gia công lắp mạch và lắp tủ điều khiển 1. Thiết kế bản vẽ mạch điện điều khiển

Mặt trước của tủ được bố trí gồm: 3 đèn xanh báo nguồn cho 3 Driver Yakawa và 1 đèn đỏ báo mất nguồn cho 3 Driver ngưng hoạt động, 1 công tắc dừng khẩn cấp khi robot hoạt động quá tải hoặc robot lệch ra khỏi không gian làm việc, 1 công tắc 3 trạng thái sử dụng chuyển trạng thái hoạt động của robot khi hoạt động ở chế độ điều khiển bằng tay và chế độ điều khiển tự động. Hạn chế này được xác định bởi các nguyên nhân cơ bản sau: một là, hạn chế về vật liệu và khả năng chế tạo cơ khí chính xác của nhóm nghiên cứu, nên phần chân đế và các tay máy của robot Detla 3-DOF chưa đủ cứng vững; hai là, thời gian trễ truyền thông trên card DSP- C2000 cũng ảnh hưởng đến việc tác động kịp thời của tín hiệu điều khiển lên đối tượng.

Kết quả thực nghiệm trên hệ phi tuyến SISO

• Sơ đồ bố trí thực nghiệm

Chương trình giao tiếp giữa MATLAB và thiết bị RT020 được xây dựng bởi [170], thông qua card LabJack [171], để đọc và hiển thị giá trị cảm biến, cũng như xuất các tín hiệu điều khiển các bộ phần chấp hành như: máy bơm, van nước tiết lưu,… Nhờ cơ chế giao tiếp này, bộ điều khiển có thể thiết kế trên MATLAB và truyền tín hiệu điều khiển xuống thiết bị một cách dễ dàng. Tuy nhiên, do máy bơm đã bị làm yếu, nên lưu lượng ngừ ra cú tăng, nhưng khụng thể đạt đến giỏ trị tham khảo (Hỡnh 3.44). Sau đú, cụng suất máy bơm được kéo lên mức 75%, bộ điều khiển RFNNC-PID đã nhanh chóng đưa lưu lượng nước về giá trị tham khảo với đáp ứng không xuất hiện vọt lố và sai số xác lập không đáng kể. Hình 3.45a trình bày các tín hiệu điều khiển thành phần của bộ điều RFNN-PID. Trong khi đó, bộ RFNNC chỉ cần vài chu kỳ lấy mẫu đã tạo ra tín hiệu điều khiển âm, góp phần kéo tín hiệu điều khiển tổng hợp về giá trị phù hợp để giữ ổn định lưu lượng nước tại giỏ trị tham khảo. Kết quả này thể hiện một cỏch rừ ràng về sự góp mặt tích cực của bộ điều khiển RFNNC, trong cơ chế điều khiển giám sát này. Ngoài ra, Hình 3.45b cũng cho thấy bộ nhận dạng RFNNID đã đảm nhận tốt vai trò nhận dạng lưu lượng nước ngừ ra của hệ RT020 và xỏc định được thụng tin Jacobian, để cung cấp cho giải thuật cập nhật trực tuyến bộ điều khiển RFNNC [159]. Hình 3.45: a) Tín hiệu điều khiển thực nghiệm #2; b) Kết quả nhận dạng thực nghiệm #2 Kết quả thực nghiệm bộ điều khiển giám sát RFNNC-PID, kết hợp với bộ nhận dạng RFNNI để điều khiển hệ phi tuyến thực là hệ ổn định lưu lượng chất lỏng RT020, được trình bày trong video [173].