Giả sử với điều kiện ban đầu là x(0)=(-0.15, 0)T.
Điều khiển neuron mờ thích nghi hệ con lắc ngược
Hình 1.27 Hình 1.28
Quĩ đạo trạng thái x1(t) Quỹ đạo tín hiệu điều khiển u(t)
Hình 1.29 Hình 1.30
Sai số ngõ ra bám Eout cho Quỹ đạo trạng thái x1(t) khi dùng điều khiển bám theo giải thuật Singleton
Nhận xét:
Quĩ đạo trạng thái x1(t) bám theo ym khá tốt, tuy nhiên luật điều khiển u(t) cĩ tần số dao động cao.Sai số ngõ ra Eout tiến đến 0 sau 20 giây.
So sánh với mạng neuron mờ singleton:
Trong phần này hàm S-function thực hiện mơ phỏng mạng neuron mờ singleton thay cho giải thuật FHEA.
Kết quả mơ phỏng thu được ở hình 1.30, ta thấy x1 bám theo ym cũng khá tốt khi dùng mạng neuron mờ singleton thay cho giải thuật FHEA. Tuy nhiên so sánh 2 kết quả thu được từ hình 1.27 và hình 1.30 ta thấy dùng giải thuật FEHA tốt hơn dùng mạng neuron mờ Singleton.
5. Kết luận:
Tĩm tắt kết quảđiều khiển neuron mờ với giải thuật FHEA cho hệ con lắc ngược được đề nghị.
1. Trong sơ đồ điều khiển neuron mờ hệ con lắc ngược , hàm phi tuyến f và g được xấp xỉ bằng mạng neuron mờ dựa trên tiếp cận sai số ngõ ra mờ phân cấp . Mạng neuron mờ FHEA được học và huấn luyện trước dựa vào tập mẫu vào ra trong cách thức không trực tuyến.
2. Giá trị trọng số là phi tuyến vì hệ con lắc ngược là phi tuyến , f và g phi tuyến theo.
3. Kết quả mô phỏng đã chứng minh rằng giải thuật FHEA có thể cải thiện tính hiệu quả của xấp xỉ bám theo cho hệ phi tuyến chưa biết. Với nhiễu tiền định, ngõ ra còn bám theo tín hiệu mong muốn. Nếu đưa vào nhiễu ngẫu nhiên thì điều khiển bám theo mất ổn định.
4. Bộ điều khiển neuron mờ cho kết quả mô phỏng tốt trong giới hạn trọng lượng con lắc m và chiều dài con lắc L=2l: m thay đổi từ 0.1kg đến 0.3kg, và L thay đổi từø 1m đến 5m.
5. Kết quả dùng giải thuật FHEA cho kết quả mô phỏng tốt hơn và nhanh hơn dùng mạng neuron mờ singleton.