3.4. Nhận dạng chuyển động của hệ cầu trục sử dụng mạng nơron mờ
3.4.2. Nhận dạng gúc lệch hệ cầu trục sử dụng mạng nơron mờ α
Trong quỏ trỡnh di chuyển, nõng hạ hàng hoỏ của cầu trục, tải trọng và cỏp treo thường dao động và tạo với phương thẳng đứng một gúc α nào đú (xem hỡnh 3.7) và α chớnh là một chỉ số quan trọng ảnh hưởng đến năng suất và độ chớnh xỏc làm việc của hệ điều khiển tự động cầu trục. Đặc biệt khi gúc dao
động quỏ lớn cú thể gõy ra cỏc tai nạn lao động như đứt cỏp, rơi vói hàng hoỏ, độ dừng chớnh xỏc khi lắp đặt thiết bị … gõy nguy hiểm tới tớnh mạng của con người nếu gúc dao động α >α cho phộp. Vậy bài toỏn nhận gúc dao động của hệ cầu
trục ngoài ý nghĩa phục vụ cho việc điều khiển hệ cầu trục, cũn cú thể phục vụ cho việc phõn tớch hệ thống. Sau đõy luận văn sẽ sử dụng mạng nơron mờ để nhận dạng gúc dao động một thụng số quan trọng của điều khiển hệ cầu trục.
Hệ (3.24) được mụ phỏng bởi sơ đồ hỡnh 3.8 trong simulink của phần mềm Matlab. Giỏ trị vào duy nhất của hệ là giỏ trị điện ỏp U cấp cho động cơ truyền động hệ cầu trục, với cỏc thụng số cho trước của hệ như trờn hỡnh 3.8, giỏ trị ra là gúc dao động của hệ.
Tập giỏ trị vào-ra được thu thập bằng đoạn chương trỡnh trong Matlab: >> open_system('MP1');
>> [t,x,u,y]=sim('MP1');
giỏ trị vào ra được thể hiện như hỡnh 3.9.
Thực hiện lựa chọn cỏc tớn hiệu vào phự hợp cho nhận dạng hệ thống, quỏ trỡnh này được thực hiện bằng đoạn chương trỡnh sau:
input = [[0; y(1:1000)] ... [0; 0; y(1:999)] ... [0; 0; 0; y(1:998)] ... [0; 0; 0; 0; y(1:997)] ... [0; u(1:1000)] ... [0; 0; u(1:999)] ... [0; 0; 0; u(1:998)] ... [0; 0; 0; 0; u(1:997)] ... [0; 0; 0; 0; 0; u(1:996)] ... [0; 0; 0; 0; 0; 0; u(1:995)]]; data = [input y];
data(1:6, :) = [];
input_name = str2mat('y(k-1)','y(k 2)','y(k 3)','y(k 4)','u(k 1)','u(k 2)',…- - - - - 'u(k 3)','u(k 4)','u(k 5)','u(k 6)');- - - -
trn_data = data(1:300, :); chk_data = data(301:600, :);
[input_index, elapsed_time]=seqsrch(3, trn_data, chk_data, input_name); fprintf('\nElapsed time = %f n', elapsed_time); \
winH1 = gcf;
- -
Cỏc đầu vào phự hợp nhất cho nhận dạng gúc lệch α là: y(k 1), y(k 2), u(k-1) với giỏ trị RMSE = 0.004.
Thực hiện mụ hỡnh hoỏ hệ bằng hệ suy luận mờ sau: Ri : Nếu y(k-1) là Aj và y(k 2) là Bk - và u(k 1) là Cs -
Thỡ y(k) là a0i + a1iy(k-2) + a2iy(k-1) + a3iu(k 1).- với i = 1,..,27, j = 1,..3, k = 1,..,3, s = 1,…,3
cỏc tập mờ Aj, Bk, Cs, cú cỏc hàm liờn thuộc dạng hàm Gauss. Sử dụng mạng
nơron mờ cú cấu trỳc như hỡnh 3.1 để nhận dạng hệ thống. Tổng số cỏc thụng số cần ước lượng của mạng là 108 thụng số trong 27 mệnh đề kết luận “thỡ” của hệ suy luận mờ. Sử dụng cỏc cụng thức (3.3) (3.10) để luyện mạng, phần mềm ữ huấn luyện cú thể xem phụ lục, kết quả thu được sau 100 lần học như sau:
Kết luận: Do hệ cầu trục (3.24) cú tớnh phi tuyến mạnh nờn cũn tồn tại sai khỏc trong cỏc đồ thị hỡnh 3.10 và 3.11. Tuy nhiờn sai số này là nhỏ và cú thể chấp nhận được, hơn nữa cũng cú thể giảm sai số bằng nhiều cỏch khỏc nhau như tăng
số lần học cho mạng, tăng số tập mờ cho cỏc tớn hiệu đầu vào, thay đổi hệ số học phự hợp, sử dụng phương phỏp huấn luyện khỏc…Do vậy cú thể núi là mạng nơron mờ đó nhận dạng được thụng số gúc lệch α của hệ cầu trục.
Như vậy cú thể thấy rằng: với một mụ hỡnh gúc dao động là hệ phi tuyến α phức tạp như hệ (3.14) cú thể hoàn toàn nhận dạng nhanh chúng bằng hệ nơron mờ tương ứng. Kết quả nhận dạng cú thể đạt độ chớnh xỏc tuỳ ý khi tăng số lần học, số tập mờ, lựa chọn bước học túi ưu…Trong thực tế ứng dụng kỹ thuật thỡ với một độ dao động αcho phộp, ta cú thể xỏc định được số lần học cực tiểu để thời
gian học đỏp ứng thời gian điều khiển thực. Cỏc kết quả nhận dạng này cú thể nghiờn cứu ứng dụng để xõy dựng cỏc hệ điều khiển cầu trục hiện đại