Cuối cùng, quá trình ước lượng và đánh giá mơ hình dược thực thi đe xác định mơ hình dự báo NNARX. Hình 3.13 mơ tả tốc độ hội tụ của các thuật toán BP. DẸ HDE và MDE dựa vào giá trị trung bình sai số MSE trong quá trình huấn luyện. Bàng 3.7 mơ tá chất lượng nhận dạng dùng mơ hình NNARX với các thuật tốn huấn luyện BP. DẸ HDE và MDẸ Dựa vào kết quà nhận dạng, chúng ta thấy ràng chất lượng nhận dạng dùng mơ hình NNARX với thuật tốn huấn luyện MDE cho kết quả tốt về tiêu chí sai số nhận dạng và thời gian tính tốn. Hình 3.14 biểu dien ket q nhận dạng và giá trị sai sổ giừa ngõ ra thực và ngõ ra dự báo dùng mơ hình MDE-NNARX.
Generation
Bàng 3.7 Chất lượng nhận dạng cùa mơ hình NNARX, với (3.6)
Phương pháp
MSE Thòi gian
(gị&L—
Huân luyện Đánh giá
Tốt nhất Xấu nhất Trung bình Trung bình Trung bình MDE 2.93C-4 9.00C-4 5.376-4 6.41e-4 110.5
HDE 3.45C-4 6.45C-4 4.99e-4 7.49e-4 826.14 DE 0.0058 0.0168 0.0093 0.0182 75.62
BP 0.0114 0.0189 0.0150 0.0171 8.06
time [sec] time [sec]
i 0.2 0 /•'p' 0.2 0 ' ■ ' ĩ ■■ ị 1 Ị Ị J : -Ọ2 10 20 30 40 50 c„ -0-2. 10 Á 30 1 40 50
Hình 3.14 Đánh giá mơ hình cho hệ (3.7): (a) dự báo, (b) mơ phông
Tác giả Subudhi và các cộng sự ở bài báo 116| đã đề xuất sư dụng thuật toán ODE (Opposition based Differential Evolution) đề huấn luyện mạng nơ rôn truyền thẳng ứng dụng trong nhận dạng hệ phi tuyến mô tả (3.7). Sai số nhận dạng dùng mơ hình ODE-NNARX dược mỏ tã ở hình 3.15. Kct q nhận dạng dùng thuật tốn MDE trong bài báo này tốt hơn khá nhiều khi so sánh với phương pháp ODE ờ bài báo 116].
3.5.3 Nhận xét
Kct quã kiểm chứng mơ hình nhận dạng NNARX trên một số hộ phi (uyển cho chúng ta (háy rang:
- Chất lượng nhận dạng của mơ hình NNARX phổi hựp với thuật tốn tiến hóa vi sai bị rác động bởi các yếu lổ như số no rôn lớp án, giá trị khởi tạo và giá trị ngưỡng của các trọng so mụng, kích thước quan thể NP, số thế hệ huấn luyện GEN.
- Mơ hình NNARX phối hợp với thuật tốn tiến hóa vi sai dã nhận dạng thành công cho các hệ phi luyến SISC) khác nhaụ Đây là cơ sờ cho việc sử dụng mơ hình này đe nhận dạng, dự báo đặc tính dộng học của các đổi lượng phi luyến trong ihực tiền mà chi cần biết trước các thông tin về tín hiệu vào-ra của hệ thống.
- Thuật tốn MDE đã cài thiện chất lưựng huấn luyện mơ hình NNARX ứng dụng trong nhận dạng hộ phi tuyến một cách đáng ke khi so sánh với phiên bàn thuật toán lien hóa vi sai cơ bán DẸ Riêng về tiêu chí thời gian tính tốn thì thuậl tốn MDE cho kếl quã vượt trội khi so sánh với thuật toán HDẸ Thuật tốn MDE huẩn luyện mơ hình nhận ạng NNARX cho kết quà lốt hơn khi so sánh với các thuật toán huấn luyện khác như BP. DẸ HDE và ODE [16].
- Mơ hình NNARX phối hợp với thuật tốn tiến hóa vi sai thực sự rất tốt khi dùng để dự báo đặc tính của hệ phi tuyến dựa trên tín hiệu vào ra trong quá khử. Điều này dã dược chứng tó qua các kết quã dự báo chính xác trong việc đánh giá mơ hình nhận dạng dùng phương pháp dự báọ
3.6 Kot luận
Chương 3 đã trình bày cấu trúc mơ hình nơ rơn MLP và các thuật tốn tiến hóa dược sứ dụng đề huấn luyện mạng như DE và MDẸ Sau đó, mơ hình dự báo NNARX trên cơ sờ kết hợp mạng MLP và mơ hình hồi quy NARX được sử dụng đề nhận dạng hệ phi tuyến. Các kết quá kiềm chứng nhận dạng cho các hệ phi tuyến SISO đã chửng tị hiệu q cùa mơ hình đề xuất. Chương tiếp theo sè sử dụng khả năng dự báo cùa mơ hình NNARX đề xác định mơ hình ngược dự báo trong thiết ke bộ điều khiển thích nghi cho hệ phi tuyến.
CHƯƠNG 4 OIÈƯ KHIẾN VỊ TRÍ GĨC QUAY TAY MÁY PAM
4.1 Tay máy PAM
4. í. I Giới thiệu
Sợi cơ nhân tạo PAM - Pneumatic Artificial Muscle được sứ dụng rộng rãi với vai trò là thiết bị truyền động trong nhiều ứng dụng khác nhau như người máy - humanoid robot [18]; robot cá - Aqua Ray dược phát triển bởi công ty Festo: robot trợ lực - cxoskclclon,[216ị; công nghiệp hàng không [211 và các ứng dụng khác |22], [23]. Sợi PAM được phát triển lần đẩu vào năm 1950 với tên gọi McKibben Artificial Muscles được sử dụng trong các chi nhân tạo |24|. Năm 1988 công ty Bridgestone Rubber - Nhật Bàn đã thương mại hóa sợi PAM ứng dụng trong lĩnh vực robotic [25]. Gần đáy, thiết bị truyền động dùng sợi cơ nhân tạo PAM cùa hãng Festo đà được sử dụng rộng rãi trong các ứng dụng về người máy, hình 4.1. Người máy thuộc họ robot song song là một cấu trúc gồm nhiều chuồi động kín với một nhóm các trục và cơ cấu lác động cuoi mac song song nhaụ
Hình 4.1 Sợi cơ nhân tạo Feslo-PAM ứng dụng người máy
Cấu tạo sợi PAM gồm một ống rồng được bao quanh bời một lớp võ bện lưới, mô tả chi tiết ở hình 4.2. Dưới tác động cùa khí nén, sựi PAM sổ co gián giống như sự đàn hồi của lị xọ Với cấu hình vật lý như trên, sợi PAM sờ hừu đặc lính phi luyến, có lính
đàn hồi thụ động, hình dạng vật lý thay đổi linh hoạt và trọng lượng khá nhẹ khi so sánh với các loại thiết bị truyền động khác.
1C00 500? 1500 0. 1 I*’ Ịù.Miĩisniiìĩ •5 3 0 10 15 20 ■ + ob*( * o I ter ' o 2 ter ' • A J ter • iter 1 V $ ter ‘ 0 6 ter • Ỵ- ♦ • - - ã ã ô - A ã ãã ã A • rĩ Ị ’ • • • & Ã ị 25 30 M%] 0 Ị 5
Hình 4.2 Cấu tạo sợi cơ nhân tạo Festo-MAS-20, [261
Hiện nay, có nhiêu nghiên cứu khác nhau quan tâm đen việc điêu khiên chính xác chuyển động cơ cấu chắp hành dùng sợi PAM. Các bộ diều khiển thiết ke dựa trên mơ hình tốn học như [27], dựa trên mó hình tuyến tính với các tham sơ dược nhận dạng dựa trên dữ liệu vào-ra thực nghiệm [281, [291 đã được phát triển đế điều khiển cơ cáu chấp hành PAM. Tuy nhiên, sợi PAM có đặc tính phi tuyến mạnh và nhạy với các lác dộng của môi trường làm việc như nguồn áp xuất, nhiệt độ nên các bộ điều khiển này bị giới hạn trong vùng làm việc nhất định. De khắc phục các nhược điểm này, các bộ điều khiển dựa trên kỳ thuật lính tốn mềm được quan tâm nghiên cứụ Chẳng hạn như bộ điều khiển dựa vào mạng nơ rôn (30|, [31], bộ điều khiển PID nâng cao với các tham số được chinh định bới mạng nơ rôn [32], bộ điều khiến mờ thích nghi [33], [34], bộ điểu khiển lai nơ rơn-mờ [35|-137| đã được sư dụng đe kiểm sốt chuyển động cùa cơ cấu chấp hành dùng sợi PAM.
4.1.2 Mơ hình thực nghiệm
Sơ đồ khối mơ hình thực nghiệm hệ tay máy song song PAM dược mơ lả như hình 4.3, hình ảnh thực te mơ hình được trình bày Ư hình 4.4. cấu tạo mơ hình tay máy song song PAM bao gồm 2 sợi cơ nhân tạo Hesto-MAS-20 phối hợp với 2 Bias Spring tạo các khớp quay tay máy, 2 van li lệ EV-2500-008 cung cấp áp điều khiển sợi PAM, 2 encoder tương đối xác định góc quay lay máy, card thu thập dữ liệu và dicu khiên NI
PCI 6221, nguồn cấp khí nén và máy lính có cài đặt phần mcm Matlab. Các thơng số thiết bj của mơ hình thực nghiệm tay máy PAM được mơ tả ở bâng 4.1.
Hình 4.3 Sơ đồ khối mơ hình tay máy song song PAM
Hình 4.4 Sư đồ khối mơ hình tay máy song song PAM
* Z A • * t * —
Bâng 4.1 Thơng sơ các thict bị mơ hình tay máy song song PAM
TT Thiết bị Thông số
1 Festo MAS 20
- Chiều dài sợi PAM: 22 cm - Áp lực: 0-8 bar
- Kha năng co giãn cực đại: 5.5 cm 2 Rotary
encoder
- Encoder tương đoi ROD 426 của cóng ty Heidenhain Companỵ
- Độ phân giãi: 2500 xung/vỏng quay - Nguồn cấp: 5Vi 10%
3 Van li lệ EV- 2500-008
- Nguồn cáp: 0-24 V
- Điện áp điều khiển: 0-10 V
- Tầm áp suất hoạt động: 0-0.49 Mpa - Độ phân giải: 0.5% F.S
Mơ hình lay máy song song PAM là hệ phi luyến MIMO với 2 ngõ vào là điện áp cấp cho 2 van EV-2500 dể diều khiển 2 sợi PAM MAS-20. 2 ngõ ra là giá trị góc quay của lay máỵ Bàng 4.2 mơ là các thơng số vật lý của mơ hình tay máy song song PAM .
Bâng 4.2 Thông số vật lý lay máy song song PAM
Thơng sơ Giá trị Dơn vị
Kích (hước thanh 1 15 em
Kích (hước (hanh 2 20 em
Khống cách giửa 2 khớp quay 20 em
Dường kính bánh răng 3 em
Khống cách dịch chuyển tối đa cùa PAM 5.5 em
Điện áp điểu khién 0-10 V
4.2 Bộ diều khiển thích nghi PID-ĨNN
4.2.1 Giói thiệu
Hệ thống phi tuyến với các yếu tố bất định và nhiều động rất khó điều khiến chính xác hệ thống. Có nhiều hướng tiếp cận dã dược phát triển đẻ thiết ke bộ điều khiến. Chảng hạn như phương pháp lịch trình độ lựi [381 dã luyến tính hóa đối tượng quanh diem làm việc và thiết ke các bộ điều khiển luyến tính khác nhau tại các điểm làm việc nàỵ Phương pháp này khá dơn giản và thường hiệu quà, nhưng trong một so úng dụng mơ hình ước lượng tuyến tính khơng đám bảo điều khiển chính xấc hộ thống. Một trong những kỹ thuật diều khiển nâng cao dược sử dụng đè khắc phục nhược diêm cùa phương pháp hoạch định độ lợi đó là dựa trên mó hình động học ngược hệ thống, |39[. Trong các nghiên cứu này, hai vòng hoi liếp dã dược sử dụng dó là: (i) vịng hoi tiêp trong sừ dụng mơ hình động học ngược cùa hệ thống de loại trừ lính phi tuyến của đối tượng; (ii) vịng hồi tiếp ngồi sử dụng bộ điều khiển tuyến lính de hỗ trợ diều khiến chính xác đổi lưựng trong trường hợp mơ hình ngược khơng phù hợp.
Tuy nhiên, mồ hình ngược giải tích của hệ thống phi tuyến thường khơng xác định dược. Do đó, các nghiên cứu [25-271 dã de xuất sừ dụng mạng nơ rơn de nhận dạng mơ hình ngược và điều khiến đối tượng. Việc sử dụng mạng nơ rôn làm giảm tính phức tạp cùa phương pháp giãi tích và cái thiện sự chính xác cua mơ hình ngược. Mơ hình ngược sau khi nhận dạng có the được sữ dụng trực tiếp đe điều khiên đối tượng, mô tả ờ hình 4.5.
Hình 4.5 Điều khiến ngược live tiếp dựa vào mơ hình nơ rơn
Trong trường hợp mơ hình nơ rơn ngược khơng nhận dạng chính xác đặc lính động học ngược của đối tượng hoặc đặc lính động học của hệ thống bị thay đổi trong quá trình làm việc thì kết q diều khiển sẽ khơng cịn chính xác nữa vì các trọng số mơ hình nơ rơn ngược khơng được hiệu chinh trong q trình điều khiển dối tượng.
Đê khăc phục nhược diem nàỵ việc hiệu chinh thích nghi các trọng sơ của mơ hình nơ rơn ngược càn được quan tâm. Theo hướng nghiên cứu này, vân đê thiết kè bộ diêu khiển thích nghi dựa trên mơ hình nơ rơn ngược MDE-NNARX cùa đối tượng can được quan tâm nghiên cứụ
4.2.2 Diều khiên thích nghi (lựa vào mơ hình nơ rơn ngược 4.2.2 . Ị Giới thiệu
Vấn đề cập nhập trụng số của mơ hình nơ rơn ngược trong q trình điêu khiên đối tượng dược quan lâm nghiên cứu khá nhiềụ Nghiên cứu [40] dã dề xuất cập nhập online bộ điều khiên bang cách cực tiêu sai sơ giữa tín hiệu ra mong mn và tín hiệu ra của hệ thống, hình 4.6.
Hình 4.6 Sơ đồ khối bộ điều khièn thích nghi trực tiếp Hàm chi phí được định nghĩa như sau:
£ = 2^, = 2^~^! (4I)
Các trọng số mơ hình ngược ĨNN được cập nhập online, trong đóẤ > 0 là toe độ học:
Aw= w(/n?w)— — (4.2)
ờw
Trong dó: = = (4.3)
íhr dvp dw ờuK/i
Dựa vào phương trình (4.3), chúng ta thay rang bộ diều khiên thích nghi trực tiếp chi thực thi được trong trường hợp đối tượng diều khiền được biết để mà Jacobian động hục của đoi tượng, nghĩa là dy/dul!M được xác định. Tuy nhiên, phương pháp điều khiển này sẽ không dảm bao on định vì mơ hình dộng học cùa đoi lượng không luôn luôn ổn dịnh, thực le dối tượng điều khiên thường không xác định được. Trong trường hợp này, Jacobian động học cùa dối lượng có the dược xác dịnh dựa Irán mơ hình nhận dạng dùng mạng nơ rịn, [41]. Bộ điều khiển thích nghi gián tiếp sữ dụng 2 mơ hình nơ rơn: I mơ hình nơ rơn được dùng để nhận dạng, I mơ hình nơ rơn được dùng để điều khiển, hình 4.7.
Theo các nghiên cứu [41], [42], bộ điều khiến ngược thích nghi gián tiếp thực sự không tin cậy khi diều khiển các hệ phi luyến M1MO phức tạp bởi vì mơ hình nơ rón dùng de điều khiển và mơ hình nơ rơn khi nhận dạng có thể có tốc độ hội tụ khác nhau, từ đó mơ hình nơ rơn nhận dạng có thể cung cấp thơng tin sai về Jacobian động học của đoi tượng. Đe khẳc phục các nhược điềm về tính ổn định và sai số do động học Jacobian gây ra, bộ điều khiển học FEL (Feedback Error Learning) đã được quan tâm nghiên cứụ
4.2.3 Hộ điều khiển FEL
Bộ diều khiến FEL được đề xuất lần đầu bời Kawato [43] có cấu trúc dược mơ tà như ờ hình 4.8. Trong sơ đồ điều khiển này, bộ điều khiến học FEL bao gồm 2 thành phần: - Bộ diều khiển thuận, ký hiệu FFC được thiết kế dựa trên mơ hình ngược cùa đối
lượng. Tuy nhiên, trong thực tế mồ hình ngược giải tích cùa đối lượng thường không xác định được. Kawato [43] đã sử dụng mạng nơ rôn truyền thẳng đa lớp MLP đe nhận dạng mơ hình ngược đổi tượng. Tín hiệu ra cùa bộ điều khiển thuận sè được ghép nối với bộ điều khiển phản hồi CFC.
- Bộ điều khiên phân hồi CFC: tín hiệu ra cũa bộ điều khiến CFC được xem như là sai so học và dược sử dụng để huấn luyện bộ điều khiến thuận. Hơn nữa, bộ điều khiến CFC cịn đóng vai trị bù tín hiệu điều khiển do nhiễu tác động lên đối lượng.
Hình 4.8 Sơ dồ khối bộ điều khicn FEL
Trong điều khiển FEL, bộ điều khiển CFC có vai trị đảm bảo ổn dinh tiệm cận loàn cục cùa toàn bọ hệ thống. Thông thường bộ điều khiến CFC thường sừ dụng là bộ điều khiển PĐ hoặc PID.
Bộ điều khiển FEL dã được áp dụng thành công trong nhiều ứng dụng như [44]-[481 và dặc biệt khi mơ hình dộng học dối lượng rất khó đe mơ hình hóạ Phiên bân đẩu lien VC bộ điều khiển FEL của Kawato cho chất lượng diều khiển khá thú vị. Nhưng các đặc diem ben dưới làm cho bộ điều khiển FEL có một số hạn che nhất định. Chảng hạn như:
- Khả năng xấp xi chính xác của mạng nơ rôn MLP.
- Khả năng hội tụ chậm và dễ dàng rơi vào điểm cực trị cục bộ cúa thuật toán lan truyền ngược BP trong nhận dạng và điều khiển.
Để khắc phục các nhược điềm của bộ điều khiển FEL, các nghiên cứu khác nhau đã đề xuất một số phương án như:
- Kawato và các cộng sự [49], Er và các cộng sự [50| dã đề xuất thêm tín hiệu sai sổ giừa tín hiệu đặt và tín hiệu mơ hình thực vào ngõ vào của bộ xấp xi ngược dùng mạng nơ rôn. Kei quà thực nghiệm dã chứng tò chất lượng tốt hơn của phương án