Hình 5.3: Tín hiệu vị trí xe
Hình 5.5: Tín hiệu gĩc teta (link )
Hình 5.7: Tín hiệu gĩc teta (link 2)
5.3 Thiết lập sơ đồ tạo m u huấn luyện mạng neuron 5.3.1 sơ đồ khối ]huấn luyện mạng neuron
Hình 5.9: Sơ đồ khối tạo mẫu huấn luyện mạng neuron
5.3.2 Kết quả nhận đƣợc
Hình 5.11: Tín hiệu nhận dạng vị trí xe
Hình 5.12: Tín hiệu gĩc teta
Hình 5.14: Tín hiệu gĩc teta 2
Hình 5.15: Tín hiệu nhận dạng gĩc teta 2
5.3.3 Kết quả nhận đƣợc khi cĩ tín hiệu nhiễu
Hình 5.17: Tín hiệu nhận dạng vị trí xe
Hình 5.18: Tín hiệu gĩc teta
Hình 5.20: Tín hiệu gĩc teta 2
Hình 5.21: Tín hiệu nhận dạng gĩc teta 2
5.3.4 Nhận xét
- Dạng sĩng tín hiệu vị trí xe, gĩc teta 1, gĩc teta 2 của đơi con lắc bộ nhận dạng mạng neuron cho ra tín hiệu tƣơng ứng, sau khi cĩ tín hiệu nhiễu tác động vào thì kết quả sĩng nhận dạng khơng cĩ thay đổị Nếu tín hiệu nhiễu lớn thì mức độ đáp ứng cĩ sai số nhỏ. Chứng tỏ bộ nhận dạng mạng neuron chƣa đáp ứng tốt lắm.
5.4 Thiết lập sơ đồ simulink mạng neuron điều khiển tối ƣu đơi con lắc ngƣợc ngƣợc
5.4.1 Sơ đồ khối mạng neuron điều khiển tối ƣu đơi con lắc ngƣợc
5.4.2 Kết quả mơ phỏng
Hình 5.23 : vị trí xe sau huấn luyện
Hình 5.24 : tín hiệu vận tốc xe sau huấn luyện
Hình 5.26 : tín hiệu vận tốc gĩc teta (link ) của con lắc thứ sau huấn luyện
Hình 5.27 : tín hiệu gĩc teta 2 sau huấn luyện
5.5 Sơ đồ khối so sánh kết quả điều khiển mạng neuron và bộ điều khiển tồn phƣơng tuyến tính LQR. tồn phƣơng tuyến tính LQR.
5.5.1 Sơ đồ khối so sánh
Hình 5.29 : Sơ đồ khối so sánh kết quả điều khiển mạng neuron huấn luyện và bộ điều khiển tồn ph ơng tuyến tính LQR.
5.5.2 kết quả so sánh
Hình 5.30 : tín hiệu điều khiển của bộ điều khiển LQR
Hình 5.31: tín hiệu điều khiển của mạng neuron sau huấn luyện
5.5.3 Nhận xét (adsbygoogle = window.adsbygoogle || []).push({});
- Qua kết quả mơ phỏng sử dụng bộ điều khiển LQR kết hợp nhận dạng mạng neuron cho bộ điều khiển nhằm tối ƣu tín hiệu điều khiển để sai số bằng khơng, kết quả cho thấy tín hiệu của xe cĩ thời gian đáp ứng chậm, cịn link 1 (teta 1) cĩ thời gian khỗng 4S, link 2 (teta 2) cĩ thời gian khỗng 9S, nhƣng kết quả khi điều khiển chƣa huấn luyện thì link 1 (teta 1) cĩ thời gian khỗng 8S, link 2 (teta 2) cĩ thời gian khỗng 10S. Nhƣ thế cho thấy khi sử dụng bộ điều khiển tối ƣu vẫn cho ta đáp nhanh hơn. Ở đây, chƣa đạt điều mong muốn là sai số ngỏ ra của đối tƣợng phải bằng khơng. Vì vậy bộ điều khiển chƣa tối ƣu tuyệt đốị
CHƢƠNG 6
KẾT LUẬN
VÀ HƢỚNG PHÁT TRIỂN ĐỀ TÀI
6.1 Kết luận
Trong quá trình thực hiện luận văn ngƣời thực hiện rút ra đƣợc những kinh nghiệm thực tế và cũng cố lý thuyết trong quá trình học, cĩ thể rút ra một điều là nhờ vào lý thuyết điều khiển tự động mà chủ yếu ở đây là lý thuyết mạng neuron và điều khiển thích nghi chúng ta dễ dàng điều khiển đƣợc các đối tƣợng khác nhau và kết quả mơ phỏng trên lý thuyết gần sát với thực tế.
Trong quá trình xây dựng mơ hình cho đối tƣợng trên matlab/simulink cũng mất nhiều thời gian để tìm hiểu và áp dụng ứng từ lý thuyết sang mơ hình mơ phỏng
6.1.1 Kết quả đạt đ ợ
- Từ lý thuyết điều khiển neuron và lý thuyết điều khiển thích nghi, cơ sở lý thuyếtt tối ƣu về bộ điều khiển LQR , Tác giả đã tìm hiểu về sự kết hợp nhận dạng thơng số đối tƣợng của mạng neuron để điều khiển đơi con lắc ngƣợc.
- Xây dựng đƣợc sơ đồ mơ phỏng trên Matlab/Simulink thu đƣợc kết quả kiểm nghiệm hệ thống điều khiển đơi con lắc ngƣợc bằng bộ LQR, và mạng neuron nhận dạng, thấy sự chênh lệch về thời gian đáp ứng nhanh hơn của bộ điều khiển khi khơng cĩ mạng neuron nhận dạng.
6.1. Hạn hế ủa đề tài
Chƣa xây dựng hệ thống điều khiển tối ƣu tuyệt đối cho giá trị sai số bằng khơng của đơi con lắc ngƣợc.
Chƣa đƣợc sử dụng các phƣơng pháp điều khiển khác nhau để thực hiện so sánh kết quả với đề tàị
Cĩ thực hiện mơ hình thực tế để kiểm nghiệm kết quả của việc mơ phỏng nhƣng chƣa chạy đạt theo yêu cầu của luận văn. Nguyên nhân là khi thực hiện mơ hình thực địi hỏi kinh nghiệm cao về kỹ thuật cơ khí, kết cấu về hệ thống, độ chính xác của cảm biến, card điều khiền..v.v.v…Ngồi ra cịn gặp khĩ khăn trong việc xác định lại các thơng số của hệ thống từ mơ hình thực tế nhƣ: khối lƣợng xe, con lắc 1, con lắc 2, trọng tâm các con lắc,..v.v.v…
6.2 HƢỚNG PHÁT TRIỂN CỦA ĐỀ TÀI
Từ những phân tích hạn chế của đề tài, tác giả đề nghị các hƣớng phát triển tiếp theo nhƣ sau:
- Sử dụng Card điều khiển bằng phần mềm Matlab hay Labview để điều khiển mơ hình đơi con lắc ngƣợc, từ đĩ ta dễ dàng nhúng giải thuật điều khiển (điều khiển logic mờ, điều khiển thích nghi, điều khiển bền vững, điều khiển tối ƣu MRAS, điều khiển sử dụng mạng neural) để điều khiển đối tƣợng, từ đĩ giúp ngƣời học dễ dàng tiếp thu hơn.
- Xây dựng nhiều thuật tốn điều khiển khác nhau để điều khiển đơi con lắc ngƣợc.
- Thực hiện mơ hình thực tế điều khiển đơi con lắc ngƣợc để kiểm nghiệm kết quả thu đƣợc với kết quả mơ phỏng.
MỤC LỤC
Chƣơng 1: TỔNG QUAN
1.1 Đặt vấn đề ……….…………1
1.2 Chọn lựa mơ hình điều khiển đối tƣợng ……….………..………….1
1.3 Nhiệm vụ của luận văn ……….…………..………….3
1.4 Hƣớng giải quyết luận văn……….………….………….4
1.5 Nội dung đề tài ………..……….……..……….4
Chương 1: Tổng quan……….……….……….4
Chương 2: Cơ sở lý thuyết điều khiển mạng Neuron và điều khiển thích nghi……….…..………..4
Chương 3: Cơ sở lý thuyết bộ điều khiển LQR …….………..…..……...4 (adsbygoogle = window.adsbygoogle || []).push({});
Chương 4: Mơ hình tốn học của đơi con lắc ngược ………….……..…..…..4
Chương 5: Thiết lập sơ đồ điều khiển đơi con lắc ngược và kết quả mơ phỏng ……….5
Chương 6: Kết luận………...………..….5
Chƣơng 2: CƠ SỞ LÝ THUYẾT MẠNG NEURON VÀ ĐIỀU KHIỂN THÍCH NGHI 2.1 Các khái niệm cơ bản .……….…….………...6
2.1.1 Khái niệm ………...………6
2.1.2 Mạng neuron nhân tạo(artificial neural networks, ANN)...6
2.1.3 Mơ hình kết nối của mạng neuron nhân tạọ...8
2.2 Mạng truyền thẳng nhiều lớp và giải thuật học lan truyền
ngƣợc………..13
2.2.1 Cấu trúc mạng……….………..13
2.2.2 Giải thuật học lan truyền ngược (Back-propagation Algorithm)…...14
2.3 Cơ sở lý thuyết Điều khiển thích nghi ……….……...17
2.3.1 Định nghĩa ………..………....………..17
2.3.2 Hệ thích nghi mơ hình tham chiếu (MRAS )..……….…...17
2.3.2.1 Sơ đồ chức năng..………...…...17
2.3.2.2 Luật MIT (Massachusetts Institude Technology)..………...…...19
2.3.3 Nội dung phương pháp thiết kế MRAS...………..….…...23
2.3.4 Thiết kế MRAS dùng lý thuyết ổ định Lyapunov ...…………...…...30
2.3.4.1 Phương pháp thứ hai của Lyapunov...……...…...31
Chƣơng 3: CƠ SỞ LÝ THUYẾT BỘ ĐIỀU KHIỂN LQR ( Linear Quadratic Regulator ) 3.1 Khái quát chung ……...………..33
3.2 Thiết kế luật điều khiển ………...………..……...35
3.3 Bộ điều chỉnh tồn phƣơng tuyến tính……….…………...36
3.4 Điều khiển mạng nơron + LQR/SDRE………...….…………...39
Chƣơng 4: MƠ HÌNH HỆ THỐNG ĐƠI CON LẮC NGƢỢC 4.1 Mơ hình đơi con lắc ngƣợc ………..………...42
4.2 Các thơng số mơ hình đơi con lắc ngƣợc ………..……..……….43
4.3 Mơ hình tốn của hệ đơi con lắc ngƣợc ………...…...……….43
Chƣơng 5: THIẾT LẬP SƠ ĐỒ ĐIỀU KHIỂN
ĐƠI CON LẮC NGƢỢC VÀ KẾT QUẢ MƠ PHỎNG
5.1 Giao diện chính của chƣơng trình điều khiển đơi con lắc ngƣợc..……51
5.2 Thiết lập sơ đồ simulink bộ điều khiển LQR để điều khiển đơi con lắc ngƣợc ………..……….…..52 (adsbygoogle = window.adsbygoogle || []).push({});
5.2.1 Sơ đồ simulink bộ điều khiển LQR .………....…..52
5.2.2 Kết quả mơ phỏng ...…...53
5.3 Thiết lập sơ đồ tạo mẫu huấn luyện mạng neuron ...56
5.3.1 sơ đồ khối huấn luyện mạng neuron...56
5.3.2 Kết quả nhận được...56
5.3.3 Kết quả nhận được khi cĩ tín hiệu nhiễụ...58
5.3.4 Nhận xét...60
5.4 Thiết lập sơ đồ simulink mạng neuron điều khiển tối ƣu đơi con lắc ngƣợc...61
5.4.1 Sơ đồ khối mạng neuron điều khiển tối ưu đơi con lắc ngược………...61
5.4.2 Kết quả mơ phỏng...62
5.5 Sơ đồ khối so sánh kết quả điều khiển mạng neuron và bộ điều khiển tồn phƣơng tuyến tính LQR. ...64
5.5.1 Sơ đồ khối so sánh...64
5.5.2 kết quả so sánh...65
Chƣơng 6: KẾT LUẬN VÀ HƢỚNG PHÁT TRIỂN ĐỀ TÀI
6.1 kết luận………...67
6.1.1 Kết quả đạt được...67
6.1.2 Hạn chế của đề tàị...68
TÀI LIỆU THAM KHẢO
1. Các tài liệu tham khảo tiếng Việt.
[1] Nguyễn Thị Phương Hà, Huỳnh Thái Hồng , “Lý thuyết điều khiển tự động ”, NXB ĐH Quốc Gia Tp.HCM, 2005.
[2] Huỳnh Thái Hồng, “Hệ thống điều khiển thơng minh”, NXB ĐH Quốc gia TP.HCM, 2006.
[3] Nguyễn Phùng Quang, “Matlab & Simulink Dùng cho kỹ sư điều khiển tự động” ,NXB KH&KT, Hà Nội, VN, 2005.
[4] Nguyễn Thiện Thành, “Mạng Neuron, Nhận Dạng, Dự Báo và Điều Khiển”
[5] Nguyễn Đức Thành, “Matlab và ứng dụng trong điều khiển”, NXB Đại Học Quốc Gia TPHCM, 2004.
[6] Lê Hồi Quốc, “Kỹ thuật người máy phần I - Robot cơng nghiệp”, NXB Đại Học Quốc Gia TPHCM 2005.
2. Các tài liệu tham khảo tiếng Anh.
[1]Katalin M.Hangos, Rozalia Lakner, Miklos Gerzson, “Intelligent Control systems”, Kluwer Academic Publisher,2001.
[2] M. Vidyasagar, “Nonlinear system Analysis”, Prentice Hall, 1993. [3] Simon Haykin, “Neural Networks A Comprehensive Foundation”,
Prentice Hall 1999.
[4]L. X. Wang, “Adaptive Fuzzy Systems and Control”, Prentice-Hall, Englewood Cliffs,1994. (adsbygoogle = window.adsbygoogle || []).push({});
[5] Robin M. Murphy, “Introduction to AI Robotics”, Massachusetts Institute of Technology, 2000.
[6] Katsuhiko Ogata, “Modern Control Engineering”, Third Edition, Prentical Hall, 1997.
[7] Duc Truong Pham and Liu Xing, “Neural Networks for Identification, Prediction and Control”, Springer, 1997.
[8]Frank L.Lewis, Darren M.Dawson, Chaouki T.Abdallah, “Robot Manipulator Control Theory and Practice”, Marcel Dekker, INC, 2004.
[9] ỴG Leu, T.T. Lee, W.Ỵ Wang, “Robust adaptive fuzzy-neural controllers for uncertain nonlinear systems”, IEEE Trans. Robotics Automat. 15 (1999) 805- 817.
3. Các bài báọ
[1] Optimal Control of a Double Inverted Pendulum on a Cart „Alexander Bogdanov‟ Department of Computer Science & Electrical Engineering, Department of Computer Science & Electrical Engineering, T echnical Report CSE-04-006, December 2004.
[2] Dorin Popescu, Dan Selisteanu and Cosmin Ionete, “On Adaptive and Neural Control of a Robot Arm”, University of Craiova, Faculty of Automation, Computer and electronics, Craiovạ
DANH MỤC TỪ VIẾT TẮT
TT Từ viết tắt Diễn giải
1 DIPC Double Inverted Pendulum on a Card
2 NN Neural Network
3 SDRE State – Dependent Ricati Equation 4 DOF Ordinaty Differential Equations 5 LQR Linear Quadratic Regulator 6 ODE Degrees Of Freedom
7 SDC State – Dependent Coefficient
DANH MỤC BẢNG BIỂU
DANH MỤC HÌNH VẼ
Hình 2.1: Cấu trúc một neuron sinh học..………..06
Hình 2.2: Cấu trúc cơ bản của một neuron nhân tạo thứ i ………... 07
Hình 2.3 (a) Mạng truyền thẳng một lớp, (b) Mạng truyền thẳng nhiều lớp ………08
Hình 2.4 : Mơ tả cách học cĩ giám sát ………..………….….…..09
Hình 2.5 : Mơ tả cách học củng cố ………...…………...………..09
Hình 2.6 : Mơ tả cách học khơng giám sát………………... 09
Hình 2.7 Mơ tả luật học thơng số tổng quát cho phần tử xử lý thứ i ...…. 10
Hình 2.8 : Mạng perceptron nhiều lớp (MLP)….……….……... 14
Hình 2.9: : Sơ đồ khối của một hệ thống thích nghi mơ hình tham
chiếu………..…….. ..18
Hình 2.10: Mơ hình sai số ……….……… 19
Hình 2.11: Đáp ứng của ngõ ra y, ngõ ra tham chiếu ym và tín hiệu điều khiển ụ……….. 22
Hình 2.12: Hệ vịng kín với bộ điều khiển tuyến tính tổng quát .…….…. 25
Hình 2.13: (a) Trạng thái cân bằng ổn định (b)Trạng thái cân bằng tiệm cận (c)Trạng thái cân bằng khơng ổn định ……….. 32 (adsbygoogle = window.adsbygoogle || []).push({});
Hình 3.1: Sơ đồ điều khiển của mạng Neural network.……….…... 39
Hình 3.2: Sơ đồ khối điều khiển mạng Neural network + LQR …..….... 40
Hình 4.1 : Mơ hình đơi con lắc ngược ………..………….… 42
Hình 5.1 Giao diện điều khiển chính ……….…51
Hình 5.2 : Sơ đồ simulink bộ điều khiển LQR để điều khiển đơi con lắc ngược ………52
Hình 5.3 Tín hiệu vị trí xe ………..…...….53
Hình 5.4 : Tín hiệu vận tốc gĩc xe ………..53
Hình 5.5: Tín hiệu gĩc teta 1 (link 1)………...………54
Hình 5.6: Tín hiệu vận tốc gĩc teta 1 (link 1)………..54
Hình 5.7 Tín hiệu gĩc teta (link 2)………..……55
Hình 5.8 : : Tín hiệu vận tốc gĩc teta 2 (link 2)………55
Hình 5.9 : Sơ đồ khối tạo mẫu huấn luyện mạng neuron …………..…..56
Hình 5.10 : Tín hiệu vị trí xe ………..….56 Hình 5.11 : Tín hiệu nhận dạng vị trí xe ………57 Hình 5.12 : Tín hiệu gĩc teta 1………57 Hình 5.13 Tín hiệu nhận dạng gĩc teta 1……….57 Hình 5.14 : Tín hiệu gĩc teta 2………..…..………58 Hình 5.15 : Tín hiệu nhận dạng gĩc teta 2...58 Hình 5.16 : Tín hiệu vị trí xẹ...58 Hình 5.17 : Tín hiệu nhận dạng vị trí xe)...59 Hình 5.18 : Tín hiệu gĩc teta 1... 59 Hình 5.19 : Tín hiệu nhận dạng gĩc teta 1...59 Hình 5.20 : Tín hiệu gĩc teta 2………..60 Hình 5.21 : Tín hiệu nhận dạng gĩc teta 2...60
Hình 5.22 : Sơ đồ khối mạng neuron điều khiển tối ưu đơi con lắc ngược ...61
Hình 5.23 : Vị trí xe sau huấn luyện………..62 Hình 5.24 : Tín hiệu vận tốc xe sau huấn luyện……….62 Hình 5.25 : Tín hiệu gĩc teta 1 sau huấn luyện………..62 Hình 5.26 : Tín hiệu vận tốc gĩc teta 1 (link1) của con lắc thứ 1 sau huấn luyện………63 Hình 5.27 : Tín hiệu gĩc teta 2 sau huấn luyện………..63 Hình 5.28 : Tín hiệu vận tốc gĩc teta 2 (link2) của con lắc thứ 2 sau huấn luyện………63 Hình 5.29 : Sơ đồ khối so sánh kết quả điều khiển mạng neuron huấn luyện và bộ điều khiển tồn phương tuyến tính LQR………...64 Hình 5.30 : Tín hiệu điều khiển của bộ điều khiển LQR………65 Hình 5.31 : Tín hiệu điều khiển của mạng neuron sau huấn luyện…….65 Hình 5.32 : Sai số giữa hai bộ điều khiển………65