b) Ý nghĩa thực tiễn
4.2.Thiết kế bộ điều khiển DAFC (Direct Adaptive Fuzzy Controller)cho tay má y
Theo chương 2 đã trình bày, ta có các bước tiến hành thiết kế bộ điều khiển mờ thích nghi trực tiếp như sau:
Tín hiệu điều khiển
Quỹ đạo đặt
Quỹ đạo bám
Số hóa bởi Trung tâm Học liệu 59 http://www.lrc-tnu.edu.vn/
Hình 4.6. Bộ điều khiển mờ thích nghi trực tiếp
Bước 1: Chọn số lượng đầu vào, và miền giá trị
- Đầu vào 1: Sai lệch của tín hiệu điều khiển e(t), miền giá trị
( ) 0.004 0.004
e t = -é ù
ê ú
ë û
- Đầu vào 2: Đạo hàm của sai lệch de(t),miền giá trị
( ) 0.04 0.04
de t = -é ù
ê ú
ë û
Bước 2: Chọn dạng hàm liên thuộc đàu vào: Dạng Sigmoidal và Gaussian lần lượt như sau:
- Dạng Sigmoidal cho hàm thuộc thứ 1,5
( ) ( ) ( ) ( ) 1 5 1 ; 1, 2 1 1 ; 1, 2 1 j j j j j j j j j A a e c j A a e c e j e e j e m m - - - - = = + = = +
- Dạng Gaussian cho hàm thuộc thứ 2,3,4
( ) ( ) ( ) ( ) ( ) ( ) 2 2 2 3 3 3 4 4 4 ; 1, 2 j j j j j j j j j j j j e c j A e c j A e c j A e e e e e e j d d d m m m - - - - - - = = = =
Số hóa bởi Trung tâm Học liệu 60 http://www.lrc-tnu.edu.vn/
Hình 4.7. Hàm thuộc của sai lệch e(t)
Hình 4.8. Hàm thuộc của đạo hàm sai lệch de(t)
Số hóa bởi Trung tâm Học liệu 61 http://www.lrc-tnu.edu.vn/
Bước 4: Xây dựng luật thích nghi (cập nhật tham số)
Số hóa bởi Trung tâm Học liệu 62 http://www.lrc-tnu.edu.vn/
Bước 6: Chạy mô phỏng để lấy kết quả
Bộ lọc đầu vào:
Số hóa bởi Trung tâm Học liệu 63 http://www.lrc-tnu.edu.vn/ (adsbygoogle = window.adsbygoogle || []).push({});
Hình 4.9. Quỹ đạo bám của cánh tay Robot
Số hóa bởi Trung tâm Học liệu 64 http://www.lrc-tnu.edu.vn/
Hình 4.11. Sai lệch quỹ đạo bám của cánh tay Robot
Số hóa bởi Trung tâm Học liệu 65 http://www.lrc-tnu.edu.vn/
Hình 4.12. So sánh đáp ứng đầu ra của hai bộ điều khiển
Nhận xét:
Bộ điều khiển DAFC (Direct Adaptive Fuzzy Controller)cho đáp ứng đầu ra của hệ thống khá tốt ( hình 4.9) với sự thay đổi tín hiệu vào có dạng bậc thang qua bộ lọc có dạng như hình 4.9, cụ thể sai lệch giữa tín hiệu đặt và tín hiệu thực của hai biến khớp 1 và 2 là khá nhỏ tầm 4
10- được biểu thị trên hình 4.11.
Đáp ứng đầu ra sau khoảng 1.5 chu kỳ, sai lệch giữa tín hiệu vào và tín hiệu ra đã giảm dần từ 0.015 đến 0.001 hoặc 10-4 thể hiện trên hình 4.9 và hình 4.11. Điều này chứng tỏ bộ điều khiển mờ thích nghi đã hiệu chỉnh các tham số của đầu ra (hình 4.12) sao cho sai lệch điều khiển là nhỏ nhất.
Hơn nữa hiện tượng dao động nhỏ khi xác lập ở bộ điều khiển mờ truyền thống cũng được khắc phục hoàn toàn bằng luật thích nghi theo Lyapunov (hình 4.12)
Số hóa bởi Trung tâm Học liệu 66 http://www.lrc-tnu.edu.vn/
Hình 4.13. Tham số thích nghi cua hàm thuộc đầu ra của bộ điều khiển mờ 1,2 4.3. Thực nghiệm trên Robot sử dụng bộ điều khiển DAFC
- Các thiết bị phần cứng dùng để thí nghiệm Robot đã được trình bày trong phần 4.1, cũng sẽ được sử dụng trong phần chạy thực nghiệm này.
Số hóa bởi Trung tâm Học liệu 67 http://www.lrc-tnu.edu.vn/
Kết quả chạy thực nghiệm điều khiển cho một cánh tay Robot
Hình 4.14. Tin hiệu điều khiển quỹ đạo bám của cánh tay Robot
Hình 4.15. Tin hiệu điều khiển quỹ đạo bám của cánh tay Robot 4.4. Kết luận:
Bộ điều khiển DAFC cho kết quả khá tốt trong 7 chu kỳ chạy thực nghiệm, trong một, hai chu kỳ đầu sai lệch giữa quỹ đạo thực và quỹ đạo đặt của biến khớp
Quỹ đạo đặt
Quỹ đạo bám
Tín hiệu điều khiển
Tín hiệu sai lệch
Quỹ đạo đặt
Số hóa bởi Trung tâm Học liệu 68 http://www.lrc-tnu.edu.vn/
điều khiển khoảng 0.05, trong các chu kỳ tiếp theo quỹ đạo robot được điều khiển ổn định thể hiện trên hình 4.14 và hình 4.15.
Sử dụng bộ điều khiển DAFC đã khắc phục được hiện tượng giật trong quỹ đạo theo chiều xuống và hầu như không còn sai lệch tĩnh theo quỹ đạo đi lên của Robot. Điều này minh chứng tính ổn định và tối ưu của bộ điều khiển theo phương pháp DAFC.
Số hóa bởi Trung tâm Học liệu 69 http://www.lrc-tnu.edu.vn/
Kết luận chung và kiến nghi
⃰ Kết luận: (adsbygoogle = window.adsbygoogle || []).push({});
Như vậy, Nội dung cơ bản trong luận văn tập trung vào nghiên cứu ứng dụng phương pháp điều khiển cho cánh tay robot hai bậc tự do. Nhiệm vụ cụ thể là
“Nghiên cứu ứng dụng điều khiển mờ thích nghi cho tay máy robot hai bậc tự
do”
Với mục tiêu đặt ra, nội dung luận văn đã hoàn thành các Chương sau: Chương 1: Tổng quan về Robot công nghiệp và tay máy
Chương 2: Tổng quan về các hệ điều khiển
Chương 3: Thiết kế hệ thống điều khiển mờ thích nghi cho cánh tay robot hai bậc tự do và mô phỏng
Chương 4: Thực nghiệm bộ điều khiển mờ thích nghi trên robot RD5NT Kết quả luận văn đã đạt được là:
Thiết kế được bộ điều khiển mờ thích nghi để điều khiển cánh tay robot hai bậc tự do. Kết quả mô phỏng và thực nghiệm đã chứng minh bộ điều khiển đã thiết kế đáp ứng được yêu cầu công nghệ điều khiển và bám theo quỹ đạo đặt trước.
Luận văn cũng đã đề xuất một phương án cải thiện chất lượng điều khiển bằng điều khiển mờ thích nghi. Kết quả mô phỏng cho thấy khi thông số thay đổi và nhiễu tác động vào hệ thống thì bộ điều khiển vẫn duy trì được chất lượng.
⃰ Kiến nghị :
Với việc nghiên cứu cánh tay robot hai bậc tự do thì bộ điều khiển mờ thích nghi đã đảm bảo được chất lượng làm việc. Tuy nhiên khi số bậc tự do nhiều hơn thì mô hình đối tượng và cấu trúc điều khiển phức tạp hơn nhiều. Nên trong thời gian tới hướng nghiên cứu được đề xuất là nghiên cứu bộ mờ thích nghi cho cánh tay robot có số bậc tự do nhiều hơn.
Số hóa bởi Trung tâm Học liệu 70 http://www.lrc-tnu.edu.vn/
TÀI LIỆU THAM KHẢO
[1] Nguyễn Như Hiển, Lại Khắc Lãi (2006), Hệ mờ và mạng nơ ron trong kỹ thuật điều khiển, NXB Khoa học tự nhiên và Công nghệ
[2] Bùi Công Cường, Nguyễn Doãn Phước (2006), Hệ mờ mạng nơ ron và ứngdụng, NXB Khoa học và Kỹ thuật
[3] Phan Xuân Minh, Nguyễn Doãn Phước (2006), Lý thuyết điều khiển mờ, NXB Khoa học và Kỹ thuật
[4] Nguyễn Trọng Thuần (2000), Điều khiển logic và ứng dụng, NXB Khoa học và Kỹ thuật
[5] Nguyễn Doãn Phước, Phan Xuân Minh, Hán Thành Trung (2003), Lý thuyết điều khiển phi tuyến, NXB Khoa học và Kỹ thuật
[6] Nguyễn Phùng Quang (2004), Matlab và Simulink, NXB Khoa học và Kỹ thuật [7] Vũ Thanh Du (2005), Nghiên cứu ứng dụng mạng nơron để nhận dạng và điều
khiển hệ thống phi tuyến, Luận văn thạc sỹ kỹ thuật.
[8] Trần Thanh Hà (2008), ứng dụng anfis để nhận dạng và điều khiển robot hai thanh nối, Luận văn thạc sỹ kỹ thuật.
[9] Nikos C. Tsourveloudis, Ramesh Kolluru, Kimon P. Valavanis and Denis Gracanin, 1999, Suction Control of a Robotic Gripper: A Neuro Fuzzy Approach, Robotics and Automation Laboratory, The Center for Advanjced Computer Studies and A-CIM Center, University of Louisiana at Lafayette, Lafayette, LA, USA;
[10] Cheng-Jian Lin, Cheng-Hung Chen, Chi-Yung Lee, 2006, A TSK-TypeQuantum Neural Fuzzy Network for Temperature Control”, International Mathematical Forum, 1, 2006, no. 18, 853-866
[11] S. M. Yang, Y. J. Tung, and Y. C. Liu, 2005, A Neuro fuzzy system design methodology for vibration control, Asian Journal of Control, Vol. 7, No. 4, pp. 393-400
[12] C. Altrock and B. Krause, "Fuzzy Logic and Neurofuzzy Technologies in
Embedded Automotive Applications", Proceedings of Fuzzy Logic '93, pp. A113-1 - A113-9.
Số hóa bởi Trung tâm Học liệu 71 http://www.lrc-tnu.edu.vn/
[13] R. Lea, Y. Jani, and H. Berenji, "Fuzzy Logic Controller with Reinforcement Learning for Proximity Operations and Docking", Fifth IEEE International Symposium on Intelligent Control, 1990.
[14] D. Nauck, F. Klawonn and R. Kruse, "Combining Neural Networks and FuzzyControllers" Fuzzy Logic in Artificial Intelligence (FLAI93), ed. Klement, Erich Peter and Slany, Wolfgang, pp. 35-46, 1993.
[15] W. Pedrycz, "Fuzzy Sets and Neurocomputations: Knowledge Representation and Processing in Intellingent Controllers", Fifth IEEE International Symposium on Intelligent Control, 1990, pp. 626 - 630. (adsbygoogle = window.adsbygoogle || []).push({});
[16] K. P. Archer and S. Wang, "Fuzzy Set Representation of Neural Network Classification Boundaries", IEEE Transactions on Systems, Man, and Cybernetics, (July/August, 1991), pp. 735-742.
[17] A. Blanco and M. Delgado, "A Direct Fuzzy Inference Procedure By Neural Networks", Fuzzy Sets and Systems, (September 1993), pp. 133-141.
[18] J. M. Keller and D. J. Hunt, "Incorporating Fuzzy Membership Functions into the Perceptron Algorithm", IEEE Transactions on Pattern Analysis and Machine Intelligence, (November, 1985), pp. 693-699.
[19] W. Pedrycz, "Fuzzy Neural Networks and Neurocomputations", Fuzzy Sets and Systems, Vol. 56, (May 1993), pp. 1-28.
[120] Berenji, Hamid R. and Khedkar, Pratap. "Learning and Tuning Fuzzy Logic Controllers Through Reinforcements" IEEE Transactions on Neural Networks Vol. 3. pp. 724 - 740, 1992.
[21] J. M. Keller, R. R. Yager, and H. Tahani, "Neural Network Implementation of Fuzzy Logic" Fuzzy Sets and Systems(Vol 45), pp. 1-12, 1992.
[22] Đoàn Quang Vinh, Trần Đình Tân, ứng dụng mạng nơron mờ để điều khiển bộ bù tĩnh, Khoa Điện, trường Đại học Bách Khoa, Đại học Đà Nẵng