Bộ điều khiển NEFCON được thiết kế dựa trên ý tưởng tự chỉnh định các đỉnh của hàm liên thuộc nhằm tối ưu một phiếm hàm mục tiêu cụ thể là sai lệch giữa tín hiệu đầu ra và mục tiêu đặt trước.
Bước 1: Ta lấy mẫu các tập dữ liệu vào ra bao gồm 2 đầu vào và 1 đầu ra dùng để huấn luyện mạng neuron. Tiến hành thu thập 9766 mẫu dữ liệu như sau:
Số hóa bởi Trung tâm Học liệu http://www.lrc-tnu.edu.vn/ Hình 3.9: Tập mẫu bao gồm 2 đầu vào và 1 đầu ra để huấn luyện mạng neron
Bước 2: Chọn dạng hàm liên thuộc cho hai đầu vào
Số hóa bởi Trung tâm Học liệu http://www.lrc-tnu.edu.vn/ Hình 3.11:Dạng hàm liên thuộc cho đầu vào 2
Số hóa bởi Trung tâm Học liệu http://www.lrc-tnu.edu.vn/
Bước 3: Chọn cấu trúc và phương pháp huấn luyện mạng neuron
Hình 3.13:Cấu trúc của mạng neuron
Hình 3.14:Sai lệch của quá trình huấn luyện
Số hóa bởi Trung tâm Học liệu http://www.lrc-tnu.edu.vn/
Bước 4: Kết quả chỉnh định dạng hàm liên thuộc sau khi huấn luyện
Hình 3.16:Dạng hàm liên thuộc cho đầu vào 1
Số hóa bởi Trung tâm Học liệu http://www.lrc-tnu.edu.vn/
Hình 3.18: Đường cong nội suy thể hiện mối quan hệ giữa đầu ra và đầu vào
Số hóa bởi Trung tâm Học liệu http://www.lrc-tnu.edu.vn/
Kết quả mô phỏng:
Hình 3.19. Quỹ đạo bám của cánh tay Robot
Số hóa bởi Trung tâm Học liệu http://www.lrc-tnu.edu.vn/ Hình 3.21. Tin hiệu điều khiển quỹ đạo bám của cánh tay Robot
Nhận xét:
Bộ điều khiển NEFCON cho đáp ứng đầu ra của hệ thống tốt
(Hình 3.19) với sự thay đổi tín hiệu vào có dạng bậc thang qua bộ lọc có dạng như Hình 3.19, cụ thể sai lệch giữa tín hiệu đặt và tín hiệu thực của hai biến khớp 1 và 2 là khá nhỏ tầm 3
10- được biểu thị trên Hình 3.20. Đồng thời tín hiệu điều khiển cho hai biến khớp cụ thể ở đây là cung cấp giá trị điện áp đầu vào cho hai động cơ để quay hai biến khớp được thể hiện như Hình 3.21.
Số hóa bởi Trung tâm Học liệu http://www.lrc-tnu.edu.vn/