Luận Văn Thạc Sĩ HCMUTE Về Điều Khiển Con Lắc Ngược Sử Dụng Mạng Neural Trên Chip DSP

Khóa luận đánh giá Điều Khiển Con Lắc Ngược Bằng Mạng Neural Trên Chip DSP - Luận Văn Thạc Sĩ HCMUTE, tiếp cận đa chiều, kết quả có tính khả thi cao

• Tác giả: Nguyễn Đức Quyền
• Người hướng dẫn: TS. Ngô Văn Thuyên
• Trường học: Trường Đại Học Sư Phạm Kỹ Thuật Thành Phố Hồ Chí Minh
• Chuyên ngành: Kỹ Thuật Điện Tử
• Đề tài: Điều Khiển Con Lắc Ngược Bằng Mạng Neural Trên Chip DSP
• Loại tài liệu: luận văn thạc sĩ
• Năm xuất bản: 2013
• Địa điểm: Tp. Hồ Chí Minh

Mục lục chi tiết

• LÝ LỊCH KHOA HỌC
• LỜI CAM ĐOAN
• LỜI CẢM ƠN
• TÓM TẮT LUẬN VĂN
• ABSTRACT
• 1. CHƯƠNG 1: TỔNG QUAN
• 1.1. Lịch sử nghiên cứu
• 1.2. Mục tiêu và giới hạn của đề tài
• 1.3. Phương pháp nghiên cứu
• 1.4. Nội dung luận văn
• 2. CHƯƠNG 2: MÔ HÌNH TOÁN HỌC
• 2.1. Xây dựng mô hình toán học
• 2.2. Mô phỏng con lắc ngược quay trên matlab
• 2.3. Khảo sát đáp ứng của con lắc tuyến tính
• 2.4. Khảo sát đáp ứng góc của con lắc với bộ điều khiển PID một biến
• 2.5. Khảo sát đáp ứng góc của con lắc với bộ điều khiển PID hai biến
• 2.6. Khảo sát đáp ứng của con lắc phi tuyến
• 3. CHƯƠNG 3: ĐIỀU KHIỂN CÂN BẰNG DÙNG MẠNG NEURAL (ANN)
• 3.1. Mạng neural truyền thẳng nhiều lớp (Multilayer Feed-forward Neural Network)
• 3.2. Vấn đề thiết kế cấu trúc mạng
• 3.3. Số lớp ẩn
• 3.4. Số neural trong lớp ẩn
• 3.5. Luật học lan truyền ngược
• 3.6. Lựa chọn và huấn luyện mạng
• 3.7. Mạng truyền thẳng (feedforwardnet)
• 3.8. Mạng truyền thẳng ghép cascade (Cascade-forward neural network)
• 3.9. Mạng truyền thẳng khớp quan hệ vào ra (fitting neural network)
• 3.10. Điều khiển con lắc bằng mạng fitting neural network
• 4. CHƯƠNG 4: ĐIỀU KHIỂN SWING-UP DÙNG LOGIC MỜ
• 4.1. Tổng quan về điều khiển mờ
• 4.2. Hệ qui tắc mờ
• 4.3. Các phép toán trên tập mờ
• 4.4. Điều khiển Swing-up
• 4.5. Áp dụng điều khiển mờ trong Swing-up con lắc
• 5. CHƯƠNG 5: KẾT QUẢ THỰC NGHIỆM
• 5.1. Điều khiển con lắc ngược dùng mạng fitting neural network. Đáp ứng của con lắc khi chưa thay đổi thông số mô hình
• 5.2. Đáp ứng của con lắc khi thêm m = 0.31kg tại 2L=16cm
• 5.3. Đáp ứng của con lắc khi thêm m = 0.31kg tại 2L=30cm
• 5.4. Điều khiển Swing-up sử dụng logic mờ
• 6. CHƯƠNG 6: KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN ĐỀ TÀI
• 6.1. Hướng phát triển của đề tài
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Tổng Quan

Hệ thống con lắc ngược là một mô hình phổ biến trong nghiên cứu điều khiển. Nó được sử dụng để kiểm chứng các thuật toán điều khiển như PID, LQR, và mạng neural. Điều khiển con lắc ngược có hai quá trình chính: điều khiển lật ngược và điều khiển cân bằng. Mạng neural, mặc dù không phải là phương pháp mới, đã chứng minh hiệu quả trong việc điều khiển các hệ phi tuyến. Tài liệu này tập trung vào việc sử dụng mạng neural để xây dựng bộ điều khiển cho hệ thống con lắc ngược, nhằm đạt được sự ổn định và hiệu suất cao.

1.1. Lịch sử nghiên cứu

Hệ con lắc ngược đã được nghiên cứu rộng rãi trong lĩnh vực điều khiển tự động. Các mô hình như pendubot và hệ con lắc ngược xe đã được sử dụng để kiểm chứng lý thuyết điều khiển. Hệ con lắc ngược quay, với tính chất phi tuyến và không ổn định, là một thách thức lớn cho các nhà nghiên cứu. Việc áp dụng kỹ thuật điều khiển hiện đại như mạng neural đã mở ra hướng đi mới trong việc giải quyết các vấn đề phức tạp này.

II. Mô Hình Toán Học

Mô hình toán học của hệ con lắc ngược được xây dựng dựa trên các phương trình động lực học. Việc mô phỏng hệ thống trên MATLAB cho phép khảo sát đáp ứng của con lắc trong các điều kiện khác nhau. Các phương pháp điều khiển như PID và LQR được áp dụng để đánh giá hiệu suất của hệ thống. Kết quả cho thấy rằng mạng neural có khả năng điều khiển tốt hơn so với các phương pháp truyền thống trong việc duy trì ổn định cho hệ thống phi tuyến.

2.1. Xây dựng mô hình toán học

Mô hình toán học của con lắc ngược được thiết lập dựa trên các định luật vật lý cơ bản. Các thông số như góc và vận tốc được sử dụng để xây dựng các phương trình điều khiển. Việc sử dụng chip DSP trong mô hình cho phép xử lý tín hiệu nhanh chóng và hiệu quả. Điều này rất quan trọng trong việc thực hiện các thuật toán điều khiển phức tạp, giúp cải thiện độ chính xác và độ tin cậy của hệ thống.

III. Điều Khiển Cân Bằng Dùng Mạng Neural

Phần này trình bày chi tiết về việc sử dụng mạng neural để điều khiển cân bằng cho con lắc ngược. Mạng neural truyền thẳng khớp quan hệ vào ra được huấn luyện theo luật học lan truyền ngược Bayesian. Kết quả cho thấy bộ điều khiển này có khả năng thích nghi tốt với các thay đổi trong thông số của hệ thống. Việc áp dụng kỹ thuật điều khiển này không chỉ giúp duy trì ổn định mà còn cải thiện hiệu suất tổng thể của hệ thống.

3.1. Vấn đề thiết kế cấu trúc mạng

Thiết kế cấu trúc mạng neural là một yếu tố quan trọng trong việc đạt được hiệu suất cao. Số lớp ẩn và số neuron trong lớp ẩn cần được xác định một cách hợp lý để tối ưu hóa khả năng học của mạng. Việc lựa chọn và huấn luyện mạng cũng cần được thực hiện cẩn thận để đảm bảo rằng mạng có thể phản ứng chính xác với các tín hiệu đầu vào từ hệ thống con lắc.

IV. Điều Khiển Swing Up Dùng Logic Mờ

Điều khiển swing-up cho con lắc ngược được thực hiện thông qua logic mờ. Phương pháp này cho phép điều khiển con lắc từ vị trí buông thõng lên vị trí lật ngược một cách hiệu quả. Hệ thống sử dụng các quy tắc mờ để xác định điện áp điều khiển cần thiết, giúp con lắc đạt được vị trí mong muốn với vận tốc tối thiểu. Kết quả thực nghiệm cho thấy rằng phương pháp này có thể đạt được sự ổn định cao cho hệ thống.

4.1. Tổng quan về điều khiển mờ

Điều khiển mờ là một phương pháp mạnh mẽ trong việc xử lý các hệ thống phi tuyến. Nó cho phép sử dụng các quy tắc mờ để điều khiển hệ thống mà không cần phải biết chính xác mô hình toán học. Việc áp dụng điều khiển mờ trong hệ thống con lắc ngược đã chứng minh được tính hiệu quả và khả năng thích ứng với các điều kiện thay đổi.

V. Kết Quả Thực Nghiệm

Kết quả thực nghiệm cho thấy rằng bộ điều khiển lật ngược sử dụng logic mờ đã thành công trong việc đưa con lắc từ vị trí buông thõng lên vị trí lật ngược. Sau đó, bộ điều khiển cân bằng sử dụng mạng neural duy trì con lắc ổn định tại vị trí này. Đáp ứng sai số của hệ thống rất nhỏ, cho thấy tính hiệu quả của phương pháp điều khiển được áp dụng.

5.1. Đáp ứng của con lắc khi thay đổi thông số

Thực nghiệm cho thấy rằng hệ thống có khả năng duy trì ổn định ngay cả khi có sự thay đổi về thông số mô hình. Việc sử dụng chip DSP trong điều khiển giúp cải thiện tốc độ xử lý và độ chính xác của hệ thống. Điều này chứng tỏ rằng việc áp dụng mạng neural và logic mờ trong điều khiển con lắc ngược là một hướng đi đúng đắn.

VI. Kết Luận Và Hướng Phát Triển Đề Tài

Luận văn đã trình bày một cách chi tiết về việc điều khiển con lắc ngược bằng mạng neural trên chip DSP. Kết quả nghiên cứu cho thấy rằng phương pháp này có thể đạt được sự ổn định cao cho hệ thống phi tuyến. Hướng phát triển tiếp theo có thể bao gồm việc tối ưu hóa cấu trúc mạng và áp dụng các thuật toán điều khiển mới để cải thiện hiệu suất hơn nữa.

6.1. Hướng phát triển của đề tài

Nghiên cứu có thể mở rộng sang việc áp dụng các phương pháp điều khiển khác như điều khiển dự đoán hoặc điều khiển thích nghi. Việc kết hợp giữa mạng neural và các phương pháp điều khiển hiện đại sẽ tạo ra những giải pháp tối ưu hơn cho các hệ thống phi tuyến trong tương lai.

Nội dung chính

Tổng quan nghiên cứu

Hệ thống con lắc ngược là một mô hình phi tuyến, không ổn định và được sử dụng rộng rãi trong nghiên cứu và ứng dụng kỹ thuật điều khiển. Theo ước tính, con lắc ngược có hai điểm cân bằng: vị trí buông thõng (ổn định) và vị trí lật ngược (không ổn định). Việc điều khiển con lắc ngược nhằm mục tiêu đưa con lắc từ vị trí buông thõng lên vị trí lật ngược và giữ nó ổn định tại vị trí này. Đây là bài toán điển hình cho các hệ thống phi tuyến và có tính ứng dụng cao trong lĩnh vực điều khiển tự động.

Mục tiêu nghiên cứu của luận văn là xây dựng hệ thống điều khiển con lắc ngược quay một bậc tự do, bao gồm hai bộ điều khiển chính: bộ điều khiển lật ngược (swing-up) sử dụng thuật toán logic mờ và bộ điều khiển cân bằng sử dụng mạng neural truyền thẳng khớp quan hệ vào ra (fitting neural network) được huấn luyện bằng luật học lan truyền ngược Bayesian. Nghiên cứu được thực hiện trong phạm vi mô hình con lắc ngược quay tại Trường Đại học Sư phạm Kỹ thuật TP. Hồ Chí Minh, với dữ liệu thu thập từ mô hình thực nghiệm và mô phỏng trên Matlab phiên bản 2012a.

Ý nghĩa của nghiên cứu thể hiện qua việc nâng cao hiệu quả điều khiển hệ thống phi tuyến, đặc biệt là khả năng thích nghi khi thông số hệ thống thay đổi. Kết quả thực nghiệm cho thấy bộ điều khiển lật ngược dùng logic mờ có thể đưa con lắc từ vị trí buông thõng lên vị trí lật ngược, sau đó bộ điều khiển cân bằng dùng mạng neural giữ con lắc ổn định với sai số rất nhỏ. Đây là bước tiến quan trọng trong ứng dụng mạng neural và điều khiển mờ cho các hệ thống phi tuyến phức tạp.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Luận văn dựa trên hai lý thuyết và mô hình nghiên cứu chính:

1. Mô hình toán học hệ con lắc ngược quay: Hệ con lắc được mô tả bằng các phương trình động lực học phi tuyến, trong đó góc con lắc so với phương thẳng đứng là biến trạng thái chính. Mô hình tuyến tính hóa quanh điểm cân bằng được sử dụng để phân tích đặc tính hệ thống và thiết kế bộ điều khiển PID tham khảo.

2. Mạng neural truyền thẳng nhiều lớp (Multilayer Feed-forward Neural Network): Mạng neural được sử dụng để xây dựng bộ điều khiển cân bằng. Mạng gồm một lớp vào, một lớp ẩn với 4 neural và một lớp ra. Luật học lan truyền ngược Bayesian được áp dụng để huấn luyện mạng trên tập dữ liệu thu thập từ bộ điều khiển PID hai biến. Mạng neural fitting được chọn do hiệu quả huấn luyện và khả năng mô phỏng chính xác hơn so với các loại mạng truyền thẳng khác.

3. Thuật toán logic mờ (Fuzzy Logic): Được sử dụng để xây dựng bộ điều khiển lật ngược (swing-up). Bộ điều khiển logic mờ dựa trên các quy tắc mờ và phép toán trên tập mờ để tính toán điện áp điều khiển dựa trên vị trí và vận tốc con lắc, nhằm đưa con lắc lên vị trí lật ngược với vận tốc nhỏ nhất.

Các khái niệm chính bao gồm: điều khiển phi tuyến, mạng neural nhân tạo, luật học lan truyền ngược Bayesian, logic mờ, bộ điều khiển PID, mô hình toán học phi tuyến và tuyến tính hóa.

Phương pháp nghiên cứu

Nguồn dữ liệu nghiên cứu bao gồm dữ liệu mô phỏng trên Matlab 2012a và dữ liệu thực nghiệm thu thập từ mô hình con lắc ngược quay tại xưởng điện 4A, Trường Đại học Sư phạm Kỹ thuật TP. Hồ Chí Minh. Tập dữ liệu huấn luyện mạng neural gồm khoảng 14.667 mẫu, bao gồm các biến góc alpha, góc theta, vận tốc theo hai góc và điện áp điều khiển.

Phương pháp phân tích gồm:

• Xây dựng mô hình toán học phi tuyến và tuyến tính hóa hệ con lắc.
• Mô phỏng đáp ứng hệ thống với bộ điều khiển PID một biến và hai biến để đánh giá đặc tính ổn định.
• Huấn luyện mạng neural fitting với luật học lan truyền ngược Bayesian để xây dựng bộ điều khiển cân bằng.
• Thiết kế bộ điều khiển lật ngược sử dụng thuật toán logic mờ dựa trên các quy tắc mờ.
• Thực nghiệm trên mô hình thực để kiểm chứng hiệu quả của hai bộ điều khiển kết hợp.
• So sánh kết quả điều khiển cân bằng bằng mạng neural với bộ điều khiển PID hai biến.

Timeline nghiên cứu kéo dài từ năm 2010 đến 2013, bao gồm giai đoạn thu thập dữ liệu, mô phỏng, huấn luyện mạng neural, thiết kế bộ điều khiển logic mờ và thực nghiệm.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

1. Hiệu quả bộ điều khiển PID hai biến: Mô phỏng cho thấy bộ điều khiển PID hai biến với thông số Kp=20, Ki=204, Kd=4 (góc alpha) và Kp=2, Ki=0, Kd=1 (góc theta) giữ con lắc ổn định ở vị trí cân bằng trong phạm vi thay đổi khối lượng từ 0 đến khoảng 0.6 kg và chiều dài con lắc đến khoảng 0.41 m. Khi vượt quá giới hạn này, hệ thống mất ổn định.

2. Ưu thế của mạng neural fitting: Mạng neural fitting với một lớp ẩn gồm 4 neural, huấn luyện bằng luật học lan truyền ngược Bayesian trên tập dữ liệu 14.667 mẫu, đạt sai số rất nhỏ trong việc điều khiển cân bằng con lắc. So với mạng feedforward và cascade feedforward, mạng fitting neural cho hiệu năng huấn luyện tốt hơn, thể hiện qua các đồ thị hiệu năng và histogram huấn luyện.

3. Bộ điều khiển lật ngược logic mờ: Thuật toán logic mờ điều khiển swing-up thành công, đưa con lắc từ vị trí buông thõng lên vị trí lật ngược với vận tốc nhỏ nhất, sau đó chuyển giao sang bộ điều khiển cân bằng. Bộ điều khiển này tác động trên cả 4 miền không gian trạng thái, tối ưu thời gian điều khiển lật ngược so với các phương pháp trước đây chỉ tác động trên 2 miền.

4. Kết quả thực nghiệm: Thí nghiệm trên mô hình thực tế cho thấy bộ điều khiển lật ngược dùng logic mờ và bộ điều khiển cân bằng dùng mạng neural fitting phối hợp hiệu quả, giữ con lắc ổn định tại vị trí lật ngược với sai số rất nhỏ. Khi thêm khối lượng 0.31 kg tại các vị trí khác nhau trên con lắc, hệ thống vẫn duy trì ổn định, chứng tỏ khả năng thích nghi của bộ điều khiển.

Thảo luận kết quả

Nguyên nhân thành công của bộ điều khiển cân bằng mạng neural fitting là do khả năng mô phỏng chính xác bộ điều khiển PID hai biến và khả năng thích nghi khi thông số hệ thống thay đổi. Luật học lan truyền ngược Bayesian giúp mạng tránh hiện tượng overfitting và tăng độ ổn định trong quá trình huấn luyện.

Bộ điều khiển logic mờ cho phép xử lý các trạng thái phi tuyến và không chính xác của hệ thống con lắc, đồng thời tận dụng kiến thức chuyên gia để xây dựng các quy tắc điều khiển mềm dẻo, phù hợp với các trạng thái hoạt động khác nhau.

So sánh với các nghiên cứu trước đây, phương pháp kết hợp mạng neural và logic mờ trong luận văn này đã khắc phục được nhược điểm của các bộ điều khiển PID và trượt truyền thống, đồng thời nâng cao độ ổn định và khả năng thích nghi của hệ thống.

Dữ liệu có thể được trình bày qua các biểu đồ đáp ứng góc alpha và theta, histogram huấn luyện mạng neural, cũng như bảng so sánh sai số giữa các phương pháp điều khiển.

Đề xuất và khuyến nghị

1. Phát triển mạng neural online: Nghiên cứu tiếp tục xây dựng mạng neural có khả năng tự điều chỉnh trọng số trong quá trình điều khiển (tự học online) nhằm nâng cao khả năng thích nghi với biến đổi môi trường và thông số hệ thống.

2. Mở rộng mô hình con lắc đa bậc: Áp dụng phương pháp điều khiển kết hợp mạng neural và logic mờ cho các hệ con lắc ngược đa bậc hoặc hệ con lắc ngược xe để tăng tính ứng dụng trong thực tế.

3. Tối ưu thuật toán logic mờ: Nghiên cứu cải tiến thuật toán logic mờ để giảm thời gian điều khiển swing-up, đồng thời tăng độ chính xác và độ bền của bộ điều khiển trong các điều kiện nhiễu và thay đổi tải trọng.

4. Ứng dụng trong robot và hệ thống tự động: Áp dụng hệ thống điều khiển con lắc ngược vào các ứng dụng robot cân bằng, xe tự hành hoặc các hệ thống tự động khác nhằm nâng cao hiệu quả và độ tin cậy.

Các giải pháp trên nên được thực hiện trong vòng 2-3 năm tới, với sự phối hợp giữa các nhóm nghiên cứu chuyên ngành kỹ thuật điện tử và điều khiển tự động tại các viện, trường đại học.

Đối tượng nên tham khảo luận văn

1. Sinh viên và nghiên cứu sinh ngành Kỹ thuật Điện tử, Điều khiển tự động: Luận văn cung cấp kiến thức sâu về mô hình toán học, mạng neural và logic mờ trong điều khiển hệ phi tuyến, hỗ trợ nghiên cứu và học tập chuyên sâu.

2. Giảng viên và nhà nghiên cứu trong lĩnh vực điều khiển thông minh: Tài liệu chi tiết về thiết kế, huấn luyện mạng neural và ứng dụng logic mờ giúp phát triển các đề tài nghiên cứu mới và giảng dạy.

3. Kỹ sư phát triển hệ thống điều khiển công nghiệp: Các giải pháp điều khiển con lắc ngược có thể áp dụng cho các hệ thống robot cân bằng, thiết bị tự động hóa, giúp cải thiện hiệu suất và độ ổn định.

4. Doanh nghiệp công nghệ và phát triển sản phẩm tự động hóa: Tham khảo để ứng dụng các thuật toán điều khiển thông minh vào sản phẩm, nâng cao tính cạnh tranh và đổi mới công nghệ.

Câu hỏi thường gặp

1. Tại sao chọn mạng neural fitting để điều khiển cân bằng con lắc?
   Mạng neural fitting có khả năng mô phỏng chính xác mối quan hệ đầu vào - đầu ra của hệ thống, đồng thời huấn luyện hiệu quả với luật học lan truyền ngược Bayesian, giúp giảm sai số và tăng độ ổn định so với các loại mạng khác.

2. Logic mờ được áp dụng như thế nào trong điều khiển swing-up?
   Logic mờ sử dụng các quy tắc mờ dựa trên vị trí và vận tốc con lắc để tính toán điện áp điều khiển, giúp đưa con lắc từ vị trí buông thõng lên vị trí lật ngược một cách mềm dẻo và hiệu quả, tối ưu thời gian và vận tốc.

3. Bộ điều khiển PID hai biến có ưu điểm gì so với PID một biến?
   PID hai biến hồi tiếp cả góc alpha và theta giúp kiểm soát đồng thời vị trí con lắc và cánh tay, giữ hệ thống ổn định hơn, tránh hiện tượng trôi góc cánh tay như khi chỉ dùng PID một biến.

4. Khả năng thích nghi của bộ điều khiển mạng neural ra sao khi thay đổi thông số hệ thống?
   Bộ điều khiển mạng neural được huấn luyện trên tập dữ liệu đa dạng và sử dụng luật học Bayesian giúp mạng có khả năng thích nghi tốt khi khối lượng hoặc chiều dài con lắc thay đổi trong giới hạn cho phép.

5. Có thể áp dụng phương pháp này cho các hệ thống phức tạp hơn không?
   Có, phương pháp kết hợp mạng neural và logic mờ có thể mở rộng cho các hệ thống phi tuyến phức tạp hơn như con lắc đa bậc, robot cân bằng hoặc các hệ thống tự động khác, tuy nhiên cần điều chỉnh cấu trúc mạng và thuật toán phù hợp.

Kết luận

• Hệ thống điều khiển con lắc ngược quay một bậc tự do được xây dựng thành công với bộ điều khiển swing-up dùng logic mờ và bộ điều khiển cân bằng dùng mạng neural fitting.
• Mạng neural fitting huấn luyện bằng luật học lan truyền ngược Bayesian cho hiệu năng cao, sai số nhỏ và khả năng thích nghi tốt với biến đổi thông số hệ thống.
• Bộ điều khiển logic mờ tối ưu thời gian và vận tốc trong quá trình lật ngược con lắc, tác động trên toàn bộ không gian trạng thái.
• Kết quả thực nghiệm và mô phỏng cho thấy hệ thống ổn định, đáp ứng tốt trong các điều kiện thay đổi tải trọng và chiều dài con lắc.
• Hướng phát triển tiếp theo là xây dựng mạng neural online, mở rộng mô hình và ứng dụng trong các hệ thống tự động hóa phức tạp hơn.

Để tiếp tục nghiên cứu và ứng dụng, các nhà khoa học và kỹ sư được khuyến khích áp dụng phương pháp kết hợp mạng neural và logic mờ trong các hệ thống điều khiển phi tuyến, đồng thời phát triển các thuật toán học máy nâng cao để tăng cường khả năng thích nghi và hiệu quả điều khiển.

Trích đoạn nội dung tài liệu

Đặt vấn đề Ngày nay các lý thuyết điều khiển tuyến tính đã phát triển hoàn chỉnh và đƣợc áp dụng rất thành công trong các quá trình công nghiệp cũng nhƣ trong các thiết bị dân dụng. Tuy nhiên, các lý thuyết này không hiệu quả đối với các hệ thống phi tuyến mà không thể hoặc khó xác định chính xác mô hình toán học, nhất là đối với những hệ thống có mô hình toán học thay đổi và chịu tác động của nhiễu. Bên cạnh đó, lý thuyết điều khiển phi tuyến cũng đã có những bƣớc phát triển đáng kể. Từ đó chúng ta có nền tảng toán học cần thiết để thiết kế những bộ điều khiển đạt chất lƣợng.

Các lý thuyết đƣợc áp dụng thành công để điều khiển các hệ phi tuyến đƣợc chia thành hai nhóm chính: lý thuyết điều khiển kinh điển và lý thuyết điều khiển hiện đại. Nhóm phƣơng pháp điều khiển kinh điển dựa vào việc tuyến tính hóa đặc tuyến của hệ thống xung quanh điểm làm việc, sau đó áp dụng các phƣơng pháp điều khiển cho hệ tuyến tính. Lý thuyết điều khiển kinh điển đã bộc lộ ra những yếu điểm về chất lƣợng cũng nhƣ độ tin cậy khi đối tƣợng điều khiển là hệ phi tuyến, và nhất là những đối tƣợng không rõ hoặc khó xác định chính xác mô hình toán học, cũng nhƣ chịu tác động của nhiễu. Nhóm phƣơng pháp điều khiển hiện đại bao gồm điều khiển dùng giải thuật mờ, điều khiển dùng giải thuật di truyền, điều khiển dùng mạng thần kinh nhân tạo (Artificial Neural Network, trong đề tài này gọi tắt là mạng neural) … Điều khiển mờ dựa vào việc xấp xĩ thông số của đối tƣợng dùng mô hình mờ.

Các thông số này sẽ đƣợc cập nhật liên tục trong quá trình điều khiển dựa vào sai số hồi tiếp. Phƣơng pháp này vận dụng tính xấp xĩ hàm của hệ mờ và dùng luật thích nghi để cập nhật thông số của hệ mờ theo tiêu chuẩn ổn định Lyapunov. Mạng neural khi mới hình thành còn chƣa có tri thức về hệ thống, tri thức của mạng hình thành dần sau một quá trình huấn luyện. Mạng neural đƣợc huấn luyện bằng tập dữ liệu, bao gồm kích 1 Luan van 1 – Tổng Quan thích ngõ vào và đáp ứng ngõ ra của hệ thống.

Ta đƣa vào đầu vào mạng neural những kích thích, mạng neural sẽ hình thành những đáp ứng tƣơng ứng ở ngõ ra, đáp ứng phù hợp với từng loại kích thích sẽ đƣợc lƣu giữ, giai đoạn này đƣợc gọi là giai đoạn học của mạng. Khi đã hình thành tri thức, chúng ta có thể dùng mạng neural để điều khiển hệ thống mà nó đƣợc học. Hệ con lắc ngƣợc quay là một hệ thống không ổn định và có ít ngõ vào điều khiển hơn số bậc tự do. Đây là một hệ phi tuyến có hai điểm cân bằng: Điểm cân bằng thẳng đứng hƣớng lên (vị trí lật ngƣợc) và điểm cân bằng thẳng đứng hƣớng xuống dƣới (vị trí buông thõng), trong đó vị trí lật ngƣợc là điểm cân bằng không ổn định.

Bài toán đặt ra là thiết kế hệ thống điều khiển gồm hai phần: bộ điều khiển lật ngƣợc (swing-up) có nhiệm vụ đƣa con lắc từ vị trí buông thõng lên vị trí lật ngƣợc và bộ điều khiển cân bằng có nhiệm vụ giữ con lắc ổn định tại vị trí lật ngƣợc. Con lắc ngƣợc là đối tƣợng đại diện cho lớp các đối tƣợng có độ phi tuyến cao và không ổn định. Con lắc ngƣợc quay một bậc tự do có ƣu điểm là hệ thống cơ khí không quá phức tạp (so với con lắc ngƣợc xe), nó đƣợc sử dụng rộng rãi trong việc giảng dạy và nghiên cứu lý thuyết điều khiển tự động cũng nhƣ xây dựng các bộ điều khiển. Con lắc ngƣợc quay một bậc tự do bao gồm 3 phần chính: phần cơ khí, phần điện tử và phần chƣơng trình.

Phần cơ khí bao gồm một thanh kim loại (con lắc) quay quanh một trục thẳng đứng. Thanh kim loại đƣợc gắn gián tiếp với đầu của một cánh tay nằm ngang thông qua một cảm biến để đo góc, đầu còn lại của cánh tay đƣợc gắn vào trục quay của một động cơ DC. Động cơ DC đặt thẳng đứng để cánh tay có thể quay trong một mặt phẳng nằm ngang. Do trong quá trình vận hành cánh tay sẽ quay với tốc độ cao nên phần cơ khí cần phải đƣợc tính toán thiết kế chính xác, chắc chắn nhằm tránh rung gây nhiễu và hƣ hỏng trong quá trình vận hành.

Phần điện tử gồm 3 phần nhỏ là: cảm biến đo góc cánh tay và con lắc, mạch khuyếch đại công suất và mạch điều khiển. Phần cảm biến đóng vai trò hết sức quan trọng, nó sẽ cung cấp cho bộ điều khiển: vị trí, hƣớng của cánh tay và con lắc. 2 Luan van 1 – Tổng Quan Có nhiều loại cảm biến đƣợc sử dụng để đo góc, trong đề tài này tác giả sử dụng Bộ mã hóa vòng quay (Rotary Encorder) có độ phân giải 4096 xung/vòng. Tín hiệu từ bộ mã hóa vòng quay đƣợc khuyếch đại, lọc nhiễu rồi kết nối vào module ngoai vi eQEP (Enhanced Quadrature Encorder Pulse) của DSP.

Tùy thuộc vào tín hiệu từ các Bộ mã hóa vòng quay mà DSP đƣợc lập trình để xuất tín hiệu ngõ ra điều khiển động cơ DC qua một mạch khuyếch đại công suất. Phần chƣơng trình: Chƣơng trình điều khiển con lắc tác giả không viết trực tiếp trên Code Composer Studio mà kết hợp với Matlab2012a để tận dụng các hàm tính toán rất mạnh, có sẵn trong Matlab. Cách viết này về lý thuyết sẽ giúp ngƣời sử dụng tiết kiệm đƣợc thời gian vì không cần phải nắm vững cấu trúc phần cứng của DSP và tập lệnh C của CCS nhƣng thực tế do mã C sinh ra bởi Matlab sẽ không tối ƣu nên để chƣơng trình hoạt động tốt đòi hỏi ngƣời lập trình phải nắm thật vững cách lập trình bằng Matlab, cấu trúc mã C do Matlab sinh ra, cấu trúc phần cứng của DSP để có thể can thiệp và hiệu chỉnh trực tiếp vào mã C này. Lịch sử nghiên cứu Hệ con lắc ngƣợc có cấu trúc đơn giản nhƣng mang đầy đủ dặc tính phi tuyến.

Do đó, hệ thống trên đƣợc sử dụng rất rộng rãi trong các thí nghiệm kiểm chứng lý thuyết điều khiển. Một số dạng mô hình con lắc ngƣợc đƣợc sử dụng nhiều nhƣ: pendubot, hệ con lắc ngƣợc xe, hệ con lắc ngƣợc quay… Hình 1.1 Hệ Pendubot Hình 1.2 Hệ con lắc ngược xe 3 Luan van 1 – Tổng Quan Hình 1.3 Hệ con lắc ngược quay Hình 1.4 Hệ con lắc một bậc Trong các mô hình trên, hệ pendubot và hệ con lắc ngƣợc xe có khuyết điểm là khoảng hoạt động bị giới hạn vì cấu tạo phần cứng. Hệ con lắc một bậc là hệ SISO nên mô hình còn mang tính đơn giản. Hệ con lắc ngƣợc quay không bị giới hạn về không gian hoạt động và là một hệ SIMO nên giải thuật điều khiển phải đòi hỏi phức tạp hơn, phù hợp cho các giải thuật điều khiển chuyên sâu.

Quá trình điều khiển con lắc ngƣợc quay gồm hai giai đoạn: điều khiển swing-up và điều khiển cân bằng. Đối với điều khiển cân bằng cho con lắc, các giải thuật phi tuyến đã đƣợc sử dụng thành công nhƣ back-stepping [1], trƣợt [2], đặt cực [3]. Tuy nhiên, khuyết điểm chung của của các giải thuật điều khiển trên là ta phải biết đƣợc mô hình toán đối tƣợng và các thông số mô hình tƣơng ứng. Theo hƣớng nghiên cứu của nhóm MA và BT [4] thiết kế bộ điều khiển Logic mờ (Fuzzy) để điều khiển ổn định hệ thống con lắc ngƣợc.

Kết quả đáp ứng của hệ thống khi sử dụng bộ điều khiển Fuzzy hiệu quả hơn bộ điều khiển PID. Tuy nhiên bộ điều khiển mờ hoạt động chủ yếu phụ thuộc vào kinh nghiệm và phƣơng pháp 4 Luan van 1 – Tổng Quan rút ra kết luận theo tƣ duy con ngƣời, sau đó đƣợc cài đặt vào máy tính dựa trên cơ sở logic mờ. Theo hƣớng nghiên cứu của MAK [2] sử dụng bộ điều khiển trƣợt để điều khiển con lắc ngƣợc quay. Kết quả của nghiên cứu này là tác giả đã xác định đƣợc hai mặt trƣợt theo định nghĩa đúng đắn của hàm Lyapunov, kết hợp hai mặt trƣợt này để điều khiển con lắc ổn định.

Tuy nhiên trong phƣơng pháp điều khiển trƣợt việc tìm kiếm bề mặt trƣợt của hệ thống là không dễ dàng. Theo hƣớng nghiên cứu của nhóm ANKN, RMTRI, MAA [6] thiết kế bộ điều khiển trƣợt và bộ điều khiển PID để điều khiển cho con lắc ngƣợc. Mục tiêu của bài báo này là so sánh chất lƣợng đáp ứng của hệ thống khi sử dụng hai bộ điều khiển này để điều khiển ổn định cho con lắc ngƣợc. Cả hai bộ điều khiển này đƣợc mô phỏng trên môi trƣờng Simulink Matlab và cho thấy đều có khả năng điều khiển thành công mô hình con lắc.

Kết quả cho thấy rằng khi sử dụng bộ điều khiển trƣợt thì cho đáp ứng tốt hơn so với bộ điều khiển PID. Tuy nhiên, khi sử dụng hai bộ điều khiển này để điều khiển con lắc thì vị trí góc lệch con lắc tƣơng đối lớn. Để khắc phục các khuyết điểm trên của điều khiển phi tuyến cũng nhƣ tuyến tính, một số tác giả sử dụng các giải thuật điều khiển thông minh nhƣ điều khiển mờ [7], điều khiển dùng mạng neural [8], [9]. Việc sử dụng mạng neural [8], [9] đã mô phỏng thành công một giải thuật điều khiển trƣớc đó (bộ điều khiển PID) để điều khiển tốt đối tƣợng con lắc ngƣợc quay thực tế.

Tuy nhiên, có nhiều loại mạng neural đƣợc sử dụng trong thực tế. Vấn đề chọn mạng neural nào để sử dụng trong điều khiển là một vấn đề cần đƣợc quan tâm. Các kết quả trong [10] cho thấy cấu trúc mạng neural truyền thẳng khớp quan hệ vào ra (fitting neural network) tốt hơn mạng truyền thẳng ghép liên tầng (casde- feed forward) và mạng truyền thẳng chuẩn (feed-forward). Đồng thời các nghiên cứu trong [11] và [12] đã khắc phục đƣợc những nhƣợc điểm của thuật toán huấn luyện lan truyền ngƣợc chuẩn (standard back-propagation) bằng các sử dụng thuật toán lan truyền ngƣợc Levenberg-Marquardt (Levenberg-Marquardt back- 5 Luan van 1 – Tổng Quan propagation) và thuật toán lan truyền ngƣợc quy tắc hóa Bayesian (Bayesian regularization backpropagation).

Đối với điều khiển swing-up cho con lắc thì một số tác giả dùng kinh nghiệm để kích các xung có độ rộng khác nhau tùy vị trí con lắc để đƣa con lắc dần lên vị trí cân bằng đã đạt đƣợc thành công trong thực tế [3], cũng nhƣ mô phỏng [16]. Khi con lắc đến đƣợc vị trí gần với vị trí cân bằng thì giải thuật cân bằng mới đƣợc thực hiện.