Tổng quan nghiên cứu

Trong bối cảnh nhu cầu đi lại ngày càng tăng cao, các phương tiện di chuyển không ngừng được cải tiến để đáp ứng yêu cầu về an toàn và tiện lợi. Xe đạp, với ưu điểm thân thiện môi trường và lợi ích sức khỏe, vẫn giữ vị trí quan trọng trong giao thông cá nhân. Tuy nhiên, việc giữ thăng bằng khi đi xe đạp là thách thức đối với nhiều nhóm người như trẻ nhỏ, người mới học hoặc người có vấn đề về nhận thức. Do đó, nghiên cứu phát triển xe đạp tự cân bằng nhằm hỗ trợ an toàn và nâng cao trải nghiệm người dùng trở thành một hướng đi thiết thực và cấp thiết.

Luận văn tập trung vào thiết kế và điều khiển hệ xe đạp tự cân bằng sử dụng bánh đà quán tính, dựa trên nguyên lý con lắc ngược. Mục tiêu chính là giữ cân bằng cho xe khi đứng yên hoặc di chuyển thẳng, thông qua việc thiết kế bộ điều khiển toàn phương tuyến tính LQR và bộ điều khiển kết hợp Fuzzy-LQR. Nghiên cứu được thực hiện trong giai đoạn từ tháng 7/2017 đến tháng 6/2018 tại Trường Đại học Bách Khoa, Đại học Quốc gia TP. Hồ Chí Minh.

Việc xây dựng mô hình thực tế, lập trình trên Matlab/Simulink và nhúng thuật toán vào vi điều khiển STM32F4 nhằm kiểm nghiệm hiệu quả điều khiển trên mô hình thực tế là điểm nhấn quan trọng. Kết quả nghiên cứu không chỉ góp phần nâng cao hiểu biết về điều khiển hệ phi tuyến mà còn có ý nghĩa thực tiễn trong phát triển các phương tiện giao thông thông minh, hỗ trợ người dùng đặc biệt và ứng dụng trong đào tạo, phục hồi chức năng.

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 con lắc ngược bánh đà quán tính: Đây là mô hình toán học cơ bản mô phỏng hệ xe đạp tự cân bằng, trong đó bánh đà quán tính tạo ra moment xoắn giúp xe duy trì trạng thái cân bằng. Phương trình Euler-Lagrange được sử dụng để xây dựng hệ phương trình động lực học, với các tham số như khối lượng, moment quán tính, góc nghiêng và vận tốc góc của bánh đà.

  2. Bộ điều khiển toàn phương tuyến tính LQR (Linear Quadratic Regulator): LQR là giải thuật điều khiển tối ưu cho hệ thống tuyến tính, nhằm tối thiểu hóa hàm mục tiêu toàn phương gồm biến trạng thái và tín hiệu điều khiển. Ma trận độ lợi K được tính dựa trên nghiệm của phương trình Riccati, giúp hệ thống đạt được cân bằng ổn định.

  3. Bộ điều khiển Fuzzy-LQR: Kết hợp giữa điều khiển mờ (Fuzzy Logic) và LQR, trong đó vector hồi tiếp K của LQR được sử dụng làm hệ số cho các biến trạng thái. Bộ điều khiển mờ gồm các khối mờ hóa, hệ quy tắc, suy diễn và giải mờ, cho phép xử lý các đặc tính phi tuyến và không chắc chắn của hệ thống, nâng cao hiệu quả điều khiển.

Các khái niệm chính bao gồm: moment quán tính, góc nghiêng, bộ điều khiển tuyến tính, bộ điều khiển mờ, bộ lọc Kalman (để xử lý tín hiệu cảm biến), và mô hình toán học Euler-Lagrange.

Phương pháp nghiên cứu

Nghiên cứu được thực hiện theo ba bước chính:

  • Phân tích lý thuyết: Xây dựng mô hình toán học của hệ xe đạp tự cân bằng dựa trên nguyên lý con lắc ngược bánh đà quán tính. Thiết kế bộ điều khiển LQR và Fuzzy-LQR dựa trên các lý thuyết điều khiển tối ưu và điều khiển mờ.

  • Mô phỏng trên máy tính: Sử dụng Matlab/Simulink để mô phỏng hoạt động của bộ điều khiển trên mô hình toán học. Các tham số hệ thống được xác định chính xác thông qua phần mềm SolidWorks và các thí nghiệm nhận dạng động cơ DC. Cỡ mẫu mô phỏng bao gồm các trạng thái góc nghiêng và vận tốc khác nhau để đánh giá hiệu quả điều khiển.

  • Thực nghiệm trên mô hình thực tế: Xây dựng mô hình xe đạp tự cân bằng với phần cơ khí và mạch điện hoàn chỉnh. Thu thập dữ liệu góc nghiêng bằng cảm biến MPU6050, xử lý bằng bộ lọc Kalman. Thuật toán điều khiển được nhúng vào vi điều khiển STM32F4, điều khiển động cơ bánh đà và động cơ di chuyển. Kết quả thực nghiệm được so sánh với mô phỏng để đánh giá độ chính xác và hiệu quả.

Timeline nghiên cứu kéo dài gần một năm, từ tháng 7/2017 đến tháng 6/2018, đảm bảo tính toàn diện từ lý thuyết đến ứng dụng thực tế.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

  1. Hiệu quả điều khiển của bộ LQR và Fuzzy-LQR: Kết quả mô phỏng cho thấy bộ điều khiển Fuzzy-LQR có khả năng duy trì cân bằng xe đạp tốt hơn bộ LQR truyền thống. Ví dụ, trong các trường hợp góc nghiêng ban đầu là 2 rad và vận tốc góc 0 rad/s, Fuzzy-LQR giảm sai số góc nghiêng nhanh hơn khoảng 15% so với LQR. Đồ thị góc nghiêng và điện áp điều khiển minh họa sự ổn định và đáp ứng mượt mà của Fuzzy-LQR.

  2. Độ chính xác của mô hình toán học và nhận dạng thông số: Thông số cơ khí được xác định bằng SolidWorks với độ chính xác cao, ví dụ khối lượng xe đạp là 1.394 kg, bánh đà 0.175 kg, moment quán tính lần lượt là 2.612 và 0.787 (đơn vị mm²). Thông số động cơ DC được nhận dạng qua thí nghiệm và mô phỏng, với điện trở phần ứng 1.36 Ω, hằng số moment xoắn 0.02184 Nm/A, giúp mô hình phản ánh sát thực tế.

  3. Ứng dụng bộ lọc Kalman trong xử lý tín hiệu cảm biến: Bộ lọc Kalman hiệu quả trong việc loại bỏ nhiễu từ cảm biến MPU6050, giúp đo góc nghiêng chính xác hơn, giảm sai số đo xuống dưới 2%. Điều này góp phần nâng cao độ ổn định của hệ thống điều khiển.

  4. Kết quả thực nghiệm trên mô hình thực tế: Khi áp dụng bộ điều khiển Fuzzy-LQR trên mô hình thực tế, xe đạp duy trì trạng thái cân bằng ổn định trong khoảng thời gian dài, với sai số góc nghiêng trung bình giảm 10% so với bộ điều khiển LQR. Điều này chứng minh tính khả thi và hiệu quả của giải thuật trong điều kiện thực tế.

Thảo luận kết quả

Nguyên nhân chính giúp bộ điều khiển Fuzzy-LQR vượt trội là khả năng xử lý phi tuyến và điều chỉnh hệ số hồi tiếp theo trạng thái thực tế của hệ thống, trong khi LQR chỉ dựa trên mô hình tuyến tính hóa quanh điểm cân bằng. So sánh với các nghiên cứu trước đây, kết quả này phù hợp với xu hướng ứng dụng điều khiển mờ kết hợp trong các hệ thống phi tuyến phức tạp.

Việc sử dụng bánh đà quán tính làm cơ cấu cân bằng giúp giảm thiểu ảnh hưởng của lực phản ứng mặt đất, đơn giản hóa mô hình và giảm chi phí thiết kế. Tuy nhiên, hạn chế về năng lượng tiêu thụ và moment sinh ra vẫn cần được cải thiện trong các nghiên cứu tiếp theo.

Dữ liệu có thể được trình bày qua các biểu đồ góc nghiêng theo thời gian, đồ thị điện áp điều khiển, và bảng so sánh sai số giữa các bộ điều khiển, giúp minh họa rõ ràng hiệu quả và ưu nhược điểm từng phương pháp.

Đề xuất và khuyến nghị

  1. Tối ưu hóa bộ điều khiển Fuzzy-LQR: Tiến hành chỉnh định các hệ số chuẩn hóa và luật mờ dựa trên dữ liệu thực nghiệm để nâng cao độ chính xác và giảm tiêu thụ năng lượng. Thời gian thực hiện dự kiến 6 tháng, do nhóm nghiên cứu điều khiển và tự động hóa đảm nhiệm.

  2. Nâng cấp phần cứng cảm biến và động cơ: Sử dụng cảm biến IMU có độ chính xác cao hơn và động cơ công suất lớn hơn để tăng khả năng sinh moment và giảm sai số đo. Mục tiêu cải thiện độ ổn định cân bằng thêm 20% trong vòng 1 năm, phối hợp với phòng thí nghiệm cơ điện tử.

  3. Phát triển thuật toán điều khiển thích nghi: Kết hợp học máy để tự động điều chỉnh tham số bộ điều khiển theo điều kiện vận hành thực tế, nhằm tăng tính linh hoạt và bền vững. Thời gian nghiên cứu 12 tháng, hợp tác với các chuyên gia trí tuệ nhân tạo.

  4. Mở rộng ứng dụng cho các loại xe khác: Áp dụng giải thuật và mô hình cho xe máy tự cân bằng hoặc robot di chuyển, nhằm đa dạng hóa sản phẩm và tăng tính ứng dụng thực tiễn. Kế hoạch triển khai trong 18 tháng, phối hợp với các đơn vị nghiên cứu robot.

Đối tượng nên tham khảo luận văn

  1. Sinh viên và nghiên cứu sinh ngành Kỹ thuật Điều khiển và Tự động hóa: Luận văn cung cấp kiến thức sâu về mô hình hóa hệ phi tuyến, thiết kế bộ điều khiển LQR và Fuzzy-LQR, cũng như ứng dụng thực tế trên mô hình xe đạp tự cân bằng.

  2. Kỹ sư phát triển sản phẩm xe tự cân bằng và robot di động: Tham khảo để áp dụng giải thuật điều khiển tối ưu và mờ trong thiết kế hệ thống cân bằng, cải thiện hiệu suất và độ ổn định sản phẩm.

  3. Giảng viên và nhà nghiên cứu trong lĩnh vực điều khiển tự động: Tài liệu tham khảo hữu ích cho việc giảng dạy, nghiên cứu nâng cao về điều khiển phi tuyến, bộ lọc Kalman và ứng dụng trong hệ thống thực tế.

  4. Các đơn vị đào tạo và phục hồi chức năng: Có thể ứng dụng mô hình xe đạp tự cân bằng như công cụ hỗ trợ huấn luyện và điều trị cho người gặp khó khăn trong việc giữ thăng bằng khi đi xe đạp.

Câu hỏi thường gặp

  1. Bộ điều khiển LQR là gì và tại sao được sử dụng trong nghiên cứu?
    Bộ điều khiển LQR là giải thuật điều khiển tối ưu cho hệ thống tuyến tính, giúp tối thiểu hóa hàm mục tiêu toàn phương gồm trạng thái và tín hiệu điều khiển. Nó được sử dụng vì tính toán nhanh, ổn định và phù hợp với mô hình tuyến tính hóa của xe đạp tự cân bằng.

  2. Điểm khác biệt chính giữa bộ điều khiển LQR và Fuzzy-LQR là gì?
    Fuzzy-LQR kết hợp điều khiển mờ với LQR, cho phép điều chỉnh hệ số hồi tiếp theo trạng thái thực tế, xử lý tốt các đặc tính phi tuyến và không chắc chắn, từ đó cải thiện hiệu quả điều khiển so với LQR thuần túy.

  3. Tại sao sử dụng bánh đà quán tính để cân bằng xe đạp?
    Bánh đà quán tính tạo ra moment xoắn giúp xe duy trì cân bằng mà không cần điều chỉnh góc lái, đơn giản hóa mô hình và giảm chi phí thiết kế. Tuy nhiên, nó tiêu thụ nhiều năng lượng và moment sinh ra có giới hạn.

  4. Bộ lọc Kalman có vai trò gì trong hệ thống?
    Bộ lọc Kalman xử lý tín hiệu đo từ cảm biến MPU6050, loại bỏ nhiễu và sai số, giúp đo góc nghiêng chính xác hơn, từ đó nâng cao độ ổn định và hiệu quả của bộ điều khiển.

  5. Kết quả thực nghiệm có phù hợp với mô phỏng không?
    Kết quả thực nghiệm trên mô hình thực tế cho thấy bộ điều khiển Fuzzy-LQR duy trì cân bằng ổn định với sai số giảm khoảng 10% so với LQR, phù hợp với dự đoán từ mô phỏng, chứng minh tính khả thi của giải thuật.

Kết luận

  • Luận văn đã xây dựng thành công mô hình toán học và mô hình thực tế của hệ xe đạp tự cân bằng sử dụng bánh đà quán tính.
  • Thiết kế và so sánh hai bộ điều khiển LQR và Fuzzy-LQR cho thấy Fuzzy-LQR có hiệu quả điều khiển vượt trội trong việc duy trì cân bằng.
  • Bộ lọc Kalman được áp dụng hiệu quả trong xử lý tín hiệu cảm biến, nâng cao độ chính xác đo góc nghiêng.
  • Kết quả thực nghiệm khẳng định tính khả thi và hiệu quả của giải thuật điều khiển trên mô hình thực tế.
  • Đề xuất các hướng phát triển tiếp theo bao gồm tối ưu hóa bộ điều khiển, nâng cấp phần cứng, phát triển thuật toán thích nghi và mở rộng ứng dụng cho các loại xe khác.

Tiếp theo, nghiên cứu sẽ tập trung vào việc hoàn thiện bộ điều khiển Fuzzy-LQR và thử nghiệm trên các điều kiện vận hành đa dạng hơn. Độc giả và các nhà nghiên cứu được khuyến khích áp dụng và phát triển thêm dựa trên nền tảng này để thúc đẩy ứng dụng xe tự cân bằng trong thực tế.