CHƯƠNG 1: TỔNG QUAN VỀ HỆ THỐNG 1.1 Lịch sử nghiên cứu - Xuất phát từ lý thuyết điều khiển tổng thể (1960s - 1970s): Điều khiển tổng thể (Model Predictive Control - MPC) đã xuất hiện trong những năm 1960 và 1970 dưới dạng điều khiển tổng thể dựa trên mô hình dự báo (model predictive control). Ban đầu, nó được phát triển để giải quyết các vấn đề điều khiển trong các quá trình hóa học và công nghiệp. - Ứng dụng trong điều khiển động cơ và động cơ điện (1980s - 1990s): Trong những năm 1980 và 1990, các nghiên cứu bắt đầu mở rộng áp dụng MPC vào điều khiển động cơ và động cơ điện. Điều này bao gồm việc phát triển các mô hình động cơ chi tiết hơn và áp dụng các kỹ thuật dự báo để cải thiện hiệu suất điều khiển vị trí của các hệ thống này.
- Phát triển mô hình và thuật toán (2000s - 2010s): Trong những năm 2000, sự phát triển vượt bậc của công nghệ máy tính và thuật toán đã giúp MPC trở thành một công cụ mạnh mẽ hơn cho điều khiển vị trí động cơ. Các nghiên cứu tập trung vào việc phát triển thuật toán tối ưu hóa và phân tích dự báo để đảm bảo sự ổn định và hiệu quả của hệ thống điều khiển. - Ứng dụng trong các ngành công nghiệp và công nghệ cao (hiện đại): Hiện nay, MPC đã trở thành một công cụ phổ biến trong các ngành công nghiệp và ứng dụng công nghệ cao như tự động hóa công nghiệp, robot hợp tác, xe tự lái, và nhiều hệ thống điện tử tiên tiến khác. Các nghiên cứu tiếp tục tối ưu hóa và mở rộng phạm vi áp dụng của MPC để đáp ứng các yêu cầu ngày càng khắt khe về hiệu suất và độ chính xác trong điều khiển.
- Thách thức và hướng phát triển tương lai: 11 Trong tương lai, các nghiên cứu về MPC trong điều khiển vị trí động cơ sẽ tiếp tục tập trung vào khai thác tiềm năng của trí tuệ nhân tạo và học máy để cải thiện dự báo và tối ưu hóa điều khiển. Đồng thời, việc tích hợp MPC với các công nghệ mới như Internet of Things (IoT) và machine learning sẽ mở ra nhiều cơ hội mới cho ứng dụng thực tiễn. Thông qua quá trình này, lịch sử nghiên cứu về điều khiển vị trí động cơ sử dụng bộ điều khiển MPC đã chứng kiến sự phát triển vượt bậc và đóng góp quan trọng vào việc cải tiến các hệ thống điều khiển trong công nghiệp hiện đại.2 Mục tiêu đề tài - Đo vị trí động cơ bằng encoder và cảm biến đo dòng điện. - Điều khiển vị trí động cơ điện một chiều bằng giao diện máy tính.
- Thiết lập vị trí đặt và thông số bộ điều khiển trên giao diện máy tính. - Hiển thị và vẽ đồ thị trạng thái của vị trí theo thời gian thực trên giao diện máy tính. - Hiển thị vị trí và dòng điện đo được lên màn hình LCD.3 Phương pháp nghiên cứu 1.1 Phương pháp nghiên cứu lý thuyết - Dựa vào kiến thức đã học được, tìm hiểu qua internet, sách vở và tham khảo ý kiến của bạn bè, thầy cô, tìm ra giải pháp thực hiện bằng hình thức làm việc nhóm. - Tìm hiểu những hệ thống đo tốc độ trên thực tế phổ biến để học hỏi cách thiết kế chi tiết, cấu tạo tối ưu nhất có thể.
- Tìm hiểu phương pháp xây dựng hệ thống điều khiển và chương trình điều khiển. 12 - Tìm hiểu các phần mềm lập trình để hỗ trợ cho việc thiết kế và hoàn thiện sản phẩm.2 Phương pháp nghiên cứu thực nghiệm - Thực hiện hoàn thiện từng thành phần của hệ thống: bộ phận cảm biến, bộ phận hiển thị số liệu tốc độ, bộ phận nhập tốc độ giới hạn, bộ phận vi điều khiển. - Mô hình hóa, tính toán thiết kế mô hình cơ khí cho hệ thống đảm bảo độ chính xác và độ bền cần thiết đáp ứng nhu cầu hệ thống. - Sử dụng phần mềm Matlab-Simulink thiết lập chương trình điều khiển.
- Kiểm tra chương trình code cho hệ cho hệ thống điều khiển. - Tính toán, thiết kế và nghiên cứu độ an toàn và độ chính xác của hệ thống để lựa chọn những thiết bị phù hợp như: Động cơ điện 1 chiều, … - Cho hệ thống hoạt động và chỉnh sửa những chi tiết chưa phù hợp.4 Giới hạn, phạm vi nghiên cứu 1.1 Phạm vi nghiên cứu - Nghiên cứu động cơ có gắn sẵn encoder, động cơ không gắn sẵn encoder. - Arduino Mega 2560, bộ điều khiển động cơ JGA25, PWM thông qua các kiến thức đã học và tìm hiểu được qua thư viện, sách báo và trên internet. - Áp dụng bộ điều khiển dự báo mô hình (MPC) để điều khiển vị trí động cơ một cách linh hoạt, sáng tạo, và khoa học.
Sử dụng các mô hình mô phỏng để kiểm tra và tối ưu hóa hệ thống, tạo tiền đề cho việc chế tạo mô hình thực tế của hệ thống.2 Giới hạn nghiên cứu - Kích thước dưới dạng mô hình thực nghiệm vị trí động cơ với góc quay từ 0 đến 360 độ, công suất động cơ 5W và có điện áp động cơ 13 12 VDC. Encoder tương đối có độ phân giải lớn hơn 11 xung/vòng và sử dụng Arduino Mega 2560. - 14 CHƯƠNG 2: CƠ SỞ LÝ THUYẾT ĐIỀU KHIỂN VỊ TRÍ ĐỘNG CƠ SỬ DỤNG BỘ ĐIỀU KHIỂN MPC 2.1 Cấu trúc hệ thống (Chú ý: : truyền dữ liệu, : nhận dữ liệu) Hình 2. Cấu trúc hệ thống Cấu tạo: - Khối nguồn: Sử dụng khối nguồn tổng với mức điện áp 12V.
15 - Thiết bị đầu ra: Giao diện máy tính, giúp hiển thị vị trí động cơ, mô men và điện áp. - Thiết bị đưa tín hiệu vào: Giá trị hiệu chỉnh từ phần mềm simulink trên máy tính. - Khối điều khiển: Arduino Mega điều khiển hệ thống nhận tín hiệu từ encoder và động cơ, đầu ra của bộ điều khiển là tín hiệu điều chế độ rộng xung (PWM) 8 bit với giá trị trong khoảng 0-255, đưa tín hiệu cho trình điều khiển động cơ (LH298), chức năng của trình điều khiển động cơ là tăng điện áp rồi truyền cho động cơ từ đó mà động cơ quay nhanh hay chậm. - Khối đo: Encoder tương đối: Dùng để đo tốc độ động cơ hiển thị lên giao diện máy tính.2 Mô hình điều khiển MPC - MPC là một kỹ thuật điều khiển tối ưu dựa trên mô hình của hệ thống được điều khiển.
Ý tưởng chính của MPC là sử dụng mô hình toán học của hệ thống để dự đoán hành vi của nó trong tương lai và tối ưu hóa hiệu suất hệ thống bằng cách điều chỉnh các tín hiệu điều khiển sao cho hệ thống đạt được các mục tiêu mong muốn trong khi tuân thủ các ràng buộc đặt ra. MPC hoạt động theo nguyên lý sau: - Dự đoán: Sử dụng mô hình toán học để dự đoán hành vi tương lai của hệ thống trên một khoảng thời gian nhất định (gọi là horizon - tầm nhìn trước). - Tối ưu hóa: Tại mỗi bước thời gian, một bài toán tối ưu hóa được giải quyết để tìm ra dãy tín hiệu điều khiển tối ưu sao cho mục tiêu điều khiển được đạt (ví dụ như theo dõi tín hiệu tham chiếu, giảm thiểu 16 tiêu hao năng lượng) trong khi tuân thủ các ràng buộc (ví dụ: giới hạn đầu vào, giới hạn trạng thái). - Áp dụng: Chỉ tín hiệu điều khiển đầu tiên trong dãy tối ưu được áp dụng cho hệ thống.
Sau đó, quá trình dự đoán và tối ưu hóa được lặp lại tại bước thời gian tiếp theo với các thông tin cập nhật mới từ hệ thống. Các thành phần chính của mô hình MPC: Mô hình dự đoán: Mô hình toán học được sử dụng để dự đoán hành vi của hệ thống trong tương lai. Mô hình này có thể là tuyến tính hoặc phi tuyến, tùy thuộc vào tính chất của hệ thống. - Hàm mục tiêu: Là hàm tối ưu hóa cần được cực tiểu hóa (hoặc cực đại hóa) trong quá trình điều khiển.
Thường hàm mục tiêu bao gồm các thành phần như sai số theo dõi giữa đầu ra thực và tín hiệu tham chiếu, cũng như các chi phí liên quan đến đầu vào điều khiển. - Ràng buộc: Các giới hạn hoặc điều kiện mà hệ thống phải tuân thủ trong quá trình điều khiển, như giới hạn về đầu vào, giới hạn về trạng thái, hoặc các điều kiện an toàn khác. Từ trên, ta bắt đầu xây dựng mô hình dự đoán cho mô hình MPC. Các mô hình được nhóm cân nhắc lựa chọn bao gồm: - Mô hình không gian trạng thái tuyến tính - Mô hình không tuyến tính - Mô hình hàm truyền Sau khi thử các mô hình và tính toán, nhóm quyết định sử dụng mô hình không gian trạng thái tuyến tính: hệ thống được mô tả bởi một tập hợp các phương trình vi phân tuyến tính không thay đổi theo thời gian với lí do đơn giản, dễ triển khai, tính toán nhanh chóng, phù hợp cho các hệ thống 17 tuyến tính hoặc có thể tuyến tính hóa xung quanh một điểm làm việc ở đây là xác định vị trí động cơ.
Mô hình không gian trạng thái tuyến tính trên sẽ mô tả cho trạng thái của động cơ DC giảm tốc.