Khảo Sát Điều Khiển Thông Minh Trên Hệ Bóng Thanh

Khảo sát điều khiển thông minh trên hệ thống bóng thanh trục giữa, ứng dụng công nghệ tiên tiến trong tự động hóa và tối ưu hóa hiệu suất.

• Tác giả: Nguyen Minh Quan
• Người hướng dẫn: Nguyen Van Dong Hai
• Trường học: Ho Chi Minh City University of Technology and Education
• Chuyên ngành: Automatic and Control Engineering
• Đề tài: Khảo Sát Hệ Thống Điều Khiển Thông Minh Trên Hệ Bóng Thanh
• Loại tài liệu: Graduation Thesis
• Năm xuất bản: 2024
• Địa điểm: Ho Chi Minh City

Mục lục chi tiết

• LỜI MỞ ĐẦU
• 1. CHƯƠNG 1: MOTIVATION OF RESEARCH TOPIC
• 1.1. Motivation of research topic
• 1.2. Objectives of the study
• 1.3. Scope of research
• 1.4. Application of the thesis
• 2. CHAPTER 2: THEORETICAL FOUNDATIONS
• 2.1. Mathematical model of the B&B system
• 2.2. LQR control theory
• 2.3. Fuzzy Control Theory
• 2.4. Matlab Simulink and the "Deep Learning" toolkit
• 2.4.1. Introduction of the tool "Anfis"
• 2.4.2. Introducing the "Neuron Toolbox"
• 2.5. Genetic algorithm theory
• 2.6. Controller Quality Evaluation Standards
• 2.6.1. Build an LQR controller
• 2.6.2. Build a Fuzzy controller using "Anfis"
• 2.6.3. Build a Neuron Controller using the "Neuron Toolbox"
• 2.6.4. Optimizing pre-processing, post-processing for Fuzzy controllers - 81 rules
• 2.6.5. Building Fuzzy controller - 16 rules
• 3. CHAPTER 3
• 4. CHAPTER 4
• 4.1. Simulate system stability at equilibrium position
• 4.2. Simulate system stability at a location other than 0
• 4.3. Sinusoidal trajectory tracking system control simulation
• 4.4. Simulate the control of a square wave trajectory system
• 4.5. Evaluate and comment simulation results
• 5. CHAPTER 5: EXPERIMENT RESULTS
• 5.1. Experimental results stabilize the system at equilibrium
• 5.2. Experimental results stabilize the system at a position other than 0
• 5.3. Experimental results of stabilization of sinusoidal trajectory tracking system
• 5.4. Evaluation and comment on experimental results
• CONCLUSION AND TOPIC DEVELOPMENT DIRECTION
• 6.2. Topic development direction
• APPENDIX 1: MATLAB PROGRAM SUPPORTS CALCULATIONS
• APPENDIX 2: SUBSYSTEM HIDDEN STRUCTURE
• APPENDIX 3: SETUP SIMULINK BLOCK
• APPENDIX 4: THE HIDDEN PROGRAM IN MATLAB FUNCTION
• APPENDIX 5: GA IMPLEMENTATION PROGRAM
• APPENDIX 6: WAIJUNG BLOCKSET LIBRARY
• APPENDIX 7: USER INTERFACE PROGRAM

Tóm tắt

I. Tổng quan về Khảo Sát Hệ Thống Điều Khiển Thông Minh Trên Hệ Bóng Thanh

Hệ thống bóng thanh là một trong những mô hình nổi bật trong lĩnh vực điều khiển tự động. Mô hình này không chỉ được sử dụng trong giáo dục mà còn có nhiều ứng dụng thực tiễn trong các lĩnh vực như hàng không và hàng hải. Việc khảo sát hệ thống điều khiển thông minh trên hệ bóng thanh giúp nâng cao hiệu quả điều khiển và mở rộng khả năng ứng dụng của nó.

1.1. Đặc điểm nổi bật của hệ bóng thanh

Hệ bóng thanh có cấu trúc đơn giản nhưng lại thể hiện tính chất phi tuyến, cho phép nghiên cứu các thuật toán điều khiển phức tạp. Hệ thống này có thể được áp dụng trong nhiều tình huống thực tế như cân bằng máy bay khi hạ cánh.

1.2. Lợi ích của việc khảo sát hệ thống điều khiển thông minh

Khảo sát này không chỉ giúp cải thiện hiệu suất điều khiển mà còn cung cấp cơ sở cho việc phát triển các thuật toán điều khiển thông minh hơn, từ đó mở rộng khả năng ứng dụng trong thực tiễn.

II. Vấn đề và Thách thức trong Khảo Sát Hệ Thống Điều Khiển

Mặc dù hệ bóng thanh có nhiều ứng dụng, nhưng việc điều khiển chính xác vẫn gặp phải nhiều thách thức. Các vấn đề như độ nhiễu, độ không ổn định và tính phi tuyến của hệ thống cần được giải quyết để đạt được hiệu quả tối ưu.

2.1. Độ nhiễu và ảnh hưởng đến điều khiển

Độ nhiễu trong hệ thống có thể làm giảm độ chính xác của các thuật toán điều khiển. Việc phát hiện và xử lý độ nhiễu là một trong những thách thức lớn nhất trong nghiên cứu này.

2.2. Tính phi tuyến và sự phức tạp trong điều khiển

Hệ bóng thanh là một hệ thống phi tuyến, điều này làm cho việc áp dụng các phương pháp điều khiển truyền thống trở nên khó khăn. Cần có các phương pháp điều khiển thông minh để xử lý tính phi tuyến này.

III. Phương Pháp Giải Quyết Vấn Đề Điều Khiển Thông Minh

Để giải quyết các vấn đề trong điều khiển hệ bóng thanh, nhiều phương pháp điều khiển thông minh đã được áp dụng. Các phương pháp này bao gồm điều khiển Fuzzy, điều khiển Neuron và thuật toán di truyền.

3.1. Điều khiển Fuzzy và ứng dụng của nó

Điều khiển Fuzzy sử dụng các quy tắc mờ để xử lý thông tin không chắc chắn, giúp cải thiện độ chính xác trong điều khiển hệ bóng thanh.

3.2. Sử dụng Neuron Toolbox trong điều khiển

Neuron Toolbox cho phép xây dựng các mô hình điều khiển dựa trên học máy, giúp tối ưu hóa quá trình điều khiển và nâng cao hiệu suất của hệ thống.

3.3. Tối ưu hóa bằng thuật toán di truyền

Thuật toán di truyền được sử dụng để tối ưu hóa các tham số điều khiển, từ đó cải thiện hiệu suất của hệ thống điều khiển Fuzzy và Neuron.

IV. Ứng Dụng Thực Tiễn và Kết Quả Nghiên Cứu

Kết quả từ việc khảo sát hệ thống điều khiển thông minh trên hệ bóng thanh đã cho thấy nhiều ứng dụng thực tiễn. Các mô hình điều khiển đã được thử nghiệm và cho kết quả khả quan trong việc duy trì sự ổn định của hệ thống.

4.1. Kết quả mô phỏng và thực nghiệm

Các mô phỏng cho thấy rằng hệ thống điều khiển Fuzzy và Neuron có khả năng duy trì sự ổn định tốt hơn so với các phương pháp truyền thống.

4.2. Ứng dụng trong thực tế

Hệ thống bóng thanh có thể được áp dụng trong nhiều lĩnh vực như hàng không, nơi cần duy trì sự ổn định trong điều kiện không chắc chắn.

V. Kết Luận và Hướng Phát Triển Tương Lai

Khảo sát hệ thống điều khiển thông minh trên hệ bóng thanh đã mở ra nhiều hướng nghiên cứu mới. Các kết quả đạt được không chỉ có giá trị lý thuyết mà còn có thể áp dụng trong thực tiễn.

5.1. Tóm tắt kết quả nghiên cứu

Nghiên cứu đã chỉ ra rằng các phương pháp điều khiển thông minh có thể cải thiện đáng kể hiệu suất của hệ thống bóng thanh.

5.2. Hướng phát triển trong tương lai

Các nghiên cứu tiếp theo có thể tập trung vào việc phát triển các thuật toán điều khiển phức tạp hơn, nhằm nâng cao khả năng ứng dụng của hệ thống trong các lĩnh vực khác nhau.

Nội dung chính

Bối cảnh và vấn đề nghiên cứu

Hệ thống bóng và thanh trục giữa (Ball and Beam - B&B) là một mô hình thực nghiệm kinh điển trong lĩnh vực kỹ thuật điều khiển và tự động hóa. Về mặt động học, đây là hệ thống phi tuyến thuộc lớp SIMO (Single Input Multi Output - một ngõ vào, nhiều ngõ ra) với đặc tính không ổn định tự nhiên, phản ánh các bài toán cân bằng vật lý trong thực tế như cân bằng tàu thủy khi chịu tác động của sóng biển hoặc ổn định góc nghiêng cánh máy bay trong điều kiện gió đối lưu khi hạ cánh.

Các nghiên cứu truyền thống trên hệ thống bóng thanh trước đây (như nghiên cứu của Arroya, mô hình của Hirsch hay bộ thực nghiệm của Quanser) thường sử dụng thuật toán điều khiển vi tích phân tỉ lệ (PID) cổ điển kết hợp xử lý tín hiệu số qua chip DSP. Tuy nhiên, bộ điều khiển PID với bộ thông số cố định bộc lộ hạn chế lớn khi đối mặt với sự biến thiên trạng thái động của hệ SIMO phi tuyến. Do đó, việc ứng dụng và khảo sát các thuật toán điều khiển thông minh là yêu cầu cấp thiết để nâng cao chất lượng điều khiển.

Đồ án tốt nghiệp "Khảo sát hệ thống điều khiển thông minh trên hệ bóng thanh" được thực hiện bởi sinh viên Nguyễn Minh Quân và Nguyễn Ngọc Sách, dưới sự hướng dẫn của TS. Nguyễn Văn Đông Hải tại Trường Đại học Sư phạm Kỹ thuật TP. Hồ Chí Minh, tập trung giải quyết các nhiệm vụ nghiên cứu cụ thể sau:

1. Xây dựng mô hình toán học và tuyến tính hóa hệ thống bóng thanh trục giữa, thiết lập bộ điều khiển tối ưu LQR (Linear Quadratic Regulator) làm chuẩn đối sánh.
2. Ứng dụng công cụ Anfis và Neuron Toolbox trong bộ công cụ Deep Learning của Matlab để huấn luyện bộ điều khiển mờ (Fuzzy) và mạng nơ-ron (Neuron) học theo bộ điều khiển LQR.
3. Ứng dụng giải thuật di truyền (Genetic Algorithm - GA) để tối ưu hóa hệ số tiền xử lý và hậu xử lý cho bộ điều khiển Fuzzy 81 luật (kế thừa từ hệ con lắc ngược trên xe) nhằm áp dụng cho hệ bóng thanh trục giữa.
4. Xây dựng bộ điều khiển Fuzzy 16 luật dựa trên kinh nghiệm điều khiển thực nghiệm trực tiếp.
5. Cải tiến phần cứng mô hình thực tế tại phòng thí nghiệm C205B: xử lý triệt để nhiễu tín hiệu Encoder và ADC, khắc phục sự cố hở mạch, hư hỏng linh kiện, đi lại dây dẫn và nâng cao tính thẩm mỹ.
6. Thiết kế chương trình nhúng trên vi điều khiển STM32F4 Discovery kết hợp giao diện giám sát vận hành trên máy tính và tiến hành kiểm nghiệm thực nghiệm.

Đối tượng nghiên cứu là hệ thống bóng thanh trục giữa với cơ chế truyền động bằng động cơ DC servo kết hợp cảm biến vị trí biến trở dây. Phạm vi nghiên cứu tập trung vào 5 cấu trúc điều khiển: LQR, Fuzzy học qua Anfis, Neuron học qua Neuron Toolbox, Fuzzy 81 luật tối ưu bằng GA và Fuzzy 16 luật theo kinh nghiệm, được kiểm chứng qua mô phỏng Simulink và thử nghiệm trên mô hình phần cứng thực tế trong thời gian từ tháng 08/2023 đến tháng 12/2023.

---

Cơ sở lý thuyết và phương pháp nghiên cứu

Mô hình toán học hệ thống bóng và thanh

Hệ thống B&B bao gồm một thanh đồng chất $b$ có chiều dài $L_b$, khối lượng $m_b$, quay quanh trục quay trung tâm $O(0;0)$ dưới tác dụng của mô-men xoắn $\tau$ do động cơ DC sinh ra; quả bóng đồng chất $B$ có khối lượng $m_B$, bán kính $R$, chuyển động lăn không trượt dọc theo thanh.

Đại lượng	Ký hiệu	Giá trị thực nghiệm	Đơn vị
Khối lượng bóng ($B$)	$m_B$	0,045	kg
Khối lượng thanh ($b$)	$m_b$	0,35	kg
Chiều dài thanh ($b$)	$L_b$	0,34	m
Bán kính bóng ($B$)	$R$	0,011	m
Mô-men quán tính bóng	$J_B = \frac{2}{5}m_B R^2$	$2,178 \times 10^{-6}$	$\text{kg}\cdot\text{m}^2$
Mô-men quán tính thanh	$J_b = \frac{1}{12}m_b L_b^2$	$3,372 \times 10^{-3}$	$\text{kg}\cdot\text{m}^2$

Phương trình động lực học được thiết lập thông qua phương pháp Euler - Lagrange với hàm Lagrange $L = T - P$. Thế năng hệ thống chọn mốc tại tâm $O$ quy về thế năng của quả bóng: $$P = P_B = m_B g p \sin\theta$$

Động năng toàn phần $T = T_B + T_b$, trong đó động năng tịnh tiến và tự quay của bóng là $T_B = \frac{1}{2} J_B \dot{\theta}_B^2 + \frac{1}{2} m_B v_B^2$ và động năng quay của thanh là $T_b = \frac{1}{2} J_b \dot{\theta}^2$. Bỏ qua ma sát, phương trình vi phân chuyển động của bóng trên thanh có dạng: $$\ddot{p} = \frac{m_B p \dot{\theta}^2 - m_B g \sin\theta}{m_B + \frac{J_B}{R^2}}$$

Liên hệ giữa mô-men động cơ $\tau$ và điện áp cấp $e$ được mô hình hóa qua các thông số động cơ DC Servo Nisca NF5475: điện trở phần ứng $R_m = 6,06494\ \Omega$, hằng số sụt áp ngược $K_b = 0,06494\text{ V/(rad/s)}$, hệ số tự cảm $L_m = 0,25086\text{ H}$, mô-men quán tính rotor $J_m = 0,00013\text{ kg}\cdot\text{m}^2$, hệ số ma sát nhớt $C_m = 0,00004\text{ Nm/(rad/s)}$ và mô-men ma sát $K_f = 0,01076\text{ Nm}$.

Hệ thống được biểu diễn dưới dạng không gian trạng thái với véctơ trạng thái $x = [p, \dot{p}, \theta, \dot{\theta}]^T = [x_1, x_2, x_3, x_4]^T$ và tín hiệu điều khiển là điện áp động cơ $e$. Điểm làm việc cân bằng được chọn tại $x_0 = [0, 0, 0, 0]^T, e_0 = 0$, từ đó hệ phương trình phi tuyến được tuyến tính hóa dạng $\dot{x} = Ax + Be$.

Phương pháp thiết kế các bộ điều khiển

• Điều khiển tối ưu LQR: Tín hiệu điều khiển $u = -Kx$, với ma trận độ lợi $K = R^{-1} B^T P$ thu được từ việc giải phương trình vi phân ma trận Algebraic Riccati Equation: $PA + A^T P + Q - PBR^{-1} B^T P = 0$.
• Học thích nghi mờ qua Anfis: Sử dụng mô hình mờ Takagi-Sugeno 5 lớp với 4 ngõ vào ($p, \dot{p}, \theta, \dot{\theta}$) và 1 ngõ ra $u$. Mỗi biến ngõ vào sử dụng 3 hàm liên thuộc dạng hình thang (trapmf), ngõ ra dạng hàm tuyến tính (linear). Dữ liệu huấn luyện được trích xuất từ phản hồi vòng kín của bộ điều khiển LQR.
• Mạng nơ-ron qua Neuron Toolbox: Cấu trúc mạng nhiều lớp (Feedforward Neural Network) với 2 lớp ẩn (lớp thứ nhất gồm 100 nơ-ron hàm kích hoạt tansig, lớp thứ hai gồm 1 nơ-ron hàm kích hoạt purelin). Mạng được huấn luyện bằng thuật toán lan truyền ngược đàn hồi (trainrp), số chu kỳ học 1.000.000 epochs, sai số mục tiêu $10^{-7}$, chu kỳ lấy mẫu $T_s = 0,01\text{ s}$ (10 ms).
• Tối ưu hóa tham số mờ bằng Giải thuật Di truyền (GA): Áp dụng giải thuật GA để tìm các hệ số tiền xử lý $K_1 = 1/X_1, K_2 = 1/X_2, K_3 = 1/X_3, K_4 = 1/X_4$ và hậu xử lý $K_5 = X_5$ cho tập 81 luật mờ kế thừa từ hệ con lắc ngược. Hàm mục tiêu $J$ là tổng bình phương sai số xác lập tích phân.
• Điều khiển mờ 16 luật theo kinh nghiệm: Chuẩn hóa ngõ vào - ngõ ra về miền $[-1; 1]$. Thiết lập 2 hàm liên thuộc tam giác cho mỗi ngõ vào, 8 hàm liên thuộc hằng số cho ngõ ra, suy luận mờ theo phương pháp Max-Prod và giải mờ theo phương pháp trọng tâm (Center of Area - COA).

---

Thiết kế và triển khai hệ thống phần cứng

Hệ thống thực nghiệm được thiết kế và chế tạo hoàn chỉnh dựa trên mô hình cơ khí tại phòng thí nghiệm C205B, kết nối đồng bộ giữa phần cứng điều khiển và môi trường phần mềm máy tính.

Cấu trúc phần cứng

1. Khối xử lý trung tâm: Sử dụng kit vi điều khiển STM32F4 Discovery (vi điều khiển ARM Cortex-M4 tốc độ xử lý 168 MHz) để thu thập tín hiệu, tính toán giải thuật điều khiển thời gian thực và xuất tín hiệu điều chế độ rộng xung (PWM).
2. Khối công suất: Mạch cầu H sử dụng IC driver IR2184 điều khiển cấp nguồn cách ly cho động cơ DC Servo Nisca NF5475, cho phép đảo chiều quay và điều chỉnh tốc độ linh hoạt.
3. Khối cảm biến:
   • Cảm biến điện trở dây quấn dọc thân thanh: Đo đạc vị trí tức thời của quả bóng thông qua sự phân áp khi bóng tiếp xúc với dây điện trở, chuyển đổi về vi điều khiển qua bộ chuyển đổi ADC.
   • Encoder quang tích hợp trục động cơ: Đo góc nghiêng $\theta$ và vận tốc góc $\dot{\theta}$ của thanh.
4. Khối giao tiếp và giám sát: Module chuyển đổi UART-USB CP2102 truyền nhận dữ liệu giữa STM32F4 và máy tính theo thời gian thực.

Cải tiến và xử lý kỹ thuật phần cứng

Trong quá trình triển khai, nhóm tác giả đã tiến hành khắc phục các lỗi kỹ thuật tồn đọng từ các khóa trước:

• Lọc nhiễu phần cứng và phần mềm cho kênh đọc tín hiệu vị trí bóng từ biến trở dây (ADC) và kênh xung đếm Encoder.
• Sửa chữa hiện tượng hở mạch trên bo mạch trung gian, thay thế các linh kiện bán dẫn công suất bị suy giảm phẩm chất.
• Tối ưu hóa cấu trúc đường dây tín hiệu và dây nguồn công suất riêng biệt nhằm triệt tiêu hiện tượng sụt áp và nhiễu điện từ trường.

Phần mềm nhúng và giao diện điều khiển

Chương trình điều khiển nhúng trên STM32F4 được xây dựng thông qua thư viện Waijung Blockset trực tiếp từ Matlab Simulink, tự động biên dịch và nạp mã nguồn C xuống chip. Giao diện người dùng (GUI) trên máy tính cho phép hiển thị đồ thị đáp ứng vị trí bóng, góc nghiêng thanh và cấu hình trực tiếp các thông số vận hành.

---

Nội dung chính theo từng chương

Chương 1: Giới thiệu đề tài (Introduction)

Trình bày tính cấp thiết của đề tài nghiên cứu hệ thống bóng và thanh trục giữa, phân tích các công trình nghiên cứu trong và ngoài nước, xác định mục tiêu thiết kế 5 bộ điều khiển, phương pháp luận nghiên cứu và phạm vi ứng dụng trong các hệ thống cân bằng thực tế.

Chương 2: Cơ sở lý thuyết (Theoretical Foundations)

Thiết lập phương trình toán học phi tuyến cho hệ B&B bằng giải thuật Euler-Lagrange, phân tích mô hình động cơ DC và tiến hành tuyến tính hóa hệ thống quanh điểm cân bằng. Trình bày lý thuyết điều khiển tối ưu LQR, lý thuyết tập mờ và giải mờ, nguyên lý hoạt động của các công cụ Deep Learning (Anfis, Neuron Toolbox), nguyên lý giải thuật di truyền GA và định nghĩa các chỉ tiêu đánh giá chất lượng hệ thống ($e_{xl}, t_{xl}, POT$).

Chương 3: Thuật toán điều khiển (Control Algorithms)

Chi tiết hóa quy trình tính toán ma trận phản hồi trạng thái $K$ cho bộ điều khiển LQR. Trình bày quy trình 5 bước thu thập dữ liệu và cấu hình Anfis tạo bộ điều khiển Fuzzy; quy trình huấn luyện mạng Neuron với 100 tế bào lớp ẩn. Thực hiện 3 đợt chạy giải thuật GA tìm bộ thông số $X_1, X_2, X_3, X_4, X_5$ cho bộ điều khiển 81 luật. Xây dựng bảng 16 luật điều khiển mờ dựa trên quan sát trạng thái thực tế và xác định các hệ số tỉ lệ tiền - hậu xử lý.

Lần chạy GA	Dải tìm kiếm ($X_1 \to X_5$)	$J_{min}$ đạt được	Thế hệ dừng
Lần 1	$[0-100], [0-100], [0-100], [0-500], [0-10000]$	18,2	Thế hệ 24
Lần 2	$[0-10], [0-10], [0-10], [0-50], [0-5000]$	5,8	Thế hệ 34
Lần 3	$[0-50], [0-50], [0-50], [0-100], [0-10000]$	14,9	Thế hệ 20

Chương 4: Kết quả mô phỏng (Simulation Results)

Thực hiện mô phỏng 5 bộ điều khiển trên Matlab Simulink trong 4 kịch bản: ổn định tại vị trí cân bằng gốc ($p=0$), ổn định tại vị trí lệch gốc ($p=2\text{ cm}$), bám quỹ đạo sóng hình sin và bám quỹ đạo xung vuông. Đối sánh chi tiết các chỉ tiêu chất lượng giữa các thuật toán.

Chương 5: Kết quả thực nghiệm (Experiment Results)

Trình bày kết quả kiểm nghiệm trên mô hình B&B thực tế tại phòng thí nghiệm C205B. Tiến hành đo đạc đáp ứng thực tế khi đưa bóng về vị trí cân bằng, vị trí đặt $p=4\text{ cm}$ và bám quỹ đạo hình sin. So sánh sai lệch giữa mô phỏng và thực nghiệm, phân tích nguyên nhân do ma sát thực và độ trễ cơ khí.

Chương 6: Kết luận và hướng phát triển đề tài

Tổng kết các kết quả đạt được về mặt thuật toán và mô hình phần cứng, chỉ ra các điểm còn tồn tại và đề xuất các giải pháp nâng cấp hệ thống trong tương lai.

---

Kết quả và đóng góp

Kết quả mô phỏng và thực nghiệm

Cả 5 bộ điều khiển đều điều khiển thành công hệ thống bóng thanh trục giữa đạt trạng thái ổn định. Các chỉ tiêu chất lượng được tổng hợp qua mô phỏng ổn định tại điểm cân bằng gốc ($p=0\text{ m}, \theta=0\text{ rad}$):

Bộ điều khiển	Sai số xác lập vị trí $e_{xl}\ (p)$	Thời gian xác lập $t_{xl}\ (p)$	Độ vọt lố POT $(p)$	Sai số xác lập góc $e_{xl}\ (\theta)$	Độ vọt lố POT $(\theta)$
LQR	$0\text{ m}$	$2,00\text{ s}$	$0,0221\text{ m}$	$0\text{ rad}$	$0,0399\text{ rad}$
Fuzzy - Anfis	$0\text{ m}$	Đáp ứng tương đương LQR	Nhỏ	$0\text{ rad}$	Tương đương LQR
Neuron Toolbox	$0\text{ m}$	Đáp ứng tương đương LQR	Nhỏ	$0\text{ rad}$	Tương đương LQR
Fuzzy 81 luật (GA)	Đạt ổn định	Nhanh	Thấp	Đạt ổn định	Thấp
Fuzzy 16 luật (Kinh nghiệm)	Đạt ổn định	Phù hợp thực tế	Chấp nhận được	Đạt ổn định	Thấp

Trong các bài toán bám quỹ đạo đặt phức tạp (quỹ đạo sin và sóng vuông trong mô phỏng; quỹ đạo lệch $4\text{ cm}$ và sóng sin trong thực nghiệm), bộ điều khiển Fuzzy 81 luật tối ưu bằng GA và Fuzzy 16 luật theo kinh nghiệm thể hiện khả năng thích nghi tốt trước sự biến đổi liên tục của tín hiệu đặt.

Đóng góp kỹ thuật của đề tài

1. Chứng minh tính khả thi và độ chính xác của việc ứng dụng công cụ Anfis và Neuron Toolbox để tự động hóa quá trình thiết kế bộ điều khiển thông minh học theo dữ liệu mẫu từ bộ điều khiển tuyến tính LQR.
2. Ứng dụng thành công giải thuật di truyền GA để chuyển giao và tối ưu hóa tập 81 luật mờ của hệ con lắc ngược sang ứng dụng trên hệ bóng thanh trục giữa, đạt giá trị hàm mục tiêu tối ưu $J_{min} = 5,8$.
3. Thiết lập thành công bộ điều khiển Fuzzy 16 luật đơn giản dựa trên tri thức chuyên gia mà không cần biết chính xác mô hình toán học chi tiết của đối tượng.
4. Nâng cấp toàn diện mô hình phần cứng tại phòng thí nghiệm C205B, xử lý triệt để các vấn đề nhiễu tín hiệu cảm biến và hoàn thiện chương trình nhúng thời gian thực trên vi điều khiển STM32F4.

---

Hạn chế và hướng nghiên cứu tiếp

Hạn chế của đề tài

• Quá trình mô phỏng chưa bao hàm toàn bộ các yếu tố phi tuyến phức tạp trong thực tế như ma sát tĩnh, ma sát lăn không đồng nhất giữa bóng và thanh, độ rơ cơ khí của khớp nối trục động cơ.
• Cảm biến vị trí bằng dây điện trở quấn dọc thanh sau thời gian hoạt động có thể bị mài mòn cơ học, gây ảnh hưởng đến độ tuyến tính của tín hiệu phản hồi.

Hướng phát triển tiếp theo

• Nghiên cứu thay thế cảm biến vị trí bóng bằng công nghệ xử lý ảnh (sử dụng camera công nghiệp nhận diện vị trí bóng theo thời gian thực) hoặc cảm biến khoảng cách quang học/laser độ chính xác cao để loại bỏ ma sát cơ học.
• Khảo sát và ứng dụng các giải thuật điều khiển thích nghi hiện đại hơn như điều khiển trượt (Sliding Mode Control), điều khiển mờ - nơ-ron tự chỉnh định tham số trực tuyến (Online Adaptive Neuro-Fuzzy Control).
• Mở rộng thuật toán để bù trễ truyền thông và nâng cấp giao diện giám sát kết nối không dây IoT phục vụ công tác giảng dạy từ xa.

---

Giá trị tham khảo

Đồ án là tài liệu tham khảo chuyên ngành hữu ích cho:

• Sinh viên ngành Kỹ thuật Điều khiển và Tự động hóa, Cơ điện tử: Cung cấp tài liệu hoàn chỉnh từ khâu thiết lập phương trình vi phân Lagrange, tuyến tính hóa hệ phi tuyến SIMO, đến kỹ thuật lập trình nhúng điều khiển thời gian thực trên vi điều khiển ARM Cortex-M4 (STM32F4).
• Người nghiên cứu thuật toán thông minh: Tham khảo quy trình huấn luyện Anfis, Neuron Toolbox học từ bộ điều khiển mẫu, mã nguồn chương trình GA tối ưu hóa hệ số mờ trên Matlab và phương pháp thiết kế tập luật mờ thực nghiệm.
• Kỹ sư phát triển hệ thống nhúng và cơ điện tử: Cung cấp sơ đồ kết nối phần cứng mạch công suất cầu H IR2184, xử lý lọc nhiễu tín hiệu ADC/Encoder và sử dụng thư viện Waijung Blockset trong Matlab/Simulink.

---

Câu hỏi thường gặp

1. Tại sao đề tài lại chọn mô hình bóng và thanh trục giữa để nghiên cứu điều khiển thông minh?

Hệ bóng thanh trục giữa là đối tượng phi tuyến không ổn định thuộc lớp SIMO (một điện áp ngõ vào điều khiển hai ngõ ra là vị trí bóng và góc nghiêng thanh). Mô hình này có cấu trúc vật lý tường minh, dễ kiểm chứng thuật toán nhưng phản ánh đầy đủ thách thức của các hệ thống phức tạp trong thực tế như cân bằng tàu thủy hay ổn định cánh máy bay.

2. Sự khác biệt cốt lõi giữa hai bộ điều khiển mờ (Fuzzy 81 luật và Fuzzy 16 luật) trong đồ án là gì?

Bộ điều khiển Fuzzy 81 luật được kế thừa từ tập luật của hệ con lắc ngược trên xe và sử dụng giải thuật di truyền GA để tối ưu hóa 5 hệ số tiền xử lý và hậu xử lý ($K_1 \to K_5$). Trong khi đó, bộ điều khiển Fuzzy 16 luật được nhóm tác giả tự xây dựng hoàn toàn dựa trên kinh nghiệm điều khiển và quan sát trạng thái trực tiếp của hệ B&B, chuẩn hóa miền biến số về $[-1; 1]$.

3. Công cụ Anfis và Neuron Toolbox được sử dụng để thực hiện nhiệm vụ gì trong đồ án?

Hai công cụ này được sử dụng để tự động hóa quá trình xây dựng bộ điều khiển thông minh bằng cách trích xuất dữ liệu vận hành từ bộ điều khiển LQR đã được kiểm chứng. Anfis xây dựng cấu trúc mờ Takagi-Sugeno học quy luật điều khiển, còn Neuron Toolbox huấn luyện mạng nơ-ron truyền thẳng 2 lớp ẩn (100 tế bào lớp 1, 1 tế bào lớp 2) với 1.000.000 chu kỳ huấn luyện để mô phỏng chính xác hành vi của bộ điều khiển LQR.

4. Kết quả tối ưu hóa hệ số bằng giải thuật di truyền (GA) đạt giá trị tốt nhất ở cấu hình nào?

Giải thuật GA được chạy thử nghiệm trên 3 dải giá trị biến số khác nhau. Kết quả tối ưu nhất đạt được ở lần chạy thứ 2 với dải thông số $X_1 \in [0, 10], X_2 \in [0, 10], X_3 \in [0, 10], X_4 \in [0, 50], X_5 \in [0, 5000]$, đạt hàm mục tiêu sai số nhỏ nhất $J_{min} = 5,8$ tại thế hệ thứ 34.

5. Phần cứng của mô hình thực nghiệm sử dụng những thiết bị và linh kiện chính nào?

Hệ thống sử dụng kit vi điều khiển STM32F4 Discovery làm bộ điều khiển trung tâm, mạch cầu H IR2184 điều khiển công suất, động cơ DC Servo Nisca NF5475 tích hợp Encoder quang để đo góc nghiêng thanh, cảm biến điện trở dây quấn dọc thanh để đo vị trí quả bóng và module UART CP2102 để kết nối dữ liệu với máy tính qua thư viện Waijung Blockset.

---

Kết luận

Đồ án tốt nghiệp đã hoàn thành toàn diện việc khảo sát, thiết kế và kiểm chứng 5 thuật toán điều khiển (LQR, Fuzzy học qua Anfis, Neuron qua Neuron Toolbox, Fuzzy 81 luật tối ưu bằng GA và Fuzzy 16 luật theo kinh nghiệm) trên hệ thống bóng thanh trục giữa. Kết quả mô phỏng và thực nghiệm trên vi điều khiển STM32F4 đã khẳng định tính chính xác của mô hình toán học và tính hiệu quả của các giải thuật điều khiển thông minh. Đề tài cung cấp cơ sở lý thuyết và giải pháp kỹ thuật thực tế cho các bài toán điều khiển cân bằng hệ phi tuyến SIMO trong công nghiệp và nghiên cứu học thuật.

Trích đoạn nội dung tài liệu

MINISTRY OF EDUCATION AND TRAINING HO CHI MINH CITY UNIVERSITY OF TECHNOLOGY AND EDUCATION GRADUATION THESIS AUTOMATIC AND CONTROL ENGINEERING INTELLIGENT CONTROL SURVEY ON BALL AND BEAM SYSTEM LECTURER: NGUYEN VAN DONG HAI STUDENT: NGUYEN MINH QUAN NGUYEN NGOC SACH SKL012345 Ho Chi Minh City, January 2024 MINISTRY OF EDUCATION AND TRAINING HO CHI MINH CITY UNIVERSITY OF TECHNOLOGY AND EDUCATION FACULTY OF INTERNATIONAL EDUCATION AUTOMATIC AND CONTROL ENGINEERING GRADUATION THESIS INTELLIGENT CONTROL SURVEY ON BALL AND BEAM SYSTEM STUDENTS: NGUYEN MINH QUAN – 18151230 NGUYEN NGOC SACH – 18151033 INSTRUCTOR: NGUYEN VAN DONG HAI Ho Chi Minh City, January 2024 TRƯỜNG ĐH SPKT TP. HỒ CHÍ MINH CỘNG HÒA XÃ HỘI CHỦ NGHĨA VIỆT NAM KHOA ĐÀO TẠO QUỐC TẾ ĐỘC LẬP - TỰ DO - HẠNH PHÚC ----o0o---- Tp. HCM, ngày tháng năm NHIỆM VỤ ĐỒ ÁN TỐT NGHIỆP Họ và tên sinh viên: Nguyễn Ngọc Sách MSSV: 18151033 Ngành: Công nghệ Kỹ thuật Điều khiển và Tự động hóa Lớp: 18151CLA1 Giảng viên hướng dẫn: Nguyễn Văn Đông Hải Ngày nhận đề tài: 20/08/2023 Ngày nộp đề tài: 30/12/202 1. Tên đề tài: Khảo sát điều khiển thông minh trên hệ bóng thanh trục giữa 2.

Các số liệu, tài liệu ban đầu: Mô hình cũ có sẵn. Nội dung thực hiện đề tài: Giải thuật LQR mô phỏng và thực nghiệm “Anfis” và “Neuron Toolbox” học LQR xây dựng bộ điều khiển Fuzzy 81 luật và Neuron, mô phỏng và thực nghiệm. Genetic algorithm tối ưu tiền – hậu xử lý của Fuzzy 81 (của hệ con lắc trên xe) để áp dụng được trên hệ bóng thanh trục giữa, mô phỏng và thực nghiệm Xây dựng Fuzzy 16 luật theo kinh nghiệm điều nghiệm, mô phỏng và thực nghiệm Cải tiến mô hình bóng thanh trục giữa, sửa lỗi nhiễu Encoder, ADC (mà các kỳ trước đều chưa khắc phục được), sửa các lỗi hở mạch, hư thiết bị, giảm rối, tăng thẩm mĩ, … Xây dựng giao diện giám sát hệ thống vận hành Đánh giá, nhận xét, đưa ra kết luận và hướng phát triển 4. Sản phẩm: Mô hình thực tế hệ bóng thanh trục giữa TRƯỞNG NGÀNH GIẢNG VIÊN HƯỚNG DẪN (Ký và ghi rõ họ, tên) (Ký và ghi rõ họ, tên) TRƯỜNG ĐH SPKT TP.

HỒ CHÍ MINH CỘNG HÒA XÃ HỘI CHỦ NGHĨA VIỆT NAM KHOA ĐÀO TẠO QUỐC TẾ ĐỘC LẬP - TỰ DO - HẠNH PHÚC ----o0o---- Tp. HCM, ngày tháng năm NHẬN XÉT CỦA GIẢNG VIÊN HƯỚNG DẪN Họ và tên sinh viên: Nguyễn Ngọc Sách MSSV: 18151033 Ngành: Công nghệ Kỹ thuật Điều khiển và Tự động hóa Tên đề tài: Khảo sát điều khiển thông minh cho hệ bóng thanh trục giữa Họ và tên Giáo viên hướng dẫn: Nguyễn Văn Đông Hải NHẬN XÉT 1. Nội dung đề tài & khối lượng thực hiện ………………………………………………………………………………………. Đề nghị cho bảo vệ hay không? ……………………………………………………………………………………… ………………………………………………………………………………………… 5.

Đánh giá loại: ……………………………………………………………………………………… …………………………………………………………………………………………. Điểm……………………(Bằng chữ: ………………………………………….) …………………………………………………………………………………… GIẢNG VIÊN HƯỚNG DẪN (Ký và ghi rõ họ và tên) TRƯỜNG ĐH SPKT TP. HỒ CHÍ MINH CỘNG HÒA XÃ HỘI CHỦ NGHĨA VIỆT NAM KHOA ĐÀO TẠO QUỐC TẾ ĐỘC LẬP - TỰ DO - HẠNH PHÚC ----o0o---- Tp. HCM, ngày tháng năm NHẬN XÉT CỦA GIẢNG VIÊN PHẢN BIỆN Họ và tên sinh viên: Nguyễn Ngọc Sách MSSV: 18151033 Ngành: Công nghệ Kỹ thuật Điều khiển và Tự động hóa Tên đề tài: Khảo sát điều khiển thông minh cho hệ bóng thanh trục giữa Họ và tên Giáo viên phản biện: Trần Đức Thiện NHẬN XÉT 1.

Nội dung đề tài & khối lượng thực hiện ………………………………………………………………………………………. Đề nghị cho bảo vệ hay không? ……………………………………………………………………………………… ………………………………………………………………………………………… 5. Đánh giá loại: ……………………………………………………………………………………… …………………………………………………………………………………………. Điểm……………………(Bằng chữ: ………………………………………….) …………………………………………………………………………………… GIẢNG VIÊN PHẢN BIỆN (Ký và ghi rõ họ và tên) ACKNOWLEDGMENTS We are grateful for the assistance and support we received in finishing our graduation thesis from the instructors of Automation and Control Engineering, the Faculty of Electrical and Electronics Engineering, and Ho Chi Minh City University of Technology and Education.

We express our profound gratitude to the primary instructor, Mr. Nguyen Van Dong Hai. Thank you so much for all of your enthusiastic help and support while we completed our graduation thesis. Ho Chi Minh City, January 2024 Nguyen Ngoc Sach i ABSTRACT A well-known SIMO (single input multiple output) system in the automatic control sector is the ball and beam (B&B).

The B&B system is widely used in educational institutions and research facilities, but it also has a wide range of real-world uses, including steady ship balancing, aircraft landings with convection air effect,. We carried out a review of smart controllers on this system because we recognized the practical and theoretical value of the B&B system. We then developed and examined the reality and simulation for: LQR controller, Fuzzy controller learning LQR controller with "Anfis" (a tool of Matlab's "Deep Learning" toolkit), The Neuron controller builds a 16-law fuzzy controller based on experience controlling the B&B system, and uses the "Neuron Toolbox" (a tool of Matlab's "Deep Learning" toolkit) to learn the LQR controller. The Neuron controller uses the genetic algorithm GA to optimize pre- and post-processing for the Fuzzy controller, which is 81 laws of the simple pendulum system that can be applied to the B&B system.

The findings of this topic's research will serve as the foundation for designers creating intelligent controllers for B&B systems, which balance ships, airplanes, and other objects before being used in real-world applications. Furthermore, this subject will serve as the starting point for future academic studies on intelligent control or more sophisticated algorithms for B&B systems. ii CONTENTS ACKNOWLEDGMENTS.iii LIST OF TABLES. v LIST OF FIGURES .1 Motivation of research topic.2 Objectives of the study.3 Scope of research .5 Application of the thesis.

4 CHAPTER 2: THEORETICAL FOUNDATIONS .1 Mathematical model of the B&B system .2 LQR control theory .3 Fuzzy Control Theory.4 Matlab Simulink and the "Deep Learning" toolkit .1 Introduction of the tool "Anfis".2 Introducing the "Neuron Toolbox" .5 Genetic algorithm theory .6 Controller Quality Evaluation Standards .1 Build an LQR controller.2 Build a Fuzzy controller using "Anfis”.3 Build a Neuron Controller using the "Neuron Toolbox".4 Optimizing pre-processing, post-processing for Fuzzy controllers - 81 rules.5 Building Fuzzy controller - 16 rules.1 Simulate system stability at equilibrium position .2 Simulate system stability at a location other than 0 .3 Sinusoidal trajectory tracking system control simulation .4 Simulate the control of a square wave trajectory system .5 Evaluate and comment simulation results. 61 CHAPTER 5: EXPERIMENT RESULTS .1 Experimental results stabilize the system at equilibrium .2 Experimental results stabilize the system at a position other than 0 .3 Experimental results of stabilization of sinusoidal trajectory tracking system .4 Evaluation and comment on experimental results. CONCLUSION AND TOPIC DEVELOPMENT DIRECTION.2 Topic development direction. 97 APPENDIX 1: MATLAB PROGRAM SUPPORTS CALCULATIONS APPENDIX 2: SUBSYSTEM HIDDEN STRUCTURE APPENDIX 3: SETUP SIMULINK BLOCK APPENDIX 4: THE HIDDEN PROGRAM IN MATLAB FUNCTION APPENDIX 5: GA IMPLEMENTATION PROGRAM APPENDIX 6: WAIJUNG BLOCKSET LIBRARY APPENDIX 7: USER INTERFACE PROGRAM iv LIST OF TABLES Table 1.

List of abbreviations and their meanings. Table of symbols of component quantities of the B&B system. Results table using GA to find pre-processing, optimal post-processing for Fuzzy controllers - 81 rules. Evaluation of stability criteria of LQR controllers.

Evaluation of Fuzzy controller stability criteria trained by "Anfis". Table of evaluation of stability criteria of Neuron controllers. Evaluation of stability criteria of Fuzzy controllers - 81 laws using GA optimization pre- processing, post-processing. Table of evaluation of stability criteria of Fuzzy controllers - 16 laws according to control experience.

Comparison table of stability criteria of 3 controllers LQR, Fuzzy – "Anfis" and Neuron. Table comparing the stability criteria of 3 LQR controllers, Fuzzy – 81 GA laws and Fuzzy – 16 laws. The table evaluates the quality criteria when simulating the stability of the ball position to 2cm with 5 controllers. Evaluation table of quality criteria when simulating sine trajectory ball position control with 5 controllers.

Evaluation table of quality criteria when simulating the control of the ball position of the square waveform trajectory with 5 controllers. Basic parameter table of STM32F4 Discovery. Basic parameter of bridge circuit H IR2184. Parameter of Nisca NF5475 motor.

Parameter of encoder with Nisca NF5475. Basic parameter of wire resistance sensors. Basic parameters of UART CP2102 Module. Detailed parameter table of control circuit connection.

List of model errors and how to fix. Table of evaluation of stability criteria of LQR controllers in practice. Evaluation of stability criteria of Fuzzy controllers – "Anfis" in practice. Table of evaluation of stability criteria of Neuron controllers in practice.

Evaluation of stability criteria of N Fuzzy controller - 81 laws optimized by GA pre- processing, post-processing in practice. Table of evaluation of stability criteria of Fuzzy controllers - 16 laws in practice. The table evaluates the quality criteria when simulating the stability of the ball position to 2cm with 5 controllers. Evaluation of quality criteria when experimentally stabilizing the ball position to 4cm of 5 controllers.

Evaluation table of experimental quality criteria for ball position stabilization according to sinusoidal trajectories of 5 controllers. 93 v LIST OF FIGURES Figure 1. DC motor structure. Equilibrium position of the B&B system.

LQR controller structure. Genetic Algorithm (GA) flowchart. Collect control data of the LQR controller. Select the data source.

Enter the variable containing the collected data. Define input and output functions. Enter the desired "Epochs". Collect control data of the LQR controller.

The result of the "Neuron Toolbox" creates a Neuron controller that learns according to LQR controller. Simulink collects for GA optimal pre-processing, post-processing of Fuzzy controllers - 81 rules. Input association function. Output association function.

Statuses of the B&B system. Fuzzy Controller Fuzzy Rule - 16 rules according to control experience. Fuzzy Controller Fuzzy Plane - 16 rules according to control experience. LQR controller for B&B system.

Stabilize the ball position of the LQR controller. Bar deflection angle stabilization results of the LQR controller. Control the B&B system with a Fuzzy controller trained by "Anfis". The result of stabilizing the ball position of the Fuzzy controller – "Anfis".

Bar deflection angle stabilization results of the Fuzzy controller – "Anfis". Control the B&B system with a Neuron controller. The results simulate stabilizing the position of the ball using the Neuron controller. The results simulate bar deflection angle stabilization using a Neuron controller.

Control the B&B system with Fuzzy - 81 law - GA controller with 4 pre-processors, post- processing. Ball position stabilization simulation results By Fuzzy controller - 81 laws with 4 pre- processors, post-processing. The result simulates bar deflection angle stability b using Fuzzy - 81 law controller with 4 pre-processing, post-processing. Controlling the B&B system with Fuzzy controllers - 16 rules according to control experience.

Results simulate ball position stabilization using Fuzzy controllers - 16 laws. Results of simulating bar deflection angle stability using Fuzzy controllers - 16 laws. Control the B&B system with 3 LQR controllers, Fuzzy - "Anfis", Neuron. The results simulate the control of ball position over time of 3 controllers LQR, Fuzzy – "Anfis" and Neuron.

The results simulate the time of 3 LQR, Fuzzy – "Anfis" and Neuron controllers. Control the B&B system with 3 controllers LRQ, Fuzzy – 81 GA, Fuzzy – 16 rules. The results simulate the control of ball position over time of 3 controllers LQR, Fuzzy - GA and Fuzzy - 16 rules. The results simulate bar deflection angle control b according to the times of 3 controllers LQR, Fuzzy - GA and Fuzzy - 16 rules.

Simulink compares 5 controllers when stabilizing the ball to a position other than 0 .