CHƯƠNG 1 TONG QUAN VE ĐỀ TÀI. - 5c SE EE E2 5211111 111121111111121211111112111121 121111211 te.ccc t th tH HHH1rrrrrrerid 5 I.2 Công trình nghiên cứu liên qua1.30 Pham vi nghién COU. 14 14 Tóm tắt nội dung luận VAN .--- 2 1111122111111 31132511 111111911111 118111111 ng kg ren 14 CHƯƠNG 2 LÝ THUYET VE PHƯƠNG PHAP DIEU KHIỂN DỰ BẢO.c-cece l6 ZL tui. 16 "/XXXNY¡)rï18¡ 97:1: aAlaaaaiiiiiiaaaaaaaaaaaaaaadadadadiadaiÝẢÝÝ.3 Giải bài toán tôi ưu cực tiểu hàm mục tiêu sử dụng phương pháp Fast Gradient.
19 24 Giai bài toán tôi ưu cực tiểu hàm mục tiêu sử dung phương pháp Lagrange .- 21 CHUONG 3 THIET KE VA MO PHONG BO DIEU KHIEN DỰ BÁO.1 Mô hình hoá robot hai bánh tự cân DANG.2 _ Thiết kế bộ điều khiến cho robot hai bánh tự cân bằng ¬ 3l 3.1 Phuong pháp điều khiển dự báo sử dụng phương pháp Lagange.2 Kết quả mô phỏng trong Matlab-Simulink .3 BO loc Kalman. 42 CHUONG 4 THIET KE PHAN CỨNG VA PHAN MEM CHO MO HINH ROBOT HAI BÁNH. 43 Al Thiết kế cơ khí mô hình rObo(.:--::- 5+5 2x+2EYt2EYt2EtE2E2EE2ESEEtEEtErrrrtrrrrrrrrrrrrrie 43 4.2 Cac mạch điều khiến và cảm biẾn. Khối vi điều khiến chính.---:-s:5+t+x++Ext2Ext2EEESEEEESEtErttrrrrrrrrrirrrrrrrrree 44 A2.2 Module mạch cat H.---: St St S111 13551151 11511111 1511151111 15115111 1111111111 1111E11 111111111 Ee 44 A23 Mạch cảm biẾn 260.
41 A3 Phần mềm - lưu đồ giải thuật .----- - - SE SS9ESE9EEEEEEEEEE21215152111211710115 1111111110111 e6 49 CHƯƠNG 5 KET QUA THUC NGHIỆM VÀ KẾT LUẬN.1 _ Kết quả điều khiển thực nghiệm robot hai bánh tự cân băng.2 _ Các kết quả đã đạt đưỢC.21 1 2 E121 11212121 7111111111111 011 0111212110101 011110 are 5 53 Các kết Qua Chura 81021:. 54 5A _ Hướng phát triển của để tài.----- cscsscsescscsscscscsecsesescescscsesesscscsnsecscscsseesessseseseeseeeees 54 TÀI LIEU THAM KHẢO. 2c S111 112118 158115118 1155315 111111111 11111 151111111115 11 11111111511 111 11111111512 tre 56 CHUONG TRINH VI DIEU KHIEN 3 DANH MỤC HÌNH Hình 1.1 M6 hình hóa robot hai bánh.2 Sơ đồ khối điều khiển mô hình sử dung PID.3 Sơ d6 LOR điều khiến robot.---- - - + + 2 SE S333 kE1E1E15151115115151511 111111 rkd7 Hình 1.4 Kết qua mô phỏng góc nghiêng của ba luật điều khiến.5 Kết qua mô phỏng vị trí lệch của robot.6 So sánh các thông số khi sử dụng ba luật điều khiễn.- +25 s22 2£sz£+£zcze: 8 Hình 1.7 Kết qua mô phỏng luật điều khiến trượt bám của vị trí và góc nghiêng.8 Sơ đồ khối sử dụng mang neuron điều khiển cân bang và góc quay của robot.9 Mô hình CNS dựa trên bộ não nØƯỜI. HH ng 11111 kg 10 Hình 1.10 Sơ đồ điều khiến thích nghỉ mạng neuron dựa trên hồi tiếp sai số.11 Kết qua mô phỏng :1- luật điều khiến hoi tiếp trang thái ,2- luật điều khiến thích nghỉ mạng Neuron hồi tiẾp.- - ¿+ + SE SE2E SE E821 E9 5 1111115111111 11111111 1111111 011111010501 01 1110.12 So đồ khối cau trúc hoc của (6 (0) 012k, da.13 So đồ CNS điều khiển mô hình vat lý.14 So đồ hệ thống điều khiển mô hình vòng kín có nhiễu.15 Kết quả mô phỏng góc nghiêng rObot.----- ¿2© 2 2+2 +E£E+EEEE£E£E#ESEEEEErErkrrerees 13 Hình 2.1 Sơ đồ khối điều khiển dự báo.--¿-¿- 5 2526 E22 EEEEEE£EEEEEE E112 1 212 xe, l6 Hình 2.2 Chiến lược điều khiến dự báo.1 Mô hình hóa robot hai bánh.
----- c-c- H210 1002111 n HH ng ng ng, 24 Hình 3.2 Mô phỏng hệ robot hai bánh.3 Xây dựng thuật toán điều khiến dự báo .--¿--- 5 25226 E2 SE EEEEEEEEkrrrreee 31 Hình 3.4 Sơ đồ mô phỏng robot hai bánh trong sỉmulink.5 Khối Function S-Builder trong sơ đồ mô phỏng.--¿--- - + 2 2 2 *+s+£+£z££££zsz£zzze: 34 Hình 3.6 Kết quả mô phỏng luật điều khiỂn.-- - + ¿2 52 2+2 2E‡E+E2EEE£E£E#ESEEEEErErErrrreei 37 Hình 3.7 Kết qua mô phỏng luật điều khiỂn.-- - + ¿2E 252 SE 2E‡E+E2EEE£E£E#ESEEEEEEErErrrreei 38 Hình 3.8 Kết quả mô phỏng luật điều khiỂn.-- - + ¿2 5252 S2 2E‡E+E£EEE£E£E#ESEEEEErErErrrrees 39 Hình 3.9 Kết quả mô phỏng luật điều khiỂn.-- - +22 5252 SE SE£E+E2EEE£E£E#ESEEEEErErErrrrees 40 Hình 3.10 Kết quả mô phỏng luật điều khiển PID.---- - 2 2 2 EEE2£2£E£E£E+E£E£E£ErEeezvereei Al Hình 4.1 Mô hình robot thựC Ế.2 Kit vi điều khiến trung tâm STM32F4 Discovery .--- + 25252 Sc2tctsesrrsrerrereee 44 Hình 4.3 Sơ đồ nguyên lý kết nỗi mạch cầu H ou.4 Module cầu H sử dụng thực tế trong mô hình robot. - +25 5 2 £2zs+s+szcze: 45 4 Hình 4.5 Sơ đồ nguyên lý giao tiếp module cảm biến góc MPU-6050.6 Module MPU 6050 thực tế sử dụng trong mô hình robot.------ + 2 5s 5ss+ss5se: 46 Hình 4.7 Nguyên lý hoạt động enCOd€T.9 Mạch điều khiến trung tâm thực In 48 Hình 4.10 Lưu đỗ chương trình chính. ¿2 ¿56652 SE 2E9E2SE2E£EEEEEEEE E23 121211112111.11 Lưu đồ chương trình ngắt điều khiển mô hình.1 Kết quả thực nghiệm góc nghiêng .2 Kết qua thực nghiệm tín hiệu điều khiỂn.---- + 22-5 2 2 S2+E£E+Ez££E£EzEeeersree, 52 Hình 5.3 Kết quả thực nghiệm góc nghiêng .-- - + ¿2E S2 SE SE E2 2 EEEEEEEEE 5E E121 ree, 52 Hình 5.4 Kết quả thực nghiệm tín hiệu điều khiỂn.-- - + 22-5 2 252 2E£E+E+££E£EzEzeersree 53 CHUONG 1 TONG QUAN VE DE TÀI 1.1 Dat van đề Hiện nay thực tế các mô hình, đối tượng điều khiến ngày càng phức tap va đòi hỏi ngày càng cao về chất lượng điều khiến, điều khiến trong điều kiện gia tăng các yếu tô bất định. Do đó, sự ra đời của lý thuyết điều khiến thông minh là tất yếu để đáp ứng các yêu cau trên, một trong những phương pháp điều khiển của lý thuyết điều khiến thông minh là phương pháp điều khiển dự báo dựa vào mô hình.
Phương pháp điều khiến dự báo đã ra đời cách đây ba thập ký và có nhiều ứng dụng thành công trong công nghiệp. Hiện nay, điều khiển dự báo sử dụng phô biến trong các ứng dụng điều khiến quá trình công nghệ hóa học, các đối tượng có thời gian đáp ứng chậm dé bộ điều khiến dự báo có đủ thời gian tính toán tín hiệu điều khiến cần thiết. Bên cạnh đó nhu cầu điều khiến dự báo cho các hệ thống robot có thời gian lay mẫu các tín hiệu vài miligiây đặt ra nhiều thách thức. Với sự phát triển của công nghệ vi mạch điện tử hiện nay, các hãng sản xuất vi điều khiến như STmicroelectronics, Texas Instruments, Atmel Corporation đã cho ra đời nhiều thế hệ vi điều khiển có khả năng tính toán đáp ứng với tần số xung clock nhanh hơn.
Đây là tiền đề để phục vụ cho các bộ điều khiến tính toán các thuật toán phức tạp đòi hỏi tính toán khối lượng dữ liệu lớn trong thời gian lấy mẫu ngăn. Sự phát triển mạnh mẽ của khoa học kỹ thuật đã tạo tiền đề cho nghành công nghệ robot đạt được những thành tựu to lớn như: robot asimo của Honda, robot công nghiệp, robot curiosity,. Dé dat được những thành tựu đó ta phải nghiên cứu những van dé cân bằng co bản dé đạt đến những thành tựu công nghệ robot hiện nay thông qua xe hai bánh tự cân bằng Segway, một phát minh nổi tiếng của kỹ sư người Mỹ- Dean Kamen vào năm 2001. Đã có nhiều dé tài sử dụng các bộ điều khiển khác nhau cho robot hai bánh cân bằng này.
Tuy nhiên, việc sử dụng bộ điều khiến dự báo cho hệ robot hai bánh cân bang van con it nghiên cứu và thực hiện nên tôi chon dé tai "DIEU KHIỂN DỰ BAO HE ROBOT HAI BANH CAN BẰNG". Và đây là lý do tôi chọn dé tai này.2 Cong trình nghiên cứu liên quan Có nhiều hướng nghiên cứu về việc điều khiển cân bằng mô hình robot hai bánh như : điều khiển LQR, PID regulator, LQG regulator, Line tracker, điều khiển ding zero dynamic, đặt cực bang hồi tiếp trang thái số, điều khién truot,. Thực tế các luật điều khiến sử dụng các phương pháp trên đã sử dụng thành công cho mô hình robot hai bánh tự cân bang. Nhóm tác gia [1] đã sử dụng phương pháp điều khiến trượt dé cân bang robot hai bánh.
Mô hình hóa robot đã được sử dụng : Kết quả mô phỏng điều khiến mô hình robot hai bánh cân bằng tốt, thời gian đáp ứng trong khoảng 5s. Nhóm tác gia đã sử dụng thêm luật điều khiến LQR dé so sánh kết quả với trường hợp luật điều khiển sử dụng điều khiến trượt. Khi dùng luật điều khiến LỌR thì hệ thống đáp ứng trong khoảng 8s. Cả hai luật điều khiến thì vị trí ban đầu và vị trí cân bang đều có sự dịch chuyển.
Tuy nhiên bài báo nay có nhược điểm là kết quả chỉ dừng lại ở mô phỏng, chưa sử dụng luật điều khiển trên mô hình thực tế, mô hình tuyến tính dùng để mô phỏng được sử dụng lại từ kết quả của bài báo khác, sai lệch vi trí dịch chuyển cũng chưa được trình bày rõ ràng hơn và hiện tượng chattering cũng không được đề cập đến. Trong [2] thì hai luật điều khiển được sử dụng là PID và LQR để cân bang robot hai bánh: nput{t) PID ll điển “ —{}-— CONTROLLER ecouple Vehicle system 9 1.2 Sơ đồ khối điều khiển mô hình sử dung PID.¿_- — A - —— Reference Input Hình 1.3 So đồ LOR điều khiến robot. Kết qua mô phỏng hai luật điều khiến cho thấy luật điều khiển LQR tốt hơn luật điều khiến PID, luật điều khiến PID chỉ sử dụng một tín hiệu hồi tiếp nên hệ thông robot dé ngã. Ưu điểm của luật điều khiến LQR là sử dụng các tín hiệu trạng thái của hệ thống hỏi tiếp vé để tính toán tín hiệu điều khiển va robot hai bánh cân băng tốt.
Nhóm tác giả cũng chỉ dừng lại mô phỏng hệ thống với các luật điều khiển và cũng đã nêu ra hướng phát triển tiếp theo của van dé là sử dụng luật điều khiển LOR trên mô hình thực tế để có kết quả khách quan. Ngoài ra, phương pháp điều khiến thông minh như điều khiến mờ cũng đã sử dụng tốt cho robot hai bánh [3]. Nhóm tác giả đã có sự so sánh giữa 3 phương pháp điều khiến :PID, LQR và điều khiến mờ. 40 t t t { _ —=PID 5 ==-Fuzzy > fF TL fo ff one LOR a) a a, o Đ Cc 4 < vu 5 10 15 20 25 30 time (sec) Hình 1.4 Kết quả mô phỏng góc nghiêng của ba luật điều khiến.
re LQR Em. ao 5 Ũ | RF eal nnsemaernae aannnsvnrennntin i Ay a NS SOAS = 9.5 Kết quả mô phỏng vị trí lệch của robot. Với luật điều khiến mờ thì robot cân bang trong thời gian ngắn hơn và độ dich chuyền giữa vị trí cân bằng và vị trí ban đầu ngăn hơn so với hai phương pháp còn lại. Bên cạnh đó với ưu điểm là không cần biết mô hình toán học của đối tượng thì phương pháp điều khiến mờ cho thấy sự vượt trội của mình.
Tuy nhiên điều khiển mờ cũng có môt nhược điêm là cần cung câp dòng cho động cơ lớn hơn. Comparative assessment of controllers Controllers | Rise time (s) | Settling time (s) | % Overshoot | Current (A) | Horizontal [Max| distance absolute(m) FLC 1.