Luận văn thạc sĩ về điều khiển con lắc ngược sử dụng mạng neural trên chip DSP

Khám phá luận văn thạc sĩ về điều khiển con lắc ngược sử dụng mạng neural trên chip DSP, ứng dụng công nghệ tiên tiến trong nghiên cứu.

• Tác giả: Nguyễn Đức Quyền
• Người hướng dẫn: TS. Ngô Văn Thuyên
• Trường học: Đại Học Sư Phạm Kỹ Thuật Tp. Hồ Chí Minh
• Chuyên ngành: Điều khiển tự động
• Đề tài: Nghiên cứu điều khiển con lắc ngược bằng mạng neural trên chip DSP
• Loại tài liệu: Luận văn
• Năm xuất bản: 2013
• Địa điểm: Hồ Chí Minh

Mục lục chi tiết

• LỜI CAM ĐOAN
• LỜI CẢM ƠN
• TÓM TẮT LUẬN VĂN
• ABSTRACT
• MỤC LỤC
• 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
• 5.2. Đáp ứng của con lắc khi chưa thay đổi thông số mô hình
• 5.3. Đáp ứng của con lắc khi thêm m = 0.31kg tại 2L=16cm
• 5.4. Đáp ứng của con lắc khi thêm m = 0.31kg tại 2L=30cm
• 5.5. 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 về nghiên cứu điều khiển con lắc ngược bằng mạng neural

Hệ thống con lắc ngược là một trong những mô hình phổ biến trong nghiên cứu điều khiển. Nó không chỉ thể hiện tính phi tuyến mà còn là một thách thức lớn trong việc thiết kế bộ điều khiển hiệu quả. Việc áp dụng mạng neural trên chip DSP đã mở ra nhiều cơ hội mới trong việc cải thiện hiệu suất điều khiển. Nghiên cứu này sẽ đi sâu vào các phương pháp điều khiển hiện tại và cách mà mạng neural có thể được sử dụng để tối ưu hóa quá trình điều khiển con lắc ngược.

1.1. Ứng dụng của con lắc ngược trong nghiên cứu điều khiển

Con lắc ngược được sử dụng rộng rãi trong các thí nghiệm kiểm chứng lý thuyết điều khiển. Nó giúp các nhà nghiên cứu kiểm tra và phát triển các thuật toán điều khiển như PID, LQR, và thuật toán học sâu. Mô hình này không chỉ đơn giản mà còn mang lại những hiểu biết sâu sắc về các hệ thống phi tuyến.

1.2. Tầm quan trọng của mạng neural trong điều khiển con lắc

Mạng neural đã chứng minh được khả năng vượt trội trong việc điều khiển các hệ thống phi tuyến. Việc sử dụng mạng neural cho phép bộ điều khiển tự động học hỏi và thích nghi với các thay đổi trong hệ thống, từ đó cải thiện độ chính xác và hiệu suất điều khiển.

II. Thách thức trong điều khiển con lắc ngược và giải pháp

Điều khiển con lắc ngược gặp nhiều thách thức do tính phi tuyến và không ổn định của nó. Các phương pháp điều khiển truyền thống thường không hiệu quả trong việc duy trì sự ổn định của hệ thống. Do đó, việc phát triển các giải pháp mới là cần thiết. Mạng neural có thể cung cấp một giải pháp linh hoạt và hiệu quả hơn cho vấn đề này.

2.1. Các vấn đề chính trong điều khiển con lắc ngược

Một trong những vấn đề lớn nhất là việc xác định mô hình toán học chính xác cho hệ thống. Các yếu tố như nhiễu và thay đổi thông số có thể làm giảm hiệu suất của bộ điều khiển. Điều này đòi hỏi các nhà nghiên cứu phải tìm ra các phương pháp điều khiển có khả năng thích nghi tốt hơn.

2.2. Giải pháp từ mạng neural cho điều khiển con lắc

Sử dụng mạng neural cho phép xây dựng các bộ điều khiển có khả năng học hỏi từ dữ liệu thực tế. Điều này giúp cải thiện khả năng điều khiển trong các tình huống không xác định và tăng cường độ ổn định của hệ thống. Các nghiên cứu đã chỉ ra rằng mạng neural có thể đạt được hiệu suất tốt hơn so với các phương pháp điều khiển truyền thống.

III. Phương pháp điều khiển con lắc ngược bằng mạng neural

Phương pháp điều khiển con lắc ngược bằng mạng neural bao gồm hai giai đoạn chính: điều khiển lật ngược và điều khiển cân bằng. Mỗi giai đoạn đều có những yêu cầu và thách thức riêng, nhưng việc áp dụng mạng neural giúp tối ưu hóa cả hai quá trình này.

3.1. Điều khiển lật ngược con lắc bằng logic mờ

Bộ điều khiển lật ngược sử dụng logic mờ để xác định điện áp điều khiển cần thiết nhằm đưa con lắc từ vị trí buông thõng lên vị trí lật ngược. Phương pháp này cho phép điều chỉnh linh hoạt theo vị trí và vận tốc của con lắc, từ đó đảm bảo quá trình lật ngược diễn ra một cách mượt mà.

3.2. Điều khiển cân bằng con lắc bằng mạng neural

Bộ điều khiển cân bằng sử dụng mạng neural truyền thẳng khớp quan hệ vào ra để duy trì con lắc ở vị trí lật ngược. Mạng neural được huấn luyện để mô phỏng hành vi của bộ điều khiển, giúp cải thiện độ chính xác và giảm thiểu sai số trong quá trình điều khiển.

IV. Kết quả thực nghiệm từ nghiên cứu điều khiển con lắc

Kết quả thực nghiệm cho thấy rằng việc áp dụng mạng neural trong điều khiển con lắc ngược mang lại hiệu suất cao hơn so với các phương pháp truyền thống. Bộ điều khiển lật ngược và cân bằng đều hoạt động hiệu quả, giúp duy trì sự ổn định của con lắc trong các điều kiện khác nhau.

4.1. Đánh giá hiệu suất của bộ điều khiển lật ngược

Bộ điều khiển lật ngược đã thành công trong việc đưa con lắc từ vị trí buông thõng lên vị trí lật ngược một cách nhanh chóng và hiệu quả. Kết quả cho thấy rằng logic mờ kết hợp với mạng neural có thể tạo ra một bộ điều khiển mạnh mẽ cho hệ thống này.

4.2. Kết quả từ bộ điều khiển cân bằng

Bộ điều khiển cân bằng sử dụng mạng neural đã duy trì con lắc ổn định tại vị trí lật ngược với sai số rất nhỏ. Điều này chứng tỏ rằng mạng neural có khả năng thích nghi tốt với các thay đổi trong hệ thống, từ đó cải thiện hiệu suất điều khiển.

V. Kết luận và hướng phát triển tương lai cho nghiên cứu

Nghiên cứu điều khiển con lắc ngược bằng mạng neural trên chip DSP đã mở ra nhiều hướng đi mới cho các ứng dụng trong lĩnh vực điều khiển tự động. Kết quả đạt được cho thấy rằng việc áp dụng mạng neural không chỉ cải thiện hiệu suất mà còn giúp giải quyết các vấn đề phức tạp trong điều khiển phi tuyến.

5.1. Tương lai của điều khiển con lắc ngược

Với sự phát triển không ngừng của công nghệ mạng neural, các bộ điều khiển trong tương lai có thể trở nên thông minh hơn và có khả năng tự học hỏi từ môi trường. Điều này sẽ mở ra nhiều cơ hội mới cho các ứng dụng trong thực tế.

5.2. Hướng nghiên cứu tiếp theo trong lĩnh vực điều khiển

Các nghiên cứu tiếp theo có thể tập trung vào việc cải thiện thuật toán huấn luyện cho mạng neural, cũng như áp dụng các công nghệ mới như học sâu và học tăng cường để tối ưu hóa quá trình điều khiển. Điều này sẽ giúp nâng cao hiệu suất và độ tin cậy của các hệ thống điều khiển trong tương lai.

Nội dung chính

Tổng quan nghiên cứu

Hệ thống con lắc ngược quay (Rotary Inverted Pendulum) là một trong những đối tượng kinh điển nhưng phức tạp bậc nhất trong lý thuyết điều khiển tự động. Đây là hệ phi tuyến cao, thiếu cơ cấu chấp hành (SIMO - Single Input Multi Outputs) với một tín hiệu điều khiển điện áp đầu vào nhưng có tới bốn biến trạng thái và sở hữu điểm cân bằng thẳng đứng hướng lên hoàn toàn không ổn định. Trong thực tế công nghiệp và robot học, việc kiểm soát các hệ thống có tính chất tương tự đòi hỏi thuật toán điều khiển phải có độ chính xác cao và khả năng thích nghi mạnh mẽ khi thông số hệ thống biến thiên.

Nghiên cứu này được thực hiện nhằm giải quyết trọn vẹn bài toán điều khiển toàn diện cho mô hình con lắc ngược quay thông qua hai nhiệm vụ trọng tâm: thiết kế bộ điều khiển lật ngược (Swing-up) dựa trên giải thuật logic mờ và xây dựng bộ điều khiển cân bằng sử dụng mạng thần kinh nhân tạo (Artificial Neural Network - ANN). Không gian thực nghiệm được triển khai trực tiếp tại xưởng thực hành của Trường Đại học Sư phạm Kỹ thuật Thành phố Hồ Chí Minh.

Ý nghĩa khoa học và thực tiễn của công trình thể hiện ở việc ứng dụng thành công cấu trúc mạng truyền thẳng khớp quan hệ vào ra (fitting neural network) kết hợp luật học lan truyền ngược quy tắc hóa Bayesian. Giải pháp này giúp hệ thống đạt chỉ số sai số bình phương trung bình tối ưu ở mức 9.5783e-06 sau 1.000 chu kỳ huấn luyện, đồng thời duy trì độ ổn định vững chắc khi tải trọng của con lắc tăng thêm 0.31 kg. Việc tích hợp cảm biến mã hóa vòng quay độ phân giải cao 4.096 xung/vòng cùng bộ xử lý tín hiệu số DSP giúp hệ thống triệt tiêu sai số góc lệch và phản ứng tức thời trước các tác động cơ học.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu vận dụng hệ thống lý thuyết điều khiển hiện đại kết hợp với cơ học giải tích để giải quyết tính phi tuyến sâu của mô hình. Mô hình toán học động lực học của hệ con lắc ngược quay được thiết lập dựa trên định luật Newton thứ hai và phương trình chuyển động Euler cho vật rắn quay. Không gian trạng thái phi tuyến được mô tả qua bốn biến trạng thái gồm góc lệch con lắc alpha, góc quay cánh tay theta cùng vận tốc góc tương ứng của chúng, chịu sự tác động trực tiếp từ mô-men của động cơ điện một chiều 24V.

Đối với giai đoạn đưa con lắc từ vị trí buông thõng lên vị trí cân bằng trên, lý thuyết logic mờ (Fuzzy Logic) được ứng dụng thông qua việc thiết lập tập mờ ngõ vào, hàm liên thuộc và cơ chế giải mờ theo phương pháp trọng tâm trên cả bốn miền không gian trạng thái. Đối với giai đoạn giữ cân bằng, lý thuyết mạng nơ-ron nhân tạo nhiều lớp (Multilayer Feed-forward ANN) được sử dụng với cấu trúc tối ưu gồm một lớp ẩn chứa bốn nơ-ron xử lý. Quá trình cập nhật trọng số áp dụng thuật toán lan truyền ngược quy tắc hóa Bayesian (Bayesian Regularization Backpropagation) kết hợp thuật toán tối ưu Levenberg-Marquardt, giúp giảm thiểu hàm chi phí bao gồm tổng bình phương sai số và độ lớn trọng số mà không đòi hỏi tập dữ liệu kiểm định riêng biệt.

Phương pháp nghiên cứu

Nghiên cứu kết hợp chặt chẽ giữa mô phỏng số và thực nghiệm phần cứng. Tập dữ liệu huấn luyện được thu thập từ mô hình điều khiển hồi tiếp tỷ lệ - tích phân - vi phân (PID) hai biến hoạt động ổn định trên phần mềm Matlab 2012a Simulink. Cỡ mẫu thu thập đạt 14.667 điểm dữ liệu thực nghiệm, bao gồm đầy đủ năm thành phần tín hiệu: hai góc vị trí, hai vận tốc góc và giá trị điện áp điều khiển tương ứng. Phương pháp chọn mẫu là thu thập liên tục theo thời gian thực với tần số lấy mẫu cao qua giao thức truyền thông nối tiếp để đảm bảo bao phủ toàn bộ không gian hoạt động của hệ thống.

Lý do lựa chọn phương pháp phân tích mạng khớp quan hệ vào ra kết hợp luật học Bayesian là nhằm khắc phục triệt để hiện tượng thừa ăn khớp (overfitting) và tình trạng hội tụ cục bộ của các thuật toán lan truyền ngược truyền thống. Sau khi huấn luyện trên máy tính, giải thuật được nạp vào bộ xử lý DSP thông qua phần mềm nhúng để điều khiển mạch động lực công suất và nhận tín hiệu hồi tiếp từ khối ngoại vi eQEP kết nối encoder 4.096 xung/vòng. Toàn bộ quá trình nghiên cứu và thử nghiệm được hoàn thiện liên tục trong mốc thời gian từ năm 2012 đến tháng 09 năm 2013.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Quá trình mô phỏng và thực nghiệm trên mô hình thực tế đã mang lại nhiều phát hiện kỹ thuật quan trọng:

Thứ nhất, bộ điều khiển PID một biến chỉ có khả năng ổn định góc lệch con lắc nhưng làm cho góc quay của cánh tay trôi không kiểm soát. Khi nâng cấp lên bộ điều khiển PID hai biến với các thông số Kp=20, Ki=204, Kd=4 cho góc alpha và Kp=2, Ki=0, Kd=1 cho góc theta, hệ thống kiểm soát tốt cả hai góc nhưng khoảng ổn định bị giới hạn khi khối lượng vượt quá 0.65 kg (tăng 225% so với khối lượng danh định 0.2 kg) hoặc chiều dài cánh tay tăng lên 0.42 m.

Thứ hai, việc so sánh hiệu năng của ba kiến trúc mạng nơ-ron truyền thẳng sau 1.000 epoch huấn luyện trên cùng tập 14.667 mẫu cho thấy: mạng liên tầng (cascade-forward) cho sai số rất lớn với MSE đạt 199.3088; mạng truyền thẳng chuẩn (feedforward) đạt MSE ở mức 1.0653e-05; trong khi mạng khớp quan hệ vào ra (fitting neural network) đạt sai số thấp nhất với MSE bằng 9.5783e-06 và chuẩn gradient đạt 0.004578.

Thứ ba, trong các bài kiểm tra thực nghiệm có tải biến thiên, khi gắn thêm tải trọng 0.31 kg tại vị trí cánh tay 16 cm và 30 cm, bộ điều khiển fitting neural network thích nghi hoàn toàn vượt trội so với mạng truyền thẳng thông thường, duy trì góc lệch con lắc dao động quanh mức 0 rad với biên độ sai số cực nhỏ.

Thứ tư, giải thuật Swing-up bằng logic mờ can thiệp đồng thời trên cả bốn miền không gian trạng thái đã rút ngắn đáng kể thời gian đưa con lắc lên vị trí thẳng đứng với vận tốc tại đỉnh xấp xỉ 0 rad/s, tạo điều kiện chuyển mạch mượt mà sang bộ điều khiển cân bằng nơ-ron.

Thảo luận kết quả

Hiệu năng vượt trội của mạng fitting neural network xuất phát từ cấu trúc một lớp ẩn bốn nơ-ron kết hợp thuật toán Bayesian Regularization. Việc tối ưu hóa siêu tham số giúp phân bố trọng số mạng đồng đều, triệt tiêu ảnh hưởng của nhiễu đo lường từ cảm biến và hiện tượng dao động cơ khí. Kết quả này giải quyết dứt điểm nhược điểm góc lệch lớn vốn thường xuất hiện ở các bộ điều khiển trượt hay PID kinh điển trong các nghiên cứu trước đây.

Dữ liệu phản hồi thực nghiệm có thể được tổng hợp trực quan thông qua đồ thị đáp ứng thời gian thực và bảng phân tích chỉ số huấn luyện. Đồ thị bám trạng thái thể hiện rõ quá trình chuyển pha từ thuật toán mờ sang mạng nơ-ron diễn ra không có hiện tượng giật cục, điện áp cấp cho động cơ DC 24V luôn nằm trong giới hạn an toàn dưới 100% công suất danh định. Bảng so sánh chỉ số MSE và histogram sai số khẳng định 100% mẫu thử nghiệm đều tập trung xung quanh trục sai số bằng 0.

Đề xuất và khuyến nghị

Để phát triển và ứng dụng rộng rãi các kết quả nghiên cứu vào thực tiễn điều khiển tự động hóa công nghiệp, các đề xuất cụ thể bao gồm:

Thứ nhất, nâng cấp mạng nơ-ron từ cấu trúc tĩnh ngoại tuyến (offline) sang thuật toán thích nghi trực tuyến (online adaptive learning). Giải pháp này cho phép hệ thống tự động cập nhật ma trận trọng số trong thời gian thực dưới 5 ms khi tải trọng thay đổi đột ngột, với mục tiêu rút ngắn thời gian đáp ứng quá độ thêm 15% đến 20%, do nhóm kỹ sư điều khiển thực hiện trong vòng 6 đến 12 tháng.

Thứ hai, cải tiến khối phần cứng đo lường bằng cách tích hợp cảm biến quán tính IMU tần số quét 1 kHz song song với encoder 4.096 xung/vòng. Việc này giúp giảm nhiễu đo lường xuống dưới 0.05 độ, do các kỹ sư cơ điện tử triển khai trong thời hạn 3 đến 6 tháng.

Thứ ba, mở rộng phạm vi ứng dụng thuật toán kết hợp mờ và nơ-ron sang các hệ thống robot tự hành phức tạp như robot hai bánh tự cân bằng, cánh tay máy công nghiệp và hệ thống cần cẩu tháp chịu tải trọng biến thiên từ 1 kg đến 50 kg, lộ trình thử nghiệm 12 tháng tại các phòng thí nghiệm tự động hóa.

Thứ tư, tối ưu hóa mã nguồn lập trình nhúng C trực tiếp trên nền tảng DSP chuyên dụng nhằm giảm 30% dung lượng bộ nhớ vi điều khiển và tăng chu kỳ lấy mẫu lên trên 2 kHz, thực hiện bởi chuyên gia lập trình nhúng trong 3 tháng.

Đối tượng nên tham khảo luận văn

Công trình nghiên cứu mang giá trị học thuật và ứng dụng cao cho nhiều nhóm chuyên môn:

Nhóm 1 - Giảng viên và nghiên cứu sinh chuyên ngành Kỹ thuật Điều khiển và Tự động hóa: Luận văn cung cấp toàn bộ phương trình toán học giải tích, phương pháp tuyến tính hóa quanh điểm làm việc và mô hình mô phỏng Simulink chi tiết để làm học liệu giảng dạy và tài liệu tham khảo chuyên sâu.

Nhóm 2 - Kỹ sư nghiên cứu và phát triển Robot (R&D Robotics): Cung cấp ca ứng dụng thực tiễn trong việc xử lý các bài toán tự cân bằng phi tuyến phức tạp, áp dụng trực tiếp cho các dòng robot di động hai bánh và hệ thống ổn định camera cơ điện tử.

Nhóm 3 - Học viên cao học và sinh viên kỹ thuật: Cung cấp giải pháp mẫu mực về quy trình thiết kế từ xây dựng mô hình toán, thu thập 14.667 mẫu dữ liệu, huấn luyện mạng nơ-ron đến lập trình phần cứng DSP thực tế.

Nhóm 4 - Chuyên gia Trí tuệ nhân tạo công nghiệp: Tài liệu tham khảo hữu ích về cách ứng dụng thuật toán học máy Bayesian và logic mờ vào các hệ thống thời gian thực đòi hỏi độ tin cậy cơ điện tử tuyệt đối 100%.

Câu hỏi thường gặp

Con lắc ngược quay khác biệt gì so với hệ con lắc ngược trên xe kéo? Hệ con lắc ngược quay chuyển động trong mặt phẳng tròn không bị giới hạn không gian di chuyển như con lắc xe trượt, nhưng mang đặc tính phi tuyến cao hơn do mô-men quán tính biến thiên liên tục, đòi hỏi thuật toán điều khiển xử lý chính xác bốn biến trạng thái.

Tại sao cấu trúc mạng fitting neural network lại được lựa chọn thay vì mạng nhiều lớp sâu? Qua thực nghiệm với 14.667 mẫu, mạng một lớp ẩn chứa bốn nơ-ron đạt sai số MSE thấp nhất 9.5783e-06, giúp thuật toán tính toán nhanh chóng trong chu kỳ dưới 1 ms mà không gây quá tải cho bộ xử lý số DSP.

Thuật toán lan truyền ngược Bayesian mang lại lợi ích gì trong việc huấn luyện mạng? Thuật toán này áp dụng quy tắc hóa toán học để cực tiểu hóa cả sai số và trọng số mạng, giúp chống hiện tượng quá khớp hiệu quả, đảm bảo mạng hoạt động ổn định khi thông số tải trọng thực tế thay đổi từ 0.2 kg lên trên 0.51 kg.

Bộ điều khiển Swing-up logic mờ can thiệp bốn miền không gian trạng thái hoạt động như thế nào? Dựa vào góc và vận tốc quay, thuật toán tự động tính toán điện áp động cơ để đưa con lắc lên phương thẳng đứng sao cho vận tốc tại đỉnh xấp xỉ 0 rad/s, giúp chuyển tiếp sang bộ cân bằng nơ-ron mà không tạo xung lực giật.

Hệ thống phần cứng thực nghiệm sử dụng những linh kiện chính nào? Hệ thống sử dụng động cơ DC 24V, bộ mã hóa vòng quay quang học độ phân giải 4.096 xung/vòng, mạch công suất cách ly và bộ xử lý tín hiệu số DSP kết nối module eQEP tần số lấy mẫu cao.

Kết luận

• Công trình đã thiết lập thành công mô hình toán học giải tích và hệ thống mô phỏng toàn diện cho con lắc ngược quay phi tuyến bậc cao.
• Thiết kế hoàn chỉnh bộ điều khiển Swing-up bằng logic mờ tác động trên bốn miền không gian trạng thái, đưa con lắc về vị trí lật ngược với vận tốc tiệm cận 0.
• Xây dựng thành công bộ điều khiển cân bằng bằng mạng fitting neural network với một lớp ẩn bốn nơ-ron, đạt sai số huấn luyện tối ưu 9.5783e-06 sau 1.000 epoch trên tập 14.667 mẫu.
• Thực nghiệm trên phần cứng DSP chứng minh tính thích nghi xuất sắc của hệ thống khi tăng thêm tải trọng 0.31 kg tại các vị trí cánh tay 16 cm và 30 cm.
• Đóng góp giải pháp công nghệ kết hợp trí tuệ nhân tạo và điều khiển truyền thống có độ tin cậy cao cho các hệ thống cơ điện tử phức tạp.

Lộ trình phát triển trong giai đoạn 6 đến 12 tháng tới sẽ tập trung hoàn thiện thuật toán nơ-ron tự học trực tuyến và thử nghiệm trên các kết cấu robot công nghiệp. Quý độc giả, các nhà nghiên cứu và kỹ sư quan tâm có thể ứng dụng trực tiếp các phương trình trạng thái và cấu trúc mạng trong công trình này để tối ưu hóa các hệ thống điều khiển tự động hóa hiện đại.

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 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.