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.

Trích đoạn nội dung tài liệu

Lời Cam Đoan Tôi cam đoan đây là công trình nghiên cứu của tôi. Các số liệu, kết quả nêu trong luận văn là trung thực và chƣa từng đƣợc ai công bố trong bất kỳ công trình nào khác. Hồ Chí Minh,ngày 11 tháng 09 năm 2013 (Ký tên và ghi rõ họ tên) Nguyễn Đức Quyền iii Lời Cảm Ơn - - -  - - - Em xin gửi lời cảm ơn chân thành nhất tới thầy TS. Ngô Văn Thuyên, ngƣời đã tận tình hƣớng dẫn và truyền đạt kiến thức giúp em hoàn thành luận văn này. Và quan trọng hơn hết, thầy là ngƣời đã gợi mở cho em một hƣớng nghiên cứu mà em cảm thấy quan tâm và mong muốn theo đuổi. Bên cạnh đó, em cũng xin gửi lời cảm ơn sâu sắc tới tất cả qúy Thầy Cô trƣờng Đại Học Sƣ Phạm Kỹ Thuật Tp. Hồ Chí Minh đã trang bị cho em những kiến thức bổ ích, đặc biệt em xin chân thành cảm ơn thầy TS. Nguyễn Minh Tâm đã tạo điều kiện thuận lợi và hỗ trợ cho em rất nhiều trong quá trình học tập cũng nhƣ trong thời gian làm luận văn này. Cuối cùng, con xin chân thành cảm ơn sự quan tâm, hỗ trợ, tạo điều kiện và động viên về vật chất lẫn tinh thần của các thành viên trong gia đình, đặc biệt là Mẹ trong suốt thời gian qua. Nguyễn Đức Quyền iv Tóm Tắt Luận Văn Hệ thống con lắc ngƣợc là hệ thống không ổn định, phi tuyến ở mức cao. Nó đƣợc sử dụng nhƣ một mô hình phổ biến cho các ứng dụng trong kỹ thuật điều khiển tuyến tính và phi tuyến. Mô hình con lắc đƣợc dùng để kiểm chứng lại các thuật toán điều khiển nhƣ: điều khiển trƣợt, đặt cực, LQR, PID, logic mờ, mạng neural. Điều khiển con lắc ngƣợc gồm hai quá trình: điều khiển lật ngƣợc con lắc và điều khiển cân bằng con lắc quanh vị trí lật ngƣợc. Trong các phƣơng pháp điều khiển hiện hành đối với hệ phi tuyến, mạng neural là phƣơng pháp không mới. Tuy nhiên, mạng neural còn nhiều vấn đề cần quan tâm. Những kết quả nghiên cứu trƣớc đây đã cho thấy mạng neural điều khiển tốt hơn các phƣơng pháp khác đối với hệ phi tuyến. Trong công trình này, tác giả sử dụng mạng neural truyền thẳng khớp quan hệ vào ra (fitting neural network) huấn luyện theo luật học lan truyền ngƣợc Bayesian để xây dựng bộ điều khiển cân bằng. Bộ điều khiển cân bằng đƣợc huấn luyện để mô phỏng theo bộ điều khiển của hệ thống. Bộ điều khiển cân bằng này hoạt động giống bộ điều khiển của hệ thống nhƣng nó có thể thích nghi khi thông số của hệ thống thay đổi. Tác giả sử dụng thuật toán logic mờ để xây dựng bộ điều khiển lật ngƣợc con lắc. Dựa trên vị trí và vận tốc con lắc, bộ điều khiển lật ngƣợc sẽ tính toán và quyết định điện áp điều khiển nhằm đƣa con lắc lên vị trí dựng ngƣợc sao cho vận tốc tại đó là nhỏ nhất, sau đó chuyển sang bộ điều khiển cân bằng để giữ con lắc ổn định tại vị trí này. Kết quả thực nghiệm đạt đƣợc: Bộ điều khiển lật ngƣợc dùng logic mờ đã đƣa con lắc từ vị trí buông thõng lên vị trí lật ngƣợc, sau đó hệ thống điều khiển chuyển sang bộ điều khiển cân bằng để giữ con lắc ổn định tại vị trí này. Bộ điều khiển cân bằng con lắc dùng mạng neural truyền thẳng khớp quan hệ vào ra đạt đƣợc đáp ứng sai số của hệ thống rất nhỏ và duy trì con lắc ổn định tốt ở vị trí lật ngƣợc. v Abstract Inverted pendulum system is unstable, highly nonlinear. It is used as a common model for engineering applications in linear and nonlinear control. Pendulum model is used to test control algorithms such as: slide control, LQR, PID, fuzzy logic, neural networks . Inverted pendulum controller consists two unit: swing-up controller and balance controller. In the current control method for nonlinear systems, neural network isn‟t a new method. However, neural network has a few interesting questions, and some research results have shown that it is better than the other methods for nonlinear systems. In this project, the authors use fitting neural networks trained by Bayesian back-propagation learning rule to build the balance controller. The balance controller is trained to simulate the system controller. This controller works like controller of system, but it can be adapted if parameters of the system change. The author uses fuzzy logic algorithm to build the swing-up controller. Based on the location and velocity of the pendulum, the controller will calculate and decide control voltage to swing up pendulum to inverted position, at the smallest velocity, then switch to the balance controller to keep the pendulum stability at this position. The experimental results obtained: Swing-up controller brought the pendulum to inverted position and switch to the balance controller to keep the pendulum stability at this position. With the balance controller using fitting neural network, the error response of the system is very small and pendulum stable at inverted position. vi Mục lục Trang tựa trang Quyết định giao đề tài LÝ LỊCH KHOA HỌC . i Lời Cam Đoan . iii Lời Cảm Ơn . iv Tóm Tắt Luận Văn . vii Danh Sách Các Chữ Viết Tắt . x Danh Sách Các Hình . xi Danh Sách Các Bảng . xiv Chƣơng 1 Tổng Quan . Lịch sử nghiên cứu . Mục tiêu và giới hạn của đề tài . Phƣơng pháp nghiên cứu. Nội dung luận văn . 7 Chƣơng 2 Mô Hình Toán Học. Xây dựng mô hình toán học [8], [9]. Mô phỏng con lắc ngƣợc quay trên matlab . Khảo sát đáp ứng của con lắc tuyến tính . Khảo sát đáp ứng góc của con lắc với bộ điều khiển PID một biến . Khảo sát đáp ứng góc của con lắc với bộ điều khiển PID hai biến . Khảo sát đáp ứng của con lắc phi tuyến . 21 vii Chƣơng 3 Điều Khiển Cân Bằng Dùng Mạng Neural (Ann) . Mạng neural truyền thẳng nhiều lớp (Multilayer Feed-forward Neural Network) [15], [16] . Vấn đề thiết kế cấu trúc mạng. Số lớp ẩn . Số neural trong lớp ẩn . Luật học lan truyền ngƣợc [16] . Lựa chọn và huấn luyện mạng . Mạng truyền thẳng (feedforwardnet) . Mạng truyền thẳng ghép cascade (Cascade-forward neural network) . Mạng truyền thẳng khớp quan hệ vào ra (fitting neural network) . Điều khiển con lắc bằng mạng fitting neural network . 38 Chƣơng 4 Điều Khiển Swing-Up Dùng Logic Mờ . Tổng quan về điều khiển mờ [14] . Hệ qui tắc mờ . Các phép toán trên tập mờ . Điều khiển Swing-up [14], [15] . Áp dụng điều khiển mờ trong Swing-up con lắc . 44 Chƣơng 5 Kết Quả Thực Nghiệm . Điều khiển con lắc ngƣợc dùng mạng fitting neural network. Đáp ứng của con lắc khi chƣa thay đổi thông số mô hình . Đáp ứng của con lắc khi thêm m = 0.31kg tại 2L=16cm . Đáp ứng của con lắc khi thêm m = 0.31kg tại 2L=30cm . Điều khiển Swing-up sử dụng logic mờ . 56 Chƣơng 6 Kết Luận Và Hƣớng Phát Triển Đề Tài . Hƣớng phát triển của đề tài . 56 TÀI LIỆU THAM KHẢO . Giới thiệu phần cứng hệ thống con lắc ngƣợc quay . Phần mạch điện tử: . Các sơ đồ nguyên lý của mạch điện trên hệ thống thực . 65 ix Danh Sách Các Chữ Viết Tắt 1. PID: Proportional Integral Derivative 2. PWM: Pulse-Width Modulation 3. SIMO: Single Input Multi Outputs 4. SISO: Single Input Single Outputs 5. MIMO: Multi Input Multi Outputs 6. DSP: Digital Signal Processing 7. PCI: Peripheral Component Interconnect 8. QEP: Quadrature Encoder Pulse 9. ANN: Artificial Neural Network 10. SSE: Sum Suquared Error 11. MSE: Mean Square Error x Danh Sách Các Hình Hình trang Hình 1.1 Hệ con lắc ngƣợc xe .3 Hệ con lắc ngƣợc quay .4 Hệ con lắc một bậc . 1 Mô hình cánh tay quay của con lắc . 2 Phân tích chuyển động của con lắc ngƣợc quay . 3 Sơ đồ khối mô hình mô phỏng con lắc tuyến tính . 4 Sơ đồ khối mô hình mô phỏng con lắc phi tuyến . 5 Sơ đồ khối mô tả con lắc khi chƣa có bộ điều khiển . 6 Góc alpha của con lắc khi chƣa có bộ điều khiển . 7 Sơ đồ khối điều khiển con lắc hồi tiếp góc alpha . Đáp ứng góc lệch con lắc khi hồi tiếp góc alpha .9 Đáp ứng góc lệch cánh tay khi hồi tiếp góc theta . Điều khiển con lắc hồi tiếp cả hai góc alpha và theta . Đáp ứng góc alpha khi hồi tiếp cả hai góc alpha và theta . Đáp ứng góc theta khi hồi tiếp cả hai góc alpha và theta . Điều khiển con lắc hồi tiếp cả hai góc alpha và theta khi thay đổi m . Điều khiển con lắc không ổn định khi khối lƣợng m = 0. Điều khiển con lắc hồi tiếp cả hai góc alpha và theta khi thay đổi chiều dài . Điều khiển con lắc không ổn định khi chiều dài bằng L=0. Điều khiển con lắc hồi tiếp cả hai góc alpha và theta với tín hiệu nhiễu . Góc alpha của con lắc khi ngõ vào là tín hiệu nhiễu ngẫu nhiên . Điều khiển con lắc ổn định khi khối lƣợng m = 0. Điều khiển con lắc ổn định khi chiều dài bằng 0.1 Mạng neural truyền thẳng nhiều lớp .2: Hiệu năng huấn luyện của mạng feedforwardnet .3: Trạng thái quá trình huấn luyện của mạng feedforwardnet .4: Histogram huấn luyện của mạng feedforwardnet .5: Hiệu năng huấn luyện của mạng Cascade-forward neural network .6: Trạng thái quá trình huấn luyện của mạng Cascade-forward neural network .7: Histogram huấn luyện của mạng Cascade-forward neural network .8 Hiệu năng huấn luyện của mạng fitting neural network .9: Trạng thái quá trình huấn luyện của mạng fitting neural network .10: Histogram huấn luyện của mạng fitting neural network .11 Sơ đồ khối bộ điều khiển cân bằng sử dụng mạng fitting neural network .1 Sơ đồ khối bộ điều khiển mờ . Tập mờ ở ngõ ra của khâu mờ hóa .3 Miền không gian trạng thái con lắc .4 Mô hình bộ điều khiển con lắc cân bằng và lật ngƣợc .5 Sơ đồ mờ hóa ngõ vào .6 Sơ đồ giải mờ ngõ ra .7 Vùng tác động điều khiển con lắc ngƣợc . Sơ đồ khối thu thập dữ liệu . Sơ đồ khối bộ điều khiển cân bằng sử dụng mạng fitting neural network . Đáp ứng góc alpha với mạng fitting neural network . Đáp ứng góc alpha với mạng truyền thẳng [9] . Đáp ứng góc theta với mạng fitting neural network . Đáp ứng góc theta với mạng truyền thẳng [9] . Đáp ứng góc alpha với mạng fitting neural network khi thêm m tại L=16cm . Đáp ứng góc alpha với mạng truyền thẳng [9] khi thêm m tại L=16cm . Đáp ứng góc theta với mạng fitting neural network khi thêm m tại L=16cm . Đáp ứng góc theta với mạng truyền thẳng [9] khi thêm m tại L=16cm . Đáp ứng góc alpha với mạng fitting neural network khi thêm m tại L=30cm .