I. Giới thiệu về Con Lắc Ngược Quay và Bộ Điều Khiển LQR
Con lắc ngược quay là một hệ thống động học phi tuyến phức tạp, được sử dụng rộng rãi trong nghiên cứu điều khiển tự động. Hệ thống này bao gồm một thanh con lắc gắn trên một cánh tay quay, với mục tiêu duy trì con lắc ở vị trí thẳng đứng trong khi cánh tay quay. Bộ điều khiển LQR (Linear Quadratic Regulator) là một phương pháp điều khiển tối ưu tuyến tính được thiết kế để giảm thiểu hàm chi phí bậc hai. LQR cung cấp hiệu suất điều khiển ổn định và nhanh chóng, nhưng hiệu quả của nó phụ thuộc nhiều vào việc lựa chọn ma trận trọng số. Điều này làm cho việc tối ưu hóa LQR trở thành bài toán quan trọng trong kỹ thuật điều khiển hiện đại.
1.1. Mô Hình Toán Học Con Lắc Ngược Quay
Mô hình toán học con lắc ngược quay được thiết lập từ phương trình Newton-Euler, bao gồm các tham số như khối lượng thanh, độ dài cánh tay, moment quán tính. Hệ phương trình vi phân mô tả động lực của hệ con lắc ngược quay với các trạng thái: góc quay cánh tay, vận tốc góc, góc con lắc và vận tốc góc con lắc. Mô hình này cơ sở để thiết kế và phân tích các bộ điều khiển.
1.2. Nguyên Lý Hoạt Động của Bộ Điều Khiển LQR
LQR tìm luật điều khiển phản hồi trạng thái tối ưu bằng cách giảm thiểu hàm chi phí: J = ∫(x'Qx + u'Ru)dt. Ma trận Q đại diện cho trọng số trạng thái, ma trận R đại diện cho trọng số điều khiển. Giải quyết phương trình Riccati đại số cấp 1 (ARE) cung cấp ma trận lợi tức K, từ đó xác định luật điều khiển u = -Kx. Bộ điều khiển LQR đảm bảo ổn định tiệm cận và hiệu suất tối ưu.
II. Giải Thuật PSO và Ứng Dụng Trong Tối Ưu Hóa
Giải thuật PSO (Particle Swarm Optimization) là một kỹ thuật tối ưu hóa meta-heuristic lấy cảm hứng từ hành vi bay của bầy chim. Thuật toán này hoạt động bằng cách khám phá không gian tìm kiếm thông qua một nhóm các hạt (particles), mỗi hạt đại diện cho một giải pháp tiềm năng. PSO có ưu điểm là dễ cài đặt, hội tụ nhanh và không yêu cầu gradient hàm mục tiêu. Trong bối cảnh tối ưu hóa LQR, PSO được sử dụng để tự động tìm các ma trận trọng số Q và R tối ưu, thay vì phải cấu hình thủ công. Phương pháp này giảm đáng kể thời gian thiết kế và cải thiện hiệu suất điều khiển.
2.1. Cơ Chế Hoạt Động của PSO
Mỗi hạt trong giải thuật PSO di chuyển trong không gian tìm kiếm đa chiều, cập nhật vận tốc và vị trí dựa trên vị trí tốt nhất của chính nó (pbest) và vị trí tốt nhất toàn cầu (gbest). Công thức cập nhật: v = wv + c1rand()(pbest - x) + c2rand()*(gbest - x), x = x + v. Các tham số w (quán tính), c1 và c2 (hệ số nhận thức) ảnh hưởng đến quá trình hội tụ. PSO cân bằng giữa khai phá toàn cục và khai thác địa phương.
2.2. Ứng Dụng PSO trong Tối Ưu Hóa LQR
Tối ưu PSO cho bộ điều khiển LQR liên quan đến việc định nghĩa hàm mục tiêu dựa trên hiệu suất điều khiển, chẳng hạn như tối thiểu hóa sai lệch theo dõi hoặc tối thiểu hóa năng lượng điều khiển. Mỗi hạt trong PSO đại diện cho một bộ ma trận Q và R. Hệ thống được mô phỏng với mỗi bộ tham số, kết quả hiệu suất được đánh giá. Quá trình lặp lại cho đến khi PSO hội tụ đến giải pháp tối ưu.
III. Mô Phỏng và Triển Khai Trên Matlab
Mô phỏng Matlab là bước quan trọng trong quá trình thiết kế và kiểm chứng bộ điều khiển LQR tối ưu hóa PSO cho hệ con lắc ngược quay. Trong môi trường Matlab, mô hình toán học của hệ thống được xây dựng, bộ điều khiển LQR được tính toán dựa trên ma trận Q và R ban đầu. Sau đó, giải thuật PSO được cài đặt để tìm kiếm các ma trận trọng số tối ưu. Toolbox Control System và Optimization của Matlab cung cấp các hàm hỗ trợ tính toán ma trận ARE và mô phỏng động học hệ thống. Kết quả mô phỏng được so sánh với các phương pháp điều khiển khác để đánh giá hiệu suất.
3.1. Xây Dựng Mô Hình Hệ Thống Trong Matlab
Mô hình toán học con lắc ngược quay được biểu diễn dưới dạng hệ phương trình trạng thái: ẋ = Ax + Bu, y = Cx + Du. Các ma trận A, B, C, D được xác định từ phương trình động học. Trong Matlab, sử dụng lệnh ss() để tạo mô hình không gian trạng thái. Mô phỏng được thực hiện bằng lệnh sim() hoặc ode45() để giải phương trình vi phân. Các tham số hệ thống (khối lượng, chiều dài, hệ số ma sát) được nhập từ dữ liệu thực nghiệm.
3.2. Cài Đặt Giải Thuật PSO và LQR
Giải thuật PSO được cài đặt dưới dạng vòng lặp, khởi tạo bầy hạt ngẫu nhiên trong không gian tham số Q và R. Tại mỗi vòng lặp, ma trận LQR được tính toán bằng hàm lqr(), hệ thống được mô phỏng với điều khiển K, và hàm mục tiêu được đánh giá. Vận tốc và vị trí hạt được cập nhật dựa trên pbest và gbest. Quá trình lặp lại trong số lần lặp tối đa hoặc cho đến khi đạt độ chính xác mong muốn.
IV. Kết Quả Thực Nghiệm và Đánh Giá Hiệu Suất
Kết quả thực nghiệm từ việc triển khai bộ điều khiển LQR tối ưu hóa PSO trên hệ thống con lắc ngược quay vật lý cho thấy hiệu suất vượt trội so với phương pháp điều khiển truyền thống. Hệ thống được kiểm tra với các điều kiện ban đầu khác nhau, và đáp ứng của mô hình được ghi nhận bằng encoder. Sai lệch theo dõi giữa vị trí mong muốn và vị trí thực tế được giảm đáng kể, thời gian xác lập được rút ngắn. Năng lượng điều khiển được tối ưu hóa, giảm tiêu thụ năng lượng so với các phương pháp khác. So sánh định lượng giữa LQR truyền thống và LQR tối ưu hóa PSO chứng minh sự cải thiện toàn diện của hệ thống điều khiển.
4.1. Phân Tích Đáp Ứng Động Học
Đáp ứng bước của hệ thống với bộ điều khiển LQR tối ưu cho thấy thời gian xác lập nhanh, vượt quá nhỏ được kiểm soát. Độ ổn định của con lắc ở vị trí thẳng đứng được duy trì trong điều kiện nhiễu nhỏ. Phản ứng tần số (Bode plot) cho thấy lề pha và lề biên độ đạt tiêu chuẩn ổn định. So sánh giữa mô phỏng Matlab và kết quả thực nghiệm trên phần cứng STM32F407 cho thấy sự nhất quán cao.
4.2. Nhận Xét và Hướng Phát Triển Tương Lai
Giải thuật PSO đã chứng minh hiệu quả trong tối ưu hóa tham số LQR cho hệ thống phức tạp. Hướng phát triển tương lai bao gồm: áp dụng các phương pháp tối ưu hóa khác (GA, ACO), mở rộng sang hệ thống nhiều chiều, tích hợp học máy (reinforcement learning). Hệ con lắc ngược quay có thể mở rộng thành những ứng dụng thực tế như cân bằng robot hai bánh, điều khiển drone.
