nghiên cứu phát triển giải thuật điều khiển thông minh dựa trên mạng nơ ron mờ hồi quy ứng dụng điều khiển

TÓM TẮT Luận án này nhằm mục tiêu nghiên cứu phát triển giải thuật điều khiển thông minh dựa trên mạng nơ-ron mờ hồi quy Recurrent Fuzzy Neural Networks để áp dụng trong điều khiển hệ ph

TRƯỜNG ĐẠI HỌC GIAO THÔNG VẬN TẢI THÀNH PHỐ HỒ CHÍ MINH

TRƯỜNG ĐẠI HỌC GIAO THÔNG VẬN TẢI THÀNH PHỐ HỒ CHÍ MINH

Thành phố Hồ Chí Minh, tháng 3 năm 2024

LỜI CAM ĐOAN

Tôi xin cam đoan luận án tiến sĩ với đề tài: “Nghiên cứu phát triển giải thuật điều khiển thông minh dựa trên mạng nơ-ron mờ hồi quy ứng dụng điều khiển hệ phi tuyến” là công trình khoa học do chính tôi nghiên cứu độc lập Các kết luận và kết

quả trình bày trong luận án mang tính trung thực, không thực hiện sao chép dưới bất kỳ hình thức nào và từ bất kỳ nguồn tài liệu nào Nội dung tham khảo từ các tài liệu đều đã được trích dẫn và ghi nguồn tài liệu tham khảo đúng theo quy định

Thành phố Hồ Chí Minh, ngày 19 tháng 3 năm 2024

Nghiên cứu sinh

Lê Minh Thành

LỜI CẢM ƠN

Trong thời gian nghiên cứu và thực hiện luận án, em đã nhận được sự quan tâm và giúp đỡ tận tình của Trường Đại học Giao thông vận tải Thành phố Hồ Chí Minh, Viện Đào tạo Sau Đại học, Khoa Điện - ĐTVT, quý Thầy (Cô), gia đình và bạn bè Với lòng biết ơn sâu sắc, em xin chân thành cảm ơn:

- Quý Thầy, Cô Viện Đào tạo Sau đại học, Khoa Điện – ĐTVT Trường Đại học Giao thông vận tải Thành phố Hồ Chí Minh đã tận tình hỗ trợ em trong việc hoàn thành các thủ tục hồ sơ kịp thời và đã tạo điều kiện thuận lợi cho em được tham gia nghiên cứu tại trường hiệu quả

- Đặc biệt, PGS.TS Nguyễn Chí Ngôn và TS Nguyễn Quang Sang – những người Thầy đáng kính đã tận tình hướng dẫn, giúp đỡ em rất nhiều trong suốt thời gian nghiên cứu học tập

- Cảm ơn Quý Thầy (Cô) Khoa Điện - Điện tử trường Đại học Sư phạm Kỹ thuật Vĩnh Long đã hỗ trợ và tạo điều kiện cho em trong quá trình nghiên cứu học tập

- Cảm ơn gia đình, bạn bè đã luôn động viên, khuyến khích để em yên tâm nghiên cứu và hoàn thành luận án

Xin chân thành cảm ơn tất cả!

Nghiên cứu sinh

Lê Minh Thành

TÓM TẮT

Luận án này nhằm mục tiêu nghiên cứu phát triển giải thuật điều khiển thông minh dựa trên mạng nơ-ron mờ hồi quy (Recurrent Fuzzy Neural Networks) để áp dụng trong điều khiển hệ phi tuyến, mà cụ thể là hệ robot song song 3 bậc tự do, gọi là robot Delta Tiếp cận đầu tiên của luận án là xây dựng mô hình động học và mô hình động lực học của robot Delta để phục vụ cho hoạt động khảo sát đặc tính của nó thông qua mô phỏng Kỹ thuật điều khiển PID truyền thống và điều khiển mờ đã được kiểm nghiệm trước tiên để đánh giá khả năng kiểm soát robot Tuy nhiên, việc tìm kiếm các bộ tham số cho bộ điều khiển PID cũng như bộ điều khiển mờ bằng phương pháp thử sai tỏ ra kém hiệu quả đối với mô hình MIMO phi tuyến của robot Vì vậy, giải thuật di truyền GA (genetic algorithm) đã được áp dụng với mong muốn tìm được tham số tối ưu cho bộ điều khiển PID nhờ khả năng tìm kiếm nghiệm tối ưu toàn cục của giải thuật Mặc dù giải thuật GA hoàn toàn có khả năng đáp ứng được kỳ vọng, nhưng với kỹ thuật tìm kiếm nghiệm off-line tốc độ chậm, việc áp dụng trong điều khiển robot không phù hợp Đồng thời, GA chỉ có thể tìm được bộ nghiệm tối ưu để cài đặt cho bộ điều khiển tại thời điểm ban đầu Nếu trong quá trình vận hành, thông số của robot hay có sự tác động của các yếu tố bất định khác như nhiễu, phương pháp này bắt buộc phải tìm lại bộ nghiệm tối ưu mới bằng cách chạy lại giải thuật Một vấn đề lớn đặt ra là có thể hiệu chỉnh tham số tối ưu của bộ điều khiển một cách trực tuyến hay không? Để trả lời cho câu hỏi này, mạng nơ-ron mờ hồi quy đã được áp dụng trong luận án

Mạng nơ-ron mờ hồi quy đã được nhiều nhóm nghiên cứu vận dụng trong kỹ thuật điều khiển thích nghi cho hệ phi tuyến Tuy nhiên, kỹ thuật điều khiển này tồn tại một hạn chế cơ bản là phụ thuộc vào việc lựa chọn bộ tham số ban đầu của mạng Việc lựa chọn bộ tham số ban đầu không phù hợp sẽ gây ra tốc độ hội tụ chậm của giải thuật, làm cho đáp ứng quá độ của đối tượng bị kéo dài Để khắc phục hạn chế này, luận án đã kết hợp giải thuật điều khiển giám sát dùng bộ điều khiển PID để mang năng lượng chủ đạo và dùng mạng nơ-ron mờ hồi quy để hiệu chỉnh bù một cách trực tuyến cho đối tượng Nhờ sự kết hợp này, tham số của bộ điều khiển PID không cần thiết phải cài đặt lại khi đối tượng hay môi trường điều khiển thay đổi, mà chính mạng nơ-ron mờ hồi quy sẽ cung cấp tín hiệu điều khiển bù cho những tác động đó Kết quả mô phỏng trên MATLAB/Simulink cho thấy giải thuật điều khiển giám sát dùng mạng nơ-ron mờ hồi quy đã đáp ứng được yêu cầu thiết kế bộ điều khiển thông minh cho hệ phi tuyến

Nhằm kiểm chứng các giải thuật điều khiển đã mô phỏng, mô hình thực nghiệm robot Delta cũng được luận án thiết kế và chế tạo thử nghiệm Về cơ bản, bộ điều khiển được xây dựng trên máy tính và truyền thông tín hiệu điều khiển cùng với các cảm biến góc khớp của robot thông qua card giao tiếp C2000 của Texas Instrument Kết quả thực nghiệm trên mô hình robot thật cho thấy giải thuật đáp ứng đúng như thiết kế và mô phỏng Tuy nhiên, do hạn chế về cơ khí chính xác và độ cứng vững của mô hình robot Delta đã được chế tạo mà đầu mút của robot vẫn bị rung nhẹ khi chạy trên quỹ đạo đặt, mặc dù các góc khớp vẫn cho tín hiệu đúng Do không có đủ thời gian và kinh phí để chế tạo lại mô hình robot, nghiên cứu này đã thực nghiệm giải thuật điều khiển giám sát dùng mạng nơ-ron mờ hồi quy trên hệ ổn định lưu lượng chất lỏng RT020 của hãng Gunt-Hamburg có sẵn Kết quả thực nghiệm trên hệ RT020 cho thấy kỹ thuật điều khiển đã đề xuất hoàn toàn phù hợp và có khả năng kiểm soát tốt đáp ứng lưu lượng của thiết bị

Trong thời gian tới, giải thuật điều khiển đề xuất sẽ được tiếp tục kiểm nghiệm trên robot Delta sau khi nhóm nghiên cứu cải tiến lại phần cánh tay và bộ khung của robot

Từ khóa: mạng nơ-ron mờ hồi quy, giải thuật di truyền, điều khiển mờ, điều khiển

giám sát, nhận dạng hệ thống, hệ phi tuyến

ABSTRACT

This thesis aims to study and develop intelligent control algorithms based on rent Fuzzy Neural Networks to apply in nonlinear system control, especially in parallel robot control, also called Delta robot

Recur-The first approach of the study is to build a kinematic model and a dynamic model of the Delta robot to investigate its characteristics through simulation Traditional PID control techniques and fuzzy control have been tested first to evaluate robot controlla-bility However, finding the parameter sets for the PID controller as well as the fuzzy controller by trial-and-error method has proved ineffective for the nonlinear MIMO model of the robot Therefore, the genetic algorithm GA (Genetic Algorithm) has been applied with the desire to find the optimal parameters for the PID controller thanks to its algorithm’s ability in finding the global optimal solution Although the GA algorithm completely meets the expectations with a slow speed off-line searching technique, its application in robot control is not suitable At the same time, GA can only find the op-timal PID’s parameters for initial time If during operation, the robot's parameters are affected by other uncertain factors such as noise, this method is required to find a new set of optimal parameters by running the GA algorithm again A big question is whether it is possible to calibrate the controller's optimal parameter online? To answer this ques-tion, the study has continued to approach recurrent fuzzy neural networks

Recurrent fuzzy neural networks have been applied by many research groups in adaptive control techniques for nonlinear systems However, this control technique has a fundamental limitation in that it depends on the selection of the initial parameter set of the network The inappropriate selection of the initial parameter set may get a slow convergence of the algorithm, causing longer transient response of the controlled object To overcome this limitation, the thesis has combined a supervisory control algorithm using PID controllers to generate main control signals and using recurrent fuzzy neural networks to online compensate of control signals Thanks to this combination, parame-ters of PID controllers does not need to be re-install when the control object or environ-ment changes, because the recurrent fuzzy neural networks will provide compensative control signals for the changes The simulation results on MATLAB/Simulink show that the supervisory control algorithm using recurrent fuzzy neural networks has met the requirements of designing intelligent controllers for nonlinear systems

To verify proposed control algorithms, the Delta robot experimental model has also been designed and tested by the thesis Basically, the controller is built on the computer and communicates the control signal along with the joint angle sensors of the robot through the Texas Instrument C2000 interface card Experimental results on the real robot model show that the algorithm responds exactly as designed and simulated How-ever, due to the limitations of precision mechanics and rigidity of the Delta robot model, the robot's arm tip still vibrates slightly when running on its trajectory, although the joint angles still give the correct signal Due to the lack of time and funds to re-create the robot model, this study has tested the supervisory control algorithm using recurrent fuzzy neural networks on the liquid flow control system RT020 of the Gunt - Hamburg Experimental results on the RT020 system show that the proposed control technique is completely suitable and has good control of the liquid flow response of the device

The proposed control algorithms should be further tested on the Delta robot after the research team improves the arm and frame of the robot

Keywords: recurrent fuzzy neural network, genetic algorithm, fuzzy control,

super-vised control, system recognition, nonlinear system

1 Tính cấp thiết của luận án 1

2 Tổng quan về vấn đề nghiên cứu 1

3 Luận điểm khoa học cần giải quyết trong luận án 4

4 Mục tiêu của luận án 4

4.1 Mục tiêu tổng quát 4

4.2 Mục tiêu cụ thể 5

5 Phương pháp nghiên cứu, cách tiếp cận 5

6 Đối tượng và phạm vi nghiên cứu 6

7 Ý nghĩa khoa học và thực tiễn 6

1.2 Sơ lược tình hình nghiên cứu 13

1.2.1 Tình hình nghiên cứu ở Việt Nam 13

1.2.2 Tình hình nghiên cứu ngoài nước 14

1.3 Mục tiêu 15

1.4 Mô hình hóa đối tượng phi tuyến MIMO-robot Delta 3-DOF 15

1.4.1 Mô hình động học của robot Delta 3-DOF 16

1.4.2 Xây dựng mô hình động lực học chuyển động robot Delta 3-DOF không gian 3RUS 17

1.5 Điều khiển bám quỹ đạo robot sử dụng bộ điều khiển FUZZY-PID 24

1.5.1 Thiết kế bộ điều khiển FUZZY-PID cho robot Delta 3-DOF 24

1.5.2 Kết quả mô phỏng và đánh giá 26

1.6 Điều khiển bám quỹ đạo robot Delta sử dụng giải thuật di truyền 35

1.6.1 Thiết kế giải thuật GA-PID cho robot Delta 3-DOF 35

1.6.2 Lưu đồ giải thuật di truyền 36

1.6.3 Kết quả mô phỏng và đánh giá 38

1.7 Điều khiển bám quỹ đạo robot Delta sử dụng bộ điều khiển PID thích nghi dựa trên cơ sở bộ nhận dạng mạng nơ-ron mờ hồi quy 42

1.7.1 Cơ sở lý thuyết điều khiển PID thích nghi 42

1.7.2 Thiết kế bộ điều khiển PID thích nghi dựa trên cơ sở mạng nơ-ron mờ hồi quy 45

1.7.3 Kết quả mô phỏng và đánh giá 46

1.8 So sánh kết quả của 3 bộ điều khiển: PID thích nghi trên cơ sở mạng nơ-ron mờ hồi quy với GA-PID và FUZZY-PID ứng dụng điều khiển bám quỹ đạo robot Delta 3-DOF 49

CHƯƠNG 2 ĐIỀU KHIỂN GIÁM SÁT KẾT HỢP RFFN-PID DỰA TRÊN BỘ NHẬN DẠNG MẠNG NƠ-RON MỜ HỒI QUY 50

2.1 Giới thiệu 50

2.2 Sơ lược tình hình nghiên cứu 51

2.2.1 Tình hình nghiên cứu ở Việt Nam 51

2.2.2 Tình hình nghiên cứu ngoài nước 52

3.1 Xây dựng mô hình thực nghiệm trên hệ phi tuyến 68

3.2 Thiết kế và gia công khung cơ khí hệ MIMO là robot Delta 3-DOF 68

3.3 Thiết kế và gia công tủ điện điều khiển robot Delta 3-DOF 73

3.3.1 Sơ đồ nguyên lý và hoạt động của mạch điều khiển 73

3.3.2 Vi điều khiển DSP C2000 TMS320F28379D 74

3.4 Thiết kế bản vẽ mạch điều khiển, gia công lắp mạch và lắp tủ điều khiển 77

3.4.1 Thiết kế bản vẽ mạch điện điều khiển 77

3.4.2 Gia công lắp ráp các linh kiện mạch điều khiển 79

3.4.3 Lắp tủ điều khiển robot Delta 79

3.5 Thiết kế và xây dựng các thuật toán điều khiển trên MATLAB/Simulink 80

3.5.1 Sơ đồ điều khiển 80

3.5.2 Các khối chức năng trên MATLAB/Simulink 81

3.6 Kết quả thực nghiệm robot Delta 3-DOF phiên bản 3 84

3.6.1 Thực nghiệm và kết quả trên quỹ đạo đường tròn 85

3.6.2 Thực nghiệm và kết quả trên quỹ đạo đường số 8 88

3.7 Kết quả thực nghiệm trên hệ phi tuyến SISO 90

3.7.1 Mô hình thực nghiệm trên hệ ổn định lưu lượng chất lỏng RT020 90

3.7.2 Nguyên lý điều khiển giám sát 91

3.7.3 Sơ đồ bố trí thực nghiệm 92

3.7.4 Thực nghiệm và so sánh đánh giá kết quả 92

KẾT LUẬN VÀ ĐỀ NGHỊ 97

Kết quả đạt được 97

Đánh giá nhược điểm 98

Đề nghị hướng nghiên cứu trong tương lai 98

DANH MỤC CÔNG TRÌNH TÁC GIẢ ĐÃ CÔNG BỐ 99

TÀI LIỆU THAM KHẢO 102

CÁC VIDEO THỰC NGHIỆM TRONG LUẬN ÁN 123

MỘT SỐ HÌNH ẢNH TRONG QUÁ TRÌNH GIA CÔNG CƠ KHÍ, THI CÔNG MẠCH ĐIỀU KHIỂN VÀ NGHIÊN CỨU CỦA TÁC GIẢ 124

Các minh chứng Tạp chí, Hội nghị, Viết sách và Các công trình Nghiên cứu khoa học tác giả đã công bố 127

PHỤ LỤC 133

Phần 1 : Các linh kiện sử dụng trong mạch điều khiển 133Phần 2 : Chương trình điều khiển được thực hiện trên MATLAB/Simulink 138

DANH MỤC CÁC CHỮ VIẾT TẮT Viết tắt Tiếng Anh Tiếng Việt

DOF Degrees of Freedom Bậc tự do

AC Alternating Current Dòng điện xoay chiều

LQR Linear Quadratic Regulator Bộ điều chỉnh tuyến tính bậc hai MPC Model Predictive Control Mô hình điều khiển dự đoán RBF Radial Basic Functions Các hàm cơ bản xuyên tâm PSO Particle Swarm Optimization Giải thuật bầy đàn

GA Genetic Algorithm Thuật toán di truyền

RFNNI Recurrent Fuzzy Neural Network

RFNNC Recurrent Fuzzy Neural Network

VLSI Very Large Scale Integrated Quy mô rất lớn được tích hợp SISO Single Input Single Output Một ngõ vào một ngõ ra MIMO Multiple Input Multiple Output Nhiều ngõ vào nhiều ngõ ra SNA-

PID Single Neural Adaptive PID Bộ điều khiển PID thích nghi nơ-ron IAE Integral of the Absolute

Magnitude of the Error

Tích phân giá trị tuyệt đối biên độ sai số

chất lỏng của hãng Gunt Humburg

DANH MỤC CÁC HÌNH VẼ

Hình 1.1: Cấu tạo và mô hình của robot 16

Hình 1.2: Mô hình động lực học robot 17

Hình 1.3: Tọa độ suy rộng định vị 17

Hình 1.4: Mô hình 1 robot 3 RUS 19

Hình 1.5: Mô hình 2 robot 3RUS 19

Hình 1.6: Mô hình động lực học của robot Delta 3-DOF xây dựng trong MATLAB/Simulink và mô hình robot thật mà tác giả chế tạo 24

Hình 1.7: Sơ đồ điều khiển dùng thuật toán FUZZY-PID 25

Hình 1.8: Tập mờ cho biến vào e(t), de(t) 26

Hình 1.9: Ngõ ra các hệ số và cấu trúc bộ điều khiển mờ 26

Hình 1.10: Bộ điều khiển FUZZY-PID xây dựng trong MATLAB/Simulink 28

Hình 1.11: Cấu trúc bên trong của bộ FUZZY-PID 28

Hình 1.12: Sơ đồ mô tả chi tiết các tham số của bộ điều khiển FUZZY-PID 28

Hình 1.13: Đáp ứng các góc theta với quỹ đạo đường tròn 29

Hình 1.14: Tín hiệu điều khiển với quỹ đạo đường tròn 29

Hình 1.15: Đáp ứng quỹ đạo đường tròn 30

Hình 1.16: Đáp ứng quỹ đạo đường tròn khi robot mang tải thêm 1.5 kg 30

Hình 1.17: Đáp ứng các góc theta với quỹ đạo đường cong số 8 31

Hình 1.18: Tín hiệu điều khiển với quỹ đạo đường cong số 8 31

Hình 1.19: Đáp ứng quỹ đạo đường cong số 8 31

Hình 1.20: Đáp ứng quỹ đạo đường cong số 8 khi robot mang tải thêm 1.5 kg 32

Hình 1.21: Đáp ứng các góc theta với quỹ đạo đường Astroid 32

Hình 1.22: Tín hiệu điều khiển với quỹ đạo đường Astroid 32

Hình 1.23: Đáp ứng quỹ đạo đường Astroid 33

Hình 1.24: Đáp ứng quỹ đạo đường Astroid khi robot mang tải thêm 1.5 kg 33

Hình 1.25: Đáp ứng các góc theta với quỹ đạo đường Hypocycloid 34

Hình 1.26: Tín hiệu điều khiển với quỹ đạo đường Hypocycloid 34,,

pid

Hình 1.27: Đáp ứng quỹ đạo đường Hypocycloid 34

Hình 1.28: Đáp ứng quỹ đạo đường Hypocycloid khi robot mang tải thêm 1.5 kg 35

Hình 1.29: Mô hình bộ điều khiển GA-PID 36

Hình 1.30: Lưu đồ giải thuật di truyền để xác định thông số bộ điều khiển PID 36

Hình 1.31: Bộ điều khiển GA-PID xây dựng trong MATLAB/Simulink 38

Hình 1.32: Đáp ứng các góc với quỹ đạo đường tròn 39

Hình 1.33: Tín hiệu điều khiển với quỹ đạo đường tròn 39

Hình 1.34: Đáp ứng quỹ đạo đường tròn 40

Hình 1.35: Đáp ứng quỹ đạo đường tròn khi robot Delta mang tải thêm 0.6 kg 40

Hình 1.36: Đáp ứng các góc với quỹ đạo Astroid 40

Hình 1.37: Tín hiệu điều khiển với quỹ đạo Astroid 41

Hình 1.38: Đáp ứng quỹ đạo Astroid 41

Hình 1.39: Đáp ứng quỹ đạo Astroid khi robot Delta mang tải thêm 0.6 kg 41

Hình 1.40: Cấu trúc bộ điều khiển PID thích nghi dựa trên mạng nơ-ron mờ hồi quy [52] 45

Hình 1.41: Sơ đồ mô phỏng bộ điều khiển PID thích nghi trên cơ sở bộ nhận dạng mạng nơ-ron mờ hồi quy [52] 46

Hình 1.42: Đáp ứng các góc của hai bộ điều khiển PID và PID thích nghi mạng nơ-ron 47

Hình 1.43: Đáp ứng sai số của hai bộ điều khiển 47

Hình 1.44: Đáp ứng quỹ đạo hai bộ điều khiển PID và PID thích nghi mạng nơ-ron 48

Hình 1.45: Đáp ứng quỹ đạo của hai bộ điều khiển PID và PID thích nghi mạng nơ-ron khi tải trọng của robot Delta 3-DOF tăng thêm 0,9 Kg 48

Hình 2.1: Sơ đồ khối điều khiển vòng kín hệ thống 56

Hình 2.2: Sơ đồ cấu trúc bộ nhận dạng RFNN 56

Hình 2.3: Mô hình robot Delta 3-DOF được nhận dạng trên MATLAB/Simulink 59

Hình 2.4: Cấu trúc của bộ nhận dạng bốn lớp để nhận dạng mô hình robot Delta 59

Hình 2.5: Sơ đồ hệ thống điều khiển giám sát kết hợp RFNN-PID 60

Hình 2.6: Bộ điều khiển RFNN-PID xây dựng trong MATLAB/Simulink 63

Hình 2.7: Đáp ứng các góc của theta 1 của ba bộ điều khiển 63

Hình 2.8: Đáp ứng các góc của theta 2 của ba bộ điều khiển 64

Hình 2.9: Đáp ứng các góc của theta 3 của ba bộ điều khiển 64

Hình 3.2: Tấm nền cố định sau khi gia công hoàn chỉnh 69

Hình 3.3: Bản vẽ chi tiết bệ đỡ gắn động cơ 70

Hình 3.4: Bản vẽ chi tiết và sản phẩm khi gia công cánh tay đòn trên 70

Hình 3.5: Ống Carbon Fiber 71

Hình 3.6: Cánh tay đòn dưới khi gia công hoàn chỉnh 71

Hình 3.7: Bản vẽ chi tiết tấm nền di động 72

Hình 3.8: Tấm nền di động sau khi gia công hoàn chỉnh 72

Hình 3.9: Các phiên bản 1, 2 và 3 của robot mà nhóm đã chế tạo và thực nghiệm 73

Hình 3.10: Sơ đồ khối điều khiển robot Delta 3-DOF 73

Hình 3.11: Sơ đồ cấu trúc phần cứng điều khiển robot Delta thực tế 73

Hình 3.12: Sơ đồ khối TMS320F28x7x 75

Hình 3.13: Chi tiết sơ đồ chân DSP TMS320F2837xD 76

Hình 3.14: Chi tiết sơ đồ mạch DSP TMS320F2837xD 76

Hình 3.15: Chi tiết sơ đồ đấu dây DSP TMS320F2837xD 76

Hình 3.16: Sơ đồ chân DSP TMS320F837xD - J1, J3 76

Hình 3.17: Sơ đồ chân DSP TMS320F837xD – J4, J2 77

Hình 3.18: Sơ đồ chân DSP TMS320F837xD – J5, J7 77

Hình 3.19 Sơ đồ chân DSP TMS320F837xD – J8, J6 77

Hình 3.20: Sơ đồ tổng thể các chân input/output 77

Hình 3.21: Sơ đồ nguyên lý mạch điều khiển thiết kế trên phần mềm Protues 78

Hình 3.22: Sản phẩm mạch in và mạch điều khiển sau khi hoàn thiện 79

Hình 3.23: Bố trí các linh kiện trên khung của tủ điện và mặt trước của tủ điện 80

Hình 3.24: Sơ đồ điều khiển thời gian thực robot Delta 3-DOF 81

Hình 3.25: Khối tạo ra quỹ đạo tham chiếu 81

Hình 3.26: Khối chuyển đổi vị trí x, y, z ra các góc theta 1, 2, 3 82

Hình 3.27: Sơ đồ khối phát xung và các cấu hình bên trong của khối ePWM 83

Hình 3.28: Sơ đồ khối đọc Encoder và các cấu hình bên trong của khối eQEP 83

Hình 3.29: Thông số của 3 bộ điều khiển 84

Hình 3.30: Ứng dụng giải thuật điều khiển thông minh trên hệ thực nghiệm robot Delta 3-DOF phiên bản 3 85

Hình 3.31: Đáp ứng góc Theta_1 quỹ đạo đường tròn 87

Hình 3.32: Đáp ứng góc Theta_2 quỹ đạo đường tròn 87

Hình 3.33: Đáp ứng góc Theta_3 quỹ đạo đường tròn 87

Hình 3.34: Kết quả thực nghiệm quỹ đạo đặt và quỹ đạo thực của đường tròn 88

Hình 3.35: Đáp ứng góc Theta_1 của quỹ đạo đường số 8 89

Hình 3.36: Đáp ứng góc Theta_2 của quỹ đạo đường số 8 89

Hình 3.37: Đáp ứng góc Theta_3 của quỹ đạo đường số 8 89

Hình 3.38: Kết quả thực nghiệm quỹ đạo đặt và quỹ đạo thực của đường số 8 90

Hình 3.39: Hệ thực nghiệm RT020 91

Hình 3.40: Nguyên lý điều khiển dùng mạng RFNN cho hệ RT020 91

Hình 3.41: a) Sơ đồ điều khiển giám sát hệ RT020; b) Bố trí thực nghiệm 92

Hình PL.1: Driver Yakawa Sigma II 133

Hình PL.2: Sơ đồ điều khiển chạy chế độ thay đổi tốc độ 134

Hình PL.3: Sơ đồ điều khiển chạy chế độ vị trí 135

Hình PL.4: Cách cài đặt số xung Encoder từ Driver YAKAWA 136

Hình PL.5: Module chuyển mức tín hiệu SN74LVC245A 136

Hình PL.6: Mạch giảm áp AMS1117 137

Hình PL.7: Module ổn áp LM2596_3A 137

Hình PL.8: Mạch opto cách ly TLP281 138

DANH MỤC CÁC BẢNG BIỂU

Bảng 1.1: Chi tiết các luật hợp thành mờ các hệ số e(t), de(t) và 26

Bảng 1.2: Các thông số bản vẽ kỹ thuật của robot Delta 3-DOF 27

Bảng 1.3: Các tham số của giải thuật FUZZY tham khảo trong [13], [60] 27

Bảng 1.4: So sánh các chỉ tiêu chất lượng hệ thống PID và FUZZY-PID 35

Bảng 1.5: Các tham số giải thuật di truyền 38

Bảng 1.6: So sánh các chỉ tiêu chất lượng hệ thống PID và GA 42

Bảng 1.7: Các tham số của bộ điều khiển PID thích nghi mạng nơ-ron [52] 46

Bảng 1.8: Chỉ tiêu chất lượng điều khiển [52] 48

Bảng 1.9: Chỉ tiêu chất lượng điều khiển của 3 bộ điều khiển 49

Bảng 2.1: Các thông số của bộ điều khiển RFNNC 61

Bảng 2.2: So sánh tiêu chuẩn chất lượng điều khiển của cả hệ thống 66

Bảng 3.1: Các thông số của robot Delta 3-DOF phiên bản 3 86

Bảng 3.2: Các thông số của 3 bộ PID với quỹ đạo đường tròn 86

Bảng 3.3: Các thông số của 3 bộ PID với quỹ đạo đường số 8 88

Bảng PL.1: Bảng chuyển đổi mức logic 2 kênh 136,,

pid

TỔNG QUAN 1 Tính cấp thiết của luận án

Cách mạng công nghiệp 4.0 đã và đang thúc đẩy sự phát triển nhanh chóng của công nghiệp, mà ở đó ngày càng phát sinh nhiều thiết bị phi tuyến, khó kiểm soát Các kỹ thuật điều khiển phổ biến và đã được công nghiệp hoá như điều khiển PID đã không còn đủ linh hoạt để đáp ứng yêu cầu Dù vậy, bộ điều khiển PID công nghiệp hiện vẫn được dùng phổ biến Vấn đề cấp thiết đã và đang đặt ra là nhu cầu xây dựng các giải thuật đủ linh động để cập nhật tham số bộ điều khiển PID hay bù tín hiệu điều khiển một cách thông minh và linh hoạt Trong khi đó, những thập niên gần đây, công nghệ trí tuệ nhân tạo đang được nhiều quốc gia trên thế giới quan tâm, ứng dụng Một nhánh quan trọng của trí tuệ nhân tạo được quan tâm nhiều là ứng dụng mạng nơ-ron nhân tạo Từ đó, lý thuyết điều khiển phi tuyến cũng đã hướng đến việc sử dụng các thuật toán điều khiển thông minh, dựa trên mạng nơ-ron nói chung và mạng nơ-ron mờ hồi quy nói riêng Hướng nghiên cứu và ứng dụng mạng nơ-ron mờ hồi quy có ưu điểm với cơ chế cập nhật trực tuyến bộ điều khiển phi tuyến này một cách hiệu quả Tuy nhiên, các công bố cho thấy bộ điều khiển này dù đã được triển khai thành công, nhưng chủ yếu thông qua mô phỏng trên máy tính Nhằm tận dụng độ ổn định và tin cậy cao của bộ điều khiển PID, kết hợp với tính ưu việt của bộ điều khiển dùng mạng nơ-ron mờ hồi quy, nghiên cứu này hướng đến việc xây dựng kỹ thuật điều khiển giám sát (supervisory control), thông qua việc kết hợp bộ điều khiển PID và bộ điều khiển dùng mạng nơ-ron mờ hồi quy đã đề cập Giải thuật điều khiển được kiểm nghiệm trên mô hình đối tượng phi tuyến là robot Delta và thiết bị công nghiệp là hệ ổn định lưu lượng chất lỏng RT020 Bằng việc ứng dụng các mạng nơ-ron mờ hồi quy để nhận dạng không tham số mô hình đối tượng và để điều khiển bù cho bộ PID, giải thuật đề xuất có tính linh động cao, cải thiện được chất lượng của cả hệ thống và nhất là đáp ứng được nhu cầu cấp thiết đã và đang đặt ra nhằm kiểm soát hệ điều khiển vòng kín các đối tượng phi tuyến hiện nay

2 Tổng quan về vấn đề nghiên cứu

Các bài toán điều khiển trong thực tế, đa phần là sử dụng hệ phi tuyến Vì thế, nhiều nhà nghiên cứu và nhà thiết kế đã quan tâm tích cực trong việc phát triển và ứng dụng của các phương pháp điều khiển phi tuyến bởi những lý do sau [1]: 1) Cải thiện hệ thống điều khiển hiện có; 2) Phân tích các đặc tính phi tuyến khó; 3) Xử lý sự không chắc chắn của mô hình; 4) Thiết kế đơn giản Các kỹ thuật học cơ bản về thiết kế và

phân tích hệ phi tuyến có thể tăng cường đáng kể khả năng của kỹ thuật điều khiển để đáp ứng với các bài toán điều khiển thực tế một cách hiệu quả

Các phương pháp để điều khiển hệ phi tuyến [2] bao gồm: điều khiển tuyến tính hóa hồi tiếp, điều khiển trượt và điều khiển thích nghi, điều khiển mờ, điều khiển ứng dụng giải thuật di truyền và điều khiển sử dụng mạng nơ-ron, điều khiển giám sát kết hợp sử dụng mạng nơ-ron và mờ hồi quy Trong đó nổi bật là bộ điều khiển mạng nơ-ron mờ hồi quy, đây là một trong các phương pháp điều khiển hiệu quả hệ phi tuyến với ưu điểm là tính ổn định bền vững ngay cả khi hệ thống nhiễu hoặc thông số của mô hình thay đổi theo thời gian [3]

Sự phát triển không ngừng của khoa học công nghệ đã cho ra đời một lĩnh vực nghiên cứu mới đầy tiềm năng và cũng nhiều thách thức, đó là điều khiển thông minh [4] Đây là phương pháp điều khiển phỏng theo các đặc điểm cơ bản của trí thông minh của con người, bao gồm khả năng học, khả năng xử lý thông tin không chắn chắn và khả năng tìm kiếm lời giải tối ưu Các kỹ thuật điều khiển thông minh được sử dụng phổ biến hiện nay bao gồm mạng nơ-ron nhân tạo, logic mờ và giải thuật di truyền Các kỹ thuật này phát triển rất mạnh về lý thuyết và được ứng dụng rất rộng rãi trong các lĩnh vực công nghiệp, dân dụng cũng như an ninh quốc phòng, đặc biệt là mạng nơ-ron nhân tạo và giải thuật di truyền

Giải thuật di truyền đã được giới thiệu bởi J Holland, dựa trên thuyết tiến hóa tự nhiên của Darwin [5] Giải thuật di truyền được phát triển từ sự lựa chọn tự nhiên và các cơ chế tính toán, nó là thuật toán tìm kiếm với các đặc điểm của sự tìm kiếm song song cao, ngẫu nhiên và thích nghi [6] Bằng cách thực hiện liên tiếp các toán tử di truyền như lựa chọn, lai ghép, đột biến và như thế tạo ra quần thể thế hệ mới, dần dần phát triển cho đến khi nhận được trạng thái tối ưu với giải pháp tối ưu xấp xỉ Trong những nghiên cứu gần đây, giải thuật di truyền đã trở thành công cụ tối ưu phổ biến cho nhiều lĩnh vực nghiên cứu như: điều khiển hệ thống, thiết kế điều khiển, khoa học và kỹ thuật [7]

Đồng thời bộ điều khiển mờ đã được được L.A Zadeh [8] nêu ra lần đầu tiên vào năm 1965 Bộ điều khiển này giải quyết các bài toán, rất gần với cách tư duy của con người Tới nay, bộ điều này đã phát triển rất mạnh mẽ và được ứng dụng trong nhiều lĩnh vực kỹ thuật và công nghiệp [9], [10]

Trong những năm gần đây, điều khiển mờ FUZZY-PID [11], [12], [13] và giải thuật di truyền GA-PID [14], [15], [16], [17], [18], [19] đã được các nhà nghiên cứu

quan tâm với nhiều ứng dụng trong thực tế và sản xuất Các kết quả mô phỏng cho thấy sai số quỹ đạo hội tụ nhanh; ổn định tiệm cận toàn cục; trạng thái sai số quỹ đạo tiến về không Tuy nhiên, tín hiệu điều khiển GA-PID và FUZZY-PID không còn điều khiển bám tốt theo tín hiệu đặt khi thay đổi khối lượng của tải và tác động của nhiễu lên cả hệ thống phi tuyến vòng kín [20], [21] Để nâng cao chất lượng điều khiển, các nghiên cứu [22] đã đề xuất một bộ điều khiển PID thích nghi mạng nơ-ron; [23] PID thích nghi dùng mạng nơ-ron RBF; [24] nhận dạng và điều khiển sử dụng mạng nơ-ron mờ hồi quy; [25] bộ điều khiển PID thích nghi nơ-ron sử dụng mạng nơ-ron mờ hồi quy Kết quả mô phỏng cho thấy rằng các phương pháp đề xuất loại bỏ được hiện tượng chattering, tính bền vững được cải thiện, ít sai số và đạt được độ hội tụ nhanh hơn

Mạng nơ-ron nhân tạo là một bộ xử lý song song to lớn gồm nhiều đơn vị xử lý đơn giản, giả lập quá trình học tập và xử lý của bộ não con người [26] Đơn vị cơ bản của mạng nơ-ron được gọi là nơ-ron nhân tạo, mô phỏng chức năng cơ bản của nơ-ron tự nhiên: nó nhận các ngõ vào, xử lý chúng bằng kết nối đơn giản và ngưỡng, xuất kết quả cuối cùng ở ngõ ra Mạng nơ-ron thường sử dụng phương pháp học giám sát Học về cơ bản tham khảo quy trình điều chỉnh các trọng số để tối ưu hiệu suất của mạng Mạng nơ-ron phụ thuộc vào giải thuật học máy vì sự thay đổi các trọng số kết nối của mạng gây ra nó để đạt được kiến thức để giải quyết các vấn đề trong tầm tay Mạng nơ-ron có khả năng học các quan hệ phức tạp giữa các dữ liệu vào ra được cung cấp Khi một tập các ngõ vào ra được cung cấp, mạng nơ-ron có thể học quan hệ giữa chúng bằng cách

thay đổi các trọng số của các liên kết của nó Mạng nơ-ron nhân tạo đã trở nên phổ biến

trong những năm gần đây với nhiều lý do: thứ nhất, mạng nơ-ron cung cấp khả năng tính toán rất tổng quát; thứ hai, mạng nơ-ron có thể được sản xuất trực tiếp trong phần cứng VLSI và cung cấp khả năng xử lý song song tương đối lớn

Mạng nơ-ron mờ hồi quy (điều khiển thông minh) nổi lên như bộ điều khiển thích nghi, góp phần nâng cao chất lượng điều khiển của bộ điều khiển PID (điều khiển kinh điển) Khó khăn trong huấn luyện mạng nơ-ron mờ hồi quy là lựa chọn phù hợp số nơ-ron, tâm, ngưỡng và trọng số kết nối [27] Sử dụng nhiều nơ-ron lớp ẩn sẽ gây ra hiện tượng học lâu và tăng sự phức tạp của mạng [28], ngược lại mạng sẽ không thể học đầy đủ các dữ liệu mẫu [29] Thông số này thường được lựa chọn bằng phương pháp thử và sai [30] Thông số tâm của mạng cũng ảnh hưởng đến hiệu suất của mạng Nếu chọn tâm không phù hợp, hiệu quả mạng nơ-ron sẽ rất khó đạt được kết quả mong muốn Nếu các tâm quá gần, chúng sẽ tạo ra sự tương quan tuyến tính tương đối, ngược lại chúng

sẽ không đạt yêu cầu xử lý tuyến tính Quá nhiều tâm sẽ dẫn đến tràn trong khi khó phân loại hoàn thành nếu số tâm quá ít Bên cạnh đó, việc lựa chọn các giá trị của ngưỡng và trọng số khởi tạo ban đầu cũng ảnh hưởng đến hiệu quả của mạng Ngoài ra, giải thuật huấn luyện mạng nơ-ron mờ hồi quy cũng cần được quan tâm để tăng cường hiệu suất của mạng, trong đó giải thuật Gradient Descent [31], [32], thường được sử dụng Tuy nhiên, một vài nghiên cứu chỉ ra rằng đểxác định cấu trúc [33] và các thông số của mạng nơ-ron mờ hồi quy [34], [35] để đạt được kết quả mong muốn phải phù hợp với từng ứng dụng cụ thể

Nghiên cứu khảo sát sự ảnh hưởng của mạng nơ-ron mờ hồi quy đến chất lượng bộ điều khiển thích nghi SNA-PID để điều khiển hệ phi tuyến, quá trình khảo sát sự ảnh hưởng của mạng nơ-ron mờ hồi quy đến chất lượng bộ điều khiển thích nghi để điều khiển hệ phi tuyến đã thực hiện đạt được mục tiêu đề ra Tuy nhiên, cũng còn tồn tại một số hạn chế về sự chọn lựa các hệ số của bộ điều khiển và bộ nhận dạng hệ phi tuyến trong quá trình nhận dạng và huấn luyện trực tuyến, chứng tỏ giải thuật huấn luyện còn cần phải cải tiến thêm Để giải quyết hạn chế này, nghiên cứu đề xuất áp dụng giải thuật điều khiển giám sát RFNN-PID, bộ điều khiển mạng nơ-ron mờ hồi quy RFNNC kết hợp với bộ điều khiển PID thích nghi được sử dụng, nhằm quan sát các thông số sai số đầu ra hệ phi tuyến thông qua bộ nhận dạng RFNNI, cập nhật và điều chỉnh các thông số đầu vào tối ưu để điều khiển hệ phi tuyến, góp phần giảm sai số hệ thống điều khiển vòng kín Kết quả mô phỏng được thực hiện với MATLAB/Simulink, để điều khiển hệ phi tuyến và thực nghiệm trên hệ phi tuyến thật là mô hình robot Delta 3-DOF

3 Luận điểm khoa học cần giải quyết trong luận án

Từ các thành tựu nghiên cứu tổng quan của lĩnh vực nghiên cứu đã nêu trên, nội dung luận án này nhằm trả lời các câu hỏi khoa học cơ bản sau:

- Có thể hiệu chỉnh tham số tối ưu của bộ điều khiển một cách trực tuyến hay? - Có thể dùng mạng nơ-ron mờ hồi quy để hiệu chỉnh bù cho bộ điều khiển PID truyền thống trên một đối tượng phi tuyến cho trước?

4 Mục tiêu của luận án

4.1 Mục tiêu tổng quát

Xây dựng giải thuật điều khiển thông minh dùng mạng nơ-ron mờ hồi quy để kiểm soát đối tượng phi tuyến – minh hoạ bằng điều khiển bám quỹ đạo cho robot Delta 3 bậc tự do (3-DOF), thông qua mô phỏng và thực nghiệm

4.2 Mục tiêu cụ thể

- Nghiên cứu xây dựng các phương trình chuyển động của hệ phi tuyến thực nghiệm là robot Delta 3-DOF: xây dựng các phương trình động học thuận, động học ngược và động lực học của robot Delta 3-DOF

- Thiết kế bộ điều khiển FUZZY-PID và GA-PID để điều khiển hệ phi tuyến bám theo quỹ đạo đặt trước để có cơ sở đánh giá chất lượng điều khiển với giải thuật điều khiển đề xuất

- Nghiên cứu xây dựng bộ điều khiển Single Neural Adaptive PID dựa trên bộ nhận dạng mạng nơ-ron mờ hồi quy (SNA-PID) để điều khiển hệ phi tuyến bám theo quỹ đạo đặt trước

- Đề xuất bộ điều khiển giám sát (Supervisory Control) bằng cách sử dụng bộ điều khiển mạng nơ-ron mờ hồi quy (RFNNC), kết hợp với PID để điều khiển hệ phi tuyến bám theo quỹ đạo đặt trước Đồng thời cải thiện chất lượng điều khiển bằng cách sử dụng bộ nhận dạng mạng nơ-ron mờ hồi quy (RFNNI), để nhận dạng hệ phi tuyến hồi về bộ điều khiển mạng nơ-ron mờ hồi quy để điều khiển tự chỉnh thích nghi với bộ điều khiển PID, làm nhiệm vụ tạo ra điện áp ban đầu lớn để quay các cánh tay của cả hệ phi tuyến Các giải thuật nghiên cứu được áp dụng điều khiển bám quỹ đạo robot Delta 3-DOF trên MATLAB/Simulink, để so sánh đánh giá các kết quả đạt được của 4 bộ điều khiển và kiểm chứng giải thuật đề xuất điều khiển giám sát kết hợp RFNN-PID, trong điều khiển bám quỹ đạo robot Delta 3-DOF ở trạng thái danh định và sự thay đổi các thông số của đối tượng

- Thiết kế, chế tạo mô hình robot Delta 3-DOF và thực nghiệm điều khiển thời gian thực các bộ điều khiển đã xây dựng trên MATLAB/Simulink, để điều khiển bám quỹ đạo robot Delta 3-DOF thông qua giao thức truyền nhận dữ liệu UART

5 Phương pháp nghiên cứu, cách tiếp cận

Luận án được thực hiện với các phương pháp nghiên cứu sau:

- Nghiên cứu tài liệu: thu thập tài liệu từ nguồn tài liệu khoa học trong ngành trên các tạp chí khoa học uy tín trong nước và quốc tế liên quan đến nội dung nghiên cứu của luận án; phân tích, tổng hợp tài liệu từ các nguồn thu thập ở trên, xác định ưu điểm của phương pháp điều khiển hệ phi tuyến để sử dụng làm cơ sở khoa học cho luận án, đồng thời tiến hành cải tiến những tồn tại trong các tài liệu đó

- Nghiên cứu phần mềm Solidworks, CorelDRAW để thiết kế bản vẽ và cắt khung cơ khí robot Delta 3-DOF

- Nghiên cứu phần mềm Protuse để thiết kế, mô phỏng và thi công mạch điều khiển cho robot Delta 3-DOF

- Thực nghiệm mô hình toán học hệ phi tuyến là robot Delta 3-DOF Kết quả mô phỏng được thực hiện trên MATLAB/Simulink

- Xử lý thông tin: quan sát đáp ứng của hệ thống và điều chỉnh các thông số của bộ điều khiển (nếu có) sao cho đáp ứng thỏa mãn các chỉ tiêu chất lượng điều khiển như: sai số xác lập, thời gian quá độ và độ vọt lố

6 Đối tượng và phạm vi nghiên cứu

- Đối tượng nghiên cứu: hệ thống phi tuyến MIMO được mô tả toán học bằng mô hình trạng thái phi tuyến

- Phạm vi nghiên cứu: Tập trung nghiên cứu phương pháp mô tả toán học cho hệ thống phi tuyến MIMO là robot Delta 3-DOF Nghiên cứu các công trình đã được công bố trong và ngoài nước ở lĩnh vực điều khiển phi tuyến, điều khiển thích nghi, giải thuật di truyền và điều khiển mờ làm nền tảng cho việc đánh giá chất lượng nghiên cứu của giải thuật đề xuất là giải thuật điều khiển giám sát kết hợp RFNN-PID Đồng thời tối ưu cấu trúc mạng nơ-ron mờ hồi quy, trong điều khiển hệ phi tuyến Nghiên cứu các công cụ tính toán mềm để kiểm chứng tính đúng đắn của giải thuật được đề xuất trong luận án và thực nghiệm trên mô hình hệ phi tuyến thật, là điều khiển bám quỹ đạo vòng kín robot Delta 3-DOF

- Phạm vi ứng dụng của giải thuật tập trung vào các đối tượng không yêu cầu thời gian trễ quá nghiêm ngặt, thì bộ điều khiển giám sát kết hợp RFNN-PID sẽ điều khiển được các đối tượng đó Do giải thuật này cần cập nhật trọng số của mạng nơ-ron online nên cần thời gian để cập nhật

7 Ý nghĩa khoa học và thực tiễn 7.1 Ý nghĩa khoa học

Nghiên cứu đề xuất giải thuật điều khiển giám sát RFNN-PID: trong đó bộ điều khiển mạng nơ-ron mờ hồi quy RFNNC kết hợp cùng với bộ điều khiển PID thích nghi và bộ nhận dạng RFNNI được sử dụng để quan sát các thông số sai số đầu ra của hệ phi tuyến để cập nhật, điều chỉnh các thông số đầu vào tối ưu điều khiển hệ phi tuyến bám

theo quỹ đạo đặt trước sao cho sai số bám tiến về không, giảm vọt lố và ít bị ảnh hưởng của nhiễu

7.2 Ý nghĩa thực tiễn

Kiểm chứng được khả năng ứng dụng thực tế của giải thuật điều khiển giám sát RFNN-PID để điều khiển hệ thống phi tuyến được đề xuất bằng các công cụ tính toán mềm và thực nghiệm trên mô hình hệ phi tuyến thật là điều khiển bám quỹ đạo vòng kín robot Delta 3-DOF và hệ ổn định lưu lượng RT020 của Đức

8 Những đóng góp của luận án về mặt khoa học 8.1 Về mặt lý thuyết

- Xây dựng được giải thuật điều khiển thích nghi mạng nơ-ron trên cơ sở bộ nhận dạng mạng nơ-ron mờ hồi quy SNA-PID để điều khiển hệ phi tuyến bám theo quỹ đạo đặt trước

- Xây dựng được giải thuật điều khiển giám sát (Supervisory Control) bằng cách sử dụng mạng nơ-ron mờ hồi quy RFNNC kết hợp với bộ điều khiển PID để điều khiển hệ phi tuyến bám theo quỹ đạo đặt trước

- Đánh giá và lựa chọn cấu trúc mạng nơ-ron mờ hồi quy thích hợp trong điều khiển hệ phi tuyến

- Xây dựng được bộ nhận dạng mạng nơ-ron mờ hồi quy RFNNI, để nhận dạng hệ phi tuyến hồi về bộ điều khiển mạng nơ-ron mờ hồi quy nhằm điều khiển tự chỉnh thích nghi với bộ điều khiển PID

- Cải thiện chất lượng bộ điều khiển giám sát bằng cách sử dụng bộ nhận dạng mạng nơ-ron mờ hồi quy RFNNI, để nhận dạng hệ phi tuyến hồi về bộ điều khiển mạng nơ-ron mờ hồi quy nhằm điều khiển tự chỉnh thích nghi với bộ điều khiển PID làm

nhiệm vụ tạo ra điện áp ban đầu lớn để quay các cánh tay của hệ phi tuyến bám theo quỹ đạo đặt trước

- Ứng dụng thực nghiệm trên mô hình hệ phi tuyến thật là điều khiển robot Delta 3-DOF, bám theo quỹ đạo đường tròn và quỹ đạo đường số 8

- Ứng dụng thực nghiệm trên mô hình hệ phi tuyến thật là điều khiển hệ ổn

Nội dung chính của phần này là trình bày lý do thực hiện luận án; mục tiêu; các

phương pháp nghiên cứu; đối tượng và phạm vi nghiên cứu cũng như ý nghĩa và những đóng góp của luận án

Chương 1: Điều khiển PID thích nghi dựa trên mạng nơ-ron mờ hồi quy để điều khiển hệ phi tuyến

Nội dung chính của Chương 1 là mô hình hóa hệ phi tuyến MIMO là robot Delta 3-DOF; xây dựng bộ điều khiển FUZZY-PID, GA-PID và bộ điều khiển PID thích nghi để điều khiển hệ phi tuyến; đồng thời sử dụng mạng nơ-ron mờ hồi quy để quan sát các thông số sai số đầu ra hệ phi tuyến thông qua bộ nhận dạng để cập nhật và điều chỉnh các thông số đầu vào tối ưu điều khiển hệ phi tuyến, góp phần giảm sai số hệ thống điều khiển vòng kín Kết quả mô phỏng được kiểm chứng trên phần mềm MATLAB/Simulink để so sánh, đánh giá kết quả của bộ điều khiển FUZZY-PID và GA-PID so với bộ điều khiển PID thích nghi dựa trên cơ sở mạng nơ-ron mờ hồi quy (SNA-PID) thông qua các chỉ tiêu chất lượng của đáp ứng

Kết quả chương 1, tác giả công bố 5 bài báo khoa học sau:

[1] Minh-Thanh Le, Chi-Ngon Nguyen, Dong Van Huong, Luong Hoai Thuong,

Pham Thanh Tung, Cong-Thanh Pham, “Trajectory tracking control of 3 dof delta-robot

using fuzzy-pid algorithm,” The 4th Vietnam International Conference and Exhibition on Control and Automation – VCCA2017, ISBN 978-604-73-5569-3, page 58-68, 2017

[2] Lê Minh Thành, Nguyễn Chí Ngôn, Phạm Công Thành, Lương Hoài

Thương, “Điều khiển bám quỹ đạo robot Delta ba bậc tự do sử dụng thuật toán

Fuzzy-Pid kết hợp Giải thuật di truyền,” Hội nghị khoa học Giao Thông Vận Tải lần thứ IV, ISBN:978-604-76-1578-0, pp 190-196, tháng 05, năm 2018

[3] Minh-Thanh Le, Luong Hoai Thuong, Pham Thanh Tung, Cong-Thanh

Pham, Chi-Ngon Nguyen, “Trajectory tracking control of 3-DOF Delta robot using Fuzzy-PID atgorithm”, Journal of Measurement, Control and Automation, Vol 10,

no.10, pp 23-30, 2019

[4] Minh-Thanh Le, Luong Hoai Thuong, Phan Thanh Loc, Chi-Ngon Nguyen,

“Delta Robot Control Using Single Neuron PID Algorithms Based on

Recurrent Fuzzy Neural Network Identifiers,” International Journal of Mechanical Engineering and Robotics Research, Vol 9, No.10, pp 1411-1418, 2020

[5] Minh-Thanh Le, Luong Hoai Thuong, Pham Thanh Tung, Cong-Thanh

Pham, Chi-Ngon Nguyen, “Optimization of PID Controllers by the Genetic Algorithm

for 3-DOF Delta Robot,” The 6th Vietnam International Conference and Exhibition on Control and Automation – VCCA2021, trang 67, năm 2021

Chương 2: Điều khiển giám sát kết hợp RFNN-PID dựa trên bộ nhận dạng mạng nơ-ron mờ hồi quy để điều khiển hệ phi tuyến

Nội dung chính của Chương 2 là sử dụng bộ điều khiển mạng nơ-ron mờ hồi quy cùng với bộ điều khiển PID thích nghi (RFNNC-PID), kết hợp với mạng nơ-ron mờ hồi quy được sử dụng để quan sát các thông số sai số đầu ra hệ phi tuyến thông qua bộ nhận dạng (RFNNI), phục vụ cho việc cập nhật và điều chỉnh các thông số đầu vào tối ưu nhằm điều khiển hệ phi tuyến Kết quả mô phỏng được thực hiện với MATLAB/Simulink, để đánh giá và so sánh kết quả của giải thuật đề xuất RFNN-PID với giải thuật điều khiển SNA-PID

Kết quả Chương 2, tác giả công bố 2 bài báo khoa học sau:

[1] Minh-Thanh Le, Luong Hoai Thuong, Pham Thanh Tung, Chi-Ngon

Nguyen, “Improvement of PID Controllers by Recurrent Fuzzy Neural

Networks for Delta Robot,” in book chapter: Intelligent Communication, Control and Devices Advances in Intelligent Systems and Computing, Springer Nature Singapore, vol 1341, No 4, pp 263-276, 2020

[2] Minh-Thanh Le, Luong Hoai Thuong, Pham Thanh Tung, Cong-Thanh

Pham, Chi-Ngon Nguyen, “Evaluating the Quality of Intelligent Controllers for 3-DOF

Delta Robot Control,” International Journal of Mechanical Engineering and Robotics Research, Vol 10, No.10, pp 542-552, October 2021

Chương 3: Nghiên cứu chế tạo và thực nghiệm điều khiển trên hệ phi tuyến

Nội dung chính của Chương 3 là trình bày các bước thiết kế bản vẽ kỹ thuật, thi công lắp ráp phần cứng mô hình robot Delta 3-DOF, lắp tủ điều khiển, thực nghiệm điều khiển vòng kín các bộ điều khiển đã xây dựng trên MATLAB/Simulink Các thiết kế và thi công này, phục vụ việc điều khiển bám quỹ đạo online thời gian thực của mô hình

hệ phi tuyến, là robot Delta 3-DOF và hệ ổn định lưu lượng chất lỏng RT020, thông qua

giao thức truyền nhận dữ liệu UART Kết quả thực nghiệm điều khiển bám quỹ đạo đường tròn và đường số 8 trên mô hình robot Delta 3-DOF phiên bản 3, trên 2 quỹ đạo khác nhau, ta thấy quỹ đạo thực của robot Delta 3-DOF vẫn bám tốt theo 2 quỹ đạo tham chiếu đường tròn và đường số 8, với sai số nằm trong khoảng [ 1.5 / 180;1.5 / 180](−  rad) Đồng thời kết quả thực nghiệm bộ điều khiển giám sát RFNNC-PID trên hệ ổn định lưu lượng chất lỏng RT020, đáp ứng lưu lượng của thiết bị RT020 có độ vọt lố không đáng kể và bộ điều khiển RFNNC cũng góp phần giảm

thời gian xác lập của đối tượng, từ khoảng 12 (s) xuống còn khoảng 80.5 (s) Kết quả nghiên cứu ở Chương 3, tác giả công bố được 4 bài báo sau:

[1] Lê Minh Thành, Nguyễn Chiến Thắng, Nguyễn Chí Ngôn, “Chỉnh Định Bộ

Điều Khiển PID Bằng Hệ Mờ Áp Dụng Cho Robot Delta Ba Bậc Tự Do,” Tạp Chí Khoa Học và Công Nghệ Đại Học Thái Nguyên, Tập 227, Số 02, Trang 44-53, năm 2022

[2] Minh-Thanh Le, Luong Hoai Thuong, Pham Thanh Tung, Cong-Thanh

Pham, Chi-Ngon Nguyen, “Performance Evaluation of Fuzzy-PID and GA-PID

Con-trollers on a 3-DOF Delta Robot Tracking Control,” 2022 International Conference on Control, Robotics and Informatics (ICCRI), pp 1-10, 2022, Publisher IEEE Xplore: 02

September 2022

[3] Minh-Thanh Le, Luong Hoai Thuong, Pham Thanh Tung, Cong-Thanh

Pham, Chi-Ngon Nguyen, “Optimization of PID Controller by Genetic Algorithm

Ex-periment on Delta Robot,” Journal of Measurement, Control and Automation,Vol 26, no.2, pp 9, 2022

[4] Sử Hồng Thạnh, Đào Huỳnh Đăng Khoa, Lê Minh Thành, “Thực nghiệm

điều khiển giám sát dùng mạng nơ-ron mờ hồi quy trên hệ điều ổn định lượng chất lỏng,”

Tạp Chí Khoa Học và Kỹ Thuật Đại Học Thái Nguyên, tập 227, số 16, trang 115-123,

CHƯƠNG 1 ĐIỀU KHIỂN PID THÍCH NGHI DỰA TRÊN MẠNG RON MỜ HỒI QUY ĐỂ ĐIỀU KHIỂN HỆ PHI TUYẾN

NƠ-1.1 Giới thiệu

Đối tượng điều khiển trong luận án là hệ thống phi tuyến, vốn được sử dụng nhiều trong ứng dụng thực tế Sự phức tạp trong điều khiển hệ phi tuyến đã thách thức các nhà nghiên cứu đưa ra các thủ tục thiết kế có hệ thống, để đáp ứng các yêu cầu về mục tiêu điều khiển [34] Khi làm việc với một ứng dụng cụ thể, người thiết kế cần thực hiện công cụ phù hợp nhất cho bài toán

Để điều khiển hệ phi tuyến, các công cụ cơ bản được sử dụng bao gồm: điều khiển tuyến tính hóa hồi tiếp, điều khiển trượt, kỹ thuật cuốn chiếu, điều khiển thích nghi, điều khiển mờ FUZZY-PID, điều khiển sử dụng giải thuật di truyền GA-PID, điều khiển PID thích nghi mạng nơ-ron, mạng nơ-ron RBF và mạng nơ-ron mờ hồi quy Trong đó nổi bật là bộ điều khiển thông minh dựa trên mạng nơ-ron mờ hồi quy, đây là một trong các phương pháp điều khiển hiệu quả hệ phi tuyến với ưu điểm là tính ổn định bền vững ngay cả khi hệ thống nhiễu hoặc thông số của mô hình thay đổi theo thời gian [33], [34], [35] Tuy nhiên, đối với biên độ của luật điều khiển thông minh nếu không được lựa chọn phù hợp sẽ gây ra hiện tượng dao động, rất khó cập nhật các trọng số bộ điều khiển và sẽ gây ra lỗi trong quá trình cập nhật các trọng số bộ điều khiển

Để giải quyết khó khăn trên, mạng nơ-ron mờ hồi quy được sử dụng để ước lượng các trọng số kết nối của nơ-ron và cập nhật trực tuyến các trọng số đó trong quá trình điều khiển được tính toán dựa trên phương pháp Gradient Descent [34] Mạng nơ-ron mờ hồi quy, đóng vai trò như một bộ điều khiển ước lượng các trọng số của bộ điều khiển PID thích nghi mạng nơ-ron Các trọng số của mạng được cập nhật trực tuyến, dựa trên các tín hiệu ở ngõ vào và ngõ ra của mô hình hệ phi tuyến

Chương này trình bày phương pháp thiết kế bộ điều khiển PID thích nghi mạng

nơ-ron SNA-PID, để điều khiển bám quỹ đạo hệ phi tuyến MIMO là robot Delta 3-DOF

Đây là một loại robot với kết cấu nhẹ và đơn giản, các chuyển động của robot Delta hầu như không tạo ra lực quán tính lớn Điều này tạo ra thế mạnh cực kỳ lớn cho robot Delta: Tốc độ làm việc cực kỳ cao, mang đến năng suất lớn và robot Delta được sử dụng phổ biến trong công việc gắp thả, đóng gói trong các nhà máy vì chúng di chuyển rất nhanh và linh hoạt Bộ điều khiển PID thích nghi mạng nơ-ron SNA-PID, được thiết kế để đảm

bảo quỹ đạo thực tế của robot bám theo quỹ đạo đặt trước Mạng nơ-ron mờ hồi quy đóng vai trò như một bộ nhận dạng được huấn luyện trực tuyến, bằng giải thuật Gradient Descent

Đồng thời do mô hình trong các bài báo đã công bố rất khó so sánh, vì những mô hình này khác xa với hệ thực nghiệm robot Delta mà nhóm sẽ thiết kế chế tạo Vì vậy, trong chương này tác giả xây dựng thêm một số bộ điều khiển khác: FUZZY-PID và GA-PID để đánh giá chất lượng với bộ điều khiển PID thích nghi mạng nơ-ron SNA-PID Kết quả mô phỏng được kiểm chứng trên MATLAB/Simulink và so sánh, đánh giá kết quả của bộ điều khiển FUZZY-PID, GA-PID so với bộ điều khiển điều khiển PID

thích nghi mạng nơ-ron SNA-PID thông qua các chỉ tiêu chất lượng của hệ vòng kín 1.2 Sơ lược tình hình nghiên cứu

Ngày nay, bộ điều khiển PID được ứng dụng rất phổ biến trong điều khiển các quá trình công nghiệp, do khả năng điều khiển hiệu quả, cấu trúc đơn giản và phạm vi ứng dụng rộng [36] Trong lý thuyết điều khiển, có rất nhiều phương pháp để hiệu chỉnh thông số của bộ điều khiển PID, phổ biến nhất là phương pháp Ziegler-Nichols [37], đối với một số hệ thống, việc hiệu chỉnh bộ điều khiển PID bằng phương pháp này đòi hỏi một quá trình thực nghiệm khá mất thời gian [38] Thông thường, các thông số của bộ điều khiển được xác lập bằng phương pháp Ziegler-Nichols dựa trên kết quả đo đạc được từ đáp ứng của hệ thống

Tuy nhiên, do ảnh hưởng của nhiễu và sai số của phép đo, dẫn đến việc hiệu chỉnh thông số của bộ điều khiển PID khó đạt được giá trị tốt [39] Vì vậy, một quá trình tinh chỉnh được thực hiện trước khi áp dụng bộ điều khiển vào hệ thống [40], [41], [42] Sau đây, tác giả trình bày một số công trình khoa học tiêu biểu liên quan đến nội dung thực hiện chương 2

1.2.1 Tình hình nghiên cứu ở Việt Nam

Trong quá trình phát triển các giải thuật thông minh, mạng nơ-ron nhân tạo tỏ ra hiệu quả trong vai trò xấp xỉ hàm phi tuyến nên được ứng dụng thành công trong việc nhận dạng mô hình của đối tượng Trên cơ sở đó, việc phát triển công cụ nhận dạng không tham số mô hình đối tượng sử dụng mạng nơ-ron mờ hồi quy RFNN cũng được quan tâm Mạng nơ-ron mờ hồi quy RFNN với thuật toán huấn luyện trực tuyến đang là một công cụ mạnh được sử dụng để thiết kế

các bộ điều khiển thông minh Ngoài ra, với khả năng tự học trực tuyến mạng nơ-ron hoàn toàn phù hợp trong việc ứng dụng để tự chỉnh các thông số bộ điều khiển PID

Năm 2011, tác giả Nguyễn Chí Ngôn và cộng sự [34] đã ứng dụng mạng nơ-ron mờ hồi quy RFNN để nhận dạng và điều khiển đối tượng phi tuyến đáp ứng của đối tượng sẽ được ước lượng bằng một bộ nhận dạng RFNN Từ đó, độ nhạy của đáp ứng của đối tượng đối với tín hiệu điều khiển, còn gọi là thông tin Jacobian, sẽ được ước lượng thông qua bộ nhận dạng RFNN Thông tin Jacobian là cơ sở để tính toán các Gradient của giải thuật cập nhật trực tuyến bộ trọng số của nơ-ron tuyến tính, cấu hình theo nguyên tắc của một bộ điều khiển PID Tức là, thông số của bộ điều khiển PID sẽ được điều chỉnh thích nghi trong quá trình điều khiển nhờ giải thuật huấn luyện trực tuyến mạng nơ-ron nhân tạo Kết quả mô phỏng cho thấy đáp ứng của hệ thống dưới tác động của bộ điều khiển đã xây dựng thỏa mãn yêu cầu điều khiển khắt khe, cụ thể là

không xuất hiện vọt lố và triệt tiêu được sai số xác lập với thời gian tăng đạt 0.4±0.1 (s)

Ngoài ra còn có một số công trình nghiên cứu về điều khiển mờ, mạng nơ-ron mờ hồi quy và giải thuật di truyền có một số đóng góp nhất định Một số công trình tiêu biểu có thể kể bao gồm: trong [35] Phạm Hữu Đức Dục và Nguyễn Công Hiền, sử dụng bộ điều khiển nơ-ron mờ để ứng dụng điều khiển thích nghi vị trí động cơ một chiều; Huỳnh Thế Hiển, Huỳnh Minh Vũ và Nguyễn Hoàng Dũng đã xây dựng bộ điều khiển PID dựa trên mạng nơ-ron hàm cơ sở xuyên tâm ứng dụng điều khiển cánh tay robot; [42] Võ Lâm Chương và Lê Hoài Quốc, đã xây dựng bộ điều khiển thông minh dựa trên luật ứng xử cho robot tự hành

1.2.2 Tình hình nghiên cứu ngoài nước

Năm 2011, Tác giả Reza Jafari và Rached Dhaouadi [25], sử dụng mạng nơ-ron hồi quy RNN cũng là nền tảng phát triển mạng RFNN để nhận dạng điều khiển hệ phi tuyến bằng bộ nhận dạng RNN cũng bằng cách ước lượng thông tin Jacobian, để tính toán các Gradient của giải thuật cập nhật trực tuyến bộ thông số của một nơ-ron tuyến tính, cấu hình theo nguyên tắc của bộ điều khiển PID Kết quả cho thấy, khi sử dụng bộ nhận dạng để cập nhật thông tin Jacobian là trọng số cho mạng nơ-ron PID, thì kết quả nhận được đáp ứng điều khiển tốt hơn nhiều so với đáp ứng điều khiển không có cập nhật thông số Jacobian thay đổi trọng số PID cho mạng nơ-ron

Ngoài ra, còn có những nghiên cứu khác có hướng kết hợp sử dụng một mạng nơ-ron hồi quy, để thực hiện suy diễn mờ được biết dưới tên mạng nơ-ron mờ hồi quy và đã đạt được những thành công nhất định [43], [44]

1.3 Mục tiêu

Chương 2 được thực hiện với những mục tiêu tổng quát là xây dựng phương trình chuyển động của robot và xây dựng 3 bộ điều khiển áp dụng điều khiển bám quỹ đạo robot và đánh giá chất lượng điều khiển bao gồm những nội dung cụ thể như sau:

- Mô hình hóa đối tượng phi tuyến MIMO là robot Delta 3-DOF

- Xây dựng bộ điều khiển FUZZY-PID để đánh giá khả năng điều khiển bám quỹ đạo, mô hình động lực học của robot Delta 3-DOF

- Xây dựng bộ điều khiển GA-PID để đánh giá khả năng điều khiển bám quỹ đạo, mô hình động lực học của robot Delta 3-DOF

- Xây dựng bộ điều khiển PID thích nghi mạng nơ-ron (SNA-PID), để đánh giá khả năng điều khiển bám quỹ đạo mô hình động lực học của robot Delta 3-DOF

- Cải thiện chất lượng điều khiển bằng cách sử dụng mạng nơ-ron mờ hồi quy (RFNNI), làm bộ nhận dạng ngõ ra của hệ được huấn luyện trực tuyến bằng giải thuật Gradient Descent, để hồi tiếp về thông số Jacobian điều chỉnh trực tuyến các thông số của bộ điều khiển PID thích nghi mạng nơ-ron

- Giải thuật điều khiển nghiên cứu được áp dụng điều khiển bám quỹ đạo robot Delta 3-DOF trên phần mềm MATLAB/Simulink

- Đánh giá chất lượng các bộ điều khiển đã xây dựng thông qua các chỉ tiêu chất lượng như độ vọt lố, thời gian tăng và thời gian xác lập

1.4 Mô hình hóa đối tượng phi tuyến MIMO-robot Delta 3-DOF

Nghiên cứu về robot Delta 3-DOF do Murray [45] thực hiện, đã chứng minh phương trình động lực của robot Delta song song, tương tự như các phương trình động lực học của robot chuỗi Do đó, hầu hết các thuật toán điều khiển robot chuỗi có thể áp dụng cho các robot Delta song song Tuy nhiên, những phương pháp đặc trưng mà có thể sử dụng để tận dụng những lợi thế cụ thể của robot Delta song song chưa được giải quyết thỏa đáng Một trong những nỗ lực đầu tiên thực hiện điều này là Nakamura [46], người đã sử dụng các tọa độ dư dẫn động để tối ưu các hàm mục tiêu Các vấn đề động học, động lực học của hệ nhiều vật có cấu trúc mạch vòng được tác giả Nguyễn Văn

Khang đề cập trong [47], [48] Trong các tài liệu này, tác giả Nguyễn Văn Khang đưa ra cách thức thiết lập các phương trình động lực học của hệ nhiều vật, có cấu trúc cây bằng các phương trình Lagrange loại 2 [49] Với các robot song song, tác giả Nguyễn Văn Khang sử dụng phương pháp tách cấu trúc và phương pháp Lagrange dạng nhân tử [50] để thiết lập phương trình chuyển động của robot Vì vậy, việc xây dựng và mô hình hóa đối tượng phi tuyến MIMO-robot Delta 3-DOF là bài toán không đơn giản

Dưới đây, tác giả sẽ trình bày việc mô hình hóa và xây dựng mô hình động lực học chuyển động, cho loại robot Delta 3-DOF không gian RUS Tuy nhiên, điều cần lưu ý là trong robot Delta 3-DOF có sử dụng khớp Cardan và khớp cầu, để mô hình hóa khớp nối các khâu Chính vì vậy, mà việc thiết lập các phương trình chuyển động của robot Delta 3-DOF là bài toán khá phức tạp

1.4.1 Mô hình động học của robot Delta 3-DOF

Mô hình tối ưu nhất cho robot Delta 3-DOF, là một hệ thống các cơ cấu cứng được kết nối bằng các khớp Các cơ cấu hình bình hành kết nối các liên kết dẫn động với nền tảng di động, được mô phỏng như các thanh đồng nhất với các khớp phổ quát và hình cầu ở hai đầu Bằng cách sử dụng mô hình này, robot Delta được coi như một hệ thống đa cơ thể với bảy cơ thể: ba chân mỗi chân có hai liên kết và nền di động Cấu tạo và mô hình của robot được trình bày như Hình 1.1 và tham khảo [51], [52], [53]

Cấu tạo của robot bao gồm các phần như sau: Bàn máy cố định A, bàn máy động B

Ba khâu chủ động A1B1, A2B2, A3B3 liên kết với bàn máy cố định bằng các khớp quay và được dẫn động bởi 3 động cơ, các động cơ này gắn chặt với bàn máy cố định

Ba khâu bị động B1D1, B2D2, B3D3, mỗi khâu là một cấu trúc hình bình hành Hình 1.1a: Cấu tạo robot song

song Delta không gian 3-DOF

Hình 1.1b: Mô hình toán của robot

song song Delta không gian 3-DOF

Hình 1.1: Cấu tạo và mô hình của robot

Nhờ tính chất của các khâu hình bình hành, nên bàn máy động là một vật rắn chuyển động tịnh tiến trong không gian Như vậy, robot Delta có 3 bậc tự do xác định bởi 3 tọa độ góc 1,2,3 trong không gian khớp

1.4.2 Xây dựng mô hình động lực học chuyển động robot Delta 3-DOF không gian 3RUS

Từ cấu tạo của robot Delta như Hình 1, ta thấy có các khâu hình bình hành nên

việc tính toán động học trực tiếp trên robot là khá phức tạp

Để đơn giản ta xây dựng mô hình động lực học của robot dựa trên mô hình robot thật, nghĩa là ta thay thế các khâu hình bình hành bằng một thanh có chiều dài bằng chiều dài khâu hình bình hành [54], [55] Các thanh này một đầu được nối với các khâu dẫn động của robot, bằng các khớp Cardan tại Bi và đầu còn lại được nối với bàn máy

Trục Oz0 hướng thẳng đứng lên trên, trục Ox0 đi qua A1 (tâm động cơ dẫn động)

của chân 1, trục Oy0 được chọn sao cho hệ Ox0y0z0 thuận

Chọn lần lượt 3 hệ trục tọa độ cố định Oxiyizi (i=1, 2, 3), để khảo sát các chân A1B1D1, A2B2D2, A3B3D3 của robot

Trong đó trục Ozi trùng với Oz0, trục Oxi đi qua điểm Ai, trục Oyi được chọn sao

cho hệ trục Oxiyizi thuận

Như vậy, cùng với hệ tọa độ cố định Ox0y0z0 ban đầu kí hiệu là (R0), ta có thêm

3 hệ tọa độ cố định Oxiyizi (i=1, 2, 3) kí hiệu là (R 0 ), ( R 0 ), ( R 0) Như vậy, các hệ

(R 0 ), (R 0), ( R 0) được tạo ra khi quay hệ (R0 ) quanh trục Oz0 một góc α1 (trong đó α1 lần lượt là 00, 1200, 2400)

1.4.2.1 Phân tích chuyển động các khâu của robot Delta

Từ Hình 1.2 và 1.3 ta thấy: robot có tất cả bảy khâu chuyển động bao gồm: Ba khâu dẫn động A1B1, A2B2, A3B3 là các thanh có chiều dài L1 chuyển động quay quanh trục vuông góc với mặt phẳng (Oxizi) tại Ai Khi khảo sát chuyển động các khâu này, ta

sử dụng các tọa độ góc 1, 2, 3, tương ứng Hình 1.2 Bàn máy động B là một vật rắn, chuyển động tịnh tiến trong không gian

Do vậy, để khảo sát chuyển động của bàn máy động ta chỉ cần khảo sát tọa độ của tâm của bàn máy chuyển động P Tọa độ điểm P có trong hệ (Rp) là: xP, yP, zP

Việc xác định vị trí khâu B1D1, B2D2, B3D3 tương đối phức tạp Trước hết, ta xét

khâu B1D1 Tại B1 ta dựng hệ tọa độ B1x0y0z0 như sau: Trục B1x0 // Ox, B1y0 // Oy, B1z0 // Oz Bài toán đặt ra là: Xác định vị trí khâu B1D1 của robot song song Delta 3RUS

trong hệ quy chiếu B1x0y0z0 Giả sử giao của hai mặt phẳng (z0B1x0) và (y0B1D1) là đường B1K Ta gọi B1K là đường nút Ký hiệu góc giữa trục B1x0 và B1K là 1, góc giữa

trục B1K và B1D1 là 1 Do trục B1y0 vuông góc với mặt phẳng (z0B1x0) mà B1K lại nằm trong mặt phẳng (z0 B1x0) nên B1y0⊥ B1K1 Quay hệ B1x0y0z0 quanh trục B1y0 một

góc 1

Trục: B1x0 → B1K = B1x1; trục: B1z0→B1z1; trục: B1y0 ≡ B1y1

Do trục B1z1 vuông góc với mặt phẳng (B1y1x1) mà B1D1 lại nằm trong mặt

phẳng (B1y1x1) nên B1z1 ⊥ B1D1 Quay hệ B1x1y1z1 quanh trục B1z1 một góc 1 ta được

Trục: B1x1→ B1x2 B1D1; trục: B1y1→ B1y2; trục: B1z1  B1z2

Kết luận: Vị trí khâu B1D1 trong hệ B1x0y0z0 xác định bởi hai góc 1 và 1

Tương tự như vậy vị trí các khâu B2D2 và B3D3 được xác định bởi các cặp góc 2, 2 và 3, 3 tương ứng

1.4.2.2 Mô hình toán chuyển động của robot Delta 3-DOF

Tác giả xây dựng mô hình toán chuyển động của robot dựa trên mô hình động

học mà ta đã xây dựng từ mô hình robot Delta 3-DOF thật [56] Với mô hình động học

đó thì mỗi khâu hình bình hành được mô hình bằng một thanh, từ đó tác giả xây dựng được 2 mô hình động lực học như Hình 1.4 và Hình 1.5

Mô hình 1: Khâu hình bình hành được mô hình bằng một thanh có khối lượng phân bố đều trên toàn chiều dài thanh như Hình 1.4 Khối lượng và chiều dài thanh tương ứng bằng khối lượng và chiều dài khâu hình bình hành

Mô hình 2: Khâu hình bình hành được mô hình bằng một thanh có khối lượng tập trung ở hai đầu, khối lượng mỗi đầu thanh bằng ½ khối lượng khâu hình bình hành như Hình 1.5

So sánh hai mô hình động lực học của robot Delta 3-DOF mà tác giả xây dựng, với robot Delta thật, ta thấy mô hình 1 phức tạp hơn mô hình 2 Vì vậy, tác giả chọn phương án thiết lập phương trình chuyển động cho mô hình 2 và thực nghiệm trên robot Delta 3-DOF mô hình 1 [56], [57], [58]

➢ Thiết lập phương trình chuyển động của robot Delta 3-DOF không gian 3RUS trên mô hình 2

Với mô hình 2 trình bày ở Hình 1.5 này, khâu BiDi được mô hình hóa thành hai

chất điểm đặt tại Bi và Di, mỗi chất điểm có khối lượng mb và được nối với nhau bằng

thanh cứng, không trọng lượng

Như vậy, mô hình động lực học của mô hình 2 này bao gồm 4 vật rắn, trong đó các khâu AiBi (i=1, 2, 3) chuyển động quay quanh các trục vuông góc với mặt phẳng OAiBi tại Ai có khối lượng m1 và vật rắn còn lại là bàn máy động (bao gồm ba chất điểm gắn tại Di) chuyển động tịnh tiến có khối lượng (mp+3mb) và 3 chất điểm

đặt tại các điểm Bi có khối lượng mb Trong đó mp là khối lượng của khâu thao tác Trên các khâu AiBi đặt các lực mô men phát động như Hình 1.5 Với mô hình này tác giả sử

dụng phương trình Lagrange dạng nhân tử để thiết lập phương trình chuyển động Tọa Hình 1.4: Mô hình 1 robot 3 RUS Hình 1.5: Mô hình 2 robot 3RUS

độ suy rộng dư được chọn để thiết lập phương trình chuyển động của robot Delta DOF, được trình bày trong công thức (1.1):

3- 123 PPP

➢ Thiết lập các phương trình liên kết

Từ Hình 1.5, ta có phương trình liên kết cho điểm B1 và D1 như sau:

Trong đó: 𝑟𝐷1, 𝑟𝐵1 là các véc tơ định vị các điểm B1 và D1 trong hệ tọa độ Oxyz,

𝑟𝐵1 được tính theo phương tình véc tơ (1.3):

Thay phương trình (1.9) vào phương trình (1.2) ta được phương trình liên kết cho chân thứ nhất của robot Tương tự với chân thứ hai và ba, ta được các phương trình liên kết của ba chân robot trong công thức (1.10) như sau:

sinRrl sincosy

➢ Tính động năng, thế năng của robot

Động năng của các khâu AiBi được tính như sau:

➢ Thiết lập phương trình vi phân chuyển động của robot

Ta sử dụng phuơng trình Lagrange dạng nhân tử, để thiết lập phương trình vi

phân chuyển động của mô hình robot này với các liên kết hôlônôm có dạng như sau:

1, 2, ,

riki