Các ma trận hệ số Ka, Kc và Kb, được xác định
sao cho nghiệm của đa thức đặc trưng
e + K e + K e + K e = 0
a b c nằm hoàn toàn ở bên
trái mặt phẳng phức, nghĩa là 0 limt→∞ e(t) = .
Có nghĩa là hệ thống CTC như ở (37) là ổn định
tuyệt đối toàn cục không có xem xét hệ thông
không chắc chắn. Tuy nhiên, ổn định của hệ
thống vòng kín có thể bị phá hủy nếu động lực
học hệ thống được chèn vào bởi nhiễu ngoài.
Tuy nhiên các hệ số kα và kβ ở điều khiển PD
được chọn lựa theo luật điều chỉnh ZieglerNichols. Cuối cùng là sự chọn lựa tốc độ học η
phụ thuộc vào tầm quan trọng của đối tượng
điều chỉnh.
Kết quả mô phỏng của hệ thống CTC, đáp
ứng vị trí khớp, sai số bám và điện áp điều
khiển được mô tả tương ứng như hình 7(a), (b),
(c), (d), và (e), (f). Từ kết quả mô phỏng, trong
khoản từ 0 giây đến 5 giây đáp ứng bám đuổi tốt
chỉ có thể trong trường hợp danh định. Tuy
nhiên, do hệ số điều khiển ở (37) được xác định
không có sự xem xét ma sát khớp và nhiễu
ngoài. Vì vậy sau 5 giây đáp ứng bám đuổi xấu
đi khi có mặt của ma sát khớp, sự thay đổi các
tham số và nhiễu ngoài. Hệ thống RFLC được
mô tả ở hình 8. Đáp ứng vị trí khớp, sai số bám
và điện áp điều khiển được mô tả tương ứng
như hình 8(a), (b), (c), (d) và (e), (f), đặc tính
điều khiển bền vững của hệ thống RFLC là khá
tốt dưới sự xảy ra của hệ thống không chắc chắn.
Tuy nhiên hiện tượng chattering không mong
muốn ở điện áp điều khiển, nghiêm trọng hơn là
khi chọn lựa tham số vượt ra ngoài giá trị ràng
buộc trong (44).
Hệ thống điều khiển PD dựa trên thiết kế
mô hình tự do được đưa ra các đáp ứng có thể
so sánh để biểu thị đặc tính của hệ thống ANNC.
Các đáp ứng mô phỏng của vị trí khớp, sai số
bám đuổi, và điện áp điều khiển được miêu tả
như hình 9(a), (b), (c), (d) và (e), (f). Từ kết quả
mô phỏng thấy rằng đặc tính bám đuổi cải thiện
đáng kể và hiện tượng chattering giảm nhiều
15 trang |
Chia sẻ: trungkhoi17 | Lượt xem: 425 | Lượt tải: 0
Bạn đang xem nội dung tài liệu Điều khiển bám đuổi mạng Neural thích nghi cho cánh tay robot bao gồm động lực học cơ cấu truyền động, để tải tài liệu về máy bạn click vào nút DOWNLOAD ở trên
his control scheme, a three-
layer neural network (NN) is used for the main role, and the adaptive tuning laws of network
parameters are derived in the sense of the Lyapunov stability theorem to ensure network
convergence as well as stable control performance. The merits of this model-free control scheme
are that not only can the stable position tracking performance be guaranteed but also unknown
system information in the control process. The simulation results are provided to verify the
effectiveness of the proposed ANNC methodology.
Key words: Neural Network network, robot manipulator; adaptive control.
* TS. Trường Đại học Công nghiệp thành phố HCM.
** ThS. NCS. Trường Đại học Công nghiệp thành phố HCM. thanhquyenngo2000@yahoo.com
Tạp chí Đại học Công nghiệp
19
I. GIỚI THIỆU
Ở thập kỷ qua, các ứng dụng của kỹ thuật
điều khiển thông minh (điều khiển mờ hoặc điều
khiển mạng neural) để điều khiển chuyển động
của cánh tay robot đã nhận được sự chú ý đáng
kể [1]-[3]. Nhìn chung, cánh tay robot phải đối
mặt với sự thay đổi không chắc chắn trong động
lực học của nó, chẳng hạn như ma sát, các tham
số thay đổi và nhiễu ngoài. Nó rất khó để thiết
lập mô hình toán học chính xác cho việc thiết kế
hệ thống điều khiển dựa trên mô hình. Do đó,
yêu cầu chung của phương pháp điều khiển
thông minh làm thế nào để giảm những tác động
của sự không chắc chắn các tham số cấu trúc và
nhiễu không cấu trúc bằng cách sử dụng mạnh
mẽ khả năng học của mạng mà không biết chi
tiết đối tượng được điều khiển trong quá trình
thiết kế.
Hầu hết các phần điều khiển cánh tay
robot được giới thiệu trong [1]-[3], động lực học
cơ cấu truyền động thường được loại bỏ trong
động lực học robot để đơn giản hóa hệ thống
điều khiển. Tuy nhiên, động lực học cơ cấu
truyền động thực hiện một phần quan trọng của
động lực học cánh tay hoàn chỉnh, đặc biệt các
yếu tố mômen vận tốc cao, tải thay đổi lớn, bão
hòa của ma sát và cơ cấu truyền động. Do đó
tồn tại một số tương tác giữa động lực học cánh
tay và động lực học cơ cấu truyền động mà
không thể bỏ qua được.
Nội dung chính của bài báo này là thiết kế
sơ đồ hệ thống điều khiển thông minh cho điều
khiển vị trí của cánh tay robot n khâu bằng cách
sử dụng bộ điều khiển mạng neural để bù mô
hình động lực học không chắc chắn và nhiễu
ngoài thông qua khả năng tự học của mạng
neural.
II. ĐỘNG LỰC HỌC CỦA
ROBOT VÀ ĐỘNG CƠ KHỚP
Mô hình động lực học của cánh tay robot
và động cơ khớp được mô tả ở [4], các khớp của
cánh tay robot được điều khiển bởi động cơ DC
được xem xét và kết hợp với mô hình động lực
học của cánh tay robot cộng với động cơ được
phát triển ở đây. Mô hình động lực học robot n
khâu (bao gồm cơ cấu truyền động) được mô tả
như sau: thứ nhất, phương trình chuyển động
của cánh tay robot đối với khớp quay có thể
được miêu tả như sau:
τ=+++ dqGqqqCqqM )(),()( (1)
Trong nRqqq ∈,, là vectơ tương ứng của vị trí,
vận tốc và gia tốc khớp, nnRqM ×∈)( là ma trận
của mô men quán tính, nRqqqC ∈).( là vectơ
của lực ly tâm và tương hổ, nRqG ∈)( là vectơ
của trọng lực, nR∈τ là vectơ của mô men tạo
ra bởi động cơ DC thông qua hộp số và nRd ∈
là nhiễu ngoài.
Hình 1. Kết cấu của cánh tay robot hai khâu.
Mối quan hệ giữa vị trí khớp q và vị trí
trục động cơ qm được cho bởi
Nqqm = (2)
Trong đó nnRN ×∈ là ma trận đối xứng
của tỉ số truyền bánh răng đối với khớp thứ n và
N > 0 (có nghĩa là ma trân N là xác định dương).
Mô hình điện của động cơ thứ j được mô tả như
sau:
j
m
b
j
jjj udt
dq
K
dt
di
LiR j
j
=++ , cho j=1, 2n. (3)
Trong đó jR là điện trở phần ứng, jL điện
dung phần ứng,
jb
K là hằng số lực điện động
của động cơ (EMF), ji là dòng điện phần ứng,
Điều khiển bám đuổi mạng neural
20
jm
q là vị trí trục động cơ và ju điện áp cấp cho
phần ứng.
Chúng ta định nghĩa như sau:
][ jRdiagR = , ][ jLdiagL = , ][ jbb KdiagK = (4)
⎥⎥
⎥⎥
⎦
⎤
⎢⎢
⎢⎢
⎣
⎡
=
nu
u
u
u #
2
1
,
⎥⎥
⎥⎥
⎦
⎤
⎢⎢
⎢⎢
⎣
⎡
=
ni
i
i
i #
2
1
,
⎥⎥
⎥⎥
⎥
⎦
⎤
⎢⎢
⎢⎢
⎢
⎣
⎡
=
nm
m
m
m
q
q
q
q #
2
1
(5)
Trong đó ][⋅diag kí hiệu ma trận đối xứng
kích thước n. Khi đó, mô hình điện của động cơ
ở (3) có thể viết dưới dạng ngắn gọn như sau:
uqK
dt
diLRi mb =++ (6)
Hơn thế nữa, mô men tạo ra tại phía khớp
quan hệ với dòng điện phần ứng bởi
iNKt=τ (7)
Robot Manipulator
Actuator by DC
Motors
d/dt
+
-
)(tqRefererence
Model
d/dt
d/dt d/dt
Adaptive Neural Network Control System
)(tq
)(tq )(tq )(tq ∗
0M
∗
0H
e
e
e
)(tqd)(tqr
)(tqd
U
),,(
)(
0
01
qqqH
eKeKeKqMU cbad
∗
∗
+
−−−=
Neural Network
Controller
Adaptive
Law
QPAPA T −=+P
A Q
)(xϕ
θˆ
γ B
1U
×
∗
0M
2U
)(ˆ xfe
e
e
e
e
e
+
-
Hình 3. Sơ đồ khối của hệ thống ANNC.
Trong đó nnt RK
×∈ là ma trân đối xứng
của hằng số mô men động cơ và 0>tK . Thay
(7) vào (6) ta được
uqKLR bnnn =++ ττ (8)
Trong đó:
1)( −= tn NKLL , 1)( −= tn NKRR , NKK bbn = (9)
Bây giờ, để xác định mô hình động lực học
robot đầy đủ, chúng ta thay thế (1) vào (8),
phương trình của cánh tay robot n khâu bao gồm
động lực học cơ cấu truyền động có thể được
thiết lập như sau:
UdqqG
qqqqVqqqCqqM
+=+
++
∗
∗∗∗
'),(
),,(),()(
(10)
Tạp chí Đại học Công nghiệp
21
Trong đó:
)()( qMLqM n=∗
)),()(()(),( qqCqMLqMRqqC nn ++=∗
)),(),(),,( bnnn KqqCLqqCRqqqV ++=∗
),()(),( qqGLqGRqqG nn +=∗
dLdRd nn −−='
Thông thường, các tham số trong mô hình
động lực học (10) là một hàm các tham số vật lý
của cánh tay như khối lượng khớp, chiều dài
khớp, mô men quán tính Giá trị chính xác của
các tham số này là rất khó có thể xác định chính
xác do sai số trong đo lường, sự thay đổi môi
trường và thay đổi tải. Do đó, ở đây giả sử rằng
giá trị thực )(qM ∗ , ),( qqC ∗ , ),,( qqqV ∗ và
),( qqG ∗ có thể được chia ra thành hai phần: thứ
nhất là phần danh nghĩa ký hiệu tương ứng bởi
)(qM o
∗ , ),(0 qqC ∗ , ),,(0 qqqV ∗ , và ),(0 qqG ∗ và
phần không chắc chắn kí hiệu tương ứng
bởi )(qM ∗Δ , ),( qqC ∗Δ , ),,( qqqV ∗Δ và
),( qqG ∗Δ . Phép biến đổi này thỏa mãn mối
quan hệ sau đây:
)()()( 0 qMqMqM
∗∗∗ Δ−= ,
),(),(),( 0 qqCqqCqqC ∗∗∗ Δ−= ,
),,(),,(),,( 0 qqqVqqqVqqqV ∗∗∗ Δ−= ,
),(),(),( 0 qqGqqGqqG ∗∗∗ Δ−= (11)
Vấn đề điều khiển là tìm ra luật điều khiển
để mà vectơ vị trí khớp q(t) có thể bám đuổi
theo đường cong mong muốn cho trước qd(t).
Trước hết chúng ta định nghĩa sai số bám đuổi
e(t) như sau:
)()()( tqtqte d−= (12)
Giả sử rằng mô hình động lực học của cánh
tay robot được biết chính xác và động lực học
không mô hình được bỏ qua, ví dụ: )(qM ∗Δ ,
),( qqC ∗Δ , ),,( qqqV ∗Δ , ),( qqG ∗Δ và d’ trong
(10) tất cả bằng không. Lúc này mô hình động
lực học (10) có thể chuyển thành mô hình danh
nghĩa như sau:
UqqqHqqM =+ ∗∗ ),,()( 00 (13)
Trong đó:
),(),,(),(),,( 0000 ∗++= ∗∗∗∗ qqGqqqqVqqqCqqqH
Bây giờ chúng ta định nghĩa luật điều khiển như
sau:
),,())(( 00 qqqHeKeKeKqqMU cbad ∗∗ +−−−=
(14)
Trong đó Ka, Kb và Kc là ma trận đường chéo
xác định dương có thể điều chỉnh được.
Thay thế (14) vào (13) ta được
0=+++ eKeKeKe cba (15)
Từ (15) ta thấy rằng sai số sẽ hội tụ tuyệt
đối về không nếu ma trân hệ số Ka, Kb và Kc
được xác định sao cho nghiệm của đa thức đặc
trưng (15) nằm hoàn toàn ở bên trái mặt phẳng
phức. Luật điều khiển (14) được xem như điều
khiển tính toán mô men (CTC) trong [8].
Theo phân tích như trên, bộ điều khiển CTC
sẽ đáp ứng tốt nếu giả sử rằng biết chính xác
động lực học của robot và động lực học không
mô hình được bỏ qua, mà điều này thì không thể
có được trong hệ thống thực tế. Để đối phó với
vấn đề đặt ra ở (11), ý tưởng của bộ điều khiển
CTC được giới thiệu ở trên và khả năng xấp xỉ
hàm phi tuyến của mạng NN (neural network),
điều này có thể tưởng tượng rằng CTC được sử
dụng để điều khiển hệ thống danh nghĩa và bộ
điều khiển khác dựa trên NN gắn vào hệ thống
CTC cho hệ thống không chắc chắn sẽ được
thiết kế. Trong trường hợp này, thế (11) và (12)
vào hệ thống cánh tay thực tế (10) ta được.
)( ecba xfeKeKeKe =+++ (16)
Điều khiển bám đuổi mạng neural
22
Trong đó
)),(),,(
),()(()(
'
0
dqqGqqqqV
qqqCqqMMxf e
+++
Δ+Δ=
∗∗
∗∗∗
[ ]TTTTTe qqqqx ,,,= và f(xe) là một hàm của
biến khớp, tham số vật lý, sự thay đối các tham
số, động lực học không mô hình Mặc khác
f(xe) kí hiệu như là thành phần không chắc chắn
cấu trúc và không cấu trúc. Do đó f(xe) được coi
như toàn bộ hàm không chắc chắn của động lực
học cánh tay robot được giả thuyết đã cho, ví dụ
bdd <' trong đó ⋅ kí hiệu Euclidean norm và
db là hằng số dương cho trước.
Trong bài báo này, tín hiệu điều khiển U
được chia thành hai thành phần như sau:
21 UUU += (17)
Trong đó
),,())(( 001 qqqHeKeKeKqqMU cbad ∗∗ +−−−=
, ),(
ˆ)()()( 002 θxfqMxfqMU e ∗∗ −=−= ,
),(ˆ θxf là đầu ra của mạng neural, với x là
vectơ đầu vào của mạng và )(tθ là một ma trận
các tham số được điều chỉnh.
III. MẠNG NEURAL
Xem xét thành phần không chắc chắn
)( exf trong (16) mà nó không thể trực tiếp sử
dụng trong thiết kế điều khiển. Vì vậy, một
mạng neural ba lớp ),(ˆ θxf được đề xuất để xấp
xỉ thành phần không chắc chắn )( exf , trong đó
θ là một vectơ chứa các tham số mạng có thể
điều chỉnh được. Số lớp đầu vào, lớp ẩn và lớp
đầu ra tương ứng là i, j và n được miêu tả trong
hình 2.
1x
ix
jφ
1φ
2φ 1f
nf
1,1θ
j,1θ
1,nθ
jn,θ
Hình 2. Cấu trúc của mạng neural ba lớp
1. Lớp 1 xác định các biến đầu vào
[ ]Tixxxx .., 21=
2. Lớp 2 đại diện cho hàm thuộc kết hợp
với các biến đầu vào. Hàm thuộc được cho bởi
hàm Gaussian như sau:
)/exp( 22 iij cx σφ −−= (18)
Với c là vectơ tâm của hàm thuộc, σ là vectơ độ
rộng của hàm thuộc.
3. Lớp 3 là đầu ra của mạng
)(xf Tϕθ= (19)
Trong đó ],,[ 21 Jϕϕϕϕ = , θ là vectơ trọng
lượng có thể điều chỉnh được.
Tạp chí Đại học Công nghiệp
23
)(tqd
)(tq
e
e
αk βk
pdU )(tq)()()( tektektU pd βα +=
Hình 4. Sơ đồ khối của hệ thống điều khiển PD
)(tq
)(tq )(tq )(tq ∗
0M
∗
0H
e
e
e
)(tqd)(tqr
)(tqd
ctU
),,(
)(
0
0
qqqH
eKeKeKqMU cbadct
∗
∗
+
−−−=
aK bK cK
Hình 5. Sơ đồ khối của hệ thống điều khiển tính toán mô men
Robot Manipulator
Actuator by DC
Motors
d/dt
+
-
)(tqRefererence
Model
d/dt
d/dt d/dt
+ flU
Error
Function
d/dt
Sgn(•) rK
+
Robust Feedback Linearization Control System
),,()~( 00 qqqHqqKeMU ddfl ∗∗ +++=
)sgn()sgn(10
T
d qeMK
−∗=
)(tq
)(tq )(tq )(tq ∗
0M
∗
0H
q~
q~
q~
)(tqd
aK bK
e
e
)sgn(e
)(tqd)(tqr
Hình 6. Sơ đồ khối của hệ thống điều khiển phản hồi tuyến tính
Điều khiển bám đuổi mạng neural
24
IV. THIẾT KẾ BỘ ĐIỀU KHIỂN
MẠNG NEURAL
Giả sử rằng vectơ trạng thái được định
nghĩa như sau [ ]TTTT eeex ,,= , từ (16) phương
trình không gian trang thái có dạng như sau:
)( exBfAxx += (20)
Trong đó
⎥⎥
⎥
⎦
⎤
⎢⎢
⎢
⎣
⎡
−−−
=
cbc KKK
I
I
A 00
00
, ⎥
⎥⎥
⎦
⎤
⎢⎢
⎢
⎣
⎡
=
I
B 0
0
.
Giả sử tồn tại một giá trị thạm số θθ Ω∈∗
coi như là tham số xấp xỉ tối ưu để ),(ˆ ∗θxf có
thể xấp xỉ )( exf càng gần càng tốt, như vậy cho
một hằng số dương nhỏ tùy ý 0ε sao cho tồn tại
một vectơ trọng lượng tối ưu để mà:
0)(),(max εθ <−∗ exfxf (21)
Phương trình động lực học sai số tương ứng
theo x có thể thiết lập như sau:
)]},(ˆ)([),(ˆ{ ∗∗ −++= θθ xfxfxfBAxx e (22)
⎥⎦
⎤⎢⎣
⎡ −=
Ω∈Ω∈
∗ ),(ˆ)(supminarg θθ
θθ
xfxf e
x x
Với ⋅ là Euclidean norm, Ωθ và Ωx là tập
xác định được định nghĩa trước của x và θ.
Từ (22) chúng ta có thể viết lại như sau:
{ }ϕϕθ ++= ∗ )(xBAxx T (23)
Trong đó )(),(ˆ xxf Tϕθθ ∗∗ = là đầu ra của
mạng ),(ˆ)( ∗−= θη xfxf e là sai số xấp xỉ.
Định lý 1: xem xét cánh tay robot được
miêu tả ở (10). Nếu luật điều khiển được thiết
kế như (24) và luật cập nhật trọng lượng được
thiết kế như (27), thì ổn định của hệ thống đề
xuất ANNC như hình 3 có thể được đảm bảo.
21 UUU += (24)
),,())(( 001 qqqHeKeKeKqqMU cbad ∗∗ +−−−=
(25)
))(ˆ(02 xMU
Tϕθ∗−= (26)
PBxx T)(ˆ γϕθ = (27)
Thay thế (24) vào (10) phương trình động lực
học sai số trở thành
{ }
))(~(
)(ˆ)(
ηϕθ
ϕθηϕθ
+−+=
−++= ∗
xBAx
xxBAxx
T
TT
(28)
Chứng minh: định nghĩa hàm Lyapunov như sau:
)~~(
2
1
2
1)~,( θθγθ
TT trPxxxV += (29)
Trong đó 0>γ , ∗−= θθθ ˆ~ , ma trận xác định
dương đối xứng P thỏa mãn phương trình
Lyapunov như sau:
QPAPA T −=+ (30)
Trong đó Q=QT>0 là ma trận vuông đồng nhất,
r(·) là toán hạng trace. Bằng cách đạo hàm (29)
theo thời gian và sử dụng (27) và (28) ta được:
PxBQxx
PxB
xPxBtrQxx
trPxBPxBxQxx
tr
PxBxxPAPAx
trPxBPxBx
PBxxPBxxPAPAx
trPxBxAx
xBAxPx
trPxxxPxV
TTT
TT
TTTT
TTTTTT
T
TTTTT
TTTTT
TTTTT
TTTTTT
TT
TTT
η
η
θϕγθγ
θθγηθϕ
θθγ
ηϕθ
θθγηθϕ
ηϕθ
θθηϕθ
ηϕθ
θθγ
+−=
+
+−+−=
++−−=
+
+−++=
++−
+−++=
++−++
+−+=
++=
2
1
)~)((~1
2
1
)~~(1~)(
2
1
)~~(1
])(~[])([
2
1
)~~(1)]~)(
)(~()([
2
1
)~~(
2
1])))(~((
)))(~(([
2
1
)~~(1)(
2
1
(31)
Tạp chí Đại học Công nghiệp
25
Trong đó 0ηη ≤T , 1=B
Nếu )(min Qλ là eigenvalue nhỏ nhất của ma
trận Q, )(max Pλ eigenvalue lớn nhất của P, khí
đó
[ ])(2)(
2
1
)()(
2
1
max0min
max0
2
min
PxQx
xPxQV
ληλ
ληλ
−−=
+−≤
(32)
Để cho 0≤V thì 0maxmin )(2)( ηλλ x
PQ ≥ ,
hoặc 0
min
max
)(
)(2 ηλ
λ
Q
Px = . (33)
V. MÔ PHỎNG SỐ
Một cánh tay robot hai khâu như hình 1
được minh họa trong bài báo này để kiểm chứng
hiệu quả của bộ điều khiển đề xuất. Chi tiết các
tham số hệ thống của cánh tay robot được cho
như sau: khối lượng khâu m1, m2 (kg), chiều dài
l1, l2 (m), vị trí góc q1, q2 (rad). Các thông số
phương trình chuyển động (10) được lấy trong
[4].
( ) ( ) ( )( ) ⎥⎦
⎤⎢⎣
⎡
+
++= 2
222121212
2121212
2
121
lmccssllm
ccssllmlmm
qM
( ) ( ) ⎥⎦
⎤⎢⎣
⎡
−
−−=
0
0
,
1
2
2121212 q
q
csscllmqqV
( ) ( ) ⎥⎦
⎤⎢⎣
⎡
−
+−=
222
1121
gslm
gslmm
qG
Trong đó 2Rq∈ và các kí hiệu ngắn gọn c1 =
cos(q1), c2 = cos(q2), s1 = sin(q1) và s2 = sin(q2)
được sử dụng.
• Ma trận điện trở của mạch phần ứng là
⎥⎦
⎤⎢⎣
⎡=
6,10
06.1
nR .
• Ma trận điện dung của mạch phần ứng là
⎥⎦
⎤⎢⎣
⎡=
048.00
0048.0
nL .
• Hằng số EMF của động cơ là
⎥⎦
⎤⎢⎣
⎡=
19.00
019.0
bnK .
• Hằng số mô men động cơ là
⎥⎦
⎤⎢⎣
⎡=
2613.00
02613.0
tK
• Tỉ số truyền là
⎥⎦
⎤⎢⎣
⎡=
81.1070
055.62
N .
Để thuận tiện cho mô phỏng, các tham số
danh định của hệ thống robot được cho như sau
m1 = 4.6(kg), m2 = 2.3(kg), l1 = 0.5(m), l2 =
0.2(m), g = 9.8 m/s2, và điều kiện ban đầu
0)0(1 =q , 0)0(2 =q , 0)0(1 =q , 0)0(2 =q ,
0)0(1 =q , 0)0(2 =q . Đường cong tham chiếu
mong muốn tương ứng là
)sin(1 tqd = , )sin(2 tqd = .
Hầu hết các tham số quan trong mà nó ảnh
hưởng đến đặc tính điều khiển của hệ thống
robot là nhiễu ngoài )(ttl , thành phần ma sat
( )qf . Trong mô phỏng, trường hợp thay đổi các
tham số các tham số xảy ra tại 5 giây và trường
hợp nhiễu xảy ra tai 10 giây được xem xét.
Trường hợp thay đổi các tham số đó là )(qM ∗Δ ,
),( qqC ∗Δ , ),,( qqqV ∗Δ , ),( qqG ∗Δ = 0 sao đó
thành phần không chắc chắn được công thêm
vào phần danh định, ví dụ:
)(15.0)( 0 qMqM
∗∗ =Δ ,
),(15.0),( 0 qqCqqC ∗∗ =Δ ,
),,(15.0),,( 0 qqqCqqqV ∗∗ =Δ ,
),(15.0),( 0 qqGqqG ∗∗ =Δ . (34)
Điều khiển bám đuổi mạng neural
26
Trường hợp nhiễu đó là các lực bên ngoài
được đưa vào hệ thống robot, và dạng nhiễu
được cho như sau:
( ) [ ]Tl tttt )2sin(5.0)2sin(5.0= (35)
Ngoài ra, lực ma sát cũng được xem xet
trong mô phỏng này và cho như sau:
( ) [ ]Tqqqqqf )sgn(1.03.0)sgn(1.03.0 2211 ++=
(36)
Để thấy được đặc tính điều khiển tốt của hệ
thống ANNC đề xuất, ba hệ thống điều khiển
đưa vào bao gồm hệ thống RFLC được giới
thiệu trong phụ lục, hệ thống điều khiển tính
toán mô men (CTC) và điều khiển tỉ lệ - vi phân
(PD) được mô tả trong [7], [9]. Hơn nữa hệ
thống CTC thông thường như hình 5 có thể biểu
diễn như sau:
),,()( 00 qqqHeKeKeKqMU cbadct ∗∗ +−−−= (37)
Hệ thống điều khiển PD như trong hình 4 có
thể biểu diễn như sau
)()( tektekU pd βα += (38)
Các hệ số trong hệ thống này được cho như sau
⎥⎦
⎤⎢⎣
⎡=
5000
03000
αk
,
⎥⎦
⎤⎢⎣
⎡=
500
0350
βk
,
⎥⎦
⎤⎢⎣
⎡=
5.10
05.6
rk
,
⎥⎦
⎤⎢⎣
⎡=
200
0230
bK
,
⎥⎦
⎤⎢⎣
⎡=
600
062
aK ⎥⎦
⎤⎢⎣
⎡=
100
010
cK
, 500=η ,
⎥⎥
⎥⎥
⎥⎥
⎥⎥
⎦
⎤
⎢⎢
⎢⎢
⎢⎢
⎢⎢
⎣
⎡
=
5000000
0500000
0050000
0005000
0000500
0000050
Q
(39)
Các ma trận hệ số Ka, Kc và Kb, được xác định
sao cho nghiệm của đa thức đặc trưng
0=+++ eKeKeKe cba nằm hoàn toàn ở bên
trái mặt phẳng phức, nghĩa là 0)(lim =∞→ tet .
Có nghĩa là hệ thống CTC như ở (37) là ổn định
tuyệt đối toàn cục không có xem xét hệ thông
không chắc chắn. Tuy nhiên, ổn định của hệ
thống vòng kín có thể bị phá hủy nếu động lực
học hệ thống được chèn vào bởi nhiễu ngoài.
Tuy nhiên các hệ số αk và βk ở điều khiển PD
được chọn lựa theo luật điều chỉnh Ziegler-
Nichols. Cuối cùng là sự chọn lựa tốc độ học η
phụ thuộc vào tầm quan trọng của đối tượng
điều chỉnh.
Kết quả mô phỏng của hệ thống CTC, đáp
ứng vị trí khớp, sai số bám và điện áp điều
khiển được mô tả tương ứng như hình 7(a), (b),
(c), (d), và (e), (f). Từ kết quả mô phỏng, trong
khoản từ 0 giây đến 5 giây đáp ứng bám đuổi tốt
chỉ có thể trong trường hợp danh định. Tuy
nhiên, do hệ số điều khiển ở (37) được xác định
không có sự xem xét ma sát khớp và nhiễu
ngoài. Vì vậy sau 5 giây đáp ứng bám đuổi xấu
đi khi có mặt của ma sát khớp, sự thay đổi các
tham số và nhiễu ngoài. Hệ thống RFLC được
mô tả ở hình 8. Đáp ứng vị trí khớp, sai số bám
và điện áp điều khiển được mô tả tương ứng
như hình 8(a), (b), (c), (d) và (e), (f), đặc tính
điều khiển bền vững của hệ thống RFLC là khá
tốt dưới sự xảy ra của hệ thống không chắc chắn.
Tuy nhiên hiện tượng chattering không mong
muốn ở điện áp điều khiển, nghiêm trọng hơn là
khi chọn lựa tham số vượt ra ngoài giá trị ràng
buộc trong (44).
Hệ thống điều khiển PD dựa trên thiết kế
mô hình tự do được đưa ra các đáp ứng có thể
so sánh để biểu thị đặc tính của hệ thống ANNC.
Các đáp ứng mô phỏng của vị trí khớp, sai số
bám đuổi, và điện áp điều khiển được miêu tả
như hình 9(a), (b), (c), (d) và (e), (f). Từ kết quả
mô phỏng thấy rằng đặc tính bám đuổi cải thiện
đáng kể và hiện tượng chattering giảm nhiều.
Bây giờ, hệ thống điều khiển đề xuất được
mô tả như hình 3 được áp dụng để điều khiển
Tạp chí Đại học Công nghiệp
27
cánh tay robot để so sánh. Các kết quả mô
phỏng của đáp ứng vị trí khớp, sai số bám đuổi
và điện áp điều khiển được mô tả tương ứng
như trong hình 10(a), (b), (c), (d) và (e), (f). Do
tất cả các tham số của mạng neural được khởi
tạo ban đầu ước lượng sơ bộ, sai số bám đuổi
từng bước giảm dần thông qua quá trình huấn
luyện trực tuyến bất chấp có hoặc không có tồn
tại thành phần không chắc chắn. Hơn nữa đặc
tính điều khiển bền vững của hệ thống ANNC
cả trong trường hợp có mặt của ma sát khớp, các
tham số thay đổi và nhiễu ngoài. So sánh kết
quả mô phỏng này với hệ thống CTC, RFLC và
PD, điện áp điều khiển của hệ thống đề xuất
ANNC có sai số nhỏ và không có hiện tượng
chattering.
0 5 10 15 20
-2
-1
0
1
2
Thoi gian(s)
V
i t
ri
cu
a
kh
op
1
(
ra
d)
0 5 10 15 20
-4
-2
0
2
4
Thoi gian(s)
V
i t
ri
cu
a
kh
op
2
(
ra
d)
(a) (b)
0 5 10 15 20
-1
-0.5
0
0.5
Thoi gian(s)
S
ai
s
o
cu
a
kh
op
1
(r
ad
)
0 5 10 15 20
-1
-0.5
0
0.5
Thoi gian(s)
S
ai
s
o
cu
a
kh
op
2
(r
ad
)
(c) (d)
0 5 10 15 20
-200
-100
0
100
200
Thoi gian(s)
D
ie
n
ap
c
ap
c
ho
d
on
g
co
1
(V
)
0 5 10 15 20
-40
-20
0
20
40
Thoi gian(s)
D
ie
n
ap
c
ho
d
on
g
co
2
(V
)
(e) (f)
Hình 7. Đáp ứng vị trí, sai số bám đuổi và điện áp điều khiển của hệ thống điều khiển CTC tương
ứng khớp 1 và 2.
Điều khiển bám đuổi mạng neural
28
0 5 10 15 20
-2
-1
0
1
2
Thoi gian(s)
V
i t
ri
cu
a
kh
op
1
(
ra
d)
0 5 10 15 20
-1.5
-1
-0.5
0
0.5
1
Thoi gian(s)
V
i t
ri
cu
a
kh
op
2
(
ra
d)
(a) (b)
0 5 10 15 20
-0.2
-0.1
0
0.1
0.2
Thoi gian(s)
S
ai
s
o
cu
a
kh
op
1
(r
ad
)
0 5 10 15 20
-0.2
-0.1
0
0.1
0.2
Thoi gian(s)
S
ai
s
o
cu
a
kh
op
2
(r
ad
)
(c) (d)
0 5 10 15 20
-50
0
50
Thoi gian(s)
D
ie
n
ap
c
ap
c
ho
d
on
g
co
1
(V
)
0 5 10 15 20
-50
0
50
Thoi gian(s)
D
ie
n
ap
c
ap
c
ho
d
on
g
co
1
(V
)
(e) (f)
Hình 8. Đáp ứng vị trí, sai số bám đuổi và điện áp điều khiển của hệ thống điều khiển RFLC tương
ứng khớp 1 và 2.
Tạp chí Đại học Công nghiệp
29
0 5 10 15 20
-2
-1
0
1
2
Thoi gian(s)
V
i t
ri
cu
a
kh
op
1
(
ra
d)
Mong muon Thuc
0 5 10 15 20
-2
-1
0
1
2
Thoi gian(s)
V
i t
ri
cu
a
kh
op
2
(
ra
d)
Mong muon Thuc
(a) (b)
0 5 10 15 20
-0.2
-0.1
0
0.1
0.2
Thoi gian(s)
S
ai
s
o
cu
a
kh
op
1
(r
ad
)
0 5 10 15 20
-0.2
-0.1
0
0.1
0.2
Thoi gian(s)
S
ai
s
o
cu
a
kh
op
2
(r
ad
)
(c) (d)
0 5 10 15 20
-200
-100
0
100
200
Thoi gian(s)
D
ie
n
ap
c
ap
c
ho
d
on
g
co
1
(V
)
0 5 10 15 20
-40
-20
0
20
40
Thoi gian(s)
D
ie
n
ap
c
ho
d
on
g
co
2
(V
)
(e) (f)
Hình 9. Đáp ứng vị trí, sai số bám đuổi và điện áp điều khiển của hệ thống điều khiển PD
tương ứng khớp 1 và 2.
Điều khiển bám đuổi mạng neural
30
0 5 10 15 20
-2
-1
0
1
2
Thoi gian(s)
V
i t
ri
cu
a
kh
op
1
(
ra
d)
Mong muon Thuc
0 5 10 15 20
-2
-1
0
1
2
Thoi gian(s)
V
i t
ri
cu
a
kh
op
2
(
ra
d)
data1 data2
(a) (b)
0 5 10 15 20
-0.2
-0.1
0
0.1
0.2
Thoi gian(s)
S
ai
s
o
cu
a
kh
op
1
(r
ad
)
0 5 10 15 20
-0.2
-0.1
0
0.1
0.2
Thoi gian(s)
S
ai
s
o
cu
a
kh
op
2
(r
ad
)
(c) (d)
0 5 10 15 20
-50
0
50
Thoi gian(s)
D
ie
n
ap
c
ap
c
ho
d
on
g
co
1
(V
)
0 5 10 15 20
-10
-5
0
5
10
Thoi gian(s)
D
ie
n
ap
c
ho
d
on
g
co
2
(V
)
(e) (f)
Hình 10. Đáp ứng vị trí, sai số bám đuổi và điện áp điều khiển của hệ thống điều khiển
ANNC tương ứng khớp 1 và 2.
Tạp chí Đại học Công nghiệp
31
VI. KẾT LUẬN
Nghiên cứu này đã ứng dụng thành công
ANNC để điều khiển vị trí khớp của cánh tay
robot hai khâu bao gồm động lực học cơ cấu
truyền động để đạt được điều khiển vị trí mong
muốn. Tất cả động lực học hệ thống có thể
không biết hoặc hoàn toàn không là hằng số.
Mạng neural được sử dụng để bù sự không chắc
chắn của hệ thống. Tất cả luật học thích nghi
trong hệ thống ANNC được đưa ra theo cảm
nhận định lý Lyapunov để mạng hội tụ và ổn
định hệ thống bám đuổi của hệ thống điều khiển
vòng kín được đảm bảo có hoặc không có xảy ra
thành phần không chắc chắn. Kết quả mô phỏng
của cánh tay robot hai khâu bao gồm động lực
học cơ cấu truyền động thông qua sự có mặt của
các bộ điều khiển khác nhau bao gồm điều
khiển CTC, RFLC và PD cũng được áp dụng
trong nghiên cứu này để so sánh và hiển thị khả
năng hấp dẫn của hệ thống điều khiển đề xuất.
Theo kết quả được mô tả như hình 7-10, đặc
tính điều khiển bám đuổi vị trí mong muốn của
hệ thống ANNC có thể được kiểm soát chặt chẽ
theo đường cong tham chiếu cho trước dưới sự
thay đổi rộng của nhiễu. Cái chính của nghiên
cứu này là xây dựng hệ thống điều khiển thông
minh đơn giản và khá hiệu quả không biết động
lực học của đối tượng trong khi đó vẫn đảm bảo
hội tụ và sự ổn định bám đuỗi của hệ thống
vòng kín. Hệ thống ANNC cũng có thể ứng
dụng cho hệ thống khác như robot di động, hệ
thống AC servo
PHỤ LỤC
Định nghĩa sai số bám đuỗi )(~ tq và hàm
mục tiêu )(te
)()()(~ tqtqtq d −= (40)
)(~)(~)(~)( tqKtqKtqte ba ++= (41)
Xem xét cánh tay robot n khâu mô tả bởi
(13), nếu luật điều khiển được đưa ra như (42)
và hệ số điều khiển của luật điều khiển được
thiết kế như (43) và (44), thì hội tụ của sai số
bám đuỗi và ổn định của hệ thống RFLC có thể
được đảm bảo.
)sgn(),,()~( 00 ekqqqHqqKeMU rddfl ++++= ∗∗
(42)
)sgn()sgn(10
T
d qeMK
−∗= (43)
br dk = (44)
Trong đó )(ysign kí hiệu hàm dấu của mỗi
phần tử trong vectơ y, e và q~ được mô tả ở (40),
(41). Thành phần 'd được coi như là toàn bộ
động lực học không chắc chắn. Do đó, giới hạn
của toàn bộ động lực học không chắc chắn giả
sử cho như sau, nghĩa là bdd ≤' , trong đó ⋅
kí hiệu Euclidean norm, và db là hằng
Các file đính kèm theo tài liệu này:
- dieu_khien_bam_duoi_mang_neural_thich_nghi_cho_canh_tay_robo.pdf