Điều khiển cánh tay robot trên công nghệ mạng nơron

Khoa học - kĩ thuậät 23  ABSTRACT This paper describles the use of Neural Controller to control for a two-link planar robot manipulator. The Neural Controller has two neural networks: a neural network identifier (ANNI) and a neural network controller (ANNC). The ANNI is use to identify the mode of the system and be controlled through back – propagation training algorithm to adjust parameters of the ANNI. The ANNC is used to control the joint angle of robot manipulator folowing an arbitrarily reference signal and be controlled through back – propagation training algorithm to adjust parameters of the ANNC. Comparing with PID and Fuzzy control method, experimental results are provided the exactitude and effectiveness of the method proposed. ‡ I. GIỚI THIỆU Ngày nay, quá trình công nghiệp hóa và tự động hóa phát triển mạnh mẽ, các hệ thống điều khiển thường sử dụng cánh tay robot để điều khiển tự động theo định hướng điều khiển của người điều khiển. Để điều khiển cánh tay robot, thông thường sử dụng các phương pháp điều khiển cổ điển như: phương pháp điều khiển PI, phương pháp điều khiển PID để điều khiển góc quay cho cánh tay robot, bởi vì * ThS. Khoa Điện, Trường ĐH. Cơng nghiệp thành phố Hồ Chí Minh các phương pháp này đơn giản và dễ điều khiển, nhưng nó chưa chính xác và thiếu tính thích nghi vì hệ thống robot không ổn định và phi tuyến động. Từ những nhược điểm của các phương pháp điều khiển cổ điển, trong những năm gần đây các nhà nghiên cứu khoa học đã đưa ra những phương pháp mới, để giải quyết những vấn đề liên quan tới hệ thống không ổn định và phi tuyến động. Có hai phương pháp điều khiển thường được sử dụng là: phương pháp điều khiển trên cơ sở logic mờ và phương pháp điều khiển trên cơ sở mạng nơron. Phương pháp điều khiển trên cơ sở logic mờ dùng để giải quyết mô hình toán có nhiều biến thay đổi theo , mà các phương pháp truyền thống không giải quyết được. Phương pháp này thường cho kết quả gần đúng, do vậy phương pháp này chưa chính xác và thiếu tính linh hoạt vì nó phụ thuộc vào tập dữ liệu và tập luật, nếu đối tượng điều khiển không ổn định và phi tuyến động, thì tập luật và tập dữ liệu phải cập nhật thường xuyên để phù hợp với đối tượng điều khiển. Để giải quyết những khó khăn trên, thì phương pháp điều khiển cánh tay robot trên công nghệ mạng nơron như là công cụ để giải quyết những vấn đề khó của hệ thống phi tuyến động. Trong nghiên cứu này, một chiến lược điều khiển được đề xuất cho những hệ thống phi tuyến. Phương pháp được đề xuất là sử dụng một bộ điều khiển nơron (Neural Controller) để điều ĐIỀU KHIỂN CÁNH TAY ROBOT TRÊN CÔNG NGHỆ MẠNG NƠRON Châu Văn Bảo * Khoa học - kĩ thuậät 24 khiển cánh tay robot. Bộ điều khiển nơron gồm có: Một mô hình tham chiếu dùng để định hướng điều khiển; Một mạng nơron nhận dạng dùng để nhận dạng đối tượng điều khiển thông qua giải thuật huấn luyện lan truyền ngược để tự điều chỉnh các thông số của mạng; Một mạng nơron điều khiển dùng để điều khiển góc quay của cánh tay robot theo tín hiệu tham chiếu định hướng điều khiển. II. THIẾT KẾ BỘ ĐIỀU KHIỂN NƠRON (neural controller) Phương trình chuyển động của cánh tay của robot: T)w(g . w) . w,w(C .. w)w(H  (1) Trong đó: w là góc quay của cánh tay robot, H(w) là ma trận momen quán tính, C(w) là momen hướng tâm, g(w) là momen lực hút, T là momen. Cấu trúc của bộ điều khiển cánh tay robot trên công nghệ mạng nơron được trình bày ở hình 1. Mô hình tham chiếu r(k) EC Z -1 wm Z -1 u’(k) EI Z -1 u(k) Đối tuợng điều khiển Z -1 w(k) Bộ nhận dạng ANNI Bộ điều khiển ANNC Z -1 Hình 1: Cấu trúc Neuron Controller. ANNI (Artificial Neural Network Identify): Bộ Neural network nhận dạng. ANNC (Artificial Neural Network Control): Bộ Neural network điều khiển. 1. Mạng nơron nhận dạng (ANNI: Artificial Neural Network ) Bộ nhận dạng ANNI là một mạng nơron truyền thẳng hai lớp, với các đầu vào w(k-1), w(k-2), u(k), u(k-1); có hai lớp ẩn; số nơron trong lớp ẩn 10 nơron và một đầu ra u’(k). Việc huấn luyện dùng giải thuật lan truyền ngược, ở đây độ lệch sự nhận dạng là: ei = w(k) - u’(k) được sử dụng để điều chỉnh các tham số của bộ nhận dạng ANNI. Xung lượng cho việc huấn luyện lan truyền ngược được lựa chọn là I = 0,2 và hệ số học I = 10 -6 . Hàm giá của bộ ANNI được xác định như sau: 2 i 2 e 2 1 =(k)]u'-(k)[ 2 1 EI(k) w (2) Quá trình học là để điều chỉnh các tham số trọng lượng của mạng, vì vậy phải cực tiểu hóa hàm giá EI. Giải thuật lan truyền ngược xác định sự gia tăng của hệ số trọng lượng. i i W EI W    (3) Ở đây ii W net net )k('u )k('u EI W EI          (4) Trong đó: J J J Wxnet  , xJ đầu vào thứ J, WJ hệ số trọng lượng thứ J của bộ nhận dạng. )net('a net )k('u    và )k(x W net i i        )k('u )k(w )k('u)k(w)k('u)k(w 2 1 )k('u)k('u EI 2           )k('u )k(w )k('u)k(w)k(x)net('a W EI i i      (5) Từ (5) và(3) ta có biểu thức (6) là độ gia tăng của hệ số trọng lượng. Khoa học - kĩ thuậät 25   )k('u )k(w )k('u)k(w)k(x)net('aW ii    (6) Vectơ trọng lượng tại bước (k+1) được cải tiến công thức (7) )]1k(W)k(W[W)k(W)1k(W iiiii  (7) Bộ ANNI có đầu ra: u’(k) = N[w(k-1), w(k-2), u(k), u(k-1)]. 2. Mạng nơron điều khiển (ANNC: Artificial Neural Network Control) Bộ điều khiển ANNC là một mạng neuron truyền thẳng hai lớp, với các đầu vào r(k), u(k-1), w(k -1); có hai lớp ẩn; số nơron trong lớp ẩn 13 nơron và một đầu ra u(k). Việc huấn luyện dùng giải thuật lan truyền ngược, ở đây độ lệch là: ec(k) = wm(k) - w(k) được sử dụng để điều chỉnh các tham số của bộ điều khiển ANNC. Xung lượng cho việc huấn luyện lan truyền ngược được lựa chọn là C = 0,08 và hệ số học C = 10 -9 . Hàm giá của bộ ANNC được xác định như sau: 2 c 2 e 2 1 =w(k)]-(k)[ 2 1 =EC(k) mw (8) Giải thuật lan truyền ngược xác định được độ gia tăng của hệ số trọng lượng. i i W EC W    (9) Ở đây ii W net net )k(u )k(u EC W EC          (10) Trong đó: J J J Wxnet  , xJ đầu vào thứ J, WJ hệ số trọng lượng thứ J của bộ điều khiển. )net('a net )k(u    và )k(x W net i i        )k(u )k(w )k(w)k(w)k(w)k(w 2 1 )k(u)k(u EC m 2 m           )k(u )k(w )k(w)k(w)k(x)net('a W EC mi i      (11) Từ (11) và (9) ta có biểu thức (12) độ gia tăng của hệ số trọng lượng.   )k(u )k(w )k(w)k(w)k(x)net('aW mii    (12) Vectơ trọng lượng tại bước (k+1) được cải tiến công thức (13) )]1k(W)k(W[W)k(W)1k(W iiiii  (13) Bộ ANNC có đầu ra u(k) = N[r(k), u(k-1), w(k -1)] 3. Giải thuật điều khiển Giải thuật điều khiển thể hiện qua các bước sau: Bước 1: Hai thông số WI của bộ nơron nhận dạng và WC của bộ nơron điều khiển được khởi chạy ngẫu nhiên với những giá trị nhỏ. Bước 2: Xác định đầu ra u(k) của bộ điều khiển. Bước 3: Xác định góc quay w(k) của cánh tay robot. Bước 4: Xác định đầu ra u’(k) của bộ nhận dạng. Bước 5: Tính hàm giá EI(k) và EC(k) dựa vào công thức (2) và (8). Bước 6: Tính i W EI và i W EC dựa vào công thức (4) và (11) Bước 7: Cập nhật các thông số WI cho bộ nơron nhận dạng và WC cho bộ nơron điều khiển dựa vào công thức (7) và (13). Bước 8: Lập lại từ bước 2 đến bước 7 cho tới khi bộ điều khiển đạt giá trị nhỏ nhất. III. MÔ PHỎNG Phương trình chuyển động của cánh tay robot: Khoa học - kĩ thuậät 26                                                          2T 1T 2f 1f 2g 1g . 2w . 1w 012C . 1w ) . 2w . 1w(12C12C . 2w 2 .. w .. 1w 22H21H 12H11H (14) Trong đĩ: H11= (m1+m2)l 2 1+m2l 2 2+2m2l1l2cos(w2), H12= H21= m2l 2 2+m2l1l2cos(w2), H22= m2l 2 2, C12= m2l1l2sin(w2), g1= (m1+m2)l1cos(w2)+m2l2cos(w1+w2), g2= m2l2cos(w1+w2), f1= 0.2 sgn(w1)+ 3w1, f2= 0.2 sgn(w2)+ 2w2, l1= 1m, l2= 0.8m, m1= 1kg, m2= 1.5kg. Kết quả mô phỏng cho thấy phương pháp điều khiển bằng Neural cho kết quả chính xác hơn so với phương pháp cổ điển (phương pháp PID) và phương pháp logic mờ. Khoa học - kĩ thuậät 27 V. KẾT LUẬN Trong nghiên cứu này, đã sử dụng một bộ điều khiển trên công nghệ mạng nơron dùng để điều khiển góc quay của cánh tay robot theo tín hiệu tham chiếu định hướng điều khiển. Các kết quả mô phỏng của phương pháp điều khiển trên công nghệ mạng nơron cho thấy tính hiệu quả và tính chính xác cao, và cũng thể hiện được tính thích nghi cao qua các trường hợp mô phỏng khi tín hiệu tham chiếu là xung vuông hay hình sin. So với những phương pháp điều khiển như phương pháp PID và phương pháp Fuzzy logic thì bộ điều khiển trên công nghệ mạng nơron thể hiện tính chính xác và hiệu quả cao hơn nhiều. Từ những kết quả đạt được của bộ điều khiển trên công nghệ mạng nơron với tính thích nghi cao, cộng với tín hiệu tham chiếu định hướng điều khiển là xung vuông thay đổi tùy ý, thì việc điều khiển cánh tay Robot sẽ chính xác theo định hướng.  TÀI LIỆU THAM KHẢO [1] Ngô Cao Cường, Hồ Đắc Lộc, Trần Thu Hà. Andaptive control of nonlinear dynamics system based on RBF network. ICMIT 2003 Korea, December 4- 6, 2003. [2] Chao-Chee Ku and Kwang Y. Lee, Diagonal recurrent neural networks for dynamic system control, IEEE Trans. on Neural networks. 1995. 6(1): 144-156. [3] Choi Y. K, Lee S. K, Kay Y.C, Design and Implementation of an Adaptive Neural Network Compensator for Control Systems. IEEE Transactions on Industrial Electronics, vol48, no 2, April 2001. [4] Diao Y and K.M Passino. Adaptive neural – Fuzzy control for Interpolated nonlinear system. IEEE Trans. FuZ. Syst. (10) pp 583 – 595.2002. [5] K. S. Narendra and K. Parthasarathy. Identification and Control of Dynamical Systems using Neural Networks, IEEE Transaction on Neural Networks, Vol.1, pp 4-27, 5-1990. [6] Hajoon Lee, Dong kyung Nam, Cheol Hoon Park. A Sliding Mode Controller Using Neural Networks for Robot Manipulator, ESANN'2004 proceedings – European Symposium on Artificial Neural Networks Bruges (Belgium), 28-30 April 2004.