Tóm tắt Luận án Xây dựng mô hình chẩn đoán trạng thái kỹ thuật hệ thống VSC trên ô tô

L cho hệ thống chẩn đoán động cơ diesel dùng trong nông nghiệp, nông thôn Việt Nam" (Luận án TSKT 2011) đã sử dụng mờ Mamdani để chẩn đoán lỗi phát hiện hư hỏng cho động cơ; tác giả Lê Hùng Lân và cộng sự nghiên cứu "Tổng hợp điều khiển thích nghi cho hệ thống chống bó cứng bánh xe ô tô khi phanh trên cơ sở hệ suy diễn" (Tạp chí KH GTVT số 21, trang 72-80). Một số đề tài nghiên cứu chẩn đoán hư hỏng trong hệ thống phanh khí nén trên ô tô tải dùng logic mờ Mamdani đã được ứng dụng trong công tác sửa chữa trong nước...Trong khi đó, trên các ô tô hiện đại, theo các thông tin giới thiệu của các hãng sản xuất, rất nhiều hệ thống như phanh ABS, hệ thống treo điện tử, hệ thống phun xăng và đánh lửa trên động cơ, điều khiển hộp số tự động đều sử dụng bộ điều khiển mờ (Fuzzy controller) [10,11]. Trong các hệ thống đó, ngoài chức năng điều khiển còn tích hợp cả chức năng tự chẩn đoán TTKT và phát hiện hư hỏng. 1.5. Lựa chọn đề tài và mục tiêu nghiên cứu của luận án Từ các phân tích trên, xuất phát từ nhu cầu xây dựng phương pháp luận cho chẩn đoán TTKT các hệ thống có ĐKĐT trên ô tô hiện đại làm cơ sở ứng dụng, khai thác, thiết kế các hệ thống chẩn đoán các hệ thống của ô tô trong nước, NCS đã chọn đề tài nghiên cứu của luận văn là: “Xây dựng mô hình chẩn đoán trạng thái kỹ thuật hệ thống VSCtrên ô tô” Các mục tiêu nghiên cứu cụ thể của luận án gồm có: 1. Nghiên cứu phương pháp chẩn đoán TTKT phát hiện trạng thái làm việc có -7- lỗi của các hệ thống có ĐKĐT trên ô tô. 2. Nghiên cứu cơ sở lý thuyết của việc chẩn đoán phát hiện trạng thái lỗi của các hệ thống có ĐKĐT trên ô tô bằng hệ suy diễn mờ Takagi-Sugeno, bao gồm việc thiết kế bộ quan sát mờ đối với hệ thống được chẩn đoán và phát hiện trạng thái làm việc có lỗi của hệ thống thông qua lượng sai lệch giữa trị số đầu ra của bộ quan sát với trị số đầu ra đo từ hệ thống thực. 3. Xây dựng mô hình chẩn đoán trạng thái làm việc có lỗi của hệ thống VSC xe Toyota Camry trên cơ sở hệ suy diễn mờ Takagi-Sugeno. 4. Thử nghiệm đánh giá hiệu quả của hệ thống chẩn đoán mờ. Thiết kế chế tạo bộ thu thập dữ liệu từ ECU trên ô tô để phục vụ cho chẩn đoán phát hiện lỗi hệ thống VSC trên xe Toyota Camry. 1.6. Kết luận chương 1 Từ các kết quả nghiên cứu và phân tích trong Chương 1, có thể rút ra một số kết luận sau: - Đối với các hệ thống có ĐKĐT, NCS định hướng sử dụng phương pháp chẩn đoán trên cơ sở mô hình. Phương pháp chẩn đoán này hiệu quả và tiết kiệm vì các lý do: + Sử dụng các thông số chẩn đoán trực tiếp trạng thái làm việc của hệ thống vì vậy đánh giá TTKT hệ thống chính xác, hiệu quả. + Để đo đạc các thông số chẩn đoán, không cần bố trí lắp đặt các thiết bi, cảm biến đo lường mới mà có thể sử dụng ngay tín hiệu ra của các cảm biến trong mạch ĐKĐT của hệ thống nên vừa tiết kiệm chi phí, thời gian thao tác chẩn đoán. - NCS chọn phương pháp sử dụng mờ Takagi Sugeno để mô tả hệ thống. Phương pháp này đã kết hợp được ưu điểm của mô hình toán học (sử dụng các hàm biểu diễn quan hệ vật lý giữa các yếu tố trong hệ thống, giảm bớt khối lượng thống kê dữ liệu) với các ưu điểm của mờ T-S (mô tả hệ phi tuyến bằng tập hợp các mô hình tuyến tính địa phương). - Quá trình chẩn đoán TTKT gồm hai giai đoạn: phát hiện trạng thái làm việc có lỗi của hệ thống và xác định vị trí, nguyên nhân gây ra lỗi để khắc phục. Với khuôn khổ luận án, NCS tập trung nghiên cứu vào phương pháp phát hiện trạng thái làm việc có lỗi và xây dựng mô hình phát hiện lỗi của hệ thống VSC trên xe Toyota Camry. - Trên các ô tô hiện đại, khi tiến hành chẩn đoán TTKT, việc đầu tiên phải làm là chẩn đoán phần ĐKĐT. Mô hình chẩn đoán phát hiện lỗi mà NCS nghiên cứu được sử dụng trong công việc này. Tuy nhiên, mô hình chẩn đoán phát hiện lỗi này không có ý nghĩa hoàn toàn thay thế cho các phần chẩn đoán cơ khí thông thường mà có ý nghĩa bổ sung, hỗ trợ thêm cho công tác chẩn đoán các hệ thống trên ô tô nói chung. CHƯƠNG 2: CƠ SỞ LÝ THUYẾT ĐỂ XÂY DỰNG CHẨN ĐOÁN PHÁT HIỆN LỐI BẰNG HỆ SUY DIỄN MỜ TAKAGI-SUGENO Lý thuyết mờ nhằm kết hợp hai loại thông tin (các tín hiệu từ các cảm biến và các kiến thức chuyên môn về hệ thống) vào trong thiết kế, điều khiển hệ thống kỹ thuật. Nghiên cứu ứng dụng hệ suy diễn mờ để xây dựng mô hình chẩn đoán lỗi là một trong số mục tiêu chính của luận án, vì vậy cần phải tìm hiểu các đặc điểm, phương pháp xây dựng và cơ chế vận hành của hệ suy diễn mờ đặc biệt là hệ mờ Takagi- Sugeno được dùng để xây dựng mô hình chẩn đoán các hệ thống có ĐKĐT trên ô tô 2.1. Hệ suy diễn mờ -8- Hình 2.1 trình bày sơ đồ khối hệ suy diễn mờ bao gồm bốn khối chức năng: khối mờ hóa đầu vào, khối cơ sở tri thức, khối suy diễn logic và khối giải mờ đầu ra. Khối mờ hóa đầu vào làm nhiệm vụ chuyển đổi các tín hiệu vào của hệ thống thực từ miền vật lý (miền giá trị rõ) sang miền ngôn ngữ (miền giá trị mờ); khối tri thức bao gồm hai phần, một là các dữ liệu thu thập về các thông số trạng thái, môi trường làm việc của hệ thống, hai là các kiến thức chuyên môn về hệ thống (các quan hệ vật lý toán học, cấu trúc, kinh nghiệm chuyên gia); khối cơ chế suy diễn (IE) là phần lõi của FIS, tại đây thực hiện các tính toán và lập luận xử lý các tín hiệu đầu vào trên cơ sở các tri thức về hệ thống và đưa ra kết quả hoặc quyết định cuối cùng (dưới dạng kết quả mờ); khối giải mờ đầu ra làm nhiệm vụ chuyển đổi các tín hiệu ra từ IE (có giá trị mờ) sang miền giá trị rõ. 2.2. Hệ suy diễn mờ T-S Trong quá trình ứng dụng các hệ suy diễn mờ vào trong lĩnh vực điều khiển các hệ thống kỹ thuật công nghiệp, tác giả Takagi và Sugeno (1975) đề xuất cấu trúc luật mờ cơ sở có dạng đầu ra không phải là biến mờ mà thay bằng hàm số bậc nhất của các biến đầu vào. Đặc điểm của hệ thống suy diễn này là kết quả đầu ra của các luật cơ sở có giá trị rõ dưới dạng hàm số của các biến đầu vào và đầu ra. Ví dụ với hai biến mờ đầu vào x và y; biến mờ đầu ra z với hai luật cơ sở có dạng tổng quát là: Luật ℜ i: ( ), = = =i i iIF x A và y B THEN z f x y (2.5) Trong đó: Ai và Bi là các tập mờ trong mệnh đề điều kiện; f(x,y) là hàm của các biến vào x và y. Kết quả đầu ra là hàm rõ z = px + qy + r với p, q, r là các hằng số xác định. Khi f là hằng, mô hình FIS T-S gọi là mô hình bậc 0; trị số của biến z ở đầu ra của mô hình được tính trên cơ sở phương pháp giải mờ điểm trọng tâm: 1 1 2 2 1 2 + = + w z w z z w w Trong đó wi là các trọng số, được xác định: 1 1 2 2 1 2 min( ( ). ( )) min( ( ). ( )) µ µ µ µ =  = A B A B w x y w x y Ưu điểm cơ bản của hệ suy diễn mờ T-S là ở chỗ: kết quả đầu ra của mỗi luật là hàm bậc nhất nên mô hình T-S thực chất là tổ hợp của các mô hình tuyến tính địa phương. Với tính chất đó, ứng dụng của mô hình T-S vào lĩnh vực có sử dụng các kỹ thuật tuyến tính như nhận dạng, mô tả các hệ thống kỹ thuật phức tạp với mục đích điều khiển và chẩn đoán lỗi, điều khiển hệ thống kỹ thuật (ví dụ điều khiển PID, bộ quan sát trạng thái, tính ước lượng tham số) là rất thuận lợi. 2.3. Xây dựng hệ suy diễn mờ T-S để mô tả hệ thống kỹ thuật -9- Để xây dựng hệ suy diễn T-S, trong trường hợp này thì việc biểu diễn hệ thống bằng không gian trạng thái là hợp lý do có các ưu điểm: (1) Phương trình biểu diễn là bậc nhất, phù hợp với cấu trúc đầu ra của luật mờ T-S; (2) việc lựa chọn các biến vào, biến ra, biến trạng thái phù hợp với khả năng đo được (quan sát được) của các biến trong các mô hình chẩn đoán. Một hệ thống động lực tổng quát biểu diễn trong không gian trạng thái có dạng: x(t) Ax(t) Bu(t) y(t) Cx(t) Du(t) = +  = +  Trong đó, x(t) ∈Rn là véc tơ các biến trạng thái; u(t) ∈ Rm là véc tơ các biến vào; y(t)∈Rm là véc tơ các biến đầu ra, A∈Rn×n, B, D∈Rnxm và C∈Rmxn là ma trận các hệ số. Nguyên lý chung để xây dựng hệ suy diễn T-S là phân chia hệ thống thực thành tập hợp các mô hình tuyến tính địa phương bằng cách chọn biến mờ cơ sở (tên biến và khoảng biến thiên của biến) và các hàm liên thuộc tương ứng với mỗi biến mờ cơ sở; sau đó tiến hành xây dựng tập các luật mờ T-S để mô tả mỗi mô hình địa phương. Luật mờ cơ sở thứ i có dạng: 1 1: ( ) ... ( ) ( ) ( ) ( )θ θℜ = +i i i i iIF z t is M and and z t is M THEN x t A x t B u t Trong đó: zj(t) là các biến mờ cơ sở, Mij là các tập mờ với i = 1,.., p; j = 1,.., θ ; x(t), u(t) lần lượt là véc tơ của các biến quan sát và véc tơ các biến vào; Ai và Bi là ma trận các hệ số của mô hình thứ i. Biến mờ cơ sở zj(t) có thể là hàm của các biến trạng thái đo được, các nhiễu ngoài hoặc là biến thời gian. Ứng với mỗi cặp giá trị [x(t),u(t),z(t)], giá trị rõ ở kết quả đầu ra của hệ suy diễn được tính toán thông qua việc giải mờ đầu ra bằng phương pháp điểm trọng tâm: [ ] 1 1 1 ( ) ( ( )) ( ) ( ) ( ( ))( ( )) , ( ( )) ( ( )) ( ( )) p i i i i i i i ijp j i i x t z t A x t B u t h z tz t h z t M z t h z t θ µ µ = = =  = +   = =   ∑ ∏ ∑ Viết lại phương trình (2.10) dưới dạng: 1 1 1 uk i ij i j ik i k j k x ( t ) f (z (t))x ( t ) g (z (t))u ( t )? for i ,...,n θ = = = + =∑ ∑ Trong đó, n và ku tương ứng là số lượng biến trạng thái và biến đầu vào; xi(t), uk(t) là các biến trạng thái và biến đầu vào; fij(z(t)) và gik(z(t)) là các hàm của z(t), với z(t) = [zj(t)...zθ(t)] là các biến mờ cơ sở. Đặt các ký hiệu: { } { } { } { } 1 2 1 2 ij ij ij ijz(t) z(t) ik ik ik ikz(t) z(t) a max f (z(t)) , a min f (z(t)) b max g (z(t)) , b min g (z(t))  ≡ ≡  ≡ ≡ Tiếp tục biến đổi để viết lại (2.15) dưới dạng ma trận: 1 1 1 2 2 1 1 1 1 2 1 1 u a a b b (i, j) (i, j) (i,k) (i,k)a b (i, j) (i,k) a a b (i, j) (i, j) (i,k)a (i, j) (i,k kn n A B i ij ikijl ijl ikl ikl i j i kl l n ijl ijl ikl i j l l x ( t ) h (z(t))a U x( t ) v (z(t))b U u( t ) h (z(t))A x( t ) v (z(t)) θ θ = = = = = = = = = = + = + ∑∑∑ ∑∑∑ ∑∑∑  1 2 1 1 u l (i,k)b ) kn ikl i k B u( t ) == = ∑∑∑ -10- Với: 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 aa (i, j)(i, j) ijlijl aA           =                                  ; 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 bb (i,k)(i,k) iklikl bB           =                                  Các phương trình 2.18 đến 2.20 để xây dựng các mô hình tuyến tính địa phương thành phần của hệ mờ T-S mô tả hệ thống được chẩn đoán. Hệ phương trình trạng thái (2.13) mô tả hệ thống trong trường hợp biết các thông số cấu trúc, các biến đầu vào, ra của hệ thống là đo được đầy đủ. Tuy nhiên, trong thực tế, các biến đầu vào của hệ thống thực có nhiều trường hợp không đo được hoặc đo không chính xác. Để giảm bớt sai lệch do thiếu thông tin của các biến đầu vào, trong phương trình (2.13) cần được bổ sung thành phần đại diện cho các đại lượng đầu vào không đo được: ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) = + +  = + +  u u u u x t Ax t Bu t E d t y t Cx t Du t F d t Với du(t) là hàm biến đổi theo thời gian bổ sung cho lượng biến đầu vào không đo được và Eu là ma trận phân phối. Như vậy, trong thành phần của hàm du(t) cần chú ý đến các thành phần đầu vào không đo được, các nhiễu và sai số cho phép lớn nhất của các tín hiệu đầu vào. 2.4. Xây dựng bộ quan sát Với mục đích làm cho sai lệch giữa các trị số đo ở đầu ra của hệ thống thực và trị số tính toán từ đầu ra của mô hình mô tả hệ thống là bằng không (hoặc không vượt quá giá trị ngưỡng Jth) trong trường hợp hệ thống không lỗi, NCS đã sử dụng công cụ bộ quan sát UIO trên cơ sở tham khảo phương pháp thiết kế bộ quan sát UIO cho hệ thống tuyến tính. Với mô hình đầu vào không rõ (2.21), cấu trúc của bộ quan sát UIO có dạng: ( ) ( ) ( ) ( ) ˆ( ) ( ) ( ) z t Fz t TBu t Ky t x t z t Hy t = + +  = +  Trong đó xˆ ∈Rn×1 là véc tơ trạng thái của bộ quan sát UIO, T, K, H là các ma trận của UIO với kích thước Rn×n. Ký hiệu e là véc tơ sai số giữa biến trạng thái của hệ thống và biến ra của bộ quan sát: ˆ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) e t x t x t x t z t Hy t x t z t HCx t I HC x t z t = − = − − = − − = − − (2.26) Lấy đạo hàm của phương trình 2.26: 1 1 2 1 ( ) ( ) ( ) [ ( )] ( ) [ ( )] ( ) [ ]B ( ) ( ) ( )u u e t A HCA K C e t F A HCA K C z t K A HCA K C y t T I HC u t H CI E d t = − − + − − − + − − − + − + + −  Từ phương trình 2.27 cho thấy, nếu các điều kiện sau được thỏa mãn: -11- 1 2 0 ( )= −  = −  = − −  = uHC I E T I HC F A HCA K C K FH (2.28) Thì phương trình vi phân của sai số sẽ có dạng: ( ) . ( )e t F e t= Nếu chọn ma trận F có dạng ma trận Hurwitz (các giá trị riêng của ma trận F là ổn định [49]) thì phương trình sai số sẽ tiệm cận tới 0 và biến xˆ của bộ quan sát sẽ có giá trị bằng biến trạng thái x của hệ thống thực. Trị số biến đầu ra của bộ quan sát sẽ tiệm cận tới giá trị biến ra đo được của hệ thống thực. Trong phương trình sai số (2.27) ta thấy không có mặt của thành phần đầu vào không rõ Eudu(t). Như vậy, trong trường hợp này, sử dụng công cụ bộ quan sát đã được loại bỏ được ảnh hưởng của yếu tố đầu vào không rõ. Thuật toán để xác định các hệ số của bộ quan sát trình bày trên Hình 2.12. Các hệ số A, B, C, Eu, D, của phương trình không gian trạng thái (2.24) là các thông số đầu vào của chương trình tính (Bước 1). Bước 2 nhằm kiểm tra tính phù hợp về hạng của các ma trận phân phối Eu và ma trận tích C*Eu. Nếu kết quả là không phù hợp, bộ quan sát UIO không thể xây dựng được. Trong MatLab, sử dụng lệnh “rank“ để tính hạng của ma trận. Bước 3 là thủ tục tính các ma trận hệ số H, T và ma trận A* theo các công thức: ( ) ( ) 1 1 −  =    = −  =  T T u u u uH E CE CE CE T I HC A TA Bước 4 là thủ tục kiểm tra tính quan sát được của cặp C, A*. Nếu cặp này không đảm bảo "tính quan sát được", Bộ quan sát UIO sẽ không thể xây dựng được. Trong MatLab, sử dụng lệnh “obsv“ [7, 49]. Bước 5, 6, 7 là các thủ tục tính hệ số K1, K2 và K = K1+K2. Xây dựng bộ quan sát mờ T-S Hệ phương trình không gian trạng thái của hệ thống trong trường hợp có các yếu tố đầu vào không rõ được biểu diễn bằng công thức (2.24). Tương ứng, hệ suy diễn T-S mô tả hệ thống có dạng tập hợp của p luật. Mỗi luật thứ i có dạng như sau: Luật ℜ i: 1 1 θ θ = + +  = + + i i i i u ,i u i i u ,i u IF z is M and...and z is M THEN x(t) A x(t) B u(t) E d (t) y(t) C x(t) D u( t ) F d ( t )  (2.31) Các ma trận Ai, Bi, Ci, Eu,i Fu,i với các kích thước phù hợp. Tương ứng với mỗi luật Ri, ta có một mô hình tuyến tính địa phương. Do đó ta có thể xây dựng bộ -12- quan sát UIO cho mỗi mô hình tuyến tính địa phương này. Như vậy bộ quan sát mờ UIO cũng là một hệ suy diễn T-S được biểu diễn dưới dạng tập của p luật mờ T-S. 2.5. Tính toán giá trị ngưỡng Lượng sai lệch ˆ( ) ( ) ( )= −r t y t y t là một véc tơ chứa các phần tử tương ứng là lượng sai lệch của các thông số thành phần của các biến đầu ra ˆ( )y t của bộ quan sát và đầu ra của hệ thống thực. Để phát hiện trạng thái lỗi của cần phải tiến hành so sánh trị số của lượng sai lệch với giá trị ngưỡng Jth. 0 ˆ( ) th th hoÆc (r J ) th× hÖ thèng kh«ng lçi r >0 hoÆc (r >J ) th× hÖ thèng cã lçi = ≤ = −   r r y y t (2.34) Trường hợp hệ thống không có lỗi: d th d tr t r t J , ( )2, 2,( ) ( )τ τ≤ ≤ Với giá trị ngưỡng Jth,d(t) tính theo công thức: th d t d t L dJ r t2, ( ) ( ) 2,sup ( ) τ∈= Trong đó "sup" là ký hiệu toán học với ý nghĩa là cận trên đúng (suprenum) của dãy số thực. Cuối cùng giá trị ngưỡng được tính theo công thức: th th d tJ J , ( )= Như vây, giá trị ngưỡng được tính riêng cho từng thông số chẩn đoán, xác định trong trường hợp hệ thống không có lỗi và chứa các thành phần sai số cho phép của thông số chẩn đoán (bao gồm sai số tĩnh và sai số động), các đặc trưng của tín hiệu đầu vào không đo được (tính theo phương pháp xác suất thống kê chuẩn L2. 2.6. Sử dụng bộ quan sát mờ T-S để phát hiện trạng thái làm việc có lỗi của hệ thống Sau khi đã xác định được các thông số cấu trúc, bộ quan sát mờ (2.32) sẽ được sử dụng để chẩn đoán phát hiện trạng thái lỗi cho hệ thống như sơ đồ Hình 2.13. Đầu ra y của hệ thống thực cũng như đầu ra yˆ của bộ quan sát là các véc tơ mà thành phần của nó là các trị số tương ứng của các thông số chẩn đoán đo được từ hệ thống thực và các thông số tính toán từ bộ quan sát. Vì vậy, kết quả so sánh giữa r và Jth không những đánh giá được hệ thống làm việc bình thường hay đang làm việc với trạng thái có lỗi mà còn khoanh vùng được lỗi đó liên quan đến thông số chẩn đoán nào. Đây là một ưu điểm quan trọng với mục đích chẩn đoán TTKT hệ thống. Từ các kết quả nghiên cứu trên, NCS đề xuất xây dựng hệ suy diễn T-S để chẩn đoán phát hiện trạng thái lỗi các hệ thống có ĐKĐT theo sơ đồ trên Hình 2.14. 2.7. Kết luận chương 2 - Trong chương này, NCS đã nghiên cứu cơ sở lý thuyết việc ứng dụng hệ suy diễn mờ T-S để xây dựng mô hình lý thuyết mô tả hệ thống cần chẩn đoán trong trường hợp hệ thống không có lỗi. Hệ suy diễn mờ mô tả hệ thống là tập các luật dạng IF...THEN (biểu thức 2.14). Các biểu thức (2.15, 2.16) trình bày cách tính toán để giải -13- mờ đầu ra của hệ. - Để loại bỏ ảnh hưởng của các nhiễu và các thành phần đầu vào không đo được đầy đủ, NCS đã xây dựng bộ quan sát mờ của hệ thống. Tính toán các thông số cấu trúc của bộ quan sát được trình bày ở các biểu thức (2.28 và 2.30). Bộ quan sát sẽ là mô hình lý thuyết mô tả hệ thống (khi không có lỗi) trong sơ đồ ứng dụng để chẩn đoán phát hiện lỗi (Hình 2.13). - NCS đã nghiên cứu cách xác định trị số ngưỡng làm cơ sở để đánh giá, phân biệt trạng thái làm việc bình thường và trạng thái làm việc có lỗi của hệ thống. Các công thức tính toán giá trị ngưỡng được trình bày ở (2.34, 2.39). - Mô hình chẩn đoán phát hiện lỗi cho một hệ thống có ĐKĐT trên ô tô bao gồm các thành phần: hệ suy diễn mờ, bộ quan sát mờ UIO và véc tơ các giá trị ngưỡng của các tín hiệu đầu ra của hệ thống cần chẩn đoán. Cách nối ghép mô hình chẩn đoán với hệ thống cần chẩn đoán được trình bày trên Hình 2.13. Trên cơ sở các kết quả nghiên cứu lý thuyết ở chương này NCS sẽ tiến hành xây dựng mô hình chẩn đoán phát hiện lỗi cho hệ thống VSC trên xe Toyota Camry. CHƯƠNG 3. XÂY DỰNG MÔ HÌNH CHẨN ĐOÁN PHÁT HIỆN TRẠNG THÁI LÀM VIỆC CÓ LỖI CỦA HỆ THỐNG VSC TRÊN XE TOYOTA CAMRY 3.1. Hệ thống VSC trên xe Toyota Camry Hệ thống VSC (Vehicle Stability Control) làm nhiệm vụ giữ ổn định cho xe ô tô khi đi trên mặt đường nghiêng ngang, đường vòng. Khi xe chuyển động trên đường vòng, do tác dụng của lực ly tâm tạo các lực ngang tác dụng lên xe. Ảnh hưởng các lực ngang càng lớn khi tốc độ xe đi trên đường vòng lớn, mặt đường nghiêng hoặc bán kính cong quá nhỏ. Trường hợp các bánh xe cầu sau bị trượt ngang nhiều hơn bánh xe trước dẫn đến hiện tượng quay vòng thừa, trường hợp ngược lại, xe bị quay vòng thiếu. Hệ thống VSC tự động tác động các lực phanh phù hợp ở mỗi bánh xe (bên trong và bên ngoài đường vòng, bánh xe trước và bánh xe sau) để tạo mô men ổn định duy trì quỹ đạo chuyển động đúng của xe đồng thời tự động điều chỉnh chế độ tải động cơ cho phù hợp với tình trạng phanh và tốc độ ô tô. 3.2. Hệ phương trình trạng thái mô tả động lực học bên của xe Mô hình 3-DOF được sử dụng rộng rãi trong các thiết kế điều khiển trực tuyến chuyển động dọc và ổn định bên của xe. Theo các số liệu nghiên cứu [12,43], mô hình này đáp ứng được điều kiện chuyển động của ô tô trên đường vòng mặt đường bằng phẳng có hệ số bám cao với gia tốc bên tới 0,4g. Các giả thiết sử dụng cho mô hình gồm có: - Ô tô có trục đối xứng dọc; - Ô tô chuyển động ổn định trên đường vòng (𝑣𝑣�̇�𝑥 ≈ 0), không có trượt dọc; - Sử dụng mô hình lốp tuyến tính: -14- yF Cαα= − (3.1) Hình 3.5 là sơ đồ biểu diễn mô hình 3-DOF của xe trong mặt phẳng ngang. Từ các quan hệ vật lý, hệ phương trình vi phân mô tả động lực học bên có dạng: ( ) ( ) ( ) ( ) ( ) 1 1. . . 1 1. . . . . y x f y r y x x z f y r y x x m v v C v a C v b v v I a C v a b C v b v v ψ δ ψ ψ ψ δ ψ ψ      + = − + + − −               = − + − − −          (3.13) Phương trình không gian trạng thái có bổ sung thành phần không đo được của biến vào: 2 2 2 1 * ( ) . 0 1 f r r f f x x x u u ff r f r zz z x f r r f y x C C bC aC C mv mv mv E d t aCaC bC a C b C II I v C C bC aC a m mv + −    − −         = + +      − +       − −       + −  −   =           ββ δ ψψ ψ * ( ) 0 f u u C F d tm              + +         β δ ψ (3.16) Trong đó: x(t) là véc tơ các biến quan sát và y(t) đầu ra đo được của mô hình; d(t) là ma trận hàm thời gian của các yếu tố đầu vào, ra không đo được. [ ]( ) β ψ= Tx t ; ( ) Tyy t a ψ =   ; * .vl li=δ δ 3.3. Xây dựng hệ suy diễn mờ mô tả động lực học bên Hệ suy diễn mờ T-S mô tả hệ thống được được trình bày dưới dạng các luật:Luật ℜi: ( ) ( ) ( ) (t) ( ) ( ) ( ) (t) ( ) i i i i i i u i i i i u If z t is MF x t A x t B E d t Then y t C x t D F d t = + +  = + +  δ δ (3.19) Các kết quả tính toán các hệ số: 1 2 3 -51.8400 5.0031 -25.9200 0.5008 -17.2800 -0.3330 ; ; ; 29.5660 -82.7201 29.5660 -41.3600 29.5660 -27.5734 A A A     = = =            4 5 6 -12.9600 -0.6248 -10.3680 -0.7599 -8.6400 -0.8332 ; ; 29.5660 -20.6800 29.5660 -16.5440 29.5660 -13.7867 A A A     = = =            5 6 -10.3680 -0.7599 -8.6400 -0.8332 ; 29.5660 -16.5440 29.5660 -13.7867 A A   = =        1 2 21.6000 10.8000 ; 57.8298 57.8298 B B   = =        3 4 7.2000 5.4000 ; 57.8298 57.8298 B B   = =        5 64.3200 3.6000; ;57.8298 57.8298B B     = =        1 2 3 -144.0000 16.6752 -144.0000 8.3376 -144.0000 5.5584 ; ; 0 1 0 1 0 1 C C C     = = =            4 5 6 -144.0000 4.1688 -144.0000 3.3350 -144.0000 2.7792 ; ; 0 1 0 1 0 1 C C C     = = =            -15-   =     =i iF D 60 0 1 2 21.6000 10.8000 E ; ; 57.8298 57.8298     = =        E 3 4 5 6 7.2000 5.4000 4.3200 3.6000 ; ; ; ; 57.8298 57.8298 57.8298 57.8298         = = = =                E E E E 3.4 Thiết kế bộ quan sát mờ Bộ quan sát mờ UIO của mô hình được biểu diễn dưới dạng 6 luật cơ sở tương ứng như xây dựng hệ suy diễn mô tả hệ thống. Bộ quan sát mờ thứ i (i=1,..,6) được biểu diễn dưới dạng luật như sau: Luật ℜ i: ( ) ( ) ( ) ( ) ( ) ˆ ( ) ( ) ( ) ˆ ˆ( ) ( ) = + +  = +  =  i i i i i i i i i i i i i i If z t is MF Then z t F z t T B u t K y t x t z t H y t y t C x t (3.25) Cấu trúc bộ quan sát mờ thứ i được mô phỏng trong chương trình Matlab Simulink ( Phụ lục 1). 3.5. Tính giá trị ngưỡng Lượng sai lệch r(t) được so sánh với các giá trị ngưỡng tương ứng để đưa ra kết luận về hệ thống có lỗi hay không có lỗi. Giá trị ngưỡng được tính cho từng thông số chẩn đoán trong trường hợp hệ thống không có lỗi. Giá trị ngưỡng được tính theo công thức th th d tJ J , ( )= Trong mô hình chẩn đoán này, lượng sai lệch r(t) là véc tơ gồm 2 thành phần: sai lệch của trị số gia tốc ngang ay và sai lệch của trị số tốc độ góc quay thân xe ψ. Giá trị ngưỡng sẽ được tính riêng cho từng thông số, cụ thể là: - Giá trị ngưỡng đối với gia tốc ngang ay: 20.25 /yathJ m s= ± - Giá trị ngưỡng đối với tốc độ góc quay thân xe ψ: 0.04 /thJ rad sψ = ± 3.6 Các trường hợp mô phỏng và phân tích các kết quả Các trường hợp chạy mô phỏng trên máy tính bao gồm: Trường hợp 1: Kiểm tra, đánh giá mức độ phù hợp giữa kết quả tính toán đầu ra của hệ thống suy diễn mờ so với kết quả tính toán đầu ra của hệ thống thực khi không lỗi (gọi tắt là hệ thống lấy mẫu). Trường hợp 2: Chạy chương trình tính các ma trận hệ số của các bộ quan sát mờ địa phương và đánh giá mức độ phù hợp giữa kết quả đầu ra của hệ thống lấy mẫu khi không lỗi với đầu ra của bộ quan sát sau khi được thiết kế. Trường hợp 3: Sử dụng bộ số liệu thu thập qua thí nghiệm trên xe để chẩn đoán TTKT cho hệ thống VSC trong các trường hợp hệ thống không có lỗi và có lỗi. Hình 3.10 trình bày quy luật đánh lái 1 sử dụng chạy mô phỏng. Các Hình 3.11,.., 3.16 trình bày các kết quả tính toán trị số gia tốc ngang, tốc độ góc quay thân xe của hệ suy diễn mô tả hệ thống so sánh với các trị số tính toán từ hệ thống thực với vận tốc quay vòng ổn định 20km/h. -16- Hình 3.11: Gia tốc ngang tính toàn từ hệ thống lấy mẫu Hình 3.12: Tốc độ góc qu