Professional Documents
Culture Documents
04-Cn-Pham Thanh Tung (27-34) 120
04-Cn-Pham Thanh Tung (27-34) 120
DOI:10.22144/ctu.jvn.2018.120
Phạm Thanh Tùng1*, Nguyễn Đình Tứ2, Lê Thị Kiều Mai1, Nguyễn Hứa Duy Khang2,
Đồng Văn Hướng3 và Nguyễn Chí Ngôn2
1
Trường Đại học Sư phạm Kỹ thuật Vĩnh Long
2
Khoa Công nghệ, Trường Đại học Cần Thơ
3
Trường Đại học Giao thông vận tải thành phố Hồ Chí Minh
*Người chịu trách nhiệm về bài viết: Phạm Thanh Tùng (email: tungpt@vlute.edu.vn)
ABSTRACT
Thông tin chung:
Ngày nhận bài: 18/05/2018 This paper is aimed to evaluate the performance of the Quasi-Newton in
Ngày nhận bài sửa: 31/07/2018 online training of an adaptive sliding mode control using radial basis
Ngày duyệt đăng: 29/10/2018 function neural networks. The controller is applied in trajectory tracking
of an Omni-directional mobile robot. The sliding mode control plays a
Title: role of tracking the trajectories of the robot reaching the references. The
Performance evaluation of the radial basis function neural networks are used to estimate nonlinear
Quasi-Newton algorithm in functions in the sliding mode control law which is calculated based on
adaptive sliding mode control the Lyapunov stability theory adapting to control conditions. The
using radial basis function simulation results in MATLAB/SIMULINK show that the Quasi-Newton
neural networks algorithm applying in the proposed controller is positive effect; the
responses of the robot converge to references without steady-state error;
Từ khóa: the overshoot is only 0.442 (%), and the mean square error
Điều khiển trượt thích nghi, approximates 3.48 x 10-4.
giải thuật Quasi-Newton, huấn
luyện trực tuyến, mạng nơ-ron TÓM TẮT
RBF, robot di động đa hướng Bài báo này nhằm đánh giá hiệu quả của giải thuật Quasi-Newton trong
huấn luyện trực tuyến bộ điều khiển trượt thích nghi sử dụng mạng nơ-
Keywords: ron RBF (radial basis function). Giải thuật này được ứng dụng trong
Adaptive sliding mode control, điều khiển bám quỹ đạo robot di động đa hướng. Bộ điều khiển trượt
Omni-directional mobile robot, đóng vai trò điều khiển robot bám quỹ đạo tham khảo. Mạng nơ-ron
online training, Quasi-Newton RBF được sử dụng để ước lượng các hàm phi tuyến trong luật điều khiển
algorithm, radial basis trượt, được tính toán dựa trên lý thuyết ổn định Lyapunov thích nghi với
function neural networks các điều kiện thực tế. Kết quả mô phỏng với MATLAB/SIMULINK cho
thấy giải thuật Quasi-Newton áp dụng trong bộ điều khiển đề xuất đạt
hiệu quả tốt; sai số xác lập của các đáp ứng bị triệt tiêu; độ vọt lố đạt
0.442 (%) và sai số trung bình bình phương xấp xỉ 3.48 x 10-4.
Trích dẫn: Phạm Thanh Tùng, Nguyễn Đình Tứ, Lê Thị Kiều Mai, Nguyễn Hứa Duy Khang, Đồng Văn
Hướng và Nguyễn Chí Ngôn, 2018. Đánh giá hiệu quả của giải thuật Quasi-Newton trong điều
khiển trượt thích nghi sử dụng mạng nơ-ron RBF. Tạp chí Khoa học Trường Đại học Cần Thơ.
54(7A): 27-34.
27
Tạp chí Khoa học Trường Đại học Cần Thơ Tập 54, Số 7A (2018): 27-34
b u D
*
kiếm x như (2): 2
b2 b 2 3 f
X k 1 X k k k f
T
x (2) AW BW U D f
k
28
Tạp chí Khoa học Trường Đại học Cần Thơ Tập 54, Số 7A (2018): 27-34
Với D f D fx D fy D f
T
là nhiễu hệ Trong đó, L: khoảng cách giữa bất kỳ bộ phận
và tâm trọng lực của robot (m); c: hệ số ma sát
thống chưa biết. nhớt cho bánh xe (kgm2/s); r: bán kính của mỗi
3c 2 Mr 2 bánh xe (m); I w : mô-men quán tính của mỗi bánh
a1 ; a2 ; xe quanh trục lái (kgm2); I v : mô-men quán tính
(3I w 2 Mr 2 ) (3I w 2 Mr 2 )
của robot (kgm2); k: hệ số truyền động; M: mô-men
3cL2 quán tính của hòn bi (kgm2).
a3
(3I w L2 I v r 2 ) 3.2 Điều khiển trượt thích nghi sử dụng
kr krL mạng nơ-ron RBF
b1 ; b2
(3I w 2 Mr ) 2
(3I w I v r 2 ) Cấu trúc của bộ điều khiển trượt thích nghi sử
dụng mạng nơ-ron RBF (ASMC-RBF: adaptive
1 3 sin cos ; 2 3 sin cos ; 3 sliding mode control – RBF) được mô tả như
Hình 1.
3 cos sin ; 4 3 cos sin
29
Tạp chí Khoa học Trường Đại học Cần Thơ Tập 54, Số 7A (2018): 27-34
các thông số đặc trưng của robot như: bán kính của é w 1jT h1j - w 2jT fd h2j 0 ùú
mỗi bánh xe (r), mô-men quán tính của robot (Iv) ê
và mô-men quán tính của hòn bi (M). AW = êê w 2jT h2j
w 1jT h1j 0 úú (15)
ê 0 0 w 3j h3j úúû
T
Thuật toán của mạng nơ-ron RBF như (10) êë
(Liu, 2013): Luật điều khiển trượt thích nghi dùng mạng nơ-
X c 2
ron RBF (ASMC-RBF) như (16):
hij exp
i ij
2
2bij
(10)
W {
b + (b + ke ) + h sign ( S ) (16)
U = -BW -1 A d }
i 1,3; j 1,5
Khi quỹ đạo thực tế của robot lệch khỏi quỹ
Cấu trúc mạng RBF được sử dụng để xấp xỉ đạo tham khảo do tác động của các điều kiện thực
thành phần fi trong ma trận AW như Hình 2: tế như ma sát mặt đường, mô-men quán tính thay
đổi,…. thì sai số (7) thay đổi. Khi đó, mạng RBF
sẽ được tự động cập nhật bằng giải thuật Quasi-
Newton, dẫn đến A cũng thay đổi theo sao cho sai
W
số (7) đạt giá trị tối thiểu. Ta nói luật điều khiển
(16) thích nghi theo điều kiện hoạt động của robot.
Để chứng minh tính ổn định của luật điều
khiển, ta cần chứng minh mặt trượt hội tụ về 0 theo
Lyapunov. Hàm Lyapunov được định nghĩa như
(17):
1 T
V S S 0 (17)
2
Hình 2: Cấu trúc mạng nơ-ron RBF xấp xỉ
thành phần fi Lấy đạo hàm của V ta có (18):
Trong đó, ( b - h sign ( S )
V = S T - AW )
X1 = S T (-G
b - h sign ( S )) (18)
Xi X2
= -S T (G
b + h sign ( S ))
X 3
(11)
e 1 e 1 1 1 d d
d 1
e 2 e 2 2 2 d 2 Yang and Cheng (2013) đã chứng minh V £ 0 .
d d
Trong đó, ma trận là ma trận đối xứng xác định
e 3 e 3 3 3 3
dương. Thêm vào đó, sai số e t sẽ hội tụ về 0
d d d
Ngõ ra fi như (14): fi wijT hij (14) 3.3 Thông số và kết quả mô phỏng
Thông số mô phỏng
Kết quả xấp xỉ ma trận AW sử dụng mạng nơ-
ron RBF dựa trên giải thuật Quasi-Newton như Thông số của robot được trình bày như Bảng 1:
(15):
30
Tạp chí Khoa học Trường Đại học Cần Thơ Tập 54, Số 7A (2018): 27-34
T
0.1347 0.7094 0.4588
0.2546 0.2970 0.9450
T Véc-tơ trọng số khởi tạo
w 1 j w 2j w 3 j 0.9174 0.7919 0.0617
ban đầu
0.8973 0.2517 0.5407
0.6460 0.0970 0.4458
i Số mạng RBF 3
j Số nơ-ron lớp ẩn của
5
mỗi mạng
-4
Newton (5.89 x 10 ) nhỏ hơn MSE của giải thuật
Kết quả mô phỏng
Gradient Descent (4.1 x 10-3). Ngoài ra, Hình 3 còn
Kết quả huấn luyện trực tuyến mạng nơ-ron cho thấy thời gian huấn luyện mạng RBF bằng giải
RBF với giải thuật Quasi-Newton được trình bày thuật BFGS nhanh hơn giải thuật Gradient Descent
như Hình 3 với MSE (Mean Square Error) được so truyền thống. Điều này có ý nghĩa lớn trong việc
sánh với giải thuật Gradient Descent. Qua Hình 3 cải thiện đáp ứng của bộ điều khiển, đặc biệt trong
ta thấy rằng, giá trị MSE của giải thuật Quasi- kỹ thuật huấn luyện trực tuyến bộ điều khiển.
31
Tạp chí Khoa học Trường Đại học Cần Thơ Tập 54, Số 7A (2018): 27-34
14
12
10
0
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
Time(s)
Hình 3: So sánh MSE của Quasi-Newton và Gradient Descent
32
Tạp chí Khoa học Trường Đại học Cần Thơ Tập 54, Số 7A (2018): 27-34
y(m)
0
-2
-4
-6
-6 -4 -2 0 2 4 6
x(m)
Hình 5: Đáp ứng quỹ đạo bộ điều khiển theo (20)
Bảng 4: Các chỉ tiêu chất lượng giữa Quasi-Newton và Gradient Descent
Gradient Descent Quasi-Newton
Đáp ứng Thời gian Thời gian
Độ vọt lố (%) Sai số xác lập Độ vọt lố (%) Sai số xác lập
tăng (ms) tăng (ms)
x 291.161 0.505 1.137 292.796 0.442 0.0552
y 292.845 1.368 0.0722 292.654 0.469 0.0434
y và ϕ so với giải thuật Gradient Descent được
Hiệu suất của giải thuật Quasi-Newton với tiêu
trình bày chi tiết trong Bảng 5.
chí RMS (Root Mean Square) của từng đáp ứng x,
Bảng 5: So sánh RMS và MSE của Quasi-Newton và Gradient Descent
Gradient Descent Quasi-Newton
Đáp ứng
RMS MSE RMS MSE
x 3.539 3.96 x 10-4 3.471 5.46 x 10-5
y 3.537 2.6 x10-3 3.538 9.4 x 10-4
-5
ϕ 1.815 5.53 x 10 1.815 4.98 x 10-5
Trung bình 2.9637 1 x 10-3 2.9413 3.48 x 10-4
MATLAB/SIMULINK cho thấy hiệu quả của giải
Qua Bảng 5, tiêu chí RMS của từng đáp ứng x,
thuật này với các chỉ tiêu chất lượng cũng như các
y và ϕ của giải thuật Quasi-Newton tương ứng là
tiêu chí RMS và MSE vượt trội hơn so với giải
3.471, 3.538 và 1.815; tiêu chí MSE là 5.46 x 10-5,
thuật Gradient Descent. Điều đó chứng tỏ giải thuật
9.4 x 10-4 và 4.98 x 10-5 vượt trội hơn so với giải
đề xuất phù hợp để điều khiển robot di động đa
thuật Gradient Descent. Điều này có ý nghĩa quan
hướng cũng như trong điều khiển hệ phi tuyến.
trọng trong huấn luyện trực tuyến bộ điều khiển.
Bởi lẽ, kỹ thuật này đòi hỏi vừa lấy mẫu dữ liệu TÀI LIỆU THAM KHẢO
vừa huấn luyện và điều khiển, cho nên việc cải
Likas, A. and Stafylopatis, A., 2000. Training the
thiện thời gian trong từng công đoạn, nhất là thời Random Neural Network using Quasi-Newton
gian huấn luyện có ý nghĩa quyết định đến chất methods. European Journal of Operational
lượng của bộ điều khiển. Research. 126(2): 331–339.
4 KẾT LUẬN Sharma, B. and K. Venugopalan, 2014. Comparison
of Neural Network Training Functions for
Trong bài báo này, giải thuật Quasi-Newton đã Hematoma Classification in Brain CT Images.
được sử dụng để huấn luyện trực tuyến mạng nơ- IOSR Journal of Computer Engineering (IOSR-
ron RBF trong bộ điều khiển trượt thích nghi robot JCE). 16(1): 31-35.
di động đa hướng. Kết quả mô phỏng với Mukherjee, I. and Routroy, S., 2012. Comparing the
Performance of Neural Networks Developed by
33
Tạp chí Khoa học Trường Đại học Cần Thơ Tập 54, Số 7A (2018): 27-34
using Levenberg – Marquardt and Quasi-Newton Mahmoud, O., Anwar, F., Jimoh, M. and Salami, E.,
with the Gradient Descent Algorithm for 2007. Learning Algorithm Effect on Multilayer
Modelling a Multiple Response Grinding Feed Forward Artificial Neural Network
Process. Expert Systems with Applications Performance in Image Coding. Journal of
39(3): 2397–2407. Engineering Science and Technology. 2(2): 188
Liu, J., 2013. Radial Basis Function (RBF) Neural – 199.
Network Control for Mechanical Systems. Djebrani, S.A., Benali, A. and Abdessemed, F.,
Springer, 374 pages. 2012. Modelling and control of an
Watanabe, K., 1998. Control of an omnidirectional omnidirectional mobile manipulator. Int. J. Appl.
Mobile Robot. Second International Conference Math. Comput. Sci.. 22(3): 601–616.
on Knowledge-Based Intelligent Electronic Burney, S.M.A., Jilani, T.A. and Ardil, C., 2007. A
Systems: 51 - 60. Comparison of First and Second Order Training
Sadeghi, M., Pashaie, M., and Jafarian, A., 2016. Algorithms for Artificial Neural Networks.
RBF Neural Networks Based on BFGS International Journal of Computer, Electrical,
Optimization Method for Solving Integral Automation, Control and Information
Equations. Advances in Applied Mathematical Engineering. 1(1): 145 – 151.
Biosciences. 7(1): 1-22. Yang, Y.C. and Cheng, C.C., 2013. Robust adaptive
Relhan, N., Jain, M., 2012. Analysis of Optimization trajectory control for an Omnidirectional vehicle
Techniques for Feed Forward Neural Networks with parametric uncertainty. Transactions of the
Based Image Compression. International Journal Canadian Society for Mechanical Engineering.
of Computer Science and Information 37(3): 405 – 413.
Technologies. 3(2): 3291-3294.
34