Professional Documents
Culture Documents
net/publication/320880962
CITATIONS READS
0 2,358
1 author:
Thiem V. Pham
Université de Reims Champagne-Ardenne
22 PUBLICATIONS 24 CITATIONS
SEE PROFILE
Some of the authors of this publication are also working on these related projects:
All content following this page was uploaded by Thiem V. Pham on 06 November 2017.
Tóm tắt: Bài báo trình bày một cách thiết kế bộ điều khiển thích nghi mờ dựa
theo mô hình mẫu kết hợp mạng neuron để điều khiển cho các hệ cơ điện tử đủ cơ
cấu chấp hành được mô tả dưới dạng phương trình Euler -Lagrange. Bộ điều khiển
đề xuất dựa trên ý tưởng tìm các tham số tối ưu tập mờ đầu vào của bộ điều khiển
mờ theo Takagi và Sugeno dựa trên mạng neuron, và sau đó thích nghi on-line các
tham số của tập mờ đầu ra dựa trên thuật toán thích nghi được thiết kế theo lý
thuyết Lyapunov. Tính bám ổn định một quỹ đạo cho trước, cũng như tính hội tụ của
thuật toán vừa được chứng minh bằng lý thuyết và vừa được kiểm chứng cả bằng
mô phỏng và thực nghiệm trên đối tượng thực, robot RD5NT 5 bậc tự do.
Từ khóa: Lyapunov, Thích nghi mờ, Mạng neuron, Mô hình mẫu, Euler-lagrange, Robot RD5NT 5DOF.
1. ĐẶT VẤN ĐỀ
Một trong các ứng dụng điều khiển thụ động được nhắc tới nhiều nhất trong những
năm gần đây là điều khiển hệ Euler – Lagrange [1]. trong khuôn khổ của bài báo, tác giả
đề cập đến hệ Euler – Lagrange đủ cơ cấu chấp hành. Đó là hệ của vector trạng thái q và
đạo hàm của nó được mô tả bởi:
u M(q)q C(q, q )q Dq G(q) S sgn(q ) (1)
u R m : vector tín hiệu điều khiển.
M(q) : Ma trận Moment quán tính thỏa mãn tính chất M(q) M(q)T 0, q R m .
C(q, q ) : Ma trận Coriolis và quán tính ly tâm ; G(q) : Ma trận trọng lực.
D : Ma trận đường chéo ma sát nhớt.; S : Ma trận đường chéo ma sát Coulumb.
Mục đích điều khiển hệ (1), bám ổn định quỹ đạo cho trước q d (t ) (tồn tại một tín hiệu
đặt u d là nghiệm của (1)), gọi là quỹ đạo mẫu, theo nghĩa là:
lim e(t ) 0 , e(t ) là hữu hạn (2)
t
với e(t ) qd q được định nghĩa là sai lệch bám.
Khi đó, từ (2) ta luôn luôn chuyển bài toán điều khiển bám ổn định về bài toán điều
khiển ổn định tiệm cận tại gốc tạo độ cho hệ sai số:
e fe (e, qd ) (3)
Lúc đó ta hoàn toàn có thể dùng lý thuyết Lyapunov II để thiết kế bộ điều khiển ổn
định tiệm cận toàn cục (GAS) đối hệ phi tuyến dừng hoặc định lý LaSalle cho hệ phi tuyến
không dừng. Trong [2, 3, 4, 5, 6] đã giới thiệu gần như đầy đủ các phương pháp điều khiển
cho hệ với giả thiết rằng các tham số của hệ thống là biết trước. Trong bài báo này, chúng
tôi giả thiết rằng các tham số của đối tượng là chưa biết, do vậy logic mờ sẽ được sử dụng
để thiết kế bộ điều khiển.
Tuy nhiên, đối với bộ điều khiển mờ, với giả thiết rằng biết trước luật điều khiển, phương
pháp mờ hóa và phương pháp giải mờ, khó khăn gặp phải trong quá trình thiết kế là:
Chọn khoảng biến thiên đầu vào/ ra của bộ điều khiển như thế nào. Chọn hình dáng, và
các đỉnh của hàm liên thuộc, miền xác định của hàm liên thuộc như thế nào? Sao cho chất
lượng của hệ thống thỏa mãn (2).
Để giải quyết các khó khăn trên, tác giả xin đề xuất phương pháp kết hợp bộ điều khiển
thích nghi mờ theo mô hình mẫu dựa trên lý thuyết Lyapunov với bộ điều khiển mờ -
noron.
2. NỘI DUNG THIẾT KẾ
Chọn quá trình giải mờ theo phương pháp điểm trọng tâm, luật hợp thành theo SUM-
PROD ta được [7]:
u(e | ) T e (4)
n
Aj (e j )
e
j 1
trong đó: i 11 ... in 1 u
T N1 Nn (i 1..in ) ij
(5)
i11 ... in 1
N1 Nn
j 1 Aj (e j )
n
ij
Bộ điều khiển mờ dạng MISO theo Takagi và Sugeno (4) được chia thành 2 thành phần
bao gồm các tham số của các tập mờ đầu ra là u (i 1..in ) , và thành phần e gồm các
T
Nội dung của phương pháp đề xuất bao gồm 2 phần chính:
Tham số của các tập mờ đầu vào A (e j ) trong thành phần (e) được tối ưu hóa dựa
j
ij
trên mạng neuron sao cho: E ud u / 2 min và quá trình này là off-line.
2
Tham số của tập mờ đầu ra u (i 1..in ) trong thành phần T được cập nhật thích nghi theo mô
hình mẫu dựa trên lý thuyết Lyapunov. Quá trình này là on-line.
2.1. Xác định tham số tối ưu cho tập mờ đầu vào
Để xác định các tham số tối ưu của các tập mờ đầu vào, bộ điều khiển mờ (4) được
trình bày như cấu trúc mạng neural truyền thẳng.
Layer 1. Lớp đầu vào, mỗi neuron thứ ith có một tín hiệu đầu
vào e (e1 e2 ,...,en )T U . Mỗi thành phần là một hàm liên thuộc, A (x j ) . Các j
ij
tham số của lớp đầu vào được cập nhật dựa trên thuật toán lan truyền ngược
Layer 2. Mỗi thành phần Rij là một phép nhân: z l j 1 A (e j )
n
j (6)
ij
đổi tham số của hàm liên thuộc đầu vào sao cho sai lệch giữa đầu ra mong muốn và đáp
1 1
ứng đầu ra là nhỏ nhất: E ud u(e | ) ud T e min
2 2
(8)
2 2
hàm liên thuộc của đầu vào dạng hàm Gaussian A (e j ) exp (e j cijj )2 / 2(ijj )2
j
ij
trong đó các tham số của hàm liên thuộc là cijj , và ijj được cập nhật theo Gradient sau:
Tạp chí Nghiên cứu KH&CN quân sự, Số Đặc san ACMEC, 07 - 2016 61
Điều khiển – Cơ điện tử - Truyền thông
E E
cijj (t 1) cijj (t) c j
ijj (t 1) ijj (t) (9)
c (ei )
ij
ijj (ei )
Sai lệch giữa mô hình mẫu và mô hình đối tượng được xác định như sau:
0 0 0
e = A e e b u p u * ; A e A m A ; b (11)
a1 a 2
1
Vì các tham số của hệ là không biết trước, hoặc không thể xác định được, đồng nghĩa
với các ma trận M -1 q u C q, q q Dq G q S sgn q là không biết trước. Do
vậy ta sẽ thay bộ điều khiển u p bằng bộ điều khiển mờ u(e | ) u p trong (4). Để cập nhật
thích nghi các tham số đầu ra của bộ điều khiển mờ, ta định nghĩa vector tham số tối ưu:
* arg min[
sup u e u * ]
R x Rn
(12)
Ta có phương trình sai lệch được viết lại như sau: e Ae e b(* )T (x ) (13)
1 b *
T
Chọn phương trình Lyapunov như sau: V eT Pe * (14)
2 2
2
Hình 1. Cấu trúc của hệ thống thích nghi dựa trên mô hình mẫu
kết hợp mạng neuron (AFMR-NN).
Các tham số của hàm liên thuộc đầu vào, cụ thể, cijj , và ijj được chỉnh định dựa trên
mạng neuron dựa trên tập dữ liệu vào ra của bộ điều khiển mờ. Từ đó sử dụng thuật toán
Gradient để tìm các tham số tối ưu cij* j , và ij*j . Với các tham số tối ưu vừa tìm được của các
hàm liên thuộc đầu vào, ta tiến hành chỉnh định on-line các tham số của hàm liên thuộc
đầu ra dựa trên luật thích nghi (16) như hình 1. Do vậy, phải mất một đến 2 chu kỳ điều
khiển thì đầu ra của hệ, cụ thể, là giá trị các biến khớp q mới đạt đến giá trị đặt tức là đảm
bảo được điều kiện: lim e(t ) 0 , và khi đạt được điều này bộ điều khiển có nhiệm vụ giữ
t
đầu ra của đối tượng luôn bám theo quỹ đạo đặt với mọi sự tác động của nhiễu.
Tạp chí Nghiên cứu KH&CN quân sự, Số Đặc san ACMEC, 07 - 2016 63
Điều khiển – Cơ điện tử - Truyền thông
như sau:
Bước 3: Lựa chọn mô hình
mẫu
0 I 0
x m x u *
1 1.4 m 1
Ta thấy, quỹ đạo của biến
khớp bám theo quỹ đạo đặt
(theo mô hình mẫu) sau
khoảng gần 2 chu kỳ. Sau đó
thì bộ điều khiển mờ thích
nghi luôn đảm bảo điều kiện
lim e(t ) 0 . Hình 4. Đáp ứng quỹ đầu ra của biến khớp 1 và 2.
t
4. KẾT LUẬN
Bài báo đã trình chi tiết cách xây dựng bộ điều khiển mờ thích nghi dựa trên mô hình
mẫu kết hợp với mạng neuron. Tính hội tụ của thuật toán được chứng minh dựa trên lý
thuyết Lyapunov và thông qua việc mô phỏng dựa trên phần mềm Matlab-Simulink. Hơn
nữa, tác giả tiến hành thực nghiệm trên thiết bị thực, robot RD5NT 5 bậc tự do, kết quả
chứng minh rằng sau một khoảng thời gian hữu hạn sai lệch giữa đầu ra của biến khớp và
đầu ra của mô hình mẫu tiến tới tiệm cận gốc tọa độ 0 hay đảm bảo tính ổn định tiệm cận
toàn cục GAS của hệ kín. Cuối cùng, tác giả hy vọng rằng đây là một cách để thiết kế bộ
điều khiển cho các đối tượng không tham số hoặc cho các đối tượng rất khó trong việc mô
hình hóa và xác định tham số chính xác.
TÀI LIỆU THAM KHẢO
[1]. Astolfi, A and Marconi, L:, “Analysis and Design of Nonlinear Control Systems”,
Springer Verlag, 2008.
[2]. Nguyễn Doãn Phước, “Lý thuyết điều khiển tuyến tính”, NXB KHKT, 2009.
[3]. Krstic, M., Kokotovic, P, “Nonlinear and Adaptive Control Design”, John Wiley &
Sohn Inc, 1995.
[4]. John J. Craig, “Introduction Robotics Mechanics and Control”, Addison – Wesley
Publishing Company, 1989.
[5]. Nguyễn Doãn Phước, “Phân tích và điều khiển hệ phi tuyến”, NXB KHKT, 2012.
[6]. Orega, R; Loria, A, “Passive-based Control of Euler-Lagrange System”, Springer
Verlag, 1998.
[7]. L.X. Wang, “Stable Adaptive Fuzzy Control of Nonlinear Systems”, IEEE
Transactions on Fuzzy Systems, Vol.1, Issue 2, 1993.
ABSTRACT
DESIGN THE ADAPTIVE FUZZY CONTROLLER VIA REFERENCE MODELS AND
NEURAL NETWORK FOR MECHATRONIC SYSTEM
In this paper, an adaptive fuzzy controller via reference model combined with
neural networks to control for mechatronic systems with fully-actuated described in
Euler-Lagrange equation is presented. The controller is based on the ideas that find
the optimal parameters of the input fuzzy sets of fuzzy controller according to
Takagi and Sugeno which based on the neural networks, and adapt to on-line
parameters of output fuzzy sets via an adaptive algorithm designed by Lyapunov
theory. The stable following of previous trajectory, as well as the convergence of the
algorithm has been proved by theory and has been tested both in simulations and
experiments on real objects, robot RD5NT 5 degrees of freedom.
Keywords: Lyapunov, Direct adaptive fuzzy logic control, Neuron, Reference model.
Tạp chí Nghiên cứu KH&CN quân sự, Số Đặc san ACMEC, 07 - 2016 65