iLi cam đoan Tôi xin cam đoan đây là công trình nghiên cu ca cá nhân tôi di s hng
dn ca tp th các nhà khoa hc và các tài liu tham kho đã trích dn. Kt qu
nghiên cu là trung thc và cha đc công b trên bt c mt công trình nào khác.

Tác gi Lê Th Thu Hà
iiLi cm n Trong quá trình làm lun án, tôi đã nhn đc rt nhiu góp ý v chuyên môn


iii
Mc lc

Các ký hiu đc s dng vi
Bng các ký hiu vit tt vii
Bng danh mc các hình v viii
PHN M U 1
Tng quan v các phng pháp điu khin h truyn đng 1
c đim bài toán điu khin h truyn đng 1
Các phng pháp điu khin hin có 2
V tính cp thit, mc đích và nhim v ca đ tài 13
Tính cp thit ca đ tài 13
Mc tiêu nghiên cu 15
i tng và phm vi nghiên cu 16
Ý ngha khoa hc và thc tin ca đ tài 17
Nhng đóng góp ca lun án 17
Cu trúc ca lun án 18
CHNG 1: C S LÝ THUYT IU KHIN THÍCH NGHI BN VNG PHI
TUYN 20
1.1 Gii thiu chung 20

2.3.1 Mô hình toán  ch đ xác lp 54
2.3.2 Mô phng trên MatLab 55
2.4 Kt lun 57
CHNG 3: IU KHIN THÍCH NGHI VÀ BN VNG H TRUYN NG
QUA BÁNH RNG 59
3.1 iu khin m thích nghi theo mô hình mu 59
3.1.1 Xây dng c cu bù theo nguyên tc cân bng vi mô hình mu 59
3.1.2 Thit k b điu khin m thích nghi cho h đã đc bù bt đnh 61
3.1.3 Kt qu mô phng trên MatLab 64
3.2 iu khin thích nghi bn vng trong không gian trng thái 65
3.2.1 Xây dng b điu khin bám thích nghi bn vng trên nn điu khin trt
và gi đnh rõ cho h phi tuyn truyn ngc cht 65
3.2.2 ng dng cho h truyn đng qua bánh rng 71
3.2.3 Kt qu mô phng trên MatLab 74
3.3 iu khin thích nghi bn vng vi phn hi tc đ 79
3.3.1 Mô hình phn hi tc đ 79
3.3.2 Thit k b điu khin thích nghi bn vng 79
3.3.3 Kt qu mô phng trên MatLab 80
3.4 Kt lun 87
CHNG 4: XÂY DNG MÔ HÌNH VT LÝ H TRUYN NG QUA BÁNH
RNG VÀ CÁC KT QU THC NGHIM 89
4.1 Xây dng mô hình thc nghim 89
4.1.1 Máy tính Pentum IV - phn mm Matlab 7.0.4 và phn mm ControlDesk
Version 5.0 90
4.1.2 Card điu khin DS1104 90

v
4.1.3 Driver Servo motor Midi-Maestro 140x14/28 92
4.1.4 ng c, khp ni hai bánh rng và ti 92
4.2 Kt qu thí nghim vi b điu khin PID 93

uuu
Vector các tín hiu đu vào (tín hiu điu khin)
()
()
1
1
( ) ( ), , ( )
() (), , ()
T
n
T
m
ff
gg
=
=
…
…
fx x x
gx x x

Các vector hàm mô t h thng
(,)dtx
Hàm s bt đnh
(, , )Buu
τ
τ
=



p
θθ
=∈R…
θ
Vector các tham s hng bt đnh
1
(), , ()
μ
μ
…
n
XX
xx
Ký hiu các hàm thuc mô t tp m
112 2
,
ω
ϕω ϕ
==


Vn tc góc ca các bánh rng
01 1
,
L
rr
Bán kính trong và ngoài ca bánh rng
12
, zz
S rng ca các bánh rng

H
…
…
T
m
T
n
xgx gx
xhx hx

Ma trn hàm vii
Bng các ký hiu vit tt
BIBS H có tín hiu vào b chn - trng thái b chn (bounded inputs - bounded states)
LTI H tuyn tính tham s hng (linear time-invariant systems)
ISS H n đnh vào-trng thái (input to states stable)
K

Tp các hàm thc (), 0rr
γ
≥ đn điu tng và có giá tr nh nht bng 0 ti 0,
tc là
(0) 0
γ
=
∞
K
Tp các hàm thc (), 0rr

KL
Tp các hàm thc hai bin
(,), 0, 0rt r t
β
≥≥
mà khi t c đnh thì thuc
∞
K
và
khi r c đnh thì thuc L
O
Min n đnh
GAS H n đnh tim cn toàn cc (global asymptotic stable)
LF Hàm Lyapunov (Lyapunov function)
CLF Hàm điu khin Lyapunov (Control Lyapunov function)
Z
Tp các đim trng thái không điu khin đc, tc là tp các đim trng thái mà
ti đó tín hiu điu khin không thay đi đc hng ca qu đo trng thái.
H
Min hp dn (attractor)
SISO H mt đu vào-mt đu ra (single input - single output system)
MIMO H nhiu đu vào-nhiu đu ra (multi inputs - multi outputs system)
BSB
Mng neural brain-states-in-a-box, là mng có khâu chuyn đi tuyn tính dng
quán tính bc nht và khâu phi tuyn dng tuyn tính bão hòa.
viii
Bng danh mc các hình v

Hình 1.2: Minh ha nguyên tc ca certainty equivalence
30
Hình 1.3: Minh ha nguyên tc thích nghi theo mô hình mu
32
Hình 1.4: Cu trúc ca h m
36
Hình 1.5: Mô t các hàm thuc ca b xp x m
37
Hình 1.6: Cu trúc mng neural [ 1]
38
Hình 1.7: iu khin h truyn đng bng b điu khin m thích nghi
40
Hình 2.1: Mt s dng h truyn đng qua bánh rng
43
Hình 2.2: H nhiu cp bánh rng là h truyn ngc ca nhiu h mt cp bánh rng
48
Hình 2.3: Cu trúc vt lý ca h truyn đng qua mt cp bánh rng
49
Hình 2.4: Minh ha các đnh lut cân bng gia cp bánh rng
50
Hình 2.5: S đ đng lc hc
51
Hình 2.6: Thit lp phng trình đng lc hc khi hai bánh rng n khp
51
Hình 2.7: Mô t trng thái hai bánh rng  vùng cht ca khe h
53
Hình 2.8: S đ khi mô t h truyn đng qua bánh rng vi mô hình (2.12)
56
Hình 2.9: nh hng ca các thành phn đ xon, ma sát, hiu ng khe h ti cht lng
truyn đng

76
Hình 3.14: Cu trúc h con theta_g_estimate trong b điu khin  hình 3.11
76
Hình 3.15: Kt qu chnh đnh các tham s
f

θ

77
Hình 3.16: Kt qu chnh đnh tham s
g
θ


78
Hình 3.17: Kt qu tín hiu đu ra thc
1 2
x
ϕ
=
ca h và tín hiu mu w
78
Hình 3.18: Sai lch bám gia tín hiu đu ra thc
1 2
x
ϕ
=
và tín hiu mu w
78
Hình 3.19: S đ mô phng h điu khin cho h truyn đng bánh rng


84
Hình 3.26: So sánh tham s bt đnh [2]
f
θ
vi tham s chnh đnh [2]
f
θ


84
Hình 3.27: So sánh tham s bt đnh [1]
f
θ
vi tham s chnh đnh [1]
f
θ


85
Hình 3.28: Mô phng kh nng bám tín hiu mu khi tham s bt đnh thay đi theo t
86
Hình 3.29: So sánh tham s bt đnh
[3]( )
f
t
θ
vi tham s chnh đnh
[3]( )
f

89
Hình 4.2: Giao din hin th
90
Hình 4.3: Card điu khin DSP 1104
91
Hình 4.4: B bin đi công sut
92
Hình 4.5: Driver DC servo motor
92
Hình 4.6: ng c, khp ni bánh rng và ti
92
Hình 4.7: Bàn thí nghim phn ngun, kt ni và máy tính điu khin
93
Hình 4.8: Mô hình thc nghim khi cha có b điu khin
94
Hình 4.9: Tc đ
2
ϕ

khi cha có b điu khin
94
Hình 4.10: Tc đ
2
ϕ

khi cha có b điu khin trong thi gian 5s
94
Hình 4.11: Tc đ
2
ϕ

97
Hình 4.16: Cu trúc b PI m (m hóa và surface)
97
Hình 4.17: Tc đ
2
ϕ

khi có tín hiu tc đ đt
(
)
( ) 200 sinwt t
π
=
98
Hình 4.18: Tc đ
2
ϕ

khi có tín hiu tc đ đt
(
)
() 50sin 2wt t
π
=
98
Hình 4.19: Mô hình thc nghim vi b PI m và khâu chnh đnh thích nghi
99
Hình 4.20: Tc đ
2
ϕ

103
Hình 5.2:  xut gim hin tng rung trong h bng vic b sung khâu m xác đnh xp
x hàm phi tuyn bt đnh
103
Hình 5.3:  xut điu khin tuyn tính gán đim cc vi b xp x m vn nng
104
Hình 5.4: C cu chp hành gm bin tn và đng c là mt phn ca đi tng điu
khin
105
1
PHN M U Tng quan v các phng pháp điu khin h truyn đng
c đim bài toán điu khin h truyn đng
Theo Meriam-Webster thì h truyn đng đc hiu là mt tp hp các c cu
ghép ni c khí phc v bin đi tc đ, moment. Các h truyn đng này có th có
nhiu dng cu trúc c hc khác nhau, chng hn nh c cu xích, khp ly hp, c cu
trc dn, c cu bánh rng H truyn đng luôn tn ti trong các h bin đ
i và
truyn ti nng lng [ 53]. Hình 0.1 cho ta mt cách nhìn trc quan v mt s h
truyn đng qua trc hay bánh rng thng gp.
Hình 0.1a) là mt h truyn đng đin đn gin gm mt đng c phát công sut
đin (đng c to moment dn đng), mt trc truyn đng dn công sut t đng c
đin ti ti và mt đng c quay gi vai trò ca ti. Còn li,  hình 0.1b) là c cu
truyn đng qua cp bánh rng đ truyn moment quay và thay đi vn tc góc quay.


− Th nht, h truyn đng là mt h phi tuyn, không t sinh ra nng lng (h
th đng). Nó luôn có th mô t đc bng mô hình Euler-Lagrange.
− Th hai, h luôn cha nhng thành phn rt khó xác đnh đc mt cách chính
xác trong mô hình. in hình ca các thành phn đó là các moment ma sát trên
nhng trc truyn đng, moment ti, đ không cng vng tuyt đi ca vt liu
làm trc truyn đng hoc bánh rng và s không chính xác trong ch to c khí
hoc s mài mòn ca vt liu to ra các khe h
gia nhng khp truyn đng khi
ni vi nhau.
Nhìn chung, nhim v điu khin bám n đnh vn tc hay qu đo góc ca c
cu chp hành trong các h truyn đng ca máy t hp nói chung là mt bài toán
đng lc hc rt phc tp. Nó ph thuc nhiu yu t nh: Ngun nng lng dn
đng, lc hoc moment c
n, moment ma sát, bôi trn, khe h, đ đàn hi ca các khâu
và đ cng vng ca toàn h thng cng nh các yu t môi trng. c bit đi vi
các máy t hp sau mt thi gian làm vic các yu t tác đng k trên là nhng yu t
ngu nhiên, khó lng trc và nó thay đi theo thi gian dn ti mt n đnh đng
lc hc. Mt n đnh đng lc hc là trng thái nguy him nht xy ra khi tn s lc
kích đng có giá tr bng hoc xp x vi tn s dao đng riêng ca h. Khi mt quá
trình gia công b ri vào trng thái mt n đnh thì biên đ dao đng ca h rt ln,
làm cho h thng rung đng mnh, gây n và gim đ chính xác cng nh cht lng
ca sn phm. Vì vy điu khin bám n đnh tc đ ca c cu chp hành là nhim v
hàng đu đang đc đt ra cho các nhà tích hp h thng điu khin h truyn đng
nói chung và h truyn đng qua bánh rng nói riêng.
Các phng pháp điu khin hin có
Trong bài toán điu khin h truyn đng, bên cnh vic có đc kh nng bám
n đnh theo qu đo góc quay đt trc, ngi ta còn phi rt quan tâm ti nhng vn
đ nâng cao cht lng h thng, bao gm:
1. Vic n đnh tc đ ca các c cu chp hành.
2. Gim thiu ti đa các dao đng sinh ra t đ xon ca các trc truyn moment.

và bn vng làm vic theo c ch phn hi.
iu khin vi mô hình xp x tuyn tính bng b điu khin PI: ây là phng pháp
ph thông nht và trc đây cng đc s dng nhiu nht [ 17, 30].
Phng pháp này ch s dng đc nu nh h truyn đng là mô t xp x tuyn
tính đc di dng tuyn tính tham s hng, tc là mô t xp x đc bng hàm
truyn
()Gs
. Khi đó b điu khin đc s dng là b điu khin PI có hàm truyn:

1
() 1
p
I
Rs k
Ts
⎛⎞
=+
⎜⎟
⎝⎠
(0.1)
vi h s khuch đi
p
k và hng s thi gian tích phân
I
T . Công vic thit k b điu
khin  đây đc hiu là phi xác đnh hai tham s ,
pI
kT này sao cho h đt đc
nhng cht lng đng hc yêu cu đã nêu  trên.


xung quanh đim làm vic, song không phi bi hàm truyn ()Gs mà là bi mô hình
trng thái tng đng (thng là mô hình trng thái chun điu khin):

AB=+

xxu
(0.2)
vi
()
1
, ,
T
n
xx= …x là vector các bin trng thái
1
, ,
n
xx… ca h,
()
1
, ,
T
m
uu…u =
là vector các tín hiu đu vào
1
, ,
m
uu… và s m
T

kT

Hình 0.2: iu khi

n h truyn
đng lý tng bng
b điu khin PI

5
Vi vic s dng PI phn hi trng thái (0.3) thay cho (0.1) ngi ta đã có th có
thêm c hi chnh đnh thích nghi cho tham s b điu khin nhm nâng cao hn na
tính bn vng ca h thng điu khin. Mt s phng pháp điu khin PI phn hi
thích nghi b sung thêm này đã đc gii thiu khá chi tit  các tài liu [
26, 44] mà
ngi ta vn gi là b điu khin PI t chnh (PI selft tuning).
Song theo [ 18] thì vic ch s dng PI t chnh thích nghi không đ đ làm gim
dao đng xon trên trc mt cách hiu qu. Chính vì th ngi ta đã tìm cách b sung
thêm cùng vi PI t chnh thích nghi các b điu khin phn hi trng thái đc tng
hp vi lý thuyt điu khin hin đi.
iu khin h truyn đng có khe h: Các phng pháp điu khin tuyn tính đng
nhiên ch áp dng đc cho h tuyn tính. Mun áp dng cho h phi tuyn ta phi
tuyn tính hóa xp x mô hình phi tuyn ca nó xung quanh các đim làm vic. iu
đó dn ti cht lng h thng thu đc ch có th đc đm bo trong mt lân cn
nh xung quanh đim làm vic cng nh h thng không có quá trình quá đ nhanh.

u



a
a
−
u
τ
a)
b)
Hình 0.3: Bn cht ca khe h và
mô hình nghch đo ca
khe h

6
mòn ca vt liu trong quá trình làm vic và cng có th bi k thut gia công ch to
vt liu không đ chính xác. Khe h là nguyên nhân gây ra ting n và rung lc ca h
truyn đng trong quá trình vn hành, dn ti gim tui th ca thit b, máy móc.
Xác đnh khe h và điu khin loi b s nh hng ca khe h ti cht lng
truyn đng là bài toán thng gp nht trong các bài toán điu khin h truyn đng.
Khe h có mô hình toán nh sau (hình 0.3a, [ 46]):

khi 0 và ( )
( , , ) khi 0 và ( )
0 ngoài ra
mu u m u a
Buu u mua
τ
ττ τ

−
=




(0.5)
vi s đ điu khin h cho  hình 0.4, đ h đó có đc quan h vào ra dng lý tng
tuyt đi:
u
τ
=

(0.6)

Hình 0.5: iu khin bù khe h bng mô hình ngc và b điu khin PI
u

u
τ

u



mt công trình nghiên cu nào đ tng quát v vic đánh giá cht lng h thng theo
các hàm ngc đó. Bi vy có th nói k thut điu khin bng hàm ngc là không
kh thi trong thc t.
Trên c s suy lun nh vy, nhiu công trình đã đc công b cho vic thay
hàm ngc (0.5) bng vic xp x nó nh h m hay mng neural nh mô t  hình
0.6. Có th lit kê mt s công trình đó là [ 11, 26, 38, 46, 48]. Hình 0.6: iu khin bù khe h bng mng neural
Mc dù vy nhng phng pháp điu khin bù xp x này cng có mt hn ch
ca nó. ó là:
− Vic xp x hàm phi tuyn nh mng neural hay h m ch có th có đc kt
qu xp x vi sai lch nh tùy ý trong min gii hn cho phép, nu nh hàm phi
tuyn cn đc xp x đó là liên tc. Gi thit này ta có th d dàng thy ngay
H truyn đng có khe h
u
τ
y
H truyn
đng lý
tng

Khc phc nhc đim trên ca vic bù thành phn nghch đo (0.5) ca hàm phi
tuyn không liên tc, không tng minh (0.4), xu hng nhn dng online tham s mô
hình khe h (0.4) cng đã đc hình thành. Kt qu ca bài báo [
49] là mt ví d. Tuy
nhiên kt qu đó cng mi ch dng li  mc cha trn vn vi nhiu vn đ lý
thuyt v tính hi t ca thut toán còn dang d. Kt qu mô phng trong [ 49] mà  đó
không cn s dng ti phn chng minh còn thiu v tính hi t ca thut toán, mc
dù là chp nhn đc, song cha nói lên đc kh nng ng dng ca nó trong điu
khin bù khe h vi h phi tuyn, vì nó mi ch dng li cho h truyn đng có mô
hình tuyn tính tham s hng di dng hàm truyn ()Gz .
Hình 0.7: Nâng cao cht lng bù khe h nh mng neural bng chnh đnh thích nghi
Nh vy có th nói rng so vi vic bù bng mô hình ngc, vic bù bng mng
neural không th bù hoàn toàn đc ht hiu ng ca khe h. Do đó, mc dù đã đc
H truyn đng có khe h
u
τ
y
H truyn


to ra bi mng neural đ bù khe h là không c đnh. Bi vy đ nâng cao cht lng
bù khe h bng mng neural xp x ging đc nh cht lng bù bng mô hình
ngc, ngi ta đa thêm vào thành phn chnh đnh thích nghi tham s PI nh mô t
 hình 0.7.
iu khin h truyn đng có khe h, ma sát và đ đàn hi: Theo [ 17, 42] thì phn ln
h truyn đng có khe h luôn tách đc thành hai khâu phi tuyn mc ni tip gm
khâu mô t khe h đng trc và mt khâu phi tuyn dng affine truyn ngc cht
(,)
τ
=

xfx đng phía sau (hình 0.6), tc là khâu phi tuyn truyn ngc cht này luôn
bin đi v đc dng:

1
khi 1 1
() (,) ()
kk
n
xx kn
xf dtg
τ
+
=≤≤−
⎧
⎨
=+ +
⎩


u
τ
y
H truyn
đng lý
tng
B điu khin
phn hi
trng
thái
d
x
e
1
s
x

10
điu khin bù khe h cho h truyn đng bng phn hi trng thái đc mô t  hình
0.9.


H truyn
đng lý
tng
B điu khin
phn hi
trng
thái
d
x
e
1
s
x
Nhn dng
moment ma sát
và moment xon

11
Tài liu [ 45] đã gii thiu phng pháp s dng b quan sát Kalman thích nghi phi
tuyn đ minh ha cho kh nng quan sát trng thái h truyn đng phi tuyn. Tuy
nhiên, vic s dng quan sát Kalman phi tuyn nói chung, còn có tên gi là Kalman
m rng, và Kalman phi tuyn thích nghi nói riêng, là không đc khuyn cáo trong
điu khin phi tuyn phn hi trng thái [
13, 7, 40] bi:
− Th nht, đó là tc đ hi t ca quan sát Kalman m rng ph thuc rt nhiu
vào vic chn đim trng thái đu cho b quan sát.
− Th hai, đó là tính tha mãn nguyên lý tách ca Kalman m rng khi kt hp
vi b điu khin phn hi trng thái là cha đc đm bo.
Hình 0.11 biu din mô hình xp x tuyn tính ca h truyn đng đc s dng
vi phng pháp điu khin MPC trong [ 38], trong đó:

12
,
ω
ω
: tc đ ca đng c dn đng và ca ti

12
,
mm
TT: hng s thi gian quán tính ca đng c dn đng và ca ti

2
, um: moment ca đng c dn đng và ca ti,
α
góc ca khe h

2
ω

2
ω
u
1
ω
2
m
2
α
α
−
α
α
−
α
c
d
1
ω

1
1
m
Ts
2
1
m

…
(0.9)
t vic cc tiu hóa hàm mc tiêu:

()
2
( , ) min , 0,
kN
ii ii i
ik
Qawg a i
+
=
=− →>∀
∑

xu (0.10)
sau đó s dng giá tr
k
u

tính đc đu tiên làm tín hiu điu khin. Quy trình trên sau
đó đc lp li vi vic thay th k bi 1k
+
.
2
 đu ra bám theo đc qu đo
mong mun đt trc.
Hình 0.13: Bài toán điu khin h truyn đng qua bánh rng
C cu bánh rng là mt c cu khp cao dùng đ truyn chuyn đng quay gia
hai trc vi t s truyn xác đnh, nh s n khp trc tip gia hai khâu có rng gi
là bánh rng. H thng bánh rng là mt b phn quan trng trong k thut c khí, là
mt trong nhng c cu ph bin và quan trng trong nhiu máy công c cao cp,
trong các phng tin giao thông vn ti.
Nh đã đ cp t trc thì cng ging nh  bài toán điu khin h truyn đng
nói chung, vi bài toán điu khin h truyn đng qua bánh rng nói riêng, bên cnh
vic h có kh nng tín hiu đu ra là tc đ
2

ϕ
bám n đnh đc theo qu đo góc
quay đt trc
()wt

, ngi ta còn phi đm bo thêm cho h thng các cht lng
khác, gm:

M
3∼
Bin tn
B điu khin
ϕ
2

M
c

Ti

15
26, 43, 44, 45]. Song, nh đã phân tích  phn tng quan, tng phng pháp đó đu có
nhng u nhc đim riêng hn ch cht lng điu khin ca h. Ngay c  trng
hp c th là h truyn đng bánh rng vi c ba yu t bt đnh gm khe h, ma sát,
moment xon, thì tài liu [
34] đã gii thiu mt phng pháp gii quyt, nhng ch
dng li  trng hp khi h có ma sát ph thuc tc đ tng đi nh.
Nhng nghiên cu tng quan v các phng pháp điu khin h truyn đng trên
đây cho thy tt c các phng pháp đó đu b gii hn là chúng ch có th đm bo
đc đc tính đng hc bám n đnh cho h nu nh trong đó hoc ch cha tính bt
đnh v moment xon trên trc, hoc ch có thành phn bt đnh v ma sát. Nói cách
khác chúng vn hoàn toàn cha đáp ng đc cho trng hp khi mà trong h tn ti
c ba yu t, va có khe h gia các bánh rng, va có tính bt đnh ca ma sát  tc
đ thay đi nhanh và va có moment xon trên tr
c. Phn khim khuyt đó s đc
lun án này nghiên cu và b sung.
Nói cách khác, lun án tip tc nghiên cu trng thái mt n đnh ca c cu
chp hành không th khc phc bng nhng gii pháp c hc hoc bng b điu khin