i
Số hóa bởi Trung tâm Học liệu ĐẠI HỌC THÁI NGUYÊN
TRƢỜNG ĐẠI HỌC KỸ THUẬT CÔNG NGHIỆP

NGUYỄN XUÂN LỘC

NGHIÊN CỨU ỨNG DỤNG NƠRON MỜ
ĐỂ CẢI THIỆN NHẬN DẠNG HỆ PHI TUYẾN Chuyên ngành: Kỹ thuật điều khiển và Tự động hóa
Mã số: 60520216 LUẬN VĂN THẠC SĨ KỸ THUẬT

Ngƣời hƣớng dẫn khoa học

PGS.TS. Lại Khắc Lãi

đã tạo điều kiện cho tôi hoàn thành luận văn này.
Tác giả xin bày tỏ lời cảm ơn chân thành nhất đến PGS.TS Lại Khắc Lãi, Trường
đại học Thái Nguyên đã tận tình hướng dẫn trong quá trình thực hiện luận văn này.
Tác giả cũng xin chân thành cảm ơn đến các thầy cô giáo ở phòng thí nghiệm đã
giúp đỡ và tạo điều kiện để tác giả hoàn thành thí nghiệm trong điều kiện tốt nhất.
Mặc dù đã rất cố gắng, song do trình độ và kinh nghiệm còn hạn chế nên có thể
luận văn còn những thiếu sót. Tác giả rất mong nhận được những ý kiến đóng góp từ các
thầy cô giáo và các bạn đồng nghiệp để luận văn được hoàn thiện và có ý nghĩa ứng
dụng trong thực tế.
Xin chân thành cảm ơn! Ngƣời thực hiện Nguyễn Xuân Lộc
iv
Số hóa bởi Trung tâm Học liệu

MỤC LỤC
LỜI CAM ĐOAN i
LỜI CẢM ƠN iii
MỤC LỤC iv
DANH MỤC CÁC CHỮ VIẾT TẮT vi
DANH MỤC BẢNG BIỂU vii
PHẦN MỞ ĐẦU x
CHƢƠNG I: TỔNG QUAN VỀ HỆ NƠRON - MỜ (NEFCON) 1
1.1. Đặt vấn đề 1
1.2. Tổng quan về điều khiển mờ 1
1.2.1. Giới thiệu 1

2.1 Sơ lược quá trình phát triển của robot công nghiệp 30
2.2 Ứng dụng của robot công nghiệp 31
2.3 Các cấu trúc cơ bản của robot công nghiệp 32
2.3.1 Cấu trúc chung 32
2.3.2. Kết cấu tay máy 34
2.4 Lựa chọn sơ đồ điều khiển hệ điều khiển robot 34
2.4.1 Thiết lập các phương trình động học cơ bản 36
2.4.2 Vận tốc chuyển động thứ i. 37
2.4.3 Gia tốc của chuyển động thứ i. 37
2.5 Thành lập phương trình động lực học 38
2.5.1 Xây dựng phương trình tính động năng của hệ 38
2.5.2 Xây dựng phương trình tính thế năng của hệ. 42
2.6 Mô tả toán học hệ điều khiển chuyển động bằng phương trình vi phân 43
2.6.1 Thành lập hàm Lagrange. 43
2.6.2 Mô tả bằng phương trình Lagrage bậc hai 44
2.7 Mô tả hệ điều khiển chuyển động bằng phương trình trạng thái 51
2.7.1 Các biến trạng thái và phương trình trạng thái 52
2.7.2 Phương trình trạng thái chuyển động I 53
2.7.3 Phương trình trạng thái chuyển động II 53
2.7.4 Phương trình trạng thái chuyển động III 53
KẾT LUẬN CHƢƠNG II 54
CHƢƠNG 3: BỘ ĐIỀU KHIỂN NEFCON 55
55
3.2. Thiết kế điều khiển NEFCON cho tay máy 2 bậc tự do 61
3.3. Thực nghiệm trên Robot sử dụng bộ điều khiển NEFCON 69
KẾT LUẬN 75
TÀI LIỆU THAM KHẢO 76 vi

Hình 1.4:
Hàm liên thuộc vào-ra theo luật hợp thành MAX-PROD
8
Hình 1.5.
Hàm liên thuộc vào-ra theo luật hợp thành SUM-MIN
9
Hình 1.6.
Hàm liên thuộc vào-ra theo luật hợp thành SUM – PROD
10
Hình 1.7:
Giải mờ bằng nguyên tắc trung bình
11
Hình 1.8:
Giải mờ bằng nguyên tắc cận trái
12
Hình 1.9:
Giải mờ bằng nguyên tắc cận phải
12
Hình 1.10:
Giải mờ bằng phương pháp điểm trọng tâm
13
Hình 1.11:
So sánh các phương pháp giải mờ
14
Hình 1.12:
Mô hình 2 nơron sinh học
16
Hình 1.13:
Mô hình nơron đơn giản
17

Hình 1.24:
Kiến trúc kiểu mẫu của một hệ nơron mờ
25
Hình 1.25:
Mô hình hệ nơron mờ
25
Hình 1.26:
Cấu trúc chung của hệ nơ ron mờ
26
Hình 1.27:
Mô phỏng hệ thống điều khiển SVC dùng nơron mờ
27
viii
Số hóa bởi Trung tâm Học liệu

Hình 1.28:
Hệ thống hút tích hợp với cánh tay robot
28
Hình 1.29:
Mô hình bộ điều khiển noron mờ
28
Hình 2.1:
Sơ đồ cấu trúc chung của robot công nghiệp
32
Hình 2.2:
Sơ đồ cấu trúc chung của hệ thống cảm biến
33
Hình 2.3:
Sơ đồ kết cấu tay máy
34

60
Hình 3.9:
Tập mẫu bao gồm 2 đầu vào và 1 đầu ra để huấn luyện mạng
neron
62
Hình 3.10:
Dạng hàm liên thuộc cho đầu vào 1
62
Hình 3.11:
Dạng hàm liên thuộc cho đầu vào 2
63
Hình 3.12:
Đường cong nội suy thể hiện mối quan hệ giữa đầu ra và đầu vào
63
Hình 3.13:
Cấu trúc của mạng neuron
64
Hình 3.14:
Sai lệch của quá trình huấn luyện
64
Hình 3.15:
Quá trình kiểm tra giữa dữ liệu huấn luyện và dữ liệu kiểm tra
64
Hình 3.16:
Dạng hàm liên thuộc cho đầu vào 1
65
Hình 3.17:
Dạng hàm liên thuộc cho đầu vào 2
65
Hình 3.18:

Cấu hình xuất tín hiệu PWM
72
3.28
Điều khiển tốc độ và chiều quay động cơ
72
3.29
Cấu hình đầu ra số
72
Hình 3.30.
Tin hiệu điều khiển quỹ đạo bám của cánh tay Robot
73
Hình 3.31.
Tin hiệu điều khiển quỹ đạo bám của cánh tay Robot
73 x
Số hóa bởi Trung tâm Học liệu

PHẦN MỞ ĐẦU1. Lý do chọn đề tài
Việc nâng cao chất lượng điều khiển tay máy luôn là vấn đề cấp thiết được
nhiều nhà khoa học trong và ngoài nước quan tâm. Khi bắt đầu nhận luận văn
nghiên cứu điều khiển tay máy, dưới dự hướng dẫn nhiệt tình của thầy giáo hướng
dẫn PGS.TS Lại Khắc Lãi, tác giả đã tìm hiểu nhiều công trình đã công bố trước
đây và nhận thấy, các hệ thống điều khiển tay máy chủ yếu dung phương pháp điều
khiển kinh điển và được thiết kế theo phương pháp tuyến tính hóa gần dung. Khi
thông số của hệ thống thay đổi thì thông số của bộ điều khiển giữ nguyên dẫn đến

tượng phi tuyến đặc biệt là điều khiển cánh tay robot.
b) Ý nghĩa thực tiễn
Việc điều khiển cánh tay robot ứng dụng điều khiển NEFCON có ý nghĩa
thực tiễn rất lớn. Bởi vì robots được áp dụng rộng rãi trong nhiều lĩnh vực khác
nhau, chúng buộc phải có khả năng làm việc trong các môi trường không xác định
trước và thay đổi. Đặc biệt chúng phải nhạy cảm với môi trường làm việc và thực
hiện thao tác bất chấp sự có mặt của vật cản trong vùng làm việc. Việc nâng cao
chất lượng điều khiển robot sẽ góp phần nâng cao chất lượng sản phẩm, nâng cao
năng suất và hiệu quả lao động.
1
Số hóa bởi Trung tâm Học liệu

CHƢƠNG I: TỔNG QUAN VỀ HỆ NƠRON - MỜ (NEFCON)
1.1. Đặt vấn đề
Từ những năm 20, lý thuyết tập mờ và mạng noron nhân tạo đã phát triển rất
nhanh và được quan tâm. Với logic mờ, trí tuệ nhân tạo phát triển mạnh mẽ tạo cơ
sở xây dựng các hệ chuyên gia, những hệ có khả năng cung cấp kinh nghiệm điều
khiển hệ thống. Trí tuệ nhân tạo được xây dựng dựa trên mạng noron nhân tạo. Sự
kết hợp giữa logic mờ và mạng noron trong thiết kế hệ thống điều khiển tự động là
một khuynh hướng hoàn toàn mới, phương hướng thiết kế hệ điều khiển thông
minh, một hệ thống mà bộ điều khiển có khả năng tư duy như bộ não con người, tức
là nó có khả năng tự học hỏi, tự chỉnh định lại cho phù hợp với sự thay đổi không
lường được trước của đối tượng.
Như đã biết hệ mờ và mạng nơron đều có khả năng làm việc trong những hệ
thống không chắc chắn, không chính xác và điều kiện môi trường khắc nghiệt. Hệ
thống mờ và mạng nơron đã có nhiều ví dụ thực hiện đánh giá và so sánh chúng.
Ngày nay các nhà thiết kế đã áp dụng một cách rộng rãi và có hệ thống logic
mờ và mạng nơron trong lĩnh vực điều khiển học. Ý tưởng là mất các nhược điểm
và đạt được các ưu điểm của cả hai công nghệ tức là hai công nghệ này đã kết hợp
để tối đa hóa điểm mạnh của từng công nghệ và bổ sung những nhược điểm để hợp

Theory) và đặt nền móng cho việc xây dựng một loạt các lý thuyết quan trọng dựa trên
cơ sở lý thuyết tập mờ. Đây là một trong những phát minh quan trọng có tính bùng nổ
và đang hứa hẹn giải quyết được nhiều vấn đề phức tạp và to lớn của thực tế.
Năm 1970 tại trường Marry Queen London - Anh, Ebrahim Mamdani đã
dùng logic mờ để điều khiển một máy hơi nước mà ông không thể điều khiển được
bằng kỹ thuật cổ điển. Tại Đức Hann Zimmermann đã dùng logic mờ cho các hệ ra
quyết định. Tại Nhật logic mờ được ứng dụng vào nhà máy xử lý nước của Fụi
Electrinic vao 1983, hệ thống xe điện ngầm của Hitachi vào năm 1987, đường sắt
Sendai. Các ứng dụng đã và đang được phát triển với các vấn đề theo vết, điều chỉnh,
nội suy, phân loại, chữ viết tay, nhận dạng lời nói, ổn định hình dạng trong các máy
quay video, máy giặt, máy hút bụi, điều hòa, quạt điện, Một thí nghiệm con lắc ngược
đã được chứng minh vào năm 1987 với “ các đáp ứng cân bằng được sinh ra gần 100
lần ngắn hơn những đáp ứng của bộ điều khiển PID truyền thống” [26].
Lý thuyết mờ ra đời ở Mỹ, ứng dụng đầu tiên ở Anh nhưng phát triển mạnh
mẽ nhất ở Nhật. Trong lĩnh vực Tự động hóa logic mờ ngày càng được ứng dụng
rộng rãi, nó thực sự hữu dụng với các đối tượng phức tạp mà ta chưa biết rõ hàm
truyền, phức tạp, không xác định, logic mờ có thể giải quyết các vấn đề mà điều
khiển kinh điển không làm được.
Phương pháp điều khiển mờ chính là nhằm vào việc xây dựng các phương
pháp có khả năng bắt chước cách thức con người điều khiển. Vì đối tượng điều
khiển là một hệ thống phức tạp, bản chất chưa rõ, không thể hiển thị bằng các mô
3
Số hóa bởi Trung tâm Học liệu

hình toán lý. Nên dưới dạng mô hình mờ một tập các mệnh đề IF …THEN (các
luật) với các dữ liệu ngôn ngữ mô tả mối quan hệ giữa các biến vào, các biến ra đã
ra đời. Lấy một ví dụ phận biệt cá voi có tính khoa học. Ở những trường tiểu học,
nhiều điều làm mọi người ngạc nhiên, rằng cá voi là động vật có vú bởi vì: nó là loại
máu nóng, đẻ con, nuôi con bằng sữa mẹ, và cũng mọc lông. Hệ thống phân biệt này
là một ví dụ hoàn hảo của logic hai trị truyền thống mà thống trị khoa học suốt

Giao
diện ra
Giao diện
vào
4
Số hóa bởi Trung tâm Học liệu

b) Giao diện vào, ra: Hệ mờ là một hệ điều khiển số do đó tín hiệu đưa vào
bộ điều khiển mờ phải là tín hiệu số. Giao diện vào có nhiệm vụ chuẩn hóa tín hiệu
tương tự thu nhận được từ đối tượng điều khiển và chuyển đổi thành tín hiệu số.
Giao diện ra có nhiệm vụ biến đổi tín hiệu số thành tương tự, khuếch đại tín hiệu
điều khiển cho phù hợp với đối tượng cụ thể. Trong thực tế, giao diện vào, ra được
tích hợp trong một CARD xử lý số chuyên dụng hoặc lắp thêm vào khe cắm mở
rộng của máy tính.
c) Khối mờ hóa: Là khối đầu tiên của bộ điều khiển mờ có chức năng
chuyển mỗi giá trị rõ của biến ngôn ngữ đầu vào thành véc tơ µ có số chiều bằng số
tập mờ đầu vào. Số tập mờ đầu vào do người thiết kế qui định tùy thuộc đối tượng
cụ thể, nhưng thông thường không chọn quá 9 tập mờ. Hình dạng các hàm liên
thuộc cũng được tùy chọn theo hình tam giác, hình thang, hàm Gauss … Mỗi loại
hàm liên thuộc có ưu, nhược điểm riêng. Hiện nay vẫn chưa có nghiên cứu nào chỉ
rõ dùng dạng hàm liên thuộc nào là tốt nhất. Hình 1.2 minh họa phương pháp mờ
hóa biến điện áp trong khoảng từ 100V - 300V bằng 5 tập mờ dạng hàm Gaux. Khi
đó ứng với mỗi giá trị rõ x0 ta có véc tơ

)(
)(
)(
)(
)(
0

luật điều khiển, khối này gồm 2 phần chính: Luật điều khiển (hợp thành) và suy
diễn mờ.
Hình 1.2: Các hàm liên thuộc của một biến ngôn ngữ
5
Số hóa bởi Trung tâm Học liệu

Luật điều khiển bao gồm một số mệnh đề hợp thành là các mệnh đề đơn
hoặc mệnh đề phức được liên hệ với nhau bởi toán tử "Hoặc" có dạng tổng quát:
R1: Nếu X1 = A1 và X2 = B1 và … thì Y1 = C1 và Y2 = D1 … hoặc
R2: Nếu X1 = A2 và X2 = B2 và … thì Y1 = C2 và Y2 = D2 … hoặc (1.1)
………………………………………………………
Rn: Nếu X1 = An và X2 = Bn và … thì Y1 = Cn và Y2 = Dn …
Tùy theo số mệnh đề điều kiện và số mệnh đề kết luận trong mỗi mệnh đề
hợp thành mà người ta có các cấu trúc điều khiển khác nhau:
Cấu trúc SISO (một vào, một ra): Chỉ có một mệnh đề điều kiện và một
mệnh đề kết luận.
Cấu trúc MISO (Nhiều vào, một ra): Có từ 2 mệnh đề điều kiện trở lên và
một mệnh đề kết luận.
Cấu trúc MIMO (Nhiều vào, nhiều ra): Có ít nhất 2 mệnh đề điều kiện và 2
mệnh đề kết luận.
* Suy diễn mờ
Là nguyên tắc xây dựng ma trận hợp thành chung (R) từ các mệnh đề hợp
thành Rk. Trong điều khiển mờ người ta đưa ra 4 nguyên tắc xây dựng ma trận hợp
thành là: Max-min, Max-prod, Sum-min, Sum-prod. Theo thói quen ta thường gọi là
các luật hợp thành Max-min; luật hợp thành Max-prod; luật hợp thành Sum-min và
luật hợp thành Sum-prod.
- Luật hợp thành Max-min: Nếu
)y();y();y(
321
BBB


r r
(l1, l2, … lm) (1.3)
với
iki
n
1i
k
raΣl

Với: aT= ( 0, 0, , 0, 1, 0, , 0)
vị trí thứ k
Trong đó:
m, ,2,1k,raminmaxl
kii
ni1
k

Bƣớc 4- Xác định B’(y) theo công thức: B’(y) = (l1, l2, , lm) (1.4)
Ví dụ:
A(x), B(y), A(x), C(z), được rời rạc hoá tại các điểm: x { 2.038, 5.4,
1.359, 6.4}; y { [1.359, 7.6, 2.038, 8.6}; z { 1.699, 12.5, 1.699, 13.5}
Ta tiến hành xây dựng luật hợp thành MAX-MIN: - Luật hợp thành MAX-PROD: Nếu
)y();y();y(
321
BBB
thu được qua

(l1, l2, … lm) với
iki
n
1i
k
raΣl

Với: aT= ( 0, 0, , 0, 1, 0, , 0)
vị trí thứ k
Trong đó:
m, ,2,1k,raprodmaxl
kii
ni1
k

Bƣớc 4- Xác định B’(y) theo công thức: B’(y) = (l1, l2, , lm)
Để xây dựng R, trước tiên hai hàm liên thuộc A(x) và B(y) được rời rạc
hoá với tần số rời rạc đủ nhỏ để không bị mất thông tin.
Ví dụ:
A(x), B(y), A(x), C(z), được rời rạc hoá tại các điểm:
x { 2.038, 5.4, 1.359, 6.4}; y { [1.359, 7.6, 2.038, 8.6};
z { 1.699, 12.5, 1.699, 13.5}
Ta tiến hành xây dựng luật hợp thành MAX-PROD:
8
Số hóa bởi Trung tâm Học liệu
- Luật hợp thành SUM-MIN: Nếu
)y();y();y(

SUM-MIN
Bƣớc 4: Xác định luật hợp thành
p
1k
k
R,1minR
với k = 1, 2, , p}. (1.7)
Ví dụ: A(x), B(y), A(x), C(z), được rời rạc hoá tại các điểm: x { 2.038,
5.4, 1.359, 6.4}; y { [1.359, 7.6, 2.038, 8.6}; z { 1.699, 12.5, 1.699, 13.5}
Ta tiến hành xây dựng luật hợp thành SUM-MIN: - Luật hợp thành SUM - PROD: Nếu
)y();y();y(
321
BBB
thu được qua
phép lấy PROD còn phép hợp thực hiện theo Lukasiewicz.
Xét luật điều khiển R gồm p mệnh đề hợp thành:
R1: Nếu = A1 Thì = B1 hoặc
R2: Nếu = A2 Thì = B2 hoặc

Rp: Nếu = Ap Thì = Bp
Trong đó các giá trị mờ A1, A2, , Ap có cùng cơ sở X và B1, B2, ,BP có
cùng cơ sở Y.
Gọi hàm liên thuộc của Ak và Bk là Ak(x) và Bk(y) với k = 1, 2, , p.
Thuật toán triển khai: R = R1 R2 Rp được thực hiện theo các bước sau:
Hình 1.5. Hàm liên thuộc vào-ra theo luật hợp thành SUM-MIN
10
Số hóa bởi Trung tâm Học liệu


e) Khối giải mờ (rõ hoá)
Giải mờ là quá trình xác định một giá trị rõ y0 nào đó có thể chấp nhận được
từ hàm liên thuộc B’(y) của giá trị mờ B’ (tập mờ B’).
Có hai phương pháp giải mờ chính là phương pháp cực đại và phương pháp
điểm trọng tâm.
* Phƣơng pháp cực đại
Để giải mờ theo phương pháp cực đại, ta cần thực hiện theo hai bước:
Bƣớc 1: Xác định miền chứa giá trị rõ y0 (miền G): Đó là miền mà tại đó
hàm liên thuộc B’(y) đạt giá trị cực đại (độ cao H của tập mờ B’), tức là miền:
G = {y | B’(y) = H} ;
Bƣớc 2: Xác định y0 có thể chấp nhận được từ G theo ba nguyên tắc :
Nguyên tắc trung bình; nguyên tắc cận trái và nguyên tắc cận phải.
Nguyên tắc trung bình : Giá trị rõ y0 sẽ là trung bình cộng của y1 và y2:
2
yy
y
21
0

Ví dụ giải mờ bằng nguyên tắc trung bình cho luật hợp thành MAX-MIN: Nguyên tắc cận trái : Giá trị rõ y0 được lấy bằng cận trái y1 của G
yinfy
Gy
1
.
Ví dụ giải mờ khi sử dụng nguyên tắc cận trái cho luật hợp thành MAX-MIN:
Hình 1.7: Giải mờ bằng nguyên tắc trung bình


Với S là miền xác định của tập mờ B'.
- Phƣơng pháp điểm trọng tâm cho luật hợp thành SUM-MIN
Giả sử có q luật điều khiển được triển khai. Khi đó mỗi giá trị mờ B' tại đầu
ra của bộ điều khiển sẽ là tổng của q giá trị mờ đầu ra của từng luật hợp thành. Ký
hiệu giá trị mờ đầu ra của luật điều khiển thứ k là B’k(y) với k =1,2, ,q. Với quy
tắc SUM-MIN, hàm liên thuộc B’(y) sẽ là:
B’(y) =
q
1k
k'B
)y(

Sau khi biến đổi, ta có:
y’ =
S
q
1k
k'B
S
q
1k
k'B
dy)y(
dy)]y(y[
=
q
1k
S
k'B

S
q
1k
k'B
S
q
1k
k'B
dy)y(
dy)]y(y[
=
q
1k
S
k'B
q
1k
S
k'B
]dy)y([
]dy)y(y[
=
q
1k
k
q
1k
k
A
M

tạo ra cơ sở xây dựng các hệ chuyên gia, những hệ có khả năng cung cấp kinh
nghiệm điều khiển hệ thống Trí tuệ nhân tạo được xây dựng dựa trên mạng nơron
nhân tạo. Mạng nơron nhân tạo (Artificial Neural Networks) là hệ thống được xây
dựng dựa trên nguyên tắc cấu tạo của bộ não người. Nó cho chúng ta một hướng mới
trong nghiên cứu hệ thống thông tin. Mạng nơron nhân tạo có thể thực hiện các bài
toán: Tính toán gần đúng các hàm số, thực hiện các bài toán tối ưu, nhận mẫu, nhận
dạng và điều khiển đối tượng hiệu quả hơn so với các phương pháp truyền thống.
Mạng nơ ron nhân tạo có một số lượng lớn mối liên kết của các phần tử biến đổi có liên
kết song song. Nó có hành vi tương tự như bộ não người với khả năng tự học hỏi, tự
chỉnh định cho phù hợp với sự thay đổi không lường trước của đối tượng điều khiển và
tổng hợp thông tin từ sự luyện tập của các tập mẫu dữ liệu. Trong quá trình tái tạo đó
không phải tất cả các chức năng của bộ não con người đều được tái tạo, mà chỉ có
những chức năng cần thiết. Bên cạnh đó còn có những chức năng mới được tạo ra
nhằm giải quyết một bài toán điều khiển đã định trước. Các phần tử biến đổi của mạng
nơ ron nhân tạo được gọi là các nơron nhân tạo hoặc gọi tắt là nơron

y
Trọng tâm

Cận trái

Cận phải

Trung bình

Độ cao

y
Hình 1.11: So sánh các phương pháp giải mờ