vii

Mục lục
Trang tựa trang
Quyết đnh giao đề tài
Lụ LCH KHOA HC i
Li Cam Đoan iii
Li Cảm n iv
Tóm Tắt Luận Văn v
Mc lc vii
Danh Sách Các Chữ Viết Tắt x
Danh Sách Các Hình xi
Danh Sách Các Bảng xiv
Chng 1
Tổng Quan 1
1.1. Đặt vấn đề 1
1.2. Lch sử nghiên cứu 3
1.3. Mc tiêu và giới hạn ca đề tài 6
1.4. Phng pháp nghiên cứu 7
1.5. Ni dung luận văn 7
Chng 2 Mô Hình Toán Hc 9
2.1. Xây dựng mô hình toán hc [8], [9] 9
2.2. Mô phỏng con lắc ngợc quay trên matlab 13
2.1.1. Khảo sát đáp ứng ca con lắc tuyến tính 15
2.1.2. Khảo sát đáp ứng góc ca con lắc với b điều khiển PID mt biến 16
2.1.3. Khảo sát đáp ứng góc ca con lắc với b điều khiển PID hai biến 17
2.1.4. Khảo sát đáp ứng ca con lắc phi tuyến 21
viii

Chng 3 Điu Khin Cơn Bằng Dùng Mng Neural (Ann) 24
3.1. Mạng neural truyền thẳng nhiều lớp (Multilayer Feed-forward Neural

Chng 6
Kết Luận VƠ Hớng Phát Trin Đ TƠi 56
6.1. Kết luận 56
6.2. Hớng phát triển ca đề tài 56
TÀI LIU THAM KHO 59
Phụ Lục 62
A. Giới thiu phần cứng h thống con lắc ngợc quay 62
a. Phần c khí: 62
b. Phần mạch đin tử: 63
c. Các s đồ nguyên lý ca mạch đin trên h thống thực 65

x

Danh Sách Các Chữ Viết Tắt
1. PID: Proportional Integral Derivative
2. PWM: Pulse-Width Modulation
3. SIMO: Single Input Multi Outputs
4. SISO: Single Input Single Outputs
5. MIMO: Multi Input Multi Outputs
6. DSP: Digital Signal Processing
7. PCI: Peripheral Component Interconnect
8. QEP: Quadrature Encoder Pulse
9. ANN: Artificial Neural Network
10. SSE: Sum Suquared Error
11. MSE: Mean Square Error
xi


Hình 3.4: Histogram huấn luyn ca mạng feedforwardnet 33
Hình 3.5: Hiu năng huấn luyn ca mạng Cascade-forward neural network 34
xii

Hình 3.6: Trạng thái quá trình huấn luyn ca mạng Cascade-forward neural network 34
Hình 3.7: Histogram huấn luyn ca mạng Cascade-forward neural network 35
Hình 3.8 Hiu năng huấn luyn ca mạng fitting neural network 35
Hình 3.9: Trạng thái quá trình huấn luyn ca mạng fitting neural network 36
Hình 3.10: Histogram huấn luyn ca mạng fitting neural network 36
Hình 3.11 S đồ khối b điều khiển cân bằng sử dng mạng fitting neural network 37
Hình 4.1 S đồ khối b điều khiển m 39
Hình 4.2. Tập m  ngõ ra ca khâu m hóa 40
Hình 4.3 Miền không gian trạng thái con lắc 43
Hình 4.4 Mô hình b điều khiển con lắc cân bằng và lật ngợc 43
Hình 4.5 S đồ m hóa ngõ vào 44
Hình 4.6 S đồ giải m ngõ ra 44
Hình 4.7 Vùng tác đng điều khiển con lắc ngợc 45
Hình 5.1. S đồ khối thu thập dữ liu 46
Hình 5.2. S đồ khối b điều khiển cân bằng sử dng mạng fitting neural network 47
Hình 5.3. Đáp ứng góc alpha với mạng fitting neural network 48
Hình 5.4. Đáp ứng góc alpha với mạng truyền thẳng [9] 48
Hình 5.5. Đáp ứng góc theta với mạng fitting neural network 49
Hình 5.6. Đáp ứng góc theta với mạng truyền thẳng [9] 49
Hình 5.7. Đáp ứng góc alpha với mạng fitting neural network khi thêm m tại L=16cm 50
Hình 5.8. Đáp ứng góc alpha với mạng truyền thẳng [9] khi thêm m tại L=16cm 50
Hình 5.9. Đáp ứng góc theta với mạng fitting neural network khi thêm m tại L=16cm 51
Hình 5.10. Đáp ứng góc theta với mạng truyền thẳng [9] khi thêm m tại L=16cm 51
Hình 5.11. Đáp ứng góc alpha với mạng fitting neural network khi thêm m tại L=30cm 52
Hình 5.12. Đáp ứng góc alpha với mạng truyền thẳng [9] khi thêm m tại L=30cm 52
Hình 5.13. Đáp ứng góc theta với mạng fitting neural network khi thêm m tại L=30cm 53

1.1. Đặt vấn đ
Ngày nay các lý thuyết điều khiển tuyến tính đƣ phát triển hoàn chnh vƠ đợc
áp dng rất thành công trong các quá trình công nghip cũng nh trong các thiết b
dân dng. Tuy nhiên, các lý thuyết này không hiu quả đối với các h thống phi
tuyến mà không thể hoặc khó xác đnh chính xác mô hình toán hc, nhất lƠ đối với
những h thống có mô hình toán hc thay đổi và chu tác đng ca nhiu. Bên cạnh
đó, lỦ thuyết điều khiển phi tuyến cũng đƣ có những bớc phát triển đáng kể. Từ đó
chúng ta có nền tảng toán hc cần thiết để thiết kế những b điều khiển đạt chất
lợng.
Các lý thuyết đợc áp dng thƠnh công để điều khiển các h phi tuyến đợc
chia thành hai nhóm chính: lý thuyết điều khiển kinh điển và lý thuyết điều khiển
hin đại. Nhóm phng pháp điều khiển kinh điển dựa vào vic tuyến tính hóa đặc
tuyến ca h thống xung quanh điểm làm vic, sau đó áp dng các phng pháp
điều khiển cho h tuyến tính. Lý thuyết điều khiển kinh điển đƣ bc l ra những yếu
điểm về chất lợng cũng nh đ tin cậy khi đối tợng điều khiển là h phi tuyến, và
nhất là những đối tợng không rõ hoặc khó xác đnh chính xác mô hình toán hc,
cũng nh chu tác đng ca nhiu.
Nhóm phng pháp điều khiển hin đại bao gồm điều khiển dùng giải thuật
m, điều khiển dùng giải thuật di truyền, điều khiển dùng mạng thần kinh nhân tạo
(Artificial Neural Network, trong đề tài này gi tắt là mạng neural) … Điều khiển
m dựa vào vic xấp xƿ thông số ca đối tợng dùng mô hình m. Các thông số này
sẽ đợc cập nhật liên tc trong quá trình điều khiển dựa vào sai số hồi tiếp. Phng
pháp này vận dng tính xấp xƿ hƠm ca h m và dùng luật thích nghi để cập nhật
thông số ca h m theo tiêu chuẩn ổn đnh Lyapunov. Mạng neural khi mới hình
thƠnh còn cha có tri thức về h thống, tri thức ca mạng hình thành dần sau mt
quá trình huấn luyn. Mạng neural đợc huấn luyn bằng tập dữ liu, bao gồm kích
1 – Tổng Quan
2

thích ngõ vƠo vƠ đáp ứng ngõ ra ca h thống. Ta đa vƠo đầu vào mạng neural


Có nhiều loại cảm biến đợc sử dng để đo góc, trong đề tài này tác giả sử dng B
mã hóa vòng quay (Rotary Encorder) có đ phân giải 4096 xung/vòng. Tín hiu từ
b mƣ hóa vòng quay đợc khuyếch đại, lc nhiu rồi kết nối vào module ngoai vi
eQEP (Enhanced Quadrature Encorder Pulse) ca DSP. Tùy thuc vào tín hiu từ
các B mã hóa vòng quay mƠ DSP đợc lập trình để xuất tín hiu ngõ ra điều khiển
đng c DC qua mt mạch khuyếch đại công suất. Phần chng trình: Chng
trình điều khiển con lắc tác giả không viết trực tiếp trên Code Composer Studio mà
kết hợp với Matlab2012a để tận dng các hàm tính toán rất mạnh, có sẵn trong
Matlab. Cách viết này về lý thuyết sẽ giúp ngi sử dng tiết kim đợc thi gian
vì không cần phải nắm vững cấu trúc phần cứng ca DSP và tập lnh C ca CCS
nhng thực tế do mã C sinh ra bi Matlab sẽ không tối u nên để chng trình hoạt
đng tốt đòi hỏi ngi lập trình phải nắm thật vững cách lập trình bằng Matlab, cấu
trúc mã C do Matlab sinh ra, cấu trúc phần cứng ca DSP để có thể can thip và
hiu chnh trực tiếp vào mã C này.
1.2. Lch sử nghiên cu
H con lắc ngợc có cấu trúc đn giản nhng mang đầy đ dặc tính phi tuyến.
Do đó, h thống trên đợc sử dng rất rng rãi trong các thí nghim kiểm chứng lý
thuyết điều khiển. Mt số dạng mô hình con lắc ngợc đợc sử dng nhiều nh:
pendubot, h con lắc ngợc xe, h con lắc ngợc quay…
Hình 1.1 Hệ Pendubot
Hình 1.2 Hệ con lắc ngược xe

1 – Tổng Quan
4
báo này là so sánh chất lợng đáp ứng ca h thống khi sử dng hai b điều khiển
nƠy để điều khiển ổn đnh cho con lắc ngợc. Cả hai b điều khiển nƠy đợc mô
phỏng trên môi trng Simulink Matlab và cho thấy đều có khả năng điều khiển
thành công mô hình con lắc. Kết quả cho thấy rằng khi sử dng b điều khiển trợt
thì cho đáp ứng tốt hn so với b điều khiển PID. Tuy nhiên, khi sử dng hai b
điều khiển nƠy để điều khiển con lắc thì v trí góc lch con lắc tng đối lớn.
Để khắc phc các khuyết điểm trên ca điều khiển phi tuyến cũng nh tuyến
tính, mt số tác giả sử dng các giải thuật điều khiển thông minh nh điều khiển
m [7], điều khiển dùng mạng neural [8], [9]. Vic sử dng mạng neural [8], [9] đƣ
mô phỏng thành công mt giải thuật điều khiển trớc đó (b điều khiển PID) để
điều khiển tốt đối tợng con lắc ngợc quay thực tế. Tuy nhiên, có nhiều loại mạng
neural đợc sử dng trong thực tế. Vấn đề chn mạng neural nƠo để sử dng trong
điều khiển là mt vấn đề cần đợc quan tâm.
Các kết quả trong [10] cho thấy cấu trúc mạng neural truyền thẳng khớp quan
h vào ra (fitting neural network) tốt hn mạng truyền thẳng ghép liên tầng (casde-
feed forward) và mạng truyền thẳng chuẩn (feed-forward). Đồng thi các nghiên
cứu trong [11] vƠ [12] đƣ khắc phc đợc những nhợc điểm ca thuật toán huấn
luyn lan truyền ngợc chuẩn (standard back-propagation) bằng các sử dng thuật
toán lan truyền ngợc Levenberg-Marquardt (Levenberg-Marquardt back-
1 – Tổng Quan
6

propagation) và thuật toán lan truyền ngợc quy tắc hóa Bayesian (Bayesian
regularization backpropagation).
Đối với điều khiển swing-up cho con lắc thì mt số tác giả dùng kinh nghim
để kích các xung có đ rng khác nhau tùy v trí con lắc để đa con lắc dần lên v
trí cân bằng đƣ đạt đợc thành công trong thực tế [3], cũng nh mô phỏng [16]. Khi
con lắc đến đợc v trí gần với v trí cân bằng thì giải thuật cân bằng mới đợc thực
hin. Vic điều khiển nh thế sẽ không áp dng đợc các hiểu biết ca chuyên gia
vào giải thuật cũng nh lƠm giải thuật điều khiển không đợc mềm dẻo trong các

Các phng pháp nghiên cứu đợc sử dng trong luận văn bao gồm:
 Khảo sát, phân tích tổng hợp
 Mô phỏng trên máy tính bằng phần mềm Matlab phiên bản 2012a
 Thí nghim trên mô hình thực và thu dữ liu qua cổng com bằng phần mềm
Terminal. Sau đó tác giả xử lý dữ liu và vẽ hình trên phần mềm Matlab. Các thí
nghim trên mô hình thực nghim đƣ đợc tác giả thực hin tại xng đin 4A,
trng Đại Hc S Phạm Kỹ Thuật TP HCM.
 Đánh giá kết quả dựa trên kết quả mô phỏng và thực nghim.
1.5. Nội dung luận văn
Phần còn lại ca ni dung luận văn bao gồm:
Chng 2. Mô hình toán hc ca h thng con lắc ngc quay:
Phần đầu chng nƠy trình bƠy các bớc xây dựng phng trình h thống
đng lực hc (tuyến tính và phi tuyến). Phần cuối ca chng thể hin kết quả khảo
sát đáp ứng ca h thống con lắc ngợc với b điều khiển PID trên mô phỏng
Matlab.
Chng 3. Điu khin cân bằng sử dụng mng thần kinh nhân to
(ANN):
Phần đầu chng nƠy trình bày về mạng neural nhân tạo truyền thẳng nhiều
lớp. Phần này còn nêu lên các vấn đề: cấu trúc mạng, số lớp ẩn, số neural trong lớp
ẩn vƠ phng pháp chn cấu trúc trong các ứng dng c thể.
Phần giữa chng, tác giả so sánh kết quả huấn luyn các loại mạng truyền
thẳng: truyền thẳng (feedforward), truyền thẳng ghép liên tầng (cascade
feedforward), truyền thẳng khớp quan h vào ra (fitting- neural network). Đông
1 – Tổng Quan
8

thi tác giả cũng trình bƠy phng pháp điều khiển mạng neural theo kiểu hc có
giám sát, luật hc lan truyền ngợc. Phần cuối chng trình bƠy b điều khiển cân
bằng con lắc sử dng mạng neural truyền thẳng khớp quan h vào ra.
Chng 4. Điu khin lật ngc sử dụng logic mờ (Fuzzy logic):

, con lắc đợc gắn với mt thanh nằm ngang có chiều dài
r
.

Hình 2.1 Mô hình cánh tay quay của con lắc [9]
Giả sử trng lực ca con lắc đặt tại điểm giữa B , nh vậy điểm B sẽ thực hin
mt chuyển đng quay so với điểm A với vận tốc:
.cos( ).
.sin( ).
AB
AB
xL
yL







(2.1)
Đồng thi với chuyển đng quay quanh điểm A thì con lắc còn thực hin
chuyển đng quay quanh điểm O với vận tốc
r



2 – Mô Hình Toán Học
10


    
   

  

 

  



  


(2.3)
Áp dng đnh luật II Newton theo phng x vƠ phng y. Hình 2.3 mô tả sự
phân tích lực tác dng lên cánh tay và con lắc:
2
.
. . .sin( ). . .cos( ).
Bx
x
m x F
m r m L m L A
    


 

   

. . . . .cos( ) . .sin( )
3
BB
xy
xy
JM
m L A L A L
m L A L A L

  
  




   
  


(2.6)
Phng trình chuyển đng quay ca cánh tay quanh điểm O:
2 – Mô Hình Toán Học
11

. . . .
O O eq L eq x
J M J T B A r
  
  
    

m L r m L m g L
   
 
    

(2.8)
Thay (2.4) vào (2.7):
2
. . .
[ . . .sin( ). . .cos( ). ].
O O eq L eq
J M J T B
m r m L m L r
  
    
  

 
   
  


2
2
( . ). . . .cos( ).
. . .sin( ). .
eq
L eq
J m r m L r
m L r T B

(2.10)
Thế (2.9) vào (2.10)
2
2
( ). . . .cos( ).
. . .sin( ).
( . . ). . .
eq m
m
E
eq m M m M
mm
J mr J m L r
m L r
V
K
B K K
RR
  

  
 


   

  

(2.11)
H phng trình mô tả đặc tính đng phi tuyến ca h thống:

2
eq m
a J mr J  

2
4. .
3
mL
c 

b m L r
d m g l
( . . )
E
eq m M
m
K
e B K
R


.
M
m
m
K
f
R





(2.13)
H phng trình biến trạng thái ca mô hình tuyến tính có đợc bằng cách giải
h (2.12) với hai ẩn là

và

.
2
2
1
( . . . . . . )
.
1
( . . . . . . )
.
m
m
b d c e c f V
a c b
a d b e b f V
a c b
  
  
 
 

  


m
A s b f s
V s a c b s c e s a d s d e

   

(2.15)
H phng trình biến trạng thái:
2 – Mô Hình Toán Học
13

22
22
0 1 0 0
0

00
.0 0 0 1
0

00
.

m
c e b d
cf
a c b a c b


     
     



(2.16)
0 1 0 0 0
.
0 0 1 0 0










     


     

     





2 – Mô Hình Toán Học
15

Bảng 2.1. Các thông số ca mô hình
Ký hiu
Mô tả
Giá tr
m
Khối lợng con lắc
0.2
L
Nửa chiều dài con lắc
0.1675
r
Chiều dài cánh tay
0.215
J
eq

Mômen quán tính tng đng
0.0035842
g
Gia tốc trng trng
9.8
B
eq

H số cản tng đng
0.004
µ

2.5. Ngõ vào là giá tr mong muốn góc α = 0. Khi cha có b điều khiển, con lắc b
ri xuống v trí buông thõng và kết quả đáp ứng ngõ ra ca đợc thể hin trên Hình
2.6.
Để cho con lắc ổn đnh cần sử dng mt b điều khiển hồi tiếp. Vic sử dng
b điều khiển hồi tiếp giúp dữ liu ngõ ra có thêm nhiều thông tin để mô tả h
thống. Để ổn đnh con lắc  v trí lật ngợc, chúng ta có thể dùng phng pháp điều
khiển PID mt biến và PID hai biến. Qua 2 quá trình này, tác giả sẽ đánh giá chất
lợng ca mi b điều khiển.
2.1.2. Kho sát đáp ng góc ca con lắc với bộ điu khin PID một biến
Tác giả trình bày phần này nhằm mc đích nêu lên vấn đề: con lắc ngợc quay
không ổn đnh v trí cánh tay với b điều khiển 1 biến. Đó lƠ lỦ do b điều khiển 2
biến đợc trình bày trong các phần tiếp theo.
S đồ khối h điều khiển con lắc dùng b điều khiển PID mt biến đợc trình
bày trên Hình 2.7. Giá tr hồi tiếp góc lch ca con lắc so với phng thẳng đứng
đợc so sánh với giá tr đặt. B điều khiển PID mt biến sẽ tính toán giá tr ngõ ra
dựa trên giá tr sai lch này và quyết đnh giá tr đin áp đặt lên đng c quay cánh
tay. Bằng cách thực hin mô phỏng nhiều lần với các b thông số Kp, Ki, Kd khác
nhau, cuối cùng ta chn đợc b thông số có giá tr Kp=20, Ki=204, Kd=4. Kết quả
đáp ứng ngõ ra con lắc ca phng pháp nƠy đợc hiển th trên Hình 2.8 và Hình
2.9.

Hình 2.7 Sơ đồ khối điều khiển con lắc hồi tiếp góc


2 – Mô Hình Toán Học
17 Hình 2.8 Đáp ứng góc lệch con lắc khi hồi tiếp góc
