Khoa học - kó thuậät

23

 ABSTRACT

This paper describles the use of
Neural Controller to control for a two-link
planar robot manipulator. The Neural
Controller has two neural networks: a
neural network identifier (ANNI) and a
neural network controller (ANNC). The
ANNI is use to identify the mode of the
system and be controlled through back –
propagation training algorithm to adjust
parameters of the ANNI. The ANNC is used
to control the joint angle of robot
manipulator folowing an arbitrarily
reference signal and be controlled through
back – propagation training algorithm to
adjust parameters of the ANNC. Comparing
with PID and Fuzzy control method,
experimental results are provided the
exactitude and effectiveness of the method
proposed.
‡
I. GIỚI THIỆU
Ngày nay, quá trình công nghiệp hóa

phương pháp truyền thống không giải quyết
được. Phương pháp này thường cho kết quả
gần đúng, do vậy phương pháp này chưa
chính xác và thiếu tính linh hoạt vì nó phụ
thuộc vào tập dữ liệu và tập luật, nếu đối
tượng điều khiển không ổn đònh và phi
tuyến động, thì tập luật và tập dữ liệu phải
cập nhật thường xuyên để phù hợp với đối
tượng điều khiển.
Để giải quyết những khó khăn trên,
thì phương pháp điều khiển cánh tay robot
trên công nghệ mạng nơron như là công cụ
để giải quyết những vấn đề khó của hệ
thống phi tuyến động. Trong nghiên cứu
này, một chiến lược điều khiển được đề
xuất cho những hệ thống phi tuyến. Phương
pháp được đề xuất là sử dụng một bộ điều
khiển nơron (Neural Controller) để điều
ĐIỀU KHIỂN CÁNH TAY ROBOT TRÊN CÔNG
NGHỆ MẠNG NƠRON

Châu Văn Bảo
*Khoa học - kó thuậät 24
khiển cánh tay robot. Bộ điều khiển nơron

chiếu
r(k)
E
C
Z
-1
w
m
Z
-1
u’(k)
E
I
Z
-1
u(k)
Đối tïng
điều khiển
Z
-1
w(k)
Bộ nhận
dạng ANNI
Bộ điều
khiển
ANNC
Z
-1

Hình 1: Cấu trúc Neuron Controller.

e
2
1
=(k)]u'-(k)[
2
1
EI(k) w
(2)
Quá trình học là để điều chỉnh các
tham số trọng lượng của mạng, vì vậy phải
cực tiểu hóa hàm giá EI. Giải thuật lan
truyền ngược xác đònh sự gia tăng của hệ số
trọng lượng.
i
i
W
EI
W



(3)
Ở đây
ii
W
net
net
)k('u
)k('u
EI




và
)k(x
W
net
i
i


   
)k('u
)k(w
)k('u)k(w)k('u)k(w
2
1
)k('u)k('u
EI
2








(6)
Vectơ trọng lượng tại bước (k+1) được cải
tiến công thức (7)
)]1k(W)k(W[W)k(W)1k(W
iiiii

(7)
Bộ ANNI có đầu ra: u’(k) = N[w(k-1),
w(k-2), u(k), u(k-1)].

2. Mạng nơron điều khiển
(ANNC: Artificial Neural Network
Control)
Bộ điều khiển ANNC là một mạng
neuron truyền thẳng hai lớp, với các đầu
vào r(k), u(k-1), w(k -1); có hai lớp ẩn; số
nơron trong lớp ẩn 13 nơron và một đầu ra
u(k). Việc huấn luyện dùng giải thuật lan
truyền ngược, ở đây độ lệch là: e
c
(k) =
w
m
(k) - w(k) được sử dụng để điều chỉnh
các tham số của bộ điều khiển ANNC.
Xung lượng cho việc huấn luyện lan truyền
ngược được lựa chọn là 
C
= 0,08 và hệ số
học 

ii
W
net
net
)k(u
)k(u
EC
W
EC









(10)
Trong đó:
J
J
J
Wxnet


, x
J
đầu vào
thứ J, W

2
m







 
)k(u
)k(w
)k(w)k(w)k(x)net('a
W
EC
mi
i





(11)
Từ (11) và (9) ta có biểu thức (12) độ gia
tăng của hệ số trọng lượng.
 
)k(u

Bước 6:
Tính
i
W
EI
và
i
W
EC
dựa vào công
thức (4) và (11)
Bước 7: Cập nhật các thông số W
I
cho
bộ nơron nhận dạng và W
C
cho bộ nơron điều
khiển dựa vào công thức (7) và (13).
Bước 8: Lập lại từ bước 2 đến bước 7
cho tới khi bộ điều khiển đạt giá trò nhỏ nhất.
III. MÔ PHỎNG
Phương trình chuyển động của cánh
tay robot:
Khoa học - kó thuậät 26






























2
T
1
T

C
.
2
w
2
..
w
..
1
w
22
H
21
H
12
H
11
H
(14)

Trong đó: H
11
= (m
1
+m
2
)l
2
1
+m

), H
22
= m
2
l
2
2
, C
12
=
m
2
l
1
l
2
sin(w
2
), g
1
= (m
1
+m
2
)l
1
cos(w
2
)+m
2

, l
1
= 1m, l
2
=
0.8m, m
1
= 1kg, m
2
= 1.5kg.
Kết quả mô phỏng cho thấy phương
pháp điều khiển bằng Neural cho kết quả
chính xác hơn so với phương pháp cổ điển
(phương pháp PID) và phương pháp logic
mờ.

[1] Ngô Cao Cường, Hồ Đắc
Lộc, Trần Thu Hà. Andaptive control of
nonlinear dynamics system based on RBF
network. ICMIT 2003 Korea, December 4-
6, 2003.
[2] Chao-Chee Ku and Kwang
Y. Lee, Diagonal recurrent neural networks
for dynamic system control, IEEE Trans. on
Neural networks. 1995. 6(1): 144-156. [3] Choi Y. K, Lee S. K, Kay
Y.C, Design and Implementation of an
Adaptive Neural Network Compensator for
Control Systems. IEEE Transactions on
Industrial Electronics, vol48, no 2, April
2001.
[4] Diao Y and K.M Passino.
Adaptive neural – Fuzzy control for
Interpolated nonlinear system. IEEE
Trans. FuZ. Syst. (10) pp 583 – 595.2002.
[5] K. S. Narendra and K.
Parthasarathy. Identification and Control of
Dynamical Systems using Neural