BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT THÀNH PHỐ HỒ CHÍ MINH LUẬN VĂN THẠC SĨ NGUYỄN ĐỨC QUYỀN ĐIỀU KHIỂN CON LẮC NGƯỢC SỬ DỤNG MẠNG NEURAL TRÊN CHIP DSP NGÀNH: KỸ THUẬT ĐIỆN TỬ - 605270 S KC 0 4 Tp Hồ Chí Minh, tháng 09 năm 2013 BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT THÀNH PHỐ HỒ CHÍ MINH LUẬN VĂN THẠC SĨ NGUYỄN ĐỨC QUYỀN ĐIỀU KHIỂN CON LẮC NGƯỢC SỬ DỤNG MẠNG NEURAL TRÊN CHIP DSP NGÀNH: KỸ THUẬT ĐIỆN TỬ - 605270 Tp Hồ Chí Minh, tháng 09 năm 2013 BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT THÀNH PHỐ HỒ CHÍ MINH LUẬN VĂN THẠC SĨ NGUYỄN ĐỨC QUYỀN ĐIỀU KHIỂN CON LẮC NGƯỢC SỬ DỤNG MẠNG NEURAL TRÊN CHIP DSP NGÀNH: KỸ THUẬT ĐIỆN TỬ - 605270 Hướng dẫn khoa học: TS NGÔ VĂN THUYÊN Tp Hồ Chí Minh, tháng 09 năm 2013 CỘNG HÒA XÃ HỘI CHỦ NGHĨA VIỆT NAM Độc lập – Tự – Hạnh phúc LÝ LỊCH KHOA HỌC I LÝ LỊCH SƠ LƢỢC: Họ & tên: Nguyên Đức Quyền Giới tính: Nam Ngày, tháng, năm sinh: 15/07/1985 Nơi sinh: Đăk Lăk Quê quán: Hà Tĩnh Dân tộc: Kinh Địa liên lạc: 1/6/12/4 đƣờng số 4, phƣờng Trƣờng Thọ, quận Thủ Đức, TP HCM Điện thoại nhà riêng: 0907.707.959, 086.680.3242 E-mail: quyenneo@gmail.com II QUÁ TRÌNH ĐÀO TẠO: 1.Đại học: Hệ đào tạo: Chính quy Thời gian đào tạo từ 09/2007 đến 05/2009 Nơi học: Trƣờng Đại Học Sƣ Phạm Kỹ Thuật Tp Hồ Chí Minh Ngành học: Kỹ thuật Điện – Điện Tử Cao học: Hệ đào tạo: Chính quy Thời gian đào tạo từ 09/2010 đến 06/2012 Nơi học: Trƣờng Đại Học Sƣ Phạm Kỹ Thuật Tp Hồ Chí Minh Ngành học: Kỹ thuật Điện Tử Tên đề tài: Điều khiển lắc ngƣợc sử dụng mạng neural chip dsp Ngày & nơi bảo vệ: Tháng 10/2013, Trƣờng Đại Học Sƣ Phạm Kỹ Thuật Tp Hồ Chí Minh Ngƣời hƣớng dẫn: TS Ngô Văn Thuyên i III QUÁ TRÌNH CÔNG TÁC CHUYÊN MÔN KỂ TỪ KHI TỐT NGHIỆP ĐẠI HỌC: Thời gian Từ 09/2009 đến 05/2010 Từ tháng 09/2010 đến tháng 05/2011 Từ tháng 05/201 đến tháng 010/2013 Nơi công tác Cao Đẳng Nghề Thanh Niên Dân Tộc Tây Nguyên Nhiệm vụ Đại Học Sƣ Phạm Kỹ Thuật TP HCM Giáo viên Công Ty SONION Việt Nam Kỹ sƣ Giáo viên IV QUÁ TRÌNH NGHIÊN CỨU KHOA HỌC Các công trình khoa học công bố: TT 01 02 03 Tên công trình Năm công bố 2012 Rotary inverted pendulum and control of rotary inverted pendulum by artificial neural network Thermodynamic properties of molecular 2012 cryocrystals of nitrogen type with fcc structure: contribution from lattice vibrations and molecular rotational motion Molar heat capacity under constant 2012 volume of molecular cryocrystals of nitrogen type with hcp structure: contribution from lattice vibrations and molecular rotational motion Tên tạp chí Proc Natl Conf Theor Phys 37 (2012), pp 243-249 Proc Natl Conf Theor Phys 37 (2012), pp 150-156 Proc Natl Conf Theor Phys 37 (2012), pp 180-186 TP HCM, ngày 11 tháng 09 năm 2013 Ngƣời khai ký tên Nguyễn Đức Quyền ii Lời Cam Đoan Tôi cam đoan công trình nghiên cứu Các số liệu, kết nêu luận văn trung thực chƣa đƣợc công bố công trình khác Tp Hồ Chí Minh,ngày 11 tháng 09 năm 2013 (Ký tên ghi rõ họ tên) Nguyễn Đức Quyền iii Lời Cảm Ơn - - -  - - - Em xin gửi lời cảm ơn chân thành tới thầy TS Ngô Văn Thuyên, ngƣời tận tình hƣớng dẫn truyền đạt kiến thức giúp em hoàn thành luận văn Và quan trọng hết, thầy ngƣời gợi mở cho em hƣớng nghiên cứu mà em cảm thấy quan tâm mong muốn theo đuổi Bên cạnh đó, em xin gửi lời cảm ơn sâu sắc tới tất qúy Thầy Cô trƣờng Đại Học Sƣ Phạm Kỹ Thuật Tp Hồ Chí Minh trang bị cho em kiến thức bổ ích, đặc biệt em xin chân thành cảm ơn thầy TS Nguyễn Minh Tâm tạo điều kiện thuận lợi hỗ trợ cho em nhiều trình học tập nhƣ thời gian làm luận văn Cuối cùng, xin chân thành cảm ơn quan tâm, hỗ trợ, tạo điều kiện động viên vật chất lẫn tinh thần thành viên gia đình, đặc biệt Mẹ suốt thời gian qua Nguyễn Đức Quyền iv Tóm Tắt Luận Văn Hệ thống lắc ngƣợc hệ thống không ổn định, phi tuyến mức cao Nó đƣợc sử dụng nhƣ mô hình phổ biến cho ứng dụng kỹ thuật điều khiển tuyến tính phi tuyến Mô hình lắc đƣợc dùng để kiểm chứng lại thuật toán điều khiển nhƣ: điều khiển trƣợt, đặt cực, LQR, PID, logic mờ, mạng neural Điều khiển lắc ngƣợc gồm hai trình: điều khiển lật ngƣợc lắc điều khiển cân lắc quanh vị trí lật ngƣợc Trong phƣơng pháp điều khiển hành hệ phi tuyến, mạng neural phƣơng pháp không Tuy nhiên, mạng neural nhiều vấn đề cần quan tâm Những kết nghiên cứu trƣớc cho thấy mạng neural điều khiển tốt phƣơng pháp khác hệ phi tuyến Trong công trình này, tác giả sử dụng mạng neural truyền thẳng khớp quan hệ vào (fitting neural network) huấn luyện theo luật học lan truyền ngƣợc Bayesian để xây dựng điều khiển cân Bộ điều khiển cân đƣợc huấn luyện để mô theo điều khiển hệ thống Bộ điều khiển cân hoạt động giống điều khiển hệ thống nhƣng thích nghi thông số hệ thống thay đổi Tác giả sử dụng thuật toán logic mờ để xây dựng điều khiển lật ngƣợc lắc Dựa vị trí vận tốc lắc, điều khiển lật ngƣợc tính toán định điện áp điều khiển nhằm đƣa lắc lên vị trí dựng ngƣợc cho vận tốc nhỏ nhất, sau chuyển sang điều khiển cân để giữ lắc ổn định vị trí Kết thực nghiệm đạt đƣợc: Bộ điều khiển lật ngƣợc dùng logic mờ đƣa lắc từ vị trí buông thõng lên vị trí lật ngƣợc, sau hệ thống điều khiển chuyển sang điều khiển cân để giữ lắc ổn định vị trí Bộ điều khiển cân lắc dùng mạng neural truyền thẳng khớp quan hệ vào đạt đƣợc đáp ứng sai số hệ thống nhỏ trì lắc ổn định tốt vị trí lật ngƣợc v Abstract Inverted pendulum system is unstable, highly nonlinear It is used as a common model for engineering applications in linear and nonlinear control Pendulum model is used to test control algorithms such as: slide control, LQR, PID, fuzzy logic, neural networks Inverted pendulum controller consists two unit: swing-up controller and balance controller In the current control method for nonlinear systems, neural network isn‟t a new method However, neural network has a few interesting questions, and some research results have shown that it is better than the other methods for nonlinear systems In this project, the authors use fitting neural networks trained by Bayesian back-propagation learning rule to build the balance controller The balance controller is trained to simulate the system controller This controller works like controller of system, but it can be adapted if parameters of the system change The author uses fuzzy logic algorithm to build the swing-up controller Based on the location and velocity of the pendulum, the controller will calculate and decide control voltage to swing up pendulum to inverted position, at the smallest velocity, then switch to the balance controller to keep the pendulum stability at this position The experimental results obtained: Swing-up controller brought the pendulum to inverted position and switch to the balance controller to keep the pendulum stability at this position With the balance controller using fitting neural network, the error response of the system is very small and pendulum stable at inverted position vi Mục lục Trang tựa trang Quyết định giao đề tài LÝ LỊCH KHOA HỌC i Lời Cam Đoan iii Lời Cảm Ơn iv Tóm Tắt Luận Văn v Mục lục vii Danh Sách Các Chữ Viết Tắt x Danh Sách Các Hình xi Danh Sách Các Bảng xiv Chƣơng Tổng Quan 1.1 Đặt vấn đề 1.2 Lịch sử nghiên cứu 1.3 Mục tiêu giới hạn đề tài 1.4 Phƣơng pháp nghiên cứu 1.5 Nội dung luận văn Chƣơng Mô Hình Toán Học 2.1 Xây dựng mô hình toán học [8], [9] 2.2 Mô lắc ngƣợc quay matlab 13 2.1.1 Khảo sát đáp ứng lắc tuyến tính 15 2.1.2 Khảo sát đáp ứng góc lắc với điều khiển PID biến 16 2.1.3 Khảo sát đáp ứng góc lắc với điều khiển PID hai biến 17 2.1.4 Khảo sát đáp ứng lắc phi tuyến 21 vii – Kết Quả Thực Nghiệm Hình 5.11 Đáp ứng góc alpha với mạng fitting neural network thêm m 2L=30cm SSE= 624 Hình 5.12 Đáp ứng góc alpha với mạng truyền thẳng [9] thêm m 2L=30cm SSE=919 Kết đáp ứng cho thấy ngõ góc lệch theta lắc với điều khiển mạng fitting neural network lệch khoảng [-15˚,-2˚], SSE= 76345 mạng neural truyền thẳng [9] lệch khoảng [-27˚,2˚], SSE= 209188 đƣợc thể Hình 5.13 Hình 5.14 52 – Kết Quả Thực Nghiệm Hình 5.13 Đáp ứng góc theta với mạng fitting neural network thêm m 2L=30cm SSE= 76345 Hình 5.14 Đáp ứng góc theta với mạng feedforward [9] thêm m 2L=30cm SSE= 209188 Dựa vào kết thực nghiệm ta thấy mạng fitting neural network cho đáp ứng điều khiển hệ lắc ngƣợc tốt mạng feedforward góc lệch lắc cánh tay trƣờng hợp: thông số mô hình không đổi thông số mô hình thay đổi thêm khối lƣợng m = 0.31kg vị trí 2L=16cm 2L=30cm 53 – Kết Quả Thực Nghiệm 5.2 Điều khiển Swing-up sử dụng logic mờ Phần tác giả trình bày kết đạt đƣợc điều khiển swing-up sử dụng logic mờ hồi tiếp vị trí vận tốc gó alpha Hình 5.15 mô tả vùng kích điện áp lên động để điều khiển lật ngƣợc lắc Hình 5.15 Vùng tác động điều khiển Swing- up 54 – Kết Quả Thực Nghiệm Hình 5.16: Lưu đồ giải thuật điều khiển Swing-up Sau kết thu đƣợc thực điều khiển Swing-up mô hình lắc ngƣợc Bộ điều khiển swing-up đƣa lắc từ vị trí buông thõng lên vị trí dựng ngƣợc chuyển sang điều khiển cân để trì lắc vị trí này, kết thể hình 5.17 55 – Kết Quả Thực Nghiệm Hình 5.17 Góc alpha lắc điều khiển swing-up Nhận xét: Bộ điều khiển dùng mạng fitting neural network để điều khiển hệ thống lắc ngƣợc cân cho đáp ứng lắc ổn định khoảng [-2˚,1˚] khối lƣợng lắc đƣợc thay đổi điều khiển mạng fitting neural network giữ đƣợc hệ thống ổn định quanh vị trí dựng ngƣợc tốt Cả hai điều khiển mạng neural truyền thẳng [9] mạng fitting neural network ổn định đƣợc hệ thống lắc ngƣợc Tuy nhiên, kết thực nghiệm cho thấy điều khiển dùng mạng fitting neural network ổn định hệ thống lắc ngƣợc tốt điều khiển dùng mạng feedforward network Tác giả áp dụng thành công giải thuật mờ vào điều khiển swing-up Dựa vận tốc vị trí góc hồi tiếp, điều khiển lật ngƣợc tính toán điện áp kích swing-up nhƣ trình bày chƣơng Kết thực nghiệm đạt đƣợc hệ thống điều khiển lắc ngƣợc quay hoàn chỉnh nhƣ mục tiêu đề tài 56 - Kết Luận Và Hướng Phát Triển Đề Tài Chƣơng Kết Luận Và Hƣớng Phát Triển Đề Tài 6.1 Kết luận Mục tiêu nghiên cứu luận văn điều khiển lắc ngƣợc cân điều khiển lật ngƣợc lắc, trƣớc tiên tác giả xây dựng đƣợc mô hình mô lắc dựa theo phƣơng trình toán học Mô hình mô đƣợc dùng để nghiên cứu đặc tính hệ thống thử nghiệm phƣơng pháp điều khiển Tiếp theo tác giả xây dựng thành công hệ thống điều khiển lắc ngƣợc quay hoàn chỉnh, bao gồm: điều khiển cân sử dụng mạng fitting neural network điều khiển swing-up sử dụng logic mờ Kết thực nghiệm cho thấy mạng fitting neural network điều khiển ổn định lắc ngƣợc tốt, thay đổi khối lƣợng lắc (thêm vật nặng m = 0.31kg) hệ thống thích nghi điều khiển ổn định lắc quanh vị trí lật ngƣợc Bộ điều khiển cân lắc dùng mạng fitting neural network cho đáp ứng điều khiển tốt điều khiển dùng mạng feedforward Bộ điều khiển lật ngƣợc lắc sử dụng giải thuật Logic mờ điều khiển lật ngƣợc lắc thành công Khi lắc đƣợc đƣa lên vị trí dựng ngƣợc, hệ thống chuyển sang điều khiển cân dùng mạng fitting neural network để ổn định vị trí dựng ngƣợc 6.2 Hƣớng phát triển đề tài Đề tài „Điều Khiển Con Lắc Ngược Sử Dụng Mạng Neural Trên Chip Dsp‟ đƣợc phát triển thêm nhƣ sau:  Dùng mạng neural online để tự huấn luyện điều chỉnh thông số, cấu trúc mạng trình điều khiển  Nghiên cứu cấu trúc luật học mạng neural khác để áp dụng cho điều khiển lắc ngƣợc  Điều khiển lật ngƣợc lắc giải thuật khác 56 – Phụ Lục Tài Liệu Tham Khảo [1] Yung-Chih Fu, Jung-Shan Lin, Nonlinear backstepping control design of the furuta pendulum, IEEE Conference on Control Applications - CCA, pp 96-101, 2005 [2] Yanliang Zhang, Wei Tech Ang, Jiong Jin, Shudong Zhang, Zhihong Man, Nonlinear Adaptive Sliding Mode Control for a Rotary Inverted Pendulum, Advances in Industrial Engineering and Operations Research Lecture Notes in Electrical Engineering Volume 5, pp 345-360, 2008 [3] Phan Vinh Hiếu, Nguyễn Đức Thành, Xây dựng điều khiển nhúng cho hệ lắc ngược quay, Đại Học Bách Khoa TPHCM, 2010 [4] Tyaki, M.A.a.B., Design of Fuzzy logic controller for nonlinear model of inverted pendulum - cart system, December 17-19,2008 [5] Mojtaba Ahmadieh Khanesar, Mohammad Teshnehlab, Mahdi Aliyari Shoorehdeli, Sliding Mode Control of Rotary Inverted Pendulm, Proceeding of the 15th Mediterranean Conference on Control & Automation, 2007 [6] ANK Nasir, RMTR Ismail, MA Ahmad, Performance comparison between sliding mode control (SMC) and PD-PID controllers for a nonlinear inverted pendulum system, World Academy of Science, Engineering and Technology, 2010 [7] Chunha Ryu, Byung-Jae Choi, Bong-Yeol Choi, Design of a Fuzzy Logic Controller for a Rotary-type Inverted Pendulum System, International Journal of Fuzzy Logic and Intelligent Systems, vol 2, no 2, pp 109-114, June 2002 [8] Callinan, T., Artificial Neural Network Identification and control of the inverted pendulum, Center of excellence in BME of IR IRAN, August 2003 [9] Trƣơng Tấn, Ngô Văn Thuyên, Điều khiển nhận dạng lắc ngược, Đại Học Sƣ Phạm Kỹ Thuật TP HCM, 2012 [10] Omaima N Ahmad AL-Allaf, Cascade-Forward vs Function Fitting Neural Network for Improving Image Quality and Learning Time in Image Compression System, Proceedings of the World Congress on Engineering 2012 Vol II, London, U.K, July - 6, 2012 59 – Phụ Lục [11] Hao Yu and B M Wilamowski, “Levenberg–Marquardt Training” Industrial Electronics Handbook, vol – Intelligent Systems, 2nd Edition, chapter 12, pp 12-1 to 12-15, CRC Press 2011 [12] Burden F, Winkler D, “Bayesian regularization of neural networks” Artificial Neural Networks : Methods and Applications, Methods in Molecular Biology Vol 458 , pp 23 to 42, Springer Press Jun-01-2008 [13] Zhongmin Wang, YangQuan Chen, Ning Fang, Minimum-Time Swing-up of a Rotary Inverted Pendulum by Iterative Impulsive Control, Proceeding of the American Control Conference Boston, Massachusetts, 2004 [14] Furura K., Yamakita M., Swing-up control of Inverted pendulum using pseudostate feedback, Proceedings of the Institution of Mechanical Engineers, vol 206, 1992 [15] Lê Hải Khôi, Trần Đức Minh, Một phương pháp dự báo liệu sử dụng mạng nơron Tạp chí Tin học Điều khiển học 20, 2004 [16] Phạm Hữu Dục Đức, Mạng nơron ứng dụng điều khiển tự động, Nhà xuất khoa học kỹ thuật, 2009 [17] Nguyễn Thị Phƣơng Hà, Lý Thuyết Điều Khiển Hiện Đại, Nhà Xuất Bản Đại Học Quốc Gia Tp Hồchí Minh, 2007 [18] Vũ Chấn Hƣng, Đặng Thành Phu, Hoàng Văn Tuấn, Điều Khiển Hệ Thống Con Lắc Ngược Quay, Tạp chí Khoa học Công nghệ, 2005 [19] Nguyễn Thị Phƣơng Hà, Huỳnh Thái Hoàng, Lý Thuyết Điều Khiển Tự Động, Nhà Xuất Bản Đại Học Quốc Gia Tp Hồchí Minh, 2005 [20] Valeri Mladenov, Application of Neural Networks for Control of Inverted Pendulum, Wseas Transactions On Circuits And System, 2011 [21] Madan M Gupta, Liang Jin, Noriyasu Homma, Static and dynamic neural networl from fundamentals to advanced theory, A Joihn Wiley & Sons, Inc., 2003 [22] Xiumin Diao, Ou Ma, Rotary Inverted Pendulum, New Mexico State University, 2006 [23] Ahmad Nor Kasruddin Bin Nasir, Modeling And Controller Design For An Inverted Pendulum System, Universiti Teknologi Malaysia, 2007 60 – Phụ Lục [24] Mahadi Hasan, Chanchal Saha, Md Mostafizur Rahman, Md Rabiual Islam Sarker, Subrata K Aditya, Balancing of an Inverted Pendulum Using PD Controller, Dhaka Univ J Sci 60(1): 115-120, 2012 [25] Viroch Sukontanakarn, Manukid Parnichkun, Real-Time Optimal Control for Rotary Inverted Pendulum, American Journal of Applied Sciences (6), 2009 [26] Singh Vivekkumar Radhamohan, Mona Subramaniam A, Dr M.J.Nigam, Fuzzy Swing-up and Stabilization of Real Inverted Pendulum using single rulebase, Journal of Theoretical and Applied Information Technology, 2010 61 – Phụ Lục Phụ Lục A Giới thiệu phần cứng hệ thống lắc ngƣợc quay Hình 7.1 thể sơ đồ hệ thống điều khiển lắc ngƣợc quay Hệ thống thực nghiệm đƣợc giới thiệu Hình 5.2 Hình 7.1 Sơ đồ hệ thống điều khiển lắc ngược quay Hình 7.2 Hệ thống thực nghiệm Hệ thống lắc ngƣợc quay đƣợc thiết kế gồm phần chính: Phần khí, phần mạch điện tử phần thu thập liệu máy tính hệ thống lắc thông qua JtagXDS510 a Phần khí: Hệ lắc ngƣợc quay Hình 7.3 bao gồm: Encoder lắc Encoder cánh tay Mạch điều khiển 62 – Phụ Lục Con lắc Jtag XDS510 USB Cánh tay quay Động DC DSP TMS320F2812 Khung nhôm 10 Bàn nhôm Hình 7.3 Phần khí mô hình lắc ngược Thông số hệ thống lắc ngƣợc đƣợc trình bày Bảng 7.1 Bảng 7.1 Thông số thực hệ thống lắc ngƣợc thực Mô tả Thông số mô hình Khối lƣợng lắc 0.2 kg Chiều dài lắc Chiều dài cánh tay 32 cm 23cm Khối lƣợng cánh tay 0.4 kg Độ cao mô hình Khối lƣợng mô hình 75 cm kg Thông số động DC có: 24VDC, 3700rpm, 55W Thông số encoder có: 5VDC, độ phân giải 4096v/p b Phần mạch điện tử: Hệ thống mạch đƣợc tích hợp nhiều khối bao gồm mạch giao tiếp encoder, mạch nguồn 5VDC, mạch cầu H điều khiển động DC, mạch truyền thông mạch cách ly Mạch giao tiếp Encoder: Dạng sóng ngõ encoder cần đƣợc xử lý trƣớc đƣa vào ngõ vào QEP chip F2812 để tƣơng thích với mức logic 63 – Phụ Lục chip F2812 (sơ đồ nguyên lý mạch giao tiếp Encoder đƣợc thể phụ lục 3) Mạch cầu H: Điều khiển động DC, đƣợc sử dụng ứng dụng phải có khả đảo chiều nhanh dẫn dòng lớn Trong mạch cầu H, IC IR2184 đƣợc sử dụng để làm driver cho FET mạch cầu H Với nguyên lý hoạt động chúng, IC driver đƣợc sử dụng mạch nhận tín hiệu PWM đóng FET tƣơng ứng để làm cho động quay theo chiều xác định Mạch giao chuẩn SCI: đƣợc sử dụng để giao tiếp chip F2812 máy tính có nhiệm vụ thu thập liệu Mạch cách ly: Mạch cách ly chip F2812 mạch cầu H đƣợc sử dụng mô hình Opto 6N137 Đây IC chuyên dùng có tần số đóng ngắt cao để xử lý tín hiệu PWM đƣợc sử dụng để nhận tín hiệu điều khiển từ chip F2812, với Opto PC817 đƣợc dùng để đƣa tín hiệu sang mạch cầu H nhằm điều khiển động Hình 7.4 Mạch điện tử điều khiển mô hình lắc ngược Mạch giao tiếp SCI Mạch điều khiển Mạch cầu H Mạch giao tiếp Encorder 64 – Phụ Lục c Các sơ đồ nguyên lý mạch điện hệ thống thực 3k3 220 2 PWM1 0.1u + 6N137 5V Hình 7.5 Mạch giao tiếp Encorder với ngõ QEP DSP 5V 14 14 5V GND_3,3V U16B U16A 5V 4k7 th2 7 330 3k3 HEF4001B 5V PC817 14 220 DIR 1 blue U16C 10 4k7 2th1 GND_3,3V Hình 7.6 Mạch cách ly phần điều khiển phần động lực 65 24VDC – Phụ Lục 1 SD HO COM LO Vs Vcc 1N4007 VB 1 IN + 4,7u + 470u + 470u + IRF3205 1K 470u 4,7u + 5V yellow 2 th2 IRF3205 100 + 100 0.1uF RXD TXD 14 13 GND 5V_DSP 0.1uF 16 15 Hình 7.7 Mạch động lực điều khiển động 24V V- C2- V+ C2+ C1- VCC C1+ T2OUT T1OUT R2IN R1IN R2OUT R1OUT T1IN T2IN 12 11 10 2 Vs Vcc IR2184 thuan LO green nghich + COM HO 1K SD 1N4007 2 VB COMMUNICATION _ SCI 5V IN IRF3205 100 0.1uF 0.1uF RXD_DSP TXD_DSP M AX 3232 Hình 7.8 Mạch giao tiếp SCI 66 4,7u 4,7u th1 IR2184 IRF3205 2 12V 100 12V [...]... tác giả sử dụng các giải thuật điều khiển thông minh nhƣ điều khiển mờ [7], điều khiển dùng mạng neural [8], [9] Việc sử dụng mạng neural [8], [9] đã mô phỏng thành công một giải thuật điều khiển trƣớc đó (bộ điều khiển PID) để điều khiển tốt đối tƣợng con lắc ngƣợc quay thực tế Tuy nhiên, có nhiều loại mạng neural đƣợc sử dụng trong thực tế Vấn đề chọn mạng neural nào để sử dụng trong điều khiển là... Cả hai bộ điều khiển này đƣợc mô phỏng trên môi trƣờng Simulink Matlab và cho thấy đều có khả năng điều khiển thành công mô hình con lắc Kết quả cho thấy rằng khi sử dụng bộ điều khiển trƣợt thì cho đáp ứng tốt hơn so với bộ điều khiển PID Tuy nhiên, khi sử dụng hai bộ điều khiển này để điều khiển con lắc thì vị trí góc lệch con lắc tƣơng đối lớn Để khắc phục các khuyết điểm trên của điều khiển phi... tuyến Do đó, hệ thống trên đƣợc sử dụng rất rộng rãi trong các thí nghiệm kiểm chứng lý thuyết điều khiển Một số dạng mô hình con lắc ngƣợc đƣợc sử dụng nhiều nhƣ: pendubot, hệ con lắc ngƣợc xe, hệ con lắc ngƣợc quay… Hình 1.1 Hệ Pendubot Hình 1.2 Hệ con lắc ngược xe 3 1 – Tổng Quan Hình 1.3 Hệ con lắc ngược quay Hình 1.4 Hệ con lắc một bậc Trong các mô hình trên, hệ pendubot và hệ con lắc ngƣợc xe có khuyết... bộ điều khiển cân bằng con lắc sử dụng mạng neural truyền thẳng khớp quan hệ vào ra Chƣơng 4 Điều khiển lật ngƣợc sử dụng logic mờ (Fuzzy logic): Trong chƣơng này, tác giả trình bày lý thuyết về điều khiển mờ có liên quan tới ứng dụng trong đề tài này Tiếp theo tác giả nêu lên giải thuật điều khiển lật ngƣợc con lắc sử dụng để xây dựng bộ điều khiển swing-up Phần cuối chƣơng thể hiện kết quả áp dụng. .. để điều khiển con lắc ổn định Tuy nhiên trong phƣơng pháp điều khiển trƣợt việc tìm kiếm bề mặt trƣợt của hệ thống là không dễ dàng Theo hƣớng nghiên cứu của nhóm ANKN, RMTRI, MAA [6] thiết kế bộ điều khiển trƣợt và bộ điều khiển PID để điều khiển cho con lắc ngƣợc Mục tiêu của bài báo này là so sánh chất lƣợng đáp ứng của hệ thống khi sử dụng hai bộ điều khiển này để điều khiển ổn định cho con lắc. .. 2.1.1 Khảo sát đáp ứng của con lắc tuyến tính Mục đích của phần này là nêu lên đặc tính không ổn định của hệ con lắc Từ đó, chúng ta thấy đƣợc lý do cần phải có bộ điều khiển để ổn đinh con lắc Hình 2.5 Sơ đồ khối mô tả con lắc khi chưa có bộ điều khiển Hình 2.6 Góc α của con lắc khi chưa có bộ điều khiển 15 2 – Mô Hình Toán Học Sơ đồ khối điều khiển con lắc khi chƣa có bộ điều khiển đƣợc thể hiện ở Hình... cứng Hệ con lắc một bậc là hệ SISO nên mô hình còn mang tính đơn giản Hệ con lắc ngƣợc quay không bị giới hạn về không gian hoạt động và là một hệ SIMO nên giải thuật điều khiển phải đòi hỏi phức tạp hơn, phù hợp cho các giải thuật điều khiển chuyên sâu Quá trình điều khiển con lắc ngƣợc quay gồm hai giai đoạn: điều khiển swing-up và điều khiển cân bằng Đối với điều khiển cân bằng cho con lắc, các... điều khiển cân bằng dùng PID Tiếp theo là xây dựng bộ điều khiển cân bằng con lắc dùng mạng neural truyền thẳng khớp quan hệ vào ra, đƣợc huấn luyện mạng bằng luật học lan truyền ngƣợc Bayesian Bộ điều khiển lật ngƣợc con lắc sẽ đƣợc xây dựng bằng giải thuật 6 1 – Tổng Quan logic mờ để đƣa con lắc lên vị trí lật ngƣợc Sau đó kết hợp bộ điều khiển lật ngƣợc và bộ điều khiển cân bằng để có hệ thống điều. .. alpha và theta 19 Hình 2.13 Điều khiển con lắc hồi tiếp cả hai góc alpha và theta khi thay đổi m 20 Hình 2.14 Điều khiển con lắc không ổn định khi khối lƣợng m = 0.65kg 20 Hình 2.15 Điều khiển con lắc hồi tiếp cả hai góc alpha và theta khi thay đổi chiều dài .21 Hình 2.16 Điều khiển con lắc không ổn định khi chiều dài bằng L=0.4194 m 21 Hình 2.17 Điều khiển con lắc hồi tiếp cả hai góc alpha... toán trên tập mờ 41 4.2 Điều khiển Swing-up [14], [15] 42 4.3 Áp dụng điều khiển mờ trong Swing-up con lắc 44 Chƣơng 5 Kết Quả Thực Nghiệm 46 5.1 Điều khiển con lắc ngƣợc dùng mạng fitting neural network 46 5.1.1 Đáp ứng của con lắc khi chƣa thay đổi thông số mô hình 47 viii 5.1.2 Đáp ứng của con lắc khi thêm m = 0.31kg tại 2L=16cm 49 5.1.3 Đáp ứng của con lắc khi