Thiết kế bộ điều khiển thích nghi nơron - mờ kết hợp với bộ điều khiển LQR cho phép giảm dao động của tải trọng và định vị chính xác của giàn cần cẩu dựa trên Matlab

NGHIÊN CỨU KHOA HỌC<br /> <br /> <br /> THIẾT KẾ BỘ ĐIỀU KHIỂN THÍCH NGHI NƠRON - MỜ<br /> KẾT HỢP VỚI BỘ ĐIỀU KHIỂN LQR CHO PHÉP GIẢM<br /> DAO ĐỘNG CỦA TẢI TRỌNG VÀ ĐỊNH VỊ CHÍNH XÁC<br /> CỦA GIÀN CẦN CẨU DỰA TRÊN MATLAB<br /> ADAPTIVE NEURAL - FUZZY CONTROLLER DESIGN COMBINED<br /> WITH LQR CONTROLLER ALLOWS TO REDUCE VIBRATION<br /> OF LOAD AND ACCURATE POSITIONING<br /> OF THE GANTRY CRANE BASED ON MATLAB<br /> Nguyễn Văn Trung 1,2, Nguyễn Trọng Các 1, Nguyễn Thị Tâm1, Nguyễn Thị Việt Hương1<br /> Email: nguyenvantrung.10@gmail.com<br /> 1<br /> Trường Đại học Sao Đỏ, Việt Nam<br /> 2<br /> Trường Đại học Trung Nam, Trung Quốc<br /> Ngày nhận bài: 26/7/2017<br /> Ngày nhận bài sửa sau phản biện: 2/12/2017<br /> Ngày chấp nhận đăng: 28/12/2017<br /> Tóm tắt<br /> Thế giới ngày càng phát triển, số lượng hàng hóa tại các nhà xưởng và bến cảng ngày càng nhiều, để vận<br /> chuyển tất cả các loại hàng hóa này không thể thiếu các giàn cần cẩu. Thực tế hiện nay các giàn cần cẩu<br /> hoạt động với sự ổn định chưa cao, vẫn còn sự lắc lư của tải trọng dẫn đến khả năng định vị thiếu chính<br /> xác. Chủ đề của bài báo này là thiết kế bộ điều khiển thích nghi nơron - mờ kết hợp với bộ điều khiển LQR<br /> để kiểm soát vị trí của xe nâng trong thời gian ngắn nhất đạt được vị trí mong muốn, đồng thời khống chế<br /> góc lệch của tải trọng sao cho dao động là nhỏ nhất. Bộ điều khiển thiết kế được mô phỏng trên phần mềm<br /> Matlab/Simulink trong các trường hợp thay các đổi thông số hệ thống và nhiễu tác động đến hệ thống giàn<br /> cần cẩu. Kết quả mô phỏng cho thấy bộ điều khiển thích nghi nơron - mờ kết hợp với bộ điều khiển LQR<br /> được đề xuất làm việc tốt txivt = 2,1 s, txigi = 3,5 s, θmax = 0,3 (rad).<br /> Từ khóa: Giàn cần cẩu; điều khiển thích nghi nơron-mờ; điều khiển LQR; điều khiển vị trí; điều khiển<br /> dao động.<br /> Abstract<br /> <br /> As the world grows, the number of goods at factories and ports are rising, to transport all kinds of goods<br /> are needed gantry crane. Actually, the crane gantry operation is not high stability, the load fluctuations<br /> lead to inaccurate positioning. The subject of this paper is to design an adaptive neural-fuzzy controller<br /> in combination with an LQR controller to control the position of the forklift truck in the shortest time<br /> to reach the desired position while controlling the angle of deviation of the load so that oscillation is<br /> minimal. The design controller is simulated on the Matlab/Simulink software in case of changing the<br /> system parameters and interference impacts on the crane system. Simulation results show that the<br /> adaptive neural-fuzzy controller combined with the proposed LQR controller works well txivt = 2.1 s,<br /> txigi = 3.5 s, θmax = 0.3 (rad).<br /> Keywords: Gantry crane; adaptive neural-fuzzy controller; LQR Control; position control; oscillation control.<br /> <br /> <br /> <br /> 1. ĐẶT VẤN ĐỀ Về mặt cấu trúc, các giàn cần cẩu trên không<br /> <br /> Trong thời đại công nghiệp hóa, giàn cần cẩu đóng được di chuyển bởi xe nâng và tải trọng được<br /> <br /> một vai trò đặc biệt quan trọng. Việc vận chuyển treo trên xe nâng thông qua cáp treo [1]. Mô hình<br /> hàng hóa an toàn, hiệu quả và kịp thời là cần chuyển động kiểu con lắc [2]. Các cấu trúc này có<br /> thiết. Vì vậy đã có nhiều nghiên cứu nâng cao khả cấu trúc như thể hiện trong hình 1. Hệ thống giàn<br /> năng sử dụng, tăng hiệu quả hoạt động của giàn cần cẩu với các chức năng di chuyển, nâng và hạ<br /> cần cẩu. hàng hóa, tuy nhiên do góc xoay tự nhiên của tải<br /> <br /> <br /> 28 Tạp chí Nghiên cứu khoa học - Đại học Sao Đỏ, ISSN 1859-4190 Số 4(59).2017<br />  LIÊN NGÀNH ĐIỆN - ĐIỆN TỬ - TỰ ĐỘNG HÓA<br /> <br /> trọng dẫn đến những chức năng này sẽ hoạt động 2. MÔ HÌNH ĐỘNG LỰC CỦA HỆ THỐNG GIÀN<br /> kém hiệu quả. Sự lắc lư của tải trọng là do chuyển CẦN CẨU<br /> động di chuyển của xe nâng, do thường xuyên<br /> Một hệ thống giàn cần cẩu được thể hiện trong<br /> thay đổi chiều dài cáp treo và khối lượng của tải<br /> hình 2 với các thông số và các giá trị được [10]<br /> trọng, ngoài ra còn do tác động bởi nhiễu gây ra<br /> đưa ra như trình bày trong bảng 1. Hệ thống này<br /> như sóng, gió và va chạm... Để loại bỏ những tác<br /> có thể được mô hình hóa như là một xe nâng với<br /> động của nhiễu bên ngoài đến hệ thống giàn cần<br /> khối lượng M. Một con lắc gắn liền với nó có trọng<br /> cẩu [3] đề xuất ba môđun thông tin phản hồi phát<br /> tải khối lượng m, l là chiều dài của con lắc, θ là góc<br /> hiện, bù đắp lỗi định vị, loại bỏ các rối loạn và<br /> lệch của con lắc, Ӫ là vận tốc góc của tải trọng.<br /> định hình đầu vào để giảm dao động của tải trọng.<br /> Một cơ chế mới cho ảnh hưởng kiểm soát bên [4]<br /> để ngăn chặn sự chuyển động lắc của tải trọng.<br /> Một thuật toán PSO [5], DE [6] được sử dụng để<br /> điều chỉnh PID tối ưu và được thiết kế cho quá<br /> trình điều khiển cần cẩu trên cao với thông số điều<br /> khiển offline. Trong [7] đề xuất một khớp nối luật<br /> kiểm soát OFB đã đạt được vị trí chính xác và hiệu<br /> quả loại bỏ góc xoay của tải trọng. Một bộ điều<br /> khiển mở PD kép để điều khiển hệ thống giàn cần<br /> cẩu [8] trong đó bộ điều khiển mờ đầu tiên kiểm<br /> soát vị trí xe nâng, còn bộ điều khiển mờ thứ hai Hình 2. Sơ đồ của hệ thống giàn cần cẩu<br /> ngăn chặn các góc lệch của tải trọng. Trong [9] Bảng 1. Ký hiệu và giá trị các thông số giàn cần cẩu<br /> chọn hai bộ điều khiển mờ tách rời để đơn giản<br /> Ký Giá Đơn vị<br /> hóa các quy tắc kiểm soát và tính toán hệ thống. Mô tả<br /> hiệu trị k<br /> Trong [10] đề xuất kiểm soát các hệ thống giàn M Khối lượng xe nâng 1 kg<br /> cần cẩu bằng cách kết hợp chế độ trượt với bộ l Chiều dài của con lắc 0,305 m<br /> điều khiển mờ.<br /> m Khối lượng tải trọng 0,8 kg<br /> g Hằng số hấp dẫn 9,81 m/s2<br /> µ Hệ số ma sát 0,2 N/m/s<br /> <br /> Theo phương trình Lagrangian:<br /> <br /> <br /> <br /> <br /> trong đó: p: thế năng của hệ thống; qi: hệ tọa độ<br /> Hình 1. Hình ảnh của giàn cần cẩu<br /> suy rộng; i: số bậc tự do của hệ thống; Qi : lực bên<br /> Trong bài báo này đề xuất bộ điều khiển thích nghi ngoài; T: động năng của hệ thống:<br /> nơron - mờ kết hợp với bộ điều khiển LQR để kiểm<br /> <br /> soát vị trí của giàn cần cẩu trong khi khống chế<br /> góc lệch của tải trọng. Bộ điều khiển thiết kế được<br /> kiểm tra thông qua mô phỏng Matlab/Simulink, kết Vị trí của xe nâng (XMYM) trong hệ tọa độ quán tính<br /> quả làm việc tốt. được cho bởi:<br /> <br /> Phần còn lại của bài báo được cấu trúc như <br /> sau: Phần 2: Mô hình động lực của hệ thống<br /> giàn cần cẩu. Thiết kế bộ điều khiển thích nghi Vị trí của tải trọng (XmYm) trong hệ tọa độ quán tính<br /> nơron - mờ kết hợp với bộ điều khiển LQR được được cho bởi:<br /> trình bày trong phần 3. Phần 4: Mô tả các kết quả<br /> <br /> mô phỏng. Phần 5: Kết luận.<br /> <br /> <br /> Tạp chí Nghiên cứu khoa học - Đại học Sao Đỏ, ISSN 1859-4190 Số 4(59).2017 29<br />  NGHIÊN CỨU KHOA HỌC<br /> <br /> Từ (3), (4) ta có các thành phần vận tốc của xe 3. THIẾT KẾ BỘ ĐIỀU KHIỂN THÍCH NGHI<br /> nâng và tải trọng là: NƠRON - MỜ KẾT HỢP VỚI BỘ ĐIỀU<br /> KHIỂN LQR<br /> (5) Bài báo đề xuất một bộ điều khiển thích nghi<br /> Động năng của xe nâng là: nơron - mờ ANFIS (Adaptive Neuro-Fuzzy<br /> Inference System) kết hợp với bộ điều khiển LQR<br /> (6) để điều khiển vị trí của xe nâng trong thời gian<br /> ngắn nhất đạt được vị trí mong muốn, đồng thời<br /> Động năng của tải trọng là: kiểm soát góc lệch của tải trọng sao cho dao động<br /> là nhỏ nhất.<br /> (7)<br /> Bộ điều khiển thích nghi nơron - mờ kết hợp với<br /> Từ (6), (7) ta có động năng của hệ thống là: bộ điều khiển LQR (ANFIS-LQR) là bộ điều khiển<br /> trong đó thiết bị điều khiển gồm hai thành phần<br /> sau: thành phần điều khiển tuyến tính LQR và<br /> thành phần điều khiển thích nghi nơron - mờ. Bộ<br /> (8) điều khiển thích nghi nơron - mờ kết hợp với bộ<br /> điều khiển LQR có thể thiết lập dựa trên các tín<br /> Thế năng của hệ thống là: hiệu là sai lệch e(t) và đạo hàm e’(t). Bộ điều khiển<br /> (9) thích nghi nơron - mờ có khả năng học, điều khiển<br /> thích nghi khi các thông số hệ thống thay đổi và<br /> Từ (8), (9) ta có:<br /> có đặc tính rất tốt ở vùng sai lệch lớn, đặc tính<br /> (10) phi tuyến của nó có thể tạo ra phản ứng động rất<br /> nhanh. Khi quá trình của hệ tiến gần đến điểm đặt<br /> (sai lệch e(t) và đạo hàm e’(t) của nó xấp xỉ bằng<br /> (11) 0), vai trò của bộ điều khiển thích nghi nơron - mờ<br /> bị hạn chế nên bộ điều khiển sẽ làm việc với bộ<br /> điều chỉnh LQR.<br /> (12)<br /> Sơ đồ bộ điều khiển thích nghi nơron - mờ ANFIS<br /> Tính toán tương tự (10)，(11)，(12) và thay vào kết hợp với bộ điều khiển LQR cho hệ thống giàn<br /> (1) ta có phương trình phi tuyến chuyển động của cần cẩu được mô tả trong hình 3.<br /> hệ thống giàn cần cẩu như sau:<br /> (13)<br /> (14)<br /> <br /> Tuyến tính hóa quanh trạng thái cân bằng,<br /> khi đó góc lệch của tải trọng nhỏ, ta có:<br /> Từ đó phương trình<br /> phi tuyến chuyển động của hệ thống giàn cần cẩu Hình 3. Sơ đồ cấu trúc Matlab của bộ điều khiển<br /> được đơn giản hóa với mô hình tuyến tính hóa thích nghi nơron - mờ ANFIS kết hợp<br /> sau: với bộ điều khiển LQR<br /> (15)<br /> 3.1. Thiết kế bộ điều khiển LQR<br /> (16)<br /> Hệ thống giàn cần cẩu được mô tả theo hệ<br /> Từ (15), (16) ta thu được hệ phương trình tuyến phương trình trạng thái sau:<br /> tính sau:<br /> <br /> <br /> (17) Trong đó: là một biến trạng<br /> thái đại diện cho sự dịch chuyển của xe<br /> nâng, vận tốc của xe nâng, góc lệch và<br /> trong đó: F: những lực bên ngoài tác động vào hệ vận tốc góc của tải trọng. u(t)=F là biến<br /> thống giàn cần cẩu. đầu vào,<br /> <br /> <br /> 30 Tạp chí Nghiên cứu khoa học - Đại học Sao Đỏ, ISSN 1859-4190 Số 4(59).2017<br />  LIÊN NGÀNH ĐIỆN - ĐIỆN TỬ - TỰ ĐỘNG HÓA<br /> <br /> <br /> <br /> <br /> Hình 4. Sơ đồ cấu trúc Matlab của bộ điều khiển<br /> LQR cho hệ thống giàn cần cẩu<br /> <br /> 3.2. Thiết kế bộ điều khiển thích nghi nơron -<br /> mờ ANFIS<br /> <br /> Hiệu suất của hệ thống là theo chỉ số J tốt nhất 3.2.1. Giới thiệu chung về bộ điều khiển thích<br /> [11]. Chỉ tiêu chất lượng dạng toàn phương là: nghi nơron - mờ ANFIS<br /> <br /> Bộ điều khiển thích nghi nơron - mờ ANFIS là<br /> (19)<br /> một ứng dụng được chạy trên phần mềm Matlab.<br /> Mạng đưa ra các phương pháp để hệ thống nơron<br /> Trong đó: Q = QT là một ma trận bánxác định - mờ có thể học từ các thông tin vào-ra cho trước<br /> dương, R = RT là ma trận xác định dương.<br /> (thông tin huấn luyện). Cụ thể trong bài báo này,<br /> Tín hiệu điều khiển tối ưu u là: nhóm tác giả đã tiến hành cho bộ điều khiển thích<br /> (20) nghi nơron - mờ ANFIS học theo bộ điều khiển<br /> LQR, từ đó xây dựng một hệ thống các hàm liên<br /> Với P là nghiệm bán xác định dương của phương<br /> trình đại số Ricatti: thuộc cho phép hệ thống này có thể suy luận các<br /> đáp ứng ra của hệ thống từ các kích thích ngõ<br /> (21)<br /> vào dựa trên cấu trúc của hệ thống đã được học.<br /> Giải phương trình (21) ta thu được giá trị P, từ đó ANFIS sử dụng phương pháp ước lượng bình<br /> suy ra giá trị của K.<br /> phương tối thiểu và lan truyền ngược sai số theo<br /> Do đó thiết kế bộ điều khiển LQR điều quan trọng hướng giảm gradien để xây dựng các tham số<br /> là chọn ma trận trọng số thích hợp từ đó xác định hàm liên thuộc. Tính toán cơ bản trong hệ thống<br /> ma trận thông tin phản hồi tối ưu.<br /> mờ (FIS) được xem như là một ánh xạ phi tuyến<br /> Bằng phương pháp thử sai, nhóm tác giả chọn được tham số hóa mô tả bằng hàm f như sau:<br /> được ma trận trọng số như sau: R =1,<br /> (22)<br /> (24)<br /> Trong đó: Vị trí trọng số của xe nâng được chọn<br /> là Q1,1 = 1000, góc trọng số của tải trọng là<br /> Q3,3 = 500. Trong đó: y l là đầu ra, µAl là hàm thuộc của đầu<br /> i<br /> <br /> vào tương ứng với luật hợp thành thứ l . Luật hợp<br /> Phần mềm Matlab Toolbox cung cấp một chức<br /> thành Max-PROD và phương pháp giải mờ là<br /> năng có thể sử dụng để thiết kế tối ưu tuyến tính<br /> điều chỉnh toàn phương [12]. Ma trận thông tin phương pháp điểm trọng tâm.<br /> phản hồi LQR được tính như sau: 3.2.2. Các bước thiết kế bộ điều khiển thích<br /> K = LQR (A, B, Q, R) (23) nghi nơron - mờ cho hệ thống giàn cần cẩu<br /> K = [31,6228; 14,4553; -15,650; 0,5413] Bước 1. Thiết kế sơ đồ cấu trúc Matlab cho bộ<br /> Bộ điều khiển LQR cho hệ thống giàn cần cẩu điều khiển ANFIS lấy mẫu học theo bộ điều khiển<br /> được thể hiện trong hình 4. LQR như thể hiện trong hình 5.<br /> <br /> <br /> Tạp chí Nghiên cứu khoa học - Đại học Sao Đỏ, ISSN 1859-4190 Số 4(59).2017 31<br />  NGHIÊN CỨU KHOA HỌC<br /> <br /> <br /> ngõ ra là linear và phạm vi của các biến ngôn ngữ<br /> đầu vào, đầu ra được thể hiện như trong hình 7.<br /> Từ các biến ngôn ngữ đầu vào, đầu ra và các hàm<br /> thành viên để mô tả các biến, tổng cộng 34 = 81<br /> luật mờ được sử dụng để điều khiển hệ thống<br /> giàn cần cẩu. Trong đó các luật mờ từ 1 đến 11<br /> được đưa ra như trong hình 8. Quan hệ vào - ra<br /> của bộ điều khiển mờ trong không gian được hiển<br /> thị trong hình 9.<br /> Hình 5. Sơ đồ cấu trúc Matlab cho bộ điều khiển<br /> <br /> <br /> <br /> <br /> Degree of membership<br /> Degree of membership<br /> 1 NE ZE PO 1 NE ZE PO<br /> <br /> ANFIS lấy mẫu học bộ điều khiển LQR<br /> 0.5 0.5<br /> <br /> Trong đó: x1, x2, x3, x4, u tương ứng là vị trí, vận 0 0<br /> tốc của xe nâng, góc lệch, vận tốc góc của tải -2 0 2 -20 0 20<br /> input1 input2<br /> trọng và tín hiệu điều khiển. (a) (b)<br /> <br /> <br /> <br /> <br /> Degree of membership<br /> <br /> <br /> <br /> <br /> Degree of membership<br /> 1 NE ZE PO 1 NE ZE PO<br /> Bước 2. Thực hiện với chu kỳ lấy mẫu là 0,01 s và<br /> cho chạy trong thời gian 10 s ta sẽ có 1000 mẫu 0.5 0.5<br /> <br /> tương tự như 10 mẫu trong bảng 2.<br /> 0 0<br /> <br /> Bảng 2. Mẫu x1, x2, x3, x4, u để huấn luyện mạng -1 0<br /> input3<br /> 1 -100 0<br /> input4<br /> 100<br /> <br /> ANFIS (c) (d)<br /> <br /> <br /> <br /> x1 x2 x3 x4 u<br /> -0,5946 -6,2273 0,2959 30,000 -97,212<br /> -3,0000 -20,204 -0,5600 -6,2687 -381,56<br /> Outpu<br /> 0,2001 1,6384 -0,1222 30,000 48,162<br /> (e)<br /> -1,8985 12.096 0,3767 -29,933 92,727<br /> -0,9562 1.2494 -0,1653 30,000 6,6477<br /> Hình 7. Các hàm liên thuộc của các biến đầu vào<br /> và đầu ra của bộ điều khiển mờ<br /> -1,1274 -1.4226 -0,1752 -30,000 -69,712<br /> -2,5769 16.047 0,1406 -30,000 132,03<br /> -1,4476 3.4685 -0,6441 30,000 30,679<br /> -1,4191 -13.786 0,1855 30,000 -230,83<br /> -2,0096 8.6680 -0,3196 30,000 82,989<br /> <br /> Bước 3. Huấn luyện mạng nơron-mờ ANFIS trên<br /> phần mềm Matlab.<br /> <br /> - Thứ nhất tải dữ liệu huấn luyện vào vùng làm<br /> việc của bộ soạn thảo ANFIS GUI. Khi đó ta có sơ<br /> đồ các dữ liệu cần huấn luyện là tập các hình tròn<br /> Hình 8. Luật mờ IF-THEN của bộ điều khiển mờ<br /> như thể hiện trong hình 6.<br /> <br /> <br /> <br /> <br /> Hình 6. Sơ đồ các dữ liệu cần huấn luyện<br /> <br /> - Thứ hai ta tiến hành chọn Generate FIS với các<br /> hàm liên thuộc ngõ vào đều được sử dụng 3 tập Hình 9. Cửa sổ quan hệ vào - ra của bộ điều<br /> mờ để mô tả, các hàm liên thuộc có dạng trapmf, khiển mờ trong không gian<br /> <br /> <br /> 32 Tạp chí Nghiên cứu khoa học - Đại học Sao Đỏ, ISSN 1859-4190 Số 4(59).2017<br />  LIÊN NGÀNH ĐIỆN - ĐIỆN TỬ - TỰ ĐỘNG HÓA<br /> <br /> <br /> - Thứ ba ta tiến hành chọn Epochs, sau đó cho hiệu điều khiển của bộ điều khiển LQR được hiển<br /> huấn luyện mạng ANFIS ta được sơ đồ không còn thị trong hình 13.<br /> sai lệch như thể hiện trong hình 10, sơ đồ bộ điều<br /> khiển thích nghi nơron - mờ ANFIS có cấu trúc<br /> như hình 11.<br /> <br /> <br /> <br /> <br /> Hình 13. Tín hiệu điều khiển của bộ điều khiển<br /> Hình 10. Sơ đồ các dữ liệu đã được huấn luyện ANFIS và bộ điều khiển LQR<br /> mạng ANFIS Trong đó: Đường đặc tính màu xanh lá cây là tín<br /> hiệu điều khiển của bộ điều khiển LQR. Đường<br /> đặc tính màu xanh da trời là tín hiệu điều khiển<br /> của bộ điều khiển ANFIS. Có thể thấy rằng bộ<br /> điều khiển ANFIS đã học tốt tín hiệu điều khiển<br /> của bộ điều khiển LQR.<br /> <br /> Mô phỏng hệ thống với vị trí xe nâng mong<br /> muốn x_ref = 0,5 m . Kết quả mô phỏng được<br /> hiển thị trong hình 14. Trong đó: x-LQR, θ-LQR<br /> tương ứng là đường đặc tính đáp ứng vị trí của<br /> Hình 11. Sơ đồ bộ điều khiển thích nghi nơron - xe nâng và góc lệch của tải trọng khi điều khiển<br /> mờ ANFIS theo bộ điều khiển LQR. Đối với vị trí xe nâng<br /> có độ quá điều chỉnh (POT) 5%, sai số xác lập<br /> Bước 4. Thiết kế sơ đồ cấu trúc Matlab cho bộ điều<br /> khiển thích nghi nơron - mờ ANFIS điều khiển hệ (exl) 0%, thời gian xác lập vị trí (txlvt) 3,1 s, còn đối với<br /> thống giàn cần cẩu như trong hình 12. góc lệch của tải trọng có góc lớn nhất (θmax) 0,3 (rad)<br /> và thời gian xác lập góc lệch (txlgl) 3,1 s; x-ANFIS,<br /> θ-ANFIS tương ứng là đường đặc tính đáp ứng<br /> vị trí của xe nâng và góc lệch của tải trọng khi<br /> điều khiển theo bộ điều khiển ANFIS có POT = 5%,<br /> exl = 0%, txlvt = 3 s, θmax = 0,3 (rad) và txlgl = 3,1 s;<br /> x-ANFIS-LQR, θ-ANFIS-LQR tương ứng là<br /> đường đặc tính đáp ứng vị trí của xe nâng và<br /> góc lệch của tải trọng khi điều khiển theo bộ điều<br /> Hình 12. Sơ đồ cấu trúc Matlab của bộ điều khiển<br /> khiển ANFIS-LQR có POT = 0%, exl = 0%, txlvt = 2,1<br /> ANFIS cho hệ thống giàn cần cẩu<br /> s, θmax = 0,3 (rad) và txlgl = 3,5 s.<br /> Bước 5. Tối ưu hệ thống: mô phỏng hệ thống để<br /> Bằng cách so sánh kết quả khi sử dụng các bộ<br /> kiểm tra kết quả.<br /> điều khiển có thể thấy rằng các bộ điều khiển đều<br /> 4. KẾT QUẢ MÔ PHỎNG đạt được hiệu quả kiểm soát tốt. Nhưng trường<br /> Bộ điều khiển đã thiết kế được mô phỏng trên hợp sử dụng bộ điều khiển ANFIS-LQR có khả<br /> phần mềm Matlab/Simulink. Các tham số hệ năng thích ứng mạnh mẽ hơn và chất lượng điều<br /> thống được sử dụng mô phỏng có trong bảng 1. khiển tốt hơn vì không còn tồn tại độ quá điều<br /> Kết quả so sánh tín hiệu điều khiển của bộ điều chỉnh và đạt được vị trí chính xác trong thời gian<br /> khiển ANFIS học theo bộ điều khiển LQR với tín ngắn hơn.<br /> <br /> <br /> Tạp chí Nghiên cứu khoa học - Đại học Sao Đỏ, ISSN 1859-4190 Số 4(59).2017 33<br />  NGHIÊN CỨU KHOA HỌC<br /> <br /> <br /> x-ANFIS x-TH1<br /> 1 1<br /> <br /> <br /> <br /> <br /> Position (m)<br /> x-TH2<br /> Position (m) x-LQR<br /> x-ANFIS-LQR<br /> x-ANFIS-LQR<br /> 0.5<br /> 0.5<br /> <br /> 0<br /> 0 0 2 4 6 8<br /> 0 2 4 6 8 Time (s)<br /> Time (s) (a)<br /> (a) θ-TH1<br /> <br /> <br /> <br /> <br /> Swing angle (rad)<br /> 0.4<br /> θ-ANFIS θ-TH2<br /> Swing angle (rad)<br /> <br /> <br /> <br /> <br /> 0.5 0.2 θ-ANFIS-LQR<br /> θ-LQR<br /> θ-ANFIS-LQR 0<br /> -0.2<br /> 0<br /> -0.4<br /> 0 2 4 6 8<br /> Time (s)<br /> -0.5<br /> 0 2 4 6 8 (b)<br /> Time (s)<br /> (b)<br /> Hình 16. Đường đặc tính đáp ứng vị trí của xe<br /> Hình 14. Đường đặc tính đáp ứng vị trí nâng và góc lệch của tải trọng khi có nhiễu<br /> của xe nâng và góc lệch của tải trọng Ngoài ra, khi hệ thống giàn cần cẩu hoạt động còn<br /> có các nhiễu bên ngoài tác động vào hệ thống, để<br /> 1 kiểm tra độ tin cậy của các bộ điều khiển nhóm<br /> x-TH1 tác giả đã đưa giả thiết các bước tín hiệu nhiễu<br /> Position (m)<br /> <br /> <br /> <br /> <br /> 0.5 x-TH2<br /> [9] tác động vào hệ thống giàn cần cẩu, cụ thể<br /> như sau: Trường hợp 1 (TH1) là nhiễu làm tải<br /> x-TH3 trọng dao động với bước tín hiệu nhiễu giả thiết<br /> 0<br /> 0 2 4 6 8 như sau: Thời gian bước = 4 s, góc lệch = 0,2<br /> Time (s) (rad), thời gian = 1 s. TH2 là nhiễu làm thay đổi vị<br /> (a) trí giỏ hàng với bước tín hiệu nhiễu giả thiết như<br /> 1<br /> sau: Thời gian bước = 1 s, phạm vi = 0,2 m, thời<br /> Swing angle (rad)<br /> <br /> <br /> <br /> <br /> θ-TH1<br /> 0.5 gian = 1 s; Kết quả mô phỏng được hiển thị trong<br /> 0 θ-TH2 hình 16. TH3 tín hiệu nhiễu tác động vào hệ thống<br /> -0.5<br /> có dạng như hình 17, khi đó đường đặc tính đáp<br /> θ-TH3 ứng vị trí của xe nâng và góc lệch của tải trọng<br /> -1<br /> 0 2 4 6 8 được thể hiện như trong hình 18.<br /> Time (s)<br /> (b)<br /> <br /> Hình 15. Đường đặc tính đáp ứng vị trí của xe<br /> nâng và góc lệch của tải trọng khi thay đổi<br /> các thông số hệ thống<br /> <br /> Để bám sát với tình hình thực tế và nghiên cứu<br /> tác động của các bộ điều khiển, chúng ta lần lượt Hình 17. Đường đặc tính dạng tín hiệu nhiễu tác<br /> thay đổi các thông số cụ thể như sau: Trường hợp động vào hệ thống<br /> 1 (TH1) tăng l = 0,61 m, các thông số khác không Có thể thấy rằng khi có các nhiễu tác động, hệ<br /> đổi. TH2 tăng m = 1,6 kg, các thông số khác không thống vẫn đạt được vị trí mong muốn trong thời<br /> đổi. TH3 tăng x_ref = 0,8 m, các thông số khác gian ngắn và kiểm soát được góc lệch của tải<br /> không đổi. trọng nhỏ.<br /> <br /> Mô phỏng hệ thống trên phần mềm Matlab/<br /> Simulink cho ba trường hợp trên. Kết quả mô<br /> phỏng được hiển thị trong hình 15. Có thể thấy<br /> rằng khi các thông số hệ thống thay đổi trong<br /> trường hợp sử dụng ANFIS-LQR, hệ thống giàn<br /> cần cẩu vẫn đạt được vị trí chính xác trong thời<br /> gian ngắn và khống chế được góc lệch của tải Hình 18. Đường đặc tính đáp ứng vị trí của xe<br /> trọng nhỏ. nâng và góc lệch của tải trọng khi có nhiễu TH3<br /> <br /> <br /> 34 Tạp chí Nghiên cứu khoa học - Đại học Sao Đỏ, ISSN 1859-4190 Số 4(59).2017<br />  LIÊN NGÀNH ĐIỆN - ĐIỆN TỬ - TỰ ĐỘNG HÓA<br /> <br /> Để làm rõ tính vượt trội của giải pháp, nhóm [2]. N. Sun, Y.C. Fang, and X.B. Zhang (2013).<br /> tác giả đã tiến hành so sánh bộ điều khiển Energy coupling output feedback control of 4-DOF<br /> ANFIS-LQR với các phương pháp điều khiển khác underactuated cranes with saturated inputs.<br /> đã được công bố như trong bảng 3. Automatica 49 (5), 1318-1325.<br /> <br /> Bảng 3. So sánh ANFIS-LQR với các phương [3]. Khalid L. Sorensen, William Singhose, Stephen<br /> pháp điều khiển khác đã được công bố Dickerson (2007). A controller enabling precise<br /> <br /> DE- Mờ- Mờ Mờ- positioning and sway reduction in bridge and<br /> Ký ANFIS-<br /> PID PD đôi Trượt gantry cranes. Control Engineering Practice 15,<br /> hiệu LQR<br /> [6] [8] [9] [10] 825-837.<br /> <br /> x_ref 0,5 m 5m 0,2 m 1m 2m [4]. Quang Hieu Ngo and Keum-Shik Hong (2012).<br /> Sliding-Mode Antisway Control of an Offshore<br /> POT 0% 3% 0% 13% 0%<br /> Container Crane. IEEE/ASME Transactions on<br /> exl 0% 0% 0% 0% 0% Mechatronics, Vol. 17, No. 2, APRIL.<br /> <br /> txlvt 2,1s 12 s 4,5 s 35 s 12,5 s [5]. Mohammad Javad Maghsoudi, Z. Mohamed,<br /> A.R. Husain, M.O. Tokhi (2016). An optimal<br /> txlgl 3,5 s 25 s 3,5 s 26 s 13 s<br /> performance control scheme for a 3D crane.<br /> 0,3 0,65 0,06 0,02 Mechanical Systems and Signal Processing<br /> θmax 0,3 rad<br /> rad rad rad rad<br /> 0 0 0 66-67, 756-768.<br /> θmin 0 rad 0 rad<br /> rad rad rad<br /> [6]. Zhe Sun, Ning Wang, Yunrui Bi, Jinhui Zhao<br /> Căn cứ vào các kết quả trong bảng 3 có thể thấy (2015). A DE based PID controller for two<br /> rằng với đối tượng giàn cần cẩu mà nhóm tác dimensional overhead crane. Proceedings of the<br /> giả nghiên cứu trong [10] sử dụng bộ điều khiển<br /> 34th Chinese Control Conference July 28-30,<br /> ANFIS-LQR là tối ưu nhất.<br /> Hangzhou, China.<br /> 5. KẾT LUẬN [7]. Ning Sun, Yongchun Fang, Xuebo Zhang (2013).<br /> Trong bài báo này, chúng tôi thiết kế được bộ Energy coupling output feedback control of 4-DOF<br /> điều khiển ANFIS-LQR để kiểm soát vị trí của xe underactuated cranes with saturated inputs.<br /> nâng trong thời gian ngắn đạt được vị trí mong Automatica 49, 1318-1325.<br /> muốn, đồng thời khống chế được góc lệch của [8]. Naif B. Almutairi and Mohamed Zribi (2016).<br /> tải trọng nhỏ. Bộ điều khiển ANFIS-LQR được<br /> Fuzzy Controllers for a Gantry Crane System with<br /> kiểm tra thông qua mô phỏng Matlab/Simulink<br /> Experimental Verifications. Article in Mathematical<br /> kết quả mô phỏng khi thay đổi các thông số<br /> Problems in Engineering. DOI: 10.1155/1965923.<br /> hệ thống và kiểm tra độ tin cậy của hệ thống<br /> điều khiển bằng việc đưa bước tín hiệu nhiễu [9]. Lifu Wang, Hongbo Zhang, Zhi Kong (2015).<br /> tác động vào hệ thống cho thấy giàn cần cẩu di Anti-swing Control of Overhead Crane Based on<br /> chuyển đến vị trí mong muốn nhanh trong khoảng Double Fuzzy Controllers. IEEE Chinese Control<br /> txlvt = 2,1 s trong khi khống chế dao động của tải and Decision Conference (CCDC), 978-1-4799-<br /> trọng nhỏ với θmax = 0,3 (rad). Ngoài ra bộ điều khiển 7016-2/15/$31.00.<br /> ANFIS-LQR còn được so sánh với các phương [10]. Dianwei Qian, Jianqiang Yi, Dongbin Zhao<br /> pháp điều khiển khác. Kết quả bộ điều khiển (2011). Control of Overhead Crane Systems<br /> ANFIS-LQR được đề xuất điều khiển giàn cần cẩu by Combining Sliding Mode with Fuzzy Regulator.<br /> [10] là tối ưu nhất. Milano (Italy) August 28 - September 2.<br /> <br /> [11]. Yu Zhangguan (2005). Modern Control Theory [M].<br /> TÀI LIỆU THAM KHẢO Harbin: Harbin Institute of Technology Press.<br /> <br /> [1]. J. Smoczek (2013). Interval arithmetic-based [12]. Xue Dingyu, Chen Yangquan. System Simulation<br /> fuzzy discrete-time crane control scheme design. Technology and Application Based on Matlab/<br /> Bull. Pol. Ac.: Tech. 61 (4), 863-870. Simulink [M]. Beijing.<br /> <br /> <br /> <br /> Tạp chí Nghiên cứu khoa học - Đại học Sao Đỏ, ISSN 1859-4190 Số 4(59).2017 35<br />