THÀNH PHỐ HỒ CHÍ MINH BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT ĐỒ ÁN TỐT NGHIỆP NGÀNH CNKT ĐIỆN – ĐIỆN TỬ Tp Hồ Chí Minh, tháng 7/2017 S K L 0 1 0 0 0 5 LẬP TRÌNH ĐIỀU KHIỂN CHỐNG LẮC CH[.]
TỔNG QUAN
ĐẶT VẤN ĐỀ
Cầu trục hiện nay được ứng dụng rộng rãi trong các ngành công nghiệp và dịch vụ để vận chuyển những vật nặng và cồng kềnh mà con người khó có thể thực hiện Có nhiều loại cầu trục khác nhau, phù hợp với từng lĩnh vực và nhu cầu sử dụng Dựa trên cấu hình, cầu trục được chia thành hai loại chính: cầu trục giàn và cầu trục quay.
Cầu trục giàn là thiết bị phổ biến trong các nhà máy, cho phép di chuyển tải trọng trên mặt phẳng nằm ngang nhờ vào cơ cấu nâng hạ có thể điều chỉnh chiều dài dây cáp Tải trọng được gắn với xe và hoạt động như một hệ con lắc dao động một bậc tự do Bên cạnh đó, cầu trục quay cũng có khả năng di chuyển theo phương ngang nhưng trong hai hướng vuông góc, với phân tích chuyển động tương tự Cầu trục quay được chia thành hai loại: cầu trục tay, thường dùng trong nhà máy đóng tàu, và cầu trục hình tháp, sử dụng trong xây dựng.
Cầu trục được sử dụng chủ yếu để vận chuyển vật nặng giữa các vị trí khác nhau Tuy nhiên, nếu vật nặng dao động quá mức trong quá trình di chuyển, nó có thể va chạm vào các vật xung quanh, gây hư hỏng và nguy hiểm cho con người Khi vật nặng đến vị trí hạ xuống mà vẫn còn dao động, người điều khiển phải chờ cho đến khi nó ngừng dao động mới có thể hạ xuống, dẫn đến việc vận chuyển chậm và không an toàn Vì vậy, việc điều khiển cầu trục cần phải nhanh chóng và đảm bảo an toàn.
Hiện nay, hầu hết các cầu trục trong nhà máy và xí nghiệp đều được điều khiển bằng tay theo phương pháp on-off, dẫn đến tải trọng có sự dao động lớn trong quá trình vận chuyển Do đó, việc giảm thiểu dao động khi vận chuyển hàng hóa bằng cầu trục là rất quan trọng và cần được chú trọng trong quá trình điều khiển.
TỔNG QUAN VỀ LĨNH VỰC NGHIÊN CỨU
Để điều khiển một đối tượng hiệu quả, trước tiên cần hiểu mối quan hệ giữa tín hiệu đầu vào và đầu ra của nó Việc xây dựng mô hình toán cho đối tượng là rất quan trọng, tuy nhiên, các đối tượng thực tế thường phức tạp, khiến cho việc áp dụng các định luật vật lý để tạo mô hình trở nên khó khăn Do đó, việc nhận dạng đối tượng điều khiển trở nên cần thiết, giúp xác định mô hình toán phù hợp Từ mô hình đã nhận dạng, chúng ta có thể tiến hành nghiên cứu và khảo sát để tìm ra phương pháp điều khiển tối ưu.
Trong lĩnh vực nhận dạng, các phương pháp điều khiển thông minh như Fuzzy Logic, Sliding mode và Neural network đã được phát triển để giải quyết các bài toán ổn định hệ thống Những ứng dụng này thường liên quan đến các đối tượng như cánh tay máy và hệ con lắc ngược quay, giúp nâng cao chất lượng và độ ổn định của hệ thống Sự nghiên cứu và phát triển của các phương pháp này ngày càng mở rộng, góp phần quan trọng vào việc cải thiện hiệu suất của các hệ thống điều khiển.
Hệ thống cầu trục là một hệ thống phức tạp với nhiều đầu vào và đầu ra, thường được các nhà nghiên cứu sử dụng để kiểm chứng các thuật toán điều khiển cổ điển và thông minh Tuy nhiên, hệ thống này cũng gặp phải nhiều thách thức trong lý thuyết điều khiển và thiết bị điều khiển, như việc xác định mô hình động học chính xác và sự thay đổi tham số trong quá trình hoạt động Do đó, việc lựa chọn bộ điều khiển phù hợp với hệ thống cầu trục là rất quan trọng và cần có khả năng đáp ứng nhanh.
MỤC ĐÍCH ĐỀ TÀI
Nhóm nghiên cứu đã chọn đề tài ứng dụng bộ điều khiển Fuzzy Logic nhằm nhận dạng và giảm thiểu dao động cầu trục, xuất phát từ yêu cầu thực tiễn.
“Lập trìnhđiều khiển chống lắc cho cầu trục” làm hướng nghiên cứu của nhóm.
PHẠM VI ĐỀ TÀI
Hệ thống cầu trục có nhiều kiểu thiết kế và phương pháp điều khiển khác nhau Bài viết này tập trung vào việc thiết kế và thi công mô hình cầu trục, đồng thời kiểm nghiệm mô hình bằng bộ điều khiển fuzzy logic.
ĐỐI TƯỢNG ĐỀ TÀI
Để đảm bảo sự ổn định trong việc điều khiển hệ thống cầu trục, nhóm nghiên cứu tập trung vào các yếu tố chính như hệ thống cầu trục, bộ điều khiển Fuzzy Logic, phần mềm Matlab và bo mạch xử lý STM32F4.
PHƯƠNG PHÁP NGHIÊN CỨU
Các phương pháp nghiên cứu được sử dụng trong quá trình thực hiện đề tài như sau:
- Tra cứu, tìm hiểu vềbộ điều khiển Fuzy Logicứng dụng trong nhận dạng và điều khiển hệthống.
- Nghiên cứu, xây dựng phương pháp điều khiển dựa trên cácphương pháp điều khiển cổ điển, hiện đại và thông minh.
- Sửdụng phần mềm Matlab đểmô hình và mô phỏng việc nhận dạng việc nhận dạng và điều khiển cầu trục.
- Thiếu kếmạch điều khiển, lập phương trìnhđiểu khiển trên Matlab.
- Phân tích, đánh giá dựa trên kết quả mô phỏng và thực nghiệm.
NỘI DUNG ĐỀ TÀI
Phần còn lại của đềtài bao gồm:
CƠ SỞ LÝ THUYẾT
TẬP HỢP MỜ
2.1.1 Khái niệm vềtập hợp mờ.
Khái niệm ‘Tập hợp mờ’ (Fuzzy Set) là một sự mở rộng của tập hợp cổ điển, nhằm biểu diễn tri thức không chính xác Trong lý thuyết tập hợp cổ điển, quan hệ thành viên của các phần tử được đánh giá theo kiểu nhị phân: mỗi phần tử u trong vũ trụ U chỉ có thể thuộc hoặc không thuộc tập A Để xác định một phần tử có phải là thành viên của tập A hay không, ta gán giá trị 1 nếu phần tử đó thuộc A và giá trị 0 nếu không, từ đó xây dựng hàm thành viên để đánh giá sự thuộc về của phần tử.
Hàm thuộc μA xác định tập con cổ điển A trên tập vũ trụ U, với giá trị trong tập hợp {0,1} Trong khi đó, lý thuyết tập mờ cho phép đánh giá nhiều mức độ khác nhau về khả năng một phần tử thuộc về một tập hợp Chúng ta sử dụng hàm thành viên để xác định các mức độ mà một phần tử thuộc về tập A, với điều kiện ∀ ∈ , 0 ≤ ( ) ≤ 1.
Tập mờ A trên tập cơ sở X được định nghĩa là một tập hợp các cặp giá trị (x, μ(x)), trong đó x thuộc X và μ(x) là ánh xạ từ X đến khoảng [0,1] Ánh xạ μ(x) được gọi là hàm liên thuộc của tập mờ A, thể hiện mức độ phụ thuộc của mỗi phần tử trong tập cơ sở X vào tập mờ A Nói tóm lại, tập mờ được xác định qua hàm liên thuộc của nó.
Hàm liên thuộc có thểcó dạng tuyến tính từng đoạn như hình 2.1a hay dạng trơn như hình 2.1b.
Hình 2.1 Hàm liên thuộc tập mờA (a), B (b).
Tập mờ A định nghĩa trên tập cơ sởX rời rạc hữu hạn được ký hiệu như sau:
Tập mờ A định nghĩa trên tập cơ sởX liên tục vô hạn được ký hiệu như sau:
Tập mờ được xác định bởi các hàm liên thuộc, do đó cần định nghĩa một số thuật ngữ để mô tả đặc điểm của hàm này Các hàm liên thuộc được trình bày dưới đây đều là hàm liên tục, và các thuật ngữ sử dụng có thể áp dụng cho cả tập mờ liên tục và tập mờ rời rạc.
Hình 2.2 Miền nên, biên, lõi,độcao của tập mờ.
Miền nền của hàm liên thuộc của tập mờ A là vùng chứa các phần tử có độ phụ thuộc khác 0 Điều này có nghĩa là miền nền bao gồm các phần tử trong tập cơ sở X mà có giá trị à ( ) > 0.
Lõi của hàm liên thuộc của tập mờ A là khu vực chứa các phần tử có độ phụ thuộc bằng 1, tức là những phần tử trong tập cơ sở X mà tại đó hàm liên thuộc đạt giá trị 1.
Biên của hàm liên thuộc của tập mờ A là vùng chứa các phần tử có độ phụ thuộc nằm trong khoảng từ 0 đến 1 Cụ thể, miền nền bao gồm những phần tử của tập cơ sở X mà tại đó 0 < à ( ) < 1.
- Độcao:Độcao của tập mờA là cận trên nhỏnhất của hàm liên thuộc: hgt(A) = sup
Tập mờchính tắc: Tập mờchính tắc là tập mờ có độcao bằng 1 Hình 2.3 minh họa tập mờchính tắc và không chính tắc.
Hình 2.3 Tập mờchính tắc (a) và tập mờkhông chính tắc (b).
Tập mờ lồi là tập hợp mà hàm liên thuộc của nó có tính đơn điệu tăng, đơn điệu giảm hoặc đơn điệu tăng sau đó đơn điệu giảm Cụ thể, với ba phần tử bất kỳ thuộc tập mờ A, nếu giá trị của chúng thỏa mãn điều kiện < < kộo theo thì A được coi là tập mờ lồi.
Hình 2.4 Tập mờlồi (a) và tập mờkhông lồi (b).
Sựphân hoạch mờ: Các tập mờ , , … , định nghĩa trên tập cơ sở X được gọi là phân hoạc mờnếu ≠ ∅, ≠ và:
Hình 2.5 trình bày ví dụvềphân hoạch mờ Nếu các tập mờchính tắc và lội tạo nên sựphân hoạch mờ thì không có nhiều hơn hai tập mờchồng nhau.
Hình 2.5 Các tập mờ được phân hoạch mờ.
Sốmờ: Nếu A là một tập mờ lồi chính tắc xác định trên trục thực và chỉ có một phần tử có độphụthuộc bằng 1 thì Ađược gọi là sốmờ.
Khoảng mờ là một tập mờ lồi chính tắc trên trục thực, trong đó tồn tại nhiều hơn một phần tử có độ phụ thuộc bằng 1.
Hình 2.7 Khoảng mờ “gần bằng 2 đến gần bằng 5”.
2.1.3 Các phép toán trên tập mờ.
Hợp của hai tập mởA và B có cùngcơ sởM là một tập mởcũng xác định trên cơ sởM với hàm liên thuộc:
Hình 2.8 Hàm liên thuộc của hợp hai tập mờcócùng cơ sở.
Có nhiều công thức khác nhau được dùng đểtính hàm liên thuộc ∪ ( ) của hai tập hợp mờ như:
∪ ( ) = ( ) + ( ) − ( ) ( ) (2.11) a) Hàm liên thuộc của hai tập mờA,B. b) Đưa hai tập mờvềchung một cơ sởM x N. c) Hai tập mờtrêncơ sởM x N.
Hình 2.9 Phép hợp hai tập mờ không cùng cơ sở.
Có hai tập mờ A (cơ sở M) và B (cơ sở N) độc lập với nhau, do đó hàm liên thuộc của tập mờ A không phụ thuộc vào N và ngược lại, hàm liên thuộc của tập B cũng không phụ thuộc vào M Điều này thể hiện rằng trên cơ sở mới là tập tích M x N, hàm liên thuộc của A phải là một mặt “cong” dọc theo trục y, trong khi hàm liên thuộc của B là một mặt “cong” dọc theo trục x Tập mờ A được định nghĩa trên cơ sở M và M x N, và để phân biệt, ký hiệu A sẽ chỉ tập mờ A trên cơ sở M x N, tương tự, ký hiệu B sẽ chỉ tập mờ B trên cơ sở M x N.
Sau khi đãđưa được hai tập mờ A,B vềchung một cơ sở là M x N thành và thì hàm liên tục ∪ ( , ) của tập mờ ∪ được xác định theo công thức (2.8)
Hình 2.10 Giao hai tập mờ cùng cơ sở.
Giao của hai tập A, B có cùng cơ sởM là một tập mờcũng xác định trên cơ sở M với hàm liên thuộc:
Trong công thức, ký hiệu MIN được sử dụng để thể hiện phép tính lấy cực tiểu trên tập mờ, trong khi bản chất của phép tính vẫn không thay đổi.
Có nhiều công thức khác nhau dùng đểtính hàm liên thuộc ∩ ( )của giao hai tập mờ như:
Công thức này có thể áp dụng cho hợp của hai tập mờ không cùng cơ sở bằng cách đưa cả hai tập mờ về chung một cơ sở, đó là tích của hai cơ sở đã cho.
Chẳng hạn có hai tập mờ A định nghĩa trên cơ sở M và B định nghĩa trên cơsở
N Do hai cơ sở M và n độc lập với nhau nên hàm liên thuộc ( ), ∈ của tập mờ
Tập mờ A không phụ thuộc vào N và ngược lại, trong khi tập mờ B cũng không phụ thuộc vào M Tập tích M x N tạo ra một hàm có mặt "cong" dọc theo trục x Tập mờ A (hoặc B) được định nghĩa dựa trên M (hoặc N) và M x N Để phân biệt, ký hiệu A (hoặc B) sẽ được sử dụng để chỉ tập A (hoặc B) trên cơ sở mới là M x N.
Hình 2.11 Phép giao hai tập mờ không cùng cơ sở.
Bù của tâp mờ A có cơ sởM và hàm liên thuộc ( )là một tập mờ xác định trên cùng cơ sởM với hàm liên thuộc:
Hình 2.12 Tập bù của tập mờA. a) Hàm liên thuộc của tập mờA.
QUAN HỆ MỜ
2.2.1 Định nghĩa. Đểbiểu diễn mối tương quan không rõ rang, không chắc chắn giữa các phần tử trong không gian tích, người ta dùng quan hệmờ. Định nghĩa quan hệmờ:
Quan hệmờn ngôi trên × × …× , ký hiệu R, là một tập mờ định nghĩa trên tập cơ sở n chiều × × …× Trường hợp đặc biệt n=2 ta gọi R là quan hệmờ hai ngôi.
Quan hệ mờ được xác định bởi hàm liên thuộc Hàm liên thuộc của quan hệmờ cho biết mức độ tương quangiữa các phần tử:
Quan hệ mờ, tương tự như tập mờ, được ký hiệu như một tập mờ Quan hệ mờ trên cơ sở nhiều chiều được ký hiệu là tập mờ, trong khi quan hệ mờ trên tập cơ sở rời rạc được ký hiệu riêng biệt.
Hay quan hệmờ định nghĩa trên tập cơ sỡliên tục vô hạn được ký hiệu như sau:
2.2.2 Sựhợp thành của quan hệmờ.
Có hai loại hợp thành: sự hợp thành giữa quan hệ mờ với quan hệ mờ và sự hợp thành giữa tập mờ với quan hệ mờ Bản chất của cả hai loại hợp thành này là giống nhau, vì quan hệ mờ được định nghĩa trên tập cơ sở dữ liệu nhiều chiều.
Giả sử R là quan hệmờtrên X×Y, A là một tập mờ trên X, sự hợp thành của R và A là tập mờB, ký hiệu là:
= ° (2.23) và B được xác định bởi: μ (y) = μ ° (y) = S{T(μ (x)μ (x, y))} (2.24)
Toán tử S được dùng là MAX hoặc SUM, toán tử T được dùng là MIN hoặc PROD, vì vậy có bốn công thực hợp thành thường dùng là:
- Công thức hợp thành MAX-MIN: μ (y) = μ ° (y) = max (μ (x)μ (x, y)) (2.25)
- Công thức hợp thành MAX-PROD: μ (y) = μ ° (y) = max(μ (x)μ (x, y)) (2.26)
- Công thức hợp thành SUM-MIN: μ (y) = μ ° (y) = ∑ (μ (x)μ (x, y)) (2.27)
- Công thức hợp thành SUM-PROD: μ (y) = μ ° (y) = (μ (x)μ (x, y)) (2.28)
Trong điều khiển thương, việc áp dụng công thức hợp thành MAX-MIN hoặc MAX-PROD rất quan trọng Sự hợp thành cho phép chúng ta xác định tập mờ B có quan hệ R với tập mờ A khi đã biết quan hệ R trên tập cơ sở X×Y.
BIẾN NGÔN NGỮ VÀ GIÁ TRỊ NGÔN NGỮ
Biến mờ là một khái niệm được đặc trưng bởi ba thành phần: tên biến α, tập hợp cơ sở X, và tập mờ định nghĩa trên cơ sở X, biểu diễn sự hạn chế mờ do α ngụ ý.
Biến ngôn ngữ là một loại biến có giá trị là các từ Chẳng hạn, với biến ngôn ngữ "mực chất lỏng", giá trị của nó có thể là các từ như "cao" hoặc "thấp".
Trong lý thuyết điều khiển mờ, biến ngôn ngữ được định nghĩa là biến bậc cao hơn biến mờ, sử dụng giá trị của biến mờ Cụ thể, biến ngôn ngữ "mực chất lỏng" có thể nhận các giá trị như "cao" hoặc "thấp", trong đó các giá trị này được mô tả bởi tập mờ xác định trên cơ sở X.
Vì biến mờ là giá trị của biến ngôn ngữ nên nó còn được gọi là giá trị ngôn ngữ(linguistis term).
LOGIC MỜ
Lý thuyết tập mờ là nền tảng của logic mờ, tương tự như lý thuyết tập hợp kinh điển cho logic kinh điển Các phép toán logic mờ, bao gồm AND, OR và NOT, dựa trên các phép toán của tập mờ như giao, hợp và bù Mỗi phép toán trên tập mờ có thể được tính bằng nhiều công thức khác nhau, dẫn đến việc các phép toán logic mờ cũng có nhiều cách tính khác nhau, điều này khác với logic kinh điển, nơi mỗi phép toán có một cách tính duy nhất.
2.4.1 Mệnh đề mờ. Định nghĩa:
Mệnh đềmờ ký hiệu là P, Là phát biểu có chứa thông tin không rõ ràng.
Các phát biểu thể hiện ý tưởng chủ quan, như chiều cao hoặc trọng lượng của một người, thường mang tính mơ hồ Trong lĩnh vực kỹ thuật, các phát biểu như vậy được coi là các mệnh đề mờ.
“mực chất lỏng” là “thấp”
“vận tốc” là “trung bình”
Như vậy, mệnh đề mờ là phát biểu có dạng: “biến ngôn ngữ” là “giá trị ngôn ngữ” Vềmặt toán học mệnh đềmờlà biểu thức:
Tập mờ A thể hiện giá trị ngôn ngữ trong mệnh đề mờ, khác với mệnh đề kinh điển chỉ có hai khả năng sai hoặc đúng (0 hoặc 1) Giá trị thật của mệnh đề mờ nằm trong khoảng [0,1] Gọi T(P) là giá trị thật của mệnh đề mờ P, T(P) chính là ánh xạ.
Trong đó X là tậpcơ sởcủa tập mờA.
Biểu thức trên cho thấy “độ đúng” của mệnh đề : ∈ bằng độ phụthuộc của vào tập mờA.
2.4.2 Các phép toán trên mệnh đề mờ.
Các mệnh đề có thể kết hợp với nhau thông qua các phép toán luận lý Gọi P là mệnh đề mờ tương ứng với tập mờ A, và Q là mệnh đề mờ tương ứng với tập mờ B Tương tự như các mệnh đề kinh điển, các phép toán đối với mệnh đề mờ cũng được xác định rõ ràng.
Giá trịthật của mệnh đềphủ định:
Từ(2.30) và (2.34) suy ra giá trịthật của mệnh đềhợp là:
Từ(2.30) và (2.36) suy ra giá trịthật của mệnh đềhợp là:
Trong đó mệnh đề ∶ ∈ được gọi là mệnh đề điều kiện và mệnh đề ∶ ∈ được gọi là mệnh đềkết luận.
QUI TẮC MỜ
Quy tắc mờ là một phát biểu dạng nếu – thì, trong đó cả mệnh đề điều kiện và mệnh đề kết luận đều là mệnh đề mờ Mệnh đề điều kiện có thể bao gồm các phép giao, phép hợp hoặc phép phủ định.
2.5.1 Kết hợp các quy tắc mờ.
Chúng ta đã biết cách biểu diễn mỗi quy tắc mờbằng một quan hệmờ Mục này sẽtrình bày sự kết hợp các quy tắc mờthành quan hệmờ.
Xét k quy tắc mờ đối với n biến ngõ vào:
Việc chuyển đổi hệ quy tắc mờ thành một quan hệ mờ được thực hiện bằng cách xác định quan hệ mờ cho từng quy tắc, sau đó kết hợp các quan hệ mờ này thành một quan hệ mờ R duy nhất.
Công thức (2.39) thể hiện mối quan hệ giữa các quan hệ mờ và hệ quy tắc bằng cách hợp nhất tất cả các quan hệ mờ tương ứng với từng quy tắc Quan hệ mờ được định nghĩa trên tập cơ sở nhiều chiều, và phép hợp này chính là phép hợp các tập mờ, được thực hiện thông qua chuẩn S Trong điều kiện mờ, toán tử MAX hoặc BSUM thường được sử dụng để kết hợp các hệ quy tắc mờ.
2.5.2 Tính chất của hệquy tắc mờ.
2.5.2.1 Tính liên tục. Định nghĩa
Hệ quy tắc mờ được coi là liên tục khi các quy tắc mờ có mệnh đề điều kiện kề nhau, thì mệnh đề kết luận cũng phải kề nhau Để làm rõ khái niệm này, trước tiên chúng ta cần xem xét định nghĩa về tập mờ kề nhau trong bối cảnh các tập mờ có thứ tự.
Trong đó và là hai tập mờkềnhau, và cũng là hai tập mờkềnhau.
Hai tập mờkềnhau chồng lên nhau Ví dụ như sựphân hoạch mở, chỉcó các tập mờ kề nhau là chồng lên nhau.
Mệnh đề điều kiện trong quy tắc mờ có thể được xem như là sự kết hợp của nhiều mệnh đề mờ Hai mệnh đề điều kiện được coi là kề nhau khi chúng chỉ khác nhau ở một mệnh đề thành phần, và mệnh đề thành phần khác nhau này phải tương ứng với hai tập mờ kề nhau.
Tính nhất quán của hệ quy tắc mờ được thể hiện qua sự thống nhất của tri thức, biểu diễn bởi các quy tắc mờ Một ví dụ về sự không nhất quán có thể thấy trong hệ quy tắc mờ điều khiển lò nhiệt.
- Nếu nhiệt độthấp thì công suất đốt nóng tăng.
- Nếu nhiệt độthấp thì công suất đốt nóng giảm.
Hệ quy tắc này có thể không được thiết kế tốt, và sự không nhất quán thường xảy ra với các quy tắc phức tạp Việc sử dụng liên từ "hoặc" có thể dẫn đến sự không nhất quán trong quy tắc.
Tính hoàn chỉnh của quy tắc mờ phản ánh sự đầy đủ của tri thức được biểu diễn qua các quy tắc này Một hệ quy tắc mờ không hoàn chỉnh có thể tồn tại các điểm trống, dẫn đến việc không xác định được tác động ở ngõ ra cho một số tín hiệu đầu vào Tuy nhiên, điều này không có nghĩa là kết quả suy diễn không tồn tại trong hệ thống đó Độ hoàn chỉnh của hệ quy tắc mờ phụ thuộc vào hình dạng và vị trí của các tập mờ trong các mệnh đề điều kiện Độ hoàn chỉnh (Completeness Measure) của hệ quy tắc mờ được xác định bởi số lượng quy tắc k và số tín hiệu đầu vào n.
Hàm liên thuộc của tập mờ tương ứng với giá trị ngôn ngữ của biến ngôn ngữ thứ i trong quy tắc thứ j được ký hiệu là ( ) Độ hoàn chỉnh CM(x) của hệ quy tắc mờ lớn hơn 0 khi vector tín hiệu vào x nằm trong miền xác định của mệnh đề điều kiện của ít nhất một quy tắc mờ Sử dụng hàm CM(x), chúng ta có thể đánh giá độ hoàn chỉnh của hệ quy tắc mờ đối với bất kỳ vector tín hiệu nào.
- CM(x) = 0 : Hệquy tắc mờkhông hoàn chỉnh (Incompleteness).
- 0< CM(x) 1 : Hệquy tắc mờquá hoàn chỉnh (Over Completeness).
Hệ quy tắc mờ có thể được phân loại thành ba mức độ: thiếu hoàn chỉnh, hoàn chỉnh và quá hoàn chỉnh Mức độ hoàn chỉnh này thể hiện sự đối lập với sự không hoàn chỉnh Đáng chú ý, tính chất của hệ quy tắc mờ có thể thay đổi tùy theo các miền khác nhau trong không gian tín hiệu đầu vào; trong một số miền, hệ quy tắc có thể quá hoàn chỉnh, trong khi ở những miền khác, nó lại thiếu sự hoàn chỉnh.
Hệ quy tắc mờ được coi là hoàn chỉnh khi các tập mờ trên các tập cơ sở trong các mệnh đề điều kiện được phân hoạch mở và bao gồm tất cả các quy tắc có thể xác định được Sự không hoàn chỉnh của quy tắc mờ có thể dẫn đến các tác động điều khiển không mong muốn.
SUY LUẬN MỜ
Sựsuy diễn của một quy tắc mờ.
2.6.1 Suy diễn bằng sựhợp thành.
Giảsửchúng ta có quy tắc mờ:
Nếu ngõ vào x là thì có thểsuy ra giá trịngõ ra y là được không ? Nếu được thì được tính bằng cách nào?
Câu trảlời là được Quá trình suy ra giá trị được gọi là sựsuy diễn.
Phương pháp suy diễn bằng sựhợp thành được Zadeh đưa ra năm 1973 và phương pháp này giảsửrằng mỗi quy tức mờ:
Nếu x là A thì y là B Được biểu diễn bởi một quan hệ mờ R Sau đó nếu biết thì có thể suy ra thông qua sựhợp thành và R:
Công thức suy diễn (2.41) trong trường hợp tổng quát tương đối phức tạp liên quan đến phép kéo theo thực hiện bởi toán tử MIN, trong khi sự hợp thành được tính toán thông qua công thức MAX.
Phép MIN hoặc phép kéo theo được thực hiện bởi toán tử PROD, trong khi sự hợp thành được tính theo công thức MAX-PROD Do đó, công thức (2.41) có thể được khai triển để dễ dàng áp dụng trong việc suy luận mờ, như sẽ được trình bày trong hai mục tiếp theo.
2.6.2 Phương pháp suy diễn MAX–MIN.
Xét quy tắc thứk của hệquy tắc mờ:
Giả sử trong quy tắc, toán tử T thực hiện phép giao là MIN, toán tử I cũng thực hiện phép kéo theo là MIN, và sự hợp thành được áp dụng theo công thức MAX-MIN Áp dụng công thức (2.39), ta có thể biểu diễn quan hệ mờ của quy tắc này.
Độ phù hợp (degree of matching) thể hiện sự tương thích giữa dữ liệu đầu vào và mệnh đề điều kiện của quy tắc Hình 2.13 minh họa cách thức suy diễn của quy tắc mờ thông qua phương pháp MAX-MIN.
Hình 2.13 Sựsuy diễn của một quy tắc mờ theo phương pháp MAX - MIN.
Phương pháp suy diễn MAX - MIN, được trình bày qua các công thức (2.42), đã loại bỏ việc tính toán trên không gian tích do sự hợp thành của quan hệ mờ đã bị khử Các công thức này không phân biệt giữa dữ liệu vào là rõ ràng hay mờ Phương pháp điều khiển MAX-MIN thường được áp dụng trong lĩnh vực điều khiển mờ.
2.6.3 Phương pháp suy diễn MAX - PROD
Sự suy diễn của quy tắc mờ có thể được đơn giản hóa khi sử dụng toán tử PROD cho phép giao và kéo theo, áp dụng công thức MAX-PROD (2.26) Tương tự như phần trước, chúng ta có thể dễ dàng chứng minh kết quả suy diễn của tập mờ.
′ ) bằng tập mờ ở mệnh đề kết luận của quy tắc (tập mờ ) nhân với “độ phù hợp” :
Trong công thức (2.45) kí hiệu * biểu diễn phép giao của hai tập mờ được thực hện bởi toán tử PROD Biểu thức (2.45) có thểviết lại như sau:
Phương pháp suy diễn MAX-PROD, như được minh họa trong hình 2.14, là một kỹ thuật phổ biến trong điều khiển mờ Bên cạnh MAX-PROD, còn có các phương pháp suy diễn khác như SUM-PROD và nhiều phương pháp khác có thể được tham khảo trong các tài liệu chuyên ngành.
Hình 2.14 Sựsuy diễn của một quy tắc mờ theo phương pháp MAX-PROD.
HỆ QUY TẮC MỜ
Hệ mờ bao gồm ba thành phần chính: khối mờ hóa, hệ quy tắc và khối giải mờ Đặc biệt, hệ mờ cơ bản là hệ tĩnh, có nghĩa là giá trị đầu ra của hệ thống chỉ phụ thuộc vào giá trị đầu vào tại thời điểm đó.
Hình 2.15 Sơ đồkhối hệmờ cơ bản.
Hệ mờ có thể có nhiều ngõ vào và ngõ ra, với đồ thị thể hiện mối quan hệ giữa một ngõ ra và hai ngõ vào bất kỳ được gọi là mặt đặc tính Khi hệ mờ chỉ có một ngõ vào, mặt đặc tính sẽ trở thành đường đặc tính Mặc dù tổng quát, mặt đặc tính của hệ mờ được xem là mặt phi tuyết, nhưng trong một số trường hợp, nó có thể là mặt tuyết tính.
Mặt đặc tính của hệ thống phụ thuộc chủ yếu vào hệ quy tắc mờ, vì nó xác định mối quan hệ giữa ngõ vào và ngõ ra dưới dạng ngôn ngữ Ngoài ra, hình dạng và vị trí của các tập mờ, cùng với phương pháp suy diễn và giải mờ, cũng có ảnh hưởng đáng kể đến mặt đặc tính này.
Khối đầu tiên trong hệ mờ cơ bản là khối mờ hóa, có nhiệm vụ chuyển đổi giá trị rõ ràng thành giá trị ngôn ngữ, tức là sang tập mờ, vì hệ quy tắc mờ chỉ có thể diễn giải trên các tập mờ.
Giảsửtín hiệu vào hệmờlà giá trịrõ , khối mờhóa sẽbiến đổi giá trịrõ thành tâp mờ như sau:
Trong đó fuzz là hàm mờhóa.
Các tín hiệu vào bộ điều khiển thường là tín hiệu phản hồi từ đầu ra của đối tượng hoặc sai lệch giữa tín hiệu đặt và tín hiệu phản hồi Khi mạch đo chính xác và không có nhiễu, giá trị rõ sẽ được biến đổi thành tập mờ với dạng singleton.
Tập mờ ở ngõ ra của khâu mờ hóa được phân loại theo điều kiện tín hiệu vào Đầu tiên, khi tín hiệu vào không có sai số và nhiễu, tập mờ đạt được độ chính xác cao nhất Thứ hai, khi tín hiệu vào có sai số ±1%, tập mờ sẽ bị ảnh hưởng và có thể dẫn đến sự thay đổi trong kết quả Cuối cùng, nếu tín hiệu vào có nhiễu phân bố Gauss, tập mờ sẽ phản ánh sự không ổn định trong ngõ ra.
Nếu mạch đo không chính xác hoặc bị nhiễu, giá trị phản hồi sẽ trở nên không chắc chắn Do đó, khối mờ hóa sẽ chuyển đổi giá trị không chắc chắn này thành tập mờ, như thể hiện trong hình 2.16b và 2.16c.
Trong điều khiển mờ, các tín hiệu đầu vào được chuyển đổi thành các tập mờ dạng singleton Sau khi được mờ hóa, các tín hiệu này sẽ được xử lý thông qua hệ quy tắc mờ để đưa ra quyết định chính xác.
2.7.3.1 Các phương pháp giải mờ. Định nghĩa
Giải mờlà biến đổi tập mờ(giá trịngôn ngữ) sang giá trịrõ (giá trịvật lý).
Ngõ ra của một hệ mờ có thểlà hợp của hai hay nhiều tập mờ xác định trên tập cơ sởcủa biếnởngõ ra.
- Nguyên tắc giải mờdựa vào độcao. o Phương pháp độcao (Height Method):
Phương pháp này chỉ áp dụng cho các hàm liên thuộcở ngõ ra có đỉnh cực đại, giá trịrõ ∗ được cho bởi biểu thức đại số:
∗ ∈ ∶ ( ∗ ) > ( ), ∀ ∈ (2.49) Ý nghĩa của biểu thức trên là ∗ là giá trị mà tại đó hàm liên thuộc đạt cực đại. Phương pháp này trình bày dưới dạng đồthị(hình 2.17).
Hình 2.17 Phương pháp độphụthuộc cực. o Phương pháp trung b ình độ ph ụ thu ộ c c ực đạ i (Mean-Of- Maximum-MOM)
Hình 2.18.Phương pháp trung bìnhđộphụthuộc cực đại.
Phương pháp này mở rộng phương pháp độ phụ thuộc cực đại, cho phép áp dụng cho các hàm liên thuộc có độ phụ thuộc cực đại là một vùng thay vì chỉ một điểm Biểu thức của phương pháp này được xác định rõ ràng.
Trong đó a và b được xác địnhởhình 2.18. o Phương pháp cậ n trái c ực đạ i ( hay cận phải cực đại) Phương pháp này xác định giá trịrõ như sau:
Sau đó gán giá trịrõ ∗ bằng cận trái cực đại (Left Of Maximum–LOM):
Một dạng khác của phương pháp này gọi là phương pháp cận phải cực đại (Right
Of Maximum–ROM) và ∗ được cho bởi biểu thức:
Trong các biểu thức trên, sup (supremum) là cận trên nhỏnhất và inf (infimum) là cận dưới nhỏnhất Phương pháp này được trình bày dưới dạng đồthị ởhình 2.19.
Hình 2.19.Phương pháp cận trái cực đại (hay cận phải cực đại).
- Nguyên tắc giải mờdựa vào trọng tâm: o Phương pháp trọ ng tâm (Centroid Method):
Phương pháp Center Of Area (COA) hay Center Of Gravity (COG) là một trong những phương pháp giải mờ phổ biến nhất trong lĩnh vực điều khiển Phương pháp này được diễn đạt qua một biểu thức đại số cụ thể.
Trong toán học, phương pháp trọng tâm gán giá trị cho biến ngõ ra là giá trị tại đó hàm liên thuộc được chia thành hai phần có diện tích bằng nhau Phương pháp này được minh họa trong hình 2.20.
Hình 2.20 Phương pháp trọng tâm. o Phương pháp trung bình có tr ọ ng s ố (Weighted Average Method)
Phương pháp này chỉsử dụng khi ngõ ra là hợp của các hàm liên thuộc đối xứng và được cho bởi biểu thức đại số:
Dấu ∑ đại diện cho phép tính tổng đại số, thể hiện giá trị trung bình của các hàm liên thuộc thành phần Phương pháp này gán ký hiệu ∗ bằng giá trị trung bình có trọng số của các giá trị Hình 2.21 minh họa cho phương trình này, trong đó giá trị mờ được trình bày rõ ràng.
Hình 2.21 Phương pháp trung bình có trọng số.
Phương pháp trọng tâm chỉ áp dụng cho hàm liên tục, trong khi phương pháp trung bình có trọng số có thể áp dụng cho cả hàm liên tục và rời rạc Phương pháp trọng tâm của tổng (Center Of Sum) là một trong những kỹ thuật quan trọng trong phân tích hàm.
Phương pháp trọng tâm của tổng thực thi nhanh hơn phương pháp trọng tâm truyền thống, vì nó tính toán tổng đại số của các ngõ ra riêng lẻ từ các tập mờ thay vì lấy hợp của chứng Tuy nhiên, nhược điểm của phương pháp này là trọng số của vùng giao giữa các tập mờ bị tăng lên gấp đôi Giá trị sau khi giải mờ được xác định bởi một phương trình cụ thể.
Phương pháp trọng tâm của tổng tương tự như phương pháp trung bình có trọng số, nhưng khác biệt ở chỗ trọng số trong phương pháp trọng tâm là diện tích của các hàm liên thuộc, trong khi phương pháp trung bình có trọng số sử dụng các giá trị độ phụ thuộc riêng lẻ Hình 2.22 minh họa rõ ràng phương pháp trọng tâm của tổng.
Hình 2.22.Phương pháp trọng tâm của tổng. o Phương pháp trọ ng tâm vùng l ớ n nh ấ t (Center Of Largest Area)
PHẦN CỨNG VÀ PHẦN MỀM ĐIỀU KHIỂN HỆ THỐNG
PHẦN CỨNG
Mô hình hệ thống chống lắc cho cầu trục bao gồm một xe dịch chuyển trên thanh ngang, gắn tải trọng qua thanh cáp, và được điều khiển bởi động cơ DC thông qua hệ thống bánh răng và dây đai Biến trở được sử dụng để đo góc dao động, trong khi cảm biến tiệm cận nhận biết vị trí gốc của cầu trục và encoder xác định vị trí chính xác Mục tiêu là điều khiển động cơ để giữ thanh cáp ở vị trí thẳng đứng, đảm bảo sự ổn định nhờ vào bộ điều khiển.
Hình 3.1 Mô hình cầu trục.
Bộ điều khiển bao gồm: nguồn 24VDC, mạch cầu H, vi điều khiền ARM STM32F4được lắp vào tủ điều khiển (hình 4.2).
3.1.1 Động cơ DC. Động cơ được sử dụng là động cơ DC có công suất 27W Thông sốkỹthuật chi tiết được trình bàyởbảng 3.1.
Bảng 3.1 Thông sốkỹthuật của động cơ DC.
Nhãn hiệu / model MATSUSHITA / MCG-
Tốc độ định mức 180 (vòng/phút) Điện áp định mức 20 (V) Dòngđiện định mức 1 (A)
Loại Động cơ DC chổi than.
Nguồn cung cấp cho mô hình gồm 2 nguồn, 1 nguồn 24V/10A cung cấp cho board công suất điều khiển động cơ, 1 nguồn 5V từmáy tính cấp cho kit điều khiển.
Mô hình sử dụng chip DSP STM32F407VGT6 từ STMicroelectronics, được triển khai qua kit thí nghiệm STM32F4 DISCOVERY, làm trung tâm thu thập dữ liệu và điều khiển Cảm biến tích hợp một biến trở 5K kết nối đồng trục với thanh cáp để đo vị trí, cùng với module công suất điều khiển động cơ, cho phép điều tốc và đảo chiều động cơ tương ứng với xung PWM từ board điều khiển.
Hình 3.4 Sơ đồ điều khiển.
STM32F407VGT6 là vi điều khiển DSP mạnh mẽ của ST, sử dụng lõi ARM 32bit Cortex-M4 Chip này mang lại hiệu suất cao, tiết kiệm năng lượng và chi phí hợp lý, phù hợp cho các thiết bị yêu cầu tiêu thụ điện thấp và đáp ứng thời gian thực khắt khe.
Tần số hoạt động 168MHz với chế độ Multi – AHB Bus Matrix giúp trao đổi thông tin nhanh chóng và đồng thời trên nhiều ngoại vi khác nhau.
Hỗtrợtính toán sốthực 32bit (FPU).
Bộnhớ: 1Mbyte Flash, 192Kbytes SRAM.
16 kênh điều khiển DMA cho các ngoại vi: ADC, DAC, UART, SPI, USB, Enthernet…
15 timer 16bit và 2 timer 32bit đa năng có thể dùng làm PWM, hay đọc encoder…
Có thích hợp RTC nội, thạch anh 32kHz nội, có thểcân chỉnh được Có 24 kênh ADC 12bit trong đó có 3 kênh tốc độcao, 2 kênh DAC 12bit.
Hỗtrợ các chuẩn giao tiếp: 3 x I2C, 4 x Usart, 2 x Uart, 3 x SPI, 2xCAN, USB full-speed device/host/OTG, Enthernet.
Hỗtrợchuẩn giao tiếp parallel với camera 8 đến 14bit, tốc độ54Mbytes/s.
Hỗtrợtính toán mã CRC, tạo sốngẫu nhiên, có 96bit ID unique.
3.1.2.2 Kit thí nghiệm STM32F4 DISCOVERY.
Hình 3.6 Kit thí nghiệm STM32F4 DISCOVERY.
Kit thí nghiệm STM32F4 DISCOVERY là một board mạch vi điều khiển lý tưởng cho cả người mới học và lập trình viên chuyên nghiệp trong lĩnh vực điều khiển và tự động hóa Nó được trang bị chip ARM Cortex-M4 STM32F407VGT6 với khả năng tính toán số thực FPU, hoạt động ở tần số cao 168MHz, rất phù hợp cho các ứng dụng yêu cầu xử lý nhanh, DSP và điều khiển robot.
Bộ kit tích hợp bộ nạp và gỡ lỗi ST-Link/V2 với giao tiếp một dây, cho phép kết nối dễ dàng Ngoài ra, bộ nạp còn hỗ trợ kết nối CN2 để nạp cho các bo mạch bên ngoài và đi kèm 2 switch CN3 để lựa chọn target một cách linh hoạt.
Có 2 nút nhấn B1, B2 và 4 led LD3, LD4, LD5, LD6 để giao tiếp trực quan với người sử dụng.
Board cònđược tích hợp cảm biến gia tốc, DAC chuyên dụng cho audio, kết nốiUSB OTG…
Hình 3.7 Mặt linh kiện kit STM32F4 DISCOVERY.
3.1.3 Phần công suất. Đểdi chuyển vật, nhóm dùng động cơ DC Tốc độquay của động cơ tỉlệvới điện áp đặt vào nó, vì vậy để điều khiển tốc độ động cơ, ta thay đổi điện áp đặt vào động cơ.
Điều khiển điện áp cho động cơ được thực hiện thông qua tín hiệu xung PWM từ DSP, với việc thay đổi độ rộng xung PWM để điều chỉnh giá trị điện áp trung bình Tín hiệu PWM được truyền qua mạch công suất điều khiển động cơ, cụ thể là mạch cầu H Nếu Q3 và Q2 được đóng (trong khi Q1 và Q4 ngắt), động cơ sẽ quay theo chiều thuận; ngược lại, nếu Q1 và Q4 được đóng (trong khi Q2 và Q3 ngắt), động cơ sẽ quay theo chiều ngược lại.
Hình 3.8.Sơ đồnguyên lý mạch cầu H.
Trong đề tài này, nhóm sử dụng board công suất của mạch cầu H đã có bán sẵn trên thị trường.
Hình 3.9 Board công suất điều khiển động cơ H-Bridge-HIP4082.
Mạch cầu H chịu được dòng 10 A vàđiều xung được 95% Có ngõ vàođiều xung PWM và ngõ vào chọn chiều quay của động cơ.
Mỗi khi hệthống Reset thì cầu trục sẽdi chuyển vềvị trí gốc, để xác định vịtrí gốc này nhóm sửdụng cảm biện tiềm cận loại điện dung CR18-8DN.
Hình 3.10 Cảm biến CR18–8DN.
Bảng 3.2 Thông sốkỹthuật cảm biến CR18 –8DN.
Loại Cảm biến điện dung
Khoảng cách phát hiện 8 mm Điện áp 12 - 24 VDC
3.1.4.2 Biến trở. Để đo vị trí của đối tượng ta có nhiều phương pháp với tín hiệu nhận được là tín hiệu tương tự hay tín hiệu số Trong đềtài này nhóm chọn biến trở để đo góc lệch của thanh cáp, tín hiệu vào là điện áp và từ độlệch giá trị điện áp chúng ta suy ra góc lệch của thanh cái so với vịtrí cân bằng để chúng ta điều khiển động cơ DC.
Trong mô hình nhóm chọn biến trởWDD35D4A4 có các thông số chính như sau:
Bảng 3.3 Thông sốkỹthuật của biến trở.
Công suất định mức 2W Điện áp tối đa 24V
Kiểu Quay Độmịn đầu ra ≤±0.10%
Khả năng quay 360°(Không giới hạn)
3.1.4.3 Encoder. Để đo vị trí của đối tượng ta có nhiều phương pháp với tín hiệu nhận được là tín hiệu tương tựhay tín hiệu số Thông thường, để đo vịtrí và vận tốc của động cơ người ta thường dùng cảm biến encoder Encoder là để đo lường dịch chuyển thẳng hoặc góc và chuyển đổi vị trí góc hoặc vị trí thẳng thành tín hiệu nhị phân và nhờ tín hiệu này chúng ta có thể xác định được vị trí trục hoặc bàn máy Tín hiệu ra của encoder thông thường cho dưới dạng tín hiệu số.
Hình 3.12 Nguyên lý hoạt động cơ bản của encoder.
Nguyên lý hoạt động cơ bản của encoder là một đĩa tròn quay quanh trục, trên đĩa có các rãnh Một đèn LED chiếu sáng lên mặt đĩa, khi đĩa quay, ánh sáng sẽ không chiếu qua chỗ không có rãnh và sẽ chiếu qua chỗ có rãnh Ở phía bên kia của đĩa, có một cảm biến thu nhận tín hiệu ánh sáng, từ đó xác định được đèn LED có chiếu qua rãnh hay không Nếu trên đĩa chỉ có một rãnh duy nhất, mỗi lần cảm biến nhận được tín hiệu từ đèn LED thì có nghĩa là đĩa đã quay được một vòng.
Để xác định chính xác vị trí và chiều quay của đĩa quay, người ta chia đĩa thành nhiều rãnh; số lượng rãnh càng nhiều thì độ phân giải của encoder càng cao Ngoài việc tạo ra một vòng rãnh, nhiều vòng rãnh khác cũng được thiết kế để xác định chính xác vị trí và chiều quay của encoder Dựa trên những mục đích này, encoder có thể được chia thành hai loại.
- Encoder tuyệt đối (absolute encoder): sử dụng mã nhị phân hay mã gray để quy định từng vịtrí của encoder.
Hình 3.13 Đĩa Encoder tuyệt đối.
Encoder tuyệt đối hoạt động dựa trên nguyên tắc bit, với độ phân giải tương ứng với số bit cho phép xác định vị trí hiện tại của đĩa quay Mỗi vị trí trên đĩa sẽ có một chuỗi nhị phân tương ứng Bên cạnh đó, việc tăng hay giảm giá trị sẽ giúp xác định chiều quay của encoder.
Encoder tuyệt đối có nhiều vòng rãnh từ trong ra ngoài, với vòng thứ n luôn nằm ở trong cùng và có ít nhất 1 rãnh với góc rộng 180 độ Các vòng rãnh tiếp theo có số rãnh gấp đôi vòng bên trong, tạo ra sự thay đổi liên tục Điều này yêu cầu nhiều lỗ hơn, vì vậy các vòng tiếp theo được thiết kế để đảm bảo kết cấu cơ khí chắc chắn và dễ dàng trong sản xuất.
Căn cứtheo sốvòng rãnh ta sẽ xác định được độchính xác của encoder đến 1
2 n vòng, hay còn gọi là độ phân giải của encoder là 2 n xung trên vòng.
Trong encoder tuyệt đối, việc sử dụng đĩa mã hóa theo mã Gray là phổ biến vì hai góc cạnh liền kề chỉ thay đổi một bit Ngược lại, mã nhị phân có thể thay đổi nhiều bit cùng lúc, điều này gây khó khăn và làm giảm tốc độ đáp ứng trong quá trình xử lý tín hiệu tốc độ cao.
- Encoder tương đối (incremental encoder): tín hiệu liên tục tăng dần.
Hình 3.14 Đĩa encoder tương đối.
Encoder tuyệt đối rất hữu ích khi cần xác định vị trí chính xác liên tục của trục quay trong mọi tình huống, kể cả khi có gián đoạn và trục không quay nhiều vòng Việc đọc và xử lý encoder tuyệt đối trở nên đơn giản cho người thiết kế, vì chỉ cần đọc giá trị để biết ngay vị trí góc của trục Tuy nhiên, trong trường hợp động cơ quay với tốc độ cao và nhiều vòng, việc xử lý để đếm số vòng quay trở nên tốn thời gian và không hiệu quả.
THIẾT KẾ HỆ THỐNG ĐIỀU KHIỂN
XÂY DỰNG CẤU TRÚC CHƯƠNG TRÌNH ĐIỀU KHIỂN
Chương trìnhđiều khiển gồm 2 bộ điều khiển:
- Controller 1: Bộ điều khiển ban đầu dùng để điều chỉnh cầu trục tới vịtrí mong muốn.
Bộ điều khiển vị trí
Cảm biến vị trí (Encoder) Động cơ DC
- Controller 2: Bộ điều khiển Fuzzy đểchống lắc cho cầu trục.
Vị trí đặt x 0 Góc lệnh α 0
Cảm biến vị trí (Encoder)
Cảm biến góc (Biến trở) x α
Bộ Controller 1 điều chỉnh cầu trục di chuyển đến vị trí đã định Khi đến điểm đặt, Bộ Controller 2 sẽ thực hiện việc điều chỉnh để cầu trục nhanh chóng ổn định tại vị trí chính xác.
CHƯƠNG TRÌNH ĐIỀU KHIỂN
Bộ controller 1 khá đơn giản, gồm các khối chính là các khối màu cam:
Khối "Encoder read" sẽ nhận giá trị từ encoder thông qua khối "Hàm tạo xung đếm số vòng" và khối counter để thực hiện việc đếm số vòng Giá trị này sẽ được so sánh với giá trị đã được đặt ban đầu.
Để đọc vị trí và góc lệch, chúng ta sử dụng khối "Encoder read", khối "Biến trở" và hàm func Bộ điều khiển Fuzzy được thực hiện thông qua khối "Fuzzy Logic Controller" với file cấu hình "Fuzzy.FIS", được thiết lập bằng Fuzzy Logic Toolbox.
Hình 4.4 BộController 2 (trừcác khối màu cam).
4.2.2.1 Các khối chính trong bộController 2.
Khối "Biến trở" được sử dụng để đọc giá trị Analog của biến trở và chuyển đổi thành giá trị góc thông qua khối hàm func Khối "Encoder read" thực hiện chức năng tương tự như trong bộ controller 1 Hàm "Hàm xử lý" xác định chiều quay của động cơ, trong khi độ rộng xung sẽ được xử lý bởi hàm "Hàm PWM".
4.2.2.2 Chuẩn hóa tín hiệu đầu vào, đầu ra.
Theo yêu cầu của mô hình, bộ điều khiển mờ được thiết kế với bốn ngõ vào là Teta, Tetadot, X, Xdot và một ngõ ra là U.
Chuẩn hóa tập cơ sở của các biến vào/ra trong miền [-1, 1] là bước quan trọng, giúp cải thiện hiệu suất của mô hình Các ma trận hệ số khuếch đại của các khối tiền xử lý và hậu xử lý sẽ được điều chỉnh tương ứng để đảm bảo tính nhất quán và hiệu quả trong quá trình xử lý dữ liệu.
Khi chọn các hệ số K1, K2, K3, K4 lớn, các biến trạng thái như góc lệch, vận tốc góc lệch, vị trí lệch và vận tốc vị trí lệch sẽ được điều chỉnh ưu tiên theo bảng luật mờ Việc thay đổi giá trị nhỏ sẽ nhanh chóng được cập nhật Tuy nhiên, nếu tất cả các hệ số này đều tăng, sẽ không còn sự ưu tiên thực sự cho bất kỳ biến trạng thái nào Đối với K5, nếu được tăng, điều khiển sau khi chọn qua khối mờ sẽ tăng mạnh, giúp hệ thống điều khiển nhanh nhưng có nguy cơ làm mất ổn định Các tập mờ được định nghĩa để mô tả giá trị ngôn ngữ của các biến vào và ra của bộ điều khiển mờ, với ba tập mờ cho mỗi biến vào được phân hoạch mờ dựa trên chuẩn hóa và hàm liên thuộc dạng tam giác, chuẩn hóa về miền [-1, 1] cho các biến góc lệch, vận tốc góc lệch, vị trí lệch và vận tốc vị trí lệch.
Hình 4.5 Hàm liên thuộc ngõ vào bộmờ.
Tập mờchuẩn hoá của các biến ngõ ra:
Hình 4.6 Tập mờchuẩn hoá của các biến ngõ ra.
Dựa vào các dữliệu trên ta có bảng quy luật mờcủa hệcầu trụcnhư sau:
Hình 4.7 Một sốquy tắc điều khiển.
Bảng 4.1 Bảng luật mờ điều khiển cầu trục.
1 NE NE NE NE PB 42 ZE ZE ZE PO ZE
2 NE NE NE ZE PB 43 ZE ZE PO NE NM
3 NE NE NE PO PM 44 ZE ZE PO ZE NS
4 NE NE ZE NE NB 45 ZE ZE PO PO NB
5 NE NE ZE ZE NM 46 ZE PO NE NE PB
6 NE NE ZE PO NS 47 ZE PO NE ZE PM
7 NE NE PO NE NM 48 ZE PO NE PO PS
8 NE NE PO ZE NS 49 ZE PO ZE NE ZE
9 NE NE PO PO NB 50 ZE PO ZE ZE ZE
10 NE ZE NE NE PB 51 ZE PO ZE PO ZE
11 NE ZE NE ZE PM 52 ZE PO PO NE NS
12 NE ZE NE PO PS 53 ZE PO PO ZE NM
13 NE ZE ZE NE NB 54 ZE PO PO PO NB
14 NE ZE ZE ZE NM 55 PO NE NE NE PM
15 NE ZE ZE PO ZE 56 PO NE NE ZE PS
16 NE ZE PO NE NS 57 PO NE NE PO ZE
17 NE ZE PO ZE ZE 58 PO NE ZE NE PS
18 NE ZE PO PO NS 59 PO NE ZE ZE PM
19 NE PO NE NE PM 60 PO NE ZE PO PS
20 NE PO NE ZE PS 61 PO NE PO NE ZE
21 NE PO NE PO ZE 62 PO NE PO ZE NS
22 NE PO ZE NE NS 63 PO NE PO PO NM
23 NE PO ZE ZE NM 64 PO ZE NE NE PS
24 NE PO ZE PO NS 65 PO ZE NE ZE ZE
25 NE PO PO NE ZE 66 PO ZE NE PO PS
26 NE PO PO ZE NS 67 PO ZE ZE NE ZE
27 NE PO PO PO NM 68 PO ZE ZE ZE PM
28 ZE NE NE NE PB 69 PO ZE ZE PO PB
29 ZE NE NE ZE PM 70 PO ZE PO NE NS
30 ZE NE NE PO PS 71 PO ZE PO ZE NM
31 ZE NE ZE NE ZE 72 PO ZE PO PO NB
32 ZE NE ZE ZE ZE 73 PO PO NE NE PB
33 ZE NE ZE PO ZE 74 PO PO NE ZE PS
34 ZE NE PO NE NS 75 PO PO NE PO PM
35 ZE NE PO ZE NM 76 PO PO ZE NE PS
36 ZE NE PO PO NB 77 PO PO ZE ZE PM
37 ZE ZE NE NE PB 78 PO PO ZE PO PB
38 ZE ZE NE ZE PS 79 PO PO PO NE NM
39 ZE ZE NE PO PM 80 PO PO PO ZE NB
40 ZE ZE ZE NE ZE 81 PO PO PO PO NB
41 ZE ZE ZE ZE ZE
4.2.2.3 Cấu hình file “Fuzzy.FIS”.
To open FLT, type the command "fuzzy" in the Command Window Next, go to the Edit menu, select Add Input, and then choose Add Output Click on input1, input2, input3, input4, and output1 to rename them in the corresponding Name field.
Nhấp đúp vào hình Tetađểtạo lập các hàm liên thuộc cho biến vào Teta.
Hình 4.9 Cửa sổMembership Function Editor.
Trong ô Range nhập vào miền xác định của biến Vào menu Edit để thêm các hàm liên thuộc.
Hình 4.10 Thêm hàm liên thuộc.
Trong ô Type, chọn hàm liên thuộc hình thang (trapmf) cho hàm NE và PO, chọn làm liên thuộc hình tam giác cân (trimf) cho ZE
Trong ô Paramdùng đểnhập thông sốcho từng hàm khi nhấp vào hàm Ô Name dùng để đặt tên cho hàm.
Làm tương tự đối với các biến Tetadot, X, Xdot. Đối với biến ra là U, chọn các giá trịcho các hằng sốNB, NM, NS, ZE, PS, PM,PB.
Hình 4.11 Cấu hình ngõ ra.
Sửdụng Rule Editorđểtạo bảng luật điều khiển cho bộ điều khiển mờ Từmenu Edit, chọn Rules đểmởRule Editor.
Hình 4.12 Cấu hình cho Rule. Đểkiểm tra lại hoạt động của bộ điều khiển mờ, ta vào menu View, chọn Rules.
Tại ô Input, người dùng có thể nhập các giá trị của biến đầu vào để theo dõi các giá trị đầu ra tương ứng Để xem các luật điều khiển trong không gian, hãy vào menu View và chọn Surface để quan sát.
