Thiết kế, chế tạo hệ thống điều khiển chuyển động máy in sử dụng thuật toán PID kết hợp LFFC

Trong điều khiển thích nghi, một hoặc nhiều tham số điều khiển hoặc các tham số mô hình được điều chỉnh trực tuyến b ng một thuật toán thích nghi sao cho các động học vòng lặp kín phù hợ

TRƯỜNG ĐẠI HỌC KỸ THUẬT CÔNG NGHIỆP

TRƯỜNG ĐẠI HỌC KỸ THUẬT CÔNG NGHIỆP

LUẬN VĂN THẠC SĨ KỸ THUẬT

Người hướng dẫn khoa học: TS Nguyễn Duy Cương

THÁI NGUYÊN – 2014

LỜI CAM ĐOAN

Tên tôi là: Nguyễn Văn Đạt

Sinh ngày 17 tháng 8 năm 1987

Học viên lớp cao học khoá 14 CHKTĐT - Trường đại học kỹ thuật Công nghiệp Thái Nguyên

Hiện đang công tác tại : Trường Cao đẳng nghề cơ điện h Thọ

Xin cam đoan luận văn “Thiết kế, chế tạo hệ thống điều khiển chuyển

động máy in sử dụng thuật toán PID kết hợp LFFC” do thầy giáo TS Nguyễn Duy Cương hướng dẫn là công trình nghiên cứu của riêng tôi Tất cả các tài liệu

tham khảo đều có nguồn gốc, xuất xứ rõ ràng

Tôi xin cam đoan tất cả những nội dung trong luận văn đ ng như nội dung trong đề cương và yêu cầu của thầy giáo hướng dẫn Nếu có vấn đề gì trong nội dung của luận văn, tôi xin hoàn toàn chịu trách nhiệm với lời cam đoan của mình

Thái Nguyên, ngày tháng năm 2014

Học viên

Nguyễn Văn Đạt

LỜI CẢM ƠN

Sau thời gian nghiên cứu, làm việc khẩn trương và được sự hướng dẫn tận tình

gi p đỡ của thầy giáo TS Nguyễn Duy Cương, luận văn với đề tài “Thiết kế, chế

tạo hệ thống điều khiển chuyển động máy in sử dụng thuật toán PID kết hợp LFFC” đã được hoàn thành

Tôi xin bày tỏ lòng biết ơn sâu sắc tới:

Thầy giáo hướng dẫn TS Nguyễn Duy Cương đã tận tình chỉ dẫn, gi p đỡ tôi

hoàn thành luận văn

Các thầy cô giáo Trường Đại học kỹ thuật công nghiệp Thái Nguyên và một số đồng nghiệp, đã quan tâm động viên, gi p đỡ tôi trong suốt quá trình học tập để hoàn thành luận văn này

Mặc dù đã cố gắng hết sức, song do điều kiện thời gian và kinh nghiệm thực tế của bản thân còn ít, cho nên đề tài không thể tránh khỏi thiếu sót Vì vậy, tôi mong nhận được sự đóng góp ý kiến của các thầy giáo, cô giáo và các bạn bè đồng nghiệp

Tôi xin chân thành cảm ơn!

Thái Nguyên, ngày….tháng….năm 2014

Học viên

Nguyễn Văn Đạt

MỤC LỤC

LỜI CAM ĐOAN i

LỜI CẢM ƠN ii

MỤC LỤC iii

DANH MỤC CÁC CHỮ VIẾT TẮT v

DANH MỤC CÁC HÌNH VẼ vi

LỜI NÓI ĐẦU 1

CHƯƠNG 1: GIỚI THIỆU 3

1.1 Cấu tạo, cấu tr c máy in (công nghệ in) 3

1.2 Mô hình toán máy in theo 1 phương 3

1.3 Các yếu tố gây ra chuyển động thiếu chính xác cho hệ thống máy in 5

1.3.1 Các nhiễu lặp cho đối tượng 5

1.3.2 Bất định mô hình 7

1.4 Khó khăn cần đối mặt khi thiết kế hệ thống điều khiển 7

1.5 Tổng quan nghiên cứu trong và ngoài nước 9

1.6 Động lực cho việc sử dụng điều khiển ID truyền thống kết hợp Learning Feed-Forward 11

1.7 Thiết kế hệ thống điều khiển và nhiệm vụ của tác giả 12

1.8 Mong muốn đạt được 14

CHƯƠNG 2: TỔNG QUAN VỀ LEARNING FEED-FORWARD CONTROL (LFFC) VÀ MODEL REFERENCE ADAPTIVE SYSTEMS (MRAS) 16

2.1 Tổng quan về LFFC 16

2.1.1 Giới thiệu 16

2.1.2 Điều khiển học (Learning Control - LC) 16

2.1.3 Bộ điều khiển học sử dụng sai lệch phản hồi (Feedback Error Learning - FEL) 20

2.1.4 Learning Feed forward Control (LFFC) 22

2.2 Điều khiển thích nghi theo mô hình mẫu 22

2.2.1 Khái quát chung 23

2.2.2 Cơ chế thích nghi 27

2.2.3 hương pháp ổn định của Liapunov 29

2.3 Bộ điều khiển LFFC trên cơ sở MRAS 32

2.3.1 Khái niệm chung 33

2.3.2 MRAS dựa trên điều khiển Feed - Forward 35

2.3.3 Luật điều khiển thích nghi 37

2.4 Kết luận chương 2 42

CHƯƠNG 3: THIẾT KẾ VÀ MÔ HỎNG BỘ ĐIỀU KHIỂN LFFC TRÊN CƠ SỞ MRAS ĐỂ ĐIỀU KHIỂN MÁY IN 43

3.1 Cấu tr c hệ thống với bộ điều khiển LFFC dựa trên MRAS 43

3.2 Tính toán thông số 45

3.3 Mô phỏng hệ thống 46

3.4 Kết luận Chương 3 50

CHƯƠNG 4: TH C NGHIỆM 51

4.1 Giới thiệu hệ thống máy in 51

4.2.Cấu tr c điều khiển hệ thống 52

4.3 Kết luận Chương 4 57

KẾT LUẬN VÀ KIẾN NGHỊ 58

TÀI LIỆU THAM KHẢO 59

DANH MỤC CÁC CHỮ VIẾT TẮT

AC Alternating Current Dòng điện xoay chiều

AD Analog digital Bộ biến đổi tương tự -số

FEL Learning Feedback Error Điều khiển học sai lệch phản

hồi

ILC Interative learning control Điều khiển học theo quá

trình lặp

hình mẫu

STR Self Tuning Regulator Bộ điều khiển tự chỉnh

PWM Pulse – width modulation Điều chế độ rộng xung

PID Proportional - Integral - Derivative Tỷ lệ- tích phân - đạo hàm

DANH MỤC CÁC HÌNH VẼ

HÌNH1 1: Cấu tr c thực nghiệm máy in 3

HÌNH1 2: Mô hình toán bậc hai 4

HÌNH 1 3: Hệ thống chuyển động điện cơ 5

HÌNH 1 4: Mô hình đối tượng và các nhiễu lặp 6

HÌNH 2 1: Cực tiểu cục bộ trong kỹ thuật học 18

HÌNH 2 2: Bộ điều khiển phản hồi sai lệch 20

HÌNH 2 3: Đối tượng và nhiễu lặp 21

HÌNH 2 4 Hệ thích nghi tham số 25

HÌNH 2 5 Hệ thích nghi tín hiệu 26

HÌNH 2 6 Điều khiển sơ cấp và cấp hai 27

HÌNH 2 7 Mô hình mẫu và đối tượng 28

HÌNH 2 8: MRAS cho sự thích nghi của các tham số bộ điều khiển 34

HÌNH 2 9: MRAS với mô hình có thể hiệu chỉnh cho nhận dạng tham số 34

HÌNH 2 10 Cấu tr c MRAS với khâu khởi tạo tín hiệu đặt 35

HÌNH2 11 Nhận dạng mô hình ngược của đối tượng 36

HÌNH2 12 Bộ điều khiển LFFC 37

HÌNH3 1: Cấu tr c hệ thống với bộ điều khiển LFFC dựa trên MRAS 44

HÌNH3 2: Cấu tr c chi tiết hệ thống 45

HÌNH 3 3: Cấu tr c mô phỏng hệ thống 46

HÌNH3 4: Cấu tr c hệ thống trong simulink 47

HÌNH 3 5: Cấu tr c LFFC và bộ lọc SVF 48

HÌNH 3 6: Kết quả mô phỏng và các giá trị thích nghi am, bm, cm 49

HÌNH4 1: Hệ thống thực nghiệm 51

HÌNH4 2: Cấu tr c điều khiển hệ thống 52

HÌNH 4 3: Cấu hình cổng kết nối 52

HÌNH4 4: Cấu hình thời gian thực 53

HÌNH4 5: Cấu hình đọc encoder 53

HÌNH4 6: Cấu tr c bộ lọc 54

HÌNH 4 7: Cấu hình xuất tín hiệu WM 54

HÌNH 4 8: Điều khiển tốc độ và chiều quay động cơ 55

HÌNH 4 9: Cấu hình đầu ra số 55

HÌNH 4 10: Cấu tr c điều khiển mô hình thực 56

HÌNH 4 11: Kết quả thực nghiệm 56

LỜI NÓI ĐẦU

1 Lý do chọn đề tài

Ngày nay, điều khiển chuyển động chính xác, tốc độ cao đã và đang được ứng dụng rất rộng rãi trong nhiều lĩnh vực sản xuất và đời sống như điều khiển máy in, điều khiển hành trình, điều khiển cánh tay robot v.v Đã có rất nhiều phương pháp khác nhau nh m thực hiện nhiệm vụ này như dùng bộ điều khiển

ID truyền thống, STR (Self Tuning Regulator) v.v Tuy nhiên, đối với hệ thống máy in, khi yêu cầu điều khiển là hình in ra phải giống như hình mẫu, tốc độ in cao (năng suất cao) thì lại đối mặt với rất nhiều khó khăn như: thông số của đối tượng điều khiển thay đổi, tác động xấu của nhiễu đo, tác động của nhiễu hệ thống Do vậy khi các máy in làm việc với yêu cầu độ ổn định và độ chính xác cao thì các bộ điều khiển trên thể hiện các hạn chế

Hệ thống điều khiển thích nghi là hệ thống mà cấu tr c và tham số của bộ điều khiển có thể thay đổi theo sự biến thiên thông số của hệ sao cho chất lượng đảm bảo các chỉ tiêu đã định Đặc biệt hệ điều khiển Learning Feed Forward Control (LFFC) trên cơ sở thích nghi theo mô hình mẫu (Model Reference Adaptive System: MRAS), đã được nghiên cứu và thiết kế ứng dụng trong thực tế Bộ điều khiển này có ưu điểm là có khả năng kháng nhiễu hệ thống (System Noise) có hiệu quả, nhờ đó độ chính xác và độ ổn định của hệ có thể đồng thời đạt được

Việc ứng dụng Learning Feed Forward trên cơ sở MRAS để điều khiển chính xác vị trí máy in s nâng cao chất lượng của hệ thống Vì vậy tác giả lựa chọn

đề tài: “Thiết kế, chế tạo hệ thống điều khiển chuyển động máy in sử dụng thuật toán PID kết hợp LFFC”

Luận văn tập trung nghiên cứu xây dựng thuật toán ID kết hợp LFFC để điều khiển chuyển động của máy in

hương pháp nghiên cứu của đề tài như sau:

- Nghiên cứu lý thuyết và xây dựng mô hình toán của hệ máy in, thiết kế bộ điều khiển

- Kiểm chứng kết quả thiết kế thông qua mô phỏng b ng phần mềm Matlab Simulink và thực nghiệm trên mô hình thực

2 Bố cục luận văn

Chương 1: Giới thiệu

Chương 2: Tổng quan về Learning Feed-Forward Control (LFFC) và Model Reference Adaptive Systems (MARS)

Chương 3: Thiết kế và mô phỏng bộ điều khiển LFFC trên cơ sở MRAS để điều khiển máy in

CHƯƠNG 1: GIỚI THIỆU

1.1 Cấu tạo, cấu trúc máy in (công nghệ in)

Máy in công nghiệp được sử dụng rộng rãi hiện nay Cấu tạo của máy in

được mô tả một cách đơn giản bao gồm đầu in gắn trên ụ chuyển qua lại theo

phương X, toàn bộ phần thiết bị chuyển động theo phương X được gắn trên phần chuyển động qua lại theo phương Y B ng cách điều khiển các chuyển động theo các phương X và Y bám theo các quỹ xác định, đầu in s v ra một hình theo mong muốn trên mặt phẳng

1.2 Mô hình toán máy in theo 1 phương

Cấu trúc thực nghiệm của máy in có dạng như (Hình 1.1)

HÌNH1 1: Cấu tr c thực nghiệm máy in

Để xác định được mô hình toán học của hệ thống, trong tính toán, khi bỏ qua những thành phần phi tuyến của lực ma sát trên phần tử giảm chấn, nếu coi dây curoa nối giữa động cơ và ụ trượt là cứng và bỏ qua khối lượng rôto, khung là vững

chắc thì đối tượng s được biểu diễn dưới dạng mô hình toán học như ( nh 1.2), và

có dạng là một khâu bậc 2 tuyến tính được biểu diễn b ng hệ phương trình trạng thái trong biểu thức (1.1)

Công tắc hành trình

Con trượt Động cơ và

bánh răng

Cầu H

Bộ nguồn Adrunio board

HÌNH1 2: Mô hình toán bậc hai

x L

x Trạng thái 2: Vị trí của ụ trượt m Khối lượng của ụ trượt

F Lực tác dụng lên quá trình k m H ng số động cơ

d c Thông số Coulomb của Damper

Bảng1.1: Giải thích các biến và các thông số sử dụng trong các công thức

1.3 Các yếu tố gây ra chuyển động thiếu chính xác cho hệ thống máy in

Các nhiễu lặp và bất định đối tượng trong các hệ thống chuyển động điện cơ

(máy in): Một hệ thống chuyển động điện cơ (Hình 1.3) là một đối tượng cơ khí

hoạt động b ng điện mà yêu cầu điều khiển vị trí của cơ cấu tác động cuối cùng [4]

Bộ tạo quỹ đạo chỉ ra một quỹ đạo mong muốn cho cơ cấu tác động cuối Các động

cơ điện được sử dụng có thể là AC hoặc DC, quay hoặc tuyến tính Các thành phần

cơ khí để truyền chuyển động của động cơ điện tới cơ cấu tác động cuối bao gồm: các trục, các bánh răng, các dây đai, các liên kết, các vòng bi quay, v.v …

HÌNH 1 3: Hệ thống chuyển động điện cơ

Việc sử dụng phản hồi để tạo ra một hệ thống vòng lặp kín ổn định đòi hỏi việc sử dụng các cảm biến phù hợp để cung cấp các thông tin cần thiết về quá trình Các cảm biến này thường được đặt ở thiết bị truyền động hoặc cơ cấu tác động cuối Với cấu tr c này, hạn chế cho thiết kế một hệ thống điều khiển như nhiễu lặp trong đối tượng, bất định mô hình, và nhiễu đo lường là không thể tránh khỏi Rất khó để điều khiển hệ thống này với phản hồi đơn để có được hiệu suất cao và bền vững Những thách thức này là một trong những lý do chính để sử dụng bộ điều khiển nâng cao

1.3.1 Các nhiễu lặp cho đối tượng

Một điều khiển chuyển động sử dụng động cơ điện có thể được mô tả bởi một

mô hình mô phỏng đơn giản được thể hiện trong (hình 1.4) [6] Đối tượng luôn luôn

là đối tượng bị nhiễu Trong trường hợp động cơ tuyến tính kích thích b ng nam châm vĩnh cửu Do đó, các nhiễu này có thể được xem như là một hàm trạng thái

Bộ phát tín

hiệu mẫu

Hệ thống điều khiển Cơ cấu tác động cuối

Đối tượng điện cơ

Cơ cấu tác động

Hàm truyền

của đối tượng và ch ng có thể có một đặc tính tái sinh - điều này có nghĩa là các nhiễu lặp đi lặp lại xuất hiện theo cách tương tự khi một chuyển động cụ thể được lặp lại

Lực ma sát được tác dụng theo hướng chống lại chuyển động, ma sát thường tiêu tốn năng lượng Như đã giải thích trong [7], ma sát có thể được mô hình như một nhiễu phụ thuộc vận tốc, là tự nhiên đối với hầu hết các hệ thống chuyển động

Ma sát có tính phi tuyến cao và có thể gây ra sai lệch trạng thái ổn định, các chu kỳ giới hạn và hiệu suất kém…

HÌNH 1 4: Mô hình đối tượng và các nhiễu lặp Bình thường, thuật toán tỷ lệ - tích phân - vi phân tiêu chuẩn ( ID) được sử dụng trong điều khiển chuyển động để giải quyết bài toán ma sát Khâu tích phân trong bộ điều khiển để loại bỏ sai lệch Việc sử dụng phản hồi thường đơn giản và hiệu quả bởi vì nó không cần thiết phải có các đặc điểm chi tiết của quá trình [5] Hiệu suất bám cao có thể đạt được khi hệ số khuếch đại cao được sử dụng trong vòng lặp Tuy nhiên, tăng các hệ số khuếch đại bộ điều khiển có thể làm cho vòng lặp không ổn định Lực ma sát cũng có thể được bù b ng điều khiển Feed - Forward nhưng nó chỉ thích hợp nếu quỹ đạo vận tốc mong muốn được biết trước Ý tưởng

là đơn giản Nhiễu ma sát được đo, và một tín hiệu điều khiển cố gắng để chống lại nhiễu này được tạo ra và áp dụng cho quá trình này Trong thực tế, ma sát biến đổi

phụ thuộc vào nhiều yếu tố như lực, vị trí, nhiệt độ, và v.v Một biến đổi của một trong những yếu tố có thể thay đổi các đặc điểm ma sát theo những cách phức tạp Bởi vì các đặc điểm ma sát phụ thuộc vào rất nhiều yếu tố dẫn đến yêu cầu thích nghi tự động

do tính mềm cơ khí bị bỏ qua trong các khớp và các liên kết, v.v… Trong lý thuyết điều khiển, bất định mô hình được xem xét từ quan điểm của mô hình hệ thống vật

lý Các động học không mô hình và bất định tham số có ảnh hưởng tiêu cực đến hiệu suất bám và thậm chí có thể dẫn đến không ổn định Nếu cấu tr c mô hình được giả định là đ ng, nhưng hiểu biết chính xác về các thông số đối tượng không

rõ, thì điều khiển thích nghi được áp dụng Trong điều khiển thích nghi, một hoặc nhiều tham số điều khiển hoặc các tham số mô hình được điều chỉnh trực tuyến

b ng một thuật toán thích nghi sao cho các động học vòng lặp kín phù hợp với hoạt động của mô hình mẫu mong muốn mặc dù các thông số đối tượng không rõ hoặc biến đổi theo thời gian Do đó, để đạt bám quỹ đạo tiệm cận, bất định tham số nên được kể đến, dưới điều kiện là một hiệu suất vòng lặp kín ổn định được đảm bảo

1.4 Khó khăn cần đối mặt khi thiết kế hệ thống điều khiển

Bài toán đặt ra cho hệ thống điều khiển ở đây đó là hình in ra phải giống như hình mẫu, tốc độ in cao (năng suất cao) khi phải đối mặt với các khó khăn như sau:

- Thông số của đối tượng điều khiển thay đổi chẳng hạn như những thay đổi tham số do các điều kiện hoạt động và các thay đổi tải trọng khác nhau;

+ hi tuyến thiết bị truyền động, cảm biến: chẳng hạn như trễ, vùng chết,

độ bão hòa, thay đổi độ dốc đầu vào đầu ra trong dải hoạt động cũng như sự phi tuyến của lượng tử hóa khi sử dụng các bộ chuyển đổi AD để điều khiển máy tính - số:

+ Khe hở và mức độ phù hợp trong bộ truyền động bánh răng

+ Thời gian trễ

- Tác động của nhiễu hệ thống Nhiễu hệ thống chính được hiểu ở đây là lực ma sát có tính phi tuyến cao Điều khiển chuyển động chính xác cao s bị ảnh hưởng bởi sự xuất hiện của ma sát Ma sát, là một hiện tượng phi tuyến rất phức tạp tồn tại trong hầu hết các hệ thống cơ khí liên quan đến chuyển động tương đối giữa các bộ phận Các đặc tính khác nhau của ma sát có thể xuất hiện trong các dạng khác nhau của các bề mặt tiếp x c và độ lớn của lực ma sát phụ thuộc vào các tính chất vật lý của các bề mặt tương tác cũng như tải Các vấn đề gây ra bởi ma sát cho kết quả ban đầu là các sai số vị trí, bám không tốt và không đơn giản được loại bỏ

b ng cách đưa khâu tích phân vào trong bộ điều khiển Đặc biệt, khi chuyển động ở tốc độ thấp mà biên độ nhỏ, ma sát phi tuyến kết hợp với khâu tích phân dẫn đến các chu kỳ giới hạn gọi là sự tiến gián đoạn

- Các vấn đề liên quan đến tính độ mềm cơ khí cũng là những thách thức để đạt được khả năng tăng tốc, điều khiển ở tốc độ cao Trong các môi trường công nghiệp, các động cơ servo được liên kết tới các cơ cấu tác động cuối b ng các cơ cấu truyền có độ cứng hữu hạn Một mô hình thực tế của các hệ thống như vậy có thể bao gồm một số các chế độ cộng hưởng, mà trong hàm truyền xuất hiện như là các điểm không hữu hạn và cặp cực liên hợp phức gần trục ảo trong mặt phẳng phức Hệ số khuếch đại vòng lặp ổn định đạt được bị giới hạn bởi những cực hay các cặp điểm cực - điểm không, cùng với hiệu suất truyền động tổng Trong hầu hết các ứng dụng truyền thống, các tần số cộng hưởng theo thứ tự có giá trị lớn hơn dải điều khiển yêu cầu và do đó ch ng thường bị bỏ qua bởi mô hình hóa quá trình này như một hệ thống gắn kết Tuy nhiên, các khó khăn phát sinh trong các ứng dụng đòi hỏi phải có hệ thống điều khiển để có một tiếp cận dải ít nhất là b ng tần số cộng hưởng thấp nhất

Nói một cách khác, đối với các quỹ đạo mong muốn cho trước theo từng phương, khi phải đối mặt với các khó khăn như đã nêu, bộ điều khiển phải đảm bảo

toàn bộ hệ thống làm việc ổn định, quỹ đạo ra thực luôn bám sát quỹ đạo mong muốn với sai số là nhỏ nhất

1.5 Tổng quan nghiên cứu trong và ngoài nước

Các vấn đề liên quan đến bất định mô hình, nhận dạng và bù ma sát trong các

hệ thống cơ khí được điều khiển đã rất hấp dẫn đối với các nhà nghiên cứu trong nhiều thập kỷ Rõ ràng là bù ma sát là một phần quan trọng của việc giải quyết các bài toán bám và điều chỉnh trong các hệ thống điều khiển chuyển động Hầu hết các tiếp cận bù ma sát tiên tiến là dựa mô hình ngoại trừ một số kỹ thuật đặc biệt như điều khiển xung (Yang & Tomizuka, 1988; Popovic, et al, 1995) Vì vậy, mô hình thường được coi là thành phần thiết yếu của bù ma sát phi tuyến Nói chung, các mô hình tốt được mong đợi s cung cấp hiệu suất tốt về bù ma sát Các mô hình ma sát

cả tĩnh và động có thể được tìm thấy trong các tài liệu đã công bố

Các mô hình ma sát cùng với các phương pháp bù khác nhau được tóm tắt trong Armstrong-Helouvry, et al (1994), Olsson (1996) và Olsson, et al (1998) Các mô hình ma sát tĩnh được trang bị b ng một bản đồ giữa lực/ mô-men quay và tốc độ, và thường bao gồm các thành phần ma sát nhớt, Coulomb và tĩnhv.v Một

số mô hình cũng liên quan đến những hiệu ứng Stribeck và hiện tượng phi tuyến khác, như mô hình bảy thông số của Armstrong (Armstrong-Helouvry, 1991) Tuy nhiên, tính năng cơ bản của các mô hình tĩnh, tức là, sự gián đoạn ở vận tốc b ng không rất khó bù ma sát hiệu quả, bởi vì các mô hình không mô tả được các động học ma sát trong vùng này Do đó, các mô hình động học cũng được phát triển, bao gồm mô hình Dahl (Dahl, 1968), mô hình LuGre (Canudas de Wit, etal 1995), mô hình ma sát tích hợp (Swevers, etal,b2000) và các mô hình khác (Haessig & Friedland, 1991; Blimam & Sorine, 1995), để xử lý các hiệu ứng ma sát trong vùng lân cận của vận tốc không Trong số các mô hình động đề xuất, mô hình LuGre là

mô hình ma sát được trích dẫn nhất nhiều nhất cho bù ma sát động

Tính ưu việt của mô hình này so với nhiều mô hình khác là nó thu thập hầu hết các hiện tượng ma sát quan sát được, như các tác động Stribeck phức tạp, tính chất trễ do trễ ma sát, hành vi giống lò xo trong suốt thời gian presliding và thay đổi lực khởi động tùy thuộc vào tốc độ thay đổi của lực áp dụng Tất cả những đặc điểm này được tích hợp vào một phương trình vi phân phi tuyến bậc nhất Mô hình này rất phù hợp cho phân tích mô phỏng các hệ thống với ma sát và cũng có thể được sử

dụng trong các ứng dụng điều khiển nếu một vài thông số ma sát phụ thuộc vào đối tượng có thể được xác định Mô hình dựa trên bù ma sát để điều khiển độ chính xác cao thường được báo cáo (Lee & Tomizuka năm 1996; Yao, và cộng sự, 1997, Lee

và Kim, 1999) hương pháp này đòi hỏi phải xác định chính xác các thông số ma sát, do đó việc lựa chọn một phương pháp nhận dạng thích hợp là một vấn đề quan trọng trong thiết kế điều khiển Các phương pháp khác nhau để xác định các thông

số của các mô hình ma sát cũng có thể được tìm thấy trong công trình khảo sát của Armstrong-Helouvry, và cộng sự (1994) Một khó khăn trong việc xác định ma sát

là yêu cầu đo gia tốc, điều này cần thiết để quan sát các lực ma sát và đưa các hiệu ứng quán tính vào cùng một l c

Không may, gia tốc là không thể đo được trong nhiều hệ thống điều khiển chuyển động thực tế trừ khi thiết bị đắt tiền khác được sử dụng Một lựa chọn khác

là sử dụng gia tốc mong muốn như ước lượng gia tốc thực, và sau đó các thông số quán tính và ma sát có thể được xác định riêng thông qua một tập các thí nghiệm, theo các bước nhận dạng được đưa ra ở Johnson và Lorenz (1992)

Tuy nhiên, các đặc tính ma sát biến đổi theo thời gian, có nghĩa là, các thông

số trong các mô hình ma sát có thể thay đổi trong một phạm vi rộng khi hoạt động, vẫn gây ra những khó khăn cho dù bù ma sát chính xác Nó không giống như một

bộ bù tốt có thể đạt được dựa trên một mô hình ma sát cố định, mô hình ma sát được xác định ngoại tuyến Do đó, bù ma sát thường cần phải được kết hợp với các phương pháp điều khiển bền vững khác như điều khiển thích nghi (Yao, et al, 1997.) hoặc điều khiển chế độ trượt (Song & Cai năm 1995; Song, et al, 1995; Lee

và Kim, 1999) Các phương pháp nhận dạng ma sát trực tuyến, hoặc thích nghi trực tiếp hoặc thích nghi dựa quan sát, đã được phát triển để liên tục cập nhật các thông

số ma sát (Singer, năm 1993; Canudas De Wit & Lischinsky năm 1997; Canudas

De Wit & Ge, 1997; Ge, và cộng sự, 1999) Tuy nhiên, thích ứng trực tuyến nói chung là được sử dụng để bám các thông số biến đổi chậm theo thời gian như ma sát Coulomb, nó không thể đảm bảo bù tốt trong vùng tốc độ thấp, trong đó ma sát

có động học rất nhanh

Hơn nữa, các thuật toán thích nghi trở nên phức tạp hơn khi số lượng các thông số cần được thích nghi tăng Ví dụ, Canudas De Wit & Lischinsky (1997) sử dụng mô hình ma sát LuGre để bù ma sát động ở vận tốc thấp Họ đề xuất một thuật

toán thích nghi, để đơn giản hóa các thuật toán tính toán, một giả định nghiêm ngặt, tức là, vào sự thay đổi tham số cấu tr c đã được thực hiện Thêm vào giả định khá mạnh này, các mô hình ma sát động cũng đòi hỏi tốc độ lấy mẫu cao (10kHz trở lên) Nếu tốc độ lấy mẫu là giới hạn, tính chính xác của mô hình ma sát và tốc độ cập nhật là có vấn đề Cho đến nay, chưa có công bố đã được tìm thấy trong đó giải

quyết các bài toán ma sát mô hình và bù chất lượng tốt

1.6 Động lực cho việc sử dụng điều khiển PID truyền thống kết hợp

Learning Feed-Forward

Các hệ thống điều khiển chuyển động có thể là khá phức tạp vì nhiều yếu tố khác nhau phải được xem xét trong thiết kế Rất khó để tìm ra các phương pháp thiết kế mà xem xét tất cả những yếu tố: Giảm ảnh hưởng của nhiễu đối tượng, các biến đổi và những bất định của đối tượng Không có giải pháp duy nhất nào cho các bài toán điều khiển khác nhau Một số phương pháp có thể tốt hơn cho các bài toán điều khiển nhất định Khi bù ma sát được kể đến, hiệu quả của bù ma sát dựa trên

mô hình đã được chứng minh trong nhiều báo cáo, trong đó một số đã được đề cập trong phần tổng quan trên Các mô hình ma sát được sử dụng bao gồm cả các mô hình động tiên tiến và các mô hình tĩnh đơn giản Được biết, xác định ma sát thường

là một công việc khó khăn và tốn nhiều thời gian Hơn nữa, sử dụng một mô hình

ma sát phức tạp hơn có thể không dẫn đến các kết quả bù tốt hơn so với chỉ sử dụng một mô hình ma sát đơn giản Để thiết kế các hệ thống điều khiển để có được hiệu suất cao và bền vững khi điều khiển các quá trình phức tạp như vậy, các bộ điều khiển tiên tiến đã được giới thiệu Các tiếp cận điều khiển tiên tiến được thảo luận trong luận văn này là sự kết hợp giữa ID truyền thống và Learning Feed-Forward theo mô hình mẫu Learning Feed-Forward được thiết kế để bù lực ma sát, khi này chức năng của ID trong hệ thống chỉ đơn giản là duy trì sự ổn định và bù những nhiễu hệ thống chưa rõ Giải pháp cho phép đồng thời đạt được độ chính xác điều khiển, độ ổn định cao

Sự kết hợp đồng thời hai chuyển động theo các phương X và Y là một bài toán không đơn giản bởi l khi đó phải kể đến các tác động qua lại giữa hai chuyển

động (Hệ MIMO) Nội dung của bản luận văn chỉ quan tâm đến bài toán điều khiển chính xác theo một phương (Hệ SISO)

1.7 Thiết kế hệ thống điều khiển và nhiệm vụ của tác giả

Hầu hết các hệ thống điều khiển bản chất vốn đã phi tuyến Người ta thường xấp xỉ ch ng như những mô hình toán học tuyến tính với nhiễu và bất định mô hình, cho phép ch ng tôi sử dụng các phương pháp thiết kế phân tích phát triển cho các

hệ thống tuyến tính Mục đích của thiết kế kỹ thuật điều khiển là để có được cấu hình, thông số kỹ thuật, và xác định các thông số quan trọng của một hệ thống đã cho để đáp ứng yêu cầu thực tế [3] Các thông số kỹ thuật làm việc là một tập hợp

rõ ràng các yêu cầu được thỏa mãn bởi thiết bị hoặc sản phẩm Nói chung, các thông số kỹ thuật cho các hệ thống cụ thể là cơ sở cho việc sử dụng phương pháp thiết kế điều khiển Nếu các thông số kỹ thuật làm việc được đưa ra thay vì các đo lường trong miền tần số hoặc các đặc tính đáp ứng quá độ, sau đó một tiếp cận truyền thống dựa trên đáp ứng tần số hoặc các phương pháp quỹ đạo nghiệm có thể được sử dụng Với các phương pháp điều khiển cổ điển, hệ thống được điều khiển được mô tả b ng mối quan hệ đầu vào - đầu ra, hoặc hàm truyền Khi sử dụng các phương pháp đáp ứng tần số, các nhà thiết kế điều khiển muốn thay đổi hệ thống sao cho đáp ứng tần số của hệ thống được thiết kế s thỏa mãn các chi tiết kỹ thuật Khi sử dụng các phương pháp quỹ đạo nghiệm, các nhà thiết kế muốn thay đổi và định dạng lại các quỹ đạo nghiệm sao cho các nghiệm của hệ thống thu được s

n m ở vị trí mong muốn trong mặt phẳng - s Thiết kế điều khiển dựa trên phương pháp truyền thống về nguyên tắc bị giới hạn về các hệ thống bất biến theo thời gian tuyến tính

Nếu các thông số kỹ thuật làm việc được cho trước như các chỉ số hiệu suất thay vì các biến trạng thái, thì tiếp cận điều khiển hiện đại nên được sử dụng Các thông số kỹ thuật có thể bao gồm các đặc điểm như năng lượng tiêu tán bởi hệ thống, và các nỗ lực điều khiển yêu cầu Đối với một hệ thống vật lý các chỉ số này luôn bị hạn chế Trong thiết kế điều khiển hiện đại, hệ thống được điều khiển được

mô tả trong không gian trạng thái hay mô hình đầu vào-đầu ra và các phương pháp điều khiển triển chủ yếu trong miền thời gian B ng cách sử dụng các phương pháp điều khiển hiện đại, các nhà thiết kế điều khiển có thể bắt đầu từ một chỉ số hiệu

suất, cùng với những hạn chế đối với hệ thống để tạo ra một hệ thống ổn định Thiết

kế thông qua lý thuyết điều khiển hiện đại sử dụng các công thức toán học của bài toán và áp dụng lý thuyết toán học vào bài toán thiết kế trong đó hệ thống có thể có nhiều đầu vào và nhiều đầu ra và có thể biến đổi theo thời gian Nó cho phép các nhà thiết kế để tạo ra một hệ thống thiết kế mà tối ưu với các chỉ số hiệu suất Một khi các thông số kỹ thuật làm việc và một mô hình đối tượng thích hợp được xác định, thiết kế thực tế của hệ thống điều khiển có thể được thành lập Có rất nhiều phương pháp điều khiển để thiết kế hệ thống điều khiển Tuy nhiên, các phương pháp thích hợp hơn được lựa chọn dựa trên các thông số kỹ thuật làm việc, mô hình đối tượng, và kiến thức và kinh nghiệm của các nhà thiết kế Sau khi một hệ thống được thiết kế, nếu ch ng ta có thể đạt được hiệu suất mong muốn b ng cách điều chỉnh các thông số, ch ng tôi s hoàn thiện thiết kế và tiến hành ghi lại kết quả Nếu không, cần phải thay đổi cấu tr c hệ thống hoặc chọn một thiết bị truyền động tăng cường và cảm biến sau đó ch ng ta s lặp lại các bước thiết kế cho đến khi ch ng tôi tìm ra các thông số kỹ thuật yêu cầu Kỹ thuật lặp lại sai số và thử là hữu ích được sử dụng để đạt được các thiết lập thông số mong muốn

Nó thường được mong muốn là: (1) hệ thống được thiết kế s cho ra sai số nhỏ nhất có thể để đáp ứng đầu vào tham chiếu mong muốn, (2) Động học hệ thống không quá nhạy cảm với những thay đổi của các thông số hệ thống, và (3) những ảnh hưởng của nhiễu quá trình nên được giảm thiểu

Với mục tiêu Thiết kế, chế tạo hệ thống điều khiển chuyển động máy in ta cần

tiến hành các bước sau: 1- Thiết kế, tính toán cơ hệ chuyển động máy in; 2 - Trên

cơ sở của mô hình hệ thống thực viết các phương trình vi phân mô tả hệ thống, kết hợp với thực nghiệm ta xác định được mô hình toán của đối tượng điều khiển; 3 - Dựa trên mô hình toán nhận được lựa chọn cấu tr c điều khiển phù hợp đó là sự kết hợp giữa ID truyền thống và Learning Feed-Forward đồng thời tính toán được thông số của các bộ điều khiển; 4 - Kết quả tính toán thiết kế được kiểm chứng và hiệu chỉnh thông qua mô phỏng; 5 - Thiết kế mạch điện tử thực hiện chức năng các

bộ điều khiển; 6 -Triển khai thực nghiệm, hiệu chỉnh thông số trên hệ thống thực,

so sánh đánh giá kết quả mô phỏng và kết quả thực nghiệm

1.8 Mong muốn đạt được

- Chế tạo mô hình cơ của máy in chuyển động đơn sử dụng động cơ điện

- Xây dựng mô hình toán của đối tượng điều khiển

- Xây dựng cấu tr c của hệ thống điều khiển cũng như thông số các bộ điều khiển

- Mô phỏng, hiệu chỉnh thông số

- Thiết kế, lắp ráp mạch điện tử tương tự thực hiện chức năng bộ biến đổi cấp điện cho động cơ điện một chiều

- Thiết kế, lắp ráp mạch điện tử tương tự thực hiện chức năng bộ điều khiển

- Mô hình thực đầy đủ (Mạch lực và mạch điều khiển)

- Tính đ ng đắn của giải pháp được chứng minh thông qua kết quả mô phỏng

và thực nghiệm khi có và không có sự tác động của nhiễu hệ thống

1.9 Kết luận chương 1

Như vậy trong chương 1 đã phân tích cơ bản cấu tạo của máy in từ đó xây dựng được mô hình toán của hệ thống thực nghiệm Trên cơ sở của các nghiên cứu trong và ngoài nước tác giả đã xác định được nhiệm vụ, khó khăn và mục tiêu của

đề tài từ đó đưa ra được các mong muốn đạt được của đề tài

CHƯƠNG 2: TỔNG QUAN VỀ LEARNING FEED-FORWARD CONTROL (LFFC) VÀ MODEL REFERENCE ADAPTIVE SYSTEMS (MRAS)

2.1 Tổng quan về LFFC

2.1.1 Giới thiệu

Một trong các yếu tố mà các hãng sản xuất nghiên cứu đó là chất lượng của sản phẩm Đây là nhân tố quan trọng mang tính sống còn, đặc biệt là trong thị trường có cả các sản phẩm công nghệ cao Đối với các hệ thống chuyển động điện

cơ (máy in), chất lượng của các hệ thống phụ thuộc vào rất nhiều yếu tố như nhiễu tái sinh trong đối tượng, bất định mô hình, và nhiễu đo lường Để loại bỏ các yếu tố này nh m đạt yêu cầu chất lượng điều chỉnh, trong luận văn này, tôi đã tập trung vào việc thiết kế bộ điều khiển nâng cao Tuy nhiên, việc thiết kế bộ điều khiển thường phải dựa trên mô hình của một đối tượng Mô hình đối tượng càng chính xác bao nhiêu thì việc thiết kế bộ điều khiển càng hiệu quả bấy nhiêu Khi mô hình hóa đối tượng, các vấn đề sau có thể gặp phải: (1) Hệ thống quá phức tạp để có thể hiểu được (2) Mô hình quá khó hoặc quá đắt để đánh giá Một số đặc tính của một số tính chất (phi tuyến) khó có thể đạt được, ví dụ như ma sát v.v… (3) Đối tượng có thể chịu ảnh hưởng lớn của nhiễu tác động từ môi trường, điều này khó dự đoán trước được (4) Các thông số của đối tượng có thể biến đổi theo thời gian

Bộ điều khiển thích nghi có thế là một giải pháp khi cấu tr c của mô hình động học của đối tượng và nhiễu mô hình tác động lên nó được biết trước trong khi các giá trị của các thông số thì không thể xác định được

2.1.2 Điều khiển học (Learning Control - LC)

Các bộ LC được hình dung gần giống như là một hệ thống điều khiển của con người và do đó nó có các thuộc thính giống với con người Trong luận văn này không nghiên cứu bộ LC theo quan điểm sinh học nhưng đồng ý với một số định nghĩa sau:

Định nghĩa 2.1: Một bộ LC là một hệ thống điều khiển bao gồm trong đó 1 hàm xấp xỉ các ánh xạ đầu vào - đầu ra tương ứng trong suốt quá trình điều khiển

mà một hoạt động mong muốn của hệ thống điều khiển đạt được

Định nghĩa 2.2 (hàm xấp xỉ): Một hàm xấp xỉ là một ánh xạ vào/ra được xác định bởi một hàm được lựa chọn F ., , với các véc tơ thông số  được lựa chọn để hàm F được xấp xỉ tốt nhất

Lưu ý 2.1 (điều khiển tự học và điều khiển thích nghi): Theo hướng này, điều khiển thích nghi có thể được xem xét giống như là một dạng của LC trong đó một hàm xấp xỉ được sử dụng có thể chỉ xấp xỉ một lớp giới hạn của mục tiêu Nói chung, một bộ LC s bao gồm một hàm xấp xỉ cho một đối tượng có nhiều hàm mục tiêu hơn

Một biến mở rộng của các hàm xấp xỉ có thể được sử dụng như mạng nơ ron, mạng mờ - nơ ron (cũng được biết đến với tên các bộ điều khiển logic mờ thích nghi) v.v… Nói chung một cách sơ bộ, các bộ hàm xấp xỉ có thể được sử dụng theo

2 cách:

Trước hết, hàm xấp xỉ có thể được sử dụng để tạo (một phần) tín hiệu điều khiển Việc học được thay thế bới việc thích nghi véc tơ thông số của hàm xấp xỉ theo cách mà một số các hàm giá trị chứa đựng sai lệch điều khiển là cực tiểu Bộ điều khiển này được gọi là LC trực tiếp

Thứ hai, hàm xấp xỉ có thể được sử dụng để học một mô hình đối tượng tương ứng được kiểm soát ví dụ như là để làm giảm giá trị của sai số dự báo Dựa trên cơ sở của mô hình đã được học một bộ điều khiển được xây dựng, bộ điều khiển này được gọi là LC gián tiếp

Từ khi bộ LC đầu tiên được phát triển vào năm 1963 cho tới nay, lĩnh vực

LC đã và đang phát triển rất rộng rãi Rất nhiều các cấu tr c của bộ điều khiển khác nhau đã được đề xuất và các thuộc tính của ch ng (như tính ổn định và tốc độ hội tụ

đã được phân tích cả trong thực tế và lý thuyết) Tuy nhiên, mặc dù tất cả ch ng đều được nghiên cứu nhưng chỉ có một số bộ LC được ứng dụng trong sản phẩm mang tính thương mại Và các bộ LC này có đặc điểm như sau:

- Dễ dàng sử dụng trong một hệ thống điều khiển có sẵn Điều này có nghĩa là khi một đáp ứng ngắn hạn học tốt thì hiệu suất cực tiểu được bảo đảm Ví

dụ như là trong một bộ điều khiển hiện nay Thậm chí trong suốt quá trình huấn luyện đối tượng vẫn có thể được duy trì trong quá trình vận hành mà không gây ra những tổn thất của quá trình sản xuất

- Có khả năng sử dụng những kiến thức dự đoán của đối tượng Nói chung các nhà thiết kế và/ hoặc người vận hành có một số kiến thức về đối tượng, ví dụ như trong cấu tr c của mô hình toán học (đơn giản) dưới dạng các hàm, một giản đồ Bode của đối tượng hoặc một mô tả dưới dạng biến ngôn ngữ của hành vi đối tượng Bộ LC nên cho phép loại kiến thức này được kết hợp vào trong thiết kế bộ điều khiển, để chọn các thông số của bộ điều khiển hợp lý

- Hàm xấp xỉ nên phù hợp cho việc điều khiển Điều này có nghĩa r ng: Cần sử dụng dung lượng nhớ nhỏ Trong thực tế, bộ điều khiển được thực hiện b ng phần mềm được gắn vào máy tính Dung lượng bộ nhớ là có hạn, do đó số lượng các thông số của hàm xấp xỉ mà yêu cầu phải xấp xỉ tín hiệu điều khiển không thể quá rộng Việc tính toán đầu ra của hàm xấp xỉ và sự tương thích của quan hệ vào/

ra phải được thực hiện một cách nhanh chóng Trong môi trường thời gian thực, trong một khoảng thời gian lấy mẫu, các thông số của hàm xấp xỉ phải tương ứng

và đầu ra tính được Rất nhiều hệ thống chuyển động điện cơ yêu cầu thời gian mẫu nhỏ và cho phép thời gian tính toán là rất ít Các hàm xấp xỉ mà bao gồm một lượng lớn các tính toán phức tạp do đó ch ng không phù hợp cho việc điều khiển

- Cơ chế học cần hội tụ nhanh Để giữ được lượng thời gian trong đó quá trình vận hành của hệ thống được điều khiển tối ưu từng phần, tiến tới mức cực tiểu, cơ chế học cần hội tụ nhanh Cơ chế học không nên bị cực tiểu cục bộ, khi bị lưu giữ trong mức cực tiểu cục bộ, thì cơ chế học cho r ng các giá trị đạt được của các thông số của hàm xấp xỉ, được biểu thị bởi loc, sinh ra sai số xấp xỉ cực tiểu, được biểu thị bởi E(loc) Mặc dù globloctồn tại, làm cho E(glob) E(loc)

HÌNH 2 1: Cực tiểu cục bộ trong kỹ thuật học

Trong (Hình 2.1) là một ví dụ theo một chiều của hiện tượng như vậy được

giới thiệu Ở mức cực tiểu cục bộ độ loc, gradient của sai số xấp xỉ b ng 0 Cơ

cấu học mà sử chỉ sử dụng gradient của sai số xấp xỉ thì không thể thoát khỏi mức

cực tiểu cục bộ

Khi cơ chế học dễ dàng lưu lại ở mức tối thiểu cục bộ, rất khó để huấn luyện LC để thu được hiệu quả cao Quan hệ vào/ ra phải tương thích một cách cục

bộ Trong một số hàm xấp xỉ, quan hệ vào/ ra này là tương thích toàn cục Điều này

có nghĩa là nếu giá trị của một trong các thông số của hàm xấp xỉ được tương thích, thì quan hệ vào/ ra trên toàn bộ phạm vi đầu vào bị thay đổi Xét một bộ LC được huấn luyện để thực hiện một số chuyển động Khi bộ LC được huấn luyện để thực hiện một chuyển động mới, điều này liên quan tới việc tương ứng các thông số của hàm xấp xỉ Bởi vì mối quan hệ vào ra được tương thích toàn cục nên các tín hiệu điều khiển học trước đó bị thay đổi có thể gây ra nhưng tổn thất trong quá trình làm việc Do đó điều mong đợi ở đây là mối quan hệ vào ra của hàm xấp xỉ được tương thích một cách cục bộ Trong trường hợp này, việc học một chuyển động mới s không làm thay đổi các tín hiệu đã được học trước đó

* Hàm xấp xỉ có khả năng tự khái quát hoá tốt: khả năng tự khái quát

hoá là khả năng tạo ra một đầu ra nhạy cho một đầu vào không được thể hiện trong quá trình huấn luyện nhưng nó tương tự như các huấn luyện mẫu Khi hàm xấp xỉ

có khả năng khái quát hoá tốt, bộ LC cũng s thu được một hiệu quả bám cao cho các chuyển động tương tự các chuyển động được huấn luyện Vì vậy nó đủ để huấn luyện LC với một lượng nhỏ các đặc tính chuyển động huấn luyện Khi bộ xấp xỉ không có khả năng tự khái quát hoá tốt, bộ LC phải được huấn luyện cho mỗi chuyển động quan trọng, nó tạo ra một quá trình huấn luyện mở rộng

* Sự trơn của giá trị xấp xỉ cần điều khiển được: như nói ở phần trước

đấy, bộ LC không chỉ thu được sai số b ng không đối với một vài tần số, khi tín hiệu điều khiển có tần số cao s không thỏa mãn theo mong muốn Người sử dụng phải có khả năng quyết định tần số lớn nhất của đầu ra của hàm xấp xỉ

* Đáp ứng ngắn hạn tốt: đáp ứng ngắn hạn của bộ LC nên là loại đáp ứng

mà có sai số bám dần hội tụ về giá trị mong muốn Việc tăng sai số bám trong pha trung gian của quá trình học có thể làm hỏng đối tượng, hơn thế nữa, đây là trường hợp quá trình làm việc tối thiểu có thể không còn được bảo đảm khi bộ điều khiển được sử dụng như một thiết bị ghép thêm cho một bộ điều khiển đã có sẵn

* Sự ổn định lâu dài cần phải được bảo đảm: việc tự học có thể được

thực hiện một cách liên tục hoặc được thực hiện trước khi vận hành Việc học liên tục được yêu cầu khi các thông số của đối tượng thay đổi trong suốt quá trình vận hành Ví dụ, do hao mòn hay chịu ảnh hưởng của môi trường Trong trường hợp này, một bộ điều khiển phải có khả năng đảm bảo việc học ổn định bất chấp các điều kiện vận hành thay đổi như thế nào

2.1.3 Bộ điều khiển học sử dụng sai lệch phản hồi (Feedback Error Learning - FEL)

Một bộ LC cho máy in mà phải bám theo các quỹ đạo Nói chung bộ điều khiển này được biết đến với cái tên là bộ điều khiển học sai lệch phản hồi: Bộ điều khiển (Feedback Error Learning- FEL)

Hệ thống LC bao gồm 2 phần:

Bộ điều khiển Feef-forward được biểu thị b ng F, nghĩa là 1 hàm/ánh xạ

 r

F

u F  Một bộ điều khiển Feed - forward thông thường có thể được sử dụng để

bù thêm cho các hệ thống động học và theo cách này s thu được độ bám chính xác cao Khi bộ điều khiển feed-forward b ng với đối tượng nghịch đảo F P 1, thì đầu ra của đối tượng y s b ng tín hiệu đặt r

HÌNH 2 2: Bộ điều khiển phản hồi sai lệch Đối tượng P, luôn chịu sự tác động của nhiễu Các loại nhiễu bao gồm cả nhiễu ngẫu nhiên và nhiễu có bản chất chu kỳ Những nhiễu chu kỳ tái diễn giống nhau khi một chuyển động cụ thể được lặp lại Điều này có nghĩa r ng ch ng có thể được xem xét như một hàm trạng thái của đối tượng x và có thể lường trước

.Hàm xấp xỉ

C

Uf

y

HÌNH 2 3: Đối tượng và nhiễu lặp

Giống như đối tượng động học, các nhiễu lặp có thể được bù bởi một bộ điều khiển Feed-Forward

Để bù chính xác cho hệ thống động học và nhiễu lặp, yêu cầu cần phải có một mô hình chi tiết Sự không chính xác về mô hình có thể làm cho bộ điều khiển feed-forward vận hành kém Khi một mô hình chính xác khó có thể xác định được, thì một phương pháp thay thế có thể được thực hiện Thay vì đi thiết kế một bộ điều khiển Feed-Forward dựa trên những đặc điểm cơ bản của mô hình thực hiện bộ điều khiển Feed-Forward giống như là một hàm xấp xỉ, ví dụ như là U F F r, Trong suốt quá trình điều khiển, quan hệ vào/ra của hàm xấp xỉ được tự thích ứng để học các đối tượng nghịch đảo và để bù các nhiễu lặp Khó khăn chính ở đây là lựa chọn tín hiệu học mà chỉ ra được mối quan hệ vào/ra của hàm xấp xỉ phải được tương thích như thế nào Tín hiệu học có thể thu được theo rất nhiều cách Theo lý thuyết

đã chứng minh chỉ ra r ng khi đầu ra của bộ điều khiển phản hồi được sử dụng làm tín hiệu học thì quan hệ vào/ra của hàm xấp xỉ hội tụ tới đối tượng nghịch đảo và giá trị bù của nhiễu lặp Loại hàm xấp xỉ mà ch ng ta sử dụng ở đây là mạng nơ ron MLP

3 , 3 , 3 , 2 , 2 , 2 , 1 , 1 , 1

r d d d d d d d d d T (2.1) Trong khi đầu ra uF được xét dưới dạng momen của động cơ

uF =   3

3 2

1 TR

 (2.2)

Bộ điều khiển phản hồi Như đã được nói tới, bộ điều khiển phản hồi trạng thái, đem lại các tín hiệu học cho bộ điều khiển Feed-Forward Hơn thế, nó xác định quá trình bám cực tiểu tại thời điểm bắt đầu học Cuối cùng, bộ điều khiển

P

+ +

u

x

y d(x)

phản hồi bù các nhiễu ngẫu nhiên Bộ điều khiển FEL đã được thực hiện trong nhiều ứng dụng của nhiều tác giả; ví dụ như là: hệ thống phanh tự động ô tô; điều khiển hệ thống camera; điều khiển cánh tay robot; máy hàn

Các ứng dụng chỉ ra r ng bộ điều khiển FEL đã cải thiện một cách rõ ràng dựa trên quá trình vận hành của bộ điều khiển phản hồi và các ứng dụng này cũng chỉ ra có thể thu được chất lượng bám cao mà không cần mô hình mở rộng Cách hoạt động của một bộ FEL được so sánh với cách hoạt động của hệ thống điều khiển thích nghi Kết luận r ng, trong trường hợp mô hình đối tượng chính xác được sử dụng trong các hệ thống điều khiển thích nghi, quá trình bám của bộ điều khiển thích nghi và của bộ điều khiển FEL là tương tự như nhau Khi FEL hội tụ chậm hơn bộ điều khiển thích nghi, trong tình huống này bộ điều khiển thích nghi được ưa chuộng hơn Tuy nhiên khi chưa có một mô hình đối tượng chính xác, thì

bộ điều khiển thích nghi s không thể thu được hiệu suất bám như mong muốn Bộ điều khiển FEL không phải trải qua điều này và nó vẫn đem lại hệ số bám chính xác Khả năng này nâng cao giả thiết r ng bộ FEL có phù hợp cho hàng loạt các ứng dụng mở rộng khi trong thực tế các đối tượng thường khó có một mô hình chính xác

2.1.4 Learning Feed forward Control (LFFC)

Trong luận văn này một hệ thống LC được xét có cấu tr c tương tự như cấu

tr c của bộ điều khiển FEL (hình 2.2) Tuy nhiên, phần feed-forward của bộ điều

khiển LC được thực hiện bởi các thông số am, bm, cm, dm của bộ điều khiển thích nghi theo mô hình mẫu

2.2 Điều khiển thích nghi theo mô hình mẫu

Hệ thống điều khiển thích nghi là hệ thống mà cấu tr c và tham số của bộ điều khiển có thể thay đổi theo sự biến thiên thông số của hệ sao cho đảm bảo các chỉ tiêu đã định Hệ thống điều khiển thích nghi theo mô hình mẫu có nhiều dạng khác nhau Ch ng ta bắt đầu b ng một cách tiếp cận trực giác, chỉ ra r ng các ý tưởng hồi tiếp cơ sở gi p ch ng ta tìm ra các thuật toán hiệu chỉnh tham số Ch ng ta ch ý

r ng s có hai câu hỏi nảy sinh ra Thứ nhất đó là làm thế nào để tìm các tín hiệu thích hợp mà hiệu chỉnh các tham số thích hợp ở những thời điểm thích hợp Thứ

hai là làm thế nào để đảm bảo sự ổn định cho một hệ thống thích nghi mà vốn đã phi tuyến do sự xuất hiện của các bộ nhân trong hệ thống Sự ổn định có thể được bảo đảm b ng cách ứng dụng lý thuyết ổn định Liapunov’s cho việc thiết kế các hệ thống thích nghi

2.2.1 Khái quát chung

Có những cấu tr c khác nhau mà có thể mang đến cho một hệ thống điều khiển khả năng phản ứng với những thay đổi trong các tham số của nó hoặc với sự thay đổi các đặc tính của nhiễu Một hệ thống hồi tiếp thông thường cũng có mục tiêu là làm giảm độ nhạy cảm của các dạng thay đổi này Tuy nhiên, khi những sự thay đổi là lớn, thậm chí một hệ thống hồi tiếp hệ số khuếch đại h ng số thiết kế chuẩn s không hoạt động một cách như mong muốn Khi đó một cấu tr c bộ điều

khiển phức tạp hơn được yêu cầu và các thuộc tính thích nghi đã biết phải được đưa

ra Một hệ thống thích nghi có thể được định nghĩa như sau: “ Một hệ thống thích nghi là một hệ thống mà trong đó thêm vào cấu tr c (hồi tiếp) cơ bản, các phép đo tường minh được thực hiện để bù tự động cho những thay đổi về các điều kiện hoạt động, cho những thay đổi về động học quá trình hoặc cho những thay đổi về nhiễu,

để duy trì một hoạt động tối ưu của hệ thống” Nhiều định nghĩa khác đã được đưa

ra trong tài liệu, hầu hết ch ng chỉ miêu tả một lớp điển hình của các hệ thống thích nghi

Định nghĩa được đưa ra ở đây một cấu tr c hồi tiếp thông thường đầu tiên phản ứng đối với sự thay đổi của nhiễu và tham số Ở một cấp độ thứ hai một cơ chế thích nghi hiệu chỉnh các hệ số khuếch đại của bộ điều khiển sơ cấp, thay đổi cấu

tr c của nó, và tạo ra các tín hiệu bổ sung v.v… Trong một hệ thống thích nghi như vậy những thiết lập mà được hiệu chỉnh bởi người sử dụng ở cấp độ thứ hai

Dựa trên định nghĩa thì sự thay đổi tự động từ một chế độ hoạt động này sang một chế độ khác được xem như là một đặc trưng thích nghi Việc sử dụng kiến thức về ảnh hưởng của một biến bên ngoài đối với hoạt động của một hệ thống cũng

là một đặc trưng thích nghi Dạng thích nghi này có thể được nhận thấy theo hai cách khác nhau: hoặc thông qua việc đo lường những nhiễu riêng và tạo ra các tín hiệu để bù ch ng (điều khiển Feed-Forward), hoặc thông qua việc hiệu chỉnh các hệ

số khuếch đại của bộ điều khiển hồi tiếp theo một chương trình dựa trên kiến thức

về ảnh hưởng của các biến lên tham số hệ thống (Gain Scheduling) Khả năng khác

là sử dụng một ngân hàng các bộ điều khiển và lựa chọn bộ điều khiển tốt nhất theo

một cách tương tự với gain scheduling Đây được gọi là sự chuyển chế độ Sự mới

mẻ ở ý tưởng này là một phương pháp tiếp cận đa mô hình Đầu ra của tất cả các mô hình trong ngân hàng của các mô hình được so sánh với đầu ra của đối tượng được điều khiển Một bộ điều khiển có thể được thiết kế và thực hiện dựa trên mô hình

mà đầu ra của nó tương đồng nhất với đầu ra của đối tượng Trong thực tế không thể áp dụng điều khiển Feed - Foward hoặc được điều khiển đối với nhiều biến khác nhau

Một vài dạng của hệ thống thích nghi, hiểu một cách chính xác, đã được phát triển để cho phép hệ thống được tối ưu hóa mà không cần quan tâm đến nguyên nhân của những sự thay đổi động học đối tượng Thông thường khái niệm điều khiển thích nghi được giới hạn theo những dạng hệ thống thích nghi này Không có

sự phân biệt rõ ràng giữa điều khiển thích nghi và Learning Control Khái niệm Learning Control thường được sử dụng cho những hệ thống phức tạp hơn ở đó chứa đựng nhiều bộ nhớ và cho những bài toán mà không thể giải quyết được b ng phương pháp của các bộ điều khiển tiêu chuẩn, dựa trên hàm truyền, bởi vì ch ng yêu cầu hình thức khác của sự biểu diễn kiến thức, ví dụ, cấu tr c mạng nơron Luận văn đề cập đến một dạng đặc biệt của điều khiển thích nghi, đó là Điều khiển Thích nghi Mô hình Mẫu

Các hệ thống điều khiển thích nghi có thể được phân loại theo nhiều cách khác nhau Một trong những cách phân loại đó là dựa trên sự khác nhau giữa:

- Những hệ thống với sự điều chỉnh trực tiếp của các tham số của bộ điều

khiển, không cần nhận dạng rõ ràng các tham số của đối tượng (điều khiển thích nghi trực tiếp)

- Những hệ thống với sự điều chỉnh gián tiếp của các tham số bộ điều khiển,

không cần nhận dạng rõ ràng các tham số của đối tượng (điều khiển thích nghi gián tiếp)

Các hệ thống điều khiển thích nghi mô hình mẫu, hầu hết đều sử dụng MRAC hoặc MRAS, chủ yếu được áp dụng cho điều khiển thích nghi trực tiếp Tuy nhiên, dưới đây s chứng minh ứng dụng của MRAS để nhận dạng hệ thống

Triết lý cơ bản đối với ứng dụng của MRAS là hiệu suất mong muốn của hệ thống được đưa ra bởi một mô hình toán học, mô hình mẫu Khi hoạt động của mạch khác với hoạt động “lý tưởng”, mà được xác định bởi mô hình mẫu, đối tượng

s được thay đổi, hoặc b ng hiệu chỉnh các tham số của bộ điều khiển (hình 2.4)

hoặc b ng tạo ra một tính hiệu đầu vào bổ sung cho đối tượng (hình 2.5) Những

thay đổi này được chuyển thành một bài toán tối ưu, đó là tối giản hóa tiêu chuẩn:

e = xm - xp (2.5) Trong trường hợp đó bài toán tối ưu hóa có thể được biến đổi thành tối giản hóa

tiêu chuẩn:

T T 0