Mạng bơ ron thích nghi điều khiển cánh tay robot hai bậc tự do

Lập trình mô phỏng hệ cánh tay máy bằng Simulink và file_M của Matlab điều khiển mô phỏng mô hình toán và điều khiển thực trên mô hình theo giải thuật điều mạng nơ-ron thích nghi.. Các

NGUYỄN VIỆT KHOA

MẠNG NƠ-RON THÍCH NGHI ĐIỀU KHIỂN CÁNH TAY ROBOT HAI BẬC TỰ DO

Chuyên ngành: Tự động hóa

LUẬN VĂN THẠC SĨ

TP HỒ CHÍ MINH, tháng 07 năm 2010

Tp HCM, ngày … tháng … năm 2010

NHIỆM VỤ LUẬN VĂN THẠC SĨ

Họ và tên học viên: NGUYỄN VIỆT KHOA Phái: Nam

Ngày, tháng, năm sinh: 18 – 10 – 1982 Nơi sinh: Phú Yên

Chuyên ngành: Tự động hóa MSHV: 01506359

I TÊN ĐỀ TÀI: MẠNG NƠ-RON THÍCH NGHI ĐIỀU KHIỂN CÁNH TAY

ROBOT HAI BẬC TỰ DO

II NHIỆM VỤ VÀ NỘI DUNG:

1 Tìm hiểu mô hình toán của cánh tay robot hai bậc tự do, cơ sở lý thuyết mạng

nơ-ron RBF, điều khiển thích nghi trực tiếp để điều khiển cánh tay robot bám theo tín

hiệu tham chiếu

2 Lập trình mô phỏng hệ cánh tay máy bằng Simulink và file_M của Matlab

điều khiển mô phỏng mô hình toán và điều khiển thực trên mô hình theo giải thuật điều

mạng nơ-ron thích nghi

3 Thi công mô hình phần cứng cánh tay máy hai bậc tự do, mạch nguồn, mạch

công suất, mạch đọc encoder, giao tiếp máy tính với Card PCI 1710L qua Matlab

4 Kiểm chứng giải thuật và so sánh điều khiển giữa mô hình thực và mô hình

toán

5 Hướng phát triển đề tài và ứng dụng vào thực tiễn

III NGÀY GIAO NHIỆM VỤ : 25 / 06 / 2009

IV NGÀY HOÀN THÀNH NHIỆM VỤ:…… /………/ 2010

V CÁN BỘ HƯỚNG DẪN: TS NGUYỄN THIỆN THÀNH

Ngày … tháng … năm 2010

TRƯỞNG PHÒNG ĐT – SĐH TRƯỞNG KHOA QL NGÀNH

ĐẠI HỌC QUỐC GIA TP HỒ CHÍ MINH

Cán bộ hướng dẫn khoa học: TS Nguyễn Thiện Thành

Lời Cảm Ơn!

Lời đầu tiên, tác giả luận văn xin bày tỏ lịng biết ơn chân thành đến tất cả thầy cơ giáo trong Khoa Điện – Điện Tử, đặc biệt là thầy cơ giáo trong bộ mơn “Tự Động Hĩa” Trường Đại Học Bách Khoa TP HCM đã truyền đạt cho tác giả những kinh nghiệm và kiến thức thật sự hết sức qúy báu trong thời gian học tập tại trường

Đặc biệt xin chân thành cám ơn thầy TS Nguyễn Thiện Thành,

người đã trực tiếp hướng dẫn tác giả hồn thành luận văn thạc sĩ này Xin được gởi lời cám ơn chân thành đến gia đình, bạn bè và người thân, những người đã giúp đỡ và động viên tác giả về tinh thần cũng như vật chất trong suốt thời gian thực hiện luận văn này Trong quá trình thực hiện luận văn, do thời gian cũng như trình độ và kinh nghiệm cĩ hạn nên chắc chắn sẽ khơng tránh được những thiếu xĩt, rất mong được

sự quan tâm đĩng gĩp của thầy cơ và các bạn bè, anh chị để luận văn được hồn chỉnh hơn Mọi đĩng gĩp về luận văn xin gởi qua địa chỉ email vietkhoapy@gmail.com Một lần nữa, tác giả xin chân cám ơn !!!

Tác giả thực hiện luận văn

Nguyễn Việt Khoa

TÓM TẮT LUẬN VĂN

Trong luận văn này, tác giả sử dụng bộ điều khiển nơ-ron thích nghi trực tiếp để điều khiển cánh tay robot hai khâu Mạng nơ-ron được

sử dụng trong bộ điều khiển để xấp xỉ mô hình phi tuyến cánh tay robot

do các thành phần như trọng lực, lực ma sát, mô-men hướng tâm, lực Coriolis,… gây ra nhằm loại bỏ các thành phần liên kết chéo trong robot Giải thuật di truyền được sử dụng kết hợp mạng nơ-ron để huấn luyện mạng và tìm bộ trọng số tối ưu cho mạng với mong muốn điều khiển cánh tay robot bám theo tín hiệu mong muốn Ngoài ra, thành phần điều khiển chế độ trượt được chọn để đảm bảo cho hệ thống ổn định nhằm tăng tính bền vững cho hệ thống

ABSTRACT

In this thesis, The author developed the direct adaptive neural controller for robot manipulators Neural networks using in this controller to estimate nonlinear (unknown) robot manipulators such as:

gravity, viscous friction, centrifugal and Coriolis forces,…etc delete all

cross-coupling terms in robot manipulators Neural Network using Genetic Algorithms (GA) for learning algorithms and search optimal weights for neural networks with desc tracking desired trajectory Otherwise, Sliding mode control using is robust system

MỤC LỤC

Danh mục các ký hiệu và từ viết tắt, bảng và hình vẽ đồ thị trang ii

Chương 1: Tổng quan đề tài

Chương 2: Cơ sở lý thuyết

1 Giải thuật di truyền

1.9 Một số ứng dụng thực tiễn về GA trang 15

2 Mạng nơ-ron nhân tạo

2.2 Cấu trúc cơ bản một nơ-ron nhân tạo trang 19

2.3 Các thành phần cơ bản trong một nơ-ron nhân tạo trang 20

2.4 Các cấu trúc cơ bản của mạng nơ-ron nhân tạo trang 22

2.6 Mạng hàm cơ sở xuyên tâm RBF trang 24 2.6.1 Cấu trúc mạng nơ-ron RBF trang 24

2.6.2 Các hàm cơ sở xuyên tâm thường gặp trang 26 2.6.3 Thuật toán huấn luyện mạng RBF trang 28 2.6.4 Tích hợp GA với quá trình học của mạng nơ-ron trang 30

2.6.4.1 Mã hóa các trọng số của mạng nơ-ron thành các NST

Chương 3: Khảo sát đối tượng điều khiển

3.2 Mô hình toán học của cánh tay máy SCARA trang 37

3.2.1 Mô hình động học của tay máy trang 37

3.2.1.2 Mô hình động học ngược trang 38 3.2.2 Mô hình động lực học của tay máy trang 39 3.3 Hệ phương trình trạng thái cánh tay robot trang 43

3.4 Xây dựng mô hình đối tượng trên Matlab trang 46

3.5.1 Mô hình phần cứng cánh tay máy hai khâu trang 46

Chương 4: Giải thuật điều khiển

4.2 Điều khiển hồi tiếp tuyến tính hóa trang 56

4.2.1 Hồi tiếp tuyến tính hóa trang 57 4.3 Phương pháp điều khiển thích nghi nơ-ron trực tiếp trang 60 4.4 Sơ đồ khối Simulink giải thuật điều khiển trang 63

Chương 5: Kết luận và hướng phát triển đề tài

5.3 Hướng nghiên cứu và phát triển của đề tài trang 87

Lý lịch trích ngang

DANH MỤC KÝ HIỆU, TỪ VIẾT TẮT, BẢNG BIỂU , HÌNH VẼ VÀ ĐỒ THỊ

DANH MỤC CÁC BIẾN, TOÁN TỬ, HÀM

arg min đối số làm cực tiểu hàm

fitness hàm thích nghi đánh giá các các thể trong quần thể

bestchrom biến lưu cá thể tốt nhất trong quá trình tiến hóa

elitism cờ lưu giữ cá thể ưu việt trong quá trình tiến hóa

r bậc tương đối của hệ phi tuyến

n bậc của hệ phi tuyến

p số ngõ vào, ngõ ra

u véctơ tín hiệu ngõ vào điều khiển 1, , ,2 p

p

u=⎡⎣u u K u ⎤⎦∈ℜ( )

v t véctơ tín hiệu vào hệ thống động đã hồi tiếp tuyến tính hóa

x véctơ biến trạng thái [ 1, , ]T n

n

x= x K x ∈ℜ( )

y t véctơ tín hiệu ra, ( ) 1( ), , ( ) p

p

y t =⎡⎣y t K y t ⎤⎦∈ℜ( )

f x véctơ đặc tính động học hệ phi tuyến MIMO

W véctơ trọng số kết nối trọng mạng nơ-ron

Parent nhiễm sắc thể cha-mẹ

Child thế hệ con sau khi lai ghép từ Parent

p M xác suất đột biến

p C xác suất lai ghép

DANH MỤC CÁC TỪ VIẾT TẮT

MIMO Multi Input Multi Output

(Nhiều đầu vào nhiều đầu ra)

SISO Single Input Single Output

(Một đầu vào một đầu ra)

ANN Artificial Neural Network

(Mạng nơron nhân tạo)

PID Proportional Intergral Derivative

(Bộ điều khiển vi tích phân tỉ lệ)

GA Genetic Algorithm

(Giải thuật di truyền)

DANC Direct Adaptive Neural Control

(Điều khiển nơron thích nghi trực tiếp)

NST Nhiễm Sắc Thể

RBF Radius Basis Function Networks

(Mạng hàm cơ sở xuyên tâm)

MLP Multi Layer Perceptron

(Mạng nơ-ron truyền thẳng nhiều lớp)

(Thuật học lan truyền ngược)

SCARA Selective Compliant Articulated Robot Arm

(Tay máy mềm dẻo tùy ý)

DANH MỤC CÁC HÌNH VẼ

Hình 1.1: SCARA robot của hãng EPSON

Hình 1.2: Robot hàn của hãng Fanuc

Hình 1.3: Robot sơn của hãng ABB

Hình 2.1 Lưu đồ tổng quát giải thuật di truyền

Hình 2.2 Mã hóa các thông số cần ước lượng thành chuỗi NST

Hình 2.3 Xác suất chọn lọc sắp hạng tuyến tính

Hình 2.4 Lai ghép hai điểm

Hình 2.5 Đột biến nhiều điểm

Hình 2.6: Cấu trúc của một nơ-ron nhân tạo

Hình 2.7: Mô hình toán một nơ-ron nhân tạo

Hình 2.8 Cấu trúc kết nối mạng truyền thẳng

Hình 2.9 Cấu trúc kết nối mạng thần kinh hồi quy

Hình 2.10 Phương pháp học có giám sát

Hình 2.11 Phương pháp học củng cố

Hình 2.12 Phương pháp học không có giám sát

Hình 2.13: Cấu trúc mạng hàm cơ sở xuyên tâm

Hình 2.14: Hàm Gauss – Hàm kích hoạt tế bào thần kinh lớp ẩn

Hình 2.15: Các hàm xuyên tâm sử dụng trong mạng nơ-ron RBF

Hình 3.1: Robot kiểu tọa độ Đề-các Cấu hình T.T.T

Hình 3.2: Robot kiểu tọa độ trụ Cấu hình R.T.T

Hình 3.3.2: Cấu hình R.R.T

Hình 3.4: Robot kiểu tọa cầu

Hình 3.4: Robot kiểu tọa góc Cấu hình R.R.T

Hình 3.5: Robot kiểu SCARA

Hình 3.6: Mô hình cánh tay máy hai khâu trong hệ tọa độ Oxy

Hình 3.7: Mô hình simulink cánh tay máy hai khâu

Hình 3.8: Mô hình thiết kế tổng thể cánh tay máy hai khâu

Hình 3.9: Hình chiếu cạnh bên mô hình thiết kế cánh tay máy hai khâu

Hình 3.10: Hình chiếu bằng mô hình thiết kế cánh tay máy hai khâu

Hình 3.11: Hình chiếu mặt sau mô hình thiết kế cánh tay máy hai khâu

Hình 3.12: Mô hình phần cứng cánh tay Robot hai bậc

Hình 3.13: Card giao tiếp PCI 1710L hãng Advantech

Hình 3.14: Sơ đồ chân card giao tiếp PCI 1710L hãng Advantech

Hình 3.15:Encoder E40H series của hãng Autonics – Hàn Quốc

Hình 3.16: Sơ đồ chân đấu nối encoder

Hình 3.17: Động cơ DC loại DME-38S6HPB hãng Japan Servo

Hình 3.18: Mạch giao tiếp giữa vi điều khiển Atmega16 và encoder

Hình 3.19: Mạch khuếch đại công suất điều khiển động cơ 1

Hình 3.20: Mạch khuếch đại công suất điều khiển động cơ 2

Hình 3.21: Mạch giao tiếp giữa vi điều khiển Atmega16 và LCD

Hình 3.22: Sơ đồ kết nối phần cứng tổng quát qua đôminal

Hình 4.1: Hệ thống điều khiển thích nghi trực tiếp

DANH MỤC BẢNG BIỂU

Bảng 3.1: Các thông số kỹ thuật của cánh tay máy công nghiệp

Bảng 3.2: Thông số vật lý của cánh tay máy hai khâu

Bảng 3.3: Ý nghĩa sơ đồ chân của card PCI-1710L

DANH MỤC ĐỒ THỊ

(Kết quả dùng mạng nơ-ron thích nghi trực tiếp hệ liên tục)

Hình 4.2: Đáp ứng sine ngõ ra của khớp 1 và tín hiệu điều khiển u1 (+1kg) Hình 4.3: Đáp ứng sine ngõ ra của khớp 2 và tín hiệu điều khiển u2 (+1kg) Hình 4.4: Sai số bám của khớp1 và khớp 2 khi đáp ứng Sine (+1kg)

Hình 4.5: Khối lượng m2 tăng lên 1kg ở giây thứ 2

Hình 4.6: Đáp ứng sine ngõ ra của khớp 1 và tín hiệu điều khiển u1 (+6kg) Hình 4.7: Đáp ứng sine ngõ ra của khớp 2 và tín hiệu điều khiển u2 (+6kg) Hình 4.8: Sai số bám khớp 1 và 2 khi tăng khớp 2 lên 6kg

Hình 4.9: Khối lượng m2 tăng lên 6kg ở giây thứ 2

Hình 4.10: Đáp ứng sine ngõ ra của khớp 1 và tín hiệu điều khiển u1 (6kg+ma sát)

Hình 4.11: Đáp ứng sine ngõ ra của khớp 2 và tín hiệu điều khiển u2 (6kg+ma sát)

Hình 4.12: Sai số bám khớp 1 và 2 khi tăng khớp 2 lên 6kg + ma sát

(Kết quả dùng mạng nơ-ron thích nghi trực tiếp hệ rời rạc)

Hình 4.13: Đáp ứng sine ngõ ra của khớp 1 và tín hiệu điều khiển u1 hệ rời rạc Hình 4.14: Đáp ứng sine ngõ ra của khớp 2 và tín hiệu điều khiển u2 hệ rời rạc

Hình 4.15: Sai số bám khớp 1 và khớp 2 với tín hiệu hình sine hệ rời rạc

Hình 4.16: Đáp ứng răng cưa ngõ ra của khớp 1 và tín hiệu điều khiển u1 hệ rời rạc

Hình 4.17: Đáp ứng răng cưa ngõ ra của khớp 2 và tín hiệu điều khiển u2 hệ rời rạc

Hình 4.18: Sai số bám khớp 1 và khớp 2 với tín hiệu hình răng cưa hệ rời rạc

(Kết quả dùng PID thông thường)

Hình 4.19: Đáp ứng ngõ ra của khớp 1 và tín hiệu điều khiển u1 với hàm vị trí góc quay

Hình 4.20: Đáp ứng ngõ ra của khớp 2 và tín hiệu điều khiển u2 với hàm vị trí góc quay

(Kết quả dùng PID kết hợp giải thuật di truyền)

Hình 4.21: Đáp ứng ngõ ra của khớp 1 và tín hiệu điều khiển u1

với hàm vị trí góc quay+GA

Hình 4.22: Đáp ứng ngõ ra của khớp 2 và tín hiệu điều khiển u2

với hàm vị trí góc quay+GA

(Kết quả dùng mạng nơ-ron thích nghi trực tiếp hệ liên tục kết hợp GA)

Hình 4.23: Đáp ứng ngõ ra của khớp 1 và tín hiệu điều khiển u1 với tín hiệu đặt Sine kết hợp GA

Hình 4.24: Đáp ứng ngõ ra của khớp 2 và tín hiệu điều khiển u2 với tín hiệu đặt Sine kết hợp GA

Hình 4.25: Sai số bám khớp 1 và khớp 2với tín hiệu đặt Sine kết hợp GA

Hình 4.27: Đáp ứng ngõ ra của khớp 2 và tín hiệu điều khiển u2 với tín hiệu đặt răng cưa kết hợp GA

Hình 4.28: Sai số bám khớp 1 và khớp 2với tín hiệu đặt răng cưa kết hợp GA

tế như hiện nay Việc tự động hoá quá trình sản xuất với sự có mặt của các robot sẽ làm tăng khả năng mềm dẻo của hệ thống sản xuất, tăng chất lượng của sản phẩm và đặc biệt là có thể làm giảm giá thành sản phẩm để tăng tính cạnh tranh Ngoài ra Robot công nghiệp còn có một tính năng quan trọng khác là nó có thể làm việc trong những môi trường khắc nghiệt mà con người không thể tham gia vào được như: môi trường nhiều khói bụi, môi trường độc hại của hoá chất, môi trường nhiệt độ cao

Hiện nay trên thế giới đã có rất nhiều nghiên cứu về robot và cũng đã

có rất nhiều robot được chế tạo và ứng dụng vào quá trình sản xuất như các robot hàn trong nhà máy sản xuất ô tô, các robot lắp ráp linh kiện trong dây chuyền sản xuất board mạch, Robot lắp máy, Robot đào đường hầm, robot cấp phôi trong các máy gia công chi tiết cơ khí, Robot quay camera trong các sân vận động Tuy nhiên, ở Việt Nam thì việc nghiên cứu và chế tạo robot mới ở giai đoạn bắt đầu, chủ yếu dừng lại ở mức độ chế thử, chỉ một số ít

được chuyển giao vào quá trình sản xuất Các robot này chưa có tính thích ứng với môi trường thay đổi mà chủ yếu hoạt động theo một chương trình định trước Việc nghiên cứu các bộ điều khiển để nâng cao độ chính xác của robot hiện vẫn còn đang được các nhà khoa học trong và ngoài nước quan tâm rất nhiều

Hình 1.1: SCARA robot của hãng EPSON

Hình 1.2: Robot hàn của hãng Fanuc

Hình 1.3: Robot sơn của hãng ABB

Sơ lược lịch sử phát triển cánh tay Robot tác giả trình bày trong chương

3 Các xu hướng ứng dụng robot trong tương lai ngày càng thay thế nhiều người lao động và trở nên chuyên dụng hơn Mặc khác, phải đảm nhận được nhiều loại công việc lắp rắp và tinh khôn hơn Ví dụ trong các nhà máy công nghiệp hiện đại cần có những Robot có khả năng dẫn đường tự động theo một qũy đạo được huấn luyện sẵn Các loại robot di động này được trang bị kỹ thuật vision ba chiều, giúp thông minh hơn trong quá trình dẫn đường Trong

kỹ thuật quốc phòng, robot thông minh hơn có thể tự leo thang, tháo gỡ bom mìn,…

Với sự thông minh và phức tạp của các robot thì các bộ điều khiển thông thường không thể khống chế và điều khiển tốt được Do vậy, bộ điều khiển thông minh là lựa chọn tốt nhất cho những đối tượng có tính phi tuyến cao,

mô hình không xác định chính xác hoặc thậm chí không biết trước mô hình toán và chịu ảnh hưởng các yếu tố bất định của môi trường làm việc

Xuất phát từ vấn đề trên thì việc cần thiết áp dụng công nghệ tính toán mềm vào các hệ thống phức tạp như vậy để giải quyết Ưu điểm của tính toán mềm là sử dụng dung sai cho phép của sự không chính xác, tính bất định, gần đúng, xấp xỉ để tìm lời giải hiệu quả - đơn giản, dễ hiểu, dễ thực hiện, chi phí

thấp Hơn nữa, tính toán mềm biểu thị sự chuyển dịch, biến hóa quan trọng trong các hướng tính toán Sự chuyển dịch này phản ánh sự kiện trí tuệ con người, có khả năng đáng kể trong việc lưu trữ và xử lý thông tin thực tế và thường gặp Các ứng dụng thành công của tính toán mềm cho thấy tính toán mềm ngày càng phát tiển mạnh và đóng vai trò đặc biệt trong các lĩnh vực khác nhau của khoa học kỹ thuật như ngành khoa học máy tính, cơ khí, tự động hóa, hệ thống điện, kinh tế… Ba công cụ của kỹ thuật tính toán mềm

thường hay sử dụng là mờ (Fuzzy), mạng nơ-ron nhân tạo (ANN) và giải thuật

di truyền (GA) Tùy theo tính phức tạp của hệ thống mà ta chọn loại công cụ

nào để thiết kế hoặc có thể kết hợp lại để hỗ trợ cho nhau Việc kết hợp các công cụ của kỹ thuật tính toán mềm để thiết kế hệ thống điều khiển tự động là một khuynh hướng hoàn toàn mới, phương hướng thiết kế hệ điều khiển thông minh, một hệ thống mà bộ điều khiển có khả năng tư duy như bộ não con người, tức là có khả năng tự học hỏi, tự chỉnh định lại cho phù hợp với sự thay đổi không lường được trước của đối tượng điều khiển do các yếu tố bất định Trong luận văn này, tác giả sử dụng hai công cụ hàng đầu hiện nay trong điều khiển thông minh đó là mạng nơ-ron nhân tạo và giải thuật di truyền Mặc khác, mạng nơ-ron thường được huấn luyện bởi giải thuật lan truyền ngược nên dễ bị rơi vào cực trị cục bộ Có nhiều cách để cải thiện giải thuật Gradient suy giảm, thường người ta tìm cách thay đổi hệ số học hoặc thêm vào đó thành phần quán tính để cho phép có thể vượt qua những cực trị địa phương trong quá trình tìm kiếm Tuy nhiên, việc lựa chọn hệ số học hoặc

hệ số mô-men quán tính cũng là vấn đề rất khó khăn bởi vì nếu chọn hệ số học quá lớn có thể dẫn đến tình trạng không ổn định của quá trình tìm kiếm, ngược lại nếu hệ số học quá nhỏ dẫn đến tốc độ học chậm và khả năng vượt qua các cực trị địa phương thấp Xuất phát từ quan điểm này việc đưa GA vào quá trình huấn luyện mạng là thực sự cần thiết vì GA được biết đến như là

công cụ tìm kiếm ngẫu nhiên tốt nhất dựa trên thuyết tiến hóa của Drawin được John Holland đề nghị vào năm 1975 GA mô phỏng quá trình tiến hóa tự nhiên nhằm giải các bài toán tối ưu qua việc tìm kiếm ngẫu nhiên trong một tập phương án đã cho với mục đích tìm ra phương án tốt nhất theo một tiêu chuẩn đánh giá được mô tả bởi hàm mục tiêu Ưu điểm của của kỹ thuật này

là tìm kiếm lời giải trên một dải rộng các lời giải có thể hơn là giới hạn tìm kiếm trên một miền hẹp với kỳ vọng kết quả sẽ ở trong miền này Chi tiết về

GA tác giả trình bày chi tiết trong chương 2 của luận văn

Xuất phát từ những yêu cầu và thực tiễn, tác giả chọn đề tài: “Mạng

nơ-ron thích nghi điều khiển cánh tay máy hai bậc tự do” để nghiên cứu Tnơ-rong

luận văn tác giả xây dựng hệ thống mô phỏng trên phần mềm Matlab và thi công điều khiển phần cứng mô hình cánh tay máy hai bậc tự do Mô hình cánh tay máy tác giả trình bày chi tiết trong chương 3 và giải thuật điều khiển trình bày chi tiết trong chương 4 của luận văn Qua đó có thể kiểm chứng và

so sánh giải thuật trên mô hình toán và mô hình thực, tác giả trình bày chi tiết kết quả và hướng phát triển đề tài trong chương 5

1.2 PHƯƠNG PHÁP NGHIÊN CỨU

Phương pháp nghiên cứu trong luận văn được tác giả thực hiện là phân tích lý thuyết, mô phỏng trên máy tính và ứng dụng điều khiển trên phần cứng thực nghiệm

Phân tích lý thuyết:

Nghiên cứu các bài báo, tạp chí và các công trình trong những nằm gần đây để kết hợp và cải tiến thuật toán để tăng tốc độ tính toán và tính bền vững Kết hợp kỹ thuật tính toán mềm với lý thuyết điều khiển kinh điển

Mô phỏng trên máy tính:

Lập trình giải thuật trên máy tính để mô phỏng kết quả bằng phần mềm Matlab Trên cơ sở đó tác giả rút ra những ưu điểm và khuyết điểm của giải thuật điều khiển

Ứng dụng thực nghiệm:

Kiểm chứng lý thuyết bằng điểu khiển trên mô hình thực cánh tay máy hai khớp Qua đó tác giả so sánh giải thuật điều khiển trong hai phương pháp

mô phỏng và thực nghiệm để chỉnh định giải thuật tốt hơn

1.3 SƠ LƯỢC NỘI DUNG LUẬN VĂN

Cấu trúc luận văn gồm 5 chương và 2 phụ lục

Chương 1: Tổng quan đề tài luận văn

Nội dung của chương này trình bày tổng quan về hệ thống tay máy và ứng dụng của nó trong công nghiệp đồng thời giới thiệu sơ lược về các công

cụ tính toán mềm ứng dụng trong điều khiển robot hiện đại Đồng thời sơ lược hướng giải quyết vấn đề điều khiển trong luận văn

Chương 2: Cơ sơ lý thuyết về mạng nơ-ron nhân tạo và giải thuật di truyền

Nội dung của chương này trình bày cơ sơ lý thuyết về mạng nơ-ron nhân tạo và cơ sơ lý thuyết về giải thuật di truyền (GA) Mạng nơ-ron nhân

tạo thích nghi điều khiển trong lĩnh vực robot

Chương 3: Khảo sát đối tượng điều khiển

Nội dung của chương này trình bày mô hình toán học của cánh tay máy hai khâu (dạng Robot Scara) bao gồm phương trình động học thuận, phương trình động học ngược và phương trình biến trạng thái Mô hình hóa phương trình toán cánh tay và bộ điều khiển bằng Simulink – Matlab Trên cơ sở lý

thuyết tác giả thi công phần cứng mô hình bao gồm bản vẽ thiết kế hoàn chỉnh

và các thành phần phần cứng của hệ thống điều khiển như encoder, card 1710L Advantech, động cơ DC, mạch công suất

PCI-Chương 4: Giải thuật điều khiển

Nội dung của chương này trình bày thiết kế bộ điều khiển theo phương pháp mạng nơ-ron thích nghi Mạng nơ-ron được tối ưu hóa bằng giải thuật di truyền để xấp xỉ hàm phi tuyến Ngoài ra, tác giả trình bày kết quả mô phỏng trên mô hình toán và điều khiển thực trên mô hình cánh tay máy hai khâu, đồng thời so sánh kết quả điều khiển trên hai trường hợp

Chương 5: Kết luận và hướng phát triển đề tài

Nội dung của chương này trình bày những công việc đã đạt được trong

luận văn và đề xuất hướng nghiên cứu tiếp theo

là hoàn hảo nhất, hợp lý nhất và tự nó đã mang tính tối ưu Quan điểm này được xem như là tiên đề đúng, không chứng minh được và phù hợp với thực

tế khách quan Thế hệ con sinh ra bao giờ cũng kế thừa và phát triển tốt hơn

các đặc tính của thế hệ trước đó là kết quả của quá trình chọn lọc tự nhiên , lai

G

ghép và đột biến Dựa trên ý tưởng này thì John Holland đã xây dựng thành

công GA với bản chất toán học là tìm kiếm lời giải tối ưu theo xác suất Hiện nay GA được ứng dụng phổ biến ở nhiều lĩnh vực như các bài toán hoạch định đường đi robot, xử lý ảnh, huấn luyện mạng thần kinh, các bài toán phân tích và đánh giá hiệu quả kinh tế,…Đặc biệt trong lĩnh vực điều khiển thông minh GA mang lại nhiều kết quả thành công và hỗ trợ mạnh trong việc giải các bài toán tối ưu các thông số trong điều khiển

Chọn lọc tự nhiên

Một quần thể chứa nhiều cá thể chỉ có những các thể thích nghi nhất với môi trường sống mới thì mới có thể tồn tại trong cuộc đấu tranh sinh tồn Ngược lại những các thể không thích nghi với môi trường sống mới sẽ bị đào thải

Lai ghép

Đơn vị di truyền cấp tế bào là nhiễm sắc thể hay còn được gọi là cá thể trong quần thể được mã hóa bằng chuỗi, trong đó mỗi đơn vị của chuỗi được xem như một gien di truyền

Đột biến

Mỗi nhiễm sắc thể có thể chứa nhiều gien và những gien này có thể thay đổi một cách ngẫu nhiên do lỗi trong quá trình di truyền với xác suất đột biến xảy ra là rất thấp Quá trình đột biến là quá trình tìm những nhiễm sắc thể có gien lỗi xác suất ngẫu nhiên đột biến nhỏ hơn xác suất đột biến cho phép để thay đổi gien sao cho nhiễm sắc thể thích nghi tốt nhất với môi trường sống mới

Giải thuật di truyền là tìm kiếm phương án tốt nhất qua sự tiến hóa của các nhiễm sắc thể Các bước cơ bản được trình như hình vẽ sau đây:

Bắt đầu

Khởi tạo số liệu cho quần thể với n cá thể ngẫu nhiên trong miền [a , b] của các biến cá thể, trong đó a là cận

dưới và b là cận trên của biến cá thể

Chọn lọc: chọn lọc ngẫu nhiên các cá thể trong quần thể

có độ thích nghi tốt nhất trong môi trường sống nhờ hàm

thích nghi fitness loại bỏ các cá thể không thích nghi

Mã hóa: mã hóa các cá thể trong quần thể bằng chuỗi nhị phân hoặc thập phân như là các nhiễm sắc thể trong quần thể, trong đó mỗi đơn vị của chuỗi được xem như

một gien trong nhiễm sắc thể

Lai ghép: kết hợp nhiễm sắc thể cha và nhiễm sắc thể mẹ tạo ra nhiễm sắc thể con thông qua các phép toán di

truyền

Đột biến: tìm kiếm các nhiễm sắc thể có gien bị lỗi với xác suất đột biến ngẫu nhiên là quá thấp so với xác suất đột biến cho phép để thay đổi gien nhằm thích nghi với

môi trường sống mới

Giải mã: giải mã các nhiễm sắc thể trả về giá trị của cá

thể trong quần thể

Sai

Đúng Kết thúc Hội tụ

Hình 2.1 Lưu đồ tổng quát giải thuật di truyền

1.3 Mã hóa

Mã hóa là biểu diễn lời giải của bài toán thành chuỗi nhiễm sắc thể

(NST) Có nhiều phương pháp mã hóa khác nhau tùy thuộc vào yêu cầu của từng bài toán cụ thể Thông thường có ba cách dùng để mã hóa bài toán tìm cực trị hàm đó là mã hóa nhị phân, mã hóa thập phân và mã hóa số thực Tuy nhiên trên thực tế hai phương pháp mã hóa thường hay sử dụng trong lĩnh vực điều khiển để tìm cực trị hàm mục tiêu J( )θ đó là mã hóa nhị phân và thập phân; trong đó θ =[θ θ1 2 K θn] là véctơ thông số Trong luận văn này tác giả sử dụng phương pháp mã hóa thập phân Theo phương pháp này các thông

số cần ước lượng được mã hóa thành chuỗi NST gồm các chữ số thập phân, mỗi chuỗi NST gồm nhiều đoạn, mỗi đoạn tương ứng với một thông số cần ước lượng Mỗi đoạn gien trên chuỗi NST gồm một chữ số biểu diễn dấu của thông số và các chữ số có nghĩa Vị trí dấu chấm thập phân của mỗi đoạn gien cũng được lưu trữ để sử dụng trong bước giải mã Ưu điểm của cách mã hóa này:

ƒ Độ dài chuỗi NST được rút ngắn lại đáng kể so với các mã hóa nhị phân kinh điển làm cho thuật toán chạy nhanh hơn

ƒ Có thể áp dụng trực tiếp các phép toán di truyền quen thuộc đã đưa ra cho cách mã hóa nhị phân

Hình 2.2 Mã hóa các thông số cần ước lượng thành chuỗi NST

Hàm thích nghi dùng để đánh giá các cá thể trong quần thể, cá thể nào

có độ thích nghi tốt hơn qua quá trình chọn lọc tự nhiên thì sẽ được bảo tồn và

có nhiều cơ hội lai ghép Thường hàm thích nghi là hàm cần tìm cực trị hoặc

biến đổi tương đương của hàm cần tìm cực trị, ta có thể định nghĩa hàm thích nghi như sau:

ƒ Nếu tìm cực đại của hàm J( )θ :

Cá thể nào có độ thích nghi càng cao thì càng có nhiều cơ hội để tồn tại và bắt cặp với một cá thể khác để sinh ra thế hệ con Do vậy phép toán chọn lọc đóng vai trò rất quan trọng đối với chất lượng của GA

ƒ Phép toán chọn lọc được gọi là có cường độ mạnh nếu cá thể thích nghi tốt nhất có xác suất chọn lọc cao hơn nhiều so với cá thể có độ thích nghi kém nhất

ƒ Phép toán chọn lọc được gọi là có cường độ yếu nếu xác suất chọn lọc của cá thể thích nghi tốt nhất chỉ hơi lớn hơn so với cá thể có độ thích nghi kém nhất

Qua quá trình chọn lọc tự nhiên một số cá thể có độ thích nghi kém sẽ bị loại bỏ điều này dẫn đến có thể làm mất tính đa dạng các gien trong quần thể

Độ mất tính đa dạng này được đo bằng tỷ lệ cá thể trong quần thể không được

chọn lọc Quần thể càng mất tính đa dạng càng dễ làm GA bị hội tụ sớm Có nhiều phương pháp chọn lọc tự nhiên, trong luận văn này tác giả sử dụng

xảy ra với xác suất p c (xác suất lai ghép) Xác suất lai ghép thường được chọn khoảng 0.8 – 0.9 Nguyên tắc thực hiện phép lai được thực hiện như sau:

ƒ Chọn ngẫu nhiên hai (hay nhiều) cá thể bất kỳ trong quần thể Giả sử các NST cha và mẹ đều có n gien

ƒ Tạo một số ngẫu nhiên trong khoảng [1, n-1] (gọi là điểm lai) Điểm lai chia chuỗi NST cha và mẹ có chiều dài n thành hai nhóm chuỗi con dài n1 và n2 Hai chuỗi NST con mới sẽ là n11 + n22 và n12 + n21

ƒ Đưa hai NST con mới này vào quần thể để tham gia quá trình tiến hóa

kế tiếp Có nhiều phương pháp lai ghép, trong luận văn này tác giả sử dụng phương pháp lai ghép hai điểm để tạo ra thế hệ con

Hình 2.4 Lai ghép hai điểm

1.7 Đột biến

Phép toán đột biến áp dụng cho mỗi NST con sau khi qua quá trình lai ghép Qua phép toán đột biến, gien tại điểm đột biến sẽ bị thay đổi ngẫu nhiên (hình 2.4) Trong luận văn này, phép toán đột biến được sử dụng là đột biến đều Xác xuất để xảy ra đột biến thường rất nhỏ Nếu hiện tượng đột biến xảy

ra quá thường xuyên, thuật toán di truyền sẽ trở thành thuật toán tìm kiếm ngẫu nhiên Ngược lại nếu xác suất đột biến quá thấp, lời giải của bài toán tối

ưu dễ rơi vào điểm cực trị cục bộ

NST ban đầu 2

Điểm đột biến

1 4 3 6 0 9 8 7 4 5

NST sau đột biến 2 3 7 5 9 8 1 2 6 1 7

Hình 2.5 Đột biến nhiều điểm

1.8 Giải mã

Các NST sau khi qua phép toán di truyền cần được giải mã để biết được giá trị của các thông số cần ước lượng Phép giải mã thực hiện chức năng ngược lại so với phép mã hóa Giá trị thông số giải mã được sẽ sử dụng

để đánh giá các NST ở thế hệ (bước lặp) kế tiếp

1.9 Một số ứng dụng thực tiễn về GA

Giải thuật gien di truyền đã và đang được ứng dụng trong rất nhiều lĩnh vực vì nó có khả năng tìm kiếm lời giải tối ưu rất tốt và đặc biệt GA có khả năng bắt tay với các công cụ trí tuệ nhân tạo như hệ mờ, mạng nơ-ron để giải quyết các bài toán phức tạp mà các phương pháp thông thường hay các phương pháp cổ điển không giải quyết được Nhờ tính chất này mà GA được ứng dụng rất hiệu quả trong nhiều lĩnh vực như: quân sự, kinh tế, truyền thông, hàng không, điện lực, xử lý nước thải…

ƒ Trong lĩnh vực kỹ thuật điều khiển ứng dụng GA dùng để tìm đường đi tối ưu cho robot, chỉnh định hệ mờ, huấn luyện mạng thần kinh, nhận dạng hệ thống, xử lý ảnh,…

ƒ Trong lĩnh vực hệ thống điện GA ứng dụng chẩn đoán các nguy cơ tiềm ẩn bên trong máy biến áp, phân bố công suất hệ thống điện,…

ƒ Trong lĩnh vực quân sự GA ứng dụng thiết kế máy bay, thiết kế động cơ,…

ƒ Trong lĩnh vực kinh tế GA ứng dụng phân tích và dự báo cho thị trường chứng khoán,…

2 MẠNG THẦN KINH NHÂN TẠO

2.1 Giới thiệu

ừ lâu các nhà khoa học đã nhận thấy những ưu điểm của bộ não con người và tìm cách bắt chước để tạo ra những cỗ máy thông minh có khả năng học tập, nhận dạng và phân loại….giống như

bộ não con người Chính vì thế, các mạng nơ-ron nhân tạo (Artificial Neural Network, ANN) đã ra đời từ những nỗ lực đó ANN là một lĩnh vực nghiên cứu rộng lớn và chỉ mới phát triển mạnh khoảng 20 năm gần đây thôi nhưng

đã có nhiều kết quả đáng khích lệ trong nhiều lĩnh vực như lĩnh vực hàng không, ngành điện, kinh tế, y học… Các công trình nghiên cứu về mạng nơ-ron nhân tạo bắt đầu được đề cập từ những năm 40 của thế kỷ trước Sau đây tác giả giới thiệu sơ lược các giai đoạn phát triển của mạng nơ-ron

™ Giai đoạn 1: Tiền Perceptron (những năm 1940 - 1960)

Dễ dàng nhận thấy trong giai đoạn này mạng chưa đủ phức tạp cho nên chưa có khả năng giải quyết các bài toán khó có sức thuyết phục Trong giai đoạn này cần nhắc tới một số sự kiện sau:

ƒ Lần đầu tiên McCulloch và Pitts, 1943 giới thiệu mô hình toán học của mạng nơ-ron

T

ƒ Rosenbalatt, 1957 định nghĩa Perceptron, mong muốn khẳng định các nơ-ron liên kết, phi tuyến tạo nên mạng thích nghi có thể góp phần giải quyết các bài toán nhận dạng

ƒ 1960 Windrow đóng góp chính là thuật toán trung bình bình phương

bé nhất (LMS) cho mô hình Adalien/Madaline

ƒ Kết quả của Minsky và Papert 1969

™ Giai đoạn 2: Hậu Perceptron

Trong giai đoạn này mô hình Perceptron được phát huy với những thuât học truyền thẳng và liên kết suy rộng Đã tìm thêm nhiều cấu trúc mới, ứng dụng mới, trong đó cần kể đến:

ƒ Mạng truyền thẳng với thuật toán lan truyền ngược (luật học delta suy rộng), 1985

ƒ Mạng dùng các hàm cơ sở xuyên tâm (mạng RBF)

ƒ Các mạng Hopfield hồi quy, 1982

ƒ Bộ nhớ liên hợp hai chiều (BAM), 1987

ƒ Làm sâu sắc hơn nhiều khái niệm và các thuật toán đã có

ƒ Công trình về cách mạng thích nghi của Grossberg và Kohonen

™ Giai đoạn 3: Gần đây và hiện nay

Tiếp tục suy rộng và đưa vào thực tiễn nhiều mô hình và thuật toán đã hoàn chỉnh hơn Những vấn đề chính hiện nay cần phải làm là:

ƒ Đánh giá xác thực những hạn chế của mạng nơ-ron

ƒ Các khả năng suy rộng khác nhau

ƒ Phối hợp công nghệ mạng nơ-ron với công nghệ tính toán mềm, như mạng nơ-ron với logic mờ hay mạng nơ-ron với giải thuật di truyền

ƒ Cài đặt các mạng nơ-ron nhân tạo bằng các phần cứng chuyên dụng

Sức mạnh của mạng nơ-ron

Những mô hình của mạng nơ-ron đã trình bày phần trên có tiềm năng tạo nên một cuộc cách mạng trong công nghệ máy tính và các quá trình xử lý thông tin Những mong muốn và hy vọng đó chủ yếu bắt nguồn từ các đặc trưng chính sau:

ƒ Khả năng của các quá trình xử lý song song và phân tán: có thể đưa vào mạng một lượng lớn các nơ-ron liên kết với nhau theo những lược đồ với các kiến trúc khác nhau

ƒ Khả năng thích nghi và tự tổ chức: về đặc trưng này người ta đề cập tới khả năng xử lý thích nghi và điều chỉnh bền vững dựa vào các thuật toán học thích nghi và các quy tắc tự tổ chức

ƒ Khả năng dung thứ lỗi: cố gắng bắt chước khả năng dung thứ lỗi của não theo nghĩa hệ thống có thể tiếp tục làm việc và điều chỉnh khi nhận tín hiệu vào một phần thông tin bị sai lệch hoặc bị thiếu

ƒ Xử lý các quá trình phi tuyến: đặc trưng này rất quan trọng, ví dụ trong xấp xỉ mạng, miễn nhiễu (chấp nhận nhiễu) và có khả năng phân lớp

Ứng dụng của mạng nơ-ron

Mạng nơ-ron nhân tạo đã và đang được ứng dụng trong rất nhiều lĩnh vực vì nó có khả năng xấp xỉ rất tốt hàm phi tuyến bất kỳ với sai số bé tùy ý Nhờ tính chất này mà mạng nơ-ron nhân tạo có thể sử dụng hiệu quả trong nhiều lĩnh vực như: quân sự, y học, truyền thông, hàng không, điện lực, xử lý nước thải… Đặc biệt trong lĩnh vực kỹ thuật điều khiển mạng nơ-ron nhân tạo được ứng dụng để nhận dạng, dự báo và điều khiển Trong điện tử viễn thông, mạng nơ-ron nhân tạo được ứng dụng để xử lý ảnh, nhận dạng ảnh và truyền thông Trong hệ thống điện, mạng nơ-ron nhân tạo được ứng dụng để nhận dạng, dự báo và điều khiển các trạm biến áp Trong lĩnh vực dự báo thời tiết

và thủy lợi, mạng nơ-ron nhân tạo được ứng dụng để dự báo lũ lụt hạ lưu sông, đây cũng là những vấn đề cấp bách của nước ta hiện nay trong phòng chống lụt bão thiên tai

2.2 Cấu trúc cơ bản một nơ-ron nhân tạo

Một nơ-ron chứa đựng các thành phần cơ bản như sau

Hình 2.6: Cấu trúc của một nơ-ron nhân tạo

ƒ Thân nơ-ron được giới hạn trong một màng membrane và trong cùng là nhân Từ thân nơ-ron còn có rất nhiều đường rẽ nhánh tạm gọi là rễ

ƒ “Bus” là liên kết nơ-ron này với các nơ-ron khác được gọi là axon, trên axon có các đường rẽ nhánh Nơ-ron còn có thể liên kết với các nơ-ron khác qua các rễ Chính vì cách liên kết đa dạng như vậy nên mạng nơ-ron có độ liên kết rất cao

ƒ Các rễ của ron được chia thành hai loại: loại nhận thông tin từ ron khác qua axon gọi là rễ đầu vào và loại đưa thông tin qua axon tới các nơ-ron khác gọi là rễ đầu ra Một nơ-ron có thể có nhiều rễ vào nhưng chỉ có một rễ ra Một tính chất rất cơ bản của mạng nơ-ron sinh học là các đáp ứng theo kích thích có khả năng thay đổi theo thời gian Các đáp ứng có thể tăng lên, giảm đi hoặc hoàn toàn biến mất Qua các nhánh axon liên kết tế bào nơ-ron này với các nơ-ron khác, sự thay đổi trạng thái của một nơ-ron cũng sẽ kéo theo sự thay đổi trạng thái của những nơ-ron khác và do đó là sự thay đổi của toàn bộ mạng nơ-ron

nơ-Việc thay đổi trạng thái của mạng nơ-ron có thể thực hiện qua một quá

trình dạy hoặc do khả năng học tự nhiên

ƒ Sự thay thế tính chất này bằng một mô hình toán học tương đương gọi

là mạng nơ-ron nhân tạo Hình 2.2 biểu diễn mô hình toán một nơ-ron

y f w x f W X : ngõ ra của mạng (2.3)

θ: ngưỡng phân cực (bias) Ngưỡng là giá trị biên độ độ lệch, nó ảnh

hưởng đến sự kích hoạt ngõ ra của nơ-ron

2.3 Các thành phần cơ bản trong một nơ-ron nhân tạo

Hàm tổng hợp: dùng để kết hợp và xử lý thông tin ở các đầu vào Có các

Hàm kích hoạt: là hàm xử lý các tín hiệu ngõ ra Gọi a( ) hàm là hàm kích

hoạt Các dạng hàm kích hoạt thường dùng trong mạng nơ-ron là:

Thành phần quan trọng thứ hai của mạng thần kinh nhân tạo là mô hình kết nối mạng hay con gọi là cấu trúc mạng Có hai loại:

Mô hình kết nối mạng truyền thẳng: Tín hiệu nhận từ môi trường bên

ngoài, lan truyền thẳng đến các lớp ẩn, xử lý và gởi tín hiệu đến các lớp ra để

ra quyết định

Hình 2.8 Cấu trúc kết nối mạng truyền thẳng

ƒ Lớp vào chứa các đơn vị phục vụ việc nhận các tín hiệu vào từ môi trường bên ngoài hoặc các lớp đứng trước đó

ƒ Lớp ẩn chứa các đơn vị phục vụ xử lý tín hiệu nhận từ lớp vào

ƒ Lớp ra chứa các đơn vị phục vụ như các đơn vị ra quyết định

Mô hình kết nối mạng truyền ngược (mạng hồi quy): Mạng hồi quy có

nhiều lớp: lớp vào, lớp ẩn và lớp ra Mạng có hai cấu trúc kết nối đó là cấu trúc kết nối mạng truyền thẳng và cấu trúc kết nối hồi quy đó là tín hiệu được phép hồi tiếp về chính nó hoặc các đơn vị xử lý cùng mức hoặc các đơn vị xử

Hình 2.9 Cấu trúc kết nối mạng thần kinh hồi quy

Mạng nơ-ron bao gồm một hay nhiều lớp trung gian được gọi là mạng MLP Còn mạng chỉ có một lớp vừa là lớp vào vừa là lớp trung gian và cũng

là lớp ra thì mạng đó được gọi là mạng một lớp Trong luận văn này, tác giả

sử dụng mạng nơ-ron truyền thẳng nhiều lớp MLP để xấp xỉ hàm phi tuyến

2.5 Huấn luyện mạng nơ-ron

Bài toán huấn luyện mạng nơ-ron hay còn gọi là học là xác định các trọng số kết nối trong mạng và cấu trúc – các dạng liên kết của các nơ-ron, giữa các lớp dựa trên thông tin có trong hệ thống Thường quá trình huấn luyện mạng nơ-ron được thực hiện qua phép so sánh tín hiệu đầu ra của mạng với tín hiệu tham chiếu Có hai kiểu học và ba phương pháp học

Các kiểu học

Học cấu trúc: là xác định cấu trúc của mạng bao gồm số lượng nút

nơ-ron tnơ-rong mỗi lớp, liên kết giữa các nơ-nơ-ron và giá trị của các ma trận trọng số

W của mạng