Trong phương pháp này, mô hìnhcủa xe sẽ đươc xây dựng bằng những phương trình liên quan đến động lực học của xe.Sau đó, các bộ quan sát, ước lượng sẽ sử dụng mô hình này cùng với những t
Trang 1VIỆN ĐIỆN
BỘ MÔN TỰ ĐỘNG HÓA CÔNG NGHIỆP
ĐỒ ÁN TỐT NGHIỆP
Hà Nội, 5/2018
Trang 2TRƯỜNG ĐẠI HỌC BÁCH KHOA HÀ NỘI
TRÊN XE Ô TÔ ĐIỆN
Trưởng bộ môn : PGS.TS Trần Trọng Minh Giáo viên hướng dẫn : ThS.Võ Duy Thành
Sinh viên thực hiện : Vũ Hoàng Long
Giáo viên duyệt :
Hà Nội, 5/2018
Trang 3Em xin cam đoan toàn bộ đồ án tốt nghiệp: Ứng dụng tổng hợp dữ liệu đa cảm biến trong ước lượng vận tốc dài trên xe ô tô điện do em tự thiết kế dưới sự hướng dẫn
của ThS Võ Duy Thành Các số liệu và kết quả là hoàn toàn đúng với thực tế
Để hoàn thành đồ án này, em chỉ sử dụng những tài liệu được ghi trong danh mục tàiliệu tham khảo và không sao chép hay sử dụng bất kỳ tài liệu nào khác Nếu phát hiện
có sự sao chép em xin chịu hoàn toàn trách nhiệm
Hà Nội, ngày 28 tháng 05 năm 2018
Sinh viên
Vũ Hoàng Long
Trang 4MỤC LỤC
MỤC LỤC
Lời mở đầu 7
Chương 1 Giới thiệu chung 9
1.1 Đặt vấn đề 9
1.2 Những thuật toán ước lượng vận tốc dài của xe ô-tô điện 11
1.3 Tổng hợp dữ liệu đa cảm biến 13
1.4 Nhiệm vụ của đồ án 14
Chương 2 Nâng cao tốc độ trích mẫu của cảm biến bằng bộ lọc Multirate Kalman Filter 16
2.1 Giới thiệu chung 16
2.2 Bộ lọc Kalman 19
2.3 Bộ lọc Multirate Kalman Filter 21
2.4 Đề xuất cải tiến bộ lọc Multirate Kalman Filter 22
2.4.1 Tự điều chỉnh giá trị hiệp phương sai của những mẫu trung gian 22
2.4.2 Tạo tín hiệu đo giả 23
2.5 Thuật toán Multirate Kalman Filter đề xuất 24
2.6 Kết quả mô phỏng 26
2.6.1 Mô hình mô phỏng 26
2.6.2 Kết quả mô phỏng 27
2.7 Nhận xét 30
Chương 3 Tổng hợp tốc độ dài sử dụng tổng hợp dữ liệu đa cảm biến 32
3.1 Xây dựng thuật toán tổng hợp dữ liệu đa cảm biến 32
Trang 53.2 Ứng dụng trong việc ước lượng vận tốc dài của xe ô-tô 34
Chương 4 Xây dựng hệ thống thực nghiệm 40
4.1 Hệ thống cảm biến thu thập dữ liệu và thực hiện thuật toán 40
4.1.1 Hệ thống cảm biến 40
4.1.2 Modul thu thập dữ liệu và thực hiện thuật toán 42
4.2 Hệ thống tham chiếu 43
4.3 Lắp đặt hệ thống 45
4.4 Những kịch bản thử nghiệm 49
Chương 5 Kết quả thực nghiệm 51
5.1 Kết quả nâng cao tốc độ trích mẫu của cảm biến bằng bộ lọc Multirate Kalman Filter đề xuất 51
5.2 Kết quả ước lượng vận tốc dài của xe ô-tô điện sử dụng phương pháp tổng hợp dữ liệu cảm biến 53
Chương 6 Kết luận 58
Tài liệu tham khảo 60
Phụ lục 62
Trang 6DANH SÁCH HÌNH VẼ
DANH SÁCH HÌNH VẼ
1.1 Xe ô-tô điện i-MiEV do Mitsubishi sản xuất năm 2012 (nguồn: Mitsubishi) 10
1.2 Cấu trúc cơ bản hệ tổng hợp cảm biến 13
1.3 Cấu hình hệ thống ước lượng vận tốc dài của xe ô-tô điện 14
2.1 Tương quan giữa tốc độ trích mẫu cảm biến và tốc độ điều khiển 17
2.2 Mô hình bộ lọc Kalman Filter 20
2.3 Lưu đồ thuật toán Multirate Kalman Filter đề xuất 25
2.4 Mô hình mô phỏng thuật toán Multirate Kalman Filter đề xuất 27
2.5 Kết quả nâng cao tốc độ trích mẫu cảm biến 28
2.6 So sánh kết quả mô phỏng của hai bộ lọc 29
3.1 Dạng tín hiệu vận tốc thu được từ 3 loại cảm biến 35
3.2 Tín hiệu từ encoder, cảm biến gia tốc và vị trí chân ga, chân phanh 38
4.1 Cấu tạo của encoder trên xe oto điện (nguồn [21]) 40
4.2 Cảm biến encoder trên xe oto điện i-MiEV (nguồn: Mitsubishi) 41
4.3 Cảm biến GPS U-Blox EVK-M8U 42
4.4 Bộ điều khiển NI MyRIO-1900 (nguồn: National Instrument) 43
4.5 Modul cơ bản DAS-3 (nguồn: Kisler) 45
4.6 Encoder 1000 xung/vòng tham chiếu và cảm biến S350 (nguồn: Kisler) 47
4.7 Sơ đồ kết nối hệ thống thu thập dữ liệu 48
4.8 Lắp đặt hệ thống tham chiếu 49
5.1 Kết quả nâng cao tốc độ trích mẫu cảm biến encoder 52
5.2 Kết quả nâng cao tốc độ trích mẫu cảm biến GPS 54
Trang 75.3 Kết quả ước lượng vận tốc dài trong trường hợp không trượt 555.4 Kết quả ước lượng vận tốc dài trong trường hợp có trượt 56
Trang 8DANH SÁCH BẢNG
DANH SÁCH BẢNG
4.1 Cấu hình thiết bị NI MyRIO-1900 444.2 Thông tin kỹ thuật của cảm biến tham chiếu 464.3 Thống số chi tiết Modul cơ bản DAS-3 47
Trang 9Multirate Kalman Filter
Anti-lock Braking System
Traction Control System
Electronic Stabilization Program
Global Positioning System
Root Mean Square Errorr
Trang 10Lời mở đầu
LỜI MỞ ĐẦU
Trong vài năm gần đây, ô-tô điện đã trở thành một xu thế và hứa hẹn sẽ là phương tiện
di chuyển tương lai của thế giới Ô-tô điện có rất nhiều ưu điểm so với ô-tô sử dụng động
cơ đốt trong truyền thống Nó tạo ra chuyển động bởi động cơ điện và sử dụng nguồnnăng lượng điện Do đó, nó không bị phụ thuộc vào nguồn nhiên liệu hóa thạch đang dầncạn kiệt ngày nay Đồng thời nó không thải ra khí CO2 ra môi trường, giúp giảm thiểuhiện tượng ấm lên toàn cầu Không những vậy, nó còn tỏ ra vượt trội trong vấn đề tiếtkiệm năng lượng khi có thể chuyển đổi khoảng 59 - 62% năng lượng điện từ điện lướithành năng lượng của các bánh xe trong khi xe sử dụng động cơ đốt trong thông thườngchỉ chuyển đổi khoảng 15% (đối với động cơ sử dụng xăng) và 20% (đối với động cơ
sử dụng dầu diesel) năng lượng dự trữ để truyền lực cho các bánh xe [1] Ô-tô điện hiệnnay đang được quan tâm và phát triển rất mạnh, không chỉ bởi những công ty sản xuất
mà còn được ủng hộ bởi chính quyền nhiều nước trên thế giới Nhiều nước đã lên kếhoạch dừng việc bán xe sử dụng động cơ đốt trong và thay thế hoàn toàn bằng xe điệnnhư Trung Quốc vào năm 2020 [2], Pháp vào năm 2040 [3], Nhiều nước trong khu vựcĐông Nam Á như Thái Lan, Singapore, Malaysia, cũng đã có những động thái ủng
hộ xe điện bằn nhiều cách như xây dựng cơ sở hạ tầng, miễn thuế nhập khẩu, Xe điệnchính là phương tiện giao thông tương lai của toàn thế giới
Đối với xe ô-tô điện nói riêng và ô-tô nói chung, việc đảm bảo an toàn cho ngườilái và cho xe là một trong những vấn đề tối quan trọng Trong điều kiện lý tưởng, ngườilái sẽ liên tục quan sát và đánh giá môi trường xung quanh như: vị trí vật cản, vận tốc,quỹ đạo xe, để có thể đưa ra lượng điều khiển đến các cơ cấu vô-lăng, chân ga, chânphanh Nhưng bên cạnh đó, vẫn cần những hệ thống an toàn chủ động liên tục hoạt động
để có thể bảo vệ người lái trong những tình huống xấu như xe mất lái khi vào cua, mặtđường trơn trượt, Để có thể làm được điều này, các trạng thái của xe phải luôn đượccập nhật để bộ điều khiển có thể phát hiện những tính huống xấu và tiến hành can thiệpvào hệ thống lái, hệ thống điều khiển động cơ,
Chính vì lý do trên, đồ án này đã lựa chọn đề tài: Ứng dụng tổng hợp dữ liệu đa cảm
Trang 11biến trong ước lượng vận tốc dài trên xe ô tô điện Đồ án tập trung giải quyết những vấn
đề sau: tiến hành nâng cao tốc độ trích mẫu của cảm biến trên xe ô-tô điện; xây dựngthuật toán tổng hợp dữ liệu đa cảm biến; tiến hành thực nghiệm trên nên tảng xe ô-tôđiện i-MiEV do Mitsubishi sản xuất để đánh giá thuật toán
Bố cục của đồ án này gồm 6 chương và phụ lục, bao gồm:
• Chương 1: Giới thiệu về tầm quan trọng của việc ước lượng vận tốc dài và nhữngthuật toán ước lượng vận tốc dài của xe ô-tô đã được công bố
• Chương 2: Nâng cao tốc độ trích mẫu của cảm biến bằng bộ lọc Multirate KalmanFilter đề xuất
• Chương 3: Tổng hợp vận tốc dài của xe ô-tô sử dụng thuật toán tổng hợp dữ liệu đa
cảm biến (Multi-Sensor Data Fusion).
• Chương 4: Xây dựng hệ thống thực nghiệm
• Chương 5: Đánh giá kết quả thuật thực nghiệm
• Chương 6: Kết luận
Trong quá trình thực hiện đồ án sẽ không tránh khỏi những sai sót, em mong nhận được
sự đóng góp của thầy, cô để có thể hoàn thiện đồ án của mình
Hà Nội, ngày 28 tháng 05 năm 2018
Sinh viên
Vũ Hoàng Long
Trang 12Chương 1 Giới thiệu chung
CHƯƠNG 1 GIỚI THIỆU CHUNG
để có thể tính toán ra những đại lượng như tỷ số trượt của xe, vận tốc ngang của xe,
để phục vụ cho những hệ thống an toàn chủ động trên xe như hệ thống chống bó cứngphanh ABS [4-6], hệ thống chống trượt, hệ thống cân bằng điện tử ESP [7]
Xe ô-tô điện đang được quan tâm và phát triển rất mạnh trong những năm gần đây.Những ưu điểm dễ nhận thấy của ô-tô điện như thân thiện với môi trường, không phụthuộc vào nguồn nguyên liệu hóa thạch đang dần cạn kiệt Bên cạnh đó, ô-tô điện nhờđược trang bị động cơ điện cho hệ thống truyền động thay vì sử dụng động cơ đốt trongtruyền thống nên ô-tô điện có nhiều ưu điểm nổi trội so với xe ô-tô truyền thống Có thể
kể ra một vài ưu điểm như:
• Thời gian đáp ứng mô-men rất nhanh, chỉ khoảng vài mili giây so với hơn 100 miligiây của ô-tô sử dụng động cơ đốt trong [24]
• Mô-men của bánh xe có thể đo thông qua dòng điện động cơ, từ đó có thể dễ dàngđiều khiển lực phát động của bánh xe
• Động cơ có thể được tích hợp vào bánh xe (in-wheel), từ đó có thể điều khiển men của từng bánh riêng biệt Việc phối hợp chuyển động giữa các bánh sẽ đượcđiều khiển độc lập, không cần những hệ thống truyền động cơ khí như: ly hợp, visai, hộp số, từ đó có thể nâng cao khả năng an toàn, linh hoạt trong khả năng dichuyển và giải phóng không gian bên trong xe
mô-Để có thể tận dụng những ưu điểm nổi trội này của ô-tô điện, yêu cầu đặt ra là phải
Trang 13Hình 1.1: Xe ô-tô điện i-MiEV do Mitsubishi sản xuất năm 2012 (nguồn: Mitsubishi)
đo được (hoặc ước lượng) chính xác những trạng thái của xe ô-tô điện, đồng thời phảiđáp ứng được cả yêu cầu về mặt tốc độ trích mẫu hoặc những phép toán ước lượng phảitính toán đơn giản để có thể phù hợp trong ứng dụng thời gian thực Trong thực tế hiệnnay, các xe ô-tô trên thị trường thông thường sẽ đo tốc độ góc ω của bánh xe bị động vàdựa vào bán kính bánh xe để tính toán ra tốc độ dài theo công thức sau:
độ dài của xe với độ chính xác cao nhưng chi phí rất lớn ví dụ như bộ cảm biến đo tốc độbằng nguyên lý quang học S350 của hãng Kisler Những hệ thống cảm biến này khôngphù hợp với việc triển khai trên sản phẩm ô-tô thương mại Điều này dẫn tới việc phảiước lượng vận tốc dài của xe bằng cách sử dụng một hệ thống cảm biến có chi phí thấp
Trang 14Chương 1 Giới thiệu chung
nhưng vẫn có thể đảm bảo được độ chính xác cũng như tần số trích mẫu đủ lớn để phùhợp với tần số hoạt động của hệ thống điều khiển
1.2 Những thuật toán ước lượng vận tốc dài của xe ô-tô điện
Đối với xe ô-tô điện, có rất nhiều trạng thái như: mô-men động cơ, vận tốc dài, giatốc, góc đánh lái, Mỗi trạng thái đều góp phần quan trọng trong việc điều khiển vàđảm bảo an toàn cho xe cũng như người lái Có nhiều trạng thái có thể đo trực tiếp bằngnhững cảm biến giá rẻ như: tốc độ góc của bánh xe, gia tốc xe, góc quay vô-lăng .Nhưng cũng có những trạng thái không thể đo được trực tiếp hoặc chỉ có thể đo bằngnhững hệ thống cảm biến có giá thành cao như: vận tốc dài của xe, độ trượt bánh xe,
Để đảm bảo an toàn, những trạng thái này cần được đo (nếu có thể đo trực tiếp ) và ướclượng (nếu không thể đo trực tiếp) để có thể cung cấp thông tin về những trạng thái hiệntại của xe cho hệ thống an toàn chủ động, ví dụ như hệ thống chống bó cứng phanh ABS(Anti-Locking Brake System), hệ thống chống trượt TCS (Traction Control System) ;cũng như làm tín hiệu phản hồi đưa về bộ điều khiển Cùng với sự phát triển của ngànhcông nghiệp ô-tô điện, ngày càng có nhiều những công trình nghiên cứu về ước lượngcác trạng thái trên xe ô-tô điện của nhiều nhà khoa học trên thế giới Hiện nay, việcnghiên cứu ước lượng vận tốc dài trên xe ô-tô điện được phân chia theo hai phương phápchính bao gồm:
• Ước lượng vận tốc dài của xe dựa trên cơ sở mô hình động lực học (Dynamic
Model)
• Ước lượng vận tốc dài của xe dựa trên cơ sở mô hình động học (Kinematic Model) Động lực học (Dynamic) và động học (Kinematic) là hai nhánh của cơ học cổ điển Động lực học tập trung nghiên cứu cách vật (giả thiết là) thân cứng (rigid body) chuyển
động theo thời gian và nghiên cứu nguyên nhân của sự chuyển động đó Có rất nhiềunghiên cứu đã ước lượng được vận tốc dài của xe thông qua phương pháp sử dụng môhình động lực học của xe và cho kết quả rất khả quan Trong phương pháp này, mô hìnhcủa xe sẽ đươc xây dựng bằng những phương trình liên quan đến động lực học của xe.Sau đó, các bộ quan sát, ước lượng sẽ sử dụng mô hình này cùng với những thuật toán đểước lượng ra vận tốc dài vx của xe Có thể kể ra một số phương pháp mà những nghiên
Trang 15cứu này đã sử dụng như:
• Sử dụng các bộ quan sát phi tuyến (nonlinear observer) [8-10].
• Bộ quan sát kiểu trượt (sliding mode observer) [11-13].
• Ứng dụng bộ lọc Kalman mở rộng EKF (Extended Kalman Filter) [14-20].
Mặc dù cho kết quả rất khả quan nhưng những phương pháp dựa trên mô hình độnglực học của xe gặp rất nhiều khó khăn khi áp dụng trong hệ thống thực tế Có thể kể ramột số lý do như:
• Mô hình động lực học của xe bao gồm nhiều tham số như: vị trí trọng tâm xe, bánkính bánh xe, khối lượng của xe, Những tham số này có thể dễ dàng bị thay đổitrong quá trình vận hành Ví dụ như việc thay đổi số lượng người cũng như hànghóa trên xe sẽ làm cho khối lượng xe và vị trí trọng tâm xe cũng sẽ thay đổi, từ đólàm giảm tính chính xác của phép ước lượng
• Mô hình động lực học của xe rất phức tạp do bao gồm nhiều phương trình phituyến và tham số Một số phương pháp sử dụng những phép toán cao cấp, phứctạp như: nhân ma trận, tính ma trận nghịch đảo, tính ma trận Jacobi, được thựchiện trong mỗi chu kỳ thuật toán; đòi hỏi phải sử dụng những bộ xử lý cao cấp vớitốc độ tính toán nhanh
Khác với động lực học, động học (Kinematic) lại nghiên cứu về chuyển động của vật (giả thiết là) thân cứng (rigid body) di chuyển từ nơi này đến nơi khác mà không hề quan
tâm đến những lực tác động lên nó Động học nghiên cứu các quỹ đạo của chất điểm,cũng như các đặc tính vi phân của chúng như tốc độ, gia tốc Chính vì lý do đó, việc ướclượng vận tốc dài dựa trên mô hình động học là hết sức phù hợp
Đồ án này đề xuất phương pháp ước lượng vận tốc dài sử dụng mô hình động học,
cụ thể là sử dụng thông tin từ những cảm biến khác nhau, kết hợp với mô hình động họccủa xe để có thể ước lượng vận tốc dài của xe Ưu điểm của phương pháp này là khôngphụ thuộc vào những tham số động lực học của xe và số lượng tính toán ít, phù hợp vớinhững hệ thống thời gian thực Phương pháp này có tên gọi: Tổng hợp dữ liệu đa cảm
biến (Multi-Sensor Fusion).
Trang 16Chương 1 Giới thiệu chung
Đối tượng Phối hợp, xử lý dữ liệu
Cảm biến 1 Khâu tiền xử lý dữ
liệu 1
Cảm biến 2 Khâu tiền xử lý dữ
liệu 2
Trạng thái cần ước lượng
Hình 1.2: Cấu trúc cơ bản hệ tổng hợp cảm biến
1.3 Tổng hợp dữ liệu đa cảm biến
Tổng hợp đa cảm biến (Multi-sensor Data Fusion) hay còn một số tên gọi khác như
Data Fusion, Information Fusion) là một kỹ thuật phối hợp dữ liệu thu thập được từnhiều cảm biến về môi trường hay đối tượng quan tâm để từ đó có thể đưa ra thông tinchính xác hơn so với việc sử dụng từng cảm biến đơn lẻ hoặc độc lập [25] Hình 1.2 mô
tả cấu trúc cơ bản của một hệ tổng hợp cảm biến Kỹ thuật tổng hợp dữ liệu đa cảm biến
có rất nhiều ứng dụng thiết thực trong đời sống như đo nhiệt độ trong trung tâm thươngmại, dự báo thời tiết, xe tự lái, xử lý ảnh, Ví dụ như hiện nay có một số hãng điệnthoại sử dụng hệ thống camera gồm hai camera riêng biệt hoạt động độc lập Dữ liệu thuđược từ hai cảm biến này sẽ được xử lý, từ đó lấy được thông tin về độ sâu trường ảnh,đại lượng không thể thu thập nếu chỉ sử dụng một cảm biến ảnh như thông thường.Trên xe ô-tô điện có nhiều thông số động lực học bất định như: vị trí trọng tâm xe,khối lượng xe, mô-men của động cơ, Những thông số động học này rất dễ bị thay đổitrong thực tế Do đó việc ước lượng vận tốc dài của xe dựa vào những thông tin thu được
từ cảm biến và sử dụng kỹ thuật tổng hợp dữ liệu đa cảm biến mà không sử dụng bất cứtham số động lực học nào là hoàn toàn đúng đắn
Tuy nhiên, phương pháp này gặp một số khó khăn nhất định trong việc triển khai.Trên xe ô-tô điện có nhiều loại cảm biến có thể cung cấp thông tin về vận tốc dài của xe,
có thể kể ra như: gia tốc dọc trục của xe, vận tốc góc bánh xe, cảm biến GPS gắn trênxe, Những cảm biến này làm việc trong những điều kiện khác nhau, cũng như côngnghệ chế tạo khác nhau Do đó, chúng sẽ hoạt động ở những tần số trích mẫu khác nhau
Trang 17Nâng cao tốc độ trích mẫu
Tổng hợp
dữ liệu đa cảm biến
Nâng cao tốc độ trích mẫu
Vị trí chân phanh
Vận tốc dài
𝑣𝑥 (𝑚/𝑠)
Hình 1.3: Cấu hình hệ thống ước lượng vận tốc dài của xe ô-tô điện
Ví dụ như cảm biến gia tốc có thể hoạt động với tần số trích mẫu lên đến 1kHz, cảm biếnGPS lại chỉ có thể hoạt động ở tần số 1 - 5Hz Trong khi đó, hệ thống điều khiển của xeô-tô lại hoạt động ở tần số khoảng 100Hz Việc thiếu đồng bộ trong tần số trích mẫu củanhững cảm biến trên xe đã gây khó khăn trong việc sử dụng thuật toán tổng hợp dữ liệucảm biến để ước lượng tức thời vận tốc dài của xe Khó khăn đó đã đặt ra yêu cầu cầnphải đồng bộ tốc độ trích mẫu giữa những cảm biến trên xe để có thể áp dụng được thuậttoán tổng hợp dữ liệu cảm biến, cũng giữa hệ thống cảm biến với hệ thống điều khiển
• Nghiên cứu sử dụng thuật toán để nâng cao tốc độ trích mẫu của cảm biến trên xeô-tô điện Từ đó đồng bộ tốc độ lấy mẫu của toàn bộ hệ thống cảm biến
Trang 18Chương 1 Giới thiệu chung
• Phát triển thuật toán tổng hợp dữ liệu đa cảm biến để ước lượng vận tốc dài của xeô-tô điện Cấu hình hệ thống ước lượng vận tốc dài được trình bày trong hình 1.3
• Xây dựng hệ thống thực nghiệm
• Tiến hành thử nghiệm trên hệ thống đã xây dựng bên trên Đánh giá kết quả vàkhẳng định tính đúng đắn của phương pháp tổng hợp dữ liệu đa cảm biến để ướclượng vận tốc dài của xe ô-tô điện
Toàn quá trình thực nghiệm sẽ được tiến hành trên nền tảng xe ô-tô điện i-MiEV(Hình 1.1) Đây là một mẫu xe hoàn toàn chạy bằng năng lượng điện do hãng Mitsubishisản xuất vào năm 2012 Xe ô-tô điện này sử dụng một cơ động cơ điện có công suất47kW Xe có cơ cấu dẫn động là dẫn động cầu sau RWD (Rear-Wheel Drive) với 2 bánh
xe phía sau là bánh xe chủ động và hai bánh xe phía trước là bánh xe bị động
Trang 19CHƯƠNG 2 NÂNG CAO TỐC ĐỘ TRÍCH MẪU CỦA CẢM BIẾN BẰNG BỘ LỌC MULTIRATE KALMAN FILTER
2.1 Giới thiệu chung
Cảm biến là những thiết bị cảm nhận, thực hiện chức năng biến đổi đại lượng khôngđiện (nhiệt độ, vận tốc, gia tốc ) thành đại lượng điện (điện áp, dòng điện, ) để cóthể đo và xử lí về những đại lượng đó Cảm biến là một trong những thành phần quantrọng và không thể thiếu của một hệ thống điều khiển Chúng có nhiệm vụ đo và phảnhồi thông tin của đối tượng về bộ điều khiển trong từng chu kỳ điều khiển Do đó, chúngquyết định tới độ chính xác và chất lượng điều khiển của hệ thống Có thể có một hoặcnhiều cảm biến trong một hệ thống, tùy thuộc vào quy mô và độ phức tạp của hệ thống
đó Mỗi cảm biến trong hệ thống có thể có tốc độ trích mẫu khác nhau Điều đó đặt rayêu cầu cần phải đồng bộ tốc độ trích mẫu giữa những cảm biến cũng như giữa cảm biếnvới hệ thống điều khiển Thông thường, tốc độ trích mẫu của cảm biến phải lớn hơn hoặcbằng tốc độ làm việc của mạch vòng điều khiển để có thể đáp ứng các tiêu chí về ổn định
và tin cậy của hệ thống
Tuy nhiên, không phải lúc nào tốc độ cảm biến cũng hoàn toàn tương thích với yêucầu điều khiển Một số loại cảm biến được sản xuất ra với tốc độ trích mẫu của nó có thểchậm hơn so với yêu cầu điều khiển Một số lý do giải thích cho điều này như:
• Để giảm giá thành sản xuất của cảm biến
• Đáp ứng được yêu cầu của môi trường làm việc
• Giới hạn của việc sản xuất cảm biến
Có thể kể ra một số cảm biến có tốc độ trích mẫu chậm như:
• Cảm biến đo tốc độ bánh xe (Encoder) trên xe ô-tô luôn có độ phân giải rất thấp.
Lý do là cảm biến encoder của xe luôn phải làm việc trong môi trường rung lắcmạnh và nhiều bụi Để đảm bảo độ chính xác và hoạt động ổn định trong quá trìnhvận hành, những encoder này thường được chế tạo nguyên nguyên lý từ trường, với
Trang 20Chương 2 Nâng cao tốc độ trích mẫu của cảm biến bằng bộ lọc Multirate Kalman Filter
Hình 2.1: Tương quan giữa tốc độ trích mẫu cảm biến và tốc độ điều khiển
độ phân giải chỉ khoảng 40-50 xung/vòng [22], thấp hơn rất nhiều so với nhữngcảm biến encoder được chế tạo theo nguyên lý quang học
• Hệ thống định vị toàn cầu GPS (Global Positioning System) thông thường có tần
số hoạt động trong khoảng 1 - 5Hz Một số hệ thống GPS cao cấp hơn sẽ có tần sốhoạt động đến 20Hz Sở dĩ hệ thống GPS có tốc độ thấp như vậy do quá trình gửi
dữ liệu từ vệ tinh xuống mất nhiều thời gian và hệ thống nhận nhiều thông tin nhưkinh độ, vĩ độ, độ cao, thời gian, vận tốc,
Dựa trên tốc độ trích mẫu, có thể chia các loại cảm biến thành 2 loại:
• Cảm biến có tốc độ trích mẫu nhanh, có thể đáp ứng kịp thời với yêu cầu điềukhiển, thời gian trích mẫu nhỏ hơn hoặc bằng chu kì điều khiển
• Cảm biến có tốc độ trích mẫu chậm, thời gian trích mẫu dài hơn chu kỳ điều khiển.Hình 2.1 chỉ ra mối quan hệ về thời gian giữa các thành phần trong một hệ thống điềukhiển Cảm biến 1 có tốc độ trích mẫu đáp ứng kịp thời với yêu cầu của bộ điều khiển,với thời gian trích mẫu bằng chu kỳ điều khiển Trong khi đó, cảm biến 2 có tốc độ tríchmẫu chậm, với chu kỳ trích mẫu là Ts dài gấp n lần chu kỳ điều khiển Tc của hệ thống(tức n = Ts/Tc)
Trang 21Có thể dễ dàng nhận thấy, nếu khắc phục yêu cầu điều khiển bằng cách cho hệ thốngvận hành với chu kỳ điều khiển bằng chu kì trích mẫu TS thì chắc chắn chất lượng điềukhiển sẽ giảm mạnh, thậm chí có thể xảy ra hiện tượng mất ổn định, bởi Ts quá dài Vìvậy, nếu sử dụng cảm biến có tốc độ trích mẫu chậm vào một hệ thống điều khiển có tốc
độ trích mẫu cao hơn, cần phải đưa ra một thuật toán nào đó để có thể dự đoán các mẫutrung gian giữa hai lần trích mẫu của cảm biến, từ đó đáp ứng được yêu cầu dữ liệu của
hệ thống trong mỗi chu kì điều khiển Một số thuật toán có thể được áp dụng để dự đoáncác mẫu trung gian trong tương lai như ngoại suy tuyến tính, ngoại suy đa thức, Tuynhiên, các phương pháp này có nhược điểm là chỉ dự đoán dựa trên giá trị của các dữliệu đo trước đó mà không xử lý nhiễu, điều luôn gặp phải trong những hệ thống thực tế.Một số phương pháp ước lượng trạng thái như bộ ước lượng double-layer, ước lượngdual-rate xem xét lại hệ số khuếch đại của bộ ước lượng Các nghiên cứu này cho kếtquả rất khả quan và chính xác Tuy nhiên, các phương pháp này vẫn tồn tại một số nhượcđiểm chung như:
• Các phương pháp ước lượng hoạt động dựa trên mô hình động học xây dựng từ cáctham số của hệ thống như khối lượng xe, mô-men quán tính của bánh xe, trongkhi các tham số này hoặc rất khó xác định (thậm chí không thể đo được) hoặc luônthay đổi trong quá trình hoạt động Điều này làm giảm độ chính xác của phép ướclượng trong quá trình thực hiện thực tế
• Một số thuật toán sử dụng những thuật toán cao cấp như tính ma trận nghịch đảo,
ma trận Jacobi, đòi hỏi hệ thống phải tính toán một khối lượng phép tính lớn,phức tạp Do đó, phải cần một hệ thống có tốc độ xử lý cao, giá thành cao và khótriển khai trên một hệ thống thương mại hóa thực sự
Chính vì những lý do trên, đồ án này đề xuất sử dụng bộ lọc Multirate Kalman đểước lượng những mẫu trung gian giữa những lần trích mẫu liên tiếp của cảm biến, từ đóđạt được mục tiêu nâng cao tốc trích mẫu của cảm biến Phương pháp này có rất nhiều
ưu điểm, có thể kể ra như:
• Không phụ thuộc vào những tham số động lực học của hệ thống
• Kết quả ước lượng rất chính xác
Trang 22Chương 2 Nâng cao tốc độ trích mẫu của cảm biến bằng bộ lọc Multirate Kalman Filter
• Số lượng tính toán ít, phù hợp sử dụng trong những hệ thống thực tế
xk là biến trạng thái của hệ thống
yk là biến đầu ra của hệ thống
uk là tín hiệu điều khiển đầu vào
Fk là ma trận truyền
Bk là ma trận điều khiển
Hk ký hiệu cho ma trận đo lường
wk là nhiễu quá trình của hệ thống (process noise).
ϑk là nhiễu đo lường (measurement noise).
Giả thiết:
Nhiễu quá trình wk và nhiễu đo lường ϑk được giả thiết là các nhiễu trắng, có giá trịtrung bình bằng 0, không tương quan và có các ma trận hiệp phương sai Qk và Rk xácđịnh
wk∼ (0, Qk)
vk∼ (0, Rk)E[wkwTj] = Qkδk− jE[vkvTj] = Rkδk− j
E[wkvTj] = 0với δk− j là hàm Kronecker, tức là δk− j= 1 nếu k = j và δk− j= 0 nếu k6= j
Nhiệm vụ của các bộ ước lượng nói chung và bộ lọc Kalman nói riêng là ước lượngtrạng thái xk dựa trên sự hiểu biết về động học của hệ thống và tập hợp các giá trị đo yk bị
Trang 23+ +
Hình 2.2: Mô hình bộ lọc Kalman Filter
tác động bởi nhiễu Nói cách khác, bộ lọc Kalman sẽ lọc các giá trị đầu ra để ước lượngtrạng thái của hệ thống trong khi làm giảm tới mức thấp nhất ảnh hưởng của nhiễu w và
ϑ
Hình 2.2 mô tả mô hình bộ lọc Kalman
• Nhánh phía trên mô tả hệ thống thực theo mô hình (2.1) với tác động của nhiễuquá trình wk và nhiễu đo lường ϑk
• Nhánh phía dưới mô tả mô hình ước lượng, trên cơ sở loại bỏ được các nhiễu wk và
ϑk
Gọi ˆxk là ước lượng trạng thái hệ thống, ˆx−k được gọi là ước lượng tiên nghiệm (priory
estimate)và ˆx+k là ước lượng hậu nghiệm (posterior estimate) K gọi là hệ số Kalman của
bộ lọc, cần được xác định một cách tối ưu
Bộ lọc Kalman được thực hiện thông qua các bước tính như sau:
• Khởi tạo các thông số hệ thống:
Trang 24Chương 2 Nâng cao tốc độ trích mẫu của cảm biến bằng bộ lọc Multirate Kalman Filter
• Bước cập nhật:
Kk = Pk−HkT(HkPk−HkT+ Rk)−1ˆ
2.3 Bộ lọc Multirate Kalman Filter
Giữa 2 lần cảm biến trích mẫu tại các thời điểm thứ k − n và thứ k, hệ thống cần n − 1trạng thái của hệ thống để phục vụ cho quá trình điều khiển Theo cách thông thường,giá trị đo lường trong khoảng này được coi là hằng số, bằng với giá trị của phép đo trước
đó Khác với các giá trị đo thực có giá trị phương sai Rk nhất định thì giá trị của các mẫunày được coi là không tin cậy và do đó có phương sai Ri (i= 1, 2, , n-1) là vô cùnglớn
Khi đó, giá trị của hệ số Kalman tính theo công thức (2.4) sẽ bằng 0 Do đó,các giátrị ước lượng hậu nghiệm và phương sai hậu nghiệm cũng được giữ không đổi và bằngcác giá trị tiên nghiệm tương ứng Nói cách khác, trong khoảng thời gian này, ước lượngtrạng thái của hệ thống phụ thuộc hoàn toàn vào mô hình động học của hệ
Như vậy, bộ lọc Multirate Kalman được xây dựng như sau:
Trang 25cập nhật bằng thuật toán Kalman:
Kk= Pk−HkT(HkPk−HkT+ Rk)−1ˆ
x+k = ˆxk−+ Kk(yk− Hkxˆ−k )
Pk+= (1 − KkHk)Pk−
(2.6)
– Nếu k không là bội số của n, tức là tại những thời điểm trung gian giữa hai lần
trích mẫu, các giá trị ước lượng hậu nghiệm và phương sai hậu nghiệm đượcgiữ nguyên
ˆ
x+k = ˆx−k
Pk+ = Pk−
(2.7)
2.4 Đề xuất cải tiến bộ lọc Multirate Kalman Filter
2.4.1 Tự điều chỉnh giá trị hiệp phương sai của những mẫu trung gian
Giữa mẫu thứ k và mẫu thứ k + n được cung cấp bởi cảm biến, bộ lọc cần dự đoán
n− 1 mẫu trung gian tại các thời điểm k + 1, k + 2, , k + n − 1 trước khi hệ thống đượccảm biến cung cấp giá trị đo tại thời điểm thứ k + n Nếu như coi những mẫu đo trunggian này có giá trị bằng hằng số và bằng với giá trị của lần đo thứ k, sẽ không chínhxác nếu như coi hiệp phương sai Ri(i = 1, 2, , n − 1) của những mẫu này là vô cùnglớn vì động học của hệ thống không cho phép xảy ra những sự thay đổi đột ngột của tínhiệu thực Do đó, thay vì Ricủa những mẫu này là vô cùng lớn, ta sẽ coi Ri tăng dần khinhững mẫu trung gian càng xa điểm trích mẫu thực của hệ thống Giá trị hiệp phươngsai Ri này sẽ được dùng để tính toán hệ số Kalman K của bộ lọc theo công thức (2.6)
Đồ án này đề xuất phương án điều chỉnh giá trị hiệp phương sai Ri của những mẫutrung gian theo độ lớn của hệ số góc của đường thẳng nối giữa 2 điểm giá trị của lầntrích mẫu thứ k − n và thứ k Độ lớn của hệ số góc được ký hiệu là χ và tính theo côngthức:
χ = | tan α | =
ˆ
x+k−n− ˆx+k
Ts
... class="page_container" data-page="35">
CHƯƠNG TỔNG HỢP TỐC ĐỘ DÀI SỬ DỤNG TỔNG HỢP DỮ
LIỆU ĐA CẢM BIẾN
Như trình bày chương 1, tổng hợp liệu đa cảm biến phương... toán tổng hợp liệu đa cảm biến thực nhiệm vụ tổng hợp
dữ liệu từ cảm biến này, từ tính tốn, ước lượng để đưa thơng tin đốitượng x xác so với việc dùng cảm biến đơn lẻ
Kết thu từ cảm. .. data-page="36">
Chương Tổng hợp tốc độ dài sử dụng tổng hợp liệu đa cảm biến< /small>
lượng tối ưu giá trị x
Gọi ˜xlà sai lệch ước lượng, giá trị ˜xđược tính công thức sau:
Với
