Xây dựng thuật toán điều khiển hệ thống treo bán tích cực ứng dụng neural fuzzy

CƠ SỞ TOÁN HỌC ĐIỀU KHIỂN NEURAL – FUZZY CHO HỆ THỐNG TREO BÁN TÍCH CỰC2 Mạng neural nhân tạo  Mạng nơ-ron nhân tạo hay thường gọi ngắn gọn là mạng neural là một mô hình toán học hoặc

Trang 1

TÊN ĐỀ TÀI : XÂY DỰNG THUẬT TOÁN ĐIỀU KHIỂN HỆ THỐNG TREO BÁN TÍCH CỰC

ỨNG DỤNG NEURAL – FUZZYSINH VIÊN THỰC HIỆN : ĐINH QUỐC TÀI

GIÁO VIÊN HƯỚNG DẪN : Th.S NGUYỄN ĐỨC TRUNG

Trang 3

TỔNG QUAN VỀ DAO ĐỘNG Ô TÔ

1

Trang 4

PHÂN LOẠI

Dao động của khối

lượng được treo

DAO ĐỘNG TRÊN Ô TÔ

Dao động của khối lượng không

được treo

1

Trang 7

CÁC CHỈ TIÊU ĐÁNH GIÁ DAO ĐỘNG

Công suất dao động

Hệ số êm dịu chuyển động

Gia tốc dao động

Tần số dao động

Cảm giác gia tốc dao động và thời gian tác động

1

Trang 8

PHÂN LOẠI HỆ THỐNG TREO

Trang 9

CẤU TẠO HỆ THỐNG CÓ TREO ĐIỀU KHIỂN

1

Cảm biến

ECU

Cơ cấu chấp hành

Trang 10

Các phương pháp điều khiển

1

Phương pháp điều khiển

Phương pháp phản hồi

không gian trạng thái

Phương pháp thích nghi thụ động

Phương pháp điều khiển trượt

Phương pháp điều

khiển mờ

Phương pháp điều khiển mờ

trượt

Phương pháp điều khiển mạng nơ ron

Phương pháp điều khiển

7

Trang 11

CƠ SỞ TOÁN HỌC ĐIỀU KHIỂN NEURAL – FUZZY CHO HỆ THỐNG TREO BÁN TÍCH CỰC

2

Khái niệm lôgíc mờ

 Lôgíc mờ :(tiếng anh: Fuzzy logic) được phát triển từ lý thuyết tập mờ để thực hiện lập luận một

cách xấp xỉ thay vì lập luận chính xác theo lôgíc cổ điển Lôgic mờ có thể được coi là mặt ứng dụng của lý thuyết tập mờ để xử lý các giá trị trong thế giới thực cho các bài toán phức tạp

 Lôgic mờ cho phép độ liên thuộc (menbership function) có giá trị trong khoảng đóng 0 và 1, và ở hình thức ngôn từ, các khái niệm không chính xác như "hơi hơi", "gần như", "khá là" và "rất" Cụ thể,

nó cho phép quan hệ thành viên không đầy đủ giữa thành viên và tập hợp Tính chất này có liên quan tới tập mờ và lý thuyết xác suất

Các dạng hàm liên thuộc của tập mờ (menbership function)

Các phép toán trên tập mờ:

 Phép hợp của hai tập mờ

 Phép giao của hai tập mờ

 Phép bù của một tập mờ

Trang 12

2

Mạng neural nhân tạo

 Mạng nơ-ron nhân tạo hay thường gọi ngắn gọn là mạng neural là một mô hình toán

học hoặc mô hình tinh toán được xây dựng dựa trên các mạng neural sinh học Nó gồm

có một nhóm các nơ-ron nhân tạo (nút) nối với nhau, và xử lý thông tin bằng cách truyền

theo các kết nối và tính giá trị mới tại các nút Trong nhiều trường hợp, mạng nơ-ron nhân

tạo là một hệ thống thích ứng (adaptive system) tự thay đổi cấu trúc của mình dựa trên các

thông tin bên ngoài hay bên trong chảy qua mạng trong quá trình học

Cấu trúc mạng neural

Trang 13

a

Huấn luyện mạng theo gói đối với mạng

tĩnh

Huấn luyện mạng theo gói đối với mạng động

Huấn luyện mạng

Huấn luyện gia tăng

1

Trang 14

2

Những ưu nhược điểm của mạng neural và điều khiển fuzzy

Thể hiện tri thức. Thông qua trọng số được thể hiện ẩn trong

Nguồn của tri thức. Từ các mẫu học Từ kinh nghiệm của chuyên gia

Xử lý thông tin không chắc

Lưu giữ tri thức. Trong neural và trọng số của từng đường

Khả năng cập nhập và nâng

Tính nhạy cảm với những

Lý thuyết fuzzy và mạng neural đã tạo ra nhiều phương pháp điều khiển mới với đặc

tính linh hoạt và thông minh hơn Khi khảo sát mạng neural và fuzzy ta thấy mỗi loại

đều có điểm mạnh và điểm yếu riêng của nó

Trang 15

Trang 16

2

 Trong lĩnh vực trí tuệ nhân tạo, neural-fuzzy chỉ đến sự kết hợp giữa mạng nơron nhân

tạo và logic mờ Sự lai giữa neural-fuzzy là hệ trí tuệ nhân tạo lai sử dụng 2 kỹ thuật kết hợp

giữa khả năng suy luận của logic mờ với khả năng học và cấu trúc kết nối của mạng nơron

Hệ lai neural-fuzzy thường được đặt tên là hệ neural-Fuzzy (neural-Fuzzy System NFS) NFS

hợp nhất giữa kiểu phản ứng giống con người thông qua hệ mờ và một tập luật mờ dạng

IF-THEN Sức mạnh của hệ lai là nó gần giống với luật IF-THEN có thể phiên dịch được.

 Sức mạnh của hệ neural-fuzzy gồm hai yêu cầu trái ngược trong mô hình fuzzy: Tính thông

dịch được và tính đúng đắn Trong thực tế , một trong hai thuộc tính trên chiếm ưu thế

neural-fuzzy trong phạm vi nghiên cứu mô hình fuzzy được chia thành 2 vùng: Mô hình

fuzzy ngôn ngữ học tập trung vào khả năng dịch được, chủ yếu là mô hình Mamdani, và mô

hình fuzzy chính xác, tập trung vào tính chính xác, chủ yếu là mô hình Takagi-Sugeno-Kang

(TSK).

Khái niệm hệ neural - fuzzy

Trang 17

2

Hệ thống neural - fuzzy

Để minh họa hệ thống neural –fuzzy, cũng như tìm hiểu về phương

pháp học của hệ thống này, chúng ta xét ví dụ sau:

Cho 2 luật R1: If x1 is A1 and x2 is B1 then y=f1(x)

R2: If x1 is A2 and x2 is B2 then y=f2(x)

Trong đó: f1(x) = z11x1 + z12x2 + z13

f2(x) = z21x1 + z22x2 + z23Với tín hiệu output như sau

Trang 18

2

Hệ thống neural - fuzzy

Các tín hiệu input x = (x1,x2) được đưa vào layer 0, sau đó đi đến layer 1.

Tín hiệu output của layer 1 là: (O11,O12,O13,O14) = (A1(x1)B1(x2),A2(x1)B2(x2)).

Layer 2 gồm 2 neural mờ với toán tử t-norm Tín hiệu output của layer 2 là:

hiệu như sau:

Trên đây là hệ thống gồm có 2 luật Chúng ta hoàn toàn có thể mở rộng cho hệ thống nhiều luật hơn

Trang 19

Để thực hiện việc huấn luyện mạng ta sẽ sử dụng hàm anfis và ANFIS Editor GUI trong bộ công cụ Fuzzy Logic Toolbox của Matlab.

Huấn luyện mạng neural - fuzzy

Trang 20

XÂY DỰNG THUẬT TOÁN ĐIỀU KHIỂN HỆ THỐNG TREO BÁN

TÍCH CỰC ỨNG DỤNG NEURAL - FUZZY

3

Phương trình dao động

Xây dựng bộ điều khiển

Mô hình dao động ¼ ô tô

Trang 21

Trang 22

3

Xây dựng bộ điều khiển

Bảng dữ liệu để huấn luyện

Trang 23

Tập luật điều khiển sugeno

Hệ thống suy luận điều khiển

Trang 24

3

Nhận xét

Trang 25

3

Khảo sát mô hình không gian toàn ô tô

Hệ phương trình dao động của ô tô

Mô hình dao động tổng quát

Trang 26

3

Mô hình dao động tổng quát

1 Khối lượng không được treo bánh xe số

8 Mô men quán tính quanh trục Y Jy 861,8 kg.m2

9 Mô men quán tính quanh trục X Jx 330,5 kg.m2

10 Khoảng cách từ trọng tâm đến cầu trước a 1,300 m

11 Khoảng cách từ trọng tâm đến cầu sau b 1,380 m

12 Khoảng cách từ trọng tâm đến vết bx trái d1 0,74 m

13 Khoảng cách từ trọng tâm đến vết bx

phải

d2 0,74 m

Thông số mô hình

Trang 27

3

Mô hình mô phỏng toàn xe

Trang 28

3

Đánh giá độ êm dịu

Đánh giá theo nguồn kích thích dạng sin

Đồ thị khảo sát dịch chuyển dọc thân xe

Đồ thị khảo sát gia tốc dọc thân xe

Trang 29

3

Đánh giá theo nguồn kích thích dạng sin

Đồ thị khảo sát dịch chuyển góc lắc dọc thân xe

Đồ thị khảo sát gia tốc góc lắc dọc thân xe

• Biên độ mấp mô mặt đường A = 0.01 m

Trang 30

3

Đánh giá theo nguồn kích thích dạng bậc

Khảo sát với chiều cao bậc H=0.01 m

Vận tốc khảo sát là V = 30 km/h

Trang 31

3

Đánh giá theo nguồn kích thích dạng bậc

Khảo sát với chiều cao bậc H=0.01 m

Vận tốc khảo sát là V = 60 km/h

Trang 32

Tham số đánh giá độ an toàn

Khảo sát với kích thích hình sin

Biên độ khảo sát là :A= 0.01 m

Chiều dài sóng mặt đường là :L= 3.5m

Đánh giá độ an toàn chuyển động

Đồ thị đánh giá độ an toàn theo chỉ tiêu DLC

Trang 33

3

Nhận xét

Trang 34

Thank You !

Tiêu đề	Xây dựng thuật toán điều khiển hệ thống treo bán tích cực ứng dụng neural fuzzy
Tác giả	Đinh Quốc Tài
Người hướng dẫn	Th.S Nguyễn Đức Trung
Trường học	Trường Đại học Giao thông Vận tải
Chuyên ngành	Kỹ Thuật Điều Khiển
Thể loại	Đề cương luận văn
Năm xuất bản	2023
Thành phố	Hà Nội

Định dạng
Số trang	34
Dung lượng	2,4 MB