Nghiên cứu ứng dụng công nghệ điều khiển cánh tay parallel robot phân loại sản phẩm theo màu sắc

Giải thưởng Sinh viên nghiên cứu khoa học Euréka lần 20 năm 2018

Kỷ yếu khoa học

NGHIÊN CỨU ỨNG DỤNG CÔNG NGHỆ ĐIỀU KHIỂN CÁNH TAY
PARALLEL ROBOT PHÂN LOẠI SẢN PHẨM THEO MÀU SẮC
Nguyễn Tăng Triều*, Lê Minh Thanh, Nguyễn Văn Tồn
Trường Đại học Cơng nghiệp Thực phẩm TP. Hồ Chí Minh
*Tác giả liên lạc:
TÓM TẮT
Bài viết khái quát về các hướng nghiên cứu liên quan đến giải thuật điều khiển
cánh tay robot song song như: PID Controller, Neural Network, Learning control
dựa trên mơ hình thực nghiệm. Trong đó tổng hợp những kiến thức nền tảng cơ
bản về phương trình động học, giải thuật điều khiển PID, giải thuật nhận dạng
và huấn luyện mạng neuron nhân tạo. Mô phỏng, kiểm tra và đánh giá kết quả
đạt được của các giải thuật điều khiển dự trên mơ hình thực nghiệm. Từ kết quả
đạt được có thể làm tài liệu tham khảo phù hợp cho những đề tài nghiên cứu liên
quan.
Từ khóa: PID control, neural network, learning Control, robot manipulator,
robot parallel, parallel kinematic machine, pneumatic actuators.
APPLIED RESEARCH TECHNOLOGY PARALLEL ROBOT ARMS
CONTROL PRODUCT CATEGORY BY COLORS
Nguyen Tang Trieu*, Le Minh Thanh, Nguyen Van Toan
Ho Chi Minh City University of Food Industry
*Corresponding Author:
ABSTRACT
Posts overview of research related to the control algorithm parallel robotic arm
such as PID controllers, Neural Network, Learning control based on empirical
models. Which summarizes the fundamental knowledge about the kinetic
equation, PID control algorithm, recognition algorithm and artificial neural
network training. Simulation, testing and evaluation of the results achieved by

the control algorithm based on empirical models. From the results achieved can
make appropriate references to the relevant research topics.
Keywords: PID control, neural network, learning control, robot manipulator,
parallel robot, parallel kinematic machine, pneumatic actuators.
TỔNG QUAN
Ngày nay, việc ứng dụng các giải thuật
điều khiển như: Giải thuật di truyền
GA, tối ưu hóa đàn kiến ACO, huấn
luyện mạng neuron, tối ưu hóa bầy đàn
PSO, điều khiển PID hoặc kết hợp lai
ghép giữa các giải thuật với nhau.
Nhằm mục đích tìm điểm làm việc tối
ưu của hệ thống. Mỗi giải thuật đều có
những ưu điểm và nhược điểm riêng.
Tuy nhiên, việc lựa chọn giải thuật dựa
vào đặc điểm của từng hệ thống cụ thể.

Giải thuật huấn luyện mạng neuron
nhận tạo - (Artificial Neural Networks,
ANN) là một trong những giải thuật
mới hiện nay đã và đang được áp dụng
nhiều và đạt được kết quả trong lĩnh
vực khác nhau như: Five bar planer
manipulator simulation and analysis
by bond Graph, Neural Networks for
Identification, Prediction and Control,
Robot Manipulator Control Theory
and Practice, Adaptive Neuro-Fuzzy
Inference
System,

Kinematic

494


Giải thưởng Sinh viên nghiên cứu khoa học Euréka lần 20 năm 2018

Optimization
of
a
Parallel
Manipulator 5R 2-dof Driven by
Pneumatic Cylinders, An Adaptive
Iterative Learning Control for
Robot Manipulator in Task Space.
Trong phạm vi đề tài này, tác giả đề
xuất sử dụng giải thuật nhận dạng và
huấn luyện mạng neuron nhân tạo cho
mơ hình cánh tay robot song song
(Parallel robot) phân loại sản phẩm
theo màu làm việc trong khơng gian
tọa độ định trước. Từ đó, đánh giá kết
quả đạt được so với mơ hình dùng giải
thuật truyền thống PID control.

Kỷ yếu khoa học

dạng bởi cảm biến màu và xuất tín hiệu
tọa độ đặt cho hệ thống làm việc.
Phương pháp nghiên cứu

Hệ thống điều khiển cánh tay robot
song song bao gồm phương trình động
học, vị trí góc quay của động cơ và bộ
điều khiển sử dụng PID-Control (Hình
3). Giải pháp điều khiển hệ thống dựa
vào sự sai số vị trí góc quay của đối
tượng từ đó bộ điều khiển PID (PID –
control) xuất tín hiệu moment điều
khiển đối tượng bám theo vị trí đặt.
Chương trình điều khiển hệ thống dùng
bộ điều khiển PID như Hình 4 được
thiết kế làm mơ hình tham chiếu cho
mơ hình dùng giải thuật huấn luyện
mạng đã đề xuất.
Phương pháp huấn luyện mạng Neuron
cho hệ thống phi tuyến là nhận dạng
kiểu hộp đen với một tín hiệu vào và
một tín hiệu ra (SISO) được thực hiện
dựa trên mơ hình tham chiếu (mơ hình
dùng bộ điều khiển PID).

NGUYÊN LIỆU VÀ PHƯƠNG
PHÁP NGHIÊN CỨU
Nguyên liệu
Cánh tay Parallel Robot được thiết kế
trên chất liệu thép. Các khớp liên kết
với nhau bởi 5 thanh trong đó có 3
khớp tự do và 2 khớp điều khiển. Vị trí
điểm làm việc được xác lập thơng qua
phương trình động học của hệ thống.

Sản phẩm quả bóng bàn được phân loại KẾT QUẢ VÀ THẢO LUẬN
theo màu sắc. Sản phẩm này được nhận Thơng số kỹ thuật thí nghiệm như sau.
Bảng 1. Thông số kỹ thuật của cánh tay robot song song
Các biến
Thông số
Giá trị
L0
Chiều dài cố định giữa hai động cơ
11.6 cm
L1
Chiều dài của cánh tay {0} - {2}
12.4 cm
Chiều dài của cánh tay {1} - {3}
L2
Chiều dài của cánh tay {2} – {4}
16.6 cm
Chiều dài của cánh tay {3} – {4}
Mơ hình thực nghiệm của hệ thống như Hình 1.

Hình 1. Mơ hình thực nghiệm hệ thống
495


Giải thưởng Sinh viên nghiên cứu khoa học Euréka lần 20 năm 2018

Kết quả sử dụng phương pháp nhận
dạng và huấn luyện mạng Neuron cho
hệ phi tuyến: Việc mô phỏng và thực
nghiệm mơ hình cánh tay máy song
song sử dụng phương pháp nhận dạng

và huấn luyện mạng Neuron cho hệ
phi tuyến dựa trên phần mềm Matlab
Simulink. Tập dữ liệu dùng để huấn
luyện mạng được lấy dựa vào mơ hình
tham chiếu (mơ hình dùng bộ điều
khiển PID) với một tín hiệu vào (sai
số góc) và một tín hiệu ra (xung áp
điều khiển) thơng qua chương trình
giám sát.

Kỷ yếu khoa học

KẾT LUẬN
Giải pháp điều khiển cánh tay parallel
robot phân loại sản phẩm theo màu
sắc làm việc trong không gian định
trước sử dụng huấn luyện mạng
Neuron đã được nghiên cứu trong bài
báo nhằm giải quyết vấn đề nhận dạng
hệ thống đối tượng phi tuyến,… Kết
quả được kiểm tra trên phần mềm mô
phỏng Matlab Simulink và trên mơ
hình thực nghiệm cho thấy giải pháp
đề xuất đáp ứng tốt hơn so với điều
khiển truyền thống (độ vọt lố ít hơn và
thời gian xác lập nhanh hơn).

TÀI LIỆU THAM KHẢO
CORNELIUS T. LEONDES. Fuzzy Logic and Expert Systems Applications.
Academic Press, 1998.

DUC TRUONG PHAM AND LIU XING. Neural Networks for Identification,
Prediction and Control. Springer, 1997.
SHENGQI JIAN, CHENG YIN, LUC ROLLAND, LESLEY JAMES. Five bar
planer manipulator simulation and analysis by bond Graph. November 1420, 2014, Montreal, Quebec, Canada.

496