Nghiên cứu, thiết kế thay thế bộ điều khiển mô hình cánh tay Robot tại phòng thí nghiệm của trường Đại học Kỹ thuật Công nghiệp Thái Nguyên

ĐẠI HỌC THÁI NGUYÊN
TRƢỜNG ĐẠI HỌC KỸ THUẬT CÔNG NGHIỆP

TRẦN QUẾ SƠN

NGHIÊN CỨU, THIẾT KẾ THAY THẾ BỘ ĐIỀU KHIỂN
MÔ HÌNH CÁNH TAY ROBOT TẠI PHÕNG THÍ NGHIỆM CỦA
TRƢỜNG ĐẠI HỌC KỸ THUẬT CÔNG NGHIỆP THÁI
NGUYÊN

LUẬN VĂN THẠC SĨ KỸ THUẬT
CHUYÊN NGÀNH KỸ THUẬT ĐIỆN TỬ

Thái Nguyên - 2015

Số hóa bởi Trung tâm Học liệu - ĐHTN

/>

LỜI CAM ĐOAN
Tên tôi là: Trần Quế Sơn
Sinh ngày07 tháng05 năm 1986
Học viên lớp cao học khoá 14–Kỹ thuật điện tử - Trường đại học kỹ thuật
Công nghiệp Thái Nguyên.
Hiện đang công tác tại Trường đại học kỹ thuật Công nghiệp Thái Nguyên.
Xin cam đoan luận văn “Nghiên cứu, thiết kế thay thế bộ điều khiển mô

hình cánh tay robot tại phòng thí nghiệm của trường ĐH KTCN ” do thầy giáo
PGS.TS. Nguyễn Thanh Hà 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.
Tác giả xin cam đoan tất cả những nội dung trong luận văn đúng 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 tác giả xin hoàn toàn chịu trách nhiệm với lời cam đoan của
mình.
Thái Nguyên, ngày tháng

năm 2015

Học viên

Trần Quế Sơn

Số hóa bởi Trung tâm Học liệu - ĐHTN

/>

LỜI CẢM ƠN
Sau thời gian nghiên cứu, làm việc khẩn trương và được sự hướng dẫn tận
tình giúp đỡ của thầy giáo PGS.TS Nguyễn Thanh Hà, luận văn với đề tài “Nghiên

cứu, thiết kế thay thế bộ điều khiển mô hình cánh tay robot tại phòng thí
nghiệm của trường ĐH KTCN” đã được hoàn thành.
Tác giả xin bày tỏ lòng biết ơn sâu sắc tới:
Thầy giáo hướng dẫn PGS.TS Nguyễn Thanh Hà đã tận tình chỉ dẫn, giúp
đỡ tác giả hoàn thành luận văn.
Thầy giáoPGS.TS.Nguyễn Duy Cương – Bộ môn Kỹ thuật điện tử - Khoa
Điện tử, cùng các giáo viên Trường Đại học kỹ thuật công nghiệp Thái Nguyên và
một số đồng nghiệp, đã quan tâm động viên, giúp đỡ tác giả trong suốt quá trình học
tập để hoàn thành luận văn này.
Mặc dù đã cố gắng hết sức, song do hạn chế về điều kiện thời gian và kinh
nghiệm thực tế của bản thân còn ít nên đề tài không thể tránh khỏi thiếu sót. Vì vậy,

tác giả 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!

Số hóa bởi Trung tâm Học liệu - ĐHTN

/>

MỤC LỤC
LỜI CAM ĐOAN ................................................................................................................... i
LỜI CẢM ƠN .......................................................................................................................iii
DANH MỤC CÁC KÝ HIỆU VIẾT TẮT ........................................................................... vi
DANH MỤC HÌNH VẼ ......................................................................................................vii
LỜI NÓI ĐẦU ...................................................................................................................... ix
CHƢƠNG 1 ........................................................................................................................ 10
TỔNG QUAN VỀ PID, LEARNING FEED FORWARD CONTROL (LFFC) VÀ
MODEL REFERENCE ADAPTIVE SYSTEMS (MRAS), BỘ ĐIỀU KHIỂN PID
CHO MÔ HÌNH CÁNH TAY ROBOT RD5NT ............................................................. 10

1.1. Tổng quan về PID ...........................................................................................10
1.2. Tổng quan về Learning Feed-forward Control (LFFC) .................................12
1.2.1. Điều khiển học (Learning Control - LC) .....................................................12
1.2.2. Bộ điều khiển học sử dụng sai lệch phản hồi (Feedback Error Learning FEL) .......................................................................................................................16
1.2.3. Learning Feed forward Control (LFFC) ......................................................21
1.3. Lý thuyết điều khiển thích nghi theo mô hình mẫu (MRAS).........................21
1.3.1 Lịch sử phát triển của hệ điều khiển thích nghi .................................................. 21
1.3.2. Khái quát về hệ điều khiển thích nghi ............................................................... 23
1.3.3 Cơ chế thích nghi – thiết kế bộ điều khiển thích nghi dựa vào luật MIT ........... 28
1.3.4. Phương pháp độ nhạy ........................................................................................ 30
1.3.5. Phương pháp ổn định của Liapunov .................................................................. 32

1.4. Bộ điều khiển LFFC trên cơ sở MRAS ..........................................................35
1.4.1. Khái niệm chung ................................................................................................ 36
1.4.2. MRAS dựa trên điều khiển feed - forward ........................................................ 37
1.4.3. Luật điều khiển thích nghi ................................................................................. 39
CHƢƠNG 2 ..................................................................................................................... 46
CÁC KHÁI NIỆM CƠ BẢN, CƠ SỞ MÔ HÌNH TOÁN, PHƢƠNG TRÌNH ĐỘNG
LỰC HỌC CỦA CÁNH TAY ROBOT HAI BẬC TỰ DO, THIẾT KẾ VÀ MÔ
PHỎNG HỆ THỐNG ........................................................................................................ 46
2.1. Cấu tạo của Robot công nghiệp ............................................................................ 46
2.2. Tay máy ................................................................................................................ 47
2.3. Bậc tự do của tay máy........................................................................................... 48

2.4. Phương trình động học của robot hai bậc tự do .............................................50
2.5. Thiết kế hệ thống điều khiển ..........................................................................53
2.5.1. Chọn mô hình mẫu ............................................................................................. 53
2.5.2. Xác định đầu vào của phần feed – forward ....................................................... 54
2.5.3 Xác định cấu trúc của phần feed – forward ........................................................ 55
2.5.4 Giải phương trình Lyapunov .............................................................................. 56
2.5.5. Chọn hệ số thích nghi ........................................................................................ 57
2.5.6. Huấn luyện LFFC .............................................................................................. 57

2.6. Mô phỏng hệ thống .........................................................................................58
CHƢƠNG 3 ........................................................................................................................ 60
Số hóa bởi Trung tâm Học liệu - ĐHTN

/>

KẾT QUẢ THỰC NGHIỆM VÀ KẾT LUẬN................................................................ 60

3.1. Sơ đồ khối hệ thống: .......................................................................................60
3.2. Sơ đồ kết nối phần cứng .................................................................................61
3.2.1. Giới thiệu tổng quan các khối trong hệ thống thực nghiệm............................... 62

3.3. Kết quả thực nghiệm ......................................................................................67
Kết quả thực nghiệm được tiến hành trên robot RD5NT tại Phòng thí nghiệm Điện – Điện
tử của Khoa điện tử - Trường ĐH Kỹ thuật công nghiệp Thái Nguyên. ............................. 67

3.4. Kết luận và hướng phát triển của đề tài ..........................................................70
TÀI LIỆU THAM KHẢO ................................................................................................. 71

Số hóa bởi Trung tâm Học liệu - ĐHTN

/>

DANH MỤC CÁC KÝ HIỆU VIẾT TẮT
LFFC: Learning FeedForward Control
MRAS: Model Reference Adaptive System

am: Tham số của bộ điều khiển thích nghi
bm: Tham số của bộ điều khiển thích nghi
cm: Tham số của bộ điều khiển thích nghi
dm: Tham số của bộ điều khiển thích nghi

: Vecto góc của khớp nối
M(): ma trận mô men quán tính
C():mô hình lực coriolis và quán tính ly tâm
D:hệ số ma trận đường chéo ma sát nhớt
S: hệ số ma trận đường chéo ma sát Coulomb
G(): Trọng lực

u: mô men xoắn của khớp
i1,2: Độ dài cánh tay 1,2
r1,2: Tỷ số truyền của động cơ 1,2
d1,2: Ma sát nhớt của 2 khớp 1, 2
s1,2: Là ma sát coulomb của khớp 1,2
p21: Thành phần của ma trận P
p22: Thành phần của ma trận P
Ap1: Mô hình phụ thuộc vào mô hình của khớp 1
Ap2: Mô hình phụ thuộc vào mô hình của khớp 2
αa: Tham số của bộ điều khiển thích nghi
αb: Tham số của bộ điều khiển thích nghi
αc: Tham số của bộ điều khiển thích nghi
αd: Tham số của bộ điều khiển thích nghi
J1,2: Mô men quán tính của 2 khớp 1, 2

Số hóa bởi Trung tâm Học liệu - ĐHTN

/>

DANH MỤC HÌNH VẼ
Hình 1.1: Sơ đồ khối của bộ điều khiển PID với bộ lọc bậc nhất
Hình 1.2: Cực tiểu cục bộ trong kỹ thuật học
Hình 1.3: Cấu trúc bộ điều khiển phản hồi sai lệch

Hình 1.4: Học theo sai số phản hồi
Hình 1.5a: Hệ thích nghi tham số
Hình 1.5b: Hệ thích nghi tín hiệu
Hình 1.6. Điều khiển ở cấp 1 và cấp 2
Hình 1.7: Mô hình đối tượng và mô hình mẫu
Hình 1.8: Hệ thống điều khiển thích nghi dựa trên mô hình độ nhậy.

Hình 1.9a: MRAS cho sự thích nghi của các tham số bộ điều khiển
Hình 1.9b: MRAS với mô hình có thể hiệu chỉnh cho nhận dạng tham số
Hình 1.9c: Cấu trúc MRAS với khâu khởi tạo tín hiệu đặt
Hình 1.10: Nhận dạng mô hình ngược của đối tượng
Hình 1.11: Bộ điều khiển LFFC
Hình 2.1. Các thành phần chính của một robot công nghiệp
Hình 2.2 : Mô hình robot 2 bậc tự do
Hình 2.3: Cấu trúc bộ điều khiển phần feed forward
Hình 2.4: Sơ đồ mô phỏng hệ thống điều khiển
Hình 2.5a: Đáp ứng của khớp 1
Hình 2.5b: Đáp ứng của khớp 2
Hình 3.1: Sơ đồ khối hệ thống điều khiển 1 khớp của mô hình
Hình 3.2: Sơ đồ kết nối tổng thể hệ thống thực nghiệm
Hình 3.3: Mô hình robot RD5NT
Hình 3.4: Bộ điều khiển Dspace 1103
Hình 3.5: Giao diện của phần mềm giám sát điều khiển Control Desk
Hình 3.6: Sơ đồ nguyên lý của mạch cầu H sử dụng IC L298

Hình 3.7: Mạch in mạch cầu H điều khiển động cơ
Hình 3.8: Bản vẽ nguyên lý mạch nguồn
Hình 3.9: Sơ đồ mạch in mạch nguồn

Hình 3.10: Hệ thống thực nghiệm được lắp đặt tại Phòng thí nghiệm Điện – Điện tử
Hình 3.11a: Đáp ứng thực nghiệm của khớp 1

Số hóa bởi Trung tâm Học liệu - ĐHTN

/>

Hình 3.11b: Đáp ứng thực nghiệm của khớp 2

Số hóa bởi Trung tâm Học liệu - ĐHTN

/>

LỜI NÓI ĐẦU
Ngày nay, trong các dây chuyền sản xuất với mức độ tự động hóa cao, robot
công nghiệp đóng vai trò quan trọng trong việc giảm cường độ lao động cho người
lao động, tăng năng suất và độ chính xác gia công, giảm giá thành sản phẩm.
Mục tiêu ứng dụng của kỹ thuật Robot trong công nghiệp nhằm nâng cao
năng suất các dây chuyền công nghệ, nâng cao chất lượng và khả năng cạnh tranh
của sản phẩm, đồng thời cải thiện điều kiện lao động. Sự cạnh tranh hàng hóa đặt ra
một vấn đề thời sự là làm sao để hệ thống tự động hóa sản xuất phải có tính linh
hoạt nhằm đáp ứng với sự biến động thường xuyên của thị trường hàng hóa. Robot
công nghiệp là bộ phận cấu thành không thể thiếu trong hệ thống sản xuất tự động
linh hoạt đó.
Gần nửa thế kỷ có mặt trong sản xuất. Robot công nghiệp đã có một lịch sử
phát triển hấp dẫn. Ngày nay, Robot công nghiệp được ứng dụng rộng rãi ở nhiều
lĩnh vực sản xuất. Điều đó xuất phát từ những ưu điểm cơ bản của các loại Robot đã
được lựa chọn và đúc kết qua bao nhiêu năm ứng dụng ở nhiều nước.Ở nước ta
trước những năm 1990 hầu như chưa du nhập về kỹ thuật Robot. Từ năm 1990
nhiều cơ sở công nghiệp đã bắt đầu nhập ngoại nhiều loại Robot thực hiện các
nhiệm vụ riêng như tháo lắp dụng cụ cho các trung tâm CNC, lắp ráp các linh kiện
điện tử, hàn vỏ xe ô tô, xe máy và phun phủ bề mặt … Có những nơi đã bắt đầu
thiết kế, chế tạo và lắp ráp Robot. Có thể nói, Robot đang đóng một vai trò hết sức
quan trọng trong công cuộc tự động hóa sản xuất.
Trong lĩnh vực Robot hiện nay, phần cơ khí (Robot Mechanics), hệ thống
Điều khiển (Robot Control) và hệ thống lập trình (Programming system) được coi là
các thành phần độc lập và được các nhà sản xuất chào bán độc lập.
Trên thế giới nói chung và ở nước ta nói riêng, trong những năm gần đây,

các hoạt động nghiên cứu, phát triển về Robot vẫn không ngừng phát triển và có rất
nhiều công trình nghiên đưa các phương pháp để điều khiển cánh tay robot. Có thể
kể đến ở đây như:
- Nguyễn Văn Minh Trí, Lê Văn Mạnh, “Thiết kế bộ điều khiển PID bền
vững cho hệ thống phi tuyến bậc hai nhiều đầu vào – Nhiều đầu ra và ứng dụng
trong điều khiển tay máy công nghiệp”, Tạp chí Khoa học và Công nghệ, Đại học
Đà Nẵng , số 4(39).2010.

Số hóa bởi Trung tâm Học liệu - ĐHTN

/>

- Nguyễn Manh Hùng, Ngô Thanh Quyền, “Thiết kế bộ điều khiển mờ một
đầu vào cho cánh tay robot”, Tạp Chí Đại Học Công Nghiệp, số 9(06).2011.
- Nguyễn Manh Hùng, Ngô Thanh Quyền, “Điều khiển bám đuổi mạng
neural thích nghi cho cánh tay robot bao gồm động lực học cơ cấu truyền động”
Tạp Chí Đại Học Công Nghiệp, số 9(06).2011.
- Asgari, Pouya, Zarafshan, Payam ; Moosavian, S.Ali A.“Dynamics
modelling and stable motion control of a Ballbot equipped with a manipulator”,
IEEE Conference Publications - Publication Year: 2013 , Page(s): 259 – 264.
- YaoNan Wang, ThanhQuyen Ngo, ThangLong Mai, ChengZhong Wu
“Adaptive Recurrent Wavelet Fuzzy CMAC Tracking Control for De-icing Robot
Manipulator”, Proceedings of World Congress on Engineering and Computer
Science 2012 Vol I WCECS 2012, October 24-26, 2012, San Francisco, USA.
Các phương pháp này ít nhiều cũng đã giải quyết được những khó khăn khi
điều khiển robot như hệ có cấu trúc phi tuyến, tham số bất định, thay đổi, ảnh
hưởng bởi nhiễu…Với luận văn này tác giả dự định sẽ áp dụng thuật toán LFFC
(Leaning Feedforward Control) dựa trên MRAS (Model Reference Adaptive
System) để điều khiển tay máy robto RD5NT với mong muốn bộ điều khiển LFFC
có khả năng tự học sẽ giải quyết được sự ảnh hưởng của tham số bất định và nhiễu

đến chất lượng bám quỹ đạo của tay máy robot, cho phép cải thiện hơn nữa chất
lượng điều khiển bám quỹ đạo. Vì vậy học viên đã chọn đề tài “Nghiên cứu, thiết

kế thay thế bộ điều khiển mô hình cánh tay robot tại phòng thí nghiệm của
trường ĐH KTCN” là đề tài nghiên cứu cho luận văn thạc sỹ của mình, trước hết
với mục đích thiết kế được bộ điều khiển cho 2 trong 5 bậc cánh tay Robot 5 bậc tự
do RD5NT.
Mô hình thí nghiệm Cánh tay Robot 5 bậc tự do, nhãn hiệu RD5NT nói riêng
là một mô hình thí nghiệm trường học, mô hình hóa một cánh tay Robot 5 bậc tự do
khá phổ biến trong các dây chuyền sản xuất hiện nay. Mô hình Cánh tay Robot 5
bậc tự do RD5NT có 5 khớp, mỗi khớp được hoạt động bởi một động cơ điện một
chiều.Sự thành công của phương pháp điều khiển thích nghi bám quỹ đạo cho robot
RD5NT sử dụng thuật toán LFFC dựa trên MRAS kỳ vọng mang lại khả năng
chống nhiễu tốt, chất lượng bám quỹ đạo được nâng cao. Đối tượng của đề tài là
robot RD5NT tại phòng thí nghiệm của trường ĐH KTCN với mục tiêu thiết kế bộ
điều khiển cho 2 trong 5 bậc của mô hình cánh tay robot từ đó thay thế cho bộ điều
khiển cũ, phục vụ cho công tác thí nghiệm của nhà trường.
Số hóa bởi Trung tâm Học liệu - ĐHTN

/>

Luận văn bao gồm nội dung chính sau:
Chương 1: Tổng quan về PID,Learning feed forward control (LFFC) và Hệ
thống điều khiển thích nghi mô hình mẫu (MRAS), bộ điều khiển PID cho mô hình
cánh tay Robot RD5NT.
Chương 2: Các khái niệm cơ bản, cơ sở mô hình toán, động lực học của
cánh tay robot 2 bậc tự do, thiết kế và mô phỏng hệ thống.
Chương 3: Kết quả thực nghiệm và kết luận.
Do điều kiện thời gian không cho phép, tác giả chỉ dừng lại ở việc thiết kế bộ
điều khiển phối hợp 2 trong 5 khớp của mô hình. Tuy nhiên, đề tài này sẽ là cơ sở

cho các nghiên cứu về sau có thể xây dựng một bộ điều khiển mà có thể điều khiển
phối hợp toàn bộ 5 khớp của mô hình.
Thái Nguyên, ngày tháng
năm 2015
Học viên

Trần Quế Sơn

Số hóa bởi Trung tâm Học liệu - ĐHTN

/>

10

CHƢƠNG 1
TỔNG QUAN VỀPID, LEARNING FEED FORWARD
CONTROL(LFFC)VÀ MODEL REFERENCE ADAPTIVE
SYSTEMS (MRAS), BỘ ĐIỀU KHIỂN PID CHO MÔ HÌNH
CÁNH TAY ROBOT RD5NT
Như chúng ta đã biết, robot là đối tượng có tính phi tuyến mạnh vì vậy cần
có phương pháp để nâng cao độ chính xác về vị trí khi điều khiển cánh tay
robot.Trong nội dung chương này, tác giảđề cậpvà phân tích hiệu suất của bộ điều
khiển sử dụng thuật toán PID cho mô hình cánh tay robot, đồngthời đề xuất một
phương pháp điều khiển mới nhằm cải thiện khả năng bám quỹ đạo của cánh tay
robot.
1.1. Tổng quan về PID
Thuật toán PID đưa ra tín hiệu điều khiển dựa trên sự tổng hơp của cả ba
thành phần: tỉ lệ (P), tích phân (I) và vi phân (D). Chúng có cấu trúc và nguyên lý
làm việc đơn giản, có nhiệm vụ đưa sai lệch e(t) của hệ thống về 0 sao cho quá trình
quá độ thỏa mãn các yêu cầu cơ bản về chất lượng. Do đó bộ điều khiển PID được

sử dụng rộng rãi trong các nghành công nghiệp hiện nay.
Bộ điều khiển PID được mô tả dưới phương trình sau:

Trong đó:
: Hệ số khuếch đại bộ điều khiển
: Hằng số tích phân
: Hằng số vi phân
Từ mô hình vào ra ta có hàm truyền đạt của bộ điều khiển:

Tương ứng với hàm truyền đạt:

Trong đó:
: Hệ số khuếch đại tỷ lệ

Số hóa bởi Trung tâm Học liệu - ĐHTN

/>

11

: Hệ số khuếch đại tích phân
: Hệ số khuếch đại vi phân
Thuật toán PID là sự mở rộng từ thuật toán PI với việc thêm thành phần vi
phân nhằm cải thiện đặc tính động học của hệ thống. Bản chất của tác động vi phân
là đoán được trước chiều hướng và tốc độ thay đổi của biến được điều khiển và đưa
ra phản ứng thích hợp, do đó có tác dụng làm tăng tốc độ đáp ứng của hệ kín với
thay đổi của giá trị đặt hoặc tác động của nhiễu.
Bên cạnh đó, quan trọng hơn nữa là sự có mặt của thành phần vi phân giúp
cho bộ điều khiển có thể ổn định được một số quá trình mà bình thường không ổn
định được với các bộ điều khiển P hoặc PI.

Hàm truyền đạt của bộ điều khiển PID cùng với bộ lọc bậc nhất được biểu
diễn như sau:

Trong đó:
E: Sai lệch (vị trí hoặc tốc độc)
V: Điện áp
: Hằng số thời gian bộ lọc

Hình 1.1: Sơ đồ khối của bộ điều khiển PID với bộ lọc bậc nhất
Từ sơ đồ khối trên, ta rút ra được các phương trình sau:

Số hóa bởi Trung tâm Học liệu - ĐHTN

/>

12

Từ các phương trình trên ta có không gian trạng thái của bộ điều khiển PID:

Hệ phương trình này được viết gọn lại như sau:

Trong đó:
;

;

;

;

Giả thiết rằng sai lệch của các góc biến khớp là:
Trong đó:
: Vị trí mong muốn của khớp
: Vị trí phản hồi của khớp
Do đó, không gian trạng thái của bộ điều khiển PID vị trí được biểu diễn như
sau:

Với:
;

;

;

1.2. Tổng quan về Learning Feed-forward Control (LFFC)
Trong phần này của luận văn, giới thiệu về LFFC, nhưng trước tiên, đề cập
một số khái niệm mới.
1.2.1. Điều khiển học (Learning Control - LC)
Các bộ điều khiển học LC thường được hình dung giống như là một hệ
thống điều khiển của con người và do đó nó có các thuộc tính giống với con người.

Số hóa bởi Trung tâm Học liệu - ĐHTN

/>

13

Trong luận văn này không nghiên cứu bộ LC theo quan điểm sinh học nhưng dựa
trên một số định nghĩa sau:
Định nghĩa 1.1: Một bộ LC là một hệ thống điều khiển bao gồm trong đó

một hàm xấp xỉ các ánh xạ đầu vào – đầu ra tương ứng trong suốt quá trình điều
khiển sao cho hoạt động mong muốn của hệ thống điều khiển đạt được.
Định nghĩa 1.2 (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: (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
bộ xấp xỉ hàm được sử dụng có thể chỉ xấp xỉ một lớp giới hạn của hàm mục tiêu.
Thông thường, một bộ LC sẽ bao gồm một bộ xấp xỉ hàm cho một đối tượng có
nhiều hàm mục tiêu hơn.
Ta có thể sử dụng nhiều kiểu xấp xỉ hàm như mạng neural, mạng neuro –
fuzzy v..v.. Nói chung một cách sơ bộ, các bộ xấp xỉ hàm có thể được sử dụng theo
2 cách:
Trước hết, bộ xấp xỉ hàm có thể được sử dụng để tạo (một phần) tín hiệu
điều khiển. Việc học được tổ chức bằng cách thích nghi véc tơ thông số của bộ xấp
xỉ hàm theo cách cực tiểu một số hàm chi phí. Bộ điều khiển này được gọi là LC
trực tiếp.
Thứ hai, bộ xấp xỉ hàm có thể được sử dụng để học một mô hình đối tượng.
Dựa trên cơ sở của mô hình đã được học, 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 trúc của bộ điều khiển khác
nhau đã được đề xuất và các thuộc tính của chúng (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 chúng đều
được nghiên cứu nhưng chỉ có một số bộ LC được ứng dụng trong sản phẩm mang
tính thương mại. Có thể vì những lý do sau đây:
Việc chứng minh sự ổn định được đánh giá cao. Phần lớn các nghiên cứu lý
thuyết của bộ LC được tập trung vào tính ổn định. Tuy nhiên, một bộ LC ổn định
cũng không cần thiết mang lại một đáp ứng ngắn hạn học tốt….Hoạt động của bộ
LC đối với một con robot đã được quan sát bằng mô phỏng. Sau khi thực hiện với

chuyển động 6 bậc tự do, sai số hiệu chỉnh giảm xuống hệ số 2.8. Khi tiếp tục tự
Số hóa bởi Trung tâm Học liệu - ĐHTN

/>

14

học, sai số hiệu chỉnh lên đến hệ số 1051 tại bước lặp thứ 62.000 và cuối cùng giảm
xuống hệ số 10-18 tại bước lặp thứ 250.000. Như vậy, mặc dù thực tế cuối cùng sai
số hiệu chỉnh nhỏ đã đạt được nhưng bộ LC không có giá trị thực nghiệm vì nó có
dải sai số hiệu chỉnh rất rộng ở giữa.
Không nên quá quan tâm tới sai số hiệu chỉnh điểm 0. Một số LC cố gắng
đạt được sai số hiệu chỉnh điểm 0. Tuy nhiên, điều này yêu cầu có những tín hiệu
điều khiển lớn ở những tần số trên băng thông hệ thống, các tần số này có thể gây
nguy hiểm cho các cơ cấu chấp hành và nói chung là không đạt được như mong
muốn. Loại sai số của hàm xấp xỉ. Trong đại đa số các bộ LC, hàm xấp xỉ được thực
hiện với vai trò như một mạng nơ ron (Multi Layer Perceptron – MLP). Như chúng
tôi sẽ bàn tới ở dưới đây, loại mạng nơ ron này không tương thích một cách đặc biệt
cho việc điều khiển.
Trên cơ sở những suy xét này, chúng ta có thể đưa ra một số các thuộc tính
sau mà một bộ LC nên để trở thành một mặt hàng ưa chuộng về mặt thương mại:
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 trúc 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 và để tốc độ lệ học.
Bộ xấp xỉ hàm nên phù hợp cho việc điều khiển. Điều này có nghĩa rằng:
Cần sử dụng dung lượng nhớ nhỏ. Trong thực tế, bộ điều khiển được thực
hiện bằng phần mềm được gắn vào máy tính. Dung lượng bộ nhớ là có hạn, do đó
số lượng các thông số của bộ xấp xỉ hàm 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

Số hóa bởi Trung tâm Học liệu - ĐHTN

/>

15

và đầu ra tính được. Rất nhiều hệ thống chuyển động cơ điện tử 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 chúng 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 rằng 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  loc tồn tại, làm cho E ( glob )  E (loc ) .

E 
Cực tiểu cục bộ

Cực tiểu toàn bộ

loc

glob

loc

Hình 1.2. Cực tiểu cục bộ trong kỹ thuật học
Trong hình dưới đây 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 bằng 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

Số hóa bởi Trung tâm Học liệu - ĐHTN

/>

16

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 sẽ
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 sẽ 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 mềm mại của giá trị xấp xỉ cần điều khiển được. Như nói ở phần trước
đây, bộ LC không chỉ thu được sai số bằng không đối với một vài tần số, khi tín
hiệu điều khiển có tần số cao sẽ 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 là học 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.
1.2.2. Bộ điều khiển học sử dụng sai lệch phản hồi (Feedback Error Learning FEL)
Cấu trúc bộ điều khiển này được trình bày ở hình 1.3
Hệ thống LC bao gồm 2 phần:
- Bộ điều khiển Feef-forward: Được biểu thị bằng F, nghĩa là 1 hàm/ánh xạ
u F  F r  . 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 sẽ thu được độ bám chính xác

Số hóa bởi Trung tâm Học liệu - ĐHTN

/>

17

Hàm xấp xỉ

Hình 1.3: Cấu trúc bộ điều khiển phản hồi sai lệch
cao. Khi bộ điều khiển feed-forward bằng với đối tượng nghịch đảo F  P 1 , thì
đầu ra của đối tượng y sẽ bằng tín hiệu đặt r
Đối tượng P , luôn chịu sự tác động của nhiễu. Các loại nhiễu ở 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 rằng chúng có thể
được xem xét như một hàm trạng thái của đối tượng x và có thể lường trước.
- Bộ điều khiển phản phản hồi : Như đã được nói tới, bộ điều khiển
phản hồi,C,cung cấp 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
phản hồi bù các nhiễu ngẫu nhiên.
Bộ điều khiển FEL đã được thực hiện trong nhiều ứng dụng ví dụ như như:
Hệ thống phanh tự động ô tô
Điều khiển hệ thống camera
Điều khiển cánh tay robot.
Máy hàn.
Các ứng dụng chỉ ra rằng 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 rằng, 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

Số hóa bởi Trung tâm Học liệu - ĐHTN

/>

18

đối tượng chính xác, thì bộ điều khiển thích nghi sẽ 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 rằng bộ FEL có
phù hợp cho hang loạt các ứng dụng mở rộng khi trong thực tế các đối tượng
thường khó có một mô hình chính xác. Câu hỏi đặt ra là nếu xét về mặt thương
mại thì nên sử dụng bộ điều khiển nào? Để trả lời cho câu hỏi này chúng ra sẽ đi
đánh giá xem bộ điều khiển FEL có đáp ứng được đầy đủ các chỉ tiêu chất lượng mà
ta đã đưa ra trong mục Learning Control hay không
- Dễ dàng sử dụng trên hệ thống điều khiển có sẵn: Sự mở rộng duy nhất đối
với hệ thống điều khiển có sẵn là hàm xấp xỉ. Khi hệ thống điều khiển được thực
hiện bằng phần mềm điều này yêu cầu ít có sự thay đổi và có thể dễ dàng được thực
hiện.
- Sự hợp nhất các kiến thức quan trọng trong thiết kế: Khi cấu trúc của đối
tượng động học được xác định, thì mạng MLP trong bộ điều khiển feedforward có thể tách ra thành một vài mạng MLP nhỏ hơn. Mỗi một mạng con
này sẽ bù cho một phần riêng biệt của đối tượng động học. Những thí nghiệm đã
chỉ ra rằng mạng này đã nâng tốc độ học lên đáng kể
- Sự ổn định được xác lập: Điều này đã được chứng minh bằng lý thuyết

rằng bộ điều khiển FEL sử dụng cho điều khiển cánh tay robot cho kết quả là hội tụ.
Với các hệ thống khác, sự ổn định chưa được xét đến trên phương diện lý thuyết.
- Đáp ứng quá độ tốt: Trong quá trình học, sai lệch bám sẽ dần hội tụ đến
giá trị cực tiểu của nó. Giống như sự ổn định, đáp ứng ngắn hạn cũng chưa được
xét tới trên phương diện lý thuyết
- Hàm xấp xỉ phù hợp cho việc điều khiển: Rất nhiều các giá trị thực của bộ
một LC phụ thuộc vào loại hàm xấp xỉ được sử dụng. Mặc dù thực tế là bộ điều
khiển FEL cũng đạt được chất lượng bám cao nhưng cách học không phải là tối
ưu cho mạng MLP.
- Yêu cầu bộ nhớ nhỏ: Một trong số những thuộc tính tốt của MLP là nó
có thể xấp xỉ các hàm mục tiêu đa chiều với một số ít các thông số. Do đó tổng
dung lượng bộ nhớ của máy tính yêu cầu cho việc thực hiện là rất nhỏ. Tốn kém
cho việc tính toán giá trị. Việc tính toán đầu ra của mạng MLP và trọng số
của bộ thích nghi bao gồm một số lượng lớn các tính toán phức tạp. Do đó, với một
số ứng dụng điều khiển thời gian thực thì loại mạng mạng nơ ron này có thể không
phù hợp.

Số hóa bởi Trung tâm Học liệu - ĐHTN

/>

19

Cơ chế học hội tụ chậm và trải qua vùng giá trị cực tiểu cục bộ. Cơ chế học
dễ dàng đạt được tại vùng giá trị cực tiểu cục bộ. Hàm trọng lượng của mạng kết
thúc ở vùng cực tiểu nào phụ thuộc vào hàm trọng lượng ban đầu của mạng. Do đó
nó cần phải thực hiện nhiều thử nghiệm huấn luyện mạng với các cài đặt hàm trọng
lượng ban đầu khác nhau, để thu được độ bám chính xác có thể chấp nhận được.
Có khả năng tổng quát hoá tốt. Một thuận lợi thực tế là mối quan hệ vào ra
chỉ có thể thích ứng toàn bộ đó là khi MLP có khả năng tổng quát tốt khi quá trình

huấn luyện được thực hiện một cách tổng thể. Khi một hệ thống chuyển động phải
vận hành ở tốc độ thấp, bộ điều khiển FEL có khuynh hướng đưa ra hiệu suất kém.
Điều này là do thực tế mạng MLP gặp khó khăn trong việc học các dữ liệu có tương
quan với nhau ở mức cao. Khi các dữ liệu có tương quan với nhau ở mức cao, mạng
có khuynh hướng chuẩn hoá tín hiệu theo dữ liệu cuối cùng, kết quả là đưa ra khả
năng khái quát hoá kém.
Sự trơn tru của các giá trị xấp xỉ là không hoàn toàn điều khiển được. Số
lượng các thông số của một bộ MLP quyết định tính chính xác cực đại của giá trị
xấp xỉ. Nó không đảm bảo được độ trơn tru nhất định. Nhờ việc học, mạng MLP có
thể xấp xỉ rất gần các hàm mục tiêu trong phạm vi đầu vào và rất chính xác ở phần
còn lại.
Nhìn vào các thuộc tính ở trên, ta có thể kết luận rằng trong trường hợp mà
cách học tốt, bộ điều khiển FEL có khả năng đáp ứng rất tốt. Các nghiên cứu khác
nhau nhằm mục đích khắc phục các vấn đề tồn tại của bộ điều khiển FEL. Theo đó
ta sẽ giới thiệu tóm lược 3 phương pháp: 2 phương pháp đầu thay đổi cấu trúc của
bộ điều khiển học. Trong khi ở phương pháp còn lại sử dụng hàm xấp xỉ.
Trước tiên, phương pháp thứ nhất có thể cải thiện cách học bằng cách chọn
các đầu vào khác nhau cho hàm xấp xỉ. Sai số tín hiệu được thêm vào như một đầu
vào của bộ xấp xỉ, điều này sẽ làm thay đổi bộ điều khiển LC từ chỗ hoàn toàn là 1
bộ điều khiển feed-forward nguyên bản chuyển sang bộ điều khiển feed-forward
dưới đây. Các thí nghiệm đã chỉ ra rằng bộ LC này khắc phục được một số lỗi của
bộ điều khiển FEL gốc.

Số hóa bởi Trung tâm Học liệu - ĐHTN

/>

20

r n 



r

Hàm xấp xỉ

+
r

+

C

+

P

y

-

Hình 1.4. Học theo sai số phản hồi
Phương thức thứ 2 là sử dụng nhiều bộ điều khiển feed-forward, mỗi một
bộ được huấn luyện để thực hiện một nhiệm vụ cụ thể. Mỗi một mạng nơ ron giám
sát học xem là bộ feed-forward nào được sử dụng cho nhiệm vụ nào. Bộ LC này đã
được kiểm tra trên tay máy mà phải thực hiện các chuyển động với các đối tượng có
trọng lượng khác nhau. Sau khi học, mỗi bộ điều khiển feed-forward đã học sẽ phải
đảm nhiệm cho một đối tượng xác định. Mạng giám sát đã học từ bộ điều khiển
feed-forward nào được áp dụng cho đối tượng đó.

Khi mạng MLP là nguyên nhân chính gây nên các khó khăn của điều khiển
FEL, một phương pháp rõ ràng ở đây là phải tìm ra những hàm xấp xỉ khác nhau.
Mạng MLP được thay thế bởi mạng (Cerebellar Model Articulation Controller
CMAC). Mạng CMAC phụ thuộc vào các lớp mạng nơ ron mà làm việc với hàm cơ
sở. Trong trường hợp mạng CMAC, hàm cơ sở bao gồm các hàm đa thức thông
minh mà có giá trị khác không trên phần không gian đầu vào. Ở mỗi điểm trong
không gian đầu vào p các hàm cơ sở chồng chéo lên nhau. Thông số của p được biết
đến như là một thông số khái quát hoá và có thể được lựa chọn bởi nhà thiết kế. Đầu
ra của CMAC là tổng các trọng số của hàm ước lượng cơ sở. Việc học được tiến
hành bằng cách mô phỏng theo các trọng số của mạng, chứ không phải là theo bản
thân các hàm cơ sở. Tất cả điều này nhằm mục đích cải thiện những vấn đề sau:
- Độ hội tụ nhanh hơn. Khi việc học diễn ra một cách cục bộ, chỉ có 1 số
nhỏ các hàm trọng được thích nghi tạo ra độ hội tụ nhanh.

Số hóa bởi Trung tâm Học liệu - ĐHTN

/>

21

- Có thể học các dữ liệu tương quan: Các vùng của hàm cơ sở đã được trộn
lẫn, điều này có ích cho quá trình học các dữ liệu tương quan.
- Không có cực tiểu địa phương: Cơ cấu học không trải qua vùng cực tiểu
cục bộ.
Tuy nhiên một bất lợi là người thiết kế bộ điều khiển phải lựa chọn sự phân
phối của các hàm cơ sở. Điều này yêu cầu phải có một số kiến thức nền tảng về ánh
xạ vào/ra theo mong muốn và việc điều chỉnh sự phân phối của hàm cơ sở là cần
thiết trước khi đạt được hiệu suất có thể chấp nhận được. Các thínghiệm đã chỉ ra
rằng việc thay thế mạng MLP bởi mạng CMAC đem lại một quá trình học tốt hơn
và độ bám chính xác hơn

1.2.3. Learning Feedforward Control (LFFC)
Trong luận văn này một hệ thống LC được xét có cấu trúc tương tự như cấu
trúc của bộ điều khiển FEL (hình 1.2). 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 nhi
theo mô hình mẫu.
1.3. Lý thuyết điều khiển thích nghi theo mô hình mẫu (MRAS)
1.3.1 Lịch sử phát triển của hệ điều khiển thích nghi
Điều khiển thích nghi (ĐKTN) ra đời năm 1958 để đáp ứng yêu cầu của thực
tế mà các hệ điều khiển truyền thống không thoả mãn được. Trong các hệ điều
khiển truyền thống, các xử lý điều khiển thường dùng những mạch phản hồi là
chính. Vì vậy, chất lượng ra của hệ bị thay đổi khi có nhiễu tác động hoặc tham số
của hệ thay đổi. Trong hệ ĐKTN cấu trúc và tham số của bộ điều khiển có thể thay
đổi được vì vậy chất lượng ra của hệ được đảm bảo theo các chỉ tiêu đã định.
Điều khiển thích nghi khởi đầu là do nhu cầu về hoàn thiện các hệ thống điều
khiển máy bay. Do đặc điểm của quá trình điều khiển máy bay có nhiều tham số
thay đổi và có nhiều yếu tố ảnh hưởng đến quá trình ổn định quỹ đạo bay, tốc độ
bay. Ngay từ năm 1958, trên cơ sở lý thuyết về chuyển động của Boócman, lý
thuyết điều khiển tối ưu… hệ thống điều khiển hiện đại đã ra đời. Ngay sau khi ra
đời lý thuyết này đã được hoàn thiện nhưng chưa được thực thi vì số lượng phép
tính quá lớn mà chưa có khả năng giải quyết được. Ngày nay, nhờ sự phát triển
mạnh mẽ của công nghệ thông tin, điện tử, máy tính… cho phép giải được những
bài toán đó một cách thuận lợi nên hệ thống ĐKTN đượa ứng dụng đáng kể vào
thực tế.
Số hóa bởi Trung tâm Học liệu - ĐHTN

/>

22

Hệ ĐKTN có mô hình mẫu MRAC (Moded Reference Adaptive Control) đã

được Whitaker đề xuất khi giải quyết vấn đề điều khiển lái tự động máy bay năm
1958. Phương pháp độ nhậy và luật MIT đã được dùng để thiết kế luật thích nghi
với mục đích đánh giá các thông số không biết trước trong sơ đồ MRAC
Thời gian đó việc điều khiển các chuyến bay do còn tồn tại nhiều hạn chế
như: thiếu phương tiện tính toán, xử lý tín hiệu và lý thuyết cũng chưa thật hoàn
thiện. Đồng thời những chuyến bay thí nghiệm bị tai nạn là cho việc nghiên cứu về
lý thuyết điều khiển thích nghi) bị lắng xuống vào cuối thập kỷ 50 và đầu năm
1960.
Thập kỷ 60 là thời kỳ quan trọng nhất trong việc phát triển các lý thuyết
tựđộng, đặc biệt là lý thuyết ĐKTN. Kỹ thuật không gian trạng thái và lý thuyết
ổnđịnh dựa theo luật Liapunov đã được phát triển. Một loạt các thuyết như:
Điềukhiển đối ngẫu, điều khiển ngẫu nhiên, nhận dạng hệ thống, đánh giá thông số
… rađời cho phép tiếp tục (nghiên cứu lại) phát triển và hoàn thiện lý thuyết
ĐKTN. Vàonăm 1966 Park và các đồng nghiệp đã tìm được phương pháp mới để
tính toán lạiluật thích nghi sử dụng luật MIT ứng dụng vào các sơ đồ MRAC của
những năm 50 bằng cách ứng dụng lý thuyết của Liapunov.
Tiến bộ của các lý thuyết điều khiển những năm 50 cho phép nâng cao hiểu
biết về ĐKTN và đóng góp nhiều vào đổi mới lĩnh vực này. Những năm 70 nhờ sự
phát triển của kỹ thuật điện tử và máy tính đã tạo ra khả năng ứng dụng lý thuyết
này vào điều khiển các hệ thống phức tạp trong thức tế.
Tuy nhiên những thành công của thập kỷ 70 còn gây nhiều tranh luận trong
ứng dụng ĐKTN. Đầu năm 1979 người ta chỉ ra rằng những sơ đồ MRAC của thập
kỷ 70 dễ mất ổn định do nhiễu tác động. Tính bền vững trong ĐKTN trở thành mục
tiêu tập trung nghiên cứu của các nhà khoa học vào năm 1980.
Những năm 80 nhiều thiết kế đã được cải tiến, dẫn đến ra đời lý thuyết
ĐKTN bền vững. Một hệ ĐKTN được gọi là bền vững nếu như nó đảm bảo chất
lượng ra cho một lớp đối tượng trong đó có đối tượng đang xét. Nội dung của bài
toán bễn vững trong ĐKTN là điều khiển những đối tượng có thông số không biết
trước và biến đổi theo thời gian. Cuối thập kỷ 80 có các công trình nghiên cứu về hệ
thống ĐKTN bền vững, đặc biệt là MRAC cho các đối tượng có thông số biến thiên

theo thời gian.
Các nghiên cứu của những năm 90 đến nay tập trung vào đánh giá kết quả
của nghiên cứu những năm 80 và nghiên cứu các lớp đối tượng phi tuyến có tham

Số hóa bởi Trung tâm Học liệu - ĐHTN

/>

23

số bất định. Những cố gắng này đã đưa ra một lớp sơ đồ MRAC xuất phát từ lý
thuyết hệ thống phi tuyến.
1.3.2. Khái quát về hệ điều khiển thích nghi
Trong luận văn này một vài dạng của hệ thống thích nghi mô hình tham
chiếu đã được bàn tới. Chúng ta bắt đầu với một phương pháp trực quan, phương
pháp này chỉ ra rằng ý tưởng phản hồi cơ bản giúp tìm ra các thuật toán cho việc
chỉnh định tham số. Ta thấy phát sinh hai câu hỏi : Đầu tiên là có cách nào để tìm ra
những tín hiệu phù hợp mà chỉnh định đúng tham số tại đúng thời điểm thích hợp ;
Điều thứ hai là làm cách nào đảm bảo ổn định cho hệ thống thích nghi mà bản thân
nó vốn là phi tuyến do sự đa dạng có mặt trong hệ thống. Cái nhìn rõ nét trong câu
hỏi đầu tiên đạt được bởi việc xem xét phương pháp mô hình độ nhậy. Trạng thái ổn
định có thể được đảm bảo bằng việc sử dụng lý thuyết ổn định của Liapunov cho
việc thiết kế hệ thống thích nghi.
* Mục đích của việc nghiên cứu
Sau khi hoàn tất những điều vừa lưu ý trên dự kiến ta sẽ biết được:
+ Những tín hiệu phù hợp nào đóng vai trò trong hệ thống thích nghi.
+ Bằng cách nào mà hệ thống thích nghi có thể được thiết kế dựa trên
phương pháp độ nhậy.
+ Bằng cách nào mà hệ thống thích nghi có thể được thiết kế dựa trên
phương pháp (trạng thái ổn định) Liapunov.

* Giới thiệu:
Có một vài cấu trúc mà có thể đưa ra một hệ thống điều khiển có khả năng
phản ứng với sự biến đổi những tham số của bản thân nó hoặc phản ứng với những
biến đổi đặc tính của nhiễu (hệ thống). Một hệ thống phản hồi thông thường mặc
dù có mục đích là giảm nhỏ sự nhạy cảm đối với những loại thay đổi này. Tuy
nhiên, khi những biến đổi thậm chí với cả một hệ thống có phản hồi mà hệ số
khuếch đại tốt vẫn không thỏa mãn. Lúc đó một cấu trúc điều khiển phức tạp hơn
được cần đến và tính chất thích nghi chắc chắn phải được đưa vào (giới thiệu). Một
hệ thống thích nghi có thể được định nghĩa như sau.
“Một hệ thống thích nghi là một hệ thống mà trong bản thân nó đã bổ sung
vào cấu trúc (phản hồi) cơ bản, kết quả đo chính xác được đưa vào để bù lại một
cách tự động đối với những thay đổi trong mọi điều kiện hoạt động, với những thay
đổi trong những quá trình động học, hoặc với những biến đổi do nhiễu hệ thống,
nhằm để duy trì một quá trình thực hiện tối ưu cho hệ thống”.
Số hóa bởi Trung tâm Học liệu - ĐHTN

/>