Điều khiển cánh tay robot trên công nghệ mạng Nơron

Khoa học - kó thuậät

23

 ABSTRACT

This paper describles the use of
Neural Controller to control for a two-link
planar robot manipulator. The Neural
Controller has two neural networks: a
neural network identifier (ANNI) and a
neural network controller (ANNC). The
ANNI is use to identify the mode of the
system and be controlled through back –
propagation training algorithm to adjust
parameters of the ANNI. The ANNC is used
to control the joint angle of robot
manipulator folowing an arbitrarily
reference signal and be controlled through
back – propagation training algorithm to
adjust parameters of the ANNC. Comparing
with PID and Fuzzy control method,
experimental results are provided the
exactitude and effectiveness of the method
proposed.
‡



I. GIỚI THIỆU
Ngày nay, quá trình công nghiệp hóa

và tự động hóa phát triển mạnh mẽ, các hệ
thống điều khiển thường sử dụng cánh tay
robot để điều khiển tự động theo đònh hướng
điều khiển của người điều khiển.
Để điều khiển cánh tay robot, thông
thường sử dụng các phương pháp điều
khiển cổ điển như: phương pháp điều khiển
PI, phương pháp điều khiển PID để điều
khiển góc quay cho cánh tay robot, bởi vì

*
ThS. Khoa Điện, Trường ĐH. Cơng nghiệp thành
phố Hồ Chí Minh
các phương pháp này đơn giản và dễ điều
khiển, nhưng nó chưa chính xác và thiếu
tính thích nghi vì hệ thống robot không ổn
đònh và phi tuyến động.
Từ những nhược điểm của các
phương pháp điều khiển cổ điển, trong
những năm gần đây các nhà nghiên cứu
khoa học đã đưa ra những phương pháp
mới, để giải quyết những vấn đề liên quan
tới hệ thống không ổn đònh và phi tuyến
động. Có hai phương pháp điều khiển
thường được sử dụng là: phương pháp điều
khiển trên cơ sở logic mờ và phương pháp
điều khiển trên cơ sở mạng nơron.
Phương pháp điều khiển trên cơ sở
logic mờ dùng để giải quyết mô hình toán
có nhiều biến thay đổi theo , mà các

phương pháp truyền thống không giải quyết
được. Phương pháp này thường cho kết quả
gần đúng, do vậy phương pháp này chưa
chính xác và thiếu tính linh hoạt vì nó phụ
thuộc vào tập dữ liệu và tập luật, nếu đối
tượng điều khiển không ổn đònh và phi
tuyến động, thì tập luật và tập dữ liệu phải
cập nhật thường xuyên để phù hợp với đối
tượng điều khiển.
Để giải quyết những khó khăn trên,
thì phương pháp điều khiển cánh tay robot
trên công nghệ mạng nơron như là công cụ
để giải quyết những vấn đề khó của hệ
thống phi tuyến động. Trong nghiên cứu
này, một chiến lược điều khiển được đề
xuất cho những hệ thống phi tuyến. Phương
pháp được đề xuất là sử dụng một bộ điều
khiển nơron (Neural Controller) để điều
ĐIỀU KHIỂN CÁNH TAY ROBOT TRÊN CÔNG
NGHỆ MẠNG NƠRON

Châu Văn Bảo
*


Khoa học - kó thuậät


24
khiển cánh tay robot. Bộ điều khiển nơron

gồm có: Một mô hình tham chiếu dùng để
đònh hướng điều khiển; Một mạng nơron
nhận dạng dùng để nhận dạng đối tượng
điều khiển thông qua giải thuật huấn luyện
lan truyền ngược để tự điều chỉnh các thông
số của mạng; Một mạng nơron điều khiển
dùng để điều khiển góc quay của cánh tay
robot theo tín hiệu tham chiếu đònh hướng
điều khiển.
II. THIẾT KẾ BỘ ĐIỀU KHIỂN
NƠRON (neural controller)
Phương trình chuyển động của cánh
tay của robot:
T)w(g
.
w)
.
w,w(C
..
w)w(H 
(1)
Trong đó: w là góc quay của cánh
tay robot, H(w) là ma trận momen quán
tính, C(w) là momen hướng tâm, g(w) là
momen lực hút, T là momen.
Cấu trúc của bộ điều khiển cánh tay
robot trên công nghệ mạng nơron được
trình bày ở hình 1.
Mô hình
tham

chiếu
r(k)
E
C
Z
-1
w
m
Z
-1
u’(k)
E
I
Z
-1
u(k)
Đối tïng
điều khiển
Z
-1
w(k)
Bộ nhận
dạng ANNI
Bộ điều
khiển
ANNC
Z
-1

Hình 1: Cấu trúc Neuron Controller.

ANNI (Artificial Neural Network
Identify): Bộ Neural network nhận dạng.
ANNC (Artificial Neural Network
Control): Bộ Neural network điều khiển.
1. Mạng nơron nhận dạng (ANNI:
Artificial Neural Network )
Bộ nhận dạng ANNI là một mạng
nơron truyền thẳng hai lớp, với các đầu vào
w(k-1), w(k-2), u(k), u(k-1); có hai lớp ẩn;
số nơron trong lớp ẩn 10 nơron và một đầu
ra u’(k). Việc huấn luyện dùng giải thuật
lan truyền ngược, ở đây độ lệch sự nhận
dạng là: e
i
= w(k) - u’(k) được sử dụng để
điều chỉnh các tham số của bộ nhận dạng
ANNI. Xung lượng cho việc huấn luyện lan
truyền ngược được lựa chọn là 
I
= 0,2 và
hệ số học 
I
= 10
-6
. Hàm giá của bộ ANNI
được xác đònh như sau:
2
i
2

e
2
1
=(k)]u'-(k)[
2
1
EI(k) w
(2)
Quá trình học là để điều chỉnh các
tham số trọng lượng của mạng, vì vậy phải
cực tiểu hóa hàm giá EI. Giải thuật lan
truyền ngược xác đònh sự gia tăng của hệ số
trọng lượng.
i
i
W
EI
W



(3)
Ở đây
ii
W
net
net
)k('u
)k('u
EI

W
EI









(4)
Trong đó:
J
J
J
Wxnet


, x
J
đầu vào thứ J,
W
J
hệ số trọng lượng thứ J của bộ nhận
dạng.

)net('a
net
)k('u




và
)k(x
W
net
i
i





   
)k('u
)k(w
)k('u)k(w)k('u)k(w
2
1
)k('u)k('u
EI
2










 
)k('u
)k(w
)k('u)k(w)k(x)net('a
W
EI
i
i





(5)
Từ (5) và(3) ta có biểu thức (6) là độ
gia tăng của hệ số trọng lượng.
Khoa học - kó thuậät

25

 
)k('u
)k(w
)k('u)k(w)k(x)net('aW
ii




(6)
Vectơ trọng lượng tại bước (k+1) được cải
tiến công thức (7)
)]1k(W)k(W[W)k(W)1k(W
iiiii

(7)
Bộ ANNI có đầu ra: u’(k) = N[w(k-1),
w(k-2), u(k), u(k-1)].

2. Mạng nơron điều khiển
(ANNC: Artificial Neural Network
Control)
Bộ điều khiển ANNC là một mạng
neuron truyền thẳng hai lớp, với các đầu
vào r(k), u(k-1), w(k -1); có hai lớp ẩn; số
nơron trong lớp ẩn 13 nơron và một đầu ra
u(k). Việc huấn luyện dùng giải thuật lan
truyền ngược, ở đây độ lệch là: e
c
(k) =
w
m
(k) - w(k) được sử dụng để điều chỉnh
các tham số của bộ điều khiển ANNC.
Xung lượng cho việc huấn luyện lan truyền
ngược được lựa chọn là 
C
= 0,08 và hệ số
học 

C
= 10
-9
. Hàm giá của bộ ANNC được
xác đònh như sau:
2
c
2
e
2
1
=w(k)]-(k)[
2
1
=EC(k)
m
w
(8)
Giải thuật lan truyền ngược xác đònh
được độ gia tăng của hệ số trọng lượng.
i
i
W
EC
W



(9)
Ở đây

ii
W
net
net
)k(u
)k(u
EC
W
EC









(10)
Trong đó:
J
J
J
Wxnet


, x
J
đầu vào
thứ J, W

J
hệ số trọng lượng thứ J của bộ
điều khiển.

)net('a
net
)k(u



và
)k(x
W
net
i
i





   
)k(u
)k(w
)k(w)k(w)k(w)k(w
2
1
)k(u)k(u
EC
m

2
m










 
)k(u
)k(w
)k(w)k(w)k(x)net('a
W
EC
mi
i





(11)
Từ (11) và (9) ta có biểu thức (12) độ gia
tăng của hệ số trọng lượng.
 
)k(u

)k(w
)k(w)k(w)k(x)net('aW
mii



(12)
Vectơ trọng lượng tại bước (k+1) được cải
tiến công thức (13)
)]1k(W)k(W[W)k(W)1k(W
iiiii

(13)
Bộ ANNC có đầu ra u(k) = N[r(k), u(k-1),
w(k -1)]
3. Giải thuật điều khiển
Giải thuật điều khiển thể hiện qua
các bước sau:
Bước 1: Hai thông số WI của bộ
nơron nhận dạng và WC của bộ nơron điều
khiển được khởi chạy ngẫu nhiên với những
giá trò nhỏ.
Bước 2: Xác đònh đầu ra u(k) của bộ
điều khiển.
Bước 3: Xác đònh góc quay w(k) của
cánh tay robot.
Bước 4: Xác đònh đầu ra u’(k) của
bộ nhận dạng.
Bước 5: Tính hàm giá EI(k) và
EC(k) dựa vào công thức (2) và (8).

Bước 6:
Tính
i
W
EI
và
i
W
EC
dựa vào công
thức (4) và (11)
Bước 7: Cập nhật các thông số W
I
cho
bộ nơron nhận dạng và W
C
cho bộ nơron điều
khiển dựa vào công thức (7) và (13).
Bước 8: Lập lại từ bước 2 đến bước 7
cho tới khi bộ điều khiển đạt giá trò nhỏ nhất.
III. MÔ PHỎNG
Phương trình chuyển động của cánh
tay robot:
Khoa học - kó thuậät


26





























































2
T
1
T

2
f
1
f
2
g
1
g
.
2
w
.
1
w
0
12
C
.
1
w
)
.
2
w
.
1
w(
12
C
12

C
.
2
w
2
..
w
..
1
w
22
H
21
H
12
H
11
H
(14)

Trong đó: H
11
= (m
1
+m
2
)l
2
1
+m

2
l
2
2
+2m
2
l
1
l
2
cos(w
2
), H
12
=
H
21
= m
2
l
2
2
+m
2
l
1
l
2
cos(w
2

), H
22
= m
2
l
2
2
, C
12
=
m
2
l
1
l
2
sin(w
2
), g
1
= (m
1
+m
2
)l
1
cos(w
2
)+m
2

l
2
cos(w
1
+w
2
),
g
2
= m
2
l
2
cos(w
1
+w
2
),
f
1
= 0.2 sgn(w
1
)+ 3w
1
, f
2
= 0.2 sgn(w
2
)+ 2w
2

, l
1
= 1m, l
2
=
0.8m, m
1
= 1kg, m
2
= 1.5kg.






Kết quả mô phỏng cho thấy phương
pháp điều khiển bằng Neural cho kết quả
chính xác hơn so với phương pháp cổ điển
(phương pháp PID) và phương pháp logic
mờ.

Khoa học - kó thuậät

27

V. KẾT LUẬN
Trong nghiên cứu này, đã sử dụng
một bộ điều khiển trên công nghệ mạng
nơron dùng để điều khiển góc quay của
cánh tay robot theo tín hiệu tham chiếu
đònh hướng điều khiển. Các kết quả mô
phỏng của phương pháp điều khiển trên
công nghệ mạng nơron cho thấy tính hiệu
quả và tính chính xác cao, và cũng thể hiện
được tính thích nghi cao qua các trường hợp
mô phỏng khi tín hiệu tham chiếu là xung
vuông hay hình sin. So với những phương
pháp điều khiển như phương pháp PID và
phương pháp Fuzzy logic thì bộ điều khiển
trên công nghệ mạng nơron thể hiện tính
chính xác và hiệu quả cao hơn nhiều. Từ
những kết quả đạt được của bộ điều khiển
trên công nghệ mạng nơron với tính thích
nghi cao, cộng với tín hiệu tham chiếu đònh
hướng điều khiển là xung vuông thay đổi
tùy ý, thì việc điều khiển cánh tay Robot sẽ
chính xác theo đònh hướng.

 TÀI LIỆU THAM KHẢO

[1] Ngô Cao Cường, Hồ Đắc
Lộc, Trần Thu Hà. Andaptive control of
nonlinear dynamics system based on RBF
network. ICMIT 2003 Korea, December 4-
6, 2003.
[2] Chao-Chee Ku and Kwang
Y. Lee, Diagonal recurrent neural networks
for dynamic system control, IEEE Trans. on
Neural networks. 1995. 6(1): 144-156.








[3] Choi Y. K, Lee S. K, Kay
Y.C, Design and Implementation of an
Adaptive Neural Network Compensator for
Control Systems. IEEE Transactions on
Industrial Electronics, vol48, no 2, April
2001.
[4] Diao Y and K.M Passino.
Adaptive neural – Fuzzy control for
Interpolated nonlinear system. IEEE
Trans. FuZ. Syst. (10) pp 583 – 595.2002.
[5] K. S. Narendra and K.
Parthasarathy. Identification and Control of
Dynamical Systems using Neural

Networks, IEEE Transaction on Neural
Networks, Vol.1, pp 4-27, 5-1990.
[6] Hajoon Lee, Dong kyung
Nam, Cheol Hoon Park. A Sliding Mode
Controller Using Neural Networks for
Robot Manipulator, ESANN'2004
proceedings – European Symposium on
Artificial Neural Networks Bruges
(Belgium), 28-30 April 2004.