Điều khiển cánh tay robot trên công nghệ mạng nơron

Khoa hoïc - kó thuaäät 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. GIÔÙI THIEÄU Ngaøy nay, quaù trình coâng nghieäp hoùa vaø töï ñoäng hoùa phaùt trieån maïnh meõ, caùc heä thoáng ñieàu khieån thöôøng söû duïng caùnh tay robot ñeå ñieàu khieån töï ñoäng theo ñònh höôùng ñieàu khieån cuûa ngöôøi ñieàu khieån. Ñeå ñieàu khieån caùnh tay robot, thoâng thöôøng söû duïng caùc phöông phaùp ñieàu khieån coå ñieån nhö: phöông phaùp ñieàu khieån PI, phöông phaùp ñieàu khieån PID ñeå ñieàu khieån goùc quay cho caùnh tay robot, bôûi vì * ThS. Khoa Điện, Trường ĐH. Công nghiệp thành phố Hồ Chí Minh caùc phöông phaùp naøy ñôn giaûn vaø deã ñieàu khieån, nhöng noù chöa chính xaùc vaø thieáu tính thích nghi vì heä thoáng robot khoâng oån ñònh vaø phi tuyeán ñoäng. Töø nhöõng nhöôïc ñieåm cuûa caùc phöông phaùp ñieàu khieån coå ñieån, trong nhöõng naêm gaàn ñaây caùc nhaø nghieân cöùu khoa hoïc ñaõ ñöa ra nhöõng phöông phaùp môùi, ñeå giaûi quyeát nhöõng vaán ñeà lieân quan tôùi heä thoáng khoâng oån ñònh vaø phi tuyeán ñoäng. Coù hai phöông phaùp ñieàu khieån thöôøng ñöôïc söû duïng laø: phöông phaùp ñieàu khieån treân cô sôû logic môø vaø phöông phaùp ñieàu khieån treân cô sôû maïng nôron. Phöông phaùp ñieàu khieån treân cô sôû logic môø duøng ñeå giaûi quyeát moâ hình toaùn coù nhieàu bieán thay ñoåi theo , maø caùc phöông phaùp truyeàn thoáng khoâng giaûi quyeát ñöôïc. Phöông phaùp naøy thöôøng cho keát quaû gaàn ñuùng, do vaäy phöông phaùp naøy chöa chính xaùc vaø thieáu tính linh hoaït vì noù phuï thuoäc vaøo taäp döõ lieäu vaø taäp luaät, neáu ñoái töôïng ñieàu khieån khoâng oån ñònh vaø phi tuyeán ñoäng, thì taäp luaät vaø taäp döõ lieäu phaûi caäp nhaät thöôøng xuyeân ñeå phuø hôïp vôùi ñoái töôïng ñieàu khieån. Ñeå giaûi quyeát nhöõng khoù khaên treân, thì phöông phaùp ñieàu khieån caùnh tay robot treân coâng ngheä maïng nôron nhö laø coâng cuï ñeå giaûi quyeát nhöõng vaán ñeà khoù cuûa heä thoáng phi tuyeán ñoäng. Trong nghieân cöùu naøy, moät chieán löôïc ñieàu khieån ñöôïc ñeà xuaát cho nhöõng heä thoáng phi tuyeán. Phöông phaùp ñöôïc ñeà xuaát laø söû duïng moät boä ñieàu khieån nôron (Neural Controller) ñeå ñieàu ÑIEÀU KHIEÅN CAÙNH TAY ROBOT TREÂN COÂNG NGHEÄ MAÏNG NÔRON Chaâu Vaên Baûo * Khoa hoïc - kó thuaäät 24 khieån caùnh tay robot. Boä ñieàu khieån nôron goàm coù: Moät moâ hình tham chieáu duøng ñeå ñònh höôùng ñieàu khieån; Moät maïng nôron nhaän daïng duøng ñeå nhaän daïng ñoái töôïng ñieàu khieån thoâng qua giaûi thuaät huaán luyeän lan truyeàn ngöôïc ñeå töï ñieàu chænh caùc thoâng soá cuûa maïng; Moät maïng nôron ñieàu khieån duøng ñeå ñieàu khieån goùc quay cuûa caùnh tay robot theo tín hieäu tham chieáu ñònh höôùng ñieàu khieån. II. THIEÁT KEÁ BOÄ ÑIEÀU KHIEÅN NÔRON (neural controller) Phöông trình chuyeån ñoäng cuûa caùnh tay cuûa robot: T)w(g . w) . w,w(C .. w)w(H  (1) Trong ñoù: w laø goùc quay cuûa caùnh tay robot, H(w) laø ma traän momen quaùn tính, C(w) laø momen höôùng taâm, g(w) laø momen löïc huùt, T laø momen. Caáu truùc cuûa boä ñieàu khieån caùnh tay robot treân coâng ngheä maïng nôron ñöôïc trình baøy ôû hình 1. Moâ hình tham chieáu r(k) EC Z -1 wm Z -1 u’(k) EI Z -1 u(k) Ñoái tuôïng ñieàu khieån Z -1 w(k) Boä nhaän daïng ANNI Boä ñieàu khieån ANNC Z -1 Hình 1: Cấu trúc Neuron Controller. ANNI (Artificial Neural Network Identify): Boä Neural network nhaän daïng. ANNC (Artificial Neural Network Control): Boä Neural network ñieàu khieån. 1. Maïng nôron nhaän daïng (ANNI: Artificial Neural Network ) Boä nhaän daïng ANNI laø moät maïng nôron truyeàn thaúng hai lôùp, vôùi caùc ñaàu vaøo w(k-1), w(k-2), u(k), u(k-1); coù hai lôùp aån; soá nôron trong lôùp aån 10 nôron vaø moät ñaàu ra u’(k). Vieäc huaán luyeän duøng giaûi thuaät lan truyeàn ngöôïc, ôû ñaây ñoä leäch söï nhaän daïng laø: ei = w(k) - u’(k) ñöôïc söû duïng ñeå ñieàu chænh caùc tham soá cuûa boä nhaän daïng ANNI. Xung löôïng cho vieäc huaán luyeän lan truyeàn ngöôïc ñöôïc löïa choïn laø I = 0,2 vaø heä soá hoïc I = 10 -6 . Haøm giaù cuûa boä ANNI ñöôïc xaùc ñònh nhö sau: 2 i 2 e 2 1 =(k)]u'-(k)[ 2 1 EI(k) w (2) Quaù trình hoïc laø ñeå ñieàu chænh caùc tham soá troïng löôïng cuûa maïng, vì vaäy phaûi cöïc tieåu hoùa haøm giaù EI. Giaûi thuaät lan truyeàn ngöôïc xaùc ñònh söï gia taêng cuûa heä soá troïng löôïng. i i W EI W    (3) ÔÛ ñaây ii W net net )k('u )k('u EI W EI          (4) Trong ñoù: J J J Wxnet  , xJ ñaàu vaøo thöù J, WJ heä soá troïng löôïng thöù J cuûa boä nhaän daïng. )net('a net )k('u    vaø )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) Töø (5) vaø(3) ta coù bieåu thöùc (6) laø ñoä gia taêng cuûa heä soá troïng löôïng. Khoa hoïc - kó thuaäät 25   )k('u )k(w )k('u)k(w)k(x)net('aW ii    (6) Vectô troïng löôïng taïi böôùc (k+1) ñöôïc caûi tieán coâng thöùc (7) )]1k(W)k(W[W)k(W)1k(W iiiii  (7) Boä ANNI coù ñaàu ra: u’(k) = N[w(k-1), w(k-2), u(k), u(k-1)]. 2. Maïng nôron ñieàu khieån (ANNC: Artificial Neural Network Control) Boä ñieàu khieån ANNC laø moät maïng neuron truyeàn thaúng hai lôùp, vôùi caùc ñaàu vaøo r(k), u(k-1), w(k -1); coù hai lôùp aån; soá nôron trong lôùp aån 13 nôron vaø moät ñaàu ra u(k). Vieäc huaán luyeän duøng giaûi thuaät lan truyeàn ngöôïc, ôû ñaây ñoä leäch laø: ec(k) = wm(k) - w(k) ñöôïc söû duïng ñeå ñieàu chænh caùc tham soá cuûa boä ñieàu khieån ANNC. Xung löôïng cho vieäc huaán luyeän lan truyeàn ngöôïc ñöôïc löïa choïn laø C = 0,08 vaø heä soá hoïc C = 10 -9 . Haøm giaù cuûa boä ANNC ñöôïc xaùc ñònh nhö sau: 2 c 2 e 2 1 =w(k)]-(k)[ 2 1 =EC(k) mw (8) Giaûi thuaät lan truyeàn ngöôïc xaùc ñònh ñöôïc ñoä gia taêng cuûa heä soá troïng löôïng. i i W EC W    (9) ÔÛ ñaây ii W net net )k(u )k(u EC W EC          (10) Trong ñoù: J J J Wxnet  , xJ ñaàu vaøo thöù J, WJ heä soá troïng löôïng thöù J cuûa boä ñieàu khieån. )net('a net )k(u    vaø )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) Töø (11) vaø (9) ta coù bieåu thöùc (12) ñoä gia taêng cuûa heä soá troïng löôïng.   )k(u )k(w )k(w)k(w)k(x)net('aW mii    (12) Vectô troïng löôïng taïi böôùc (k+1) ñöôïc caûi tieán coâng thöùc (13) )]1k(W)k(W[W)k(W)1k(W iiiii  (13) Boä ANNC coù ñaàu ra u(k) = N[r(k), u(k-1), w(k -1)] 3. Giaûi thuaät ñieàu khieån Giaûi thuaät ñieàu khieån theå hieän qua caùc böôùc sau: Böôùc 1: Hai thoâng soá WI cuûa boä nôron nhaän daïng vaø WC cuûa boä nôron ñieàu khieån ñöôïc khôûi chaïy ngaãu nhieân vôùi nhöõng giaù trò nhoû. Böôùc 2: Xaùc ñònh ñaàu ra u(k) cuûa boä ñieàu khieån. Böôùc 3: Xaùc ñònh goùc quay w(k) cuûa caùnh tay robot. Böôùc 4: Xaùc ñònh ñaàu ra u’(k) cuûa boä nhaän daïng. Böôùc 5: Tính haøm giaù EI(k) vaø EC(k) döïa vaøo coâng thöùc (2) vaø (8). Bước 6: Tính i W EI vaø i W EC döïa vaøo coâng thöùc (4) vaø (11) Böôùc 7: Caäp nhaät caùc thoâng soá WI cho boä nôron nhaän daïng vaø WC cho boä nôron ñieàu khieån döïa vaøo coâng thöùc (7) vaø (13). Böôùc 8: Laäp laïi töø böôùc 2 ñeán böôùc 7 cho tôùi khi boä ñieàu khieån ñaït giaù trò nhoû nhaát. III. MOÂ PHOÛNG Phöông trình chuyeån ñoäng cuûa caùnh tay robot: Khoa hoïc - kó thuaäät 26                                                          2T 1T 2f 1f 2g 1g . 2w . 1w 012C . 1w ) . 2w . 1w(12C12C . 2w 2 .. w .. 1w 22H21H 12H11H (14) Trong đó: H11= (m1+m2)l 2 1+m2l 2 2+2m2l1l2cos(w2), H12= H21= m2l 2 2+m2l1l2cos(w2), H22= m2l 2 2, C12= m2l1l2sin(w2), g1= (m1+m2)l1cos(w2)+m2l2cos(w1+w2), g2= m2l2cos(w1+w2), f1= 0.2 sgn(w1)+ 3w1, f2= 0.2 sgn(w2)+ 2w2, l1= 1m, l2= 0.8m, m1= 1kg, m2= 1.5kg. Keát quaû moâ phoûng cho thaáy phöông phaùp ñieàu khieån baèng Neural cho keát quaû chính xaùc hôn so vôùi phöông phaùp coå ñieån (phöông phaùp PID) vaø phöông phaùp logic môø. Khoa hoïc - kó thuaäät 27 V. KEÁT LUAÄN Trong nghieân cöùu naøy, ñaõ söû duïng moät boä ñieàu khieån treân coâng ngheä maïng nôron duøng ñeå ñieàu khieån goùc quay cuûa caùnh tay robot theo tín hieäu tham chieáu ñònh höôùng ñieàu khieån. Caùc keát quaû moâ phoûng cuûa phöông phaùp ñieàu khieån treân coâng ngheä maïng nôron cho thaáy tính hieäu quaû vaø tính chính xaùc cao, vaø cuõng theå hieän ñöôïc tính thích nghi cao qua caùc tröôøng hôïp moâ phoûng khi tín hieäu tham chieáu laø xung vuoâng hay hình sin. So vôùi nhöõng phöông phaùp ñieàu khieån nhö phöông phaùp PID vaø phöông phaùp Fuzzy logic thì boä ñieàu khieån treân coâng ngheä maïng nôron theå hieän tính chính xaùc vaø hieäu quaû cao hôn nhieàu. Töø nhöõng keát quaû ñaït ñöôïc cuûa boä ñieàu khieån treân coâng ngheä maïng nôron vôùi tính thích nghi cao, coäng vôùi tín hieäu tham chieáu ñònh höôùng ñieàu khieån laø xung vuoâng thay ñoåi tuøy yù, thì vieäc ñieàu khieån caùnh tay Robot seõ chính xaùc theo ñònh höôùng.  TAØI LIEÄU THAM KHAÛO [1] Ngoâ Cao Cöôøng, Hoà Ñaéc Loäc, Traàn Thu Haø. 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.