Thiết kế bộ điều khiển thích nghi nơron - Mờ kết hợp với bộ điều khiển lqr cho phép giảm dao động của tải trọng và định vị chính xác của giàn cần cẩu dựa trên matlab

Tâm1, Nguyễn Thị Việt Hương1 Email: nguyenvantrung.10@gmail.com 1Trường Đại học Sao Đỏ, Việt Nam 2Trường Đại học Trung Nam, Trung Quốc Ngày nhận bài: 26/7/2017 Ngày nhận bài sửa sau phản biện: 2/12/2017 Ngày chấp nhận đăng: 28/12/2017 Tóm tắt Thế giới ngày càng phát triển, số lượng hàng hóa tại các nhà xưởng và bến cảng ngày càng nhiều, để vận chuyển tất cả các loại hàng hóa này không thể thiếu các giàn cần cẩu. Thực tế hiện nay các giàn cần cẩu hoạt động với sự ổn định chưa cao, vẫn còn sự lắc lư của tải trọng dẫn đến khả năng định vị thiếu chính xác. Chủ đề của bài báo này là thiết kế bộ điều khiển thích nghi nơron - mờ kết hợp với bộ điều khiển LQR để kiểm soát vị trí của xe nâng trong thời gian ngắn nhất đạt được vị trí mong muốn, đồng thời khống chế góc lệch của tải trọng sao cho dao động là nhỏ nhất. Bộ điều khiển thiết kế được mô phỏng trên phần mềm Matlab/Simulink trong các trường hợp thay các đổi thông số hệ thống và nhiễu tác động đến hệ thống giàn cần cẩu. Kết quả mô phỏng cho thấy bộ điều khiển thích nghi nơron - mờ kết hợp với bộ điều khiển LQR được đề xuất làm việc tốt txivt = 2,1 s, txigi = 3,5 s, θmax = 0,3 (rad). Từ khóa: Giàn cần cẩu; điều khiển thích nghi nơron-mờ; điều khiển LQR; điều khiển vị trí; điều khiển dao động. Abstract As the world grows, the number of goods at factories and ports are rising, to transport all kinds of goods are needed gantry crane. Actually, the crane gantry operation is not high stability, the load fluctuations lead to inaccurate positioning. The subject of this paper is to design an adaptive neural-fuzzy controller in combination with an LQR controller to control the position of the forklift truck in the shortest time to reach the desired position while controlling the angle of deviation of the load so that oscillation is minimal. The design controller is simulated on the Matlab/Simulink software in case of changing the system parameters and interference impacts on the crane system. Simulation results show that the adaptive neural-fuzzy controller combined with the proposed LQR controller works well txivt = 2.1 s, txigi = 3.5 s, θmax = 0.3 (rad). Keywords: Gantry crane; adaptive neural-fuzzy controller; LQR Control; position control; oscillation control. 1. ĐẶT VẤN ĐỀ Trong thời đại công nghiệp hóa, giàn cần cẩu đóng một vai trò đặc biệt quan trọng. Việc vận chuyển hàng hóa an toàn, hiệu quả và kịp thời là cần thiết. Vì vậy đã có nhiều nghiên cứu nâng cao khả năng sử dụng, tăng hiệu quả hoạt động của giàn cần cẩu. Về mặt cấu trúc, các giàn cần cẩu trên không được di chuyển bởi xe nâng và tải trọng được treo trên xe nâng thông qua cáp treo [1]. Mô hình chuyển động kiểu con lắc [2]. Các cấu trúc này có cấu trúc như thể hiện trong hình 1. Hệ thống giàn cần cẩu với các chức năng di chuyển, nâng và hạ hàng hóa, tuy nhiên do góc xoay tự nhiên của tải LIÊN NGÀNH ĐIỆN - ĐIỆN TỬ - TỰ ĐỘNG HÓA Tạp chí Nghiên cứu khoa học - Đại học Sao Đỏ, ISSN 1859-4190 Số 4(59).2017 29 trọng dẫn đến những chức năng này sẽ hoạt động kém hiệu quả. Sự lắc lư của tải trọng là do chuyển động di chuyển của xe nâng, do thường xuyên thay đổi chiều dài cáp treo và khối lượng của tải trọng, ngoài ra còn do tác động bởi nhiễu gây ra như sóng, gió và va chạm... Để loại bỏ những tác động của nhiễu bên ngoài đến hệ thống giàn cần cẩu [3] đề xuất ba môđun thông tin phản hồi phát hiện, bù đắp lỗi định vị, loại bỏ các rối loạn và định hình đầu vào để giảm dao động của tải trọng. Một cơ chế mới cho ảnh hưởng kiểm soát bên [4] để ngăn chặn sự chuyển động lắc của tải trọng. Một thuật toán PSO [5], DE [6] được sử dụng để điều chỉnh PID tối ưu và được thiết kế cho quá trình điều khiển cần cẩu trên cao với thông số điều khiển offline. Trong [7] đề xuất một khớp nối luật kiểm soát OFB đã đạt được vị trí chính xác và hiệu quả loại bỏ góc xoay của tải trọng. Một bộ điều khiển mở PD kép để điều khiển hệ thống giàn cần cẩu [8] trong đó bộ điều khiển mờ đầu tiên kiểm soát vị trí xe nâng, còn bộ điều khiển mờ thứ hai ngăn chặn các góc lệch của tải trọng. Trong [9] chọn hai bộ điều khiển mờ tách rời để đơn giản hóa các quy tắc kiểm soát và tính toán hệ thống. Trong [10] đề xuất kiểm soát các hệ thống giàn cần cẩu bằng cách kết hợp chế độ trượt với bộ điều khiển mờ. Hình 1. Hình ảnh của giàn cần cẩu Trong bài báo này đề xuất bộ điều khiển thích nghi nơron - mờ kết hợp với bộ điều khiển LQR để kiểm soát vị trí của giàn cần cẩu trong khi khống chế góc lệch của tải trọng. Bộ điều khiển thiết kế được kiểm tra thông qua mô phỏng Matlab/Simulink, kết quả làm việc tốt. Phần còn lại của bài báo được cấu trúc như sau: Phần 2: Mô hình động lực của hệ thống giàn cần cẩu. Thiết kế bộ điều khiển thích nghi nơron - mờ kết hợp với bộ điều khiển LQR được trình bày trong phần 3. Phần 4: Mô tả các kết quả mô phỏng. Phần 5: Kết luận. 2. MÔ HÌNH ĐỘNG LỰC CỦA HỆ THỐNG GIÀN CẦN CẨU Một hệ thống giàn cần cẩu được thể hiện trong hình 2 với các thông số và các giá trị được [10] đưa ra như trình bày trong bảng 1. Hệ thống này có thể được mô hình hóa như là một xe nâng với khối lượng M. Một con lắc gắn liền với nó có trọng tải khối lượng m, l là chiều dài của con lắc, θ là góc lệch của con lắc, Ӫ là vận tốc góc của tải trọng. Hình 2. Sơ đồ của hệ thống giàn cần cẩu Bảng 1. Ký hiệu và giá trị các thông số giàn cần cẩu Ký hiệu Mô tả Giá trị Đơn vị k M Khối lượng xe nâng 1 kg l Chiều dài của con lắc 0,305 m m Khối lượng tải trọng 0,8 kg g Hằng số hấp dẫn 9,81 m/s2 µ Hệ số ma sát 0,2 N/m/s Theo phương trình Lagrangian: trong đó: p: thế năng của hệ thống; qi: hệ tọa độ suy rộng; i: số bậc tự do của hệ thống; Qi : lực bên ngoài; T: động năng của hệ thống: Vị trí của xe nâng (XMYM) trong hệ tọa độ quán tính được cho bởi: Vị trí của tải trọng (XmYm) trong hệ tọa độ quán tính được cho bởi: 30 NGHIÊN CỨU KHOA HỌC Tạp chí Nghiên cứu khoa học - Đại học Sao Đỏ, ISSN 1859-4190 Số 4(59).2017 Từ (3), (4) ta có các thành phần vận tốc của xe nâng và tải trọng là: (5) Động năng của xe nâng là: (6) Động năng của tải trọng là: (7) Từ (6), (7) ta có động năng của hệ thống là: (8) Thế năng của hệ thống là: (9) Từ (8), (9) ta có: (10) (11) (12) Tính toán tương tự (10)，(11)，(12) và thay vào (1) ta có phương trình phi tuyến chuyển động của hệ thống giàn cần cẩu như sau: (13) (14) Tuyến tính hóa quanh trạng thái cân bằng, khi đó góc lệch của tải trọng nhỏ, ta có: Từ đó phương trình phi tuyến chuyển động của hệ thống giàn cần cẩu được đơn giản hóa với mô hình tuyến tính hóa sau: (15) (16) Từ (15), (16) ta thu được hệ phương trình tuyến tính sau: (17) trong đó: F: những lực bên ngoài tác động vào hệ thống giàn cần cẩu. 3. THIẾT KẾ BỘ ĐIỀU KHIỂN THÍCH NGHI NƠRON - MỜ KẾT HỢP VỚI BỘ ĐIỀU KHIỂN LQR Bài báo đề xuất một bộ điều khiển thích nghi nơron - mờ ANFIS (Adaptive Neuro-Fuzzy Inference System) kết hợp với bộ điều khiển LQR để điều khiển vị trí của xe nâng trong thời gian ngắn nhất đạt được vị trí mong muốn, đồng thời kiểm soát góc lệch của tải trọng sao cho dao động là nhỏ nhất. Bộ điều khiển thích nghi nơron - mờ kết hợp với bộ điều khiển LQR (ANFIS-LQR) là bộ điều khiển trong đó thiết bị điều khiển gồm hai thành phần sau: thành phần điều khiển tuyến tính LQR và thành phần điều khiển thích nghi nơron - mờ. Bộ điều khiển thích nghi nơron - mờ kết hợp với bộ điều khiển LQR có thể thiết lập dựa trên các tín hiệu là sai lệch e(t) và đạo hàm e’(t). Bộ điều khiển thích nghi nơron - mờ có khả năng học, điều khiển thích nghi khi các thông số hệ thống thay đổi và có đặc tính rất tốt ở vùng sai lệch lớn, đặc tính phi tuyến của nó có thể tạo ra phản ứng động rất nhanh. Khi quá trình của hệ tiến gần đến điểm đặt (sai lệch e(t) và đạo hàm e’(t) của nó xấp xỉ bằng 0), vai trò của bộ điều khiển thích nghi nơron - mờ bị hạn chế nên bộ điều khiển sẽ làm việc với bộ điều chỉnh LQR. Sơ đồ bộ điều khiển thích nghi nơron - mờ ANFIS kết hợp với bộ điều khiển LQR cho hệ thống giàn cần cẩu được mô tả trong hình 3. Hình 3. Sơ đồ cấu trúc Matlab của bộ điều khiển thích nghi nơron - mờ ANFIS kết hợp với bộ điều khiển LQR 3.1. Thiết kế bộ điều khiển LQR Hệ thống giàn cần cẩu được mô tả theo hệ phương trình trạng thái sau: Trong đó: là một biến trạng thái đại diện cho sự dịch chuyển của xe nâng, vận tốc của xe nâng, góc lệch và vận tốc góc của tải trọng. u(t)=F là biến đầu vào, LIÊN NGÀNH ĐIỆN - ĐIỆN TỬ - TỰ ĐỘNG HÓA Tạp chí Nghiên cứu khoa học - Đại học Sao Đỏ, ISSN 1859-4190 Số 4(59).2017 31 Hiệu suất của hệ thống là theo chỉ số J tốt nhất [11]. Chỉ tiêu chất lượng dạng toàn phương là: (19) Trong đó: Q = QT là một ma trận bánxác định dương, R = RT là ma trận xác định dương. Tín hiệu điều khiển tối ưu u là: (20) Với P là nghiệm bán xác định dương của phương trình đại số Ricatti: (21) Giải phương trình (21) ta thu được giá trị P, từ đó suy ra giá trị của K. Do đó thiết kế bộ điều khiển LQR điều quan trọng là chọn ma trận trọng số thích hợp từ đó xác định ma trận thông tin phản hồi tối ưu. Bằng phương pháp thử sai, nhóm tác giả chọn được ma trận trọng số như sau: R =1, (22) Trong đó: Vị trí trọng số của xe nâng được chọn là Q1,1 = 1000, góc trọng số của tải trọng là Q3,3 = 500. Phần mềm Matlab Toolbox cung cấp một chức năng có thể sử dụng để thiết kế tối ưu tuyến tính điều chỉnh toàn phương [12]. Ma trận thông tin phản hồi LQR được tính như sau: K = LQR (A, B, Q, R) (23) K = [31,6228; 14,4553; -15,650; 0,5413] Bộ điều khiển LQR cho hệ thống giàn cần cẩu được thể hiện trong hình 4. Hình 4. Sơ đồ cấu trúc Matlab của bộ điều khiển LQR cho hệ thống giàn cần cẩu 3.2. Thiết kế bộ điều khiển thích nghi nơron - mờ ANFIS 3.2.1. Giới thiệu chung về bộ điều khiển thích nghi nơron - mờ ANFIS Bộ điều khiển thích nghi nơron - mờ ANFIS là một ứng dụng được chạy trên phần mềm Matlab. Mạng đưa ra các phương pháp để hệ thống nơron - mờ có thể học từ các thông tin vào-ra cho trước (thông tin huấn luyện). Cụ thể trong bài báo này, nhóm tác giả đã tiến hành cho bộ điều khiển thích nghi nơron - mờ ANFIS học theo bộ điều khiển LQR, từ đó xây dựng một hệ thống các hàm liên thuộc cho phép hệ thống này có thể suy luận các đáp ứng ra của hệ thống từ các kích thích ngõ vào dựa trên cấu trúc của hệ thống đã được học. ANFIS sử dụng phương pháp ước lượng bình phương tối thiểu và lan truyền ngược sai số theo hướng giảm gradien để xây dựng các tham số hàm liên thuộc. Tính toán cơ bản trong hệ thống mờ (FIS) được xem như là một ánh xạ phi tuyến được tham số hóa mô tả bằng hàm f như sau: (24) Trong đó: y l là đầu ra, µAli là hàm thuộc của đầu vào tương ứng với luật hợp thành thứ l . Luật hợp thành Max-PROD và phương pháp giải mờ là phương pháp điểm trọng tâm. 3.2.2. Các bước thiết kế bộ điều khiển thích nghi nơron - mờ cho hệ thống giàn cần cẩu Bước 1. Thiết kế sơ đồ cấu trúc Matlab cho bộ điều khiển ANFIS lấy mẫu học theo bộ điều khiển LQR như thể hiện trong hình 5. 32 NGHIÊN CỨU KHOA HỌC Tạp chí Nghiên cứu khoa học - Đại học Sao Đỏ, ISSN 1859-4190 Số 4(59).2017 Hình 5. Sơ đồ cấu trúc Matlab cho bộ điều khiển ANFIS lấy mẫu học bộ điều khiển LQR Trong đó: x1, x2, x3, x4, u tương ứng là vị trí, vận tốc của xe nâng, góc lệch, vận tốc góc của tải trọng và tín hiệu điều khiển. Bước 2. Thực hiện với chu kỳ lấy mẫu là 0,01 s và cho chạy trong thời gian 10 s ta sẽ có 1000 mẫu tương tự như 10 mẫu trong bảng 2. Bảng 2. Mẫu x1, x2, x3, x4, u để huấn luyện mạng ANFIS x1 x2 x3 x4 u -0,5946 -6,2273 0,2959 30,000 -97,212 -3,0000 -20,204 -0,5600 -6,2687 -381,56 0,2001 1,6384 -0,1222 30,000 48,162 -1,8985 12.096 0,3767 -29,933 92,727 -0,9562 1.2494 -0,1653 30,000 6,6477 -1,1274 -1.4226 -0,1752 -30,000 -69,712 -2,5769 16.047 0,1406 -30,000 132,03 -1,4476 3.4685 -0,6441 30,000 30,679 -1,4191 -13.786 0,1855 30,000 -230,83 -2,0096 8.6680 -0,3196 30,000 82,989 Bước 3. Huấn luyện mạng nơron-mờ ANFIS trên phần mềm Matlab. - Thứ nhất tải dữ liệu huấn luyện vào vùng làm việc của bộ soạn thảo ANFIS GUI. Khi đó ta có sơ đồ các dữ liệu cần huấn luyện là tập các hình tròn như thể hiện trong hình 6. Hình 6. Sơ đồ các dữ liệu cần huấn luyện - Thứ hai ta tiến hành chọn Generate FIS với các hàm liên thuộc ngõ vào đều được sử dụng 3 tập mờ để mô tả, các hàm liên thuộc có dạng trapmf, ngõ ra là linear và phạm vi của các biến ngôn ngữ đầu vào, đầu ra được thể hiện như trong hình 7. Từ các biến ngôn ngữ đầu vào, đầu ra và các hàm thành viên để mô tả các biến, tổng cộng 34 = 81 luật mờ được sử dụng để điều khiển hệ thống giàn cần cẩu. Trong đó các luật mờ từ 1 đến 11 được đưa ra như trong hình 8. Quan hệ vào - ra của bộ điều khiển mờ trong không gian được hiển thị trong hình 9. -2 0 2 0 0.5 1 input1 (a) De gr ee o f m em be rs hi p NE ZE PO -20 0 20 0 0.5 1 input2 (b) De gr ee o f m em be rs hi p NE ZE PO -1 0 1 0 0.5 1 input3 (c) De gr ee o f m em be rs hi p NE ZE PO -100 0 100 0 0.5 1 input4 (d) De gr ee o f m em be rs hi p NE ZE PO De gr ee o f m em be rs hip De gr ee o f m em be rs hip De gr ee o f m em be rs hip De gr ee o f m em be rs hip Outpu (e) Hình 7. Các hàm liên thuộc của các biến đầu vào và đầu ra của bộ điều khiển mờ Hình 8. Luật mờ IF-THEN của bộ điều khiển mờ Hình 9. Cửa sổ quan hệ vào - ra của bộ điều khiển mờ trong không gian LIÊN NGÀNH ĐIỆN - ĐIỆN TỬ - TỰ ĐỘNG HÓA Tạp chí Nghiên cứu khoa học - Đại học Sao Đỏ, ISSN 1859-4190 Số 4(59).2017 33 - Thứ ba ta tiến hành chọn Epochs, sau đó cho huấn luyện mạng ANFIS ta được sơ đồ không còn sai lệch như thể hiện trong hình 10, sơ đồ bộ điều khiển thích nghi nơron - mờ ANFIS có cấu trúc như hình 11. Hình 10. Sơ đồ các dữ liệu đã được huấn luyện mạng ANFIS Hình 11. Sơ đồ bộ điều khiển thích nghi nơron - mờ ANFIS Bước 4. Thiết kế sơ đồ cấu trúc Matlab cho bộ điều khiển thích nghi nơron - mờ ANFIS điều khiển hệ thống giàn cần cẩu như trong hình 12. Hình 12. Sơ đồ cấu trúc Matlab của bộ điều khiển ANFIS cho hệ thống giàn cần cẩu Bước 5. Tối ưu hệ thống: mô phỏng hệ thống để kiểm tra kết quả. 4. KẾT QUẢ MÔ PHỎNG Bộ điều khiển đã thiết kế được mô phỏng trên phần mềm Matlab/Simulink. Các tham số hệ thống được sử dụng mô phỏng có trong bảng 1. Kết quả so sánh tín hiệu điều khiển của bộ điều khiển ANFIS học theo bộ điều khiển LQR với tín hiệu điều khiển của bộ điều khiển LQR được hiển thị trong hình 13. Hình 13. Tín hiệu điều khiển của bộ điều khiển ANFIS và bộ điều khiển LQR Trong đó: Đường đặc tính màu xanh lá cây là tín hiệu điều khiển của bộ điều khiển LQR. Đường đặc tính màu xanh da trời là tín hiệu điều khiển của bộ điều khiển ANFIS. Có thể thấy rằng bộ điều khiển ANFIS đã học tốt tín hiệu điều khiển của bộ điều khiển LQR. Mô phỏng hệ thống với vị trí xe nâng mong muốn x_ref = 0,5 m . Kết quả mô phỏng được hiển thị trong hình 14. Trong đó: x-LQR, θ-LQR tương ứng là đường đặc tính đáp ứng vị trí của xe nâng và góc lệch của tải trọng khi điều khiển theo bộ điều khiển LQR. Đối với vị trí xe nâng có độ quá điều chỉnh (POT) 5%, sai số xác lập (exl) 0%, thời gian xác lập vị trí (txlvt) 3,1 s, còn đối với góc lệch của tải trọng có góc lớn nhất (θmax) 0,3 (rad) và thời gian xác lập góc lệch (txlgl) 3,1 s; x-ANFIS, θ-ANFIS tương ứng là đường đặc tính đáp ứng vị trí của xe nâng và góc lệch của tải trọng khi điều khiển theo bộ điều khiển ANFIS có POT = 5%, exl = 0%, txlvt = 3 s, θmax = 0,3 (rad) và txlgl = 3,1 s; x-ANFIS-LQR, θ-ANFIS-LQR tương ứng là đường đặc tính đáp ứng vị trí của xe nâng và góc lệch của tải trọng khi điều khiển theo bộ điều khiển ANFIS-LQR có POT = 0%, exl = 0%, txlvt = 2,1 s, θmax = 0,3 (rad) và txlgl = 3,5 s. Bằng cách so sánh kết quả khi sử dụng các bộ điều khiển có thể thấy rằng các bộ điều khiển đều đạt được hiệu quả kiểm soát tốt. Nhưng trường hợp sử dụng bộ điều khiển ANFIS-LQR có khả năng thích ứng mạnh mẽ hơn và chất lượng điều khiển tốt hơn vì không còn tồn tại độ quá điều chỉnh và đạt được vị trí chính xác trong thời gian ngắn hơn. 34 NGHIÊN CỨU KHOA HỌC Tạp chí Nghiên cứu khoa học - Đại học Sao Đỏ, ISSN 1859-4190 Số 4(59).2017 0 2 4 6 8 -0.5 0 0.5 Time (s) (b) S w in g an gl e (r ad ) 0 2 4 6 8 0 0.5 1 Time (s) (a) P os iti on (m ) x-ANFIS x-LQR x-ANFIS-LQR θ-ANFIS θ-LQR θ-ANFIS-LQR Sw in g an gl e (ra d) Po si tio n (m ) Hình 14. Đường đặc tính đáp ứng vị trí của xe nâng và góc lệch của tải trọng 0 2 4 6 8 0 0.5 1 Time (s) (a) P os iti on (m ) 0 2 4 6 8 -1 -0.5 0 0.5 1 Time (s) (b) S w in g an gl e (r ad ) x-TH1 x-TH2 x-TH3 θ-TH1 θ-TH2 θ-TH3 Po si tio n (m ) Sw in g an gl e (ra d) Hình 15. Đường đặc tính đáp ứng vị trí của xe nâng và góc lệch của tải trọng khi thay đổi các thông số hệ thống Để bám sát với tình hình thực tế và nghiên cứu tác động của các bộ điều khiển, chúng ta lần lượt thay đổi các thông số cụ thể như sau: Trường hợp 1 (TH1) tăng l = 0,61 m, các thông số khác không đổi. TH2 tăng m = 1,6 kg, các thông số khác không đổi. TH3 tăng x_ref = 0,8 m, các thông số khác không đổi. Mô phỏng hệ thống trên phần mềm Matlab/ Simulink cho ba trường hợp trên. Kết quả mô phỏng được hiển thị trong hình 15. Có thể thấy rằng khi các thông số hệ thống thay đổi trong trường hợp sử dụng ANFIS-LQR, hệ thống giàn cần cẩu vẫn đạt được vị trí chính xác trong thời gian ngắn và khống chế được góc lệch của tải trọng nhỏ. 0 2 4 6 8 0 0.5 1 Time (s) (a) Po si tio n (m ) x-TH1 x-TH2 x-ANFIS-LQR 0 2 4 6 8 -0.4 -0.2 0 0.2 0.4 Time (s) (b) Sw in g an gl e (ra d) θ-TH1 θ-TH2 θ-ANFIS-LQR Po sit ion (m ) Sw ing a ng le (ra d) Hình 16. Đường đặc tính đáp ứng vị trí của xe nâng và góc lệch của tải trọng khi có nhiễu Ngoài ra, khi hệ thống giàn cần cẩu hoạt động còn có các nhiễu bên ngoài tác động vào hệ thống, để kiểm tra độ tin cậy của các bộ điều khiển nhóm tác giả đã đưa giả thiết các bước tín hiệu nhiễu [9] tác động vào hệ thống giàn cần cẩu, cụ thể như sau: Trường hợp 1 (TH1) là nhiễu làm tải trọng dao động với bước tín hiệu nhiễu giả thiết như sau: Thời gian bước = 4 s, góc lệch = 0,2 (rad), thời gian = 1 s. TH2 là nhiễu làm thay đổi vị trí giỏ hàng với bước tín hiệu nhiễu giả thiết như sau: Thời gian bước = 1 s, phạm vi = 0,2 m, thời gian = 1 s; Kết quả mô phỏng được hiển thị trong hình 16. TH3 tín hiệu nhiễu tác động vào hệ thống có dạng như hình 17, khi đó đường đặc tính đáp ứng vị trí của xe nâng và góc lệch của tải trọng được thể hiện như trong hình 18. Hình 17. Đường đặc tính dạng tín hiệu nhiễu tác động vào hệ thống Có thể thấy rằng khi có các nhiễu tác động, hệ thống vẫn đạt được vị trí mong muốn trong thời gian ngắn và kiểm soát được góc lệch của tải trọng nhỏ. Hình 18. Đường đặc tính đáp ứng vị trí của xe nâng và góc lệch của tải trọng khi có nhiễu TH3 LIÊN NGÀNH ĐIỆN - ĐIỆN TỬ - TỰ ĐỘNG HÓA Tạp chí Nghiên cứu khoa học - Đại học Sao Đỏ, ISSN 1859-4190 Số 4(59).2017 35 Để làm rõ tính vượt trội của giải pháp, nhóm tác giả đã tiến hành so sánh bộ điều khiển ANFIS-LQR với các phương pháp điều khiển khác đã được công bố như trong bảng 3. Bảng 3. So sánh ANFIS-LQR với các phương pháp điều khiển khác đã được công bố Ký hiệu ANFIS- LQR DE- PID [6] Mờ- PD [8] Mờ đôi [9] Mờ- Trượt [10] x_ref 0,5 m 5 m 0,2 m 1 m 2 m POT 0% 3% 0% 13% 0% exl 0% 0% 0% 0% 0% txlvt 2,1s 12 s 4,5 s 35 s 12,5 s txlgl 3,5 s 25 s 3,5 s 26 s 13 s θmax 0,3 rad 0,65 rad 0,06 rad 0,02 rad 0,3 rad θmin 0 rad 0 rad 0 rad 0 rad 0 rad Căn cứ vào các kết quả trong bảng 3 có thể thấy rằng với đối tượng giàn cần cẩu mà nhóm tác giả nghiên cứu trong [10] sử dụng bộ điều khiển ANFIS-LQR là tối ưu nhất. 5. KẾT LUẬN Trong bài báo này, chúng tôi thiết kế được bộ điều khiển ANFIS-LQR để kiểm soát vị trí của xe nâng trong thời gian ngắn đạt được vị trí mong muốn, đồng thời khống chế được góc lệch của tải trọng nhỏ. Bộ điều khiển ANFIS-LQR được kiểm tra thông qua mô phỏng Matlab/Simulink kết quả mô phỏng khi thay đổi các thông số hệ thống và kiểm tra độ tin cậy của hệ thống điều khiển bằng việc đưa bước tín hiệu nhiễu tác động vào hệ thống cho thấy giàn cần cẩu di chuyển đến vị trí mong muốn nhanh trong khoảng txlvt = 2,1 s trong khi khống chế dao động của tải trọng nhỏ với θmax = 0,3 (rad). Ngoài ra bộ điều khiển ANFIS-LQR còn được so sánh với các phương pháp điều khiển khác. Kết quả bộ điều khiển ANFIS-LQR được đề xuất điều khiển giàn cần cẩu [10] là tối ưu nhất. TÀI LIỆU THAM KHẢO [1]. J. Smoczek (2013). Interval arithmetic-based fuzzy discrete-time crane control scheme design. Bull. Pol. Ac.: Tech. 61 (4), 863-870. [2]. N. Sun, Y.C. Fang, and X.B. Zhang (2013). Energy coupling output feedback control of 4-DOF underactuated cranes with saturated inputs. Automatica 49 (5), 1318-1325. [3]. Khalid L. Sorensen, William Singhose, Stephen Dickerson (2007). A controller enabling precise positioning and sway reduction in bridge and gantry cranes. Control Engineering Practice 15, 825-837. [4]. Quang Hieu Ngo and Keum-Shik Hong (2012). Sliding-Mode Antisway Control of an Offshore Container Crane. IEEE/ASME Transactions on Mechatronics, Vol. 17, No. 2, APRIL. [5]. Mohammad Javad Maghsoudi, Z. Mohamed, A.R. Husain, M.O. Tokhi (2016). An optimal performance control scheme for a 3D crane. Mechanical Systems and Signal Processing 66-67, 756-768. [6]. Zhe Sun, Ning Wang, Yunrui Bi, Jinhui Zhao (2015). A DE based PID controller for two dimensional overhead crane. Proceedings of the 34th Chinese Control Conference July 28-30, Hangzhou, China. [7]. Ning Sun, Yongchun Fang, Xuebo Zhang (2013). Energy coupling output feedback control of 4-DOF underactuated cranes with saturated inputs. Automatica 49, 1318-1325. [8]. Naif B. Almutairi and Mohamed Zribi (2016). Fuzzy Controllers for a Gantry Crane System with Experimental Verifications. Article in Mathematical Problems in Engineering. DOI: 10.1155/1965923. [9]. Lifu Wang, Hongbo Zhang, Zhi Kong (2015). Anti-swing Control of Overhead Crane Based on Double Fuzzy Controllers. IEEE Chinese Control and Decision Conference (CCDC), 978-1-4799- 7016-2/15/$31.00. [10]. Dianwei Qian, Jianqiang Yi, Dongbin Zhao (2011). Control of Overhead Crane Systems by Combining Sliding Mode with Fuzzy Regulator. Milano (Italy) August 28 - September 2. [11]. Yu Zhangguan (2005). Modern Control Theory [M]. Harbin: Harbin Institute of Technology Press. [12]. Xue Dingyu, Chen Yangquan. System Simulation Technology and Application Based on Matlab/ Simulink [M]. Beijing.