Thiết kế bộ điều khiển Feed-back kết hợp Feed-forward đối với hệ thống Twin Rotor

Bài báo này đưa ra cấu trúc điều khiển kết hợp bộ điều khiển phản hồi (PSO-based PID) với bộ điều khiển truyền thẳng (MRAS-based LFFC) để loại bỏ tính phi tuyến, xen kênh, và đặc biệt là tính phi tuyến đầu vào của hệ thống Twin Rotor MIMO System (TRMS) bằng phương pháp bù tổng trong điều kiện đặc tính của đối tượng được giữ nguyên thay vì tuyến tính hóa. Giải pháp đề xuất này được kiểm chứng thông qua mô phỏng trên Matlab/Simulink.
Nội dung trích xuất từ tài liệu:
Thiết kế bộ điều khiển Feed-back kết hợp Feed-forward đối với hệ thống Twin Rotor Nghiên cứu khoa học công nghệ THIẾT KẾ BỘ ĐIỀU KHIỂN FEED-BACK KẾT HỢP FEED-FORWARD ĐỐI VỚI HỆ THỐNG TWIN ROTOR Đàm Bảo Lộc1*, Đặng Văn Huyên2, Nguyễn Duy Cương2 Tóm tắt: Twin Rotor MIMO System (TRMS) là một hệ phi tuyến mạnh được dùng để kiểm nghiệm các thuật toán điều khiển trong phòng thí nghiệm. Phần lớn các thuật toán điều khiển áp dụng cho hệ điều dựa trên mô hình toán của đối tượng đã được tuyến tính hóa, ưu điểm của các phương pháp này là dễ thực hiện, và vẫn có thể đảm bảo tính ổn định cho hệ thống. Tuy nhiên, các thuật toán điều khiển được thiết kế dựa trên mô hình toán của đối tượng đã được tuyến tính hóa sẽ không tạo ra một dự đoán chính xác so với đáp ứng của hệ thống trong thực tế. Bài báo này đưa ra cấu trúc điều khiển kết hợp bộ điều khiển phản hồi (PSO-based PID) với bộ điều khiển truyền thẳng (MRAS-based LFFC) để loại bỏ tính phi tuyến, xen kênh, và đặc biệt là tính phi tuyến đầu vào của hệ thống Twin Rotor MIMO System (TRMS) bằng phương pháp bù tổng trong điều kiện đặc tính của đối tượng được giữ nguyên thay vì tuyến tính hóa. Giải pháp đề xuất này được kiểm chứng thông qua mô phỏng trên Matlab/Simulink. Kết quả đạt được cho thấy cấu trúc điều khiển đề xuất đã cải thiện chất lượng điều khiển của hệ thống rõ rệt. Từ khóa: TRMS, Feedback, Particle Swarm Optimization (PSO), Learning Feed-Forward Control (LFFC), MRAS-based LFFC, Bù tổng. 1. ĐẶT VẤN ĐỀ Hình 1. Hệ thống Twin Rotor MIMO System (TRMS). TRMS [1] mô tả động học gần giống với động học của máy bay trực thăng. Hệ thống này được dùng trong phòng thí nghiệm để phục vụ cho việc nghiên cứu, và áp dụng các giải thuật điều khiển. Có rất nhiều giải thuật điều khiển đã được áp dụng để điều khiển hệ thống TRMS. Tuy nhiên, đa phần các giải thuật điều khiển đó được thiết kế dựa trên mô hình đối tượng tuyến tính hóa [2]. Điều này có thể vẫn cho ra chất lượng điều khiển tốt, hệ thống ổn định trong mô phỏng, nhưng mô hình TRMS sau khi tuyến tính hóa sẽ không có đáp ứng chính xác như trong thực tế. Bài báo này đề xuất giải pháp điều khiển “ Feedback kết hợp với Learning Feed-Forward” nhằm nâng cao chất lượng điều khiển trong khi vẫn giữ nguyên tính phi tuyến và xen kênh của hệ thống. Vòng điều khiển Feedback: áp dụng giải pháp điều khiển kinh điển đó là bộ điều khiển PID [3]. Tuy nhiên, đối với mô hình đối tượng giữ nguyên tính chất phi tuyến và xen kênh Tạp chí Nghiên cứu KH&CN quân sự, Số Đặc san ACMEC, 07 - 2016 43  Điều khiển – Cơ điện tử - Truyền thông thì việc thiết kế, tính toán bộ điều khiển PID là không khả thi. Nhằm giải quyết vấn đề này, phương pháp tối ưu bày đàn [4], [5] (PSO-Particle Swarm Optimization) được áp dụng để tìm ra các tham số của bộ điều khiển PID. Vòng điều khiển truyền thẳng “Learning Feed-Forward” được thêm vào để loại bỏ nhiễu phi tuyến và nhiễu xen kênh. Cơ chế thích nghi của vòng điều khiển truyền thẳng được tính toán dựa theo giải thuật thích nghi theo mô hình mẫu MRAS (được gọi là MRAS-based LFFC). Mặt khác, do TRMS có tính phi tuyến đầu vào phức tạp nên việc áp dụng phương pháp bù từng thành phần sử dụng LFFC là không khả thi. Do đó, thay vì áp dụng phương pháp bù từng thành phần, thì phương pháp bù tổng được thực hiện nhằm giải quyết vấn đề. Tối ưu hóa theo nhóm bầy (PSO-Particle Swarm Optimization) là một kỹ thuật tối ưu hóa ngẫu nhiên dựa trên một quần thể được phát triển bởi Eberhart và Kennedy [6], [7] phỏng theo hành vi của các bầy chim hay các đàn cá. Trong quá trình chuyển động, mỗi phần tử chịu ảnh hưởng bởi hai thông tin: thông tin thứ nhất, gọi là pBest, là vị trí tốt nhất mà phần tử đó đã đạt được trong quá khứ; thông tin thứ hai, gọi là gBest, là vị trí tốt nhất mà cả bầy đàn đã đạt được trong quá khứ. Các phần tử trong PSO sẽ duyệt không gian bài toán bằng cách theo sau các phần tử có điều kiện tốt nhất hiện thời (độ thích nghi lớn nhất) MRAS-based LFFC [8], [9] được đưa ra với mục tiêu tạo ra phần động học ngược của thành phần phi tuyến và xen kênh tổng thể của hệ thống. LFFC được áp dụng với cơ chế thích nghi MRAS thay vì sử dụng mạng Nơ-ron (Neural network) bởi ưu điểm của MRAS là tốc độ đáp ứng nhanh đồng thời vẫn đảm bảo được sự chính xác cần thiết. Mô hình mẫu tạo ra các tập biến trạng thái. 2. MÔ HÌNH TOÁN HỌC TRMS Mô hình toán của TRMS được xây dựng dựa theo Euler_Newton hoặc Euler_Lagrange, có thể kể đến mô hình toán đã được tuyến tính hóa như [2] hay mô hình chính xác [1]. Trong bài báo này, mô hình toán của TRMS được sử dụng là mô hình toán chính xác dựa theo phương trình Euler_Lagrange [1]. 2.1. Mô hình toán của động cơ Mô hình toán của động cơ chính: Mô hình toán của động cơ đuôi: = + + ; = = + + ; = = + + ; = = + + ; = | | ≥0 | | ≥0 = (1) = (2) | | ≤0 | | ≤0 ...