Giải pháp bù thời gian trễ biển đổi và nhiễu của mạng các hệ thống điều khiển dựa trên mô hình dự báo smith thích nghi

13<br /> TẠP CHÍ KHOA HỌC CÔNG NGHỆ GIAO THÔNG VẬN TẢI, SỐ 19 - 05/2016<br /> <br /> <br /> GIẢI PHÁP BÙ THỜI GIAN TRỄ BIỂN ĐỔI VÀ NHIỄU CỦA<br /> MẠNG CÁC HỆ THỐNG ĐIỀU KHIỂN DỰA TRÊN MÔ HÌNH<br /> DỰ BÁO SMITH THÍCH NGHI<br /> COMPENSATION TIME-VARYING DELAYS AND DISTURBANCES<br /> SOLUTION OF NETWORKED CONTROL SYSTEM BASED ON ADAPTIVE<br /> SMITH PREDICTOR<br /> Đặng Xuân Kiên<br /> Đại học Giao thông Vận Tải Tp. Hồ Chí Minh<br /> Tóm tắt: Vấn đề nghiêm trọng nhất gây giảm hiệu suất điều khiển, mất ổn định của mạng các<br /> hệ thống điều khiển (Networked control systems-NCS) chính là ảnh hưởng của thời gian trễ và<br /> nhiễu, đặc biệt khi tại mỗi thời điểm chúng biển đổi không xác định. Rõ ràng đó là những thách<br /> thức hiện hữu làm cho các phương pháp điều khiển truyền thống khó đáp ứng được yêu cầu ổn<br /> định cần thiết của mạng các hệ thống điều khiển. Giải pháp sử dụng mô hình dự đoán Smith thích<br /> nghi với cơ chế ước lượng thời gian trễ và bù nhiễu dựa trên mạng thần kinh nhân tạo không chỉ có<br /> tính năng của một cấu trúc dự đoán Smith thông thường mà còn thích nghi cao với sự thay đổi liên<br /> tục của thời gian trễ và nhiễu làm tăng tính ổn định, đáp ứng điều khiển nhanh. Kết quả mô phỏng<br /> thu được bằng cách sử dụng phần mềm chuyên dụng True Time Beta 2.0 trên nền Matlab minh<br /> chứng phương pháp này nâng cao hiệu suất của mạng các hệ thống điều khiển một cách đáng kể.<br /> Từ khóa: Dự báo Smith, mạng các hệ thống điều khiển, bù nhiễu.<br /> Abstract: The most serious problems of networked control systems (NCS) to cause less control<br /> performance, instability and even collapse, are the randomly varying time delay and disturbances.<br /> These inherent challenges make the conventional control methods more difficult to meet the quality<br /> requirements for NCS stability. An adaptive Smith predictor combined time-delay estimation<br /> scheme and disturbance observer based on Neural network which has not only the features of<br /> simple Smith predict structure, but also the characteristics of adaptively, stability, and fast<br /> response. The simulation results via TrueTime Beta2.0 platform demonstrate that our method<br /> significantly improves the performance of NCS.<br /> Keywords: Adaptive Smith predictor, networked control system, disturbance observer.<br /> <br /> Các chữ viết tắt hệ thống bằng cách tăng số lượng cảm biến,<br /> LQR: Linear Quadratic Regulator đối tượng điều khiển, bộ điều khiển mà<br /> không cần thay đổi cấu trúc của toàn hệ<br /> H∞: H infinity<br /> thống, giảm chi phí vận hành khai thác và<br /> 1. Giới thiệu bảo dưỡng đáng kể. Hơn nữa, tính năng chia<br /> Mạng các hệ thống điều khiển sẻ dữ liệu giữa các bộ điều khiển của mạng<br /> (Networked control systems – viết tắt là làm tăng hiệu suất điều khiển, mạng điều<br /> NCS) được định nghĩa là hệ thống trong đó khiển có thể dễ dàng tổng hợp thông tin toàn<br /> các vòng lặp điều khiển được khép kín thông diện để đưa ra các quyết định thông minh<br /> qua mạng thời gian thực. Một mạng các hệ hơn đối với những không gian vật lý lớn.<br /> thống điều khiển điển hình được xây dựng Trong vài thập kỷ gần đây, NCS được<br /> dựa trên các phần tử cơ bản: Cảm biến – để ứng dụng rất rộng rãi trong công nghiệp<br /> lấy thông tin đầu vào, bộ điều khiển – để cũng như các lĩnh vực phục vụ đời sống xã<br /> cung cấp và ra lệnh điều khiển, đối tượng hội như mạng cảm biến di động, thám hiểm<br /> điều khiển – để thực thi các lệnh điều khiển, không gian vũ trụ, điều khiển và thu thập dữ<br /> mạng thời gian thực – nơi các phần tử của hệ liệu trong môi trường nguy hiểm, tự động<br /> trao đổi thông tin, tín hiệu điều khiển, đo hóa nhà máy xí nghiệp, chẩn đoán và xử lý<br /> lường…trong các vòng lặp khép kín với từ xa sự cố hệ thống tự động, điều khiển<br /> nhau qua mạng. Như vậy, lợi thế của mạng đồng bộ hóa các phương tiện giao thông vận<br /> các hệ thống điều khiển không chỉ làm tăng tải. Nhìn chung có hai hướng nghiên cứu hệ<br /> tốc độ điều khiển mà còn dễ dàng nâng cấp<br /> 14<br /> Journal of Transportation Science and Technology, Vol 19, May 2016<br /> <br /> <br /> thống điều khiển sử dụng mạng truyền thông gian trễ khi dữ liệu truyền từ bộ điều khiển<br /> trong đó bao gồm hệ thống điều khiển mạng tới đối tượng, e sc s là khoảng thời gian trễ<br /> chia sẻ (Shared-network) và hệ thống điều khi dữ liệu truyền từ cảm biến phản hồi<br /> khiển từ xa. Hướng đầu tiên sử dụng tài ngược tới bộ điều khiển qua Network. Đối<br /> nguyên của mạng chia sẻ để chuyển thông tượng điều khiển được xem xét là đối tượng<br /> tin từ cảm biến tới bộ điều khiển và tín hiệu có trễ G(s)  G (s)e  p s với e p s đặc trưng cho<br /> điều khiển từ bộ điều khiển tới cơ cấu chấp p<br /> <br /> hành, như vậy có thể giảm nhiều sự phức tạp mô hình thời gian trễ của đối tượng. Mô hình<br /> về kết nối. Những bộ điều khiển dựa trên cấu dự báo Smith được đưa thêm vào vòng lặp<br />  s<br /> trúc cơ bản của mạng đã được ứng dụng rộng kín của NCS Gm ( s)  Gpm ( s)e pm trong đó<br /> rãi trong điều khiển mạng Robot di động [1]  s<br /> Gpm (s)e pm đặc trưng cho mô hình dự báo<br /> và các ứng dụng trong công nghiệp [2].<br /> Hướng thứ hai với các hệ thống điều khiển của đối tượng G(s) .<br /> từ xa có thể xem là những hệ thống có bộ Như vậy chúng ta có thể phân tích mô<br /> điều khiển đặt ở khoảng cách xa, điều khiển hình NCS trong hình 1 với giả thiết không có<br /> không dây hoặc có kết nối bằng dây dẫn điện. nhiễu tác động vào hệ thống tương ứng d  0 ,<br /> Hệ thống thu thập dữ liệu [3], hệ thống giám ta có:<br /> sát và điều khiển từ xa [4] đều có thể xem  s<br /> y p  G p ( s )e p u ( s ) (1)<br /> như là một dạng của hệ thống điều khiển từ<br /> xa. Từ đó có thể thấy rằng những ứng dụng Bên cạnh đó, ta có thể dễ dàng suy luận<br /> toàn diện của NCS ở thời điểm hiện nay giúp ra được từ mô hình tính toán như sau:<br /> chúng ta có một thế giới đầy sáng tạo với yˆ pm  G pm ( s)u( s) (2)<br /> công nghệ hiện đại.<br />  s  s<br /> Trong bài báo này, bắt nguồn từ hướng y pm  G pm ( s)e pm u ( s)  yˆ pm e pm (3)<br /> nghiên cứu NCS đã trình bày trong [5-6] đề<br /> cập đến việc bù thời gian trễ của NCS với  s  s<br /> y fb  y p  y pm  (G p e p  G pm e pm )u(s) (4)<br /> mô hình dự báo Smith dựa trên các kỹ thuật<br /> điều khiển mờ và mạng nơ ron nhân tạo, tác Tín hiệu phản hồi có thể được tính toán<br /> giả mở rộng vấn đề xem xét ảnh hưởng đồng bởi công thức sau:<br /> thời của nhiễu ngoài và thời gian trễ lên NCS  p s  pm s<br /> dựa trên mạng thần kinh nhân tạo. Kết quả là ycomp  yˆ pm  y fb  G pm (s)u(s)  (G p e  G pme )u(s) (5)<br /> tạo ra một mô hình dự báo Smith thích nghi<br /> mới cho mạng các hệ thống điều khiển đã Từ (2), (3), (4), và (5), hàm truyền của<br /> y (s)<br /> được đề cập. NCS p được viết lại như trong công thức<br /> r (s)<br /> 2. Cấu trúc của NCS dựa trên mô<br /> hình dự báo Smith (6) như sau:<br />  p s<br /> y p (s) C (s)e  cas G p (s)e<br /> d yp  (6)<br /> r C s  ecas<br /> u G p s  ps r (s) 1  C (s)G pm (s)  C (s)e  cas [G p ( s)e<br />  p s<br />  G pm (s)e<br />  pm s<br /> ]e  sc s<br />  e<br /> <br /> Gpms<br /> yˆ pm  pms y pm Giả thiết mô hình dự đoán được xác<br /> Network e  yfb định chính xác, đồng nghĩa với ta có  p   pm<br /> ycomp<br /> escs và G p  G pm . Tiếp theo, chúng ta đạt được<br /> Smith Predictor<br /> (7) bằng cách triệt tiêu các thành phần tương<br /> Hình 1. Cấu trúc của NCS dựa trên mô hình dự báo đương nhau trong (6).<br /> Smith.  p s<br /> y p ( s) C ( s)e  cas G p ( s)e C ( s)G p ( s)  p s<br /> Cấu trúc của NCS xây dựng dựa trên mô   e  cas e (7)<br /> r ( s) 1  C ( s)G pm ( s) 1  C ( s)G pm ( s)<br /> hình dự báo Smith thể hiện trong hình 1,<br /> trong đó C(s) là bộ điều khiển, mạng gửi và Công thức (7) chỉ ra rằng mô hình NCS<br /> nhận dữ liệu Network với e ca s là khoảng thời<br /> mới dựa trên mô hình dự báo Smith có thể<br />  15<br /> TẠP CHÍ KHOA HỌC CÔNG NGHỆ GIAO THÔNG VẬN TẢI, SỐ 19 - 05/2016<br /> <br /> <br /> triệt tiêu hoàn toàn thời gian trễ của mạng được chất lượng điều khiển của NCS. Giải<br /> cũng như thời gian trễ của đối tượng. pháp xây dựng mô hình Smith kết hợp với bộ<br /> bù nhiễu (Nerual-network Disturbance<br /> observer –NDOB) dựa trên mạng thần kinh<br /> nhân tạo như trên hình 3.<br /> Bộ bù nhiễu NDOB lấy tín hiệu đầu vào<br /> như trong hình 3, tín hiệu đầu ra được xem là<br /> tín hiệu dùng để loại bỏ hoàn toàn nhiễu ra<br /> khỏi vòng lặp kín của NCS.<br /> Mô hình dự đoán Smith đưa thêm vào<br /> bộ nhận dạng đối tượng sử dụng mạng thần<br /> kinh nhân tạo được thiết kế như trong [8],<br /> Hình 2. Cấu trúc của NCS dựa trên mô hình dự báo khi đó mô hình dự báo Smith trở thành mô<br /> Smith với bộ ước lượng thời gian trễ sử dụng mạng<br /> thần kinh nhân tạo [6]. hình có khả năng thích nghi tuyệt đối ngay<br /> Thời gian trễ khi dữ liệu truyền từ cảm cả khi không xác định được rõ đối tượng lẫn<br /> biến tới bộ điều khiển đã bị loại trừ hoàn thời gian trễ của đối tượng.<br /> toàn ra khỏi vòng lặp, còn thời gian trễ khi 3.2. Kết quả mô phỏng<br /> dữ liệu truyền từ bộ điều khiển tới đối tượng Trong mô hình này, bộ điều khiển Fuzzy<br /> và thời gian trễ của đối tượng suất hiện như PID được thay thế bằng bộ điều khiển bền<br /> một khối Gain ở sau tín hiệu đầu ra. Như vậy, vững. Bộ điều khiển bền vững được tính toán<br /> ảnh hưởng của thời gian trễ bị loại trừ ra theo phương pháp McFarlan – Glover thỏa<br /> khỏi vòng lặp kín của NCS giúp cho hiệu mãn các điều kiện tính toán theo [8]. Đầu<br /> suất và chất lượng điều khiển của NCS được tiên giải các bất đẳng thức ma trận tuyến tính<br /> nâng cao. Mô hình xây dựng trên hình 2, đáp LMIs sau đó tính toán được biến vô hướng<br /> ứng tốt với sự thay đổi của thời gian trễ  0 , ta có được  0  2.2154 . Sử dụng giải<br /> nhưng chưa khảo sát sự ảnh hưởng của nhiễu.<br /> pháp tối ưu bằng Matlab với lựa chọn<br /> 3. Giải pháp loại trừ đồng thời ảnh<br />   1.1 0  2.4369 và sau đó tính được ma<br /> hưởng của thời gian trễ và nhiễu tác động<br /> vào NCS trận R và L như sau:<br /> 3.1. Giải pháp dùng mô hình Smith  0.5365  8.5691 0.1374<br /> thích nghi kết hợp bộ loại trừ nhiễu dựa R   0.0118 0.445 0.0044 (8)<br /> trên mạng thần kinh nhân tạo  0.0114  0.3408 0.8367<br /> vd L  0.4711 10 .928  0.2895 <br /> Robust Controller d<br /> r e<br /> Gp se<br /> Ks v eecacass<br /> u v  (k ) p s yp<br />   <br /> <br /> (9)<br /> p d n<br /> z1<br /> <br /> i<br /> <br /> vn<br /> z1 vn(k 1) <br /> yn<br /> Cuối cùng ta có bộ điều khiển bền<br /> Gpms z1 Q(s)<br />  Q(s) z1<br /> ~ ~ ~ ~ ~<br /> vững K  ( Ac , Bc , Cc , Dc ) với:<br /> <br /> d z1<br /> <br /> <br /> (k 1) pm <br /> Network z1 j<br /> yn <br /> Network<br /> (k)pm e On-line  155.6237  16385.4248  0.5844<br /> e ypm<br /> Ac   ,<br /> Calculation<br /> j ~<br />  630.1716<br /> Modulator<br /> p 4 0<br /> z1<br /> <br /> z1 Gpms<br /> e<br /> (k)pms<br />  yfb<br />   3.7687  628.0077  1.0175<br /> p<br /> scscss<br /> ee Adaptive Smith Predictor<br /> 1231 .4322 <br /> Bc   ,<br /> Hình 3. Cấu trúc của NCS dựa trên mô hình dự báo ~<br /> Smith thích nghi với bộ ước lượng thời gian trễ sử  57.6157 <br /> dụng mạng thần kinh nhân tạo, bộ giám sát và bù <br />  49.4248  <br /> nhiễu NDOB.<br /> Cc  0.4711 10.928  0.2895 ,<br /> ~<br /> Chúng ta xem xét NCS với ảnh hưởng<br /> của thời gian trễ lẫn nhiễu tác động vào NCS, ~<br /> Dc  0 .<br /> rõ ràng khi đó một cấu trúc dự báo Smith<br /> thông thường không đủ để có thể đảm bảo<br /> 16<br /> Journal of Transportation Science and Technology, Vol 19, May 2016<br /> <br /> <br /> Mô hình đối tượng điều khiển được<br /> chọn theo hàm truyền như sau:<br />  ( k ) p s 700 s  1  ( k ) p s<br /> G p ( s )e 5 e (10)<br /> s 2  30s  10 0.3s  1<br /> Trong đó, chúng ta lựa chọn 2 hàm danh<br /> định của mô hình đối tượng điều khiển tương<br /> s 1<br /> ứng W1  5, W2  và mô hình danh định<br /> 0.3s  1<br /> 700<br /> của đối tượng điều khiển G  2 .<br /> s  30s  10<br /> Lựa chọn hàm của thời gian trễ là dạng tín Hình 5. Đáp ứng tín hiệu đầu ra của NCS khi không<br /> hiệu sinusoidal [7] với t là dạng phiến hàm dùng NDOB và dùng NDOB với các bộ điều khiển<br /> tự do nằm trong ngưỡng [0,10]: Fuzzy PID (FC) và bền vững (RC) khi t  0  5 .<br />  (k ) p (t )  0.3sin(3  0.1t 2 ) (11) Cấu trúc NCS dựa trên mô hình Smith<br /> kết hợp bộ bù nhiễu NDOB cho thấy có thể<br /> Nhiễu có dạng tín hiêu với t là dạng phù hợp với rất nhiều bộ điều khiển, điển<br /> phiến hàm tự do nằm trong ngưỡng [0,10]: hình là bộ điều khiển Fuzzy và bộ điều khiển<br /> bền vững. Ngoài ra, bằng thực nghiệm trên<br /> d (t )  0.2sin(1.3t ) (12) True Time cho thấy hệ thống dưới tình trạng<br /> n(t )  0.01sin(0.3t ) (13) xấu hơn vẫn có khả năng duy trì độ ổn định<br /> tuy nhiên cũng chỉ đảm bảo trong một giới<br /> Sử dụng phần mềm TrueTime2.0 Beta 2<br /> hạn vật lý nhất định, khi nhiễu hoặc thời gian<br /> [10] chạy trên nền của Matlab với các tham<br /> trễ quá lớn thì giải pháp dùng mô hình dự<br /> số lựa chọn tương tự như trong phần trước ta<br /> báo Smith rất khó để đáp ứng được chất<br /> có kết quả sau:<br /> lượng đúng yêu cầu.<br /> Hình 4 và hình 5 hiển thị đáp ứng đầu ra<br /> 4. Kết luận<br /> trong 2 trường hợp: NCS có và không có bộ<br /> bù nhiễu NDOB. Kết quả cho thấy NCS có Bài báo đã đưa ra và giải quyết rất nhiều<br /> bù nhiễu đáp ứng đầu ra dao động với biên vấn đề gây giảm hiệu suất và chất lượng của<br /> độ nhỏ quanh vị trí cân bằng trong khi NCS NCS. Mỗi vấn đề đều có những hướng giải<br /> không bù nhiễu khó điều khiển với biên độ quyết để tìm ra phương pháp tốt nhất, phù<br /> dao động lớn, nếu tín hiệu nhiễu lớn đột ngột hợp nhất. Trong trường hợp bù thời gian trễ<br /> NCS có thể hoàn toàn mất ổn định. trong mạng điều khiển, giải pháp sử dụng mô<br /> hình dự đoán Smith thích nghi với cơ chế<br /> ước lượng thời gian sử dụng Logic mờ và<br /> mạng thần kinh nhân tạo cho kết quả tốt. Để<br /> giải quyết vấn đề bù nhiễu cho NCS, giải<br /> pháp sử dụng bộ bù nhiễu sử dụng mạng<br /> thần kinh nhân tạo kết hợp bộ lọc Q-filter đã<br /> được đưa ra. Cuối cùng, mô hình tổng quát<br /> của NCS dựa trên mô hình dự đoán Smith có<br /> khả năng loại trừ đồng thời ảnh hưởng của<br /> nhiễu lẫn thời gian trễ không xác định đã<br /> được xây dựng thành công, kết quả mô<br /> phỏng cho thấy tính hiệu quả của phương<br /> Hình 4. Đáp ứng của tín hiệu điêu khiển khi không pháp mới đưa ra. Về phương diện điều khiển,<br /> dùng NDOB và dùng NDOB với các bộ điều khiển<br /> Fuzzy PID (FC)[5] và bền vững (RC)[6] khi<br /> với mô hình NCS đưa ra hoàn toàn làm việc<br /> t  0  5 . ổn định với cả bộ điều khiển Fuzzy PID lẫn<br /> bộ điều khiển bền vững. Trong bài nghiên<br /> cứu chúng ta thấy giải pháp ứng dụng mạng<br />  17<br /> TẠP CHÍ KHOA HỌC CÔNG NGHỆ GIAO THÔNG VẬN TẢI, SỐ 19 - 05/2016<br /> <br /> <br /> thần kinh nhân tạo đã được sử dụng rất nhiều,<br /> nếu ta sử dụng thuật toán Gen cho công việc [6] X. K. Dang, Z. H. Guan, T. Li and D. X. Zhang,<br /> này có thể thu được kết quả tốt hơn  “Joint Smith Predictor and Neural Network<br /> Estimation Scheme for Compensating Randomly<br /> Tài liệu tham khảo Varying Time-delay in Networked Control<br /> [1] T. W. Long, “A self-similar neural network for System,” Proc. The 24th Chinese Control and<br /> distributed vibration control,” In Proc. The Decision Conference, Tai Yuan, China, May.<br /> 32nd IEEE Conference on Digital Object 2012. PP. 512-517.<br /> Identifier, vol. 4, pp. 3243 – 3248, 1993. [7] X.K. Dang, “Analysis and Design of Networked<br /> [2] P. I. Corkey, P. Ridley, “Steering kinematics for a Control Systems under the Effect of Time-delays<br /> center-articulated mobile robot,” IEEE and Disturbances,” Ph.D. dissertation, Univ.<br /> transactions on Robotics and Automations, vol. Huazhong, Wuhan, 2012.<br /> 17, no. 2, pp. 215–218, 2001. [8] Xuan-Kien Dang, Van-Thu Nguyen, Xuan-<br /> [3] F. L. Lian, J. Moyne, D. Tilbury, “Network design Phuong Nguyen, “Robust Control of Networked<br /> consideration for distributed control systems,” Control Systems with Randomly Varying Time-<br /> In IEEE Transactions on Control Systems Delays Based Adaptive Smith Predictor” Rangsit<br /> Technology, vol. 10, no. 2, pp. 297–307, 2002. Journal of Arts and Sciences, RJAS, Vol. 5 No.<br /> [4] I. A. K. Saeed, N. V. Afzulpurkar, “Real time, 2, pp.175-186, Dec, 2015.<br /> dynamic target tracking using image motion,” In [9] Đặng Xuân Kiên, “Mạng các hệ thống điều khiển:<br /> Proc. IEEE International Conference on Kiến thức nền tảng và định hướng nghiên cứu”,<br /> Mechatronics, Taipei, Taiwan, pp. 241–246, Tạp chí Khoa học công nghệ giao thông vận tải,<br /> 2005 Số 17-11/2015, Tr.37-41.<br /> [5] X. K. Dang, Z. H. Guan, H. D. Tran and T. Li, [10] C. Anton, H. Dan, and O. Martin, TrueTime 2.0<br /> “Fuzzy Adaptive Control of Networked Control beta 1 - Reference Manual, 1st ed. Sweden:<br /> System with Unknown Time-delay,” Proc. The Department of Automatic Control, Lund<br /> 30th Chinese Control Conference, Yan tai, University, January, 2009.<br /> China, Jul. 2011, pp. 4622 - 4626. Ngày nhận bài: 17/03/2016<br /> Ngày hoàn thành sửa bài: 06/04/2016<br /> Ngày chấp nhận đăng: 14/04/2016<br />