1. Trang Chủ
  2. Điện - Điện tử
  3. Điều khiển trượt tầng thích nghi quan sát neural tựa Luenberger cho tàu nổi USV

Điều khiển trượt tầng thích nghi quan sát neural tựa Luenberger cho tàu nổi USV

Bài báo trình bày thiết kế bộ điều khiển cho tàu nổi ổn định động trên mặt nước (USV), thuộc lớp đối tượng MIMO thiếu cơ cấu chấp hành với mô hình phi tuyến và sự bất định về mô hình và nhiễu. Một bộ quan sát neural cải tiến cho bộ quan sát Luenberger được sử dụng với bộ điều khiển trượt tầng (HSMC) cho USV được giới thiệu. Bộ điều khiển đảm bảo điều khiển vị trí và góc của tàu theo giá trị mong muốn. Mời các bạn cùng tham khảo! P-ISSN 1859-3585 E-ISSN 2615-9619 SCIENCE - TECHNOLOGY ĐIỀU KHIỂN T

Thể loại Tài liệu miễn phí Điện - Điện tử

Số trang 6

Ngày tạo 4/8/2023 1:20:53 PM +00:00

Loại tệp PDF

Kích thước 0.64 M

Tên tệp

Tải Điều khiển trượt tầng thích nghi quan sát neural t... (.pdf)

Xem mẫu

  1. P-ISSN 1859-3585 E-ISSN 2615-9619 SCIENCE - TECHNOLOGY ĐIỀU KHIỂN TRƯỢT TẦNG THÍCH NGHI QUAN SÁT NEURAL TỰA LUENBERGER CHO TÀU NỔI USV HIERARCHICAL SLIDING MODE ADAPTIVE CONTROL USING LUENBERGER NEURAL OBSERVER Nguyễn Khắc Tuấn1,*, Nguyễn Đức Khoát2, Lê Trần Thắng3 , Lê Xuân Hải4 quyết vấn đề mô hình phi tuyến, rất nhiều nghiên cứu đã TÓM TẮT được tiến hành, nổi bất là kỹ thuật cuốn chiếu Bài báo trình bày thiết kế bộ điều khiển cho tàu nổi ổn định động trên mặt (backstepping) và lý thuyết Lyapunov được sử dụng rộng nước (USV), thuộc lớp đối tượng MIMO thiếu cơ cấu chấp hành với mô hình phi rãi [3], điều khiển trượt [4], điều khiển dự báo (MPC) [5], tuyến và sự bất định về mô hình và nhiễu. Một bộ quan sát neural cải tiến cho bộ điều khiển bề mặt động (DSC) [6], phương pháp đại số quan sát Luenberger được sử dụng với bộ điều khiển trượt tầng (HSMC) cho USV tuyến tính [7]. được giới thiệu. Bộ điều khiển đảm bảo điều khiển vị trí và góc của tàu theo giá Bộ điều khiển backstepping tồn tại một số nhược điểm trị mong muốn. Tính ổn định của hệ thống kín được chứng minh qua tiêu chuẩn như khả năng đáp ứng với những thay đổi của môi trường ổn định Lyapunov. Các thuật toán được đề xuất thực hiện trong môi trường mô phỏng tổng hợp với giả thiết có nhiễu sóng, gió, dòng chảy và kết quả thu được không cao, cần biết chính xác thông số mô hình khó xác minh chứng cho tính hiệu quả của bộ điều khiển. định. Để giải quyết nhược điểm này, chúng tôi đã đưa ra giải pháp sử dụng kỹ thuật điều khiển trượt tầng (HSMC) Từ khóa: USV, bộ quan sát Luenberger, mạng neural, bộ điều khiển trượt tầng. cho tàu USV [8]. Đây là phương pháp cải tiến của kỹ thuật ABSTRACT điều khiển trượt kết hợp với phương pháp backstepping, tận dụng được ưu điểm của kỹ thuật điều khiển trượt là khả This paper presents the design of a controller for a surface ship moving on năng bền vững khi hệ thống có nhiễu hoặc khi thông số water (USV), belonging to the MIMO objects class that lacks an actuator with a của đối tượng thay đổi theo thời gian. Một khó khăn nữa nonlinear model and uncertainty, noise model. An improved neural observer for trong điều khiển tàu nổi là các phép đo vận tốc có thể the Luenberger observer used Hierarchical Sliding Mode Control (HSMC) for USV không đo được hoặc đo được nhưng có tồn tại các nhiễu. is introduced. The controller ensures to control the position and angle of the train Để đối phó với vấn đề này, bộ quan sát Luenberger [9] according to the desired trajectory. The stability of the closed system is proven by được đề xuất. Tuy nhiên hạn chế của bộ quan sát the Lyapunov Stability Theory. The proposed algorithms are implemented in a Luenberger là đòi hỏi biết đầy đủ một số thông tin chính synthetic simulation environment with the assumption of interference from xác về đối tượng, điều này khó đảm bảo vì trong môi waves, wind, flow and the obtained results demonstrate the effectiveness of the trường thực tế việc đảm bảo thông tin chính xác là khó controller. khăn. Để giải quyết vấn đề này, bài báo đề xuất sử dụng kết Keywords: USV, Luenberger observer, neural network, Hierarchical Sliding hợp thêm mạng neural nhân tạo để xấp xỉ các thành phần Mode Control. bất định trong bộ quan sát. Trong bài báo này, bộ quan sát mạng neural tựa Luenberger được thiết kế cùng bộ điều 1 Khoa Điện, Trường Đại học Sư phạm Kỹ thuật Vinh khiển trượt tầng cho USV. Tính ổn định của hệ được chứng 2 Khoa Cơ-Điện, Trường Đại học Mỏ Địa chất minh qua lý thuyết ổn định Lyapunov. 3 Viện Tự động hóa Kỹ thuật Quân sự 2. MÔ HÌNH TÀU NỔI USV 4 Trường Quốc tế, Đại học Quốc gia Hà Nội Theo [1] mô hình ba bậc tự do (surge, sway và yaw) của * Email: khactuan37@gmail.com USV có dạng như sau: Ngày nhận bài: 15/12/2021  η  J η υ   Ngày nhận bài sửa sau phản biện: 25/01/2022  (1) Ngày chấp nhận đăng: 25/02/2022 MRB υ  CRB  υ  υ  τRB T T trong đó: η   x y ψ , υ  u v r  là véc tơ vị trí 1. GIỚI THIỆU và vận tốc của tàu USV theo các phương x, y và góc; J  η  là USV là hệ thống tàu chuyển động trên mặt nước đang được nghiên cứu trong những nằm gần đây nhờ tính linh ma trận chuyển trục từ hệ tọa độ gắn thân tới hệ tọa độ hoạt của nó [1, 2]. Thách thức khi thiết kế kệ thống điều gắn với mặt đất; MRB là ma trận quán tính của USV; CRB  υ  khiển USV là động lực học của tàu là phi tuyến. Để giải là ma trận Coriolis và lực hướng tâm của USV; Website: https://jst-haui.vn Vol. 58 - No. 1 (Feb 2022) ● Journal of SCIENCE & TECHNOLOGY 15
  2. KHOA HỌC CÔNG NGHỆ P-ISSN 1859-3585 E-ISSN 2615-9619 τRB  τ hyd  τ hs  τ wind  τ wave  τ all là tổng véc tơ lực và mô F  υ   CRB υ  N  vr   F1 F2 F3  T (3) men tác dụng lên USV; τ hyd  MA υ r C A  υ r  υ r D  υ r  υ r T T Đặt F  υ   F11 F21  trong đó F11  F1 F2   T1F  υ  , là thành phần lực và mô men do dòng chảy gây ra với υ r là vận tốc tương đối của tàu so với dòng chảy; MA là ma trận 1 0 0 F21  F3  T2 F  υ  T1   với  , T2   0 0 1 . hằng số khối lượng gia tăng; CA là ma trận lực hướng tâm là 0 1 0  lực Coriolis do khối lượng gia tăng gây ra; D là ma trận giảm Các phép biến đổi và ma trận thành phần đã trình bày chấn và ma sát tác động lên tàu. trong [8] hệ (2) trở thành:  η 1  J11υ 1  J12 υ 2  υ  f x  g x τ  1 1  1    (4)  η2  J21υ 1  J22 υ 2  υ 2  f2  x   g2  x  τ Tín hiệu điều khiển theo phương pháp điều khiển trượt tầng được thiết kế [8] là: τ  τ eq1  τ sw1  τ eq2  τ sw2  λf1  βf2  λ  k 1J11υ 1 k 1J12 υ 2   1      λg1  βg2   β  k 2 J21υ 1k 2 J22 υ 2   (5) Hình 1. Mô hình tàu USV [1]  k.S  δsign(S)    Nếu giả thiết vận tốc dòng nước là υc thì Trong đó S là mặt trượt được định nghĩa: T υ r  υ  υ c  ur vr r  thành phần vận tốc dòng chảy S  λs1  βs2 trong đó s 1 k1e 1  e 2 , s 2  k 2 e 3  e 4 , theo phương góc bỏ qua τ wind , τ wave là thành phần nhiễu e 1  η 1  η 1d , e 2  υ 1 , e 3  η 2  η 2d , e 4  υ 2 và η 1d , η 2d loạn từ môi trường gây ra bởi gió, sóng. là các giá trị đặt cho quỹ đạo. Giả thiết thủy động lực học phương ngang bằng 0 T k 1  diag  k11 k12   R 22 , k 2  R, λ  diag  λ1 λ 2   R 2 2 , T nghĩa là τ hs  0 , τall  τx 0 τz   (τport τstbd) 0  τport τstbd  B  T  2 β  β1 β2   R21 và k11 , k12 , k 2 , λ1 , λ2 , β1 , β2  0 . Trong đó τ port , τ stbd véc tơ lực đẩy của động cơ bên trái 3.2. Bộ quan sát neural tựa Luenberger và bên phải của tàu, τx, τz là lực đẩy tác và mô men tác động Hệ tàu nổi thiếu chấp hành có dạng như đã viết ở phần 2: lên USV, B là khoảng cách giữa hai động cơ đẩy. Hệ phương trình động lực học của hệ được viết lại là:  η 1  J11υ 1  J12 υ 2  υ  f x  g x τ  1 1  1   η  J η υ     .  (2)  η2  J21υ 1  J22 υ 2 MRB υ  CRB  υ  υ  N  υ r   τ all  υ 2  f2  x   g2  x  τ 3. BỘ ĐIỀU KHIỂN TRƯỢT TẦNG QUAN SÁT TRẠNG THÁI Nếu đặt: NEURAL TỰA LUENBERGER  η1   0 2 2   J11υ 1 J21υ 2  3.1. Bộ điều khiển trượt tầng       υ g1  x f1  x   Theo [8], chúng tôi đã tách hệ thống thiếu cơ cấu chấp x   1  t, gx   , f x   hành thành hai hệ con: một hệ đủ cơ cấu chấp hành và một  η2   012   J21υ 1        hệ con tự do. Đổi chỗ của hàng 2 và hàng 3 của các ma trận υ2   g2  x    f2  x   thành phần J(η), MRB, CRB,, CRB, CA(υr), D(υr) trong hệ (2). Viết thì có thể chuyển hệ thành dạng Affine với đầu ra là y có lại véc tơ vị trí và vận tốc, véc tơ lực đẩy động cơ của hệ dạng: dưới dạng: T T T  x  f  x   g  x  u η   η 1 η 2  với η 1  x ψ , η 2  y ; υ   υ 1 υ 2   (6) T  y  Cx với υ 1  u r  , υ 2  v . 1 0 0 0 0 0 T T υ r   υ r1 υ r2  với υ r1  ur r , υ r2  v r ; trong đó ma trận đầu ra C  0 1 0 0 0 0  thể T T τ all   τ 0  với τ   τ x τz  . 0 0 0 0 1 0  hiện cho các trạng thái đo được của hệ. Định nghĩa véc tơ: 16 Tạp chí KHOA HỌC VÀ CÔNG NGHỆ ● Tập 58 - Số 1 (02/2022) Website: https://jst-haui.vn
  3. P-ISSN 1859-3585 E-ISSN 2615-9619 SCIENCE - TECHNOLOGY Trước hết, nếu đặt φ  x, u   f  x   g  x  u  Ax , với A là x  supx  t   a2 . Giả thiết này có ý nghĩa bởi lẽ luôn tồn t một ma trận Hurwitz tùy chọn, là một ánh xạ trơn, liên tục tại một giới hạn về mặt cơ khí chết tạo cho các hệ thống Lipchitz trên không gian trạng thái compact xác định với x thực. Ngoài ra nếu kí hiệu thì hệ tàu nổi đã cho tương đương với:  x  Ax  φ  y , u  (7)    x  t  :  0  n x  sup x  t   a1   n t  là tập các  y  Cx véc tơ x(t) thỏa mãn giả thiết 1 thì do ℝn là không gian véc Như đã biết, trong lý thuyết điều khiển tuyến tính, bộ tơ đủ, Ω đóng và bị chặn. quan sát Luenberger được thiết kế hoàn toàn phù hợp để Định lý 2: Đặt f  x, x d , t   1 n  n    0 ,    là ánh quan sát các trạng thái không đo được của hệ tuyến tính xạ liên tục:  n  n    0   thuộc không gian véc tơ đủ dựa trên nguyên tắc hiệu chỉnh sai lệch giữa đầu ra của hệ và đầu ra quan sát thông qua việc thiết kế ma trận ℂ1, 1 chiều.    n là tập compact xác định trên không Luenberger. Nguyên tắc đó hoàn toàn có thể mở rộng cho gian ℝn; ε    0 là hằng số dương bé tùy ý và kí hiệu tập lớp hệ phi tuyến truyền ngược dạng Afine, bậc n, quan sát được, được gọi là bộ quan sát tựa Luenberger. Định lý sau δ  x, x , t      i d 1 n    n    0 ,   i   là tập những ánh sẽ trình bày nguyên tắc đó: xạ:      0   n n bị chặn trên miền Định lý 1: (Bộ quan sát tựa Luenberger). Nếu hệ phi         0 ,   . Cùng với các giả thiết 1, 2, khi đó 1 n n tuyến (6) là quan sát được, tức là cặp ma trận (A, C) là quan sát được thì với bộ quan sát: x, x d   , t    0 , luôn L   sao cho i  1, L   , xˆ  Axˆ  φ  y , u  K  y  Cxˆ  (8) tập các ánh xạ tác động phi tuyến và bị chặn (tập giới nội), sẽ làm cho limxˆ  t   x  t  nếu ma trận K được tính toán t liên tục δ  x, x , t      i d 1 n  n    0 ,   i    và tập phù hợp sao cho đảm bảo ma trận A0 = A - KC là ma trận véc tơ các số thực wi   i  1, L    thỏa mãn: Hurwitz. Các điểm cực của A0 càng xa trục ảo, tốc độ tiệm cận xˆ  x càng nhanh. sup   f  x,x ,t   W T δ χ d     ε (11) Như vậy trong định lý 1 cho ta một gợi ý để xây dựng bộ x ,x d  T    f  x, x d ,t   W δ  x   quan sát cho đối tượng tàu nổi. Tuy nhiên do đặc thù đối T tượng này là một thiết bị có độ bất định tương đối lớn nên Trong đó δ  x    δ1 δ2  δL  gọi là véc tơ hàm tác thực tế ánh xạ φ(.) không thể xác định chính xác, nghĩa là T tồn tại một lượng chênh lệch Δφ(y, u) đủ nhỏ làm cho: động và vector W   w1 w2  wL  gọi là véc tơ trọng  x  Ax  φ  y, u φ  y , u số.  f là kí hiệu ánh xạ Jacobian: m  mn tính bởi  (9) f  x   y  Cx f  . x Và khi đó nếu vẫn sử dụng bộ quan sát như (8) thì sẽ Như vậy nếu định lý 2 thỏa mãn thì sẽ luôn tồn tại 2 giá không đảm bảo được limxˆ  t   x  t  kể cả khi A0 = A - KC là t trị trọng số để Hurwitz, do phương trình vi phân x  x  xˆ  A x  xˆ  φ y,u φ  y,u  WoT tanh YoT x  (12) t Định lý 3: Xét hệ phi tuyến (9) bậc n có cặp ma trận còn dư một số hạng trong nghiệm là:  φ  y, u dt . 0 (A, C) quan sát được, cùng với véc tơ hàm toán học bất định Để khắc phục được hạn chế nêu trên, trong bài báo này, mô tả hệ thống φ  y , u  , nếu sử dụng bộ quan sát: chúng tôi đề nghị sử dụng mạng Neural nhân tạo để xấp xỉ xˆ  Axˆ  W   ˆ T tanh Yˆ T x  K  y  Cxˆ  o o thành phần hàm bất định φ(y, u). Theo đó, thực hiện phép  T ˆ y  Cx ˆ (13)   tính xấp xỉ bởi mạng: φ y,u  WoT tanh YoT x ,x  xˆ T uT  ,  T T  x   xˆ u  T δ(.) là hàm tác động bị chặn thì mô hình bộ quan sát sẽ được cho theo định lý 2. Nhưng trước hết, chúng ta có giả Đồng thời ma trận K được tính toán phù hợp sao cho thiết dưới đây: đảm bảo ma trận A0 = A - KC là ma trận Hurwitz. Cập nhập 2 Giả thiết 1: Trọng số của mạng Neural là bị chặn. Nghĩa trọng số W ˆ và Yˆ theo định lý 3, sẽ làm cho sai lệch quan o o là luôn tồn tại các giá trị WM , YM thỏa mãn: sát hội tụ chừng nào x còn nằm bên ngoài trong một miền ˆ  W và Yˆ  Y W Compact   định nghĩa bởi: o M o M (10) x Giả thiết 2: Các trạng thái hệ thống cùng với các đạo     x x  2d    (14) hàm của nó là bị chặn. Nghĩa là x  supx  t   a1 và x   T  μ C λmin  C  C  t Website: https://jst-haui.vn Vol. 58 - No. 1 (Feb 2022) ● Journal of SCIENCE & TECHNOLOGY 17
  4. KHOA HỌC CÔNG NGHỆ P-ISSN 1859-3585 E-ISSN 2615-9619 nghĩa là: Mặt khác do ma trận A0 là ma trận bền, P đối xứng xác  định dương nên nó còn thỏa mãn phương trình Lyapunov: lim x  t   0, x  x (15) t PA o  A oT P  μIn với μ > 0 (21) Các điểm cực của A0 càng xa trục ảo, tốc độ tiệm cận xˆ  x càng nhanh. Ta được: ρ Định lý 4: (Cập nhập mạng Neural) Kí hiệu y  y  yˆ thì Vo  x    x T x  xP  W  ˆ T tanh Yˆ T x  K  y  Cxˆ  o o    2 luật học mạng Neural được cập nhập theo hệ phương trình  T λ tanh Yˆ T x y T CA1  W  tr W     T θ y  W  W   (22)  dưới đây thông qua cực tiểu hóa hàm sai lệch: o 1 o o o 1 o o ˆ  Y λ tanh Yˆ x  y CA W   ˆ T  T 1 o   λ1 tanh Yo x y CA o  θ1 y Wo  ˆ  tr  T o 2 T o T 1 o W o N  ˆ T I   Yˆ T x  op    (16)   Y T θ y Y  Y    Yˆ o  λ2 tanh Yˆ oT x y T CAo1W  ˆ T I   Yˆ T x  θ y Yˆ o N op 2 o    o 2  o o  Trong đó, λ1,2 ; θ1,2 là các hệ số dương thỏa mãn Gọi C* là ma trận giả nghịch đảo của ma trận đầu ra C thì 2 x  C* y . Thay vào đạo hàm của hàm Lyapunov và sử dụng λ1CA o1 bất đẳng thức Cauchy-Schwart có dạng: θ1  4 , θ2  1 , N là số neural lớp ẩn,  Yˆop T x là một   2  T W W   tr W    W  W   W ma trận chéo với các phần tử trên đường chéo chính là o o o M o F o F (23) 2  tanh2 Yˆ op  x , Yˆop là vector cột thứ p của Yˆo . Ngoài ra, các tr  Y  Y  Y o   YM Y o  Y o T T o o F F   W W sai lệch trọng số W ˆ và Y  Y  Yˆ là các điểm Biến đổi ta có được: o o o o o o cân bằng theo nghĩa UUB. ˆ T tanh Yˆ T x Trong đó, ổn định UUB được định nghĩa: Hệ phi tuyến V  x    ρ y T  C * T C * y  C * yP  W  o o    o 2   x  f  x , t  với f  0 , t   0; t  0; x  R n1 và ánh xạ  K  y  Cxˆ   f .  R n1 . Điểm cân bằng xC được gọi là UUB nếu tồn tại  tr W  T λ tanh Yˆ T x y T CA 1     o 1 o o tập đóng  x   sao cho x   x luôn tồn tại chặn trên n B và thời gian TB B, x  để luôn có:   θ1 y WM W o  F   W o F 2  (24) x  xC  B, t  t 0  tB (17)  θ2 y  Y M Yo F  Yo 2 F  Chứng minh tính hội tụ:   tr Y oT λ2 tanh Yˆ oT x y T CA o1W ˆ T I   Yˆ T x o N op     Sử dụng hàm Lyapunov xác định dương có dạng: Mặt khác ta lại có: 1 1  TW  1 tr Y T Y  W  W  Vo  x   x T Px  tr W 2 2 o o 2  o o  (18)   ˆ  W W Wo o o M o P là ma trận đối xứng xác định dương bất kì. W  T tanh  Y T x     o C * yP o   y P C * σM W ε   o M Lấy đạo hàm theo thời gian của hàm ứng viên Lyapunov  p  K  y  Cxˆ    M  ta được:  tr W  T λ tanh Yˆ T x y T CA 1  σ y W     λ1CA o1 (25) o 1 o o M o 1 1   V o  x   x T Px  x T Px  tr W 2 2  TW o  o     tr YoT Yo (19) tr  Y λ tanh  Yˆ x  y CA W T o 2 ˆ I T o T 1 o T o N   Yˆ op T x  F  Sử dụng đẳng thức (13) và để ý rằng   ˆ  y λ CA Y  W  W 1   Wo   W  ˆ T  T 1  o  λ1 tanh Yo x y CA o  θ1 y  ˆ và đồng thời: Wo 2 o o M o  Ta được: Yo  Yˆ o  λ 2 tanh Yˆ oT x y T CAo1W    ˆ T I   Yˆ T x  θ y Yˆ , o N op 2 o   μ V o  x    y T  C*  C* y  y P C* σ M W  ε T thay vào (19) ta được: 2 o M    T tanh Y T x   1 V o  x   x T PAo  A oT P  x  xP W   o o   σM y W  o λ1CA o1  θ1 y WM W F  o   W o  F 2 F  2  p  K  y  Cxˆ    λ tanh Yˆ x y CA  W  M  θ y W   θ2 y YM Y o  F  Y o 2 F    tr W T o 1 T   T o 1 T o ˆ o 1 o  (20)  y λ 2 CA o1 Yo WM  W    o  Y T λ tanh Yˆ x  y CA T T 1  ˆ T I   Yˆ T x  W   o 2 o o o N op  tr     Yˆ T θ y Yˆ   o 2 o  18 Tạp chí KHOA HỌC VÀ CÔNG NGHỆ ● Tập 58 - Số 1 (02/2022) Website: https://jst-haui.vn
  5. P-ISSN 1859-3585 E-ISSN 2615-9619 SCIENCE - TECHNOLOGY μ 1 0 0 0 0 0  V o  x    λmin  C*  C* y T 2 2 λ1  λ 2  50; θ1  θ 2  10; C  0 1 0 0 0 0  , 2   λ CA 1   0 0 0 0 1 0  ε P C*   θ  2 o  W  2   M  1 4  o  Số neural lớp ẩn: N = 20        (26)  0 0 0 1 0 0   y   *   P C σM  θ1WM  σM λ1CA o Wo 1    0 0 0 0 1 0  2    θ2 YM  λ 2 CA o1 WM Y o   θ2  1 Y o     0 0 0 0 0 1   2  A ;   λ2 CA o1    50 0 0 96 0 0     Y  W    0 92 0 0 69 0    o 2 o          0 0 50 0 0 100  2 λ 2 CA o1 120 0 0  Như vậy nếu chọn θ1  , θ2  1 và đặt:  0 120 4  0  * 1  0 0 0  σM P C  σM λ1CA o  θ1WM K  α1  2  0 0 0   λ 2 CA o1     0 0 2441 2 θ1     4     0 0 0  θ2 YM  λ2 CA o1 WM Xét tác vận tốc của dòng nước là hàm thời gian: và α 2  (27) T υ c  0,8sin 0,7t  0,2sin 0,5t  0  (m/s) 2  θ2  1 Ta được: Với vị trí đặt mong muốn x  3  m ; y  2  m ; ψ  0,1 rad μ V o  x    λmin  C*  C* y T 2 2 2   λ CA 1   ε P C*   θ  2 o  α2  (28) M  y   1 4  1       θ  1 α2    2  2  Vậy để đảm bảo tính xác định âm của hàm Lyapunov thì sai lệch quan sát cần thỏa mãn: 2   λ2 CA o1  2  2  εM P C   θ1  *  α   θ  1 α2    4  1 2 2  y      (29) * T * μλmin  C  C 2  λ 2 CA o1  2  Đặt d  εM P C  θ1 *  α   θ  1 α 2 thì ta  4  1 2 2   có điều kiện đủ để bộ quan sát xấp xỉ được trạng thái là: 2d x  T (đ.p.c.m) (30) μλmin C  C*  C* 4. KẾT QUẢ MÔ PHỎNG Để kiểm chứng độ hiệu quả của bộ điều khiển được đề xuất, bài báo thực hiện mô phỏng bộ điều khiển trượt tầng thích nghi quan sát neural tựa Luenberger trên phần mềm Matlab Simulink. Thông số mô hình, bộ điều khiển trượt tầng được lấy ở tài liệu [8]. Các tham số của bộ quan sát và mạng neural: Hình 2. Vị trí và góc hướng của USV Website: https://jst-haui.vn Vol. 58 - No. 1 (Feb 2022) ● Journal of SCIENCE & TECHNOLOGY 19
  6. KHOA HỌC CÔNG NGHỆ P-ISSN 1859-3585 E-ISSN 2615-9619 5. KẾT LUẬN Bộ điều khiển trượt tầng thích nghi quan sát neural tựa Luenberger đạt hiệu quả ổn định, chất lượng tốt, đã giải quyết được một số bài toán thực tế đề ra là sự bất định của mô hình và môi trường hoạt động. Bộ quan sát neural khắc phục được nhược điểm của bộ quan sát Luenberger thuần túy, mở ra hướng giải quyết bài toán khó đo đạc vị trí, vận tốc của tàu trong môi trường nước. Hướng phát triển tương lai của bài báo là bên cạnh sử dụng bộ quan sát, kết hợp sử dụng bộ xấp xỉ các thành phần bất định sử dụng mạng neural để giải quyết triệt để vấn đề bất định, khó đo đạc của môi trường và mô hình. TÀI LIỆU THAM KHẢO [1]. Alejandro G G, Ivana C G, David B A, Leonardo G, 2020. Proc. Int. Conf of the International Conference on Deep Learning Technologies. 4th (ICDLT 2020) p 118-122. [2]. S. Muhammad, A. Doria-Cerezo, 2012. Passivity-based control applied to the dynamic positioning of ships. IET Control Theory Applications, vol. 6, no. 5, pp. 680–688. [3]. A. Loria, T. I. Fossen, E. Panteley, 2000. A separation principle fordynamic positioning of ships: Theoretical and experimental results. IEEE Transactions on Control Systems Technology, vol. 8, no. 2, pp.332–343. [4]. H. Ashrafiuon, K. R. Muske, L. C. McNinch, R. A. Soltan, 2008. Sliding- mode tracking control of surface vessels. IEEE Transactions on Industrial Hình 3. Vận tốc của USV Electronics, vol. 55, no. 11, pp. 4004–4012. [5]. B. J. Guerreiro, C. Silvestre, R. Cunha, A. Pascoal, 2014. Trajectory tracking nonlinear model predictive control for autonomous surface craft. IEEE Transactions on Control Systems Technology, vol. 22, no. 6, pp. 461–466. [6]. D. Chwa, 2011. Global tracking control of underactuated ships with input and velocity constraints using dynamic surface control method. IEEE Transactions on Control Systems Technology, vol. 19, no. 6, pp. 1357–1370. [7]. M. E. Serrano, G. J. E. Scaglia, S. A. Godoy, V. Mut, and O. A. Ortiz, 2014. Trajectory tracking of underactuated surface vessels: A linear algebra approach. IEEE Transactions on Control Systems Technology, vol. 22, no. 3, pp. 1103–1111. [8]. T.K. Nguyen, Th.Tr. Le, C.X. Nguyen, May 27-28, 2021. Reduce energy loss with dynamic positioning controller for USV based on Hierarchical Sliding Mode Control. Int Conf of Energy Efficiency and Energy Saving in Technical Systems, Rostov-on-Don, Russia. [9]. A. J. Sørensen, S. I. Sagatun, T. Fossen, 1996. Design of a dynamic positioning system using model-based control. Control Engineering Practice, vol. 4, no. 3, pp. 359 – 368. AUTHORS INFORMATION Nguyen Khac Tuan1, Nguyen Duc Khoat2, Hình 4. Luật học mạng Neural của bộ quan sát Le Tran Thang3, Le Xuan Hai4 Kết quả mô phỏng cho thấy, bộ quan sát được đề xuất 1 Faculty of Electrical Engineering, Vinh University of Technology Education đáp ứng tốt yêu cầu xấp xỉ được trạng thái của hệ thống vị 2 Faculty of Electro-Mechanics, Hanoi University of Mining and Geology trí, vận tốc. Tốc độ hội tụ khoảng 10s được thể hiện ở hình 3 3. Chất lượng điều khiển đảm bảo so với bộ điều khiển Controls, Automation in Production and Improvement of Technology Institute 4 trượt tầng có sử dụng cảm biến đo vị trí, vận tốc International School, Vietnam National University Hanoi 20 Tạp chí KHOA HỌC VÀ CÔNG NGHỆ ● Tập 58 - Số 1 (02/2022) Website: https://jst-haui.vn
nguon tai.lieu . vn
Kiến trúc - Xây dựng Tự động hoá Điện - Điện tử Kĩ thuật Viễn thông Cơ khí - Chế tạo máy Năng lượng Hoá dầu Hoá học Sinh học