ĐỒ án mô phỏng thiết kế 9

Đồ án thiết kế mô phỏng ĐKTĐ1- K52
Chương 1: Mô hình hóa đối tượng

Mục đích của chương này là giúp người đọc hiểu rõ hơn về mô hình trong việc
phát triển hệ thống nói chung và các phương pháp để xây dựng mô hình của đối
tượng.“Không có mô hình nào chính xác, nhưng có một số mô hình có ích”, nhiệm
vụ của chương này chính là việc đi tìm một số mô hình có ích cho nhiệm vụ phát
triển hệ thống.
1. Giới thiệu chung
1.1 Mô hình và mục đích mô hình hóa:
Mô hình: Là một hình thức mô tả khoa học và cô đọng các khía cạnh thiết yếu
của một hệ thống thực, có thể có sẵn hoặc cần phải xây dựng.
Phân loại mô hình: (theo tài liệu [5])
Mô hình vật lý: Là một sự thu nhỏ và đơn giản hóa của thiết bị thực, được
xây dựng trên cơ sở vật lý, hóa học giống như các quá trình và thiết bị thực. Nó là
phương tiện hữu ích phục vụ đào tạo cơ bản và nghiên cứu các ứng dụng nhưng lại
ít phù hợp cho công việc thiết kế và phát triển hệ thống.
Mô hình trừu tượng: Được xây dựng trên cơ sở một ngôn ngữ bậc cao, nhằm
mô tả một các logic các quan hệ về mặt chức năng giữa các thành phần của hệ
thống. Việc xây dựng mô hình trừu tượng của hệ thống gọi là mô hình hóa. Trong
các mô hình trừu tượng, mô hình toán học đóng vai trò then chốt trong hầu hết các
nhiệm vụ phát triển hệ thống. Bởi vì nó giúp cho người kỹ sư:
 Hiểu rõ hơn về quá trình sẽ điều khiển và vận hành
 Tối ưu hóa thiết kế công nghệ và điều kiện vận hành
 Thiết kế sách lược và cấu trúc điều khiển
 Lựa chọn bộ điều khiển và xác định tham số cho bộ điều khiển
 Phân tích và kiểm chứng các kết quả thiết kế
 Mô phỏng trên máy tính phục vụ đào tạo vận hành
1.2.Các phương pháp xây dựng mô hình toán học:

Mô hình hoá bằng lý thuyết (mô hình hóa vật lý): phương pháp dựa trên các
định luật cơ bản của vật lý và hoá học kết hợp thông số của thiết bị công nghệ, kết
quả nhận được là phương trình vi phân và phương trình đại số.
Mô hình hoá bằng thực nghiệm (nhận dạng): dựa trên thông tin ban đầu về quá
trình, quan sát tín hiệu vào ra, phân tích số liệu thu được để xác định cấu trúc và
tham số mô hìnhtừ một lớp các mô hình thích hợp.
Sinh viên : Phạm Minh Tiến –Vũ Văn Anh –Dương Ngọc Hà Page 1
Phương pháp kết hợp: kết hợp ưu điểm của các hai phương pháp để thu được
mô hình có chất lượng mong muốn.
1.3 Các bước tiến hành:

• Thu thập, khai thác thông tin về quá trình.
• Lựa chọn phương pháp nhận dạng.
• Tiến hành lấy số liệu thực nghiệm cho từng cặp biến vào ra.
• Quyết định dạng mô hình.
• Xác định tham số mô hình.
• Mô phỏng kiểm chứng kết quả.
2.Phân loại các phương pháp mô hình hóa đối tượng

2.1 Mô hình hóa lý thuyết
Theo [5], pp. 53-56 và chương 3, ta thấy rằng phương pháp mô hình hóa lý
thuyết có những đặc điểm sau:
* Ưu điểm:
• Phương pháp lý thuyết cho phép ta hiểu sâu các quan hệ bên trong hệ thống có
liên quan trực tiếp tới các hiện tượng vật lý, hóa học.
• Ngoài ra, nếu được tiến hành chi tiết, cấu trúc của mô hình cũng sẽ được xây
dựng tương đối chính xác.
*Nhược điểm:
• Việc xây dựng mô hình phụ thuộc nhiều vào quá trình cụ thể, không có bài bản
chung cho các đối tượng khác nhau.
• Sự chính xác của mô hình nhiều khi phụ thuộc vào các quan hệ động học có
được.Vậy việc bỏ qua động học các khâu như đo lường, chấp hành…sẽ giảm độ
chính xác của mô hình.
• Để xây dựng mô hình lý thuyết, không thể tránh khỏi các giả thiết mang tính “lý
tưởng”, trong đó có ảnh hưởng của yếu tố nhiễu, đặc biệt là các loại nhiễu
không đo được.
Do đó, mô hình hóa lý thuyết được dùng chủ yếu để xây dựng được cấu trúc của
đối tượng.
Các bước thực hiện mô hình hóa lý thuyết bạn đọc có thể tham khảo trong chương
3 của tài liệu số [5], pp 87-88 . Ta có thể tóm lược lại thành 4 bước dưới đây:
1. Phân tích bài toán mô hình hóa.
Tức là xác định các biến:
• Biến cần điều khiển.
• Biến điều khiển.
• Biến nhiễu.
• Biến quá trình không can thiệp (hoặc không cần can thiệp).
2. Xây dựng các phương trình mô hình.
3. Kiểm chứng mô hình (đảm bảo tính nhất quán của mô hình)
4. Phát triển mô hình.
2.2 Mô hình hóa thực nghiệm ( nhận dạng quá trình )
Cũng theo chương 4 của tài liệu [5] ta thấy rằng:

* Ưu điểm của phương pháp này đó là:
• Cho phép xác định tương đối chính xác các tham số mô hình trong trường hợp
biết trước cấu trúc mô hình.
• Hỗ trợ mạnh từ các công cụ nhận dạng phần mềm.
* Nhược điểm:
• Số liệu của phép đo nhiều khi không chính xác. Các thông số hệ thống thay
đổi, tác động của các yếu tố nhiễu…ảnh hưởng mạnh tới chất lượng của mô
hình thu được.
• Cấu trúc mô hình nếu không được biết trước.
Như vậy, có thể thấy dù là tiếp cận bằng phương pháp nào chăng nữa cũng
không thể tránh được những khó khăn đó đó, cách tiếp cận tốt nhất đó chính là
phương pháp kết hợp giữa phân tích lý thuyết và nhận dạng quá trình. Trước hết,
cần phân tích nhằm tìm ra cấu trúc mô hình, sau đó tiến hành nhận dạng để xác
định các tham số của mô hình
“Nhận dạng hệ thống là những thủ tục suy luận một mô hình toán học biểu
diễn đặc tính tĩnh và đặc tính quá độ của một hệ thống từ đáp ứng của nó với một
tín hiệu đầu vào xác định, ví dụ hàm bậc thang, một xung hoặc nhiễu ồn trắng”.
Bản chất của nhận dạng đó chính là phương pháp xây dựng mô hình toán học
trên cơ sở các số liệu vào ra thực nghiệm.
Công việc này bao gồm 7 bước:

1. Thu thập, khai thác thông tin ban đầu về quá trình:
2. Lựa chọn phương pháp nhận dạng
3. Tiến hành lấy số liệu thực nghiệm cho từng cặp biến vào ra. Sau đó
xử lý thô các số liệu, loại bỏ các giá trị đo kém tin cậy.
4. Kết hợp yêu cầu về khả năng ứng dụng của phương pháp nhận dạng
đã cho.
5. Xác định các tham số mô hình theo phương pháp đã chọn. Kết hợp
các mô hình con lại với nhau (nếu có)
6. Mô phỏng, kiểm chứng, đánh giá mô hình theo các tiêu chuẩn đã được
lựa chọn, tốt nhất là trên các tập dữ liệu khác nhau. Đây là công việc cuối cùng khi
nhận dạng mô hình, là quá trình quay trở về với thực tiễn.
7. Nếu chưa đạt, ta có thể quay trở lại các bước 1-4.
Theo dạng mô hình sử dụng, chúng ta phân ra các phương pháp như nhận dạng
hệ phi tuyến/tuyến tính, liên tục/gián đoạn, trên miền thời gian/tần số, nhận dạng
mô hình không tham số/có tham số, nhận dạng mô hình rõ/mờ. Trong đó, hai loại
mô hình được ứng dụng phổ biến nhất đó là mô hình tính tính bậc nhất và bậc hai
(có hoặc không có trễ, có hoặc không có dao đọgn, có hoặc không thành phần tích
phân) là những dạng thực dụng nhất.
Theo dạng tín hiệu thực nghiệm chúng ta có nhận dạng chủ động và nhận dạng
bị động. Nhận dạng được gọi là chủ động nếu tín hiệu vào được chủ động lựa chọn
và kích thích. Đây là phương pháp tốt nhất nếu thực tế cho phép. Nếu hệ thống
đang vận hành ổn định, không cho phép có sự can thiệp nào gây ảnh hưởng tới chất
lượng sản phẩm, ta sử dụng các số liệu vào ra trong quá trình vận hành. Đó là
phương pháp nhận dạng bị động. Số liệu thu được phản ánh hệ thống ở chế độ xác
lập, mang ít thông tin cần thiết cho việc điều khiển.
Theo cấu trúc ta có nhận dạng vòng kín và nhận dạng vòng hở. Nhận dạng
vòng hở là phương pháp trong đó mô hình của đối tượng có thể nhận được trực tiếp
trên cơ sở tiến hành thực nghiệm và tính toán với các tín hiệu vào ra của nó.
Phương pháp này có nhược điểm là có khả năng đưa hệ thống đến trạng thái mất ổn
định. Giải pháp thay thế đó chính là nhận dạng vòng kín, có được bằng cách đưa
vào một vòng phản hồi đơn giản, giúp duy trì sự ổn định của hệ thống.
Nhận dạng trực tuyến và nhận dạng ngoại tuyến. Tùy theo yêu cầu của việc
nhận dạng :nếu phục vụ chỉnh định trực tuyến và liên tục tham số của bộ điều
khiển, tối ưu hóa thời gian thực hệ thống điều khiên thì ta sử dụng nhận dạng trực
tuyến. Nếu quá trình thu thập dữ liệu độc lập với việc tính toán, ta co nhận dạng
ngoại tuyến.
Theo thuật toán ước lượng ta có một số thuật toán thông dụng: bình phương tối
thiểu, xác suất cực đại, phân tích tương quan, phân tích phổ, phân tích thành phần
cơ bản, phương pháp dự báo lỗi, phương pháp không gian con…
Đánh giá và kiểm chứng mô hình: Việc xây dựng các tiêu chuẩn đánh giá và
kiểm chứng mô hình thu được đóng vai trò hết sức quan trọng. Tiêu chuẩn quen
thuộc nhất đó là dựa số liệu đáp ứng thời gian. Ta có công thức tính tổng bình
phương sai số:
N
1
ε=
N
∑ [y (k ) −y%(k )]
k =1
2
→min
Với N là số lần trích mẫu tín hiệu,y(k) là giá trị đầu ra thực của quá trình ở thời
điểm trích mẫu thứ k, y%
( k ) : giá trị đầu ra của mô hình ước lượng lấy từ mô phỏng.
Ta có thể sử dụng tín hiệu dạng bậc thang. Ngoài ra, việc đánh giá sai số có thể
được thực hiện trên miền tần số, kèm theo đó là phương pháp lấy đặc tính tần số
sao cho phù hợp. Sai lệch lớn nhất:
 Gˆ ( jω ) − G ( jω ) 
E =ωmax 
G ( jω )
× 100% 
∈O
 
Trong đó G (j ω ˆ (j ω
) là đặc tính tần số của quá trình thực. G ) là đặc tính tần số
của mô hình và O là tập số cần quan tâm đánh giá.
3. Các phương pháp nhận dạng

3.1 Các phương pháp nhận dạng dựa trên đáp ứng quá độ.
Nội dung phần này sẽ trình bày các phương pháp nhận dạng dựa trực tiếp trên
đồ thì đáp ứng quá độ, Đây là một phương pháp trực quan và đơn giản, tuy nhiên
độ chính xác của nó chính là vấn đề mà chúng ta cần xem xét tới để có thể lựa
chọn phương pháp cho việc thiết kế và phát triển hệ thống. Dưới đây sẽ trình bày
một số phương pháp nhận dạng dựa trên đáp ứng quá độ đang được sử dụng trong
thực tế để thiết kế hệ thống.
 Mô hình quán tính bậc nhất có trễ.
Có dạng:
Với k là hệ số khuếch đại tĩnh của đối tượng, T là hằng số thời gian và L là
thời gian trễ xấp xỉ.
• Phương pháp kẻ tiếp tuyến.
Việc thực hiện tiến hành như sau:
Kẻ tiệm cận với đường cong tại trạng thái xác lập-> tìm ra k.
Kẻ tiếp tuyến tại điểm uốn giao với trục tung ->L
Xác định trên đường cong điểm có tung độ 0.632∆y∞ ta có L+T
Nhược điểm của phương pháp này là việc kẻ tiếp tuyến mang tính chủ quan,
thiếu chính xác và khó khăn trong việc vi tính hóa. Ngoài ra, ảnh hưởng của nhiễu
đo tương đối lớn, nên phương pháp này không được ưa dùng.
• Phương pháp hai điểm quy chiếu.
Ta sử dụng hai điểm quy chiếu ứng với các giá trị 0.632∆y∞ và 0.283∆y∞ .
Công thức tính toán được xác định như trên.
• Phương pháp diện tích.
Để giảm ảnh hưởng của nhiễu đo, có thể sử dụng phương pháp tính lấy tích
phân thay vì các giá trị đơn lẻ.
 Mô hình quán tính bậc hai có trễ.
Có dạng:
• Phương pháp kẻ tiếp tuyến và hai điểm quy chiếu.

Tương tự như đối với mô hình bậc nhất, ta có thể sử dụng phương pháp kẻ
tiếp tuyến và hai điểm quy chiếu.
 Hệ số khuếch đại tĩnh k được xác định nhờ kẻ tiệm cận với đáp ứng quá độ
tại trạng thái xác lập.
 Giao điểm giữa trục thời gian với tiếp tuyến tại điểm uốn sẽ cho ta thời
gian trễ L.
 Các hằng số thời gian T1 và T2 được ước lượng:
Trên thực tế, hai điểm thường được chọn tương ứng với 33% và 67% giá trị
cuối ∆y∞
• Phương pháp ba điểm quy chiếu
Nhìn chung việc kẻ tiếp tuyến vẫn không tránh khỏi nhược điểm đó là độ
chính xác kém và khả năng vi tính hóa thấp. Để tránh nhược điểm này, có thể sử
dụng 3 điểm quy chiếu ứng với 14%, 55% và 91% độ biến thiên tín hiệu ra. Mô
k − Ls
hình đưa ra dưới dạng G ( s) = T 2 S 2 + 2T ξ S + 1 e
Các thông số được tính toán như sau:
ξ 2 = 0.50906 + 0.51743β − 0.076284 β 2 + 0.041363ξ 3 − 0.0049224 β 4+ 0.00021235 β 5
T = (t1 − t2 ) / (0.85818 − 0.62907ξ + 1.2897ξ 2 − 0.36859ξ 3 + 0.03889ξ 4 )

L = t2 − T (1.392 − 0.52536ξ + 1.2991ξ 2 − 0.36014ξ 3 + 0.037605ξ 4 )
β = ln(α / (2.485 − α ))
Trong đó α = (t − t )(t − t )
3 2 2 1
 Mô hình chứa khâu tích phân
Ta xét mô hình có dạng quán tính-tích phân bậc nhất và bậc hai có trễ:
Ta có thể đưa về bài toán quen thuộc đã xét ở trên thông qua hai cách:
• Thay vì tín hiệu bậc thang, có thể sử dụng kích thích dạng xung. Đầu ra lúc
này sẽ tương đương trường hợp kích thích khâu quán tính bậc nhất và bậc hai
thông thường bằng tín hiệu bậc thang, nếu diện tích của xung được chọn bằng
biên độ của tín hiệu bậc thang.
• Sử dụng tín hiệu kích thích dạng bậc thang, với số liệu thu được là đạo hàm
của tín hiệu đầu ra. Cách làm này có thể khiến hệ mất ổn định.
Kết quả thu được hàm truyền và sau đó chỉ cần nhân với 1/s thì sẽ có
được mô hình mong muốn.
3.2 Nhận dạng trên miền tần số.
Ở đây ta lưu ý đặc điểm đó là đặc tính đáp ứng tần số được xác định tại những
tần số quan tâm. Cách kích thích có thể là một trong hai dạng: kích thích trực tiếp
tín hiệu hình sin hoặc dùng các dạng tín hiệu khác.
• Kích thích trực tiếp với tín hiệu hình sin
Tín hiệu kích thích được sử dụng đó là tín hiệu dạng sin dao động xác lập với
biên độ ∆u và tần số ω . Đáp ứng ra thu được ở trạng thái xác lập chính là dao
động hình sin với biên độ ∆y và tần số ω .
∆y
Tiến hành ghi lại hệ số khuếch đại A = và độ lệch pha ϕ . Quá trình thực
∆x
nghiệm được lặp lại với các tần số khác nhau, nằm trong dải tần cần quan tâm.
Dựa trên các số liệu cần khảo sát được, ta vẽ các biểu đồ trên miền tần số
(Bode, nyquist) từ đó đánh giá chất lượng của mô hình. Để có độ chính xác cao
hơn, có thể kết hợp đánh giá trên máy tính.
Nhận xét:
 Cho ra chất lượng mô hình tốt hơn hẳn so với các phương pháp đã nêu ở
trên.
 Số lượng số liệu không hẳn quyết định tới chất lượng mô hình, thậm chí có
thể gây những ảnh hưởng xấu. Việc chọn lựa dữ liệu nằm trong vùng dải tần quan
tâm đóng vai trò rất quan trọng đối với chất lượng mô hình. Đặc biệt, đối với bài
toán điều khiển, ta quan tâm tới dải tần nằm trong phạm vi [ 0, ω−π ] .
 Ưu điểm nổi trội của phương pháp này đó là khả năng bền vững với nhiễu.
Do tần số dao động của toàn hệ thống là xác định, sẽ không khó để tách riêng ảnh
hưởng của nhiễu ra khỏi đáp ứng hệ thống.
 Phương pháp này có nhược điểm, đó chính là thời gian trễ không được thể
hiện trong phương pháp. Nếu đối tượng có trễ, việc nhận dạng theo phương pháp
này có thể gây ra sai lầm. Để giải quyết vấn đề này, ta có thể nhận biết thời gian
trễ riêng, sau đó chỉnh sửa đặc tính pha thu được rồi nhận dạng mô hình không trễ
như bình thường. Hoặc có thể sử dụng mô hình với bậc cao hơn, với mục đích
chính là xấp xỉ trễ về một khâu bậc 1 hoặc 2.
 Ngoài ra, việc lấy số liệu đặc tính đáp ứng tần làm mất rất nhiều thời gian,
đặc biệt là với những quá trình có tính quán tính lớn. Do đó, thông thường ta chỉ
quan tâm tới một vài tấn số quan trọng.
 Hơn thế nữa, trên thực tế việc kích thích trực tiếp với tín hiệu hình sin không
phải lúc nào cũng thực hiện được.
• Kích thích bằng tín hiệu dạng xung.
Được thực hiện trên nền phép biến đỏi Furier. Cơ sở của phương pháp này
đó là việc phân tích tín hiệu vào ra thành các thành phần tần số khác nhau.Hiện
cũng được ứng dụng khá phổ biến.
3.3 Các phương pháp bình phương tối thiểu
Khi mà yêu cầu về chất lượng trở nên khắt khe hơn, thì một trong những
phương pháp nhận dạng ưa dùng là phương pháp bình phương tối thiểu. Lúc này,
bài toán nhận dạng được đưa về bài toán tối ưu với hàm mục tiêu cần cự tiểu hóa
chính là tổng bình phương sai lệch giữa các giá trị thực quan sát được các giá trị
tính toán ước lượng.
Các phương pháp thuộc nhóm này có thể được áp dụng rộng rãi đối với cả hệ
thống phi tuyến và tuyến tính, trên miền thời gian cũng như miền tần số, nhận dạng
trức tuyến cũng như ngoại tuyến. Nguyên lý bình phương tối thiểu như sau :
Giả sử hệ thống được mô tả bởi một mô hình toán học đơn giản có dạng :
y (ti ) = ϕ1 (t i )θ1 + ϕ 2 (t i )θ 2 + .....+ ϕ n(t i)θ n = ϕ T(t i)θ
Trong đó y(ti) là giá trị quan sát được tại thời điểm ti, θ là vector tham số của
mô hình cần xác định :
θ = [ θ 1 θ 2 … θ n]T
ϕi là các hàm biết trước ( dãy giá trị biến vào hoặc ra)
Vector hàm ϕ T (ti ) = [ ϕ1 (ti ) ϕ2 (ti ) …. ϕn (ti ) ] gọi là biến hồi quy. Bài toán
nhận dạng được đưa về bài toán xác định các tham số mô hình sao cho sai lệch giữa
các giá trị quan sát thực và các giá trị tính toán theo mô hình ước lượng là nhỏ
nhất. Tiêu chuẩn thông dụng nhất được sử dụng dựa trên tổng bình phương của
từng giá trị sai lệch. Có nghĩa là, vector tham số θ cần được lựa chọn nhằm tối
thiểu hóa hàm mục tiêu cho một khoảng thời gian quan sát [t1, tN] :
N N
V (θ , tN ) = ∑ ( y (ti ) − %
y (ti ))2 = ∑ ( y (ti ) − ϕT (ti ) θ)2
i =1 i =0
Ta kí hiệu:
ϕ T (t1 )  ϕ1 (t1 ) ϕ 2 (t1 ).....ϕ n (t1 )   y (t1 ) 
 T  ϕ (t ) ϕ (t ).....ϕ (t )   y (t ) 
ϕ (t )
φ =  2 
=
 1 2 2 2 n 2  ;ψ =  2 
   
     
ϕ (tn ) ϕ1 (t N ) ϕ 2 (t N )....ϕ n (t N )  y (t N )
T
Thu được hệ phương trình: φθ = ψ . Ta cần tìm nghiệm tối ưu thỏa:

)
θ = arg min[(ψ − φθ )T (ψ − φθ )]
Với N ≥ n hệ trên có nghiệm. Ta tìm được :
)
θ = (φ Tφ ) −1φ Tψ = φ tψ
Các giá trị đo trong thực tế kém không đảm bảo độ chính xác. Ta cần phải
tăng số điểm quan sát N. Điều này có thể gây khó khăn cho quá trình tính toán.
3.4 Nhận dạng vòng kín.
Một trong những ưu điểm của nhận dạng vòng kín đó là hệ thống được duy
trì trong vùng làm việc cho phép, ngay cả khi chủ động kích thích. Ảnh hưởng của
nhiễu tới kết quả cũng sẽ giảm, tín hiệu chủ đạo có thể được thay đổi để kích thích
hệ thống theo ý muốn.
Phương pháp nổi tiếng và thực dụng nhất trong nhóm các phương pháp nhận
dạng vòng kín đó chính là phương pháp phản hồi rơ le. Đây là sự cải tiến của
phương pháp Ziegler-Nichols, phục vụ cho việc chỉnh định tham số bộ điều khiển
PID theo công thức Ziegler-Nichols 2.
Trong phương pháp này, bộ điều khiển được thay thế bằng khâu rơle 2 vị trí.
Đáp ứng ra có dạng dao động như hình vẽ:
2π
Từ hình vẽ, dễ dàng xác định được: tần số dao động tới hạn: ωu T và biên
u
4d
độ tín hiệu ra biên độ tín hiệu ra a = G ( jwu )
π
Các ưu điểm của phương pháp nhận dạng dựa trên phản hồi rơle đã được
khẳng định trong thực tế:
Thứ nhất, phương pháp này đơn giản, dễ dàng thử nghiệm đối với đa số các
quá trình công nghiệp. Nếu quá trình có đặc tính dao động tới hạn thì hệ kín sẽ tự
động tiến đến dao động.
Thứ hai, nhờ khả năng tự do lựa chọn biên độ khâu rơ le mà ta có thể hoàn
toàn kiểm soát được quá trình.
Thứ ba, loại bỏ được ảnh hưởng của nhiễu.
4. Thực nghiệm
4.1 Mô hình hóa lý thuyết động cơ một chiều
Bài toán đặt ra ở đây là xây dựng mô hình lý thuyết cho đối tượng động cơ
điện một chiều:
 Phân tích:
•
Biến cần điều khiển: tốc độ n .
• Biến điều khiển: điện áp u A
• Biến nhiễu: momen tải mT
o Hệ thống phương trình mô tả động cơ điện một chiều:
 Phương trình cân bằng điện áp phần ứng:
diA
 u A = eA + RA iA + La (1)
dt
 * Sức điện động phần ứng : eA = ke Φn (2)

dω
 * Phương trình chuyển động : mM − mT = J (3)
dt
dn 1
 * Tốc độ quay: = (mM − mT ) (4)
dt 2π J
 Mô hình trạng thái của động cơ một chiều

di A 1 1
= − i A − ke Φ.n + uA
dt TA LA
dn 1 1
= k M Φ.i A − mT
dt 2πJ 2πJ
Để điều khiển tốc độ động cơ một chiều trong vùng tốc độ nhỏ hơn tốc độ định
mức, ta sử dụng phương pháp thay đổi điện áp phần ứng. Vì thế để thay đổi điện áp
này ta thường dùng bộ chỉnh lưu hoặc bộ băm xung điện áp một chiều. Do quán
tính của bộ biến đổi điện áp nhỏ ta có thể coi là khâu quán tính bậc một với hằng số
thời gian quán tính là TCL và hệ số khuyếc đại là k
Ta có thêm phương trình của bộ biến đổi điện áp:
du A 1 k
=− uA + .u
dt TCL TCL
Vậy mô hình trạng thái của đối tượng động cơ điện một chiều là
du A 1 k
=− uA + .u
dt TCL TCL
di A 1 1
= − i A − k e Φ.n + uA
dt TA LA
dn 1 1
= k M Φ.i A − mT
dt 2πJ 2πJ
 1 
− T 0 0 
 k   
u A   CL  T   0 
1 1
x (t ) =  i A  ;
 CL 
A= − − ke Φ  ; B = 0  ; N =  0  ; C = [0 0 1] ;
 LA TA   0   1 
 n      − 
1    2πJ 
 0 kM Φ 0 
 2πJ 
D=0
Vậy mô hình trạng thái của động cơ được viết dưới dạng thu gọn
x (t ) = A.x(t ) + B.u (t ) + N .mT (t )

 y (t ) = C.x(t ) + D.u (t )
 Mô hình hàm truyền đạt:
Sử phép biến đổi Laplace tín hiệu liên tục ua(t) và n(t) sang miền ảnh
N (s)
Laplace: x(t ) → X ( s) . Bằng cách biến đổi ta tìm hàm truyền đạt G ( s ) = U ( s) . Ta biến
A
kM Φ
đổi ra được: G ( s ) =
2π JRATA s 2 + 2π RA Js + Φ2 ke kM
Do quán tính của bộ biến đổi điện áp nhỏ ta có thể coi là khâu quán tính bậc
một với hằng số thời gian quán tính là TCL và hệ số khuyếc đại là k nên
k
GCL ( s) = , đơn giản thì k=1, TCL=0.01s
1 + TCL s
N ( s) 1 kM Φ
G (s) = = .
U ( s ) 1 + TCL s 2π JRATA s + 2π RA Js + Φ 2 ke kM
2
Sơ đồ khối cấu trúc của động cơ
Khi đó hàm quá độ của động cơ thu được là

Nhận xét:
 Độ quá điều chỉnh là 11.88%

 Vào là 1 nhưng ra chỉ có 0.08315 do đó cần thêm bộ khuếch đại mắc thêm
vào để vào là 1 và ra cũng là 1
 Thời gian quá độ T5%=0.06s
 Khi có tải (nhiễu thì động cơ bị sụt tốc ngay lập tức và không có khả năng
kéo tốc độ về như cũ. Vì thế ta cần phải thiết kế bộ điều khiển để giữ ổn định
tốc độ động cơ kể cả khi có tải.
4.2 Matlab Indentification Toolbox

Nhận dạng đối tượng là một trong những bước đầu tiên và quan trọng để thực
hiện quá trình thiết kế và phát triển hệ thống. Sau khi thu thập được dữ liệu vào ra
theo thời gian hoặc là phổ tín hiệu của đối tượng thì nhiệm vụ của việc nhận dạng
đối tượng là tìm mô hình toán học, hàm truyền đạt thích hợp mô tả gần đúng nhất
đối tượng thực. Để hỗ trợ dễ dàng cho việc nhận dạng đối tượng ta có thể sử dụng
toolbox tích hợp sẵn trong Matlab: Indentification Toolbox (ID). Identification
Toolbox là một công cụ rất mạnh được tích hợp sẵn trong matlab. Nó hỗ trợ người
sử dụng các chức năng như xây dựng mô hình toán học của hệ thống, nhận dạng hệ
thống với những công cụ cụ thể sau: Matlab, Fuzzy logic, Image processing, Neural
network, Signal processing, Simulink, symbolicmath. Tuy nhiên để sử dụng tốt
công cụ này chúng ta cần phải hiểu rõ các phương pháp nhận dạng, phạm vi sử
dụng và ưu nhược điểm của từng phương pháp cộng với khả năng về phân tích hệ
thống thông qua các đặc tính thu được.
Các bước nhận dạng sử dụng Identification Toolbox :
• Bước 1: Chuẩn bị dữ liệu để nhận dạng
 Dữ liệu được nhập trực tiếp từ cửa sổ Matlab

 Dữ liệu lưu trong exel
 Nếu dữ liệu lưu trong text
• Bước 2: Nhập dữ liệu cho việc mô phỏng
Gõ lệnh ident vào workpace của matlab
 Time-Domain Data dữ liệu trong miền thời gian
Import data > Time domain data
Sau đó để đặt thêm tên biến, đơn vị biến ta click vào More (đặc tính chung của
các quá trình thực hiện vào
dữ liệu)
Frequency-Domain Data dữ liệu trong miền tần số
 Freq.Function(Complex)
 Amplitudeand Phase Frequency-Response Data
• Bước 3: Lựa chọn mô hình và nhận dạng trong toolbox Matlab:
Trước hết cần xuất dữ liệu vào trong GUI như đã nêu trong bước chuẩn bị dữ
liệu. Sau đó phải lựa chọn mô hình nhận dạng. Bộ công cụ ID có hỗ trợ nhận dạng
các mô hình không tham số và mô hình có tham số. Các dạng mô hình không tham
số bao gồm đáp ứng xung hữu hạn, đặc tính tần số, và đặc tính phổ công suất. Còn
mô hình có tham số bao gồm các mô hình đa thức gián đoạn, mô hình trạng thái và
mô hình hàm truyền đạt. Dưới đây là một số mô hình hay dùng cùng với câu lệnh
và thuật toán nhận dạng:
 Đáp ứng xung hữu hạn (hàm trọng lượng):
m=impule(data)
Thuật toán nhận dạng dựa trên phân tích tương quan giữa các giá trị vào ra.
Kết quả trả về mô hình FIR được ước lượng và vẽ trên đồ thị
 Mô hình đáp ứng quá độ:
m=step(data,Time)
jω
 Đặc tính tần số: G (e )
m=spa(data)
m=spa(data,M,w,maxsize)
m=etfe(data)
m=etfe(data,M,N)
Chú ý: thuật toán spa ước lượng mô hình đặc tính tần số kèm theo phổ công
suất nhiễu dựa trên phương pháp phân tích phổ tín hiệu vào ra. Còn thuật toán efte
thì dựa trên thuật toán biến đổi Fourier nhanh. Kết quả trả về mô hình đặc tính tần
số với đặc tính tần số được ước lượng tại các tần số cho trong vector hàng. Thông
số M là chỉ số lag M của cửa sổ Hamming. Tham số N được sử dụng cho tính toán
vector chứa các tần số quan tâm: w=[1:N]/N*pi/T
 Mô hình đa thức gián đoạn
B ( q −1 ) C (q −1 )
Tổng quát: A( q −1 ). y(t ) = u ( t ) + e(t )
F ( q −1 ) D ( q −1 )
Các đa thức toán tử trễ biểu diễn dưới dạng các vector hàng theo số mũ giảm dần.
Ví dụ A(q −1 ) = 1 + a1q−1 + a2 q−2 + .... + an q− n thì A = [1 a1 ... an]
Một số mô hình gián đoạn đặc biệt và lệnh nhận dạng mô hình đó:
 ARX: A(q −1 ). y (t ) = B (q−1 )u (t − nk ) + e(t )
m=arx(data,order)
m=arx(data,’na’,na,’nb’,nb,’nk’,nk)
trong đó na, nb là bậc của đa thức A, B
nk là số chu kỳ trễ mà tín hiệu vào ảnh hưởng tới tín hiệu ra
Thuật toán nhận dạng theo phương pháp bình phương cực tiểu
Có thể thay hàm iv4 khi nhiễu đầu ra không phải cồn trắng
−1 −1 −1
 ARMAX: A(q ). y (t ) = B (q )u (t − nk ) + C (q )e(t )
m=armax(data,orders)
trong đó: orders=[na nb nc nk]
na, nb, nc: bậc của đa thức A, B, C
nk: số chu kỳ trễ mà tín hiệu vào ảnh hưởng tới tín hiệu ra
Thuật toán ước lượng theo phương pháp lỗi dự báo (PEM)
Hàm armax chỉ hỗ trợ mô hình SISO hoặc MISO
B ( q −1 )
 OE: y (t ) = u (t ) + e (t )
F ( q −1 )
m=oe(data,orders)
trong đó orders=[nb nf nk]
Tương tự như ước lượng mô hình ARMAX
B ( q −1 ) C ( q −1 )
 BJ: y (t ) = u (t ) + e(t )
F ( q −1 ) D ( q −1 )
m=bj(data,orders)
trong đó orders=[nb nc nd nf nk]
 Ước lượng thời gian trễ: delayest(data)
 Ước lượng bậc của mô hình
NN=struc(na,nb,nk)
V=arxstruc(data_e, data_v, NN)
selstruc(V) : hiện bảng đánh giá sai số mô hình để lựa chọn bậc mô hình
phù hợp
 Mô hình hàm truyền đạt:
K p (1 + sTz )
m=pem(data,’PnZDU’) G(s) = e − sT d
s (1 + sTp1 )(1 + sTp 2 )(1 + sTp 3 )

trong đó:
n=1:3 là số điểm cực
Z: để chỉ có 1 điểm không
D: để chỉ có thời gian trễ Td
U: để chỉ có điểm cực phức
Ví dụ:
K − sT
Quán tính bậc nhất có trễ G ( s ) = 1 + sT e
d

p1
m=pem(data,’P1D’)
Kp
 Khâu dao động bậc hai G ( s ) = e− sTd
1 + 2sζ Tω + s 2Tω2
m=pem(data,’P2U’)
p z K (1 + sT )
 Khâu quán tính bậc ba có điểm không G ( s ) = (1 + sT )(1 + sT )(1 + sT )
p1 p2 p3
m=pem(data,’P3Z’)
x ( t + Ts ) = A x ( t ) + B u ( t ) + K e ( t )
 Mô hình trạng thái gián đoạn: y ( t ) = C x ( t ) + D u ( t ) + e(t
m= n4sid(data,[order])
trong đó order có thể là một vector hàng chứa các bậc của mô hình cần
thử nghiệm
• Bước 4: Khảo sát và kiểm chứng mô hình:
Bộ công cụ IT còn cài đặt sẵn một số hàm phục vụ khảo sát và kiểm chứng
mô hình nhận được cũng như phục vụ chuyển đổi mô hình. Tất cả các hàm này đều
sử dụng tham số có kiểu tương thích với idmodel .
Bảng 1. Nhóm lệnh phục vụ khảo sát mô hình

bode Vẽ đồ thị bode
compare So sánh các giá trị đầu ra đo được với kết quả mô phỏng
ffplot Vẽ đồ thị đặc tính tần số và phổ
impulse, step Vẽ đáp ứng xung và đáp ứng bậc thang đơn vị
nyquist Vẽ đồ thị Nyquist
present Hiển thị mô hình trên cửa sổ màn hình
pzmap Vẽ đồ thị các điểm cực và điểm không
view Vẽ đặc tính mô hình sử dụng LTI Viewer
Bảng 2. Nhóm lệnh phục vụ kiểm chứng mô hình

aic,fpe Tính toán tiêu chuẩn lựa chọn mô hình
arxstruc, Lựa chọn cấu trúc ARX
selstruc
compare So sánh đầu ra mô phỏng hoặc đầu ra dự báo với đầu ra thực
pe Tính toán lỗi dự báo
predict Dự báo đầu ra tương lai
resid Tính toán và thử lỗi dự báo của mô hình
sim Mô phỏng một mô hình
Bảng 3. Nhóm lệnh phục vụ chuyển đổi mô hình

arxdata Tính toán các đa thức mô hình ARX
idmodred Giảm bậc mô hình
c2d, d2c Chuyển đổi mô hình tương tự sang gián đoạn và ngược lại
freqresp Tính toán đặc tính tần số
idfrd Chuyển đổi idmodel sang idfrd
ssdata Tính toán các ma trận không gian trạng thái
tfdata Tính toán các đa thức hàm truyền đạt
ss, tf,zpk,frd Chuyển đổi mô hình idmodel sang các đối tượng LTI
zpkdata Tính toán các điểm không, điểm cực và hệ số k
• Áp dụng: Nhận dạng động cơ sử dụng Identification System Toolbox
 Bước 1: Thu thập bộ số liệu
Sau khi chạy mô phỏng thì giá trị của tín hiệu vào và ra thông qua khối To
Workspace sẽ thành các vector cột u, n. Để được điều này thì khối To Worksapce
và tham số mô phỏng cần chỉnh thông số như sau:
Bước 2: Nhập số liệu vào Toolbox

 Gõ ident trong cửa sổ Command của Matlab rồi nhập dữ liệu vào: Dữ liệu
trên miền thời gian
 Nhập các biến u, n tương ứng vào ô Input và Output cùng theo đơn vị
 Bước 3: Hiển thị dữ liệu thực nghiệm trên đồ thị

 Đánh dấu vào ô Time Plot thì đồ thị tín hiệu vào và ra sẽ hiện ra
 Để xem dạng tín hiệu vào và tín hiệu ra, từ đó đánh giá chọn mô hình đối
tượng phù hợp
Đồ thị dữ liệu thực nghiệm
Nhận xét: Tín hiệu vào là hàm 100.1(t) nên đầu ra thu được là có dạng hàm quá
độ h(t). Vì thế nhìn vào h(t) ta thấy đối tượng có trễ, có dao động. Vì thế chọn mô
hình đối tượng có trễ và có điểm cực phức sẽ cho kết quả gần giống nhất.
 Bước 4: Chọn dữ liệu để ước lượng và dữ liệu để kiểm chứng

 Chọn phạm vi dữ liệu vào ra
 Kéo và thả vào vùng Working Data và vùng Validation Data
 Bước 5 Lựa chọn mô hình nhận dạng

 Chọn Estimate> rồi lựa chọn loại mô hình.
 Chọn mô hình hàm truyền đạt: Có khá nhiều loại

 Cần phải chọn số điểm cực
 Điểm cực thực hay phức
 Có trễ hay không
 Các thông số tự động nhận giá trị ban đầu
 Có cần mô hình nhiễu không
Để tổng quát ta thử với một số mô hình có ích lợi cho việc thiết kế bộ điều
khiển và phục vụ mô phỏng .
Kết quả thu được như sau:
 Mô hình quán tính bậc nhất có trễ
0.08339
GP1D (s ) = * e(−0.03s )
1 + 0.0063479 s
 Mô hình quán tính bậc hai có trễ:
0.083402
GP 2 D ( s ) = * e(−0.02994 s)
(1 + 0.0030121s)(1 + 0.0030121s )
 Mô hình khâu dao động bậc 2 có trễ
k
GP 2 DU ( s) = * e(−Td s)
1 + 2 * ξ * T * s + T 2 .s 2
Trong đó k=0.083271 T=0.0045467s
Td=0.03 ξ = 0.16439
 Mô hình khâu dao động bậc 3 có trễ:
k
GP 3 DU (s ) = * e (−Td s )
(1 + 2* ξ * T * s + T 2.s 2)(1+ T3s)
Trong đó: k=0.083327; T=0.0045342,

ξ = 0.13603 , Td=2.0961*e-5
Đánh giá độ chính xác của các mô hình ước lượng với mô hình thật
Nhận xét:
 Mô hình P3DU là chính xác nhất phục vụ để mô phỏng kiểm chứng. Nhưng
ta cũng có thể sử dụng mô hình P2DU.
 Mô hình P2D và P1D rất thích hợp cho việc thiết kế bộ điều khiển PID trên
miền tần số.
 Nhận dạng mô hình trạng thái gián đoạn: để thiết kế bộ điều khiển trên
miền không gian trạng thái
>> n4s3 Speed -0.65122 -5.1008

-2.5378
State-space model: x(t+Ts) = A x(t) + B u(t)
+ K e(t) D=
y(t) = C x(t) + D u(t) + e(t) Voltage
A= Speed 0
x1 x2 x3 K=
x1 0.89575 -0.0084876 Speed

-0.045319
x1 0.00071956
x2 0.060608 0.96586
-0.21777 x2 -0.19822
x3 0.17232 0.16793 x3 -0.02033

0.93797 x(0) =
B=
Voltage x1 -6.0862e-007
x1 0.0016453 x2 3.3656e-007
x2 -0.00072238 x3 -5.2018e-007
x3 0.0010042 Estimated using N4SID from data set
C= data_DC_100Ve
x1 x2 x3 Loss function 5.97668e-018 and FPE

6.28187e-018
Sampling interval: 0.001
Chương 2. Thiết kế hệ thống điều khiển trên nền tảng bộ
điều khiển PID
Bộ điều khiển PID là bộ điều khiển thông dụng nhất trong các hệ thống điều
khiển bởi cấu trúc và nguyên lý của nó đơn giản, dễ hiểu, dễ sử dụng trong thực tế.
Mục đích của chương này là trình bày về các phương pháp thiết kế bộ điều khiển
PID, so sánh chất lượng của các phương pháp để tìm ra giải pháp tối ưu cho bài
toán thiết kế và phát triển hệ thống.
1. Tổng quan và đề xuất lựa chọn các phương pháp thiết kế

Đã có rất nhiều những nghiên cứu từ trước đến nay về việc thiết kế bộ điều
khiển trên miền tấn số cũng như trên cơ sở thực nghiệm. Cho đến nay đã có rất
nhiều những ứng dụng thiết kế thành công và cho chất lượng rất tốt khi sử dụng
những phương pháp thiết kế kinh điển đó. Đó là các phương pháp thiết kế trên
miền tần số như tối ưu độ lớn, tối ưu đối xứng hay bộ dự báo Smith cho các đối
tượng có trễ, các phương pháp thực nghiệm của Zigler_Nichols...
Với sự phát triển vượt bậc của vi xử lý, vi điều khiển như ngày nay, bộ điều
khiển PID số trở thành một trong nhưng phương án thiết kế mà kĩ sư lựa chọn cho
việc phát triển hệ thống. Tuy nhiên mỗi phương pháp đều có những ưu và nhược
điểm của nó và vấn đề đặt ra là phải tìm ra một phương pháp thiết kế cho phù hợp
nhất với các yêu cầu về chất lượng của hệ thống.
Lựa chọn phương pháp thiết kế :
• Thiết kế bộ điều khiển PID số trên nền vi điều khiển
• Lựa chọn cấu trúc và tham số cho bộ điều khiển động
2. Thiết kế bộ điều khiển PID số trên nền vi điều khiển
2.1 Bộ điều khiển PID
Bộ điều khiển PID lý tưởng trên miền liên tục:
 1 t
de (t ) 
u (t ) = k p  e(t ) +
 Ti ∫ e(τ )dτ + T
0
d
dt 

Trong đó k p : hệ số khuếch đại của bộ điều khiển
T i : Hằng số thời gian tích phân
T d : Hằng số thời gian tích phân
e(t ) : Sai lệch điều khiển e(t ) = r (t ) − y (t )
u (t ) : Đầu ra của bộ điều khiển
Thành phần tỉ lệ (P): u d (t ) = k p e(t ) tác động nhanh và tức thời sẽ có khả năng
cải thiện đặc tính động học của hệ kín song với việc tăng k p thì cũng có thể gây sự
giảm độ trữ ổn định, hoặc có khi làm hệ kín mất ổn định.
Thành phần tích phân (I) có tác dụng triệt tiêu sai lệch tĩnh nhưng sự có mặt
của thành phần I đã làm xấu đi tính ổn định của hệ kín, làm cho đáp ứng của hệ kín
dao động hơn cũng kém bền vững ổn định hơn. Mức độ ảnh hưởng của thành phần
I phụ thuộc vào hằng số thời gian tích phân T i . T i càng lớn thì mức độ ảnh
hưởng của thành phần vi phân càng giảm và ngược lại. Nếu hệ đã dao động thì việc
giảm T i sẽ làm hệ dao động mạnh hơn và kéo dài hơn, độ quá điều chỉnh tăng lên.
Ngược lại việc tăng T i có tác dụng bền vững của hệ kín, giảm dao động nhưng
cũng dẫn đến sai lệch điều khiển chậm bị triệt tiêu và thời gian quá độ lớn
Khi sử dụng bộ PI mà muốn tăng tốc độ đáp ứng ta có thể tăng kp hoặc giảm
T i nhưng kèm theo đó là thường phải chấp nhận độ quá điều chỉnh lớn lên và độ
dự trữ ổn định cũng thu hẹp lại. Khi đó bộ điều khiển PID có thành phần D để khắc
phục hiện tượng trên tức là có thể tăng tốc độ đáp ứng và tăng độ dự trữ ổn định.
Thế nhưng ta cũng phải trả giá ở mặt: làm cho hệ kín nhạy cảm hơn với nhiễu đo
và tín hiệu điều khiển thay đổi mạnh hơn. Cũng chính vì thế mà bộ PID thích hợp
với các quá trình chậm hoặc không ổn định mà ở đó sự ảnh hưởng của nhiễu đo
không đáng kể.
Từ việc phân tích trên ta có thể rút ra những kết luận sau mang tính tương đối
bởi vì ba tham số PID có ảnh hưởng qua lại vẫn nhau và sự thay đổi của bất kỳ một
tham số nào cũng có thể ảnh hưởng không nhỏ đến tác dụng của hai tham số còn
lại
Chỉ tiêu chất lượng Thay đổi tham số
Tăng Giảm Giảm
Thời gian đáp ứng giảm Giảm ít Giảm ít
Thời gian quá độ Thay đổi ít Giảm Giảm
Độ quá điều chỉnh Tăng Tăng Giảm ít
Hệ số tắt dần Thay đổi ít Tăng Giảm
Sai lệch tĩnh Giảm Triệt tiêu Thay đổi ít
Tín hiệu điều khiển Tăng Tăng Tăng
Độ dữ trữ ổn định Giảm Giảm Tăng
Bền vững với nhiễu đo Giảm Thay đổi ít Giảm
2.2 Phân tích yêu cầu thiết kế

a) Tính linh hoạt của bộ điều khiển (khả năng điều khiển các đối tượng có mô hình
toán học khác nhau)
• Khả năng thay đổi tham số của bộ điều khiển Kp, Ti, Td
 Với các đối tượng khác nhau thì thông số của bộ điều khiển cũng khá
nhau do đó cần phải nhập lại thông số bộ điều khiển.
 Trong quá trình hoạt động lâu dài, các thông số của đối tượng bị thay đổi.
Điều đó làm cho chất lượng điều khiển giảm. Vì vậy khả năng thay đổi tham
số của bộ điều khiển là rất cần thiết.
• Khả năng thay đổi luật điều khiển:
Để có thể sử dụng bộ điều khiển cho nhiều đối tượng có nhiều cấu trúc khác
nhau thì việc thay đổi cấu trúc luật điều khiển cũng cần thiết. Chẳng hạn, thành
phần tích phân có thể sẽ không cần thiết khi đối tượng đã có sẵn thành phần tích
phân.
Từ luật PID có thể chuyển đối qua lại thành luật P, PI (hay dùng), PD, I.
• Khả năng kháng nhiễu: Là khả năng có thể chống lại sự ảnh hưởng của nhiễu.
Thông thường thì có thể loại bỏ hai loại nhiễu sau:
 Nhiễu hằng: là nhiễu mà tác động của nó lên đối tượng là không đổi hay
thay đổi ít theo thời gian. Nhiễu hằng sinh ra có thể do điều kiện sử dụng khác
điều kiện vận hành, do tính phi tuyến của thiết bị. Việc loại bỏ nhiễu hằng
bằng cách xác định chính xác độ lớn của nhiễu hằng và bù thêm một lượng
vào bộ điều khiển.
 Nhiễu biến thiên nhanh với biên độ nhỏ như nhiễu đo. Thành phần nhiễu
này sẽ gây ra sự ảnh lớn đến thành phần tác động nhanh như thành phần vi
phân. Để loại bỏ nhiễu này thì nên sử dụng khâu lọc thông thấp đầu vào.
• Khả năng ghép nối với đối tượng
 Người sử dụng tự cài đặt tham số
 Bộ điều khiển tự chọn tham số (self-turning)
 Bộ điều khiển tự điều chỉnh tham số (auto turning) để đảm bảo chất
lượng đầu ra không đổi
2.3 Các giải pháp phần cứng
a) Chọn vi điều khiển
Một số dòng vi điều khiển phổ biến: PIC, AVR29, PS.o.C, …
Để có thể chọn lựa được vi điều khiển hợp lý thì cần chú ý đến các vấn đề sau:
• Chu kỳ trích mẫu tín hiệu: Vì bộ điều khiển là bộ điều khiển số nên trong một
chu kỳ nó phải thực hiện lấy mẫu tín hiệu vào và sau đó bộ điều khiển phải tính
toán xong tín hiệu điều khiển. Do đó tốc độ xử lý phải phù hợp đáp ứng được
thời gian gian tính toán và lấy mẫu phải nhỏ hơn chu kỳ trích mẫu tín hiệu. Như
ta đã biết chu kỳ trích mẫu càng nhỏ thì chất lượng bộ điều khiển số càng lớn
thế nhưng tốc độ vi xử lý càng phải cao. Do đó cần xem xét tốc độ tính toán của
vi điều khiển
• Các ngoại vi có sẵn trên chip như các timer, các ngắt, bộ so sánh, bộ PWM
• Khả năng giao tiếp ngoại vi
 Giao tiếp với các thiết bị chấp hành, thiết bị cảm biến:
 Giao tiếp với thiết bị chấp hành kiểu số: kiểu ON/OFF hay kiểu PWM
 Giao tiếp với thiết bị chấp hành kiểu tương tự: (ít chíp hỗ trợ hơn)
 Giao tiếp với thiết bị cảm biến số:
 Giao tiếp với thiết bị cảm biến tương tụ: kiểu dòng, kiểu áp. Nếu vi
điều khiển có sẵn ADC thì việc ghép nối với cảm biến tương tự sẽ dễ dàng
hơn.
 Giao tiếp với các thiết bị cấp cao khác như PC, PLC có thể qua
chuẩn RS-232 hoặc RS-485 hoặc qua mạng truyền thông như Profibus DP
hay Modbus,…
• Các chuẩn giao tiếp mà chip hỗ trợ:
 Giao tiếp không đồng bộ nối tiếp: USART có ưu điểm đơn giản, phổ
biến, nhưng nhược điểm độ tin cậy không cao. Đặc biệt là các việc giao tiếp
với cổng COM của máy tính
2
 Giao tiếp truyền thông nối tiếp đồng bộ I C: thích hợp cho các ứng dụng
truyền thông giữa các đơn vị truyền thông, đặc biệt thích hợp cho các ứng
dụng truyền thông giữa các đơn vị trên cùng một bo mạch với khoảng cách
ngắn và tốc độ thấp.
 Giao tiếp truyền thông nối tiếp đồng bộ SPI: với 3 dây cho phép kết nối
truyền thông nhiều vi điều khiển.
 Khả năng thích hợp với môi trường: trong những điều kiện khắc nhiệt
của môi trường như độ ẩm, nhiệt độ, từ tính,… đều có thể gây ra hỏng bộ
điều khiển hoặc làm bộ điều khiển hoạt động sai.
b) Chọn kết nối vi điều khiển với đối tượng
• Cảm biến số: sẽ được gắn với 1 bít của một cổng vào của vi điều khiển. Nếu
cảm biến số có mức tín hiệu khác với mức tín hiệu của vi điều khiển thì ta có
thể lắp thêm bộ chuyển đổi mức tín hiệu.
• Cảm biến tương tự:
- Được lắp với chân ADC của vi điều khiển (nếu có)
- Cần thêm mạch chuyển đổi ADC là khâu chuyển đổi giá trị tương tự từ đầu
ra của cảm biến thành giá trị số n bit (thông thường 8 bít hoặc 10 bít hoặc
12 bít). Giá trị số n bit
- Để có thể có nhiều dải phạm vi đầu vào ta có thể lắp thêm phần mạch phụ
như sau:
ADC
Cảm N bit
biến Kbd Uref=5V
vào là
áp
Hoặc ADC
N bit
Kbd Uref=5V
Cảm
biến
vào là
R
dòng
điện m
• Thiết bị chấp hành số: kiểu on/off thì được gắn với 1 bít của một cổng ra của vi
điều khiển. Nếu thiết bị chấp hành số có dòng lớn thì ta có thể lắp rơ le chuyển
mạch hoặc khóa chuyển mạch bằng bán dẫn như transitor công suất, IGBT
công suất, tiristo công suất,…
• Thiết bị chấp hành số có tần số đóng cắt cao thì có thể phát tín hiệu dưới dạng
PWM. Trong một chu kỳ điều chế TPWM thì bật Ton còn khoảng thời gian còn lại
thì off
T
Khi đó có: U r = T
on
U ref có giá trị gần với giá trị tương tự
PWM
c) Chọn kết nối với ngoại vi thực hiện giao diện HMI (Human Machine
Interface)
• Giải pháp1: Ghép nối với PC thông qua cổng COM. Lợi thế của PC là
 Kết nối dễ
 Tốc độ xử lý cao
 Dễ lập trình bằng ngôn ngữ cấp cao cho phần giao diện HMI chẳng hạn
như C++, Vissual Basic
• Giải pháp 2: Ghép nối qua bàn phím và màn hình
 Bàn phím đơn giản: nút tăng, nút giảm, nút menu, nút chọn. Với ít
phím thì việc nhập số sẽ khó khăn
 Bàn phím có cả số luôn: tiện lợi cho việc nhập tham số của bộ điều
khiển
 Màn hình bằng led ma trận: công dụng ít hơn
 Màn hình LCD: nhỏ gọn, lập trình khó hơn, có thể hiện thị chữ nhiều
hơn
d) Mỹ thuật công nghiệp: Tham khảo các mẫu mã sản phẩm trên thị trường
 Kích thước vỏ hộp
 Đèn báo: chạy, dừng, sự cố
 Vị trí các phím ấn
2.4 Giải pháp phần mềm
a) Tập hợp tất cả công thức cần tính
Thuật toán PID số được xây dựng bằng cách gián đoán hóa thuật toán PID liên
tục nghĩa là phải xấp xỉ hai thành phần vi phân (D) và tích phân (I) từ phương trình
của bộ điều khiển PID với chu kỳ trích mẫu T
t
1
• Xấp xỉ thành phần I: uI = k p
Ti ∫ e(τ )dτ có thể sử dụng phương pháp hình
0
chữ nhật hoặc hình thang, trong đó phương pháp hình thang cho độ chính
xác cao hơn nhưng tính toán phức tạp hơn
• Phương pháp hình chữ nhật:
k k −1
T T T
uI ≈ k p
Ti
∑ ei −1 ⇒ u I (k − 1) ≈ k p
i =1 Ti
∑e
i =1
i −1 ⇒ u I (k ) ≈ u I ( k − 1) + k p
Ti
ek −1 suy ra
cần 1 phép nhân và 1 phép cộng và 2 ô nhớ u I (k ) và u I ( k −1)
• Phương pháp hình thang:
k −1
T k
1
 1 
uI ≈ k p
i =1 Ti
∑  2 ( e
+ ei )  ⇒ u I (k − 1) ≈ k p ∑  ( ei −1 + ei ) 

i −1
i =1  2 
T 1
⇒ u I ( k ) ≈ u I ( k − 1) + k p (ek −1 + ek )
Ti 2
Suy ra cần 2 phép cộng và 1 phép nhân và 3 ô nhớ u I (k ) và u I ( k −1) và ek −1
de (t )
 Xấp xỉ thành phần vi phân D: u D = k pTd có thể xấp xỉ với bậc 1 hoặc
dt
bậc 2. Với bậc càng cao thì càng chính xác nhưng mức độ tính toán càng
cao.
 Xấp xỉ bậc 1:
(e − e ) chỉ cần hai ô nhớ và một phép trừ, một phép nhân
1
u (k ) = k T
D p d k k −1
T
 Xấp xỉ bậc 2:
1
u D ( k ) = k p Td (3e k − 4e k −1 + e k −2 ) suy ra 3 phép nhân, 2 phép cộng, 3 ô nhớ.
2T
Như vậy mức độ tính toán đã phức tạp hơn hẳn so với bậc 1
• Tổng lại:
Nếu ta tách từng phần rồi cộng vào thì việc lập trình để loại bỏ một thành
phần sẽ dễ dàng hơn
Còn nếu gộp lại thành một công thức tính toán cho PID thì số lượng phép tính ít
đi
 Xấp xỉ thành phần I theo phương pháp hình chữ nhật và thành phần D
bậc 1
 T T 
u k = u k −1 + k p ek − ek −1 + ek −1 + d (ek − 2ek −1 + ek −2 
 Ti T 
 T   2T T  T
u k = u k −1 + k p 1 + d ek − k p 1 + d − e k −1 + k p d ek −2 = u k −1 + r0 ek + r1ek −1 + r2 ek −2
 T   T Ti  T
 T   2T T  T 
trong đó r0 = k p 1 + Td  ; r1 = −k p 1 + T d − T  ; r2 =−k p  d 
   i  T 
 Xấp xỉ thành phần I theo phương pháp hình thang cho thành phần I và
thành phần D bậc 2 u k = u k −1 + r0 ek + r1ek −1 + r2 ek −2 + r3 ek −3 trong đó:
 T 3 Td   7T T  T
r0 = k p 1 + +  ; r1 = −k p 1 + d −  ; r2 = k p 5 d
 2Ti 2 T   2T 2Ti  2 T
 Nhưng khó cho việc thay đổi cấu trúc từ PID thành PI hay P.
b) Phân bố bộ nhớ RAM
Việc phân bố bộ nhớ RAM đóng vai trò quan trọng. Nên phân chia vùng nhớ
thành 2 vùng:
• Vùng làm việc: chuyên tính toán như vùng nháp, các phép tính tạm thời, các
biến trung gian
• Vùng dữ liệu: lưu dữ liệu sau từng chu kỳ trích mẫu: phân bổ cho các biến
trong chương trình
c) Xây dựng cấu trúc chương trình
 Chương trình phục vụ ngắt theo thời gian trích mẫu
Begin
Trích mẫu thu được tín hiệu đầu ra

y(k) bằng ngắt thời gian Tính:
- khởi động ADC
t
tg1= ; tg1=tg1 + u(k-1)
- Chờ ADC bằng ngắt
T
Tg2= ; Tg1=tg1+tg2
- có ngắt thì đọc ADC
- Chuyển đổi đơn vị % nếu cần T

Tg2= ; u(k)=tg1+tg2
- Tính sai lệch: e(k)=r(k)-

y(k)
Lưu giá trị
Lấy các tham số

L
u(k-1)=u(k)
Các tham số thay đổi khi có ngắt

truyền thông Sử dụng đầu ra số theo kiểu PWM
S
End
 Chương trình giao tiếp truyền thông với máy tính được chạy khi có
ngắt truyền thông
Begin
S
Bit = 1
+ Nhận các tham số từ

máy tính rồi lưu vào vùng + Truyền tham số từ vùng
nhớ dữ liệu
nhớ dữ liệu lên máy tính
+ Tính toán lại các tham
số: r0, r1, r2 rồi lưu lại vùng
nhớ dữ liệu
End
d) Viết chương trình

Dựa vào cấu trúc chương trình, thì tùy vào loại vi điều khiển và cách phân bổ ô
nhớ mà ta có thể viết chương trinh dễ dàng.
3. Lựa chọn cấu trúc và tham số cho bộ điều khiển động
3.1 Phương pháp thiết kế ở miền tần số
• Xét hệ thống kín:
R.S
G=
Hàm truyền đạt của hệ kín là: 1 + R.S
Bộ điều khiển lý tưởng R(s) thỏa mãn: |G(jω)|=1 với mọi ω.

Nhưng trong thực tế ta chỉ thiết kế R(s) sao cho |G(jω)| → 1.( |G(jω)|=1 trong một
dải tần số rộng lân cận 0).
a) Sử dụng phương pháp tổng T của Kuhn:
Những đối tượng thích hợp: bậc cao n ≥ 2, ổn định,không dao động và có đặc
k đt ∏(1 + TDj s )
m
n m
A
tính hình chữ S. Gđt ( s ) = n
j =1
e −τs
trong đó: T∑ = ∑ T +τ −∑ T
i dj =
Kd t
.
∏(1 + T s )
i =1
i
i= 1 j= 1
Với A là diện tích phần được tô đậm như hình vẽ:
Kuhn đã đề ra phương pháp xác định tham số bộ điều khiển như sau:
PI: PID:
T∑ 2T∑
kp =
1
2k
; TI = kp =
1
k
; TI = ; TD = 0.1 6 7T∑
2 3
b) Phương pháp tối ưu đối xứng :
Lớp mô hình đối tượng thích hợp có dạng :

m
kđt ∏ ( 1 + sTDj )
j =1
Gđt ( s) = n
e−τ s
T0 .s.∏ ( 1 + sTi )
i =1
Bài toán chuẩn của phương pháp :

kdt
• Mô hình đối tượng : Gdt ( s ) = T s (1 + T s)
0 1
• Các yêu cầu về chất lượng:

 | G ( jω ) |→ 1 ở dải tần rộng lân cân 0
 Sai lệch tĩnh = 0 khi tín hiệu đặt là 1(t) hoặc t.1(t)
 Giải quyết bài toán
Để thỏa mãn sai lệch tĩnh bằng 0 khi tín hiệu đặt là hàm t.1(t) thì hàm truyền
2
hệ hở phải có khâu 1/s . Do đó bộ điều khiển phải chứa thêm thành phần tích phân.
Chọn bộ điều khiển PI

k p (1 + sT I )
Gđt ( s ) =
TI .s
Khi đó hàm truyền của hệ hở là :
kđt k p ( 1 + sTI )
Gđt ( s) =
TI .T0 .s 2 .( 1 + sT1 )
c I
Sử dụng đồ thị Bode của hệ hở ta thấy chọn tần số cắt ω nằm giữa tần số ω và
T1
tần số ω thì độ dữ trự ổn định cho hệ kín sẽ lớn nhất. Đó cũng là lý do mà tên
gọi của phương pháp tối ưu đối xứng.
I 1
Đặt T = a.T với a>1
Mong muốn |G(jω )| a* =4 →1 ∀ω thì ta phải làm các hệ số của
2 4
T0
kp =
ω và ω bằng 0 ở dưới 2.k đt .T1 mẫu thì ta được
Nhưng một vấn để nảy sinh là độ quá điều chỉnh lớn tới 40% vì thế cần tìm
biện pháp khắc phục. Có hai biện pháp khắc phục vấn đề trên :
T0
kp =
 Tăng a lên. Lúc đó a .k đt .T1
 Vẫn giữ a=4 nhưng lắp thêm bộ lọc đầu vào : M (s) =
1
1 +4.T1s
m
k đt ∏( 1T +Djs )
j =1 −τ s
Ứng dụng cho đối tượng khác: Gđt (s ) = n
e
T0 .s . ∏1( Ts
+ i )
i =1
k
Cách 1: Đưa về bài toán chuẩn bằng cách xấp xỉ Gđt ( s ) = T s (1 + T s)
đt

0 1
n m
trong đó T1 = ∑ Ti +τ − ∑ TDj là hằng số thời gian Kuhn

i =1 j =1
 1  k p (1 + TI s )
Chọn luật điều khiển là luật PI: Gđk ( s ) = k p 
1 + T s 
=
 I  TI s
T0
Với tham số là TI = 4T1 và kp = T
2.k dt .T1 còn 0 tùy chọn
 Cách 2: Đưa về đối tượng có một hằng số thời gian lớn thì có thể xấp xỉ về
k n m
đối tượng dạng: Gđt ( s ) = T s (1 + T s )(1 + Ts) trong đó: T = ∑Ti + τ − ∑TDj
đt
0 1 i =2 j =1
k p (1 + TI s)(1 + TD s )
Chọn bộ điều khiển là PID_MUL: Gđk ( s ) =
TI s
T0
Với TD = T1 ; TI = 4.T ; kp =
2.k dt .T
 1 
Hoặc bộ điều điều khiển PID_ADD: Gđk ( s ) = k p 1 + + TD s 
 TI s 
4.T .T T .T
Với TI = 4.T + T1 ; TD = T ; k p = 8.k .T 2
1 0 I
I dt
1
Để có thể giảm độ quá điều chỉnh thì lắp thêm bộ lọc đầu vào: M ( s ) = 1 + T s
I
Tổng kết: Phương pháp tối ưu đối xưng chỉ thích hợp với các đối tượng có thời
gian trễ nhỏ Tk >> τ . Điểm đặc trưng của phương pháp này là độ quá điều chỉnh
thường hơi lớn ( 20% - 25%). Tuy nhiên có thể làm giảm bớt bằng vệc bổ xung
khâu lọc trước cho tín hiệu chủ đạo hoặc sử dụng trọng số cho giá trị đặt.
Ví dụ cho đối tượng:
2.5
G(s) = e −5 s
(1 +150 s )(1 +10 s )(1 + s )
Yêu cầu : Thiết kế bộ điều khiển đảm bảo hệ thống đảm bảo bám giá trị đặt r(t)
với sai lệch bám bằng 0 khi tín hiệu vào có dạng hình thang và G(jw) tối ưu.
Phân tích :
Do tín hiệu đặt có xuất hiện hàm t.1(t) nên nhất thiết hệ hở phải có khâu 1/s thì
mới có khả năng làm sai lệch e bằng 0. Vì vậy ta có cấu trúc điều khiển thêm khâu
tích phân. Ta có :
1 2.5
Gdt ( s ) = e −5 s
T0 s (1 +150 s )(1 +10 s )(1 + s )
Do đối tượng có khâu tích phân và yêu cầu sai lệch tiến về 0 khi r(t)=t.1(t) và
modun của G(jw) tối ưu nên ta lựa chọn các tham số bộ điều khiển theo phương
pháp tối ưu đối xứng.
Theo phương pháp này, ta có 2 khả năng chọn bộ PI hoặc PID
 Với khả năng chọn
PI thì ta xấp xỉ đối tượng có :
1 đt
T =166s, k =2.5. Từ đó chọn được thông số bộ điều khiển là
T0 1
TI = 4.T1 = 664 s T0 =10 s kp = = = 0.012
2.k dt .T1 83
 1 
GPID ( s ) = k p 
1 + T s +Td s 

  I  Với khả năng
chọn PID có dạng là
thì ta xấp xỉ đối tượng có :
T1 =150 s T =16 s k đt = 2.5s
Do đó tham số bộ điều khiển là :
4.T1.T 4800
TI = T1 + 4.T = 214 s TD = = ≈ 44 .86 s T0 =10 s
TI 107
T0 .TI 107
kp = 2
= = 0.418
8.k dt .T 256
1 1
Nếu sử dụng thêm bộ lọc : M ( s ) = 1 + T s = 1 + 214s
I
Kết quả mô phỏng cho thấy:
Với đáp ứng là hàm 1(t)
Từ đồ thị ta thấy:
Bộ PI Bộ PI Bộ PID Bộ PID
không có có bộ lọc không có bộ có bộ lọc
bộ lọc lọc
Thời gian quá độ T5% 1663s 1956s 388.4s 630.5s
Độ quá điều chỉnh 43.1% 7.6% 34.8% 0
Sai lệch tĩnh 0 0 0 0
Điều này thấy:
• Có bộ lọc vào thì độ quá điều chỉnh đã giảm xuống đáng kể đặc biệt là bộ PID
có bộ lọc. Đến đây nếu yêu cầu thời gian quá độ không khắt khe thì ta chọn bộ
PID có bộ lọc.
• Nếu yêu cầu tác động nhanh thì ta sẽ chọn bộ PID không có bộ lọc. Và điều trả
giá là độ quá điều chỉnh khá lớn.
Với đầu vào là hàm t.1(t)
Bộ PI không Bộ PI Bộ PID Bộ PID

có bộ lọc có bộ lọc không có bộ có bộ lọc
lọc
Thời gian quá độ 1442s 1505s 128.5s 371.2s
Độ quá điều chỉnh 16.5% 0% 0% 0%
Sai lệch tĩnh 0 Có 0 Có

Nhìn vào đây: rõ ràng bộ PID có bộ lọc đã chiếm ưu thế cả về độ quá điều
chỉnh và thời gian quá độ khi yêu cầu bám nhanh giá trị đặt là t.1(t).
Bàn thêm về tín hiệu ra từ bộ điều khiển:
Tốc độ tăng của bộ PID không có bộ lọc khá cao, sau đó mới quay trở về bình
thường.
Như vậy ta quyết định chọn bộ PID và không bộ lọc khi tín hiệu vào là hàm
A.t.1(t) và có bộ lọc khi tín hiệu vào là hàm A.1(t) nghĩa là cần tới khóa chuyển
đổi khi thay đổi giá trị đặt
c) Phương pháp tối ưu module:
• Lớp mô hình thích hợp: Đối tượng ổn định thuộc loại khâu động học sau:
k đt ∏(1 + TDj s )
m
j =1
Gđt ( s ) = n
e −τs
∏(1 + T s )
i =1
i
• Bài toán chuẩn của phương pháp:

k đt
 Mô hình đối tượng: Gđt ( s) =
1 + Ts
 Chỉ tiêu chất lượng:
 Sai lệch tĩnh e∞ = 0 khi tín hiệu đặt r(t)=1(t)
 | G ( jω) |→1 trong một dải tần rộng lân cận 0
 Giải quyết bài toán:
Để thỏa mãn e∞ = 0 khi tín hiệu đặt r(t)=1(t) thì hàm truyền của hệ hở phải
chứa khâu tích phân. Vì thế bộ điều khiển phải chứa thành phần tích phân.
k
Chọn luật điều khiển: luật I có Gđk ( s) = T s
p
k .k
Do đó hàm truyền đạt hệ hở sẽ là Go ( s ) = (1 + Ts )T s
đt p
Go ( s ) k đt .k p
Xác định được Gk ( s ) = =
1 + Go ( s ) (1 + Ts )TI s + k đt .k p
Go ( s ) (k đt .k p ) 2
Tính được Gk ( jω) = =
1 + Go ( s ) (k đt .k p − T .TI ω) 2 + (TI ω) 2
→1
Cần loại bỏ thành phần bậc thấp đối với ω ta suy ra được
TI
kp = với TI tùy chọn
2.kđt T
Tổng kết lại phương pháp:
k đt kp
Với đối tượng Gđt ( s) = thì lựa chọn bộ điều khiển là luật I Gđk ( s) = T s
1 + Ts I
TI
với tham số tối ưu là k p = 2.k T
đt
Chất lượng của hệ kín:

 Sai lệch tĩnh e∞ = 0 khi tín hiệu đặt r(t)=1(t)
 | G ( jω) |→1 trong một dải tần rộng lân cận 0
 Độ quá điều chỉnh: ∆hmax ≤ 5%
k đt ∏(1 + TDj s )
m
j =1
Ứng dụng cho đối tượng khác: Gđt ( s ) = n
e −τs
∏(1 + T s )
i =1
i
k đt
 Cách 1: Đưa về bài toán chuẩn bằng cách xấp xỉ Gđt ( s) =
1 + Ts
n m
trong đó T = ∑Ti + τ − ∑TDj là hằng số thời gian Kuhn

i =1 j =1
k T
Chọn luật điều khiển là Gđk ( s) = T s với tham số là k p = 2.k T
p I
I đt
Dĩ nhiên cách này do việc xấp xỉ quá nhiều nên chất lượng không được tốt
 Cách 2: Đối với đối tượng có hằng số thời gian T1 lớn hơn rất
nhiều so với các hằng số thời gian khác thì đối tượng có thể được xấp xỉ về
kđt n m
Gđt ( s ) = trong đó T = ∑Ti + τ − ∑TDj
(1 + T1s )(1 + Ts ) i =2 j =1
 1  k p (1 + TI s )
Chọn bộ điều khiển PI có Gđk ( s ) = k p 
1 + T s 
=
 I  TI s
T T
= T1 ,khi đó k p = 2.k T = 2.k T
I 1
Để đưa về đối tượng của bài toán chuẩn thì TI
đt đt
 Cách 3: Đối với đối tượng có hai hằng số tích phân lớn thì có thể
k
xấp xỉ đối tượng dưới dạng Gđt ( s ) = (1 + T s)(1 + T s)(1 + Ts ) trong đó
đt
1 2
n m
T = ∑Ti + τ − ∑TDj
i =3 j =1
k p (1 + TI s )(1 + TD s )
Khi đó chọn bộ điều khiên PID_mul GPID _ MUL ( s) =
TI s
T
Với các tham số tối ưu là TD = T2 và TI = T1 và k p = 2.k T
I
đt
 1 
Hoặc chọn bộ điều khiển PID_ADD: Gđk ( s ) = k p 1 + + TD s  với các tham số
 TI s 
TT T
sẽ là TI = T2 + T1 và TD = T + T và k p = 2.k T
2 1 I
2 1 đt
2.5
Ví dụ cho đối tượng Gđt ( s ) = (1 + 5s )3 . Hãy thiết kế bộ điều khiển để hệ kín ổn định
và có sai lệch tĩnh bằng 0 khi tín hiệu đặt là hâm 1(t) và tối ưu về module G ( jω )
Giải quyết bài toán:
kp 2.5
 Cách 1: Sử dụng luật I Gđk ( s) = T s thì Gđt ( s ) ≈ suy ra
I 1 + 15s
T=15s
T 10
Suy ra TI = 10s ; k p = 2.k T = 2* 2,5*15 = 0,1333
I
đt
 1  k p (1 + TI s )
Cách 2: bộ điều khiển PI có Gđk ( s ) = k p 
1 + = : Khi
TI s 

  TI s
2.5
đó đối tượng được xấp xỉ về Gđt ( s ) = (1 + 5s)(1 + 10s) nên các tham số được
T 5
chọn như sau: TI = T1 = 5s và k p = 2.k T = 2* 2,5*10 = 0,1
I
đt
 1 
 Cách 3: bộ điều khiển PID_ADD: Gđk ( s ) = k p 1 + + TD s  . Khi đó
 TI s 
TT
các tham số của bộ điều khiển là: TI = T2 + T1 = 10s ; TD = T + T = 2.5s ;
2 1
2 1
TI 2
kp = =
2.kđt T 5
Kết quả mô phỏng:
Nhận xét:
Luật I Luật PI Luật PID
Thời gian quá độ 105.26s 74.87s 47.29

T2%
Độ quá điều chỉnh 4.7% 4.7% 9.7%
Sai lệch tĩnh 0 0 0
Phương án lựa chọn:nếu yêu cầu đáp ứng nhanh quá độ ngắn thì chọn PID, còn
nếu yêu cầu độ quá điều chỉnh phải nhỏ hơn 5% thì ta lựa chọn luật PI.
d) Phương pháp dựa trên mô hình nội IMC:
Phương pháp IMC có thể áp dụng cho một quá trình không ổn định bằng
cách sử dụng cấu trúc điều khiển tầng . Trong đó, vòng điều khiển bên trong có vai
trò ổn định trước quá trình.
Đối tượng điều khiển
Mô hình đích thực G(s)
Mô hình xác định trên cơ sở phương pháp mô hình hoá G1(s)
Cấu trúc điều khiển theo phương pháp IMC là :
G dk ( s )G ( s )
G K (s) = 1 + G ( s )G ( s ) = 1 với mọi ω
dk
G IMC ( s )
G dk (s) = 1 − G ( s )G ( s )
IMC 1
1
⇒ G IMC (s)* G 1 (s) = 1 ⇒ G IMC (s) =
G1 ( s )
Trong thực tế :
- Với đối tượng có pha cực tiểu
GL (s)
G IMC (s) = G ( s )
1
1
Với G L (s) = (1 + T * s) r
L
Trong đó chọn r sao cho hệ có tính tiền định chọn TL sao cho không làm ảnh
hưởng nhiều đến đặc tính hệ thống.
- Với đối tượng không có pha cực tiểu

G 1 (s) = G −(s)* G +(s)
G −(s) là thành phần có pha cực tiểu
G +(s) là thành phần có pha không cực tiểu
G L ( s)
G IMC (s) = G ( s )
−
Ví dụ: Xét đối tượng ĐCMC: G(s)= 0,085

(1 + s )(1 +0,2 s )
1
Chọn khâu lọc trước: GL = (1 + s )
2
1 +0,2 s
⇒ GIMC(s) =
0,085 .(1 + s )
(1 + 0,2 s )(1 + s )
⇒ Gdk = = G PI (s)* G L 2 (s)
0,085 s ( s + 2)
(1 +0,2 s )
Với GPI = 0,085 s
(1 + s )
Và GL2 = ( s + 2)
Mô phỏng bằng simulink:
Ta có đặc tính quá độ của hệ thống:
Ta thấy:
Thời gian quá độ là 9s, không có độ quá điều chỉnh ⇒ Hệ thống đáp ứng tốt.
* Xét với tác động của nhiễu: ở 10s ta đặt 1 nhiễu hằng =0.1
Ta có đặc tính quá độ của hệ thống:
Nhận xét: Khi có nhiễu thì sau khoảng 5s thì bộ điều khiển đưa đầu ra về giá trị
đặt ⇒ kháng nhiễu tốt.
e) Thiết kế hệ thống bù ảnh hưởng của khâu chậm trễ bằng bộ dự báo Smith:
Nguyên tắc dự báo Smith: Để thiết kế bộ điều khiển GR(s) cho đối tượng có trễ
GS(s) = S(s)
• Thiết bộ điề khiển R(s) riêng cho đối tượng S(s) không có thành phần trễ.
• Xây dựng bộ điều khiển
GR(s) =
Cấu trúc :
Các phương pháp thiết kế S(s) có thể lựa chọn một trong số các phương pháp nêu
trên tùy vào yêu cầu của bài toán
3.2 Phương pháp thực nghiệm

a) Phương pháp Ziegler – Nichols:
Ziegler & Nichols đưa ra hai phương pháp thực nghiệm để xác định tham số
của bộ điều khiển PID.
Phương pháp thứ nhất sử dụng mô hình xấp xỉ bậc nhất có trễ của đối tượng
cho đối tượng có đặc tính động học hình chữ S
Phương pháp thứ hai không cần đến mô hình toán học của đối tượng nhưng
chỉ áp dụng cho một số lớp đối tượng nhất định
 Phương pháp Ziegler & Nichols thứ nhất:
Để áp dụng phương pháp thực nghiệm này ta phải xấp xỉ mô hình đối tượng về
K
dạng: Gdt = dt e −τ s
1 + Ts
 τ = 0.3s ; T = b = 3,2 ; K dt = 1
Bảng 1 thiết kế của Ziegler & Nichols: dựa trên 2 tham số T và τ :
Luật điều khiển Kp TI TD
T
= 125, 49
Luật P K dt .τ -- --
T 10
0,9 = 112,94 τ =1
Luật PI K dtτ 3 --
T
Luật PID
1, 2
K dtτ
= 150.29 2τ = 0.6s 0,5τ = 0.15s
Khảo sát đặc tính động học của đối tượng:
Khi có bộ điều khiển:
Tqđ = 8 s ; σ max = 66,7% ;
Tqđ = 8 s ; σ max = 44,4% ;
Tqđ = 8 s ; σ max = 33,3% ;
Nhận xét: phương pháp này với cả luật PI và PID đều có thời gian quá độ đạt yêu
cầu bài toán nhưng lại có độ quá điều chỉnh lớn nên không dùng (không đạt chỉ
tiêu yêu cầu cho bài toán).
 Phương pháp Ziegler & Nichols 2:
Nội dung phương pháp:
Thay bộ điều khiển của hệ kín bằng bộ khuyếch đại. Sau đó thay đổi hệ số khuếch
đại nhằm đạt tới giá trị tới hạn kth .Lúc đó hệ kín ở chế độ biên giới ổn định , tức là
h(t) có dạng dao động điều hoà.Từ đó xác định chu kỳ dao động Tth .
Các thông số của bộ điều khiển được tính theo các đại lượng T và kth
Ta có bảng thiết kế:
Luật điều khiển Kp TI TD
0,5 Kgh
Luật P -- --
Luật PI 0,45 Kgh Tgh/1,2 --
Luật PID 0,6Kgh 2Tgh 0,125.Tgh
Chương 3: Thiết kế hệ thống điều khiển

trên không gian trạng thái
1. Tổng quan
Mô tả một hệ thống tuyến tính liên tục ta có thể thông qua hàm truyền đạt,
hàm quá độ … song để mô tả đối tượng một cách đầy đủ nhất thì ta có thể sử dụng
mô hình không gian trạng thái
Mô hình trạng thái có dạng:
dx
= Ax + Bu
dt
y = C x + Du
Liên quan đến thiết kế bộ điều khiển trên miền không gian trạng thái cần biết
đến tính điều khiển được và tính quan sát được của đối tượng.
 Tính điều khiển được:
• Một hệ thống tuyến tính, liên tục được gọi là điều khiển được nếu tồn tại
ít nhất một tín hiệu điều khiển đưa được nó từ một điểm trạng thái ban
đầu tùy ý về được gốc tọa độ trong khoảng thời gian hữu hạn.
• Hai tiêu chuẩn hay được dùng để kiểm tra tính điều khiển được cho hệ
tuyến tính tham số hằng.
Có 2 tiêu chuẩn để đánh giá tính điều khiển được của hệ:
 Tiêu chuẩn Kalman: Điều kiện cần và đủ để hệ tuyến tính điều
khiển được hoàn toàn là hạng của ma trận điều khiển PB bằng n,
trong đó: PB = [ B, AB ,..., A n−1 B ] hay là Rank ( PB ) = n hay
det(P B ) ≠ 0 thì hệ điều khiển được hoàn toàn
 Tiêu chuẩn Hautus: Điều kiện cần và đủ để hệ tuyến tính điều
khiển được hoàn toàn là hạng của ma trận điều khiển HB bằng n
trong đó: H B = [( sI − A), B] hay là Rank ( H B ) = n với mọi số phức s
• Hệ mà điều khiển được hoàn toàn thì có thể thiết kế bộ điều khiển trạng thái
 Tính quan sát được:
• Quan sát một tín hiệu là việc xác định tín hiệu một cách gián
tiếp thông qua các tín hiệu đo khác (thường là các tín hiệu vào ra).
• Hệ thống với tín hiệu vào u(t) và tín hiệu ra y(t) được gọi là
quan sát được hoàn toàn tại thời điểm t0 nếu với mọi T >t0 điểm trạng thái
x0=x0(t) luôn xác định được một cách chính xác từ vector các tín hiệu vào ra
u(t), y(t) trong khoảng thời gian [t0 T]. Cũng có 2 tiêu chuẩn để đánh giá
tính quan sát được của hệ tuyến tính.
 Tiêu chuẩn của Hautus: Điều kiện cần và đủ để hệ tuyến tính quan
sát được hoàn toàn là hạng của ma trận điều khiển HC bằng n trong đó:
H C = [( sI − A)T , C T ] hay là Rank ( H C ) = n với mọi số phức s
 Tiêu chuẩn của Kalman: Điều kiện cần và đủ để hệ tuyến tính quan sát
được hoàn toàn là hạng của ma trận điều khiển PC bằng n, trong đó:
PC = C T , AT C T ,..., ( An −1 )T C T  hay là Rank ( PC ) = n hay det(PC ) ≠ 0 thì hệ điều
khiển được hoàn toàn.
• Hệ thống mà quan sát được hoàn toàn thì có thể thiết kế được bộ quan
sát trạng thái.
2. Thiết kế bộ điều khiển gán điểm cực
Trước hết kiểm tra tính điều khiển được của đối tượng thông qua tiêu chuẩn
Kalman hoặc tiêu chuẩn Hautus.
Sau khi hệ có tính điều khiển được thì có thể hoàn toàn thiết kế được bộ điều
khiển gán điểm cực.
Đối với hệ tuyến tính thì điểm cực đóng vai trò rất quan trọng:
 Nếu tất cả các điểm cực đều nằm bên trái trục ảo thì hệ sẽ ổn định
 Các điểm cực càng xa trục ảo về phía bên trái thì quá trình quá độ của hệ
càng ngắn, tức là quán tính của hệ càng nhỏ
 Nếu hệ có ít nhất một điểm cực ở gốc tọa độ thì hệ có chứa thành phần tích
phân do đó hệ ở trạng thái biên giới ổn định.
Chính vì vậy khi có yêu cầu về chỉ tiêu chất lượng ta tìm tất cả các điểm cực
mong muốn sao cho hệ đạt được chỉ tiêu đề ra.
Bài toán thiết kế là: Xác định luật điều khiển u(t) = - K.x(t) với
K = [ k1 k 2 ... k n ] để hệ kín nhận được các điểm cực là p1 , p 2 ,... pn là các điểm
cực của hệ kín, biết mô hình trạng thái của đối tượng điều khiển là
x = A x(t ) + Bu (t ) .
Sơ đồ cấu trúc hệ thống điều khiển
Ta phải đi tìm ma trận K để det( sI − ( A − BK )) = ( s − p1 )( s − p2 )....( s − pn ) (1)
Phương pháp giải:
Cách 1: Đặt các phần tử của K là biến. Sau đó tính det(sI-A+BR) rồi cân bằng hệ
số 2 vế của (1) ta thu được các phương trình để tìm các phần tử của R. Cách này
khá lâu và khó viết thành thuật toán
Cách 2: Dùng phương pháp Ackermann là phương pháp thiết kế bộ điều khiển gán
điểm cực R theo nguyên lý phản hồi trạng thái cho đối tượng chỉ có một tín hiệu
vào
 Tính các hệ số ai của phương trình đặc tính cần phải có của hệ kín từ những
giá trị điểm cực si đã cho theo:
A( s ) = ( s − s1 )( s − s2 )....( s − sn ) = α0 + α1s + α2 s 2 + ... + αn−1s n−1 + s n
 Φ( A) = α0 I + α1 A + α2 A 2 + ... + αn−1 A n−1 + A n
 Bộ điều khiển K cần tìm sẽ là: K = −[0... 1]. PB−1.Φ( A)
Cách 3: Sử dụng Matlab để tìm K theo lệnh
K=place(A,B, pole)
K=acker(A,B, pole)
Áp dụng cho đối tượng động cơ một chiều
Ở chương 1, từ việc mô hình hóa lý thuyết đối tượng động cơ một chiều và tìm
được mô hình trạng thái của đối tượng động cơ điện một chiều là
du A 1 k
=− uA + .u
dt TCL TCL
di A 1 1
= − i A − k e Φ.n + uA
dt TA LA
dn 1 1
= k M Φ.i A − mT
dt 2πJ 2πJ
 1 
− T 0 0 
 k   
u A   CL  T   0 
  1 1  CL 
x (t ) =  i A  ; A =  − − ke Φ  ; B = 0  ; N =  0  ; C = [0 0 1] ;
 LA TA   0   1 
 n      − 
1    2πJ 
 0 kM Φ 0 
 2πJ 
D=0
Vậy mô hình trạng thái của động cơ được viết dưới dạng thu gọn
x (t ) = A.x(t ) + B.u (t ) + N .mT (t )


 y (t ) = C.x(t ) + D.u (t )
Lập trình trên Matlab
Ra = 0.3; N = [0; 0; -1/(2*pi*J)];
La = 0.005;
Phi = 0.05; G_m = ss(A, B, C, D)
J = 0.015; G_m=ss(A-B*K,B,C,D)
Km = 38.2; G_m.InputName={'u'}
Ke = 2*pi*Km; G_m.StateName={'uA','iA','n'}
Tcl=0.1; G_m.OutputName={ 'n'}
k=100/100; pole(G_m)
A = [-1/Tcl 0 0; polc=10*(real(pole(G_m)))+imag(pole(G_m))/10*i
1/La -Ra/La -Ke*Phi/La; K=acker(A,B,polc)
0 Km*Phi/2/pi/J 0]; K1=place(A,B,polc)
B = [k/Tcl ; 0; 0] G_k=ss(A-B*K,B,C,D)
C = [0 0 1]; D=0; G_k1=ss(A-B*K,B,C,D)
Kết quả thu được khi không có nhiễu
Nhận xét:
 Đối tượng động cơ chưa có bộ điều khiển thì có độ quá điều chỉnh và thời
gian quá độ lớn
 Sau khi có bộ điều khiển gán điểm cực thì chất lượng động học của hệ đã cải
thiện một cách đáng kể: không có độ quá điều chỉnh, và thời gian quá độ
ngắn. Tuy nhiên vẫn còn sai lệch tĩnh đối với giá trị đặt và với nhiễu.
3. Thiết kế bộ điều khiển phản hồi đầu ra
Bài toán thiết kế bộ điều khiển phản hồi đầu ra được thay bằng bài toán thiết kế
bộ quan sát trạng thái và bộ điều khiển phản hồi trạng thái.
 Lợi ích của việc sử dụng khâu quan sát trạng thái ?
 Giảm bớt cảm biến đo các biến trạng thái.
 Ước lượng được các biến trạng thái không thể đo được.
 Nhược điểm của việc sử dụng khâu quan sát trạng thái
 Cần biết chính xác mô hình đối tượng
 Mất nhiều thời gian hơn.
 Yêu cầu đối với khâu quan sát trạng thái: phải có
động học nhanh hơn bộ điều khiển phản hồi trạng thái và phải chính xác.
Sơ đồ cấu trúc của bộ quan sát Luenberger
 Nhiệm vụ thiết kế là xác định L để có được yêu cầu ~
x (t ) ≈ x (t ) sau một
khoảng thời gian T đủ ngắn (nhanh hơn so với bộ điều khiển phản hồi trạng
thái).
Ta có sai lệch mô hình là e(t ) = x(t ) −~x (t )
Suy ra:  (t ) −~
e (t ) = x  (t ) = A.e(t ) −LC .e(t ) =( A −LC )e(t )
x
Để e(t ) →0 thì ma trận A − LC phải là ma trận bền, tức là có các giá trị
riêng có phần thực âm (giống như các điểm cực). Do đó tốc độ tiến về 0 càng
nhanh khi các giá trị riêng càng nằm xa trục ảo về phía bên trái.
Hơn nữa giá trị riêng của ma trận bất biến với phép chuyển vị nên việc
tìm L để A − LC có được giá trị riêng mong muốn cũng đồng nghĩa tìm LT để
( A − LC )T = AT − C T LT nhận những giá trị riêng đó và đây cũng là bài toán thiết
kế bộ điều khiển gán điểm cực đã trình bày ở mục 3.1.1
Vì yêu cầu bộ quan sát phải nhanh hơn động học của hệ kín nên chọn các
điểm cực nằm ở xa trục ảo hơn so với các điểm cực của hệ kín (các điểm cực
dùng để thiết kế bộ điều khiển phản hồi trạng thái) về phía trái. Và công việc
tính toán LT cũng giống với R nhưng cho đối tượng đối ngẫu:
x (t ) = AT .x (t ) +C T .u (t )
Với Matlab ta thực hiện lệnh sau:

polo=20*(real(pole(G_m)))+imag(pole(G_m))/20*i
L=acker(A',C',polo) % tinh ma tran phan hoi L
L=L'
 Kết hợp cả bộ điều khiển phản hồi trạng thái và khâu quan sát trạng thái ta
được bộ điều khiển phản hồi đầu ra hoàn chỉnh
Kết quả thu được như sau:
Nhận xét:
 Hệ kín không có độ quá điều chỉnh
 Thời gian quá độ ngắn cỡ 0.02s
 Tín hiệu điều khiển u tăng vọt ở thời điểm ban đầu.
 Vẫn còn sai lệch tĩnh khi có nhiễu.
4. Thiết kế bộ điều khiển LQR
a) Lý thuyết
- Bài toán: Cho hệ tuyến tính có mô hình trạng thái là x (t ) = A.x (t ) +B.u (t ) . Tìm
bộ điều khiển làm hệ ổn định tối ưu, theo nghĩa là sau một tác động tức thời đưa hệ
ra khỏi điểm cân bằng 0 (tại gốc tọa độ) thì bộ điều khiển sẽ kéo hệ quay về 0 với
năng lượng tổn hao tính theo
( )
∞
1
Q = ∫ x E x + u F u dt → min
T T
20
Trong đó E là ma trận xác định không âm, F là ma trận xác định dương
- Giải bài toán: Áp dụng phương pháp biến phân thì bộ điều khiển LQR sẽ được
tìm như sau:
+ Bước 1: Tìm K đối xứng xác định bán âm từ phương trình đại số Riccati:
K .B.F −1 .B.K − AT K − K . A = E
+ Bước 2: Bộ điều khiển LQR là RLQR = F −1 .B.K
+ Bước 3: Kiểm tra tính ổn định của hệ kín
- Trong Matlab có hỗ trợ việc tính toán bộ điều khiển LQR như sau:
[R,K,e] = lqr(SYS,E,F,N)
[R,K,e] = LQR(A,B,E,F,N)
Trong đó: SYS là đối tượng tuyến tính
N được chọn bằng 0 (vì trong Matlab chọn phiếm hàm mục tiêu là
( )
∞
1
∫
T T T
Q= x E x + u F u + 2 x N u dt → min )
20
b) Áp dụng vào động cơ một chiều
 Bài toán tiết kiệm năng lượng: hãy xác định bộ điều khiển tối ưu cho động
cơ điện một chiều kích từ độc lập, cực tiểu hóa tổn hao năng lượng điện và
cơ năng. Biết mômen cản: M C = k1ω ; trong đó k1 = 10 gcm / s
 Giải quyết bài toán: Tìm phiếm hàm mục tiêu
Năng lượng tổn thất gồm tốn thất điện ∆Pđ trên điện trở phần ứng và tổn
thất cơ ∆Pc trên trục do có mômen cản.
ua2 u 2 2
Ta có: ∆Pđ = I a Ra = = k ; ∆Pc = M c ω = k 1.9,81.10 −5n 2
2
Ra Ra
0 0 0 
  k2
Suy ra E = 0 0 0  và F=
Ra
 0 0 9.81.10−5 k1 
Các lệnh trong Matlab

% Thiet ke bo dieu khien toi uu nang luong lqr
k1=10
N=0;
E=[0 0 0;
0 0 0;
0 0 9.81e-5*k1]
F=k^2/Ra
[R_Lqr,K,e] = LQR(A,B,E,F,N)
sim('bodkphanhoiLQR.mdl')
plot(t,n.signals.values)
Nhận xét: Do tối ưu về năng lượng nên chất lượng về độ quá điều chỉnh cũng như
sai lệch tĩnh và thời gian quá độ không đảm bảo.
5. Thiết kế bộ điều khiển LQG
a) Lý thuyết
Bài toán: Thiết kế bộ điều khiển phản hồi tín hiệu ra cho đối tượng
 (t ) = A.x (t ) +B.u (t ) làm hệ ổn định tối ưu, theo nghĩa là sau một tác động tức
x
thời đưa hệ ra khỏi điểm cân bằng 0 (tại gốc tọa độ) thì bộ điều khiển sẽ kéo hệ
quay về 0 với năng lượng tổn hao tính theo
( )
∞
1
Q = ∫ x E x + u F u dt → min
T T
20
 Giải bài toán: Bộ điều khiển LQG thực chất là bộ điều khiển bao gồm một
bộ điều khiển phản hồi trạng thái tối ưu RLQR và một bộ quan sát trạng thái
Kalman
Bộ quan sát Kalman cũng có mô hình giống như bộ quan sát của Luenberger
Nhưng khác với Luenberger, Kalman đã tìm L sao cho

n ∞
1
Q = M [e e] = ∑ M [ei2 ] → min hay Q =
2 ∫0
T T T
( x N x x + u N y u ) dt → min
i =1
Trong đó e(t ) = x( t ) − ~

x (t ) ) và M[.] là ký hiệu lấy trung bình (kỳ vọng)
Nx, Ny là ma trận hỗ tương quan của nx(t) và ny(t)
- Kalman đã tìm ra được L như sau: LT = N y−1CP
Trong đó P là nghiệm của phương trình Riccati

PC T N y−1CP − PA T − AP = N x
Việc tìm L cũng giống hệt với bài toán tìm RLQR cho hệ đối ngẫu
x (t ) = AT .x (t ) +C T .u (t )
∞
1
∫
T T
và hàm mục tiêu là Q= ( x N x x + u N y u ) dt → min
20
- Như vậy để thiết kế bộ điều khiển LQG thì ta phải sử dụng hai lần thuật toán
thiết kế bộ điều khiển LQR:
+ Lần 1 để xây dựng bộ điều khiển phản hồi trạng thái tối ưu RLQR cho đối
tượng x (t ) = A.x(t ) +B.u (t ) với hàm mục tiêu là
( )
∞
1
∫
T T
Q= x E x + u F u dt → min
20
+ Lần 2 để xác định L của bộ quan sát Kalman hay LT chính là bộ điều khiển
phản hồi trạng thái tối ưu LQR cho đối tượng đối ngẫu x (t ) = AT .x(t ) +C T .u (t )
∞
1
∫
T T
và hàm mục tiêu là Q= ( x N x x + u N y u ) dt → min
20
b) Áp dụng vào động cơ một chiều

N=0;
E=[0 0 0;
0 0 0;
0 0 9.81e-5*k1]
F=k^2/Ra;
[R_Lqr,K,e] = LQR(A,B,E,F,N)
Nx=[1 0 0
0 1 0
0 0 1];
Ny=1/(2*pi*J)
[L,K,e] = LQR(A,B,E,F,N)
L=L'
sim('bodkphanhoiLQG.mdl')
plot(t,n.signals.values)
Nhận xét: Vẫn còn độ quá điều chỉnh, chất lượng động học không được cải thiện
nhiều lắm.
6. Loại bỏ sai lệch tĩnh bằng bộ tiền xử lý
- Nếu chỉ cần loại bỏ sai lệch tĩnh khi đáp ứng giá trị đặt thì ta chỉ cần thiết kế khâu
1
khuyếc đại với hệ số V = trong đó K∞ là giá trị xác lập của đầu ra khi tín hiệu
K∞
vào là hàm 1(t). Hiển nhiên trong trường hợp này thì sẽ vẫn tồn tại sai lệch tĩnh khi
có nhiễu
- Để triệt tiêu sai lệch tĩnh đối với nhiễu và sai lệch của mô hình (mà điều này luôn
được yêu cầu đối với các bộ điều khiển) do đó cần phải thiết kế bộ PI nằm ờ vòng
ngoài
Để thiết kế khâu PI, ta có thể sử dụng các phương pháp thiết kế PID đã trình bày ở
chương trước
Để đơn giản, thì ta sử dụng phương pháp thực nghiệm. Ta chọn được
Kp=1
Ti=0.0001s
Kết quả mô phỏng thu được:
Từ kết quả mô phỏng ta thấy
- Việc thêm thành phần tích phân đã làm triệt tiêu sai lệch tĩnh kể cả với đáp ứng
giá trị đặt mà cả với nhiễu.
- So với bộ PI mà không có bộ điều khiển trạng thái thì bộ điều khiển có dùng bộ
điều khiển phản hồi trạng thái có chất lượng đầu ra tốt hơn.
Nhận xét:
 Đối với bộ điều khiển trạng thái kết hợp với PI đã cho tín hiệu điều khiển rất
tốt khi đáp ứng với giá trị đặt. Tuy nhiên nó khi đáp ứng với nhiễu thì nó
tăng vọt lên, còn đặc tính động học rất tốt
 Còn nếu dùng mỗi bộ PI không thì có độ quá điều chỉnh, thời gian quá độ
dài hơn
 Kết hợp sử dụng PI và bộ điều khiển phản hồi đầu ra sẽ cho chất lượng điều
khiển tốt hơn. Nhưng nó kén tham số hơn và kém bền vững với sai lệch mô
hình.
Chương 4 : Thiết kế bộ điều khiển phi tuyến
Chương này chúng ta sẽ đi vào thiết kế bộ điều khiển dự báo trên cơ sở mạng
Nơron nhân tạo cho một đối tượng phi tuyến. Thông qua đó sẽ thấy được ưu thế
của bộ điều khiển Nơron trong thực tế.
1. Tổng quan
Điều khiển dự báo là phương pháp điều khiển nâng cao trong điều khiển quá
trình và đã được ứng dụng từ những năm 1980s trong điều khiển quá trình như hóa
chất, lọc dầu...Ngày nay điều khiển dự báo là chiến lược được sử dụng phổ biến
nhất trong việc điều khiển quá trình. Bộ điều khiển dự báo sử dụng một mô hình để
đoán trước đáp ứng tương lai của đối tượng điều khiển tại các thời điểm rời rạc
trong một phạm vi dự báo (prediction horizon) nhất định. Dựa vào đáp ứng dự báo
này, một thuật toán tối ưu được sử dụng để tính toán chuỗi các tín hiệu điều khiển
tương lai trong phạm vi điều khiển (control horizon) sao cho sai lệch giữa đáp ứng
dự báo bởi mô hình và tín hiệu chuẩn cho trước là tối thiểu.
Phương pháp điều khiển dự báo là phương pháo tổng quát để thiết kế bộ điều
khiển trong miền thời gian, có thể áp dụng cho hệ tuyến tính cũng như hệ phi
tuyến, tuy nhiên trong thực tế việc áp dụng chiến lược điều khiển dự báo cho hệ
phí tuyến gặp nhiều khó khăn.Do vậy mà mục đích thiết kế ở đây là thiết kế bộ
điều khiển dự báo trên cơ sở mạng Nơron cho đối tượng bình khuấy trong công
nghiệp.
Dựa trên tiêu chí đặt ra mà phần thiết kế bộ điều khiển dự báo trên cơ sở mạng
Nơron sẽ trình bày cơ sở lý thuyết về điều khiển dự báo và mạng Nơron, xây dựng
mô hình tính toán để dự báo chính xác trạng thái của quá trình cần điều khiển trong
phạm vi dự báo, thuật toán tối ưu hóa sử dụng và áp dụng công cụ matlab để kiểm
chứng mô hình.
2. Tổng quan về điều khiển dự báo
Mục tiêu nôi dung này là cung cấp các kiến thức cơ bản nhất được sử dụng
trong điều khiển dự báo, trong đó tập trung sâu vào lý thuyết điều khiển dự báo
trên cơ sở mạng Nơron nhân tạo và kiểm chứng nó trên Matlab và Simulink.
Đầu tiên, ta cần biết mô hình điều khiển dự báo được viết tắt dưới dạng rút gọn của
thuật ngữ quốc tế MPC – Model based Predictive Control.
Một cách hình tượng hóa, MPC phản ảnh thói quen của con người nhờ vào sự lựa
chọn hành động điều khiển để đưa ra một kết quả dự đoán tốt nhất có thể trong
phạm vi giới hạn điều khiển. Để có được sự lựa chọn này, chúng ta cần sử dụng
mô hình của quá trình. Khi dự báo được, chúng ta sẽ cập nhật những hành động
mới. Do đó, luật điều khiển dự báo sẽ bao gồm các thành phần chính sau :
1. Luật điều khiển phụ thuộc vào thói quen dự báo.
2. Kết quả dự báo được ước lượng tính qua một mô hình quá trình.
3. Đầu vào được xác định bằng cách tối ưu hóa một vài thông số của kết quả
dự báo.
4. Đầu vào điều khiển sẽ được cập nhật trong mỗi chu kì.
Kiến trúc của một hệ thống MPC đặc thù :
Các thành phần chính của MPC :
- Sự độc lập của đáp ứng trong dự báo : hầu hết các luật điều khiển (như PID)
đều không đề cập tới toàn bộ sự kiện tương lai của đáp ứng điều khiển. Trong
một số trường hợp nó chỉ đóng góp bởi vòng động học kín. Nhưng MPC, ở một
chiều hướng khác, lại dự báo đặc tính tương lai trong một phạm vi giới hạn. Bởi
vậy có thể giảm thiểu được các kết quả không mong muốn trong tương lai.
- Dự báo dựa trên mô hình: với mục đích dự báo các đặc tính tương lai của quá
trình, ta phải có một mô hình mô tả quá trình hoạt động như thế nào. Đặc biệt,
mô hình này phải mô tả sự phụ thuộc của đầu ra trong vào khoảng biến thiên
giá trị và đầu vào tương lai. Mô hình này không bắt buộc phải tuyến tính ( hàm
truyền đạt, không gian trạng thái...) và trong thực tế có thể về bất kể một quá
trình nào đó.
- Lựa chọn đầu vào: Trước khi lựa chọn hành động điều khiển, ta cần một tiêu
chuẩn để đánh giá liệu đáp ứng có tốt không. Bởi vì MPC thường được thực thi
bằng máy tính nên yêu cầu này phải là định nghĩa về mặt số học từ đó có thể đạt
được kết quả tính toán chính xác. Công thức số học nên càng đơn giản càng tốt
để tiết kiệm. Theo kinh nghiệm thì lựa chọn thực tế ít ảnh hưởng tới chất lượng
vòng kín. Do đó mà yêu cầu chính là hàm chi phí chỉ phụ thuộc và điều khiển
tương lai và là hàm chi phí thấp hàm ý chất lượng vòng kín tốt. Dĩ nhiên lựa
chọn của hàm chi phí ảnh hưởng tới sự phức tạp của tối ưu hóa.
- Giới hạn: MPC hoạt động trên nguyên tắc dự báo đáp ứng trong phạm vi giới
hạn về thời gian tương lai, vì vậy tại mỗi thời điểm hiện tại nó lại dự báo một
khoảng thời gian sau đó. Mỗi khi thông tin mới có được, đáp ứng vào lại được
tự động xử lý. Vậy “ Giới hạn bao nhiêu thì đủ?”. Bằng trực giác, có thể nói
rằng giới hạn nên lớn hơn thời gian sắp đặt và phải chứa các đặc tính động học
quan trọng.
- Tối ưu hóa: Để điều khiển quá trình chính xác, chúng ta cần một mô hình chính
xác. Việc đó sẽ giúp gia tăng được giới hạn dự báo và có được các đáp ứng tốt
hơn. Đó chính là tư tưởng của tối ưu hóa.
- Điều chỉnh: Điều chỉnh sẽ tốt hơn nếu ta có mối quan hệ mật thiết với các thông
số. Nếu như có hàm chi phí chính xác, ổn định thì sẽ tối ưu hóa được hàm chi
phí và chất lượng tốt. Khi được chỉ dẫn tốt, MPC sẽ luôn điều khiển ổn định
hoặc chí ít cũng là bình thường. Bởi vậy tầm quan trong ở đây là:
- Điều chỉnh: Điều chỉnh sẽ tốt hơn nếu ta có mối quan hệ mật thiết với các thông
số. Nếu như có hàm chi phí chính xác, ổn định thì sẽ tối ưu hóa được hàm chi
phí và chất lượng tốt. Khi được chỉ dẫn tốt, MPC sẽ luôn điều khiển ổn định
hoặc chí ít cũng là bình thường. Bởi vậy tầm quan trong ở đây là: làm thế nào
để cân bằng giữa chất lượng giữa các vòng khác nhau và giữa các đáp ứng vào
với tốc độ đáp ứng? Trước kia thường sử dụng ma trận trọng số để đặt tầm quan
trọng lên chất lượng trong các vòng khác nhau. Tuy nhiên, điều đó vẫn còn
nhiều bàn cãi rằng ta có thể cấu trúc trọng số một cách hệ thống từ quan điểm
tài chính và nhân công. Trong thực tế điều chỉnh được yêu cầu cho tới khi cân
bằng đạt được, tuy nhiên rất khó để tổng quá hóa việc điều chỉnh vì mỗi một
quá trình có đặc điểm riêng.
- Mối ràng buộc: Một trong những ưu điểm của MPC là khả năng giải quyết được
các vấn đề rằng buộc liên động nhau.
- Sử dụng một cách hệ thống các nhu cầu tương lai: MPC có khả năng hợp tác
được với Feedforward một cách rất hệ thống. Tối ưu hóa hàm chi phí sẽ góp
vào các thay đổi tương lai của đường đặc tính mong muốn và nhiễu đo được.
- Thiết kế điều khiển một cách hệ thống cho hệ MIMO: MPC có thể làm việc một
cách hệ thống với hệ MIMO. Việc thiết kế bộ PID cho hệ MIMO có tính tương
tác cao là rất khó khăn. Mặc dug giải pháp được phát triển qua sự kết hợp giữa
kinh nghiệm và thời gian, tuy nhiên vẫn có thể làm chệch hướng. Sự khó khăn
của PID với hệ MIMO liên quan chặt chẽ tới mô hình, thiết kế PID sử dụng ít
mối liên hệ thông tin với đối tượng nên khó có thể là việc khi tương tác giữa
các thành phần trong mô hình đối tượng cao. MPC khắc phục được những
khuyết điểm đó của PID.
3. Dự báo trong MPC
Cấu trúc tổng quát của mô hình dự báo
Giả sử trạng thái hệ thống là , có thể chứa giá trị đầu vào/ra quá khứ thì bộ dự
báo tương lai sẽ là: k =H k-1 +P k
Trong đó: H là ma trận Toeplitz
P là ma trận có hệ số phụ thuộc vào thông số mô hình
Từ cấu trúc tổng quát của mô hình dự báo mà ta có thể xây dựng các mô hình dự
báo trong không gian trạng thái, dự báo mô hình hàm truyền đạt, dự báo với mô
hình FIR, dự báo với mô hình độc lập...Các bạn có thể tham khảo chúng trong tài
liệu tham khảo ở cuối cuốn đồ án này.
4. Mạng Nơron
4.1 Cơ sở về mạng Nơron
Đầu tiên ta cần phải nắm rõ khái niệm về mạng nơron:
Mạng nơron là sự tái tạo bằng kĩ thuật những chức năng của hệ thần kinh con
người. Trong quá trình tái tạo không phải tất cả các chức năng của bộ nào con
người có đều được tái tạo mà chỉ có những chức năng cần thiết. Bên cạnh đó còn
có những chức năng mới được tạo ra nhằm giải quyết một bài toán điều khiển định
trước.
Để hiểu rõ hơn về mạng nơron ta cần tìm hiểu cấu trúc của một nơron tự nhiên.
Cụ thể bạn có thể xem trong tài liệu [2], pp. 203-205. Một tính chất cơ bản của
mạng Nơron sinh học mà ta cần lưu ý là các đáp ứng theo kích thích có khả năng
thay đổi theo thời gian. Các đáp ứng có thể tăng lên, giảm đi hoặc hoàn toàn biến
mất.Qua các nhánh axon liên kết tế bào nơron này với tế bào nơron khác, sự thay
đổi trạng thái của một nơron cũng kéo theo sự thay đổi trạng thái của các nơron
khác và do đó là sự thay đổi của toàn bộ mạng nơron. Việc thay đổi trạng thái của
mạng nơron có thể thực hiện qua một quá trình dạy hoặc do khả năng học tự nhiên.
Mạng nơron nhân tạo chính là sự thay thế tính chất đó của mạng nơron tự nhiên
bằng một mô hình toán học tương đương. Mạng nơron có thể được chế tạo bằng
nhiều cách khác nhau vì vậy trong thực tế tồn tại rất nhiều kiểu mạng nơron nhân
tạo.
P1
W1
P2 a
W2
f
Pn Wn b
Nơron nhân tạo nhiều đầu vào một đầu ra.
Đứng về mặt mặt hệ thống, một nơron là một hệ thống MISO quen thuộc với
nhiều đầu vào và một đầu ra. Cấu trúc của một nơron gồm một bộ tổng và một hàm
truyền f(n).
Quan hệ giữa các đầu vào ra của một nơron được biểu diễn bằng phương trình toán
học như sau:
+b= * + b = Wp +b
a = f(n), trong đó f là hàm truyền, w là trọng số và b là tham số bù.
Một số hàm f cơ bản thường được sử dụng:
Hàm a = f(a) Mô tả
a = tansig(n) a= -1
a = logsig(n) a=
a = radbas(n) a=
a = satlins(n) a=
a = hardlim(n) a=
a = hardlims(n) a=
a = purelin(n) a=n
4.2 Cấu trúc mạng nơron
Để xây dựng được hệ thống điều khiển tự động trước tiên phải xây dựng được mô
hình thích hợp cho đối tượng và xác định các tham số của mô hình. Ở đây mô hình
được sử dụng thay thế cho đối tượng là một mạng nơron. Như vậy vấn đề của
chúng ta là phải xác đinh được một cấu trúc mạng nơron hợp lý và huấn luyện các
tham số của mạng. Đây chính là bài toán nhận dạng đối tượng bằng mạng nơron.
Nó là bài toán đầu tiên cũng là bài toán quan trọng nhất trong quá trình thiết kế bộ
điều khiển trên cơ sở mạng nơron.
Ta có thể phân loại mạng nơron thành 3 loại như sau:
- Mạng nơron động học tuyến tính : Quan hệ vào/ra của mạng có tính chất động
học tuyến tính.
- Mạng nơron phi tuyến tĩnh: Quan hệ vào/ra của mạng có tính chất phi tuyến
tĩnh.
- Mạng nơron động học phi tuyến: Quan hệ vào/ra của mạng có tính chất động
học phi tuyến.
4.3 Huấn luyện mạng nơron
Nguyên tắc huấn luyện
Huấn luyện mạng là công việc xác đinh vector trọng số wi có trong từng
nơron của mạng sao cho mạng nơron có khả năng tạo ra cá đáp ứng đầu ra
mong muốn khi cùng được kích thích bằng một lượng thông tin đầu vào của hệ
thống đó.
Như vậy có thể xem việc huấn luyện mạng là tạo ra cho mạng một khả năng
của một thiết bị xấp xỉ thông tin.
Đầu vào Lớp vào Lớp ẩn Lớp ra
Để huấn luyện người ta cho tác động hàng loạt kích thích xk, k =1, 2...có khả
năng lặp lại trong quá trình mạng làm việc. Những tác động này gọi là kích thích
mẫu. Các giá trị y’k tương ứng tại đầu ra của mạng được so sánh với đáp ứng mẫu
yk cho trước. Các phần tử của vector trọng số wi, i = 1, 2,...,n có trong tất cả n
nơron của mạng được hiệu chỉnh theo từng bước huấn luyện sao cho tổng các sai
lệch Ek = |e(k)|2 = | y’k - yk|2 là nhỏ nhất. Thực chất của bài toán huấn luyện mạng là
giải bài toán tối ưu tham số và để thực hiện bài toán đó cần phải xây dựng được
phiến hàm mục đích mô tả rõ sai lệch.
Đối tượng
P
e
NN
Để thấy rõ hơn về quá trình huấn luyện mạng nơron, bạn có thể xem thêm ở tài
liệu [2], pp. 214-215 về mạng nơron MLP 3 lớp. Như vậy việc huấn luyện mạng ở
đây chính là giải bài toán tối ưu với sự hỗ trợ của thuật toán tìm kiếm ngược
Gradient.
Với mạng MLP truyền thẳng, khi huấn luyện mạng với một mẫu cho trước mà
thuật toán xác định vector trọng số không hội tụ, người ta sẽ nghĩ tới mạng nhiều
lớp (MLP) và mạng này phải có quan hệ phi tuyến không chỉ nằm ở lớp nơron đầu
ra. Một trong những phương pháp được ứng dụng nhiều trong thực tế để giải quyết
bài toán huấn luyện mạng MLP truyền thẳng là thuật toán lan truyền ngược
(Backpropagation) được đề cập trong tài liệu [2], pp. 223-227.
5. Nhận dạng mô hình đối tượng điều khiển
Để xây dựng được một bộ điều khiển, đầu tiên ta cần phải có mô hình toán học
của đối tượng. Mô hình này càng giống với đối tượng thì bộ điều khiển thiết kế
càng đảm bảo yêu cầu chất lượng của hệ thống. Xác định mô hình toán học của
đối tượng có nghĩa là phải xác định được cấu trúc cũng như các tham số của nó.
Trước tiên ta phải xác định cấu trúc đối tượng, sau đó là xác định tham số.
Xây dựng mô hình toán học của đối tượng ta có thể sử dụng các phương pháp lý
thuyết hoặc phương pháp thực nghiệm (nhận dạng). Các phương pháp này các bạn
có thể thấy rất rõ trong chương 1 của đồ án này. Như vậy bài toán nhận dạng sẽ
được phân biệt với nhau bở các điểm sau: Lớp mô hình thích hợp, Loại tín hiệu
quan sát được là tiền định hay ngẫu nhiên, Phương thức mô tả sai lệch giữa mô
hình và đối tượng thực.
Bài toán nhận dạng đối tượng bằng mạng nơron được xây dựng trên cơ sở:
• Lớp mô hình thích hợp được chọn là mô hình mạng nơron
• Loại tín hiệu quan sát là tín hiệu ngẫu nhiên
5.1 Nhận dạng thông số offline
Sơ đồ tổng quát nhận dạng thông số mô hinh
Vector Z(t) bao gồm các vector trạng thái với nhiễu tác động v(t) và đâu vào u(t)
Z(t) = h[x(t),u(t),v(t),P2(t),t]
Với P2(t) là thông số chưa biết của hệ thống.
Vector trạng thái của hệ được mô tả bởi phương trình
(t) = f[x(t),u(t),w(t),P1(t)]
Trong đó w(t) là vector nhiễu tác động từ ngoài.
Bài toán đặt ra là cần tìm các thông số mô hình đảm bảo cực trị theo một tiêu
chuẩn nhận dạng.
Vector thông số (t) = P1(t),P2(t)] có thể chứa cá hệ số của phương trình vi phân,
phương trình quan sát và đồng thời có thể đặc trưng thống kê của nhiễu v(t), w(t).
Có nhiều phương pháp nhận dạng thông số offline như phương pháp xấp xỉ vi
phân, phương pháp gradient, phương pháp tìm kiếm trực tiếp, phương pháp tựa
tuyến tính, phương pháp sử dụng hàm nhậy. Nhưng ở đây tôi chỉ giới thiệu phương
pháp Gradient cong cá phương pháp khác bạn có thể tra cứu trong tài liệu tham
khảo.
Phương pháp Gradient
Giả thiết rằng mô hình phi tuyến được biểu diễn dưới dạng rời rạc. Cần xác định
vector thông số P sao cho x(t) với độ chính xác cho trước phù hợp với z(t) dưới tác
động điều khiển u(t).
Tiêu chuẩn sai số J bao gồm hiệu sai số đầu ra của mô hình và đối tượng (hệ
thống)
J= [(ti)-z(ti)]
Trong đó H là hàm, thường được chọn dưới dạng tổng bình phương các thành phần
vector sai số.
Nhận dạng theo phương pháp Gradient.
Thuật toán nhận dạng Gradient như sau:
1. Cho các giá trị ban đầu Po
2. Giải các phương trình sai phân hoặc vi phân và xác định được J
3. Cho pi = pio + ∆ và giải các phương trình đó, xác định được
4. Thông tin về hướng gradient được sử dụng tùy theo từng trường hợp để xây
dựng thuật toán tìm vector thông số P.
Thuật toán Gradient lặp đơn giản nhất để xác đinh thông số P, là phương pháp hạ
nhanh nhất. Hướng của phương pháp hạ nhanh nhất ngược hướng với gradient và ở
điểm ban đầu trùng với hướng trong đó tiêu chuẩn sai số giảm nhanh nhất. Có
nghĩa là hướng của phương pháp hạ nhất nhất được mô tả bằng vector:
p(k+1) = p(k) + ∆p
∆p = [∆p1, ∆p2, ..., ∆pm]T
1/2
Trong đó ∆pi = -C ∕[
Với được tính xấp xỉ theo công thức
= [J(p1, p2, ..., pj +∆, ..., pm) – J(p1, p2,...,pm)] / ∆
Hằng số C xác định bước thay đổi vector thông số theo hướng Gradient. Nếu C quá
lớn thì tiêu chuẩn sai số nhận dạng J cũng có thể lớn, ngược lại khi chọn C nhỏ thì
tốc độ hội tụ chậm vì vậy cần chọn C = C* tối ưu theo nghĩa cự tiểu hàm J theo
hướng gradient.
J(P+C*∆P) = J(P + C∆P)]
Chúng ta có thể tìm C* theo các phương pháp tối ưu thông thường.
5.2 Nhận dạng thông số hệ thống online
Do các phương pháp nhận dạng offline có nhược điểm: mất thông tin do phép rời
rạc hóa, khó thực hiện trên phần cứng, khi thông số lớn khó xác định chính xác
vector thông số, không sử dụng được khi hệ không dừng nên cần phải tìm một
phương pháp nhận dạng khác để đáp ứng được bài toán điều khiển.
Mục tiêu của nhận dạng là phục vụ cho bài toán điều khiển. VÌ vậy quan sát thu
được theo thời gian phải sử dụng để nhận dạng mô hình tốt hơn đồng thời hiệu
chỉnh điều khiển. Như vậy nhận dạng và thiết kế hệ điều khiển phải được tiến hành
đồng thời. Trong chế độ online, mô hình phải thật đơn giản. Số các thông số chọn
đủ nhỏ và cấu trúc mô hình tuyến tính theo thông số. Thuật toán nhận dạng online
được xây dựng sao cho trên mỗi bước tính không cần xử lý lại toàn bộ chuỗi quan
sát, có nghĩa là sử dụng quá trình lặp.
Một số phương pháp nhận dạng online được sử dụng như phương pháp lặp bình
phương cực tiểu, phương pháp xấp xỉ ngẫu nhiên, phương pháp lọc Kalman. Bạn
có thể tìm đọc trong phần tài liệu tham khảo [6], pp. 75-79.
6. Kiểm chứng trên Matlab và Simulink
Bộ điều khiển sự báo dự trên cơ sở mạng nơron là một ứng dụng được tích hợp
sẵn trên toolbox Neural Network của Matlab (Neural Network Controller). Sử
dụng mô hình mạng nơron cho quá trình phi tuyến để dự báo đặc tính tương lai,
bộ điều khiển tính toán các giá trị điều khiển đầu vào sao cho tối ưu hóa đầu ra tại
một thời điểm tương lai. Bước đầu tiên trong mô hinh điều khiển dự báo là nhận
dạng hệ thống, sau đó bộ điều khiển sử dụng mô hình quá trình để dự báo tương
lai.
6.1 Nhận dạng hệ thống
Mô hình quá trình mạng nơron sử dụng tín hiệu vào ra để dự báo các đầu ra tương
lai.
Cấu trúc mô hình mạng nơron
Mạng này có thể được huấn luyện chung, sử dụng dữ liệu thu được từ tính toán của
quá trình. Ở đây ta sẽ sử dụng thuật toán lan truyền ngược (Backpropagation).
6.2 Điều khiển dự báo
Bộ dự báo được sử dụng bở chương trình tối ưu toán học để xác định tín hiệu điều
khiển để cực tiểu hóa các đáp ứng trong giới hạn dự báo
N1, N2, Nu định nghĩa giới hạn sai lệch theo dõi và ước lượng điều khiển tăng tịnh
tiến. Biến u’ là tín hiệu điều khiển, yr là đáp ứng mong muốn, ym là đáp ứng mô
hình nhận dạng. Giá trị p xác định sự đóng góp mà tổng bình phương của các biến
điều khiển tăng tịnh tiến có trong chỉ số chất lượng.
Bộ điều khiển NN Controller
Bộ điều khiển chứ mô hình quá trình mạng nơron và khối tối ưu hóa. Bộ tối ưu hóa
xác định giá trị của u’ mà cực tiểu hàm J, sau đó tối ưu u (đầu vào quá trình)
6.3 Xây dựng bộ điều khiển kiểm chứng
N N P re d ic tive C o n tro lle r
R e fe re n c e
O p tim.
C lo c k
R a n d o m R e fe re n c e
C o n t ro l
S ig n a l Flo w R a te C o n c e n tr a tio n
NN
P la n t
M odel X(2Y)
O u tp u t
P la n t G ra p h
(C o n tin u o u s S tirre d Ta n k R )e a c to r
Sơ đồ khối bộ điều khiển trong simulink
Đối tượng sử dụng là bình khuấy, một trong những đối tương phổ biến trong
công nghiệp.
Phương trình động học của hệ thống:
h(t) mức chất lỏng Cb(t) Nồng độ sản phẩm tại đầu ra
Cb1 Nồng độ dòng cấp cô đọng W1(t) tốc độ dòng cấp cô đọng Cb1
Cb2 Nồng độ dòng cấp loãng W2(t) tốc độ dòng cấp loãng Cb2
Ban đầu đặt sao cho Cb1 = 24.9; Cb2 = 0.1
Hằng số tốc độ tiêu thụ k1 = 1; k2 =1
Mục tiêu điều khiển duy trì sự cô dọng của sản phẩm thông qua điều chỉnh dòng
W1(t).
Để đơn giản hóa quá trình coi W2 (t) = 0.1 => Mức của bể h(t) không được điều
chỉnh.
Đối tượng có thể sử dụng mô hình trực tiếp trong matlab hoặc có thể xây dựng
theo sơ đồ sau:
s q rt
S QRT 0 .2
G a in
1
1
s
h
1 In t e g ra t o _r h
w1 1
k2
2
1 u 1
C on s ta n t S q u a re k1
1
s 2
P ro d u c t Cb
In t e g ra t o _r C b
2
w2
P ro d u c 1t
2 4.9
C b1
0 .1 0 P ro d u c 2t
C b2
Sơ đồ khối bình khuấy trong simulink
Bộ điều khiển NN Predictive Controller được hỗ trợ trong toolbox của matlab.
Cost horizon (N2) là số bước mà sai lệc dự báo là tối thiểu.
Control horizon (Nu) số bước mà lượng tăng điều khiển là cực đại.
Control Weighting Factor nhân với tổng bình phương của lượng tăng điều khiển
trong hàm chất lượng J
Của sổ bộ điều khiển dự báo trên cơ sở mạng nơron
Bộ điều khiển NN Predictive Controller được hỗ trợ trong toolbox của matlab.
Cost horizon (N2) là số bước mà sai lệc dự báo là tối thiểu.
Control horizon (Nu) số bước mà lượng tăng điều khiển là cực đại.
Control Weighting Factor nhân với tổng bình phương của lượng tăng điều khiển
trong hàm chất lượng J
Cửa sổ Plant identification cho phép ta phát triển mô hình mạng nơron. Mô hình
mạng nơron ở đây có một lớp ẩn, ta có thể lựa chọn kích cỡ lớp, lượng đầu vào/ra
trễ, hàm huấn luyện.
Khi tạo dữ liệu huấn luyện, chương trình tự tạo dữ liệu huấn luyện bằng các đầu
vào là bước nhảy ngẫu nhiên vào mô hình quá trình trong Simulink. Dữ liêu huấn
luyện tiềm năng thu được:
Sau khi có được dữ liệu huấn luyện, ta sẽ cho huấn luyện mạng (Tranning
Network)
Huấn luyện
Sau khi xác định thông số cần thiết ta cho simulnik chạy và thu được kết quả:
Tăng giới hạn dự báo lên N2 =9, Nu = 2 ta thu được kết quả
Đáp ứng thu được:
6.4 Nhận xét
Kết quả mô phỏng trên matlab cho thấy chiến lược điều khiển dự báo phủ hợp với
đối tượng bình khuấy. Khi thay đổi giới hạn dự báo ta thấy chất lượng điều khiển
bộ dự báo vẫn tốt. Với sự phát triển của ngành công nghệ thông tin, tốc độ tính
toán của Vi xử lý được cải thiên rất lớn. Điều này tạo điều kiên cho việc áp dụng
các thuật toán tối ưu vào các bài toán điều khiển thời gian thực. Khả năng tăng
phạm vi sự báo, phạm vi điều khiển cho bộ điều khiển nơron.

ĐỒ án mô phỏng thiết kế 9

Uploaded by

Document Information

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

ĐỒ án mô phỏng thiết kế 9

Uploaded by

Copyright:

Available Formats

Đồ án thiết kế mô phỏng ĐKTĐ1- K52

Chương 1: Mô hình hóa đối tượng

1.2.Các phương pháp xây dựng mô hình toán học:

1.3 Các bước tiến hành:

2.Phân loại các phương pháp mô hình hóa đối tượng

Cũng theo chương 4 của tài liệu [5] ta thấy rằng:

Công việc này bao gồm 7 bước:

3. Các phương pháp nhận dạng

• Phương pháp kẻ tiếp tuyến và hai điểm quy chiếu.

T = (t1 − t2 ) / (0.85818 − 0.62907ξ + 1.2897ξ 2 − 0.36859ξ 3 + 0.03889ξ 4 )

Thu được hệ phương trình: φθ = ψ . Ta cần tìm nghiệm tối ưu thỏa:

 * Sức điện động phần ứng : eA = ke Φn (2)

 Mô hình trạng thái của động cơ một chiều

Sơ đồ khối cấu trúc của động cơ

Khi đó hàm quá độ của động cơ thu được là

 Độ quá điều chỉnh là 11.88%

4.2 Matlab Indentification Toolbox

• Bước 1: Chuẩn bị dữ liệu để nhận dạng

 Dữ liệu được nhập trực tiếp từ cửa sổ Matlab

 Time-Domain Data dữ liệu trong miền thời gian

Import data > Time domain data

Frequency-Domain Data dữ liệu trong miền tần số

 Amplitudeand Phase Frequency-Response Data

• Bước 3: Lựa chọn mô hình và nhận dạng trong toolbox Matlab:

s (1 + sTp1 )(1 + sTp 2 )(1 + sTp 3 )

Bảng 1. Nhóm lệnh phục vụ khảo sát mô hình

Bảng 2. Nhóm lệnh phục vụ kiểm chứng mô hình

Bảng 3. Nhóm lệnh phục vụ chuyển đổi mô hình

 Bước 1: Thu thập bộ số liệu

Bước 2: Nhập số liệu vào Toolbox

 Bước 3: Hiển thị dữ liệu thực nghiệm trên đồ thị

Đồ thị dữ liệu thực nghiệm

 Bước 4: Chọn dữ liệu để ước lượng và dữ liệu để kiểm chứng

 Kéo và thả vào vùng Working Data và vùng Validation Data

 Bước 5 Lựa chọn mô hình nhận dạng

 Chọn mô hình hàm truyền đạt: Có khá nhiều loại

Kết quả thu được như sau:

 Mô hình khâu dao động bậc 2 có trễ

Trong đó k=0.083271 T=0.0045467s

 Mô hình khâu dao động bậc 3 có trễ:

Trong đó: k=0.083327; T=0.0045342,

>> n4s3 Speed -0.65122 -5.1008

y(t) = C x(t) + D u(t) + e(t) Voltage

x1 0.89575 -0.0084876 Speed

x3 0.17232 0.16793 x3 -0.02033

x1 x2 x3 Loss function 5.97668e-018 and FPE

Sampling interval: 0.001

1. Tổng quan và đề xuất lựa chọn các phương pháp thiết kế

Chỉ tiêu chất lượng Thay đổi tham số

2.2 Phân tích yêu cầu thiết kế

Trích mẫu thu được tín hiệu đầu ra

- Chuyển đổi đơn vị % nếu cần T

- Tính sai lệch: e(k)=r(k)-

Lưu giá trị

Lấy các tham số

Các tham số thay đổi khi có ngắt

+ Nhận các tham số từ

d) Viết chương trình

Bộ điều khiển lý tưởng R(s) thỏa mãn: |G(jω)|=1 với mọi ω.

Với A là diện tích phần được tô đậm như hình vẽ:

Lớp mô hình đối tượng thích hợp có dạng :

Bài toán chuẩn của phương pháp :

• Các yêu cầu về chất lượng:

 Giải quyết bài toán