Điều khiển động cơ một chiều trên cơ sở công nghệ mạng nơron

>> HOẠT ĐỘNG NGHIÊN CỨU KHOA HỌC ĐỊA PHƯƠNG
6 > ĐẶC SAN THÔNG TIN KHOA HỌC VÀ CÔNG NGHỆ
I. GIỚI THIỆU
Trong quá trình sản xuất công nghiệp cũng như 
những thiết bị phục vụ cho đời sống của con người 
có rất nhiều động cơ điện được sử dụng trong các 
hệ thống sản xuất hoặc thiết bị điện gia dụng. Ngày 
nay quá trình công nghiệp hóa và tự động hóa phát 
triển mạnh mẽ, các hệ thống điều khiển thường sử 
dụng động cơ DC để điều khiển, vì động cơ DC 
dễ điều khiển tốc độ theo ý muốn của người điều 
khiển và có nhiều phương pháp điều khiển khác 
nhau.
Để điều khiển tốc độ của động cơ DC, thông 
thường sử dụng các phương pháp điều khiển cổ điển 
như: phương pháp điều khiển tích phân, phương 
pháp điều khiển PI, phương pháp điều khiển 
PD, phương pháp điều khiển PID (Proportional-
Integral-Derivative), bởi vì các phương pháp này 
đơn giản và dễ điều khiển, nhưng nó chưa chính 
ĐIỀU KHIỂN ĐỘNG CƠ MỘT CHIỀU 
TRÊN CƠ SỞ CÔNG NGHỆ MẠNG 
NƠRON
ThS. Phan Thanh Hoàng Anh 
Trường Đại học Bà Rịa – Vũng Tàu
xác và thiếu tính thích nghi nếu đối tượng điều 
khiển không ổn định và phi tuyến động.
Phương pháp điều khiển tốc độ động cơ trên 
cơ sở công nghệ mạng nơron như là công cụ cho 
những vấn đề điều khiển khó của hệ thống phi 
tuyến động. Trong nghiên cứu này, một chiến lược 
điều khiển được đề xuất cho những hệ thống phi 
tuyến. Phương pháp được đề xuất là sử dụng một 
bộ điều khiển nơron (Neural Controller) để điều 
khiển tốc độ của một động cơ DC kích từ độc lập. 
Bộ điều khiển nơron gồm có: Một mô hình tham 
chiếu dùng để định hướng điều khiển; Một mạng 
nơron nhận dạng dùng để nhận dạng đối tượng 
điều khiển thông qua giải thuật huấn luyện lan 
truyền ngược để tự điều chỉnh các thông số của 
mạng; Một mạng nơron điều khiển dùng để điều 
khiển tốc độ động cơ theo tín hiệu tham chiếu định 
hướng điều khiển.
Phương pháp điều khiển động cơ DC trên cơ sở 
mạng nơron đã giải quyết được những vấn đề khó 
khăn nêu trên. Vì vậy, phương pháp này được ứng 
dụng trong các lĩnh vực điều khiển tự động, cơ – 
điện tử, đặc biệt trong điều khiển Robot bởi vì nó 
điều khiển được tốc độ động cơ theo ý muốn của 
người điều khiển và tính thích nghi cao của nó đối 
với đối tượng điều khiển.
II. THIẾT KẾ BỘ ĐIỀU KHIỂN NƠRON
Các bước thiết kế của bộ điều khiển neuron như 
sau: Trước tiên một bộ nhận dạng bằng nơron 
dùng để nhận dạng các đặc tính của động cơ DC. 
Bộ nhận dạng này được sử dụng cho thiết kế bộ 
điều khiển. Động cơ DC sẽ điều khiển theo đầu ra 
của mô hình tham chiếu. 
TÓM TẮT
Trong bài báo này đã trình bày sử dụng bộ điều 
khiển nơron trong điều khiển tốc độ của một 
động cơ một chiều kích từ độc lập. Bộ điều khiển 
nơron điều khiển nguồn một chiều thông qua 
bộ chỉnh lưu công suất trung gian. Bộ điều khiển 
nơron gồm có hai mạng neuron: một mạng nơron 
nhận dạng (ANNI) và một mạng nơron điều khiển 
(ANNC). Mạng nơron ANNI dùng để nhận dạng mô 
hình hệ thống và được điều khiển thông qua giải 
thuật huấn luyện lan truyền ngược để điều chỉnh 
các tham số của ANNI. Mạng nơron ANNC dùng 
để điều khiển tốc độ động cơ có thể theo tín hiệu 
tham chiếu tùy ý và điều khiển thông qua giải 
thuật huấn luyện lan truyền ngược để điều chỉnh 
các tham số của ANNC. So với phương pháp điều 
khiển PID, thì những kết quả thử nghiệm cho thấy 
tính chính xác và tính hiệu quả của phương pháp 
được đề xuất.
Từ khóa: Mạng nơron, bộ chỉnh lưu, bộ điều 
khiển nơron.
ĐẶC SAN THÔNG TIN KHOA HỌC VÀ CÔNG NGHỆ < 7 
HOẠT ĐỘNG NGHIÊN CỨU KHOA HỌC ĐỊA PHƯƠNG <<
Hình 1: Cấu trúc của bộ điều khiển nơron
1. Mạng nơron nhận dạng (ANNI: Artificial 
Neural Network )
Các dữ liệu huấn luyện cho bộ nhận dạng ANNI 
là điện áp điều khiển u(k) và tốc độ w(k). Việc 
khởi động và phanh hãm trong cả hai trường hợp 
quay thuận và quay nghịch, thì tập dữ liệu thu 
được là: [w(k-1), w(k-2), u(k), u(k-1)].
Bộ nhận dạng ANNI là một mạng nơron truyền 
thẳng hai lớp, với các đầu vào w(k-1), w(k-2), 
u(k), u(k-1); có hai lớp ẩn; số nơron trong lớp ẩn 
10 nơron và một đầu ra u’(k). Việc huấn luyện là 
giải thuật lan truyền ngược được sử dụng, ở đây 
độ lệch sự nhận dạng là: e
i
 = w(k) - u’(k) được sử 
dụng để điều chỉnh các tham số của bộ nhận dạng 
ANNI. Xung lượng cho việc huấn luyện lan truyền 
ngược được lựa chọn là m
I
 = 0,2 và hệ số học h
I
= 10-6. Hàm giá của bộ ANNI được xác định như 
sau:
Quá trình học là để điều chỉnh các tham số trọng 
lượng của mạng, vì vậy phải cực tiểu hóa hàm giá 
EI. Giải thuật lan truyền ngược xác định được sự 
gia tăng của hệ số trọng lượng.
 (1.2)
(1.3)
Trong đó: , xJ đầu vào thứ J, WJ hệ số 
trọng lượng thứ J của bộ nhận dạng. 
Ta có độ gia tăng của hệ số trọng lượng:
Vectơ trọng lượng tại bước (k+1) được cải tiến 
công thức (1.6) 
Bộ ANNI được huấn luyện theo u’(k) = 
N[w(k-1), w(k-2), u(k), u(k-1)]. 
2. Mạng nơron điều khiển (ANNC: Artificial 
Neural Network Control)
Tín hiệu tham chiếu: 
r(k) = w
m
(k+1) - w
m
(k) - w
m
(k -1) (1.7)
Mục đích của bộ điều khiển ANNC là để điều 
khiển động cơ DC như là một phương pháp điều 
khiển mà độ sai lệch điều khiển phải nhỏ nhất, tức 
là e
c
(k) = w
m
(k) - w(k) là nhỏ nhất được sử dụng để 
điều chỉnh các tham số của bộ nhận dạng ANNC.
Bộ điều khiển ANNC là một mạng neuron truyền 
thẳng hai lớp, với các đầu vào r(k), u(k-1), w(k -1); 
có hai lớp ẩn; số nơron trong lớp ẩn 13 nơron và 
một đầu ra u(k). Việc huấn luyện là giải thuật lan 
truyền ngược được sử dụng, ở đây độ lệch sự nhận 
dạng là: e
c
(k) = w
m
(k) - w(k) được sử dụng để điều 
chỉnh các tham số của bộ điều khiển ANNC. Xung 
lượng cho việc huấn luyện lan truyền ngược được 
lựa chọn là m
C
 = 0,08 và hệ số học h
C
 = 10-9. Hàm 
giá của bộ ANNC được xác định như sau: 
Giải thuật lan truyền ngược xác định được độ gia 
tăng của hệ số trọng lượng. 
2
i
2 e
2
1=(k)]u'-(k)[
2
1EI(k) w=
J
J
JWxnet ∑=
)net('a
net
)k('u
=
∂
∂ )k(x
W
net
i
i
=
∂
∂
(1.4)
[ ]
)k('u
)k(w)k('u)k(w)k(x)net('aW ii ∂
∂
−η=∆ (1.5)
)]1k(W)k(W[W)k(W)1k(W iiiii −−µ+∆+=+ (1.6)
2
c
2 e
2
1=w(k)]-(k)[
2
1=EC(k) mw (1.8)
(1.1)
>> HOẠT ĐỘNG NGHIÊN CỨU KHOA HỌC ĐỊA PHƯƠNG
8 > ĐẶC SAN THÔNG TIN KHOA HỌC VÀ CÔNG NGHỆ
Trong đó: xJ đầu vào thứ J, WJ hệ số trọng lượng 
thứ J của bộ điều khiển.
Ta có biểu thức (1.12) độ gia tăng của hệ số 
trọng lượng:
Vectơ trọng lượng tại bước (k+1) được cải tiến 
công thức (1.13) 
Tại thời điểm k tốc độ của động cơ là w(k) được 
đo cùng với giá trị delay của nó là w(k-1), và các 
giá trị tốc độ được đo có thể sử dụng cùng với tín 
hiệu tham khảo đã biết r(k) dự đoán tốc độ tại thời 
điểm mẫu (k+1) là: 
w(k+1) = w(k) + w(k -1) + r(k) (1.14)
Ở đây, luật điều khiển có thể thu được như sau. 
Điện áp điều khiển có thể đạt được từ w(k+1), 
w(k) và w(k -1) bởi bộ điều khiển ANNC:
u(k) = N[r(k), u(k-1), w(k -1)] (1.15)
3. Giải thuật điều khiển: Giải thuật điều khiển 
thể hiện qua các bước sau:
Bước 1: Hai thông số W
I 
của bộ nơron nhận dạng 
và W
C
 của bộ nơron điều khiển được khởi chạy 
ngẫu nhiên với những giá trị nhỏ.
Bước 2: Tính đầu ra u(k) của bộ điều khiển.
Bước 3: Tính vận tốc w(k) của động cơ DC.
Bước 4: Tính đầu ra u’(k)của bộ nhận dạng.
Bước 5: Tính hàm giá EI(k) và EC(k).
Bước 6: Tính và dựa vào công 
thức (1.6) và (1.11)
Bước 7: Cập nhật các thông số W
I 
cho bộ nơron 
nhận dạng và W
C
 cho bộ nơron điều khiển dựa vào 
công thức (1.6) và (1.13).
Bước 8: Lập lại từ bước 2 đến bước 7 cho tới khi 
bộ điều khiển huấn luyện đạt giá trị nhỏ nhất.
III. CÁC KẾT QUẢ THỬ NGHIỆM TRONG 
THỜI GIAN THỰC
Bộ điều khiển nơron được thử nghiệm trên mô 
hình động cơ DC - máy phát điện DC và được 
chạy trên phần mềm Matlab. Các thông số của mô 
hình sử dụng: Động cơ DC - Máy phát DC có V
động 
cơ 
= 24 V
DC
, n
động cơ 
= 1000 v/ph; V
máy phát
 = 24V
DC
, 
n
máy phát 
= 1000v/ph; Tải là ba bóng đèn thuần trở có 
tổng công suất là: P
L
 =60W (P
L
 thay đổi được ba 
nấc: 20W, 40W và 60W). Xét các trường hợp sau:
1. Tín hiệu tham chiếu là hằng số và tải thay 
đổi
Khi tín hiệu tham chiếu có giá trị w
m
=100 (rad/s), 
thì tốc độ của động cơ theo tín hiệu tham chiếu 
luôn ổn tốc và có vận tốc góc w=100 (rad/s), dù 
cho tải thay đổi. Kết quả mô phỏng ở như hình 2.
(1.9)
(1.10)
J
J
JWxnet ∑=
)net('a
net
)k(u
=
∂
∂ )k(x
W
net
i
i
=
∂
∂
(1.11)
[ ]
)k(u
)k(w)k(w)k(w)k(x)net('aW mii ∂
∂
−η=∆ (1.12)
)]1k(W)k(W[W)k(W)1k(W iiiii −−µ+∆+=+ (1.13)
/ iEI W∂ / iEC W∂
Hình 2: Đáp tuyến tốc độ của động cơ DC
khi tín hiệu tham chiếu là hằng số.
2. Tín hiệu tham chiếu là hình sin và tải thay 
đổi
Đáp tuyến tốc độ của động cơ theo sát tín hiệu 
tham chiếu là hình sin, dù cho tải thay đổi. Kết 
quả mô phỏng được trình bày ở Hình 3.
3. Tín hiệu tham chiếu là xung vuông và tải 
thay đổi
ĐẶC SAN THÔNG TIN KHOA HỌC VÀ CÔNG NGHỆ < 9 
HOẠT ĐỘNG NGHIÊN CỨU KHOA HỌC ĐỊA PHƯƠNG <<
Đáp tuyến tốc độ của động cơ theo sát tín hiệu 
tham chiếu là xung vuông, dù cho tải thay đổi. Kết 
quả mô phỏng được trình bày ở Hình 4.
So với phương pháp điều khiển PID có kết quả ở 
Hình 5 [3], thì bộ điều khiển cho hiệu quả tốt hơn 
và tính chính xác cao.
IV. KẾT LUẬN
Bài báo này đã thiết kế một bộ điều khiển nơron 
dùng để điều khiển tốc độ của một động cơ DC 
kích từ độc lập theo tín hiệu tham chiếu định 
hướng điều khiển trên mô hình động cơ DC – máy 
phát DC – tải thuần trở trong thời gian thực. Các 
kết quả mô phỏng của bộ điều khiển nơron cho 
thấy tính hiệu quả và tính chính xác cao, và cũng 
thể hiện được tính thích nghi cao qua các trường 
hợp thử nghiệm trên mô hình thực khi tín hiệu 
tham chiếu là xung vuông hay hình sin cả trong 
trường hợp ma sát động cơ lớn. So với phương 
pháp điều khiển cổ điển như phương pháp PID, thì 
bộ điều khiển nơron có tính chính xác và hiệu quả 
cao hơn. Từ những kết quả đạt được của bộ điều 
khiển nơron với tính thích nghi cao, cộng với tín 
hiệu tham chiếu định hướng điều khiển là xung 
vuông thay đổi tùy ý, thì đề tài sẽ được ứng dụng 
trong trong các lĩnh vực điều khiển tự động, hoặc 
điều khiển cánh tay Robot.
P.T.H.A
Hình 3: Đáp tuyến tốc độ của động cơ DC khi tín hiệu 
tham chiếu là hình sin.
Hình 4: Đáp tuyến tốc độ động cơ DC
khi tín hiệu tham chiếu là xung vuông
Hình 5: Đáp tuyến tốc độ động cơ DC
khi sử dụng phương pháp điều khiển PID
TÀI LIỆU THAM KHẢO
[1] Ngô Cao Cường, Hồ Đắc Lộc, Trần Thu Hà. 
Andaptive control of nonlinear dynamics system 
based on RBF network. ICMIT 2003 Korea, December 
4-6, 2003.
[2] A. Rubaai and R. Kotaru: Online identification 
and control of a DC motor using learning adaptation 
of neural networks. IEEE Trans. Industry Application, 
Vol. 36, pp. 935-942, 2000.
[3] Chao-Chee Ku and Kwang Y. Lee, Diagonal 
recurrent neural networks for dynamic system control, 
IEEE Trans. on Neural networks. 1995. 6(1): 144-156.
[4] Choi Y. K, Lee S. K, Kay Y.C, Design and 
Implementation of an Adaptive Neural Network 
Compensator for Control Systems. IEEE Transactions 
on Industrial Electronics, vol48, no 2, April 2001.
[5] Diao Y and K.M Passino. Adaptive neural – Fuzzy 
control for Interpolated nonlinear system. IEEE Trans. 
FuZ. Syst. (10) pp 583 – 595.2002.