Ứng dụng mạng nơron truyền thẳng nhiều lớp điều khiển thích nghi vị trí động cơ điện một chiều khi có thông số và tải thay đổi

Phạm Hữu Đức Dục và cs Tạp chí KHOA HỌC & CÔNG NGHỆ 61(12/2): 60 - 64 
Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên  
60 
ỨNG DỤNG MẠNG NƠRON TRUYỀN THẲNG NHIỀU LỚP 
ĐIỀU KHIỂN THÍCH NGHI VỊ TRÍ ĐỘNG CƠ ĐIỆN MỘT CHIỀU 
KHI CÓ THÔNG SỐ VÀ TẢI THAY ĐỔI 
 Phạm Hữu Đức Dục1*, Vũ Mạnh Thủy2 
 1Trường ĐH Kinh tế-Kỹ thuật Công nghiệp, 2Trường Cao đẳng Kinh tế-Kỹ thuật - ĐH Thái Nguyên 
TÓM TẮT 
Động cơ một chiều làm việc với phụ tải thay đổi, dẫn đến nhiệt độ của động cơ cùng với mức độ 
từ hóa của mạch từ thay đổi, làm cho điện trở phần ứng R của động cơ thay đổi, ảnh hưởng xấu 
đến đặc tính vị trí của động cơ. Bài báo này đề xuất một giải pháp ứng dụng mạng nơron truyền 
thẳng nhiều lớp điều khiển thích nghi vị trí động cơ điện một chiều có thông số R và phụ tải thay 
đổi trong vùng tải nhỏ. 
Từ khóa: Mạng nơron, điều khiển thích nghi, bộ điều khiển NARMA-L2. 
 MỞ ĐẦU 
Động cơ điện một chiều có đặc tính điều 
chỉnh tốc độ rất tốt vì vậy được sử dụng ở 
nhiều lĩnh vực, đặc biệt điều khiển vị trí cho 
robot. 
Hình 1. Sơ đồ khối của mạch vòng dòng điện 
Khi động cơ điện một chiều làm việc với tải 
thay đổi, làm dòng điện phần ứng thay đổi 
theo yêu cầu của tải, dẫn đến nhiệt độ động cơ 
và mức độ từ hóa của lõi thép thay đổi, do đó 
làm cho điện trở phần ứng R của động cơ thay 
đổi. Những bộ điều khiển PID không xét tới 
vấn đề đó nên cần có một giải pháp nào đó để 
tạo ra bộ điều chỉnh thông minh có khả năng 
điều chỉnh thích nghi vị trí của động cơ một 
chiều khi làm việc với tải và thông số thay 
đổi. Bài báo này đề xuất giải pháp sử dụng 
mạng nơron truyền thẳng nhiều lớp điều 
khiển vị trí động cơ điện một chiều khi làm 
việc với tải và điện trở phần ứng R thay đổi. 
MÔ TẢ ĐỘNG LỰC HỌC VỊ TRÍ ĐỘNG 
CƠ ĐIỆN MỘT CHIỀU 
 Tel: 0913238632, Email: phdduc.uneti@moet.edu.vn 
Tổng hợp mạch vòng dòng điện khi bỏ qua 
sức điện động của động cơ 
[1] Sơ đồ khối của mạch vòng điều chỉnh 
dòng điện như hình 3.1 trong đó F là mạch 
lọc tín hiệu, Ri là bộ điều chỉnh dòng điện, 
BĐ là bộ biến đổi một chiều, Si là senxơ dòng 
điện. Senxơ dòng điện có thể thực hiện bằng 
các biến dòng ở mạch xoay chiều hoặc bằng 
điện trở sun hoặc các mạch do cách ly trong 
mạch một chiều. 
Tf, Tđk, Tvo, Tư, Ti – các hằng số thời gian của 
mạch lọc, mạch điều khiển chỉnh lưu, sự 
chuyển mạch chỉnh lưu, phần ứng và senxơ 
dòng điện. 
Rư – điện trở mạch phần ứng. 
 

d
U
 hệ số khuếch đại của chỉnh lưu 
Trong trường hợp hệ thống truyền động điện 
có hằng số thời gian cơ học rất lớn hơn hằng 
số thời gian điện từ của mạch phần ứng thì ta 
có thể coi sức điện động của động cơ không 
ảnh hưởng đến quá trình điều chỉnh của mạch 
vòng dòng điện (tức là coi ∆E = 0 hoặc E = 
0). Trong đó các hằng số thời gian Tf, Tđk, 
Tvo, Ti là rất nhỏ so với hằng số thời gian điện 
từ Tư. Đặt Ts = Tf + Tđk + Tvo + Ti thì có thể 
viết lại 
Phạm Hữu Đức Dục và cs Tạp chí KHOA HỌC & CÔNG NGHỆ 61(12/2): 60 - 64 
Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên  
61 
Hình 2. Sơ đồ khối của hệ điều 
Hàm truyền của mạch vòng điều chỉnh tốc độ là 
1)12(4
11
)(
)(
' 
pTpTKpU
pw
sswvđ (2.7)
Từ đó ta có sơ đồ khối điều khiển vị trị như 
hình 3 
Hình 3. Sơ đồ khối của hệ điều chỉnh vị trí 
Từ sơ đồ hình 3 ta tính được hàm tương 
đương của mạch vòng vị trí Fφ(p) là: 
ppTpTTK
pF
sssw
1
148
11
)(
'2' 
cKw
iw
s M
p
pF
KRK
pT
 
1
)(
/1
21 
 (2.8) 
ỨNG DỤNG KHỐI ĐIỀU KHIỂN NARMA-
L2 ĐIỀU KHIỂN THÍCH NGHI VỊ TRÍ 
ĐỘNG CƠ ĐIỆN MỘT CHIỀU KHI 
THÔNG SỐ VÀ TẢI THAY ĐỔI 
Bộ điều khiển tuyến tính hóa phản hồi 
(NARMA-L2) 
Bộ điều khiển NARMA-L2 là bộ điều khiển 
thích nghi được xây dựng trên cơ sở mạng 
nơron nhân tạo, ý tưởng của bộ điều khiển là 
xấp xỉ gần đúng hệ thống động lực học phi 
tuyến thành hệ thống động lực học tuyến tính. 
Để làm được điều này ta bắt đầu từ việc xây 
dựng mô hình hệ thống, sau đó dùng bộ điều 
khiển NARMA-L2 để nhận dạng và điều 
khiển đối tượng. 
Nhận dạng của mô hình NARMA-L2 
Như với bộ điều khiển mô hình dự báo, bước 
đầu tiên để sử dụng các thông tin phản hồi 
tuyến tính (hoặc bộ điều khiển NARMA-L2) 
là nhận dạng hệ thống điều khiển tương lai. 
Bạn huấn luyện mạng nơron từ mô tả hệ 
thống động lực học tương lai. Bước đầu tiên 
là chọn một cấu trúc mô hình theo mục đích. 
Một mô hình tiêu chuẩn mà nó đã được sử 
dụng để mô tả hệ thống phi tuyến rời rạc là 
mô hình hệ thống Nonlinear Autoregressive-
Moving Average (NARMA): 
)]1nk(u),...1k(u),k(u
),1nk(y),...,1k(y),k(y[N)dk(y
Trong đó u(k) là dữ liệu vào hệ thống, và y(k) 
là dữ liệu ra hệ thống. Thủ tục nhận dạng 
được sử dụng cho bộ điều khiển dự báo mạng 
nơron là huấn luyến mạng theo xấp xỉ hàm 
phi tuyến N. Đây là thủ tục nhận dạng được 
sử dụng cho bộ điều khiển dự báo mạng 
nơron. 
Nếu muốn đầu ra hệ thống bám theo một 
đường, y(k + d) = yr(k + d) Bước tiếp theo là 
phát triển bộ điều khiển phi tuyến từ: 
)]1m),...,u(k1u(k
d),(kr),y1n),...,y(k1G[y(k),y(ku(k)
Các vấn đề với sử dụng bộ điều khiển này là 
nếu bạn muốn huấn luyện một mạng nơron từ 
hàm G mà sẽ giảm thiểu sai lệch, bạn cần 
phải sử dụng truyền ngược động lực học. 
Điều này có thể khá chậm. Một trong những 
giải pháp và đề xuất của Narendra 
Mukhopadhyay là sử dụng mô hình gần đúng 
từ mô tả hệ thống. Bộ điều khiển sử dụng ở 
đây là mô hình gần đúng NARMA-L2 
Mô hình này đi theo hình thức, nơi đầu vào 
điều khiển tiếp theo u(k) không phải là chứa 
bên trong tính chất phi tuyến. Lợi thế của mẫu 
này là bạn có thể giải quyết nguyên nhân đầu 
vào điều khiển đầu ra hệ thống để thực hiện 
theo y(k + d) = yr(k + d). Các kết quả điều 
khiển sẽ có dạng 
Phạm Hữu Đức Dục và cs Tạp chí KHOA HỌC & CÔNG NGHỆ 61(12/2): 60 - 64 
Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên  
62 
 Việc sử dụng này có thể gây ra hiểu không rõ 
những vấn đề, bởi vì bạn phải xác định đầu 
vào điều khiển u(k), dựa vào các đầu ra tại 
cùng một thời điểm, y(k). Vì vậy, thay vì, sử 
dụng mô hình 
Trong đó d ≥ 2. Dưới đây là những con số cho 
thấy cấu trúc của một mạng nơron đại diện. 
Hình 4. Cấu trúc một mạng nơron 
Quá trình điều khiển NARMA-L2 
Sử dụng mô hình NARMA-L2, ban có thể thu 
được bộ điều khiển 
Mà có thể cho d ≥ 2. Hình tiếp theo là sơ đồ 
khối của bộ điều khiển NARMA-L2. 
Hình 5. Bộ điều khiển thực hiện với mô hình nhận 
dạng NARMA-L2 
Kết quả mô phỏng 
Thực hiện mô phỏng trên Matlab với các giá 
trị thông số động cơ điện một chiều có số liệu 
sau: Pđm = 32(KW), Uđm = 220(V), Iđm 
= 170(A), wđm=1500(v/ph), Rư∑ = 0,0779(Ω), 
Lư∑ = 0,0049(H), GD
2
 = 2,8(kgm
2), làm việc 
với phụ tải Mc(Nm) và J(Kgm
2) thay đổi 
trong vùng phụ tải nhỏ. Máy phát tốc mã hiệu 
7-100 có đm =1500(V/P), Uđm=100(V), 
Iđm=0,08(A), RH=200(). Máy biến dòng loại 
100/5(A). Bộ chỉnh lưu sơ đồ cầu ba pha. 
Hình 6. Sơ đồ khối mô tả động cơ điện một chiều 
khi có R, MC thay đổi 
Hình 7. Sơ đồ mạng nơron truyền thẳng nhiều lớp 
điều khiển thích nghi vị trí động cơ điện một chiều 
khi có R và MC thay đổi 
Hình 8. Bảng điều khiển nhận dạng tín hiệu vị trí 
động cơ một chiều NARMA-L2 
Phạm Hữu Đức Dục và cs Tạp chí KHOA HỌC & CÔNG NGHỆ 61(12/2): 60 - 64 
Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên  
63 
Hình 9. Dữ liệu vào ra của tín hiệu vị trí động cơ 
một chiều 
Hình 10. Xuất dữ liệu 
làm việc 
Hình 11. Nhập dữ liệu 
vào bộ điều khiển 
Hình 12. Huấn luyện 
đối tượng với dư liệu 
đã nhập vào 
Hình 13. Dữ liệu huấn 
luyện cho bộ điều khiển 
NN NARMA-L2 
Hình 14. Dữ liệu xác 
nhận cho bộ điều khiển 
NN NARMA-L2 
Hình 15. Dữ liệu kiểm 
tra cho bộ điều khiển NN 
NARMA-L2 
Kết quả mô phỏng 
Hình 15. Đồ thị vị trí 
mẫu qd (nét mảnh) và 
vị trí sau khi đã điều 
khiển q (nét đậm) 
Hình 16. Đồ thị điện 
trở R () 
Hình 17. Đồ thị điện áp 
điều chỉnh 
Hình18. Đồ thị 
mômen tải MC (Nm) 
KẾT LUẬN 
Kết quả mô phỏng cho thấy sai lệch vị trí mẫu 
qm và vị trí q của mô hình điều chỉnh rất nhỏ 
điều đó chứng tỏ răng việc sử dụng mạng 
nơron truyền thẳng nhiều lớp trong điều 
khiển thích nghi vị trí động cơ điện một 
chiều khi có thông số R và tải thay đổi trong 
vùng tải nhỏ là một giải pháp rất hiệu quả và 
có độ chính xác mong muốn. Mạng nơron 
truyền thẳng nhiều lớp là hệ MIMO, nên cũng 
có thể ứng dụng nó trong điều khiển đối 
tượng là hệ MIMO phi tuyến. 
TÀI LIỆU THAM KHẢO 
[1]. Bùi Quốc Khánh, Nguyễn Văn Liễn, Phạm 
Quốc Hải, Dương Văn Nghi. Điều chỉnh tự động 
truyền động điện. Nhà xuất bản khoa học và kỹ 
thuật. 
[2]. M.Norgaard, O.Ravn, N.K. Poulsen and L.K. 
Hansen. Neural Network for Modelling and 
Control of Dynamic System. Springer 2000. 
[3]. CHIN TENG LIN, C.S. GEORGE LEE, 
(1996), Neural fuzzy systems, Prentice Hall 
Internatinal, Inc. 
[4]. SOMLO J, LANTOS B, PHAM THUONG 
CAT, (1997), Advance Robot Control, Akademiai 
Kiado – Budapest 
[5]. Howard Demuth, Mark Beale, Martin Hagan, 
Neural network Toolbox, 
Phạm Hữu Đức Dục và cs Tạp chí KHOA HỌC & CÔNG NGHỆ 61(12/2): 60 - 64 
Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên  
64 
SUMMARY 
APPLYING MULTILAYER FEEDFORWARD NETWORKS ADAPTIVE CONTROL 
THE POSITION OF DIRECT CURRENT MOTOR WHEN R PARAMETERS AND LOAD 
CHANGED IN THE LOW LOAD 
 Pham Huu Duc Duc
1 
, Vu Manh Thuy
2 
 1University of Technology, 2School of Economics and Technology, Thai Nguyen University 
When the direct current motor works with changed load, causes temperature of motor and 
inductive level of iron core circuit changed, therefor armature resistance R of motor changed, 
reason for the graph on position of motor is bad. This paper proposes a solution applying 
multilayer feedforward networks adaptive control the position of direct current motor when R 
parameters and load changed in the low load. 
Keywords: Neural networks, NARMA-L2 control, adaptive control. 
 Tel: 0913238632, Email: phdduc.uneti@moet.edu.vn