Nghiên cứu hệ thống điều khiển robot AGV

Nghiên cứu hệ thống điều khiển robot AGV Nghiên cứu hệ thống điều khiển robot AGV Nghiên cứu hệ thống điều khiển robot AGV Nghiên cứu hệ thống điều khiển robot AGV Nghiên cứu hệ thống điều khiển robot AGV Nghiên cứu hệ thống điều khiển robot AGV Nghiên cứu hệ thống điều khiển robot AGV

TỔNG QUAN

ĐẶT VẤN ĐỀ

Hệ thống thông minh và tự động có khả năng cảm nhận và tương tác với môi trường, thúc đẩy sự phát triển trong trí thông minh nhân tạo, điều khiển, xe tự hành và robot Nghiên cứu về các hệ thống tự động ngày càng phức tạp và trở thành một phần quan trọng trong cuộc sống Gần đây, robot đã có nhiều cải tiến ứng dụng trong nhà và ngoài trời, từ giao thông công cộng đến an ninh và quân sự Trong bối cảnh công nghiệp hóa và hiện đại hóa, tự động hóa dây chuyền sản xuất đóng vai trò quan trọng, giúp các nhà đầu tư giải quyết bài toán giảm chi phí, tăng năng suất và chất lượng sản phẩm Sự ra đời của xe forklift không người lái (AGV) từ những năm 50 đã giúp các nhà sản xuất tiết kiệm thời gian và chi phí Ngày nay, ngành công nghiệp sản xuất AGV phát triển mạnh mẽ, cho phép các doanh nghiệp lựa chọn loại AGV phù hợp với nhu cầu như vận chuyển đồ uống, giấy, thực phẩm và lắp ráp ô tô.

Tình hình nghiên cứu trong và ngoài nước

Đề tài “Structural Properties and Classification of Kinematicand Dynamic Models of

Bài báo này đề cập đến việc sử dụng Robot di chuyển bằng bánh (WMRs) trong các lĩnh vực công nghiệp và dịch vụ như giao thông vận tải, an ninh, và thăm dò hành tinh Các WMRs có nhiều cấu hình di động khác nhau, bao gồm số lượng và loại bánh xe, vị trí và bộ phận điều khiển, cũng như cấu trúc đơn hoặc đôi Nghiên cứu này phân tích chi tiết các mô hình động học của WMRs, đồng thời giới thiệu ứng dụng của kỹ thuật Neural Fuzzy trong việc phát triển robot tự hành.

Bài báo này nói về các ứng dụng của thuật toán Fuzzy, cụ thể áp dụng vào xe tự hành AGV

Robot AGV đang ngày càng phổ biến trên toàn cầu, với số lượng nghiên cứu về công nghệ này gia tăng hàng năm Các quốc gia như Anh, Mỹ, Đức, Nhật Bản, Hàn Quốc và Trung Quốc đang dẫn đầu trong lĩnh vực nghiên cứu và phát triển Robot AGV.

Với sự phát triển không ngừng của cuộc cách mạng khoa học và công nghệ, các thuật toán điều khiển ngày càng được cải tiến về chất lượng nhằm đáp ứng tốt hơn nhu cầu của con người trong cuộc sống.

Các thuật toán đang được ứng dụng cho lĩnh vực điều khiển AGV hiện nay là: VSLAM, SLAM, PID, Fuzzy_PID…

1.2.1 Tình hình nghiên cứu về hệ thống điều khiển Robot AGV trên thế giới:

AGV (Xe tự hành) là phương tiện di chuyển tự động theo các lộ trình xác định, sử dụng tín hiệu từ dây điện dưới sàn hoặc cảm biến thị giác kết hợp với thuật toán chuyển động Trong lĩnh vực công nghiệp, AGV thường là xe tải không người lái, được trang bị động cơ điện và ắc quy AGV đầu tiên ra mắt vào những năm 1950 bởi Barrett, đánh dấu sự khởi đầu của công nghệ này.

Công nghệ xe tự hành (AGV) bắt đầu phát triển từ năm 1962 khi Goran Netzler và Anders Dahlgren sáng lập NDC Sweden, tập trung vào thiết kế và tiêu chuẩn hóa các giải pháp mô-đun điện công nghiệp Sự ra đời của AGV đã mang lại những cải tiến đáng kể cho ngành công nghiệp vận chuyển hàng hóa, với chiếc xe nâng đầu tiên xuất hiện vào năm 1970, cho phép kiểm soát hệ thống thông tin hiệu quả hơn Cùng năm đó, công nghệ định hướng với dây dẫn đặt dưới sàn ra đời, giúp AGV di chuyển theo tuyến đường dự kiến nhờ vào tín hiệu tần số phát ra từ dây Hệ thống này yêu cầu nhiều dây trên sàn để xử lý các điểm giao thông, với nguồn cung cấp năng lượng cho dây tương ứng với hướng di chuyển mong muốn của AGV.

Vào cuối những 1980, định hướng không dây cho các hệ thống AGV đã được giới thiệu

Việc sử dụng laser trong hệ thống AGV (Xe tự hành) mang lại tính linh hoạt và độ chính xác cao trong việc di chuyển theo lộ trình mong muốn Các máy tính trong AGV có khả năng lưu trữ thông tin, đưa ra quyết định và thực hiện quy trình, cho phép chúng thực hiện hầu hết các chức năng điều khiển như sắp xếp thời gian, quản lý hàng tồn kho và kiểm soát hệ thống máy móc AGV hiện nay được áp dụng rộng rãi trong nhiều ngành công nghiệp lớn như hàng không, may mặc, y tế và kho bãi Nhu cầu thị trường đối với AGV có thể được phản ánh qua số lượng nhà sản xuất, với chỉ 6 nhà cung cấp vào cuối những năm 1970.

AGV tại Hoa Kỳ hiện có ba loại xe khác nhau Vào năm 1990, đã có hơn 40 nhà cung cấp toàn cầu và hơn 15 loại xe, với sự chú trọng vào tiêu chuẩn thiết kế Sự phát triển công nghệ sẽ thúc đẩy việc gia tăng sử dụng AGV, từ đó kích thích nghiên cứu và phát triển trong lĩnh vực này.

Có ba dạng AGV chính:

Tàu không người lái là một phương tiện vận chuyển gồm một đầu máy kéo và từ 5 đến 10 toa xe, tạo thành một đoàn xe giống như con tàu, chuyên chở hàng hóa nặng trong không gian nhà kho hoặc nhà máy lớn Hệ thống này được thiết kế để vận chuyển hiệu quả, với khả năng kéo tải trọng lên đến 60,000 pound.

Hình 1.1 AGV dạng tàu không người lái [17]

Xe nâng pallet là thiết bị chuyên dụng để vận chuyển hàng hóa trên pallet theo lộ trình đã định sẵn Chúng có khả năng nâng hàng ngàn kilogam, và một số loại xe nâng tự động (AGV) có thể nâng đồng thời hai pallet Loại xe này thường được sử dụng để sắp xếp pallet hàng hóa lên kệ trong các kho bãi.

Hình 1.2 AGV dạng xe nâng pallet

Xe chở hàng được sử dụng để vận chuyển hàng hóa giữa các trạm bằng cách đặt hàng hóa lên xe, với khả năng vận chuyển tối đa lên đến 250 kg Loại xe này được thiết kế đặc biệt để đáp ứng nhu cầu vận chuyển hàng hóa nhẹ.

Hình 1.3: AGV dạng xe chở hàng [18]

Nhận xét chung và hướng tiếp cận đề tài:

Nghiên cứu cho thấy việc áp dụng các giải thuật điều khiển cho rô bốt di chuyển bằng bánh (WMR) là cần thiết để bám theo quỹ đạo tham chiếu với vận tốc không đổi, mặc dù rô bốt sẽ bị ảnh hưởng bởi các yếu tố nhiễu bên ngoài như ma sát và lực cản không khí Do đó, thiết kế bộ điều khiển cần tính đến những nhiễu này và yêu cầu một mô hình động lực học chính xác, bao gồm các yếu tố như khối lượng, quán tính, và lực ma sát Mục tiêu là giảm sai số bám vị trí và sai số bám vận tốc về không khi thời gian tiến đến vô cùng, trong điều kiện môi trường có nhiễu Đề tài cũng ứng dụng cho việc vận chuyển hàng hóa giữa các dây chuyền, với yêu cầu rô bốt bám theo line cố định đã được xây dựng sẵn trong công ty.

Luận văn này giới thiệu một giải thuật điều khiển mới kết hợp bộ điều khiển động lực học và kỹ thuật tuyến tính hồi tiếp để điều khiển AGV bám theo quỹ đạo mong muốn với vận tốc không đổi Bộ điều khiển động lực học được thiết kế nhằm giảm sai số vị trí đến không một cách tiệm cận, trong khi chế độ tuyến tính hồi tiếp được sử dụng để giảm sai số vận tốc đến không một cách tiệm cận Phần mềm MATLAB được sử dụng để mô phỏng và trình bày kết quả nhằm minh họa hiệu quả của giải thuật điều khiển.

1.3 Mục tiêu của luận văn

Mục tiêu nghiên cứu là kết hợp thuật toán Fuzzy với PID để điều khiển Robot AGV, đồng thời phát triển phần mềm điều khiển cho Robot AGV hoạt động hiệu quả.

Trong quá trình nghiên cứu, chúng tôi đã phát triển các giải thuật tối ưu hơn nhằm cải thiện hệ thống điều khiển của Robot AGV Những giải thuật này được hoạch định một cách tỉ mỉ và có tính toán trước, giúp nâng cao hiệu suất và độ chính xác trong hoạt động của Robot AGV.

1.4 Nhiệm vụ và phạm vi nghiên cứu của đề tài

1.4.1 Nhiệm vụ của đề tài:

Tổng quan các công trình nghiên cứu AGV

Xây dựng mô hình động lực học AGV

Thiết kế bộ điều khiển Fuzzy PD AGV bám theo line

Mô phỏng và thực nghiệm đánh giá kết quả

Nghiên cứu hệ thống điều khiển Fuzzy cho Robot AGV và làm mô hình để thực nghiệm hệ thống điều khiển

1.5 Điểm mới của luận văn Điều khiển Mobile Robot AGV bằng Fuzzy PD để bám theo line chính xác và giải thuật điều khiển AGV theo một nhiệm vụ cố định.

CƠ SỞ LÍ THUYẾT

LÝ THUYẾT LOGIC MỜ

Theo khái niệm cổ điển, không gian được chia thành hai phần, trong đó mỗi phần tử thuộc hoặc không thuộc vào tập hợp đã cho, được gọi là tập rõ Lý thuyết tập hợp cổ điển đóng vai trò quan trọng trong nhiều ngành khoa học, nhưng nhu cầu mở rộng khái niệm này đã nảy sinh Nghiên cứu về lý thuyết tập mờ và logic mờ, được L Zadeh giới thiệu lần đầu năm 1965, đã phát triển mạnh mẽ, đặc biệt trong lĩnh vực công nghiệp Mặc dù ứng dụng logic mờ ở châu Âu chưa phổ biến, nhưng Nhật Bản đã thành công với các ứng dụng này nhờ vào phương pháp tiếp cận đơn giản của các kỹ sư Logic mờ được áp dụng rộng rãi trong các lĩnh vực điều khiển thông minh và xử lý dữ liệu, như trong máy quay phim và xe hơi Mitsubishi đã ra mắt chiếc xe đầu tiên sử dụng logic mờ trong điều khiển, dẫn đến việc các hãng xe Nhật khác cũng áp dụng công nghệ này Sau năm năm, châu Âu nhận ra sự thiếu hụt kỹ thuật quan trọng và đã nỗ lực hơn trong việc áp dụng logic mờ vào các sản phẩm của mình.

Tập hợp là khái niệm được xây dựng dựa trên logic, định nghĩa là sự tập hợp các đối tượng có chung đặc điểm, được gọi là phần tử của tập hợp.

Tập mờ (Fuzzy set) là một mở rộng của lý thuyết tập hợp cổ điển, được sử dụng trong logic mờ Trong lý thuyết tập hợp cổ điển, mối quan hệ giữa các phần tử được đánh giá theo cách nhị phân dựa trên điều kiện rõ ràng Tuy nhiên, lý thuyết tập mờ cho phép đánh giá dần dần mối quan hệ thành viên giữa một phần tử x và tập hợp A thông qua hàm liên thuộc (membership function) Nếu x thuộc không gian nền X, thì tập A được gọi là tập mờ nếu nó được xác định bởi mức độ liên thuộc của x vào A Biến x trong X được gọi là biến cơ sở, và tập X được gọi là miền cơ sở.

2.1.3 Các dạng hàm liên thuộc tiêu biểu

Theo lý thuyết, hàm thuộc có thể là bất kỳ hàm nào thoả mãn điều kiện → [0,1] Tuy nhiên, trong thực tế, các dạng hàm thuộc quan trọng và có tính ứng dụng cao hơn cả là hàm đơn điệu tăng và đơn điệu giảm Nhóm hàm này có đồ thị hình chuông, bao gồm các dạng như hàm tam giác, hàm hình thang và hàm Gauss.

2.1.4 Các thông số đặc trưng của tập mờ

Giả sử A là tập mờ trên vũ trụ X, có hàm thuộc thì ta có khái niệm sau:

Giá đỡ (Miền xác định) của A, ký hiệu sup (A) là một tập rõ bao gồm tất cả các phần tử x ∈ X sao cho > 0

Nhân (Miền tin cậy) của A là một tập rõ bao gồm tất cả các phần tử x ∈ X sao cho

Biên của A là một tập rõ bao gồm tất cả các phần tử x ∈ X sao cho 0 < < 1 Độ cao của A, ký hiệu H là cận trên đúng của : = ∈

Tập mờ A được gọi là tập mờ chuẩn tắc nếu H =1 Ngược lại nếu tập mờ A với H < 1 thì gọi là tập mờ không chính tắc

Hình 2.4: Độ cao, miền xác định, miền tin cậy của tập mờ [9]

2.1.5 Các phép toán trên tập mờ:

Giả sử A và B là các tập mờ trên vũ trụ X thì ta có các định nghĩa sau:

Bảng 2.1 Các phép toán trên tập mờ [9]

Stt Phép toán trên tập mờ Định nghĩa hàm liên tục

TỔNG QUAN ĐỐI TƯỢNG ĐIỀU KHIỂN

Robot AGV, một mô hình robot di chuyển bằng bánh xe, có khả năng thay thế xe nâng truyền thống trong vận chuyển hàng hóa cố định Loại robot này có thể tự động thực hiện các nhiệm vụ vận chuyển theo chương trình đã được lập trình sẵn, và hiện vẫn còn khá mới mẻ tại Việt Nam Nghiên cứu và chế tạo Robot AGV sẽ tạo nền tảng cho việc ứng dụng công nghệ robot tự hành vào thực tiễn Với tính đa năng, Robot AGV yêu cầu một hệ thống phức tạp, mở ra một lĩnh vực rộng lớn cho các nhà nghiên cứu không ngừng sáng tạo và phát triển tính năng, nhằm làm cho robot ngày càng thông minh hơn.

Hình 3.1: Sơ đồ phần cứng của AGV

Hình 3.2: Sơ đồ Line của AGV

Hình 3.3: Bảng điều khiển cho AGV

Theo hình 3.1 ta thấy Robot AGV có rất nhiều cảm biến được kết nối và được chia ra làm 2 khối hoạt động riêng biệt

Khối 1: Là khối điều khiển trung tâm với sự hộ trợ của máy tính, xây dựng các thuật toán, liên kết với bản đồ là thực hiện tìm đường đi tối ưu cho việc di chuyển từ vị trí bắt đầu cho đến điểm cuối cùng Cùng lúc đó máy tính nhận các giá trị tọa độ của bộ robot để song sánh điều chỉnh lại sai số Song song máy tính liên kết với module RF để điều khiển Robot AGV

Khối 2: Là khối chấp hành lệch từ hệ thống điều khiển thông qua phương thức truyền nhận RF và đưa đến vi xử lý để điều khiển 2 động cơ riêng biệt bánh trái, bánh phải Để đi theo line đúng vị trí mong muốn từ hệ thống, Trong quá trình chuyển động hệ thống để giảm sai số tọa độ tính toán của con robot, trên line có những thẻ RFID để hiểu chỉnh tọa chính xác

Trên Line, các cảm biến RFID được gắn để giúp robot lập kế hoạch đường đi theo yêu cầu công việc Bản đồ di chuyển của robot được lưu trữ bên trong thiết bị, và khi nhận tín hiệu điều khiển, robot sẽ thực hiện công việc cụ thể dựa trên các line đã được lưu trữ.

Bản điều khiển trong hình 3.3 cho thấy vị trí tọa độ hiện tại của robot trên máy tính, đồng thời cũng là màn hình điều khiển để lấy số lượng sản phẩm trong kho ra ngoài bãi theo đơn hàng.

Cấu hình đế của robot di động

Hình 3.4: Bản thiết kế 3D robot

Robot AGV là loại robot tự hành di chuyển bằng bánh xe, sử dụng công nghệ phổ biến trong lĩnh vực robot Mặc dù vấn đề cân bằng không được chú trọng nhiều trong thiết kế robot bánh, nhưng cấu hình ba bánh lại là giải pháp hiệu quả nhất để duy trì sự ổn định khi di chuyển.

Robot 2 bánh có khả năng cân bằng, trong khi robot với hơn 3 bánh thường cần hệ thống treo để đảm bảo tất cả bánh xe tiếp xúc với mặt phẳng di chuyển Mô hình robot trong đề tài sử dụng cấu hình bánh xe gồm hai bánh chủ động hoạt động độc lập, tạo lực đẩy cho robot di chuyển linh hoạt, cùng với hai bánh đa hướng giúp duy trì trạng thái cân bằng trên bề mặt phẳng Mặc dù cách bố trí này yêu cầu bề mặt di chuyển phải tương đối phẳng và tiếp xúc hoàn toàn với tất cả bánh xe, nhưng nó có ưu điểm là cơ chế điều khiển đơn giản, dễ tính toán động học và động lực học, đồng thời tâm xoay nằm giữa hai bánh chủ động, giảm momen cho bánh khi robot thực hiện chuyển động xoay.

Hình 3.5: Cấu hình phần đế Robot AGV

Robot hoạt động nhờ hai động cơ chính đối xứng, truyền momen cho hai bánh xe, với hộp giảm tốc để tăng momen và hệ thống đo tốc độ (encoder) Để giảm độ phức tạp và tải cho bộ điều khiển mờ, chúng tôi sử dụng module DC Servo Driver để điều khiển chính xác tốc độ động cơ Module này tích hợp bộ điều khiển PID tự động cài đặt thông số và điều chỉnh tốc độ motor theo yêu cầu từ bộ điều khiển trung tâm, với dãy tín hiệu ngõ vào có điện áp từ 0 – 3.3 Voltage.

Hình 3.6: Hệ thống điều khiển tự động tốc độ động cơ sử dụng thuật toán PID [19]

3.1.3 Phương pháp điều hướng cho robot AGV

Kỹ thuật điều hướng trong robot tự hành sử dụng trí thông minh nhân tạo được chia thành hai loại chính: điều hướng có tính toán và điều hướng theo phản ứng Điều hướng có tính toán là phương pháp lập kế hoạch, trong đó môi trường làm việc của robot là xác định và các vật cản đã được biết trước Ngược lại, điều hướng theo phản ứng cho phép robot hoạt động trong môi trường chưa biết hoặc chỉ biết một phần, nhờ vào hệ thống cảm biến và thiết bị định vị để nhận diện sự thay đổi xung quanh Thêm vào đó, phương pháp điều hướng lai ghép kết hợp cả hai phương pháp trên, nhằm tạo ra một bộ điều khiển thông minh hơn cho robot.

3.1.4 Hệ thống thu thập dữ liệu

Phát hiện và tránh vật cản là vấn đề quan trọng trong thiết kế robot, với việc nhận dạng vật cản yêu cầu độ chính xác cao Có hai loại vật cản chính: vật cản đứng yên và vật cản chuyển động, từ đó robot sẽ đưa ra hành vi phù hợp (phương pháp điều hướng theo phản ứng) Tuy nhiên, nhận dạng vật cản chuyển động rất phức tạp và đòi hỏi công nghệ phần cứng tiên tiến Do đó, trong nghiên cứu này, chúng tôi sẽ tập trung vào việc nhận dạng vật cản tĩnh.

Hình 3.7: Góc bố trí các cảm biến

Bảng 3.1: thông số của đối tượng điều khiển

STT Đặc tính Thông số

6 Line-Follower Cảm biến dòi line hồng ngoại

8 Cảm biến siêu âm Phát hiện vật cản trong khoảng: 3-120cm

10 Module RF NRF24L01 Truyền được 1000m

11 Bộ vi xử lý STM32F411

13 Bánh xe 2 bánh xe dẫn động chính (D emm), 2 bánh xe đa hướng

3.1.5 Phương pháp định vị robot

Vấn đề chính trong nghiên cứu robot di động là bài toán dẫn đường, bắt đầu từ việc xác định vị trí của robot Để giải quyết vấn đề này, các nhà nghiên cứu sử dụng cảm biến và hệ thống phần cứng hiện đại, cùng với việc phát triển các thuật toán phần mềm nhằm nâng cao độ tin cậy trong việc định vị robot trong môi trường Vị trí của robot được xác định dựa trên số liệu từ các cảm biến, tuy nhiên, mặc dù các cảm biến có thể đạt độ chính xác cao, chúng vẫn tồn tại nhược điểm và bị ảnh hưởng bởi các yếu tố khác.

21 nhiễu Do vậy, kết quả định vị nhận được từ số đo của từng cảm biến riêng rẽ thường bị giới hạn về độ chính xác và tin cậy

Phương pháp 1: Sử dụng GPS, cảm biến gia tốc MEMS đắt tiền nhưng sai số lớn thích hợp cho thí nghiệm ngoài trời

Phương pháp thứ hai là sử dụng cảm biến đo xa bằng tia Laser (RP Lidar) và cảm biến ảnh camera toàn phương Mặc dù có chi phí cao và độ chính xác tốt, phương pháp này phù hợp với môi trường trong nhà, nhưng quá trình xử lý tín hiệu lại khá phức tạp.

Phương pháp dead-reckoning là một kỹ thuật phổ biến trong robot di động, sử dụng dữ liệu từ bộ mã hoá số vòng quay bánh xe để tính toán vị trí Phương pháp này dựa trên nguyên tắc chuyển đổi số vòng quay của bánh xe thành độ dịch tuyến tính tương ứng của robot, giúp thực hiện việc điều hướng một cách dễ dàng và hiệu quả.

Dựa vào nhiệm vụ và phạm vi đề tài thí nghiệm, phương pháp thứ 3 cho thấy tính khả thi cao với chi phí thấp và sai số chấp nhận được nhờ thời gian thực nghiệm ngắn và sai số tích lũy ít Đề tài sử dụng bộ encoder để đo tốc độ của hai bánh dẫn, sau đó áp dụng các phương trình động học để tính toán tọa độ của robot, và phương pháp tính cụ thể sẽ được trình bày trong phần sau.

3.1.6 Mô hình động học Robot AGV

Với địa hình bằng phẳng và yêu cầu di chuyển đơn giản, thiết kế Robot được tối ưu hóa với hình thức di chuyển bằng 3 bánh, trong đó hai bánh chủ động nằm đối xứng và một bánh tự do Động học, nghiên cứu về chuyển động mà không xem xét lực tác động, tập trung vào các yếu tố hình học để xác định vị trí của robot Nó thể hiện mối quan hệ giữa các thông số điều khiển và trạng thái của hệ thống trong không gian Để xác định vị trí của robot trong mặt phẳng, ta cần

XÂY DỰNG BỘ ĐIỀU KHIỂN Fuzzy PD

Bộ điều khiển PD mờ thích ứng (Fuzzy PD) là một loại điều khiển đạo hàm tỷ lệ mờ, hoạt động dựa trên các quy tắc mờ với tín hiệu đầu vào tương tự nhau Lợi ích của bộ điều khiển này nằm ở khả năng chia tỷ lệ tín hiệu đầu vào, điều chỉnh phản hồi và tối ưu hóa hiệu suất Bộ điều khiển sử dụng hai tín hiệu đầu vào chính: vị trí lỗi (Error) và thay đổi lỗi (∆IJ+JJ), qua đó xử lý và tạo ra một biến mờ mới Thiết kế bộ điều khiển PD mờ bao gồm việc tìm kiếm bộ điều khiển PD tuyến tính tối ưu, xác định lỗi lớn nhất, lỗi tăng, và tính toán mức tăng đầu ra cùng tỷ lệ sai số Ưu điểm nổi bật của bộ điều khiển mờ thích ứng là khả năng cập nhật nhanh chóng các thông số của bộ điều khiển PID dựa trên lỗi và thay đổi lỗi Những lỗi này thường xuất hiện khi hướng dòng thay đổi, và mặc dù PID cố định có thể giảm thiểu lỗi, nhưng khi robot di chuyển, độ vọt lô tăng có thể gây ra giao động Do đó, một giải pháp thích ứng đã được phát triển bằng cách kết hợp bộ điều khiển mờ với bộ điều khiển PID, nhằm tạo ra các giá trị Kp và Kd phù hợp cho hệ thống.

3.2.1 Xây dựng hệ thống mờ PD thích nghi để bám line

Trong nghiên cứu này, bộ điều khiển PD được áp dụng đầu tiên với hai hệ số KP và KD được xác định qua các thử nghiệm trên đường dẫn line, cho giá trị KP là 0.1 và KD là 4 Sau khi triển khai bộ điều khiển PD, logic mờ đã được áp dụng để hệ thống tự thích ứng thông qua các quy tắc, cho phép xác định và điều chỉnh các hệ số của bộ điều khiển PD dựa trên đường dẫn Hai bộ điều khiển logic mờ được sử dụng, một để xác định KP và một để xác định KD, như được thể hiện trong Hình 3.8 Mỗi bộ điều khiển logic mờ có hai đầu vào là lỗi và sự thay đổi của lỗi, với tất cả các tín hiệu đầu vào và đầu ra có ba hàm liên thuộc.

Hình 3.10: cấu trúc bộ điều khiển thích nghi cho hệ số Kp và Kd [17]

3.2.2 Xây dựng hàm liên thuộc cho bộ điều khiển mờ PD thích nghi Đối với biến ngõ vào là Sai số (erorrs) và thay đổi sai số (changes erorrs), ta có: Biến gõ vào lỗi erorr (erorr = giá trị đặt – giá trị phản hồi)

Erorrs có tập mờ là Negative Big - Negative Near – Zero – Positive Near – Positive Big [17]

Biến gõ vào thay đổi lỗi changes erorr (changes erorr = lỗi trước - lỗi sau)

Change Erorrs có tập mờ là Negative Big - Negative Near – Zero – Positive Near – Positive Big [17]

Biến gõ ra ta có hai biến là Kp và Kd

Biến gõ ra Kp là Negative Big - Negative Near – Zero – Positive Near – Positive

Biến gõ ra Kd là Negative Big - Negative Near – Zero – Positive Near – Positive

Xây dựng hàm liên thuộc cho hệ thống robot AGV:

Việc lựa chọn hàm liên thuộc là rất quan trọng vì nó ảnh hưởng đến mức độ tác động của yếu tố đầu vào đến hệ thống, quyết định đáp ứng của toàn hệ thống Không có quy tắc nhất quán cho việc chọn hàm thuộc, mà chỉ có thể chọn từ những dạng hàm đã biết và mô hình hóa cho đến khi đạt được bộ điều khiển mờ mong muốn Cần chú ý chọn hàm liên thuộc có sự chồng chéo và phủ kín miền giá trị vật lý để tránh “lỗ hổng” trong quá trình điều khiển Hàm liên thuộc cũng nên được chọn sao cho miền tin cậy chỉ có một phần tử, tức là chỉ có một điểm vật lý với độ phụ thuộc tương ứng Đối với hệ điều khiển này, việc lựa chọn hàm thuộc dạng tam giác là phù hợp cho bước đầu nghiên cứu, đặc biệt khi các biến ngôn ngữ được xác định nhạy cảm và độ mờ biến thiên nhanh.

Các hàm liên thuộc biên erorr:

Hình 3.11: Hàm liên thuộc biến ngôn ngữ Erorr

Các hàm liên thuộc biên Changes erorr:

Hình 3.12: Hàm liên thuộc biến ngôn ngữ change Erorr

Các hàm liên thuộc biên Kp:

Hình 3.13: Hàm liên thuộc biến ngôn ngữ Kp

Các hàm liên thuộc biên Kd:

Hình 3.14: Hàm liên thuộc biến ngôn ngữ Kd

Việc xây dựng luật mờ cho bộ điều khiển mờ là một bước quan trọng và khó khăn trong thiết kế bộ điều khiển, thường yêu cầu kinh nghiệm và kiến thức chuyên môn về hệ thống Kiến thức này thường được hình thành từ quá trình trực quan của người thiết kế Luật mờ cho bộ điều khiển robot được trình bày trong bảng 3.1 dưới đây.

E CE NB NM NS Z PM PB

NB PB PB PM PM PS Z

NM PB PB PM PS Z NM

Z PM PM PS Z NM NM

PM PS Z NM NS NM NB

PB Z NM NM NM NB NB

Bảng 3.2: Ma trận luật của Kd [17]

E CE NB NM NS Z PM PB

NB PB NB NB NB NS Z

NM PB NB NM NM PS PS

Z NB NM NS Z PM PM

PM NS Z PS PS PB PB

PB Z PS PB PB PB PB

3.2.4 Chọn thiết bị hợp thành và giải pháp mờ Đôi với trường hợp điều khiển mobile robot, chọn thiết bị thực hiện luật hợp thành theo phương pháp MAX-MIN và phương pháp giải mờ trọng tâm (centroid)

Hình 3.15: Luật hợp thành và nguyên lý giải mờ [17]

Hình 3.16: Bề mặt điều khiển Kd với 2 ngõ vào (Erorr, Change Erorr)

Hình 3.17: Bề mặt điều khiển Kp với 2 ngõ vào (Erorr, Change Erorr)

Capture your audience's interest with a compelling quote or highlight a significant point from the document You can position this text box anywhere on the page by simply dragging it.

MÔ PHỎNG QUÁ TRÌNH ĐÁP ỨNG CỦA HAI THUẬT TOÁN FUZZY PD VÀ PD_CONTROL

Để đánh giá hiệu quả của hai thuật toán Fuzzy_PD và PD_Control trong hệ thống điều khiển Robot AGV, cần thực hiện hai giai đoạn: mô hình hóa toán học bằng phần mềm Matlab và tiến hành thực nghiệm để xác nhận kết quả Mô hình toán học của hai phương pháp điều khiển được trình bày trong hình 3.18 và hình 3.19, từ đó cho phép so sánh và đánh giá các thuật toán điều khiển.

Hình 3.18 Mô hình toán học trên matlab

Hình 3.19 Kết quả của hai phương pháp điều khiển

Trong quá trình xây dựng và mô hình hóa toán học, kết quả cho thấy thuật toán Fuzzy_PD có độ bám cao với tín hiệu góc khi thay đổi biên độ, trong khi thuật toán PD_Control chỉ đạt độ bám tín hiệu góc không đáng kể Điều này chứng tỏ rằng phương pháp điều khiển Fuzzy_PD hiệu quả hơn nhiều so với phương pháp truyền thống PD_Control.

THỰC NGHIỆM VỚI MÔ HÌNH ROBOT AGV

Kết quả thực nghiệm bộ điều khiển Fuzzy PD và PD_control

Trong quá trình robot bám line, các hệ số lỗi của bộ điều khiển PD cao hơn đáng kể so với bộ điều khiển Fuzzy PD Kết quả này được thể hiện rõ trong các hình ảnh dưới đây.

Hình 4.1 Line thực tế để kiểm tra các thống số bám line của hai bộ điều khiển

Giá trị trả về của cảm biến dò line cho thấy vị trí của Robot khi ở giữa line, lệch bên phải và lệch bên trái, như được minh họa trong hình 4.2 và bảng 4.1.

Hình 4.2 Miền giá trị của cảm biến dò line khi ở những vị trí khác nhau

Position_Right Position_Right_Si Position_Center_S

Bảng 4.1 thống kê miền giá trị của cảm biến

Position_Sensor Miền giá trị

Sau quá trình thực nghiệm cho robot AGV bám line theo hai bộ điều khiển PD và Fuzzy_ PD thì ta có kết quả về sai lệch vị trí

Hình 4.3: Giá trị vị trí của cảm biến trả về của thuật toán PD và Fuzzy PD

Biểu đồ vị trí cảm biến của Fuzzy_PD và PD

PD_Control_Position Fuzzy_PD_Position Goal_Position

Thuật toán Fuzzy_PD cho thấy khả năng bám đường tốt hơn đáng kể so với thuật toán cổ điển PD, đặc biệt là ở những vị trí khúc cua, nơi mà độ vọt lố của PD cao hơn nhiều so với Fuzzy_PD.

Sự khác nhau về bám line giữa hai thuật toán Fuzzy_PD và PD cổ điển xuất phát từ cách xác định hệ số Kp và Kd Trong khi thuật toán PD cổ điển sử dụng các hệ số cố định, cụ thể là Kp=0.1 và Kd=4, thì thuật toán Fuzzy_PD áp dụng mờ hóa để điều chỉnh các hệ số này theo sự thích nghi của hệ thống, tạo ra những giá trị Kp và Kd linh hoạt hơn, phù hợp nhất với điều kiện hoạt động Hình 4.3 sẽ minh họa rõ hơn về sự biến đổi này.

Hình 4.4 thể hiện sự thay đổi KP và Kd bám theo đường Line

Biểu đồ vị trí cảm biến của Fuzzy_PD

Fuzzy_PD_Position Goal_Position

Thay đổi hệ số Kp, Kd theo Fuzzy_PD

Fuzzy_adaptive_KpFuzzy_adaptive_Kd

Caculator_Speed = KP * Error + KD* Derror; (4.3) lastError = error; (4.4)

Sự điều chỉnh các hệ số Kp và Kd trong bộ điều khiển Fuzzy_PD ảnh hưởng đến tốc độ đầu ra của động cơ, cho phép so sánh độ đáp ứng tốc độ giữa hai bộ điều khiển PD_control và Fuzzy_PD.

Robot AGV được thiết kế với cơ cấu ba bánh, trong đó hai bánh được điều khiển bởi hai động cơ hoạt động độc lập, trong khi bánh còn lại là bánh tự lựa.

Hình 4.5 cơ cấu của robot AGV dùng 3 bánh xe

Công thức tính sai số vị trí và tốc độ khi robot di chuyển trên line

Timer Đáp ứng vận tốc theo độ lệch vị trí của thuật toán PD

Position_PD Caculator_Speed_PD

Error: Sai số vị trí ban đầu

Derror: Sai số vị trí sau

Position: giá trị của cảm biến trả về

Caculator_Speed: Tốc độ tính toán

Left_Speed: Tốc độ bánh trái

Right_Speed: Tốc độ bánh phải

Từ công thức 4.3, chúng ta có thể tính toán vận tốc cho hệ thống điều khiển của Robot AGV thông qua hai phương pháp điều khiển khác nhau: PD_Control và Fuzzy_PD.

Hình 4.5 minh họa biên độ vận tốc tính toán của bộ điều khiển PD_Control, trong khi hình 4.6 thể hiện biên độ vận tốc tính toán của bộ điều khiển Fuzzy_PD.

Hình 4.6 Đáp ứng vận tốc theo độ lệch của vị trí của thuật toán PD_control

Hình 4.7 Đáp ứng vận tốc theo độ lệch của vị trí của Fuzzy_ PD

Dựa vào các thông số đã nêu, chúng ta có thể đánh giá hiệu quả của thuật toán Fuzzy_PD và thuật toán PD_control, như được thể hiện trong hình 4.7 và hình 4.8.

Hình 4.8 Độ lệch trung bình của hai phương pháp điều khiển

Timer Đáp ứng vận tốc theo độ lệch vị trí của Fuzzy_PD

Position_Fuzzy_PD Caculator_Speed_Fuzzy_PD

1400,0 Độ Lệch trung bình c ủa v ị trí

PD Fuzzy_PD Độ lệch chung

Hình 4.9 Phần trăm độ lệch vị trí hai phương pháp điều khiển

Theo kết quả đo đạt và tính toán, hệ thống Robot AGV sử dụng phương pháp điều khiển Fuzzy_PD cho hiệu quả cao hơn khoảng 34% so với phương pháp PD truyền thống trong quá trình bám Line.

Ứng bộ điều khiển Fuzzy PD cho robot AGV lấy hàng

Robot AGV ngày càng được ứng dụng rộng rãi trong sản xuất, đặc biệt là trong lĩnh vực logistic và các quy trình tự động hóa Tại công ty tôi, với khoảng 5 năm gắn bó, chúng tôi nhận thấy nhu cầu hiện đại hóa để nâng cao hiệu quả sản xuất Một trong những thách thức lớn mà công ty gặp phải là việc vận chuyển hàng hóa giữa các dây chuyền sản xuất, điều này tốn nhiều thời gian và nhân lực Để khắc phục vấn đề này, tôi đã đề xuất với ban giám đốc thiết kế một hệ thống AGV bán tự động nhằm tối ưu hóa quy trình vận chuyển, và ý tưởng này đã nhận được sự đồng thuận từ ban giám đốc.

Phần tr ăm độ lệ ch vị trí

PD Fuzzy_PD Phần trăm sai lệch chung

41 nghiên cứu nên thực hiện trước mô hình và các thuật toán để tiến bước sản xuất mẫu AGV mới cho công ty

Hình 4.10: Các xe được chất hàng để cho người lấy chuyển sang line khác

4.2.1 Xây dựng map cho công việc lấy hàng của robot

Để mô phỏng một dây chuyền sản xuất, tôi đã xây dựng một bản đồ nhỏ với mục tiêu cho robot di chuyển từ vị trí Start theo đường line đến vị trí lấy hàng Khi robot được chất đầy hàng, nó sẽ tiếp tục di chuyển đến vị trí cần lấy và chu trình này sẽ lặp lại cho đến khi có lệnh dừng Khi robot gần hết năng lượng, nó sẽ tự động quay về nơi sạc điện Tất cả các hoạt động này diễn ra trên bản đồ đã được lưu sẵn trong robot, như thể hiện trong hình 4.11 và hình 4.12.

Hình 4.11: Tọa độ của các thẻ RFID

Hình 4.12 Sơ đồ chương trình của AGV lấy hàng

4.2.2 Thiết kế bộ điều khiển cho robot AGV:

Vì số lượng robot đang chỉ một con nên quá trình thiết kế ban đầu cũng đơn giản

Bộ điều khiển nhận tọa độ x, y của robot để hiển thị vị trí trên màn hình điều khiển Để đảm bảo độ chính xác, các thẻ RFID được gắn thêm trên từng khoảng cách nhằm điều chỉnh tọa độ robot cho phù hợp với thực tế Bảng điều khiển cũng được thiết kế theo mã sản phẩm và số lượng cần vận chuyển, như thể hiện trong hình 4.5.

Hình 4.13: bảng đều khiển chính của Robot AGV

Hình 4.14 hiển thị vị trí của robot thông qua nút chấm đỏ, cùng với các nút điều chỉnh tỉ lệ giữa bản đồ và sơ đồ thực tế.

Hình 4.14: Map hiện thị vị trí của robot trên màn hình

Trong hình 4.15 cho ta điều khiển vị trí cũng như gởi các lệnh điều khiển xuống robot như mã sản phẩm, số lượng sản phẩm, tốc độ…

Hình 4.15: Bảng điều khiển cho robot thực hiện công việc

47 Cuối cùng kiểm tra và chạy thử nghiệm theo map đã lưu bên trong robot

Hình 4.16: Thực nghiệm chạy thực thế trên line