Tối ưu hóa bộ điều khiển LQR bằng giải thuật di truyền cho con quay hồi chuyển ba bậc tự do
,
,
và
*
Abstract
This research centers on designing and testing an optimal controller for the Quanser gyroscope through simulations. The main goal is to ensure the system can precisely track trajectories. Controlling a gyroscope effectively, particularly with an LQR controller, is quite challenging. The LQR's performance heavily relies on manually selecting weighting matrices Q and R. This process is complex and tough to optimize, especially when system parameters shift. To tackle this, the study introduces a method to optimize LQR using a Genetic Algorithm. The GA will automatically find the best Q and R values based on the Integral Absolute Error (IAE) criterion. The aim here is to achieve top-notch trajectory tracking and boost the closed-loop system's stability. Early simulation results using GA-LQR show marked performance improvements: the system recorded a quick settling time of 0.1s and zero overshoot. These findings prove that GA-LQR delivers high stability and a rapid response when controlling the Quanser gyroscope, in a simulated setting.
Tóm tắt
Nghiên cứu này tập trung vào việc thiết kế và thử nghiệm trên mô phỏng bộ điều khiển tối ưu cho con quay hồi chuyển của Quanser. Mục tiêu là đảm bảo khả năng bám quỹ đạo chính xác của hệ thống, việc điều khiển hiệu quả con quay hồi chuyển là một khó khăn lớn, đặc biệt khi sử dụng bộ điều khiển LQR. Hiệu suất LQR phụ thuộc vào việc lựa chọn thủ công các ma trận trọng số Q và R, vốn phức tạp và khó tối ưu khi tham số hệ thống thay đổi. Để khắc phục, nghiên cứu đề xuất phương pháp tối ưu hóa LQR bằng giải thuật di truyền. GA sẽ tự động tìm kiếm các giá trị tối ưu cho Q và R dựa trên tiêu chuẩn tích phân trị tuyệt đối sai số (IAE), nhằm đạt được hiệu suất bám quỹ đạo tốt nhất và tăng cường độ ổn định hệ thống vòng kín. Kết quả mô phỏng ban đầu với GA-LQR cho thấy hiệu suất cải thiện đáng kể: hệ thống đạt thời gian xác lập nhanh chóng là 0.1s và không có độ vọt lố. Điều này chứng tỏ GA-LQR mang lại tính ổn định cao và đáp ứng nhanh trong điều khiển con quay hồi chuyển của Quanser, trong môi trường mô phỏng.
Article Details
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.
Tài liệu tham khảo
Ahmmed, T., Akhter, I., Karim, S. M. R., & Ahamed, F. A. S. (2020). Genetic Algorithm Based PID Parameter Optimization. American Journal of Intelligent Systems.
Alouache, A., & Wu, Q. (2018). Genetic Algorithms for Trajectory Tracking of Mobile Robot Based on PID Controller. IEEE 14th International Conference on Intelligent Computer Communication and Processing (ICCP),
Chen, H., Wang, J., Li, Y., & Zhang, W. (2022). Deep Reinforcement Learning for Optimal Control of Complex Industrial Systems. IEEE Transactions on Industrial Informatics, 18(5), 3245-3255.
Flores-Morán, E., Yánez-Pazmiño, W., & Barzola-Monteses, J. (2018). Genetic algorithm and fuzzy self-tuning PID for DC motor position controllers. International Carpathian Control Conference (ICCC),
Kim, J., & Park, S. (2020). Development of a Novel Six-Degree-of-Freedom Platform for High-Precision Stabilization. Mechanism and Machine Theory, 154, 104037.
Liu, B., Sun, J., Zhang, X., & Li, G. (2024). Optimal Control of Flexible Gyroscopic Systems Using Model Predictive Control. Automatica, 161, 111440.
MathWorks. How can I tune PID controller using Genetic Algorithm? https://www.mathworks.com/matlabcentral/answers/53760-how-can-i-tune-pid-controller-using-genetic-algorithm?s_tid=srchtitle
MathWorks. Optimization with MATLAB and the Genetic Algorithm and Direct Search Toolbox. https://www.mathworks.com/matlabcentral/fileexchange/6232-optimization-with-matlab-and-the-genetic-algorithm-and-direct-search-toolbox
Meena, D. C., & Devanshu, A. (2017). Genetic algorithm tuned PID controller for process control. International Conference on Inventive Systems and Control (ICISC),
Ngon, C. N. (2008). PID controller optimization using genetic algorithm. Can Tho University Journal of Science, 2008(9), 241-248.
Nguyen, T., & Le, H. (2021). Experimental Studies on Gyroscope-Based Control Systems for Educational Robotics. International Journal of Robotics and Automation, 6(2), 88-95.
Nise, N. S. (2020). Control Systems Engineering. John Wiley & Sons, Inc.
Quanser, I. (2013). 3 DOF Gyroscope Laboratory Guide. https://drive.google.com/file/d/1MCUhjErsnKFtTdauCuCIOHFFwBTo1kg9/view?usp=sharing
Quanser, I. (2025). 3-DOF Gyroscope. https://www.quanser.com/products/3-dof-gyroscope/
Sharma, R., Rana, K. P. S., & Kumar, V. (2014). Statistical analysis of GA based PID controller optimization for robotic manipulator. International Conference on Issues and Challenges in Intelligent Computing Techniques (ICICT),
Shetty, D., & Kolk, R. A. (2017). Mechatronics System Design. Cengage Learning.
Thanh, L. M., Ngon, N. C., Thuong, L. H., & Thanh, P. C. (2018). Trajectory Tracking Control of a 3-DOF Delta Robot Using Fuzzy-PID Algorithm Combined with Genetic Algorithm. Proceedings of the 4th Conference on Science and Technology in Transportation, Ho Chi Minh in Vietnamese.
Thanh, L. M., Ngôn, N. C., Thương, L. H., Tùng, P. T., & Thanh, P. C. (2022). Performance Evaluation Of Fuzzy-Pid And Ga-Pid Controllers On A 3-Dof Delta Robot Tracking Control. 2022 International Conference on Control, Robotics and Informatics (ICCRI 2022),
Wang, L., & Li, Q. (2021). Advanced Applications of Gyroscopes in High-Precision Navigation and Robotics. Sensors, 21(10), 3450.
Yusuf, L. A., & Magaji, N. (2014). GA-PID controller for position control of inverted pendulum. International Conference on Adaptive Science & Technology (ICAST),
Zhang, Y., Liu, J., Wang, H., & Chen, Z. (2023). Recent Advances in Control Strategies for Gyroscopic Systems: A Comprehensive Review. Journal of Intelligent & Robotic Systems, 107(1), 1-25.