THIẾT KẾ BỘ ĐIỀU KHIỂN PID-NƠ-RON THÍCH NGHI CHO ROBOT SONG SONG DẪN ĐỘNG BẰNG CÁP

Tóm tắt

Robot song song dẫn động bằng cáp (Cable-Driven Parallel Robot - CDPR) là kiến trúc cơ cấu chấp hành song song thay các khâu cứng bằng dây cáp chịu kéo, cho phép đạt tỉ số tải trọng/khối lượng lớn và vùng làm việc rộng. Tuy nhiên, ràng buộc lực căng dương cùng với bất định mô hình (khối lượng tải thay đổi, ma sát nhớt, sai lệch tham số hình học) làm bài toán điều khiển bám quỹ đạo trở nên thách thức, đặc biệt đối với CDPR dư dẫn động. Bài báo đề xuất bộ điều khiển PID nơ-ron thích nghi (Adaptive Neuro-PID) cho CDPR 4 dây, 3 bậc tự do tịnh tiến, trong đó mạng nơ-ron với 3 lớp ẩn ánh xạ trực tiếp bộ biến trạng thái sai lệch $e, \int edt, \dot{e}$sang các hệ số PID ($K_{p}, K_{i}, K_{d}$) theo cơ chế ràng buộc biên. Đồng thời, một vòng thích nghi khối lượng (mass adaptation) dựa trên bộ vector hồi quy được tích hợp vào nhánh bù lực dự đoán để giảm nhạy với tải thay đổi. Để đối sánh, bài báo xây dựng năm bộ điều khiển tham chiếu: Neuro-PID đóng băng NN-PID (đã huấn luyện ngoại tuyến), PID-ZN2 dựa trên thí nghiệm rơ-le, và PID tối ưu bằng GA/PSO/DE với hàm mục tiêu đa kịch bản tải (multi-mass) có xét đến năng lượng điều khiển phản hồi $u_{fb}$ và sai số khả thi lực (force residual) do giới hạn lực căng. Phân phối lực căng được giải bằng bài toán bình phương tối thiểu có ràng buộc hộp nhằm đảm bảo không trùng dây. Kịch bản mô phỏng bám quỹ đạo tam giác trong mặt phẳng nghiêng với các trường hợp tải danh định và biến thiên cho phép đánh giá toàn diện độ chính xác bám, độ mượt lực căng và mức độ vi phạm ràng buộc.

Abstract

Cable-driven parallel robots (CDPRs) replace rigid links by tensile cables, enabling large workspaces and high payload-to-mass ratios. Nevertheless, the strictly-positive tension constraint, together with modeling uncertainties (time-varying payload mass, viscous damping, and geometric errors), makes trajectory tracking challenging, especially for redundantly-actuated CDPRs. This paper presents an adaptive Neuro-PID controller for a 4-cable, 3-DOF translational CDPR. A deep neural network with three hidden layers maps the error-state vector $e, \int edt, \dot{e}$ to bounded PID gains ($K_{p}, K_{i}, K_{d}$). In addition, a mass-adaptation loop based on a vector regressor is embedded into the feedforward branch to enhance robustness against payload variations. Five benchmark controllers are implemented for comparison: a frozen Neuro-PID  NN-PID (trained offline), a Ziegler-Nichols second-method PID (relay test), and three PIDs tuned by GA/PSO/DE using a multi-scenario objective including tracking error, squared feedback effort $u_{fb}$, and feasibility residual caused by tension bounds. Cable tensions are allocated by a bound-constrained least-squares solver to prevent slack. A 3D triangular trajectory and load cases (nominal and varying) are used to evaluate tracking accuracy, tension smoothness, and constraint activity.

Keywords: Cable-driven parallel robot, adaptive Neuro-PID, positive tension constraint, tension distribution.