Luận văn Ðiều khiển giảm dao ðộng cầu trục (Phần 1)

Nội dung text: Luận văn Ðiều khiển giảm dao ðộng cầu trục (Phần 1)

1. BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT THÀNH PHỐ HỒ CHÍ MINH LUẬN VĂN THẠC Sĩ NGUYỄN DUY KHĂM ÐIỀU KHIỂN GIẢM DAO ÐỘNG CẦU TRỤC NGÀNH: KỸ THUẬT ÐIỆN TỬ – 60520203 S K C0 0 5 0 5 1 Tp. Hồ Chí Minh, tháng 4/2016
2. BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT THÀNH PHỐ HỒ CHÍ MINH LUẬN VĂN THẠC SĨ NGUYỄN DUY KHĂM ĐIỀU KHIỂN GIẢM DAO ĐỘNG CẦU TRỤC NGÀNH: KỸ THUẬT ĐIỆN TỬ - 60520203 TP. Hồ Chí Minh, tháng 4/2016
3. BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT THÀNH PHỐ HỒ CHÍ MINH LUẬN VĂN THẠC SĨ NGUYỄN DUY KHĂM ĐIỀU KHIỂN GIẢM DAO ĐỘNG CẦU TRỤC NGÀNH: KỸ THUẬT ĐIỆN TỬ - 60520203 Hướng dẫn khoa học: TS. NGÔ VĂN THUYÊN TP. Hồ Chí Minh, tháng 4/2016
4. QUYẾT ĐỊNH GIAO ĐỀ TÀI i
5. LÝ LỊCH KHOA HỌC I. LÝ LỊCH SƠ LƯỢC: Họ & tên: NGUYỄN DUY KHĂM Giới tính: Nam Ngày, tháng, năm sinh: 06/6/1980 Nơi sinh: Trà Vinh Quê quán: Xã Thông Hòa, Huyện Cầu Kè, Tỉnh Trà Vinh Dân tộc: Kinh Chỗ ở riêng hoặc địa chỉ liên lạc: Trường Cao đẳng nghề Vĩnh Long Điện thoại cơ quan: Điện thoại nhà riêng: 0909115368 Fax: E-mail:kham0909115368@gmail.com II. QUÁ TRÌNH ĐÀO TẠO: 1. Trung học chuyên nghiệp: Hệ đào tạo: Thời gian đào tạo từ / đến / Nơi học (trường, thành phố): Ngành học: 2. Đại học: Hệ đào tạo: Tại chức Thời gian đào tạo từ 1998 đến 2004 Nơi học (trường, thành phố): Trường Đại học Sư phạm Kỹ thuật TP HCM Ngành học: Kỹ thuật Điện – Điện tử Tên đồ án, luận án hoặc môn thi tốt nghiệp: Môn PLC, kỹ thuật VCR, quản lý dự án III. QUÁ TRÌNH CÔNG TÁC CHUYÊN MÔN KỂ TỪ KHI TỐT NGHIỆP ĐẠI HỌC: Thời gian Nơi công tác Công việc đảm nhiệm 2006 Trường Dạy Nghề Vĩnh Long Giáo viên 2007 Trường Trung Cấp Nghề Vĩnh Long Giáo viên 2015 Trường Cao Đẳng Nghề Vĩnh Long Giáo viên ii
6. LỜI CAM ĐOAN Tôi cam đoan đây là công trình nghiên cứu của tôi. Các số liệu, kết quả nêu trong luận văn là trung thực và chưa từng được ai công bố trong bất kỳ công trình nào khác. Tp. Hồ Chí Minh, ngày tháng 4 năm 2016 (Ký tên và ghi rõ họ tên) Nguyễn Duy Khăm iii
7. CẢM ƠN Để hoàn thành luận văn được, học viên xin chân thành cảm ơn Thầy TS. Ngô Văn Thuyên đã trực tiếp hướng dẫn và giúp đỡ học viên hoàn thành luận văn. Đồng thời, học viên xin cảm ơn quí Thầy, Cô bộ môn trường Đại học Sư phạm Kỹ thuật Thành phố Hồ Chí Minh đã tận tình giúp đỡ, tạo điều kiện để em học tập, nghiên cứu hoàn thành luận văn. Học viên xin gởi lời cảm ơn chân thành nhất đến đồng nghiệp, gia đình, bạn bè đã giúp đỡ cho học viên rất nhiều, đã tạo cho học viên niềm tin và nỗ lực cố gắng để hoàn thành luận văn này. Em xin chân thành cảm ơn! iv
8. TÓM TẮT Hệ thống cầu trục hoạt động di chuyển tải đến vị trí đặt có góc dao động lớn gây nguy hiểm. Do đó nhiều giải pháp đưa ra là điều khiển tải đến đúng vị trí càng nhanh càng tốt với góc dao động thấp. Một mô hình toán học của hệ thống cầu trục đã được xây dựng dựa trên phương trình Lagrange’s. Tuy nhiên ta cần quan tâm là vị trí, góc dao động và dòng điện. Khi điều khiển yêu cầu tải đến đúng vị trí đặt ra, góc dao động thấp. Mô hình này được mô phỏng trên phần mềm Simulink Matlab. Trong luận văn này giải pháp được đưa ra dùng mạng Neuron truyền thẳng nhiều lớp với thuật toán lan truyền ngược để huấn luyện thay thế cho bộ điều khiển góc lệch, bộ điều khiển dòng điện. Mạng neuron được thực hiện qua 2 bước là dữ liệu vào được truyền từ ngõ vào đến ngõ ra, kết quả dữ liệu truyền theo hướng thuận tạo ra tín hiệu ngõ ra của mạng, sau đó sai lệch giữa ngõ ra và ngõ vào được truyền ngược từ ngõ ra về lớp trước để cập nhật trọng số của mạng. Trong phương pháp điều khiển này mạng neuron điều khiển tốt hơn các phương pháp khác. Bộ điều khiển này hoạt động giống bộ điều khiển hệ thống nhưng nó thích nghi khi thông số của hệ thống thay đổi. Thực nghiệm cho kết quả khi dùng mạng Neuron điều khiển tải đến đúng vị trí yêu cầu và góc dao động thấp hơn so với phương pháp PID. Kết luận phương pháp dùng mạng neuron hoàn toàn có thể điều khiển cầu trục theo yêu cầu với dao động thấp. v
9. Abstract The system control crane is moving to load position which large angle oscillation and dangerous. therefore, there are many solutions controls in place to load as quickly as possible with low oscillation angle. A mathematical model of the crane system was built based on Lagrange's equation. However, we need to care about is the position, angle and current. When drivers required to properly position the load in place, low oscilation angle. The model was simulation on Matlab Simulink software. In this thesis the solution goes straight laminated Neuron network with back - propagation algorithm to train replacement for angle controller, current controller. Neural network is performed through 2 step is data to be transmitted from input to output, result output data transmitted conveniently of the signal out network, then the error between the outputs and inputs are transmitted back from the output of the previous layer to update the weights of the network. In this control method better control neuron network other methods. The controller works the same controller, but it adapted the system when the system parameters change Empirical results using Neural network controller to load the correct position and angle oscilation lower than PID method. Conclusion neural network method are completely driver on demand cranes with low oscillation vi
10. MỤC LỤC TRANG QUYẾT ĐỊNH GIAO ĐỀ TÀI i LÝ LỊCH KHOA HỌC ii LỜI CAM ĐOAN iii CẢM ƠN iv TÓM TẮT v Abstract vi MỤC LỤC vii DANH SÁCH CÁC CHỮ VIẾT TẮT x DANH SÁCH CÁC HÌNH xi DANH SÁCH CÁC BẢNG xv Chương 1 1 TỔNG QUAN 1 1.1. Đặt vấn đề 1 1.2. Các phương pháp nghiên cứu hệ thống cầu trục 2 1.3. Mục tiêu và giới hạn đề tài 4 1.4. Phương pháp nghiên cứu 4 1.5. Nội dung luận văn 4 Chương 2 6 CƠ SỞ LÝ THUYẾT 6 2.1. Mô hình toán học cầu trục 6 2.2. Phương trình của động cơ 9 2.3. Mô hình của dây đai và puly 10 2.4. Mạng Neuron nhân tạo. 11 2.5. Bộ lọc Kalman 16 2.5.1. Ước lượng dự đoán 18 2.5.2. Tính toán nguồn góc của bộ lọc 19 vii
11. 2.5.3. Thuật toán lọc Kalman rời rạc 20 Chương 3 22 PHƯƠNG PHÁP ĐIỀU KHIỂN 22 3.1. Điều khiển vòng hở 22 3.1.1. Sơ đồ khối điều khiển vòng hở 22 3.1.2. Kết quả mô phỏng kiểu vòng hở 23 3.2. Điều khiển dùng phương pháp PID 24 3.2.1. Sơ đồ khối điều khiển cầu trục dùng PID 24 3.2.2. Kết quả mô phỏng dùng PID 26 3.3. Điều khiển dùng phương pháp PID có bộ điều khiển dòng điện 27 3.3.1. Sơ đồ khối điều khiển dùng PID có bộ điều khiển dòng điện 28 3.3.2. Kết quả mô phỏng điều khiển dùng PID có bộ điều khiển dòng điện 28 3.5. Phương pháp nhận dạng dùng mạng Neuron 32 3.5.1. Sơ đồ khối nhận dạng của mạng Neuron 33 3.5.2. Kết quả mạng Neuron nhận dạng 33 3.6. Phương pháp điều khiển dùng mạng Neuron 34 3.6.1. Sơ đồ khối điều khiển cầu trục dùng mạng Neuron 35 3.6.2. Kết quả mạng Neuron điều khiển cầu trục 35 Chương 4 38 ĐIỀU KHIỂN HỆ THỐNG THỰC 38 4.1. Mô hình thực nghiệm 38 4.2. Sơ đồ khối thực nghiệm điều khiển cầu trục dùng PID 39 4.3. Kết quả thực nghiệm dùng phương pháp PID 42 4.4. Sơ đồ khối thực nghiệm cầu trục dùng PID có bộ điều khiển dòng. 43 4.5. Kết quả thực nghiệm dùng phương pháp PID có bộ điều khiển dòng điện 44 4.6. Mô hình thực nghiệm dùng phương pháp Neuron 46 4.7. Kết quả thực nghiệm dùng phương pháp Neuron 47 4.8. Phương pháp điều khiển cầu trục dùng cảm biến áp 48 viii
12. 4.9. Phương pháp Neuron điều khiển cầu trục dùng cảm biến áp. 49 4.10. Kết quả thực nghiệm dùng cảm biến áp với tải 10 kg 50 Chương 5 52 KẾT LUẬN 52 5.1. Kết luận 52 5.1.1. Kết quả đạt được 52 5.1.2. Hạn chế. 52 5.2. Hướng tiếp theo của đề tài 52 PHỤ LỤC 56 ix
13. DANH SÁCH CÁC CHỮ VIẾT TẮT PID: Proportional Integral Derivative RBF: Radian basis function DSP: Digital signal Processing Back EMF: Electro Motive Force ADC: Analog to Digital Convertor PWM: Pulse Width Modulation PSO: Practicle Swarm Optimization IGBT: Insulated Gate Bipolar Transistor x
14. DANH SÁCH CÁC HÌNH HÌNH TRANG Hình 1.1: Một số dạng cầu trục. 1 Hình 2.1: Sơ đồ của một hệ thống cầu trục 6 Hình 2.4.1: Cấu trúc mạng truyền thẳng nhiều lớp 12 Hình 2.4.2: Cấu trúc mạng truyền thẳng RBF 15 Hình 2.5.1: Biểu đồ biểu diễn dòng tín hiệu tuyến tính với thời gian rời rạc của hệ thống 17 Hình 2.5.2: Chu kỳ của bộ lọc Kalman rời rạc 21 Hình 3.1: Sơ đồ khối cầu trục kiểu vòng hở 22 Hình 3.2: Kết quả mô phỏng cầu trục kiểu vòng hở 23 Hình 3.3: Sơ đồ khối điều khiển cầu trục dùng PID 24 Hình 3.4: Sơ đồ khối bộ điều khiển PID 25 Hình 3.5: Biểu đồ thể hiện kết quả vị trí cầu trục dùng phương pháp PID 26 Hình 3.6: Biểu đồ thể hiện kết quả góc dao động cầu trục dùng phương pháp PID 26 Hình 3.7: Biểu đồ thể hiện kết quả dòng điện điều khiển cầu trục dùng PID 26 Hình 3.8: Sơ đồ khối bên trong bộ điều khiển dòng điện 27 Hình 3.9: Sơ đồ khối điều khiển cầu trục có bộ điều khiển PID dòng điện 28 Hình 3.10: Biểu đồ thể hiện kết quả vị trí cầu trục có sử dụng bộ điều khiển dòng điện 29 Hình 3.11: Biểu đồ thể hiện kết quả góc dao động cầu trục có sử dụng bộ điều khiển dòng điện 29 xi
15. Hình 3.12: Biểu đồ thể hiện kết quả dòng điện điều khiển cầu trục có bộ điều khiển dòng điện 29 Hình 3.13: Sơ đồ khối điều khiển dòng điện qua bộ lọc Kalman 30 Hình 3.14: Biểu đồ kết quả dòng điện điều khiển cầu trục sử dụng bộ lọc Kalman 30 Hình 3.15: Biểu đồ kết quả vị trí điều khiển cầu trục sử dụng bộ lọc Kalman tải 15 kg 31 Hình 3.16: Biểu đồ kết quả góc dao động điều khiển cầu trục sử dụng bộ lọc Kalman tải 15 kg 31 Hình 3.17: Sơ đồ khối nhận dạng của mạng Neuron 33 Hình 3.18: Biểu đồ kết quả nhận dạng vị trí của mạng Neuron 33 Hình 3.19: Biểu đồ nhận dạng góc dao động của mạng Neuron 33 Hình 3.20: Biểu đồ nhận dạng dòng điện của mạng Neuron 34 Hình 3.21: Sơ đồ khối neuron điều khiển cầu trục 35 Hình 3.22: Biểu đồ kết quả vị trí dùng mạng neuron điều khiển cầu trục tải 20 kg 36 Hình 3.23: Biểu đồ kết quả góc dao động dùng mạng neuron điều khiển cầu trục tải 20 kg 36 Hình 3.24: Biều đồ kết quả dòng điện dùng mạng neuron điều khiển cầu trục tải 20 kg 36 Hình 3.25: Biều đồ kết quả vị trí dùng mạng neuron điều khiển cầu trục tải 10 kg 37 Hình 3.26: Biều đồ kết quả góc dao động dùng mạng neuron điều khiển cầu trục tải 10 kg 37 Hình 3.27: Biều đồ kết quả dòng điện dùng mạng neuron điều khiển cầu trục tải 10 kg 37 Hình 4.1: Mô hình cầu trục thực nghiệm 38 Hình 4.2: Sơ đồ khối thực nghiệm cầu trục dùng PID 39 xii
16. Hình 4.3: Cầu chỉnh lưu toàn phần hay cầu H 40 Hình 4.4: Tổ hợp các trạng thái hoạt động 41 Hình 4.5: Biểu đồ kết quả thực nghiệm vị trí dùng phương pháp PID 42 Hình 4.6: Biểu đồ kết quả thực nghiệm góc dao động dùng phương pháp PID 42 Hình 4.7: Sơ đồ khối thực nghiệm cầu trục dùng PID có bộ điều khiển dòng điện 43 Hình 4.8: Cảm biến ACS712 5A thực tế [24] 44 Hình 4.9: Biểu đồ kết quả thực nghiệm vị trí dùng phương pháp PID có bộ điều khiển dòng điện 45 Hình 4.10: Biểu đồ kết quả thực nghiệm góc dao động dùng phương pháp PID có bộ điều khiển dòng điện 45 Hình 4.11: Biểu đồ kết quả thực nghiệm dòng điện dùng phương pháp PID có bộ điều khiển dòng điện với tải 20 kg 45 Hình 4.12: Biểu đồ kết quả thực nghiệm dòng điện dùng phương pháp PID có bộ điều khiển dòng điện với tải 10 kg 46 Hình 4.13: Sơ đồ khối thực nghiệm dùng mạng Neuron 46 Hình 4.14: Biều đồ kết quả thực nghiệm vị trí dùng phương pháp Neuron 47 Hình 4.15: Biểu đồ kết quả thực nghiệm góc dao động dùng phương pháp neuron 47 Hình 4.16: Kết quả thực nghiệm vị trí tải 20 kg 48 Hình 4.17: Kết quả thực nghiệm góc dao động có cảm biến encoder và cảm biến điện áp 49 Hình 4.18: Sơ đồ khối thực nghiệm mạng neuron điều khiển dùng cảm biến áp 49 xiii
17. Hình 4.19: Biểu đồ so sánh kết quả thực nghiệm vị trí dùng PID, Neuron có cảm biến encoder 1 và cảm biến encoder 2 với tải 10kg 50 Hình 4.20: Biểu đồ so sánh góc dao động dùng PID, Neuron có cảm biến encoder và cảm biến áp với tải 10 kg 50 Hình 4.21: Biểu đồ so sánh kết quả thực nghiệm vị trí dùng PID, Neuron có cảm biến encoder 1 và cảm biến encoder 2 với tải 20 kg 51 Hình 4.22: Biểu đồ so sánh góc dao động dùng PID, Neuron có cảm biến encoder và cảm biến áp với tải 20 kg 51 xiv
18. DANH SÁCH CÁC BẢNG BẢNG TRANG Bảng 3.1: Thông số điều khiển cầu trục 22 Bảng 3.2: Thông số điều khiển dùng PID 25 Bảng 3.3: Thông số điều khiển dùng PID có bộ điều khiển dòng 28 Bảng 4.1: Thông số điều khiển dùng PID cho mô hình thực 42 Bảng 4.2: Thông số điều khiển dùng PID cho mô hình thực có bộ điều khiển dòng 44 xv
19. Chương 1 TỔNG QUAN 1.1. Đặt vấn đề Trong thực tế có nhiều bãi vận chuyển, địa điểm xây dựng, các nhà máy thép, nhà kho, các cơ sở lưu trữ chất thải và cụm công nghiệp nhu cầu vận chuyển các vật nặng từ vị trí này đến vị trí khác còn gặp nhiều khó khăn. Đặc biệt trong thời đại hiện nay đòi hỏi phải nhanh chóng và chính xác để đáp ứng nhu cầu thực tế mà nhiều nhà doanh nghiệp đã đặt ra. Giàn cầu trục sẽ giúp cho con người vận chuyển các vật nặng từ vị trí này đến vị trí khác. Có nhiều dạng cầu trục trong thực tế như Hình 1.1 Một số hình ảnh về các loại cầu trục hiện nay [1, 2] a) b) c) d) Hình 1.1: Một số dạng cầu trục. Hình a) Cầu trục dầm đơn, Hình b) Cầu trục dầm đôi, Hình c) và d) Cầu trục dạng tháp Trang 1
20. 1.2. Các phương pháp nghiên cứu hệ thống cầu trục Một vấn đề đang gặp khó khăn hiện nay của người sử dụng là việc điều khiển cầu trục. Thông thường do người có nhiều kinh nghiệm để điều khiển nhưng nếu một người chưa có kinh nghiệm thì gặp nhiều khó khăn và có thể gây nguy hiểm, do đó nhiều giải pháp đã được đưa ra nhằm giảm tối thiểu thiệt hại do tải dao động gây ra và làm sao hiệu quả công việc được nâng lên. Người điều khiển mong muốn di chuyển tải trọng đến một vị trí yêu cầu càng nhanh càng tốt với dao động thấp. Nếu ở tốc độ cao hơn, góc ảnh hưởng lớn, quan trọng tải dao động khó có thể ổn định khi bốc dỡ hàng. Để đạt được độ chính xác vị trí của các giàn cầu trục, một cơ cấu kiểm soát vị trí dao động của xe đẩy có tải trọng là bắt buộc vì vậy cầu trục tự động đã được đưa vào nghiên cứu. Các nhà nghiên cứu đã tìm cách cải thiện tính dễ sử dụng, tăng hiệu quả hoạt động và giảm vấn đề không an toàn bằng cách giải quyết các vấn đề của hệ thống cầu trục như sau: Nỗ lực khác nhau của các kỹ sư để kiểm soát giàn cầu trục đã đề xuất. Tuy nhiên, sự ra đời của nhiều bộ điều khiển lý thuyết và kỹ thuật, điều khiển PID vẫn là một trong những bộ điều khiển thuật toán được sử dụng rộng rãi điều khiển trong công nghiệp, Rajkumar và cộng sự [3] dùng bộ điều khiển PID thông thường được thay thế bởi điều khiển Ziegler Nichols điều chỉnh PID để làm cho nó tổng quát hơn và để đạt được độ ổn định với các sai số tối thiểu. Wahyudi và cộng sự [4] dùng phương pháp thông minh dựa trên tập mờ và hệ thống vòng kín, kết quả cho thấy hiệu suất tốt hơn. Song song đó Hanafy M. Omar [5] cũng dùng bộ điều khiển mờ điều khiển cho cầu trục tháp, kết quả cho thấy đạt yêu cầu tải trọng đến vị trí mong muốn. Một phương pháp mới Francisco Panuncio và cộng sự [6] đề xuất kiểm soát chống lắc kết hợp điều khiển PID với bù Neural thì kết quả cho thấy kết hợp điều khiển PID với bù neural có nhiều ưu điểm hơn so với điều khiển PD/PID cổ điển. Song song đó Ding-Li Yu và cộng sự [7] sử dụng phương pháp điều chỉnh thông số PID tự động dựa trên mô hình neural network, kết quả cho thấy độ lỗi bù trong phạm vi thời gian 10 mẫu và hệ thống ổn định được di trì. Haruo Takami Matsuo và cộng sự [8] cũng có đề nghị mới cho bộ điều khiển PID + Q có thể Trang 2
21. cải thiện sự ổn định tham số ngõ ra và hiệu suất của hệ thống điều khiển. Ho-Hoon Lee and Sung-Kun Cho [9] điều khiển mờ chống lắc lư trên cần trục cho không gian 3 chiều, sử dụng phương pháp điều khiển Fuzzy logic kết quả thực nghiệm đã chỉ ra rằng bảo đảm kiểm soát điều khiển vị trí chính xác và tải lắc lư là đồng thời. Trong lúc tìm ra sự hội tụ nhanh các thông số PID thì Turki Y. Abdalla and Abdulkareem. A. A [10] sử dụng một phương pháp tối ưu hóa bầy đàn (PSO) để xác định thông số PID tối ưu điều khiển robot di động theo dõi để kiểm soát tốc độ và góc. Còn Hazriq Izzuan Jaafar và cộng sự [11] làm bộ điều khiển PID tối ưu bằng cách đưa MOPSO vào phân tích để cân bằng tác động của quá trình điều chỉnh PID đến hệ thống giàn cần trục MOPSO được sử dụng nhiều mục tiêu khác nhau thấy những lợi ích tối ưu đã được kiểm tra dựa trên một cấu trúc điều khiển kết hợp bộ điều khiển. Masilamani Muruganandam và cộng sự [12] đưa ra cách điều khiển vòng kính motor DC cung cấp bởi DC (DC-DC chuyển đổi) sự điều khiển của PID với điều khiển thông minh ANN (artificial Neural network) phương pháp này tác giả cũng so sánh với PID thông thường cho thấy việc sử dụng PID - ANN giảm được thời gian tính toán, giảm được các bộ nhớ cần thiết cho chương trình. Danijel Jolevski và cộng sự [13] đưa ra phương pháp điều khiển mô hình dự báo MPC (Model predictive control) điều khiển cầu trục dùng để kiểm soát tối ưu và phương pháp vòng lập được so sánh với hệ thống điều khiển cổ điển kết qủa cho thấy rằng MPC mang tải đến vị trí nhanh hơn, dao động giảm hơn và đến đúng vị trí yêu cầu. Sách Hệ thống điều khiển thông minh Huỳnh Thái Hoàng [14] chương 3 Mạng thần kinh. Chương này nói về các phương pháp huấn luyện mạng thần kinh nhân tạo, mạng truyền thẳng 1 lớp, mạng truyền thẳng nhiều lớp, mạng hàm cơ sở xuyên tâm, mạng thần kinh suy diễn mờ thích nghi. Luận văn thạc sĩ Mai Nhật Thiên [15] dùng phương pháp điều khiển chống lắc dùng cảm biến góc thực và điều khiển chống lắc không dùng cảm biến góc. Sau đó so sánh kết quả của hai phương pháp trên, phương pháp không dùng cảm biến có thể thực hiện được. Nhưng luận văn này cũng đưa ra hướng phát triển là nghiên cứu giải pháp nhận dạng hệ thống để tự động điều chỉnh thông Trang 3