Ứng dụng giải thuật PID neural điều khiển cần trục tháp

Nội dung text: Ứng dụng giải thuật PID neural điều khiển cần trục tháp

1. Đại học Sư phạm Kỹ thuật Thành phố Hồ Chí Minh Ứng dụng giải thuật PID neural điều khiển cần trục tháp PID neural algorithm application control tower cranes Trần Văn Thuỷ TS.Nguyễn Minh Tâm Trường Đại học SPKT TPHCM TÓM TẮT Bài báo này trình bày phương pháp điều khiển chống lắc tải cho hệ thống cần trục tháp tự động. Mô hình toán học được thiết lập và bộ điều khiển chống lắc cho hệ thống này có sử dụng cảm biến góc và encoder dựa trên các bộ điều khiển PID. Tuy nhiên, các bộ điều khiển PID này chưa phải là tối ưu nhất . Do đó,bộ điều khiển PID neural được đề xuất trong bài báo này. Kết quả mô phỏng và thực nghiệm cho thấy phương pháp điều khiển chống lắc có thêm bộ PID neural có kết quả rất tốt. ABSTRACT This paper shown methods of anti shaking load control for tower crane system automatically. Mathematical model is set up and anti-swing control system that uses angle sensors and encoder based on the PID controller. However, the PID controller is not yet optimal. Therefore, the controller PID neural is proposed in this paper. The simulation results and the experiment showed anti-swing control method have more PID neural that have very good results. I. GIỚI THIỆU chống dao động trên tải, phụ thuộc nhiều Các cần trục tháp được sử dụng rộng rãi tham số chiều dài dây cáp, tải trọng. Do đó để vận chuyển vật nặng và vật liệu độc hại trong các nhà máy hạt nhân, xí nghiệp, làm sao để cho tải luôn giữ được cân bằng đóng tàu, xây dựng nhà cao tầng. Trong trong khi di chuyển tải là yếu tố quan trọng quá trình di chuyển, tải dao động tự do giống như dao động của con lắc. Thông để điều khiển cần trục. thường, một người điều khiển cần trục giỏi Vấn đề xác định góc dao động của sẽ thực hiện công việc này để đảm bảo tải không được dao động quá mức và thời gian tải ,vị trí của tải để hệ thống đưa ra tín hiệu thực hiện nhanh. Nếu như dao động vượt điều khiển đưa tải về vị trí cân bằng. quá giới hạn thích hợp, nó cần phải được giảm dao động hoặc phải dừng hoạt động Những nghiên cứu điều khiển cần trục đã lại cho đến khi dao động không còn. Như được nhiều người thực hiện bằng những vậy sẽ tốn thời gian và hiệu suất làm việc của cần trục. Những khó khăn này thúc đẩy phương pháp sau. nhiều nhà nghiên cứu phát triển thuật toán điều khiển cho điều khiển cần trục tự động. Phương pháp điều khiển trong Điều khiển cần trục được chia làm vòng lặp và dao động của tải được điều năm bước: kẹp giữ (gripping) vật cần di chỉnh chuyển, nâng lên, di chuyển, hạ xuống, thả Năm 2001, Henry và Masoud đã ra. Trong đó bước di chuyển vật cần phải thêm bộ giảm xóc bằng phản hồi góc dao 1
2. Đại học Sư phạm Kỹ thuật Thành phố Hồ Chí Minh động, tốc độ của tải, phản hồi khâu trễ của hiện 2000, điều khiển Fuzzy của Yang góc dao động, phản hồi này làm tăng thêm thực hiện 1996. Bộ điều khiển chống dao quỹ đạo khi điều khiển bởi người điều động cũng được được Henry (1999) và khiển. Cách thứ hai, Robinett thực hiện Masoud (2000) bằng phương pháp phản 1999, đã bỏ kích thích tải gần với tần số tự hồi vị trí. Điều khiển bằng Fuzzy cũng nhiên của tải bằng cách thêm bộ lọc để loại được thực hiện bởi Nalley và Trabia vào bỏ tần số từ ngõ vào. Thời gian delay được năm 1994. thêm vào giữa bộ điều khiển và ngõ vào II. MÔ HÌNH TOÁN HỌC CỦA HỆ của hệ thống, điều này làm khó khăn cho THỐNG CẦN TRỤC THÁP Hệ thống cần trục tháp bao gồm tải người điều khiển. Cách thứ ba, có khối lượng m, được nối với dây dẫn có Balachandran thực hiện 1999, thêm một chiều dài L có thể dao động tự do góc α, β, bộ giảm sóc cơ khí vào cấu trúc của cần xe chạy có khối lượng M chạy dọc theo trục. Để thực hiện phương pháp này cần cánh tay đòn và vị trí trên xe chạy trên xem xét lại số lượng nguồn, để làm điều cánh tay đòn là x, cần trục có thể xoay với này thì không thực tế. góc 휓. Hệ trục tọa độ cần trục được thể Phương pháp điều khiển loại bỏ hiện ở hình 2.3 vòng lặp, điều khiển tự động được thực hiện bằng nhiều kỹ thuật khác x nhau. Kỹ thuật thứ nhất, dựa trên quỹ đạo để di chuyển tải tới đích với dao động nhỏ nhất. Quỹ đạo đạt α được bằng kỹ thuật biên dạng ngõ 휓 β vào hoặc điều khiển tối ưu. Phương pháp kỹ thuật thứ hai, dựa vào phản hồi vị trí và góc dao động. Phương Hình 2.3: Hệ trục tọa độ của cần trục pháp kỹ thuật thứ ba phân chia bộ Tải có thể quay tròn xung quanh trục điều khiển thành hai phần: bộ điều tháp góc 3600. khiển chống dao động và bộ điều Theo phương trình Euler-Lagrange, ta khiển bám (tracking). có: Bộ điều khiển tracking đã được L d q L thực hiện bằng nhiều phương pháp như: bộ Q L: hàm Lagrange dt q điều khiển PD (Proportional-Derivative) Và L=T-V của Henry thực hiện 1999 và Masoud thực (2.2.0) 2
3. Đại học Sư phạm Kỹ thuật Thành phố Hồ Chí Minh T: động năng = 퐽 V: thế năng 0 퐹 Q: tổng ngoại lực 퐹 = Đặt 푞 = (x, α, 휓, β) 휓 휓 = 푄 = (Fx, 0, TM, 0) 퐽0 T=Tload + Ttrolley Ta mô hình hóa hai mô tơ như độ lợi hằng 1 1 Với T = 푣2 + 퐽 휓2 số (2.2.16) load 2 1 2 0 1 퐹 = 퐾 Và T = 푣2 trolley 2 2 = 퐾 휓 휓 Trong đó 푣2 = 2 + 2 + 2 1 1 1 1 Thế phương trình (2.2.16), (2.2.17) vào Và 푣2 = 2 2 (2.2.12), (2.2.14) bỏ qua giới hạn tuyến = − 퐿 cos 훽 sin 훼 1 tính, rút gọn ta được = 퐿 sin 훽 1 + 훼 = 퐾 (2.2.18) 푡 1 = −퐿 cos 훽 cos 훼 퐿훼 + 훼 − = 0 (2.2.19) 2 1 + 휓 − 훽 = 퐾 휓 휓 (2.2.20) = + 훽 퐿 sin 훽 sin 훼 + 1 퐿훽 + 훽 + 휓 = 0 (2.2.21) 훼 퐿 cos 훼 cos 훽 Theo mô hình trên, lực tác động trên lên (2.2.22) 1 = 훽퐿 cos 훽 cần trục là điện áp vào động cơ phần cơ 1 = 훽퐿 sin 훽 cos 훼 + 훼 퐿 sin 훼 cos 훽 khí đáp ứng có sự trễ nên học viên tham Giả sử các góc , ,nhỏ để chúng ta có thể chiếu theo mô hình thực để cải thiện mô xấp xỉ sin, sin, sinbằng 0, cos , cos, hình . cosbằng 1, và cũng giả sử , , nhỏ 1 + (푡) + 훼 = 퐾 (푡 − 휏 ) 휏 푡 để훽훽 2 ≈ 0, 훼훼 2 ≈ 0, 휓휓 2 ≈ 0, với các 퐿훼 + 훼 − = 0 điều kiện trên ta được. (2.2.23) 2 1 + 푡 훼 = 퐹 1 + 휓 + 휓(푡) − 훽 = (2.2.24) 휏 퐿훼 + 훼 − + 퐿휓 훽 = 0 퐾 휓 휓 (푡 − 휏 ) (2.2.25) 2 1 + 휓 − 훽 = 휓 퐿훽 + 훽 + 휓 = 0 퐿훽 + 훽 + 휓 − 퐿휓 훼 = 0 Đặt các biến trạng thái Với 푡 = x1= x ,x2= , x3=α , x4= 훼 x = 훽, x = 훽 , x = 휓, x = 휓 = 5 6 7 8 퐽0 u1= (푡 − 휏 ) u2= 휓 (푡 − 휏 ) 3
4. Đại học Sư phạm Kỹ thuật Thành phố Hồ Chí Minh bốn ngõ ra 푙 푒푞 = + 2 퐾 y1= x1, y2= x3, y3= x5 ,y4= x7 퐽푙 푙 Với 퐽 푙 = 2; 푙 = 2 1 퐾 퐾 2 Hàm truyền từ điện áp ngõ vào và vị trí 3 βl(s) 4 góc = e(s) 5 β (s) 6 l = e(s) 7 K K 8 g T 2 2 s s Lm Jleq + Rm Jleq +Lm bleq s+Rm bleq +Kg KT Kb 2 2 + 푡 휏 3 − + 퐾 1 휏 4 − + 휏 퐾 8 1 5 2 + 2 2 1 + 휏 1 + 휏 6 − + 휏 + 휏 퐾 2 3 푡 3 + 퐿휏 퐿 1 8 2 2 휏 5 − 1 8 + 휏 1 5 + 휏 1 5 퐾 휏 1 − 2 − 2 2 퐿 휏 1 + 퐿휏 퐿 휏 1 + 퐿휏 Mô hình hóa động cơ servo Theo cấu trúc của động cơ gồm hai thành phần: phần điện và phần cơ ta có sơ đồ mô phỏng sau : 훽 Hình 2.4: Khối động cơ DC 퐽푙 퐽 푒푞 = 퐽 + 2 퐾 Hàm truyền từ điện áp ngõ vào và vận tốc 4
5. Đại học Sư phạm Kỹ thuật Thành phố Hồ Chí Minh ω (s) l = e(s) Kg KT 2 2 s Lm Jleq + Rm Jleq +Lm bleq s+Rm bleq +Kg KT Kb Bởi vì tốc độ điện nhanh hơn tốc độ cơ khí 푖 푒 ≫ 퐿 nên có thể bỏ qua L 푡 m ωl(s) Kg KT = 2 e(s) Rm Jleq s+Rm bleq +Kg KT Kb Hình 3.4: Sơ đồ mô phỏng hệ cần trục tháp với bộ PID K g KT 2 ( Chú thích giá trị 0.3 ; 0; 0.1 là giá trị đặt ω (s) Rm b +K K K l = leq g T b e(s) Rm Jleq để hệ thống hoạt động theo giá trị đặt đó để 2 s+1 Rm bleq +Kg KTK b tạo ra giao động, khảo sát hệ thống. Vị trí x giá trị đặt là 0.3 và nó sẽ dao động Với độ lợi DC của hệ thống động cơ K và quanh vị trí đặt này . hằng số thời gian  cơ khí Tương tự với các vị trí 휓, α,β trong hệ Kg KT K = 2 Rm bleq +Kg KT Kb thống. 푅 퐽푙푒푞  = 2 푅 +퐾 퐾 퐾 푙푒푞 Thông số của hệ thống cần trục Hàm truyền là bậc hai, ta viết lại dưới dạng được cho theo bảng 3.1 sau. Bảng 3.1 휔 (푠) 퐾 퐾 푙 = 푒 + Ký Mô tả Giá trị 푒(푠) 푠+ 푠+ 푒 hiệu m Khối 0.7 kg lượng tải III. PHƢƠNG PHÁP ĐIỀU KHIỂN CÓ DÙNG PID Mt Khối Ta tìm bộ PID và xây dựng hệ thống như lượng xe 0.7 kg sau : chạy Mô hình điều khiển cần trục được x Hằng số chia thành hai phần, phần điều khiển xe thời gian 0.024 chạy và phần điều khiển cánh tay. Mỗi động cơ s xe chạy phần được điều khiển bằng PID 2 biến.  Hằng số y thời gian 0.0575 động cơ s cánh tay đòn 5
6. Đại học Sư phạm Kỹ thuật Thành phố Hồ Chí Minh 0.05 goc xoay PID Kx Hệ số vận 0.14 tốc động 0 cơ xe -0.05 -0.1 chạy gocxoay -0.15 K Hệ số vận 0.68 -0.2 y 0 5 10 15 20 25 30 35 40 tốc động Time (s) cơ cánh Hình 3.6Góc xoay có PID sau 40s 0.04 goc lac ngang PID tay đòn 0.03 0.02 K Hệ số gia 0.01 mx 5.58 0 tốc động -0.01 goclac ngang cơ xe -0.02 -0.03 -0.04 chạy 0 5 10 15 20 25 30 35 40 Time (s) Hình 3.7góc lắc ngang có PID sau 40s Kmy Hệ số gia 11.91 0.1 goc lac ngang PID tốc động 0.08 0.06 cơ cánh 0.04 tay đòn 0.02 0 -0.02 L Chiều dài goclac xoay -0.04 0.5 m -0.06 dây cáp -0.08 -0.1 0 5 10 15 20 25 30 35 40 Time (s) Khảo sát đáp ứng của hệ thống bằng các Hình 3.8 Góc lắc xoay khi có PID sau 40s Nhận xét: phƣơng pháp nhƣ thử sai hoặc GA ta Như vậy kết quả mô phỏng khi lựa chon bộ PID tốt nhất với thông sô thêm khâu PID kết quả trên khá tốt , với vị nhƣ sau: trí x xác lập trong vòng 8s , góc xoay 휓 Bảng 3.2 khoảng 14s, góc lắc ngang α 17s và góc lắc xoay β khoảng 15s . Kết quả mô phỏng như sau: Tuy nhiên kết quả này cũng chưa 0.12 phải là kết quả tốt nhất , còn vọt lố và thời vi tri x PID 0.1 gian đáp ứng tương đối chậm .Có nhiều 0.08 0.06 phương pháp có thể tìm được kết quả tốt vi tri vi x 0.04 0.02 hơn. 0 -0.02 0 5 10 15 20 25 30 35 40 Ta có thể sử dụng neural chỉnh Time (s) Hình 3.5 Vị trí của tải khi có PID sau 40 thông số PID để tạo bộ điều khiển tốt nhất. giây trong luận văn này em sử dụng mạng reural để lựa thay đổi thông số cho bộ PID tốt nhất cho hệ thống. 6
7. Đại học Sư phạm Kỹ thuật Thành phố Hồ Chí Minh IV. XÂY DỰNG BỘ ĐIỀU KHIỂN PID-NEURON CHO HỆ THỐNG CẦN TRỤC THÁP Mạng thần kinh là mô hình toán học đơn giản của bộ não người. Mạng thần kinh gồm các tế bào thần kinh kết nối với nhau bởi các liên kết. Mỗi liên kết kèm theo một trọng số, đặc trưng cho tính kích thích hay ức chế giữa các tế bào thần kinh [5].Hình 3 mô tả sơ đồ một nơ ron nhân tạo, trong đó x1, x2, xm là các tín hiệu vào tế bào thần kinh và w1, w2 wm là các Hình 4.2 Bộ điều khiển PID-neuron trọng số của tế bào thần kinh. Hàm tổng hợp ngõ vào: u KP e K I e sum K P e (2) Hàm tác động ở ngõ ra được chọn là hàm S lưỡng cực: 1 e bnet out h() net (3) 1 e bnet Như vậy, ngõ ra của nơ ron là một hàm tansig khả vi phù hợp cho việc thực hiện các phép tính đạo hàm riêng. Hình 4.1. Sơ đồ khối tế bào thần kinh nhân tạo Hàm mục tiêu được chọn: Quá trình xử lý thông tin của mạng 1 2 J () yd y (4) thần kinh chia làm hai phần: xử lý ngõ vào 2 (hàm tổng hợp) và xử lý ngõ ra (hàm tác Với y là giá trị ngõ ra mong muốn động). Khi mạng neuron được huấn luyện, d và y là giá trị ngõ ra thực tế. các trọng số w1, w2, wm sẽ lần lượt thay đổi để đạt được giá trị tối ưu nhất. Có ba Trọng số được cập nhật theo phương phương pháp chính huấn luyện mạng nơ pháp gradient (steepest descent), nghĩa là: ron: huấn luyện theo nhóm (batch-  (k 1)  ( k )   J (5) training), huấn luyện trực tuyến (online- traning), huấn luyện ngẫu nhiên . Với  0 là hằng số học, ảnh hưởng Trong bài báo này, nhóm tác giả đến tốc độ học và tính hội tụ của trọng số dùng thuật toán điều khiển trực tiếp. Các mạng nơ ron. thông số KP , KI , KD tương ứng với trọng Các thông số của bộ điều khiển PID số của mạng nơ ron gồm một nơ ron. Cấu thay đổi theo quy luật: trúc mạng nơ ron tự điều chỉnh được thể E hiện trong Hình 4. KKPP  K P E KKII  K I E KK  DDK D (6) 7
8. Đại học Sư phạm Kỹ thuật Thành phố Hồ Chí Minh Tiến hành phân tích đạo hàm riêng 0.12 0.1 các biểu thức (6): PID 0.08 PID neural E  E  y  u 0.06 ()() e f u e tri vi x K  y  u  K 0.04 PP 0.02 E  E  y  u 0 ()() e f u esum K  y  u  K -0.02 II 0 5 10 15 20 25 30 35 40 time (s) E  E  y  u ()() e f u e Hình 3.9.2 vị trí x của tải KDD  y  u  K 0.15 (7) PID PID neural 0.1 Qui luật thay đổi của các trọng số 0.05 của bộ điều khiển PID-neuron: 0 -0.05 goc lac xoay KPP K. e . f ( u ). e -0.1 -0.15 KI K P. e . f ( u ). e sum -0.2 K K. e . f ( u ). e 0 5 10 15 20 25 30 35 40 DD time(s) (8) Hình 3.9.3 góc xoay cần trục Ta xây dựng sơ đồ khối PID neural như 0.04 PID sau : 0.03 PID neural 0.02 0.01 0 -0.01 goc lac ngang -0.02 -0.03 -0.04 0 5 10 15 20 25 30 35 40 time (s) Hình 3.9.4 góc lắc ngang của tải Hình 4.3 sơ đồ khối PID neural cho góc 0.1 α,β PID 0.08 PID neural 0.06 0.04 mô hình mô phỏng hệ thống cần trục với 0.02 0 bộ PID neural nhƣ sau: -0.02 goc lac xoay -0.04 -0.06 -0.08 -0.1 0 5 10 15 20 25 30 35 40 time(s) Hình 3.9.5góc lắc xoay của tải Nhận xét : kết quả mô phỏng cho thấy khi ta thêm khâu chọn thông số PID neural vào hệ thống kết quả tốt hơn PID. Và kết qua như sau. Hinh 3.9.1mô hình cần trục PID Vị trí x PID neural xác lập trong khoảng 5s neural . x PID xác lập trong khoảng 8s . Kết quả mô phỏng . 8
9. Đại học Sư phạm Kỹ thuật Thành phố Hồ Chí Minh Góc xoay 휓 sự dụng PID neural xác lập trong khoảng 8s, 휓 sự dụng PID xác lập trong khoảng 14s . Góc lăc ngang α sự dụng PID neural xác lập trong khoảng 13s , α sự dụng PID xác lập trong khoảng 17s Góc lắc xoay β sự dung PID neural xác lập Hình4.1. Sơ đồ nguyên lý mô hình cần trục tháp trong khoảng 10s, β sự dung PID xác lập trong khoảng 15s. Vậy từ kết quả cho thấy bộ PID neural điều khiển tốt hơn bộ PID thông thường . V. THỰC NGHIỆM TRÊN MÔ HÌNH Hình 4.2. Mô hình cần trục tháp thực nghiệm CẦN TRỤC THỰC Hệ thống cần trục tháp đã được thiết kế như Hình 4.1 gồm: - Phần cứng cơ khí. Mô hình sử dụng bo DSP TMS320F28335, - Mạch điện điều khiển. sử dụng các phần mềm Matlab & Simulink và CCS v3.1 để thiết lập giao diện điều - Chương trình điều khiển. khiển. Bài báo này trình bày kết quả các phương pháp điều khiển chống lắc với tải 0.7kg. 1. Kết quả điều khiển chống lắc 9
10. Đại học Sư phạm Kỹ thuật Thành phố Hồ Chí Minh 1 vi tri x Về vị trí xe chạy ,sau khoảng thời 0.5 0 gian 0.7s ta tác động lực lên xe , xe chạy -0.5 -1 đã dao động và sau khoảng 0.6s xe đã xác -1.5 vi tri vi x -2 lập về vị trí 0.2 cm giá trị đặt ban đầu, -2.5 -3 đáp ứng góc α của tải cũng giảm -3.5 dao động sau 0.61s giá trị góc dao động -4 0 0.5 1 1.5 2 2.5 time (s) bằng 0 Hình 4.3: Đáp ứng vị trí của xe Phần đáp ứng của góc xoay ổn 2 goc xoay định sau 0.65s góc về vị trí cân bằng và 0 -2 trục xoay ổn định tại vị trí xác lập 0.2 -4 -6 gocxoay Góc lắc xoay β sau 1,2s ổn định và -8 -10 về vị trí cân bằng 0. -12 0 0.5 1 1.5 2 2.5 time (s) Hình 4.4: Đáp ứng góc xoay 휓 Điện áp lên động cơ xe và trục 1 xoay được thể hiện ở hình 4.7 và 4.8 sau 0 goc lac ngang -1 -2 khoảng thời gian các góc theta và phi xác -3 -4 lập thì biên độ điện áp trên xe và trục xe -5 goclac ngang -6 -7 giảm dần. -8 0 0.5 1 1.5 2 2.5 time (s) Như vậy hệ thống điều khiển giảm Hình 4.5: Đáp ứng góc lắc ngang α 4 goc lac xoay dao động và cân bằng tải đã thực hiện giảm 2 0 dao động và cân bằng tải với thời gian rất -2 -4 -6 ngắn khoảng 2s . Vị trí của xe và góc xoay -8 goclac xoay -10 của trục xác lập ở vị trí gần bằng vị trí ban -12 -14 0 0.5 1 1.5 2 2.5 time (s) đầu, đó là một phần nhược điểm điều khiển Hình 4.6: Đáp ứng góc lắc xoay β 12 PID tồn tại một sai số nhỏ khi điều khiển u1 10 8 và bộ ADC chưa chính xác. 6 4 2 u1 0 -2 -4 . -6 -8 0 0.5 1 1.5 2 2.5 time(s) Hình 4.7: Điện áp của động cơ xe chạy 5 u2 4 3 VI. KẾT LUẬN 2 1 Bài báo này đã xác định được mô hình toán u2 0 học của hệ thống cần trục. Các kết quả mô -1 -2 phỏng dựa trên mô hình toán học của hệ -3 0 0.5 1 1.5 2 2.5 thống này cho thấy phương pháp điều time (s) Hình 4.8: Điện áp của động cơ trục xoay khiển chống lắc dùng bộ chọn thông sô Nhận xét: từ biểu đồ đáp ứng của PID là khá tốt .Kết quả thực nghiệm trên hệ thống ta thấy sau 0.6s ta tác động lên hệ mô hình thí nghiệm thực đã chứng thống. minhrằng các nghiên cứu lý thuyết đưa ra rắt hợp lý. Do đó, phương pháp điều khiển 10
11. Đại học Sư phạm Kỹ thuật Thành phố Hồ Chí Minh chống lắc hệ thống cần dùng bộ chọn PIDlà hoàn toàn có thể thực hiện được trong thực tế. TÀI LIỆU THAM KHẢO TIẾNG VIỆT [1] Nguyễn Đức Thành, Matlab và ứng dụng trong điều khiển, NXB Đại học quốc gia Tp.HCM, 2011 [2] Huỳnh Thái Hoàng, Hệ thống điều khiển thông minh, NXB Đại học quốc gia Tp.HCM, 2006 [3] Nguyễn thị phƣơng hà , lý thuyết điều khiển hiện đại, nxb đại học quấc gia Tp.hcm 2012 [4]. Từ Diệp Công Thành, 2008, Mô phỏng Bộ điều khiển neuron với luật học hệ số học thích nghi và phương pháp xung lượng, Tạp chí phát triển KH&CN, tập 11, số 3, trang 69. [5]. Nguyễn Văn Đông Hải, Ngô Văn Thuyên ,Xây Dựng Bộ Điều Khiển PID-Neuron Cho Hệ Con Lắc Ngược Quay . TIẾNG NƯỚC NGOÀI [6]. Yu, Hen Hu & Hwang, Jenq-Neng (eds.), 2002, Hand Book of Neural Network Signal Proccessing, CRC Press, USA. [7]Ing. Marek Hičár, Ing. Juraj Ritók, PhD, Robust crane control, 2006 [8] Hanafy M. Omar, Control of Gantry and Tower Cranes, 2003 [9] Faisal Altaf, Modeling and Event-Triggered Control of Multiple 3D Tower Cranes over WSNs, 2012 [10] Eihab M. Abdel-rahman, Alih. Nayfeh, Ziyad n. Masoud: Dynamic and control of cranes: a review, 2000 [11] Ali R. Golafshani: Modeling and Optimal control of tower crane motions, 1999 [12] Inteco, Tower crane, 2007. [13] Texas instruments, TMS320F28335 digital signal controllers. Data manual, 2007 11
12. BÀI BÁO KHOA HỌC THỰC HIỆN CÔNG BỐ THEO QUY CHẾ ĐÀO TẠO THẠC SỸ Bài báo khoa học của học viên có xác nhận và đề xuất cho đăng của Giảng viên hướng dẫn Bản tiếng Việt ©, TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT TP. HỒ CHÍ MINH và TÁC GIẢ Bản quyền tác phẩm đã được bảo hộ bởi Luật xuất bản và Luật Sở hữu trí tuệ Việt Nam. Nghiêm cấm mọi hình thức xuất bản, sao chụp, phát tán nội dung khi chưa có sự đồng ý của tác giả và Trường Đại học Sư phạm Kỹ thuật TP. Hồ Chí Minh. ĐỂ CÓ BÀI BÁO KHOA HỌC TỐT, CẦN CHUNG TAY BẢO VỆ TÁC QUYỀN! Thực hiện theo MTCL & KHTHMTCL Năm học 2016-2017 của Thư viện Trường Đại học Sư phạm Kỹ thuật Tp. Hồ Chí Minh.