Luận án tiến sĩ: Mô hình hóa, điều khiển và ứng dụng bộ truyền động hợp kim nhớ hình
Nghiên cứu mô hình hóa, điều khiển và ứng dụng bộ truyền động hợp kim nhớ hình (SMA). Phân tích hiệu suất & phát triển phương pháp điều khiển tiên tiến.
university of ulsan
mechanical and automative engineering
Luan An
luận án
Năm xuất bản
Số trang
152
Thời gian đọc
23 phút
Lượt xem
0
Lượt tải
0
Phí lưu trữ
50 Point
Mục lục chi tiết
Tóm tắt nội dung
I. Giới thiệu Bộ truyền động SMA Nguyên lý Ưu nhược điểm
Shape Memory Alloys (SMAs) là vật liệu thông minh đặc biệt, có khả năng thay đổi hình dạng đáng kể khi tác động nhiệt hoặc cơ học. Đây là yếu tố cốt lõi cho các bộ truyền động SMA. Các vật liệu này trải qua quá trình biến đổi pha thuận nghịch giữa austenite và martensite, cho phép chúng quay trở lại hình dạng ban đầu một cách ngoạn mục. Bộ truyền động SMA mang lại nhiều lợi thế vượt trội so với các loại truyền động truyền thống, bao gồm mật độ công suất cao, trọng lượng nhẹ, kích thước nhỏ gọn và hoạt động yên tĩnh. Tuy nhiên, cũng có những hạn chế đáng kể cần được khắc phục. Tốc độ phản hồi tương đối chậm, hiệu suất năng lượng cần cải thiện, và hiện tượng trễ (hysteresis) là các thách thức lớn trong việc điều khiển chính xác. Nghiên cứu này đi sâu vào việc mô hình hóa hành vi phức tạp của SMA và phát triển các chiến lược điều khiển tiên tiến, nhằm tối ưu hóa hiệu suất bộ truyền động SMA và mở rộng phạm vi ứng dụng của chúng trong nhiều lĩnh vực công nghệ cao.
1.1. Khái niệm các pha của SMA
Shape Memory Alloys là một loại vật liệu kim loại đặc biệt, có khả năng 'nhớ' một hình dạng nhất định. Sau khi bị biến dạng, chúng sẽ trở lại hình dạng đó khi được gia nhiệt. Vật liệu SMA tồn tại ở hai pha tinh thể chính: Austenite và Martensite. Pha Austenite là cấu trúc ổn định ở nhiệt độ cao, có dạng lập phương tâm khối. Pha Martensite là cấu trúc ổn định ở nhiệt độ thấp, có dạng đơn tà hoặc trực giao. Martensite có thể tồn tại dưới dạng cặp sinh đôi (twinned) hoặc không cặp sinh đôi (detwinned). Sự chuyển đổi giữa các pha này, được gọi là biến đổi pha, là cơ chế cơ bản tạo nên các hiệu ứng đặc trưng của SMA. Nitinol (Niken-Titan) là hợp kim SMA phổ biến nhất, được nghiên cứu rộng rãi. Việc hiểu rõ các pha và cơ chế chuyển đổi là nền tảng để thiết kế và điều khiển bộ truyền động SMA hiệu quả và đáng tin cậy.
1.2. Hiệu ứng nhớ hình Tính siêu đàn hồi
Hiệu ứng nhớ hình là khả năng cốt lõi của SMA, cho phép vật liệu này phục hồi biến dạng dẻo lớn khi được làm nóng đến một nhiệt độ nhất định. Có hai loại hiệu ứng nhớ hình chính: một chiều và hai chiều. Hiệu ứng một chiều cho phép vật liệu quay về một hình dạng cố định duy nhất. Hiệu ứng hai chiều phức tạp hơn, cho phép vật liệu nhớ hai hình dạng khác nhau tùy thuộc vào điều kiện nhiệt độ. Bên cạnh đó, tính siêu đàn hồi là một đặc tính quan trọng khác của SMA. Vật liệu này có thể chịu được biến dạng rất lớn (lên đến 8%) và phục hồi hoàn toàn hình dạng ban đầu khi tải trọng được loại bỏ, ngay cả khi nhiệt độ được giữ cố định. Quá trình này không liên quan trực tiếp đến biến đổi pha nhiệt mà là do ứng suất gây ra. Các ứng dụng như stent y tế hoặc các khớp linh hoạt thường khai thác tính siêu đàn hồi. Việc hiểu rõ các hiệu ứng này rất quan trọng để lựa chọn vật liệu SMA phù hợp cho từng ứng dụng.
1.3. Ưu nhược điểm của bộ truyền động SMA
Bộ truyền động SMA sở hữu nhiều ưu điểm nổi bật, giúp chúng trở thành lựa chọn hấp dẫn trong nhiều lĩnh vực. Chúng có mật độ công suất trên trọng lượng rất cao, cho phép thiết kế thiết bị nhỏ gọn và nhẹ. Hoạt động của chúng không gây tiếng ồn, khác biệt so với các động cơ truyền thống, phù hợp cho các môi trường nhạy cảm. Cấu trúc đơn giản và dễ dàng tích hợp vào nhiều hệ thống phức tạp. Tuy nhiên, SMA cũng có những nhược điểm cần cân nhắc kỹ lưỡng. Tốc độ phản hồi nhiệt thường chậm, giới hạn khả năng ứng dụng trong các hệ thống đòi hỏi tốc độ cao. Hiệu suất năng lượng còn thấp do tỏa nhiệt trong quá trình hoạt động. Đặc biệt, hiện tượng trễ (hysteresis) giữa nhiệt độ và biến dạng gây ra thách thức lớn trong việc điều khiển chính xác vị trí hoặc lực. Tuổi thọ mỏi và sự ổn định theo thời gian cũng là các yếu tố cần nghiên cứu thêm để thương mại hóa rộng rãi. Các hạn chế này đòi hỏi các thuật toán điều khiển phức tạp và thiết kế thông minh để khắc phục hiệu quả.
II. Mô hình hóa Bộ truyền động SMA Hiệu suất Biến đổi pha
Mô hình hóa chính xác bộ truyền động Shape Memory Alloy (SMA) là yếu tố cần thiết cho việc thiết kế và điều khiển hệ thống hiệu quả. Hành vi phức tạp của SMA, đặc biệt là hiện tượng trễ và phi tuyến tính, đòi hỏi các mô hình toán học mạnh mẽ để nắm bắt. Các mô hình này phải có khả năng thể hiện sự tương tác phức tạp giữa các động lực học nhiệt, cơ học và biến đổi pha. Truyền nhiệt Joule và các cơ chế truyền nhiệt khác đóng vai trò then chốt trong phản ứng của bộ truyền động, ảnh hưởng đến tốc độ và hiệu suất. Việc hiểu rõ các hiện tượng này cho phép dự đoán và tối ưu hóa hiệu suất của SMA. Nhiều phương pháp mô hình hóa khác nhau được áp dụng, từ các định luật vật lý cơ bản đến các phương pháp dựa trên dữ liệu. Sơ đồ khối và dạng biến trạng thái cung cấp các biểu diễn có cấu trúc, tạo điều kiện thuận lợi cho việc phân tích và thiết kế bộ điều khiển. Việc so sánh các mô hình toán học với dữ liệu thực nghiệm là rất quan trọng để xác nhận độ chính xác và độ tin cậy của chúng.
2.1. Truyền nhiệt Joule Hiện tượng trễ pha
Truyền nhiệt Joule là quá trình SMA sinh nhiệt khi dòng điện chạy qua, kích hoạt biến đổi pha và thay đổi hình dạng. Quá trình này là động lực chính của bộ truyền động SMA. Bên cạnh đó, truyền nhiệt ra môi trường xung quanh cũng đóng vai trò quan trọng, ảnh hưởng trực tiếp đến tốc độ làm mát và phản ứng của bộ truyền động. Việc cân bằng giữa nhiệt sinh ra và nhiệt mất đi quyết định hiệu suất chu kỳ của thiết bị. Hiện tượng trễ pha (hysteresis) là một đặc trưng cố hữu của SMA, nơi biến dạng không tỷ lệ tuyến tính với nhiệt độ hoặc ứng suất. Điều này có nghĩa là đường cong nạp và xả tải không trùng nhau, gây khó khăn lớn cho việc điều khiển chính xác. Các mô hình toán học cần giải quyết hiệu quả hiện tượng trễ này để dự đoán hành vi của SMA một cách chính xác hơn. Việc bỏ qua trễ có thể dẫn đến sai số điều khiển đáng kể và hiệu suất kém.
2.2. Nhận dạng hệ thống bộ truyền động SMA
Nhận dạng hệ thống là quá trình tạo ra một mô hình toán học dựa trên dữ liệu thực nghiệm của bộ truyền động SMA. Phương pháp Hysteresis Functional Link Artificial Neural Network (HFLANN) được sử dụng để xây dựng mô hình này. HFLANN có khả năng học các mối quan hệ phi tuyến phức tạp và đặc biệt hiệu quả trong việc mô hình hóa hiện tượng trễ đặc trưng của SMA. Để tối ưu hóa các tham số của mạng nơ-ron HFLANN, thuật toán tối ưu hóa bầy đàn (Particle Swarm Optimization - PSO) được áp dụng. PSO là một kỹ thuật tối ưu hóa dựa trên dân số, giúp tìm ra bộ tham số tối ưu một cách hiệu quả, cải thiện độ chính xác của mô hình. Kết quả nhận dạng động lực học SMA sử dụng phương pháp này đã được đánh giá kỹ lưỡng, cho thấy khả năng mô hình hóa chính xác phản ứng của bộ truyền động, cung cấp một công cụ mạnh mẽ cho việc thiết kế bộ điều khiển.
2.3. So sánh mô hình toán học mô hình thực tế
Một mô hình toán học chi tiết đã được phát triển để mô tả các động lực học của bộ truyền động SMA. Mô hình này sử dụng các sơ đồ khối và dạng biến trạng thái để biểu diễn các thành phần vật lý và tương tác của hệ thống. Sau khi xây dựng, mô hình toán học này được so sánh một cách có hệ thống với hành vi của một bộ truyền động SMA thực tế trong môi trường thử nghiệm. Dữ liệu thực nghiệm thu được từ bộ truyền động SMA cho phép đánh giá độ chính xác và độ tin cậy của mô hình lý thuyết. Mục tiêu chính là đảm bảo rằng mô hình toán học phản ánh chính xác hành vi vật lý của SMA dưới các điều kiện hoạt động khác nhau. Sự phù hợp cao giữa mô hình và thực tế là cần thiết. Điều này cho phép các kỹ sư thiết kế bộ điều khiển hiệu quả, dự đoán chính xác phản ứng của hệ thống và tránh các lỗi thiết kế tiềm ẩn, tiết kiệm thời gian và chi phí phát triển.
III. Điều khiển Bộ truyền động SMA Giảm thiểu trễ Tối ưu
Điều khiển hiệu quả bộ truyền động SMA là một thách thức lớn do các đặc tính phi tuyến và hiện tượng trễ cố hữu của chúng. Phần này khám phá nhiều thuật toán điều khiển tiên tiến được thiết kế để khắc phục những phức tạp này. Mục tiêu chính là đạt được điều khiển vị trí và lực chính xác, bất chấp hành vi phức tạp của vật liệu. Các chiến lược bao gồm từ các bộ điều khiển cổ điển được tối ưu hóa đến các phương pháp thích nghi và dự báo tinh vi. Các bộ điều khiển này nhằm mục đích bù đắp cho độ trễ giữa đầu vào và đầu ra, từ đó nâng cao độ chính xác và khả năng phản hồi. Các kỹ thuật tối ưu hóa đóng vai trò quan trọng trong việc điều chỉnh các tham số của bộ điều khiển để đạt được hiệu suất vượt trội. Nghiên cứu chứng minh ứng dụng của các phương pháp điều khiển thông minh. Chúng cải thiện tính mạnh mẽ, ổn định và khả năng thích nghi với các điều kiện hoạt động thay đổi, mở rộng phạm vi ứng dụng của SMA.
3.1. Điều khiển PID tối ưu hóa bằng PSO
Bộ điều khiển PID (Proportional-Integral-Derivative) là một giải pháp điều khiển phổ biến và được sử dụng rộng rãi trong các hệ thống công nghiệp. Tuy nhiên, việc điều chỉnh các tham số khuếch đại (Kp, Ki, Kd) của PID là rất quan trọng để đạt được hiệu suất tối ưu, đặc biệt đối với các hệ thống có tính phi tuyến như SMA. Thuật toán tối ưu hóa bầy đàn (Particle Swarm Optimization - PSO) được áp dụng để tự động tìm kiếm bộ tham số PID tối ưu. PSO là một phương pháp tối ưu hóa dựa trên dân số, lấy cảm hứng từ hành vi xã hội của các loài chim hoặc cá. Mục tiêu là giảm thiểu sai số theo dõi và cải thiện hiệu suất phản ứng động của bộ truyền động. Quá trình tối ưu hóa bằng PSO giúp giảm thiểu ảnh hưởng của hiện tượng trễ và các yếu tố phi tuyến, từ đó làm cho bộ truyền động SMA phản ứng nhanh hơn và chính xác hơn, đáp ứng tốt hơn các yêu cầu của hệ thống.
3.2. Điều khiển trượt Điều khiển trượt mờ thích nghi
Điều khiển trượt (Sliding Mode Control - SMC) là một phương pháp điều khiển mạnh mẽ, đặc biệt hiệu quả với các hệ thống phi tuyến, có sự không chắc chắn và nhiễu loạn. SMC có khả năng miễn nhiễm cao với nhiễu và sai số mô hình, đảm bảo tính mạnh mẽ của hệ thống. Tuy nhiên, một nhược điểm tiềm tàng của SMC là hiện tượng 'chatter' (dao động tần số cao) trong tín hiệu điều khiển, có thể gây mòn cơ khí và tốn năng lượng. Để khắc phục vấn đề này, điều khiển trượt mờ thích nghi (Adaptive Fuzzy Sliding Mode Control - AFSMC) đã được phát triển. AFSMC kết hợp logic mờ để điều chỉnh tham số điều khiển một cách linh hoạt. Điều này giúp làm mịn tín hiệu điều khiển, giảm thiểu hiện tượng chatter mà vẫn duy trì tính mạnh mẽ. AFSMC cải thiện đáng kể tính ổn định, độ chính xác và giảm rung động, làm cho nó trở thành lựa chọn lý tưởng cho việc điều khiển bộ truyền động SMA phức tạp.
3.3. Điều khiển mạng nơ ron RBF thích nghi
Mạng nơ-ron truyền ngược xuyên tâm (Radial Basis Function Neural Network - RBFNN) được ứng dụng làm bộ điều khiển thích nghi cho bộ truyền động SMA. RBFNN là một loại mạng nơ-ron có khả năng học và xấp xỉ các hàm phi tuyến một cách hiệu quả, điều này rất phù hợp để bù đắp các đặc tính phức tạp và hiện tượng trễ của SMA. Cấu trúc của RBFNN bao gồm một lớp ẩn với các hàm cơ sở xuyên tâm và một lớp đầu ra tuyến tính. Thuật toán k-mean được sử dụng để điều chỉnh các trung tâm của các hàm cơ sở, tối ưu hóa khả năng biểu diễn dữ liệu của mạng. Các quy tắc học cho trọng số đầu ra được thiết lập dựa trên các luật thích nghi, nhằm đạt được sự ổn định và hiệu suất cao trong quá trình điều khiển. Bộ điều khiển này cung cấp khả năng điều khiển mạnh mẽ và linh hoạt, cho phép hệ thống SMA hoạt động chính xác và ổn định dưới các điều kiện hoạt động thay đổi, giảm thiểu ảnh hưởng của các nhiễu loạn bên ngoài.
IV. Các thuật toán điều khiển SMA nâng cao Phản hồi Dự báo
Bên cạnh các phương pháp điều khiển thích nghi cơ bản, nghiên cứu này còn khám phá các chiến lược điều khiển tiên tiến hơn cho bộ truyền động SMA. Các thuật toán này tích hợp các cơ chế phản hồi phức tạp và khả năng dự báo để đạt được hiệu suất vượt trội trong các môi trường động. Điều khiển thích nghi trực tiếp phản hồi đầu ra, kết hợp với bộ lọc Kalman, cung cấp khả năng ước tính trạng thái mạnh mẽ và điều khiển chính xác, đặc biệt khi các biến trạng thái không thể đo trực tiếp. Điều khiển dự báo mô hình (Model Predictive Control - MPC), sử dụng các mô hình nhận dạng thông minh, cung cấp khả năng dự đoán hành vi tương lai của bộ truyền động. Những kỹ thuật này giải quyết các thách thức của việc ước tính trạng thái nội bộ và dự đoán quỹ đạo tương lai, vốn rất quan trọng cho các ứng dụng đòi hỏi độ chính xác cao. Chúng đại diện cho các phương pháp tiên tiến, đẩy xa giới hạn của điều khiển bộ truyền động SMA.
4.1. Điều khiển thích nghi trực tiếp phản hồi đầu ra
Phương pháp này sử dụng phản hồi đầu ra để điều khiển bộ truyền động SMA, kết hợp một bộ điều khiển thích nghi trực tiếp. Do không phải tất cả các trạng thái của hệ thống đều có thể đo trực tiếp, bộ lọc Kalman được tích hợp để ước tính các trạng thái nội bộ của SMA một cách đáng tin cậy. Việc ước tính trạng thái chính xác là cần thiết để cải thiện độ chính xác và hiệu suất của quá trình điều khiển, đặc biệt trong các hệ thống phức tạp và phi tuyến tính. Một bộ điều khiển mạng nơ-ron truyền ngược xuyên tâm (RBF neural network) được sử dụng trong cấu trúc thích nghi trực tiếp. Mạng này có khả năng tự điều chỉnh các tham số để thích nghi với các thay đổi động lực học của hệ thống hoặc các nhiễu loạn bên ngoài. Mục tiêu là đảm bảo tính ổn định của hệ thống và đạt được hiệu suất điều khiển cao. Phương pháp này cung cấp một giải pháp mạnh mẽ cho việc điều khiển các bộ truyền động SMA trong các ứng dụng thực tế.
4.2. Điều khiển dự báo mô hình dựa trên HFLANN
Điều khiển dự báo mô hình (Model Predictive Control - MPC) là một phương pháp điều khiển mạnh mẽ, có khả năng dự đoán hành vi tương lai của hệ thống để tính toán các tín hiệu điều khiển tối ưu. Trong nghiên cứu này, mô hình Hysteresis Functional Link Artificial Neural Network (HFLANN) được sử dụng làm mô hình dự đoán bên trong bộ điều khiển MPC. HFLANN cung cấp một mô hình chính xác và hiệu quả cho bộ truyền động SMA, bao gồm cả việc mô hình hóa hiện tượng trễ phức tạp. MPC sử dụng mô hình HFLANN này để tính toán một chuỗi các tín hiệu điều khiển trong một khoảng thời gian dự báo, sau đó chỉ áp dụng tín hiệu điều khiển đầu tiên. Mục tiêu là tối ưu hóa một hàm chi phí, thường liên quan đến sai số theo dõi và năng lượng điều khiển, để đạt được mục tiêu điều khiển mong muốn. Phương pháp này giúp hệ thống phản ứng mượt mà và chính xác hơn, đặc biệt hiệu quả trong việc xử lý các ràng buộc và phi tuyến.
4.3. Điều khiển dự báo mô hình nhận dạng trực tuyến
Điều khiển dự báo mô hình cũng được nghiên cứu kết hợp với khả năng nhận dạng trực tuyến. Trong phương pháp này, hệ thống liên tục cập nhật mô hình của nó dựa trên dữ liệu đầu vào và đầu ra thực tế. Quá trình nhận dạng trực tuyến đảm bảo rằng mô hình được sử dụng trong bộ điều khiển dự báo luôn chính xác và thích nghi với các thay đổi của hệ thống hoặc môi trường hoạt động. Các tín hiệu điều khiển được tính toán dựa trên một mô hình tuyến tính hóa được cập nhật liên tục. Điều này cho phép bộ điều khiển dự đoán hành vi tương lai của SMA một cách chính xác hơn và điều chỉnh chiến lược điều khiển phù hợp. Phương pháp này cung cấp khả năng điều khiển thích nghi mạnh mẽ và tính mạnh mẽ cao, phù hợp với các ứng dụng yêu cầu độ chính xác cao và khả năng chống chịu nhiễu loạn. Nó tối ưu hóa hiệu suất của bộ truyền động SMA trong các điều kiện động và không chắc chắn.
V. Ứng dụng Bộ truyền động SMA Robot Thiết bị y tế
Bộ truyền động Shape Memory Alloy (SMA) hứa hẹn nhiều tiềm năng cho các ứng dụng đa dạng, đặc biệt trong các lĩnh vực yêu cầu mật độ công suất cao trên trọng lượng, sự nhỏ gọn và hoạt động yên tĩnh. Phần này trình bày chi tiết các triển khai thực tế, tập trung vào các thiết kế sáng tạo cho các thiết bị robot và y tế cụ thể. Nghiên cứu chứng minh tính linh hoạt của lò xo và dây SMA trong việc tạo ra các hệ thống cơ khí mới. Các thiết kế bộ truyền động cho xy lanh SMA thể hiện khả năng điều khiển vị trí và lực chính xác. Hơn nữa, việc phát triển một robot leo sử dụng SMA làm nổi bật tiềm năng của vật liệu này trong việc tạo ra chuyển động mô phỏng sinh học và khả năng bám dính hiệu quả. Những ứng dụng này nhấn mạnh khả năng của SMA trong việc cách mạng hóa nhiều lĩnh vực, cung cấp các giải pháp sáng tạo cho các thách thức kỹ thuật phức tạp trong tương lai.
5.1. Thiết kế bộ truyền động xy lanh SMA
Một bộ truyền động xy lanh SMA được thiết kế và phát triển, sử dụng lò xo SMA làm cơ cấu truyền động chính để tạo ra lực và chuyển động. Quá trình thiết kế chi tiết bao gồm việc lựa chọn và tính toán các thông số của lò xo SMA, cũng như thiết kế lò xo bias. Lò xo bias đóng vai trò quan trọng trong việc cung cấp lực trả lại, cho phép điều khiển vị trí hai chiều của xy lanh. Các thông số của lò xo được tính toán cẩn thận để đạt được hành trình và lực mong muốn, đảm bảo hiệu suất hoạt động tối ưu. Hệ thống này thể hiện khả năng điều khiển vị trí và lực chính xác, là một minh chứng cho tiềm năng của SMA trong các ứng dụng cơ khí yêu cầu sự nhỏ gọn và khả năng điều khiển linh hoạt. Ứng dụng này có thể được mở rộng cho các thiết bị kẹp, van hoặc các cơ cấu chấp hành nhỏ.
5.2. Robot leo sử dụng dây SMA chất kết dính
Một robot leo mới được phát triển, sử dụng dây SMA làm cơ cấu truyền động chính và chất kết dính elastomer để tạo khả năng bám dính trên các bề mặt. Robot này được thiết kế để mô phỏng chuyển động của các loài côn trùng leo, tận dụng các đặc tính độc đáo của SMA. Cấu trúc và thiết kế tổng thể của robot được mô tả chi tiết, bao gồm cả cách bố trí các dây SMA và cơ chế bám dính. Sự phân bố lực và mô men trên robot được phân tích để đảm bảo khả năng di chuyển hiệu quả và ổn định. Dây SMA tạo ra chuyển động co duỗi cần thiết, giúp robot di chuyển trên các bề mặt thẳng đứng hoặc nghiêng. Ứng dụng này không chỉ thể hiện tiềm năng của SMA trong lĩnh vực robot mô phỏng sinh học mà còn mở ra hướng đi mới cho các robot tự hành, kiểm tra và bảo trì trong các môi trường khó tiếp cận.
5.3. Các ứng dụng đa dạng của bộ truyền động SMA
Bộ truyền động SMA đã tìm thấy nhiều ứng dụng đa dạng trong các lĩnh vực công nghệ cao khác nhau, vượt ra ngoài robot và xy lanh. Trong lĩnh vực y tế, chúng được sử dụng rộng rãi trong các thiết bị cấy ghép như stent mạch máu, dụng cụ phẫu thuật xâm lấn tối thiểu và chỉnh nha. Tính tương thích sinh học và khả năng thay đổi hình dạng là ưu điểm chính. Trong công nghiệp, SMA xuất hiện trong các van thông minh, kẹp tự động, bộ chuyển đổi nhiệt và các thiết bị khóa an toàn. Chúng cũng được ứng dụng trong ngành hàng không vũ trụ cho các cánh điều khiển có thể thay đổi hình dạng hoặc các bộ khớp nối có thể triển khai. Các ứng dụng này khai thác các đặc tính độc đáo của SMA, bao gồm khả năng phản ứng với nhiệt độ và khả năng thay đổi hình dạng đáng kể. Nghiên cứu liên tục mở rộng tiềm năng của SMA, hướng tới việc tạo ra các hệ thống thông minh và hiệu quả hơn trong tương lai.
VI. Tóm tắt Đóng góp Hướng phát triển tương lai SMA
Nghiên cứu này đóng góp đáng kể vào sự hiểu biết và ứng dụng của bộ truyền động Shape Memory Alloy (SMA). Nó trình bày các mô hình toàn diện, các chiến lược điều khiển tiên tiến và các minh chứng thực tế về công nghệ SMA. Các đóng góp trải dài từ mô hình hóa toán học chi tiết và nhận dạng hệ thống đến việc phát triển các bộ điều khiển thích nghi và dự báo nâng cao. Điều quan trọng là công trình này đã xác nhận các tiến bộ lý thuyết thông qua các ứng dụng thực tế, chẳng hạn như xy lanh SMA và robot leo. Những phát hiện này mở đường cho các hệ thống dựa trên SMA hiệu quả hơn, chính xác hơn và mạnh mẽ hơn trong tương lai. Công việc trong tương lai nhằm mục đích giải quyết các hạn chế hiện có, nâng cao hiệu suất năng lượng và khám phá các vật liệu mới cùng các kỹ thuật tích hợp để tạo ra tác động rộng lớn hơn trong các ngành công nghiệp khác nhau.
6.1. Tóm tắt các thành tựu và đóng góp chính
Nghiên cứu này đã đạt được nhiều thành tựu và đóng góp quan trọng trong lĩnh vực bộ truyền động SMA. Một trong những đóng góp chính là việc phát triển các mô hình chính xác và hiệu quả cho bộ truyền động SMA, bao gồm cả việc mô tả hiện tượng trễ phức tạp. Nghiên cứu cũng đề xuất và thử nghiệm nhiều thuật toán điều khiển tiên tiến, như PID tối ưu hóa bằng PSO, điều khiển trượt mờ thích nghi, và các phương pháp điều khiển dựa trên mạng nơ-ron thích nghi. Những thuật toán này đã giải quyết thành công các vấn đề về phi tuyến và trễ, cải thiện đáng kể độ chính xác và khả năng phản hồi của SMA. Hơn nữa, nghiên cứu đã chứng minh khả năng ứng dụng thực tế của SMA thông qua việc thiết kế và thử nghiệm các thiết bị cụ thể như xy lanh SMA và robot leo. Các đóng góp này không chỉ mở rộng kiến thức lý thuyết về SMA mà còn cung cấp nền tảng vững chắc cho các phát triển công nghệ tiếp theo.
6.2. Hướng nghiên cứu và phát triển trong tương lai
Nghiên cứu tương lai trong lĩnh vực bộ truyền động SMA sẽ tập trung vào một số hướng chính để vượt qua các hạn chế hiện tại và mở rộng tiềm năng ứng dụng. Một ưu tiên hàng đầu là cải thiện hiệu suất năng lượng của SMA, tìm kiếm các phương pháp để giảm tổn thất nhiệt và tăng hiệu suất chuyển đổi năng lượng. Phát triển các vật liệu SMA mới với đặc tính tốt hơn, bao gồm tốc độ phản hồi nhanh hơn, chu kỳ mỏi dài hơn và khả năng chịu tải cao hơn, là một mục tiêu quan trọng. Việc tăng tốc độ phản hồi của bộ truyền động SMA thông qua các kỹ thuật kích hoạt và làm mát tiên tiến cũng cần được nghiên cứu. Ngoài ra, khám phá các ứng dụng mới và tích hợp SMA vào các hệ thống phức tạp hơn, chẳng hạn như robot mềm, thiết bị haptic hoặc hệ thống vi cơ điện tử (MEMS), sẽ mở ra những cơ hội mới. Cần có thêm nghiên cứu về độ bền và tuổi thọ của SMA dưới các điều kiện vận hành khắc nghiệt. Điều này giúp thương mại hóa rộng rãi công nghệ SMA và tối ưu hóa chúng cho các hệ thống thông minh trong tương lai.
Tải xuống file đầy đủ để xem toàn bộ nội dung
Tải đầy đủ (152 trang)Trích đoạn nội dung luận án
Tải xuống để đọc toàn bộModeling, Control and Applications of Shape Memory Alloys Actuators Nguyen Trong Tai A thesis submitted to the school of Mechanical and Automative Engineering in fulfillment if the thesis requirements for the degree of Doctor of Philosophy in the Graduate School, University of Ulsan May 2011 ACKNOWLEDGMENTS First and foremost, I would like to express my sincerest gratitude to my supervisor, Prof. Ahn Kyoung Kwan, for his guidance, support and valuable advice throughout my study in University of Ulsan. I would like to thank Professors in the committee, Prof. Lee Byung Ryong, Prof.
Ha Cheol Keun, Assist. Choi Seung Tae and Dr. Jin Maolin for their suggestions and comments throughout the research. I would like to express my gratitude to my grandparents, my parents and my three brothers, who provided me with unconditional advice, support and love.
They have never been far from my heart. I would like to express special gratitude to my girl friend, Ms. Her patience, encouragement and support have been invaluable during my study. I would also like to thank all members in FPMI Lab, University of Ulsan, especially, Mr Yoon Jong Il, for their friendship and help during my study.
May 2011 Nguyen Trong Tai ii CONTENTS Abstract xiv 1.1 Shape Memory Alloys 3 1.2 Advantages and Limitations 3 1.3 Research Objectives and Approach 4 1. Shape Memory Alloys 7 2.1 The Phases of SMA 7 2.2 The Shape Memory Effect 10 2.1 History and Applications 15 2. SMA Actuator modeling 27 3.1 Joule heating and heat transfer 29 3.2 Phase transformation hysteresis 29 3.5 Block diagram and state variable form 30 3.6 Comparison of mathematical model and real model 31 3.3 SMA actuator identification using HFLANN 33 3.2 Structure of the Hysteresis Functional Link Artificial Neural Network 34 3.3 System identification using PSO 35 iii 3.4 SMA dynamic identification result 36 3. SMA hysteresis compensation using control algorithms 40 4.1 Optimized PID controller using Particle Swarm Optimization 40 4.1 PID gain parameters tuning using PSO 40 4.2 Sliding mode control 44 4.1 Description of problem 44 4.2 Sliding mode controller 44 4.3 Adaptive Fuzzy Sliding mode control 48 4.1 Design of fuzzy controller 48 4.2 Stability, Learning law and reaching control signal 50 4.4 Adaptive RBF neural network controller 56 4.1 Structure of RBF neural network 56 4.2 RBF neural network training and stability 56 4.1 The k-mean algorithm for centre adjustment 57 4.2 Stability, weight adaption, and reaching control signal 57 4.5 Output feedback Direct Adaptive Control using Kalman filter 63 4.1 Description of problem 63 4.2 Linearization feedback control 63 4.3 Direct Adaptive Controller using RBF neural network 64 4.4 SMA states estimation using Kalman filter 65 4.5 Direct Adaptive Control stability with Kalman Filter estimator 67 4.6 PID Adaptive Sliding mode control 73 4.1 Description of problem 73 4.2 Design of PID Sliding mode controller 73 4.3 Choice of the value of Sliding controller Gain 75 iv 4.7 Model Predictive control based HFLANN 82 4.1 Idea of model based predictive control 82 4.2 Predictive control based HFLANN 82 4.8 Model Predictive control based online linearization identification model 93 4.1 System Online identification 93 4.2 Derivation of predictor and calculation of control signals 94 4.3 The solution of step coefficient matrix and free response 97 4.
SMA Applications on SMA cylinder and climbing robot 104 5.1 Actuator design using SMA springs 104 5.1 SMA Spring design 105 5.2 Bias springs Design 106 5.3 Design of the SMA cylinder 107 5.3 Cylinder position and force control 110 5.2 A climbing robot using elastomer adhesive and SMA wires 113 5.1 Researches of climbing robot 113 5.3 Design of the robot 116 5.1 Design of the robot 116 5.2 Force and moment distribution 118 5.1 Summary of achievements and contributions 125 6.2 Future works 126 References 127 Publications 135 Appendix: Properties of Flexinol and NiTi 136 vi LIST OF FIGURES Figure 1.1: The locus of power density vs. weight of actuators.1: Stress-strain curves for the two primary phases of SMA 8 Figure 2.2: Hysteresis curve of SMA Actuator 9 Figure 2.3: One-way shape memory effect 11 Figure 2.4: Two-way shape memory effect 12 Figure 2.5: Pseudoelasticity effect 13 Figure 2.6: Stress dependence of transformation temperatures 13 Figure 2.7: (a) SMA linear joint configurations, (b) SMA revolute joint configurations 14 Figure 2.8: Medical applications of SMA actuator 16 Figure 2.9: Industrial applications of SMA actuator 17 Figure 2.10: Schematic of the Preisach model 22 Figure 2.11: The Preisach plane 22 Figure 3.1: Experimental control setup 27 Figure 3.2: Photo of Experimental model 28 Figure 3.3: Block diagram of SMA mathematical model 31 Figure 3.4: Original state block of SMA actuator 31 Figure 3.5: New state block of SMA actuator 31 Figure 3.6: Comparison of mathematical and real model responses at frequency 1/15Hz 32 Figure 3.7: Hysteresis curve of experimental SMA actuator at frequency 1/15Hz 32 Figure 3.8: Hysteresis operator and its hysteresis nonlinear function 34 Figure 3.9: Model of SMA hysteresis dynamic using HFLANN 35 Figure 3.10: Model Identification diagram 36 Figure 3.11: Flowchart of parameters optimization using PSO 37 Figure 3.12: SMA dynamic identification – Identification result 38 Figure 3.13: Validation result with control input at 1/15Hz 38 Figure 4.1: Flowchart of tuning PID gain parameters using PSO 41 Figure 4.2: Results of PID gain parameters tuning after 100 iterations using PSO 42 Figure 4.3: The PID Control result with respect to the best PID gain parameters 42 Figure 4.4: PID Control result with respect to the multi-step reference 43 Figure 4.5: Control result with respect to sinusoidal reference 44 Figure 4.6: Control result using SMC with respect to multi-step response 46 vii Figure 4.7: Control result using SMC with respect to sinusoidal reference 47 Figure 4.8: Structure of the Fuzzy inference 48 Figure 4.9: Input and output membership functions 49 Figure 4.10: Block diagram of AFSMC 52 Figure 4.11: Control result with respect to multi-step reference using AFSMC 54 Figure 4.12: Control result with respect to sinusoidal reference using AFSMC 54 Figure 4.13: Hysteresis curve after using AFSMC 55 Figure 4.14: Control result with respect to saw-teeth reference using AFSMC 55 Figure 4.15: Structure of the RBF neural network 56 Figure 4.16: Block diagram of RBFSMC 59 Figure 4.17: Initial of center distribution of RBF neural network 59 Figure 4.18: Control result with respect to multi-step reference using RBFSMC 60 Figure 4.19: Control result with respect to sinusoidal reference using RBFSMC 61 Figure 4.20: Hysteresis curve after applying RBFSMC 61 Figure 4.21: Control result with respect to saw-teeth reference using RBFSMC 62 Figure 4.22: Structure of RBF neural network 64 Figure 4.23: Flowchart of DAC with modified KF 66 Figure 4.24: Block diagram of DAC with modified KF 67 Figure 4.25: Effect of Weighting matrix and number of neurons to control performance 68 Figure 4.26: Position control with respect to sinusoidal reference (1/15Hz) in simulation 69 Figure 4.27: Position control with respect to multistep reference 69 Figure 4.28: SMA displacement and estimated states using KF 69 Figure 4.29: Position control with respect to multi-step reference using DAC with KF 70 Figure 4.30: Position control with respect to sinusoidal reference using DAC with KF 71 Figure 4.31: Hysteresis curve after applying DAC with KF 72 Figure 4.32: Position control with respect to saw-teeth reference using DAC and KF 72 Figure 4.33: Nonlinear and hysteresis behavior 73 Figure 4.34: Block diagram of PIDSMC 76 Figure 4.35: Step reference control results using PIDSMC in simulation 76 Figure 4.36: Schematic of PIDSMC in Matlab 77 Figure 4.37: Position control with respect to multi-step reference using PIDSMC 78 Figure 4.38: Position control with respect to sinusoidal reference at 1/30Hz using PIDSMC 79 viii Figure 4.39: Position control with respect to sinusoidal reference at 1/15Hz using PIDSMC 79 Figure 4.40: Position control with respect to saw-teeth reference using PIDSMC 80 Figure 4.41: Hysteresis curve after applying the PIDSMC 80 Figure 4.42: Control result of PIDSMC in the conditions of external load 81 Figure 4.43: Basic idea of model based predictive control 82 Figure 4.44: Predictive Control Block diagram using HFLANN 83 Figure 4.45: Flowchart of HFLANN based Predictive control 86 Figure 4.46: Control results with respect to sinusoidal reference with three cases of different learning rate 87 Figure 4.47: Comparison of errors and control input is three cases of learning rate 87 Figure 4.48: Control result with respect to multi-step reference ( λ = 0.49: Control results with respect to the multi-step reference 88 Figure 4.50: Control result with respect to sinusoidal reference at frequency 1/30Hz 89 Figure 4.51: Control result with respect to sinusoidal reference at frequency 1/15Hz 90 Figure 4.52: The hysteresis curve after applying HFLANN Predictive controller 90 Figure 4.53: Control result with respect to saw-teeth reference 91 Figure 4.54: Comparison of control result in different load conditions 92 Figure 4.55: Matlab schematic diagram of GPC applied to SMA cylinder 100 Figure 4.56: Control result with respect to sinusoidal reference at 1/150Hz using GPC 101 Figure 4.57: Online linearized model parameters tuning 101 Figure 4.58: Control results with respect to sinusoidal reference at frequency 1/70Hz, 1/30Hz and in load condition at 4N 102 Figure 4.59: Hysteresis curves after applying GPC 102 Figure 4.60: Position control results with respect to multi-step reference 103 Figure 5.1: SMA spring deflection – (a) Extension, (b) Compression 104 Figure 5.2: SMA spring with bias spring 106 Figure 5.3: SMA Cylinder design tool and cylinder parameters result 108 Figure 5.4: Experimental SMA cylinder configuration 109 Figure 5.5: Photo of Experimental SMA cylinder 109 Figure 5.6: Setup for SMA cylinder control 110 Figure 5.7: SMA Cylinder and force sensor 110 Figure 5.8: Cylinder position control with respect to sinusoidal reference at frequency 1/70Hz 111 Figure 5.9: Cylinder position control with respect to sinusoidal reference at frequency 1/30Hz 111 ix Figure 5.10: Cylinder position control with respect to multi-step response 112 Figure 5.11: Cylinder exerted force control at position 4mm 112 Figure 5.13: Gecko feet structure and artificial dry adhesion 115 Figure 5.14: Gecko adhesive system 115 Figure 5.15: The climbing robot structure 117 Figure 5.16: Robot legs structure and adhesive distribution 117 Figure 5.17: Robot operation principle 117 Figure 5.18: Robot force and moment distribution 118 Figure 5.19: PDMS adhesion pressure versus preload pressure 119 Figure 5.20: PDMS adhesion torque versus adhesive area 119 Figure 5.21: Photo of the robot 120 Figure 5.22: The implementation control block diagram 121 Figure 5.23: Photo of V/I Converter and Electric circuit 121 Figure 5.24: Robot operating control principle 122 Figure 5.25: Photos of robot operation 123 x LISTS OF TABLES Table 2.1: Systems with Shape Memory Alloy [7] 8 Table 3.1: List of experimental devices and parameters 28 Table 3.2: Parameters of SMA mathematical model 32 Table 4.1: DAC and KF parameters 69 Table 5.1: Climbing robot – List of devices 120 Table A. 1: Technical data of Flexinol actuator wires. 2: Selected properties of NiTi alloys, taken from Johnson Matthey, Inc 138 Table A.
3: Properties of different SMA alloys (by AMT).
Nội dung được bảo vệ bản quyền — Tải xuống đầy đủ
Câu hỏi thường gặp
Luận án "Mô hình hóa, điều khiển & ứng dụng bộ truyền động SMA" nghiên cứu về vấn đề gì?
Nghiên cứu mô hình hóa, điều khiển và ứng dụng bộ truyền động hợp kim nhớ hình (SMA). Phân tích hiệu suất & phát triển phương pháp điều khiển tiên tiến.
Luận án "Mô hình hóa, điều khiển & ứng dụng bộ truyền động SMA" được bảo vệ tại trường nào?
Luận án này được bảo vệ tại university of ulsan. Năm bảo vệ: 2011.
Luận án "Mô hình hóa, điều khiển & ứng dụng bộ truyền động SMA" thuộc chuyên ngành gì?
Luận án "Mô hình hóa, điều khiển & ứng dụng bộ truyền động SMA" thuộc chuyên ngành mechanical and automative engineering. Danh mục: Tự Động Hóa.
Luận án "Mô hình hóa, điều khiển & ứng dụng bộ truyền động SMA" có bao nhiêu trang?
Luận án "Mô hình hóa, điều khiển & ứng dụng bộ truyền động SMA" có 152 trang. Bạn có thể xem trước một phần tài liệu ngay trên trang web trước khi tải về.
Cách tải luận án "Mô hình hóa, điều khiển & ứng dụng bộ truyền động SMA" về máy như thế nào?
Để tải luận án về máy, bạn nhấn nút "Tải xuống ngay" trên trang này, sau đó hoàn tất thanh toán phí lưu trữ. File sẽ được tải xuống ngay sau khi thanh toán thành công. Hỗ trợ qua Zalo: 0559 297 239.