Thiết kế bộ điều khiển thích nghi nơron - Mờ kết hợp với bộ điều khiển LQR cho phép giảm dao động của tải trọng và định vị chính xác của giàn cần cẩu dựa trên Matlab

28
NGHIÊN CỨU KHOA HỌC
Tạp chí Nghiên cứu khoa học - Đại học Sao Đỏ, ISSN 1859-4190 Số 4(59).2017
THIẾT KẾ BỘ ĐIỀU KHIỂN THÍCH NGHI NƠRON - MỜ 
KẾT HỢP VỚI BỘ ĐIỀU KHIỂN LQR CHO PHÉP GIẢM 
DAO ĐỘNG CỦA TẢI TRỌNG VÀ ĐỊNH VỊ CHÍNH XÁC 
CỦA GIÀN CẦN CẨU DỰA TRÊN MATLAB
ADAPTIVE NEURAL - FUZZY CONTROLLER DESIGN COMBINED 
WITH LQR CONTROLLER ALLOWS TO REDUCE VIBRATION 
OF LOAD AND ACCURATE POSITIONING 
OF THE GANTRY CRANE BASED ON MATLAB
Nguyễn Văn Trung 1,2, Nguyễn Trọng Các 1, Nguyễn Thị Tâm1, Nguyễn Thị Việt Hương1
Email: nguyenvantrung.10@gmail.com
1Trường Đại học Sao Đỏ, Việt Nam
2Trường Đại học Trung Nam, Trung Quốc
Ngày nhận bài: 26/7/2017 
Ngày nhận bài sửa sau phản biện: 2/12/2017 
Ngày chấp nhận đăng: 28/12/2017
Tóm tắt 
Thế giới ngày càng phát triển, số lượng hàng hóa tại các nhà xưởng và bến cảng ngày càng nhiều, để vận 
chuyển tất cả các loại hàng hóa này không thể thiếu các giàn cần cẩu. Thực tế hiện nay các giàn cần cẩu 
hoạt động với sự ổn định chưa cao, vẫn còn sự lắc lư của tải trọng dẫn đến khả năng định vị thiếu chính 
xác. Chủ đề của bài báo này là thiết kế bộ điều khiển thích nghi nơron - mờ kết hợp với bộ điều khiển LQR 
để kiểm soát vị trí của xe nâng trong thời gian ngắn nhất đạt được vị trí mong muốn, đồng thời khống chế 
góc lệch của tải trọng sao cho dao động là nhỏ nhất. Bộ điều khiển thiết kế được mô phỏng trên phần mềm 
Matlab/Simulink trong các trường hợp thay các đổi thông số hệ thống và nhiễu tác động đến hệ thống giàn 
cần cẩu. Kết quả mô phỏng cho thấy bộ điều khiển thích nghi nơron - mờ kết hợp với bộ điều khiển LQR 
được đề xuất làm việc tốt txivt = 2,1 s, txigi = 3,5 s, θmax = 0,3 (rad). 
Từ khóa: Giàn cần cẩu; điều khiển thích nghi nơron-mờ; điều khiển LQR; điều khiển vị trí; điều khiển 
dao động. 
Abstract 
As the world grows, the number of goods at factories and ports are rising, to transport all kinds of goods 
are needed gantry crane. Actually, the crane gantry operation is not high stability, the load fluctuations 
lead to inaccurate positioning. The subject of this paper is to design an adaptive neural-fuzzy controller 
in combination with an LQR controller to control the position of the forklift truck in the shortest time 
to reach the desired position while controlling the angle of deviation of the load so that oscillation is 
minimal. The design controller is simulated on the Matlab/Simulink software in case of changing the 
system parameters and interference impacts on the crane system. Simulation results show that the 
adaptive neural-fuzzy controller combined with the proposed LQR controller works well txivt = 2.1 s, 
txigi = 3.5 s, θmax = 0.3 (rad). 
Keywords: Gantry crane; adaptive neural-fuzzy controller; LQR Control; position control; oscillation control. 
1. ĐẶT VẤN ĐỀ 
Trong thời đại công nghiệp hóa, giàn cần cẩu đóng 
một vai trò đặc biệt quan trọng. Việc vận chuyển 
hàng hóa an toàn, hiệu quả và kịp thời là cần 
thiết. Vì vậy đã có nhiều nghiên cứu nâng cao khả 
năng sử dụng, tăng hiệu quả hoạt động của giàn 
cần cẩu. 
Về mặt cấu trúc, các giàn cần cẩu trên không 
được di chuyển bởi xe nâng và tải trọng được 
treo trên xe nâng thông qua cáp treo [1]. Mô hình 
chuyển động kiểu con lắc [2]. Các cấu trúc này có 
cấu trúc như thể hiện trong hình 1. Hệ thống giàn 
cần cẩu với các chức năng di chuyển, nâng và hạ 
hàng hóa, tuy nhiên do góc xoay tự nhiên của tải 
LIÊN NGÀNH ĐIỆN - ĐIỆN TỬ - TỰ ĐỘNG HÓA
Tạp chí Nghiên cứu khoa học - Đại học Sao Đỏ, ISSN 1859-4190 Số 4(59).2017 29
trọng dẫn đến những chức năng này sẽ hoạt động 
kém hiệu quả. Sự lắc lư của tải trọng là do chuyển 
động di chuyển của xe nâng, do thường xuyên 
thay đổi chiều dài cáp treo và khối lượng của tải 
trọng, ngoài ra còn do tác động bởi nhiễu gây ra 
như sóng, gió và va chạm... Để loại bỏ những tác 
động của nhiễu bên ngoài đến hệ thống giàn cần 
cẩu [3] đề xuất ba môđun thông tin phản hồi phát 
hiện, bù đắp lỗi định vị, loại bỏ các rối loạn và 
định hình đầu vào để giảm dao động của tải trọng. 
Một cơ chế mới cho ảnh hưởng kiểm soát bên [4] 
để ngăn chặn sự chuyển động lắc của tải trọng. 
Một thuật toán PSO [5], DE [6] được sử dụng để 
điều chỉnh PID tối ưu và được thiết kế cho quá 
trình điều khiển cần cẩu trên cao với thông số điều 
khiển offline. Trong [7] đề xuất một khớp nối luật 
kiểm soát OFB đã đạt được vị trí chính xác và hiệu 
quả loại bỏ góc xoay của tải trọng. Một bộ điều 
khiển mở PD kép để điều khiển hệ thống giàn cần 
cẩu [8] trong đó bộ điều khiển mờ đầu tiên kiểm 
soát vị trí xe nâng, còn bộ điều khiển mờ thứ hai 
ngăn chặn các góc lệch của tải trọng. Trong [9] 
chọn hai bộ điều khiển mờ tách rời để đơn giản 
hóa các quy tắc kiểm soát và tính toán hệ thống. 
Trong [10] đề xuất kiểm soát các hệ thống giàn 
cần cẩu bằng cách kết hợp chế độ trượt với bộ 
điều khiển mờ.
Hình 1. Hình ảnh của giàn cần cẩu
Trong bài báo này đề xuất bộ điều khiển thích nghi 
nơron - mờ kết hợp với bộ điều khiển LQR để kiểm 
soát vị trí của giàn cần cẩu trong khi khống chế 
góc lệch của tải trọng. Bộ điều khiển thiết kế được 
kiểm tra thông qua mô phỏng Matlab/Simulink, kết 
quả làm việc tốt. 
Phần còn lại của bài báo được cấu trúc như 
sau: Phần 2: Mô hình động lực của hệ thống 
giàn cần cẩu. Thiết kế bộ điều khiển thích nghi 
nơron - mờ kết hợp với bộ điều khiển LQR được 
trình bày trong phần 3. Phần 4: Mô tả các kết quả 
mô phỏng. Phần 5: Kết luận.
2. MÔ HÌNH ĐỘNG LỰC CỦA HỆ THỐNG GIÀN 
CẦN CẨU
Một hệ thống giàn cần cẩu được thể hiện trong 
hình 2 với các thông số và các giá trị được [10] 
đưa ra như trình bày trong bảng 1. Hệ thống này 
có thể được mô hình hóa như là một xe nâng với 
khối lượng M. Một con lắc gắn liền với nó có trọng 
tải khối lượng m, l là chiều dài của con lắc, θ là góc 
lệch của con lắc, Ӫ là vận tốc góc của tải trọng.
Hình 2. Sơ đồ của hệ thống giàn cần cẩu
Bảng 1. Ký hiệu và giá trị các thông số giàn cần cẩu
Ký 
hiệu Mô tả
Giá 
trị
Đơn vị 
k
M Khối lượng xe nâng 1 kg
l Chiều dài của con lắc 0,305 m
m Khối lượng tải trọng 0,8 kg
g Hằng số hấp dẫn 9,81 m/s2
µ Hệ số ma sát 0,2 N/m/s
Theo phương trình Lagrangian:
trong đó: p: thế năng của hệ thống; qi: hệ tọa độ 
suy rộng; i: số bậc tự do của hệ thống; Qi : lực bên 
ngoài; T: động năng của hệ thống: 
Vị trí của xe nâng (XMYM) trong hệ tọa độ quán tính 
được cho bởi:
Vị trí của tải trọng (XmYm) trong hệ tọa độ quán tính 
được cho bởi:
30
NGHIÊN CỨU KHOA HỌC
Tạp chí Nghiên cứu khoa học - Đại học Sao Đỏ, ISSN 1859-4190 Số 4(59).2017
Từ (3), (4) ta có các thành phần vận tốc của xe 
nâng và tải trọng là:
(5)
Động năng của xe nâng là:
(6)
Động năng của tải trọng là:
(7)
Từ (6), (7) ta có động năng của hệ thống là:
(8)
Thế năng của hệ thống là:
(9)
Từ (8), (9) ta có:
(10)
(11) 
(12)
Tính toán tương tự (10)，(11)，(12) và thay vào 
(1) ta có phương trình phi tuyến chuyển động của 
hệ thống giàn cần cẩu như sau: 
(13)
(14)
Tuyến tính hóa quanh trạng thái cân bằng, 
khi đó góc lệch của tải trọng nhỏ, ta có: 
 Từ đó phương trình 
phi tuyến chuyển động của hệ thống giàn cần cẩu 
được đơn giản hóa với mô hình tuyến tính hóa 
sau: 
(15)
(16)
Từ (15), (16) ta thu được hệ phương trình tuyến 
tính sau:
(17)
trong đó: F: những lực bên ngoài tác động vào hệ 
thống giàn cần cẩu.
3. THIẾT KẾ BỘ ĐIỀU KHIỂN THÍCH NGHI 
NƠRON - MỜ KẾT HỢP VỚI BỘ ĐIỀU 
KHIỂN LQR
Bài báo đề xuất một bộ điều khiển thích nghi 
nơron - mờ ANFIS (Adaptive Neuro-Fuzzy 
Inference System) kết hợp với bộ điều khiển LQR 
để điều khiển vị trí của xe nâng trong thời gian 
ngắn nhất đạt được vị trí mong muốn, đồng thời 
kiểm soát góc lệch của tải trọng sao cho dao động 
là nhỏ nhất. 
Bộ điều khiển thích nghi nơron - mờ kết hợp với 
bộ điều khiển LQR (ANFIS-LQR) là bộ điều khiển 
trong đó thiết bị điều khiển gồm hai thành phần 
sau: thành phần điều khiển tuyến tính LQR và 
thành phần điều khiển thích nghi nơron - mờ. Bộ 
điều khiển thích nghi nơron - mờ kết hợp với bộ 
điều khiển LQR có thể thiết lập dựa trên các tín 
hiệu là sai lệch e(t) và đạo hàm e’(t). Bộ điều khiển 
thích nghi nơron - mờ có khả năng học, điều khiển 
thích nghi khi các thông số hệ thống thay đổi và 
có đặc tính rất tốt ở vùng sai lệch lớn, đặc tính 
phi tuyến của nó có thể tạo ra phản ứng động rất 
nhanh. Khi quá trình của hệ tiến gần đến điểm đặt 
(sai lệch e(t) và đạo hàm e’(t) của nó xấp xỉ bằng 
0), vai trò của bộ điều khiển thích nghi nơron - mờ 
bị hạn chế nên bộ điều khiển sẽ làm việc với bộ 
điều chỉnh LQR. 
Sơ đồ bộ điều khiển thích nghi nơron - mờ ANFIS 
kết hợp với bộ điều khiển LQR cho hệ thống giàn 
cần cẩu được mô tả trong hình 3.
Hình 3. Sơ đồ cấu trúc Matlab của bộ điều khiển 
thích nghi nơron - mờ ANFIS kết hợp 
với bộ điều khiển LQR
3.1. Thiết kế bộ điều khiển LQR
Hệ thống giàn cần cẩu được mô tả theo hệ 
phương trình trạng thái sau:
Trong đó: là một biến trạng 
thái đại diện cho sự dịch chuyển của xe 
nâng, vận tốc của xe nâng, góc lệch và 
vận tốc góc của tải trọng. u(t)=F là biến 
đầu vào,
LIÊN NGÀNH ĐIỆN - ĐIỆN TỬ - TỰ ĐỘNG HÓA
Tạp chí Nghiên cứu khoa học - Đại học Sao Đỏ, ISSN 1859-4190 Số 4(59).2017 31
Hiệu suất của hệ thống là theo chỉ số J tốt nhất 
[11]. Chỉ tiêu chất lượng dạng toàn phương là: 
(19)
Trong đó: Q = QT là một ma trận bánxác định 
dương, R = RT là ma trận xác định dương.
Tín hiệu điều khiển tối ưu u là:
(20)
Với P là nghiệm bán xác định dương của phương 
trình đại số Ricatti: 
(21)
Giải phương trình (21) ta thu được giá trị P, từ đó 
suy ra giá trị của K.
Do đó thiết kế bộ điều khiển LQR điều quan trọng 
là chọn ma trận trọng số thích hợp từ đó xác định 
ma trận thông tin phản hồi tối ưu.
Bằng phương pháp thử sai, nhóm tác giả chọn 
được ma trận trọng số như sau: R =1,
(22) 
Trong đó: Vị trí trọng số của xe nâng được chọn 
là Q1,1 = 1000, góc trọng số của tải trọng là 
Q3,3 = 500. 
Phần mềm Matlab Toolbox cung cấp một chức 
năng có thể sử dụng để thiết kế tối ưu tuyến tính 
điều chỉnh toàn phương [12]. Ma trận thông tin 
phản hồi LQR được tính như sau:
K = LQR (A, B, Q, R) (23) 
K = [31,6228; 14,4553; -15,650; 0,5413]
Bộ điều khiển LQR cho hệ thống giàn cần cẩu 
được thể hiện trong hình 4.
Hình 4. Sơ đồ cấu trúc Matlab của bộ điều khiển 
LQR cho hệ thống giàn cần cẩu
3.2. Thiết kế bộ điều khiển thích nghi nơron - 
mờ ANFIS
3.2.1. Giới thiệu chung về bộ điều khiển thích 
nghi nơron - mờ ANFIS
Bộ điều khiển thích nghi nơron - mờ ANFIS là 
một ứng dụng được chạy trên phần mềm Matlab. 
Mạng đưa ra các phương pháp để hệ thống nơron 
- mờ có thể học từ các thông tin vào-ra cho trước 
(thông tin huấn luyện). Cụ thể trong bài báo này, 
nhóm tác giả đã tiến hành cho bộ điều khiển thích 
nghi nơron - mờ ANFIS học theo bộ điều khiển 
LQR, từ đó xây dựng một hệ thống các hàm liên 
thuộc cho phép hệ thống này có thể suy luận các 
đáp ứng ra của hệ thống từ các kích thích ngõ 
vào dựa trên cấu trúc của hệ thống đã được học. 
ANFIS sử dụng phương pháp ước lượng bình 
phương tối thiểu và lan truyền ngược sai số theo 
hướng giảm gradien để xây dựng các tham số 
hàm liên thuộc. Tính toán cơ bản trong hệ thống 
mờ (FIS) được xem như là một ánh xạ phi tuyến 
được tham số hóa mô tả bằng hàm f như sau: 
(24)
Trong đó: y l là đầu ra, µAli là hàm thuộc của đầu 
vào tương ứng với luật hợp thành thứ l . Luật hợp 
thành Max-PROD và phương pháp giải mờ là 
phương pháp điểm trọng tâm.
3.2.2. Các bước thiết kế bộ điều khiển thích 
nghi nơron - mờ cho hệ thống giàn cần cẩu 
Bước 1. Thiết kế sơ đồ cấu trúc Matlab cho bộ 
điều khiển ANFIS lấy mẫu học theo bộ điều khiển 
LQR như thể hiện trong hình 5.
32
NGHIÊN CỨU KHOA HỌC
Tạp chí Nghiên cứu khoa học - Đại học Sao Đỏ, ISSN 1859-4190 Số 4(59).2017
Hình 5. Sơ đồ cấu trúc Matlab cho bộ điều khiển 
ANFIS lấy mẫu học bộ điều khiển LQR
Trong đó: x1, x2, x3, x4, u tương ứng là vị trí, vận 
tốc của xe nâng, góc lệch, vận tốc góc của tải 
trọng và tín hiệu điều khiển.
Bước 2. Thực hiện với chu kỳ lấy mẫu là 0,01 s và 
cho chạy trong thời gian 10 s ta sẽ có 1000 mẫu 
tương tự như 10 mẫu trong bảng 2.
Bảng 2. Mẫu x1, x2, x3, x4, u để huấn luyện mạng 
ANFIS
x1 x2 x3 x4 u
-0,5946 -6,2273 0,2959 30,000 -97,212
-3,0000 -20,204 -0,5600 -6,2687 -381,56
0,2001 1,6384 -0,1222 30,000 48,162
-1,8985 12.096 0,3767 -29,933 92,727
-0,9562 1.2494 -0,1653 30,000 6,6477
-1,1274 -1.4226 -0,1752 -30,000 -69,712
-2,5769 16.047 0,1406 -30,000 132,03
-1,4476 3.4685 -0,6441 30,000 30,679
-1,4191 -13.786 0,1855 30,000 -230,83
-2,0096 8.6680 -0,3196 30,000 82,989
Bước 3. Huấn luyện mạng nơron-mờ ANFIS trên 
phần mềm Matlab.
- Thứ nhất tải dữ liệu huấn luyện vào vùng làm 
việc của bộ soạn thảo ANFIS GUI. Khi đó ta có sơ 
đồ các dữ liệu cần huấn luyện là tập các hình tròn 
như thể hiện trong hình 6. 
Hình 6. Sơ đồ các dữ liệu cần huấn luyện 
- Thứ hai ta tiến hành chọn Generate FIS với các 
hàm liên thuộc ngõ vào đều được sử dụng 3 tập 
mờ để mô tả, các hàm liên thuộc có dạng trapmf, 
ngõ ra là linear và phạm vi của các biến ngôn ngữ 
đầu vào, đầu ra được thể hiện như trong hình 7. 
Từ các biến ngôn ngữ đầu vào, đầu ra và các hàm 
thành viên để mô tả các biến, tổng cộng 34 = 81 
luật mờ được sử dụng để điều khiển hệ thống 
giàn cần cẩu. Trong đó các luật mờ từ 1 đến 11 
được đưa ra như trong hình 8. Quan hệ vào - ra 
của bộ điều khiển mờ trong không gian được hiển 
thị trong hình 9.
-2 0 2
0
0.5
1
input1
(a)
De
gr
ee
 o
f m
em
be
rs
hi
p
NE ZE PO
-20 0 20
0
0.5
1
input2
(b)
De
gr
ee
 o
f m
em
be
rs
hi
p
NE ZE PO
-1 0 1
0
0.5
1
input3
(c)
De
gr
ee
 o
f m
em
be
rs
hi
p
NE ZE PO
-100 0 100
0
0.5
1
input4
(d)
De
gr
ee
 o
f m
em
be
rs
hi
p
NE ZE PO
De
gr
ee
 o
f m
em
be
rs
hip
De
gr
ee
 o
f m
em
be
rs
hip
De
gr
ee
 o
f m
em
be
rs
hip
De
gr
ee
 o
f m
em
be
rs
hip
Outpu 
(e) 
Hình 7. Các hàm liên thuộc của các biến đầu vào 
và đầu ra của bộ điều khiển mờ
Hình 8. Luật mờ IF-THEN của bộ điều khiển mờ
Hình 9. Cửa sổ quan hệ vào - ra của bộ điều 
khiển mờ trong không gian
LIÊN NGÀNH ĐIỆN - ĐIỆN TỬ - TỰ ĐỘNG HÓA
Tạp chí Nghiên cứu khoa học - Đại học Sao Đỏ, ISSN 1859-4190 Số 4(59).2017 33
- Thứ ba ta tiến hành chọn Epochs, sau đó cho 
huấn luyện mạng ANFIS ta được sơ đồ không còn 
sai lệch như thể hiện trong hình 10, sơ đồ bộ điều 
khiển thích nghi nơron - mờ ANFIS có cấu trúc 
như hình 11.
Hình 10. Sơ đồ các dữ liệu đã được huấn luyện 
mạng ANFIS
Hình 11. Sơ đồ bộ điều khiển thích nghi nơron - 
mờ ANFIS
Bước 4. Thiết kế sơ đồ cấu trúc Matlab cho bộ điều 
khiển thích nghi nơron - mờ ANFIS điều khiển hệ 
thống giàn cần cẩu như trong hình 12. 
Hình 12. Sơ đồ cấu trúc Matlab của bộ điều khiển 
ANFIS cho hệ thống giàn cần cẩu
Bước 5. Tối ưu hệ thống: mô phỏng hệ thống để 
kiểm tra kết quả. 
4. KẾT QUẢ MÔ PHỎNG 
Bộ điều khiển đã thiết kế được mô phỏng trên 
phần mềm Matlab/Simulink. Các tham số hệ 
thống được sử dụng mô phỏng có trong bảng 1. 
Kết quả so sánh tín hiệu điều khiển của bộ điều 
khiển ANFIS học theo bộ điều khiển LQR với tín 
hiệu điều khiển của bộ điều khiển LQR được hiển 
thị trong hình 13. 
Hình 13. Tín hiệu điều khiển của bộ điều khiển 
ANFIS và bộ điều khiển LQR
Trong đó: Đường đặc tính màu xanh lá cây là tín 
hiệu điều khiển của bộ điều khiển LQR. Đường 
đặc tính màu xanh da trời là tín hiệu điều khiển 
của bộ điều khiển ANFIS. Có thể thấy rằng bộ 
điều khiển ANFIS đã học tốt tín hiệu điều khiển 
của bộ điều khiển LQR. 
Mô phỏng hệ thống với vị trí xe nâng mong 
muốn x_ref = 0,5 m . Kết quả mô phỏng được 
hiển thị trong hình 14. Trong đó: x-LQR, θ-LQR 
tương ứng là đường đặc tính đáp ứng vị trí của 
xe nâng và góc lệch của tải trọng khi điều khiển 
theo bộ điều khiển LQR. Đối với vị trí xe nâng 
có độ quá điều chỉnh (POT) 5%, sai số xác lập 
(exl) 0%, thời gian xác lập vị trí (txlvt) 3,1 s, còn đối với 
góc lệch của tải trọng có góc lớn nhất (θmax) 0,3 (rad) 
và thời gian xác lập góc lệch (txlgl) 3,1 s; x-ANFIS, 
θ-ANFIS tương ứng là đường đặc tính đáp ứng 
vị trí của xe nâng và góc lệch của tải trọng khi 
điều khiển theo bộ điều khiển ANFIS có POT = 5%, 
exl = 0%, txlvt = 3 s, θmax = 0,3 (rad) và txlgl = 3,1 s; 
x-ANFIS-LQR, θ-ANFIS-LQR tương ứng là 
đường đặc tính đáp ứng vị trí của xe nâng và 
góc lệch của tải trọng khi điều khiển theo bộ điều 
khiển ANFIS-LQR có POT = 0%, exl = 0%, txlvt = 2,1 
s, θmax = 0,3 (rad) và txlgl = 3,5 s. 
Bằng cách so sánh kết quả khi sử dụng các bộ 
điều khiển có thể thấy rằng các bộ điều khiển đều 
đạt được hiệu quả kiểm soát tốt. Nhưng trường 
hợp sử dụng bộ điều khiển ANFIS-LQR có khả 
năng thích ứng mạnh mẽ hơn và chất lượng điều 
khiển tốt hơn vì không còn tồn tại độ quá điều 
chỉnh và đạt được vị trí chính xác trong thời gian 
ngắn hơn.
34
NGHIÊN CỨU KHOA HỌC
Tạp chí Nghiên cứu khoa học - Đại học Sao Đỏ, ISSN 1859-4190 Số 4(59).2017
0 2 4 6 8
-0.5
0
0.5
Time (s)
(b)
S
w
in
g 
an
gl
e 
(r
ad
)
0 2 4 6 8
0
0.5
1
Time (s)
(a)
P
os
iti
on
 (m
)
x-ANFIS
x-LQR
x-ANFIS-LQR
θ-ANFIS
θ-LQR
θ-ANFIS-LQR
Sw
in
g 
an
gl
e 
(ra
d)
Po
si
tio
n 
(m
)
Hình 14. Đường đặc tính đáp ứng vị trí 
của xe nâng và góc lệch của tải trọng
0 2 4 6 8
0
0.5
1
Time (s)
(a)
P
os
iti
on
 (m
)
0 2 4 6 8
-1
-0.5
0
0.5
1
Time (s)
(b)
S
w
in
g 
an
gl
e 
(r
ad
)
x-TH1
x-TH2
x-TH3
θ-TH1
θ-TH2
θ-TH3
Po
si
tio
n 
(m
)
Sw
in
g 
an
gl
e 
(ra
d)
Hình 15. Đường đặc tính đáp ứng vị trí của xe 
nâng và góc lệch của tải trọng khi thay đổi 
các thông số hệ thống
Để bám sát với tình hình thực tế và nghiên cứu 
tác động của các bộ điều khiển, chúng ta lần lượt 
thay đổi các thông số cụ thể như sau: Trường hợp 
1 (TH1) tăng l = 0,61 m, các thông số khác không 
đổi. TH2 tăng m = 1,6 kg, các thông số khác không 
đổi. TH3 tăng x_ref = 0,8 m, các thông số khác 
không đổi.
Mô phỏng hệ thống trên phần mềm Matlab/
Simulink cho ba trường hợp trên. Kết quả mô 
phỏng được hiển thị trong hình 15. Có thể thấy 
rằng khi các thông số hệ thống thay đổi trong 
trường hợp sử dụng ANFIS-LQR, hệ thống giàn 
cần cẩu vẫn đạt được vị trí chính xác trong thời 
gian ngắn và khống chế được góc lệch của tải 
trọng nhỏ.
0 2 4 6 8
0
0.5
1
Time (s)
(a)
Po
si
tio
n 
(m
)
x-TH1
x-TH2
x-ANFIS-LQR
0 2 4 6 8
-0.4
-0.2
0
0.2
0.4
Time (s)
(b)
Sw
in
g 
an
gl
e 
(ra
d)
θ-TH1
θ-TH2
θ-ANFIS-LQR
Po
sit
ion
 (m
)
Sw
ing
 a
ng
le 
(ra
d)
Hình 16. Đường đặc tính đáp ứng vị trí của xe 
nâng và góc lệch của tải trọng khi có nhiễu
Ngoài ra, khi hệ thống giàn cần cẩu hoạt động còn 
có các nhiễu bên ngoài tác động vào hệ thống, để 
kiểm tra độ tin cậy của các bộ điều khiển nhóm 
tác giả đã đưa giả thiết các bước tín hiệu nhiễu 
[9] tác động vào hệ thống giàn cần cẩu, cụ thể 
như sau: Trường hợp 1 (TH1) là nhiễu làm tải 
trọng dao động với bước tín hiệu nhiễu giả thiết 
như sau: Thời gian bước = 4 s, góc lệch = 0,2 
(rad), thời gian = 1 s. TH2 là nhiễu làm thay đổi vị 
trí giỏ hàng với bước tín hiệu nhiễu giả thiết như 
sau: Thời gian bước = 1 s, phạm vi = 0,2 m, thời 
gian = 1 s; Kết quả mô phỏng được hiển thị trong 
hình 16. TH3 tín hiệu nhiễu tác động vào hệ thống 
có dạng như hình 17, khi đó đường đặc tính đáp 
ứng vị trí của xe nâng và góc lệch của tải trọng 
được thể hiện như trong hình 18. 
Hình 17. Đường đặc tính dạng tín hiệu nhiễu tác 
động vào hệ thống
Có thể thấy rằng khi có các nhiễu tác động, hệ 
thống vẫn đạt được vị trí mong muốn trong thời 
gian ngắn và kiểm soát được góc lệch của tải 
trọng nhỏ.
Hình 18. Đường đặc tính đáp ứng vị trí của xe 
nâng và góc lệch của tải trọng khi có nhiễu TH3
LIÊN NGÀNH ĐIỆN - ĐIỆN TỬ - TỰ ĐỘNG HÓA
Tạp chí Nghiên cứu khoa học - Đại học Sao Đỏ, ISSN 1859-4190 Số 4(59).2017 35
Để làm rõ tính vượt trội của giải pháp, nhóm 
tác giả đã tiến hành so sánh bộ điều khiển 
ANFIS-LQR với các phương pháp điều khiển khác 
đã được công bố như trong bảng 3.
Bảng 3. So sánh ANFIS-LQR với các phương 
pháp điều khiển khác đã được công bố
Ký 
hiệu
ANFIS- 
LQR
DE-
PID 
[6]
Mờ-
PD 
[8]
Mờ 
đôi 
[9]
Mờ- 
Trượt 
[10]
x_ref 0,5 m 5 m 0,2 m 1 m 2 m
POT 0% 3% 0% 13% 0%
exl 0% 0% 0% 0% 0%
txlvt 2,1s 12 s 4,5 s 35 s 12,5 s
txlgl 3,5 s 25 s 3,5 s 26 s 13 s
θmax
0,3 
rad
0,65 
rad
0,06 
rad
0,02 
rad 0,3 rad
θmin 0 rad
0 
rad
0 
rad
0 
rad 0 rad
Căn cứ vào các kết quả trong bảng 3 có thể thấy 
rằng với đối tượng giàn cần cẩu mà nhóm tác 
giả nghiên cứu trong [10] sử dụng bộ điều khiển 
ANFIS-LQR là tối ưu nhất.
5. KẾT LUẬN
Trong bài báo này, chúng tôi thiết kế được bộ 
điều khiển ANFIS-LQR để kiểm soát vị trí của xe 
nâng trong thời gian ngắn đạt được vị trí mong 
muốn, đồng thời khống chế được góc lệch của 
tải trọng nhỏ. Bộ điều khiển ANFIS-LQR được 
kiểm tra thông qua mô phỏng Matlab/Simulink 
kết quả mô phỏng khi thay đổi các thông số 
hệ thống và kiểm tra độ tin cậy của hệ thống 
điều khiển bằng việc đưa bước tín hiệu nhiễu 
tác động vào hệ thống cho thấy giàn cần cẩu di 
chuyển đến vị trí mong muốn nhanh trong khoảng 
txlvt = 2,1 s trong khi khống chế dao động của tải 
trọng nhỏ với θmax = 0,3 (rad). Ngoài ra bộ điều khiển 
ANFIS-LQR còn được so sánh với các phương 
pháp điều khiển khác. Kết quả bộ điều khiển 
ANFIS-LQR được đề xuất điều khiển giàn cần cẩu 
[10] là tối ưu nhất.
TÀI LIỆU THAM KHẢO
[1]. J. Smoczek (2013). Interval arithmetic-based 
fuzzy discrete-time crane control scheme design. 
Bull. Pol. Ac.: Tech. 61 (4), 863-870.
[2]. N. Sun, Y.C. Fang, and X.B. Zhang (2013). 
Energy coupling output feedback control of 4-DOF 
underactuated cranes with saturated inputs. 
Automatica 49 (5), 1318-1325.
[3]. Khalid L. Sorensen, William Singhose, Stephen 
Dickerson (2007). A controller enabling precise 
positioning and sway reduction in bridge and 
gantry cranes. Control Engineering Practice 15, 
825-837.
[4]. Quang Hieu Ngo and Keum-Shik Hong (2012). 
Sliding-Mode Antisway Control of an Offshore 
Container Crane. IEEE/ASME Transactions on 
Mechatronics, Vol. 17, No. 2, APRIL.
[5]. Mohammad Javad Maghsoudi, Z. Mohamed, 
A.R. Husain, M.O. Tokhi (2016). An optimal 
performance control scheme for a 3D crane. 
Mechanical Systems and Signal Processing 
66-67, 756-768.
[6]. Zhe Sun, Ning Wang, Yunrui Bi, Jinhui Zhao 
(2015). A DE based PID controller for two 
dimensional overhead crane. Proceedings of the 
34th Chinese Control Conference July 28-30, 
Hangzhou, China.
[7]. Ning Sun, Yongchun Fang, Xuebo Zhang (2013). 
Energy coupling output feedback control of 4-DOF 
underactuated cranes with saturated inputs. 
Automatica 49, 1318-1325.
[8]. Naif B. Almutairi and Mohamed Zribi (2016). 
Fuzzy Controllers for a Gantry Crane System with 
Experimental Verifications. Article in Mathematical 
Problems in Engineering. DOI: 10.1155/1965923.
[9]. Lifu Wang, Hongbo Zhang, Zhi Kong (2015). 
Anti-swing Control of Overhead Crane Based on 
Double Fuzzy Controllers. IEEE Chinese Control 
and Decision Conference (CCDC), 978-1-4799-
7016-2/15/$31.00.
[10]. Dianwei Qian, Jianqiang Yi, Dongbin Zhao 
(2011). Control of Overhead Crane Systems 
by Combining Sliding Mode with Fuzzy Regulator. 
Milano (Italy) August 28 - September 2.
[11]. Yu Zhangguan (2005). Modern Control Theory [M]. 
Harbin: Harbin Institute of Technology Press.
[12]. Xue Dingyu, Chen Yangquan. System Simulation 
Technology and Application Based on Matlab/
Simulink [M]. Beijing.