Nhận dạng và điều khiển hệ phi tuyến có trễ dùng mô hình fuzzy nhiều lớp kếp hợp giải thuật tính toán mềm

ĐẠI HỌC QUỐC GIA TP HỒ CHÍ MINH TRƯỜNG ĐẠI HỌC BÁCH KHOA CAO VĂN KIÊN NHẬN DẠNG VÀ ĐIỀU KHIỂN HỆ PHI TUYẾN CĨ TRỄ DÙNG MƠ HÌNH FUZZY NHIỀU LỚP KẾT HỢP GIẢI THUẬT TÍNH TỐN MỀM LUẬN ÁN TIẾN SĨ TP HỒ CHÍ MINH - NĂM 2022 ĐẠI HỌC QUỐC GIA TP HCM TRƯỜNG ĐẠI HỌC BÁCH KHOA CAO VĂN KIÊN NHẬN DẠNG VÀ ĐIỀU KHIỂN HỆ PHI TUYẾN CĨ TRỄ DÙNG MƠ HÌNH FUZZY NHIỀU LỚP KẾT HỢP GIẢI THUẬT TÍNH TỐN MỀM Chun ngành: Kỹ Thuật Điều Khiển & Tự Động Hóa Mã số chuyên ngành: 62520216 Phản biện độc lập: PGS TS Đặng Xuân Kiên Phản biện độc lập: PGS TS Trương Đình Nhơn Phản biện: PGS TS Nguyễn Chí Ngơn Phản biện: PGS TS Nguyễn Thanh Phương Phản biện: PGS TS Nguyễn Quốc Hưng NGƯỜI HƯỚNG DẪN: GS TS Hồ Phạm Huy Ánh LỜI CAM ĐOAN Nghiên cứu sinh xin cam đoan cơng trình nghiên cứu thân nghiên cứu sinh Các kết nghiên cứu kết luận luận án trung thực, không chép từ nguồn hình thức Việc tham khảo nguồn tài liệu thực trích dẫn ghi nguồn tài liệu tham khảo quy định Nghiên cứu sinh luận án Cao Văn Kiên i TÓM TẮT LUẬN ÁN Hệ thống phi tuyến với yếu tố bất định nhiễu động khó để xác định xác mơ hình tốn học hệ thống đặc biệt hệ có đặc tính trễ Do hướng tiếp cận điều khiển thông thường dựa mơ hình tốn học gần khơng đáp ứng u cầu Vì ngày có nhiều nghiên cứu tập trung vào mơ hình điều khiển thơng minh ứng dụng kỹ thuật tính tốn mềm dựa mạng nơ-ron nhân tạo, logic mờ thuật tốn tối ưu tiến hóa Trong luận án này, nghiên cứu sinh đề xuất mơ hình Fuzzy nhiều lớp kết hợp với giải thuật tiến hóa vi sai để nhận dạng điều khiển hệ phi tuyến Các nội dung luận án tóm tắt sau: Đề xuất mơ hình Fuzzy nhiều lớp dùng nhận dạng điều khiển hệ phi tuyến Mơ hình Fuzzy nhiều lớp tạo thành cách kết hợp nhiều mơ hình Fuzzy Multi-Input, Single-Output (MISO) Mỗi mơ hình Fuzzy MISO nhiều lớp tạo thành nhiều mơ hình Fuzzy Takagi-Sugeno (T-S) truyền thống Cấu trúc luật mờ mơ hình Fuzzy nhiều lớp tính tốn tối ưu giải thuật tiến hố vi sai Kết cho thấy mơ hình Fuzzy nhiều lớp dùng nhận dạng mơ hình Multi-Input Multi-Output (MIMO) tính linh hoạt mơ hình thể thí nghiệm Đề xuất thứ hai giải thuật huấn luyện ghép tầng, dùng đề huấn luyện mơ hình Fuzzy nhiều lớp cách Qua kết thực nghiệm chứng minh phương pháp làm tăng độ xác, giảm thời gian tính tốn so với phương pháp huấn luyện thơng thường Về tốn điều khiển, luận án có hai đề xuất giải thuật điều khiển kết hợp giải thuật tính tốn mềm tối ưu giải thuật điều khiển thích nghi Đầu tiên giải thuật trượt mờ thích nghi với hàm thích nghi thiết kế gọn tận dụng khả giải thuật tính tốn tối ưu vào nhận dạng tham số ban đầu điều khiển Đề xuất cho toán điều khiển thứ hai giải thuật điều khiển mơ hình ngược thích nghi áp dụng mơ hình Fuzzy nhiều lớp tối ưu giải thuật tiến hóa vi sai kết hợp với giải thuật điều khiển trượt mờ thích nghi Cả hai hướng đề xuất có đặc điểm kết hợp giải thuật tối ưu với giải thuật điều khiển thích nghi làm tăng chất lượng điều khiển lúc khởi động đảm bảo lý thuyết ổn định Lyapunov ii ABSTRACT Nonlinear systems with uncertainties and disturbances make it difficult to accurately identify the mathematical model of the system Therefore, the conventional control approaches based on the mathematical model almost not meet the quality requirements Therefore, more and more research is focused on intelligent models and controllers applying soft computing techniques based on artificial neural networks, fuzzy logic, and evolutionary optimization algorithms In this thesis, the author proposes multilayer fuzzy model trained by the differential evolution algorithm to identify and control the nonlinear system The main contributions of the thesis are summarized as follows: The first contribution is a multilayer Fuzzy model used in the identification and control nonlinear systems Multilayer Fuzzy models are created by combining multiple Fuzzy MISO models Each multilayer Fuzzy MISO model is made up of many traditional Takagi-Sugeno Fuzzy models The structure and laws of the multilayer Fuzzy model are optimally identified using the differential evolution (DE) algorithm The results show that multilayer fuzzy model can be used in MIMO model identification and the flexibility of the model has been shown in experiments The second contribution is a cascade training algorithm, which uses to train a multi-layered fuzzy model sequentially The experimental results show that the method increases accuracy and reduces calculation time compared to conventional methods Regarding the control problem, the author has two contribution that combining the optimal soft computing algorithm and adaptive control algorithm The first is a novel adaptive fuzzy sliding mode algorithm that is the adaptive law has been newly designed and takes advantage of the ability of optimal computing algorithms to identify the initial parameters of the controller The second control problem is an adaptive inversed model control algorithm that applies the optimal multilayer Fuzzy model by DE algorithm combined with an adaptive fuzzy control algorithm Both proposed controllers have the characteristics of combining optimization algorithm with an adaptive control algorithm to increase controller quality at startup and guarantee the system meets Lyapunov's stability theory iii LỜI CẢM ƠN Để hồn thành luận án này, tơi xin gửi lời cảm ơn đến GS TS Hồ Phạm Huy Ánh, thầy hướng dẫn suốt trình thực đề tài Tơi xin gửi lời cảm ơn đến tất thầy cô Khoa Điện - Điện tử, Đại học Bách Khoa Tp.HCM truyền đạt kiến thức tảng quý báu từ học bậc Cao học học phần Tiến sĩ, nhờ kiến thức tảng mà thực cơng việc nghiên cứu Xin gửi lời cảm ơn đến thầy cô Hội đồng đánh giá chuyên đề Tiến sĩ, luận án Tiến sĩ cấp Khoa, ý kiến phản biện góp ý thật giúp tơi nhiều việc chỉnh sửa hoàn chỉnh luận án Xin gửi lời cảm ơn đến lãnh đạo Trường Đại học Cơng nghiệp Tp.HCM, lãnh đạo tồn thể cán bộ, giảng viên Khoa Công nghệ Điện tử có sách hỗ trợ, tạo điều kiện tốt cho học tập làm việc Cuối xin chân thành cảm ơn gia đình người thân ln chia sẻ khó khăn chỗ dựa vững vật chất tinh thần suốt thời gian thực hoàn thành luận án iv MỤC LỤC DANH MỤC BẢNG BIỂU xi DANH MỤC CÁC TỪ VIẾT TẮT xii DANH MỤC CÁC KÝ HIỆU xiii MỞ ĐẦU TÍNH CẤP THIẾT CỦA ĐỀ TÀI MỤC ĐÍCH NGHIÊN CỨU ĐỐI TƯỢNG VÀ PHẠM VI NGHIÊN CỨU PHƯƠNG PHÁP NGHIÊN CỨU ĐÓNG GÓP MỚI VỀ MẶT KHOA HỌC VÀ THỰC TIỄN BỐ CỤC CỦA LUẬN ÁN CHƯƠNG GIỚI THIỆU 1.1 GIỚI THIỆU ĐỀ TÀI 1.2 TỔNG QUAN TÌNH HÌNH NGHIÊN CỨU 1.2.1 Về lĩnh vực nhận dạng hệ thống dùng mơ hình logic mờ 1.2.2 Về lĩnh vực điều khiển dùng mô hình logic mờ 12 1.3 PHẠM VI NGHIÊN CỨU 13 1.4 NỘI DUNG QUYỂN LUẬN ÁN 14 CHƯƠNG CƠ SỞ LÝ THUYẾT 16 2.1 GIỚI THIỆU 16 2.2 THUẬT TỐN TIẾN HĨA VI SAI 16 2.3 BỘ ĐIỀU KHIỂN TRƯỢT 18 2.4 MƠ HÌNH FUZZY NHIỀU LỚP TRONG NHẬN DẠNG HỆ PHI TUYẾN 20 2.4.1 Mơ hình Fuzzy nhận dạng hệ phi tuyến 20 2.4.2 Mơ hình Fuzzy nhiều lớp 21 2.5 KẾT LUẬN 24 CHƯƠNG NHẬN DẠNG HỆ PHI TUYẾN DÙNG MƠ HÌNH FUZZY NHIỀU LỚP 3.1 25 GIỚI THIỆU 25 v 3.2 MƠ HÌNH HỆ BỒN NƯỚC ĐƠI LIÊN KẾT 25 3.2.1 Thu thập liệu vào 27 3.2.2 Kết nhận dạng mơ hình thuận 29 3.2.3 Kết nhận dạng mơ hình ngược 33 3.3 MƠ HÌNH PAM SONG SONG 38 3.3.1 Mơ hình PAM song song 38 3.3.2 Thu thập liệu vào – 39 3.3.3 Huấn luyện mơ hình thuận – ngược 41 3.4 HUẤN LUYỆN GHÉP TẦNG MƠ HÌNH FUZZY NHIỀU LỚP ỨNG DỤNG NHẬN DẠNG HỆ PHI TUYẾN ĐA BIẾN 45 3.4.1 nhận dạng tham số mơ hình Fuzzy nhiều lớp phương pháp ghép tầng 45 3.4.2 Thu thập liệu 46 3.4.3 Huấn luyện mơ hình 47 3.4.4 Kết huấn luyện 48 3.5 KẾT LUẬN 55 CHƯƠNG ĐIỀU KHIỂN THÍCH NGHI HỆ PHI TUYẾN DÙNG MƠ HÌNH FUZZY NHIỀU LỚP KẾT HỢP GIẢI THUẬT TỐI ƯU 56 4.1 GIỚI THIỆU 56 4.2 GIẢI THUẬT ĐIỀU KHIỂN TRƯỢT MỜ NÂNG CAO KẾT HỢP GIẢI THUẬT TỐI ƯU 57 4.2.1 Mô hình PAM 1dof thực nghiệm .61 4.2.2 Kết điều khiển 63 4.3 GIẢI THUẬT ĐIỀU KHIỂN NGƯỢC THÍCH NGHI NÂNG CAO KẾT HỢP GIẢI THUẬT TỐI ƯU 72 4.3.1 Giải thuật điều khiển ngược thích nghi nâng cao kết hợp giải thuật tối ưu .72 4.3.2 Mô hình Spring-mass-damper 77 4.3.3 Mơ hình bồn nước liên kết 87 4.4 KẾT LUẬN 96 CHƯƠNG KẾT LUẬN VÀ KIẾN NGHỊ 97 5.1 KẾT LUẬN 97 5.2 KIẾN NGHỊ 99 DANH MỤC CƠNG TRÌNH LIÊN QUAN LUẬN ÁN 101 TÀI LIỆU THAM KHẢO 103 PHỤ LỤC 120 vi DANH MỤC CÁC HÌNH ẢNH Hình 2.1 Lưu đồ giải thuật tối ưu DE 18 Hình 2.2 Mơ hình Fuzzy dùng nhận dạng hệ phi tuyến MISO .20 Hình 2.3 Mơ hình Hierachical Fuzzy……………………………………………… 21 Hình 2.4 Mơ hình Fuzzy nhiều lớp áp dụng nhận dạng 22 Hình 2.5 Hàm liên thuộc ngõ vào mơ hình Fuzzy T-S dạng tam giác 23 Hình 2.6 Hàm liên thuộc ngõ vào mơ hình Fuzzy T-S dạng Gauss 24 Hình 3.1 Cấu trúc mơ hình bồn nước liên kết đơi 26 Hình 3.2 Dữ liệu huấn luyện mơ hình 28 Hình 3.3 Dữ liệu đánh giá mơ hình 28 Hình 3.4 Mơ hình Fuzzy nhận dạng hệ bồn nước .29 Hình 3.5 Kết huấn luyện nhận dạng ngõ bồn 30 Hình 3.6 Kết đánh giá chất lượng nhận dạng ngõ bồn 31 Hình 3.7 Giá trị hàm mục tiêu qua hệ 31 Hình 3.8 Kết nhận dạng mơ hình Fuzzy với ngõ x4 32 Hình 3.9 Kết đánh giá mơ hình Fuzzy với ngõ x4 32 Hình 3.10 Giá trị hàm mục tiêu huấn luyện mơ hình Fuzzy cho ngõ x4 33 Hình 3.11 Kết huấn luyện mơ hình Fuzzy ngõ điện áp bơm 34 Hình 3.12 Kết huấn luyện mơ hình Fuzzy ngõ điện áp bơm 35 Hình 3.13 Giá trị hàm mục tiêu qua hệ huấn luyện mơ hình Fuzzy nhiều lớp cho ngõ u1 35 Hình 3.14 Kết huấn luyện mơ hình Fuzzy ngõ điện áp bơm 36 Hình 3.15 Kết đánh giá mơ hình Fuzzy ngõ điện áp bơm 37 Hình 3.16 Giá trị hàm mục tiêu qua hệ huấn luyện mơ hình Fuzzy nhiều lớp cho ngõ u2 37 Hình 3.17 Hình ảnh mơ hình thực tế 38 vii Hình 3.18 Sơ đồ khối mơ hình PAM song song thực tế .39 Hình 3.19 Dữ liệu huấn luyện mơ hình PAM 40 Hình 3.20 Dữ liệu đánh giá mơ hình PAM 40 Hình 3.21 Sơ đồ mơ hình Fuzzy nhiều lớp nhận dạng hệ PAM song song 41 Hình 3.22 Kết 10 lần huấn luyện mơ hình .42 Hình 3.23 Kết 10 lần đánh giá mơ hình 43 Hình 3.24 Hàm mục tiêu 10 lần huấn luyện .43 Hình 3.25 Kết 10 lần huấn luyện mơ hình .44 Hình 3.26 Kết đánh giá 10 lần thí nghiệm 44 Hình 3.27 Kết hàm mục tiêu 10 lần huấn luyện 45 Hình 3.28 Quá trình huấn luyện ghép tầng 46 Hình 3.29 Dữ liệu vào-ra đễ huấn luyện 47 Hình 3.30 Dữ liệu đánh giá mơ hình .47 Hình 3.31 Kết huấn luyện đánh giá lần huấn luyện ghép tầng 49 Hình 3.32 Giá trị hàm mục tiêu lần huấn luyện ghép tầng 50 Hình 3.33 Kết huấn luyện đánh giá mơ hình lần huấn luyện ghép tầng thứ 50 Hình 3.34 Giá trị hàm mục tiêu lần huấn luyện ghép tầng thứ 51 Hình 3.35 Kết huấn luyện đánh giá mơ hình lần huấn luyện ghép tầng thứ .52 Hình 3.36 Giá trị hàm mục tiêu lần huấn luyện ghép tầng thứ 52 Hình 3.37 Kết phương pháp huấn luyện thông thường 53 Hình 3.38 Hàm mục tiêu phương pháp huấn luyện thơng thường 54 Hình 4.1 Sơ đồ giải thuật điều khiển mờ thích nghi 58 Hình 4.2 Sơ đồ khối mơ hình PAM bậc tự 62 Hình 4.3 Sơ đồ mơ hình Fuzzy xấp xỉ f(x,t) 63 viii [44] H Li, J Wang, L Wu, H K Lam, and Y Gao, “Optimal Guaranteed Cost Sliding Mode Control of Interval Type-2 Fuzzy Time-Delay Systems,” IEEE Trans Fuzzy Syst., vol PP, no 99, pp 1–11, 2017, doi: 10.1109/TFUZZ.2017.2648855 [45] S S Yongming Li, Shaocheng Tong, “Direct Adaptive Fuzzy Backstepping Decentralized Control for Switched Nonlinear Large-Scale Systems,” in The 5th Annual IEEE international Conferenceon Cyber Technology Automation, Control and Intelligent Systems, 2015, pp 270–275 [46] W He and Y Dong, “Adaptive fuzzy-neural-network based on RBFNN control for active power filter,” IEEE Trans Neural Networks Learn Syst., vol 29, no 4, pp 1174–1186, 2018 [47] J Fei and T Wang, “Adaptive fuzzy-neural-network based on RBFNN control for active power filter,” Int J Mach Learn Cybern., vol 10, no 5, pp 1139– 1150, 2019, doi: 10.1007/s13042-018-0792-y [48] S C Tong, “Adaptive fuzzy control for uncertain nonlinear systems,” J Control Decis., vol 6, no 1, pp 30–40, 2019, doi: 10.1080/23307706.2018.1540311 [49] Y Pan and G H Yang, “Event-triggered fuzzy control for nonlinear networked control systems,” Fuzzy Sets Syst., vol 329, pp 91–107, 2017, doi: 10.1016/j.fss.2017.05.010 [50] N N Son, H P H Anh, and T D Chau, “Adaptive neural model optimized by modified differential evolution for identifying 5-DOF robot manipulator dynamic system,” Soft Comput., vol 22, no 3, pp 979–988, 2018, doi: 10.1007/s00500-016-2401-x [51] M R Soltanpour, M H Khooban, and M R Khalghani, “An optimal and intelligent control strategy for a class of nonlinear systems: adaptive fuzzy sliding mode,” J Vib Control, vol 22, no 1, pp 159–175, 2016, doi: 10.1177/1077546314526920 108 [52] A Fathy, A M Kassem, and A Y Abdelaziz, “Optimal design of fuzzy PID controller for deregulated LFC of multi-area power system via mine blast algorithm,” Neural Comput Appl., vol 32, no 9, pp 4531–4551, 2020, doi: 10.1007/s00521-018-3720-x [53] S Ahmadi, S Abdi, and M Kakavand, “Maximum power point tracking of a proton exchange membrane fuel cell system using PSO-PID controller,” Int J Hydrogen Energy, vol 42, no 32, pp 20430–20443, 2017, doi: 10.1016/j.ijhydene.2017.06.208 [54] K Jagatheesan, B Anand, S Samanta, N Dey, A S Ashour, and V E Balas, “Particle swarm optimisation-based parameters optimisation of PID controller for load frequency control of multi-area reheat thermal power systems,” Int J Adv Intell Paradig., vol 9, no 5–6, pp 464–489, 2017, doi: 10.1504/IJAIP.2017.088143 [55] Y Ye, C B Yin, Y Gong, and J jing Zhou, “Position control of nonlinear hydraulic system using an improved PSO based PID controller,” Mech Syst Signal Process., vol 83, pp 241–259, 2017, doi: 10.1016/j.ymssp.2016.06.010 [56] F Valdez, J C Vazquez, P Melin, and O Castillo, “Comparative study of the use of fuzzy logic in improving particle swarm optimization variants for mathematical functions using co-evolution,” Appl Soft Comput J., vol 52, pp 1070–1083, 2017, doi: 10.1016/j.asoc.2016.09.024 [57] Y Arya, “Automatic generation control of two-area electrical power systems via optimal fuzzy classical controller,” J Franklin Inst., vol 355, no 5, pp 2662– 2688, 2018, doi: 10.1016/j.jfranklin.2018.02.004 [58] S Farajdadian and S M H Hosseini, “Design of an optimal fuzzy controller to obtain maximum power in solar power generation system,” Sol Energy, vol 182, no June 2018, pp 161–178, 2019, doi: 10.1016/j.solener.2019.02.051 [59] Y Al-Dunainawi, M F Abbod, and A Jizany, “A new MIMO ANFIS-PSO 109 based NARMA-L2 controller for nonlinear dynamic systems,” Eng Appl Artif Intell., vol 62, no April, pp 265–275, 2017, doi: 10.1016/j.engappai.2017.04.016 [60] B Jamali, M Rasekh, F Jamadi, R Gandomkar, and F Makiabadi, “Using PSO-GA algorithm for training artificial neural network to forecast solar space heating system parameters,” Appl Therm Eng., vol 147, pp 647–660, 2019, doi: 10.1016/j.applthermaleng.2018.10.070 [61] C M Lin and T L Le, “PSO-Self-Organizing Interval Type-2 Fuzzy Neural Network for Antilock Braking Systems,” Int J Fuzzy Syst., vol 19, no 5, pp 1362–1374, 2017, doi: 10.1007/s40815-017-0301-6 [62] H Pang, F Liu, and Z Xu, “Variable universe fuzzy control for vehicle semiactive suspension system with MR damper combining fuzzy neural network and particle swarm optimization,” Neurocomputing, vol 306, pp 130–140, 2018, doi: 10.1016/j.neucom.2018.04.055 [63] K T T Bui, D Tien Bui, J Zou, C Van Doan, and I Revhaug, “A novel hybrid artificial intelligent approach based on neural fuzzy inference model and particle swarm optimization for horizontal displacement modeling of hydropower dam,” Neural Comput Appl., vol 29, no 12, pp 1495–1506, 2018, doi: 10.1007/s00521-016-2666-0 [64] J Zhang, X Wang, and X Shao, “Design and real-time implementation of Takagi Sugeno fuzzy controller for magnetic levitation ball system,” IEEE Access, vol 8, pp 38221–38228, 2020 [65] A T Azar, F E Serrano, M A Flores, S Vaidyanathan, and Q Zhu, “Adaptive neural-fuzzy and backstepping controller for port-Hamiltonian systems,” Int J Comput Appl Technol., vol 62, no 1, pp 1–12, 2020 [66] E Khan, “Neural Fuzzy Based Intelligent Systems and,” Fusion neural networks, fuzzy Syst Genet algorithms Ind Appl., 2020 110 [67] Y Sun, J Xu, H Qiang, and G Lin, “Adaptive neural-fuzzy robust position control scheme for maglev train systems with experimental verification,” IEEE Trans Ind Electron., vol 66, no 11, pp 8589–8599, 2019 [68] J Li, J Wang, H Peng, L Zhang, Y Hu, and H Su, “Neural fuzzy approximation enhanced autonomous tracking control of the wheel-legged robot under uncertain physical interaction,” Neurocomputing, vol 410, pp 342–353, 2020 [69] V L Kharitonov, “Robust stability analysis of time delay systems: A survey,” Annu Rev Control, vol 23, pp 185–196, 1999, doi: 10.1016/s13675788(99)90087-1 [70] A K Tangirala, Principles of system identification: theory and practice Crc Press, 2018 [71] H Liang, J Zou, K Zuo, and M J Khan, “An improved genetic algorithm optimization fuzzy controller applied to the wellhead back pressure control system,” Mech Syst Signal Process., vol 142, p 106708, 2020 [72] O Castillo and L Amador-Angulo, “A generalized type-2 fuzzy logic approach for dynamic parameter adaptation in bee colony optimization applied to fuzzy controller design,” Inf Sci (Ny)., vol 460, pp 476–496, 2018 [73] M Azizi, S A Mousavi Ghasemi, R G Ejlali, and S Talatahari, “Optimum design of fuzzy controller using hybrid ant lion optimizer and Jaya algorithm,” Artif Intell Rev., vol 53, no 3, pp 1553–1584, 2020 [74] X Ge, F W Ahmed, A Rezvani, N Aljojo, S Samad, and L K Foong, “Implementation of a novel hybrid BAT-Fuzzy controller based MPPT for gridconnected PV-battery system,” Control Eng Pract., vol 98, p 104380, 2020 [75] Y Hu, Y Yang, S Li, and Y Zhou, “Fuzzy controller design of microunmanned helicopter relying on improved genetic optimization algorithm,” 111 Aerosp Sci Technol., vol 98, p 105685, 2020 [76] Y Fang, J Fei, and D Cao, “Adaptive fuzzy-neural fractional-order current control of active power filter with finite-time sliding controller,” Int J Fuzzy Syst., vol 21, no 5, pp 1533–1543, 2019 [77] Z Dong, T Bao, M Zheng, X Yang, L Song, and Y Mao, “Heading control of unmanned marine vehicles based on an improved robust adaptive fuzzy neural network control algorithm,” IEEE Access, vol 7, pp 9704–9713, 2019 [78] J Tang, F Liu, W Zhang, R Ke, and Y Zou, “Lane-changes prediction based on adaptive fuzzy neural network,” Expert Syst Appl., vol 91, pp 452–463, 2018 [79] T Takagi and M Sugeno, “Fuzzy Identification of Systems and Its Applications to Modeling and Control,” IEEE Trans Syst Man Cybern., vol SMC-15, no 1, pp 116–132, 1985, doi: 10.1109/TSMC.1985.6313399 [80] T Chen, Q Shen, P Su, and C Shang, “Fuzzy rule weight modification with particle swarm optimisation,” Soft Comput., vol 20, no 8, pp 2923–2937, 2016 [81] V Jeyalakshmi and P Subburaj, “PSO-scaled fuzzy logic to load frequency control in hydrothermal power system,” Soft Comput., vol 20, no 7, pp 2577– 2594, 2016 [82] Y Li, S Tong, and T Li, “Hybrid Fuzzy Adaptive Output Feedback Control Design for Uncertain MIMO Nonlinear Systems With Time-Varying Delays and Input Saturation,” IEEE Trans Fuzzy Syst., vol 24, no 4, pp 841–853, 2016 [83] A Bagis and M Konar, “Comparison of Sugeno and Mamdani fuzzy models optimized by artificial bee colony algorithm for nonlinear system modelling,” Trans Inst Meas Control, vol 38, no 5, pp 579–592, 2015 [84] M M Ferdaus, S G Anavatti, M A Garratt, and M Pratama, “Fuzzy clustering based nonlinear system identification and controller development of 112 Pixhawk based quadcopter,” 2017 [85] J Tavoosi, A A Suratgar, and M B Menhaj, “Nonlinear system identification based on a self-organizing type-2 fuzzy RBFN,” Eng Appl Artif Intell., 2016, doi: 10.1016/j.engappai.2016.04.006 [86] D Aleksovski, J Kocijan, and S Dzeroski, “Ensembles of Fuzzy Linear Model Trees for the Identification of Multioutput Systems,” IEEE Trans Fuzzy Syst., 2016, doi: 10.1109/TFUZZ.2015.2489234 [87] G Raju, J Zhou, and R Kisner, “Hierarchical Fuzzy Control,” Int J Control, vol 54, no 5, pp 1201–1216, 1991, doi: 10.1080/00207179108934205 [88] A I Maghsoodi, M Mosavat, A Hafezalkotob, and A Hafezalkotob, “Hybrid hierarchical fuzzy group decision-making based on information axioms and BWM: Prototype design selection,” Comput Ind Eng., vol 127, pp 788–804, 2019 [89] M Fayaz, I Ullah, and D.-H Kim, “Underground risk index assessment and prediction using a simplified hierarchical fuzzy logic model and kalman filter,” Processes, vol 6, no 8, p 103, 2018 [90] V Ojha, A Abraham, and V Snášel, “Heuristic design of fuzzy inference systems: A review of three decades of research,” Eng Appl Artif Intell., vol 85, pp 845–864, 2019 [91] T R Razak et al., “Towards designing a hierarchical fuzzy system for early diagnosis of heart disease,” J Comput Res Innov., vol 4, no 2, pp 31–41, 2019 [92] L Sun and W Huo, “Adaptive Fuzzy Control of Spacecraft Proximity Operations Using Mechatronics, Hierarchical vol 4435, Fuzzy no 10.1109/TMECH.2015.2494607 113 Systems,” c, pp IEEE/ASME 1–1, 2015, Trans doi: [93] F O Rodríguez, J de Jesús Rubio, C R M Gaspar, J C Tovar, and M A M Armendáriz, “Hierarchical fuzzy CMAC control for nonlinear systems.,” Neural Comput Appl., vol 23, no S1, pp 323–331, 2013, doi: 10.1007/s00521-0131423-x [94] K Y Tu, T T Lee, and W J Wang, “Design of a multi-layer fuzzy logic controller for multi-input multi-output systems,” Fuzzy Sets Syst., vol 111, no 2, pp 199–214, 2000, doi: 10.1016/S0165-0114(97)00410-7 [95] H Li, C Wu, S Yin, and H K Lam, “Observer-based fuzzy control for nonlinear networked systems under unmeasurable premise variables,” IEEE Trans Fuzzy Syst., vol 24, no 5, pp 1233–1245, 2016, doi: 10.1109/TFUZZ.2015.2505331 [96] L Cervantes, O Castillo, and J Soria, “Hierarchical aggregation of multiple fuzzy controllers for global complex control problems,” Appl Soft Comput., vol 38, pp 851–859, 2016 [97] A Gotmare, S S Bhattacharjee, R Patidar, and N V George, “Swarm and evolutionary computing algorithms for system identification and filter design: A comprehensive review,” Swarm and Evolutionary Computation, vol 32 pp 68– 84, 2017, doi: 10.1016/j.swevo.2016.06.007 [98] H Loussifi, K Nouri, and N Benhadj Braiek, “A new efficient hybrid intelligent method for nonlinear dynamical systems identification: The Wavelet Kernel Fuzzy Neural Network,” Commun Nonlinear Sci Numer Simul., vol 32, pp 10–30, 2016, doi: 10.1016/j.cnsns.2015.08.010 [99] M Konar and A Bagis, “Performance Comparison of Particle Swarm Optimization, Differential Evolution and Artificial Bee Colony Algorithms for Fuzzy Modeling of Nonlinear Systems,” Elektron ir Elektrotechnika, vol 22, no 5, pp 8–13, 2016 [100] S Tong, K Sun, and S Sui, “Observer-Based Adaptive Fuzzy Decentralized 114 Optimal Control Design for Strict-Feedback Nonlinear Large-Scale Systems,” IEEE Trans Fuzzy Syst., vol 6706, no c, pp 1–1, 2017, doi: 10.1109/TFUZZ.2017.2686373 [101] A K Qin and P N Suganthan, “Self-adaptive Differential Evolution Algorithm for Numerical Optimization,” 2005 IEEE Congr Evol Comput., vol 2, pp 1785–1791, 2005, doi: 10.1109/CEC.2005.1554904 [102] J Brest, S Greiner, B Bošković, M Mernik, and V Zumer, “Self-adapting control parameters in differential evolution: A comparative study on numerical benchmark problems,” IEEE Trans Evol Comput., vol 10, no 6, pp 646–657, 2006, doi: 10.1109/TEVC.2006.872133 [103] A K Qin, V L Huang, and P N Suganthan, “Differential evolution algorithm with strategy adaptation for global numerical optimization,” IEEE Trans Evol Comput., vol 13, no 2, pp 398–417, 2009, doi: 10.1109/TEVC.2008.927706 [104] H De Garis, Book Review : Introduction to Evolutionary Computing, vol 12, no 1995 2004 [105] N Ngoc Son, H P H Anh, and N Thanh Nam, “Robot manipulator identification based on adaptive multiple-input and multiple-output neural model optimized by advanced differential evolution algorithm,” Int J Adv Robot Syst., vol 14, no 1, 2016, doi: 10.1177/1729881416677695 [106] C.-T Lin and et al, Neural fuzzy systems: a neuro-fuzzy synergism to intelligent systems Vol.205 Upper Saddle River NJ: Prentice hall PTR, 1996 [107] K D Young, V I Utkin, and U Ozguner, “A control engineer’s guide to sliding mode control,” 1996 [108] V Utkin, J Guldner, and J Shi, Sliding Mode Control in Electro-Mechanical Systems CRC Press, 2009 [109] Y Shtessel, C Edwards, L Fridman, and A Levant, Sliding Mode Control and 115 Observation Birkhäuser, New York, NY, 2014 [110] W.-Y Wang, M.-L Chan, and C.-C J Hsu, “H/sub /spl infin// tracking-based sliding mode control for uncertain nonlinear systems via an adaptive fuzzyneural approach,” IEEE Trans Syst Man, Cybern Part B, vol 32, no 4, pp 483–492, 2002 [111] H Li, J Wang, and P Shi, “Output-Feedback Based Sliding Mode Control for Fuzzy Systems With Actuator Saturation,” IEEE Trans Fuzzy Syst., vol 24, no 6, pp 1282–1293, 2016 [112] V.Nekoukar and A.Erfanian, “Adaptive fuzzy terminal sliding mode control for a class of MIMO uncertain nonlinear systems,” Fuzzy Sets Syst., vol 179, no 1, pp 34–49, 2011 [113] Y Yang and Y Yan, “Neural network approximation-based nonsingular terminal sliding mode control for trajectory tracking of robotic airships,” Aerosp Sci Technol., vol 54, pp 192–197, 2016 [114] X Ma, F Sun, H Li, and B He, “Neural-network-based sliding-mode control for multiple rigid-body attitude tracking with inertial information completely unknown,” Inf Sci (Ny)., vol 400, pp 91–104, 2017 [115] A.-M Zou, K D Kumar, and Z.-G Hou, “Finite-Time Attitude Tracking Control for Spacecraft Using Terminal Sliding Mode and Chebyshev Neural Network,” IEEE Trans Syst Man, Cybern Part B, vol 41, no 4, pp 950–963, 2011 [116] L Wang, T Chai, and L Zhai, “Neural-network-based terminal sliding-mode control of robotic manipulators including actuator dynamics,” IEEE Trans Ind Electron., vol 56, no 9, pp 3296–3304, 2009, doi: 10.1109/TIE.2008.2011350 [117] J Baek, S Member, M Jin, S Han, and S Member, “A New Adaptive SlidingMode Control Scheme for Application to Robot Manipulators,” IEEE Trans 116 Ind Electron., vol 63, no 6, pp 3628–3637, 2016, doi: 10.1109/TIE.2016.2522386 [118] S Moussaoui and A Boulkroune, “Stable Adaptive Fuzzy Sliding-Mode Controller for a Class of Underactuated Dynamic Systems,” Recent Adv Electr Eng Control Appl Springer Int Publ., vol 411, pp 114–124, 2017, doi: 10.1007/978-3-319-48929-2 [119] M Khazaee, A H D Markazi, S T Rizi, and B Seyfi, “Adaptive fuzzy sliding mode control of input-delayed uncertain nonlinear systems through outputfeedback,” Nonlinear Dyn., vol 87, no 3, 2017, doi: 10.1007/s11071-016-31648 [120] D Lin and X Wang, “Observer-based decentralized fuzzy neural sliding mode control for interconnected unknown chaotic systems via network structure adaptation,” Fuzzy Sets Syst., vol 161, no 15, pp 2066–2080, 2010, doi: 10.1016/j.fss.2010.03.006 [121] B S Park, S J Yoo, J B Park, and Y H Choi, “Adaptive neural sliding mode control of nonholonomic wheeled mobile robots with model uncertainty,” IEEE Trans Control Syst Technol., vol 17, no 1, pp 207–214, 2009, doi: 10.1109/TCST.2008.922584 [122] H F Ho, Y K Wong, A B Rad, and H Kong, “Adaptive fuzzy sliding mode control design: Lyapunov approach,” in 2004 5th Asian Control Conference, 2004, no [123] M A Khanesar, O Kaynak, S Yin, and H Gao, “Adaptive indirect fuzzy sliding mode controller for networked control systems subject to time-varying network-induced time delay,” IEEE Trans Fuzzy Syst., vol 23, no 1, pp 205– 214, 2015, doi: 10.1109/TFUZZ.2014.2362549 [124] Y Guo and P.-Y Woo, “An adaptive fuzzy sliding mode controller for robotic manipulators,” Systems, Man and Cybernetics, Part A: Systems and Humans, 117 IEEE Transactions on, vol 33, no pp 149–159, 2003, doi: 10.1109/TSMCA.2002.805804 [125] C Li, W Zou, N Zhang, and X Lai, “An evolving T–S fuzzy model identification approach based on a special membership function and its application on pump-turbine governing system,” Eng Appl Artif Intell., 2018, doi: 10.1016/j.engappai.2017.12.005 [126] P Dziwiński, Ł Bartczuk, and H Tingwen, “A Method for Non-linear Modelling Based on the Capabilities of PSO and GA Algorithms,” in International Conference on Artificial Intelligence and Soft Computing, 2017, pp 221–232 [127] D Karaboga and E Kaya, “Adaptive network based fuzzy inference system (ANFIS) training approaches: a comprehensive survey,” Artificial Intelligence Review, 2018 [128] V Ho-Huu, T Nguyen-Thoi, L Le-Anh, and T Nguyen-Trang, “An effective reliability-based improved constrained differential evolution for reliability-based design optimization of truss structures,” Adv Eng Softw., vol 92, pp 48–56, 2016, doi: 10.1016/j.advengsoft.2015.11.001 [129] S Rahnamayan, H R Tizhoosh, and M M Salama, “Opposition-based differential evolution,” Stud Comput Intell., vol 143, no 1, pp 155–171, 2008, doi: 10.1007/978-3-540-68830-3_6 [130] Quanser, “Coupled Tanks.” https://www.quanser.com/products/coupled-tanks/ [131] S L Xie, H T Liu, J P Mei, and G Y Gu, “Modeling and compensation of asymmetric hysteresis for pneumatic artificial muscles with a modified generalized Prandtl–Ishlinskii model,” Mechatronics, vol 52, no April 2017, pp 49–57, 2018, doi: 10.1016/j.mechatronics.2018.04.001 [132] T Vo-Minh, T Tjahjowidodo, H Ramon, and H Van Brussel, “A new 118 approach to modeling hysteresis in a pneumatic artificial muscle using the Maxwell-slip model,” IEEE/ASME Trans Mechatronics, vol 16, no 1, pp 177– 186, 2011, doi: 10.1109/TMECH.2009.2038373 [133] M Van Damme et al., “Modeling hysteresis in pleated pneumatic Artificial Muscles,” 2008 IEEE Int Conf Robot Autom Mechatronics, RAM 2008, vol 00, pp 471–476, 2008, doi: 10.1109/RAMECH.2008.4681431 [134] D Wang and C Mu, “Adaptive-Critic-Based Robust Trajectory Tracking of Uncertain Dynamics and Its Application to a Spring-Mass-Damper System,” IEEE Trans Ind Electron., vol 65, no 1, pp 654–663, 2018, doi: 10.1109/TIE.2017.2722424 [135] Q Shen, P Shi, S Wang, and Y Shi, “Fuzzy adaptive control of a class of nonlinear systems with unmodeled dynamics,” Int J Adapt Control Signal Process., vol 33, no 4, pp 712–730, 2019, doi: 10.1002/acs.2980 [136] F Zhang, Y Li, and J Hua, “Direct Adaptive Fuzzy Control of SISO Nonlinear Systems with Input–Output Nonlinear Relationship,” Int J Fuzzy Syst., vol 20, no 4, pp 1069–1078, 2018, doi: 10.1007/s40815-017-0414-y [137] F Zhang, J Hua, and Y Li, “Indirect Adaptive Fuzzy Control of SISO Nonlinear Systems with Input-Output Nonlinear Relationship,” IEEE Trans Fuzzy Syst., vol 26, no 10.1109/TFUZZ.2018.2800714 119 5, pp 2699–2708, 2018, doi: PHỤ LỤC A Sơ đồ nguyên lý mạch điện sử dụng mơ hình bồn nước liên kết Mạch điều khiển gồm khối như: khối khuếch đại tín hiệu cảm biến để đọc giá trị cảm biến áp xuất từ nội suy giá trị độ cao mực nước (Hình PL.01) Khối nguồn để cấp nguồn cho board mạch (Hình PL.02) Cuối khối điều khiển động thiết kế để điều khiển tốc độ động bơm nước DC 24V (Hình PL.03) Hình PL.01 Mạch khuếch đại tín hiệu cảm biến Hình PL.02 Sơ đồ mạch khối nguồn 120 Hình PL.03 Khối điều khiển tốc độ động bơm Hình PL.04 Layout board mạch Hình PL.05 Hình ảnh 3D board mạch 121 Hình PL.04, Hình PL.05 thể layout board mạch hình tổng thể 3D board mạch Mạch điều khiển trung tâm sử dụng Board Arduino Due dùng kết hợp trực tiếp với với Matlab/Simulink qua toolbox Realtime-windows target (a) (b) Hình PL.06 Hình ảnh 3D (a) vẽ cắt mica (b) mơ hình bồn nước liên kết Hình PL.06 thể ảnh thiết kế 3D vẽ cắt mica mơ hình bồn nước liên kết Mica sử dụng làm mơ hình mica có độ dày 8mm, ống mica dài 30cm, đường kính ngồi 5.5cm, dày 2mm 122 ... giải thuật tiến hóa vi sai để nhận dạng điều khiển hệ phi tuyến Các nội dung luận án tóm tắt sau: Đề xuất mơ hình Fuzzy nhiều lớp dùng nhận dạng điều khiển hệ phi tuyến Mơ hình Fuzzy nhiều lớp. .. xuất mơ hình Fuzzy cải tiến lĩnh vực nhận dạng mơ hình Fuzzy cải tiến điều khiển Sau áp dụng mơ hình Fuzzy cải tiến vào toán nhận dạng điều khiển hệ phi tuyến kết hợp giải thuật tính tốn mềm Đối... ĐẠI HỌC BÁCH KHOA CAO VĂN KIÊN NHẬN DẠNG VÀ ĐIỀU KHIỂN HỆ PHI TUYẾN CĨ TRỄ DÙNG MƠ HÌNH FUZZY NHIỀU LỚP KẾT HỢP GIẢI THUẬT TÍNH TỐN MỀM Chun ngành: Kỹ Thuật Điều Khiển & Tự Động Hóa Mã số chuyên