Nhận dạng và điều khiển hệ phi tuyến có trễ dùng mô hình fuzzy nhiều lớp kết 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 Ngành: Kỹ Thuật Điều Khiển & Tự Động Hóa Mã số ngành: 62520216 TÓM TẮT LUẬN ÁN TIẾN SĨ TP HỒ CHÍ MINH - NĂM 2022 Cơng trình hồn thành Trường Đại học Bách Khoa – ĐHQG-HCM Người hướng dẫn 1: GS TS Hồ Phạm Huy Ánh Người hướng dẫn 2: Phản biện độc lập : Phản biện độc lập : Phản biện : Phản biện : Phản biện : PGS TS Đặng Xuân Kiên PGS TS Trương Đình Nhơn PGS TS Nguyễn Chí Ngơn PGS TS Nguyễn Thanh Phương PGS TS Nguyễn Quốc Hưng Luận án bảo vệ trước Hội đồng đánh giá luận án họp tại: Phòng 208B1, Trường Đại học Bách Khoa TP.HCM, 268 Lý Thường Kiệt, P.14, Q10 vào lúc 00 ngày 20 tháng 01 năm 2022 Có thể tìm hiểu luận án thư viện: - Thư viện Trường Đại học Bách Khoa – ĐHQG-HCM - Thư viện Đại học Quốc gia Tp.HCM - Thư viện Khoa học Tổng hợp Tp.HCM CHƯƠNG GIỚI THIỆU Hệ phi tuyến có trễ là một hệ phi tuyến với các đặc tính trễ [64], các đặc tính này gây khó khăn cho việc nhận dạng [65] và khó khăn việc điều khiển với các phương pháp yêu cầu biết phương trình toán của đối tượng Từ Zadeh giới thiệu về mô hình Fuzzy năm 1965 [12], có nhiều nghiên cứu lĩnh vực này Mô hình Fuzzy được áp dụng nhiều lĩnh vực y học, kỹ thuât, tài chính, thống kê, [13]–[15] Trong chuyên ngành điều khiển thông minh, giải thuật fuzzy ứng dụng thành công điều khiển, nhận dạng, phân lớp, phân nhóm,…[14], [16]–[20] Hiện tại, có nhiều nghiên cứu về lĩnh vực nhận dạng với đủ các cách tiếp cận từ kinh điển tới cách ứng dụng giải thuật thông minh, mạng thần kinh nơ ron[21], hay mô hình Fuzzy [4], [22] Mợt vấn đề của lĩnh vực nhận dạng thông minh chính là mô hình phi tuyến nhiều ngõ vào, nhiều ngõ (MIMO) vì phức tạp và nhiều yếu tố không chắn Đặc biệt áp dụng mô hình Fuzzy nhận dạng, đối với các bài toán yêu cầu độ phức tạp cao, nhiều ngõ vào thì số lượng luật mờ phải nhiều, từ đó làm tăng khối lượng tính toán của hệ thống Đó là một các điểm yếu của mô hình Fuzzy truyền thống áp dụng vào nhận dạng các hệ MIMO [23]–[25] Để khắc phục các nhược điểm đó, nhiều phương pháp được đưa các nhà khoa học các bài báo [24], [26]–[29] sử dụng mô hình Hierarchical Fuzzy để giảm sớ lượng ḷt mờ, cịn nhiều hạn chế Từ đó, tác giả có ý tưởng đưa một cấu trúc Fuzzy mới có khả ứng dụng bài toán nhận dạng và điều khiển hệ thống Mơ hình MIMO phi tún khó để nhận nhận dạng dựa vào các quan hệ toán học Để khắc phục nhược điểm đó lợi dụng khả tính toán của máy tính, các công cụ tính toán tối ưu GA, PSO được áp dụng việc nhận dạng các mô hình nhận dạng thông minh mạng nơ ron hay mơ hình Fuzzy [30]–[34] Tuy nhiên các giải thuật GA, PSO đều có thế mạnh và hạn chế thuật toán PSO [35], [36] đơn giản, dễ lập trình, dễ bị rơi vào cực trị cục bộ, GA [37]–[39] cho kết toàn cục tốt, nhiều thời gian tính toán Trong năm gần đây, logic mờ, mạng nơ ron nhân tạo và thuật toán tối ưu tiến hóa là các phương pháp bổ sung cho việc thiết kế và thực thi các bộ điều khiển thông minh nhằm phát huy các ưu điểm và giảm thiểu khuyết điểm của phương pháp Gần đây, giải thuật DE [40] được R Storn K Price phát triển năm 1997 trở nên phổ biến lĩnh vực tính toán tối ưu Giải thuật DE cho kết tới ưu toàn cục, có thời gian tính toán ít so với GA và đưa các kết tìm kiềm toàn cục tốt PSO [41]–[43] Hơn nữa, việc áp dụng mô hình Fuzzy/Nơ ron vào nhận dạng mô hình có thể học đặc tính trễ của hệ thống Vì thế luận án này, tác giả chọn giải thuật DE được áp dụng cho việc tối ưu mô hình Fuzzy ứng dụng cho bài toán nhận dạng mô hình MIMO phi tuyến Giải thuật điều khiển hệ phi tuyến gần tập trung vào các bài toán điều khiển thích nghi ứng dụng mô hình Fuzzy, Nơ ron [44]–[49] Tuy nhiên các giải thuật thích nghi hiện đều chưa quan tâm đến giai đoạn khởi động, các tham số khởi tạo ban đầu đều được khởi tạo ngẫu nhiên Cùng với tiến bộ của khoa học kỹ thuật, phần cứng ngày càng phát triển, các giải thuật điều khiển ứng dụng, các giải thuật tính toán tối ưu được quan tâm nghiên cứu ngày một nhiều [21], [50]–[55], đặc biệt là ứng dụng mô hình Fuzzy, Nơ ron vào các bài toán điều khiển kết hợp các giải thuật tối ưu [56]–[63] Tuy nhiên, hạn chế của các cách tiếp cận này khâu chứng minh ổn định của hệ thống, có thể chứng minh qua khảo sát thực nghiệm, hoặc môi trường lý tưởng Từ các vấn đề trên, tác giả phát triển giải thuật điều khiển dựa mô hình Fuzzy mới được đề xuất, kết hợp với các giải thuật tính toán mềm và đưa được ít một cách chứng minh tính ổn định của hệ thống điều khiển dựa lý thuyết ổn định Lyapunov quyển luận án này CHƯƠNG 2.1 CƠ SỞ LÝ THUYẾT THUẬT TOÁN TIẾN HÓA VI SAI Giải thuật DE [40] được đề xuất lần đầu năm 1995 Prince và các cộng được áp dụng nhiều nhận dạng hệ phi tuyến năm gần [21], [50], [84]–[86], [88], [112], giải thuật bao gồm các bước sau: • Khởi tạo: Quá trình khởi tạo NP cá thể ngẫu nhiên quần thể, cá thể mang một lời giải khác cá thể được khởi tạo ngẫu nhiên X i ,G = [ x1,i ,G , x2,i ,G , , xD ,i ,G ] phạm vi tìm kiếm được chọn trước (1) Trong đó G là sớ lượng vịng lặp (thế hệ), G = 0, …, Gmax và i = 1, …, NP, D là số lượng cá thể q̀n thể • Đợt biến: Quá trình đột biến tạo cá thể mới cách nhân thêm một hệ số sai khác hai cá thể quần thể để tạo cá thể mới Với xi ,G (target), cá thể đột biến vi ,G (donor) được tạo với công thức sau: vi ,G +1 = xr1 ,G + f ( xr2 ,G − xr3 ,G ) (2) Với các giá trị ngẫu nhiên r1 , r2 , r3 1, 2, , NP F là một hệ số dạng số thực cá thể f  [0, 2] • Lai ghép: Sau tạo vector giá trị từ khâu đột biến, khâu lai ui ,G (trial) quần thể Cá thể được tạo cách lựa chọn xi ,G (target) hoặc với cá thể đợt biến vi ,G (donor): ghép thực hiện nhiệm vụ tạo tổ hợp cá thể mới v j ,i ,G If (rand j ,i [0,1]  cr ) u j ,i ,G =   x j ,i ,G otherwise • (3) Chọn lọc: Q trình chọn lọc quyết định cá thể tiếp tục tồn tại thế hệ G+1 tiếp theo Cá thể được chọn lượng với cá thể sau trình lai ghép xi ,G (target) so sánh chất ui ,G (trial) cá thể có chất lượng cao tồn tại.: X i ,G +1 = • U i ,G   X i ,G If f (U i ,G )  f ( X i ,G ) (4) otherwise Kết thúc: Đây là điều kiện kết thúc vòng lặp của giải thuật DE Vòng lặp kết thúc một các điều kiện sau thoả mãn: + Sớ vịng lặp đạt tới giới hạn được cho trước + Khi giá trị fitness đạt được tốt hoặc giá trị mong muốn + Khi giá trị fitness tốt không thay đổi sau một số lần lặp cho trước Hình 2.1 Lưu đồ giải thuật thuật toán DE 2.2 Bộ Điều khiển trượt Mô hình toán tổng quát của hệ phi tuyến SISO n bậc được mô tả sau: x (n) = f ( X , t ) + g ( X , t )u y=x (5) Trong đó f ( X , t ) g ( X , t ) là hàm phi tuyến chưa biết; g ( X , t ) không âm; T X =  x, x, x ( n −1)  là các biến trạng thái của hệ thống; u là tín hiệu điều khiển y là ngõ cần khảo sát Bài toán đặt là cần thiết kế một bộ điều khiển ổn định cho biến trạng thái x bám theo tín hiệu đặt xd Sai số bám: (6) e = x − xd Mặt trượt được chọn phương trình (7): s = c1e + c2e + + cn −1e( n −2) + e( n −1) (7) Trong đó c =  c1 , c2 , cn −1 ,1 là các hệ số được chọn thỏa phương trình Routh– Hurwitz để bảo đảm tính ổn định Giá trị s là đạo hàm của s được tính sau: n −1 s =  ci e(i ) + x( n ) − xd( n ) (8) i =1 Để hệ thống ổn định, thì tín hiệu điều khiển phải đảm bảo: ( s )  −K dt d s Chọn giá trị của s thỏa phương trình: s = − Ksign ( s ) (9) (10) Thay phương trình (10) vào phương trình (8), luật điều khiển sliding mode có thể viết sau: uSMC =  − n −1 c e( i ) − f ( X , t) + x ( n ) − Ksat ( s )  i d  g ( X , t )  i =1 (11) CHƯƠNG NHẬN DẠNG HỆ PHI TUYẾN DÙNG MƠ HÌNH FUZZY NHIỀU LỚP 3.1 Giới thiệu Chương giới thiệu về kỹ thuật nhận dạng mô hình áp dụng mô hình Fuzzy nhiều lớp Trong chương 3, kỹ thuật nhận dạng mô hình được áp dụng để nhận dạng mô hình thuận, mô hình các hệ bồn nước đôi liên kết và mô hình cánh tay máy PAM song song Tiếp theo đó, giải thuật nhận dạng ghép tầng được áp dụng để nhận dạng hệ bồn nước, kết mô và thực nghiệm cho thấy các ưu điểm của mô hình Fuzzy nhiều lớp nhận dạng và khả của giải thuật huấn luyện ghép tầng việc nhận dạng mô hình Fuzzy nhiều lớp đề xuất Kết của chương được đăng các bài báo [1a], [5a], [6a], [8a], và [10a] 3.2 Mơ hình Fuzzy nhiều lớp kỹ thuật nhận dạng Mô hình Fuzzy nhiều lớp nhận dạng mô hình phi tuyến đa biến MIMO bao gồm nhiều khối mô hình Fuzzy nhiều lớp MISO kết hợp lại, mô hình Fuzzy nhiều lớp MISO thể hiện một ngõ của mơ hình Hình 3.1 Mơ hình Fuzzy nhiều lớp Với M là số lượng mô hình Fuzzy T-S được dùng khối mô hình Fuzzy nhiều lớp MISO Mỗi khối Fuzzy T-S bao gồm ngõ vào, một ngõ Mỗi ngõ vào có hàm liên thuộc dạng tam giác Ngõ mơ hình Fuzzy T-S là một số (simpleton) Như vậy, một mô hình Fuzzy T-S bao gồm luật và giá trị để chỉnh cấu trúc hàm liên thuộc, tổng cộng có 15 biến σ1 σ3 σ3 m1 m2 m3 Hình 3.2 Hàm liên thuộc ngõ vào mơ hình Fuzzy T-S Việc sử dụng hàm liên thuộc cho ngõ vào để đơn giản hoá tính toán, đảm bảo tính phi tuyến vừa đủ với một mô hình Fuzzy T-S Đối với bài toán phức tạp hơn, cấu trúc mô hình Fuzzy T-S được giữ nguyên, cần tăng sớ lượng mơ hình Fuzzy T-S cấu trúc Fuzzy nhiều lớp 3.3 Nhận dạng mơ hình hệ bồn nước đôi liên kết Ký hiệu A1 A2 A3 A4 b1 b2 b3 b4 C g K 1 Ý nghĩa vật lý Đường kính của Bể Đường kính của Bể Đường kính của Bể Đường kính của Bể Đường kính ớng của Bể Đường kính ớng của Bể Đường kính ớng của Bể Đường kính ớng của Bể Hệ số dẫn lưu của ngõ Gia tớc trọng trường Hằng sớ bơm Tỉ sớ dịng chảy Bể với dòng chảy Bể 2 Tỉ sớ dịng chảy Bể với dịng chảy Bể 65(%) Giá trị [đơn vị] 16.619(cm2) 16.619(cm2) 16.619(cm2) 16.619(cm2) 0.5027(cm2) 0.3318(cm2) 0.5027(cm2) 0.3318(cm2) 0.8 981(cm/s2) 6.94(cm3/(s.V)) 70(%) Hình 3.3 Cấu trúc mơ hình bồn nước liên kết đơi thơng số Mô hình bồn nước liên kết được xây dựng dựa mô hình bồn nước đôi của Quanser [113] Cảm biến áp suất MPX10 của hãng Freescale để đo áp suất sau đó nội suy độ cao của mực nước bồn chứa Động 24V lưu lượng 10 lít/phút được sử dụng làm động bơm và động bơm 3.3.1 Thu thập liệu vào Để nhận dạng hệ bồn nước ứng dụng mô hình Fuzzy nhiều lớp, đầu tiên cần phải thu thập liệu từ mô hình thực Dữ liệu được thu thập với thời gian lấy mẫu 0.1 giây Dữ liệu dùng nhận dạng được thể hiện Hình 3.4 Giá trị điện áp ngõ vào có giá trị từ 7.5V đến 15V, các giá trị ngõ vào thay đổi theo chu kỳ 10 giây Dữ liệu bao gồm giá trị điện áp cấp cho động bơm 1, động bơm và mực nước đo từ các bồn thứ và bồn thứ Dữ liệu từ cảm biến có nhiễu với phương sai lớn, áp dụng thực nghiệm, liệu được qua một bộ lọc Kalman để lọc nhiễu Dữ liệu dùng đánh giá mơ hình thể hiện Hình 3.5 Đó là mợt tập liệu khác tập liệu dùng huấn luyện, giá trị ngẫu nhiên điện áp ngõ vào từ 7.5V đến 15V Hình 3.4 Dữ liệu huấn lụn mơ hình Hình 3.5 Dữ liệu đánh giá mơ hình 3.3.2 Kết nhận dạng mơ hình thuận Mơ hình Fuzzy nhiều lớp áp dụng nhận dạng mô hình thuận bao gồm mô hình Fuzzy nhiều lớp MISO, khối mô hình Fuzzy MISO bao gồm nhiều mô hình Fuzzy T-S ngõ vào ngõ được huấn luyện giải thuật tiến hóa vi sai tối ưu hàm mục tiêu bình phương sai số nhỏ Trong đó ngõ của mô hình Fuzzy nhiều lớp MIMO ứng với giá trị mực nước tại bồn vị trí thấp Ngõ vào mô hình Fuzzy nhiều lớp gồm các giá trị điện áp và giá trị mực nước trước đó theo mô hình hồi tiếp NARX Giải thuật DE được áp dụng với các thông số sau: 200 cá thể quần thể, vận hành với tối đa 750 thế hệ Các thông số cr là hệ số lai ghép, được chọn thông thường là 0.9, hệ số f quyết định khác biệt các thế hệ, f càng nhỏ thì thay đổi các thế hệ càng nhỏ, đối với hệ có nhiều biến, nên chọn f nhỏ, vì vậy mô hình 90 biến này hệ số f được chọn là 0.01 Kết được đánh giá qua phương pháp dự đoán 3.4.3 Kết huấn luyện mơ hình thuận – ngược Mơ hình thuận được huấn luyện 10 lần với một tập liệu, khác các tham số khởi tạo ban đầu Kết huấn luyện được thể hiện một hình, có thêm tín hiệu tham chiếu để so sánh (Hình 3.11) Dữ liệu ngõ thứ không có khác biệt nhiều so với liệu ngõ thứ nên không được thể hiện hình ảnh luận án Hình 3.11 Kết 10 lần huấn luyện mô hình Kết nhận dạng mô hình ngược tương tự mô hình thuận, được huấn luyện tập liệu gồm 2000 mẫu, thực hiện 10 lần thí nghiệm huấn luyện đánh giá để cho được kết khách quan Hình 3.12 Kết 10 lần huấn luyện mô hình ngược 12 Huấn luyện ghép tầng mơ hình Fuzzy nhiều lớp ứng dụng nhận dạng hệ phi tuyến đa biến Sơ đồ khối quá trình huấn luyện ghép tầng được thể hiện Hình 3.12 Mơ hình 3.5 đầu tiên được huấn lụn trước, sau đó các mô hình mới được tạo và thêm vào kết hợp với mô hình đầu tiên First training second training Fuzzy T-S Fuzzy T-S New n-th training Fuzzy T-S Fuzzy T-S Fuzzy T-S Core sum MISO Fuzzy T-S output Core Core sum Fuzzy T-S Fuzzy T-S output sum Fuzzy T-S output New Hình 3.12 Quá trình huấn luyện ghép tầng Kết được so sánh phương pháp huấn luyện thông thường và phương pháp huấn luyện ghép tầng (Bảng 3.1) Trong luận án, tác giả thực hiện phương pháp huấn luyện ghép tầng với tầng, thực hiện với thuật toán PSO, GA, DE Mỗi quá trình huấn luyện bao gồm 300 thế hệ Như vậy, tổng cộng có 900 thế hệ Các giải thuật được thực hiện laptop với CPU core i5-3210m Bảng 3.1 Bảng so sánh kết huấn luyện ghép tầng GA PSO DE 42 42 42 Giá trị đầu của hàm mục tiêu 4.6650 9.3350 3.2700 GA 21 0.6360 0.1640 300 PSO 21 0.4798 0.0861 300 DE 21 0.0750 0.0260 300 GA 21 0.1982 0.0566 300 PSO 21 0.4037 0.0564 300 DE 21 0.0496 0.0178 300 GA PSO DE 84 84 84 6.5000 6.0970 6.7250 0.5920 0.3079 0.0269 900 900 900 Số lượng tham số Cascade Cascade Cascade Normal 13 Giá trị cuối của hàm mục tiêu 0.1704 0.2478 0.0519 Số thế hệ 300 300 300 Thời gian [Tổng] (s) 88.21 81.57 85.46 83.29 [171.50] 81.80 [163.37] 85.29 [170.75] 107.63 [279.13] 102.03 [256.40] 104.59 [275.34] 511.33 494.85 502.61 CHƯƠNG ĐIỀU KHIỂN THÍCH NGHI HỆ PHI TÚN DÙNG MƠ HÌNH FUZZY NHIỀU LỚP KẾT HỢP GIẢI THUẬT TỐI ƯU 4.1 Giới thiệu Chương này tác giả đề xuất hai giải thuật điều khiển ứng dụng mô hình mờ nhiều lớp kết hợp với giải thuật điều khiển thích nghi áp dụng vào điều khiển các hệ phi tuyến Đầu tiên là giải thuật điều khiển trượt mờ thích nghi (AFSMC) mới Giải thuật đề xuất cho kết tốt và chính xác so với các giải thuật thích nghi thông thường, giải thuật Fuzzy-PID PID áp dụng cho hệ phi tuyến SISO không chắn Đối tượng thử nghiệm là mô hình PAM bậc, hệ SMD và hệ bồn nước với đặc tính phi tuyến cao Các nội dung thực hiện mới của chương được tóm tắt sau: • Nhận dạng tham sớ mơ hình mờ thuật toán tiến hóa vi sai dùng xấp xỉ các hàm phi tún chưa biết mơ hình • Xây dựng hàm thích nghi mới cho giải thuật điều khiển áp dụng cho hệ SISO đảm bảo lý thuyết ổn định Lyapunov • Áp dụng giải thuật điều khiển trượt mờ thích nghi điều khiển mô hình PAM 1-dof So sánh giải thuật đề xuất với các thuật toán khác như: giải thuật điều khiển trực tiếp, Fuzzy-PID PID Tiếp theo là giải thuật điều khiển ngược thích nghi nâng cao Với giải thuật điều khiển ngược áp dụng mô hình Fuzzy nhiều lớp kết hợp với giải thuật thích nghi cho bộ điều khiển có ưu điểm của giải thuật điều khiển tối ưu và thích nghi Kết giải thuật điều khiển đề xuất này được kiểm chứng hệ SMD và hệ bồn nước liên kết Ngoài so sánh với các nghiên cứu của các nhà khoa học gần để làm bật các ưu điểm của giải thuật Kết điều khiển của chương được đăng các bài báo số [2a], [3a], [4a], [7a] và [9a] 4.2 Giải thuật điều khiển trượt mờ nâng cao kết hợp giải thuật tối ưu Từ các điểm yếu của giải thuật điều khiển trượt và các giải thuật thích nhi thông thường, luận án đề xuất giải thuật điều khiển mờ thích nghi, sử dụng mô hình T-S fuzzy để xấp xỉ hàm f(x,t) g(x,t) , tiếp theo đó xây dựng mô hình mờ 14 thích nghi để triệt tiêu em* Mô hình mờ thích nghi được xây dựng dựa lý thuyết Lyapunov đảm bảo hệ thống phi tuyến không chắn ổn định tiệm cận Giải thuật đề xuất có sơ đồ được thể hiện Hình 4.1 Trong đó, giải thuật DE được sử dụng để tối ưu các tham số mô hình mờ dùng xấp xỉ hàm phi tuyến f(x,t), g(x,t) Sau nhận dạng, các thông tin về sai số mô hình được sử dụng để xây dựng mơ hình mờ thích nghi Hình 4.1 Sơ đồ giải thuật điều khiển mờ thích nghi đề xuất Kết điều khiển áp dụng hệ PAM Hình 4.2 So sánh các giải thuật AFSMC, Fuzzy-PID, AF PID Và kết cho thấy bộ điều khiển AFSMC cho kết tốt tại thời điểm so sánh với giải thuật AF, PID và Fuzzy-PID Sự khác biệt giải thuật AFSMC và giải thuật là quá trình khởi động Giải thuật AF khởi động với 15 các tham số không chắn giải thuật AFSMC khởi động với các tham số được nhận dạng từ giải thuật tối ưu 4.3 Giải thuật điều khiển ngược thích nghi nâng cao kết hợp giải thuật tối ưu Giải thuật điều khiển ngược có nhiều ưu điểm tận dụng được khả của các thuật toán tính toán mềm, không cần biết trước mô hình toán của đối tượng Tuy nhiên việc áp dụng vào thực tế gặp nhiều hạn chế vì các tham số không chắn chắn và thay đổi tham số của mô hình Trong các bài toán điều khiển ngược, mô hình ngược đảm bảo được tính ổn định của hệ thống, khó để đảm bảo hệ ổn định tiệm cận Vì vậy cần thêm một giải thuật thích nghi để tăng chất lượng của bộ điều khiển Mô hình Fuzzy nhiều lớp nhận dạng hệ phi tuyến có nhiều ưu điểm so với mô hình Fuzzy truyền thống, nó không thể tạo kinh nghiệm của người thiết kế hay thử sai Nó có thể được tạo cách sử dụng các giải thuật tối ưu Phần này đề xuất mô hình Fuzzy nhiều lớp thích nghi để điều khiển hệ thớng được thể hiện Hình 4.3 cách kết hợp mô hình ngược Fuzzy nhiều lớp tối ưu và mơ hình Fuzzy thích nghi được tạo thơng qua chứng minh ổn định Lyapunov Hình 4.3 Sơ đồ giải thuật điều khiển đề xuất 16 Kết áp dụng hệ SMD Hình 4.4 Kết điều khiển hệ SMD và so sánh với các giải thuật khác So sánh với kết điều khiển Zhang đề xuất trong[119], [120], giải thuật đề xuất cho thời gian xác lập nhanh (0.2s so với 0.6s) và độ vọt lố ít Các kết chi tiết được thể hiện Bảng 4.2 Bảng 4.1 Kết so sánh các bộ điều khiển áp dụng hệ SMD Method Inverse Fuzzy Control (IFC) Adaptive Fuzzy Control (AFC) Proposed controller (IFC+AF) Case A: 10 ,K=50 Case B: LMSE Case C: Case D: 0.3 0.3 0.3 Case E: ,K=50 ,K=50 ,K=100 ,K=500 6.796e-3 6.796e-3 6.796e-3 6.796e-3 6.796e-3 1.219e-3 1.215e-3 1.189e-3 8.965e-4 7.118e-4 1.088e-3 1.085e-3 1.068e-3 8.599e-4 7.089e-4 Bảng 4.2 So sánh chất lượng các giải thuật điều khiển áp dụng lên hệ SMD Methods Overshoot Settling time Steady-state (%) (s) error Giải thuật của Wang [117] 70 7.8 (2017) Giải thuật của Shen 25 [118](2019) Giải thuật của Zhang 20 0.6 [119](2018) 17 Giải thuật của Zhang [120] 20 0.6 (2018) 0* 0.42* 0* ** ** Giải thuật đề xuất 0.8 0** 0*** 0.2*** 0*** * ** Note: Hệ SMD giống với bài báo [117]; : Hệ SMD giống với bài báo [118]; *** : Hệ SMD giống với bài báo [119], [120] Kết áp dụng hệ bồn nước Hình 4.5 So sánh các bộ điều khiển áp dụng cho hệ bồn nước liên kết Bảng 4.3 So sánh chất lượng điều khiển với tiêu chuẩn MSE Phương pháp Inverse Fuzzy Control (IFC) Adaptive Fuzzy Control (AFC) Giải thuật đề xuất Tiêu chuẩn trung bình bình phương sai số (MSE) B: Case D: Case A: Case C: Case 0.3 , 10 , 2, 2, K=5 K=5 K=5 K=20 Case E: 2, K=50 6.322 6.322 6.322 6.322 6.322 5.757 4.413 4.718 3.48 3.461 2.957 2.723 2.757 2.454 2.405 Từ Hình 4.5 và Bảng 4.3 cho thấy giải thuật đề xuất vượt trội không có độ vọt số và thời gian xác lập mà về tiêu chuẩn MSE so với giải thuật điều khiển thích nghi thông thường và giải thuật điều khiển ngược 18 CHƯƠNG KẾT LUẬN VÀ KIẾN NGHỊ 5.1 Kết luận Trong luận án, tác giả nghiên cứu và phát triển mô hình mờ nhiều lớp phối hợp với giải thuật điều khiển tối ưu nhận dạng hệ phi tuyến có trễ Đối với bài toán điều khiển tác giả kết hợp ưu điểm của giải thuật tối ưu và giải thuật thích nghi để đề xuất bộ điều khiển áp dụng thành công điều khiển hệ phi tuyến có trễ mô và thực nghiệm Các đóng góp chỉnh của tác giả luận án được tóm tắt sau: • Ý nghĩa khoa học - Đã nghiên cứu và phát triển thành công mô hình Fuzzy nhiều lớp cách kết hợp nhiều mô hình T-S Fuzzy Mô hình Fuzzy nhiều lớp có ưu điểm về số lượng luật mờ giảm đáng kể so sánh với mô hình Fuzzy truyền thống Mô hình Fuzzy nhiều lớp có khả thay đổi linh hoạt tùy theo độ phức tạp của hệ thống cần nhận dạng Kết của nghiên cứu này được trình bày bài báo [5a], [6a] - Đã nghiên cứu và phát triễn thành công giải thuật huấn luyện ghép tầng áp dụng cho việc huấn luyện mô hình Fuzzy nhiều lớp Kết kiểm chứng cho thấy giải thuật huấn luyện ghép tầng không cho kết nhanh so với phương pháp huấn lụn thớng thường mà cịn cho chất lượng tốt Kết nghiên cứu được trình bày bài báo [1a], [9a] - Đã nghiên cứu và phát triển thành công giải thuật điều khiển trượt mờ nâng cao kết hợp giải thuật tối ưu Giải thuật điều khiển đề xuất lấy ý tưởng bắt đầu từ mô hình Fuzzy nhiều lớp được áp dụng để nhận dạng các hàm phi tuyến của hệ thống Sau đó hàm Fuzzy thích nghi được thiết kế để bổ sung cho giải thuật Giải thuật thích nghi và tối ưu bổ sung cho nhau, vừa đảm bảo hệ thống ổn định tiệm cận theo Lyapunov, vừa đảm bảo hệ thống thay đổi linh hoạt với nhiễu ngoài và các yếu tố thay đổi không xác định Kết nghiên cứu này được trình bày bài báo [2a],[7a] và [8a] - Cuối là đề xuất giải thuật điều khiển ngược thích nghi Giải thuật này gồm một mô hình ngược sử dụng mô hình Fuzzy nhiều lớp được huấn 19 luyện tối ưu kết hợp với mô hình Fuzzy thích nghi Giải thuật điều khiển có các ưu điểm của giải thuật tối ưu và thích nghi kết hợp lại Ưu điểm của giải thuật tối ưu được thể hiện hệ không có thay đổi hoặc không bị tác động Khi hệ thống có thay đổi, luật điều khiển thích nghi thể hiện ưu điểm của nó Nhìn tổng thể, thân giải thuật điều khiển này chính là một mô hình Fuzzy nhiều lớp với một phần được tính toán tối ưu cố định và một phần được cập nhật thông qua luật thích nghi đảm bảo hệ thống ổn định Lyapunov Kết điều khiển được so sánh với các nghiên cứu gần để chứng minh ưu điểm Kết nghiên cứu này được trình bày bài báo [3a] và [4a] • Ý nghĩa thực tiễn - Mơ hình Fuzzy nhiều lớp áp dụng nhận dạng hệ cánh tay máy PAM song song và hệ bồn nước đôi cho thấy các ưu điểm của mô hình Fuzzy nhiều lớp áp dụng vào nhận dạng Số lượng luật mờ từ hàm số mũ giảm xuống theo cấp số cộng, qua đó giảm chi phí tính toán, chi phí về phần cứng áp dụng mô hình vào thực tiễn Kết của nghiên cứu này được trình bày bài báo [5a], [6a] - Kỹ thuật nhận dạng ghép tầng áp dụng vào nhận dạng mô hình fuzzy nhiều lớp dùng nhận dạng mô hình hộp đen cho thấy giải thuật có ý nghĩa lớn về thực tiễn thời gian tính toán và chất lượng hàm mục tiêu giảm đáng kể so với phương pháp huấn luyện thông thường Chất lượng hàm mục tiêu và thời gian tính toán là các yếu tố quan trọng cần quan tâm áp dụng một giải thuật nhận dạng tối ưu Giải thuật nhận dạng ghép tầng giải quyết hai yếu tố quan trọng đó Kết nghiên cứu được trình bày bài báo [1a] [9a] - Giải thuật điều khiển trượt mờ nâng cao kết hợp giải thuật tối ưu đề xuất áp dụng thành công thực tiễn điều khiển hệ tay máy PAM Ý nghĩa thực tiễn không mức điều khiển được, thông qua việc nhận dạng trước các hàm phi tún hệ thớng cịn giúp tìm được cách chọn các hệ số điều khiển mà không cần phải qua các bước thử sai hay cảm tính Kết nghiên cứu này được trình bày bài báo [2a],[7a] 20 - Giải thuật điều khiển ngược thích nghi được giới thiệu luận án áp dụng điều khiển hệ bồn nước liên kết, hệ SMD Ý nghĩa thực tiễn của giải thuật quá trình kết hợp giải thuật tối ưu và giải thuật điều khiển thích nghi khiến cho giải thuật điều khiển đạt chất lượng tốt lúc khởi động và hàm thích nghi đơn giản hơn, giảm chi phí tính toán Kết nghiên cứu này được trình bày bài báo [3a] và [4a] • Đánh giá tác động của các kết nghiên cứu Tất các nghiên cứu, đề xuất cải tiến luận án đều được tác giả kiểm chứng mô và thực nghiệm các đối tượng chuẩn thường sử dụng các nghiên cứu lĩnh vực hoặc công nghiệp Các kết nghiên cứu này được tác giả công bố các tạp chí và hội nghị uy tín bài báo tạp chí quốc tế SCIE [1a-4a], bài báo đăng tạp chí khoa học uy tín nước [5a], bài báo đăng hội nghị khoa học quốc tế uy tín [6a-8a], bài bào đăng hội nghị khoa học quốc gia uy tín [9a] Các thống kê này chứng tỏ tính mới, độ tin cậy và ý nghĩa khoa học của các kết nghiên cứu luận án 5.2 Kiến nghị Hướng tiếp cận sử dụng mô hình Fuzzy nhiều lớp nhận dạng và điều khiển hệ phi tuyến bước đầu đạt được một số kết Tuy nhiên, phạm vi luận án tác giả chưa khai thác hết tiềm của mô hình đề xuất chưa áp dụng vào các đối tượng thực tế công nghiệp Ḷn án cịn tồn tài mợt sớ hạn chế như: - Cấu trúc của mô hình Fuzzy nhiều lớp áp dụng nhận dạng phải được chọn trước, chưa có chế tự tái cấu trúc mạng Việc xác định cấu trúc của mô hình có thể gây thời gian hoặc khó khăn cho người sử dụng ban đầu Trong thực tế, cấu trúc của mô hình Fuzzy nhiều lớp dùng nhận dạng mô hình phi tuyến khác thì khác Trong luận án này chưa đưa được quy tắc chọn cấu trúc cho mô hình Fuzzy nhiều lớp, việc chọn cấu trúc hiện tại phụ thuộc vào kinh nghiệm chuyên gia - Đối với các đề xuất giải thuật điều khiển, quy trình bắt buộc phải có khâu nhận dạng hệ thống, mô hình nhận dạng phải điều khiển được hệ thống, hay 21 nói cách khác khơng làm hệ thớng ổn định sau đó mới có thể áp dụng tiếp kỹ thuật điều khiển thích nghi Các đối tượng sử dụng điều khiển mới là các hệ SISO, chưa áp dụng cho hệ MIMO - Các hệ số học nhận dạng và điều khiển chưa có quy tắc chọn lựa rõ ràng, hầu hết đều qua phương pháp thử sai và dựa vào kinh nghiệm chuyên gia Do đó, hướng tiếp cận mô hình Fuzzy nhiều lớp áp dụng cho nhận dạng và điều khiển hệ phi tuyến cần tiếp tục nghiên cứu và phát triển: - Nghiên cứu giải thuật tự động điều chỉnh cấu trúc mô hình Fuzzy nhiều lớp dùng nhận dạng và điêu khiển hệ phi tuyến - Cải thiện cấu trúc mô hình Fuzzy nhiều lớp thêm đa dạng, áp dụng hiệu các bài toán nhận dạng và điều khiển - Tinh chỉnh các tham số điều khiển một cách tự động, giảm phụ thuộc vào kinh nghiệm chuyên gia việc thiết kế bộ điều khiển - Với hàm thích nghi đơn giản, hệ thống giảm được khối lượng tính toán nhiều, mở khả điều khiển cho các hệ MIMO phức tạp 22 CÔNG TRÌNH LIÊN QUAN TRỰC TIẾP ĐẾN LUẬN ÁN [1a] Van Kien C., Anh, H P H., & Nam, N T (2018) Cascade Training Multilayer Fuzzy Model for Nonlinear Uncertain System Identification Optimized by Differential Evolution Algorithm International Journal of Fuzzy Systems, June 2018, Volume 20, Issue 5, pp 1671–1684 (SCIE, IF: 4.406) [2a] Van Kien C, Son N N., H.P.H Anh (2018) Adaptive Fuzzy Sliding Mode Control for Nonlinear Uncertain SISO System Optimized by Differential Evolution Algorithm, International Journal of Fuzzy Systems (SCIE, IF: 4.406) [3a] Van Kien, C., Anh, H P H., & Son, N N (2020) Inverse–adaptive multilayer T–S fuzzy controller for uncertain nonlinear system optimized by differential evolution algorithm Soft Computing, 1-17 (SCIE, IF: 3.050) [4a] Van Kien, C., Anh, H P H., & Son, N N (2020) Adaptive inverse multilayer fuzzy control for uncertain nonlinear system optimizing with differential evolution algorithm Applied Intelligence, 1-22 (SCIE, IF: 3.325) [5a] Cao Văn Kiên, Hồ Phạm Huy Ánh, “Nhận dạng hệ bồn nước đơi sử dụng mơ hình fuzzy nhiều lớp kết hợp giải thuật tối ưu tiến hóa vi sai”, Chuyên san điều khiển tự động hoá sô 18, tháng năm 2017, trang 2635 [6a] Kien C.V, Anh H.P.H, “Identification of 2-DOF Pneumatic Artificial Muscle System with Multilayer Fuzzy Logic and Differential Evolution Algorithm” in Proc Conference IEEE-ICIEA-2017, SiemReap, Campuchia – June/2017, pp 1261-1266 [7a] Kien Cao Van, Huan Tran Thien, Thai Do Thanh, Anh Ho Pham Huy, “Implementation of Adaptive Fuzzy Sliding Mode Control for Nonlinear Uncertain Serial Pneumatic-Artificial-Muscle (PAM) Robot System”, in Proceedings of The IEEE International Conference on Systems Science and Engineering 2017 (IEEE ICSSE 2017), HCMUTE, Viet Nam – July/2017, pp 93-98 [8a] Van Kien, C., & Anh, H P H (2017, August) Enhanced Adaptive Fuzzy Sliding Mode Control for Nonlinear Uncertain Serial Pneumatic Artificial Muscle (PAM) Robot System In International Conference on Advances in Computational Mechanics (pp 1033-1050) Springer, Singapore DOI: 10.1007/978-981-10-7149-2_72 [9a] Kien C.V, Anh, H.P.H.,” Cascade Training Multilayer Fuzzy Model for Identifying Nonlinear MIMO System Optimized with Differential Evolution Algorithm”, The 4th Vietnam International Conference and 23 Exhibition On Control and Automation (Vcca-2017), – 2/12/2017, Thành phố Hồ Chí Minh CƠNG TRÌNH LIÊN QUAN ĐẾN LUẬN ÁN [10a] Anh H P H., Son N N., & Van Kien C (2017) Adaptive Neural Compliant Force-Position Control of Serial PAM Robot Journal of Intelligent & Robotic Systems, 1-19 (SCIE, Q2, IF: 2.259) [11a] Son N N., Van Kien C., & Anh, H P H (2017) A novel adaptive feedforward-PID controller of a SCARA parallel robot using pneumatic artificial muscle actuator based on neural network and modified differential evolution algorithm Robotics and Autonomous Systems, 96, 65-80 (SCIE, Q1, IF: 2.825) [12a] Anh H.P.H, Son N.N, Van Kien C, (2018) New Approach of Sliding Mode Control for Nonlinear Uncertain PAM Manipulator Enhanced with Adaptive Fuzzy Estimator, International Journal of Advanced Robotic Systems (ARX), SAGE publishing, DOI: 10.1177/1729881418773204, pp 1-11 (SCIE, Q4 IF: 1.482) [13a] Anh, H P H., Van Kien, C., & Nam, N T (2018) Advanced force control of the 2-axes PAM-based manipulator using adaptive neural networks June 2018, Robotica, DOI: 10.1017/S0263574718000450 (SCIE Q2, IF:1.509) [14a] Anh, H P H., Son, N N., Van Kien, C., & Vinh, H H (2018) Parameters Identification using Adaptive Differential Evolution Algorithm Applied on Robust Control of Uncertain Nonlinear System Applied Soft Computing Volume 71, October 2018, Pages 672-684 (SCIE, Q1, IF: 5.472) 24 DANH MỤC CƠNG TRÌNH ĐÃ CƠNG BỐ Tạp chí quốc tế Van Kien C., Anh, H P H., & Nam, N T (2018) Cascade Training Multilayer Fuzzy Model for Nonlinear Uncertain System Identification Optimized by Differential Evolution Algorithm International Journal of Fuzzy Systems, June 2018, Volume 20, Issue 5, pp 1671–1684 (SCIE, IF: 4.406) Van Kien C, Son N N., H.P.H Anh (2018) Adaptive Fuzzy Sliding Mode Control for Nonlinear Uncertain SISO System Optimized by Differential Evolution Algorithm, International Journal of Fuzzy Systems (SCIE, IF: 4.406) Van Kien, C., Anh, H P H., & Son, N N (2020) Inverse–adaptive multilayer T– S fuzzy controller for uncertain nonlinear system optimized by differential evolution algorithm Soft Computing, 1-17 (SCIE, IF: 3.050) Van Kien, C., Anh, H P H., & Son, N N (2020) Adaptive inverse multilayer fuzzy control for uncertain nonlinear system optimizing with differential evolution algorithm Applied Intelligence, 1-22 (SCIE, IF: 3.325) Tạp chí nước Cao Văn Kiên, Hồ Phạm Huy Ánh, “Nhận dạng hệ bồn nước đơi sử dụng mơ hình fuzzy nhiều lớp kết hợp giải thuật tối ưu tiến hóa vi sai”, Chuyên san điều khiển tự động hố sơ 18, tháng năm 2017, trang 26-35 Kỷ yếu hội nghị quốc tế Kien C.V, Anh H.P.H, “Identification of 2-DOF Pneumatic Artificial Muscle System with Multilayer Fuzzy Logic and Differential Evolution Algorithm” in Proc Conference IEEE-ICIEA-2017, SiemReap, Campuchia – June/2017, pp 1261-1266 Kien Cao Van, Huan Tran Thien, Thai Do Thanh, Anh Ho Pham Huy, “Implementation of Adaptive Fuzzy Sliding Mode Control for Nonlinear Uncertain Serial Pneumatic-Artificial-Muscle (PAM) Robot System”, in Proceedings of The IEEE International Conference on Systems Science and Engineering 2017 (IEEE ICSSE 2017), HCMUTE, Viet Nam – July/2017, pp 93-98 Van Kien, C., & Anh, H P H (2017, August) Cascade Training Multilayer Fuzzy Model for Identifying Nonlinear MIMO System In International Conference on Advances in Computational Mechanics (pp 1017-1031) Springer, Singapore DOI 10.1007/978-981-10-7149-2_71 Van Kien, C., & Anh, H P H (2017, August) Enhanced Adaptive Fuzzy Sliding Mode Control for Nonlinear Uncertain Serial Pneumatic Artificial Muscle (PAM) Robot System In International Conference on Advances in Computational Mechanics (pp 1033-1050) Springer, Singapore DOI: 10.1007/978-981-10-7149-2_72 Kỷ yếu hội nghị nước Kien C.V, Anh, H.P.H.,” Cascade Training Multilayer Fuzzy Model for Identifying Nonlinear MIMO System Optimized with Differential Evolution Algorithm”, The 4th Vietnam International Conference and Exhibition On Control and Automation (Vcca-2017), – 2/12/2017, Thành phố Hồ Chí Minh ... CHƯƠNG ĐIỀU KHIỂN THÍCH NGHI HỆ PHI TUYẾN DÙNG MƠ HÌNH FUZZY NHIỀU LỚP KẾT HỢP GIẢI THUẬT TỐI ƯU 4.1 Giới thiệu Chương này tác giả đề xuất hai giải thuật điều khiển ứng dụng mô hình... Mơ hình Fuzzy nhiều lớp kỹ thuật nhận dạng Mô hình Fuzzy nhiều lớp nhận dạng mô hình phi tuyến đa biến MIMO bao gồm nhiều khối mô hình Fuzzy nhiều lớp MISO kết hợp lại, mô hình... Fuzzy nhiều lớp MISO thể hiện mợt ngõ của mơ hình Hình 3.1 Mơ hình Fuzzy nhiều lớp Với M là sớ lượng mô hình Fuzzy T-S được dùng khối mô hình Fuzzy nhiều lớp MISO Mỗi khối Fuzzy