NHẬN DẠNG QUÁ TRÌNH PHI TUYẾN MIMO sử DỤNG hệ NƠRON mờ THÍCH NGHI

TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ, ĐẠI HỌC ĐÀ NẴNG - SỐ 439.201050 NHẬN DẠNG QUÁ TRÌNH PHI TUYẾN MIMO SỬ DỤNG HỆ NƠRON MỜ THÍCH NGHI IDENTIFYING MIMO NONLINEAR PROCESSES USING THE ADAPTIVE

TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ, ĐẠI HỌC ĐÀ NẴNG - SỐ 4(39).2010

50

NHẬN DẠNG QUÁ TRÌNH PHI TUYẾN MIMO SỬ DỤNG

HỆ NƠRON MỜ THÍCH NGHI

IDENTIFYING MIMO NONLINEAR PROCESSES USING THE ADAPTIVE

NEURAL FUZZY SYSTEM

Nguyễn Quốc Định

Trường Đại học Bách khoa, Đại học Đà Nẵng

TÓM TẮT

Mạng Nơron nhân tạo (ANNs) và Hệ Nơron mờ (NFSs) đã được sử dụng rộng rãi trong việc mô hình hóa và điều khiển nhiều quá trình phi tuyến trong công nghiệp Tuy nhiên, hầu hết những nghiên cứu này chỉ tập trung vào những hệ đơn đầu ra Trong bài báo này, chúng tôi trình bày một nghiên cứu so sánh sử dụng ANNs và hệ suy luận nơron mờ đồng tác động (Co-Active Neuro-Fuzzy Inference System - CANFIS) trong việc mô hình hóa một quá trình nhiệt của lò nung con lăn được sử dụng trong dây chuyền sản xuất gạch ceramic Thông qua nghiên cứu so sánh này, chúng tôi chứng minh rằng hệ CANFIS phù hợp hơn trong việc mô hình hóa quá trình nhiệt trên và mô hình này sẽ được sử dụng làm đối tượng điều khiển trong quá trình điều khiển sẽ được thực hiện trong những nghiên cứu tiếp theo

ABSTRACT

Artificial Neural Networks (ANNs) and Neuro-Fuzzy Systems (NFSs) have been widely used in the modelling and controlling of many practical industrial non-linear processes However, most of them have concentrated on single-output systems only In this paper, we present a comparative study using the ANNs and Co-Active Neuro-Fuzzy Inference System (CANFIS) to model real, complicated Multi-Input-Multi-Output (MIMO) nonlinear temperature processes of a roller kiln used for ceramic tile manufacturing line With this comparative study,

we proved that the CANFIS is better suited for modelling the temperature processes and this model will be used as the controlled object in the control phase that will be conducted in the next research

1 Đặt vấn đề

Một ngành công nghiệp quan trọng liên quan đến lĩnh vực xây dựng là công nghiệp sản xuất gạch ceramic Gạch ceramic được sản xuất ra phải đáp ứng được những yêu cầu về chất lượng như hình dáng, kích thước, độ bền, độ cứng, … Trong thực tế, dây chuyền sản xuất gạch ceramic là một quá trình phức tạp với rất nhiều trạm như máy nghiền, máy ép, máy sấy đứng, lò nung con lăn, bộ phận phân loại, đóng gói, … trong đó, hoạt động của lò nung con lăn là 1 khâu rất quan trọng quyết định đến chất lượng của gạch thành phẩm Nếu giá trị nhiệt độ trong lò nung con lăn không bám theo chính xác các giá trị nhiệt

độ đặt thì nhiều khuyết tật như vết nứt, biến dạng về kích thước, độ phẳng, thay đổi về màu men, … sẽ xuất hiện trên gạch thành phẩm Vì vậy, lò nung con lăn luôn được mong chờ để làm việc chính xác và tin cậy nhằm đáp ứng mọi yêu cầu kỹ thuật

Thông thường, chúng ta sẽ sử dụng 2 phương pháp chính để xây dựng mô hình của đối tượng điều khiển Phương pháp thứ nhất là xây dựng mô hình toán trực tiếp từ những quan hệ vật lý diễn ra trong đối tượng điều khiển Tuy nhiên, đôi khi, do những hiểu biết về đối tượng là không đủ để dẫn dắt ra phương trình mô tả toán học của đối tượng hay phương trình mô tả toán học quá phức tạp Trong những trường hợp như vậy, phương pháp thứ hai thường được sử dụng bằng cách thu thập các số liệu vào – ra của đối tượng và sử dụng các số liệu này để huấn luyện cho mô hình mạng nơron nhân tạo (ANNs) hay mô hình hệ nơron mờ (NFSs) Trong nghiên cứu này, do sự phức tạp của những đặc tính vật lý của quá trình nhiệt trong lò nung con lăn thì phương pháp thứ hai được lựa chọn với phương pháp nhận dạng off-line để xây dựng mô hình của quá trình nhiệt phi tuyến được nghiên cứu

2 Mô tả quá trình nhiệt trong lò nung con lăn của dây chuyền sản xuất gạch ceramic

Dựa vào sự phân bố nhiệt độ, toàn bộ lò nung con lăn được chia thành 6 vùng nhiệt độ như Hình 1 Trong đó, mỗi khu vực nhiệt độ đóng một vai trò riêng biệt quyết định đến chất lượng của gạch thành phẩm Một sự biểu diễn đồ họa của lò nung con lăn được thể hiện trong Hình 2

Trong thực tế, quá trình nhiệt xảy ra trong lò nung con lăn là rất phức tạp Một số quá trình nung nóng/làm lạnh chính trong lò nung con lăn có thể được liệt kê ra như sau:

• Quá trình đốt cháy ga trong buồng đốt để sinh nhiệt

• Quá trình hấp thụ nhiệt của khí lạnh trong vùng làm lạnh nhanh và vùng làm lạnh chậm Quá trình này phụ thuộc vào tốc độ luân chuyển của khí bên trong ống

• Quá trình trao đổi nhiệt giữa vùng trên con lăn và vùng dưới con lăn bên trong lò nung

• Năng lượng tỏa ra môi trường bên ngoài qua vỏ của lò nung

• Sự thất thoát nhiệt do quạt hút khói

Vì vậy, rất khó khăn, thậm chí là không thể để xây dựng được một mô hình toán hoàn thiện và chính xác cho quá trình nhiệt xảy ra trong lò nung con lăn Trong trường hợp này, cách tốt nhất là sử dụng mạng nơron nhân tạo (ANNs) hay hệ nơron mờ (NFSs)

để xây dựng mô hình cho quá trình phi tuyến này từ những số liệu kỹ thuật vào – ra thu thập được

Vùng cấp

liệu

Vùng tiền nung

Vùng nung Làm lạnh

nhanh

Làm lạnh chậm

Làm lạnh cuối (Hướng di chuyển của gạch)

(1

)

)

Hình 1 Sáu khu vực của lò nung con lăn

K4

S16

nh ối

MR

3 Giới thiệu về mạng ANFIS và CANFIS

3.1 Hệ suy luận nơron mờ thích nghi (Adaptive Neuro-Fuzzy Inference Systems - ANFIS)

Ưu điểm của điều khiển logic mờ là sự rõ ràng và linh hoạt trong điều khiển ngôn ngữ dựa vào tập luật Nếu – Thì, tuy nhiên, việc xác định hình dạng và vị trí của hàm liên thuộc cho mỗi biến mờ chỉ có thể giải quyết bằng phương pháp “trial and error” mà thôi Trong khi đó, tính toán số và khả năng nhận thức và thích nghi lại là những điểm mạnh của mạng nơron nhân tạo (ANNs), tuy nhiên, không hề dễ dàng cho việc xác định được một cấu trúc tối ưu (số lớp ẩn trong ANNs và số lượng nơron trong mỗi lớp ẩn) của ANNs Ngoài ra, ANNs cũng thực hiện việc tính toán số nhiều hơn là tính toán ký hiệu

Để có thể phát huy những điểm mạnh cũng như hạn chế những yếu điểm của hai phương pháp trên (điều khiển logic mờ và mạng nơron nhân tạo) thì việc kết hợp cả hai phương pháp để tạo nên một công cụ xử lý mạnh là một việc làm cần thiết Một trong những sự kết hợp này là hệ suy luận nơron mờ thích nghi (Adaptive Neuro-Fuzzy Inference Systems - ANFIS) Một mô hình ANFIS là một mạng nơron thích nghi mà biểu diễn một loại cụ thể của hệ suy luận mờ

Giả sử rằng hệ suy luận mờ được nghiên cứu có 2 đầu vào (x và y) và 1 đầu ra f

Đối với mô hình mờ Sugeno bậc một thì một tập luật chung với 2 luật mờ Nếu – Thì như sau:

Luật 1: If x is A1 and y is B1, then f1 = p1x + q1y + r1, (1)

Luật 2: If x is A2 and y is B 2 , then f2 = p2x + q2y + r 2 , (2) Hình 3(a) minh họa một cơ chế suy luận đối với mô hình Sugeno Cấu trúc ANFIS tương đương được biểu diễn trên Hình 3(b) Trong hình vẽ này, đầu ra của nút thứ

ith trong lớp l được ký hiệu là Ol,i

B1

Hình 3 (a) Mô hình mờ Sugeno bậc 1 (b) Cấu trúc ANFIS tương đương

f =

2 1

2 2 1 1

W W

f W f W

+ +

= W1f1+W2f2

A1

A2

x

B1

B2

y

Π

x y

W1

W2

x, y : inputs

f : output

x y

Layer

1

N N

1

W

W2

Layer 2

Layer 3

Layer 4

Layer 5

2

W

1

1f

W

2

2 f

W

f

(b)

W1

W2

A1

X X

Y

Y

f1 = p1x + q1y + r1

f2 = p2x + q2y + r2

(a)

TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ, ĐẠI HỌC ĐÀ NẴNG - SỐ 4(39).2010

54

Lớp 1: Bao gồm những nút thích nghi:

Trong đó:

• µAi (x) và µBi - 2 (y) : là bất kỳ hàm liên thuộc thông số hóa phù hợp nào

• Ol,,i : là giá trị liên thuộc của tập mờ A( = A1, A2, B1 or B2)

Lớp 2: Bao gồm những nút cố định được ký hiệu là Π mà đầu ra của nó là tích

của tất cả các tín hiệu vào:

Lớp 3: Bao gồm những nút cố định được ký hiệu là N được dùng để chuẩn hóa:

2

w

w

i = + i=1,2 (6)

Lớp 4: Bao gồm những nút thích nghi:

Lớp 5: Bao gồm những nút cố định đơn được ký hiệu là Σ được dùng để tính

tổng:

Đầu ra tổng thể = O 5,1 =

∑

∑

i i i i i i

i i

w

f w f

3.2 Hệ suy luận nơron mờ đồng tác động (Coactive NeuroFuzzy Inference System

-CANFIS)

CANFIS kết hợp một số mô hình ANFIS đơn đầu ra để tạo thành 1 mô hình đa

đầu ra với những luật mờ phi tuyến Có nhiều cách để tạo ra CANFIS từ ANFIS và một

trong những cách đó được thể hiện trên Hình 4

4 Mô hình hóa quá trình nhiệt phi tuyến MIMO của lò nung con lăn

Như chúng ta đã biết, gạch ceramic bao gồm 2 phần: men và lõi, trong đó, lõi

được tráng một lớp men mỏng lên trên bề mặt Vì vậy, nhiệt độ làm việc yêu cầu cho

những vị trí phía trên tại các điểm S5, S7, S9, S11, S13, S15,K17, K19 (Hình 5) sẽ khác với

nhiệt độ làm việc yêu cầu cho những vị trí phía dưới như điểm K2,K4, S6, S8, S10, S12, S14,

S16 Ngoài ra, giá trị nhiệt độ làm việc yêu cầu trong lò nung con lăn còn thay đổi dọc

theo chiều dài của lò nung và phụ thuộc vào khu vực nhiệt độ được xem xét

Trong bài báo này, để mô hình hóa quá trình nhiệt phi tuyến MIMO của lò nung

con lăn, chúng tôi đã tiến hành các bước sau:

• Lựa chọn các biến vào / ra

• Thu thập các số liệu kỹ thuật vào/ra từ hệ thống thực

• Huấn luyện mô hình ANNs

• Huấn luyện mô hình CANFIS

• So sánh giữa 2 mô hình trên về các thông số như: Sai lệch bình phương tối thiểu (Root Mean Squared Error - RMSE), thời gian huấn luyện, độ phức tạp về mặt cấu trúc của mô hình

4.1 Lựa chọn các biến vào/ra

Hoạt động của quá trình nhiệt phi tuyến MIMO của lò nung con lăn có thể được

mô hình với 16 đầu vào và 22 đầu ra, trong đó, các đầu vào là độ mở của van điều khiển

và đầu ra là các giá trị nhiệt độ thực tại các điểm khác nhau dọc theo lò nung như trên Hình6

A1

A2

x

B1

B2

y

Π

Π

/

Σ

Σ

x y

W1

W2

W1 C11

W2 C21 W1 C12

W2 C22

W1+W2

x, y : inputs ; O1, O2 : outputs

MFs: Membership functions for fuzzy variables

Hình 4 Cấu trúc CANFIS hai đầu ra với 2 luật/đầu ra

x y

MFs

O1 O2

P21

K3

S5

S7

S9

S 13

S15

K 17

K20

K4

S6

S8

S 12

S16

K18

• 16 đầu vào : S5, S7, S9, S11, S13, S15,K17, K19, K2 ,K4 , S6, S8 , S10 , S12 , S14 , S16

• 22 đầu ra: KV22, KP21, K1 ,K3,S5, S7, S9, S11, S13, S15,K17, K20, K19, K2 ,K4 , S6 ,

S8 , S10 , S12 , S14 , S16 , K18

4.1.1 Thu thập số liệu kỹ thuật vào/ra từ hệ thống thực:

Việc thu thập các số liệu kỹ thuật vào/ra từ nhà máy sản xuất gạch ceramic được thực hiện đối với các giá trị nhiệt độ (giá trị thực và giá trị đặt) trong tất cả các khu vực của lò nung con lăn Tổng số tập số liệu thu thập được là 285 Các số liệu này được chuẩn hóa trước khi được đưa vào mô phỏng Ở đây, chúng tôi chọn đoạn giá trị [0.05, 0.95] để thực hiện quá trình chuẩn hóa theo các công thức sau:

Tiền xử lý:

Hậu xử lý:

Trong đó: Xt là giá trị thực

a là giá trị bé nhất của Xt

A là giá trị lớn nhất của Xt

X’t là giá trị chuyển đổi

4.1.2 Mô hình hóa quá trình nhiệt của lò nung con lăn:

4.2 Mô hình hóa sử dụng ANNs

Trong nghiên cứu này, việc huấn luyện mô hình ANNs từ những mẫu số liệu thu thập được thực hiện bởi phần mềm WinNN32 Ở đây, chúng tôi sử dụng mạng nơron truyền thằng 5 lớp được huấn luyện bởi thuật toán di truyền ngược nhằm xây dựng mô hình của đối tượng thực Kết quả các mô hình ANNs huấn luyện được được trình bày trong Bảng 1

) 9 ( 05

0 ) (

95 0

−

−

=

a A

a X

t

) 10 ( 95

0

) 05 0 ' )(

(

a X

a A

Quá trình nhiệt trong

lò nung con lăn

Độ mở của van

điều khiển

Giá trị nhiệt độ tại các điểm khác nhau trong lò nung con lăn

Hình 6 Các biến vào/ra của đối tượng nghiên cứu

1

2

16

1

2

22

TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ, ĐẠI HỌC ĐÀ NẴNG - SỐ 4(39).2010

58

Số chu kỳ huấn luyện

Sai lệch đích

Số trọng số và

độ lệch

6 đầu vào – 6

đầu ra

8 – 15 – 20 – 10 –

8

1.24 24310 0.01 753

8 – 10 – 15 – 12 –

8

8 đầu vào – 8

đầu ra

8 – 12 – 18 – 10 –

8

9 – 12 – 15 – 10 –

9

9 – 14 – 18 – 15 –

9

9 đầu vào – 9

đầu ra

9 – 10 – 13 – 11 –

9

Bảng 1 Các mô hình mạng nơron được xây dựng 4.3 Mô hình hóa sử dụng CANFIS

Việc xây dựng và mô phỏng các mô hình CANFIS từ những mẫu số liệu thu thập được thực hiện bởi phần mềm NeuroSolution Tất cả các mô hình CANFIS xây dựng được đều sử dụng hàm liên thuộc hình chuông với 3 hàm liên thuộc trên 1 đầu vào

và mô hình mờ Takagi, Sugeno and Kang (TSK) cho phần mờ trong các hệ lai Kết quả

mô phỏng của các mô hình CANFIS được trình bày trong Bảng 2

Cấu trúc mô hình

Số chu kỳ huấn luyện

Sai lệch đích

Số trọng số và

độ lệch

Bảng 2 Các mô hình mạng CANFIS được xây dựng

4.4 So sánh giữa mô hình ANNs và mô hình CANFIS

Các tiêu chuẩn được sử dụng để so sánh giữa mô hình ANNs và mô hình CANFIS là sai lệch bình phương tối thiểu (Root Mean Squared Error - RMSE), thời gian huấn luyện, độ phức tạp về mặt cấu trúc của mô hình Từ việc so sánh các kết quả đạt được trong 3 trường hợp của hệ đa đầu ra: 6 đầu vào – 6 đầu ra, 8 đầu vào – 8 đầu

ra và 9 đầu vào – 9 đầu ra, chúng ta có thể thấy rằng mặc dù cấu trúc của mô hình CANFIS phức tạp hơn mô hình ANNs (với cùng số lớp ẩn trong mạng) do số lượng lớn hơn của trọng số và độ lệch (đạt được từ số liệu thống kê) và thời gian huấn luyện của mô hình CANFIS thì dài hơn mô hình ANNs, tuy nhiên, độ chính xác trong mô hình CANFIS lại tốt hơn mô hình ANNs bởi vì giá trị sai lệch bình phương tối thiểu RMSE trong mô hình CANFIS bé hơn 7 lần so với RMSE của mô hình ANNs Từ đây, chúng ta thấy rằng, đối với việc mô hình hóa một quá trình phi tuyến MIMO như quá trình nhiệt trong lò nung con lăn của dây chuyền sản xuất gạch ceramic thì cấu trúc CANFIS là một phương pháp tốt hơn để mô hình hóa các đặc tính vật lý của đối tượng nghiên cứu

5 Kết luận

Trong bài báo này, việc mô tả các quan hệ vật lý cũng như các đặc tính kỹ thuật liên quan đến quá trình nhiệt trong lò nung con lăn của dây chuyền sản xuất gạch ceramic được giới thiệu Từ nghiên cứu này, chúng ta thấy rằng quá trình nhiệt nêu trên không chỉ là một quá trình phi tuyến MIMO mà nó còn quá phức tạp cho việc xây dựng một mô hình toán nhằm phục vụ cho mục đích nhận dạng đối tượng Thông qua việc nghiên cứu so sánh giữa mô hình ANNs và mô hình CANFIS nhằm tìm ra 1 phương pháp tốt hơn cho việc nhận dạng một quá trình phi tuyến MIMO phức tạp như quá trình nhiệt trong lò nung con lăn Từ nghiên cứu so sánh trên ta rút ra kết luận là phương pháp CANFIS được sử dụng tốt hơn trong việc mô hình hóa đối tượng nghiên cứu và

mô hình CANFIS sẽ được sử dụng trong việc điều khiển quá trình nhiệt của lò nung con lăn sau này

TÀI LIỆU THAM KHẢO

[1] Jang, J.-S.R., Neuro-Fuzzy Modeling: Architecture, Analyses and Applications, in: Dissertation, Department of Electrical Engineering and Computer Science, University of California, Berkeley, CA 94720, (1992)

[2] Jang, J.-S.R., ANFIS: Adaptive-Network-Based Fuzzy Inference System, in: IEEE Trans on Systems, Man and Cybernetics 23 (3), (1993) 665-685

[3] Jang, J.-S.R., Input Selection for ANFIS Learning, in: Proceedings of IEEE International Conference on Fussy Systems, (1996) 1493-1499

TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ, ĐẠI HỌC ĐÀ NẴNG - SỐ 4(39).2010

60

[4] Jang, J.-S.R., Sun, C.-T., Mizutani, E., Neuro-Fuzzy and Soft Comtputing: A Computational Approach to Learning and Machine Intelligent (Prentice Hall International, 1997)

[5] Nitin, V.A., Dinh, N.Q., Application of Totally Integrated Automation Technology for a Ceramic Tile Factory in Vietnam, in: Proceedings of the Third Asian Conference on Industrial Automation and Robotics, (2003) 142-145

[6] Vieira, J., Dias, F.M., Mota, A., Artificial Neural Networks and Neuro-fuzzy Systems for Modeling and Controlling Real Systems: A Comparative Study, in: International Journal of Engineering Applications of Artificial Intelligence, (2004) Article in Press

[7] Robert H.Bishop et al, The Mechatronics Handbook, (CRC Press, ISA- the Instrumentation, Systems and Automation Society, 2002) p.25-13

[8] William S.Levine et al, The Control Handbook, (CRC press, IEEE press, 1996) p.158