Điều khiển vị trí tay máy bắp thịt nhân tạo dùng mạng Nơ rôn và giải thuật tiến hóa vi sai

Bộ CÔNG THƯƠNG TRƯỜNG ĐẠI HỌC CÔNG NGHIỆP TP.HCM NGUYỀN NGỌC SƠN ĐIỀU KHIÊN VỊ TRÍ TAY MÁY BÁP THỊT NHÂN TẠO DÙNG MẠNG Nơ RÔN VÀ GIẢI THUẬT TIÊN HÓA VI SAI ĐÊ TÀI NCKH CÁP TRƯỞNG TP HỒ CHÍ MINH NĂM 2017 BỘ CƠNG THƯƠNG TRƯỜNG ĐẠI HỌC CƠNG NGHIỆP TP.IICM NGƯYẺN NGỌC SƠN ĐIỀU KHIẾN VỊ TRÍ TAY MÁY BẮP THỊT NHÂN TẠO DÙNG MẠNG Nơ RÔN VÀ GIẢI THUẬT TIẾN HÓA vi SAI ĐÈ TÀI NCKH CÀP TRƯỜNG TRIJ0NG DA! HỌC CƠNG KĨHiÙP ĨP.HCV THƯ VIỄNMÀ VẠCH : „ TP.HỎ CHÍ MINH NẢM 2017 TÓM TẤT Hệ thống phi luyến với yếu lổ bất định nhiều động khó để xác định xác mơ hình lốn học hệ thống Do hướng tiếp cận điều khiển thơng thường dựa mơ hình tốn học gần khơng dáp ứng u cầu Vì ngày có nhiều nghiên cứu tập trung vào mơ hình điều khiển (hông minh ứng dụng kỳ thuật lính tốn mềm dựa mạng nơ rơn nhân lạo thuậl lốn tối ưu tiến hóa Các nội dung cùa đê tài tóm tai sau: MỘI là, ihuật tốn liến hóa vi sai bàn DE ycu lố ảnh hưởng đen chất lượng hội lụ thuật toán DE khảo sát nghiên cứu Hai là, thuật tốn tiến hóa vi sai DE sau áp dụng vào tốn tối ưu hóa trọng số mạng nơ rơn MLP dê đạt dược lời giãi toi ưu toàn cục cài thiện toe độ hội tụ (rình huấn luyện mạng Ba là, mơ hình dự báo NNARX lạo ihành cách kết hợp mạng nơ rôn MLP mơ hình hồi quy phi tuycn NARX, trọng số mơ hình dự báo NNARX tối ưu bời thuật tốn lien hóa vi sai DE phát tricn đe nhận dạng hệ phi luyến Bốn là, điều khiển tích hợp PID-INN nghiên cứu áp dụng cho hệ tay máy PAM phi tuyến Ket thực nghiệm chứng tò chất lượng vượt trội cúa diều khiến PID-INN so với điểu khiển kinh điển PID i MỤC LỤC DANH MỰC CÁC HÌNH ẢNH iv DANH MỤC BẢNG BIÊU vi DANH MỤC CÁC TỪ VIẾT TÂT vii DANH MỤC CÁC KÝ HIỆU viii CHƯƠNG I TỔNG QUAN I I ỉ Tính cấp thiết đề tài I 1.2 Tổng quan tình hình nghiên cứu .1 1.3 Mục liêu nghiên cứu 1.4 Dối tượng, phạm vi phương pháp nghiên cứu 1.5 Bố cục cùa báo cáo CHƯƠNG Cơ SỎ LÝ THUYÉT 2.1 Điều khiển dựa vào mơ hình 2.2 Mạng nơ rôn thuật tốn tiến hóa 2.2.1 Mạng nơ rôn nhân tạo - ANN 2.2.2 Thuật tốn tiến hóa - EA 2.3 Thuật tốn tiến hóa vi sai 2.3.1 Các bước thực thuật toán 2.3.2 Các biến thể cũa thuật toán 12 2.3.3 Thông số điều khiển 13 2.4 Kết luận 13 CIIƯƠNG RON MLP THUẬT TỐN TĨÉN HĨA VI sAĩ HN LUYỆN MẠNG Nơ 14 3.1 Giới thiệu 14 3.2 Cấu trúc mạng nơ rôn MLP 14 3.3 Thuật toán huấn luyện mạng 15 3.3.1 Lưu đồ thuật toán học DE 15 3.3.2 Lưu đồ thuật toán học MDE 17 3.3.3 Các yếu lô ánh hướng đèn trình huấn luyện mạng 18 3.4 Úng dụng nhận dạng hệ phi luyến 18 3.4.1 Cấu trúc mơ hình nhận dụng 18 ii DANH MỤC CÁC HÌNH ẢNH Hình 2.1 Sơ đồ khối hệ thống điều khiển dựa vào mơ hình Hình 2.2 Quá trình nhận dạng hệ thống Hình 2.3 Tế bào nơ rơn nhân tạo Hình 2.4 Mạng nơ rơn truyền thẳng ỉớp (a), nhiều lóp (b) mạng hồi quy (c) Hình 2.5 Học có giám sát Hình 2.6 Thuật tốn tiến hóa V! sai bàn Hình 2.7 Q trình đột biển khơng gian 2-D 10 Hình 3.1 Mạng nơ rôn truyền thẳng MLP 14 Hình 3.2 Sơ dồ khối cấu trúc mơ hình nhận dạng NNARX 19 Hình 3.3 Mơ hình NNARX nhận dạng hệ phi tuyến A 23 Hình 3.4 Dữ liệu vào-ra hệ phi tuyến A dùng ước lượng đánh giá .23 Hình 3.5 Dự báo dùng mơ hình NNARX 24 Hình 3.6 Tốc dộ hội tụ ước lượng mơ hình NNARX, thay đổi SI 24 Hình 3.7 Tốc độ hội tụ ước lương mơ hình NNARX, thay đổi NP 25 Hình 3.8 Mơ phóng đánh giá chất lượng mơ hình NNARX 26 Hình 3.9 Đánh giá mơ hình: (a) dự báo, (b) mị phịng 26 Hình 3.10 Tốc độ hội tụ ước lưựng mơ hình NNARX, với (3.5) 27 Hình 3.11 Dừ liệu dùng ước lượng đánh giá mơ hình NNARX với (3.6) .28 Hình 3.12 Mơ hình NNARX nhận dạng hệ phi tuyến B 29 Hình 3.13 Tốc độ hội tụ ước lượng mơ hình NNARX, với (3.6) 29 Hình 3.14 Dánh giá mơ hình cho hệ (3.7): (a) dự báo, (b) mơ phịng 30 Hình 3.15 Kct quã nhận dạng dùng mơ hình ODE-NNARX báo |2I ] 30 Hình 4.1 Sợi nhân lạo Festo-PAM ứng dụng người máy 32 Hình 4.2 Cấu tạo sợi nhân tạo Festo-MAS-20, (26] 33 Hình 4.3 Sơ đồ khối mơ hình tay máy song song PAM 34 Hình 4.4 Sơ dồ khối mơ hình tay máy song song PAM 34 Hình 4.5 Điều khiển ngược trực tiếp dựa vào mơ hình nơ rơn 36 Hình 4.6 Sơ dồ khối điều khiển thích nghi trực tiếp 37 Hình 4.7 Sơ đồ khối diều khiển thích nghi gián tiếp 37 Hình 4.8 Sơ đồ khối diều khiển FEL 38 Hình 4.9 Sơ đồ khối điều khiến lích hợp P1D-INN 40 Hình 4.10 Mơ hình ngược dự báo ĨNN hệ phi tuyến .40 Hình 4.11 Sơ đồ khối điều khiển tích hợp PID-INN hệ tay máy PAM 42 Hình 4.12 Tập dừ liệu vào-ra ihực nghiệm cũa hệ tay máy song song PAM 43 Hình 4.13 Mơ hình ngược dự báo MDE-INN cùa hệ tay máy PAM 44 Hình 4.14 Kết dự báo mơ hình ngược hệ lay máy song song PAM 44 Hình 4.15 Cửa sơ Configuration Parameter 47 Hình 4.16 Chương trình điều khiển thích nghi P1D-1NN hệ tay máy PAM 47 iv Hình 4.17 Chất lượng điềukhiển PAM với tín hiệu (a) sin 0.1Hz 48 Hình 4.18 Chắt lượng điềukhiển PAM với tín hiệu (b) sin 0.5 Hz 48 Hình 4.19 Cập nhập trọng số mơ hình INN (a) sin 0.1Hz (b) 0.5Hz 49 Hình 4,20 Chất lượng diềukhiển PAM với tín hiệu (a) tam giác 0.5 Hz 49 Hình 4.21 Chất lượng điềukhicn PAM với tín hiệu (b) lam giác 0.2 IIz 50 Hình 4.22 Cập nhập trọng số mơ hình 1NN (a) tam giác 0.5 Hz (b) 0.2 Hz 50 Hĩnh 4.23 Điều khiển PAM với tín hiệu sin 0.35 Hz thay đổi tài 51 V DANH MỤC BẢNG BIÊU Bảng 2.1 Pseudo-code thuật toán EAs Bảng 2.2 Các bicn thuật tốn tiến hóa vi sai 12 Báng 3.1 Pseudo-code thuật toán DE huấn luyện mạng nơ rón MLP 16 Bàng 3.2 Pseudo-code thuật toán MDE huấn luyện mạng nơ rôn MLP 17 Bàng 3.3 Thông số thuật tốn học q trình nhận dạng 21 Bàng 3.4 Chất lượng nhận dạng hệ phi tuyến A dùng MDE-NNARX 24 Bàng 3.5 Chất lượng nhận dạng dùng MDE-NNARX thay đối NP 25 Bảng 3.6 Chất lượng nhận dạng dùng mơ hình NNARX, với (3.5) 28 Bàng 3.7 Chất lượng nhận dạng cùa mô hình NNARX, với (3.6) 30 Bâng 4.1 Thơng số thiết bị mơ hình tay máy song song PAM 34 Bàng 4.2 Thông số vật lý lay máy song song PAM 35 Bàng 4.3 Các trọng số cùa mơ hình MDE-INN mơ tả tay máy PAM 45 vi DANH MỤC CÁC TÙ VIẾT TÁT BP DE FEL GD INN HDE MDE MIMO MLP NNARX PID PAM SMA Back-Propagation Differential Evolution Feedback Error Learning Gradient Descent Inverse NNARX model Hybrid Differential Evolution Modified Differential Evolution Multi input Multi Output Multi-Layers Perceptron Neural Network MLP Neural NARX model Proportional Integral Derivative Pneumatic Artificial Muscle Shape Memory Alloy VI1 dụng Ihông tin bict trước vê đặc tính cùa hệ phi tuyến Trong trưừng họp thơng tin biết trước hệ phi luyến không đầy đù quy luật vật lý cấu trúc mơ hình thưởng sừ dụng đe nhận dạng hệ phi luyến mơ hình Hammerstein, Wiener, Hammerstein-Wiener ghép từ khâu phi tuyến tĩnh với khâu tuyên lính Tuy nhiên, phương pháp không nhận dạng tồn đặc lính phi tuyến dối tượng Đe khắc phục nhược điềm này, hướng tiếp cận dựa kỹ thuật lính lốn mềm dược phát triển để nhận dạng điều khiến hệ phi luyến Nhờ kha xấp xi tốt, mơ hình nơ rơn nhân tạo dã dược sử dụng rộng rãi nhận dạng hệ phi tuyến phức tạp Các kiến trúc mạng nơ rôn mạng truyền thảng nhiều lớp MLP [1], mạng hàm sở xuyên tâm RBF [2], mạng ANFIS [3] với trọng số huấn luyện thuật toán suy giâm độ dốc GD dược sử dụng đề nhận dạng hàm phi tuyên dựa dừ liệu vào-ra hệ thơng Mặc dù ihuật tốn học áp dụng cho nhiều ứng dụng, địi hói hàm chi phí vi khơng gian tìm kiếm khơng lồi Điều kiện khơng thỏa nhiều ứng dụng thực tiễn bời nhiều hệ thống hay hệ thống không liên lục Thậm chí cà thơng tin Gradient xác định được, thuật tốn học xác định lời giải rơi vào tối ưu cục hàm chi phí hàm đa mục tiêu Dồ khẳc phục nhược diem này, năm gần đáy với phát triền khơng ngừng cua khoa học máy tính, nhiều phiên bàn máy lính có tốc độ xứ lý cao dời đặc biệt hệ siêu máy lính dă làm cho việc giàí quycl tốn lớn có chi phí tính tốn cao trớ nên dề dàng Vì gần với ưu diem nơi bật lời giải tối ưu tồn cục, nhóm thuật tốn tối ưu hóa tiến hóa quan lâm nhiều nhà khoa học giới phái triển mạnh irong lĩnh vực nhận dạng hệ phi tuyến MỘI số dó, thuật tốn tiến hóa vi sai DE dược xem công cụ mạng mổ lĩnh vực tối ưu hóa quan tâm nghiên cứu nhiều Thuậi tốn liến hóa vi sai DE giới thiệu lần đầu dạng báo cáo kỹ thuật hai nhà khoa học R Storn K.v Price vào năm 1995 [4| thuật tốn lìm kiếm lời giãi tối ưu ngầu nhiên Thuật tốn DE có khả xứ lý rái hiệu loán tìm cực trị hàm khơng khả vi, hàm phi luyến hàm da mục liêu CHƯƠNG 1 ỉ TĨNG QUAN Tính cấp thiết đề tài Tay máy PAM bắp thịt nhàn tạo (Pneumatic Artificial Muscle Manipulator) truyền động khí nén, hệ tay máy đầy hứa hẹn đùng mơi Irưởng địi hịi độ an tồn độ xác cao lay máy dùng lĩnh vực y tê, tay máy giúp phục hồi chức nàng, tay máy dùng ngành cơng nghiệp can độ xác an tồn cao (hàng khơng, giao thơng vận tài, ) Tay máy PAM hệ phi tuyến với nhiều yêu tố bất định khó đe thiết kế hộ điều khiến Vì vậy, hệ thống điều khiến thơng thường thiết kế dựa mơ hình tốn học hệ thống ngày tò hạn che áp dụng cho hệ phi tuyến nói chung, có hệ tay máy PAM nói riêng Bài tốn nhận dạng điều khiển hệ phi tuyển nói chung, có hệ tay máy PAM nói riêng, vần toán lớn nhiều nhà khoa học nước giới quan tâm Đặc biệt năm gần đây, mơ hình tính tốn mềm (dùng lơ gic mờ, mạng nơ rơn, thuật tốn tiến hóa) ứng dụng nhiều đề nhận dạng điều khiển hệ phi tuyến Các kết nghiên cứu vài năm gần cho thấy có nhiều cơng trình sử dụng mơ hình nơ rơn khác đề nhận dạng diều khicn hệ phi tuyến, riêng mơ hình nơ rơn NARX tiến hóa vi sai, cho đen vài năm gần đây, chưa quan tâm nghiên cứu đầy đủ Do dó, để tài điều khiển tay máy PAM dùng mơ hình nơ rơn NARX giãi thuật lien hóa vi sai, có tính cấp thiết lính cao Đe tài vừa đáp ứng tính ứng dụng cho việc nghiên cứu điều khiển hệ tay máy PAM ứng dụng lĩnh vực tay máy tự động có độ an lồn xác cao mà cịn thơng qua báọ cộng bổ tạp chí quốc lể ihuộc danh mục ISI, mơ hình diêu khiển sử dụng rộng rãi ứng dụng điều khiển động lực học nâng cao hộ phi tuyến khác ỉ.2 • Tổng quan tình hình nghiên cứu Nhận dạng hệ phi tuyến Lý thuyết nhận dạng hệ phi tuyến, có nhiều nghiên cứu đến vần có nhiều thách ihức Đe chọn cấu trúc mơ hình nhận dạng phù hợp thường sư diều khiển xác góc quay tay máy sai số dược cài thiện suốt trình diều khiển Hệ thống điều khiền vần điều khiển tốt dù có nhửng tác động từ yếu tố ben ngồi nhiều, thay dổi tài trọng 4.4 Kct luận Chương áp dụng thành cơng điều khicn tích hợp PID-INN nhận dạng điều khiển đối tượng thực nghiệm tay máy song song PAM bắp thịt nhân tạo Ket qua kiểm chứng thực nghiệm dã chứng tô hiệu điều khiên PID-INN Với kết quà dạt dược Iren, diều khiển PĨĐ-ĨNN có tiềm ứng dụng lớn điều khiền đối lượng thực te cơng nghiệp 52 CHNG 5.1 KÉT LUẬN VÀ KÍẾN NGHỊ Kết luận Trong đề tài nghiên cứu tác gia phát triển mơ hình nơ rơn phối hợp với thuật tốn tiến hóa vi sai đe nhận dạng điều khiến thích nghi hệ phi tuyến Trên sở kết q mơ phịng hàm benchmark thực nghiệm, tác giã dã đề xuất thành công số cài tiến de tãng hiệu quâ chất lượng nhận dạng điều khiến hệ phi tuyến Các đóng góp tác giá đề tài nghicn cứu đưực tóm tắt sau: • Ý nghĩa khoa học - Đe xuất áp dụng thuật toán tiến hóa vi sai DE, MDE đế lối ưu hóa trọng số mạng nơ rôn truyền thảng MLP nhằm sử dụng khã khai thác lời giải tối ưu xác thuật tốn tiến hóa vi sai cải tiến để tăng chất lượng huấn luyện mạng Sau dó, mơ hình NNARX tạo thành bang cách lai ghép mơ hình nơ rơn MI.P mơ hình hồi quy phi tuyến NARX, trọng sỗ dược tối ưu bời thuật toán ĐE dưực phát triển đế nhận dạng hệ phi tuyến Chất lượng hiệu qua cũa mơ hình NNARX kicm chứng mơ phóng thực nghiệm số hệ phi tuycn SISO thường sử dụng nghiên cứu trước công nghiệp Kết quà cùa nghiên cứu trình bày báo 11J, |2| - Đề xuất phát triển điều khiến tích hợp P1D-INN dựa điều khiển FEL để diều khiên hệ phi tuyến Ý lường thiết ke điều khiển đề xuất sau: trước tiên mơ hình ngược dự bão DE-ĨNN sứ dụng để nhận dạng offline hệ phi tun Các trọng so mơ hình ngược dụ báo INN tối ưu bời ihuật tốn liến hóa vi sai DE; sau tín hiệu cùa điều khiển thuận dựa mơ hình ngược INN cộng với tín hiệu điều khiển PID để điểu khiến hệ thong; cuối tín hiệu cùa diều khiên PĨD dược sừ dụng đe chình định online trọng sổ mơ hình ngưực INN dựa vào thuật tốn RP đe có the thích nghi với ihay đòi cùa hệ phi tuyên bị tác động nhiều loạn hay điều kiện làm việc ihay đổi Kết quã kiểm chứng thực nghiệm đổi tượng lay máy PAM chứng tò chất lượng vượt trội so với diều khiến kinh điền PID Kết quâ cùa nghiên cứu trình bày báo |3Ị 53 • Ý nghía thực tiền - Đã áp dụng thành cơng mơ hình NNARX với trọng số dược tối ưu bời thuật tốn tiến hóa vi sai cải tiến MDE dể dự báo dặc tính động lực học mơ hình tay máy bậc lự dựa vào lập dừ liệu vào thực nghiệm gồm điện áp cấp cho động CƯ góc quay khớp cùa lay máy Kết nghiên cứu công bố báo 11 Ị - Đã cài đặt nhận dạng xác thiết bị truyền động dùng hợp kim nhớ hình SMA dùng mơ hình nhận dạng DE-NNARX Kết quà nghiên cứu nằy đưực cóng bố báo [2] - Đã cài đặt, nhận dạng diều khiên xác góc quay lay máy dùng sựi CƯ nhân lạo PAM Qua kết quà điều khiên thực nghiệm, chúng la thấy chất lượng vượt trội cũa điều khiển tích hợp P1D-ỈNN so với điều khiển PIO khà thích nghi mạnh me điều khiển Việc nghiên cứu tay máy song song dùng thiết bị truyền dộng sợi PAM tiền dề cho nghiên cứu chuyên sâu ứng dụng lình vực robot trự lực Kết quà nghiên cứu trình bày báo 13) - Đã xây dựng quy trình áp dụng chương trình nhận dạng điều khiển dề xuất vào hệ thống thực nghiệm mà không cần quan tâm nhiều đến mô hình tốn học cùa chúng cách nhanh chóng, đơn giãn de dàng thực • Bài báo công bố [1| Nguyen Ngoe Son, Ho Pharn Huy Anh and Truong Đinh Chau, “Adaptive neural model optimized by modified differential evolution for identifying 5- DOF robot manipulator dynamic system”, Sofi Computing (SCIE, IF=I.63), vol.20, 2016 {21 Nguyen Ngoc Son Truong Dinh Chau and et al “SMA actuator dynamic identification using neural network trained by hybrid differential evolution algorithm” International Conference on Advanced Technology and Sustainable Development, ISBN:978-604-920-040-3, pp 669-678, 2016 54 13] Nguyen Ngoe Son and cl al., “Adaptive feed forward-PI D control of parallel PAM robot based neural network and modified differential evolution algorithm” Journal: Robotics and Autonomous Systems (Revised), 2017 Tóm lại, với kểt quà đạt mặt khoa học thực liền, tác giã lin ràng đề tài nghiên cứu đáp ứng tất cà yêu cầu đặt ban đầu đề tài (xem hợp đồng ký) Hơn nữa, kết quà nghiên cửu công bố hội nghị tạp chí uy tín chứng tị lính dộ tin cậy kết qua nghiên cứu 5.2 Kết nghiên cứu đề tài 5.2 Ị Kết nghiên cửu Tên sán phấm TT Ycu cầu khoa học hoặc/và chi tiêu kinh tế - kỹ thuật Dăng ký Đạt Mơ hình lay máy PAM bắp Góc quay điêu khiên thịt nhân tạo (1-DOF) xác lới ° Chương (rình máy tính thực De đọc dễ áp dụng Dâp ứng dóng yêu cầu thuật tốn lien hóa vi chương ưình cho sai toán khác Nguyen Ngoe Son “Adaptive neural model optimized by modified differential evolution for identifying 5-DOF robot manipulator dynamic system”, Soft Computing (SCTE, IF=i.63), vol.20 Góc quay điêu khicn xác < 1° Huấn luyện mạng nơ rôn Dáp ứng yêu cầu dùng thuật tốn lien hóa vi sai ứng dụng nhận dạng hệ phi tuyến 2016 Nguyen Ngoc Son “SMA actuator dynamic identifica­ tion using neural network trained by hybrid differential evolution a gori th m”, International Conference on Advan-ced Technology and Sustain­ able Development, pp 669678, 2016 Huấn luyện mạng nơ rôn Đáp ứng yêu cẩu dùng thuật tốn tiến hóa vi (Hội nghị quốc te IƯH) sai ứng dụng nhận dạng hẹ phi luyến 55 Nguycn Ngoe Son "Hybrid neural differential evolution approach for nonlinear system identification'’, Asian Journal of Control (SCIE), 2017 Hướng phát triển thêm Nguyen Ngoc Son, “Adaptive feed forward-PID control of parallel PAM robot based neural network and differen-tial evolution algorithm", RAS JournalJ Revised), 2017 Hướng phát triển thêm 5.2.2 TT Kết đào tạo Họ tên Sinh viên đại học Trân Ván Nam (ĐHĐT8A) Trần Văn Thanh (ĐHĐT8A) 5.3 Cơng trinh cơng bố liên Thịi gian kinh quan phí tham gia đề tài (Sàn phám KHCN, luận án (sô tháng/sô liên) luận ván) tháng/10.000.000 VND 12 tháng/10.000.000 VND Dã bào vệ Dò án tơl nghiệp “Diêu 6/2016 khiên xác vị ưí góc quay tay máy PAM dùng điều khiển PID” Dồ án tổl nghiệp “Điều Lần 1: 12/2016 khiển xác vị trí góc Lần 2:6/2017 quay tay máy PAM dùng đicu khiển Fuzzy" Kiến nghị Hướng liếp cận sử dụng rnơ hình nơ rơn phối hợp với thuật tốn tiến hóa vi sai nhận dạng điều khiển hệ lay máy PAM phi tuyến đạt dưực so kết quà thú vị có số vấn đề cần phải tiếp tục nghiên cửu phát triển như: • Ilướng tiếp cận nhận dạng tham số mơ hình động học hệ phi tuyến dùng thuật tốn tối ưu quan tâm nghiên cứu nhiều Các tham số mơ hình phi tuyến sở de thiết kế diều khiển phi tuyến, diều khiển nâng cao điểu khiên trượt, điêu khiên chiêu, điểu khiên thích nghi ben vừng dựa vào tham số mơ hình Do đó, việc nghiên cứu áp dụng thuật tốn lien hóa vi sai DE vào giài tốn nhận dạng tham số có tính thời tính cần quan lăm 56 Mơ hình nơ rơn phổi hợp thuật tốn tiến hóa vi sai DE cho kct quà thú vị nhận dạng hệ thống Mơ hình nên tiếp tục nghiên cứu áp dụng vào toán khác toán chấn đoán lồi, toán phân loại, tốn phân lích xừ lý ảnh Ưng dụng cùa sợi nhân tạo PAM làm thicl bị truyền động dã cung cấp lụa chọn thú vị thay the cho thiết bị truyền động thông thường động điện, khí nén thủy lực Thiel bị truyền động PAM quan tâm nghiên cửu ứng dụng nhiều lĩnh vực người máy, kỳ thuật y sinh robot sinh học bời nhà khoa học the giới, công ty công nghệ lớn Do dó, hướng nghiên cứu ứng dụng thiết bị truyền động PAM thú vị, có tính thời tính cẩn quan tâm 57 TÀI LIỆU THAM KHÁO |l] K s Narendra and K Parthasarathy, “Identification and control of dynamical systems using neural networks,” Neural Networks, IEEE Trans., vol I, no I, pp 4-27, 1990 [2] R J Schilling, J J Carroll, and A F Al-Ajlouni, “Approximation of nonlinear systems with radial basis function neural networks,” IEEE Trans, neural networks, vol 12, no I, pp 1-15, 2001 [3] C.-T Sun, “Rule-base structure identification in an adaptive-network-based fuzzy inference system,” IEEE Trans Fuzzy Syst., vol 2, no I, pp 64-73, 1994 [4] R Slom and K Price, Differential evolution a simple and efficient adaptive scheme for global optimization over continuous spaces, vol ICSI Berkeley, 1995 [5] G L Plett, “Adaptive inverse control of linear and nonlinear systems using dynamic neural networks," IEEE Trans, neural networks, vol 14, no 2, pp 360-376, 2003 [6] s Jagannathan, “Control of a class of nonlinear discrete-time systems using multilayer neural networks,” Neural Networks, IEEE Trans., vol 12, no 5, pp 1113-1120, 2001 [7] J Kang, w Meng, A Abraham, and H Liu, “An adaptive PID neural network for complex nonlinear system control,” Neurocomputing, vol 135, pp 79-85, 2014 |8| S.-J Li and Y.-X Liu, “An improved approach to nonlinear dynamical system identification using PID neural networks,” Int J Nonlinear Sci Numer Simul., vol 7, no 2, pp 177-182, 2006 |9| D Qian, D Zhao, J Yi, and X Liu, “Neural sliding-mode load frequency controller design of power systems,” Neural Comput Appl., vol 22, no 2, pp 279-286, 2013 [10] w s McCulloch and w Pitts, “A logical calculus of the ideas immanent in nervous activity,” Bull Math Biophys., vol 5, no 4, pp 115-133, 1943 [II] H Adeli and X Jiang, “Dynamic fuzzy wavelet neural network model for structural system identification,” J Struct Eng., vol 132, no 1, pp 102-111, 2006 [12] A p Piotrowski, “Differential Evolution algorithms applied to Neural Network training suffer from stagnation,” Appl Soft Comput., vol 21, pp 382-406, 2014 [13] M E H Pedersen and A J Chipperfield, “Tuning differential evolution for artificial neural networks," HL0803 Hvass Lab., 2008 [14] L Ljung, System identification Springer, 1998 [15] H T Hoàng, Hệ thống điều khiển thông minh Nhà xuất bán Đại học quốc gia Tp.HCM, 2006.' 58 [16J B Subudhi and D Jena, “A differential evolution based neural network approach to nonlinear system identification,*’ Appl Soft Compute vol 11, no I, pp 861-871,2011 [171 R Storn and K Price, “Differential cvolution-a simple and efficient heuristic for global optimization over continuous spaces,” J Glob Optim., vol 11, no 4, pp 341-359, 1997 [18] I Boblan and A Schulz, "A humanoid muscle robot torso with biologically inspired construction,” in Robotics (ISR), 2010 41st International Symposium on and 2010 6th German Conference on Robotics (ROROT1K), 2010, pp 1-6 [191 N G Tsagarakis and N G Caldwell “A Compliant cxoskcleton for multiplanar upper limb physiotherapy and training,” Adv Robot Invit Pap 2007 [201 A Gupta and M K O'Malley “Design of a haptic arm cxoskclcton for training and rehabilitation," ĨEEE/ASME Trans, mechatronics, vol 11, no 3, pp 280289, 2006 [211 N M Wcreley, c Kothera, E Bubert, B Woods, M Gentry, and R Vocke, “Pneumatic artificial muscles for aerospace applications,” in Proc 50th AIAA/ASME/ASCE/AHS/ASC Structures, Structural Dynamics and Materials Conf.(Palm Springs, CA,), 2009, pp 2009-2140 [22| B K s Woods M F Gentry, c s Kothera, and N M Wereley, “Fatigue life testing of swaged pneumatic artificial muscles as actuators for aerospace applications,” Intell Mater Syst Struct., vol 23, no 3, pp 327-343, 2012 [23J D Villegas, M Van Damme, B Vanderborghl, p Beyl, and D Lefeber, “Thirdgeneration pleated pneumatic artificial muscles for robotic applications: Development and comparison with mckibben muscle,” Adv Robot., vol 26, no 11-12, pp 1205-1227,2012 [24J H F Schulte, “The characteristics of the McKibben artificial muscle,” Appl Extern, power prosthetics Orthot., vol 874, pp 94-115, 1961 [251 K Inoue, “Rubbcrluators and applications for robots." in Proceedings of the 4th international symposium on Robotics Research, 198Ã, pp ST-ÍA [26] I Petre, A Deaconescu, L Rogozca, and T Ĩ Dcaconcscu, “Orthopaedic Rehabilitation Device Actuated with Pneumatic Muscles,” Int J Adv Robot Syst., vol 11, 2014 [27] s Ganguly, A Garg A Pasricha, and s K Dwivcdy, “Control of pneumatic artificial muscle system through experimental modelling,” Mechatronics, vol 22, no 8, pp 1135-1147,2012? [28] Y Shtcsscl, M Taleb, and F Plestan, “A novel adaptive-gain supertwisting sliding mode controller: methodology and application.” 4utomatica, vol 48 no 5, pp 759-769 2012 [29] H Aschemann and D Schindele, “Sliding-mode control of a high-speed linear axis driven by pneumatic muscle actuators,” IEEE Trans Ind Electron., vol 55 no 11, pp 3855-3864, 2008 59 1301 K Xing, Y Wang, Q Zhu, and H Zhou, “Modeling and control of McKibben artificial muscle enhanced with echo stale networks,” Control Eng Pract., vol 20 no 5, pp 477-488, 2012 [311 K K Ahn and H p H Anh, “Design and implementation of an adaptive recurrent neural networks (ARNN) controller of the pneumatic artificial muscle (PAM) manipulator,” Mechatronics, vol 19, no 6, pp 816-828, 2009 |32| H p H Anh, “Online tuning gain scheduling MIMO neural PĨĐ control of the 2-axcs pneumatic artificial muscle (PAM) robot arm,” Expert Syst Appl., vol 37, no 9, pp 6547-6560, 2010 [33J H Jahanabadi M Mailah, M z M Zain, and H M Hooi, “Active force with fuzzy logic control of a two-link arm driven by pneumatic artificial muscles,” J Bionic Eng., vol 8, no 4, pp 47'1-484, 2011 [341 M Chang, “Adaptive Self-Tuning Fuzzy Controller for a Soft Rehabilitation Machine Actuated by Pneumatic Artificial Muscles,” Open J Appt Sci., vol 5, no 5, p 199 2015 [351 Đ Q Truong and K K Ahn, “Synchronization controller for a 3-R planar parallel pneumatic artificial muscle (PAM) robot using modified ANFIS algorithm,” Mechatronics, vol 23 no 4, pp 462-479, 2013 [36| D T Licm, D Q Truong, H G Park, and K K Ahn, “A feedforward neural network fuzzy grey predictor-based controller for force control of an electrohydraulic actuator," hit J Precis Eng Manuf., vol 17, no 3, pp 309-321, 2016 [371 X Jiang, z Wang, c Zhang, and L Yang, “Fuzzy neural network control of the rehabilitation robotic arm driven by pneumatic muscles,” Ind Robot An bit J., vol 42, no 1, pp 36-43, 2015 1381 K J Ảstrõm and B Wittenmark, Adaptive control Courier Corporation, 2013 [391 s H Lane and R F Stengel, “Flight control design using nonlinear inverse dynamics,” in American Control Conference, 1986, 1986, pp 587-596 [401 D Psakis, A Sidcris, and A Yamamura, “A multilayered neural network controller,” IEEE Control Syst Mag., vol 8, no 2, pp 17-21, 1988 1411 C.-C Ku and K Y Lee, “Diagonal recurrent neural networks for dynamic systems control,” IEEE Trans, neural networks, vol 6, no 1, pp 144-156, 1995 [421 P- M Nprgard, o Ravn, N K Poulsen, and L K Hansen "Neural Networks for Modelling and Control of Dynamic Systems-A Practitioner’s Handbook,” 2000 |43 | M Kawato, K Furukawa, and R Suzuki, “A hierarchical neural-network model for control and learning of voluntary movement,” Biol Cybern., vol 57, no 3, pp 169-185, 1987 [44] M A Khanesar, E Kayacan, M Rcyhanoglu, and o Kaynak, “Feedback error learning control of magnetic satellites using type-2 fuzzy neural networks with 60 elliptic membership functions,” IEEE Trans Cybern vol 45, no 4, pp 858868, 2015 145J H Gao, X Song, L Ding, and z Deng, “ADAPTIVE TRACKING CONTROL OF NONHOLONOMIC SYSTEMS BASED ON FEEDBACK ERROR LEARNING,” bit J Robot Autom., vol 28, no 4, 2013 [461 D p Filev, M Sugeno, Y Wang, L Eciolaza, T Taniguchi, and J O Michclini, “System and method for feedback error learning in non-linear systems.” Google Patents, 09-Jul-2013 (47] L Eciolaza, T Taniguchi, M Sugeno, D Filev, and Y Wang, “Piecewise bilinear models for feedback error learning: On-line feedforward controller design,” in Fuzzy Systems (FUZZ) 2013 IEEE International Conference on 2013, pp 1-8 [481 A E Chisholm, S Peters, M R Borich, L A Boyd, and T Lam, “Short-term cortical plasticity associated with feedback-error learning after locomotor training in a patient with incomplete spinal cord injury,” Phys Ther., vol 95, no 2, pp 257-266, 2015 |49| H Gomi and M Kawato, “Neural network control for a closed-loop system using feedback-crror-learning,” Neural Networks, vol 6, no 7, pp 933-946, 1993 [50] M J Er and K C Liew, “Control of adept one SCAR A robot using neural networks,” IEEE Trans Ind Electron., vol 44, no 6, pp 762-768, 1997 [51] K Sabahi, s Ghaeini, and s Pezeshki, “Application of type-2 fuzzy logic system for load frequency control using feedback error learning approaches,” Appl Soft Comput., vol 21, pp I-11, 2014 [52] C Zhang and J Li, “Adaptive iterative learning control for nonlinear purcfeedback systems with initial slate error based on fuzzy approximation," J Franklin Inst., vol 351, no 3, pp 1483-1500, 2014 [53| Y.-C Hsueh and S.-F Su, “Learning error feedback design of direct adaptive fuzzy control systems,” IEEE Trans Fuzzy Syst., vol 20, no 3, pp 536-545, 2012 [541 A Rawat and M J Nigam, “Feedback Error Based Discontinuous and Continuous Variable Learning Rate CMAC,” Int J Electron Electr Eng, vol 3, no 4, pp 305-310, 2014 [55] L G Kraft and D p Campagna, “A comparison between CM AC neural network control and two traditional adaptive control systems,” IEEE Control Syst Mag., vol 10, no pp 36-43, 1990 (56] w J R Vclthuis, Learning feed-forward control-theory, design and applications Universitcit Twente, 2000 |57] S Tolu, M Vanegas, N R Luque, J A Garrido, and E Ros, “Bio-inspired adaptive feedback error learning architecture for motor control,” Riol Cybern vol 106, no 8-9, pp 507-522, 2012 61 [58] A M Ideta “Stability of feedback error learning method with time delay,” Neurocomputing, vol 69, no 13, pp 1645 -1654, 2006 [59] J Nakanishi and s Schaal, “Feedback error learning and nonlinear adaptive control,” Neural Networks, vol 17, no 10 pp 1453-1465, 2004 [60] A Miyamura and H Kimura, “Stability of feedback error learning scheme,” Syst Control Lett., vol 45, no 4, pp 303-316, 2002 [61] K Kurosawa, R Futami, T Watanabe, and N Hoshimiya, “Joint angle control by FES using a feedback error learning controller,” IEEE Trans Neural Syst RehabiL Eng., vol 13, no 3, pp 359-371,2005 [62] K Sabahi and M Teshnehlab, “Recurrent fuzzy neural network by using feedback error learning approaches for LFC in interconnected power system,” Energy Convers Manag., vol 50, no 4, pp 938-946, 2009 163] G Andrikopoulos, G Nikolakopoulos, and S Manesis, "A survey on applications of pneumatic artificial muscles,” in Control & Automation (MED), 201Ị 19th Mediterranean Conference on, 201 I, pp 1439 -1446 [64] F Daerden and D Lefcber, “Pneumatic artificial muscles: actuators for robotics and automation,” Eur J Meeh Environ Eng., vol 47, no I, pp 11-21,2002 62 PHỤ LỤC A: THUẬT TỐN LAN TRUYỀN NGUỌC Thuật tốn lan truyền ngược nhùng thuật toán thường sữ dụng đề huấn luyện mạng nơ rôn truyền thẳng nhiều lớp MLP Thuật toán lan truyền ngược sử dụng sai lệch giửa tín hiệu mong muốn với tín hiệu cùa mạng nơ rôn dê cập nhập trọng số cúa mạng Thuật tốn lan truyền ngược có the chia thành hai giai đoạn: truyền thuận liệu cập nhập trọng số Đầu tiên, mẫu liệu vào truyền từ ngõ vào đen ngỏ để tạo tín hiệu ngõ mạng nơ rơn Sau sai lệch giừa ngõ cùa mạng nơ rôn ngõ mong muốn dược truyền ngược từ lớp trở lớp trước để cập nhập trọng số cúa mạng Xét mạng nơ rôn nơ rôn truyền thắng ba lớp với n tể bào thần kinh lớp vào, q te bào thần kinh lớp ẩn m tế bào thần kinh lớp ra, mơ tã Hình A I Hình A.l Mạng nơ rôn truyền thẳng lớp Ký hiệu trọng số te bào thần kinh thứ j lớp ằn trọng số cùa le bào thần kinh thứ i lóp tVy Gọi hàm tác động tế bào nơ ròn lớp ấn làcủa lớp F,{.) Tín hiệu ngõ mạng nơ rơn dược xác định sau: - Tổng có trọng sổ cùa tín hiệu vào tế bào nơ rơn thứ j lớp ẩn: /•ì - Tín hiệu tế bào nơ rôn thử j lớp ấn là: - Tịng có trọng số tín hiệu vào tế bào nơ rơn thứ i lóp ra: = f! (neth)) neto, =t > II tvI z +rllw, - Tín hiệu cùa tế bào nơ rơn thứ I lớp ẩn là: Ft(neto,) = F\ Ỳ) + tv0 63 Giả sử tín hiệu vảox(k) tín hiệu y(k) biết Q trình huắn luyện mạng thực bang cách cực lieu hàm sai số E: Trong đó, tập liệu huấn luyện ZN xác định bới z' = Ị|x(Ắ:),y(Ắ:)Ị|Ấ: = N Véc-tơ trọng số cần ước lượng ỊV,VpWw, , VV i Áp dụng thuật toán suy giảm độ dốc, trọng số lớp cập nhỳp: = [-(*(*)-ỳ,(*))][(„ew,(*))]Zjw Trong ạgAỈ = Đặt: (Ả') = (Ắr))J (Ắr)-5; Vậy trọng số nơ rôn cùa lớp cập nhập: W,l(k + l) = WẶk)+rjS.,(k)Zl{k) Tương tự trọng số nơ rơn lóp ẩn dược cập nhập sau: Vj>(k + l) = vAk)-n—~ ởvf> =[-Ệ(y' * ^nan' =a2f’ = -ỈAW»Ak) í-l (*>]['>"■' W)>'w (*))>,(*) J Đặl: \(k) = ẼÀ (*)%(*) [/'("‘■''Ù*))] Vậy trụng số nơ rôn cùa lóp ân dược cập nhập: vilỊík+ì)=wl,(k)+rishi(k)x,(k) Ncu mạng nơ rơn Hình A sừ dụng hàm lác động lớp ẩn hàm tansig hàm tác động lớp hàm tuyển lính Ta có: /■;-(5)=i (S) = 64 Suy ra:ỏ’„ (k) = [(y.(k)-ỹ,-(*))■][(*))] = (>’, w~ ỳ (*))