(Luận văn thạc sĩ) Nhận dạng và điều khiển tốc độ động cơ sử dụng NEURAL NETWORK

(Luận văn thạc sĩ) Nhận dạng và điều khiển tốc độ động cơ sử dụng NEURAL NETWORK(Luận văn thạc sĩ) Nhận dạng và điều khiển tốc độ động cơ sử dụng NEURAL NETWORK(Luận văn thạc sĩ) Nhận dạng và điều khiển tốc độ động cơ sử dụng NEURAL NETWORK(Luận văn thạc sĩ) Nhận dạng và điều khiển tốc độ động cơ sử dụng NEURAL NETWORK(Luận văn thạc sĩ) Nhận dạng và điều khiển tốc độ động cơ sử dụng NEURAL NETWORK(Luận văn thạc sĩ) Nhận dạng và điều khiển tốc độ động cơ sử dụng NEURAL NETWORK(Luận văn thạc sĩ) Nhận dạng và điều khiển tốc độ động cơ sử dụng NEURAL NETWORK(Luận văn thạc sĩ) Nhận dạng và điều khiển tốc độ động cơ sử dụng NEURAL NETWORK(Luận văn thạc sĩ) Nhận dạng và điều khiển tốc độ động cơ sử dụng NEURAL NETWORK(Luận văn thạc sĩ) Nhận dạng và điều khiển tốc độ động cơ sử dụng NEURAL NETWORK(Luận văn thạc sĩ) Nhận dạng và điều khiển tốc độ động cơ sử dụng NEURAL NETWORK(Luận văn thạc sĩ) Nhận dạng và điều khiển tốc độ động cơ sử dụng NEURAL NETWORK(Luận văn thạc sĩ) Nhận dạng và điều khiển tốc độ động cơ sử dụng NEURAL NETWORK(Luận văn thạc sĩ) Nhận dạng và điều khiển tốc độ động cơ sử dụng NEURAL NETWORK(Luận văn thạc sĩ) Nhận dạng và điều khiển tốc độ động cơ sử dụng NEURAL NETWORK(Luận văn thạc sĩ) Nhận dạng và điều khiển tốc độ động cơ sử dụng NEURAL NETWORK(Luận văn thạc sĩ) Nhận dạng và điều khiển tốc độ động cơ sử dụng NEURAL NETWORK

LỜI CAM ĐOAN Tơi cam đoan cơng trình nghiên cứu Các số liệu, kết nêu luận văn trung thực chưa cơng bố cơng trình khác Tp Hồ Chí Minh, ngày 30 tháng 09 năm 2018 (Ký tên ghi rõ họ tên) Nguyễn Duy Nam ii CẢM TẠ Để hoàn thành luận văn này, lời em xin cảm ơn chân thành đếntoàn thể thầy cô trường Đại Học Sư Phạm Kỹ Thuật TP.HCM nói chung vàcác thầy khoa Điện nói riêng, người tận tình hướng dẫn, dạy dỗ trang bị cho em kiến thức bổ ích hai năm vừa qua Đặc biệt em xin chân thành gửi lời cảm ơn sâu sắc đến thầy T.S Nguyễn Phan Thanh, người tận tình hướng dẫn, trực tiếp bảo tạo điều kiện giúp đỡem suốt trình làm luận văn tốt nghiệp Sau em xin gửi lời cảm ơn chân thành tới gia đình, bạn bè động viên, cổvũ đóng góp ý kiến q trình học tập, nghiên cứu trình làmluận văn Em xin chân thành cảm ơn! Kính chúc Q thầy thật nhiều sức khỏe Thành phố Hồ Chí Minh, ngày 30 tháng 09 năm 2018 Học viên Nguyễn Duy Nam iii TÓM TẮT Đề tài nghiên cứu phương pháp điều khiển tốc độ động đồng nam châm vĩnh cửu (PMSM), sử dụng phương pháp điều khiển PI kết hợp điều khiển thơng minh sử dung mạng neuron, hàm bán kính sở (RBF NN) Trước tiên, mơ hình RBF NN, bao gồm lớp đầu vào, lớp ẩn nơron xử lý phi tuyến có chức Gaussian lớp đầu trình bày luận văn Trong đó, chế học tập giám sát dựa phương pháp Stochastic gradient descent ( SGD) áp dụng để cập nhật tham số RBF NN giúp cho việc giảm thiểu sai số cho giá trị nhỏ Sau đó, ngơn ngữ mơ tả phần cứng mạch tích hợp tốc độ cao (VHDL) sử dụng để mô tả hành vi tồn RBF NN thuật tốn học tập liên quan Chi tiết VHDL việc thực chức Gaussian hàm kích hoạt, chế đào tạo toàn mạng thần kinh minh họa phân tích cụ thể Mơ hình mơ thực môi trường kết hợp Matlab Simulink ModelSim Cuối cùng, mạng nơron RBF ứng dụng để nhận dạng điều khiển hệ thống tuyến tính/ phi tuyến hệ thống truyền động động đồng nam châm vĩnh cửu (PMSM), để xác nhận tính hiệu xác việc triển khai phần cứng số đề xuất từ mạng nơron RBF iv ABSTRACT Research on the method of controlling the synchronous magnet synchronous motor speed (PMSM), using the PI control method combines intelligent control using neural network, radial basis function neural network (RBF NN) First, the model of RBF NN, consisting of an input layer, a hidden layer of nonlinear processing neurons with Gaussian functions and an output layer is presented in the dissertation In particular, a monitoring mechanism based on the Stochastic gradient descent (SGD) method is used to update the parameters of the RBF NN to minimize the error so that the smallest value Then, the high-speed integrated circuit hardware description language (VHDL) is used to describe the behavior of the whole RBF NN and related learning algorithms The details of VHDL in the implementation of the Gaussian function of the activation function, the training mechanism and the entire neural network are illustrated and analyzed in detail Simulation model is implemented in Matlab Simulink and ModelSim Finally, the RBF neural network is used for identification and control in linear/ nonlinear systems and in permanent magnet synchronous motor systems (PMSM), to validate the efficiency and effectiveness The definition of digital hardware deployment is proposed from the RBF neural network v MỤC LỤC LÝ LỊCH KHOA HỌC i LỜI CAM ĐOAN .ii CẢM TẠ iii TÓM TẮT iv ABSTRACT v MỤC LỤC vi DANH SÁCH CÁC BẢNG viii DANH SÁCH CÁC HÌNH ix CHƯƠNG TỔNG QUAN 1.1 Đặt vấn đề: 1.2 Các vấn đề nghiên cứu đề tài 1.2.1 Mục đích nghiên cứu 1.2.2 Tính thực tiễn đề tài 1.2.3 Đối tượng nghiên cứu 1.2.4 Phương pháp nghiên cứu 1.2.5 Tên đề tài 1.2.6 Bố cục luận văn CHƯƠNG KHẢO SÁT MƠ HÌNH ĐỘNG HỌC CỦA ĐỘNG CƠ ĐỒNG BỘ 2.1.Khái quát động đồng nam châm vĩnh cửu (PMSM) 2.2.Mơ hình động học PMSM 2.2.1.Nguồn tương đương 2.2.2 Momen điện từ 2.2.3 Mơ hình từ thơng móc vịng 2.2.4 Mạch tương đương 2.2.5 Mô động học 10 2.2.6 Phương trình tín hiệu nhỏ PMSM 13 2.2.7 Đánh giá đặc tính điều khiển PMSM 14 vi CHƯƠNG CHIẾN LƯỢC ĐIỀU KHIỂN ĐỘNG CƠ ĐỒNG BỘ NAM CHÂM VĨNH CỬU 17 3.1 Cấu trúc hệ truyền động điều khiển động đồng nam châm vĩnh cửu 17 3.1.1 Hệ truyền động điều khiển mô-men 17 3.1.2 Hệ truyền động điều chỉnh tốc độ 20 3.2 Các chiến lược điều khiển 23 3.2.1 Điều khiển giữ góc mơ men số δ  90  24 3.2.2 Điều khiển hệ số công suất 27 3.2.3 Điều khiển từ thông 28 3.2.4 Điều khiển góc từ thơng tổng dịng phức 30 3.2.5 Điều khiển tối ưu mơmen/dịng điện 32 3.2.6 Điều khiển hệ số tổn hao công suất 33 3.2.7 Điều khiển hiệu suất tối đa 38 CHƯƠNG GIỚI THIỆU VỀ MẠNG NƠRON NHÂN TẠO 40 4.1Giới thiệu 40 4.2Phân loại mạng nơron 42 4.2.1Đào tạo Mạng nơron nhân tạo truyền thẳng thuật toán truyền ngược45 4.2.2Mạng hàm sở bán kính 49 4.2.3Mạng tự tổ chức 53 CHƯƠNG ỨNG DỤNG MẠNG NƠRON RBF TRONG NHẬN DẠNG VÀ ĐIỀU KHIỂN 57 5.1Các ứng dụng NN RBF cho việc nhận dạng hệ thống (ID) 57 5.2Ứng dụng RBF-PI vào hệ thống điều khiển 64 CHƯƠNG 6: KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN 79 6.1 Kết luận 79 6.2 Hướng phát triển 80 TÀI LIỆU THAM KHẢO 81 vii DANH SÁCH CÁC BẢNG Bảng 5.1: So sánh điều khiển PI điều khiển PI dựa RBF 68 Bảng 5.2: Các giá trị ban đầu hệ thống đầu vào tham số PMSM 75 viii DANH SÁCH CÁC HÌNH Hình 2.1: Mạch tương đương PMSM bỏ qua tổn thất lõi .8 Hình 2.2: Mạch trạng tương đương thái ổn định với tổn thất lõi PMSM .9 Hình 2.3: Sơ đồ khối động đồng nam châm vĩnh cửu 10 Hình 2.4: Lưu đồ mơ động lực động đồng nam châm vĩnh cửu 11 Hình 2.5: Kết mô động lực .12 Hình 3.1:Sơ đồ cấu trúc điều khiển vector hệ truyền động điều khiển mômen động đồng nam châm vĩnh cửu 19 Hình 3.2:Hệ truyền động điều chỉnh tốc độ động đồng nam châm vĩnh cửu 21 Hình 3.3: Điều khiển góc mơmen không đổi 26 Hình 3.4: Giản đồ phức máy điện đồng nam châm vĩnh cửu thể từ thông tương hỗ 31 Hình 3.5: Mơ hình động PMSM hệ tọa độ rotor bao gồm stator điện trở lõi .36 Hình 3.6: Thực điều khiển giữ tổn hao công suất không đổi 38 Hình 3.7: Cấu trúc hệ truyền động điều khiển tối thiểu tổn hao 39 Hình 4.1: Mơ hình mạng nơron tổng qt 41 Hình 4.2: Một trình nơron đơn 42 Hình 4.3: Mơ hình mạng nơron nhân tạo truyền thẳng với thuật toán lan truyền ngược 46 Hình 4.4: Mơ hình mạng nơron RBF 51 Hình 4.5: Mơ hình đồ tự tổ chức .54 Hình 5.1a: Đáp ứng điều khiển RBF-PI dựa mạng nơron RBF 58 Hình 5.1b: Nhận dạng trực tuyến động lực hệ tuyến tính sử dụng RBF NN 3-5-1 59 Hình 5.2: Kết theo dõi theo tỷ lệ học khác (a) 0.1 (b) 0.25 (c) 0.5 60 Hình 5.3: Sơ đồ khối cho nhận dạng động hệ thống truyền động PMSM 61 Hình 5.4: Mơ hình đồng mơ Simulink / ModelSim xác định động hệ thống truyền động PMSM .63 ix Hình 5.5: Kết nhận dạng động (a) theo dõi sai số tốc độ rotor đầu theo lệnh tốc độ dạng bậc thang hệ thống PMSM (b) 63 Hình 5.6: Dịng đáp ứng (a), kết nhận dạng động (b) chênh lệch tốc độ rotor đầu theo lệnh tốc độ dạng sóng sin hệ thống truyền động PMSM 64 Hình 5.7: Sơ đồ điều khiển PI thông thường .65 Hình 5.8: Mơ hình mơ Simulink cho điều khiển PI thơng thường 66 Hình 5.9: Mơ hình mơ Simulink cho điều khiển RBF-PI 67 Hình 5.10: Kết đáp ứng ngõ theo dõi mơ hình tham chiếu với bước lệnh đầu vào cho (a) điều khiển PI thơng thường (b) điều khiển RBF-PI .67 Hình 5.11: Mơ hình đồng mơ Simulink/ ModelSim cho điều khiển RBF-PI hệ phi tuyến 69 Hình 5.12: Đáp ứng ngõ cách sử dụng (a) điều khiển PI thông thường (b) điều khiển RBF-PI 69 Hình 5.13: Chuyển đổi Jacobian 70 Hình 5.14: Sơ đồ khối cho nhận dạng động ( khối-3) điều khiển RBF-PI đáp ứng ( khối-1) hệ thống truyền động PMSM .71 Hình 5.15: Mơ hình đồng mô Simulink/ ModelSim cho việc nhận dạng động điều khiển RBF-PI thích ứng với hệ thống truyền động PMSM 73 Hình 5.16: Mơ hình tham chiếu theo dõi tốc độ rotor điều khiển RBF-PI .73 Hình 5.18: Theo dõi sai số tốc độ rotor đầu nhận dạng động lệnh tốc độ tham chiếu truyền động PMSM .74 Hình 5.19: Giá trị độ khuếch đại Kp ( a) Ki (b) 75 Hình 5.20: Đáp ứng tốc độ điều khiển PI thông thường 76 Hình 5.21: Đáp ứng tốc độ sử dụng điều khiển RBF-PI .76 Hình 5.22: Sự thay đổi độ khuếch đại Kp, Ki đạt điều khiển RBF-PI 77 x CHƯƠNG TỔNG QUAN 1.1 Đặt vấn đề: Trong toán nhận dạng điều khiển, việc ứng dụng mạng neuron ngày phổ biến nhưngdo tính phi tuyến cao hàm kích hoạt mạng nơron, việc thực mạng nơron hệ thống số gặp nhiều khó khăn độ xác khơng cao Bên cạnh đó, việc thiết kế q trình truyền thẳng trình lan truyền ngược mạng cần phải có phối hợp tốt giúp cho việc học mạng nơron hiệu quả.Trong trường hợp này, mạng nơron cần thực tảng phần cứng Trên thực tế, mạng nơron thực phần mềm phần cứng Việc triển khai phần cứng đặc biệt hữu ích ứng dụng địi hỏi tốc độ độ xác cao, công nghệ nhận dạng số ứng dụng khác Mạng perceptron đa lớp (MLP) phát triển FPGA với kiểu liệu fixed-point sử dụng thuật toán cộng nhân, trọng số cập nhật giây [1] Trong nghiên cứu khác, mạng neuron thiết kế phần mềm Labview, sử dụng để tính toán tốc độ làm việc động hệ truyền động trục Ngoài ra, mạng nơron với hàm bán kính sở thực thi tảng phần cứng hệ thống theo dõi nhận diên mặt người thời gian thực [2-3] Qua việc khảo sát số báo, học viên nhận thấy có nhiều nghiên cứu đưa phương pháp khác để thực mạng nơron hệ thống số [4-16] [4] Bài báo nghiên cứu việc thiết kế mạch tương tự lập trình kỹ thuật số phù hợp cho số hàm phi tuyến cách xấp xỉ chúng hàm sigmoid [8] Bài báo trình bày việc áp dụng lý thuyết ngẫu nhiên để thiết kế thực điều khiển định hướng động cảm ứng cách sử dụng mạch tích hợp (FPGA) thuật toán mạng nơron (NN) [12] Bài báo trình bày việc thực phần cứng mạng nơron hàm sở bán kính (RBF NN) có trọng số cập nhật theo thời gian thực thuật tốn Hình 5.12 cho thấy đáp ứng đầu với điều khiển PI thông thường với chiến lược điều khiển PI dựa RBF NN, tương ứng Từ kết mơ phỏng, thấy điều khiển RBF-PI điều chỉnh thể hiệu điều khiển tốt, cải thiện hiệu suất, so với điều khiển PI thơng thường Nó chứng minh điều khiển RBF-PI có khả theo dõi tốt cho hệ thống khơng ổn định phức tạp Hình 5.13 cho thấy giá trị Jacobian cung cấp thông tin hệ thống xác định cho điều khiển Jacobian dẫn xuất phần đầu ra, yếu tố định xảy hệ thống thay đổi Hình 5.13: Chuyển đổi Jacobian (B) Ứng dụng điều khiển RBF-PI truyền động PMSM Sơ đồ khối liên quan đến việc nhận dạng động điều khiển RBF-PI thích ứng hệ thống truyền động PMSM [23] thể Hình 5.14 Mơ hình đồng mơ Simulink / ModelSim trình bày Hình 5.15 PMSM, IGBT dựa biến tần lệnh tốc độ thực Simulink, điều khiển tốc độ / dòng RBF-PI nhận dạng hệ thống dựa 3-5-1 RBF NN thực ModelSim ba cơng trình, mơ tả cách sử dụng VHDL 70 Hình 5.14: Sơ đồ khối cho nhận dạng động (khối-3) điều khiển RBF-PI đáp ứng (khối-1) hệ thống truyền động PMSM Khối-1, khối-2 khối-3 ModelSim Hình 5.14 thực chức điều khiển tốc độ PI dựa NN RBF (khối -1), chức điều khiển tại, phép biến đổi tọa độ điều chế độ rộng xung không gian vector (SVPWM) (khối-2), chức xác định động ổ PMSM (khối3) Kiểu liệu số khối-1 khối-2 xác định theo chiều dài 16 bit với định dạng Q15, khối-3 sử dụng độ dài 32 bit với định dạng Q24 Trong mô phỏng, ba cơng trình Hình 5.15 thực thiết kế phần cứng số cách sử dụng VHDL Hơn nữa, Simulink, khối SimPowerSystem cung cấp thành phần PMSM biến tần tạo kích thích cho ModelSim phân tích phản ứng mơ Mô tả khối -1, khối-2 khối-3 minh họa sau Khối-1: Một RBF-PI thích nghi thiết kế khối-1 cho thấy kiểm soát hệ thống truyền động PMSM dựa thơng tin đóng góp từ hệ thống 71 nhận dạng động Đầu vào RBF-PI tín hiệu mơ hình tham chiếu  r , tốc độ rôto * phản hồi từ đáp ứng tốc độ rotor thực tế  r , tốc độ học Ir , giá trị ban đầu Kp, Ki * thông tin Jacobian J, đầu lệnh i q - Khối-2: thực chức điều khiển vector cho PMSM, bao gồm hai điều khiển dòng PI, bốn phương trình chuyển đổi tọa độ (Part, Inverse Part, Clark, Inverse Clark), hai bảng tra cứu hàm sin/cos, tạo điều chế độ rộng xung vector không gian (SVPWM) - Khối -3: Một hệ thống nhận dạng động thực khối-3 Các đầu vào RBF NN khối-3 trạng thái tốc độ rotor trước (  r k  1 , *  r k  2 ) lệnh i q đầu tốc độ rotor ước tính  r (k ) biến ^ đổi Jacobian (J) Bảng 5.2 cho thấy tham số ban đầu khối-1 tham số PMSM thiết kế áp dụng mô Tỷ lệ học chọn 0,25 Bộ điều khiển PI ban đầu thiết kế khối - lựa chọn 0,305 (định dạng Q15) 0,0024 (định dạng Q15), tương ứng Tần số lấy mẫu cho điều khiển tốc độ, điều khiển dòng hệ thống nhận dạng (ID) thiết kế tương ứng với KHz, 16 KHz 16 KHz Xung 50 MHz 12,5MHz cung cấp tất khối ModelSim Hơn nữa, thông số PMSM thiết kế sử dụng Hình 5.15 có cặp cực 4, điện trở pha stator 1,3(Ω), điện cảm stator 6,3(mH) quán tính J = 0,000108(kg*m2) hệ số ma sát F = 0,0013 (N*m*S) Mơ hình tham chiếu gọi từ phương trình (5.8) với đầu vào giá trị bước thay đổi từ 200400600400200 (vòng/ phút) khoảng thời gian 0,8 (s)(thời gian mô tổng thể), kết mô cho đáp ứng tốc độ rotor, đầu nhận dạng RBF NN sai số xác định, sai số theo dõi chúng hiển thị Hình 5.16-5.18 Hình 5.19 phản ánh trình điều chỉnh tham số PI Các biến Kp, Ki điều chỉnh cải thiện hiệu suất điều khiển đáng kể, đặc biệt thời điểm thay đổi hệ thống 72 Hình 5.15: Mơ hình đồng mơ Simulink/ ModelSim cho việc nhận dạng động điều khiển RBF-PI thích ứng với hệ thống truyền động PMSM Hình 5.16: Mơ hình tham chiếu theo dõi tốc độ rotor điều khiển RBF-PI 73 Hình 5.17: Theo dõi sai số tốc độ rotor lệnh tốc độ tham chiếu Hình 5.18: Theo dõi sai số tốc độ rotor đầu nhận dạng động lệnh tốc độ tham chiếu truyền động PMSM Sau thông số RBF NN điều chỉnh theo giá trị phù hợp, tốc độ rotor tuân theo tham chiếu tốt, dựa nhận dạng xác cao Như thấy, việc nhận dạng tối đa theo dõi sai số xác định nằm vịng 20 (vịng/ phút) Hình 5.18 (a) 15 (vịng/ phút) Hình 5.18 (b), tương ứng Kết mô cho thấy VHDL đề xuất cho RBF-PI thích ứng nhận dạng NNF RBF 3-5-1 áp dụng phù hợp hệ thống truyền động PMSM 74 Hình 5.19: Giá trị độ khuếch đại Kp (a) Ki (b) Bảng 5.2: Các giá trị ban đầu hệ thống đầu vào tham số PMSM Thông Số Mô tả Giá trị học tập Giá trị 0,25 Thông số ban đầu Độ khuếch đại Kp 0,305 Độ khuếch đại Ki 0,0025 Cặp cực Trở kháng Stator Rs (ohm) Thông số PMSM Tự cảm Stator Ls (mH) Quán tính J (kg*m2) Hệ số ma sát (N*m*s) 75 1,3 6,3 0,000108 0,0013  Kiểm tra hiệu truyền động PMSM cho điều khiển PI thông thường điều khiển RBF-PI đề xuất Để kiểm tra hiệu hệ thống, mô đồng thời Simulink / ModelSim sử dụng để cung cấp hiệu suất điều khiển PI thông thường điều khiển RBF-PI tương ứng Các kết mô đáp ứng tốc độ PMSM điều khiển PI thông thường điều khiển RBF-PI đề xuất thể Hình 5.20 Hình 5.21, tương ứng Trong mô phỏng, tốc độ tham chiếu 500 (vịng/ phút); lực qn tính 0,000108 (kg*m2) lúc đầu thay đổi thành (0,000108*3) (kg*m2), hệ số ma sát ban đầu 0,0013 (N*m*s) thay đổi thành (0,0013*3 ) (N*m*s) 0,25 (s) Từ kết hiển thị Hình 5.20 Hình 5.21, sai số trạng thái xác lập giống cho hai điều khiển, hệ thống truyền động gia tăng thời gian đặc tính thời gian giải với điều khiển đề xuất, số hiệu quan trọng có lợi cho điều khiển đề xuất Hình 5.20: Đáp ứng tốc độ điều khiển PI thơng thường Hình 5.21: Đáp ứng tốc độ sử dụng điều khiển RBF-PI 76 Để xác định hiệu suất điều khiển đề xuất, kết mô thu cho điều kiện tải khác Lực quán tính hệ số ma sát tăng vào thời điểm thiết lập Từ đáp ứng thể hình 5.20 5.21, sử dụng điều khiển PI thông thường, tốc độ giảm 14% từ 500 (vòng/ phút) xuống 430 (vịng/ phút), thời gian khơi phục khoảng 0,24 (s); điều khiển RBF-PI đề xuất sử dụng, tốc độ giảm 7% từ 500 (vòng/ phút) xuống 470 (vòng/ phút), thời gian phục hồi khoảng 0,08 (s) Hình 5.22: Sự thay đổi độ khuếch đại Kp, Ki đạt điều khiển RBF-PI Từ kết mô phỏng, điều khiển RBF-PI đề xuất giúp cho việc truyền động PMSM cao khía cạnh so sánh với điều khiển PI thông thường Do chức thích ứng nó, mức tăng Kp, Ki hình 5.22 điều chỉnh để thích ứng với hệ thống cho phù hợp, đặc biệt độ khuếch đại Ki tăng lên thời điểm thay đổi tải Ta biết thuật ngữ tỷ lệ (Kp) có trách nhiệm cải thiện độ vọt lố, tăng thời gian đáp ứng; thuật ngữ tích phân (Ki) 77 làm giảm sai số trạng thái ổn định Vì vậy, tăng Kp điều cần thiết cho việc điều khiển tốt hơn, độ khuếch đại (Ki) cần thiết để vượt qua sai số trạng thái ổn định Quan sát thấy tải tăng lên, điều khiển RBF-PI đề xuất giảm thiếu hụt, nâng cao thời gian thời gian phục hồi Nó điều khiển RBF-PI phù hợp với trình điều khiển sử dụng cho điều kiện tải khác việc thực phần cứng kỹ thuật số điều khiển RBF-PI xác hiệu Tóm lại, điều khiển PI dựa RBF thích ứng chứng minh thành công cách sử dụng Simulink ModelSim Trong thuật tốn điều khiển, để đối phó với không ổn định hệ thống, RBF-PI đề xuất RBF NN sử dụng để nhận dạng động hệ cung cấp thông tin xác cho thơng số RBF-PI Trong việc thực hiện, việc thực thi FSM áp dụng để mơ hình hóa q trình tính toán RBF-PI để giảm sử dụng tài nguyên FPGA Theo phương pháp thiết kế đề xuất, thời gian thực sử dụng tài nguyên FPGA để tính tốn RBF-PI 180 (ns) 524 (Les) Khơng không hiệu suất điều khiển cho tồn hệ thống, mà cịn tiết kiệm sử dụng tài nguyên FPGA Cuối cùng, kết mô cho ta thấy theo mơ hình tham chiếu, tốc độ PMSM nhanh chóng đáp ứng cách xác sau điều khiển đề xuất thực 78 CHƯƠNG 6: KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN 6.1 Kết luận Tóm lại, điều khiển PI dựa RBF thích ứng chứng minh thành công cách sử dụng Simulink ModelSim Trong thuật tốn điều khiển, để đối phó với không ổn định hệ thống, RBF-PI đề xuất RBF NN sử dụng để nhận dạng động hệ cung cấp thơng tin xác cho thông số RBF-PI Trong việc thực hiện, việc thực thi FSM áp dụng để mơ hình hóa q trình tính tốn RBF-PI để giảm sử dụng tài nguyên FPGA Cuối cùng, kết mô cho ta thấy theo mơ hình tham chiếu, tốc độ PMSM nhanh chóng đáp ứng động quy định cách xác sau điều khiển đề xuất thực Khả tính tốn nhanh cho Mơ hình 3-5-1 phức tạp RNF NN trình bày cách sử dụng phần cứng kỹ thuật số Tính xác hiệu VHDL cho NN RBF 3-5-1 (ba đầu vào, năm nơron, đầu chế học tập), thời gian tính tốn cần 500(ns) thực chức tính tốn chuyển tiếp 920(ns) việc thực chức thuật toán học tập, xác minh cách hiệu Thành công việc áp dụng phần cứng RBF NN 3-5-1 để nhận dạng điều khiển động hệ thống tuyến tính/ phi tuyến hệ thống truyền động PMSM thông qua môi trường đồng mô Simulink ModelSim Qua trình nghiên cứu kết mơ đạt được, thấy điều khiển RBF-PI điều chỉnh thể hiệu điều khiển tốt, cải thiện hiệu suất, so với điều khiển PI thơng thường Nó chứng minh điều khiển RBF-PI có khả theo dõi tốt cho dù hệ thống không ổn định, phức tạp 79 6.2 Hướng phát triển Mở rộng đầu vào / đầu cấu hình lại mạng tự động: hiệu suất tuyệt vời việc triển khai phần cứng kỹ thuật số đề xuất RBF NN tiếp tục dẫn đến mạng nơron kỹ thuật số trở thành xu hướng mở rộng nghiên cứu khoa học Mặc dù kích thước mạng mở rộng dễ dàng phương pháp đề xuất cách tăng số lượng nơron để giải vấn đề vượt ngưỡng ngưỡng, lại thiếu khả thay đổi số lượng đầu vào / đầu tự động cấu hình lại cấu trúc mạng máy trạng thái hữu hạn đặc trưng Đó điều cần phải phát triển thêm tương lai Kết hợp VHDL với phương thức lập trình cao cấp: phát triển thực thuật tốn phần cứng cấu hình lại nhiệm vụ khó khăn cần nhiều thời gian, kết hợp VHDL phương pháp lập trình bậc cao Labview, OpenCL điều cần thiết cho việcthử nghiệm Áp dụng thiết kế mạng đề xuất cho loại mạng nơron khác: từ đạt thiết kế thành cơng Mơ hình mạng chung, Hình 4.1, cấu trúc dễ dàng áp dụng để thực loại mạng thần kinh khác Hơn nữa, phương pháp đề xuất để thực hàm mũ sử dụng cho loại chức kích hoạt khác, chẳng hạn sigmoid, hàm arctangent, v.v Thay đổi tỷ lệ học tập động: tốc độ học tập ảnh hưởng đến tốc độ đào tạo mạng Nếu tỷ lệ học tập lớn hơn, tốc độ học tập nhanh hơn, gây phản ứng dao động ổn định hệ thống; ngược lại, tỷ lệ học tập nhỏ hơn, trình học tập ổn định hơn, tốc độ học tập chậm Tốc độ học tập bị ảnh hưởng đến việc tối ưu hóa chức hàm giá trị thu tối thiểu truyền tín hiệu lỗi để điều chỉnh trọng số Do đó, nên tính đến tỷ lệ học tập động Kết hợp mạng nơron với logic mờ (Fuzzy logic) thuật toán học tập khác, chẳng hạn nhưtối ưu hóa di truyền, hạt, v.v., triển khai phần cứng kỹ thuật số 80 TÀI LIỆU THAM KHẢO [1] A Esmaeili, N Mozayani, “Adjusting the Parameters of Radial Basis Function Networks Using Particle Swarm Optimization,” IEEE International Conference on Computational Intelligence for Measurement Systems and Applications, pp 179– 181, 2009 [2] S W Ellacott, J C Mason, I J Anderson, Mathematics of Neural Networks: Modes, Algorithms, and Applications, New York, Springer, 1997 [3] H Robbins, D Siegmund, A convergence theorem for nonnegative almost supermartingales and some applications, New York, Springer, 1985 [4] F Sargeni, V Bonaiuto, “Digitally programmable nonlinear function generator forneural networks,” Electronics Letters, vol 41, pp.143-145, 2005 [5] K Basterretxea, J M Tarela, I D Campo, G Bosque, “An experimental study onnonlinear function computation for neural/fuzzy hardware design,” IEEETransactions on Neural Networks, vol 18, pp.266–283, 2007 [6] S Himavathi, D Anitha, A Muthuramalingam, “Feed-forward neural network implementation in FPGA using layer multiplexing for effective resource utilization,” IEEE Transactions on Neural Networks, vol 18, pp.880–888, 2007 [7] A Dinu, M N Cirstea, S E Cirstea, “Direct neural network hardware implementation algorithm,” IEEE Transactions on Industrial Electronics, vol 57, pp.1845–1848, 2010 [8] D Zhang, H Li, “A stochastic-based FPGA controller for an induction motor driveintegrated neural network algorithms,” IEEE Transactions on Industrial Electronics, vol 55, pp.551–561, 2008 [9] H C Huang, C C Tsai, “FPGA implementation of an embedded robust adaptivecontroller for autonomous omnidirectional mobile platform,” IEEE Transactionson Industrial Electronics, vol 56, pp.1604–1616, 2009 [10] A Gomperts, A Ukil, F Zurfluh, “Development and implementation of parameterized FPGA based general purpose neural networks for on-line applications,” IEEE Transactions on Industrial Informatics, vol 7, pp.78–89, 81 2011 [11] F Yang, M Paindavoine, “Implementation of an RBF neural network on embedded systems: real-time face tracking and identity verification,” IEEE Transactions on Neural Networks, vol 14, pp.1162–1175, 2003 [12] J S Kim, S Jung, “Implementation of the RBF neural chip with the backpropagationalgorithm for on-line learning,” Applied Soft Computing, vol 29, pp.233-244, 2015 [13] J Misra, I Saha, “Artificial neural networks in hardware: a survey of two decadesof progress,” Neurocomputing, vol 74, pp.239–255, 2010 [14] P Ferreira, P Ribeiro, A Antunes, F M Dias, “A high bit resolution FPGA implementation of a FNN with a new algorithm for the activation function,” Neurocomputing, vol 71, pp.71-77, 2007 [15] D S Jinde, S S Thorat, “Neural network implementation using FPGAs,” International Journal of Computer Science and InformationTechnology, vol 5, pp.3431–3433, 2014 [16] D Dabrowshi, Z Hashemiyan, J Adamczyk, “A signal pre-processing algorithmdesigned for the needs of hardware implementation of neural classifiers used incondition monitoring,” Measurement, vol 73, pp.576-587, 2015 [17] F Moreno, J Alarcon, R Salvador, T Riesgo, “Reconfigurable hardware architecture of a shape recognition system based on specialized tiny neural networks with online training,” IEEE Transactions on Industrial Electronics, vol 56, pp.3253–3263, 2009 [18] Koushal Kumar, Gour Sundar Mitra Thakur, “Advanced Applications ofNeural Networks and Artificial Intelligence: A Review,” International Journal of Information Technology and Computer Science, vol 4, pp.57-68, 2012 [19] http://pages.cs.wisc.edu/~bolo/shipyard/neural/local.html [20] E Oja, “Unsupervised learning in neural computation,” Theoretical Computer Science, vol 287, pp.187 – 207, 2002 [21] T Kohonen, Self-Organizing Maps, 3rd Edition, Springer, Berlin, 2001 82 [22] D Chen, D Singh, “Invited paper: using OpenCL to evaluate the efficiency of CPUS, GPUS and FPGAS for information filtering,” Field Programmable Logic and Applications, pp.5-12, 2012 [23] Y S Kung, Nguyen Phan Thanh, M S Wang, “Design and Simulation of a Sensorless Permanent Magnet Synchronous Motor Drive with Microprocessorbased PI Controller and Dedicated Hardware EKF Estimator,” Applied Mathematical Modelling, vol.39, pp.5816-5827, 2015 83 S K L 0 ... dụng mạng nơron toán nhận dạng hệ thống điều khiển phi tuyến áp dụng vào việc điều khiển tốc độ động đồng nam châm vĩnh cửu Nghiên cứu nhận dạng điều khiển tốc độ động để nâng cao hiệu điều khiển. .. này, tốc độ tốc độ Ngay tần số vượt giá trị bản, tốc độ điều khiển vượt tốc độ hệ sức điện động cảm ứng ban đầu vượt biên độ điện áp chiều cung cấp Hình 3.2:Hệ truyền động điều chỉnh tốc độ động. .. truyền động thể hình 20 3.3 Sai lệch tốc độ tốc độ thực tốc độ đặt *  xử lý thông qua điều khiển PI (bộ điều khiển tốc độ) để vơ hiệu hóa trạng thái sai lệch tốc độ Đầu điều chỉnh tốc độ thiết