Luận án tiến sĩ kỹ thuật nghiên cứu ứng dụng lý thuyết điều khiển hiện đại xây dựng mô hình trong điều khiển dự báo phi tuyến

BỘ GIÁO DỤC VÀ ĐÀO TẠO ĐẠI HỌC THÁI NGUYÊN Lê Thị Huyền Linh NGHIÊN CỨU ỨNG DỤNG LÝ THUYẾT ĐIỀU KHIỂN HIỆN ĐẠI XÂY DỰNG MƠ HÌNH TRONG ĐIỀU KHIỂN DỰ BÁO PHI TUYẾN LUẬN ÁN TIẾN SĨ KỸ THUẬT THÁI NGUYÊN – 2015 BỘ GIÁO DỤC VÀ ĐÀO TẠO ĐẠI HỌC THÁI NGUYÊN Lê Thị Huyền Linh NGHIÊN CỨU ỨNG DỤNG LÝ THUYẾT ĐIỀU KHIỂN HIỆN ĐẠI XÂY DỰNG MƠ HÌNH TRONG ĐIỀU KHIỂN DỰ BÁO PHI TUYẾN Chuyên ngành: Kỹ thuật điều khiển & Tự động hóa Mã số: 62 52 02 16 LUẬN ÁN TIẾN SĨ KỸ THUẬT NGƯỜI HƯỚNG DẪN KHOA HỌC PGS TS Lại Khắc Lãi THÁI NGUYÊN – 2015 BỘ GIÁO DỤC VÀ ĐÀO TẠO ĐẠI HỌC THÁI NGUYÊN NGHIÊN CỨU ỨNG DỤNG LÝ THUYẾT ĐIỀU KHIỂN HIỆN ĐẠI XÂY DỰNG MƠ HÌNH TRONG ĐIỀU KHIỂN DỰ BÁO PHI TUYẾN LUẬN ÁN TIẾN SĨ KỸ THUẬT THÁI NGUYÊN – 2015 BỘ GIÁO DỤC VÀ ĐÀO TẠO ĐẠI HỌC THÁI NGUYÊN NGHIÊN CỨU ỨNG DỤNG LÝ THUYẾT ĐIỀU KHIỂN HIỆN ĐẠI XÂY DỰNG MÔ HÌNH TRONG ĐIỀU KHIỂN DỰ BÁO PHI TUYẾN Chuyên ngành: Kỹ thuật điều khiển & Tự động hóa Mã số: 62 52 02 16 LUẬN ÁN TIẾN SĨ KỸ THUẬT NGƯỜI HƯỚNG DẪN KHOA HỌC THÁI NGUYÊN – 2015 i LỜI CAM ĐOAN Tôi tên Lê thị Huyền Linh, tơi xin cam đoan cơng trình nghiên cứu cá nhân dƣới hƣớng dẫn tập thể nhà khoa học tài liệu tham khảo trích dẫn Kết nghiên cứu trung thực chƣa đƣợc công bố cơng trình khác Tác giả luận án Lê Thị Huyền Linh ii LỜI CẢM ƠN Trong suốt trình làm luận án, thực có lúc khó khăn, tƣởng chừng nhƣ tiếp tục, nhờ nhận đƣợc động viên, giúp đỡ ngƣời thân, bạn bè đồng nghiệp, thầy giáo hƣớng dẫn tập thể nhà khoa học, tơi có đƣợc kết hôm Từ sâu thẳm, xin đƣợc trân trọng gửi lời cảm ơn đến tất Cảm ơn ngƣời thầy, ngƣời bạn đồng hành, giúp đỡ, chia tơi giai đoạn khó khăn, vất vả chặng đƣờng luận án Qua đây, xin đƣợc bày tỏ lòng biết ơn chân thành đến thầy giáo hƣớng dẫn PGS TS Lại Khắc Lãi tận tình, dìu dắt định hƣớng cho tơi suốt thời gian qua Tôi xin đƣợc gửi lời cảm ơn sâu sắc kính trọng đến thầy giáo, đồng nghiệp Khoa Điện, tập thể nhà khoa học, đóng góp ý kiến quý báu chuyên môn, quan tâm, tạo điều kiện thuận lợi, giúp đỡ công việc thời gian Cảm ơn Bộ mơn Kỹ thuật Điện, Khoa Điện, Phịng ban Trƣờng Đại học Kỹ thuật Công nghiệp, Đại học Thái Nguyên nhiệt tình, tạo điều kiện suốt trình thực luận án Từ sâu tận đáy lịng, tơi muốn đƣợc nói lời cảm tạ đến bố mẹ, chị gái, chồng gái bé bỏng ln ln bên tơi, hết lịng thƣơng u, quan tâm, sẻ chia, ủng hộ, động viên tinh thần, tình cảm, tạo điều kiện giúp tơi có nghị lực để hoàn thành luận án Tác giả luận án Lê Thị Huyền Linh iii MỤC LỤC LỜI CAM ĐOAN i LỜI CẢM ƠN ii MỤC LỤC iii DANH MỤC CÁC KÝ HIỆU, CÁC CHỮ VIẾT TẮT vi DANH MỤC CÁC BẢNG BIỂU ix DANH MỤC CÁC HÌNH VẼ x MỞ ĐẦU .1 Tính cấp thiết đề tài luận án Phạm vi, đối tƣợng nghiên cứu phƣơng pháp nghiên cứu 3 Mục tiêu luận án 4 Những đóng góp lý luận thực tiễn luận án Bố cục luận án .5 CHƢƠNG TỔNG QUAN VẤN ĐỀ NGHIÊN CỨU 1.1 Giới thiệu tổng quan điều khiển dự báo theo mơ hình 1.1.1 Khái niệm .7 1.1.2 Nguyên lý điều khiển dự báo theo mơ hình 1.1.3 Các thành phần điều khiển dự báo dựa mơ hình .10 1.2 Những vấn đề liên quan điều khiển dự báo hệ tuyến tính .15 1.3 Các ƣu nhƣợc điểm điều khiển dự báo so với phƣơng pháp khác 20 1.4 Những vấn đề liên quan điều khiển dự báo hệ phi tuyến 21 1.5 Đề xuất hƣớng nghiên cứu giải luận án 25 1.6 Kết luận Chƣơng .26 CHƢƠNG NHẬN DẠNG NHIỄU VÀ BÙ NHIỄU CHO LỚP HỆ CÓ TRỄ 2.1 PHI TUYẾN 27 Tổng quát chung nhận dạng mạng nơron 27 2.1.1 Khái niệm nhận dạng 27 2.1.2 Khái quát cấu trúc mạng nơron .28 2.1.3 Giới thiệu mạng nơron RBF .30 iv 2.1.4 Tóm lƣợc nhận dạng trực tuyến hệ phi tuyến sử dụng mạng nơron nhân tạo .31 2.2 Bài toán nhận dạng nhiễu cho lớp hệ phi tuyến có trễ .32 2.3 Thuật tốn nhận dạng nhiễu hệ phi tuyến có trễ sở sử dụng mạng nơron RBF có thành phần nhiễu .33 2.3.1 Xây dựng thuật toán nhận dạng nhiễu .33 2.3.2 Ví dụ minh họa 41 2.4 Tổng hợp tin hiệu bù nhiễu cho hệ thống có trễ với kênh điều khiển .44 2.5 Thuật tốn nhận dạng nhiễu hệ phi tuyến có trễ sở sử dụng mạng nơron RBF có nhiều thành phần nhiễu 46 2.5.1 Xây dựng thuật toán nhận dạng 47 2.5.2 Ví dụ minh họa 54 2.6 Xác định điều kiện ứng đối cho việc bù nhiễu hệ thống có trễ với nhiều thành phần nhiễu tác động 57 2.7 Kết luận Chƣơng .59 CHƢƠNG TỔNG HỢP BỘ ĐIỀU KHIỂN DỰ BÁO DỰA THEO MƠ HÌNH NỘI CHO ĐỐI TƢỢNG CĨ TRỄ VÀ XÂY DỰNG HỆ THỐNG ĐIỀU KHIỂN CHO ĐỐI TƢỢNG CSTR 61 3.1 Đặt vấn đề 61 3.2 Xây dựng tiêu chuẩn tối ƣu cho toán điều khiển tối ƣu điều khiển dự báo 62 3.3 Xây dựng thuật toán điều khiển dự báo dựa mơ hình nội cho lớp đối tƣợng phi tuyến có trễ sở nhận dạng bù nhiễu .66 3.4 Xây dựng mô hình tốn cho đối tƣợng CSTR 71 3.4.1 Xây dựng mơ hình tốn cho đối tƣợng CSTR với tín hiệu điều khiển76 3.4.2 Xây dựng mơ hình tốn cho đối tƣợng CSTR với hai tín hiệu điều khiển 79 3.5 Thiết kế mơ hình nhận dạng nhiễu cho đối tƣợng CSTR 81 3.5.1 Thiết kế mơ hình nhận dạng nhiễu hai kênh h Cb với tín hiệu điều khiển 82 v 3.5.2 Thiết kế mơ hình nhận dạng nhiễu hai kênh h Cb với hai tín hiệu điều khiển 87 3.6 Xây dựng hệ thống điều khiển dự báo dựa mô hình nội cho đối tƣợng CSTR sở nhận dạng bù nhiễu .92 3.6.1 Xây dựng IMPC điều khiển kênh Cb với tín hiệu điều khiển .92 3.6.2 Xây dựng IMPC điều khiển đồng thời hai kênh Cb h với hai tín hiệu điều khiển 94 3.7 So sánh điều khiển PID với điều khiển IMPC đƣợc nhận dạng bù nhiễu để điều khiển cho đối tƣợng CSTR .96 3.7.1 So sánh điều khiển PID với điều khiển IMPC điều khiển kênh Cb với tín hiệu điều khiển 96 3.7.2 So sánh điều khiển PID điều khiển IMPC điều khiển đồng thời hai kênh Cb h với hai tín hiệu điều khiển 100 3.8 Kết luận Chƣơng 105 KẾT LUẬN VÀ KIẾN NGHỊ 107 DANH MỤC CƠNG TRÌNH KHOA HỌC CĨ LIÊN QUAN ĐẾN LUẬN ÁN 109 TÀI LIỆU THAM KHẢO 110 vi DANH MỤC CÁC KÝ HIỆU, CÁC CHỮ VIẾT TẮT Danh mục ký hiệu thời gian trích mẫu T trạng thái thời điểm tk X(tk ) X(tk ), X(tk ), trạng thái thại thời điểm tk+1, tk+2 x (t ) đầu đối tƣợng điều khiển u (t ) , U(t ) tác động điều khiển τ thời gian trễ thông số đặc trƣng cho động học đối tƣợng f () , F( X ) vectơ tác động nhiễu fˆ ( X ) , Fˆ ( X ) hàm đánh giá f ( X ) wi* , wij trọng số lý tƣởng ε , εi εM sai số xấp xỉ ε* , ε*i wˆ i , wˆ ij sai số xấp xỉ lý tƣởng wi , wij sai lệch trọng số đánh giá A, B, D ma trận thông số đặc trƣng đối tƣợng O ma trận với tất thành phần không Im ma trận đơn vị * i số nhỏ cho trƣớc (X) Ci , Cij i , ij trọng số đánh giá hàm sở tâm hàm sở độ trải rộng hàm sở e(t ) , E(t ) sai số trạng thái đầu f (X) sai số nhiễu đối tƣợng thực nhiễu đánh giá P,Q ma trận đối xứng xác định dƣơng rmin (Q) , rmax (Q) giá trị riêng nhỏ nhất, lớn ma trận Q hệ số dƣơng 103 Hình 3.32 Đáp ứng tín hiệu mức dung dịch h nồng độ dung dịch Cb điều khiển PID chưa nhận dạng, bù nhiễu IMPC sử dụng hai tín hiệu điều khiển cho đối tượng có trễ   5s Hình 3.31, Hình 3.32 thể đáp ứng mức dung dịch h nồng độ dung dịch Cb trƣờng hợp trễ   0s ,   5s Nhận thấy với đối tƣợng phi tuyến nhƣ bình trộn CSTR điều khiển PID không đáp ứng đƣợc chất lƣợng điều khiển độ điều chỉnh thời gian độ lớn, đặc biệt có trễ kênh điều khiển điều khiển PID khơng thể thỏa mãn đƣợc tốn cơng nghệ Qua quan sát kết mô cho thấy đáp ứng điều khiển IMPC đƣợc đề xuất có chất lƣợng điều khiển ƣu việt hơn, khơng có q điều chỉnh, sai số xác lập không đáp ứng tốt đối tƣợng có trễ kênh điều khiển - Trường hợp thứ hai: So sánh điều khiển PID với điều khiển IMPC hai có tích hợp cơng cụ nhận dạng bù nhiễu đề xuất Sau bù nhiễu, đối tƣợng CSTR lúc xem nhƣ tuyến tính có phƣơng trình động học dạng (3.53) Trong thơng số điều khiển IMPC giữ nguyên nhƣ mục 3.6.2 thông số điều khiển PID đƣợc gữ nguyên nhƣ trƣờng hợp thứ vừa xét điều khiển hai kênh nhƣng chƣa có nhận dạng bù nhiễu Sơ đồ cấu trúc so sánh điều khiển dự báo theo IMPC PID tích hợp nhận dạng 104 bù nhiễu điều khiển hai kênh mức dung dịch h nồng độ dung dịch Cb đƣợc thể nhƣ Hình 3.33 Hình 3.33 Sơ đồ cấu trúc so sánh điều khiển IMPC PID có tích hợp nhận dạng bù nhiễu điều khiển hai kênh mức dung dịch h nồng độ dung dịch Cb Hình 3.34 Đáp ứng tín hiệu mức dung dịch h nồng độ dung dịch Cb điều khiển IMPC PID có tích hợp nhận dạng bù nhiễu sử dụng hai tín hiệu điều khiển cho đối tượng không trễ   0s 105 Hình 3.35 Đáp ứng tín hiệu mức dung dịch h nồng độ dung dịch Cb điều khiển IMPC PID có tích hợp nhận dạng bù nhiễu sử dụng hai tín hiệu điều khiển cho đối tượng có trễ   5s Hình 3.34., Hình 3.35 biểu diễn đặc tính đáp ứng đầu mức dung dịch h nồng độ dung dịch Cb đối tƣợng có trễ kênh điều khiển   0s ,   5s Kết mô cho thấy trƣờng hợp khơng có trễ điều khiển PID IMPC cho đặc tính đáp ứng đầu tốt: khơng có lƣợng q điều chỉnh sai số xác lập không Tuy nhiên tín hiệu kênh điều khiển có trễ điều khiển PID nhanh chóng bị ổn định điều khiển IMPC đảm bảo tốt chất lƣợng điều khiển Nhận xét: Từ kết mơ Matlab/Simulink ta thấy rõ tính ưu việt hiệu hệ thống IMPC có tích hợp nhận dạng bù nhiễu cho đối tượng có trễ Điều tạo khác biệt trội: nhiễu phụ thuộc trạng thái bù trừ, đáp ứng hệ thống tốt hơn, rút ngắn thời gian q trình q độ hồn tồn tránh tượng điều chỉnh 3.8 Kết luận Chƣơng Với việc áp dụng kết Chƣơng liên quan đến nhận dạng bù trừ thành phần nhiễu phi tuyến bất định, đối tƣợng phi tuyến bất định có trễ đƣợc 106 xem đối tƣợng tuyến tính có trễ khơng cịn chịu tác động nhiễu Khi vấn đề thiết đặt tổng hợp điều khiển sử dụng mơ hình dự báo, đảm bảo chất lƣợng cao Chƣơng luận án tập trung giải vấn đề thiết nêu đạt đƣợc kết sau đây: Đã đề xuất đƣợc phƣơng pháp tổng hợp hệ thống điều khiển IMPC cho lớp đối tƣợng có trễ điều khiển Đã tích hợp điều khiển IMPC với nhận dạng nhiễu sở mạng nơron RBF với kênh bù trừ nhiễu, làm cho hệ thống vừa đáp ứng tiêu chuẩn tối ƣu, vừa có tính thích nghi, kháng nhiễu Đã tổng hợp đƣợc nhận dạng nhiễu kênh bù nhiễu, xây dựng thành công hệ thống IMPC, vừa tối ƣu vừa có khả thích nghi kháng nhiễu cho tháp (bình) phản ứng khuấy trộn liên tục CSTR Bằng công cụ Matlab/Simulink tiến hành mô minh họa nhằm đánh giá tính hiệu đề xuất luận án Các kết mô khẳng định tính đắn, hiệu tồn hệ thống điều khiển sở IMPC, nhận dạng nhiễu kênh bù nhiễu đề xuất đặc biệt ƣu việt cho lớp đối tƣợng có trễ 107 KẾT LUẬN VÀ KIẾN NGHỊ  Kết luận Điều khiển dựa mơ hình dự báo có nhiều ƣu điểm trội, phát huy hiệu cao đối tƣợng có trễ, đối tƣợng có động học chậm, đối tƣợng có ràng buộc Điều khiển dự báo phát triển nhanh vài thập niên trở lại đạt đƣợc kết quan trọng, song nhiều vấn đề cấp thiết chƣa đƣợc giải chƣa có lời giải thỏa đáng Một vấn đề xây dựng phƣơng pháp tổng hợp hệ điều khiển dự báo cho đối tƣợng phi tuyến bất định (hoặc phần bất định), chịu tác động nhiễu có hiệu ứng trễ Đây lớp đối tƣợng phổ biến cơng nghiệp, ngày địi hỏi chất lƣợng điều khiển cao hơn, hiệu Vì vậy, vấn đề nêu trở nên thiết mặt khoa học, mặt ứng dụng cho thực tế Luận án sâu nghiên cứu nhằm góp phần giải vấn đề thiết đạt đƣợc đóng góp chủ yếu sau đây:  Đã đề xuất phương pháp nhận dạng nhiễu cho hệ thống có trễ điều khiển sở mơ hình song song, mạng nơron RBF sử dụng để xấp xỉ hàm nhiễu phi tuyến bất định mạng có cấu trúc đơn giản có khả xấp xỉ hầu hết hàm phi tuyến với độ xác tùy ý  Đã phát biểu chứng minh hai định lý điều kiện đủ, đảm bảo trình nhận dạng hội tụ cho hai trường hợp riêng biệt: trường hợp hệ thống có nhiễu tác động trường hợp hệ thống đồng thời chịu nhiều nhiễu tác động vào vị trí khác Đã thu luật cập nhật trọng số cho mạng nơron RBF, vừa đảm bảo hội tụ vừa có tính khả thi cao tốc độ hiệu chỉnh trọng số phụ thuộc vào vectơ sai lệch trạng thái đối tượng điều khiển vectơ trạng thái mơ hình  Đã đề xuất giải pháp bù trừ nhiễu cho lớp đối tượng có trễ sở kết nhận dạng Đã xây dựng cấu trúc kênh bù trừ nhiễu Đã thu điều kiện ứng đối đảm bảo bù nhiễu tác động đồng thời lên hệ thống Các kết nhận dạng nhiễu bù nhiễu áp dụng khơng 108 cho hệ thống IMPC mà cịn áp dụng cho hệ thống với luật điều khiển khác  Đã đề xuất phương pháp tổng hợp hệ thống điều khiển IMPC cho lớp đối tượng có trễ điều khiển Đã tích hợp điều khiển IMPC với nhận dạng nhiễu sở mạng nơron RBF với kênh bù trừ nhiễu, làm cho hệ thống vừa đáp ứng tiêu chuẩn tối ưu, vừa có tính thích nghi, kháng nhiễu  Đã tổng hợp nhận dạng nhiễu kênh bù nhiễu, xây dựng thành công hệ thống IMPC vừa tối ưu vừa có khả thích nghi kháng nhiễu cho tháp (bình) phản ứng khuấy trộn liên tục CSTR Bằng công cụ Matlab/Simulink tiến hành mô minh họa nhằm đánh giá tính hiệu đề xuất luận án Các kết mô khẳng định tính đắn, hiệu toàn hệ thống điều khiển sở IMPC, nhận dạng nhiễu kênh bù nhiễu đề xuất đặc biệt ƣu việt cho lớp đối tƣợng có trễ  Hƣớng nghiên cứu luận án kiến nghị  Triển khai áp dụng kết nghiên cứu cho đối tƣợng thực tế  Luận án đề cập đến phân tích tổng hợp hệ thống IMPC cho lớp đối tƣợng có trễ kênh điều khiển dƣới tác động nhiễu nội sinh (phát sinh tính phi tuyến đối tƣợng nhiễu phụ thuộc trạng thái) Cần tiếp tục nghiên cứu cho trƣờng hợp có dạng nhiễu khác, đối tƣợng phi tuyến có trễ khác có ràng buộc 109 DANH MỤC CƠNG TRÌNH KHOA HỌC CĨ LIÊN QUAN ĐẾN LUẬN ÁN Lê Thị Huyền Linh, Nguyễn Thị Mai Hƣơng (2011), "Một phƣơng pháp xây dựng điều khiển dự báo dựa mơ hình Gauss", Tạp chí Khoa học Cơng nghệ - Đại học Thái Nguyên, Tập 86, số 10, ISSN 1859 - 2171, tr 195 - 200 Lê Thị Huyền Linh, Nguyễn Thị mai Hƣơng (2013), "Sử dụng mô hình mờ Takagi - Sugano để xây dựng mơ hình dự báo cho hệ động học phi tuyến", Tạp chí Khoa học Công nghệ - Đại học Thái Nguyên; Tập 102, số 02, ISSN 1859 2171, tr 161 - 167 Lê Thị Huyền Linh, Lại Khắc Lãi, Nguyễn Thị Mai Hƣơng (2013), "Điều khiển dự báo dựa mô hình với tầm dự báo 1", Tạp chí Khoa học Công nghệ Đại học Thái Nguyên, Tập 112, số 12/2, ISSN 1859 - 2171, tr 55 - 62 Nguyễn Thị Mai Hƣơng, Lại Khắc Lãi, Mai Trung Thái, Lê Thị Huyền Linh (2013), "Điều khiển dự báo dựa ma trận động ứng dụng điều khiển bình phản ứng hóa học có bao làm lạnh (chemical reactor)", Tạp chí Khoa học Cơng nghệ - Đại học Thái Ngun, Tập 112, số 12/2, ISSN 1859 - 2171, tr 49 - 54 N.T Mai Hƣơng, Mai Trung Thái, Lê Thị Huyền Linh, Lại Khắc Lãi (2013), "Nghiên cứu chiến lƣợc tối ƣu hóa điều khiển dự báo", Tạp chí Khoa học Cơng nghệ - Đại học Thái Ngun, Tập 113, số 13, ISSN 1859 - 2171, tr 115 - 122 Le Thi Huyen Linh, Lai Khac Lai, Cao Tien Huynh (2014), "A disturbance identification method based on Neural network for a class predictive control system with delay", Tạp chí Khoa học Cơng nghệ trường Đại học Kỹ thuật, Tập 101 - ISSN 0868 - 3980, tr 20 - 24 Lê Thị Huyền Linh, Đặng Ngọc Trung (2014), “Ứng dụng nhận dạng nhiễu sở mạng nơron cho bình phản ứng khuấy trộn liên tục”, Tạp chí Khoa học Cơng nghệ Đại học Thái Nguyên, Tập 122 - số 08, ISSN 1859 - 2171, tr 137 - 141 Lê Thị Huyền Linh, Lại Khắc Lãi (2014), “Điều khiển dựa mơ hình dự báo cho lớp đối tƣợng có trễ”, Tạp chí Khoa học Công nghệ - Đại học Thái Nguyên, Tập 128 - số 11, ISSN 1859 - 2171, tr 149 - 154 Lê Thị Huyền Linh, Lại Khắc Lãi (2014), “Phƣơng pháp nhận dạng nhiễu phụ thuộc trạng thái hệ phi tuyến có trễ”, Chuyên san Điều khiển & Tự động hóa, số 11, tr 53 - 57 110 TÀI LIỆU THAM KHẢO Tiếng Việt Đỗ Thị Tú Anh, Nguyễn Doãn Phƣớc (2013), “Giới thiệu điều khiển dự báo, Phần I: Hệ tuyến tính”, Tuyển tập báo cáo hội nghị khoa học Khoa Điện tử, Trƣờng Đại học Kỹ thuật Công nghiệp Thái Nguyên, tr 129 -138 Đỗ Thị Tú Anh, Nguyễn Doãn Phƣớc (2014), “Ổn định hóa hệ song tuyến liên tục với điều khiển dự báo”, Tạp chí Khoa học Cơng nghệ - Đại học Thái Nguyên, 20(6), tr 73 - 79 Phạm Hữu Đức Dục (2009), Mạng nơron & ứng dụng điều khiển tự động, Nhà xuất Khoa học Kỹ thuật Nguyễn Công Định, Nguyễn Thanh Hải (2012), Điều khiển phi tuyến sở mạng nơron nhân tạo, Nhà xuất Khoa học Kỹ thuật Cao Tiến Huỳnh (2002), “Tổng hợp hệ điều khiển trƣợt, thích nghi cho đối tƣợng có trễ”, Tuyển tập báo cáo khoa học Hội nghị tồn quốc lần thứ V Tự động hóa, Hà Nội, tr 181 - 186 Cao Tiến Huỳnh (2005), “Tổng hợp hệ điều khiển thích nghi cho đối tƣợng có trễ”, Tuyển tập báo cáo khoa học hội nghị toàn quốc lần thứ VI Tự động hóa, Hà Nội, tr 288 - 293 Bùi Quốc Khánh, Phạm Quang Đăng, Nguyễn Huy Phƣơng, Vũ Thụy Nguyên (2014), Điều khiển trình, Nhà xuất Khoa học Kỹ thuật Nguyễn Thúc Loan, Nguyễn Thị Phƣơng Hà, Huỳnh Thái Hoàng (2002), “Điều khiển dự báo hệ phi tuyến dựa vào mơ hình mờ”, Tuyển tập báo cáo khoa học Hội nghị toàn quốc lần thứ V Tự động hóa, Hà Nội, tr 95 - 100 Nguyễn Doãn Phƣớc (2009), Lý thuyết điều khiển nâng cao, Nhà xuất Khoa học Kỹ thuật 10 Nguyễn Doãn Phƣớc, Phan Xuân Minh (2005), Nhận dạng hệ thống điều khiển, Nhà xuất Khoa học Kỹ thuật 111 11 Trần Quang Tuấn (2012), Về phương pháp điều khiển thích nghi mờ cho đối tượng phi tuyến bất định, Luận án tiến sĩ, Trƣờng Đại học Bách khoa Hà Nội Tiếng Anh 12 Ai Wu, Peter K., Tam S (2002), “Stable Fuzzy Neural Tracking control of a class of unknown Nonlinear Systems Based on Fuzzy Hierarchy Error Approach”, IEEE Trans on Fuzzy Systems, Vol 10, No 6, pp 779 - 789 13 Angrick C (2007), Nonlinear model predictive control of time-delay systems, Student thesis, University of Stuttgart 14 Atkeson C G., Moore A W., Shaal S (1996), “Locally weighted learning for control”, Artificial Intelligence Review, Vol 11, No 5, pp 75 - 113 15 Bemporad A., Morari M (2004), “Robust model predictive control: A survey”, In Proc of European Control Conference, Porto, Portugal, pp 939 - 944 16 Cahse A J., Hovakimyan N., Idan M (2001), “Adaptive output feedback control of Nonlinear Systems using neural networks”, Automatica, Vol 37, No 8, pp 1201 - 1211 17 Camacho, Bordons (2007), Model Predictive Control, Springer Venlag 18 Cannon M R., Slotine J J E (1995), Space - frequency localized basis function and Control neuro computing, Vol 9, pp 293 - 342 19 Chang Boon Low, Khuan Holm Nah, Meng Joo Er (2004), Real-time implimentation of a dynamic fuzzy neural networks controller for a SCARA, Journal of the Institution of Engineers, Singapore, Vol 26, pp 449 - 461 20 Chen H., Allgower F (1998), “A quasi-infinite horizon nonlinear model predictive control scheme with guaranteed stability”, Automatica 34(10), De Souza, Delay-dependent stab, pp 1205 - 1218 21 Chen F C., Liu C C (1994), “Adaptively cotrolling nonlinear continuous-time systems using multilayer neural networks”, IEEE Transaction on Automatic Control, AC 39, pp 1306 - 1310 112 22 Chiman Kwan, Lewis L., Darren M (1998), “Robust Neural Networks Control of Rigid-Link Electrically Driven Robots”, IEEE Trans On Neural Networks, Vol 9, No 4, pp 581 - 588 23 Choi J Y., Farrell J A (2001), “Nonlinear adaptive control using networks of piecewise linear appproximators”, IEEE Trans On Neural Networks, Vol 11, No 2, pp 390 - 401 24 Christopher E., Sarah K (1998), Sliding Model Control Theory and Applications, Taylor & Francis, UK 25 Cutler C R., Ramaker B C (1980), Dynamic matrix control a computer control algorithm, in Automatic Control Conference, San Francisco 26 Daniel E Rivera (1999), Internal model control: A comprehensive view, Dept of Chemical, Bio and Materials Eng., Arizona State University, Tempe, USA 27 Eric Coulibaly, Sandip Maitis, Coleman Brosilow W (1995), “Internal Model Predictive Control (IMPC)”, Automacticka, Vol 31, No 10, pp 1471 - 1482 28 Farrell J A., Zhao Y (2006), “Self - organizing approximation based control”, In Proc Amer Control Conf Minneapolis, MN, pp 3378 - 3384 29 Farrell J A., Polycarpou M M (2006), Adaptive Approximation Base Control Unifying Neural, Fuzzy and Traditional Adaptive Approximation Approaches, Hoboken, Wiley 30 Frank Allgower, Rolf Findeisen, Christian Ebenbauer (2010), Nolinear Model Predictive Control, Stuttgart 31 Froisy J (1994), “Model predictive control: Past, present and future”, In ISA Transactions, Vol 33, pp 235 - 243 32 Gantmakker Ph R (1977), Matrix Theory, Nauka, Moscow 33 Han C., Liu X., Zhang H (2008), “Robust model predictive control for continuous uncertain systems with state delay”, Journal of Control Theory and Applications, (2), pp 189-194 113 34 Haralambos Sarimveis, George Bafas (2003), “Fuzzy model predictive control ofnon-linear processes using genetic algorithms”, Fuzzy Sets and Systems 139, Elsevier B.V All rights reserved, pp 59 - 80 35 Hartman E J., Keeler J D., Kowalski J M (1990), “Layered neural networks with Gaussian hidden units as universal approximations”, Neural Comput, 2(2), pp 210 -2 15 36 Heinrich Rake, Matthias Wellers (2000), “Nonlinear Model Predictive Control Based on Stable Wiener and Hammerstein Models”, Nonlinear Model Predictive Control Progress in Systems and Control Theory, Vol 26, pp 357 - 366 37 Hu X B and Chen W H (2004), “Model predictive control for constrained systems with uncertain state-delays”, International Journal of Robust and Nonlinear Control, 14(17), pp 1421 - 1432 38 Huang S N., Tan K K., Lee T H (2001), “A combined PID/ Adaptive controller for a class of nonlinear systems”, Automatica, (37) pp 611 - 618 39 Jin L., Nikiforuk P N, Gupta M M (2005), “Direct adaptive output tracking control using multilayered neural networks”, IEE Proceedings D., No 140, pp 393 - 398 40 Jinkun Liu (2013), Radial Basis Function (RBF) Neural Network Control for Mechanical Systems, Springer Venlag 41 Junhong N., Derek L (1995), Fuzzy - Neural Control Principles Algorithm and Applications, Prentice Hall, Europe 42 Kantner M (1997), Nonlinear MPC lower bounds via robust simulation, American Control Conference, Vol 3, pp 1633 - 1644 43 Kwon W H., Lee Y S., Han S H (2001), “Receding horizon predictive control for nonlinear time-delay systems”, In International Conference on Control, Automation and Systems, Cheju National University Jeju, Korea, pp 107 - 111 44 Li D., Xi Y (2011), “Nonstrained feedback robust model predictive control for polytopic uncertain systems with time delays”, International Journal of Systems Science, 42 (10), pp 1651 - 1660 114 45 Li C., Shi G (2013), “Weights optimization for multi-instance multi-label RBF neural networks using steepest descent method”, Neural Computing and Applications, Vol 22, No 7- 8, pp 1563 - 1569 46 Lin J., Liu Y (2002), “Efficient gradient descent method of RBF neural networks with adaptive learning rate”, Journal of Electronics, Vol 19, No 3, pp 255 - 258 47 Liuping Wang (2008), Model Predictive Control System Design and Implementation Using MATLAB, Springer Venlag 48 Lyu S., Wu C., Zhang S (2013), “Application of the RBF method to the estimation of temperature on the external surface in laminar pipe flow”, Mathematical Problems in Engineering, Vol 2013, Article ID 205169, 11 pages 49 Marcus Reble (2013), Model Predictive Control for Nonlinear Continuous-Time Systems with and without Time-Delays, University Stuttgart 50 Mayne D Q., Rawlings J B., Rao C.V., Seokaert P O M (2000), “Constrained model predictive control: stability and optimality”, Automatica, Vol 36, pp 789 - 814 51 Maciej Lawrynczuk (2014), Computationally Efficient Model Predictive Control Algorithms A Neural Network Approach, Springer International Publishing Switzerland 52 Marcus Reble, Frank Allgower (2013), Stabilizing design parameters for model predictive control of constrained nonlinear time-delay systems, Institute for Systems Theory and Automatic Control (IST), University of Stuttgart, Germany 53 Martin T Hagan, Howard B Demuth, Orlando De Jes (2002), “An introduction to the use of neural networks incontrol systems”, International Journal of Robust and Nonlinear Control, Int J Robust Nonlinear Control, pp 959 - 985 54 Meng Joo Er., Yang Gao (2003), “Robust Adaptive Control of Robort Manipulators Using Generalized Fuzzy Neural networks”, IEEE Transactions on Industrial Electronics, Vol 50, No 3, pp 620 - 628 115 55 Ming T Tham (2002), Internal model control, Chemical and Process Eng., University of Newcaslte upon Tyne 56 Michael Athans, Peter L Falb (1966), Optimal Control, Mc Graw - Hill Book Company 57 Morari M , Lee J H (1991), “Model Predictive control: the good, the bad and the ugly” In Proc Conf On Chemical Process Control, CPC - IV AIChE, New York, pp 419 - 444 58 Moshe Sniedovich (2011), Dynamic Programming Foundations and Principles, Second Edition, Taylor and Francis Group 59 Narendra K S., Parthasarathy K (1990), “Identification and control for differential Systems using Neural networks”, Trans On Neural Networks, No 1, pp - 27 60 Nakanishi J., Farrell J A., Shall S (2005), “Composite adaptive control with locally weighted Statistical learning”, Neural Networks, Vol 18, No.1, pp - 90 61 Nelles O (2001), Nonlinear system identification from classical approaches to Neural networks and fuzzy models, Springer, Berlin 62 Neil Cotter (1990), “The Stone - Weierstrass Theorem and Application to Neural Networks”, IEEE Vol 1, No 4, pp 290 - 295 63 Ortega J M (1987), Matrix Theory, Plenum Press, New York 64 Park J., Sandberg L W (1991), “Universal approximation using radial basis function networks”, Neural Comput, 3(2), pp 246 - 257 65 Park J H., Huh S H., Kim S H, Seo S J (2005), “Direct adaptive controller for non-affine nonlinear systems using self-structuring neural networks”, IEEE Trans Neural Netw., Vol 16, No 2, pp 414 - 422 66 Pieter Eykhoff (1974), System Identification, John Wiley and Sons Ltd 67 Piyush Shrivastava (2011), Modeling and Control of CSTR using Model based Neural Network Predictive Control, Takshshila Institute of Engineering & Technology, Jabalpur, Madhya Pradesh, India 116 68 Poznyak A S., Sanchez E N., Yu W (2001), Differential Neural networks for Robust Nonlinear Control Identification, State Estimation and Trajectory Tracking, World Scientific publisling co., Singapore 69 Psichogios D C., Ungar L H (1990), “Nonlinear Internal Model Control and Model Predictive Control using Neural Networks”, Department of Chemical Engineering University of Pennsylvania, IEEE, pp 1082 - 1087 70 Qin S., Badgwell T (2003), “A Survey of industrial model prediction control technology”, Control Engineering Practice, Vol 11, pp 733 - 764 71 Qin S., Badgwell T (2000), “An overview of nonlinear model predictive control applications”, Nonlinear Predictive Control, Birkhauser, pp 369 - 393 72 Raff T., Angrick C., Findeisen R., Kim J S., Allgower F (2007), Model predictive control for nonlinear time-delay systems, Proc 7th IFAC Symposium on Nonlinear Systems, Pretoria, South Africa 73 Ramdane Hedjar (2013), “Adaptive Neural network model predictive control”, International Journal of Innovative Computing, Information and Control, Vol 9, No 3, pp 1245 - 1257 74 Richalet J., Rault A., Testud J L (1976), Algorithm control of industrial process, in 4th IFAC symposium of identification and system parameter estimation, Tbilisi 75 Rolf Findeisen, Frank Allgower (2013), An Introduction to Nonlinear Model Predictive Control, Institute for Systems Theory in Engineering, University of Stuttgart, Germany 76 Seyed E S., Mohammad R S (2011), Neural Network Sliding Mode PID cotroller design for Electrically Driven Robot Manipulators, International Joural of Innovative Computing, Information and Control, Vol 7, No 2, pp 465 - 476 77 Tobias Gybel Hovgard (2012), “Fast Nonconvex Model Predictive Control for Commercial Refrigeration”, International Federation of Automatic Control Noordwijkerhout, NL August, pp 23 - 27 117 78 Wei Sun, Yaonan Wang (2004), “A recurrent Fuzzy Neural Network based Adaptive Control and its Application on Robotic Tracking Control”, Neural Information Processing - Letters and Review, Vol 5, No 1, pp 19 - 26 79 Wenjie Dong, Yuanyan, Yiming Chen, Jay A Farrel (2012), Tracking Control for Nonaffine Systems, A self organizing Approximation Approach, IEEE Trans on Neural Networks and Learning Systems,Vol 23, No 2, pp 223 - 235 80 Wen Yu, Xiaoou Li, Yin F., Wang Y (2004), “System Identification Using Adjustable RBF Neural Network with Stable Learning”, @Springer-Verlag, LNCS 3174, pp 212 - 217 81 Within C., Peter Meckl H (2004), “Model-Free observer Backstepping Control Design for Nonlinear Systems in Strict Feedback Form”, Conference on Decision and Control, Proc Of 43rd IEEE, pp 14 - 17 82 Xiaoou Li, Wen Yu (2004), “Robust Adaptive control using Neural Networks and Projection”, @Springer-Verlag, LNCS 3174, Berlin Heidelberg, pp 77 - 82 83 Yu W.; Li X (2001), “Some new results on system Identification with differential Neural Networks”, Trans Neural Networks, No 12, pp 412 - 417