Nhận dạng và điều khiển hệ phi tuyến có trễ dùng mô hình fuzzy nhiều lớp kết hợp giải thuật tính toán mềm

ĐẠI HỌC QUÓC GIA TP HCM TRƯỜNG ĐẠI HỌC BÁCH KHOA CAO VĂN KIÊN NHẬN DẠNG VÀ ĐIỀU KHIỂN HỆ PHI TUYẾN CĨ TRỄ DUNG mơ hình fuzzy nhiêu lớp két hợp giải THUẬT TÍNH tốn Chun ngành: Kỹ Thuật Diều Khiến & Tự Dộng Hóa Mã số chuyên ngành: 62520216 Phan biện độc lập: PGS TS Đặng Xuân Kiên Phan biện độc lập: PGS TS Trương Đình Nhơn Phan biện: PGS TS Nguyễn Chí Ngơn Phan biện: PGS TS Nguyễn Thanh Phương Phan biện: PGS TS Nguyền Quổc Hưng NGƯỜI HƯỚNG DẦN: GS TS Hồ Phạm Huy Ánh LỜI CAM ĐOAN Nghiên cứu sinh xin cam đoan cơng trình nghiên cứu cúa thân nghiên cứu sinh Các ket qua nghiên cứu kểt luận luận án trung thực, không chép từ nguồn hình thức Việc tham khảo nguồn tài liệu thực trích dần ghi nguồn tài liệu tham kháo đủng quy định Nghiên cứu sinh luận án Cao Văn Kiên ĩ TÓM TÁT LUẬN ÁN Hệ thống phi tuyển với yếu tố bất định nhiều động rẩt khó dể xác dịnh xác mơ hình tốn học hệ thống đặc biệt hệ có đặc tính trễ Do hướng tiếp cận điều khiển thông thường dựa mơ hình tốn học gần khơng đáp ứng u cầu Vì the ngày có nhiều nghiên cứu tập trung vào mơ hình điều khiển thơng minh ứng dụng kỳ thuật tính tốn mềm dựa mạng nơ-ron nhân tạo, logic mờ thuật tốn tối ưu tiến hóa Trong luận án này, nghiên cứu sinh đồ xuất mơ hình Fuzzy nhiều lớp kết hợp với giải thuật tiến hóa vi sai đe nhận dạng diều khiến hệ phi tuyến Các nội dung cùa luận án dược tóm tẳt sau: Đe xuất mơ hình Fuzzy nhiều lớp dùng nhận dạng điều khiên hệ phi tuyến Mơ hình Fuzzy nhiều lớp tạo thành bang cách kết hợp nhiều mơ hình Fuzzy Multi-Input, Single-Output (MISO) Mỗi mơ hình Fuzzy MISO nhiều kVp tạo thành nhiều mơ hình Fuzzy Takagi-Sugeno (T-S) truyền thống, cấu trúc luật mờ cũa mơ hình Fuzzy nhiều lớp tính tốn tối ưu giái thuật tiến hố vi sai Ket cho thay mơ hình Fuzzy nhiều lớp có thê dùng nhận dạng mơ hình Multi-Inpul Multi-Output (MIMO) tính linh hoạt cùa mơ hình dược thề thí nghiệm Đe xuất thử hai giai thuật huấn luyện ghép tang, dùng đề huân luyện mơ hình Fuzzy nhiều lớp cách Qua ket qua thực nghiệm chứng minh phương pháp làm tăng độ xác, giảm thời gian tính tốn so với phương pháp huấn luyện thơng thường Ve tốn điều khiển, luận án có hai đồ xuất giải thuật điều khicn kết hợp giãi thuật tính tốn mềm tối ưu giái thuật diều khiến thích nghi Đầu tiên giái thuật trượt mờ thích nghi với hàm thích nghi thiết kế gọn tận dụng khả giải thuật tính tốn tối ưu vào nhận dạng tham sổ ban đầu cùa điều khiển Đe xuất cho toán điều khiển thứ hai giài thuật điều khiển mơ hình ngược thích nghi áp dụng mơ hình Fuzzy nhiều lớp tối ưu giải thuật tiến hóa vi sai kết hợp với giải thuật điều khiển trượt mờ thích nghi Cá hai hướng đề xuất có đặc điểm kết hợp giừa giải thuật tối ưu với giải thuật điều khiển thích nghi làm tàng chất lượng điều khiến lúc khời động đám bảo lý thuyết ồn định Lyapunov ii ABSTRACT Nonlinear systems with uncertainties and disturbances make it difficult to accurately identify the mathematical model of the system Therefore, the conventional control approaches based on the mathematical model almost not meet the quality requirements Therefore, more and more research is focused on intelligent models and controllers applying soft computing techniques based on artificial neural networks, fuzzy logic, and evolutionary optimization algorithms In this thesis, the author proposes multilayer fuzzy model trained by the differential evolution algorithm to identify and control the nonlinear system The main contributions of the thesis are summarized as follows: The first contribution is a multilayer Fuzzy model used in the identification and control nonlinear systems Multilayer Fuzzy models are created by combining multiple Fuzzy MISO models Each multilayer Fuzzy MISO model is made up of many traditional Takagi-Sugeno Fuzzy models The structure and laws of the multilayer Fuzzy model are optimally identified using the differential evolution (DE) algorithm The results show that multilayer fuzzy model can be used in MIMO model identification and the flexibility of the model has been shown in experiments The second contribution is a cascade training algorithm, which uses to train a multi-layered fuzzy model sequentially The experimental results show that the method increases accuracy and reduces calculation time compared to conventional methods Regarding the control problem, the author has two contribution that combining the optimal soft computing algorithm and adaptive control algorithm The first is a novel adaptive fuzzy sliding mode algorithm that is the adaptive law has been newly designed and takes advantage of the ability of optimal computing algorithms to identify the initial parameters of the controller The second control problem is an adaptive inversed model control algorithm that applies the optimal multilayer Fuzzy model by DE algorithm combined with an adaptive fuzzy control algorithm Both proposed controllers have the characteristics of combining optimization algorithm with an adaptive control algorithm to increase controller quality at startup and guarantee the system meets Lyapunov's stability theory ••• ill ĐẠI HỌC QC GIA TP HỊ CHÍ MINH TRƯỜNG ĐẠI HỌC BÁCH KHOA CAO VĂN KIÊN NHẬN DẠNG VÀ ĐIỀU KHIỂN HỆ PHI TUN CĨ TRẺ DÙNG MƠ HÌNH FUZZY NHIÈU LỚP KÉT HỌP GIÁI THUẬT TÍNH TỐN MÈM LUẬN ÁN TIẾN Sĩ TP HỔ CHÍ MINH - NĂM 2022 LỜI CÃM ƠN Đổ hoàn thành luận án này, xin gửi lời cảm ơn đen GS TS Hồ Phạm Huy Ánh, thầy hướng dần suốt q trình thực đề tài Tơi xin gửi lời cảm ơn đến tất cà thầy cô Khoa Điện - Điện từ, Đại học Bách Khoa Tp.HCM truyền đạt kiến thức tâng quý báu từ học bậc Cao học học phần Tiến sì, nhờ kiến thức tảng mà tơi thực cơng việc nghiên cứu Xin gửi lời cảm ơn đến thầy cô Hội đồng đánh giá chuyên đề Tiến sĩ, luận án Tiến sĩ cấp Khoa, ý kiến phản biện góp ý thật giúp tơi nhiều việc chinh sửa hồn luận án cúa Xin gửi lời cam ơn đến lành đạo Trường Đại học Công nghiệp Tp.HCM, lãnh đạo tồn the cán bộ, giảng viên Khoa Cơng nghệ Điện tư có sách hồ trự, tạo điều kiện tốt cho học tập làm việc Cuối xin chân thành cam ơn gia đình người thân ln chia sẻ khó khăn chỗ dựa vững vồ vật chất tinh than suốt thời gian thực hoàn thành luận án iv MỤC LỤC DANH MỤC BẢNG BIẾU xi DANH MỤC CÁC TỪ VIẾT TẤT xii DANH MỤC CÁC KÝ HIỆU xiii MỞ ĐẦU TÍNH cáp thiét cúa đè tài Mục ĐÍCH NGHIÊN cứu ĐỐI TƯỢNG VÀ PHẠM VI NGHIÊN CỨU Phương pháp NGHIÊN cửu Đóng góp mật khoa học THực TIÊN Bó cục CỦA LUẬN ÁN CHƯƠNG GIỚI THIỆU 1.1 Giới THIỆU ĐẺ TÀI 1.2 TƠNG quan tình hình nghiên CỬU 1.2.1 lĩnh vực nhận dựng hệ thơng dùng mơ hình logic mờ 1.2.2 Vê lĩnh vực điêu khiên dùng /nơ hình logic mờ 12 1.3 Phạm VI NGHIÊN CỨU 13 1.4 NỘI DUNG QUYÊN LUẬN ÁN 14 CHƯƠNG Cơ SỞ LÝ THUYẾT 16 2.1 GIỚI THIỆU 16 2.2 THUẬT TỐN TIÊN HĨA VI SAI .16 2.3 Bộ ĐlÈU KH1ÉN TRƯỢT 18 2.4 Mơ HÌNH Fuzzy NHIEU lớp TRONG NHẬN DẠNG HẸ PHI TUN 20 2.4.1 Mơ hình Fuzzy nhận dạng hệ phi tuyến 20 2.4.2 Mơ hình Fuzzy nhiều lớp 21 2.5 KÉT LUẬN 24 CHƯƠNG NHẬN DẠNG HỆ PHI TUN DÙNG MƠ HÌNH FUZZY NHIÈU LỚP 3.1 25 Giởithiẹu 25 V 3.2 Mơ HÌNH HỆ BƠN NƯỚC ĐƠI LIÊN KÉT 25 3.2 / Thu thập liệu vào 27 3.2.2 Két qua nlìận dạng mơ hình thuận 29 3.2.3 Ket q nhận dạng mơ hình ngược 33 3.3 MƠ HÌNH PAM SONG SONG 38 3.3.1 Mơ hình PAM song song 38 3.3.2 Thu thập liệu vào - 39 3.3.3 Huan luyện mơ hình thuận - ngược 41 3.4 Hn lưyện ghép tàng mó HÌNH Fuzzy nhiéư lớp ủng dụng nhận dạng hệ phi TUYẾN ĐA BIỂN 45 3.4.1 nhận dạng tham sô mơ hình Fuzzy nhiêu lớp bủng phương pháp ghép tang 45 3.4.2 Thu thập dừ liệu 46 3.4.3 Huấn luyện mơ hình 47 * • 3.4.4 Kết quà huấn luyện 48 3.5 KẾT LUẬN .55 CHƯƠNG ĐIỀU KHIÉN THÍCH NGHI HỆ PHI TUYẾN DỪNG MƠ HÌNH FUZZY NHIỀU LỚP KẾT HỢP GIẢI THUẬT TÓI ưu 56 4.1 Giới THIỆU 56 4.2 Giai thuật điều khiên trượt mờ nâng cao két hợp giai thuật tói UƯ 57 4.2.1 Mơ hình PAM ldof thực nghiệm 61 4.2.2 Kết quà điêu khiên 63 4.3 Giai thuật ĐIỀU KH1ÉN ngược thích nghi nâng cao két hợp giai thuật tói ưu 72 4.3.1 Gìâì thuật điều khiển ngược thích nghi nâng cao kết hợp giải thuật tồi ưu 72 4.3.2 Mơ hình Spring-mass-damper 77 4.3.3 Mỏ hình bồn nước liên kết 87 4.4 KÉT LUẬN 96 CHƯƠNG KÉT LUẬN VÀ KIÉN NGHỊ 97 5.1 KÉT LUẬN 97 5.2 Kiénnghị 99 DANH MỤC CƠNG TRÌNH LIÊN QUAN LUẬN ÁN 101 TÀI LIỆU THAM KHẢO 103 PHỤ LỤC 120 vi DANH MỤC CÁC HÌNH ẢNH Hình 2.1 Lưu đồ giải thuật tổi ưu DE 18 Hình 2.2 Mơ hình Fuzzy dùng nhận dạng hệ phi tuyến MISO 20 Hình 2.3 Mơ hình Hierachical Fuzzy 21 Hình 2.4 Mơ hình Fuzzy nhiều lớp áp dụng nhận dạng 22 Hình 2.5 Hàm liên thuộc ngõ vào cúa mơ hình Fuzzy T-S dạng tamgiác 23 Hình 2.6 Hàm liên thuộc ngõ vào cúa mơ hình Fuzzy T-S dạng Gauss 24 Hình 3.1 Cấu trúc mơ hình bồn nước liên kết đơi 26 Hình 3.2 Dừ liệu huấn luyện mơ hình 28 Hình 3.3 Dừ liệu đánh giá mơ hình 28 Hình 3.4 Mơ hình Fuzzy nhận dạng hệ bồn nước 29 Hình 3.5 Kết huấn luyện nhận dạng ngõ bồn 30 Hình 3.6 Kct đánh giá chất lượng nhậndạng ngõ bon 31 Hình 3.7 Giá trị hàm mục tiêu qua the hệ 31 Hình 3.8 Ket nhận dạng mơ hình Fuzzy với ngõ x4 32 Hình 3.9 Kct q đánh giá mơ hình Fuzzy với ngõ x4 32 Hình 3.10 Giá trị hàm mục tiêu huấn luyện mơ hình Fuzzy cho ngõ x4 33 Hình 3.11 Kct huấn luyệnmơ hình Fuzzy ngõ điện áp bơm 34 Hình 3.12 Kết quã huấn luyệnmơ hình Fuzzy ngõ điện áp bơm 35 Hình 3.13 Giá trị hàm mục tiêu qua hệ huấn luyện mơ hình Fuzzy nhiều lớp cho ngõ ul 35 Hình 3.14 Ket huấn luyện mơ hình Fuzzy ngõ điện áp bơm 36 Hình 3.15 Ket đánh giá mơ hình Fuzzy ngõ điện áp bơm 37 Hỉnh 3.16 Giá trị hàm mục tiêu qua hệ huấn luyện mơ hình Fuzzy nhiều lớp cho ngõ u2 37 Hình 3.17 Hình ảnh mơ hình thực tế .38 VII Hình 3.18 Sơ đồ khối mơ hình PAM song song thực tế 39 Hình 3.19 Dữ liệu huấn luyện mơ hình PAM .40 Hình 3.20 Dừ liệu đánh giá mơ hình PAM 40 Hình 3.21 Sơ đồ mơ hình Fuzzy nhiều lớp nhận dạng hệ PAM song song 41 Hình 3.22 Kết 10 lần huấn luyện mơ hình 42 Hình 3.23 Kết 10 lần đánh giá mơ hình 43 Hình 3.24 Hàm mục tiêu 10 lần huấn luyện .43 Hình 3.25 Ket 10 lần huấn luyện mơ hình 44 Hình 3.26 Ket đánh giá 10 lần thí nghiệm 44 Hình 3.27 Kết hàm mục tiêu 10 lần huấnluyện 45 Hình 3.28 Ọuá trình huấn luyện ghép tầng 46 Hình 3.29 Dừ liệu vào-ra đễ huấn luyện 47 Hình 3.30 Dừ liệu đánh giá mơ hình 47 Hình 3.31 Kết quà huấn luyện đánh giá cua lần huấn luyện ghép tầng 49 Hình 3.32 Giá trị hàm mục tiêu cùa lan huấn luyện ghép tang đau tiên 50 Hình 3.33 Kết huấn luyện đánh giá mơ hình lần huấn luyện ghcp tầng thứ 50 Hình 3.34 Giá trị hàm mục tiêu cua lần huấn luyện ghép tầng thứ 51 Hình 3.35 Kct huấn luyện đánh giá mơ hình lần huấn luyện ghcp tầng thứ 52 Hình 3.36 Giá trị hàm mục tiêu cua lần huấn luyện ghcp tầng thứ 52 Hình 3.37 Kết phương pháp huấn luyện thông thường 53 Hình 3.38 Hàm mục tiêu cùa phương pháp huấn luyện thơng thường 54 Hình 4.1 Sơ đồ giải thuật điều khiến mờ thích nghi .58 Hình 4.2 Sơ đồ khối mơ hình PAM bậc tự 62 Hình 4.3 Sư mị hình Fuzzy xấp xỉ f(x,t) 63 viii [52] A Fathy, A M Kassem, and A Y Abdelaziz, “Optimal design of fuzzy PID controller for deregulated LFC of multi-area power system via mine blast algorithm,” Neural Comput AppL, vol 32, no 9, pp 4531-4551, 2020, doi: 10.1007/s00521-018-3720-x [53] s Ahmadi, s Abdi, and M Kakavand “Maximum power point tracking of a proton exchange membrane fuel cell system using PSO-PID controller,” Im J Hydrogen Energy, 42, vol no 32, pp 20430-20443, 2017, doi: 10.1016/j.ijhydene.2O17.06.208 [54] K Jagatheesan, B Anand, s Samanta, N Dey, A s Ashour, and V E Balas, “Particle swarm optimisation-based parameters optimisation of PID controller for load frequency control of multi-area reheat thermal power systems,” Im J Adv Intell Paradig., vol 9, no 5-6, pp 464-489, 2017, doi: 10.1504/1J AIP.2017.088143 [55] Y Ye, c B Yin, Y Gong, and J jing Zhou, “Position control of nonlinear hydraulic system using an improved PSO based PID controller,” Meeh Syst Signal Process., vol 83, pp 241-259, 2017, doi: 10.1016/j.ymssp.2016.06.010 156] F Valdez, J c Vazquez, p Melin, and o Castillo, “Comparative study of the use of fuzzy logic in improving particle swarm optimization variants for mathematical functions using co-evolution,” Appl Soft Coinput J., vol 52, pp 1070-1083, 2017, doi: 10.1016/j.asoc.2016.09.024 [57] Y Arya, “Automatic generation control of two-area electrical power systems via optimal fuzzy classical controller,” J Franklin Inst., vol 355, no 5, pp 26622688, 2018, doi: 10.1016/j.jfranklin.2018.02.004 [58] s Farajdadian and s M H Hosseini, “Design of an optimal fuzzy controller to obtain maximum power in solar power generation system,” Sol Energy, vol 182, no June 2018, pp 161-178, 2019, doi: 10.1016/j.solener.2019.02.051 [59] Y Al-Dunainawi, M F Abbod, and A Jizany, “A new MIMO ANFIS-PSO 109 [441 H Li, J Wang, L Wu, H K Lam, and Y Gao, “Optimal Guaranteed Cost Sliding Mode Control of Interval Type-2 Fuzzy Time-Delay Systems,” IEEE Trans Fuzzy Syst., vol pp, no 99, pp 1-11, 2017, doi: 10.1109/TFUZZ.2017.2648855 [45] s s Yongming Li, Shaocheng Tong, “Direct Adaptive Fuzzy Backstepping Decentralized Control for Switched Nonlinear Large-Scale Systems,” in The 5th Annual IEEE international Conferenceon Cyber Technology Automation, Control and Intelligent Systems, 2015, pp 270-275 [46] w He and Y Dong, “Adaptive fuzzy-neural-network based on RBFNN control for active power filter,” IEEE Trans Neural Networks Learn Syst., vol 29, no 4, pp 1174-1186, 2018 [47] J Fei and T Wang, “Adaptive fuzzy-neural-network based on RBFNN control for active power filter,” Int J Mach Learn Cybern., vol 10, no 5, pp 11391150, 2019, doi: 10.1007/s 13042-018-0792-y [48] s c Tong, “Adaptive fuzzy control for uncertain nonlinear systems,” J Control Decis., vol 6, no 1, pp 30 40, 2019, doi: 10.1080/23307706.2018.1540311 [49] Y Pan and G H Yang, “Event-triggered fuzzy control for nonlinear networked control systems,” Fuzzy Sets Syst., vol 329, pp 91-107, 2017, doi: 10.1016/j.fss.2017.05.010 [50] N N Son, H p H Anh, and T D Chau, “Adaptive neural model optimized by modified differential evolution for identifying 5-DOF robot manipulator dynamic system,” Soft Comput., vol 22, no 3, pp 979-988, 2018, doi: 10.1007/S00500-016-2401 -X [51] M R Soltanpour, M H Khooban, and M R Khalghani, “An optimal and intelligent control strategy for a class of nonlinear systems: adaptive fuzzy sliding mode,” J Vib Control, vol 22, no 1, pp 159-175, 2016, doi: 10.1177/1077546314526920 108 based NARMA-L2 controller for nonlinear dynamic systems,” Eng Appl Artif Intell., vol 62, no April, pp 265-275, 2017, doi: 10.1016/j engappai.2017.04.016 [60] B Jamali, M Rasekh, F Jamadi, R Gandomkar and F Makiabadi, “Using PSO-GA algorithm for training artificial neural network to forecast solar space heating system parameters,” Appl Therm Eng., vol 147, pp 647-660, 2019, doi: 10.1016/j.applthermaleng.2018.10.070 [61] c M Lin and T L Lc, “PSO-Self-Organizing Interval Type-2 Fuzzy Neural Network for Antilock Braking Systems,” Int J Fuzzy Syst., vol 19, no 5, pp 1362-1374, 2017, doi: 10.1007/s40815-017-0301-6 [62] H Pang, F Liu, and z Xu, “Variable universe fuzzy control for vehicle semi­ active suspension system with MR damper combining fuzzy neural network and particle swarm optimization,” Neurocomputing, vol 306, pp 130-140, 2018, doi: 10.1016/j neucom.2018.04.055 [63] K T T Bui, D Tien Bui, J Zou, c Van Doan, and I Rcvhaug, “A novel hybrid artificial intelligent approach based on neural fuzzy inference model and particle swarm optimization for horizontal displacement modeling of hydropower dam,” Neural Comput Appl., vol 29, no 12, pp 1495-1506, 2018, doi: 10.1OO7/SOO521 -016-2666-0 [64] J Zhang, X Wang, and X Shao, “Design and real-time implementation of Takagi—Sugeno fuzzy controller for magnetic levitation ball system,” IEEE Access, vol 8, pp 38221-38228, 2020 [65] A T Azar, F E Serrano, M A Flores, s Vaidyanathan, and Q Zhu, “Adaptive neural-fuzzy and backstepping controller for port-Hamiltonian systems,” Int J Comput Appl TechnoL, vol 62, no 1, pp 1-12, 2020 [66] E Khan, “Neural Fuzzy Based Intelligent Systems and,” Fusion neural networks, fuzzy Syst Genet, algorithms Ind Appl., 2020 110 [67] Y Sun, J Xu, H Qiang, and G Lin, “Adaptive neural-fuzzy robust position control scheme for maglev train systems with experimental verification,” IEEE Trans Ind Electron., vol 66, no 11, pp 8589-8599, 2019 [68] J Li, J Wang, H Peng, L Zhang, Y Hu, and H Su, “Neural fuzzy approximation enhanced autonomous tracking control of the wheel-legged robot under uncertain physical interaction,” Neurocomputing, vol 410, pp 342-353, 2020 [69] V L Kharitonov, “Robust stability analysis of time delay systems: A survey,” Annu Rev Control, vol 23, pp 185-196 1999, doi: 10.1016/sl367- 5788(99)90087-1 [70] A K Tangirala, Principles of system identification: theory and practice Crc Press, 2018 [71] H Liang, J Zou, K Zuo, and M J Khan, “An improved genetic algorithm optimization fuzzy controller applied to the wellhead back pressure control system,” Meeh Syst Signal Process., vol 142, p 106708, 2020 [72] o Castillo and L Amador-Angulo, “A generalized type-2 fuzzy logic approach for dynamic parameter adaptation in bee colony optimization applied to fuzzy controller design,” Inf Sei (Ny)., vol 460, pp 476-496, 2018 |73| M Azizi, s A Mousavi Ghasemi, R G Ejlali, and s Talatahari, “Optimum design of fuzzy controller using hybrid ant lion optimizer and Jaya algorithm,” Artif Intell Rev., vol 53, no 3, pp 1553-1584, 2020 [74] X Ge, F w Ahmed, A Rezvani, N Aljojo, s Samad, and L K Foong, “Implementation of a novel hybrid BAT-Fuzzy controller based MPPT for grid- connected PV-battery system,” Control Eng Pract., vol 98 p 104380, 2020 [75] Y Hu, Y Yang, s Li, and Y Zhou, “Fuzzy controller design of micro­ unmanned helicopter relying on improved genetic optimization algorithm,” 111 Aerosp Sci Technol., vol 98, p 105685, 2020 [76] Y Fang, J Fei, and D Cao, “Adaptive fuzzy-neural fractional-order current control of active power filter with finite-time sliding controller,” Int J Fuzzy Syst., vol 21, no 5, pp 1533-1543, 2019 [77] z Dong, T Bao, M Zheng, X Yang, L Song, and Y Mao, “Heading control of unmanned marine vehicles based on an improved robust adaptive fuzzy neural network control algorithm,” IEEE Access, vol 7, pp 9704 9713, 2019 [78] J Tang, F Liu, w Zhang, R Ke, and Y Zou “Lane-changes prediction based on adaptive fuzzy neural network,” Expert Syst Appl., vol 91, pp 452-463, 2018 [79] T Takagi and M Sugeno, “Fuzzy Identification of Systems and Its Applications to Modeling and Control,” IEEE Trans Syst Man Cybern., vol SMC-15 no 1, pp 116-132, 1985, doi: 10.1109/TSMC 1985.6313399 [80] T Chen, Q Shen, p Su, and c Shang, “Fuzzy rule weight modification with particle swarm optimisation,” Soft Comput., vol 20, no 8, pp 2923-2937, 2016 [81] V Jeyalakshmi and p Subburaj, “PSO-scaled fuzzy logic to load frequency control in hydrothermal power system,” Soft Comput., vol 20, no 7, pp 25772594, 2016 182] Y Li, s Tong, and T Li “Hybrid Fuzzy Adaptive Output Feedback Control Design for Uncertain MIMO Nonlinear Systems With Time-Varying Delays and Input Saturation.” IEEE Trans Fuzzy Syst., vol 24, no 4, pp 841-853, 2016 [83] A Bagis and M Konar, “Comparison of Sugeno and Mamdani fuzzy models optimized by artificial bee colony algorithm for nonlinear system modelling,” Trans Inst Meas Control, vol 38, no 5, pp 579-592, 2015 [84] M M Ferdaus, s G Anavatti, M A Garratt, and M Pratama, “Fuzzy clustering based nonlinear system identification and controller development of 112 Pixhawk based quadcopter,” 2017 [85] J Tavoosi, A A Suratgar, and M B Menhaj, “Nonlinear system identification based on a self-organizing type-2 fuzzy RBFN,” Eng Appl Artif Intell., 2016, doi: 10.1016/j.engappai.2016.04.006 [86] D Aleksovski, J Kocijan, and s Dzeroski, “Ensembles of Fuzzy Linear Model Trees for the Identification of Multioutput Systems,” IEEE Trans Fuzzy Syst., 2016, doi: 10.1109/TFUZZ.2015.2489234 187] G Raju, J Zhou, and R Kisner, “Hierarchical Fuzzy Control,” Int J Control, vol 54, no 5, pp 1201-1216, 1991, doi: 10.1080/00207179108934205 |88| A Maghsoodi, M Mosavat, A Hafezalkotob, and A Hafezalkotob, “Hybrid hierarchical fuzzy group decision-making based on information axioms and BWM: Prototype design selection,” Comput Ind Eng., vol 127, pp 788-804, 2019 [89] M Fayaz, I Ullah, and D.-H Kim, “Underground risk index assessment and prediction using a simplified hierarchical fuzzy logic model and kalman filter,” Processes, vol 6, no 8, p 103, 2018 [90] V Ojha, A Abraham, and V Snascl, “Heuristic design of fuzzy inference systems: A review of three decades of research,” Eng Appl Artif Intell., vol 85, pp 845-864, 2019 [91] T R Razak et al., “Towards designing a hierarchical fuzzy system for early diagnosis of heart disease,” J Comput Res Innov., vol 4, no 2, pp 31^11, 2019 [92] L Sun and w Huo, “Adaptive Fuzzy Control of Spacecraft Proximity Operations Using Mechatronics, vol Hierarchical 4435, Fuzzy no 10.1109/TM EC H.2015.2494607 113 Systems,” c, pp IEEE/ASME 1-1, 2015, Trans doi: [93] F o Rodríguez, J de Jesus Rubio, c R M Gaspar, J c Tovar, and M A M Armendariz, “Hierarchical fuzzy CMAC control for nonlinear systems.,” Neural Comput Appl., vol 23, no SI, pp 323-331, 2013, doi: 10.1007/s00521-013- 1423-x [94] K Y Tu T T Lee, and w J Wang, “Design of a multi-layer fuzzy logic controller for multi-input multi-output systems,” Fuzzy Sets Syst., vol Ill, no 2, pp 199-214, 2000, doi: 10.I016/S0165-0114(97)00410-7 [95] H Li c Wu, s Yin, and H K Lam, “Observer-based fuzzy control for nonlinear networked systems under unmeasurable premise variables,” IEEE Trans Fuzzy Syst., vol 24, no 5, pp 1233-1245, 2016, doi: 10.1109/TFUZZ.2015.2505331 [96] L Cervantes, o Castillo, and J Soria, “Hierarchical aggregation of multiple fuzzy controllers for global complex control problems,” Appl Soft Comput., vol 38, pp 851-859, 2016 [97] A Gotmarc, s s Bhattacharjee, R Patidar and N V George, “Swarm and evolutionary computing algorithms for system identification and filter design: A comprehensive review,” Swarm and Evolutionary Compulation, vol 32 pp 6884, 2017, doi: 10.1016/j.swevo.2016.06.007 [98] H Loussifi, K Nouri, and N Benhadj Braiek, “A new efficient hybrid intelligent method for nonlinear dynamical systems identification: The Wavelet Kernel Fuzzy Neural Network,” Commun Nonlinear Sci Ninner SimuL, vol 32, pp 10-30, 2016, doi: 10.1016/j.cnsns.2015.08.010 [99] M Konar and A Bagis, “Performance Comparison of Particle Swarm Optimization, Differential Evolution and Artificial Bee Colony Algorithms for Fuzzy Modeling of Nonlinear Systems,” Elektron ir Elektrotechnika, vol 22, no 5, pp 8-13, 2016 [100] s Tong, K Sun, and s Sui, “Observer-Based Adaptive Fuzzy Decentralized 114 Observation Birkhauser, New York, NY, 2014 [110] W.-Y Wang M.-L Chan, and C.-C J Hsu, “H/sub /spl infin// tracking-based sliding mode control for uncertain nonlinear systems via an adaptive fuzzy- neural approach,” IEEE Trans Syst Man, Cybern Part B, vol 32, no 4, pp 483-492, 2002 [111] H Li, J Wang, and p Shi, ‘’Output-Feedback Based Sliding Mode Control for Fuzzy Systems With Actuator Saturation,” IEEE Trans Fuzzy Syst., vol 24, no 6, pp 1282-1293, 2016 [112] V.Nekoukar and A.Erfanian, “Adaptive fuzzy terminal sliding mode control for a class of MIMO uncertain nonlinear systems,” Fuzzy Sets Syst., vol 179, no 1, pp 34-49, 2011 [113] Y Yang and Y Yan, “Neural network approximation-based nonsingular terminal sliding mode control for trajectory tracking of robotic airships,” Aerosp Sci Technol., vol 54 pp 192-197, 2016 [114] X Ma, F Sun, H Li, and B He, “Neural-network-based sliding-mode control for multiple rigid-body attitude tracking with inertial information completely unknown,” Inf Sci (Ny)., vol 400, pp 91-104, 2017 [I15JA.-M Zou, K Đ Kumar, and Z.-G Hou, “Finite-Time Attitude Tracking Control for spacecraft Using Terminal Sliding Mode and Chebyshev Neural Network,” IEEE Trans Syst Man, Cybern Part B, vol 41, no 4, pp 950-963, 2011 [116] L Wang, T Chai, and L Zhai, “Neural-network-based terminal sliding-mode control of robotic manipulators including actuator dynamics,” IEEE Trans Ind Electron., vol 56, no 9, pp 3296-3304, 2009, doi: 10.1109/TIE.2008.2011350 [117] J Baek, s Member, M Jin, s Han, and s Member, “A New Adaptive SlidingMode Control Scheme for Application to Robot Manipulators,” IEEE Trans 116 Optimal Control Design for Strict-Feedback Nonlinear Large-Scale Systems,” IEEE Trans Fuzzy Syst., vol 6706, no c, pp 1-1, 2017, doi: 10.1109/TFUZZ.2017.2686373 [101] A K Qin and p N Suganthan, “Self-adaptive Differential Evolution Algorithm for Numerical Optimization,” 2005 IEEE Congr Evol Cornput., vol 2, pp 1785-1791, 2005, doi: 10.1109/CEC.2005.1554904 [102] J Brest, s Greiner, B Boskovic, M Mernik, and V Zumer, “Self-adapting control parameters in differential evolution: A comparative study on numerical benchmark problems,” IEEE Trans Evoi Coinput., vol 10, no 6, pp 646-657, 2006, doi: 10.1109/TEVC.2006.872133 [103] A K Qin, V L Huang, and p N Suganthan, “Differential evolution algorithm with strategy adaptation for global numerical optimization,” IEEE Trans Evol Comput., vol 13, no 2, pp 398-417, 2009, doi: 10.1109/TEVC.2008.927706 [104] H De Garis, Book Review: Introduction to Evolutionary Computing, vol 12, no 1995 2004 [105] N Ngoc Son, H p H Anh, and N Thanh Nam, “Robot manipulator identification based on adaptive multiplc-input and multiplc-output neural model optimized by advanced differential evolution algorithm,” hit J Adv Robot Syst., vol 14, no 1, 2016, doi: 10.1177/1729881416677695 [106] C.-T Lin and Ct al, Neural fuzzy systems: a neuro-fuzzy synergism to intelligent systems Vol.205 Upper Saddle River NJ: Prentice hall PTR, 1996 [107] K D Young, V I Utkin, and u Ozguner, “A control engineer’s guide to sliding mode control,” 1996 [108] V Utkin, J Guldner, and J Shi, Sliding Mode Control in Electro-Mechanical Systems CRC Press, 2009 [109] Y Shlessel, c Edwards, L Fridman, and A Levant, Sliding Mode Control and 115 Ind Electron., vol 63, no 6, pp 3628-3637, 2016, doi: 10.1109/TIE.2016.2522386 [118] s Moussaoui and A Boulkroune, “Stable Adaptive Fuzzy Sliding-Mode Controller for a Class of Underactuated Dynamic Systems,” Recent Adv Electr Eng Control Appl Springer Int Puhi., vol 411, pp 114-124 2017, doi: 10.1007/978-3-319-48929-2 [119] M Khazaee, A H D Markazi, S T Rizi, and B Seyfi, “Adaptive fuzzy sliding mode control of input-delayed uncertain nonlinear systems through output­ feedback,” Nonlinear Dyn., vol 87, no 3, 2017, doi: 10.1007/sl 1071-016-3164- [120] D Lin and X Wang, “Observer-based decentralized fuzzy neural sliding mode control for interconnected unknown chaotic systems via network structure adaptation,” Fuzzy Sets Syst., vol 161, no 15, pp 2066-2080, 2010, doi: 10.1016/j.fss.2010.03.006 [121] B s Park, s J Yoo, J B Park, and Y H Choi, “Adaptive neural sliding mode control of nonholonomic wheeled mobile robots with model uncertainty,” IEEE Trans Control Syst Technol., vol 17, no 1, pp 207-214, 2009, doi: 10.1109/TCST.2008.922584 [122] H F Ho, Y K Wong, A B Rad, and H Kong, “Adaptive fuzzy sliding mode control design: Lyapunov approach,” in 2004 5th Asian Control Conference, 2004, no [123] M A Khanesar, o Kaynak, s Yin, and H Gao, “Adaptive indirect fuzzy sliding mode controller for networked control systems subject to time-varying network-induced time delay,” IEEE Trans Fuzzy Syst., vol 23, no 1, pp 205- 214 2015 doi: 10.1109/TFUZZ.2014.2362549 [124] Y Guo and P.-Y Woo, “An adaptive fuzzy sliding mode controller for robotic manipulators,” Systems, Man and Cybernetics, Part A: Systems and Humans, 117 IEEE Transactions on, vol 33, no pp 149-159, 2003, doi: 10.1109/TSMCA.2002.805804 [12 5J c Li, w Zou, N Zhang, and X Lai, “An evolving T-S fuzzy model identification approach based on a special membership function and its application on pump-turbine governing system.” Eng Appl Artif Intell., 2018, doi: 10.1016/j.engappai.2017.12.005 [126] p Dziwinski L Bartczuk, and H Tingwen, “A Method for Non-linear Modelling Based on the Capabilities of PSO and GA Algorithms,” in International Conference on Artificial Intelligence and Soft Computing, 2017, pp 221-232 [127] D Karaboga and E Kaya, “Adaptive network based fuzzy inference system (ANFIS) training approaches: a comprehensive survey,” Artificial Intelligence Review, 2018 [128] V Ho-Huu, T Nguyen-Thoi, L Le-Anh and T Nguyen-Trang “An effective reliability-based improved constrained differential evolution for reliability-based design optimization of truss structures,” Adv Eng Softw., vol 92, pp 48-56, 2016, doi: 10.1016/j.advengsoft.2015.11.001 [129] s Rahnamayan, H R Tizhoosh, and M M Salama, “Opposition-based differential evolution,” Stud Comput Intel!., vol 143, no 1, pp 155-171,2008, doi: 10.1007/978-3-540-68830-3-6 [130] Quanser, “Coupled Tanks.” https://www.quanscr.com/producls/coupled-tanks/ [131] s L Xie, H T Liu, J p Mei, and G Y Gu, “Modeling and compensation of asymmetric hysteresis for pneumatic artificial muscles with a modified generalized Prandtl-Ishlinskii model,” Mechatronics, vol 52, no April 2017, pp 49-57, 2018, doi: 10.1016/j.mechatronics.2018.04.001 [132] T Vo-Minh, T Tjahjowidodo, H Ramon, and H Van Brussel, “A new 118 approach to modeling hysteresis in a pneumatic artificial muscle using the Maxwell-slip model,” ỈEEE/ASME Trans Mechatronics, vol 16, no 1, pp 177- 186, 2011, doi: 10.1109/TMECH.2009.2038373 [1331 M Van Damme et al., “Modeling hysteresis in pleated pneumatic Artificial Muscles,” 2008 IEEE hit Conf Robot Alltom Mechatronics, RAM 2008, vol 00, pp 471-476, 2008, doi: 10.1109/RAMECH.2008.4681431 [134] D Wang and c Mu, “Adaptive-Critic-Based Robust Trajectory Tracking of Uncertain Dynamics and Its Application to a Spring-Mass-Damper System,” IEEE Trans, hid Electron., vol 65, no 1, pp 654-663, 2018, doi: 10.1109/T1E.2017.2722424 [135] Q Shen p Shi, s Wang, and Y Shi “Fuzzy adaptive control of a class of nonlinear systems with unmodeled dynamics,” hit J Adapt Control Signal Process., vol 33, no 4, pp 712-730, 2019, doi: IO.lOO2/acs.298O [136] F Zhang, Y Li, and J Hua, “Direct Adaptive Fuzzy Control of SISO Nonlinear Systems with Input-Output Nonlinear Relationship,” hit J Fuzzy Syst., vol 20, no 4, pp 1069-1078, 2018, doi: 10.1007/s40815-017-0414-y [137] F Zhang, J Hua, and Y Li, “Indirect Adaptive Fuzzy Control of SISO Nonlinear Systems with Input-Output Nonlinear Relationship,” IEEE Trans Fuzzy Syst., vol 26, no 10.1109/TFUZZ.2018.2800714 119 5, pp 2699-2708, 2018, doi: PHỤ LỤC A Sơ đô nguyên lý mạch điện sứ dụng mơ hình bơn nước lien kct Mạch điều khiển gồm khối như: khối khuếch đại tín hiệu cảm biển để đọc giá trị cam biến áp xuất từ nội suy giá trị độ cao mực nước (Hình PL.01) Khối nguồn để cấp nguồn cho board mạch (Hình PL.02) Cuối khối điều khiển động thiết kế đê điều khiến tốc độ động bơm nước DC 24V (Hình PL.03) Hĩnh PL.01 Mạch khch đại tín hiệu cảm biên • • • ĩỉi ■ :L£D GXD Hình PL.02 Sơ đồ mạch khối nguồn 120 Hình PL.04, Hình PL.05 thê layout board mạch hình tơng thê 3D cua board mạch Mạch điều khiển trung tâm sử dụng Board Arduino Due dùng kết hợp trục tiếp với với Matlab/Simulink qua toolbox Realtime-windows target (a) Hình PL.06 Hình ảnh 3D (a) bàn vẽ cắt mica (b) cua mơ hình bồn nước liên kết Hình PL.06 thê anh thiết kế 3D ban vè cắt mica mơ hình bồn nước liên kết Mica sư dụng làm mơ hình mica có độ dày 8mm, ống mica dài 30cm, đường kính ngồi 5.5cm, dày 2mm 122 24V P2 Pl FWM1 Terminal block T«iuuul block GNĐ MVM1 OUT s.1 Ik 12V DPI PWM1 OUT vcc- 1OVT s ■ỹ 2OƯT PŨTĨT 14 PWM2.OUT PãTr? vccTL0S2CP GND R3 VI- R4 — Ik —AA/V 10k R< R6 —AV Ik —-AV 10k PVVM1 OUT PWXI2OUT GND r \ Hình PL 03 Khơi điêu khiên tơc độ động bom T F Hình PL.04 Layout board mạch Hình PL.05 Hĩnh ánh 3D cùa board mạch 121