Nghiên cứu ứng dụng trí tuệ nhân tạo artificial intelligence cho bài toán nhận dạng và áp dụng cho hệ cơ piezo actuator

ỦY BAN NHÂN DÂN THÀNH ĐỒN TP HỒ CHÍ MINH THÀNH PHỐ HỒ CHÍ MINH TRUNG TÂM PHÁT TRIỂN SỞ KHOA HỌC VÀ CÔNG NGHỆ KHOA HỌC VÀ CÔNG NGHỆ TRẺ CHƯƠNG TRÌNH KHOA HỌC VÀ CƠNG NGHỆ CẤP THÀNH PHỐ BÁO CÁO TỔNG HỢP KẾT QUẢ NHIỆM VỤ NGHIÊN CỨU KHOA HỌC VÀ CÔNG NGHỆ (NGHIÊN CỨU ỨNG DỤNG TRÍ TUỆ NHÂN TẠO - ARTIFICIAL INTELLIGENCE CHO BÀI TỐN NHẬN DẠNG VÀ ÁP DỤNG CHO HỆ CƠ PIEZO-ACTUATOR) Cơ quan chủ trì nhiệm vụ: Trung tâm Phát triển Khoa học Công nghệ Trẻ Chủ nhiệm nhiệm vụ: TS Nguyễn Ngọc Sơn Thành phố Hồ Chí Minh - 2019 ỦY BAN NHÂN DÂN THÀNH ĐỒN TP HỒ CHÍ MINH THÀNH PHỐ HỒ CHÍ MINH TRUNG TÂM PHÁT TRIỂN SỞ KHOA HỌC VÀ CÔNG NGHỆ KHOA HỌC VÀ CÔNG NGHỆ TRẺ CHƯƠNG TRÌNH KHOA HỌC VÀ CƠNG NGHỆ CẤP THÀNH PHỐ BÁO CÁO TỔNG HỢP KẾT QUẢ NHIỆM VỤ NGHIÊN CỨU KHOA HỌC VÀ CÔNG NGHỆ (NGHIÊN CỨU ỨNG DỤNG TRÍ TUỆ NHÂN TẠO ARTIFICIAL INTELLIGENCE CHO BÀI TỐN NHẬN DẠNG VÀ ÁP DỤNG CHO HỆ CƠ PIEZO-ACTUATOR) (Đã chỉnh sửa theo kết luận Hội đồng nghiệm thu ngày ) Chủ nhiệm nhiệm vụ: Chủ tịch Hội đồng nghiệm thu (Ký ghi rõ họ tên) Nguyễn Ngọc Sơn Cơ quan chủ trì nhiệm vụ Đồn Kim Thành Thành phố Hồ Chí Minh- 2019 THÀNH ĐỒN TP HỒ CHÍ MINH TRUNG TÂM PHÁT TRIỂN KHOA HỌC VÀ CƠNG NGHỆ TRẺ CỘNG HỒ XÃ HỘI CHỦ NGHĨA VIỆT NAM Độc lập - Tự - Hạnh phúc ., ngày tháng năm 200 BÁO CÁO THỐNG KÊ KẾT QUẢ THỰC HIỆN NHIỆM VỤ NGHIÊN CỨU KH&CN I THÔNG TIN CHUNG Tên nhiệm vụ: Nghiên cứu ứng dụng trí tuệ nhân tạo - artificial intelligence cho toán nhận dạng áp dụng cho hệ piezo-actuator Thuộc: Chương trình/lĩnh vực (tên chương trình/lĩnh vực): Vườn ươm Sáng tạo Khoa học Công nghệ trẻ Chủ nhiệm nhiệm vụ: Họ tên: NGUYỄN NGỌC SƠN Ngày tháng năm sinh: 20/07/1987 Giới tính: Nam Học hàm, học vị: Tiến Sĩ Chức danh khoa học: Chức vụ: Phó trưởng Khoa Điện thoại tổ chức: (08)38940390 Điện thoại di động: 0976645726 Tên tổ chức công tác: Khoa Công Nghệ Điện Tử, Trường Đại học Công nghiệp Tp Hồ Chí Minh Địa tổ chức: 12 Nguyễn Văn Bảo, P.4, Q Gò Vấp, TP.HCM Địa nhà riêng: 373/77 Lý Thường Kiệt, P.9, Q Tân Bình, TP.HCM Tổ chức chủ trì nhiệm vụ: Tên tổ chức chủ trì nhiệm vụ: Trung tâm phát triển khoa học công nghệ trẻ Điện thoại: (028) 38 233 363 Website: www.khoahoctre.com.vn Địa chỉ: Phạm Ngọc Thạch, P Bến Nghé, Quận 1, TP Hồ Chí Minh Họ tên thủ trưởng tổ chức: Đoàn Kim Thành Số tài khoản: 0301744926 Kho bạc Nhà nước: Quận Tên quan chủ quản đề tài: II TÌNH HÌNH THỰC HIỆN Thời gian thực nhiệm vụ: - Theo Hợp đồng ký kết: từ tháng 06/2018 đến tháng 06/2019 - Thực tế thực hiện: từ tháng 06/2018 đến tháng 06/2019 - Được gia hạn (nếu có): Khơng gia hạn Kinh phí sử dụng kinh phí: a) Tổng số kinh phí thực hiện: 90 tr.đ, đó: + Kính phí hỗ trợ từ ngân sách khoa học: 90 tr.đ + Kinh phí từ nguồn khác: tr.đ b) Tình hình cấp sử dụng kinh phí từ nguồn ngân sách khoa học: Số TT Theo kế hoạch Thời gian Kinh phí (Tháng, năm) (Tr.đ) 07/2018 45 03/2019 27 Nghiệm thu 18 Thực tế đạt Thời gian Kinh phí (Tháng, năm) (Tr.đ) 07/2019 45 04/2019 27 Ghi (Số đề nghị toán) c) Kết sử dụng kinh phí theo khoản chi: Đối với đề tài: Đơn vị tính: đồng Số TT Nội dung khoản chi Trả công lao động (khoa học, phổ thơng) Ngun, vật liệu, lượng Thiết bị, máy móc Xây dựng, sửa chữa nhỏ Chi khác Tổng cộng Theo kế hoạch Tổng NSKH 70.606.900 Thực tế đạt Nguồn khác Tổng NSKH Nguồn khác 70.606.900 70.606.900 70.606.900 8.460.000 8.460.000 8.460.000 8.460.000 10.933.100 90.000.000 10.933.100 10.933.100 90.000.000 10.933.100 - Lý thay đổi (nếu có): Các văn hành q trình thực đề tài/dự án: (Liệt kê định, văn quan quản lý từ công đoạn xét duyệt, phê duyệt kinh phí, hợp đồng, điều chỉnh (thời gian, nội dung, kinh phí thực có); văn tổ chức chủ trì nhiệm vụ (đơn, kiến nghị điều chỉnh có) Số TT … Số, thời gian ban hành văn Tên văn Ghi Tổ chức phối hợp thực nhiệm vụ: Số TT Tên tổ chức đăng ký theo Thuyết minh Tên tổ chức tham gia thực Nội dung tham gia chủ yếu - Lý thay đổi (nếu có): Sản phẩm chủ yếu đạt Ghi chú* Cá nhân tham gia thực nhiệm vụ: (Người tham gia thực đề tài thuộc tổ chức chủ trì quan phối hợp, không 10 người kể chủ nhiệm) Số TT Tên cá nhân đăng ký theo Thuyết minh Tên cá nhân tham gia thực Nội dung tham gia Sản phẩm chủ yếu đạt TS Nguyễn Ngọc Sơn TS Nguyễn Ngọc Sơn Phụ trách quản lý đề tài, mảng nghiên cứu trí tuệ nhân tạo AI; viết báo khoa học 01 báo SCOPUS, 01 báo ISI phản biện ThS Nguyễn Duy Khanh ThS Nguyễn Duy Khanh Phụ trách mảng phần cứng nhúng, xử lý liệu, phân tích kết 01 báo cáo hội thảo phần cứng thu thập liệu từ thiết bị Piezo TS Trần Minh Chính TS Trần Minh Chính Phụ trách mảng viết chương trình máy tính, cơng việc khác 01 báo cáo hội thảo; viết thành báo gửi tạp chí Trường Đại học CN TPHCM Trần Nguyễn Minh Thông Trần Nguyễn Minh Thông Phụ trách thu thập liệu theo yêu cầu chủ nhiệm đề tài Theo phân công chủ nhiệm; áp dụng AI vào thực khóa luận Ghi chú* - Lý thay đổi ( có): Tình hình hợp tác quốc tế: Số TT Theo kế hoạch (Nội dung, thời gian, kinh phí, địa điểm, tên tổ chức hợp tác, số đoàn, số lượng người tham gia ) Thực tế đạt (Nội dung, thời gian, kinh phí, địa điểm, tên tổ chức hợp tác, số đoàn, số lượng người tham gia ) Ghi chú* - Lý thay đổi (nếu có): Tình hình tổ chức hội thảo, hội nghị: Theo kế hoạch Thực tế đạt Số (Nội dung, thời gian, kinh phí, địa (Nội dung, thời gian, kinh TT điểm ) phí, địa điểm ) Mạng nơ rơn nhân tạo ứng Mạng nơ rôn nhân tạo dụng, 03/2019, tr.đ, Đại học ứng dụng, 04/2019, tr.đ, Công nghiệp Tp.HCM Đại học Công nghiệp Tp.HCM - Lý thay đổi (nếu có): Ghi chú* Tóm tắt nội dung, công việc chủ yếu: (Nêu mục 15 thuyết minh, không bao gồm: Hội thảo khoa học, điều tra khảo sát nước nước ngoài) Số TT Các nội dung, công việc chủ yếu (Các mốc đánh giá chủ yếu) Nghiên cứu hệ thống trí tuệ nhân tạo Nghiên cứu mơ hình nhận dạng dùng trí tuệ nhân tạo Áp dụng nhận dạng mơ hình hộp xám/hộp đen đối tượng phi tuyến dựa tập liệu vào/ra Báo cáo tổng kết Thời gian (Bắt đầu, kết thúc - tháng … năm) Theo kế Thực tế đạt hoạch 06/201806/201810/2018 10/2018 06/201806/201810/2018 10/2018 10/201812/2018 10/201801/2019 01/201903/2019 01/201904/2019 Người, quan thực Chủ nhiệm thành viên đề tài - Lý thay đổi (nếu có): Khơng III SẢN PHẨM KH&CN CỦA NHIỆM VỤ Sản phẩm KH&CN tạo ra: a) Sản phẩm Dạng I: Số TT Tên sản phẩm tiêu chất lượng chủ yếu Đơn vị đo Số lượng Theo kế hoạch Thực tế đạt - Lý thay đổi (nếu có): b) Sản phẩm Dạng II: Số TT Tên sản phẩm Chương trình máy tính u cầu khoa học cần đạt Thực tế Theo kế hoạch đạt Chương trình Chương trình nhận dạng viết nhận dạng viết ngôn ngữ ngôn ngữ m-file m-file Matlab dễ đọc, Matlab dễ đọc, dễ áp dụng dễ áp dụng Ghi - Lý thay đổi (nếu có): Khơng c) Sản phẩm Dạng III: Số TT Tên sản phẩm Bài báo khoa học Yêu cầu khoa học cần đạt Theo Thực tế kế hoạch đạt 01 báo công 01 báo cơng bố tạp chí quốc bố tạp chí quốc tế uy tín thuộc tế uy tín thuộc Số lượng, nơi cơng bố (Tạp chí, nhà xuất bản) International Journal of Electrical and Tài liệu phục vụ giảng dạy danh mục ISI Scopus danh mục Scopus Bài giảng giới thiệu loại thiết bị chấp hành thông minh, chi tiết thiết bị chấp hành PiezoActuator phục vụ cho môn học Thiết bị chấp hành hệ thống thông minh Giới thiệu loại thiết bị chấp hành thông minh, chi tiết thiết bị chấp hành PiezoActuator, chương báo cáo Computer Engineering, ISSN: 20888708 - Lý thay đổi (nếu có): Khơng d) Kết đào tạo: Số TT Cấp đào tạo, Chuyên ngành đào tạo Thạc sỹ Tiến sỹ Số lượng Theo kế hoạch Thực tế đạt Ghi (Thời gian kết thúc) - Lý thay đổi (nếu có): Khơng đ) Tình hình đăng ký bảo hộ quyền sở hữu công nghiệp: Số TT Kết Tên sản phẩm đăng ký Theo kế hoạch Thực tế đạt Ghi (Thời gian kết thúc) - Lý thay đổi (nếu có): Khơng e) Thống kê danh mục sản phẩm KHCN ứng dụng vào thực tế Số TT Tên kết ứng dụng Thời gian Địa điểm (Ghi rõ tên, địa nơi ứng dụng) Kết sơ - Lý thay đổi (nếu có): Khơng Đánh giá hiệu nhiệm vụ mang lại: a) Hiệu khoa học công nghệ: - Đã nắm vững kiến thức trí tuệ tạo dùng kỹ thuật mạng nơ rơn thuật tốn tối ưu, hướng nghiên cứu đại, thời so với khu vực giới Hiên nay, mãng nghiên cứu nhận dạng, chẩn đoán lỗi (Predictive Maintenance using AI) ứng dụng nhiều cách mạng công nghiệp 4.0 hướng nghiên cứu - Tất nghiên cứu, đề xuất cải tiến đề tài kiểm chứng mô thực nghiệm đối tượng chuẩn thường sử dụng nghiên cứu lĩnh vực Các kết nghiên cứu tác giả gửi đến tạp chí uy tín như: báo gửi tạp chí quốc tế danh mục SCOPUS [1] (đã xuất bản), báo gửi đến tạp chí SCIE [2] (đang phản biện), tạp chí nước IUH [3] (đang phản biện) b) Hiệu kinh tế xã hội: - Kết nghiên cứu mức nghiên cứu bản, chưa tạo sản phẩm thương mại bước đầu việc nghiên cứu áp dụng trí tuệ nhân tạo vào giải tốn thực tế Ngồi ra, kết nghiên cứu giúp thành viên đề tài (giảng viên trẻ, sinh viên) tiếp cận cách nghiên cứu, làm quen với việc công bố quốc tế, giúp họ định hướng thực nghiên cứu chuyên sâu Tình hình thực chế độ báo cáo, kiểm tra nhiệm vụ: Số TT I Nội dung Báo cáo tiến độ kỳ Lần Thời gian thực Ghi (Tóm tắt kết quả, kết luận chính, người chủ trì…) 12/2018 Chủ nhiệm đề tài thực theo nội dung thỏa thuận Hợp đồng 13/2018/HĐKHCN-VƯ: - Báo cáo chuyên đề + Nội dung 1: Nghiên cứu mơ hình AI dùng neural thuật tốn tối ưu + Nội dung 2: Thu thập liệu kiểm chứng mơ hình AI + Nội dung 3: Thiết kế, thi cơng mơ hình phần cứng Piezo-Actuator + Nội dung 4: Thu thập liệu từ phần cứng - Hoạt động khoa học: 01 báo SCOPUS Bên A (Đồn Kim Thành) đồng ý nghiệm thu khối lượng cơng việc bên B (Chủ nhiệm đề tài) thực đạt 50%, tương ứng số tiền 45.000.000 đ (bằng chữ: bốn mươi lăm triệu đồng) Hợp đồng - Chủ đề: Mạng nơ rôn nhân tạo ứng dụng - Thành phần: Chủ tọa PGS.TS Lưu Thế Vinh - Các báo cáo: Mạng nơ rôn nhân tạo giải thuật tối ưu: TS Nguyễn Ngọc Sơn Các thuật tốn tối ưu ngẫu nhiên: TS Trần Minh Chính Thiết kế mạch điều khiển thiết bị Piezo: Ths Nguyễn Duy Khanh Chủ tịch hội đồng: GS.TSKH Phạm Phố; Đề tài hội đồng đánh giá nghiệm thu loại xuất sắc Ký biên nghiêm thu 03/2019 II Hội thảo khoa học 04/2019 III Nghiệm thu sở 05/2019 Chủ nhiệm đề tài (Họ tên, chữ ký) Thủ trưởng tổ chức chủ trì (Họ tên, chữ ký đóng dấu) TÓM TẮT Thiết bị chấp hànhPiezo nhận nhiều quan tâmdo có nhiều ứng dụng rộng rãi lĩnh vực micro robot, robot phẫu thuật, kỹ thuật y sinh nhiều ứng dụng cơng nghiệp khác Tuy nhiên, đặc tính trễ phi tuyến thiết bị chấp hành Piezo làm cho toán nhận dạng, điều khiển nhiều thách thức Do đó, đề tài nghiên cứu đề xuất nhằm mở rộng phát triễn hệ thống thông minh lai mạnh mẽ tổng quát so với nghiên cứu có để giải vấn đề làm ước lượng/nhận dạng xác mơ hình trễ phi tuyến.Các nội dung đề tài tóm tắt sau: - Một là, nghiên cứu phát triễn hệ thống thông minh lai dựa mạng nơ rôn thuật toán tối ưu Jaya, thuật toán DE (Differential Evolution) cải tiến - Hai là, nghiên cứu nhận dạng đặc tính trễ phi tuyến thiết bị chấp hành Piezo dựa tập liệu vào/ra thực nghiệm - Ba là, kiểm chứng chất lượng mơ hình đề xuất hàm Benchmark thông dụng LỜI CẢM ƠN Trước tiên, xin gửi lời cảm ơn sâu sắc đến Trung tâm phát triễn khoa học công nghệ trẻ tài trợ kinh phí cho đề tài nghiên cứu, tận tình hướng dẫn thủ tục suốt q trình thực đề tài Chúng tơi xin gửi lời cảm ơn đến thầy cô Hội đồng đánh giá xét duyệt, nghiệm thu đề tài có ý kiến phản biện góp ý thật sâu sắc giúp chúng tơi hồn thiện đề tài tiến độ Cuối cùng, xin gửi lời cảm ơn đến lãnh đạo Trường Đại học Công nghiệp Tp.HCM, lãnh đạo Khoa Công nghệ Điện tử tạo điều kiện tốt thời gian, phịng nghiên cứu có sách hỗ trợ tốt cho nhóm nghiên cứu thực đề tài 10 Hình 4.11Các chân kết nối cầu Wheatstone Trong hình, với chân S+ S- tín hiệu hồi tiếp từ cầu Wheatstone, chân B+ B- chân nguồn +3.3V cấp từ mạch hạ áp.Dựa vào điện áp vi sai chân S+ S-, cho điện áp dương piezo co giãn điện áp âm piezo dừng Điện áp vi sai đưa vào khuếch đại, sử dụng OP3 để khuếch đại tín hiệu lên Sau đó, tín hiệu đưa đến đệm OP2A để tăng trở kháng ngõ Op-amp OP2B sử dụng để điều chỉnh offset cho op-amp OP3 4.2.2.3 Khối khuếch đại tín hiệu điều khiển Hình 4.12Sơ đồ mạch khối khuếch đại tín hiệu điều khiển 62 Op-amp amp OP1A ho hoạt động so sánh, nhận ận tín hiệu xung điều khiển ển từ khối MCU Điện áp ng ngõ mạch V_SIG ợc qua cầu phân áp R1,R2 R10/R11/R12, điện áp đưa ưa vào OP1A đư so sánh với tín hiệu input+ (SIG_IN) G_IN) V Với điện áp ngõ OP1A l 0V +12V, cấp vào cho Mosfet Q2 đểể điều khiển xung cho khối khuếch đại điện áp 200V hai Mosfet Q1 Q3 4.3 Kết nhận dạng ng Trong phần này, tất ất kết chạy nhận dạng đđược ợc thực tr Matlab 2013b cài đặt ặt máy tính có cấu hhình ình Intel Core i5, 4.00GB RAM tốc độ xử lý 2.67GHz GHz Quá trình nh nhận dạng đặc ặc tính trễ phi tuyến thiết bị Piezo phải trải qua bước ớc ccơ sau: Trước tiên, tập ập liệu vvào thực nghiệm mô tả hình ình 4.13 bao gồm tín hiệu vào điện ện áp cấp cho hệ truyền động ddùng ùng PZT actuator tín hiệu hi độộ dịch chuyển hệ PZT actuator đđược ợc thu thập từ mô hình h thực nghiệm Trong đó, u tín hiệu ệu điện áp cấp cho thiết bị truyền động PZT; y tín hiệu độộ dịch chuyển thiết bị truyền động PZT Hình 4.13Tập ập liệu vvào-ra thực ực nghiệm hệ truyền động PZT 63 Cấu trúc mơ hình ình nh nhận dạng NNARX ự kết hợp mạng nơ n rôn truyền ền thẳng lớp MLP vvà mơ hình hồi ồi quy phi tuyến NARX bậc 2, trọng số mơ hình tối ưu bbởi thuật toán học MDE Jaya Trong số s nơ rơn lớp ẩn S1 = 7, kích thước ớc quần thể NP = 50, số ố hệ huấn luyện thuật toán GEN = 10000 Cuối cùng, ùng, q trình đánh giá mơ hình vừa ước lượng ợng đ thực thi để kiểm tra chất lượng ợng mơ hhình Bảng 4.5 mơ tả chất lượng ợng nhận dạng dùng d mơ hình NNARX với ới thuật toán huấn luyện Jaya MDE dựa ựa vào v giá trị trung bình sai sốố MSE q tr trình huấn luyện mơ hình ình NNARX.Hình NNARX 4.14 biểu diễn ễn kết sai số ng ngõ thực dự báo dùng mơ hình mde-NNARX mde Bảng 4.55 Chất lượng nhận dạng mơ hình ình NNARX Phương pháp MDE Jaya DE Tốt ốt MSE Huấn luyện Xấu Trung bình 2.4261e-05 05 2.4274e-05 2.4266e-05 0.0091 2.87e-5 0.0107 0.0107 0.0100 0.0058 Thời gian (giây) Đánh giá Trung bình Trung bình 1.7587e-05 05 206.73 9.44e-4 140.02 4.53e-4 52.65 Hình 4.14 Đánh giá mơ hình MDE-NNARX NNARX 64 Dựa vào kết nhận dạng, thấy chất lượng nhận dạng dùng mơ hình NNARX với thuật tốn huấn luyện MDE cho kết tốt tiêu chí sai số nhận dạng Về độ phức tạp thời gian tính tốn mơ hình DENNARX cho kết nhanh Mơ hình NNARX mơ tả thành cơng đặc tính trễ phi tuyến thiết bị chấp hành Piezo dựa vào tập liệu vào thực nghiệm, sở tảng để tiến hành nghiên cứu việc áp dụng kết điều khiển xác thiết bị Piezo tương lai 65 KẾT LUẬN VÀ KIẾN NGHỊ Kết luận Trong đề tài tác giả nghiên cứu phát triển mơ hình nơ rơn phối hợp với thuật tốn tối ưu MDE, Jaya để nhận dạngđặc tính trễ phi tuyến thiết bị chấp hành Piezo Trên sở kết mô thực nghiệm đóng góp tác giả đề tài tóm tắt sau:  Ý nghĩa khoa học - Đã áp dụng thuật toán Jaya, MDE tối ưu trọng số mạng nơ rôn MLP để nâng cao chất lượng huấn luyện mạng - Đã khảo sát chất lượng hệ thống thông minh lai Jaya-NNARX MDENNARX cho toán nhận dạng hệ phi tuyến SISO MIMO  Ý nghĩa thực tiễn: - Đã viết chương trình máy tính áp dụng nhận dạng hệ phi tuyến dùng mơ hình lai mạng nơ rơn thuật tốn tối ưu ngẫu nhiên - Đã cài đặt mơ hình thực nghiệm thiết bị chấp hành Piezo nhận dạng thành cơng đặc tính trễ phi tuyến dựa vào tập liệu vào/ra thực nghiệm dùng mơ hình Jaya-NNARX MDE-NNARX  Đánh giá tác động đề tài nghiên cứu Tất nghiên cứu, đề xuất cải tiến đề tài kiểm chứng mô thực nghiệm đối tượng chuẩn thường sử dụng nghiên cứu lĩnh vực Các kết nghiên cứu tác giả gửi đến tạp chí uy tín như:bài báogửi tạp chí quốc tế danh mụcSCOPUS [1] (đã xuất bản), báo gửi đến tạp chí SCIE [2] (đang phản biện), tạp chí nước IUH[3] (đang phản biện) 66 Kiến nghị Hướng tiếp cận sử dụng mơ hình nơ rơn phối hợp với thuật tốn tối ưu nhận dạng hệ phi tuyến đạt số kết thú vị Tuy nhiên phạm vi đề tài tác giả chưa khai thác hết tiềm mơ hình đề xuất Do đó, hướng tiếp cận nàycần phải tiếp tục nghiên cứu phát triển cụ thể sau:  Mơ hình lai nơ rơnvà thuật tốn tối ưu cho kết thú vị nhận dạng hệ thống Mơ hình nên tiếp tục nghiên cứu với tập liệu lớn nhằm mục đích sau có kết nhận dạng, dùng mơ hình để dự báo hư hỏng, chẩn đoán lỗi thiết bị hoạt động  Ứng dụng Piezo làm thiết bị truyền động cung cấp lựa chọn thú vị lĩnh vực điều khiển dịch chuyển micromet.Do đó, hướng nghiên cứu ứng dụng thiết bị truyền động Piezo thú vị, có tính thời tính cần quan tâm 67 DANH MỤC CƠNG TRÌNH LIÊN QUAN ĐỀ TÀI Nguyen Ngoc Son, Nguyen Duy Khanh, Tran Minh Chinh, “Black-box modeling of nonlinear system using evolutionary neural NARX model”, International Journal of Electrical and Computer Engineering (IJECE), Vol 9, No 3, June 2019, pp 1861~1870 Nguyen Ngoc Son, Tran Minh Chinh, Ho Pham Huy Anh, “Nonlinear system identification using Jaya-based adaptive neural network applied in Piezo-electric hysteresis modelling”, SCIE journal: Applied Soft Computing(Đang phản biện) Tran Minh Chinh, Luu The Vinh, Nguyen Duy Khanh, “Comparison of jaya algorithm with genetic algorithm, differential evolution, particle swarm optimization”, Tạp chí Đại học Cơng Nghiệp Tp.HCM (Đang phản biện) 68 TÀI LIỆU THAM KHẢO [1] 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 [2] A Otto, N Agatz, J Campbell, B Golden, and E Pesch, “Optimization approaches for civil applications of unmanned aerial vehicles (UAVs) or aerial drones: A survey,” Networks, vol 72, no 4, pp 411–458, 2018 [3] K Ishaque, Z Salam, M Amjad, and S Mekhilef, “An improved particle swarm optimization (PSO)–based MPPT for PV with reduced steady-state oscillation,” IEEE Trans Power Electron., vol 27, no 8, pp 3627–3638, 2012 [4] W Hare, J Nutini, and S Tesfamariam, “A survey of non-gradient optimization methods in structural engineering,” Adv Eng Softw., vol 59, pp 19–28, 2013 [5] L Zhang and P N Suganthan, “A survey of randomized algorithms for training neural networks,” Inf Sci (Ny)., vol 364, pp 146–155, 2016 [6] F Valdez, P Melin, and O Castillo, “A survey on nature-inspired optimization algorithms with fuzzy logic for dynamic parameter adaptation,” Expert Syst Appl., vol 41, no 14, pp 6459–6466, 2014 [7] J Hertz, A Krogh, and R G Palmer, “Introduction to the Theory of Neural Computation 1991,” Addison-Weasley, Redw City, CA [8] D R Hush and B G Horne, “Progress in supervised neural networks,” IEEE Signal Process Mag., vol 10, no 1, pp 8–39, 1993 [9] D Floreano, P Dürr, and C Mattiussi, “Neuroevolution: from architectures to learning,” Evol Intell., vol 1, no 1, pp 47–62, 2008 [10] A Abraham, “Meta learning evolutionary artificial neural networks,” Neurocomputing, vol 56, pp 1–38, 2004 [11] H A Abbass, “An evolutionary artificial neural networks approach for breast cancer diagnosis,” Artif Intell Med., vol 25, no 3, pp 265–281, 2002 [12] R Haber and H Unbehauen, “Structure identification of nonlinear dynamic systems—a survey on input/output approaches,” Automatica, vol 26, no 4, pp 651–677, 1990 [13] S Chen and S A Billings, “Representations of non-linear systems: the NARMAX model,” Int J Control, vol 49, no 3, pp 1013–1032, 1989 [14] K S Narendra and K Parthasarathy, “Identification and control of dynamical systems using neural networks,” Neural Networks, IEEE 69 Trans., vol 1, no 1, pp 4–27, 1990 [15] 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 1, pp 1–15, 2001 [16] C.-H Lee and C.-C Teng, “Identification and control of dynamic systems using recurrent fuzzy neural networks,” IEEE Trans fuzzy Syst., vol 8, no 4, pp 349–366, 2000 [17] S Wu and M J Er, “Dynamic fuzzy neural networks-a novel approach to function approximation,” IEEE Trans Syst Man, Cybern Part B, vol 30, no 2, pp 358–364, 2000 [18] C.-T Sun, “Rule-base structure identification in an adaptive-networkbased fuzzy inference system,” IEEE Trans Fuzzy Syst., vol 2, no 1, pp 64–73, 1994 [19] K Kristinsson and G A Dumont, “System identification and control using genetic algorithms,” IEEE Trans Syst Man Cybern., vol 22, no 5, pp 1033–1046, 1992 [20] H Tang, S Xue, and C Fan, “Differential evolution strategy for structural system identification,” Comput Struct., vol 86, no 21, pp 2004–2012, 2008 [21] J Xu, “GA-optimized wavelet neural networks for system identification,” in First International Conference on Innovative Computing, Information and Control-Volume I (ICICIC’06), 2006, vol 1, pp 214–217 [22] S Chen, X Hong, B L Luk, and C J Harris, “Non-linear system identification using particle swarm optimisation tuned radial basis function models,” Int J Bio-Inspired Comput., vol 1, no 4, pp 246–258, 2009 [23] C.-M Huang, C.-J Huang, and M.-L Wang, “A particle swarm optimization to identifying the ARMAX model for short-term load forecasting,” IEEE Trans Power Syst., vol 20, no 2, pp 1126–1133, 2005 [24] D Karaboga, B Akay, and C Ozturk, “Artificial bee colony (ABC) optimization algorithm for training feed-forward neural networks,” in International Conference on Modeling Decisions for Artificial Intelligence, 2007, pp 318–329 [25] L Zheng, L Chen, H Huang, X Li, and L Zhang, “An overview of magnetic micro-robot systems for biomedical applications,” Microsyst Technol., vol 22, no 10, pp 2371–2387, 2016 [26] H Su et al., “Piezoelectrically actuated robotic system for MRI-guided prostate percutaneous therapy,” IEEE/ASME Trans Mechatronics, vol 20, no 4, pp 1920–1932, 2015 70 [27] M Tanaka, “An industrial and applied review of new MEMS devices features,” Microelectron Eng., vol 84, no 5–8, pp 1341–1344, 2007 [28] M Haq, “Application of piezo transducers in biomedical science for health monitoring and energy harvesting problems,” Mater Res Express, vol 6, no 2, p 22002, 2018 [29] P.-B Nguyen, S.-B Choi, and B.-K Song, “A new approach to hysteresis modelling for a piezoelectric actuator using Preisach model and recursive method with an application to open-loop position tracking control,” Sensors Actuators A Phys., vol 270, pp 136–152, 2018 [30] V Hassani and T Tjahjowidodo, “A hysteresis model for a stacked-type piezoelectric actuator,” Mech Adv Mater Struct., vol 24, no 1, pp 73– 87, 2017 [31] F Stefanski, B Minorowicz, J Persson, A Plummer, and C Bowen, “Non-linear control of a hydraulic piezo-valve using a generalised Prandtl–Ishlinskii hysteresis model,” Mech Syst Signal Process., vol 82, pp 412–431, 2017 [32] L Cheng, W Liu, Z.-G Hou, J Yu, and M Tan, “Neural-network-based nonlinear model predictive control for piezoelectric actuators,” IEEE Trans Ind Electron., vol 62, no 12, pp 7717–7727, 2015 [33] Y Fan and U.-X Tan, “Design of a Feedforward-Feedback Controller For a Piezoelectric-Driven Mechanism to Achieve High-Frequency NonPeriodic Motion Tracking,” IEEE/ASME Trans Mechatronics, 2019 [34] Z Qiu and T Wang, “Fuzzy neural network vibration control on a piezoelectric flexible hinged plate using stereo vision detection,” J Intell Mater Syst Struct., p 1045389X18818766, 2019 [35] X Zhao and Y Tan, “Neural network based identification of Preisach-type hysteresis in piezoelectric actuator using hysteretic operator,” Sensors Actuators A Phys., vol 126, no 2, pp 306–311, 2006 [36] M Marinaki, Y Marinakis, and G E Stavroulakis, “Fuzzy control optimized by PSO for vibration suppression of beams,” Control Eng Pract., vol 18, no 6, pp 618–629, 2010 [37] J Lin and Y B Zheng, “Vibration suppression control of smart piezoelectric rotating truss structure by parallel neuro-fuzzy control with genetic algorithm tuning,” J Sound Vib., vol 331, no 16, pp 3677–3694, 2012 [38] R Svečko and D Kusić, “Feedforward neural network position control of a piezoelectric actuator based on a BAT search algorithm,” Expert Syst Appl., vol 42, no 13, pp 5416–5423, 2015 [39] R Storn and K Price, Differential evolution-a simple and efficient 71 adaptive scheme for global optimization over continuous spaces, vol ICSI Berkeley, 1995 [40] R Rao, “Jaya: A simple and new optimization algorithm for solving constrained and unconstrained optimization problems,” Int J Ind Eng Comput., vol 7, no 1, pp 19–34, 2016 [41] S Das, A Abraham, U K Chakraborty, and A Konar, “Differential evolution using a neighborhood-based mutation operator,” Evol Comput IEEE Trans., vol 13, no 3, pp 526–553, 2009 [42] A K Qin, V L Huang, and P N Suganthan, “Differential evolution algorithm with strategy adaptation for global numerical optimization,” Evol Comput IEEE Trans., vol 13, no 2, pp 398–417, 2009 [43] R Storn and K Price, “Differential evolution–a simple and efficient heuristic for global optimization over continuous spaces,” J Glob Optim., vol 11, no 4, pp 341–359, 1997 [44] R Gämperle, S D Müller, and P Koumoutsakos, “A parameter study for differential evolution,” Adv Intell Syst fuzzy Syst Evol Comput., vol 10, pp 293–298, 2002 [45] J Liu and J Lampinen, “A fuzzy adaptive differential evolution algorithm,” Soft Comput., vol 9, no 6, pp 448–462, 2005 [46] Y Wang, Z Cai, and Q Zhang, “Differential evolution with composite trial vector generation strategies and control parameters,” Evol Comput IEEE Trans., vol 15, no 1, pp 55–66, 2011 [47] M Ismail, F Ikhouane, and J Rodellar, “The hysteresis Bouc-Wen model, a survey,” Arch Comput Methods Eng., vol 16, no 2, pp 161–188, 2009 72 PHỤ LỤC SẢN PHẨM CHƯƠNG TRÌNH MÁY TÍNH Chương trình chạy DE - Lưu đồ giải thuật hình - Hình 1: Flowchart of DE Chương trình m-file Matlab:DE.m - Phiên Matlab: 2013b - Cách chạy chương trình: có hướng dẫn chạy file “huong-dan-DE.txt” - Chương trình lưu đĩa CD đính kèm Chương trình chạy MDE - Lưu đồ giải thuật bảng thay chế thuật toán DE - Chương trình m-file Matlab: MDE.m - Phiên Matlab: 2013b - Cách chạy chương trình: có hướng dẫn chạy file “huong-dan-MDE.txt” - Chương trình lưu đĩa CD đính kèm 73 Bảng 1: Cơ chế đột biến thuật toán MDE If rand[0,1] > thresholdThen ui , j ,G 1  xr1,j ,G  F ( xr 2,j ,G  xr 3,j ,G ) // sử dụng rand/1 Else ui , j ,G 1  xbest,j ,G  F ( xr1,j ,G  xr 2,j ,G ) // sử dụng best/1 End if Chương trình chạy Jaya - Lưu đồ giải thuật hình Start Initialize population Identify best and worst solutions Modify solutions by formula (6) Yes The current solution is better than previous one? No Keep the previous solution Update solution No Stopping criteria Yes End - Hình 3: Flowchart of Jaya Chương trình m-file Matlab: Jaya.m - Phiên Matlab: 2013b - Cách chạy chương trình: có hướng dẫn chạy file “huong-dan-Jaya.txt” - Chương trình lưu đĩa CD đính kèm 74 Chương trình Jaya-Neural, MDE-neural xn hqn x2 hq g q (.) omq o1q om1 g1 (.) o11 om h1n h12 hq1 x1 h11 hq Gm (.) G1 (.) yˆ m yˆ1 o10 h10 Hình 4: Mạng nơ rơn truyền thẳng lớp - NN a Lưu đồ chương trình MDE-NN Bảng Pseudo-code thuật toán học MDE Bắt đầu  Khởi tạo cá thể quần thể i ,G   w1,i ,G , w2,i ,G , , wD,i ,G  Đánh giá cá thể vừa khởi tạo For G=1 to GENdo For i =1 to NP jrand= randint(1,D) F = rand[0:4; 1:0], CR = rand[0:7; 1:0] For j =1 to D If rand[0,1] threshold then 11 Select randomly r1  r2  r3  i 12 u j ,i ,G 1  w j , r 1,G  F ( w j , r ,G  w j , r ,G ) 13 Else 14 Select randomly r1  r2  best  i 15 u j ,i , G   w j ,best , G  F ( w j , r 1,G  w j , r , G ) 16 End if 17 Else 18 u j ,i , G 1  w j ,i ,G 19 End if 20 End for   21 If f U i ,G 1   f i ,G  then   22  i ,G 1  U i ,G  23 Else   24  i ,G 1   i ,G 25 End if 26 End for 27 End for 28 Kết thúc 75 b Lưu đồ chương trình Jaya-NN Bảng Pseudo-code thuật tốn học Jaya Bắt đầu  Khởi tạo cá thể quần thể i ,G   w1,i ,G , w2,i ,G , , wD,i ,G  Đánh giá cá thể vừa khởi tạo For G=1 to GENdo For i =1 to NP For j =1 to D  u j ,i ,G  x j ,i ,G  rand1, j  x j ,best,G  x j ,i ,G   rand 2, j  x j ,worst,G  x j ,i ,G    End for   If f U i ,G 1   f i ,G  then  10  i ,G 1  U i ,G  11 Else   12  i ,G 1   i ,G 13 End if 14 End for 15 End for 16 Kết thúc c Chạy chương trình - Chương trình m-file Matlab: neuralNARX.m - Phiên Matlab: 2013b - Cách chạy chương trình: có hướng dẫn chạy file “main.txt” - Chú thích tên file: o train_jaya.m: huấn luyện NN dùng Jaya o train_mde.m: huấn luyện NN dùng MDE o NeuralNARX.m: chương trình nhận dạng o Và nhiều chương trình khác - Chương trình lưu đĩa CD đính kèm PHỤ LỤC SẢN PHẨM BÀI BÁO 76