Ứng dụng mạng nơ ron trong nhận dạng và điều khiển

Đến năm 1943, nhà thần kinh học Warren Mcculloch và nhà toán học Walter Piits đã có công trình nghiên cứu về ạng nơ m -ron nhân t o tính bạ ằng một hàm đ i số hoạ ặc logic, họ xây dựng m

Giả ng viên hư ớ ng dẫn: T S Nguyễn Hoài Nam

HÀ NỘI, 2020

Tai ngay!!! Ban co the xoa dong chu nay!!! 17061132216681000000

Giả ng viên hư ớ ng dẫn: TS Nguyễn Hoài Nam

HÀ NỘI, 2020

Chữ ký của GVHD

CỘNG HÒA XÃ HỘI CHỦ NGHĨA VIỆT NAM

Độ ậ c l p – T – H ự do ạ nh phúc

H ọ và tên tác giả ậ lu n văn: T ạThị Chinh

Đề tài lu n văn: Ứ ậ ng d ng m ng nơ-ron trong nh n d ng và đi u khi n ụ ạ ậ ạ ề ể

Chuyên ngành: K ỹthuật điều khiển và t ng hóa ự độ

Mã số HV: CB180117

Tác giả, Ngư i hườ ớng dẫn khoa học và Hộ ồi đ ng chấm luận văn xác nhận tác giả đã sửa ch a, bữ ổ sung lu n văn theo biên b n họp Hộ ồậ ả i đ ng ngày 29/10/2020 với các nội dung sau:

- Thống nhất các kí hiệu của luận văn

- Đã sửa chữa các lỗi chính tả, bỏ đại từ ta ở trong phần tóm tắt và kết luận chương

- Đưa định nghĩa Robot công nghiệp vào mục 1.5

Ngày tháng năm 2020

Giáo viên hướ ng dẫ n Tác giả ậ lu n văn

TS Nguyễn Hoài Nam T ạ Thị Chinh

CH Ủ Ị T CH HỘ I Đ Ồ NG

L Ờ I CẢM ƠN

Trước tiên, tôi xin bày tỏ lòng bi t ơn chân thành và sâu s c của mình tới ế ắngười đã trực ti p hư ng d n khoa học là TS Nguyễn Hoài Nam Thầy đã tạo ế ớ ẫđiều kiện và g i m cho tôi nhiều ý tưởợ ở ng, luôn t n tình hướậ ng d n trong suố ờẫ t th i gian tôi nghiên cứu và thực hi n luệ ận án

Đồng th i tôi cũng xin đư c g i l i c m ơn đ n các th y cô trong b môn ờ ợ ử ờ ả ế ầ ộ

Điều khi n t ng – Việể ự độ n Điện – Trư ng Đ i h c Bách khoa Hà N i, đã nhi t ờ ạ ọ ộ ệtình có nh ng góp ý xây dữ ựng để tôi hoàn thành luận văn của mình

Tôi cũng xin được trân tr ng c m ơn t i Ban giám hi u, Viọ ả ớ ệ ện đào tạo sau

đạ ọi h c, Vi n đi n - Trư ng Đ i h c Bách khoa Hà N i đã t o đi u ki n thu n lợi ệ ệ ờ ạ ọ ộ ạ ề ệ ậcho tôi trong quá trình h c tọ ập và nghiên cứ ểu đ có thể hoàn thành luận văn này Xin chân thành cảm ơn!

Hà Nội, ngày tháng năm 2020

Tác giả

T ạ Thị Chinh

MỤC LỤC

DANH MỤC HÌNH VẼ i

DANH MỤC CÁC CH CÁI VIỮ ẾT TẮT VÀ KÝ HIỆU ii

CHƯƠNG 1 MẠNG NƠ-RON VÀ NG D NG 1Ứ Ụ 1.1 Lịch sử phát triển mạng nơ ron 1

-1.2 Mạng nơ ron nhân tạo 2

-1.3 Ứng dụng của mạng nơ-ron 3

1.4 Mô hình nơ-ron nhân tạ 4o 1.4.1 Mô hình nơ-ron 4

1.4.2 Cấu trúc mạ 7ng 1.5 Ứng dụng trong điều khiển 12

1.5.1 Nhận dạng hệ ố th ng 12

1.5.2 Thiế ế ộ ềt k b đi u khiển 12

1.5.3 Ứng dụng trong cánh tay Robot m t b c tộ ậ ự do 18

1.6 Kết luận chương 1 19

CHƯƠNG 2 PHƯƠNG PHÁP ĐIỀU KHI N DỰ BÁO DỰA TRÊN MẠNG NƠ-Ể RON 20

2.1 Phương pháp điều khiển d ựbáo 20

2.2 Phương pháp điều khiển d báo d a trên m ng nơ-ự ự ạ ron 22

2.2.1 Nhận dạng dùng mạng nơ-ron 22

2.2.2 Phương pháp tối ưu 28

2.2.3 Mô hình mạng nơ-ron 42

2.3 Kết luận chương 2 45

CHƯƠNG 3 THIẾT K B Ế Ộ ĐIỀU KHI N D BÁO CHO CÁNH TAY MÁY Ể Ự MỘT BẬC TỰ DO 46

3.1 Mô hình toán của cánh tay máy m t b c t ộ ậ ựdo 46

3.2 Nhận dạng dùng mạng nơ-ron 47

3.3 Tuyến tính hóa mạng nơ-ron 52

3.4 Thiế ế ột k b điều khi n d báo dùng mạng nơ-ron 54ể ự 3.5 Kết quả mô phỏng 57

3.6 Kết luận chương 3 58

KẾT LUẬN- KIẾN NGHỊ 60

TÀI LIỆU THAM KHẢO 61

PHỤ Ụ L C 62

i

DANH MỤC HÌNH VẼ

Hình 1.1 Mạng nơ-ron sinh học [8] 3Hình 1.2 Sơ đồ mô hình nơ ron mộ ầ- t đ u vào 4Hình 1.3 Đồ thị hàm a=tansig(n) 6Hình 1.4 Mô hình nơ-ron với R đ u vào 6ầHình 1.5 Sơ đồ rút g n nơ-ron vọ ới R đầu vào 6Hình 1.6 Sơ đồ ấ c u trúc c a m t l p nơ-ủ ộ ớ ron [3] 8Hình 1.7 Cấu trúc m ng nơ-ron 1 l p 8ạ ớHình 1.8 Sơ đồ rút g n R đ u vào và S nơ-ọ ầ ron 9Hình 1.9 Cấu trúc m ng nơ-ron 3 l p 10ạ ớHình 1.10 Sơ đồ rút g n mạọ ng nơ-ron 3 l p 10ớHình 1.11 Sơ đồ ạ m ng h i quy 11ồHình 1.12 điều khiển theo nguyên tắc ph n hồ ầả i đ u ra [2] 12Hình 2.1 Cấu trúc h đi u khi n d ệ ề ể ựbáo 20Hình 2.2 Đường đ ng m c, véc-ồ ứ tơ gradient và quỹ đạ o tìm nghi m tệ ối ưu [2] 37Hình 2.3 Nguyên tắc làm vi c cệ ủa phương pháp tìm nghiệm có hướng (line search) [2] 38Hình 3.1 Cánh tay máy mộ ậ ựt b c t do 47Hình 3.2: Tín hiệu đ u vào mẫu 48ầHình 3.3 Tạo đ u ra m u t mô hình trong Simulink 48ầ ẫ ừHình 3.4 Tín hiệu đ u ra m u 49ầ ẫHình 3.5 Cấu trúc m ng nơ-ron c a đ i tư ng nnp 50ạ ủ ố ợHình 3.6 Mô hình huấn luyện cánh tay máy 50Hình 3.7 Đáp ứng đ u ra củầ a m ng nơ-ron và sai s 51ạ ốHình 3.8 Đồ thị hàm m c tiêu 51ụHình 3.9 Tín hiệu đi u khiển tối ưu 58ềHình 3.10 Đáp ứng đ u ra và giá tr t 58ầ ị đặ

Bảng 2.1: Bảng công thức tính ma tr n Hesse 34ậ

ii

DANH MỤC CÁC CHỮ CÁI VI T TẮT VÀ KÝ HIỆU Ế

Chữ ế ắ vi t t t Giải thích

IEEE Institute of Electrical and Electronic Engineer

IJCNN International Joi t Conference on eural Networksn NANN Mạng nơ ron nhân tạ- o

ARMA Autoregressive moving aver gea

NNc Neural network control -

NNp Neural network plant

-MAC Model Algorithmic Control

GPC Gener lized Predictive Controla

Anns Mạng nơ ron nhân tạ- o

RBF Radial Basis Function

LTI tuyến tính tham số ằ h ng

1

CHƯƠNG 1 MẠNG NƠ-RON VÀ ỨNG DỤNG

1.1 Lịch sử phát triển mạng nơ-ron

T ừ những năm 1890, nghiên cứu của nhà tâm lý h c William đã phát hiện ra ọ

h ệ nơ ron thần kinh của con ngư- ời Đến năm 1943, nhà thần kinh học Warren

Mcculloch và nhà toán học Walter Piits đã có công trình nghiên cứu về ạng nơ m ron nhân t o tính bạ ằng một hàm đ i số hoạ ặc logic, họ xây dựng một mạng nơ-ron đơn giản bằng mạch đi n Đây có th coi là ngu n gốệ ể ồ c c a lĩnh v c mạng ủ ự nơ-ron Đầu những năm 1950, Nathanial Rochester đã có nh ng mô phỏữ ng đ u tiên ầcủa một mạng nơ-ron tại phòng thí nghiệm nghiên cứu của IBM Năm 1956, dự án Dartmouth nghiên cứu về trí tuệ nhân t o (Artificial Intelligence) m ra th i kạ ở ờ ỳ phát triển mớ ả trong lĩnh vựi c c trí tuệ nhân t o lẫn n -ạ ơ ron Sau đó, John von Neumann đã sử ụ d ng role đi n áp ho c đèn chân không mô phệ ặ ỏng các -ron đơn nơgiản

-Năm 1958, nhà sinh học Frank Rosenblatt nghiên cứu về perception và luật

học Mạng perception chỉ có khả năng nhận dạng ẫu, tuy nhiên chỉm có th giải ểquyết đư c mộ ốợ t s bài toán mà thôi, nó không dùng cho các hàm logic ph c ứ Năm 1959, Bernard Windrow và Ted Hoff thu c trưộ ờng đạ ọi h c Stanford đã đưa ra luật học mới và dùng nó đ hu n luy n m ng n -ron tuy n thích nghi đ u ể ấ ệ ạ ơ ế ầtiên là MADALINE, mạng này có cấu trúc và khả năng tương t như m ng mạng ự ạperceptron c a Rosenblatt Lu t h c c a Windrow và Hoff hiủ ậ ọ ủ ện nay vẫn được sử dụng Tuy nhiên sự nghiên c u này đã bị ừứ d ng l i trong nhiềạ u th p kỷ sau đó ậ

Một mạng ơ ron đã được phát triển - n đ c lậ có thể thực hiệộ p, n như các bộnhớ được Kohonen và Anderson nghiên cứu vào năm 1972 Năm 1973 Von Der Marlsburg đưa ra quá trình học cạnh tranh và mạng tự ổ chức Self organization t -Năm 1974 Paul Werbos đã phát triển và ng d ng phương pháp Back-propagation ứ ụ(lan truyền ngược) Các mạng này được biế ết đ n nhiều nhất và áp dụng rộng rãi cho đến ngày nay

n Đầu những năm 80, John Hopfield đã đưa ra m ng ơ ron hồi quy David ạRumelhart và James Mcclelland là nh ng tác giữ ả đầ u tiên đã đưa ra thu t toáậ n lan truyền ngư c đểợ hu n luyện mạng Perceptron nhiều lớp ấ

-2

Vào đầu những năm 1990, thu t toán Leven-berg Marquart đã được Martin ậHagan đề xu t đ huấn luyện mạng Bên cạnh còn có phương pháp Bayes cũng ấ ểđượ ử ục s d ng rất nhi u trong việc huấn luyện mạng nhiều lớp ề

Cũng trong thời gian này, Lecun và đồng tác giả đã nghiên cứu và ứng dụng

mạng nơ ron nhiều lớp để ử- x lý nh, m ng nơ-ron này đượả ạ c g i là m ng tích ch p ọ ạ ậ(Convolutional Networks) và được ứng d ng r t nhi u trong lĩnh v c xử lý ảnh, ụ ấ ề ựgiọng nói và tín hiệu

T ừ sau năm 1987 đến nay, m ng nơ-ạ ron trở thành một vấn đ được quan tâm ề

của các nư c, các cuộc hội thảo quốc tế liên tụớ c đư c diễợ n ra đ phát triển nơ ron ể

-một cách triệ ểt đ nhất: viện vật lý Hoa ỳ ổ chức cuộc họK t p hàng năm về mạng

nơ-ron ứng ụng trong tin họ d c năm 1985, hội th o quố ế đầả c t u tiên v m ng n -ề ạ ơron của Viện các kỹ sư đi n và điệ ệ ửn t IEEE (Institute of Electrical and Electronic Engineer) Hàng năm thế ớ gi i đều mở ộ h i nghị toàn c u chuyên v Neural ầ ề IJCNN(International Joi t Conferen nce on Neural Networks)

1.2 Mạng nơ ron nhân tạo

-Mạng nơ-ron nhân t o (anns) hay hạ ệ thống kết n i là hố ệ ố th ng tính toán được lấy cảm hứng từ ạ m ng th n kinh sinh h c c u thành bộầ ọ ấ não M t ANN dựa trên ộmột tập hợp các đơn vị được k t n i đượế ố c g i là t bào thần kinh nhân tạo (artificial ọ ếNơ-rons) tương t như tự ế bào th n kinh sinh học trong não Mỗi khớp (synapse) ầgiữa các nơ-ron có thể truyền tín hiệu đến m t nơ-ộ ron khác Tế bào thần kinh nhân

t o ạ (post synaptic) có thể ử lý các tín hiệ- x u và sau đó truy n xuố g tín hiếu tới ề ncác n -ơ ron được k t n i v i nó Các -ế ố ớ nơ ron có thể có trạng thái, thư ng đượờ c bi u ể

thị ằ b ng số ực, thường n m trong khoth ằ ảng từ 0 đ n 1 Các nơ-ron và khớp thần ếkinh cũng có thể có tr ng sốọ thay đ i khi tiếổ n hành h c t p, có th tăng ho c gi m ọ ậ ể ặ ảcường đ tín hiệộ u mà nó truy n xu ng ề ố

Thông thường, nơ-r on đượ ổc t ch c theo l p Các l p khác nhau có thể ựứ ớ ớ th c hiện các lo i biạ ến đổi khác nhau trên đ u vào c a chúng Tín hiầ ủ ệu truy n t l p ề ừ ớ

đầu tiên (đ u vào), đ n l p (đ u ra) cu i cùng, có th sau khi đi qua các l p nhi u ầ ế ớ ầ ố ể ớ ề

lần

Mục tiêu ban đầu của mạng nơ ron là gi - ải quyết các vấn đ theo cách tương ề

t ự như bộ não của con ngư i Theo thời gian, sự chú ý tập trung vào việờ c phù h p ợ

3

với khả năng cụ thể, dẫn đ n những sai lệch so với sinh họế c như truy n ngư c, ề ợhoặc truyền thông tin theo hướng ngượ ạc l i và điều ch nh m ng đểỉ ạ ph n ánh thông ảtin đó

1.3 Ứng dụng của mạng nơ-ron

Mạng nơ ron được ứng dụng rất nhiề- u đ giải quyết các bài toán trong thực ể

t ế như phân loại (ảnh, giọng nói, tín hiệu), xấp xỉ, dự báo, nhận dạng hệ thống và thiết kế ộ ề b đi u khiển Sau đây là m t sộ ố ứ ng dụng của mạng nơ-ron :

• Điện tử: sự ố b trí chíp IC, đi u khiểề n quá trình, phân tích lỗi chip, thị ự l c máy, tổng hợp tiếng nói, mô hình hóa phi tuyến

• Robot: điều khiển quỹ đạo, xe nâng hàng, các bộ điều khiển tay máy, các

h ệ thống thị giác, xe tự hành

phẩm hóa học, phân tích bảo dư ng máy, đ u thầỡ ấ u dự án, qu n lí và kế ạch hóa, ả ho

mô hình động của các quá trình hóa h c ọ

• Vũ trụ, ngân hàng, quốc phòng, giải trí, tài chính, bảo hiểm, y t , dế ầu khí,

an ninh, giao thông và truy n thông [3].ề

1.4 Mô hình nơ-ron nhân tạo

1.4.1 Mô hình nơ-ron

a) Mô hình nơ-ron mộ ầt đ u vào

Hình 1.2 Sơ đồ mô hình nơ ron mộ ầ- t đ u vào

Hình 1.2 biểu thị sơ đồ ấ c u trúc c a m t nơ-ron nhân tạo có mộ ầủ ộ t đ u vào Quan hệ vào ra của nơ-ron như sau:

Vì bài toán này chỉ ử ụ s d ng đ n hàm tansig nên ế chỉ nghiên cứu về hàmtansig

b) Mô hình nơ-ron với nhiều đầu vào:[3]

Hình 1.4 Mô hình nơ ron vớ- i R đ u vào ầ

Hình 1.5 Sơ đồ rút gọn nơ-ron vớ i R đ u vào ầ

Nơ-ron có nhiều đ u vào đư c mô tả như hình 1.4, trong đó đầầ ợ u vào là m t ộvéc-tơ p có R thành phần:

, 1

R

j i i

8

Hình 1.6 Sơ đồ ấ c u trúc c a mộ ớ ủ t l p nơ-ron[3]

• Cấu trúc mạng một lớp

Hình 1.7 Cấu trúc mạng nơ ron 1 lớp

-Một cấu trúc toán học mạng 1 lớp với R đầu vào và S -nơ ron được chỉ ra trên hình 1.7 Trong mạng này mỗi phầ ử ủn t c a véc-tơ vào p liên hệ ớ ầ v i đ u vào mỗi nơ-ron thông qua ma trận trọng s ố W Bộ cộng của nơ ron thứ i thu thập các -trọng liên kết đầu vào và đ dộ ốc để ạ t o thành một đầu ra vô hư ng ớ n Các i n ti ập

-đầu vào và m i m ng có th thi t l p mộỗ ạ ể ế ậ t vài đ u ra ầ

Các phần tử của véc tơ đầu vào đư c đưa vào m- ợ ạng thông qua ma tr n tr ng ậ ọ

đến, còn ch s c t cho bi t nơi xu t phát c a tr ng liên k t ỉ ố ộ ế ấ ủ ọ ế

Để đơn gi n kí hi u mả ệ ột m ng gồạ m S nơ-ron, R đ u vào như hình 1.8 ầ

Hình 1.8 Sơ đồ rút g ọn mạng một lớp R đầu vào và S nơ-ron

Trong hình 1.8 có véc-tơ vào P có kích thước R, ma trận trọng liên kết W có kích thước SxR, còn a và b là các véc-tơ có kích thước S, b là bias

a là đầu ra lớ i , v i p ớ i =1,2,3

Để đơn gi n kí hi u sả ệ ơ đồ rút g n mạng nơ-ọ ron 3 lớp như hình 1.10

( )

T

mạng nơ ron và - θ còn được gọi là véc tơ các trọng số ủa mạng.- c

Mạng RBF gồm hai lớp Lớp thứ nhất gồm các nơ-ron với hàm truyền như sau:

lượng như mong muốn thì trước tiên cần ph i hiểả u bi t về đốế i tượng, t c là cần ứ

phải có một mô hình toán học mô tả đố i tư ng Không thể điều khiển đốợ i tượng khi không hi u biể ết về nó Kết quả tổng hợp bộ điều khi n ph thuộc rất nhiều vào ể ụ

mô hình mô tả đố i tư ng Mợ ô hình càng chính xác, hiệu suất công việc càng cao

Hình 1 12 điều khiển theo nguyên t ắc phản hồ ầ i đ u ra [2]

Việc xây dựng mô hình cho đối tư ng g i là mô hình hóa Thường phân ợ ọchia các mô hình hóa làm hai loại:

- Phương pháp lý thuyết

- Phương pháp thực nghiệm

Một số bài toán trong nhận dạng:

- Nhận dạng trực tuyến mô hình không tham số ệ h tuy n tính ế

- Nhận dạng chủ động tham số mô hình AR

- Nhận dạng tham số mô hình ARMA

1.5.2 Thiết kế bộ điều khiển

Để thi t k b đi u khi n có các cách sau: ế ế ộ ề ể

- B ộ điều khiển theo mô hình mẫu

- Điều khiển dự báo

- Điều khiển thích nghi trực tiếp

- Điều khiển thích nghi gián tiếp

- Điều khiển sử ụng ADP d

13

a) Thiế ế ộ t k b điề u khi n theo mô hình mẫu ể

Để thi t k b đi u khi n nơ-ron cần phải có tín hiệu vào ra mẫu Ở đây ế ế ộ ề ểdùng một mô hình mẫu thể hiện đáp ứng đầu ra mong muốn của đối tượng Thường mong muốn đáp ứng quá đ c a h kín ph i đáp ộ ủ ệ ả ứng được th i gian xác l p và đ ờ ậ ộquá điều ch nh theo yêu cỉ ầu, do đó có th chọn mô hình mẫu là mộể t khâu ổn đ nh ị

b) Thiế ế ộ t k b điều khiển d ựbáo

Để thi t k b đi u khi n d báo dùng m ng nơ-ron, trư c tiên ph i xây ế ế ộ ề ể ự ạ ớ ả

dựng một mô hình toán cho đối tư ng bằng mạng nơ ronợ -

Khi có mô hình mạng nơ-ron đối tư ng s dùng mợ ẽ ạng này để dự báo đ u ra ầcủa đối tượng trong tương lai Sau đó sử dụng thuật toán tối ưu để tìm tín hiệu điều khiển tối ưu d a trên hàm m c tiêu như sau: ự ụ

14

1 ) s Hàm mục tiêu ( 20 ẽ được gi i online K t qu tìm được là các giá trị ốả ế ả t i

ưu của tín hiệu trong điều khiển trong tầm đi u ề khiển

u = u t u t +  u t N+ − , với t là thời đi m hiện tại Ở thời ểđiểm ti p theo ế t + , giá tr u*(t) s1 ị ẽ đư c đưa ra đi u khiểợ để ề n đ i tư ng tiếố ợ p theo1

t+ , giá tr u*(t) sị ẽ đư c đưa ra đ đi u khiợ ể ề ển đ i tưố ợng và hàm mục tiêu (1.20)

lại đư c giảợ i online đ tìm giá trị ốể t i ưu cho chu k tiếỳ p theo Đ giải bài toán tối ể

ưu (1.20) thường dùng phương pháp h sâu nh t, hoặạ ấ c phương pháp bình phương cực tiểu sau khi tuyến tính hóa mô hình mạng nơ-ron của đ i tưố ợng [3]

c) Điều khiển thích nghi tr c ti ự ếp

Xét đ i tưố ợng phi tuy n có d ng như sau: ế ạ [3]

dt

= , ulà tín hiệu đ u vào, ầ f và b > 0 là các hàm số và hằng sốchưa biết, y =xlà đầu ra của đ i tư ng Đặố ợ t x=[ , , ,x x  x( n − 1)]T

Bài toán đặt ra là thi t kế ế ộ b điều khiển mờ ự tr c ti p ế uD =u xD( | )θ sao cho

m

y→ y , trong đó ym là đầu ra mong mu n hay giá trố ị đặ t

B ộ điều khiển m tr c ti p có d ng như sau: ờ ự ế ạ

( )

T D

trong đóζ( )x là véc tơ các hàm cơ sở-

Tín hiệu đi u khiề ển lý tư ng trong các trư ng hợở ờ p hệ xác đ nh là : ị

= là đạo hàm bậc i của x u, là tín hiệu đ u vào, ầ f và g là các hàm số chưa bi t, ế y= x là đầu ra của đ i tư ng.ố ợ

Bài toán đặt ra là thiết kế b ộ điều khiển sao cho y →ym, trong đó ym là đầu

ra mong muốn hay giá trị đặ t

17

ˆ( , ) ( )ˆ( , ) ( )

( )( )

T f

trong đó P là ma trận đ i xứố ng xác đ nh dương th a mãn phương trình Lyapunov ị ỏ

và k được chọn như trên ở

Thay 38(1 ) vào (1.33) và biến đ i đư c: ổ ợ

( ) n T [ ( , )ˆ ( )] [ ( , )ˆ ( )]

e = −k e+ f xθ − f x + g xθ − g x u (1 ) 40Viế ạt l i dư i d ng ma trận có: ớ ạ

2 2

21

1.5.3 Ứng dụng trong cánh tay Robot một bậc tự do

Định nghĩa theo tiêu chu n AFNOR (Pháp): Robot công nghiệp là một cơ ẩ

cấu chuyển đ ng tự động có thể ập trình, lặp lạộ l i các chương trình, t ng hợp các ổchương trình đặt ra trên các trục toạ độ; có khả năng định v , đị ịnh hướng , di chuyển các đ i tư ng vố ợ ật ch t: chi tiấ ết, đạo cụ, giá l p theo nhắ ững hành trình thay đ i đã chương trình hoá nhổ ằm th c hiệự n các nhi m v công nghệ khác nhau - ệ ụĐịnh nghĩa theo RCA (Robot institute of America): Robot là một tay máy vạn năng

có thể ặ l p lại các chương trình được thi t kế ế để di chuy n vậể t liệu, chi tiết, dụng

c ụ hoặc các thiết bị chuyên dùng thông qua các chương trình chuyển đ ng có thể ộthay đ i đổ ể hoàn thành các nhiệm vụ khác nhau

Định nghĩa theo GHOCT 25686 85 (Nga): Robot công nghiệp là một máy

-t ự động, được đ t c nh hoặc di độặ ố đị ng đư c, liên kết giữa một tay máy và một hệ ợthống đi u khiển theo chương trình, có thể ậề l p trình l i đ hoàn thành các chức ạ ểnăng vậ độn ng và đi u khi n trong quá trình s n xuề ể ả ất

19

Có thể nói Robot công nghi p là một máy tự độệ ng linh hoạt thay thế ừ t ng phân đoạn hoặc toàn bộ các hoạ ột đ ng cơ b p và hoạ ộắ t đ ng trí tuệ ủ c a con ngư i ờtrong nhiều khả năng thích nghi khác nhau

1.6 Kết luận chương 1

Như vậy, t ng kế ạổ t l i, chương 1 đã gi i v l ch s hình thành và phát tri n ớ ề ị ử ể

của mạng nơ ron từ năm 1980 đ- ến nay, cũng như tìm hiểu về khái niệm, mô hình, cấu tạo của mạng nơ-ron nhân tạo Mạng nơ-ron đang phát triể ấn r t mạnh m trong ẽ

thực tếnên ó đưn ợc ứng dụng rất nhi u cề ả trong nghiên c u điứ ều khi n l n trong ể ẫcông nghiệp

Trên cơ sở tính năng của m ng nơ-ron trong đi u khi nạ ề ể , từ đó có thể nh n ậ

dạng đư c hệ thống, hay thiết kế ộ điều khiể ợ b n

Các chương sau sẽ đi ào phân tích cụ thể ứng dụng của mạng nơ ron vào v phương pháp điều khiển dự báo Và s ẽđi vào bài toán cụ thể là thiết kế ộ ều b đikhiển dự báo cho cánh tay máy m t b c t ộ ậ ựdo

-20

CHƯƠNG 2 PHƯƠNG PHÁP ĐIỀU KHIỂN DỰ BÁO D A TRÊN Ự

MẠNG NƠ RON

-2.1 Phương pháp điều khiển d ựbáo

- Điều khiển hệ thống đư c hiểu là bài toán can thiệp vào đợ ối tượng điều khiển đ ệểhi u ch nh, đ ến đ i sao cho nó đưỉ ểbi ổ ợc chất lượng mong mu n ố

- Định nghĩa tối ưu hóa: Trong điều khiển hệ thống, thường g p bài toán chọn ặcác tham số đi u khi n trong sề ể ố những tham số thích hợp sao cho hệ ố th ng đ t ạđược ch t lư ng m t cách t t nh t Bài toán đó đư c g i là đi u khiển tối ưu tĩnh, ấ ợ ộ ố ấ ợ ọ ềhay còn gọi là t i ưu hóa [3] ố

Hình 2.1 Cấu trúc hệ điều khiển dựbáo

Điều khi n d báo ra đ i cách đây kho ng vài th p k (t nh ng năm 1960 ể ự ờ ả ậ ỷ ừ ữ

và đã có nhiều ứng d ng thành công trong công nghi p) (Richalet, 1993) Hi n nay ụ ệ ệđiều khiển dự báo là chi n lư c đi u khiển ế ợ ề đượ ử ục s d ng phổ ến nhất trong việc bi

điều khiển quá trình B ềộđi u khi n dựể báo dùng một mô hình đ đoán trưể ớc đáp ứng tương lai c a đ i tưủ ố ợng điều khiển tại các th i đi m r i r c trong m t ph m vi ờ ể ờ ạ ộ ạ

d ự báo (Prediction horizon) nhất đ nh Dựị a vào đáp ng dựứ báo này, m t thuật ộtoán tối ưu hoá đượ ửc s dụng để tính toán chu i tín hiỗ ệu đi u khiển tương lai trong ềphạm vi điều khiển (Control horizon) sao cho sai l ch giữa đáp ứệ ng d báo bởi mô ựhình và tín hiệu chuẩn cho trư c là tối thiểớ u Phương pháp đi u khiển dự báo là ềphương pháp tổng quát thi t k b đi u khi n trong miềế ế ộ ề ể n th i gian có thểờ áp d ng ụcho hệ tuy n tính cũng như h phi tuyến ế ệ

21

Điều khiển dự báo là phương pháp điều khiển được áp d ng ch y u cho các ụ ủ ếquá trình Chất lư ng hệ thống điều khiển dự báo được xác định hoàn toàn trên cơ ợ

s ở bài toán tối ưu hóa và thu t toán tìm nghiệm tối ưu cho bài toán đó.ậ

Hình 2.1 mô tả ấu trúc cơ bả c n c a một hệ thống điều khiển dự báo Nó gồm ủ

Các phương pháp trong đi ều khiển dự báo:

a) Điều khiển dự báo theo h tuy n tính ệ ế

B ộ điều khiển dự báo sẽ được gọi là tuyến tính nếu mô hình dự báo là tuyến tính Hệ LTI (tuy n tính tham sế ố hằng) có b n mô hình toán tương đương nhau là: ố

• Điều khi n d báo theo mô hình MAC (Model Algorithmic Control) ể ự

• Ma trận đ ng h c đi u khi n DMC (Dynamic Matrix Control) ộ ọ ề ể

22

• Điều khi n d báo t ng quát GPC (Generalized Predictive Control) ể ự ổ

• B ộ điều khiển dự báo phản hồi trạng thái[2]

b) Điều khi ển dự báo phản hồ i tr ng thái hệ ạ song tuyến

Điều khi n d báo ph n hồi trể ự ả ạng thái hệ song tuy n đưế ợc áp dụng cho từng bài toán riêng bi t, cệ ụ thể là:

• Điều khi n n đ nh h ể ổ ị ệ

• Điều khi n bám tín hi u m u ở đầể ệ ẫ u ra

2.2 Phương pháp điều khiể n d báo d a trên m ng nơ- ự ự ạ ron

2.2.1 Nhận dạng dùng mạng nơ-ron

Định nghĩa nh n d ng: Nh n d ng là phương pháp th c nghi m đ xác đ nh ậ ạ ậ ạ ự ệ ể ị

một mô hình cụ thể trong l p các mô hình thích h p, sao cho sai lớ ợ ệch giữa mô hình

đó vớ ệ ối h th ng là nh nhất.[3] ỏ

Bài toán nhận dạng có ba đ c đi m đ nh n biết đó là: ặ ể ể ậ

+ Th c nghiự ệm, nhận biết qua việc đo các tín hiệu vào và ra

+ Lớp các mô hình thích hợp, có đư c từ những thông tin ban đầợ u về ố th ng (gọi chung lại là thông tin A priori ).-

+ Sai lệch giữa mô hình có đư c và hệ thống là nhỏợ nh t, được nhận biế ừ ấ t thàm m c tiêu mô t sai lụ ả ệch và được th c hiự ện bằng phương pháp tối ưu.[7]

Dựa trên các đ nh luậị t cơ b n như: đ nh luật bảả ị o toàn năng lư ng, đ nh luật ợ ịbảo toàn vật chất, định luật Newton, định luật Kirch Hoff, định lu t Ohm,… có thể ậxây dựng đư c mô hình toán đối tượng Thông qua dữ ệợ li u đ u vào và đ u ra ho c ầ ầ ặtính toán ước lư ng tr c ti p các tham s c a mô hình toán đư c xác đ nh Tuy ợ ự ế ố ủ ợ ịnhiên, trong công nghiệp như các h thệ ống truyền nhiệt, đ ng học chất lỏng việc ộxây dựng mô hình toán là vô cùng phức tạp, vì vậy sẽ ử ụ s d ng mạng nơ-ron nhân

tạo

Phương pháp huấn luyện

Mạng nơ ron nhiều l- ớp có thể ấ x p xỉ gần đúng một hàm b t kì, ti p đó là th ấ ế ủ

tục tính chọn các thông số ủa các mạng cho mộ ố c t đ i tư ng cụ ểợ th đư c gọi là quá ợtrình hu n ấ luyện

• S dử ụng công cụ Matlab huấn luyện nơ-ron như:

- Tạo mạng nơ ron mô phỏng trong M- atlab

- Các hàm huấn luyện mạng nơ ron trong Matlab

-Trong bài toán này sẽ s dử ụng Matlab để huấn luy n mệ ạng, mà phương pháp dùng sẽ là Thuật toán lan truy n ngư c ề ợ

a) Thuậ t toán lan truy n ngược ề

Xét m t m ng truy n thộ ạ ề ẳng có M lớp, R đầu vào và S M đầu ra Cho tập dữliệu mẫu Ω = { ; } p ti i , i = 1, 2, , Q, trong đó pi là đầu vào mẫu thứ i và ti là đầu

q Q q q

J

QQ

α > là tốc độ học

i j

J w

m m i

j m

i j

n a w

i j

n w

i m

i

Jsn

q m

q m

q m i

Js

nJnJn

Jn

1

1 ,

1 ,

1 ,

f nw

26

1 1

1 1 1

i m j

S

m m

q m

m T m

Jn

27

( )2 1

M

q M

j M i

i

i

Js

n

n

t ana

Tổng kết lại có thuật toán lan truyền ngư c:ợ

• Quá trình khở ại t o m ng: Ch n giá tr ban đ u cho t t c các tr ng s và ạ ọ ị ầ ấ ả ọ ốngưỡng trong m ng ạ

• Quá trình lan truyền thu n ậ

28

Nếu sử ụ d ng đ ng thời tất cả các mẫồ u để cập nhật tham số ủa mạng một c

lần thì gọi là quá trình huấn luyện theo mẻ Khi đó công th c cập nhật các tham sốứcho mạng như sau:

1 1

trong đó chỉ ố s q tương ứng với mẫu thứ q

Với mỗi mẫu q , phải tính đ u ra và đ nh y củầ ộ ạ a các lớp trong mạng, sau đó tính giá trị gradient trung bình trư c khi cập nhậớ t tham số ủ c a mạng [3]

b) Phương pháp tố i ưu hóa hàm m c tiêu ụ

Khi phải tìm các tham số ủ c a mạng nơ-ron để sao cho mạng nơ-ron có thể thực hiện tốt m t sộ ố chức năng như phân loại hay h c, s s dụng phương pháp tối ọ ẽ ử

ưu hóahàm mục tiêu.Nó đượ ử ục s d ng bằng cách bình phương sai lệch giữa đ u ầ

ra c a mủ ạng vớ ầi đ u ra mẫu, phụ thuộc vào các tham số ủ c a mạng nơ-ron

• Hàm mục tiêu

Cho một hàm mục tiêu F x( ) với véc tơ biế- n s (các trố ọng số, bias c a mủ ạng)

là [ 1 2 ]T

m

x = x x x F là tổng bình phương sai l ch giữệ a đ u ra của mạng ầ

vớ ầi đ u ra mẫu, là một hàm phi tuyến không âm ìm x* sao cho hàm T F đạt giá trị nh nh t Dùng phương pháp lặp đểỏ ấ tìm nghi m: ệ

29

a) Phương pháp hạ sâu nh t (Steepest descent) ấ

Theo phương pháp lặp, sau m i vòng l p mong mu n: ỗ ặ ố

Giả ử độ ớ s l n của véc-tơ hướng tìm pk không đổi, khi đó g pTk k đạt giá trị

nh nhỏ ất khi hai véc-tơ này ngư c chiều nhau: ợ