bài tiểu luận môn học hệ thống điều khiển thông minh

Các thiết bị và hệthống điều khiển thông thường thường sử dụng các linh kiện như cảm biến, bộ xử lýtín hiệu, bộ điều khiển và các hệ thống cơ khí để điều khiển các quá trình và hệ thốngk

TỔNG QUAN VỀ HỆ THỐNG ĐIỀU KHIỂN THÔNG MINH

Điều khiển thông thường và Điều khiển thông minh

1.1.1 Điều khiển thông thường (Conventinal Control)

Lý thuyết điều khiển các hệ thống động có quan hệ vào ra có thể mô tả bởi mô hình toán học là phương trình vi phân hay sai phân

Trong điều khiển thông thường, các thông số đầu vào và đầu ra được biểu diễn dưới dạng các tín hiệu analog, thường là dạng điện áp hoặc dòng điện Các thiết bị và hệ thống điều khiển thông thường thường sử dụng các linh kiện như cảm biến, bộ xử lý tín hiệu, bộ điều khiển và các hệ thống cơ khí để điều khiển các quá trình và hệ thống khác nhau.

 Điều khiển kinh điển (Classical Control)

 Điều khiển hiện đại (Modern Control) :

 Điều khiển tối ưu (Optimal Control)

 Điều khiển thích nghi (Adaptive Control)

 Điều khiển bền vững (Robust Control)

 Điều khiển phi tuyến (Nonlinear Control)

1.1.2 Điều khiển thông minh (Intelligent Control)

Hệ thống thông minh là hệ thống có khả năng hoạt động thích hợp trong môi trường bất định, trong đó một hoạt động thích hợp là hoạt động làm tăng xác suất thành công, và thành công là đạt được mục tiêu con hướng tới đạt được mục tiêu chung của hệ thống.

Lý thuyết điều khiển phát triển trong thời gian gần đây, bao gồm các phương pháp không đề cập đến trong lý thuyết điều khiển thông thường.

Ưu và khuyết điểm của điều khiển thông thường

 Có tính hệ thống, cơ sở toán học rõ ràng, chặt chẽ

 Đảm bảo hệ thống ổn định và bền vững (về lý thuyết)

Độ tin cậy cao của hệ thống đến từ sự đơn giản trong thiết kế cơ và điện tử Thiết kế này nâng cao tính ổn định và độ tin cậy của hệ thống, đảm bảo hiệu suất hoạt động lâu dài và không xảy ra lỗi.

 Cần mô hình toán của đối tượng để thiết kế bộ điều khiển

 Cần hiểu biết sâu về kỹ thuật điều khiển mới thiết kế được bộ điều khiển

 Thường không hiệu quả khi điều khiển hệ phi tuyến

 Không sử dụng được kinh nghiệm của con người (trong nhiều trường hợp kinh nghiệm của con người đóng vai trò quan trọng).

Tại sao phải điều khiển thông minh

 Yêu cầu đạt được chất lượng điều khiển ngày càng tăng cao

 Yêu cầu điều khiển các hệ thống động phức tạp ngày càng tăng

 Yêu cầu điều khiển trong điều kiện gia tăng các yếu tố bất định

 Các yêu cầu trên không thể đáp ứng được trọn vẹn nếu dùng lý thuyết điều khiển thông thường sẵn có Đây chính là động lực cho ra đời lý thuyết điểu khiển mới: lý thuyết điều khiển thông minh

Khái niệm hệ thống điều khiển thông minh

 Thông minh là khả năng thu thập và sử dụng tri thức

 Có nhiều cấp độ thông minh và nhiều loại thông minh.

 Thông minh là khái niệm mang tính tương đối.

Hệ thống điều khiển thông minh:

Hệ thống thông minh có khả năng thích ứng với môi trường bất định Hoạt động thích hợp giúp tăng khả năng thành công, mục tiêu con hướng tới mục tiêu chung của hệ thống.

 Để hệ thống thông minh (nhân tạo) hoạt động thích hợp nó có thể phỏng theo chức năng của sinh vật và khả năng thông minh con người một cách cơ bản

 Điều khiển thông minh là phương pháp điều khiển phỏng theo các đặc điểm cơ bản của trí thông minh con người Các đặc điểm cơ bản bao gồm tính thích nghi và khả năng học, hoạch định trong diều kiện có nhiều yếu tố không chắc chắn và xử lý khối lượng lớn thông tin.

Cấp độ thông minh

Có nhiều cấp độ thông minh tùy theo thước do khác nhau:

 Tối thiểu: Thông minh cẩn khả năng cảm nhận môi trường, ra quyết định và kiểm soát hoạt động

 Mức cao: Thông minh bao gồm khả năng nhận dạng đối tượng và sự kiện, biểu diễn tri thức bằng mô hình ngôn ngữ, suy luận và hoạch định hoạt động tương lai.

Trí thông minh cao cấp cung cấp khả năng nhận thức và hiểu biết sâu sắc, giúp lựa chọn sáng suốt và hoạt động hiệu quả trong nhiều hoàn cảnh khác nhau, hướng tới sự tồn tại và phát triển trong môi trường phức tạp, đối lập và đầy thách thức.

Mức thấp (mức 1): hiệu chỉnh lỗi.

 Mức cao rất cao (mức 4): phát biểu lại nhiệm vụ khi tình huống thay đổi.

Phân loại điều khiển thông minh dựa trên khả năng tự cải thiện cấu trúc điều khiển:

 Mức 0 = Điều khiển bền vững (Robust Controller) Tự cải thiện sai số bám là mục tiêu quan trọng của nhiều kỹ thuật điều khiển Để đạt được điều này, có thể thiết kế các bộ điều khiển hồi tiếp bền vững với độ lợi bằng hằng số để cải thiện sai số khi thời gian tiến đến vô cùng.

 Mức 1 = Mức 0 + Điều khiển thích nghi (Adaptive Controller) Bộ ĐKTM mức 1 thông thường là bộ điều khiển hồi tiếp bền vững với các thông số thích nghi giúp chất lượng điều khiển bù sai số của hệ thống vẫn đảm bảo khi điều kiện làm việc thay đổi.

 Mức 2 = Mức 1 + Điều khiển tối ưu (Optimal Controller) Bộ ĐKTM mức 2 bên cạnh khả năng như mức 1 (bền vững + thích nghi) còn phải có khả năng tối ưu hóa một hàm mục tiêu, mà hàm mục tiêu này được hệ thống tự điều chỉnh tùy theo tình huống làm việc.

 Mức 3 = Mức 2 + Điều khiển hoạch định (Planning Controller) Bộ ĐKTM mức 2 bên cạnh khả năng như mức 1 (bền vững + thích nghi) còn phải có khả năng tối ưu hóa một hàm mục tiêu, mà hàm mục tiêu này được hệ thống tự điều chỉnh tùy theo tình huống làm việc.

Các yếu tố quyết định cấp độ thông minh

 Năng lực tính toán của bộ não (máy tính) của hệ thống

 Sự phức tạp, tinh vi của các thuật toán mà hệ thống sử dụng để xử lý thông tin từ cảm biển, mô hình hóa thế giới, phát sinh hoạt động, đánh giá giá trị, truyền tin Thông tin mà hệ thống lưu trữ trong bộ nhớ

Các đặc điểm của hệ thống thông minh

 Tính thích nghỉ khả năng học.

 Khả năng hoạch định và ra quyết định

 Khả năng xử lý thông tin phức tạp, không chắc chắn

 Khả năng sửa sai, dung thứ lỗi

 Khả năng tái cấu hình, mở rộng.

1.7.1 Tính thích nghi và khả năng học

Khả năng thích nghi với sự thay đổi (thông số của đối tượng môi trường ) là đặc điểm bắt buộc phải có ở các hệ thống thông minh Để có được tính thích nghi không nhất thiết đòi hỏi hệ thống phải có khả năng học. Đối với các hệ thống có khả năng thích nghi với sự thay đổi lớn của các yếu tố bất định, khả năng học là cần thiết Vì vậy khả năng học là một đặc điểm quan trọng của hệ thống thông minh

Phân loại các thuật toán học (trong điều khiển):

 Học về đối tượng, tức là học cách kết hợp các thay đổi và sau đó là cách đưa ra mô hình mới của đối tượng

 Học về môi trường, điều này có thể được thực hiện bằng cách sử dụng các phương pháp đi từ các quan sát thụ động đến thử nghiệm tích cực

 Học về bộ điều khiển, ví dụ học cách chỉnh một thông số điều khiển nào đó để làm tăng chất lượng

 Học cách đưa ra mục tiêu và điều kiện ràng buộc mới.

Xử lý thông tin không chắc chắn Hệ thống không thể được gọi là thông minh nếu nó chỉ có thể làm được những điều đã được chỉ dẫn

Khả năng tự đặt ra mục tiêu và tự đạt mục tiêu điều khiển là một đặc điểm quan trọng của hệ thống điều khiển thông minh.

Hệ thống không thể được gọi là thông minh nếu có hệ thống khác có thể hoạt động tốt hơn

- Khả năng tái cấu hình, mở rộng để đạt được chất lượng điều khiển tối ưu.

Cấu trúc của hệ thống điều khiển thông minh

Để có thể điều khiển các hệ thống phức tạp, hệ thống thông minh phải có cấu trúc thích hợp để phân tích và đánh giá các chiến lược điều khiển một cách hiệu quả Thông thường hệ thống thông minh có cấu trúc 3 cấp: cấp thực thì, cấp phối hợp, cấp tổ chức và quản lý:

 Cấp thực thi: giao tiếp với đối tượng và môi trường thông qua các cảm biến (sensor) và các cơ cấu tác động (actuator), gồm các thuật toán điều khiển thông thường

 Cấp phối hợp: liên kết cấp thực thi và cấp tổ chức – quản lý, kết hợp các phương pháp điều khiển thông thường và thông minh

Cấp tổ chức và quản lý bao gồm giao tiếp với người vận hành bằng cách sử dụng các thuật toán điều khiển thông minh Cấu trúc phân cấp không chỉ giới hạn ở phần cứng mà còn mở rộng sang phần mềm điều khiển.

Hình 1.1 Cấu trúc của hệ thống điều khiển thông minh.

So sánh điều khiển thông minh và điều khiển thông thường

Về mặt toán học, điều khiển thông minh không chặt chẽ bằng điều khiển thông thường vì đây là lĩnh vực tương đối mới và chưa được nghiên cứu hết

Về nguyên tắc khi thiết kế các bộ điều khiển thông minh không cần mô hình toán học của đối tượng điều khiển, đây là một ưu điểm của phương pháp điều khiển thông minh

Vì trong một số trường hợp việc đưa ra mô hình toán của đối tương rất khó khăn, thậm chí không thể được

Trong một số trường hợp khác có thể tìm được mô hình toán của đối tương nhưng phải đưa ra quá nhiều giả thiết – mô hình toán không thỏa mãn trong thực tế → không sử dụng được.

Các phương pháp điều khiển thông minh

 Điều khiển mờ (Fuzzy Control)

 Mạng thần kinh (nhân tạo) (Artificial Neural Network)

 Thuật toán di truyền (Genetic Algorithm).

Hình 1.2 Các kỹ thuật điều khiển thông minh.

Ứng dụng của phương pháp điều khiển thông minh

Kỹ thuật điều khiển thông minh đã được ứng dụng rất thành công trong nhiều lĩnh vực khác nhau như:

 Máy bay, tàu vũ trụ, tàu ngầm, xe hơi.

 Các sản phẩm dân dụng.

MỘT SỐ PHƯƠNG PHÁP ĐIỀU KHIỂN

Điều khiển mờ

2.1.1 Các khái niệm về điều khiển mờ:

Khái niệm về tập rõ

Tập rõ có biên rõ ràng.

Tập rõ được định nghĩa thông qua hàm đặc trưng.

B = {người có chiều cao dưới 1m70}.

Khái niệm về tập mờ:

Tập mờ có biên không rõ ràng.

Tập mờ được định nghĩa thông qua hàm liên thuộc.

Nhận xét: Không thể xác định được tập mờ nếu không định nghĩa hàm liên thuộc mô tả tập mờ đó.

 Tập mờ ~ A xác định trên tập cơ sở X là một tập hợp mà mỗi phần tử của nó là một cặp giá trị (x , μ ~ A (x)), trong đó x∈ X và μ ~ A (x) là ánh xạ: μ ~

 Ánh xạ μ ~ A (x) được gọi là hàm liên thuộc của tập mờ ~ A.

 Hàm liên thuộc đặc trưng cho độ phụ thuộc của một phần tử của bất kỳ thuộc tập cơ sở X vào tập mờ ~ A Nói cách khác, tập mờ xác định bởi hàm liên thuộc của nó.

2.1.1.1 Độ cao, miền xác định và miền tin cậy của tập mờ

Hình 2.5 Độ cao, miền xác định và miền tin cậy của tập mờ.

 Miền nền: là miền thuộc tập cơ sở sao cho μ(x)>0.

 Biên: là miền thuộc tập cơ sở sao cho 0 e thì gán gán k

Hình 2.18 Thuật toán Widrow-Hoff.

2.3.5 Mạng truyền thẳng nhiều lớp.

Tổng có trọng số của các tín hiệu vào tế bào thần kinh thứ q ở lớp ẩn là: net q =∑ j=1 m v qj x j

Tín hiệu ra của tế bào thần kinh thứ q ở lớp ẩn là: z q =a h ( net q )=a h ( ∑ j=1 m v qj x j )

Tổng có trọng số của các tín hiệu vào tế bào thần kinh thứ i ở lớp ra là: net i =∑ q=1 t w iq z q =∑ q=1 t w iq a h ( net q )= ∑ q=1 t w iq a h ( ∑ j=1 m v qj x j )

Tín hiệu ra của tế bào thần kinh thứ i ở lớp ra là: y i =a 0(net i )=a 0 ∑ q=1 t w iq z q =a 0 ( ∑ q =1 t w iq a h (net q )) =a 0 ( ∑ q=1 t w iq a h ( ∑ j=1 m v qj x j ) )

 Thuật toán học lan truyền ngược sai số (BP).

 Bước 1: Chọn gán k = 1, E = 0; khởi động ngẫu nhiên trọng số lớp ẩn và lớp ra v q (k), w i (k)(1≤q ≤l ,1≤ i≤ n)

 Bước 2: (truyền thuận dữ liệu) Tính ngõ ra của mạng với tín hiệu vào x(k)

Lớp ẩn:net q (k)=∑ j=1 m v qj (k) x j (k)(q=1, l) z q (k)=a h ( net q (k))(q=1, l)

 Bước 3: (Lan truyền ngược sai số) Cập nhật trọng số

Lớp ẩn:δ oi (k)=[ ( d i ( k ) − y i ( k ) ) ] [ a ' 0 ( net i (k) ) ] ( 1 ≤i ≤n ) w iq (k+1)=w i (k)+η δ oi (k)z q (k)

Lớp ra:δ hq (k)=[ ∑ i=1 n δ oi ( k ) w iq ( k ) ] a ' h ( net q ( k ) ) ( 1≤ q ≤ l ) v q (k+1)=v q (k)+η δ hq (k)x(k)

 Bước 4: Tính sai số tính lũy:

 Bước 5: Nếu k < K thì gán k = k + 1 và trở lại bước 2 Nếu k = K thì tiếp tục bước 6.

 Bước 6: Kết thúc chu kỳ huấn luyện Nếu E ≤ ε thì kết thúc Nếu E>ε thì gán k

2.3.6 Các yếu tố ảnh hưởng đến quá trình huấn luyện mạng.

Trọng số ban đầu của mạng truyền thẳng nhiều lớp ảnh hưởng rất nhiều đến lời giải của thuật toán lan truyền ngược Thường trọng số ban đầu được khởi động là giá trị ngẫu nhiên nhỏ Nếu khởi động trọng số ban đầu bằng nhau thì không thể huấn luyện được mạng trong trường hợp lời giải đúng là các trọng số khác nhau Trọng số ban đầu phải nhỏ vì nếu trọng số lớn sẽ làm cho hàm tác động dạng S bão hòa ngay từ đầu và thuật toán sẽ rơi vào cực trị cục bộ Nên chọn các trọng số wij ban đầu ngẫu nhiên nằm trong đoạn [ −3 l √ k i ,3l , √ k i ], trong đó ki là số tín hiệu vào của tế bào nơron thứ i. trường hợp khác nhau, thường η được chọn dựa vào kinh nghiệm của mỗi bài toán. Giá trị η lớn sẽ làm tăng tốc độ học, nhưng nếu lớn quá thì có thể làm cho thuật toán không hội tụ, ngược lại giá trị η nhỏ bảo đảm thuật toán luôn hội tụ nhưng tốc độ học lại rất chậm Thực nghiệm cho thấy giá trị η nằm trong khoảng 0,001 đến 10 là thích hợp trong nhiều trường hợp huấn luyện mạng.

Cụ thể thuật toán học thích nghi được mô tả bởi các biểu thức: η(k+1)=η(k)+∆ η

2.3.6.3 Tiêu chuẩn huấn luyện mạng

Tiêu chuẩn huấn luyện mạng thường dùng là chuẩn toàn phương L2 (tổng bình phương của sai số), tổng quát ta có thể sử dụng chuẩn Lp.

Có thể thấy rằng khi thay đổi tiêu chuẩn huấn luyện mạng thì chỉ tín hiệu lỗi δ của lớp ra là thay đổi, còn các biểu thức khác trong thuật toán lan truyền ngược vẫn không thay đổi.

Phương pháp suy giảm độ dốc có thể rất chậm nếu hệ số học quá nhỏ và có thể dao động mạnh nếu hệ số học quá lớn Hiện tượng này thường xảy ra nếu điểm cực tiểu có dạng thung lũng có độ dốc lớn ở sườn và độ dốc nhỏ ở đáy Một phương pháp hiệu quả thường dùng cho phép hệ số học lớn mà không xảy ra dao động phân kỳ là cộng thêm một xung lượng vào phương pháp suy giảm độ dốc thông thường. w ij (k+1)=w ij (k)+∆ w ij (k)

2.3.6.5 Luật cập nhật trọng số

Phương pháp suy giảm độ dốc là một trong những phương pháp tối ưu hóa đơn giản nhất nhưng không phải là phương pháp đơn giản nhất Phương pháp hiệu quả hơn để cập nhật trọng số của mạng nơron là phương pháp Newton: w ij (k+1)=w ij (k)−[ δ δ w 2 E(k) ij 2 ] −1 [ δ E(k) δ w ij ]

Phương pháp Newton có khả năng hội tụ nhanh, song nhược điểm là dễ rơi vào các điểm cực trị cục bộ, không thể tìm được giá trị cực trị toàn cục Bên cạnh đó, phương pháp này đòi hỏi phải tính đạo hàm bậc hai, gây khó khăn trong tính toán thực tế Do đó, phương pháp Newton ít được ứng dụng rộng rãi.

2.3.6.6 Dữ liệu huấn luyện mạng

Dữ liệu huấn luyện mạng cần đầy đủ và chính xác, được lựa chọn ngẫu nhiên và đại diện cho toàn bộ không gian tín hiệu Số lượng mẫu dữ liệu tối thiểu để huấn luyện mạng nơron phân loại tín hiệu vào M nhóm là K = M.

Số lượng tế bào nơron ở lớp ẩn ảnh hưởng rất lớn đến tính hội tụ của thuật toán lan truyền ngược và chất lượng của mạng Thường số lượng tế bào nơron ở lớp ẩn được chọn dựa vào kinh nghiệm Nên bắt đầu với mạng có ít tế bào ở lớp ẩn, nếu thuật toán không hội tụ thì tăng dần số tế bào đến khi thuật toán hội tụ.

ỨNG DỤNG CỦA HỆ THỐNG ĐIỀU KHIỂN THÔNG MINH ĐIỀU KHIỂN GIỮ CÂN BẰNG HỆ CON LẮC NGƯỢC

Tập cơ sở các biến phụ thuộc đối tượng

Góc lệch con lắc [-0.3 0.3] (rad)

Biến ra: lực tác động vào xe [-40 40](N)

Chuẩn hóa tập cơ sở biến vào ra về miền [-1 1], do đó các ma trận hệ số khuếch đại các khối tiền xử lý và hậu sử lý:

Các hệ số tiền xử lý:

Nhập hàm lệnh mô phỏng

Thiết kế khối điều khiển mờ

Thiết kế sơ đồ SIMULINK hệ thống điều khiển mờ

Thiết lập khối FUZZY điều khiển

Thiết lập thông số ngõ vào cho khối FUZZY

Thiết lập thông số ngõ ra cho khối FUZZY

Cài đặt 81 luật cho mô phỏng

Kiểm tra luật thiết lập

Ta thu được kết quả mô phỏng

Kết quả mô phỏng của x ; x_dot