3 CHƯƠNG 1: LÝ THUYẾT VỀ HỆ THỐNG ĐIỀU KHIỂN THÔNG MINH 1.1 Giới thiệu Mô hình toán học và thiết kế điều khiển: Hệ thống điều khiển thông thường dựa trên mô hình toán học mô tả đặc tín
LÝ THUYẾT VỀ HỆ THỐNG ĐIỀU KHIỂN THÔNG MINH
Giới thiệu
Mô hình toán học và thiết kế điều khiển: Hệ thống điều khiển thông thường dựa trên mô hình toán học mô tả đặc tính động của đối tượng Mô hình này phải đơn giản để phân tích nhưng đủ chính xác để mô tả các đặc điểm quan trọng, giúp lựa chọn và thiết kế bộ điều khiển phù hợp với yêu cầu chất lượng ngày càng cao
Phát triển lý thuyết điều khiển: Lý thuyết điều khiển phát triển từ các phương pháp kinh điển (dựa trên hàm truyền và miền tần số) đến hiện đại (sử dụng không gian trạng thái và phân tích miền thời gian), giúp cải thiện độ chính xác và khả năng điều khiển các hệ thống phức tạp
Thách thức từ tính phi tuyến và bất định: Khi hệ thống mở rộng, tính phi tuyến và yếu tố bất định trở nên rõ rệt, đòi hỏi các bộ điều khiển tiên tiến như điều khiển phi tuyến, thích nghi, và bền vững để đảm bảo hiệu quả Điều khiển thích nghi có khả năng tự điều chỉnh thông số theo yếu tố bất định, còn điều khiển bền vững giúp duy trì chất lượng trong phạm vi bất định cho phép Ứng dụng và thực tiễn: Điều khiển thích nghi và bền vững được ứng dụng hiệu quả trong các hệ thống phức tạp như tàu vũ trụ và dây chuyền công nghiệp có nhiều yếu tố bất định
Sự phát triển của điều khiển thông minh: Đáp ứng nhu cầu ngày càng cao, lý thuyết điều khiển thông minh ra đời để xử lý các hệ thống phức tạp và bất định trong bối cảnh các yêu cầu chất lượng điều khiển tiếp tục tăng.
Điều khiển thông minh
Điều khiển thông minh là phương pháp điều khiển mô phỏng các đặc điểm cơ bản của trí thông minh con người, bao gồm khả năng học hỏi, xử lý thông tin không chắc chắn, và tìm kiếm giải pháp tối ưu Lĩnh vực này tập trung vào những vấn đề mà các phương pháp điều khiển truyền thống khó giải quyết Tuy nhiên, ranh giới giữa điều khiển thông minh và điều khiển thông thường không cố định mà thay đổi theo thời gian
Việc định nghĩa "điều khiển thông minh" gặp khó khăn do chưa có sự thống nhất trong định nghĩa về trí thông minh Nhiều chuyên gia đồng ý rằng trí thông minh là khả năng thu thập và sử dụng tri thức Theo đó, hệ thống điều khiển thông minh là hệ thống có khả năng học hỏi và áp dụng tri thức vào hoạt động điều khiển
Albus chia điều khiển thông minh thành ba cấp độ:
Cấp độ tối thiểu: Hệ thống có thể cảm nhận môi trường, ra quyết định và điều khiển hành động
Cấp độ trung bình: Hệ thống có thể nhận biết đối tượng, biểu diễn tri thức qua mô hình, lập kế hoạch và suy luận
Cấp độ cao cấp: Hệ thống có khả năng nhận thức, hiểu biết, chọn lựa hành động phù hợp để tồn tại và phát triển trong môi trường phức tạp
Các yếu tố cấu thành mức độ thông minh của hệ thống bao gồm khả năng tính toán, độ phức tạp của thuật toán, và lượng thông tin mà hệ thống lưu trữ trong bộ nhớ Điều khiển thông minh (ĐKTM) là quá trình tính toán hiệu quả để đạt được mục tiêu của các hệ thống phức tạp trong điều kiện thiếu thông tin và không có hướng dẫn chi tiết Meystel và Krishnakumar đưa ra các cách phân loại ĐKTM theo khả năng bù sai số, thích nghi và tối ưu hóa
• Mức thấp (Mức 1): Bù sai số cơ bản
• Mức trung bình (Mức 2): Hoạch định và bù sai số theo lập trình sẵn
• Mức cao (Mức 3): Hoạch định và bù sai số theo cách mới
• Mức rất cao (Mức 4): Thay đổi mục tiêu khi tình huống thay đổi
• Mức 0: Điều khiển bền vững, bù sai số cơ bản
• Mức 1: Điều khiển thích nghi, điều chỉnh thông số để bù sai số tốt hơn khi môi trường thay đổi
• Mức 2: Điều khiển tối ưu, tự cải thiện để đạt mục tiêu cực trị cho sai số
• Mức 3: Điều khiển hoạch định, tự cải thiện chức năng lập kế hoạch cho các tình huống ngẫu nhiên, khẩn cấp hoặc lỗi
Các hệ thống ĐKTM phức tạp có thể đảm nhận vai trò điều khiển chung cho cả quá trình, bao gồm cả chức năng hoạch định, chuẩn đoán lỗi, và quyết định kinh tế Ví dụ, trong một nhà máy cán thép, hệ thống ĐKTM không chỉ ổn định tốc độ máy cán mà còn lên lịch bảo trì, dự đoán sự cố và tối ưu hóa hoạt động Đối với các nhiệm vụ đặc thù, hệ thống ĐKTM cần xử lý các yếu tố bất định, điều này làm cho ĐKTM tổng quát và đầy thách thức hơn so với điều khiển truyền thống.
Đặc điểm của hệ thống điều khiển thông minh
Hệ thống điều khiển thông minh (ĐKTM) phải có những đặc điểm cơ bản để đạt mục tiêu trong môi trường có nhiều yếu tố bất định, bao gồm:
- Khả năng học và thích nghi: Hệ thống có thể thích nghi với điều kiện thay đổi và lưu trữ kiến thức đã học Khi gặp lại tình huống đã trải qua, hệ thống sẽ truy xuất thông tin từ bộ nhớ để thích ứng nhanh, thay vì tính toán lại từ đầu Khả năng học cho phép hệ thống tránh lặp lại sai lầm
- Khả năng suy luận: Hệ thống thông minh cần suy luận để ra quyết định trong các tình huống bất ngờ mà hệ thống chưa được lập trình trước Khả năng suy luận cũng giúp hệ thống xử lý thông tin không chắc chắn, chẩn đoán và khắc phục lỗi hiệu quả
- Tính tối ưu: Hệ thống thông minh cần đạt mục tiêu một cách tối ưu trong môi trường phức tạp Điều này yêu cầu khả năng tái cấu trúc và mở rộng khi cần thiết, nhằm đảm bảo hiệu quả hoạt động
- Tính tự chủ: Hệ thống có khả năng tự đặt và thực hiện mục tiêu trong thời gian dài mà không cần can thiệp từ bên ngoài, đặc biệt là trong môi trường bất định Tính tự chủ liên quan mật thiết đến khả năng hoạch định và ra quyết định
Những đặc điểm này được xem là tiêu chuẩn đánh giá mức độ thông minh của hệ thống ĐKTM, trong đó cấp độ thông minh càng cao thì hệ thống càng hội tụ đầy đủ các yếu tố trên.
Cấu trúc của điều khiển thông minh
Hệ thống điều khiển thông minh (ĐKTM) có cấu trúc phân cấp cần thiết để phân tích và đánh giá các chiến lược điều khiển, nhằm đối phó với sự phức tạp của đối tượng điều khiển, mục tiêu và biến động môi trường Cấu trúc này thường gồm ba cấp chính:
- Cấp tổ chức (quản lý): Là cấp cao nhất, nơi ra quyết định thông minh và giao tiếp với người vận hành
- Cấp phối hợp: Liên kết giữa cấp tổ chức và cấp thực thi, dùng để kết hợp các phương pháp ra quyết định thông thường và thông minh
- Cấp thực thi: Gồm các thuật toán điều khiển cơ bản, có giao tiếp trực tiếp với đối tượng và môi trường thông qua cảm biến và cơ cấu chấp hành
Cấu trúc này cho phép ủy thác và phân bổ nhiệm vụ từ cấp cao đến cấp thấp Các chỉ thị từ cấp cao hơn đến cấp thấp hơn và dòng dữ liệu phản hồi từ cấp thấp lên cấp cao Ở mỗi cấp, một số xử lý diễn ra trước khi thông tin được chuyển lên cấp cao hơn
Cấp cao hơn ra quyết định dựa trên ít thông tin hơn, chú trọng đến phạm vi thời gian dài hơn, dẫn đến việc sử dụng các phương pháp ra quyết định dựa vào ký hiệu nhiều hơn so với thuật toán số thông thường Nguyên tắc này được gọi là “tăng độ thông minh bằng cách giảm độ chính xác”, thể hiện qua việc giảm độ cụ thể của mô hình và tăng tính trừu tượng
Những đặc điểm này cho phép hệ thống hoạt động hiệu quả trong môi trường phức tạp, đồng thời giảm độ chính xác khi cần thiết để nâng cao tính thông minh tổng thể của hệ thống.
Các lĩnh vực liên quan đến điều khiển thông minh
Hệ thống điều khiển thông minh (ĐKTM) cần có một cấu trúc phân cấp thích hợp để hiệu quả trong việc phân tích và đánh giá các chiến lược điều khiển, nhằm ứng phó với sự phức tạp của đối tượng, mục tiêu và biến động môi trường Cấu trúc phổ biến của hệ thống ĐKTM bao gồm ba cấp:
- Cấp tổ chức (quản lý): Cấp cao nhất, chịu trách nhiệm ra quyết định thông minh và giao tiếp với người vận hành
- Cấp phối hợp: Nằm giữa cấp tổ chức và cấp thực thi, có vai trò kết hợp các phương pháp ra quyết định thông thường và thông minh
- Cấp thực thi: Gồm các thuật toán điều khiển cơ bản, thực hiện giao tiếp với đối tượng và môi trường thông qua cảm biến và cơ cấu chấp hành
Các chỉ thị được truyền từ cấp cao xuống cấp thấp, và dòng dữ liệu phản hồi ngược lại Hệ thống có thể có nhiều hơn hoặc ít hơn ba cấp, nhưng khái niệm phân cấp vẫn giữ nguyên Cấp thực thi bao gồm cả phần cứng và phần mềm, trong khi cấp phối hợp và tổ chức chủ yếu là phần mềm Điều khiển thông minh là một lĩnh vực khoa học liên ngành, tích hợp lý thuyết từ toán học, điều khiển học, trí tuệ nhân tạo và các công nghệ chế tạo cảm biến, cơ cấu chấp hành, công nghệ tính toán, và mạng thông tin Điều khiển thông minh không chỉ dừng lại ở các phương pháp như mạng thần kinh, logic mờ hay giải thuật di truyền; nó còn phụ thuộc vào sự sáng tạo trong việc ứng dụng các kỹ thuật này để thiết kế hệ thống
Tóm lại, sự thông minh của hệ thống ĐKTM không chỉ phụ thuộc vào công nghệ mà còn vào khả năng ứng dụng sáng tạo của người thiết kế để đạt được các chức năng điều khiển hiệu quả
Mạng Thần Kinh (Neural Networks)
Mạng thần kinh là mô hình toán học đơn giản của bộ não, hoạt động như một mạng tính toán phân bố song song Khác với máy tính thông thường, mạng thần kinh cần được huấn luyện để học hỏi các liên kết, mối quan hệ và mẫu mới Điểm mạnh nhất của mạng thần kinh là tính thích nghi, cho phép nó tự điều chỉnh trọng số để tối ưu hóa các hoạt động như nhận dạng mẫu, ra quyết định và điều khiển hệ thống, ngay cả khi môi trường thay đổi
Mạng thần kinh đã được áp dụng thành công trong nhiều lĩnh vực kỹ thuật, bao gồm:
Logic mờ là phương thức suy diễn bắt chước khả năng suy luận của con người, phù hợp cho việc suy luận không chắc chắn hay gần đúng Hệ mờ, dựa trên logic mờ, cho phép ra quyết định với giá trị ước lượng trong điều kiện thông tin không đầy đủ Ứng dụng của logic mờ bao gồm:
- Điều khiển xe lửa tự động
- Hệ thống hạ cánh của máy bay
Giải Thuật Di Truyền (Genetic Algorithm)
Giải thuật di truyền (GA) là giải thuật tìm kiếm lời giải tối ưu dựa trên nguyên tắc tiến hóa và quy luật di truyền GA sử dụng các phép toán chọn lọc, lại ghép và đột biến để tiến hóa tập hợp các nhiễm sắc thể Đặc điểm của GA là khả năng hoạt động trong điều kiện không chắc chắn và phi tuyến, không phụ thuộc vào bài toán cần giải
GA đã được ứng dụng trong nhiều bài toán phức tạp như:
- Hoạch định đường đi cho robot
- Thiết kế hệ thống điện
- Tối ưu hóa thông số các bộ điều khiển
Mạng thần kinh, logic mờ và giải thuật di truyền là ba công cụ chính giúp thiết kế hệ thống có khả năng học, suy luận và tối ưu hóa Các hệ thống kết hợp, như:
- Hệ Mạng Thần Kinh Mờ (Neuro-Fuzzy System)
- Mạng Thần Kinh Mờ (Fuzzy Neural Network)
- Hệ Mờ Di Truyền (Genetic Fuzzy System)
Các hệ thống này đã chứng minh hiệu quả trong việc thiết kế hệ thống ĐKTM, được áp dụng vào nhiều quy trình công nghiệp như điều khiển độ pH trong quá trình hóa học và hệ thống giảm xóc chủ động trong ô tô
Tóm lại, việc kết hợp các phương pháp này giúp phát huy ưu điểm và giảm thiểu nhược điểm của từng phương pháp, dẫn đến thiết kế hệ thống thông minh hơn
Nhiều người cho rằng điều khiển thông minh (ĐKTM) chỉ đơn giản là việc kết hợp và ứng dụng các khái niệm, phương pháp từ các lĩnh vực khác Tuy nhiên, điều này không chính xác, bởi lý thuyết điều khiển không chỉ là lý thuyết toán ứng dụng Có nhiều yêu cầu và vấn đề riêng trong ĐKTM:
- Khác biệt trong bài toán: Trong toán ứng dụng, quan tâm đến các lời giải khác nhau của phương trình vi phân, trong khi trong điều khiển, mục tiêu là tìm ra hàm kích thích để tạo ra phản hồi thỏa mãn các điều kiện nhất định
- Yêu cầu thời gian thực: Các phương pháp tính toán mềm như mạng thần kinh hay logic mờ thường không cần thực hiện trong thời gian thực, trong khi hệ thống điều khiển lại cần đáp ứng ngay lập tức, vì vậy không thể áp dụng trực tiếp các phương pháp từ khoa học máy tính vào ĐKTM
- Nhu cầu phát triển lý thuyết mới: Có nhiều bài toán mới trong hệ thống thông minh chưa được nghiên cứu, như sự kết hợp giữa hệ thống trạng thái liên tục và trạng thái rời rạc
Nghiên cứu trong lĩnh vực ĐKTM có thể được chia thành hai hướng chính:
- Nghiên cứu lý thuyết điều khiển thông thường:
• Tập trung vào chức năng điều khiển ở cấp thực thi và phối hợp
• Phân tích tính hội tụ, ổn định và bền vững của hệ thống ĐKTM
• So sánh toán học giữa hệ thống ĐKTM và hệ thống điều khiển thông thường
• Nghiên cứu các phương pháp phân tích, thiết kế hệ thống lai, và kỹ thuật tái cấu hình hệ thống khi xảy ra lỗi
• Đưa ra mô hình trừu tượng từ các mô hình phương trình vi phân/sai phân
• Giải quyết vấn đề giao tiếp ký hiệu số và tiết kiệm bộ nhớ, thời gian tính toán
- Nghiên cứu ứng dụng ĐKTM:
• Mạng thần kinh: Thực hiện chức năng học, sử dụng tính chất xấp xỉ tổng quát để thiết kế các bộ điều khiển thích nghi và khả năng phân loại mẫu
• Logic mờ: Thực hiện chức năng suy luận, thiết kế bộ điều khiển mờ và giải quyết giao tiếp ký hiệu số
• Giải thuật di truyền (GA): Tối ưu hóa các chỉ tiêu chất lượng, hoạch định các tác vụ để đạt mục tiêu chung
MỘT SỐ PHƯƠNG PHÁP ĐIỀU KHIỂN
Điều khiển Mờ
2.1.1 Giới thiệu phương pháp điều khiển mờ
Thực tế có những đối tượng điều khiển rất phức tạp, có phi tuyến cao khó điều khiển bằng phương pháp thông thường do không thể xác định được mô hình toán của đối tượng
Con người với khả năng xử lý tinh xảo của bộ não sau khi trải qua quá trình đào tạo và tích lũy kinh nghiệm lại có thể điều khiển được các đối tượng phức tạp mà không cần biết về mô tả toán học của đối tượng Điều khiển mờ cung cấp phương pháp biểu diễn, xử lý và thực thi tri thức trực giác của con người
Kinh nghiệm chuyên gia được tích hợp vào bộ điều khiển mờ trong quá trình thiết kế hệ thống
2.1.2 Cấu trúc bộ điều khiển mờ
Bộ điều khiển mờ cơ bản:
• Hệ qui tắc điều khiển rút ra từ kinh nghiệm chuyên gia trong việc điều khiển đối tượng
• Khâu mờ hóa chuyển đổi giá trị rõ phản hồi từ ngõ ra của đối tượng thành giá trị mờ để qui tắc có thể suy luận được
• Khâu giải mờ chuyển giá trị mờ suy luận được ở ngõ ra của hệ qui tắc thành giá trị rõ để điều khiển đối tượng
• vi phân, tích phân tín hiệu
• Chuẩn hóa, lượng tử hóa
Hậu xử lý: bộ khuyếch đại chuyển tín hiệu giải mờ chuẩn hóa thành giá trị vật lý
Thiết kế dựa vào kinh nghiệm chuyên gia
Thiết kế bộ điều khiển PID mờ
Thiết kế dựa trên lý thuyết Lyaounov
2.1.3.Thiết kế bộ điều khiển mờ dựa vào kinh nghiệm chuyên gia
• Bước 1: Cần xác định biến vào , biên ra( và biến trạng thái, nếu cần) của đối tượng
• Bước 2: Chuẩn hóa biến vào, biến ra về miền giá trị [0,1] hay [-1,1]
• Bước 3: Định nghĩa các giá trị ngôn ngữ cho biến vào và biến ra, định lượng các giá trị ngôn ngữ bằng các tập mờ
• Bước 4: Xây dựng hệ qui tắc mờ bằng cách vẽ hình minh họa để có ý tưởng đưa ra một số qui tắc điển hình , sau đó áp dụng tính liên tục của hệ mờ và tính đối xứng để đưa ra các qui tắc còn lại.,
• Bước 5: chọn PP suy diễn (MAX-MIN hay MAX-PROD)
• Bước 6: Chọn PP giải mờ( trọng tâm hay trung bình có trọng số)
• Bước 7: Mô phỏng hoặc thực nghiệm đánh giá kết quả tinh chỉnh các thông số của Bộ Điều Khiển để đạt được chất lượng mong muốn
2.1.4 Điều khiển PD mờ dùng qui tắc Mamdani
Bộ điều khiển PD mờ thường được sử dụng trong các trường hợp sau đây:
• Đối tượng có khâu tích phân lý tưởng, hoặc
• ổn định hóa trạng thái của đối tượng xung quanh điểm cân bầng 𝑢̅, 𝑥̅, trong đó 𝑢̅ = 0
Trình tự thiết kế bộ điều khiển PD mờ
• Bước 1: Xác định tầm giá trị của:
Biến vào: Sai số(E) và vi phân sai số (DE)
Biến ra: tín hiệu điều khiển U
• Bước 2: Xác định các hệ số chuẩn hóa biến vào, biến ra về miền giá trị [-1.1]
• Bước 3: Định nghĩa các giá trị ngôn ngữ cho biến vào và biến ra , định lượng các giá trị ngôn ngữ bằng các tập mờ
• Bước 4: Xây dựng hệ qui tắc mờ bằng cách vẽ hình minh họa để có ý tưởng đưa ra một số qui tắc điển hình, sau đó áp dụng tính liên tục của hệ mờ và tính đối xứng đưa ra các qui tắc còn lại
• Bước 5: Chọn PP suy diễn (MAX-MIN hay MAX-PROD)
• Bước 6: chọn PP giải mờ ( trọng tâm hay trung bình có trọng số)
• Bước 7: Mô phỏng hoặc thựuc nghiệm đánh giá kết quả, tinh chỉnh các thông số của BĐK để đạt chất lượng mong muốn
2.1.5 Điều khiển PI mờ dùng hệ qui tắc Mamdani
Bộ điều khiên PI mờ nếu thiết kế tốt có thể điều khiển đối tượng trong miền làm việc rộng với sai số xác lập bằng 0
Tuy nhiên cũng cần để ý rằng bộ điều khiển PI làm chậm đáp ứng của hệ thống và trong nhiều trường hợp làm cho qua trình quá độ có dao động
Trình tự thiết kế bộ điều khiển PI mờ
• Bước 1: Xác định tầm giá trị của :
Biến vào: Sai (E) và vi phân sai số (DE)
Biến ra: vi phân của tín hiệu điều khiển (DU)
• Bước 2: Xác định các hệ số chuẩn hóa biến vào, biến ra về miền giá trị[-1,1]
• Bước 3: Định nghĩa các giá trị ngôn ngữ cho biến vào và biến ra, định lượng các giá trị ngôn ngữ bằng các tập mờ
• Bước 4: Xây dựng hệ qui tắc mờ bằng cách vẽ hìnhminh họa có ý tưởng đưa ra các qui tắc điển hình, sau đó áp dụng tính liên tục của hệ mờ và tính đối xứng để đưa ra các qui tắc còn lại
• Bước 5: Chọn PP suy diễn ( MAX-MIN hay MAX-PROD)
• Bước 6: Chọn PP giải mờ ( trọng tâm hay trung bình có trọng số)
• Bước 7: Mô phỏng hoặc thực nghiệm đánh giá kết quả, tinh chỉnh các thông số của BĐK để đạt chất lượng mong muốn
2.1.6 Điều khiển PID mờ dùng qui tắc Mamdani
Thường bộ điều khiển PID mờ được thực hiện bằng cách kết hợp bộ điều khiển PI mờ và
Mạng thần kinh
2.2.1 Khái niệm về mạng thần kinh
Bộ não con người là hệ thống xử lý thông tin phức hợp, phi tuyến và song song có khả năng học, ghi nhớ, tổng quát hoá và xử lý lỗi Bộ não con người gồm khoảng 10 11 tế bào thần kinh tạo thành mạng thần kinh sinh học
Tế bào thần kinh gồm ba phần riêng biệt là thân tế bào (soma), đầu dây thần kinh vào (dendrite), khớp nối (synapse), sợi trục (axon) và đầu dây thần kinh ra Các bộ phận này giúp tế bào thần kinh gửi và nhận các tín hiệu hóa học và điện
Mạng nơ-ron, còn được gọi là mạng thần kinh nhân tạo (ANN - Artificial neural network) là một tập hợp con của học máy, trung tâm của thuật toán học sâu Tên và cấu trúc của chúng được lấy cảm hứng từ bộ não con người, bắt chước cách tế bào thần kinh sinh học truyền tín hiệu cho nhau
Thần kinh nhân tạo có các mô đun phần mềm, được gọi là nút Mạng thần kinh nhân tạo là chương trình phần mềm hoặc thuật toán mà về cơ bản, sử dụng hệ thống máy tính để giải quyết phép toán
Mạng thần kinh nhân tạo có cấu tạo nhiều lớp nút, bao gồm lớp đầu vào, một hoặc nhiều lớp ẩn và lớp đầu ra Mỗi nút, hoặc nơ-ron nhân tạo, kết nối với các nút khác có trọng số cùng ngưỡng liên quan Chúng phối hợp, gửi tín hiệu đến nhau để cùng giải quyết vấn đề
2.2.2 Mạng thần kinh nhân tạo hoạt động như nào
Một mạng thần kinh nhân tạo cơ bản thường có cấu trúc 3 lớp như sau:
- Lớp đầu vào: Thông tin cần xử lý được đưa vào mạng nơ-ron nhân tạo qua lớp đầu vào Nút đầu vào tiếp nhận, phân loại, phân tích dữ liệu và sau đó chuyển dữ liệu sang lớp tiếp theo
- Lớp ẩn: Dữ liệu chuyển từ lớp đầu vào sang lớp ẩn, hoặc từ lớp ẩn này sang lớp ẩn khác Mạng nơ-ron nhân tạo có thể có một hoặc nhiều lớp ẩn Mỗi lớp ẩn phân tích dữ liệu đầu ra từ lớp trước, xử lý dữ liệu đó sâu hơn và chuyển dữ liệu sang lớp tiếp theo
- Lớp đầu ra: Lớp đầu ra trả kết quả cuối cùng của tất cả dữ liệu được xử lý trước đó bởi mạng nơ-ron nhân tạo Lớp này có thể có một hoặc nhiều nút
2.2.3 Mạng truyền thằng một lớp
Mạng thần kinh truyền thẳng một lớp là một mạng thần kinh nhân tạo, mà các kết nối truyền thẳng từ đầu vào đến đầu ra Đây là mô hình machine learning khá tốt được sử dụng trong rất nhiều lĩnh vực, SLFN có khả năng xấp xỉ một tập dữ liệu phức tạp trực tiếp từ dữ liệu đầu vào
Cấu trúc của mạng neuron truyền thẳng một lớp ẩn bao gồm: 1 lớp đầu vào, 1 lớp ẩn và một lớp đầu ra như hình dưới
Giả sử ta có N mẫu dữ liệu, mỗi mẫu là cặp (xi,ti), trong đó:
• Vector xi=[xi1,xi2,⋯,xin]∈Rn là dữ liệu đầu vào
• Vector ti=[xi1,xi2,⋯,xim]∈Rm là dữ liệu đầu ra
Ta có thể viết các thành phần cấu trúc của mạng neuron một lớp ẩn dưới dạng mô hình toán học như sau:
Mà vector 𝑜 𝑗 chính là kết quả đầu ra của mạng thần kinh Mục tiêu của chúng ta khi xây dựng mô hình là tìm được bộ trọng số W, b và 𝛽 sao cho tối thiểu hóa sự khác nhau giữa đầu ra của mô hình 𝑜 𝑗 và đầu ra thực tế 𝑡 𝑗 cụ thể hơn là ta muốn sự sai khác bằng 0
2.2.4 Mạng truyền thẳng nhiều lớp
Mạng thần kinh truyền thẳng nhiều lớp là sự kết nối các nhận thức trong đó dữ liệu và phép tính chảy theo một hướng duy nhất, từ dữ liệu đầu vào đến đầu ra
Một Perceptron nhiều lớp (MLP) chứa một hoặc nhiều lớp ẩn (ngoài một lớp đầu vào và một lớp đầu ra) Trong khi một perceptron một lớp chỉ có thể học các hàm tuyến tính, thì một perceptron nhiều lớp cũng có thể học các hàm phi tuyến tính
2.2.5 Ứng dụng của mạng thần kinh
2.2.5.1 Nhận dạng hệ phi tuyến
Chỉ tiêu bình phương tối thiểu huấn luyện mạng NN
Mô hình phi tuyến được ứng dụng trong:
- Điều khiển: điều khiển dự báo, điều khiển thích nghi, điều khiển dùng mô hình ngược
Mạng thần kinh được sử dụng để học kinh nghiệm chuyên gia trong việc điều khiển các đối tượng phức tạp hoặc sao chép một bộ điều khiển có sẵn
Tiêu chuẩn huấn luyện mạng:
Có thể huấn luyện mạng thần kinh sao cho đáp ứng của hệ thống bám theo đáp ứng của mô hình chuẩn
Tiêu chuẩn huấn luyện mạng:
Nhận dạng mẫu dùng mạng thần kinh gồm có 2 bước
- Huấn luyện mạng thần kinh dựa vào tập mẫu
- Nhận dạng dùng mạng thần kinh đã huấn luyện
Huấn luyện mạng thần kinh:
- Huấn luyện mạng sử dụng dữ liệu là các đặc trưng
- Trích đặc trưng tuỳ theo từng bài toán cụ thể, nhận dạng tiếng nói và nhận dạng hình ảnh
- Đưa đặc trưng vào ngõ vào của mạng, kết quả nhận dạng xuất hiện ở ngõ ra của mạng
Trích đặc trưng Mạng NN Tính ngõ ra của mạng
Trọng số đã lưu trữ
Phân tích hệ thống
❖ Bước 1 : Xác đinh tầm giá trị của:
Biến vào: sai số (E) và vi phân sai số (DE)
Biến ra: vi phân của tín hiệu điều khiển (DU)
❖ Bước 2 :Xác định các hệ số chuẩn hóa biến vào, biến ra về miền giá trị [-1, 1]
❖ Bước 3 : Định nghĩa các giá trị ngôn ngữ cho biến vào và biến ra; định lượng các giá trị ngôn ngữ bằng các tập mờ
❖ Bước 4 : Xây dựng hệ quy tắc mờ bằng cách vẽ hình minh họa đề có ý tưởng đưa ra một số quy tắc điển hình, sau đó áp dụng tính liên tục của hệ mờ và tính đối xứng để đưa ra các quy tắc còn lại
❖ Bước 5 : Chọn phương pháp suy diễn (MAX-MIN hay MAX-PROD)
❖ Bước 6 : Chọn phương pháp giải mờ (trọng tâm hay trung bình có trọng số)
❖ Bước 7 : Mô phỏng hoặc thực nghiệm đánh giá kết quả, tinh chỉnh các thông số BĐK để đặt chất lượng mong muốn
Thiết kế bộ điều khiển
Ta vào thư viện lấy khối Subsystem
Em sẽ thiết kế điều khiển trong khối hệ thống phụ (Subsystem) để điều khiển tàu, sẽ bao gồm các khối:
STT Tên khối Số lượng Hình khối
Sau khi lấy các khối đã được yêu cầu trên ta sẽ nối dây và thiết kế bên trong Subsystem như hình bên dưới:
Và tiếp theo em sẽ thiết lập hệ phương trình vi phân mô tả hệ thống lái tàu mà đề bài đã cho vào khối Fcn cho bộ điều khiển này
Hệ thống điều khiển viết lại dưới dạng công thức
Và nhập công thức trên vào khối Fcn, Apply và OK như hình dưới
3.2.2 Thiết kế các tập mờ tương ứng với các giá trị ngôn ngữ của các biến vào ra và hệ quy tắc mờ điều khiển
3.2.2.1 Ngôn ngữ cá biến vào ra
- ở ngõ đầu vào là E ta thiết lập như sau
Ta cho Range và Display Range là [-1 1]
Sau khi thiết lập xong ta sẽ được ngõ vào của E như hình dưới
- ở ngõ đầu vào là DE ta thiết lập như sau
Ta cho Range và Display Range là [-1 1]
Sau khi thiết lập xong ta sẽ được ngõ vào của DE như hình dưới
- Với Output ngõ ra U ta thiết lập từ nhỏ đến lớn NB – NS – ZE – PS – PB
Ta sẽ đuoc như hình dưới:
Ta có bảng quy tắc đề cho:
PO ZE NS NB Đối chứng bảng quy tắc ta nhập vào Rule Editor lần lượt như sau:
1 If (E is NE) and (DE is NE) then (output1 is PB) (1)
2 If (E is NE) and (DE is ZE) then (output1 is PS) (1)
3 If (E is NE) and (DE is PO) then (output1 is ZE) (1)
4 If (E is ZE) and (DE is NE) then (output1 is PS) (1)
5 If (E is ZE) and (DE is ZE) then (output1 is ZE) (1)
6 If (E is ZE) and (DE is PO) then (output1 is NS) (1)
7 If (E is PO) and (DE is NE) then (output1 is ZE) (1)
8 If (E is PO) and (DE is ZE) then (output1 is NS) (1)
9 If (E is PO) and (DE is PO) then (output1 is NB) (1)
- Sau khi thiết lập fuzzy xong ta được như hình dưới
Ta chọn file - export – to workspace – đặt tên file goclaitaunhom44 – ok
3.2.3 thiết kế điều khiển góc lái tàu
Sau khi thiết kế xong subsystem ta bắt đầu thiết kế bộ phận chính của bài sẽ bao gồm các khối:
STT Tên khối Số lượng Hình khối
Sau khi lấy các khối đã được yêu cầu trên ta sẽ nối dây và thiết kế điều khiển góc lái tàu như hình bên dưới:
Tiếp theo ta sẽ thiết lập thông số cho các khối đã được lắp ở trên
- Các khối Gain trên hình sẽ được chia ra 3 loại đó là K1, K2 và Ku
Các hệ số chuẩn hoá:
- Tiếp theo là khối Step được điều chỉnh như sau
- Khối tiếp là Saturation được diều chỉnh như sau
- Subsystem là khối chúng ta đã thiết kế ở phần 3.2.1 và mang vào trong sơ đồ thiết kế
- Ta vào MODELING - Model Exploer – Callbacks – InitFcn
Tại Model initialization function ta sẽ nhập hàm mà đề bài cho vào InitFcn
Ta nhập như dưới hình: k=-3.86; r1=5.666; r2=0.38; r3=0.89;
- Từ 3.2 sau khi thiết kế xong bộ điều khiển M ta nhấp vào khối Fuzzy Loggic Controller, ở phần FIS Name ta nhập “goclaitaunhom44.fis” – apply – OK