ĐKTM quản lý toàn bộ quá trình sản xuất, đối diện với các yếu tố bất định mà cácphương pháp điều khiển bền vững hoặc thích nghi thông thường không thể giải quyết,tạo nên bài toán điều kh
LÝ THUYẾT VỀ HỆ THỐNG ĐIỀU KHIỂN THÔNG MINH
Giới thiệu
Hệ thống điều khiển hiện nay được thiết kế dựa trên mô hình toán học của hệ thống vật lý, mô tả đặc tính động học của đối tượng Mô hình này cần đủ đơn giản để phân tích và đủ chính xác để mô tả các đặc điểm quan trọng Sau khi chọn mô hình, các kỹ thuật thiết kế dựa trên mô hình được áp dụng để tạo ra bộ điều khiển phù hợp Lý thuyết điều khiển đã phát triển từ lý thuyết kinh điển (sử dụng phép biến đổi Laplace và hàm truyền) đến lý thuyết hiện đại (dựa trên mô hình không gian trạng thái) để đáp ứng các yêu cầu ngày càng phức tạp.
Từ những năm 1950-1960, điều khiển tối ưu đã được phát triển, tiếp theo là các phương pháp điều khiển ngẫu nhiên, thích nghi, phi tuyến và bền vững, nhằm cung cấp cơ sở toán học để kiểm soát chính xác các hệ thống động phức tạp Bộ điều khiển sau khi thiết kế sẽ được triển khai trên phần cứng và/hoặc phần mềm để điều khiển hệ thống vật lý, và quá trình này có thể phải lặp lại để đáp ứng yêu cầu chất lượng.
Thiết kế bộ điều khiển gặp khó khăn do yếu tố bất định Với hệ thống hoạt động trong phạm vi hẹp, các bộ điều khiển kinh điển như PID có thể đáp ứng dễ dàng Tuy nhiên, khi phạm vi làm việc mở rộng, tính phi tuyến và yếu tố bất định tăng lên, yêu cầu phải áp dụng các phương pháp điều khiển hiện đại Bộ điều khiển phi tuyến đối phó với tính phi tuyến, còn bộ điều khiển thích nghi và bền vững giúp duy trì chất lượng khi có sự thay đổi bất định Các bộ điều khiển thích nghi, bền vững và thích nghi bền vững đã chứng tỏ hiệu quả trong việc điều khiển các hệ thống phức tạp như tàu vũ trụ và dây chuyền sản xuất công nghiệp.
Sự phát triển của khoa học công nghệ đã làm tăng độ phức tạp của các hệ thống điều khiển, cùng với các yếu tố bất định và yêu cầu chất lượng cao hơn Lý thuyết điều khiển thông thường không còn đáp ứng được đầy đủ các yêu cầu này, dẫn đến sự ra đời của một lĩnh vực nghiên cứu mới đầy tiềm năng và thách thức: lý thuyết điều khiển thông minh.
Khái niệm về điều khiển thông minh
Điều khiển thông minh là phương pháp điều khiển dựa trên các đặc điểm trí thông minh của con người, như khả năng học, xử lý thông tin không chắc chắn và tìm kiếm lời giải tối ưu Hiện nay, lĩnh vực này bao gồm các vấn đề ngoài phạm vi điều khiển thông thường, nhưng ranh giới giữa hai phương pháp này thay đổi theo thời gian Một hệ thống điều khiển thông minh (ĐKTM) có khả năng thu thập và sử dụng tri thức,tuy nhiên, do trí thông minh là khái niệm tương đối và có nhiều cấp độ, hệ thống ĐKTM cũng có nhiều mức độ khác nhau Việc định nghĩa chính xác "Điều khiển thông minh" gặp khó khăn do sự không đồng thuận về định nghĩa trí thông minh của con người.
Theo Albus, hệ thống thông minh là hệ thống có khả năng hoạt động hiệu quả trong môi trường bất định, với mục tiêu tăng xác suất thành công Ông chia hệ thống thông minh thành ba cấp độ:
Cấp độ tối thiểu: Hệ thống có khả năng cảm nhận, ra quyết định và điều khiển hành động.
Cấp độ trung bình: Hệ thống có khả năng nhận biết đối tượng, biểu diễn tri thức, suy luận và hoạch định tương lai.
Cấp độ cao cấp: Hệ thống có khả năng nhận thức, chọn lựa khôn ngoan và hành động thành công trong các hoàn cảnh phức tạp.
Mức độ thông minh của hệ thống phụ thuộc vào khả năng tính toán, sự tinh vi của các thuật toán và thông tin lưu trữ trong bộ nhớ.
Theo Meystel, điều khiển thông minh (ĐKTM) là quá trình tính toán hiệu quả nhằm đạt được mục tiêu của hệ thống phức tạp trong điều kiện thông tin không đầy đủ và thiếu chỉ dẫn cụ thể Ông phân chia ĐKTM thành bốn cấp độ:
1 Mức thấp (mức 1): Bù sai số.
2 Mức trung bình (mức 2): Hoạch định và bù sai số theo lập trình sẵn của người thiết kế.
3 Mức cao (mức 3): Hoạch định và bù sai số theo cách mới mà người thiết kế không đưa ra trước.
4 Mức rất cao (mức 4): Phát biểu lại nhiệm vụ khi tình huống thay đổi.
Krishnakumar cũng đề xuất phân loại ĐKTM dựa trên khả năng tự cải thiện của cấu trúc điều khiển.
Mức 0: Điều khiển bền vững – Mục tiêu là tự cải thiện sai số bám thông qua các bộ điều khiển hồi tiếp bền vững có độ lợi hằng số.
Mức 1: Điều khiển thích nghi – Tự cải thiện thông số bộ điều khiển để đạt được sai số bám tốt hơn Bộ ĐKTM cấp này thường là hồi tiếp bền vững với thông số thích nghi, đảm bảo chất lượng điều khiển khi điều kiện làm việc thay đổi.
Mức 2: Điều khiển tối ưu – Hướng đến giảm thiểu hoặc tối đa hóa một hàm mục tiêu theo thời gian, trong đó sai số tiến về 0 Bộ ĐKTM cấp này có khả năng bền vững, thích nghi và tối ưu hóa hàm mục tiêu tùy theo tình huống làm việc.
Mức 3: Điều khiển hoạch định – Ngoài khả năng của mức 2, bộ ĐKTM cấp này còn có chức năng hoạch định cho các tình huống ngẫu nhiên, khẩn cấp, và lỗi.
Trong hệ thống ĐKTM, từ “điều khiển” có nghĩa tổng quát hơn, bao gồm mô hình hệ thống sự kiện rời rạc và phương trình vi phân, dẫn đến phát triển lý thuyết điều khiển hệ thống lai Ví dụ trong nhà máy cán thép, ĐKTM không chỉ ổn định tốc độ mà còn hoạch định điểm đặt, chuẩn đoán lỗi, và tối ưu hóa quyết định kinh tế Do đó, ĐKTM quản lý toàn bộ quá trình sản xuất, đối diện với các yếu tố bất định mà các phương pháp điều khiển bền vững hoặc thích nghi thông thường không thể giải quyết,tạo nên bài toán điều khiển phức tạp hơn và đầy thách thức.
Đặc điểm của hệ thống thông minh
Để đạt được mục tiêu điều khiển tổng quát trong môi trường có nhiều yếu tố bất định, hệ thống thông minh cần sở hữu một số đặc điểm quan trọng, bao gồm:
Khả năng học và thích nghi
Khả năng suy luận và xử lý thông tin phức tạp, không chắc chắn
Khả năng xử lý tình huống lỗi và sửa sai
Khả năng tái cấu hình và mở rộng
Khả năng hoạch định và ra quyết định
Những đặc điểm này là tiêu chuẩn để đánh giá mức độ thông minh của hệ thống, và tùy theo cấp độ thông minh, hệ thống có thể có một hoặc nhiều đặc điểm nêu trên. Khả năng học và thích nghi là rất quan trọng đối với hệ thống thông minh, đặc biệt trong bối cảnh thay đổi điều kiện làm việc Trong khi tính thích nghi không yêu cầu khả năng nhớ, khả năng học cần thiết cho việc thích ứng nhanh với những thay đổi không dự đoán Hệ thống sử dụng thuật toán điều khiển thích nghi để điều chỉnh thông số nhằm đảm bảo ổn định và chất lượng Khi gặp lại tình huống đã học, hệ thống có thể truy xuất các giá trị đã lưu trữ để thích ứng nhanh chóng, trong khi thuật toán điều khiển thích nghi cần tính toán lại nếu không có thông tin lưu trữ.
Quá trình học trong hệ thống điều khiển đã được nghiên cứu từ lâu, với nhiều phương pháp như: học về đối tượng, học về môi trường, học về bộ điều khiển, và học cách đưa ra mục tiêu mới Tổng kết lại, hệ thống có khả năng học bao gồm khả năng thích nghi và có bộ nhớ để lưu trữ tri thức, giúp tránh lặp lại sai lầm trong quá khứ.
Khả năng suy luận:Hệ thống thông minh cần có khả năng suy luận để tự ứng xử và ra quyết định trong các tình huống bất ngờ, mà không thể tiên liệu trong quá trình thiết kế Nếu hệ thống chỉ thực hiện theo chỉ dẫn mà không thể tự suy luận, nó không được coi là thông minh Khả năng này cũng quan trọng để xử lý thông tin không chắc chắn và phát hiện, sửa chữa lỗi.
Tính tối ưu:Để được xem là thông minh, hệ thống phải tối ưu hóa quá trình đạt được mục tiêu Một hệ thống không thể coi là thông minh nếu có hệ thống khác hoạt động hiệu quả hơn Để đảm bảo tính tối ưu trong môi trường biến động, hệ thống cần khả năng tái cấu trúc và mở rộng.
Tính tự chủ:Tự chủ là khả năng của hệ thống trong việc tự đặt ra và đạt được các mục tiêu mà không cần can thiệp bên ngoài trong thời gian dài Tính tự chủ liên quan mật thiết đến khả năng hoạch định và ra quyết định của hệ thống.
Cấu trúc của hệ thống điều khiển thông minh
Hệ thống thông minh cần có cấu trúc phân cấp phù hợp để phân tích và đánh giá hiệu quả các chiến lược điều khiển, nhằm đối phó với sự phức tạp của đối tượng điều khiển và sự biến động của môi trường Cấu trúc phổ biến hiện nay bao gồm ba cấp: cấp tổ chức (quản lý), cấp phối hợp và cấp thực thi.
Cấp thực thi:Chứa các thuật toán điều khiển thông thường, giao tiếp với đối tượng và môi trường qua phần cứng cảm biến và cơ cấu chấp hành.
Cấp tổ chức:Gồm các phương pháp ra quyết định thông minh, giao tiếp với người vận hành.
Cấp phối hợp:Kết nối cấp thực thi và tổ chức, kết hợp các phương pháp ra quyết định thông thường và thông minh.
Cấu trúc này cho phép chỉ thị từ cấp cao được truyền xuống cấp thấp, và dữ liệu phản hồi từ cấp thấp được gửi lên cấp cao Mỗi cấp thực hiện xử lý thông tin trước khi gửi lên cấp cao hơn, đồng thời có thể truyền dữ liệu từ các hệ thống con lên các cấp trên.
Sự can thiệp của con người có thể xảy ra tại cấp giám sát thực thi điều khiển, nhưng chỉ thị vẫn được truyền từ các cấp cao.
Cấu trúc phân cấp trong hệ thống thông minh cho phép ủy thác nhiệm vụ từ cấp cao đến cấp thấp, dẫn đến sự gia tăng số lượng tác vụ khi đi từ trên xuống Các cấp cao hơn thường không đi sâu vào chi tiết đáp ứng của hệ thống mà chỉ xem xét khía cạnh tổng quát hơn, do đó, phải ra quyết định với ít thông tin hơn và trong khoảng thời gian dài hơn.
Mức độ thông minh của hệ thống tăng từ cấp thấp lên cấp cao, điều này thể hiện qua việc cấp cao ít sử dụng các phương pháp thuật toán số truyền thống mà thay vào đó là các phương pháp ra quyết định dựa trên ký hiệu Nguyên tắc này, được gọi là “tăng độ thông minh bằng cách giảm độ chính xác”, cho thấy rằng khi độ chính xác giảm, độ cụ thể của mô hình cũng giảm và độ trừu tượng của mô hình tăng lên Độ cụ thể của mô hình phụ thuộc vào khả năng của bộ điều khiển tự động.
Các lĩnh vực liên quan đến điều khiển thông minh
Điều khiển thông minh là một lĩnh vực khoa học liên ngành, kết hợp lý thuyết từ nhiều lĩnh vực như toán học, điều khiển học, máy tính và trí tuệ nhân tạo Khoa học máy tính, đặc biệt là trí tuệ nhân tạo, cung cấp các phương pháp biểu diễn tri thức và suy diễn dựa trên tri thức, trong khi các thuật toán thích nghi giúp các bộ điều khiển thông minh (ĐKTM) học và thích ứng.Sự phát triển của công nghệ cảm biến, cơ cấu chấp hành, tính toán và mạng thông tin là yếu tố quan trọng cho việc xây dựng phần cứng của hệ thống ĐKTM Điều khiển thông minh nhằm thay thế não bộ con người trong việc ra quyết định, lập kế hoạch và học các chức năng mới Mặc dù nhiều người nghĩ rằng ĐKTM chủ yếu liên quan đến các phương pháp như mạng thần kinh, logic mờ hay giải thuật di truyền, nhưng không phải tất cả các bộ điều khiển này đều được coi là thông minh Đúng hơn, chúng là công cụ hỗ trợ thực hiện các thuật toán ĐKTM, và mức độ thông minh của hệ thống phụ thuộc vào sự sáng tạo của người thiết kế trong việc áp dụng các kỹ thuật này.
Mạng thần kinh (Neural Networks) 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 truyền thống, mạng thần kinh cần được huấn luyện để học các liên kết, quan hệ chức năng và mẫu mới, giúp trang bị cho hệ thống thông minh khả năng học. Điểm mạnh nổi bật nhất của mạng thần kinh là tính thích nghi, cho phép nó tự động 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 hoặc đối tượng điều khiển thay đổi Các sơ đồ điều khiển thường sử dụng mạng thần kinh với thuật toán huấn luyện lan truyền ngược để giải quyết bài toán nhận dạng và điều khiển hệ phi tuyến phức tạp. Trong những năm gần đây, mạng thần kinh đã được áp dụng thành công trong nhiều lĩnh vực kỹ thuật như hàng không, xử lý tín hiệu, điện tử, robot, và y học Một số ứng dụng liên quan đến điều khiển bao gồm điều khiển nhiệt độ, cánh tay robot, động cơ tùy động, quá trình hóa học, và máy cán thép.
Logic mờ (Fuzzy Logic) cung cấp một phương thức suy diễn mô phỏng khả năng suy luận của con người, áp dụng vào các hệ thống cơ sở tri thức Dựa trên lý thuyết tập mờ (Fuzzy Set), logic mờ cho phép xử lý dữ liệu không chính xác và mô tả sự không chắc chắn trong quá trình nhận thức.
Hệ mờ (Fuzzy System) sử dụng logic mờ và suy luận mờ để xử lý thông tin, với hai đặc điểm chính:
1 Suy luận không chắc chắn: Hệ mờ thích hợp cho những tình huống phức tạp, nơi khó rút ra mô hình toán học chính xác.
2 Ra quyết định trong điều kiện không chắc chắn: Logic mờ cho phép đưa ra quyết định với giá trị ước lượng khi thông tin không đầy đủ.
Thiết kế dựa trên logic mờ giúp khắc phục những điểm yếu của các phương pháp truyền thống, cho phép bộ điều khiển hoạt động hiệu quả trong các quá trình phức tạp mà không cần tri thức định lượng Bộ điều khiển mờ đầu tiên được ứng dụng trong mô hình động cơ hơi nước, và sau đó, nhiều sản phẩm như điều khiển xe lửa tự động,robot, và hệ thống điều khiển máy bay đã phát triển dựa trên logic mờ, chủ yếu tạiNhật Bản, Mỹ và châu Âu.
Giải thuật di truyền (Genetic Algorithm – GA) là một phương pháp tìm kiếm lời giải tối ưu dựa trên nguyên tắc tiến hóa và quy luật di truyền của sinh vật trong tự nhiên GA sử dụng ba phép toán cơ bản: chọn lọc, lai ghép và đột biến để tiến hóa một tập hợp các nhiễm sắc thể được biểu diễn bằng chuỗi ký hiệu (nhị phân hoặc thập phân).
Bản chất của GA là tìm kiếm theo xác suất, cho phép nó hoạt động hiệu quả trong các điều kiện không chắc chắn và phi tuyến GA không phụ thuộc vào bài toán cụ thể và chỉ cần rất ít thông tin về hệ thống để thiết kế Do đó, nó có thể áp dụng cho nhiều loại bài toán phức tạp.
Cơ sở toán học của GA được phát triển bởi Holland và được mở rộng bởi nhiều nhà nghiên cứu khác GA hiện đã được ứng dụng trong nhiều lĩnh vực, bao gồm đo lường tốc độ lưu chất, hoạch định đường đi cho robot, thiết kế hệ thống điện, thiết kế mạch in, và 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 thông minh với các đặc điểm như khả năng học, suy luận và tối ưu hóa Gần đây, ba phương pháp này đã được kết hợp để phát huy ưu điểm và giảm nhược điểm của từng phương pháp, tạo ra các hệ thống lai.
Một số kết hợp phổ biến bao gồm:
1 Hệ mờ thần kinh (Neural Fuzzy System): Kết hợp mạng thần kinh với hệ mờ để tạo ra hệ thống tự chỉnh, ví dụ như ANFIS (Adaptive Neuro Fuzzy Inference Systems).
2 Mạng thần kinh mờ (Fuzzy Neural Network): Trong đó, một số phép toán của mạng thần kinh được áp dụng logic mờ để cải thiện quá trình học.
3 Hệ mờ di truyền (Genetic Fuzzy System): Tối ưu hóa các tập mờ và quy tắc suy luận mờ bằng giải thuật di truyền.
Các hệ thống lai này đã chứng minh hiệu quả trong thiết kế các hệ thống điều khiển thông minh (ĐKTM) và được ứng dụng rộng rãi trong nhiều quá trình công nghiệp như cánh tay robot, điều khiển độ pH, quỹ đạo robot, hệ thống giảm xóc ô tô, và phân loại sản phẩm.
Hướng nghiên cứu điều khiển thông minh
1.6.1 Điều khiển thông minh là một lĩnh vực nghiên cứu riêng biệt
Có quan điểm cho rằng điều khiển thông minh (ĐKTM) chỉ đơn thuần là sự kết hợp các khái niệm và phương pháp từ các lĩnh vực khác Tuy nhiên, ý kiến này không chính xác, vì lý thuyết điều khiển có những yêu cầu và bài toán riêng biệt. Trong toán ứng dụng, sự chú ý thường tập trung vào các lời giải khác nhau của phương trình vi phân, trong khi điều khiển tập trung vào việc tìm hàm kích thích (tín hiệu điều khiển) để đạt được đáp ứng hệ thống thỏa mãn các điều kiện nhất định.
Dù liên quan đến nhiều lĩnh vực, lý thuyết ĐKTM vẫn cần phát triển các khái niệm và phương pháp mới vì các bài toán điều khiển có tính chất động và yêu cầu thời gian thực, khác với các bài toán tĩnh trong khoa học máy tính Do đó, việc cải tiến và mở rộng các lý thuyết đã biết để áp dụng vào hệ thống ĐKTM là cần thiết, đồng thời cần nghiên cứu những bài toán mới, như sự kết hợp giữa hệ thống trạng thái liên tục và rời rạc.
1.6.2 Hướng nghiên cứu điều khiển thông minh
Nghiên cứu trong lĩnh vực điều khiển thông minh (ĐKTM) có thể được chia thành hai hướng chính:
1 Nghiên cứu lý thuyết điều khiển thông thường: Tập trung vào các chức năng điều khiển ở cấp thực thi và cấp phối hợp.
2 Nghiên cứu mô hình hóa và thiết kế hệ thống ra quyết định: Tìm kiếm các giải pháp ở cấp tổ chức và quản lý.
Các hướng nghiên cứu lý thuyết ĐKTM hiện nay bao gồm:
- 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.
- Các phương pháp phân tích và thiết kế hệ thống lại.
- Kỹ thuật tái cấu hình hệ thống khi có sự cố lỗi.
- Xây dựng các mô hình trừu tượng từ các phương trình vi phân để sử dụng ở cấp cao hơn.
- Vấn đề giao tiếp giữa ký hiệu và số ở các cấp trung gian và tổ chức.
- Vấn đề tiết kiệm bộ nhớ và thời gian tính toán.
- Các chiến lược học phức tạp dựa vào trực giác.
- Nghiên cứu thiết kế hệ thống có khả năng suy luận để giải quyết các vấn đề mới từ thông tin phản hồi không đầy đủ và không chắc chắn.
Trong ứng dụng, nghiên cứu về điều khiển thông minh (ĐKTM) hiện nay tập trung vào các hướng sau:
- Mạng thần kinh: Được sử dụng để thực hiện chức năng học ở tất cả các cấp của hệ thống ĐKTM Ở cấp thực thi, mạng thần kinh giúp thiết kế các bộ điều khiển thích nghi thông qua tính chất xấp xỉ tổng quát Ở cấp cao hơn, nó được sử dụng để phân loại mẫu và lưu trữ thông tin cho các bộ hoạch định.
- Logic mờ: Được áp dụng để thực hiện chức năng suy luận Tại cấp thực thi, logic mờ được dùng để thiết kế các bộ điều khiển có khả năng suy luận tương tự như người thiết kế Ở cấp phối hợp, nó giải quyết vấn đề giao tiếp giữa ký hiệu và số.
- Giải thuật di truyền (GA): Được sử dụng để tối ưu hóa ở tất cả các cấp của hệ thống thông minh Ở cấp thực thi, GA tìm thông số bộ điều khiển nhằm tối ưu hóa các chỉ tiêu chất lượng như sai số, thời gian đáp ứng và năng lượng Tại cấp tổ chức, GA được dùng để hoạch định tối ưu các tác vụ nhằm hoàn thành mục tiêu chung của hệ thống.
- Kết hợp các kỹ thuật ĐKTM: Sử dụng các hệ như hệ mờ thần kinh, hệ mờ di truyền và mạng thần kinh mờ để giải quyết các bài toán điều khiển ở cấp thực thi.
MỘT SỐ PHƯƠNG PHÁP ĐIỀU KHIỂN
Hệ mờ
2.1.1 Các khái niệm cơ bản về điều khiển mờ
Tập hợp mờ là một khái niệm trong lý thuyết tập hợp và trong lĩnh vực xử lý thông tin mờ Nó được sử dụng để mô hình hóa sự không chắc chắn và mờ mịt trong dữ liệu Trong tập hợp mờ, các phần tử không chỉ thuộc hoặc không thuộc một tập hợp một cách rõ ràng, mà có mức độ “mờ mịt” về việc thuộc hoặc không thuộc vào tập hợp đó.
Một tập hợp mờ được định nghĩa bởi một hàm mờ, còn được gọi là hàm tập hợp mờ, mà gán một giá trị từ 0 đến 1 cho mỗi phần tử trong không gian mẫu Giá trị này thể hiện mức độ thuộc của phần tử đó vào tập hợp mờ Thông thường, giá trị gần 0 cho biết phần tử không thuộc vào tập hợp mờ, giá trị gần 1 cho biết phần tử thuộc vào tập hợp mờ, và giá trị ở giữa cho biết mức độ không chắc chắn hoặc mờ mịt.
2.1.2 Độ cao, miền xác định và miền tin cậy của tập mờ Độ cao (membership degree): Độ cao là một giá trị từ 0 đến 1 được gán cho mỗi phần tử trong tập hợp mờ, để biểu thị mức độ thuộc của phần tử đó vào tập hợp mờ. Giá trị gần 1 cho biết phần tử có mức độ thuộc cao, trong khi giá trị gần 0 cho biết phần tử có mức độ thuộc thấp Độ cao thể hiện mức độ mờ mịt của phần tử trong tập hợp mờ và cho phép mô hình hóa sự không chắc chắn và sự đa dạng của dữ liệu.
Miền xác định (support): Miền xác định là tập hợp các phần tử trong không gian mẫu mà có độ cao khác 0 trong tập hợp mờ Nó đại diện cho phạm vi của tập hợp mờ, nghĩa là các phần tử mà tập hợp mờ có thể áp dụng Miền xác định là tập hợp các phần tử mà tập hợp mờ "chứa" hoặc "liên quan" đến.
Miền tin cậy (credibility): Miền tin cậy là tập hợp các phần tử trong không gian mẫu mà có độ cao bằng 1 trong tập hợp mờ Nó đại diện cho các phần tử mà tập hợp mờ chắc chắn rằng chúng thuộc vào tập hợp mờ Miền tin cậy là một phần con của miền xác định và thường đại diện cho các phần tử mà tập hợp mờ có độ chắc chắn cao về việc thuộc vào tập hợp mờ.
2.1.3 Các dạng hàm thuộc thường gặp
Hàm tam giác (triangular function): Hàm tam giác là hàm thuộc đơn giản nhất và phổ biến nhất trong lý thuyết tập hợp mờ Nó được định nghĩa bằng cách xác định ba điểm trên trục x: a, b, và c, trong đó a ≤ b ≤ c Hàm tam giác tại một điểm x có giá trị tương ứng với độ cao của nó tại điểm đó Đối với các điểm x thuộc [a, b] giá trị tăng dần từ 0 đến 1, và đối với các điểm x thuộc [b, c] giá trị giảm dần từ 1 đến 0.
Hàm hình tam giác (trapezoidal function): Hàm hình tam giác là một biến thể của hàm tam giác, nhưng có bốn điểm xác định a, b, c và d, trong đó a ≤ b ≤ c ≤ d Hàm hình tam giác tại một điểm x có giá trị tương ứng với độ cao của nó tại điểm đó Đối với các điểm x thuộc [a, b] và [c, d], giá trị của hàm là 1 Đối với các điểm x thuộc [b, c], giá trị tăng dần từ 0 đến 1 và giảm dần từ 1 đến 0.
Hàm hạng mục (sigmoidal function): Hàm hạng mục là một dạng hàm thuộc có dạng S-shaped Có nhiều biến thể của hàm hạng mục, như hàm logístic, hàm tanh và hàm Fermi Hàm hạng mục thường được sử dụng để mô hình hóa sự chuyển đổi trơn tru của độ cao từ không thuộc (0) đến thuộc (1).
Hàm Gauss (Gaussian function): Hàm Gauss, còn được gọi là hàm phân phối chuẩn, là một hàm thuộc có dạng hình chuông đối xứng Nó được sử dụng để mô hình hóa sự tập trung xung quanh một giá trị trung tâm Độ cao của hàm Gauss giảm dần từ trung tâm theo hình dạng hình chuông.
2.1.4 Các phép toán trên tập mờ
Hợp tập mờ (fuzzy union): Phép hợp tập mờ được sử dụng để kết hợp các tập hợp mờ lại với nhau Kết quả của phép hợp là một tập hợp mờ mới, trong đó độ cao của mỗi phần tử được xác định bằng giá trị lớn nhất của độ cao tương ứng trong các tập hợp mờ gốc.
Giao tập mờ (fuzzy intersection): Phép giao tập mờ được sử dụng để lấy phần chung của các tập hợp mờ Kết quả của phép giao là một tập hợp mờ mới, trong đó độ cao của mỗi phần tử được xác định bằng giá trị nhỏ nhất của độ cao tương ứng trong các tập hợp mờ gốc.
Phần bù tập mờ (fuzzy complement): Phép phần bù tập mờ được sử dụng để tìm các phần tử không thuộc vào tập hợp mờ ban đầu Kết quả của phép phần bù là một tập hợp mờ mới, trong đó độ cao của mỗi phần tử được tính bằng 1 trừ đi độ cao tương ứng trong tập hợp mờ gốc.
Phép giao nhị phân (fuzzy intersection): Phép giao nhị phân được sử dụng để tính toán mức độ giao nhau giữa hai tập hợp mờ Kết quả của phép giao nhị phân là một giá trị số thể hiện mức độ tương đồng hoặc tương phản giữa hai tập hợp mờ.
Phép hợp nhị phân (fuzzy union): Phép hợp nhị phân được sử dụng để tính toán mức độ hợp nhau giữa hai tập hợp mờ Kết quả của phép hợp nhị phân là một giá trị số thể hiện mức độ tương đồng hoặc tương phản giữa hai tập hợp mờ.
2.1.5 Biến ngôn ngữ và giá trị của biến ngôn ngữ:
Tên biến (variable name): Đây là tên đại diện cho thuộc tính hoặc đặc trưng của đối tượng mà biến ngôn ngữ đang mô hình hóa Ví dụ: "nhiệt độ", "tốc độ", "chiều cao".
Mạng thần kinh
2.2.1 Giới thiệu 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 hóa và xử lý lỗi Bộ não con người gồm khoảng
10 tế bào thần kinh liên kết với nhau thành mạng Tế bào thần kinh sinh học có cấu tạo như hình, mỗi tế bào thần kinh sinh học gồm ba thành phẩn chính là thân tế bào (soma), một hệ thống hình cây các đầu dây thần kinh vào (dendrite) và một trục (axon) dẫn đến đầu dây thần kinh ra Tại đầu của các dây thần kinh có các khớp thần kinh (synapse) để kết nối với các tế bào thần kinh khác Mỗi tế bào thần kinh trong bộ não con người có khoảng 10 khớp thần kinh Có hai loại khớp nối: khớp nối kích thích (excitatory) hoặc khớp nối ức chế (inhibitory).
Tín hiệu truyền trong các dây thần kinh vào và dây thần kinh ra của các tế bào thần kinh là tín hiệu điện phát sinh thông qua các quá trình phản ứng và giải phóng các chất hữu cơ Các chất này được phát ra từ các khớp nối dẫn tới các dây thần kinh vào sẽ làm tăng hay giảm điện thế của nhân tế bào Khi điện thế này đạt đến một ngưỡng nào đó, sẽ tạo ra một xung điện dẫn đến trục dây thần kinh ra Xung này được truyền theo trục, tới các nhánh rẽ khi chạm tới các khớp nối với các tế bào thần kinh khác sẽ giải phóng các chất truyền điện Quá trình lan truyền tín hiệu cứ tiếp tục như vậy cho đến khi đến đầu ra cuối cùng.
2.2.2 Tế bào thần kinh và mạng thần kinh nhân tạo
Mạng thần kinh nhân tạo (gọi ngắn gọn là mạng thần kinh) có thể xem như là kinh (đơn vị xử lý) kết nối với nhau bởi các liên kết Mỗi liên kết kèm theo một trọng số, đặc trưng cho đặc tính kích thích hay ức chế giữa các tế bào thần kinh.
Mỗi tế bào thần kinh được nối với các tế bào thần kinh khác và nhận các tín hiệu x, từ chúng với các trọng số wj. Đặt: x = [x1x2… xm] T : vector tín hiệu vào tế bào thần kinh w = [w1w2… wm] T :vector trong số của tế bào thần kinh
Quá trình xử lý thông tin của tế bào thần kinh có thể chia thành hai phần: xử lý ở ngõ vào và xử lý ở ngõ ra Hàm xử lý ở ngõ vào là hàm tổng có dạng như sau.
Hàm tuyến tính(linear function):
Hàm toàn phương(quadratic function):
Trong các biểu thức trên, 0 là mức ngưỡng của tế bào thần kinh Thường hàm tổng ở ngõ vào được sử dụng nhiều nhất là hàm tuyến tính Ngõ ra của mỗi tế bào thần kinh được cho bởi biểu thức:
� = �(�) Hàm�(.) gọi là hàm tác động (activation function) hay hàm truyền (transfer function). Các dạng hàm tác động thường dùng là:
Hàm tuyến tính bão hòa
Chú ý rằng, tế bào thần kinh có m tín hiệu vào với mức ngưỡng�có thể biến đổi tương đương thành tế bào thần kinh có m+1 tín hiệu vào với mức ngưỡng �= 0 như sau:
Tổng có trọng số của các tín hiệu vào của tế bào thần kinh ở hình 3.5 là:
2.2.2.2: Mạng thần kinh nhân tạo
Mạng thần kinh nhân tạo gồm nhiều tế bào thần kinh liên kết chặt chẽ với nhau. Tùy theo cấu trúc mạng, người ta chia ra các loại mạng sau.
Mạng một lớp là mạng chỉ gồm một lớp tế bào thần kinh xử lý.
Mạng nhiều lớp là mạng gồm nhiều lớp tế bào thần kinh xử lý.
Mạng truyền thẳng là mạng mà trong đó tín hiệu chỉ truyển theo một chiều từ ngõ vào đến ngõ ra.
Mạng hồi quy là mạng mà trong đó có tín hiệu hồi tiếp từ ngò ra trở về ngỏ vào.
2.2.3 Các phương pháp huấn luyện mạng thần kinh nhân tạo
Mạng thần kinh nhân tạo phải được huấn luyện trước khi sử dụng Có hai kiểu học:
Học thông số (Parameter Learning): để cập nhập các trọng số liên kết giữa các tế bào thần kinh trong mạng.
Học cấu trúc (Structure Learning): để thay đổi cấu trúc mạng, bao gồm số tế bào thần kinh và cách liên kết giữa chúng.
2.2.3.1 Học có giám sát (Supervised Learning):
Trong phương pháp học có giám sát, dữ liệu huấn luyện mạng thần kinh là tập các mẫu (dữ liệu vào dữ liệu ra) mong muốn Giả sử có K mẫu dữ liệu huấn luyện mạng:
Ban đầu các trọng số của mạng được khởi động giá trị bất kỳ Lần lượt từng dữ liệu vào x(k) được đưa vào các ngõ vào của mạng, mạng thần kinh tính được dữ liệu ở ngõ ra là y(k) Dữ liệu ra y(k) được so sánh với dữ liệu ra mong muốn d(k) Sai số e(k) = d(k) – y(k) được sử dụng để cập nhật trọng số của mạng.
2.2.3.2 Học củng cố (Reinforcement Learning)
Trong phương pháp học có giám sát, chúng ta đã biết dữ liệu ở ngõ ra của mạng tương ứng với mỗi mẫu tín hiệu vào Tuy nhiên trong thực tế, không phải lúc nào chúng ta cũng có được thông tin đầy đủ như vậy Ví dụ, trong một số trường hợp chúng ta chỉ biết ngô ra thực của mạng là "đúng" hay "sai" so với ngõ ra mong muốn Phương pháp học dựa trên thông tin đánh giá như trên gọi là học củng cố Thông tin đánh giá chỉ cho biết mức độ “đúng” hay “sai” của ma trận trọng số mà không chỉ dẫn được phải thay đổi ma trận trọng số như thế nào để đi đến kết quả đúng.
2.2.3.3 Học không có giám sát (Unsupervised Learning)
Trong phương pháp học không có giám sát, không có thông tin phản hồi cho biết ngõ ra của mạng là đúng hay sai Mạng thần kinh phải tự phát hiện các đặc điểm, các mối tương quan, hay các nhóm của tập mẫu dữ liệu vào và mã hóa chúng thành dữ liệu ra của mạng Trong khi phát hiện ra các đặc điểm này, mạng thần kinh thay đổi thông số của nó, quá trình này gọi là tự tổ chức.
Có thể so sánh ba phương pháp học của mạng thần kinh nhân tạo với ba cách học của bộ não con người:
Bộ não con người Mạng thần kinh nhân tạo
Học có sự hướng dẫn của giáo viên Học có giám sát
Học có sự đánh giá của giáo viên Học củng cố
Tự học Học không có giám sát
2.2.4 Mạng truyền thẳng một lớp
Mạng truyển thẳng một lớp, hay còn gọi là mạng perceptron dơn giản (simple perceptron) Hàm tông ở ngò vào của Perceptron là hàm tuyến tính, hàm tác động ở ngõ ra có thể là hàm dấu, hàm tuyến tính hay hàm dạng S Tùy theo từng loại hàm tác động mà ta có các thuật toán khác nhau để huấn luyện perceptron.
Mạng thần kinh nhân tạo đơn giản nhất là Perceptron có hàm tác động là hàm giới hạn cứng, mạng này thường được gọi tắt là Perceptron Thuật toán huấn luyện mạng gọi là thuật toán học Perceptron Perceptron được quan tâm nghiên cứu rất nhiều vì nó có khả năng tổng quát hóa từ những vector mẫu huấn luyện và khả năng học từ các trọng số và mức ngưỡng ngẫu nhiên bất kỳ Perceptron đặc biệt thích hợp với những phân loại mẫu đơn giản Mạng Perceptron có ưu điểm là mạng nhanh và tin cậy Ngoài ra, việc hiểu hoạt động của perceptron cung cấp kiến thức cơ bản tốt để hiểu các mạng phức tạp hơn.
Xét mạng Perceptron có m ngõ vào và n ngõ ra (H.3.11) Tổng trọng số của các ngõ vào Perceptron thứ i:
Ngõ ra của Perceptron thứ i (giả sử hàm tác động là hàm nấc):
0 �ế� ��� � < 0 (� = 1, �) Cho K mẫu dữ liệu vào-ra:
ỨNG DỤNG CỦA HỆ THỐNG ĐIỀU KHIỂN THÔNG MINH
Mô hình hóa
Bước 1: Ta gọi khối Fuzzy Logic Designer bằng lệnh fuzzy trong Command Window
Bước 2: Vào File New fis Sugeno để lựa chọn phương pháp suy luận mờ
Bước 3: Ta chọn Edit Add Variable Input để thêm các biến ngõ vào:
Bước 4: Ta cài đặt các hàm thành viên trong khối Membership function Editor, chuẩn hóa các giá trị ngõ vào và ngõ ra về [-pi/8 pi/8]
Bước 5: Sau dó ta vào Edit Rules để thêm các luật mờ
1 NE NE NE NE NB
2 NE NE NE ZE NB
3 NE NE NE PO NM
4 NE NE ZE NE NB
5 NE NE ZE ZE NM
6 NE NE ZE PO NE
7 NE NE PO NE NM
8 NE NE PO ZE ZE
9 NE NE PO PO ZE
10 NE ZE NE NE NB
11 NE ZE NE ZE NM
12 NE ZE NE PO NE
13 NE ZE ZE NE NM
14 NE ZE ZE ZE NE
15 NE ZE ZE PO ZE
16 NE ZE PO NE NE
17 NE ZE PO ZE ZE
18 NE ZE NE PO PO
19 NE PO NE NE NM
20 NE PO NE ZE NE
21 NE PO PO PO ZE
22 NE PO ZE NE NE
23 NE PO ZE ZE ZE
24 NE PO ZE PO PO
25 NE PO PO NE ZE
26 NE PO PO ZE PO
27 NE PO PO PO PM
28 ZE NE NE NE NB
29 ZE NE NE ZE NM
30 ZE NE NE PO NE
31 ZE NE ZE NE NM
32 ZE NE ZE ZE NE
33 ZE NE ZE PO ZE
34 ZE NE PO NE NE
35 ZE NE PO ZE ZE
36 ZE NE PO PO PO
37 ZE ZE NE NE NM
38 ZE ZE NE ZE NE
39 ZE ZE NE PO ZE
40 ZE ZE ZE NE NE
41 ZE ZE ZE ZE ZE
Và các tập mờ chuẩn hóa
Thiết kế bộ điều khiển
Transfer Fcn: Đầu In và out:
Thu các khối vào Subsystem:
Fuzzy Logic Controller with Rulerviewer