Luận văn thạc sĩ ngành điều khiển tự động ĐHBKHN mạng điều khiển fuzzy và neural

Cần phải đạt được những đòi hỏi điều khiển tăng nhanh trong những hệ thống điều khiển động phức tạp dưới những thay đổi quan trọng đã làm cho việc dùng những kỹ thuật thông minh như mạng

MỞ ĐẦU

Những kỹ thuật điều khiển truyền thống như điều khiển Tích phân tỉ lệ(PI) hay điều khiển Vi tích phân tỉ lệ(PID) được ứng dụng thành công trong điều khiển những quá trình tuyến tính Gần đây, điều khiển tiên đoán mô hình (MPC) cũng thực hiện thành công trong điều khiển những hệ thống tuyến tính Tuy nhiên, khoảng 90% những quá trình sinh học và hoá học là phi tuyến cao

và hầu hết chúng là những hệ MIMO.Khi hệ thống là phi tuyến và/hoặc MIMO, những kỹ thuật truyền thống trên thường mắc phải sai sót khi điều khiển những

hệ thống như thế Ngày nay, những hệ thống được dùng trong công nghiệp đòi hỏi độ tự quản cao và những kỹ thuật trên không có khả năng để đạt được điều này

Cần phải đạt được những đòi hỏi điều khiển tăng nhanh trong những hệ thống điều khiển động phức tạp dưới những thay đổi quan trọng đã làm cho việc dùng những kỹ thuật thông minh như mạng nơron, lôgic mờ và thuật giải di truyền trong những hệ thống điều khiển trở nên hấp dẫn Những lý do chính đằng sau điều này là khả năng của chúng có thể “học” để xấp xỉ hàm và phân loại mẫu và tiềm năng của chúng trong thực thi phần cứng song song đồ sộ, phương pháp điều khiển thông minh phỏng theo quá trình xử lý thông tin không rõ ràng và ra quyết định điều khiển của con người cũng như bắt chước quá trình tiến hoá sinh học để tạo ra giải pháp tối ưu Nói cách khác, chúng có khả năng thực thi (cả phần mềm và phần cứng) nhiều chức năng cần thiết để điều khiển hệ thống với

độ tự quản cao

Sơ đồ hệ thống điều khiển được mô tả như sau:

Hình i Sơ đồ điều khiển đối tượng phi tuyến Như vậy, ở đây có hai bộ điều khiển:

 Điều khiển Feedforward : là bộ điều khiển neuro-mờ cung cấp những tín hiệu điều khiển chính để lái đối tượng phi tuyến theo đúng quỹ đạo setpoint

Bộ điều khiển này là bộ điều khiển mờ ứng dụng khả năng học của mạng nơron để tinh chỉnh những thông số của nó

 Điều khiển Feedback: bù tín hiệu, nó cung cấp những tín hiệu điều khiển hiệu chỉnh cần thiết để điều chỉnh và loại nhiễu trong những lân cận nhỏ xung quanh quỹ đạo điều khiển Bộ điều khiển này cũng là bộ điều khiển mờ nhưng ứng dụng thuật giải di truyền để tinh chỉnh thông số của nó

Kết quả mô phỏng cho thấy sơ đồ điều khiển trên đã lái đối tượng phi tuyến đi xuyên suốt khoảng công tác của nó với độ chính xác cao

Phần sau đây sẽ đề cập đến đối tượng phi tuyến và những kỹ thuật điều khiển được thiết lập trong luận văn

Trong bối cảnh hiện thời, việc sản xuất năng lượng đối mặt với rất nhiều vấn

đề khó khăn Trong số đó, điều quan trọng nhất là: tuổi thọ của thiết bị chính tại những tổ hợp năng lượng, đầu tư tài chính không chắc chắn cho những tổ hợp mới, việc cạnh tranh giữa những nhà sản xuất năng lượng độc lập để thoả mãn đòi hỏi năng lượng của người dùng và những áp lực để đạt được những yêu cầu quản lý nghiêm ngặt để sử dụng tối đa nguồn tài nguyên thiên nhiên và tối thiểu ảnh hưởng đến môi trường

Việc vận hành của tổ hợp năng lượng nhiên liệu than (NLNLT), loại tổ hợp được dùng rộng rãi nhất cho việc sản xuất năng lượng, đã bị tác động mạnh Đầu tiên, một NLNLT phải hổ trợ mục tiêu chính của hệ thống năng lượng là đáp ứng yêu cầu tải cho năng lượng điện ở mọi thời điểm, ở điện áp không đổi

và tần số không đổi Sau đó là việc cạnh tranh giữa tính thiết thực và yêu cầu thị trường khác đã tăng cường việc dùng NLNLT [Armor 1985] Cuối cùng, những yêu cầu nghiêm ngặt trong việc bảo trì và kéo dài tuổi thọ của thiết bị chính và những luật giảm ảnh hưởng đến môi trường cần phải được tuân thủ Trong đó:

 Những yêu cầu vận hành chu kỳ của NLNLT trong khoảng tải rộng mặc

dù chúng được thiết kế cho vận hành ở tải không đổi Những yêu cầu biến đổi tải có thể đến từ những chiến lược kinh tế được tính toán tại những trung tâm năng lượng hay từ những dao động tải hệ thống Vận hành theo tải tin cậy và hiệu quả sẽ đảm bảo việc thoả mãn hàng ngày, hàng tuần và theo mùa của yêu cầu năng lượng điện và những thay đổi tải ngẫu nhiên không đoán trước cho đến những giới hạn vật lý của tổ hợp

 Việc kéo dài tuổi thọ thiết bị là quan trọng vì nó tối đa việc dùng tài sản, giới hạn thời gian chết và tối thiểu những chi phí vận hành và bảo trì Nguyên nhân chính của vòng đời ngắn của bất kỳ hệ thống nào là vận hành ứng suất cao Trong NLNLT, những ứng suất nhiệt phụ thuộc vào những dao động áp suất và nhiệt độ hơi là đặc biệt quan trọng Hầu hết ứng suất nghiêm trọng xảy ra trong suốt quá trình khởi động và những biến đổi tải lớn đột ngột

 Một NLNLT có hiệu suất trong khoảng 30 đến 35%, nghĩa là tốc độ nhiệt trong khoảng 11400-9800 Btu/KWh Tốc độ nhiệt chịu ảnh hưởng bởi nhiều hệ số, chẳng hạn những điều kiện hơi, áp suất bộ ngưng tụ, nhiệt độ nước làm mát, nhiệt độ môi trường, khí áp,…Tốc độ nhiệt tăng khi làm việc tại những tải khác với tải cơ sở Việc tiêu tốn nhiên liệu và giá cả làm cho việc cải tiến tốc độ nhiệt như là một tiêu chuẩn về mặc kinh tế

 Việc trộn không hoàn hảo giữa không khí và nhiên liệu sẽ làm vượt quá lượng không khí để tránh việc nhiên liệu không được đốt hết, mà sẽ dẫn đến việc tạo khói đen và khí CO độc cũng như những lượng nhiên liệu dư khá nguy hiểm Bên cạnh đó lượng không khí dư sẽ dễ hình thành những chất không mong muốn khác như sunfua dioxit, nitrogen oxit và làm giãm hiệu suất boiler do nhiệt bị tiêu phí trong khí nhiên liệu

Tấ cả những yêu cầu được đề cập ở trên đã dẫn đến việc phát triển những phương pháp điều khiển linh hoạt và toàn diện hơn Chúng cũng cung cấp những chức năng cần thiết cho việc vận hành theo tải diện rộng chất lượng cao

và đồng thời cũng thoả mãn những ràng buộc trong việc bảo quản và kéo dài tuổi thọ của thiết bị chính, giải phóng chất ô nhiễm và tiêu tốn nhiên liệu dưới những thay đổi vật lý và những điều kiện kinh tế Do đó, ngay cả khi theo tải cũng cần xem xét việc ổn định tần số và điện áp, những hệ thống điều khiển hiệu quả hơn cũng cần được thiết kế để thoả mãn tối ưu những mục tiêu vận hành, những xung đột tổng quát để mà NLNLT có thể vận hành thành công dưới bất kỳ tình huống hoạt động nào

Bên cạnh đó, dưới những đòi hỏi của thị trường hiện thời, một phương pháp toàn bộ cho vận hành và điều khiển những tổ hợp năng lượng là rất quan trọng cho sự tồn tại của bất kỳ hệ thống điện nào Khi được ứng dụng hoàn hảo, những hệ thống điều khiển và những thiết bị có thể tăng cường hiệu suất vận hành máy, tính ổn định và tin cậy cũng như sự sẵn sàng, vì thế làm giảm việc tiêu tốn nhiên liệu, chi phí vận hành và bảo trì mà hầu như rất tốn kém trong một tổ hợp năng lượng Vì vậy, thật cần thiết để phát triển những hệ thống tự động hiệu quả và liên quan mật thiết đến toàn bộ chiến lược và hệ thống điều khiển của tổ hợp để giữ chúng vận hành hiệu quả và có lợi

Cũng cần lưu ý rằng việc sử dụng rất nhiều hệ thống điều khiển và thiết bị dựa trên máy tính với những dụng cụ kỹ thuật số xử lý thông tin mạnh mẽ và tin cậy hơn cho phép những nhà thiết kế tập trung nhiều hơn trên việc thực thi những ứng dụng phần mềm đáp ứng những thử thách được đề cập ở phần trên

Vì tính linh hoạt của phần mềm, và những chi phí cho việc phát triển và bảo trì

có thể dễ dàng cài đặt vào những phần cứng mà nó chạy trong đó, những nổ lực lớn trong việc thiết kế và phát triển những hệ thống phần mềm toàn diện và tổng quát để dễ dàng kết hợp những ứng dụng vận hành tiện lợi( ví dụ, bảo vệ, điều khiển và tự động hoá) để tăng cường hiệu suất của những tổ hợp năng lượng [Garduno and Sanchez 1995, Garcia and Garduno 1998]

Trong luận văn này tác giả sẽ thiết kế một hệ thống điều khiển toàn bộ Hệ thống này sẽ kết hợp giữa các lĩnh vực kỹ thuật điều khiển, kỹ thuật phần mềm

và kỹ thuật quá trình Trong đó kỹ thuật phần mềm được xem là rất quan trọng

để thiết kế hệ thống điều khiển cho NLNLT

CHƯƠNG I

TỔNG QUAN

1.1 Giới thiệu về mạng nơron và logic mờ

Vào cuối thập kỷ 80 công ty Addison Wesley Publishing Company đã gây xôn xao dư luận khi tung ra thị trường Neural Network (Mạng trí tuệ thần kinh) được ví như là một kỹ xảo kỹ thuật gia công các thông tin mới, nhanh và chính xác Chúng là các máy tính bắt chước cách sống giống hệ thống thần kinh, các máy tính này làm việc khá khác biệt so với các máy tính thông thường Nơron Network xử lý nhiều dữ liệu song song tại cùng một thời điểm, không phải là

xử lý từng dữ liệu một Chúng xử lý rất nhiều dữ liệu đầu vào cùng một lúc, củng cố tăng cường một vài cái này, thu nhỏ giảm bớt những cái khác Đa số chúng đều phải làm theo một khuôn mẫu cho trước Chúng tìm kiếm mẫu trong hàng loạt các thí dụ, nhận dạng mẫu, tìm kiếm các mẫu đầy đủ từ nguồn dữ liệu trong hệ thống, hoặc xây dựng lại mẫu đúng từ cái bị bóp méo Rất nhiều các ví

dụ phải làm với sự am hiểu sáng sưốt và các dữ liệu khách quan như thị giác, thính giác và các tín hiệu khác Nhìn chung, các ví dụ chứng tỏ cách chạy này

có nhiều đặc tính của con người hơn là các máy tính được lập trình sẵn

Ngày nay, trí tuệ nhân tạo đang phát triển mạnh mẽ nhằm tạo ra cơ sở xây dựng các hệ chuyên gia, hệ trợ giúp quyết định Trí tuệ nhân tạo được xây dựng trên cơ sở mạng nơron nhân tạo và ứng dụng trong thiết kế hệ thống điều khiển thông minh mà trong đó bộ điều khiển có khả năng tư duy như bộ não của con người đang là xu hướng mới trong điều khiển tự động Mạng nơron là sự tái tạo bằng kỹ thuật những chức năng của hệ thần kinh con người với vô số các nơron được liên kết truyền thông với nhau trong mạng

Điều khiển mờ là một phương pháp điều khiển thông minh phỏng theo quá trình xử lý thông tin không rõ ràng và ra quyết định điều khiển của con người Phương pháp này rất thích hợp để điều khiển các đối tượng phức tạp, không xác định được mô hình toán và các đối tượng phi tuyến Tuy nhiên, bộ điều khiển

mờ thường được thiết kế bởi quan điểm, cách nhìn riêng của người thiết kế Người thiết kế biến sự hiểu biết, kinh nghiệm của mình về quá trình cần điều khiển thành các biến ngôn ngữ và các qui tắc mờ mô tả mối quan hệ giữa chúng Do đó công việc thiết kế thường mang nặng tính “thử sai”, khi gặp các đối tượng phức tạp người thiết kế sẽ mất rất nhiều thời gian mà kết quả có được

có thể sẽ không tối ưu Vấn đề tự chỉnh bộ điều khiển mờ là một trong những vấn đề đã được quan tâm nghiên cứu rất nhiều từ khi điều khiển mờ khẳng định được là một phương pháp hiệu quả để điều khiển các đối tượng phức tạp

Do đó để giảm đi việc tính toán thủ công và rút ngắn thời gian thiết kế,người

ta kết hợp logic mờ và mạng nơron tạo ra khả năng tự chỉnh cho các tập mờ Và

hệ thống này được gọi là hệ neuro-mờ

Hầu hết những quá trình công nghiệp là phi tuyến và biến đổi theo thời gian Nhận dạng hệ thống phi tuyến đang trở thành một công cụ quan trọng mà có thể được dùng để cải tiến quá trình điều khiển và đạt được độ bền vững cao Có nhiều kỹ thuật nhận dạng phi tuyến khác nhau,trong đó có nhận dạng bằng mạng nơron ,nhận dạng bằng mô hình mờ và những phương pháp dựa trên mô hình neuro-mờ đang dần được thiết lập không những trong giáo trình mà cả trong những ứng dụng công nghiệp Mô hình neuro-mờ được xem như là một

kỹ thuật hộp xám nằm giữa mạng nơron và mô hình mờ định tính Những công

cụ để xây dựng những mô hình neuro-mờ dựa trên sự kết hợp những thuật toán

từ lĩnh vực mạng nơron,xác nhận đặc tính và phân tích hồi quy Phương pháp neuro-mờ cho nhận dạng hệ thống phi tuyến có ưu điểm là cân bằng giữa sự chính xác của mạng nơron và tính diễn giải được

1.2.Tình hình nghiên cứu mạng nơron và logic mờ trên toàn cầu:

Nghiên cứu về mạng Nơron đã được quan tâm từ những năm 40 của thế kỷ

20 Khoảng những năm 90 Nơron được đặc biệt chú ý bởi khả năng ứng dụng rộng lớn của nó

Chương trình nghiên cứu về Nơron tập chung nghiên cứu ở Mỹ (50 tổ chức trong các viện nghiên cứu và trường đại học,riêng California đã có 15 tổ chức nghiên cứu) Ở Anh có 20 tổ chức,Đức (7),Nhật (7), Pháp (6), Thụy sỹ(4),Thụy điển (4),Hà lan (4),Australia (3), Ytalia (3),Canađa (3), Nga(1),Czech (1),Balan(1),Hungary(1), Hàn quốc (1),Singapor (1),Hong kong (1)v.v…Ơ Mỹ, tại bang California,Trường Đại học California San diego có Chương trình tính toán và Hệ thống Nơron của Caltech, Viện tính toán Nơron, Nhóm nghiên cứu khoa học Máy tính Nhận thức,Trung tâm nghiên cứu Ngôn ngữ,Phòng thí nghiệm Kỹ thuật Nơron,Trung tâm Sloan Sinh học Nơron Lý thuyết Đại học California Santa Cruz có Nhóm Máy Dạy học, Nhóm Sinh học tính toán Đại học Nam California có Phòng thí nghiệm Tính toán Nơron Đại học Stanford có nhóm Lập trình Gen Ở Carlsbad có Động lực học Nơron ứng dụng Ở Moffett Field có Nhóm Kỹ thuật Nơron NASA

Bang Massachusetts, có Trung tâm Dạy học Tính toán và Sinh học tại Viện Công nghệ Massachusetts -MIT,Nhóm tính toán ở khoa Não và khoa học Nhận thức thuộc MIT,NeuoDyne Ins, Cambridge

Bang Washington có Phòng Thí nghiệm ứng dụng,Trí tuệ Tính toán thuộc Đại học Washington,Nhóm Nghiên cứu Nơron tại Phòng thí nghiệm Xử lý Thông tin Nhóm nghiên cứu Nơron thuộc Phòng thí nghiệm Pacific Northwest tại Washington

Bang Texas có Phòng thí nghiệm Kỹ thuật Nơron R&D thuộc Đại học Texas ở Austin.Phòng thí nghiệm Tính toán Ứng dụng tại đại học Kỹ thuật Texas

Bang Pensylvania có Trung tâm Cơ sở Nơron của Nhận thức tại Carnegie

Bang New Jersey có Nhóm Nghiên cứu Nơron Nhân tạo ở Viện nghiên cứu NEC,Princeton Nhóm Nhận thức,Trí tuệ và Tính toán dựa trên DNA,ở Viện nghiên cứu NEC,Princeton v.v…

Anh: có Trung tâm Mạng Nơron tại trường Hoàng gia London Trung tâm

Hệ thống Nơron tại Đại học Edinburgh Nhóm Nghe,Nhìn và Robot Đại học Cambridge Nhóm Nghe,Nhìn và Hệ thống Thông minh Đại học Southhampton.Nhóm Nghiên cứu Trí tuệ Nhân tạo thuộc Đại học Nottingham Nhóm nghiên cứu Hệ thống Thông minh, khoa Khoa Học Máy tính thuộc Đại học London v.v…

Nhật: có Phòng Thí nghiệm Robot và Cơ -Điện tử thuộc Đại học Nagoya Phòng thí nghiệm Okabe và Hirose thuộc Đại học Tokyo Phòng thí nghiệm Sinh-Điện tử thuộc Đại học Nagoya.Phòng thí nghiệm Nghiên cứu Xử lý Thông tin Người ở Kyoto v.v…

Đức: có Viện Tin học Nơron ở Đại học Ruhr,Bochum Nhóm nghiên cứu Mờ

và Tính toán Mềm tại Đại học Braunschweig Nhóm Nhiên cứu Mờ và Nơron tại Đại học Công nghệ Damstardt Nhóm Nhìn- Máy tính và Nhận dạng thuộc Đại học Bon Trung tâm nghiên cứu Trí tuệ Nhân tạo Đức DFKI thuộc Kaiserlautern Nhóm Nghiên cứu Nơron của GMD FIRST tại Berlin.Viện Logic, Tổ hợp và Hệ thống Suy diễn tại Đại học Karlsruhe

Pháp: có Nhóm nghiên cứu Tin-Sinh học Trường Cao cấp,Pari Nhóm tính toán Nơron thuộc Phòng Tin học Pari Nord Nhóm nghiên cứu Nơron ở LEIBNIZ, Grenoble Nhóm nghiên cứu Laplace,Mô hình gần đúng trong Robot

và Trí tuệ Nhân tạo ở LEIBNIZ, Grenoble

Hungary: có Nhóm Xử lý thông tin Nơron thuộc Đại học Eotvos Lorand, Budapest

1.3.Một số công trình nghiên cứu mạng Nơron đã công bố ở nước ngoài:

Đa số các nhà nghiên cứu các Hệ thống Thông minh chấp nhận rằng : Trí tuệ Tính toán (Computational Intelligence) do Hội đồng Mạng Nơron Thế giới đưa

ra vào năm 1991 và Tính toán mềm (Soft computing) do Lofti A Zadeh, giáo sư đại học California Berkeley đua ra năm 1990 là đồng nghĩa và được sử dụng thay thế lẫn nhau Trí tuệ Tính toán được chấp nhận là một thuật ngữ để biểu

diễn các kỹ thuật cho việc ra quyết định dựa trên việc xử lý thông tin không chắc chắn Về cơ bản, Trí tuệ Tính toán bao gồm Logic Mờ, Mạng Nơron , Thuật giải Di truyền, Lập luận Xác xuất,các Phương pháp Học, Lý thuyết Hỗn độn, các Hệ chuyên gia Một điều quan trọng cần nhấn mạnh là Trí tuệ Nhân tạo không chỉ là một tập hợp các phương pháp luận cho lập luận dựa trên thông tin không chắc chắn mà là sự liên kết các phương pháp trong đó mỗi phương pháp đều có lợi thế riêng để tiến tới đạt mục tiêu chung Bởi vậy, các thành phần của Trí tuệ Tính toán phải được xem như các phần bổ xung cho nhau chứ không phải tương đương Tất cả các kỹ thuật đó nhằm mục đích đưa ra một dạng “ Máy Thông minh “nào đó mà nó có thể bắt chước sự sưy nghĩ của con người trong việc ra quyết định Động cơ chủ yếu cho việc sử dụng Trí tuệ Tính toán

là khai thác khả năng xử lý thông tin không chính xác, không chắc chắn, chỉ đúng một phần và kết quả đạt được là tính dễ áp dụng,sự năng động và các giải pháp chi phí thấp cho các vấn đề phức tạp Đây cũng là mục tiêu do giáo sư Lofti A Zadeh , Đại học California Berkeley (người sáng tạo Lý thuyết Tập Mờ 1965) đưa ra vào đầu những năm 1990 đối với sự phát triển của các Hệ Thông minh

Hai dạng của Mạng Nơron thường được sử dụng trong Kỹ thuật Robot là Mạng Hopfield và Mạng Perceptron nhiều lớp do Hopfied đa ra 1982, Kohonen

1984, Rumelhart 1986 Những mạng khác bao gồm Mạng Cạnh tranh & Hợp tác do Amari &Arbib nghiên cứu năm 1977 và Mạng Thưởng phạt do A.G.Barto&C.W.Anderson 1983

Hệ thống Robot bao gồm 3 hệ thống phụ là : Hệ thống truyền động, Hệ thống Nhận dạng và Hệ thống Điều khiển Những vấn đề chính của Điều khiển Robot bao gồm Động học, Động lực học, Lập kế hoạch đường đi (Thiết lập quĩ đạo ), Điều khiển, Cảm biến, Lập trình và Trí tuệ (Thông minh)

Mạng Nơron có thể giảm tổ hợp tính toán và giải những bài toán robot được đưa ra “yếu” Lời giải giải tích của động học ngược làm chính xác kết quả số, trong khi lời giải Mạng Nơron nói chung không làm chính xác.Công việc phát triển Động học ngược Nơron được T.Iberall phát triển năm 1987, A.Guez năm1988

Trong Động lực học Robot Nơron , M.Kawato,Furukawa,Sưzuki phát triển năm 1987 Y.Uno &M.Isobe 1988 S.G.Tzafestas1986, M.Kawato,Y.Maeda,Y.Uno &Sưzuki 1990

Mạng Nơron sử dụng nhằm thiết lập quĩ đạo được K.Tsưtsưmi 1988, H.liu1988, R.Ecmiller 1987

Bài toán lập quĩ đạo tránh vật cản sử dụng Mạng Hopfield được H.matsưmoto& K.Tsưtsưmi phát triển

Trường hợp Robot Di động, Thiết lập quĩ đạo với Mạng Nơron được nghiên cứu bởi V.Seshadri1988.Ở đây Mạng Nơron cố gắng cực tiểu hoá độ dài đường

đi Nick Vallidis đã nghiên cứu điều khiển Hexapod di động bằng mạng Nơron ,

2000 L.M.Reyneri, M.Chiaberge Khoa điện tử, Đại học Bách khoa Torino- Italy nghiên cứu phần cứng-Mạng Mờ-Nơron điều khiển Hexapod Di động, 1993-2000

Điều khiển Robot bằng Mạng Nơron được gọi là Điều khiển khớp bằng mô hình tiểu não CMAC do Albus 1975 –1979 Giáo s F.L.Lewis,Viện nghiên cứu Robot và Tự động hoá, Đại học Texas –Arlington USA đã ứng dụng CMAC để điều khiển hệ động lực phi tuyến, 1997

Nhận dạng hệ động lực phi tuyến sử dụng mạng Nơron được S.J.Jagannathan, Liên hợp Phân tích Tự động hoá, USA nghiên cứu năm 1996 Y.Pao&D.Sobasic 1987 thực hiện hệ thống điều khiển vị trí robot hai bậc tự do

sử dụng Mạng Nơron Perceptron

A.Guez sử dụng mô hình thích nghi (MRAC) W.T Miler sử dụng kỹ thuật CMAC trong liên kết với phương pháp điều khiển mô men R.Elsley thực hiện điều khiển Jacobi ngược,sử dụng Mạng Perceptron nhiều lớp

Mạng Nơron Được sử dụng trong cảm biến và điều khiển Robot nhiều lớp, liên tục bởi R.Esley, &Y.Pati 1988

Điều khiển thích nghi hệ động lực học phi tuyến sử dụng mạng Nơron được giáo sư A.M.Annaswamy, Phòng thí nghiệm Điều khiển thích nghi - Khoa Chế tạo Máy – Viện Công nghệ Massachusetts –MIT nghiên cứu, 1997

Ứng dụng Mạng Nơron điều khiển ngược theo vết được giáo sư K S Narendra, Trung tâm Khoa học Hệ thống, Đại học Yale,USA nghiên cứu, 1999 Giáo sư Vukobratovic, Trung tâm Robot, Viện Mikhailo Pupin, Nam tư (cũ ), phó chủ tịch Viện Hàn lâm Khoa học, đã nghiên cứu phân loại mô hình động lực học môi trường trên cơ sở Nơron để điều khiển robot,1998

Bộ điều khiển Mờ-Nơron để dẫn huớng Robot Di động và hộ tống đội robot được giáo sư M.M.Trivedi Khoa Kỹ thuật Điện và Máy tính, Đại học California San Diego,USA nghiên cứu,1998

Giáo sư, Viện sĩ, Vámos Tibor, nguyên Viện trưởng Viện Tin học và Tự động hoá- Hungary, - nguyên chủ tịch Hội Máy tính Neyman János (Von Neyman), nguyên chủ tịch Hội Điều khiển Tự động Quốc tế IFAC đã nghiên cứu kỹ thuật Nhận dạng –Trí tuệ Nhân tạo cho robot

Giáo sư,Viện sĩ Hyungsưck Cho, Khoa Chế tạo máy,Viện Khoa học &Công nghệ Cao cấp Hàn quốc- KAIST, Hãng Thép và Kim loại Pohang-POSCO, Viện trưởng Viện Điều khiển,Tự động hoá và Kỹ thuật Hệ thống, đã nghiên cứu điều khiển và cảm biến nano cho robot,2001

Giáo sư T.Fukuda, Khoa Kỹ thuật Vi Hệ thống,Trung tâm Hợp tác Khoa học

&Công nghệ Cấp cao, Đại học Nagoya- Nhật bản, nguyên Chủ tịch Hội Robot

và Tự động hóa Quốc tế, Chủ tịch Hội đồng Công nghệ Nano Quốc tế, đã nghiên cứu Mạng Mờ-Nơron -Thuật giải AND để điều khiển robot, 2000 Công nghệ Nano đang mở ra những triển vọng to lớn Việc chế tạo ra những robot

nhỏ cỡ Nano 10-9mm đòi hỏi những nghiên cứu mới về cơ sở lý thuyết cũng như công nghệ Giáo sư Toshio Fukuda, đặc biệt nhấn mạnh tầm quan trọng của Robot Micro-Nano trong Kỹ thuật Robot và Tự động hoá tương lai

Giáo sư,Viện sĩ G.M.Edelman,giải thưởng Nobel, Viện trưởng Viện Khoa học Nơron - USA,Chủ tịch Hội nghiên cứu Khoa học Nơron Quốc tế, đã mô phỏng Nơron hệ thống Nghe-Nhìn của loài chim để điều khiển robot,1999 Giáo sư đã khẳng định, việc nghiên cứu này đặc biệt quan trọng dưới ánh sáng của lý thuyết Não Hiện đại, nhấn mạnh tầm quan trọng của môi trường và thực nghiệm Motor-Cảm biến Nơron Sự hiểu biết những nguyên tắc cơ bản của não sẽ có ảnh hưởng mạnh mẽ đến thiết kế Hệ thống Nhân tạo hoạt động trong thế giới thực.Chúng ta tin tưởng rằng những nghiên cứu mô hình Nơron tổng hợp sẽ tham gia một cách có ý nghĩa bởi sự thiết lập mối liên hệ trực tiếp giữa khoa học Tự nhiên và Khoa học Kỹ thuật, đưa ra tư tưởng mới trong lĩnh vực Robot

và Trí tuệ Nhân tạo

1.4.Một số công trình nghiên cứu mạng Nơron đã công bố ở trong nước:

Ở Việt nam bắt đầu nghiên cứu Nơron từ năm 1992 tại Viện Cơ học và Viện Tin học trong khuôn khổ đề tài cấp Nhà nuớc KC-02 Điều khiển thời gian thực Hiện nay một số cơ sở đang nghiên cứu như Trung tâm Tự động hoá-Viện tin học, Khoa Công nghệ Thông tin - ĐHBK.HN, Bộ môn Điều khiển Tự động ĐHBK.HN, Học viện Bưu chính Viễn thông, Khoa Công nghệ Thông tin ĐHBK.HCM,Đại học Giao thông Vận tải, Viện Vật lý, Viện toán học, VietcomBank, Viện Năng lượng Nguyên tử, Học viện Kỹ thuật Quân sự, Đại học Quốc gia - HCM Công tác đào tạo được triển khai, đã có những luận án Tiến sĩ (2), Thạc sĩ và buớc đầu được giảng dạy cho sinh viên Tuy nhiên những nghiên cứu thường rải rác,chưa tập trung thành những nhóm nghiên cứu mạnh

để có thể bước đầu đưa vào ứng dụng và có thể hợp tác với các tổ chức quốc tế

1.5 Tổng quan về tình hình nghiên cứu tổ hợp năng lượng nhiên liệu than

Một NLNLT cung cấp năng lượng điện là kết quả của những quá trình chuyển đổi năng lượng Cụ thể, những chuyển đổi chính là sự đốt cháy nhiên liệu đầu vào, tạo hơi, phát triển chuyển động quay, sản xuất năng lượng điện và ngưng tụ hơi Tất cả những chuyển đổi này tạo thành một chu trình nhiệt động lực học lớn và phụ thuộc lẫn nhau cao độ

Những chiến lược điều khiển hiện thời cho phép tạo ra năng lượng cần thiết

để thoả mãn yêu cầu tải trong khi duy trì sự cân bằng giữa những quá trình chuyển đổi trong tổ hợp Chủ yếu, chúng gắn kết ngõ ra năng lượng lưu lượng hơi của boiler với năng lượng được yêu cầu bởi tuabin-máy phát để đạt được tải điện ở mọi thời điểm Sơ đồ điều khiển tổ hợp cấu thành lớp cao nhất của hệ thống điều khiển và nó chịu trách nhiệm cho việc điều khiển boiler-tuabin-máy

phát như một đối tượng đơn Đặc tính nổi bật của tổ hợp được quản lý thông qua những vòng điều khiển năng lượng và áp suất Việc phát triển từ những cấu hình vòng điều khiển SISO dựa trên thuật toán điều khiển PID, những chiến lược này có thể phân loại thành ba lớp: điều khiển theo boiler, điều khiển theo tuabin và điều khiển boiler-tuabin

Sơ đồ theo boiler được dùng đầu tiên Trong sơ đồ này, boiler sẽ chờ đợi hành động của tuabin để sản xuất năng lượng Những van điều khiển tuabin điều chỉnh lưu lượng hơi vào trong tuabin với đối số là công suất yêu cầu Sau

đó, điều khiển boiler tương ứng với những thay đổi trong lưu lượng hơi và áp suất Sai lệch áp suất tiết lưu so với setpoint được dùng bởi điều khiển quá trình đốt nhiên liệu để điều chỉnh lượng nhiên liệu và không khí vào trong buồng đốt,

và việc tạo hơi được hiệu chỉnh theo yêu cầu của tuabin Thuận lợi của phương pháp này là đáp ứng nhanh với thay đổi tải: tuabin là một dụng cụ hoạt động nhanh có thể đáp ứng rất nhanh với những yêu cầu tải sử dụng năng lượng nhiệt được lưu trữ trong boiler Điều bất lợi là phương pháp này thể hiện việc điều khiển áp suất tiết lưu ít ổn định vì boiler có xu hướng vượt quá vì nó đòi hỏi thời gian để hoà hợp với tuabin

Sơ đồ điều khiển theo tuabin được dùng trong những năm 60-70 Trong sơ

đồ này, tuabin sẽ theo những hoạt động của boiler Yêu cầu công suất được dùng bởi điều khiển đốt tại boiler để điều chỉnh lượng nhiên liệu và không khí vào trong buồng đốt để điều chỉnh việc sản xuất hơi Sau đó điều khiển tuabin đáp ứng bằng cách hiệu chỉnh những van tiết lưu để giữ áp suất tại setpoint Tuabin chịu trách nhiệm hoàn toàn trong việc điều khiển áp suất tiết lưu Thuận lợi của phương pháp này là đáp ứng rất ổn định với những thay đổi tải với sự dao động áp suất hơi và nhiệt độ tối thiểu, vì những thay đổi tải phụ thuộc vào hoạt động của boiler là thiết bị chậm hơn so với tuabin Bất lợi chính của phương pháp là không sử dụng khả năng lưu trữ năng lượng của boiler, vì thế tạo ra đáp ứng chậm hơn

Được sử dùng nhiều nhất trong thập kỷ 50 là sơ đồ điều khiển phù hợp(coordinated control (CC)) Trong sơ đồ này, công suất được đưa đồng thời đến boiler và tuabin Phụ thuộc vào các cặp biến được điều khiển và điều khiển, có hai sơ đồ cho CC: sơ đồ theo boiler và sơ đồ theo tuabin [Landis and Wulfsohn 1988] Với sơ đồ thứ nhất, bộ điều khiển tải tạo lệnh cho van tiết lưu hơi từ yêu cầu tải tổ hợp và công suất tạo ra, bộ điều khiển áp suất tạo lệnh cho cho van nhiên liệu/không khí từ áp suất tiết lưu đo được và setpoint áp suất mà

sẽ có được từ yêu cầu tải tổ hợp thông qua ánh xạ phi tuyến (hình 1.1) Trong

sơ đồ thứ hai, bộ điều khiển tải tạo lệnh cho những van nhiên liệu/không khí từ yêu cầu tải tổ hợp và công suất tạo ra Lệnh đến van tiết lưu được tính toán từ

áp suất hơi tiết lưu đo được và setpoint áp suất mà sẽ có được từ yêu cầu tải tổ hợp thông qua ánh xạ phi tuyến (hình 1.2)

Những chiến lược điều khiển phù hợp sẽ kết hợp những thuận lợi của hai chiến lược trên và tối thiểu những bất lợi cuả chúng, nghĩa là , chúng cố gắng giữ đặc tính đáp ứng ổn định của sơ đồ theo tuabin và đặc tính đáp ứng nhanh

của sơ đồ theo boiler Để đạt được đáp ứng nhanh,tuabin-máy phát được phép

sử dụng năng lượng được lưu trữ trong boiler Để đạt được ổn định, điều khiển boiler hiệu chỉnh tốc độ đánh lửa theo tải yêu cầu, trong khi giữ cho tuabin không vượt quá năng lượng được cung cấp bởi boiler Đáp ứng tổ hợp ở CC phải nhanh hơn sơ đồ theo tuabin nhưng không nhanh bằng sơ đồ theo boiler Những ưu điểm khác của phương pháp điều khiển phù hợp là khả năng dễ dàng thực hiện giảm tải và biến đổi áp suất với điều khiển tải chính xác

Từ quan điểm thực tế, người ta mong muốn có một cấu trúc tổng quát cho điều khiển phù hợp mà có thể cấu hình lại với bất kỳ sơ đồ hoạt vận hành nào, hoặc có thể được điều chỉnh để thể hiện bất kỳ ứng xử nào giữa các sơ đồ điều khiển Những cấu trúc này chứa những cấu hình nhiều vòng lặp phân tán của những bộ điều khiển SISO dùng những thuật toán cổ điển PI hay PID Những

sơ đồ này đối mặt với những thách thức nghiêm trọng bởi những yêu cầu vận hành theo tải diện rộng Trong những điều kiện này, hiệu suất có thể giảm do những biến đổi phi tuyến lớn và những hiệu ứng kết hợp của những quá trình động Người ta đã dùng những bộ bù để tăng cường sơ đồ điều khiển phù hợp nhiều vòng lặp bằng cách giảm những hiệu ứng tương tác giữa các vòng điều khiển Rất nhiều nghiên cứu đã được thực hiện trong nhiều thập kỷ qua nhưng hầu hết các kết quả đều là những sản phẩm riêng của những nhà phát triển và không có một phương pháp được chấp nhận rộng rãi hay tổng quát để thực thi chúng, vì thế cần thiết những phương pháp thiết kế mang tính hệ thống và tổng quát hơn Điểm cốt yếu là việc thiết kế bộ bù tương tác dựa trên mô hình toán học là gần như không thể thực hiện và trở nên quá phức tạp sẽ loại bỏ ứng dụng của nó

Hình 1.1 Sơ đồ điều khiển theo boiler

Hình 1.2 Sơ đồ điều khiển theo tuabin

1.5.1 Những hệ thống điều khiển tiên tiến

Mặc dù không có định nghĩa chung cho điều khiển tiên tiến, nhiều phương pháp

đã dùng những mô hình toán học của quá trình, hoặc là ở quá trình thiết kế hay trong suốt quá trình vận hành, hiện thời được gọi là tiên tiến Hầu hết sự chú ý tập trung vào chỉ số hiệu suất toàn phương Ứng dụng thực tế của kỹ thuật này cho điều khiển toàn bộ bị giới hạn bởi tính phức tạp của việc thực thi, dễ bị ảnh hưởng bởi sự không chắc chắn của mô hình, cần phải reset lại hoạt động của các bộ điều khiển, và việc dùng những kỹ thuật điều khiển tuyến tính trong những hệ thống phi tuyến cao độ Mặc dù không phải là một chiến lược điều khiển tổ hợp toàn bộ, ứng dụng liên quan nhất của những kỹ thuật điều khiển tối

ưu nhiều biến mà [Nakamura và Uchida 1989] đã đưa vào vận hành một bộ điều chỉnh toàn phương tuyến tính cho những nhiệt độ hơi trong boiler của một

tổ máy 500MW tại Kyushu Electric Company, Japan, 1978 Bước đột phá này, trong đó những sơ đồ điều khiển nhiệt độ, gồm những kỹ thuật khác như nhận dạng và dự đoán không gian trạng thái, lập trình toán học phi tuyến, điều khiển thích nghi tham khảo mô hình và tối ưu đã trở thành chuẩn cho những tổ hợp năng lượng than của người Nhật trong suốt 25 năm qua, cho phép họ vận hành với những mức cao nhất của hiệu suất nhiệt

Người ta cũng thực hiện nhiều nghiên cứu để áp dụng những phương pháp tách riêng ra(decoupling) để làm giảm hay loại bỏ những ảnh hưởng tương tác giữa các vòng điều khiển Trong sơ đồ điều khiển tổ hợp theo boiler dùng bộ bù dựa trên hồi tiếp trạng thái để giảm ảnh hưởng tương tác của hệ thống cho tổ hợp 150 MW ở Ontario Hydro, Canada Bộ bù tạo ra những tín hiệu bù cho bốn ngõ vào điều khiển chính là tổng của những tín hiệu điều khiển chính và vectơ

trạng thái quá trình sử dụng những ma trận độ lợi hằng số, được tính từ mô hình tuyến tính không gian trạng thái bậc 9 của máy Vectơ trạng thái được dự đoán dùng bộ lọc Kalman Những kết quả mô phỏng cho thấy tải có khả năng vận hành trong khoảng 75% đến 100% khoảng vận hành tải với lỗi biến quá trình và ảnh hưởng tương tác giảm Không có chi tiết về số lượng mô hình tuyến tính được dùng trong khoảng tải cũng như những ma trận độ lợi trong khoảng đó Những bộ điều khiển tách rời dựa trên mô hình bậc 12 được thực thi trong máy thực So với điều khiển truyền thống, sơ đồ tách riêng xấp xỉ làm cho lỗi điều khiển giảm, tăng độ ổn định tải thấp, hiệu chỉnh thông số đơn giản và không nhạy với những biến đổi máy Khó khăn chính với phương pháp tách riêng là thiết kế bộ bù tách riêng Thiết kế bộ bù động là quá nặng nề và sự phức tạp ngăn cản ứng dụng của chúng

Về nguyên tắc, điều khiển thích nghi dường như rất phù hợp cho điều khiển toàn bộ nhà máy điện Khả năng của hệ thống điều khiển liên quan với những thay đổi động của quá trình rất hấp dẫn cho vận hành diện rộng Trong [Marc, et

al 1980] ảnh hưởng của nhiễu và biến đổi thông số trong thiết kế một bộ điều khiển thích nghi cho máy phát hơi 250 MW được xem xét Trong [Mabius, et

al 1980] một cơ cấu thích nghi tham khảo mô hình được đề nghị để cung cấp những tín hiệu điều khiển tăng cường cộng vào những tín hiệu điều khiển của điều khiển vòng mở Giả sử vận hành xung quanh một điểm vận hành cố định,

lý thuyết điều khiển tuyến tính được dùng để thiết kế bộ điều khiển, những thông số luật điều khiển được điều chỉnh dùng sơ đồ dựa trên Lyapunov để bảo đảm sự ổn định của vòng kín Không may, chỉ có thiết kế được thể hiện mà không có kết quả về hiệu suất hệ thống điều khiển

Những phuơng pháp điều khiển bền vững cũng được đề nghị cho điều khiển

tổ hợp Trong [Weng and Ray 1997] một chiến lược điều khiển truyền hồi tiếp được đề xuất cho điều khiển theo tải bền vững diện rộng Điều khiển truyền thẳng tối ưu những ngõ vào điều khiển, nhận những ràng buộc của chúng, dọc theo khoảng vận hành diện rộng và điều khiển hồi tiếp được dùng để khắc phục những bất định mô hình máy và nhiễu ngoại sinh đảm bảo ổn định và hiệu suất bền vững Điều khiển truyền thẳng giải quyết bài toán lập trình phi tuyến cho hàm tối ưu và những ràng buộc dọc theo đặc tính tải đã cho Điều khiển hồi tiếp được thiết kế dùng kỹ thuật H Phương pháp này thoả mãn yêu cầu hiệu suất trong khoảng 40-100% khoảng tải và loại bỏ tốt nhiễu biết trước Một vài nhược điểm là những yêu cầu tính toán quá nhiều, cùng với thông tin đáp ứng tần số và mô hình tuyến tính của máy

Mặc dù có tiến bộ lớn trong lý thuyết hệ thống điều khiển, những thực thi những sơ đồ tiên tiến cho NLNLT vẫn còn hiếm Do những sơ đồ đề xuất không thể hiện tốt dưới những yêu cầu thế giới thực chẳng hạn hiệu suất thời gian thực, khoảng vận hành diện rộng, động quá trình phức tạp và nhiều chiều hay những điều kiện giả sử hiếm khi xảy ra trong thực tế là nhiễu Gauss, thông

số quá trình hằng số, đo đúng và chính xác, động quá trình được biết Có lẽ, bất

lợi chính của hầu hết những phương pháp tiên tiến này là yêu cầu những mô hình toán học chính xác cho thiết kế và vận hành Bậc và độ phức tạp cao của của tổ hợp năng lượng đã ngăn cản việc thực thi những sơ đồ điều khiển tập trung dựa trên mô hình toán học Nói cách khác, tính huống này đã thúc đẩy sự tồn tại lâu dài của những cấu hình nhiều vòng dựa trên những thuật toán điều khiển PID truyền thống

1.5.2 Những phương pháp lai thông minh

Vẫn có một phương pháp thứ ba áp dụng những kỹ thuật thông minh nhân tạo nổi bật gần đây hay sự pha trộn của chúng với điều khiển tiên tiến và truyền thống, trong một nổ lực liên quan đến những phức tạp mà không được giải quyết thoả mãn bởi những kỹ thuật được đề cập ở phần trên

Trong [Mamdani 1974, Mamdani and Assilian 1975], một bộ điều khiển dựa trên lý thuyết tập mờ [Zadeh 1965, Zadeh 1968, Zadeh 1973] được giới thiệu lần đầu tiên Giải thuật mờ mô phỏng quá trình lập luận của con người, được dùng để điều khiển máy hơi nước trong phòng thí nghiệm Áp suất hơi và tốc độ rotor được điều chỉnh bằng cách thao tác ngõ vào nhiệt boiler và độ mở tiết lưu máy theo một tập những luật ngôn ngữ Thực nghiệm chỉ ra rằng những kết quả tương tự hay tốt hơn so với những bộ điều khiển cổ điển Công việc này minh hoạ tính khả thi trong việc xây dựng những giải thuật xác định thời gian thực hiệu quả, mở đầu một lĩnh vực mới trong kỹ thuật điều khiển

Trong [Ray and Majumder 1985] lý thuết tách rời phi tuyến và lôgic mờ được dùng để điều chỉnh áp suất bao hơi và mức nước bao hơi trong một tổ hợp 200MW ở những điều kiện vận hành khác nhau Đầu tiên, một luật điều khiển tách rời được thiết kế cho mô hình máy phi tuyến bậc ba với giả sử rằng thông

số hệ thống được biết chính xác và là những hệ con SISO không tương tác Sau

đó, những bộ điều khiển lôgic mờ được dùng cho điều khiển vòng kín trong mỗi

hệ con Hiệu suất tốt của sơ đồ điều khiển đạt được khi tính với nhiễu trạng thái, biến đổi thông số ngẫu nhiên và từng phần, thay đổi setpoint, nhạy thông số,tách rời không hoàn hảo và thiếu tách rời

Trong [Marcelle, et al 1994] một sơ đồ điều khiển kết hợp logic mờ và điều khiển tối ưu cho vận hành chu trình của những tuabin hơi lớn được thể hiện Ứng suất tua bin tổng và lỗi tải được tối thiểu bằng cách gắn kết điều khiển van điều chỉnh tuabin và áp suất hơi boiler Một hệ thống mờ ưu tiên những đối tượng hiệu suất và cung cấp những trọng số trong hàm gía trị mà được dùng bởi

bộ điều khiển tối ưu Sau đó, một thuật toán điều khiển dự đoán mô hình được dùng để tính van tối ưu và những giá trị setpoint áp suất để cân bằng giữa theo tải tốt và tối thiểu ứng suất Hiệu suất tốt hơn khi so sánh với bộ điều khiển áp suất biến đổi và áp suất hằng số và cũng với một bộ điều khiển dự đoán mô hình với những độ lợi cố định và thời gian dự đoán cố định

Trong [Dimeo and Lee 1995] giải thuật di truyền được dùng để tinh chỉnh tối

ưu sơ đồ điều khiển kết hợp dựa trên PI và bộ điều khiển hồi tiếp trạng thái cho

một tổ hợp phi tuyến bậc ba Đối tượng điều khiển là theo đáp ứng bước ở ngõ

ra áp suất và công suất Trong khi nững ứng dụng khả thi của giải thuật di truyền là cơ cấu tinh chỉnh hoàn hảo, vẫn có một vài sai xót trong những cấu trúc điều khiển được đề xuất Vị trí của những độ lợi kết hợp chéo trong sơ đồ điều khiển kết hợp dựa trên PI là không thuận tiện, vì nó tạo ra đáp ứng dao động và sơ đồ điều khiển tối ưu giả sử rằng tất cả các biến trạng thái sẵn sàng cho mô phỏng

Trong [Tevera 1995] một sơ đồ tổ hợp có thể cấu hình lại có thể chuyển giữa những chiến lược điều khiển khác nhau( ví dụ, theo boiler, theo tuabin và điều khiển hoà hợp) Cấu hình lại hệ thống được thực hiện trực tuyến bởi bốn hệ chuyên gia làm việc cùng nhau tại mức giám sát Hệ đầu tiên nhận định trạng thái vận hành và những yêu cầu cho tổ hợp Hệ thứ hai tính toán hiệu suất của

sơ đồ điều khiển khi vận hành Hệ thứ ba tính toán hiệu suất của những sơ đồ khác dưới những điều kiện hiện thời Cuối cùng, hệ thứ tư sơ đồ nào là tiện lợi nhất và chuyển sơ đồ nếu được phép của người vận hành Điều khiển được thực hiện thành công trong một hệ thống phát triển và tính toán phần mềm điều khiển dùng mô hình tổ hợp toàn bộ

Trong [Garduno and Lee 1997], một sơ đồ điều khiển thứ tự hai mức cho vận hành diện rộng NLNLT được thể hiện Tại mức giám sát một bộ quản lý tham chiếu mờ tạo những quỹ đạo setpoint theo chính sách vận hành áp suất biến đổi

để điều khiển tải theo bất kỳ đặc tính nào.Tại mức điều khiển, thực thi chiến lược truyền thẳng-hồi tiếp Điều khiển truyền thẳng gồm một tập những hệ suy luận mờ MISO được thiết kế từ dữ liệu vào ra trạng thái xác lập Đường hồi tiếp gồm những bộ điều khiển PID với cấu hình nhiều vòng Với chiến lược này, đường truyền thẳng cung cấp hầu hết tín hiệu điều khiển cho vận hành diện rộng, giàm bớt những nổ lực điều khiển của những bộ điều khiển PID Đường hồi tiếp cung cấp tín hiệu điều khiển bù để điều chỉnh và loại nhiễu trong những lân cận nhỏ quanh những quỹ đạo lệnh Những kết quả mô phỏng cho thấy tính khả thi của sơ đồ điều khiển để đạt được vận hành theo tải chu kỳ

Những nghiên cứu lớn được thực hiện ở Nhật để phát triển những sơ đồ lai để đạt được cải tiến kỹ thuật trong vận hành máy điện[Matsuoka, et al.1993] Sau những thực thi thành công của điều khiển tối ưu nhiều biến trong suốt hơn hai mươi năm qua, người Nhật đang tạo ra bước đột phá kỹ thuật thứ hai trong điều khiển máy điện thông qua việc thực thi những sơ đồ lai dựa trên những giải thuật và những hệ neuro-mờ Những cách giải hoàn tất được tìm kiếm để giải quyết những vấn đề sau:1) những quá trình lớn hơn và phức tạp hơn gồm mô hình toán học của chúng, 2)độ phi tuyến mạnh hơn, kết hợp và tương tác biến đổi theo thời gian giữa những hệ con và 3)thoả mãn những yêu cầu chặt chẽ trong ổn định và tối ưu hệ thống

Ở Mỹ Intelligent Control Systems Initiative, được thành lập với sự liên kết giữa Electric Power Research Institute (EPRI) và National Science Foundation (NSF) năm 1993 gồm hai mươi mốt dự án nghiên cứu để tìm những ứng dụng

có giá trị và sáng kiến mới và thiết lập lý thuyết nền tảng và những chương

trình tin cậy cho việc thiết kế và phát triển những hệ thống thông minh và thích nghi Một vài phương pháp điều khiển thông minh được đầu tư là:1) lập kế hoạch giám sát off-line và on-line bằng lập luận tự động hay học từ những ví dụ của con người, 2) mô hình định tính dùng những hệ chuyên gia và lôgic mờ và 3)trí tuệ nhân tạo và học máy dùng những phương pháp mạng nơron, giải thuật

di truyền, tiến hoá và học cưỡng bức, đôi khi kết hợp với những kỹ thuật tối ưu toán học

1.5.3 Phát biểu vấn đề

Luận văn này sẽ trình bày ý tưởng cho việc phát triển những hệ thống điều khiển thông minh cho đối tượng phi tuyến mà cụ thể là tổ hợp năng lượng, nghĩa là phát triển những hệ thống quản lý năng lượng nhân tạo được thiết kế điều khiển thông minh bởi hệ thống máy tính giống như bộ não con người Những những yêu cầu chính cho hệ thống điều khiển là:

 Thiết kế mở cung cấp những yêu cầu chức năng và vận hành để đạt được

độ linh hoạt, cho ứng dụng trong môi trường thị trường biến đổi cao

 Vận hành người dùng cuối đơn giản và hiệu suất cao, liên kết với tự động hoá và kỹ thuật điều khiển

 Kiến trúc hệ thống có cấu trúc, điều này sẽ dẫn đến việc phát triển phần mềm điều khiển và tự động hoá tương ứng

Từ những kết quả đạt được, có thể thấy rằng những chiến lược điều khiển phù hợp cấu thành mức điều khiển cao nhất trong NLNLT hiện thời và chúng cũng chịu trách nhiệm cho việc điều khiển boiler-tuabin-máy phát như một đối tượng đơn Kế đến, NLNLT là một quá trình phức tạp, chịu nhiều thay đổi điều kiện vận hành mà sẽ thể hiện như một hệ thống thông minh mà với nó khái niệm điều khiển tích hợp tiên tiến là cần thiết

Việc phát triển kỹ thuật khi thiết kế hệ thống điều khiển tổ hợp năng lượng để

hổ trợ và làm cho dễ dàng hơn việc thực thi những hệ thống điều khiển năng lượng phân tán và thứ bậc lớn và để tích hợp những kỹ thuật thông minh nhân tạo liên kết tính hệ thống với sự phức tạp của quá trình và những yêu cầu vận hành của nó Trong luận văn này sẽ thiết lập một sơ đồ điều khiển tổng quát gọi

là hệ thống điều khiển phù hợp thông minh ứng dụng những kỹ thuật thông minh nhân tạo là mạng nơron, logíc mờ và thuật giải di truyền để đưa đối tượng được điều khiển vào đúng quỹ đạo của nó với những yêu cầu vận hành khác nhau Để làm được điều này, hệ thống điều khiển trên tích hợp những chức năng học máy, quan sát ứng xử, cơ cấu thích nghi, tạo lệnh và tính toán điều khiển, tất cả chúng đều cần thiết cho những đặc tính vận hành tự quản hiệu quả

và linh hoạt

1.5.4 Đối tượng và phạm vi

Đối tượng chính của đề tài nghiên cứu này là tăng cường mức điều khiển tự động những máy năng lượng thông qua việc mở rộng khái niệm điều khiển phù hợp cho NLNLT và tính hiện thực của nó qua những kỹ thuật thông minh nhân tạo

Phạm vi của đề tài sẽ tập trung vào những điểm sau:

 Tất cả những nghiên cứu và phát triển trong đề tài này sẽ tập trung ở tổ hợp máy điện nhiên liệu than loại bao hơi truyền thống(NLNLT), vì chúng thể hiện kỹ thuật được dùng nhiều nhất để tạo năng lượng điện và cấu thành cách chính để điều chỉnh những thông số quan trọng nhất (công suất, tần số và điện áp) ảnh hưởng đến chất lượng năng lượng điện trong những hệ thống năng lượng liên kết

 Chỉ những điều kiện động bình thường cùa NLNLT được xem xét Đề tài tập trung trong hệ thống điều khiển cần thiết cho trạng thái vận hành bình thường mà chiếm đến 99% thời gian vận hành Không nổ lực nào liên quan đến báo động, khẩn cấp, quá mức, hồi phục trạng thái Cần lưu ý rằng trạng thái bình thường không phải là trạng thái xác lập vì trong thực

tế nhà máy điện không bao giờ vận hành ở trạng thái xác lập

 Thiết kế hệ thống điều khiển sẽ bao hàm chỉ chiến lược điều khiển nền tảng Việc phát triển những chiến lược tự động hoá, khoá liên động và bảo vệ như được cho trong bất kỳ hệ thống điều khiển nào sẽ không được thực hiện Cũng thế, đề tài chỉ đề cập đến những chức năng điều khiển cơ bản để lái quá trình trong suốt pha vận hành tải, không có chức năng khởi động và shutdown

 Việc phát triển hệ thống điều khiển sẽ được giới hạn ở vấn đề hệ thống và tính khả thi của nó Tất cả chương trình sẽ được mô phỏng trên máy tính

cá nhân dùng môi trường phần mềm phòng thí nghiệm Không có việc thực thi hệ thống ở môi trường thực Đây cũng là bản chất nghiên cứu của đề tài

 Đề tài sẽ chỉ phát triển tập hàm tối thiểu cần thiết cho điều chỉnh và tự động hoá hệ thống năng lượng toàn bộ, đề xuất tính linh hoạt tối đa để hổ trợ điều khiển tải và điều khiển nhiều tổ hợp trong những sơ đồ nhà máy điện

 Phương pháp đề xuất sẽ được tính toán và so sánh với những phương pháp truyền thống Thậm chí loại hệ thống điều khiển này không tồn tại,

việc tính toán sẽ được thực hiện với hiệu suất theo tải là yêu cầu quan

trọng nhất cần được thoả mãn

1.5.5 Tổng quan đề tài

Việc phát triển hệ thống điều khiển phù hợp thông minh(ICCS) gồm bộ giám sát nhiều đại diện thông minh sẽ tính toán điều khiển ở mức trực tiếp Những chức năng giám sát gồm tạo lệnh và tối ưu, học và thích nghi, giám sát trạng

thái và hiệu suất(Hình 1.3) Mức trực tiếp gồm những sơ đồ điều khiển truyền thẳng/hồi tiếp nhiều biến Việc thực thi lõi của hệ thống được hình thành bởi ba môđun: sepoint, bộ xử lý điều khiển truyền thẳng và bộ xử lý điều khiển hồi tiếp (hình 1.4) Giám sát hiệu suất và trạng thái cũng như những hàm học và thích nghi được thực thi hoặc là ở dạng off-line hoặc bao gồm hoàn toàn trong môđun chính

Hình 1.3 Hệ thống điều khiển phù hợp thông minh

Hình 1.4.Sơ đồ khối điều khiển

Với bất kỳ quỹ đạo lệnh tải nào, bộ tạo setpoint sẽ tạo những quỹ đạo setpoint cho những vòng điều khiển mức thấp hơn thông qua nhóm những ánh

xạ được thiết kế tối ưu Ánh xạ setpoint được thiết kế bằng cách giải bài toán tối

ưu nhiều đối tượng, trong đó những hàm đối tượng và hàm phù hợp của chúng

có thể là bất kỳ Phương pháp này cho phép tối ưu quá trình và cung cấp những phương pháp chỉ định chính sách vận hành cung cấp độ phân tán lớn những tình huống vận hành theo nhiều đối tượng vận hành Sơ đồ điều khiển truyền thẳng-hồi tiếp hai bậc tự do được đề xuất là một mở rộng của sơ đồ điều khiển hồi tiếp SISO tuyến tính với cả hai điều khiển truyền thẳng tham chiếu và nhiễu, cho trường hợp nhiều biến phi tuyến để đạt được vận hành diện rộng Bộ xử lý điều khiển truyền thẳng được thực thi dùng những hệ thống suy luận mờ MISO, được thiết kế từ dữ liệu vào ra xác lập, dùng kỹ thuật học mạng nơron Đường điều khiển hồi tiếp được thực thi như một sơ đồ điều khiển nhiều vòng phân tán dựa trên bộ điều khiển PID mờ và bù tương tác Những bộ điều khiển PID mờ kết hợp những kỹ thuật điều khiển gain-scheduling và multimode dùng hệ thống

suy luận mờ loại Sugeno

CHƯƠNG 2

MẠNG NƠRON, LÔGIC MỜ

VÀ NHỮNG ỨNG DỤNG CỦA CHÚNG

TRONG ĐIỀU KHIỂN QUÁ TRÌNH

Chương này sẽ thể hiện những ứng dụng nổi bật của mạng nơron trong điều khiển quá trình Người ta nhận thấy rằng những phương pháp lai dùng mạng nơron dang hứa hẹn nhiều triển vọng cho điều khiển những hệ thống phi tuyến và/hoặc MIMO mà không thể điều khiển thành công bằng những kỹ thuật truyền thống

2.1.Giới thiệu

Những kỹ thuật điều khiển truyền thống như điều khiển Tích phân tỉ lệ(PI) hay điều khiển Vi tích phân tỉ lệ(PID) được ứng dụng thành công trong điều khiển những quá trình tuyến tính Gần đây, Điều khiển tiên đoán mô hình (MPC) cũng thực hiện thành công trong điều khiển những hệ thống tuyến tính Tuy nhiên, khoảng 90% những quá trình sinh học và hoá học là phi tuyến cao

và hầu hết chúng là những hệ MIMO.Khi hệ thống là phi tuyến và/hoặc MIMO, những kỹ thuật truyền thống trên thường mắc phải sai sót khi điều khiển những

hệ thống như thế Ngày nay, những hệ thống được dùng trong công nghiệp đòi hỏi độ tự quản cao và những kỹ thuật trên không có khả năng để đạt được điều này

Cần phải đạt được những đòi hỏi điều khiển tăng nhanh trong những hệ thống điều khiển động phức tạp dưới những thay đổi quan trọng đã làm cho việc dùng Mạng nơron (NN) trong những hệ thống điều khiển trở nên hấp dẫn Những lý

do chính đằng sau điều này là khả năng của chúng có thể “học” để xấp xỉ hàm

và phân loại mẫu và tiềm năng của chúng trong thực thi phần cứng song song

đồ sộ Nói cách khác, chúng có khả năng thực thi (cả phần mềm và phần cứng) nhiều chức năng cần thiết để điều khiển hệ thống với một độ tự quản cao

Do có khả năng học những liên hệ hàm số phi tuyến phức tạp, mạng nơron được dùng trong điều khiển những quá trình phi tuyến và/hoặc MIMO Trong thập kỷ qua,ứng dụng mạng nơron trong nhận dạng và điều khiển đã tăng theo hàm mũ

Những ứng dụng rộng rãi này là do những đặc tính hấp dẫn sau:

1 Mạng nơron có khả năng xấp xỉ bất kỳ hàm số phi tuyến nào;

2 Chúng có thể được huấn luyện dễ dàng bằng cách dùng những bản ghi dữ liệu từ hệ thống;

3 Chúng thích hợp cho những hệ thống nhiều biến;

4 Chúng không yêu cầu quan hệ đặc tính cấu trúc giữa dữ liệu vào và ra Trước hết chúng ta xem điều khiển quá trình là gì?

2.2.Điều khiển quá trình

Trong phát triển, thiết kế và vận hành những máy móc quá trình, những kỹ sư quá trình luôn gắn liền với năm khái niệm cơ bản:trạng thái,trạng thái cân bằng, bảo toàn,tốc độ và điều khiển

Nhận dạng một hệ thống đòi hỏi xác định trạng thái nhiệt động theo đó tất

cả thuộc tính của một hệ thống là cố định Những hệ thống sinh học,vật lý và

hoá học không thể vận hành ngoài khoảng giới hạn của trạng thái cân bằng

nhiệt động, mà giới hạn khoảng cho phép của những điều kiện vật lý và hoá học

để quá trình diễn ra trong hệ thống

Bảo toàn khối lượng,động lượng và năng lượng yêu cầu những số lượng nào

đó cần được bảo toàn trong quá trình vì khối lượng, năng lượng và động lựơng cân bằng Đặc tính loại và kích thước của thiết bị quá trình của một hệ thống

phụ thuộc vào lượng vật liệu đưa vào quá trình và tốc độ tại đó những quá trình

sinh học, hoá học và vật lý diễn ra trong thiết bị Khái niệm này được bao trùm trong lĩnh vực động lực sinh học và hoá học

Một quá trình có thể khả thi cả về mặt nhiệt động và động lực nhưng vẫn không hoạt động vì hiệu suất vận hành kém Điều này có thể là kết quả của việc không điều khiển được của quá trình và vì những điều kiện không kinh tế Vì

thế,điều khiển hệ thống để thoả mãn hiệu suất vận hành, vật lý và kinh tế là rất

quan trọng trong thiết kế và vận hành một hệ thống quá trình cũng như khái niệm trạng thái cân bằng và tốc độ của quá trình

Điều khiển quá trình là sự điều chỉnh các quá trình sinh học, vật lý và hoá

học để loại bỏ những ảnh hưởng của nhiễu bên ngoài,để đảm bảo sự ổn định của quá trình và để tối ưu hiệu suất của quá trình

Một vài đặc tính quan trọng của điều khiển quá trình được lập danh sách ở đây:

 Xem xét điều khiển quá trình đầu tiên đòi hỏi xem xét những thay đổi phụ thuộc thời gian Vấn đề không thể được hình thành mà không có cấu trúc động Điều khiển bất kỳ quá trình nào chỉ có thể được xem xét cẩn thận bằng một phân tích chi tiết đáp ứng trạng thái không ổn định mà có được từ mô hình động của quá trình

 Những hệ thống điều khiển quá trình là những hệ thống xử lý thông tin Chúng nhận thông tin, xử lý nó, tương tác với nó và tạo thông tin như những tín hiệu

 Tất cả những hệ thống điều khiển quá trình là những hệ thống tích hợp những bộ phận, trong đó mỗi bộ phận ảnh hưởng hiệu suất toàn bộ của hệ

thống Vì thế, phương pháp tổng quát xem xét toàn bộ hệ thống và môi trường của nó như một thực thể là quan trọng

 Hầu hết hệ thống điều khiển quá trình là những hệ thống hồi tiếp trong đó thông tin được tạo bởi hệ thống được xử lý lần nữa để điều chỉnh đáp ứng của hệ thống

 Cuối cùng, tính kinh tế luôn liên kết với những đối tượng hiệu suất của hệ thống điều khiển quá trình

Những hệ thống điều khiển quá trình trong công nghiệp như quá trình vật lý, sinh học và hoá học được mô tả bởi những chuẩn hiệu suất và những thay đổi của yêu cầu thị trường Cũng thế, những quá trình này là phi tuyến cao và không thể được mô hình hoá thật tốt Vì thế, điều khiển phải được thực hiện bằng cách cập nhật những biến được thao tác trực tuyến để thoả mãn thay đổi chuẩn hiệu suất khi gặp phải thay đổi đặc tính của thiết bị Nhiều kỹ thuật điều khiển dựa trên khác biệt chuẩn hiệu suất và miêu tả quá trình được dùng để giải quyết những vấn đề này

Trong quá trình vận hành của một thiết bị, một vài yêu cầu cần được thoả mãn và có thể được xem xét như những tiêu chuẩn hiệu suất Một vài chuẩn được liệt kê ở đây:

1 Luật an toàn và môi trường,

2 Đặc tính sản phẩm,

3 Điều kiện vận hành,

4 Tính kinh tế

Những tiêu chuẩn này cần được chuyển dịch thành những biểu thức toán học

để viết luật điều khiển Chúng có thể được phân loại như những đối tượng(hàm của những biến cần được tối ưu động) và hạn chế ((hàm của những biến cần được giữ trong khoảng cần thiết)

Chuyển đổi chuẩn hiệu suất thành những biểu thức toán học có thể yêu cầu vài giả định Những giả định này không những làm đơn giản cách giải quyết vấn đề mà còn làm cho vấn đề có thể thực thi trong những phần cứng đang có Tất cả những bộ điều khiển dùng một mô tả hay một mô hình của quá trình Nói chung, trong những quá trình sinh học và hoá học, những mô hình là phi tuyến và những thông số mô hình thường không biết được Vì thế, luôn luôn có

sự không phù hợp giữa tiên đoán mô hình và ngõ ra quá trình thật Những lý do khác của sự khác biệt này là do những thay đổi trong những điểm vận hành và thiết bị

Những khác biệt giữa một thiết bị và mô hình của nó tạo ra sự không thoả mãn để cân bằng tiêu chuẩn hiệu suất Những thông số điều chỉnh được có thể giúp cân bằng giữa theo dõi điểm đặt nhanh và đáp ứng biến thao tác trơn Người ta luôn mong muốn tối thiểu lượng điều chỉnh trực tuyến bằng cách dùng

một mô hình quá trình khi thiết kế mà bao gồm mô tả những trạng thái không rõ ràng

Mặc dù mô tả trạng thái không rõ ràng được dùng, luôn cần cập nhật những thông số mô hình trực tuyến theo cách thích nghi Bộ điều khiển tiên đoán mô hình (MPC) là những bộ điều khiển trong đó luật điều khiển dựa trên mô hình quá trình MPC là một hệ thống điều khiển trong đó bộ điều khiển xác định tiểu

sử biến được thao tác mà tối ưu đối tượng hiệu suất vòng lặp mở trong khoảng thời gian kéo dài từ thời điểm hiện tại đến thời điểm hiện tại cộng với khoảng thời gian tiên đoán MPC phù hợp cho những vấn đề có một lượng lớn những biến được thao tác hay được điều khiển, những hạn chế cho cả hai loại biến này,thay đổi điều khiển đối tượng và/hoặc sai sót thiết bị, và thời gian trễ Một

mô hình quá trình được thực hiện trực tiếp trong thuật toán để tiên đoán ngõ ra quá trình tương lai

Thường thì trong nhiều bài toán điều khiển quá trình,những mô hình điều khiển không được xác định tốt; hoặc là chúng mất hoặc những thông số hệ thống có thể biến đổi theo thời gian Mạng nơron có nhiều tiện lợi để thu được những mô hình vào-ra của hệ thống vì chúng có thể “bắt chước” đáp ứng của hệ thống sau khi được “huấn luyện“ Thậm chí mô hình mạng nơron hay nhận dạng có thể không phù hợp với thiết bị khi bắt đầu,nhưng nó sẽ trở nên tốt hơn khi tiến trình huấn luyện trực tuyến diễn ra Vì thế, huấn luyện trực tuyến làm cho mạng nơron nắm giữ những thông số thay đổi theo thời gian trong thiết bị một cách trực tiếp

Bằng cách huấn luyện mạng nơron để học “mô hình ngược” của một thiết bị,nó có thể được dùng như một “bộ điều khiển “ cho thiết bị này Những bộ điều khiển mạng nơron cũng có thể được dùng trong những cấu trúc MPC như

là những bộ đánh giá hay/và bộ điều khiển

Vì những quá trình sinh học và hoá học thường phức tạp, thay vì dùng mạng nơron một mình trong điều khiển những quá trình này, nên dùng chúng kết hợp với những phương pháp truyền thống như những kỹ thuật điều khiển PI hay PID hay những kỹ thuật gần đây như những hệ thống chuyên gia dựa trên quy luật hay lôgic mờ, theo cách lai ghép, sẽ cải tiến hiệu suất của toàn bộ điều khiển

2.3.Dùng Mạng nơron trong Điều khiển

Trong những ứng dụng hệ thống điều khiển, mạng nơron nhiều lớp feedforward với huấn luyện có giám sát thường được dùng nhất Một đặc tính chính của những mạng này là chúng có thể tạo những ánh xạ vào-ra mà có thể xấp xỉ bất kỳ hàm nào với độ chính xác mong muốn Mạng nơron được dùng trong những hệ thống điều khiển chủ yếu là nhận dạng và điều khiển hệ thống Trong nhận dạng hệ thống, để mô hình đáp ứng vào-ra của một hệ thống động, mạng được huấn luyện dùng dữ liệu vào-ra và trọng số mạng được điều

chỉnh thường dùng thuật toán backpropagation(lan truyền ngược) Giả định duy nhất là ánh xạ tĩnh phi tuyến được tạo bởi mạng có thể đại diện đầy đủ đáp ứng động của hệ thống trong khoảng khảo sát của một ứng dụng cụ thể Mạng nơron cần được cung cấp thông tin về lịch sử hệ thống : những ngõ vào và ra ở những lần trước Bao nhiêu thông tin được yêu cầu phụ thuộc vào độ chính xác mong muốn và ứng dụng cụ thể

Khi một mạng nhiều lớp được huấn luyện như một bộ điều khiển,hoặc như một vòng lặp kín hay mở, hầu hết những vấn đề này đều tương tự trường hợp nhận dạng Khác biệt cơ bản là ngõ ra mong muốn của mạng là ngõ vào điều khiển thích hợp được dẫn đến thiết bị, là không có được nhưng phải được sưy ra

từ ngõ ra mong muốn của thiết bị Để đạt được điều này, người ta dùng hoặc là xấp xỉ dựa trên mô hình toán học của thiết bị(nếu có được),hay mô hình mạng nơron động của thiết bị hay thậm chí mô hình động đảo ngược của thiết bị Mạng nơron có thể được kết hợp để nhận dạng và điều khiển thiết bị, vì thế hình thành cấu trúc điều khiển thích nghi

Chúng ta sẽ giới thiệu vài cách cơ bản trong đó dữ liệu huấn luyện mạng nơron có thể thu được trong những công việc liên quan đến điều khiển :

 Sao chép từ một bộ điều khiển hiện có: Nếu có một bộ điều khiển có

thể điều khiển một thiết bị,thì thông tin yêu cầu để huấn luyện một mạng nơron có thể thu được từ nó Mạng nơron học sao chép bộ điều khiển hiện có Một lý do để sao chép một bộ điều khiển hiện có là nó có thể là một dụng cụ không thực tế để dùng, chẳng hạn như một chuyên gia Trong một vài trường hợp,chỉ vài cặp vào-ra hữu hạn của một bộ điều khiển mong muốn được biết Thì một mạng nơron có thể được huấn luyện để thi đua với bộ điều khiển mong muốn bằng cách nội sưy những cặp vào-ra này

 Nhận dạng hệ thống :Trong trường hợp nhận dạng,dữ liệu huấn luyện

có thể thu được bằng cách quan sát đáp ứng vào-ra của một thiết bị Trong những trường hợp phức tạp hơn, ngõ vào mô hình có thể chứa vài giá trị trễ của những ngõ vào thiết bị và mô hình mạng có thể là đệ quy

 Nhận dạng hệ thống ngược: Trong trường hợp này,ngõ vào mạng là

ngõ ra của thiết bị và ngõ ra của mạng là ngõ vào thiết bị Khi thu được mạng nơron ngược của thiết bị,nó được cung cấp ngõ ra thiết bị mong muốn và ngõ ra của nó là ngõ vào điều khiển mong muốn của thiết bị Vấn đề chính với nhận dạng ngược là mô hình ngược của một thiết bị không phải luôn luôn được xác định tốt

 Bộ điều khiển tiên đoán mô hình : Đầu tiên một mạng nơron nhiều lớp

được huấn luyện để nhận dạng mô hình thuận của thiết bị, sau đó một mạng khác,ví dụ bộ điều khiển,sử dụng bộ nhận dạng này như một bộ quan sát thiết bị trong một cấu trúc MPC Mô hình này có ưu điểm của một bộ điều khiển thích nghi, nhưng nó đòi hỏi phải tính Jacobian của mạng nơron nhận dạng

Có nhiều mạng cải tiến để nhận dạng hệ thống phức tạp hơn cho bài toán điều khiển

Phần nhận dạng hệ thống là sương sống của hầu hết tất cả những kiến trúc điều khiển nơron Để có được kiến trúc điều khiển,trước hết chúng ta phải có

mô hình thiết bị Ví dụ, những mô hình thiết bị có thể được mô tả bởi những phương trình sai phân sau:

ta giả thiết rằng f và g có thể được xấp xỉ đến một độ chính xác mong muốn bất

kỳ trên những tập đóng bởi mạng nơron nhiều lớp Do giả thiết này, bất kỳ thiết

bị nào cũng có thể được đại diện bởi một mô hình mạng nơron tổng quát hoá

Để nhận dạng một thiết bị,một mô hình nhận dạng được chọn dựa trên thông tin liên quan đến lớp mà nó thuộc Ví dụ, giả sử thiết bị có cấu trúc được mô tả bởi mô hình III, chúng ta có hai loại bộ nhận dạng:

2.3.1 Mô hình song song: Trong trường hợp này, cấu trúc của bộ nhận dạng

giống hệt thiết bị với f và g được thay thế bởi những mạng nơron N1 và N2 tương ứng Mô hình này được mô tả bởi phương trình:

(2.5)

2.3.2 Mô hình song song-nối tiếp: Mô hình này được mô tả bởi phương trình:

(2.6) Khi một thiết bị được nhận dạng, một bộ điều khiển thích hợp có thể được thiết kế dựa trên mô hình nhận dạng này Khi nhiễu bên ngoài không hiện diện trong hệ thống,có thể điều chỉnh những thông số nhận dạng và điều khiển đồng thời Tuy nhiên, khi có nhiễu hiện diện, cập nhật thông số bộ điều khiển được thực hiện với thời gian chậm hơn để đảm bảo độ tin cậy

2.4 Mạng nơron cấu trúc truyền thẳng

Những mạng nơron thông minh là những mô hình cấu trúc tính toán sinh học đặc biệt, gồm những đơn vị xử lý thông tin phân tán và vì thế sở hữu những khả năng của tính toán song song Cơ sở của mạng nơron thông minh là nó có nhiều đơn vị xử lý được kết nối với nhau, được gọi là những nơron mà hình thành những cấu hình đặt lớp Ứng xử của mỗi nơron là đơn vị tính toán cơ bản mô tả những hoạt động xử lý thông tin nơron Mỗi đơn vị tính toán trong mạng dựa trên khái niệm nơron lý tưởng Một nơron lý tưởng được giả sử là đáp ứng tối

ưu với những ngõ vào Mạng nơron là một tập hợp những đơn vị nơron như thế, trong đó những nơron đơn được kết nối thông qua những kết nối khớp phức tạp được đặc tính bởi những hệ số trọng số và mỗi nơron tạo phân phối của nó hướng đến những đặc điểm tính toán của toàn bộ hệ thống

Về bản chất, những nơron sinh học rất nhiều cảm biến phức tạp, điều khiển,

và nhận dạng những khía cạnh toán học và những quá trình tạo quyết định Rất nhiều ánh xạ toán học phức tạp và những hàm xử lý có thể được đồng nhất với những quá trình sinh học Việc nghiên cứu những mô hình toán học của những đơn vị nơron bắt đầu tại thời điểm khi mà bài toán mô tả toán học của bộ não con người thu hút sự chú ý của những nhà nghiên cứu Mô hình đầu tiên của nơron được đề xuất bởi McCulloch và Pitts năm 1943 Gần đây, việc phát triển những phương pháp thích nghi đã đưa ra cơ hội giả hàm học của những quá trình nơron sinh học Một vài mô hình nơron như thế được phát triển vào thập niên 60 Nói chung, như một bộ xử lý thông tin, một nơron đơn thực hiện một kết hợp trên những ngõ vào được trọng số của nó và tạo ra một ngõ vào thông qua hàm kích hoạt phi tuyến với một ngưỡng

Ngay từ đầu lấy ý tưởng từ những nơron trong bộ não con người, những nơron thông minh là những đơn vị xử lý tín hiệu được sắp xếp thành những mạng được kết nối để thực hiện những công việc xử lý thông tin phức tạp chẳng hạn nhận dạng đặc tính, nhóm dữ liệu và phân loại, xấp xỉ hàm,… Một mô hình tổng quát của một nơron thông monh được xem như một hàm xử lý ngõ vào và một hàm xử lý ngõ ra

Hình 2.1.Nơron thông minh

Hàm ngõ vào f(.), kết hợp tất cả những tín hiệu vào thành một ngõ vào mạng đơn.Thông thường, một hàm ngõ vào là một kết hợp tuyến tính của những ngõ vào xi:

(2.7) với wi i=1,…,n được gọi là những trọng số liên kết Hàm ngõ ra g(.) cung cấp tín hiệu ngõ ra của nơron với toán hạng ngõ vào mạng được cho bởi f Hàm ngõ

ra thường dùng là hàm sigmod:

(2.8) Một mạng nơron thông minh là một mảng gồm những nơron liên kết với nhau Giữa nhiều cấu hình kết nối khác nhau, một cấu hình thông thường và hữu dụng nhất là mạng truyền thẳng nhiều lớp, trong đó không có nơron ngõ ra nào là ngõ vào cho một nơron trong cùng hay thuộc lớp đứng trước Đây là điểm nổi bật nhất của loại mạng này

Hình 2.2.Mạng truyền thẳng nhiều lớp Lớp nơron nhận ngõ vào mạng được gọi là lớp ngõ vào Lớp ngõ vào không thực hiện bất kỳ công việc xử lý tín hiệu nào mà chỉ phân bố những tín hiệu vào Những ngõ ra mạng được tạo bởi lớp ngõ ra Bất kỳ lớp nào nằm giữa lớp ngõ vào và ngõ ra đều được gọi là lớp ẩn vì nó không có liên hệ trực tiếp với môi trường mạng

2.4.1.Hàm truyền

Có nhiều loại hàm truyền,nhưng có ba loại thông dụng nhất là:

2.4.2 Thích nghi và học cho những thành phần ngưỡng nơron

Một công việc quan trọng là làm cách nào để thiết kế một thuật toán hiệu quả

để thích nghi những trọng số và ngưỡng của một đơn vị Lập trình tuyến tính có thể cung cấp một giải pháp thay thế cho một tập những bất phương trình mà có thể nhận được từ một hàm chuyển mạch được cho Vì tất cả những giá trị hợp lý của hàm này hiện diện trong một chương trình tổng hợp như thế tại cùng thời điểm, thuật toán này được xem là có bản chất song song Trong trường hợp này, một máy tính được lập trình để thực hiện một chương trình mà phải có đủ bộ

nhớ để lưu trữ toàn bộ hàm chuyển mạch hoặc là một bảng kết hợp hay một hàm Boolean

Đối ngược với điều trên có một số chương trình mà có thể thực hiện theo vòng lặp hay theo chuỗi Nghĩa là, tại bất kỳ thời điểm nào , chương trình cho một giá trị hàm chỉ với một kết hợp ngõ vào và không cần bộ nhớ để lưu trữ những giá trị hàm ở các thời điểm trước Cần có bộ nhớ để lưu trữ ước lượng hiện thời của chương trình cho việc nhận dạng đúng và chứa những giá trị trọng

số và ngưỡng Khi giá trị hàm cho một vài kết hợp ngõ vào thì có được một tín hiệu lỗi giữa giá trị hàm này và ước lượng hiện thời và được hồi tiếp để mà chương trình có thể thay đổi ước lượng hiện thời nhưng không lưu trữ thông tin khác Ý tưởng là sau mỗi hiện diện của ngõ vào với một lượng thời gian đủ thì ước lượng của chương trình sẽ hội tụ đến đến một giá trị đúng Loại chương trình này được gọi lả thích nghi hay học vì mối liên hệ nào đó đến những quá trình trong những nơron sinh học

Cho một tập gồm n biến ngõ vào x1,x2,…,xn như hình sau, ngõ ra của bộ kết hợp tuyến tính(linear combiner) được xác định đơn giản như sau:

(2.9) Định nghĩa những véctơ đối số của những ngõ vào và trọng số nơron , ta có:

(2.10)

Hình 2.6.Sơ đồ khối của một bộ kết hợp tuyến tính

Hình 2.7 Sơ đồ thể hiện của một quá trình thích nghi cho một thành phần

(2.12) với d(k) = f(x1,x2,…,xn) là một hàm của những biến xi, i=1,…,n Thuật toán thích nghi là một chương trình tối thiểu hàm lỗi sẽ được bàn đến sau

2.4.3 Luật thích nghi Perceptron

Luật học perceptron nhị phân của Rosenblatt cho một thành phần ngưỡng được thể hiện lần đầu tiên vào năm 1958 Cho một đáp ứng mong muốn d(k), việc thích nghi được cập nhật với với luật perceptron dùng một “lỗi lượng tử hoá” e(k), được định nghĩa là khác biệt giữa đáp ứng mong muốn và ngõ ra của thành phần ngưỡng

(2.13) chỉ có ba giá trị hợp lý cho e(k):

Như trong chương trình được dùng cho giải thuật LMSđược mô tả trong phần sau, cho  a k là một ước lượng của véctơ trong số tại thời điểm k Ta có thể viết lại lỗi tức thời e(k) như sau:

(2.14) Với một ngõ vào cố định x(k) và đáp ứng mong muốn d(k), lỗi tức thời mới liên quan với những thông số trọng số được cập nhật tại thời điểm (k+1) được viết như sau:

(2.15) với

(2.16) Mục đích của chúng ta là tìm một luật cập nhật trọng số  a k để mà

e(k+1)0 (2.17) hay

(2.18) Nếu e(k)=2

Hay tương đương d(k)=1 và

(2.23)

Và

(2.24) Trong đó  0 được gọi là tốc độ học

Từ (2.23), ta kết luận rằng sự thay đổi  i k tương quan với tín hiệu ngõ vào

xi(k) và tín hiệu lỗi e(k) Nếu sự tương quan là 0, nghĩa là e(k)xi(k)=0 thì thay đổi  i k cũng là 0 Sơ đồ khối của thuật toán cập nhật được cho trong hình 2.8

Hình 2.8 Những thành phần với luật thích nghi perceptron

2.4.4 Luật thích nghi Mays

Một luật học biến thể của luật học -perceptron được thể hiện ở hình 2.9 được gọi là luật học May Thích nghi tăng dần ở dạng tổng quát của nó dùng một

“vùng chết” với bán kính   0cho ngõ ra tuyến tính

(2.25) Nếu ngõ ra s(k) nằm ngoài vùng chết  , nghĩa là

 k 

s (2.26) Thì thích nghi theo sau một biến đổi chuẩn hoá của luật perceptron tăng dần cố định với  x a 2 được dùng thay cho  Nếu ngõ ra tuyến tính nằm trong vùng chết s k , thì bất kể đáp ứng ngõ ra y(k) đúng hay không những trọng

số được cập nhật bởi biến đổi chuẩn hoá của luật học -perceptron với

Hình 2.9 Luật thích nghi Mays với ngõ ra tuyến tính và lỗi tuyến tính

Về mặt toán học, thuật toán thích nghi tăng dần Mays được diễn tả như sau:

với e(k) là lỗi lượng tử tại thời điểm k được định nghĩa như sau:

e(k)=d(k)-sgn(s(k))

và d(k) là đáp ứng mong muốn tại thời điểm k

Hiển nhiên là nếu bán kính của vùng chết là 0 Thì luật thích nghi Mays trở thành luật thích nghi perceptron

2.4.5 Thành phần tuyến tính thích nghi (ADALINE)

Thành phần tuyến tính thích nghi (ADALINE) được dùng như là khối xây dụng

cơ bản trong nhiều mạng nơron truyền thẳng, được nghiên cứu lần đầu tiên bởi Widrow và các đồng sự trong thập kỷ 1960 Một bộ kết hợp tuyến tính thích nghi đơn giản được cho ở hình 2.10, với ngõ ra của đơn vị là tổng trọng số của tất cả ngõ vào

Để thực hiện quá trình thích nghi trong miền thời gian rời rạc, người ta giả sử rằng thành phần này nhận véctơ đặc tính ngõ vào x(k)=[x1(k),…,xn(k)]T và một đáp ứng mong muốn d(k), là một hàm của thời điểm k Những thành phần của véctơ ngõ vào được trọng số bởi một tập những hệ số hay trọng số được biểu thị bởi véctơ trong số w=[w1,…,wn]T trong đó những thành phần của nó có cả những giá trị dương và âm Dùng ký hiệu của những véctơ đối số, một ngõ ra tuyến tính tại thời điểm k có được bằng tích của véctơ đặc tính ngõ vào và véctơ trọng số như sau:

(2.27)

Hình 2.10.Thành phần tuyến tính thích nghi (ADALINE)

2.4.6 Giải thuật  LMS(Bình phương trung bình nhỏ nhất)

Giải thuật  LMS cung cấp một công thức thích nghi hiệu quả và đơn giản cho

những trọng số của bộ kết hợp tuyến tính trong hình 2.10 Giải thuật này có được dùng nguyên tắc nhiễu nhỏ nhất và được đề xuất bởi Widrow và Hoff(1960)

Cho wa(k)=[w0(k),…,wn(k)]T là một ước lượng của véctơ trọng số wa tại thời điểm k Lỗi tuyến tính giữa đáp ứng mong muốn d(k) và ngõ ra tuyến tính s(k) với ước lượng hiện thời của những trọng số wa(k) được định nghĩa như sau:

(2.28) Lỗi kế tiếp được định nghĩa là khác biệt giữa đáp ứng mong muốn d(k) và ngõ

ra tuyến tính s(k) với những ước lượng kế tiếp của những trọng số wa(k+1) là:

(2.29)

Có thể thấy rằng tại thời điểm k thay đổi trọng số sẽ dẫn đến những thay đổi tương ứng của lỗi:

(2.30) Công việc kế tiếp là tìm một luật cập nhật để mà lỗi el(k) sẽ hội tụ tiệm cận đến

0 Để bảo đảm rằng sự hội tụ của lỗi phụ thuộc vào cập nhật trọng số, ta giả sử

(2.31) Nghĩa là:

với là một hằng số được chọn để mà lỗi el(k) sẽ ổn định tiệm cận:

(2.32) Như vậy ta có được:

(2.33) Nhân cả hai vế của phương trình này với xa(k) ta được

(2.34)

Vì thế ,cuối cùng ta có được:

Do đó

(2.35) Đây là một số gia Phương trình (2.52) là luật Widrow-Hoff delta Với một giá trị ban đầu bất kỳ của el(0),el(k) có thể được diễn tả như sau:

0  (2.38) Không giống như luật perceptron, ngõ vào của một Adaline có thể là nhị phân hay tương tự Một Adaline có thể được dùng để nhận ra những hàm ngưỡng bằng cách hiệu chỉnh thích hợp những trọng số Thậm chí nếu cả hai luật học perceptron và LMSđược dùng trong những chương trình sữa lỗi và có những

công thức cập nhật tương tự, chúng vẫn có những ứng xử khá khác biệt(Widrow and Lehr 1990) Khác biệt chính giữa hai thuật toán này là luật của Rosenblatt khai thác một lỗi lượng tử e=(d-sgn(s)) trong khi giải thuật LMSkhai thác lỗi

tuyến tính el=d-s Điều này có nghĩa là giải thuật perceptron gồm một hàm phi tuyến của những tín hiệu qua hàm truyền bước, ngược lại giải thuật LMSlà một quá trình tuyến tính

2.4.7 Phương pháp lỗi bình phương trung bình

2.4.7.1 Công thức không lặp lại

Theo Widrow và Lehr, khái niệm lỗi bình phương trung bình có thể được dùng

để xác định véctơ trọng số cho một ngõ vào và những đặc tính dữ liệu mong muốn dùng giải thuật lặp hay không lặp Không mất tính tổng quát, giả sử rằng ngõ vào x(k) và ngõ ra mong muốn d(k) được rút từ việc thống kê Bình phương của lỗi giữa ngõ ra của bộ kết hợp tuyến tính và ngõ ra mong muốn tại thời điểm k được mở rộng như sau:

(2.39)

Vì bộ kết hợp tuyến tính sẽ tạo ra một lỗi el(k) tại mỗi thời điểm k, trung bình toán bộ của bình phương lỗi trong (2.39) là:

(2.40) Thuật ngữ bên trái được gọi là lỗi bình phương trung bình (MSE) Đặt:

là véctơ tương quan chéo giữa ngõ ra mong muốn d(k) và véctơ ngõ vào nơron

xa(k)

Tương tự, định nghĩa ma trận tương quan ngõ vào R

Là một ma trận xác định dương,đối xứng và thực hay trong những trường hợp ít gặp hơn là ma trận bán xác định dương Vì thế lỗi bình phương được viết lại như sau:

(2.41) Gradient  a của hàm MSE tương ứng với véctơ trọng số wa có được bằng cách đạo hàm (2.41) như sau:

Đây là một phương trình véctơ tuyến tính của véctơ trọng số Véctơ trọng số tối

ưu w* cũng được gọi là véctơ trọng số Wiener đạt được bằng cách đặt gradient

là 0 Vì thế trọng số tối ưu là:

wa*=R-1p (2.42) Cách giải này gồm một chương trình tính toán nghịch đảo ma trận R Với số lượng lớn những ngõ vào, điều này có thể dẫn đến việc tốn rất nhiều thời gian, thậm chí một vài giải thuật tính ma trận cải tiến chẳng hạn phân rã giá trị suy biến(SVD) được dùng để tránh tính nghịch đảo ma trận trực tiếp Vì thế, một phương pháp giảm gradient lặp sẽ được giới thiệu để giải quyết việc tín toán phức tạp này

2.4.7.2 Gải thuật bình phương tring bình nhỏ nhất LMS

LMS



 có thể được phát triển từ phương pháp giảm gradient truyền thống, nơi

mà việc tìm kiếm véctơ trọng số tối ưu được tím kiếm trong không gian trọng

số dọc theo hướng được cung cấp bởi gradient của một lỗi bình phương tức thời giữa ngõ ra hiện thời và ngõ ra mong muốn Vì nó là một hàm bình phương cùa những trọng số, bề mặt này là lồi và có một tối thiểu toàn cục duy nhất Từ (2.57) gradient tức thời có thể đạt được dựa trên hàm lỗi tuyến tính tức thời như sau:

(2.43)

Vì thế, giải thuật học giảm gradient được viết như sau:

(2.44) Đây là giải thuật LMScủa Widrow, với tốc độ học  0 quyết định độ hội tụ của chương trình học Theo Widrow và Lehr , phải thoả:

(2.45) Giải thuật LMS hội tụ trung bình đến w*, là cách giải Wiener tối ưu được cho bởi (2.43)

Thể hiện hình học của luật LMSđược cho trong hình 2.11 Theo (2.44)

wa(k+1) bằng với wa(k) cộng với một số gia  a k mà tương ứng với véctơ đặc

tính ngõ vào xa(k) Nói cách khác, biến đổi của lỗi phụ thuộc vào biến đổi của véctơ trọng số bằng với tích âm của xa(k) và  a k Vì giải thuật LMS chọn

sẽ được cập nhật tối thiểu

Hình 2.11 Giải thích hình học của những giải thuật LMSvà LMS

Khi so sánh hai thuật toán LMSvà LMS, điều thú vị là luật LMS là một phiên bản tự chuẩn hoá của luật LMSvì luật  LMS dễ dàng được viết như sau:

(2.46) với

(2.47) tương ứng là lỗi chuẩn hoá, đáp ứng mong muốn chuẩn hoá và những đặc tính ngõ vào chuẩn hoá Phương trình (2.65) là luật học LMSvới 2được thay bởi  Vì thế, cập nhật trọng số được thiết kế bởi luật  LMStương đương với giải thuật LMSvới sự hiện diện của một tập huấn luyện khác là tập huấn luyện được chuẩn hoá định nghĩa bởi phương trình (2.66)

Một phiên bản thời gian liên tục của giải thuật LMS ở trên có thể dễ dàng đạt được bằng cách tối thiểu hàm lỗi

(2.48)

là ước lượng tức thời của lỗi bình phương trung bình và wa(t) là một ước lượng của véctơ trọng số wa tại thời điểm t Áp dụng phương pháp giảm gradient độ dốc lớn nhất ta được:

(2.49)

Sơ đồ khối của việc thực thi giải thuật LMS thời gian liên tục dùng những

bộ nhân và tích phân tương tự được cho trong hình 2.12

2.5 Giải thuật lan truyền ngược cho mạng nơron truyền thẳng nhiều lớp(MFNN)

Bây giờ chúng ta sẽ nói về những giải thuật lan truyển ngược(BP) một cách chi tiết

Một mạng truyền thẳng nhiều lớp có khả năng xấp xỉ rất nhiều hàm phi tuyến với độ chính xác mong muốn, nó được khai thác rộng rãi trong các ứng dụng như những bài toán nhận dạng và điều khiển hệ thống, nhận dạng đặc tính Bây giờ chúng ta sẽ đề cập đến mô hình tổng quát và giải thuật học BP của MFNN

Hình 2.12 Sơ đồ khối của giải thuật LMS thời gian liên tục