tóm tắt luận văn thạc sĩ kỹ thuật NGHIÊN cứu điều KHIỂN NỒNG độ của sản PHẨM TRONG bể CHỨA PHẢN ỨNG có KHUẤY BẰNG PHƯƠNG PHÁP ỨNG DỤNG bộ điều KHIỂN NƠRON THEO mô HÌNH mẫu

BỘ GIÁO DỤC VÀ ĐÀO TẠO ĐẠI HỌC THÁI NGUYÊN TRƯỜNG ĐẠI HỌC KỸ THUẬT CÔNG NGHIỆP LUẬN VĂN THẠC SỸ KỸ THUẬT NGÀNH: TỰ ĐỘNG HÓA NGHIÊN CỨU ĐIỀU KHIỂN NỒNG ĐỘ CỦA SẢN PHẨM TRONG BỂ CHỨA PHẢN ỨNG CÓ KHUẤY BẰNG PHƯƠNG PHÁP ỨNG DỤNG BỘ ĐIỀU KHIỂN NƠRON THEO MƠ HÌNH MẪU LƯƠNG TRUNG THÀNH THÁI NGUYÊN - 2011 Luận văn hoàn thành trường Đại học Kỹ tuật Công nghiệp Thái Nguyên Cán HDKH : TS Phạm Hữu Đức Dục Phản biện : Phản biện : Luận văn bảo vệ trước hội đồng chấm luận văn, họp tại: Phòng cao học số , trường Đại học Kỹ thuật Công nghiệp Thái Nguyên Vào phút ngày tháng năm 2011 Có thể tìm hiển luận văn Trung tâm Học liệu Đại học Thái Nguyên Thư viện trường Đại học Kỹ thuật Công nghiệp Thái Nguyên MỞ ĐẦU Bộ não người sản phẩm hồn hảo tạo hố Để tiếp cận khả tư não, người ta sử dụng khả suy diễn hệ mờ dựa luật logic mờ Để tiếp cận khả học, người ta đưa mơ hình mạng nơron, cấu trúc mạng nơron điều đáng quan tâm Để tiếp cận hai khả học tư não người, người ta nghiên cứu khả tích hợp mạng nơron hệ mờ Trong cơng nghiệp tự động hố giữ vai trị quan trọng q trình sản xuất Nhận dạng hệ thống công việc phải thực giải toán điều khiển tự động, định chất lượng hiệu công việc điều khiển hệ thống sau Để điều khiển xác đối tượng chưa biết rõ thông số, trước tiên ta phải hiểu rõ đối tượng Bộ điều khiển nơron theo mơ hình mẫu phần tử phi tuyến, nên điều khiển khó, địi hỏi phải có độ xác cao Vì cần ứng dụng điều khiển thơng minh BĐK nơron theo mơ hình mẫu Được tạo điều kiện giúp đỡ nhà trường Tiến sỹ Phạm Hữu Đức Dục, em lựa chọn đề tài tốt nghiệp “Nghiên cứu điều khiển nồng độ sản phẩm bể chứa có khuấy phương pháp ứng dụng điều khiển nơron theo mô hình mẫu.” Nội dung luận văn chia thành chương: Chương Mạng nơron Chương Một số mơ hình mạng nơron & mạng mờ nơron matlab& ứng dụng nhận dạng & diều khiển Chương Ứng dụng điều khiển nơron theo mơ hình mẫu điều khiển nồng độ sản phẩm bể chứa phản ứng có khuấy Chương4 Kết luận chung kiến nghị Tơi xin trân trọng bày tỏ lịng biết ơn sâu sắc đến thầy TS Phạm Hữu Đức Dục người hướng dẫn tận tình giúp đỡ tơi hồn thành luận văn thạc sỹ Tôi xin chân thành cám ơn thầy cô Khoa Điện – Trường Đại học Kỹ thuật Cơng nghiệp đóng góp nhiều ý kiến tạo điều kiện thuận lợi cho hồn thành luận văn Tơi xin chân thành cám ơn Khoa sau Đại học, xin chân thành cám ơn Ban Giám Hiệu Trường Đại Học Kỹ Thuật Công Nghiệp tạo điều kiện thuận lợi mặt để tơi hồn thành khóa học Tơi xin chân thành cám ơn! Thái Nguyên, ngày tháng năm 2011 Người thực Lương Trung Thành CHƯƠNG MẠNG NƠRON 1.1 CÁC KHÁI NIỆM CƠ BẢN 1.1.1 Mơ hình nơron sinh học 1.1.1.1 Xử lý thông tin não 1.1.1.2.Câc đặc tính não người 1.1.2 PHẦN TỬ XỬ LÝ 1.1.3 CÁC LOẠI MƠ HÌNH CẤU TRÚC MẠNG NƠRON 1.1.4 CÁC TÍNH CHẤT CỦA MẠNG NƠRON 1.1.5 CÁC LUẬT HỌC 1.1.5.1 Học có giám sát 1.1.5.2 Học củng cố 1.1.5.3 Học khơng có giám sát 1.2 CÁC MẠNG NƠRON TRUYỀN THẲNG SỬ DỤNG LUẬT HỌC GIÁM SÁT 1.2.1 MẠNG ADALINE 1.2.1.1 Phần tử Adaline 1.2.1.2 Mạng Adaline 1.2.2 MẠNG PERCEPRON MỘT LỚP 1.2.2.1 Cấu trúc 1.2.2.2 Luật học 1.2.3 MẠNG TRUYỀN THẲNG NHIỀU LỚP 1.2.3.1.Cấu trúc Mạng truyền thẳng nhiều lớp có nhiều lớp nơron: lớp vào, nhiều lớp ẩn lớp Lớp vào: gồm m nơron có tín hiệu vào: x = [x1,x2, xj, ,xm]T, với j = 1,2 ,m Lớp ra: gồm n nơron có tín hiệu ra: y = [y1,y2, yi, ,ym]T, với i =1,2 ,n Các lớp ẩn: có nhiêu lớp ẩn, với đặc điểm nơron thứ q lớ ẩn liên kết với lớp vào trọng số v qj liên kết với lớp trọng số wiq ; với q = 1,2, .,l ; i = 1,2, ,n; j = 1,2, .,m Giai đoạn thứ hai: Sai lệch lan truyền theo chiều ngược từ đầu trở đầu vào x1 v11 w11 y1 xj v1j vqj w1q vmj wiq wnq xm vlm Lớp vào wnm Lớp ẩn yn Lớp Giai đoạn đầu : Sai lệch lan truyền theo chiều thuận từ đầu vào đến đầu Hình 1.11 Mạng nơron truyền thẳng ba lớp 1.2.3.2 Luật học lan truyền ngược Bryson Ho đề xuất luật học lan truyền ngược cho mạng truyền thẳng nhiều lớp vào năm 1969 Cho trước cặp mẫu tín hiệu vào – {(x(k),d(k))} với k = 1,2, ,p, luật học lan truyền ngược thực giai đoạn trình học cặp giữ liệu mẫu Ở giai đoạn đầu, mẫu tín hiệu đầu vào x lan truyền theo chiều thuận từ lớp vào qua lớp ẩn đến lớp để tạo tín hiệu y Giai đoan thứ hai, sai lệch e =(d-y) lan truyền theo hướng ngược lại từ lớp qua lớp ẩn trở lớp vào, có nhiệm vụ điều chỉnh lài giá trị trọng số lớp cho tín hiệu y bám theo dược tín hiệu mẫu đầu d Xét nơron thứ q lớp ẩn có tổng trọng là: m vq = ∑ j =1 vqjxj Tín hiệu nơron thứ q lớp ẩn là: m zq = a(vq) = a( ∑ vqjxj) j =1 Xét nơron thứ i lớp có tổng trọng là: l ∑ vi = q =1 l m q =1 j =1 wiqzq = ∑ wiqa( ∑ vqjxj) Tín hiệu nơron thứ i lớp là: l l m q =1 q =1 j =1 yi = a(vi) =a( ∑ wiqzq) = a( ∑ wiqa( ∑ vqjxj)) Trung bình bình phương sai lệch E dược viết sau: E= p n (d -yi ) = ∑ ∑ k =1 = (k) i i =1 p n ∑ ∑ k =1 i =1 (k) p n k =1 i =1 ∑ ∑ [di(k) –a(wiTxk)]2 m [di –a( ∑ wijxj(k))]2 (k) j =1 Sử dụng phương pháp hạ gradient tìm lượng điều chỉnh trọng số nơron thứ q lớp ẩn với nơron thứ i lớp ra: ∆ wiq= - η ∂E ∂E ∂yi ∂vi = -η ∂y ∂v ∂w =η [di-yi]a’(vi)zq = η δ 0i zq ∂wiq iq i i Với δ 0i tín hiệu sai lệch nơron thứ i lớp δ 0i = - ∂E ∂E ∂y i =- ∂y ∂v = [di- yi]a’(vi) ∂vi i i ∂a (vi ) a(vi)= ∂ (v ) i Sử dụng phương pháp hạ gradient tìm lượng điều chỉnh trọng số nơron thứ j lớp vào với nơron thứ q lớp ẩn: ∆ wiq= -η n ∂E ∂E ∂z q ∂v q =-η ∂z ∂v ∂v = η ∑ [(di-yi)a’(vi)wiq]a’(vq)xj ∂v qi i =1 q q qj ∆ vqj = η δ hq x j Với δ hq tín hiệu sai lệch nơron thứ q lớp ẩn: n ∂E ∂E ∂z q δ hq = δ w ∂v q = - ∂z q ∂v q = a’(vq) ∑ oi iq i =1 a’(vq) = ∂a (v q ) ∂v q Luật cập nhật tìm trọng số thời điểm học (t+1): vqj(t+1)=vqj(t)+ ∆vqj wiq(t+1)=wiq(t)+ ∆wiq Để tiện cho việc tính tốn, nên sử dụng cơng thức tính tín hiệu sai lệch cho sẵn sau ứng với trường hợp sử dụng hàm chuyển đổi a(.) sau đây: - Nếu sử dụng a(.) có dạng hàm sigmoid: y = a(v) = 1 + e − λv nên ta có a’(v)=y(1-y) tìm cơng thức tính tín hiệu sai lệch sau: δ 0i =yi(1-yi)[di-yi] n δ hq = zq(1-zq) ∑ δ oi wiq i =1 - Nếu sử dụng a(.) có dạng hàm tang hyperolic: y = a(v) = nên ta có a’(v)= (1-y2) − λv -1 1+ e tìm cơng thức tính tín hiệu sai lệch sau: δ 0i = (1-y2)[di-yi] δ hq = (1-zq2) Các bước thực n ∑δ i =1 oi wiq Với mạng truyền thẳng có S lớp; s vi s yi tương ứng tổng trọng gía trị đầu nơron thứ i lớp thứ s; s wij trọng số nối từ s −1 yj đến s yi (s=1,2,….,S); có m nơron n nơron lớp trị đầu nơron thứ i lớp thứ s; s wij trọng số nối từ s −1 yj đến s yi (s=1,2,….,S); có m nơron n nơron lớp Ban đầu Thiết lập liệu mẫu vào- (x(k), d(k)) với k = 1,2,…,p Bước Thiết lập trạng thái ban đầu cho mạng : Chọn η >0 vàEcp (Ecp sai lệch cho phép ); Các trọng số ban đầu với giá trị nhỏ ngẫu nhiên; Thiết lập E = k = 1; Bước Vòng luyện tập: Đưa liệu mẫu đầu vào thứ k vào lớp đầu vào (s =1) s yi = yi = xi(k) với i; Bước ( trình truyền thẳng) Quá trình truyền thẳng tín hiệu mạng theo cơng thức: s yi = a( s neti) = a ( ∑ s j wijs-1yj) Cho giá trị i s đầu s yi lớp xác định; Bước Tính tốn sai lệch đầu ra: Xác định giá trị sai lệch tín hiệu sai lệch s δ I cho lớp đầu ra: Em = n ∑ i =1 (di(k) - s yi)2 + Ec với Em, Eclà sai lệch cũ ( sai lệch chu kỳ chu kỳ cũ); s δ i = ( di(k) - s yi)a’( s vi) Bước Lan truyền ngược sai lệch Quá trình lan truyền ngược sai lệch cập nhật trọng số tính tốn theo tín hiệu sai lệch ∆ s wij = η s δ s −1 δ i cho lớp phía trước; s-1 i j y ∆ s wij (t+1) = ∆ s wij(t) + ∆ s wij s −1 δ i s −1 = a(’ vi ) ∑ j s s wij δ j với s= S, S-1,….,2 Bước Cho chu kỳ học : Kiểm tra vòng luyện tập : - Nếu k < p, k = k+1 tiến hành bước 1; - Nếu không thực bước 6; Bước Kiểm tra sai lệch tổng - Nếu Em < Ecp hồn thành q trình học, tiến hành ghi lại kết véc tơ trọng số, bias lớp đồ thị cần thiết; - Nếu không thỏa mãn quay trở lại thực bước 1.3 ỨNG DỤNG CỦA MẠNG NƠRON TRONG NHẬN DẠNG VÀ ĐIỀU KHIỂN 1.3.1 Các vấn đề chung Mạng nơron ứng dụng thành công nhiều lĩnh vực như: hệ thống điều khiển, xử lý hình ảnh, tiếng nói, tối ưu, truyền thơng, y học… Vì có yêu cầu ngày tăng điều khiển, hệ thống động học phức tạp với điều kiện thông tin không đầy đủ không xác định nên việc sử dụng mạng nơron hấp dẫn khả học tập để xấp xỉ hàm phân loại mẫu mạng Ngồi cịn tính xử lý song song mạnh mẽ phần cứng thực thi mạng Thông thường người ta hay dùng mạng nơron truyền thẳng nhiều lớp với luật dạy học có giám sát Ưu điểm lớn mạng loại khả tổng quát hoá ánh xạ đầu vào - đầu để xấp xỉ hàm 21 * Điều khiển theo mơ hình mẫu Bộ điều khiển sử dụng kiểu điều khiển on-line, giống NARMAL2 có khối lượng tính tốn nhỏ Nhưng khác với NARMA-L2 điều khiển theo mơ hình mẫu cần có điều khiển dùng mạng nơron riêng biệt để học off -line bổ sung cho mơ hình đối tượng sử dụng mạng nơron Bộ điều khiển loại đắt tiền cần sử dụng mơ hình động học lan truyền ngược 2.3.1 Bộ điều khiển dự báo sử dụng mạng nơron 2.3.1.1 Nhận dạng đối tượng 2.3.1.2 Điều khiển dự báo 2.3.2 Bộ điều khiển NARMA - L2 2.3.2.2 Bộ điều khiển NARMA-L2 2.3.3 Điều khiển theo mơ hình mẫu Sơ đồ điều khiển theo mơ hình mẫu sử dụng hai mạng nơron: mạng điều khiển mơ hình mạng nơron nhận dạng đối tượng minh họa chi tiết (Hình 2.19) Hình 2.19 Mơ hình mạng nơron mơ tả đối tượng điều khiển dùng mạng nơron cài đặt NEURAL NETWORK TOOLBOX 22 Hình 2.19 minh họa chi tiết mạng nơron mô tả đối tượng điều khiển dùng mạng nơron cài đặt NEURAL NETWORK TOOLBOX MATLAB Từng mạng nơron có hai lớp vấn đề cần chọn số lượng nơron lớp ẩn Có ba loại tín hiệu đưa tới điều khiển: - Các tín hiệu mẫu có trễ - Các tín hiệu điều khiển có trễ - Các tín hiệu đầu đối tượng có trễ Với loại tín hiệu nói cần chọn số lượng giá trị có trễ sử dụng Chú ý tín hiệu có trễ tăng theo bậc đối tượng Có loại đầu vào mơ hình mạng nơron mơ tả đối tượng - Đầu điều khiển có trễ - Đầu đối tượng có trễ Phần quan tâm đến điều chỉnh số lượng phần tử có trễ KẾT LUẬN CHƯƠNG Chương trình bày mơ hình ứng dụng Matlab điều khiển (ĐK), ba mơ hình trình bày trên: Mơ hình ĐK dự báo: Sử dụng mơ hình mạng nơron mô tả đối tượng để dự báo đối tượng tương lai Thuật tốn tối ưu xác định tín hiệu ĐK đầu vào, tối ưu hóa đặc tính đối tượng tầm nhìn cho phép Việc huấn luyện đối tượng địi hỏi sử dụng cho thuật tốn nhóm cho mạng nơron tĩnh đủ nhanh Bộ điều khiển (BĐK) đòi hỏi sử dụng kiểu ĐK on - line nên có khối lượng tính tốn lớn BĐK NARMA-L2: Đầu vào ĐK tính tốn ĐK đầu đối tượng bám theo tín hiệu mẫu Mạng nơron mô tả đối tượng huấn luyện theo kiểu lan truyền ngược tĩnh đủ nhanh BĐK sử dụng kiểu ĐK on line 23 BĐK nơron theo mơ hình mẫu: Cần xác định mơ hình mạng nơron mơ tả đối tượng Sau sử dụng mơ hình để tham gia q trình huấn luyện cho mạng nơron đóng vai trị BĐK để ĐK đối tượng cho đầu đối tượng bám theo tín hiệu mẫu Cấu trúc ĐK sử dụng thuật toán lan truyền ngược động cho q trình huấn luyện BĐK, nên địi hỏi thời gian huấn luyện dài so với sử dụng thuật toán lan truyền ngược chuẩn BĐK loại đắt tiền cần sử dụng mơ hình động học lan truyền ngược BĐK sử dụng kiểu ĐK on – line, ngồi cịn có BĐK dùng mạng nơron riêng biệt để học off – line bổ xung cho mơ hình đối tượng sử dụng mạng nơron Như ba BĐK em lựa chọn BĐK nơron theo mơ hình mẫu có khối lượng tính tốn nhỏ Sử dụng phương pháp on-line cho điều khiển nơron Mạng nơron mô tả đối tượng huấn luyện theo kiểu lan truyền ngược Trong BĐK loại có sử dụng mạng nơron truyền thẳng nhiều lớp BĐK sử dụng điều khiển cho nhiều loại đối tượng so với điều khiển NARMA – L2 Do BĐK nơron theo mơ hình mẫu hội tụ đầy đủ ưu điểm mạng nơron CHƯƠNG ỨNG DỤNG BỘ ĐIỀU KHIỂN NƠRON THEO MÔ HÌNH MẪU ĐIỀU KHIỂN NỒNG ĐỘ CỦA SẢN PHẨM TRONG BỂ CHỨA PHẢN ỨNG CĨ KHUẤY 3.1 Mơ tả đối tượng điều khiển nồng độ sản phẩm bể chứa phản ứng có khuấy Mơ hình động học bể chứa phản ứng có khuấy biểu diễn hình 3.1 W1 W2 Cb1 Cb2 b W0 Cb 24 Hình 3.1 Mơ hình bể chứa phản ứng có khuấy Động học bể chứa phản ứng có khuấy phức tạp, tập trung phân tích động học nồng độ sản phẩm bể chứa phản ứng có khuấy Ngay thơng số nồng độ sản phẩm bể chứa phản ứng có khuấy phụ thuộc vào nhiều biến số phụ thuộc vào độ cao dung dịch Để giảm mức độ phức tạp q trình nghiên cứu,điều khiển, ta xem xét mơ hình động học bể chứa phản ứng có khuấy với giả thiết sau đây: Giả thiết bể chứa phản ứng có khuấy khơng đề cập đến điều chỉnh độ cao dung dịch, tốc độ dòng chảy dung dịch cấp dùng để pha loãng nồng độ sản phẩm Mặt khác giả thiết thay đổi độ cao dung dịch không làm cho nồng độ sản phẩm thay đổi trạng thái Với giả thiết trên, động học bể chứa phản ứng có khuấy mơ tả phương trình sau: dh(t ) = w1 (t ) + w2 (t ) − 0.2 h(t ) dt dC b (t ) k C b (t ) w (t ) w (t ) = (C b1 − C b (t )) + (C b − C b (t )) − dt h(t ) h(t ) (1 + k C b (t )) với h(t)là độ cao chất lỏng, C b (t) nồng độ sản phẩm đầu trình sản xuất, w (t) tốc độ dòng chảy dung dịch cấp để pha loãng C b (t) w2(t) tốc độ dòng chảy dung dịch cấp nồng độ C b1 (t) Cho C b1 (t)=29.4 C b (t)=0.1 Các hệ số liên quan đến tốc độ nhu cầu tiêu thụ k =1 ,k =1 trì w1(t) có giá trị khơng đổi wi(t)= 0.1 Từ hệ phương trình ta thấy cần phải trì giữ nồng độ sản phẩm khơng đổi cách điều khiển tốc độ dịng chảy w2(t) 3.2 Ứng dụng điều khiển nơron theo mô hình mẫu điều khiển nồng độ bể chứa phản ứng có khuấy 3.2.1 Thiết lập sơ đồ điều khiển Sơ đồ ứng dụng điều khiển nơron theo mơ hình mẫu điều khiển nồng độ bể chứa phản ứng có khuấy Matlab Simulink trình bày hình 3.2 25 Trong bao gồm: Bộ điều khiển nơron theo mơ hình mẫu ( Khối Model Reference Controller) cung cấp tín hiệu điều khiển w cho đối tượng điều khiển nồng độ bể chứa dung dịch có khuấy (Khối Plant); Khối cung cấp tín hiệu đặt th – đặt khối tính tốn chiều cao h dung dịch có bể chứa Hình 3.2 Sơ đồ điều khiển nơron theo mơ hình mẫu điều khiển nồng độ dung dịch cho bể có khuấy 3.2.2 Q trình mơ Q trình mơ thực qua bước: Nhận dạng điều khiển đối tượng * Bước nhận dạng đối tượng Sử dụng mạng nơron truyền thẳng nhiều lớp thực nhận dạng đối tượng Kết trình đối tượng điều khiển nồng độ dung dịch có bể chứa thay cấu trúc thông số mạng nơron truyền thẳng nhiều lớp Nháy kép vào khối Model Reference Controller, ta cửa sổ khai báo điều khiển, thực nạp thông số điều khiển kết trình bày hình 3.3 26 Hình 3.3 Cửa sổ thơng số điều khiển nơron theo mơ hình mẫu trước thực bước nhận dạng đối tượng Nháy kép vào nút Plant Identification để thực trình nhận dạng ta cửa sổ nhận dạng đối tượng hình 3.4 sau nạp thông số cho mạng nơron truyền thẳng nhiều lớp sử dụng để nhận dạng đối tượng 27 Hình 3.4 Cửa sổ nhận dạng đối tượng Nháy kép vào nút Generate Training Data để cung cấp tín hiệu vào cho mạng nơron truyền thẳng nhiều lớp nhận dạng đối tương Ta tín hiệu vào - đối tượng cần nhận dạng nồng độ dung dịch bể chứa có khuấy biểu diển hình 3.5 28 Hình 3.5 Đồ thị tín hiệu vào-ra đối tượng cần nhận dạng Bấm nút Accept Data để chọn tín hiệu vào - thực trình nhận dạng đối tượng * Bước điều khiển: Khi kết thúc trình nhận dạng, cửa sổ nhận dạng đối tượng hình 3.4, nút Train Network lên Bấm vào nút Train Network để thực trình huấn luyên mạng Kết thúc q trình ta thơng số mạng nơron sử dụng điều khiển mô hình mẫu ứng dụng mạng nơron trình bày 29 hình 3.6 Mơ hình mạng nơron mơ tả điều khiển đối tượng cài đặt NEURAL NETWORK TOOLBOX mơ tả hình 3.7 Kết kiểm tra liệu cho điều khiển theo mơ hình mẫu ứng dụng mạng nơron bao gồm: Tín hiệu vào; Tín đối tượng; Tín hiệu mạng nơron; Sai lệch tín đối tượng tín hiệu mạng nơron trình bày hình 3.8 30 Hình 3.6 Thơng số mạng nơron sử dụng điều khiển mơ hình mẫu ứng dụng mạng nơron Hình 3.7 Mơ hình mạng nơron mơ tả đối tượng điều khiển dùng mạng nơron cài đặt NEURAL NETWORK TOOLBOX 31 Hình 3.8 Kết kiểm tra liệu cho điều khiển theo mơ hình mẫu ứng dụng mạng nơron: Tín hiệu vào; Tín đối tượng; Tín hiệu mạng nơron; Sai lệch * Để kiểm tra lại kết trình nhận dạng điều khiển trở lại mơ hình biều diễn hình 2, nháy vào nút Simulation Nháy vào thiết bị Floating Scop w2 ta tín hiệu điều khiển w tốc độ dòng chảy cấp dung dịch cho bể chứa trình bày hình 3.9 32 3.5 2.5 1.5 0.5 0 50 100 150 200 250 300 Hình 3.9 Đồ thị tín hiệu điều khiển bể khuấy w2 Nháy vào thiết bị Floating Scop Cb ta tín hiệu đầu đối tượng cần điều khiển nồng độ dung dịch bể chứa có khuấy Cb (nét liền) trình bày hình 3.9 22 21.5 21 20.5 20 50 100 150 200 250 300 Hình 3.10 Đồ thị tín hiệu đặt th - dat (đường nét đứt) đồ thị nồng độ dung dịch Cb (đường nét liền) KẾT LUẬN CHƯƠNG 33 Từ đồ thị hình 3.10 ta thấy Tín hiệu cần điều khiển Cb (nét liền) bám theo tín hiệu đặt th – đặt (nét đứt) Từ ta kết luận ứng dụng điều khiển nơron điều khiển nồng độ bể chứa phản ứng có khuấy thực tốt, với chất lượng điều đạt yêu cầu 34 CHƯƠNG KẾT LUẬN CHUNG VÀ KIẾN NGHỊ 4.1 Kết luận chung Luận văn hoàn thành phần sau: - Trình bày tổng quan mạng nơron; - Trình bày ứng dụng mạng nơron nhận dạng điều khiển; - Đưa điều khiển nơron; - Chọn điều khiển nơron theo mơ hình mẫu; - Đưa động học đối tượng điều khiển nồng độ dung dịch bể chứa phản ứng có khuấy; - Thiết lập mơ hình điều khiển ứng dụng điều khiển nơron theo mơ hình mẫu để điều khiển nồng độ sản phẩm bể chứa phản ứng có khuấy; - Đã mơ ứng dụng điều khiển nơron theo mơ hình mẫu để điều khiển nồng độ sản phẩm bể chứa phản ứng có khuấy, kết mơ đạt chất lượng tốt (Tín hiệu cần điều khiển Cb bám theo tín hiệu đặt th – đặt ) với sai lệch phạm vi cho phép 4.2 Kiến nghị Do thời gian nghiên cứu có hạn điều kiện sở vật chất giới hạn nên luận văn dừng lại kết mô phỏng, nhiên kết mơ cho thấy tính đắn đề tài cần nghiên cứu Để phát triển tiến hành nghiên cứu ứng dụng trực tiếp nhà máy có sử dụng bể chứa phản ứng có khuấy TÀI LIỆU THAM KHẢO 35 [1] Phạm Hữu Đức Dục “Mạng nơron ứng dụng điều khiển tự động”, Nhà xuất khoa học kỹ thuật, 2009 [2] Nguyễn Như Hiển & Lại Khắc Lãi “Hệ mờ nơron kỹ thuật điều khiển”, Nhà xuất khoa học tự nhiên công nghệ, 2007 [3] Nguyễn Thương Ngô “ Lý thuyết điều khiển tự động đại”, Nhà xuất khoa học kỹ thuật, 1998 [4] Mair,Austyn.W.,andBirdsall,David L, “Aircraft Performance”, Cambridge Aerospace Series 5, New York, Cambridge University Press, 1992 [5].http://www.engin.umich.edu/group/com/examples/pitch/Mpitch.html, "Modelinga Pitch Controller-Control Tutorials for Matlab",Carnegie Mellon [6].http://www.mathworks.com/access/helpdesk/help/pdf_doc/nnet/nnet.pdf, Howard Demuth, Mark Beale, Martin Hagan, "Neural Network Toolbox™ User’s Guide", The MatthWorks [7] Narendra, Parthasarathy, "Identification and control of dynamical systems using Neural Networks", IEEE Trans on Neural Networks, Vol.1, No.1, pp 4-27, 1990 [8] C.T.Lin,C.S George Lee; Neural Fuzzy Systems; Prentice Hall Internatinal, Inc, 1996 ... hình điều khiển ứng dụng điều khiển nơron theo mơ hình mẫu để điều khiển nồng độ sản phẩm bể chứa phản ứng có khuấy; - Đã mơ ứng dụng điều khiển nơron theo mơ hình mẫu để điều khiển nồng độ sản. .. ĐIỀU KHIỂN NƠRON THEO MƠ HÌNH MẪU ĐIỀU KHIỂN NỒNG ĐỘ CỦA SẢN PHẨM TRONG BỂ CHỨA PHẢN ỨNG CĨ KHUẤY 3.1 Mơ tả đối tượng điều khiển nồng độ sản phẩm bể chứa phản ứng có khuấy Mơ hình động học bể chứa. .. Ứng dụng điều khiển nơron theo mơ hình mẫu điều khiển nồng độ bể chứa phản ứng có khuấy 3.2.1 Thiết lập sơ đồ điều khiển Sơ đồ ứng dụng điều khiển nơron theo mơ hình mẫu điều khiển nồng độ bể chứa