Kết cấu của luận văn gồm: Mở đầu Chương 1: Tổng quan việc ứng dụng mạng nơron trong nhận dạng và điều khiển đối tượng động học phi tuyến Chương 2: Nhận dạng đối tượng động học phi tuy
Trang 22
Luận văn được hoàn thành tại Trường Đại học Kỹ thuật Công nghiệp Thái Nguyên
Cán bộ HDKH : PGS.TS Nguyễn Hữu Công
Phản biện 1 : PGS.TS Nguyễn Doãn Phước
Phản biện 2 : TS Nguyễn Duy Cương
Luận văn đã được bảo vệ trước hội đồng chấm luận văn, họp tại: Phòng cao học số 3, trường Đại học Kỹ thuật Công nghiệp Thái Nguyên Vào 10 giờ 00 phút ngày 07 tháng 10 năm 2010
Có thể tìm hiểu luận văn tại Trung tâm Học liệu tại Đại học Thái Nguyên và Thư viện Trường Đại học Kỹ thuật Công nghiệp Thái Nguyên
MỞ ĐẦU
Trong những năm gần đây mạng nơron nhân tạo ANN (Artificial Neural Network) ngày càng được ứng dụng rộng rãi trong nhận dạng, điều khiển và tính toán mềm vì những ưu điểm như khả năng xử lý song song, tốc độ cao … nên được ứng dụng trong nhiều lĩnh vực như: công nhiệp, năng lượng, y học, tài nguyên nước và khoa học môi trường Đặc biệt trong lĩnh vực kỹ thuật môi trường, ANN ngày càng chứng tỏ được vai trò trong nhận dạng và điều khiển các quá trình
xử lý phức tạp mà các phương pháp khác không có được
Tuy nhiên các tác giả đã nghiên cứu ở trên khi luyện mạng nơron sử dụng các Toolbox của Matlab, thường ta sẽ không loại bỏ được những mẫu học bị nhiễu Đề tài sẽ đưa ra một thuật toán loại bỏ những mẫu học bị nhiễu và sẽ làm giảm sai số trong quá trình huấn luyện mạng Ta sẽ nghiên cứu cho một số đối tượng động học phi tuyến
Căn cứ vào những nhận xét, đánh giá trên, tôi chọn đề tài: “Nghiên cứu ứng dụng mạng nơron trong nhận dạng và điều khiển đối tượng động học phi tuyến”
Kết cấu của luận văn gồm:
Mở đầu
Chương 1: Tổng quan việc ứng dụng mạng nơron trong nhận dạng và điều
khiển đối tượng động học phi tuyến Chương 2: Nhận dạng đối tượng động học phi tuyến sử dụng mạng nơron
Chương 3: Ứng dụng mạng nơron để điều khiển bể xử lý nước thải theo mô hình mẫu
Trang 3Tôi xin chân thành cám ơn!
Thái Nguyên, ngày 14 tháng 10 năm 2010
Phạm Văn Hưng
Trang 44
w1 p
w2 p
wn p
.
NHẬN DẠNG VÀ ĐIỀU KHIỂN ĐỐI TƯỢNG ĐỘNG HỌC PHI TUYẾN 1.1 Giới thiệu tóm tắt về mạng nơron
1.1.1 Mạng nơron sinh học
Mạng nơron là sự tái tạo bằng kỹ thuật những chức năng của hệ thần kinh con người Trong quá trình tái tạo không phải tất cả các chức năng của bộ não con người có đều được tái tạo mà chỉ có những chức năng cần thiết Bên cạnh đó có những chức năng mới được tạo ra nhằm giải quyết một bài toán điều khiển đã định trước
1.1.2 Mạng nơron nhân tạo (Artificial Neural network - ANN)
Từ những nghiên cứu tính chất cơ bản của mạng nơron sinh học Người ta thay thế những tính chất này bằng một mô hình toán học tương đương được gọi là mạng nơron nhân tạo Mạng nơron nhân tạo có thể được chế tạo bằng nhiều cách khác nhau vì vậy trong thực tế tồn tại rất nhiều kiểu mạng nơron nhân tạo
1.1.3 Cấu trúc mạng nơron
Trong điều khiển tự động, để xây dựng được các hệ thống điều khiển tự động, trước tiên phải xác định được mô hình thích hợp cho đối tượng và xác định các tham số của mô hình Ở đây mô hình được sử dụng để thay thế cho đối tượng
là một mạng nơron Vậy ta phải xác định được cấu trúc hợp lý cho mạng nơron và huấn luyện các tham số của mạng Tuỳ theo các đặc tính của mạng nơron là động học tuyến tính, phi tuyến tĩnh, hay động học phi tuyến mà ta có thể phân thành 3 loại như sau:
Trang 51.1.4 Huấn luyện mạng nơron
Trong hai bài toán nhận dạng và thiết kế bộ điều khiển nơron ta phải xác định cấu trúc và tham số của mạng nơron Đầu tiên là phải xác định cấu trúc của mạng, sau đó là xác định tham số của mạng Việc xác định tham số của mạng được thực hiện bằng phương pháp huấn luyện mạng
Phương pháp huấn luyện mạng nơron động học phi tuyến
Ứng dụng mạng nơron trong điều khiển tự động
Nhờ sự phát triển mạnh mẽ về khả năng tính toán và xử lý ngày càng mạnh của máy tính, nhờ đó mà trong lĩnh vực điều khiển tự động mạng nơron được ứng dụng để giải quyết hai bài toán sau:
¾ Nhận dạng đối tượng Các đối tượng ở đây với đặc tính có thể là động học tuyến tính, phi tuyến tĩnh hoặc động học phi tuyến
¾ Thiết kế bộ điều khiển nơron
Theo lý thuyết đã chứng minh mạng nơron là một bộ xấp xỉ đa năng có thể dùng làm mô hình toán học để thay thế cho một đối tượng với sai số cho trước nào
đó Đồng thời khả năng xấp xỉ đa năng của mạng nhiều lớp tạo ra một sự lựa chọn
ưa thích cho việc mô hình hoá các đối tượng phi tuyến và thực hiện các bộ điều khiển phi tuyến đa năng
Mạng nơron được ứng dụng trong điều khiển tự động với 3 bài toán:
¾ Điều khiển dự báo mô hình: Model Predictive Control (MPC)
¾ Điều khiển tuyến tính hoá phản hồi: NARMA-L2 (Feedback Linearization Cotrol)
¾ Điều khiển theo mô hình mẫu: Model Reference Control
1.2 Tình hình nghiên cứu trong và ngoài nước liên quan đến đề tài
1.2.1 Tình hình nghiên cứu trong nước
Trang 66
Nguyễn Đắc Nam (2008),“Nghiên cứu ứng dụng mạng nơron truyền thẳng
nhiều lớp nhận dạng vị trí robot hai khâu”, Luận văn Thạc sỹ, Trường Đại
học Kỹ thuật Công nghiệp
Vũ Thanh Du,“Nghiên cứu ứng dụng mạng nơron để nhận dạng và điều khiển hệ thống phi tuyến”, Luận văn Thạc sỹ, Trường Đại học Kỹ thuật Công nghiệp
Nguyễn Sĩ Dũng, Lê Hoài Quốc,“Một số thuật toán về huấn luyện mạng neural network trên cơ sở phương pháp conjugate Gradient”, Đại học Công nghiệp TPHCM và Đại học Bách khoa TPHCM
Nguyễn Kỳ Phùng, Nguyễn Khoa Việt Trường,“Mô hình hoá các quá trình
xử lý nước thải bằng mạng nơron nhân tạo”,Trường Đại học Khoa học Tự nhiên Đại học Quốc gia Thành phố Hồ Chí Minh
Đỗ Trung Hải (2008) “Ứng dụng lý thuyết mờ và mạng nơron để điều khiển
hệ chuyển động”, Luận án tiến sỹ, Trường Đại học Bách khoa Hà Nội
1.2.2 Tình hình nghiên cứu ngoài nước
R.K Al Seyab, Y Cao (2007)“Nonlinear system identification for predictive control using continuous time recurrent neural networks and automatic differentiation”, School of Engineering Cranfield University,
College Road, Cranfield, Bedford MK43 0AL, UK, Science Direct
Maciej Lawrynczuk (2010), “Training or neural models for predictive control”, Insitute of control and computation Engineering, Faculty of
Electronics and Information Technology, Warsaw University of Technology, ul Nowowiejska 15/19, 00-665 Warsaw, Poland, Neurocomputing 73
Jaroslava Žilková, Jaroslav Timko, Peter Girovský, “Nonlinear System
Control Using Neural Networks”, Department of Electrical Drives and
Mechatronic, Technical University of Kosice, Hungary
Ghania Debbache - Abdelhak bennia (2006), “Neural network base MRAC control of dynamic nonlinear systems” Electrical Engineering Institute, Oum El-Bouaghi University 04000 Oum El-Bouaghi Algeria -Electronic Department, Constantine University 25000 Constantine Algeria
Trang 77
1.2.3 Nhận xét và lựa chọn hướng nghiên cứu
Các nghiên cứu trong nước về cơ bản còn dừng lại ở mức độ sử dụng các thuật toán huấn luyện mạng cơ bản và áp dụng cho những đối tượng có mô hình chưa có độ phức tạp cao Tuy nhiên trong những năm gần đây các tác giả trong nước cũng đang chuyển hướng nghiên cứu sang lĩnh vực tìm ra thuật toán luyện mạng mới nhằm cải tiến thuật toán học cơ bản cũng như tăng độ hội tụ và giảm thời gian huấn luyện mạng
Các công trình nghiên cứu ngoài nước hầu hết đều theo hướng áp dụng những thuật toán mới nhằm giải quyết những bài toán nhận dạng mô hình động học phi tuyến Tuy nhiên với đối tượng động học phi tuyến thì việc nhận dạng và điều khiển sẽ gặp rất nhiều khó khăn đòi hỏi phải giải các bài toán tối ưu để tăng
độ hội tụ trong quá trình tính toán và giảm thời gian luyện mạng
1.3 Kết luận chương 1
Đã giới thiệu tóm tắt về kiến thức cơ bản của mạng nơron Đồng thời giới thiệu các dạng mô hình của mạng nơron, các thuật toán huấn luyện mạng và các bài toán với mạng nơron
Căn cứ việc phân tích tình hình nghiên cứu trong và ngoài nước để làm tiền
đề định hướng nghiên cứu cho đề tài này Hi vọng kết quả sẽ áp dụng tốt cho những dạng bài toán nhận dạng và điều khiển đối tượng động học phi tuyến trên cơ sở mạng nơron như bể xử lý nước thải để giải quyết vấn đề đang tồn tại của nhiều quốc gia
CHƯƠNG 2 NHẬN DẠNG ĐỐI TƯỢNG ĐỘNG HỌC PHI TUYẾN
SỬ DỤNG MẠNG NƠRON 2.1 Giới thiệu hệ động học phi tuyến
2.1.1 Giới thiệu chung
Hệ động học phi tuyến bao gồm hai đặc tính là tính động học và tính phi tuyến Tính phi tuyến được thể hiện ở hệ thống không thỏa mãn nguyên tắc xếp chồng Tính động học thể hiện ở các quan hệ vào ra, đầu ra không những phụ thuộc vào đầu vào mà còn phụ thuộc vào sự biến thiên của đầu vào Thông thường
hệ được biểu diễn bởi quan hệ vi phân và tích phân
2.1.2 Mô hình mô tả hệ động học phi tuyến dưới dạng rời rạc
Trang 88
Bốn mô hình của các hệ thời gian rời rạc giới thiệu ở đây có thể biểu diễn
bằng các phương trình vi phân phi tuyến và các khối trễ
2.2 Nhận dạng hệ động học phi tuyến
2.2.1 Khái quát chung
Tại sao phải nhận dạng
Xét một bài toán điều khiển theo nguyên tắc phản hồi như trên hình 2.5:
Muốn tổng hợp được bộ điều khiển cho đối tượng hệ kín có được chất lượng như mong muốn thì trước tiên phải hiểu biết về đối tượng, tức là cần phải có một
mô hình toán học mô tả đối tượng Không thể điều khiển đối tượng khi không hiểu biết hoặc hiểu sai lệch về nó Kết quả tổng hợp bộ điều khiển phụ thuộc rất nhiều vào mô hình mô tả đối tượng Mô hình càng chính xác, hiệu suất công việc càng cao
Định nghĩa
Nhận dạng hệ thống là xây dựng mô hình toán học của hệ (cấu trúc – tham số) dựa trên các dữ liệu thực nghiệm đo được Quá trình nhận dạng là quá trình hiệu chỉnh các tham số của mô hình sao cho tín hiệu ra của mô hình tiến tới tín hiệu đo được của hệ thống
Khái niệm về bài toán nhận dạng được Zadeh định nghĩa vào năm 1962 với hai điểm cơ bản sau:
- Nhận dạng là phương pháp thực nghiệm nhằm xác định một mô hình cụ thể trong lớp các mô hình thích hợp trên cơ sở quan sát các tìn hiệu vào ra
- Mô hình tìm được phải có sai số với đối tượng là nhỏ nhất
Theo định nhĩa này thì những bài toán nhận dạng sẽ phải được phân biệt với nhau ở ba điểm chính, đó là:
- Lớp mô hình thích hợp Chẳng hạn lớp các mô hình tuyến tính không có cấu trúc (không biết bậc của mô hình) hoặc có cấu trúc, lớp các loại mô hình lưỡng tuyến tính
- Loại tín hiệu quan sát được (tiền định/ngẫu nhiên)
Bộ điều khiển
Đối tượng điều khiển
-
Hình 2.5: Điều khiển theo nguyên tắc phản hồi đầu ra
Trang 9Để xác định được mô hình của hệ thống từ các dữ liệu quan sát này ta phải có:
- Số liệu vào – ra
- Tập các đầu vào tham gia vào mô hình
- Tiêu chí lựa chọn mô hình
Quy trình nhận dạng gồm các bước
1) Thu thập số liệu vào – ra từ hệ thống
2) Khảo sát số liệu Lựa chọn phần có ích trong số liệu thu được, có thể sử dụng bộ lọc nếu cần
3) Lựa chọn và xác định cấu trúc mô hình
4) Tính toán mô hình tốt nhất trong các dạng cấu trúc tìm được theo số liệu vào ra và tiêu chí lựa chọn
5) Khảo sát tính năng của mô hình tìm được
Nếu mô hình đủ tốt thì dùng Ngược lại thì quay về bước 3 để tìm mô hình khác Có thể phải tìm phương pháp ước lượng khác (bước 4) hoặc thu thập thêm số liệu vào – ra (bước 1 và 2)
Quy trình nhận dạng hệ thống có thể biểu diễn theo sơ đồ
Hình 2.6: Quy trình nhận dạng hệ thống
Tiến hành thiết kế
Dữ liệu Lựa chọn tập
mô hình
Chọn tiêu chuẩn phù hợp
Tính toán mô hình
Mô hình tốt
Thông tin ban đầu
Đúng: chấp nhận mô hình
Sai
Trang 1010
2.2.2 Các phương pháp nhận dạng
Nhận dạng thông số hệ thống ngoại tuyến (off-line)
Trong quá trình điều khiển các đối tượng động lực cần phải giải quyết bài toán nhận dạng thông số mô hình hệ động lực Hiện nay có hai hướng cơ bản mô
tả toán học các đối tượng động lực:
- Mô hình hàm truyền
- Mô hình không gian trạng thái
Loại mô hình hàm truyền phù hợp với giai đoạn đầu phát triển lý thuyết điều khiển và hướng đến các hệ tuyến tính dừng
Loại mô hình không gian trạng thái tổng quát hơn và có thể hướng đến lớp đối tượng rộng hơn như hệ phi tuyến, dừng và không dừng
Quan điểm không gian trạng thái tỏ ra rất hiệu quả trong các nghiên cứu khoa học và trong thiết kế các hệ động lực phức tạp
• Bài toán nhận dạng thông số off-line
Quan sát được các véc tơ z(t) bao gồm véc tơ trạng thái với nhiễu tác động v(t) và đầu vào u(t) như sau:
Z(t)=h[x(t), u(t), v(t), P2(t), t] (2.6)
Ở đây P2(t) là các thông số chưa biết của hệ thống
Véc tơ trạng thái của hệ được mô tả bởi phương trình:
( )t f[x( ) ( ) ( ) ( )t , u t , w t , P t t]
Trong đó w(t) là véc tơ nhiễu tác động từ bên ngoài Cần xác định thông số
mô hình đảm bảo cực trị một tiêu chuẩn nhận dạng Sơ đồ tổng quát có dạng biểu
diễn ở Hình 2.7:
Véc tơ thông số P(t)=[P1(t),P2(t)] có thể chứa các hệ số của phương trình vi phân, phương trình quan sát và đồng thời có thể có các đặc trưng thống kê của nhiễu v(t), w(t)
Trang 1111
1 Phương pháp xấp xỉ vi phân
Nếu lấy vi phân giá trị các biến tại các thời điểm, thì có thể xây dựng hệ phương trình tuyến tính được giải bằng các phương pháp bình phương cực tiểu đối với véc tơ cần tìm P Nếu x(t), x(t), u( )t là các hàm đã biết thì phương trình (2.5)
có thể viết dưới dạng:
( ) ( )
So sánh x(t) với z(t) ta có thể dẫn đến tiêu chuẩn sai số J bao gồm hiệu các đầu ra của mô hình và đối tượng (hệ thống):
xHJ
Trang 1212
3 Phương pháp tìm kiếm trực tiếp
4 Phương pháp tựa tuyến tính
5 Phương pháp sử dụng hàm nhạy
2.3 Nhận dạng hệ thống sử dụng mạng nơron
2.3.1 Khả năng sử dụng mạng nơron trong nhận dạng
Mạng nơron là một trong những công cụ nhận dạng tốt nhất vì các đặc trưng sau: Khả năng học từ kinh nghiệm (khả năng được huấn luyện), khả năng khái quát hoá cho các đầu vào không được huấn luyện, ví dụ dựa vào cách học mạng có thể
sẽ tiên đoán đầu ra từ đầu vào không biết trước
Mạng nơron có khả năng xấp xỉ các hàm phi tuyến một cách đầy đủ và chính xác, nó được sử dụng tốt cho các mô hình động học phi tuyến Điều quan trọng được sử dụng là thuật truyền ngược tĩnh và động của mạng nơron, nó được sử dụng
để hiệu chỉnh các tham số trong quá trình nhận dạng và điều khiển
2.3.2 Mô hình nhận dạng hệ thống sử dụng mạng nơron
Khi xét một bài toán điều khiển, trước tiên ta cần phải có những hiểu biết về đối tượng: số đầu vào, số đầu ra, các đại lượng vật lý vào ra, dải giá trị của chúng, quy luật thay đổi của các đại lượng trong hệ hay mô hình toán học cơ bản của nó
2.3.3 Nhận dạng hệ thống sử dụng mạng nơron
Như vậy nhận dạng hệ thống cần hai giai đoạn đó là lựa chọn mô hình và tối
ưu tham số Đối với mạng nơron dựa vào nhận dạng lựa chọn số nút ẩn, số lớp ẩn (cấu trúc của mạng) tương đương với mô hình lựa chọn Mạng có thể được huấn luyện theo kiểu giám sát với thuật toán lan truyền ngược, dựa vào luật học sai số hiệu chỉnh Tín hiệu sai số được lan truyền ngược qua mạng Thuật toán lan truyền ngược sử dụng phương pháp giảm gradient để xác định các trọng của mạng vì vậy tương đương với tối ưu tham số Mạng nơron được huấn luyện để xấp xỉ mối quan
hệ giữa các biến
Trang 132.4 Nhận dạng hệ thống xử lý nước thải sử dụng mạng nơron
Ta biết rằng có thể sử dụng nhiều phần mềm để mô phỏng quá trình học, luyện mạng nơron Nhưng trong luận văn này sử dụng phần mềm Matlab 7.0.4 để thực hiện việc mô phỏng mạng nơron, vì phần mềm này rất mạnh, nó có giao diện
và rất nhiều chương trình ứng dụng nên hiện nay nó đang là phần mềm thông dụng
và được ứng dụng nhiều trong kỹ thuật
Trong phần này sẽ đưa ra một số kết quả mô phỏng nhận dạng hệ động học phi tuyến sử dụng các mô hình đã giới thiệu ở chương 2, đặc biệt là sử dụng mô hình nối tiếp – song song để nhận dạng hệ và thuật toán lan truyền ngược tĩnh để điều chỉnh các tham số của mạng
2.4.1 Các bước thực hiện trong quá trình nhận dạng
Các bước xây dựng:
Hệ động học phi tuyến
Trang 1414
Bước 1: Tạo tập mẫu P,T để nhận dạng hệ thống xử lý nước thải, sau đó phát
một tín hiệu đầu vào P (P là tín hiệu ngẫu nhiên) Quan sát tín hiệu ra T
Bước 2: Chọn cấu trúc mạng NN Plant
Bước 3: Huấn luyện mạng NN Plant
Sao cho sai lệch J = ∑
=
N 1 k
2(k)eN
1
là bé nhất mục đích để dùng mạng NN Plant thay thế cho hệ thống xử lý nước thải trong quá trình thiết kế bộ điều khiển nơron
2.4.2 Mô hình toán học của hệ thống xử lý nước thải
- Xét hệ thống xử lý nước thải (có tính axít) từ một quá trình công nghệ trong các nhà máy
- Nguyên lý hoạt động của hệ thống là cho thêm chất lỏng có tính kiềm vào ước thải, sau đó trộn đều để trung hoà tính axít của nước thải Chất lỏng có tính kiềm cho vào phải đảm bảo các điều kiện như: Muối tạo thành là muối vô hại, không ảnh hưởng đến môi trường
n-Sơ đồ công nghệ hệ thống xử lý nước thải như hình 2.18:
Tín hiệu đầu ra của hệ thống được định nghĩa như sau:
y = [H+] - [OH-] , với [H+] là nồng độ ion H+ , [OH-] là nồng độ ion OH- Nhiệm vụ điều khiển là tín hiệu đầu ra ở trạng thái xác lập y tiến đến 0 khi đó nước thải là trung tính và có độ pH =7
Gọi p là độ pH của chất thải trong bể Ta có quan hệ: y = 10-p - 10pK0
Máy trộn
u
Nước thải có tính axit
Nước thải trung tính
Hình 2.18: Sơ đồ hệ thống xử lý nước thải
Máy trộn
u
Nước thải có tính axit
Nước thải trung tính Chất lỏng có tính kiềm
Trang 1515
Trong đó: K0 = [H+]*[OH-] = 10-14 g/l, p = - log[H+]
Mô hình toán học của quá trình xử lý nước thải như sau:
Vy= F(a-y) - u(b+y)
V là thể tích của bể chứa (L)
F là tốc độ dòng chảy của chất thải có axít (L/sec)
a nồng độ mol/l của nước thải có tính axít (moles/L)
b nồng độ mol/l của ba zơ (moles/L)
u là tốc độ dòng chảy của bazơ (L/sec)
Phương trình hệ thống là: Vy= Fa - Fy - ub – uy
Giới hạn của tín hiệu điều khiển u là: [0 … 2] L/sec
Thay các giá trị trên vào mô hình được phương trình hệ thống như sau:
y = 0.00005 - 0.05y - 0.0005u – 0.5uy
Hệ thống xử lý nước thải là một đối tượng động học phi tuyến Thể hiện tính phi tuyến ở khâu nhân giữa tín hiệu vào và tín hiệu ra Tính động học ở điểm có đạo hàm và đầu ra được đưa ngược trở lại đầu vào
2.4.3 Ứng dụng mạng nơron để nhận dạng đối tượng
Tập mẫu vào ra
Hình 2.19 Tập mẫu vào ra trong của bể xử lý nước thải
Trang 1616
Mô hình hệ thống xử lý nước thải dưới dạng mạng nơron
Chọn cấu trúc mạng nơron để nhận dạng bể xử lý nước thải
Cấu trúc mạng nơron của mô hình hệ thống xử lý nước thải được chọn như hình vẽ trên:
Mạng gồm có hai lớp: Lớp 1 có 4 nơron và sử dụng hàm tansig, lớp 2 có 1 nơron và sử dụng hàm purelin
Bộ thông số (p,t) gồm 1000 mẫu lấy ở trên được dùng để huấn luyện mạng nơron của mô hình đối tượng
Chương trình huấn luyện mạng nơron của mô hình đối tượng
Mô phỏng quá trình luyện mạng