Điều khiển hệ thống lái tự động tàu thủy với thuật toán nơ ron mờ sử dụng luật TAKAGI SUGENO

Điều khiển bằng chế độ tự động sẽ triệt tiêu tính chất chủ quan, hệthống tự động sẽ tự thu thập dữ liệu đầu vào và các thông số của tàu trong thời gianhiện tại, kết hợp với yêu cầu điều

CHƯƠNG 1: TỔNG QUAN ĐỀ TÀI NGHIÊN CỨU

1.1 Lý do chọn đề tài

Với tốc độ phát triển của khoa học kỹ thuật như hiện nay, thì những nhu cầu vềviệc điều khiển tàu thủy bằng chế độ tự động là vô cùng quan trọng vì điều khiểntàu thủy trực tiếp bằng con người thì sẽ mang tính chất chủ quan, cảm tính, đôi lúckhông chính xác Điều khiển bằng chế độ tự động sẽ triệt tiêu tính chất chủ quan, hệthống tự động sẽ tự thu thập dữ liệu đầu vào và các thông số của tàu trong thời gianhiện tại, kết hợp với yêu cầu điều khiển mà tính toán và xử lí, sau đó đưa ra lệnhđiều khiển tối ưu và dứt khoát, giúp giảm thiểu tối đa thiệt hại đáng tiếc có thể xảy

ra, đồng thời giúp cho chuyến hành trình được an toàn và nhanh chóng, nâng caohiệu suất vận chuyển

Với những đặc tính ưu việc của chế độ điều khiển tự động như trên, kết hợp với

sự phát triển mạnh mẽ của việc truyền dữ liệu không dây thì yêu cầu điều khiểnđược nâng cao hơn, đó chính là điều khiển chế độ tự động và có giám sát từ xa.Giúp cho người điều khiển có thể trực tiếp điều khiển tàu từ xa hoặc thiết lập cácthông số từ xa cho chế độ tự động điều khiển của tàu Yêu cầu này đặc biệt cấp thiếtđối với các tàu đi đo đạt hoặc khảo sát với các địa hình biển phức tạp, khó khăn màcon người khó tiếp cận trực tiếp hoặc những khu vực nguy hiểm

Chính vì sự cần thiết cũng như những tiềm năng của bộ điều khiển tàu thủy tựđộng kết hợp với việc điều khiển từ xa là rất lớn trên thị trường hiện nay, nên việcnghiên cứu và chế tạo là vô cùng cấp thiết Hơn nữa, trên thị trường hiện nay cónhững thiết bị điều khiển tự động dành cho tàu thủy với giá rất cao nhưng chưa có

sự kết hợp với chế độ điều khiển từ xa

Vì vậy, để đáp ứng nhu cầu mang tính thực tiễn cao này nên tôi đã chọn đề tài

“Điều khiển hệ thống lái tự động tàu thủy với thuật toán nơron – mờ sử dụng luật Takagi – Sugeno dưới ảnh hưởng của môi trường”.

1.2 Cơ sở khoa học và ý nghĩa thực tiển

1.2.1 Tổng quan một số mô hình máy lái tự động hiện nay

1.2.1.1 Mô hình hệ thống lái tự động RP-6000 của Tokyo Keyki

Hình 1.1 Hệ thống lái tự động RP-6000

 Chế độ lái: lái tự động, lái bằng tay, lái NFU và NAV (RC hoặc lái vượtcấp)

 Bộ điều khiển lái tự động: điều khiển bằng PID và chức năng ADPT

 Tín hiệu đầu vào: tín hiệu tốc độ và tín hiệu điều hướng GYRO củaADPT

 Có thể sắp xếp được hệ thống lái

 Giao diện theo tiêu chuẩn của IBS

 Hệ thống điều khiển: với mỗi loại đáp ứng điều khiển (đơn hoặc đôi) thìđược cung cấp cho bộ điều khiển đơn theo tiêu chuẩn của PID

 Giao diện giữa người và máy: “cảnh báo đơn” và “cảnh báo hệ thống”được cải thiện với giao diện trực quan và được cải thiện hơn

Chi tiết hệ thống lái:

- Tương thích với hệ thống điều khiển lái từ xa theo tiêu chuẩn của IBS

- Kết nối với các thiết bị điều khiển khác của cùng hảng sản xuất

- Có thể kết nối với ngõ ra của la bàn số

- Tích hợp chức năng tự động kiểm tra theo tiêu chuẩn

Hình 1.2 Giao diện điều khiển giữa người và máyBảng chú thích các chức năng của bộ điều khiển

+ Rudder order ind + Cài đặt giá trị bánh lái

+ Repeater switch + Công tắc cảnh báo

+ NAV: external navigation + NAV: chuyển hướng bên ngoài

1.2.1.2 Hệ thống điều khiển tự động NT921MKII

Hình 1.3 Hệ thống lái tự động NT921MKII

 Là sản phẩm của công ty Navitron

 Tích hợp đầy đủ các chế độ lái với bộ điều khiển PID

 Bộ hiển thị số giá trị hướng đi của tàu, góc bẻ lái

 Chức năng điều khiển: lái tự động, lái bằng tay, lái điều khiển từ xa

 Chế độ lái bằng tay với ưu điểm là tốc độ bẻ lái, góc bẻ lái và thời điểm bẻlái độc lập với nhau nên tạo sự linh hoạt trong điều khiển

 Chế độ điều khiển tự động thì chế độ bẻ lái và góc bẻ lái hoàn toàn phụ thuộcvào tốc độ và góc lệch hướng

 Chế độ lái điều khiển từ xa giống như chế độ điều khiển bằng tay nhưng sửdụng khi tầm nhìn bị che khuất

 Cảnh báo lỗi sự cố và cảnh báo lỗi mất nguồn

 Ghi nhớ được hướng đi của tàu

 Điện áp cung cấp 11-40VDC, 5A

1.2.2 Các bài báo liên quan

 Phương trình toán học của tàu cho ứng dụng điều khiển (Tristan P´erez vàMogens Blanke, Đại học kỹ thuật Đan Mạch)

 Phương trình toán học của tàu dưới tác động của bánh lái, thân tàu và chânvịt (Yasuo Yoshimura, Đại học Hokkaido, Nhật Bản).

 Ứng dụng ANFIS điều khiển con lắc ngược (Lê Ngọc Thành, Trường CaoĐẳng nghề Đà Nẳng, Việt Nam)

 Phương pháp phản hồi trực tiếp cho bánh lái của tàu (Thor I.Fossen và MaritJ.Paulsen, Mỹ)

- Thiết kế và chế tạo mô hình tàu tự động điều khiển

1.4 Phương pháp nghiên cứu

Đặt tính cơ bản của tàu là mối quan hệ giữa góc bẻ của bánh lái và góc lệch củatàu là phi tuyến Trong khi đó, để điều khiển mô hình chính xác thì rất cần ngõ vàophải tuyến tính Với mô hình điều khiển mờ sử dụng luật TSK thì không những mô

tả linh hoạt hệ thống mà còn tạo được tín hiệu ngõ ra điều khiển là tuyến tính

Trong các mô hình điều khiển, tính chất nhận dạng hệ thống là vô cùng quantrọng vì khi nhận dạng chính xác hệ thống sẽ giúp quá trình điều khiển được dễdàng và sai số là thấp nhất Mạng nơ ron không những đáp ứng được tính chất trên

mà còn giúp dự báo trạng thái và ước lượng được trạng thái của mô hình Quá trìnhtín toán được tiến hành song song và phân tán trên nhiều nơ ron gần như đồng thời.Bên cạnh đó, quá trình tín toán thực chất là quá trình học chứ không phải là theo sơ

đồ định sẵn từ trước

Chính vì những ưu điểm của các phương pháp trên mà mô hình lựa chọn phươngpháp điều khiển nơ ron – mờ với luật điều khiển TSK.

CHƯƠNG 2: CƠ SỞ LÝ THUYẾT2.1 Tổng quan các phương pháp điều khiển hệ thống lái tự động hiện nay

Tàu thủy là một đối tượng chuyển động phức tạp vì ngoài chuyển động riêng, tàucòn chịu ảnh hưởng các tác động bên ngoài như dòng chảy, sóng, gió làm lệch

hướng đi của tàu so với hướng đi mong muốn Bên cạnh đó, lực thủy động học tácđộng lên thân tàu và tốc độ dòng chảy ảnh hưởng đến bánh lái cũng làm suy giảmnhiều đến chất lượng và sự ổn định của hệ thống Chính vì vậy mà hệ thống lái tựđộng là hệ thống vô cùng quan trọng giúp tàu di chuyển đúng theo hướng đã định

và cũng là một thách thức không hề nhỏ cho các nhà thiết kế hệ thống

Mô hình toán học của tàu trong không gian được xây dựng với hệ trục 6 bậc tự

do [1], mô phỏng chuyển động của tàu trên Matlab Trên cơ sở đó, mô hình toánhọc của tàu được phân tích và đánh giá dưới tác động của các ngoại lực tác động lêntàu thân tàu và bánh lái [2], xét cả các yếu tố phi tuyến ảnh hưởng đến tàu, nhữngyếu tố phi tuyến này thường được đơn giản hóa trong quá trình thiết kế để mô hìnhtrở nên đơn giản Bên cạnh đó, mối liên hệ giữa máy lái và chân vịt được phân tíchkhá rỏ nét [3], sự ảnh hưởng trực tiếp của chân vịt và máy lái đến tốc độ, hướng đicũng được đề cập đến Để mô tả chính xác hơn hoạt động của tàu nhằm cung cấpcho bộ điều khiển đối tượng để huấn luyện cũng như thử nghiệm các phương phápđiều khiển mới thì mô hình toán học của tàu MMG được phân tích cụ thể hơn bằngcách xác định các thành phần tác động riêng lên tàu [4] như: bánh lái, chân vịt vàcác lực thủy động lực học ảnh hưởng đến hướng đi của tàu Với các mô hình toánhọc của tàu được thiết lập, các thí nghiệm kiểm tra trên tàu thật và các kỹ thuật môphỏng đã được giới thiệu [5] nhằm mục đích xác định các hệ số thực nghiệm trong

mô hình chính xác Nguyên lí tổng quan của bộ điều khiển định vị tàu thủy [6] hay

hệ thống các phương tiện nổi trên mặt biển cũng đã được đề cập đến và giới thiệutổng quan Gần đây, một số nghiên cứu đã áp dụng lí thuyết điều khiển hiện đại vàolĩnh vực điều khiển các phương tiện dưới nước, trong đó [7] và [8] đã sử dụng bộnhận dạng mờ và nơron online để ước lượng thời gian trễ điều khiển, từ đó nâng caochất lượng của hệ thống lái, kết hợp với bộ điều khiển bền vững được tổng hợpbằng phương pháp Mc Farlan-Glover cho thấy hệ thống có khả năng giữ ổn địnhvới đối tượng nằm trong giới hạn của sự không chắc chắn chưa xác định [9]Phương pháp phản hồi trực tiếp đã được áp dụng cho mô hình toán học của tàu sửdụng công thức Nomoto bậc 1 và bậc 2, phương pháp này đáp ứng khá tốt tín hiệu

ngõ ra Ứng dụng bộ điều khiển ANFIS để điều khiển đối tượng [10], xây dựngphương pháp và huấn luyện bộ điều khiển để áp ứng tốt ngõ ra theo các giá trị củangõ vào yêu cầu, kết quả đáp ứng tương đối tốt Thiết kế hệ thống máy lái tự độngcho tàu, di chuyển theo đường đi định trước [11] đã phần nào đáp ứng tốt yêu cầu,nhưng mô hình này lại chưa xét đến các tác động bên ngoài ảnh hưởng đến thân tàu

và góc bẻ lái Bằng việc sử dụng công thức Nomoto bậc 2, kết hợp với phương phápđiều khiển DSC [12] đã phần nào mô phỏng được hoạt động của tàu với các tham sốlựa chọn từ thực nghiệm Bộ điều khiển hồi tiếp ngõ ra nơron mờ thích nghi trựctiếp được sử dụng để điều khiển trong phương tiện quân sự [13] có kết hợp với yếu

tố thay đổi độ sâu của mực nước biển và vận tốc của dòng nước chảy ảnh hưởngđến mô hình cũng phần nào thấy được khả năng đáp ứng tốt và tính ổn định củaphương pháp điều khiển nơron –mờ Tuy nhiên, chưa có sự kết hợp giữa phươngpháp điều khiển máy lái tàu tự động bằng phương pháp điều khiển hiện đại dưới sựtác động của các yếu tố như sóng, gió, dòng chảy của nước

Như vậy, trong luận văn đi sâu phân tích hai phương pháp điều khiển: phương phápPID kinh điển và TKS

2.2 Phương pháp điều khiển PID

2.2.1 Sơ đồ khối của bộ điều khiển PID

Hình 2.1 Sơ đồ khối bộ điều khiển PID

Bộ điều khiển PID hay còn được gọi là bộ điều khiển vi tích phân tỉ lệ (bộ điềukhiển PID- Proportional Integral Derivative) với cơ chế là bộ phản hồi vòng điềukhiển tổng quát được sử dụng rộng rãi trong các hệ thống điều khiển công nghiệp vàcũng là bộ điều khiển được sử dụng phổ biến nhất trong số các bộ điều khiển phảnhồi hiện tại đang có mặt trên thị trường Đây là phương pháp điều khiển cổ điểnnhưng đến nay vẫn còn được sử dụng rộng rãi trong công nghiệp vì tín ổn định vàhiệu quả mà bộ điều khiển mang lại tương đối cao Bộ điều khiển sẽ tính toán giá trịsai số (hiệu số giữa giá trị đo được và giá trị cài đặt), sau đó thực hiện giảm tối đasai số bằng cách điều chỉnh giá trị sai số dựa trên các khâu tỉ lệ, khâu tích phân vàkhâu vi phân, tổng hợp các giá trị hiệu chỉnh của các khâu lại với nhau và tạo nêntín hiệu điều khiển hệ thống Mỗi hệ thống sẽ có các thông số của bộ điều khiển PIDkhác nhau nhằm giúp cho hệ thống đó đạt được giá trị điều khiển tối ưu nhất.

Bộ điều khiển dựa trên 3 thông số cơ bản để chỉnh định giá trị của các tín hiệuđiều khiển cho phù hợp với hệ thống, thông số đó bao gồm: tỉ lệ (P), tích phân (I) và

vi phân (D) Giá trị tỉ lệ xác định tác động của sai số hiện tại, giá trị tích phân xácđịnh tác động của tổng các sai số quá khứ, và giá trị vi phân xác định tác động củatốc độ biến đổi sai số Tổng hợp các giá trị này lại sẽ tạo nên tín hiệu của bộ điềukhiển Với ý nghĩa của các thông số trong bộ điều khiển mà ta có thể điều chỉnh cácgiá trị của thông số trong giải thuật của bộ điều khiển PID để tạo nên các đáp ứngkhác nhau cho các hệ thống khác nhau hoặc cho những bộ điều khiển có yêu cầuthiết kế đặc biệt Tùy vào mục đích sử dụng và yêu cầu độ chính xác của bộ điềukhiển mà ta có thể lựa chọn các bộ điều khiển khác nhau, các thông số của hệ thốngcũng không nhất thiết phải có mặt đầy đủ (tùy thuộc yêu cầu điều khiển), nếu nhưkhông có yếu tố vi phân thì bộ điều khiển PID sẽ trở thành bộ điều khiển PI, nếunhư không có yếu tố tích phân thì bộ điều khiển PID sẽ trở thành bộ điều khiển PD

2.2.2 Lý thuyết điều khiển PID

Sơ đồ điều khiển PID được đặt tên theo ba khâu hiệu chỉnh của nó, tổng của bakhâu này tạo thành tín hiệu điều khiển

out out out I D P

t

Khâu tỉ lệ được cho bởi:

)

(t

e K

Trong đó:

Pout : thừa số tỉ lệ của đầu ra

Kp: độ lợi tỉ lệ, thông số điều chỉnh

e: sai số = giá trị đặt – giá trị hiện tại

t: thời gian hoặc thời gian hiện tại

Độ lợi của khâu tỉ lệ lớn là do thay đổi lớn ở đầu ra mà sai số thay đổi nhỏ Nếu

độ lợi của khâu tỉ lệ quá cao, hệ thống sẽ không ổn định Ngược lại, độ lợi nhỏ là dođáp ứng đầu ra nhỏ trong khi sai số đầu vào lớn, và làm cho bộ điều khiển kémnhạy, hoặc đáp ứng chậm Nếu độ lợi của khâu tỉ lệ quá thấp, tác động điều khiển

có thể sẽ quá bé khi đáp ứng với các nhiễu của hệ thống

2.2.2.2 Khâu tích phân

Hình 2.3 Thay đổi giá trị tích phân khi giá trị tỉ lệ và vi phân là hằng số

Phân phối của khâu tích phân (đôi khi còn gọi là reset) tỉ lệ thuận với cả biên độsai số lẫn quảng thời gian xảy ra sai số Tổng sai số tức thời theo thời gian (tíchphân sai số) cho tích lũy bù đã được hiệu chỉnh trước đó Tích lũy sai số sau đóđược nhân với độ lợi tích phân và cộng với tín hiệu đầu ra của bộ điều khiển Biên

độ phân phối của khâu tích phân trên tất cả tác động điều chỉnh được xác định bởi

I out: thừa số tích phân của đầu ra

K i: độ lợi tích phân, 1 thông số điều chỉnh

e: sai số = giá trị đặt – giá trị hiện tại

t: thời gian hoặc thời gian hiện tại

: một biến tích phân trung gian

Khâu tích phân khi kết hợp với khâu tỉ lệ sẽ tăng tốc chuyển động của quá trìnhtới điểm đặt và khử số dư sai số ổn định với một tỉ lệ chỉ phụ thuộc vào bộ điềukhiển Vì khâu tích phân là đáp ứng của sai số tích lũy trong quá khứ, nó có thểkhiến giá trị hiện tại vọt lố qua giá trị đặt (ngang qua điểm đặt, tạo ra một độ lệchvới các hướng khác)

2.2.2.3 Khâu vi phân

Hình 2.4 Thay đổi giá trị vi phân khi giá trị tỉ lệ và tích phân là hằng sốTốc độ thay đổi của sai số quá trình được tính toán bằng cách xác định độ dốccủa sai số theo thời gian (tức là đạo hàm bậc một theo thời gian) và nhân tốc độ này

với độ lợi tỉ lệ K d Biên độ của phân phối khâu vi phân (đôi khi được gọi là tốc độ)

trên tất cả các hành vi điều khiển được giới hạn bởi độ lợi vi phân, K d

Thừa số vi phân được cho bởi:

dt

t de K

Trong đó

D out: thừa số vi phân của đầu ra

K d: độ lợi vi phân, 1 thông số điều chỉnh

e: sai số = giá trị đặt – giá trị hiện tại

t: thời gian hoặc thời gian hiện tại

Khâu vi phân làm chậm tốc độ thay đổi của đầu ra bộ điều khiển và đặc tính này

là cần lưu ý để đạt tới điểm đặt của bộ điều khiển Từ đó, điều khiển vi phân được

sử dụng để làm giảm biên độ vọt lố được tạo ra bởi thành phần tích phân và tăngcường độ ổn định của bộ điều khiển hỗn hợp Tuy nhiên, phép vi phân của một tínhiệu sẽ khuếch đại nhiễu và do đó khâu này sẽ nhạy hơn đối với nhiễu trong sai số,

và có thể khiến quá trình trở nên không ổn định nếu nhiễu và độ lợi vi phân đủ lớn

Do đó một xấp xỉ của bộ vi sai với băng thông giới hạn thường được sử dụng hơn.Chẳng hạn như mạch bù sớm pha.

Khâu tỉ lệ, tích phân, vi phân được cộng lại với nhau để tính toán đầu ra của bộđiều khiển PID Định nghĩa u(t) là đầu ra của bộ điều khiển, biểu thức cuối cùng củagiải thuật PID là:

dt

t de K d e K t e K t MV t

Trong đó các thông số điều chỉnh là:

 Độ lợi tỉ lệ (K p): giá trị càng lớn thì đáp ứng càng nhanh do đó sai số càng

lớn, bù khâu tỉ lệ càng lớn Một giá trị độ lợi tỉ lệ quá lớn sẽ dẫn đến quátrình dao động và mất ổn định

 Độ lợi tích phân (K i): giá trị càng lớn kéo theo sai số ổn định bị khử càng

nhanh Đổi lại là độ vọt lố càng lớn: bất kỳ sai số âm nào được tích phântrong suốt đáp ứng quá độ phải được triệt tiêu tích phân bằng sai số dươngtrước khi tiến tới trạng thái ổn định

 Độ lợi vi phân (K d): giá trị càng lớn càng giảm độ vọt lố, nhưng lại làm

chậm đáp ứng quá độ và có thể dẫn đến mất ổn định do khuếch đại nhiễu tínhiệu trong phép vi phân sai số

2.2.2.4 Điều chỉnh vòng lặp

Điều chỉnh một vòng điều khiển là điều chỉnh các thông số điều khiển của nó(độ lợi/dải tỉ lệ, độ lợi tích phân/reset, độ lợi vi phân/tốc độ) tới giá trị đáp ứng điềukhiển tối ưu Độ ổn định (dao động biên) là một yêu cầu căn bản, nhưng ngoài ra,các hệ thống khác nhau, có những hành vi khác nhau, những ứng dụng khác nhau cónhững yêu cầu khác nhau, và vài yêu cầu lại mâu thuẫn với nhau Vài quá trình cómột mức độ phi tuyến nào đấy khiến các thông số làm việc tốt ở điều kiện đầy tải sẽkhông làm việc khi quá trình khởi động từ không tải; điều này có thể khắc phụcbằng chương trình độ lợi (sử dụng các thông số khác nhau cho những khu vực hoạtđộng khác nhau) Các bộ điều khiển PID thường cung cấp các điều khiển có thểchấp nhận được thậm chí không cần điều chỉnh, nhưng kết quả nói chung có thể

được cải thiện bằng cách điều chỉnh kỹ lưỡng, kết quả có thể không chấp nhận đượcnếu điều chỉnh kém.

Điều chỉnh PID là một bài toán khó, ngay cả khi chỉ có 3 thông số và về nguyêntắc là dễ miêu tả, bởi vì nó phải thỏa mãn các tiêu chuẩn phức tạp nằm trong Nhữnghạn chế của điều khiển PID Vì vậy có nhiều phương pháp khác nhau để điều chỉnhvòng lặp, và các kỹ thuật phức tạp hơn là đề tài cho nhiều phát minh sáng chế; phầnnày miêu tả vài phương pháp thủ công truyền thống để điều chỉnh vòng lặp

Có nhiều phương pháp khác nhau để điều chỉnh vòng lặp PID Những phươngpháp hữu hiệu nhất thường bao gồm những triển khai của vài dạng mô hình xử lý,sau đó chọn P, I, và D dựa trên các thông số của mô hình động học Các phươngpháp điều chỉnh thủ công tương đối không hiệu quả lắm, đặc biệt nếu vòng lặp cóthời gian đáp ứng được tính bằng phút hoặc lâu hơn

Lựa chọn phương pháp thích hợp sẽ phụ thuộc phần lớn vào việc có hay khôngvòng lặp có thể điều chỉnh "offline", và đáp ứng thời gian của hệ thống Nếu hệthống có thể thực hiện offline, phương pháp điều chỉnh tốt nhất thường bao gồm bắt

hệ thống thay đổi đầu vào từng bước, tín hiệu đo lường đầu ra là một hàm thời gian,

sử dụng đáp ứng này để xác định các thông số điều khiển

2.2.2.5 Độ ổn định

Nếu các thông số của bộ điều khiển PID (độ lợi của khâu tỉ lệ, tích phân và viphân) được chọn sai, đầu vào quá trình điều khiển có thể mất ổn định, vì các khácbiệt đầu ra của nó, có hoặc không có dao động Sự không ổn định được gây ra bởi

sự dư thừa độ lợi, nhất là khi xuất hiện độ trễ lớn

Nói chung, độ ổn định của đáp ứng (ngược với độ bất định) phải thỏa mãn vàquá trình phải không được dao động vì bất kỳ sự kết hợp nào giữa các điều kiện quátrình và điểm đặt, mặc dù đôi khi ổn định biên có thể được chấp nhận hoặc yêu cầu

2.3 Phương pháp điều khiển nơron-mờ

2.3.1 Tổng quan về logic mờ

2.3.1.1 Giới thiệu về điều khiển logic mờ

Trong các phương pháp điều khiển được sử dụng đến nay thì sự đóng góp củađiều khiển logic là cực kỳ to lớn Nó đã đóng vai trò rất quan trọng không chỉ trongcác ngành khoa học tự nhiên mà còn là một môn khoa học không thể thiếu được đốivới khoa học xã hội ngay cả trong suy luận đời thường Ngày nay, logic toán họckinh điển đã tỏ ra còn nhiều hạn chế trong những bài toán nảy sinh từ công việcnghiên cứu và thiết kế những hệ thống phức tạp Đặc biệt là những lĩnh vực cần sửdụng trí tuệ nhân tạo hay trong công việc điều khiển và vận hành các hệ thống lớn

có độ phức tạp cao cần sự giúp đỡ của hệ các chuyên gia và công nghệ phần mềm

đã đặt nền móng cho việc ứng dụng hệ thống điều khiển thông minh vào các ngànhcông nghiệp Các hệ thống điều khiển thông minh được xây dựng trên cơ sở trí tuệnhân tạo đã giúp con người có khả năng khống chế những đối tượng mà trước kiatưởng chừng như không điều khiển được như trong rất nhiều bài toán điều khiển khiđối tượng không thể mô tả bởi mô hình toán học, hoặc mô hình của nó quá phứctạp, cồng kềnh, …

Năm 1965, L.A.Zadeh - tại trường đại học Berkelye bang California -Mỹ đãsáng tạo ra lý thuyết điều khiển mờ (Fuzzy Sets Theory) và đặt nền móng cho việcxây dựng một loạt các lý thuyết quan trọng dựa trên cơ sở lý thuyết tập mờ

Năm 1970, tại trường Marry Queen London - Anh, Ebrahim Mamdani đã dùnglogic mờ để điều khiển một máy hơi nước mà ông không thể điều khiển được bằng

kỹ thuật cổ điển Tại Đức Hann Zimmermann đã dùng logic mờ cho các hệ ra quyếtđịnh

Tại Nhật logic mờ được ứng dụng vào nhà máy xử lý nước của Fuji Electrinicvào năm 1983, hệ thống xe điện ngầm của Hitachi vào năm 1987, đường sắt Sendai.Các ứng dụng đã và đang được phát triển với các vấn đề theo vếch, điều chỉnh, nộisuy, phân loại, chữ viết tay, nhận dạng lời nói, ổn định hình dạng trong các máyquay video, máy giặt, máy hút bụi, điều hòa, quạt điện,

Một thí nghiệm con lắc ngược đã được chứng minh vào năm 1987 với “các đápứng cân bằng được sinh ra gần 100 lần ngắn hơn những đáp ứng của bộ điều khiểnPID truyền thống”

Lý thuyết mờ ra đời ở Mỹ, ứng dụng đầu tiên ở Anh nhưng phát triển mạnh mẽnhất ở Nhật Trong lĩnh vực tự động hóa logic mờ ngày càng được ứng dụng rộngrãi, nó thực sự hữu dụng với các đối tượng phức tạp mà ta chưa biết rõ hàm truyền,phức tạp, không xác định, logic mờ có thể giải quyết các vấn đề mà điều khiển kinhđiển không làm được

Phương pháp điều khiển mờ chính là nhằm vào việc xây dựng các phương pháp

có khả năng bắt chước cách thức con người điều khiển Vì đối tượng điều khiển làmột hệ thống phức tạp, bản chất chưa rõ, không thể hiển thị bằng các mô hình toán

lý Nên dưới dạng mô hình mờ một tập các mệnh đề IF …THEN (các luật) với các

dữ liệu ngôn ngữ mô tả mối quan hệ giữa các biến vào, các biến ra đã ra đời

Điểm mạnh nổi trội cơ bản của điểu khiển mờ so với kỹ thuật điều khiển kinhđiển là nó áp dụng rất hiệu quả và linh hoạt trong các quá trình điều khiển ở điềukiện chưa xác định rõ và thiếu thông tin Nguyên lý điều khiển mờ đã cho phép conngười tự động hóa được điều khiển cho một quá trình, một thiết bị…và mang lạichất lượng mong muốn

2.3.1.2 Cấu trúc của hệ điều khiển mờ

a Sơ đồ khối

Sơ đồ các khối chức năng của hệ điều khiển mờ được miêu tả như hình 2.5.Trong đó các khối chính của bộ điều khiển mờ là khối mờ hóa, khối thiết bị hợpthành và khối giải mờ Ngoài ra còn có giao diện vào và giao diện ra để đưa tín hiệuvào bộ điều khiển và xuất tín hiệu từ ngõ ra bộ điều khiển đến cơ cấu chấp hành

Hình 2.5 Các khối chức năng của bộ điều khiển mờ

b Giao diện vào và giao diện ra

Hệ mờ là một hệ điều khiển số do đó tín hiệu đưa vào bộ điều khiển mờ phải làtín hiệu số Giao diện vào có nhiệm vụ chuẩn hóa tín hiệu tương tự thu nhận được

từ đối tượng điều khiển và chuyển đổi thành tín hiệu số Giao diện ra có nhiệm vụ

biến đổi tín hiệu số thành tương tự, khuyếch đại tín hiệu điều khiển cho phù hợp vớiđối tượng cụ thể Trong thực tế, giao diện vào, ra được tích hợp trong một CARD

xử lý số chuyên dụng hoặc lắp thêm vào khe cắm mở rộng của máy tính

d Khối thiết bị hợp thành

Khối thiết bị hợp thành còn được gọi là cơ cấu suy diễn hay động cơ suy diễn cóchức năng biến mỗi giá trị rõ (x0) ở đầu vào thành tập mờ µB'(x0) trên cơ sở các luậtđiều khiển, khối này gồm 2 phần chính: Luật điều khiển (hợp thành) và suy diễn

Cấu trúc MISO (Nhiều vào, một ra): Có từ 2 mệnh đề điều kiện trở lên và mộtmệnh đề kết luận

e Khối giải mờ (rõ hoá)

Giải mờ là quá trình xác định một giá trị rõ y0 nào đó có thể chấp nhận được từhàm liên thuộc B’(y) của giá trị mờ B’ (tập mờ B’)

Có hai phương pháp giải mờ chính là phương pháp cực đại và phương phápđiểm trọng tâm

Phương pháp cực đại

Để giải mờ theo phương pháp cực đại, ta cần thực hiện theo hai bước:

Bước 1: Xác định miền chứa giá trị rõ y0 (miền G): Đó là miền mà tại đó hàmliên thuộc B’(y) đạt giá trị cực đại (độ cao H của tập mờ B’), tức là miền:

y y

y y



 sup( )

Phương pháp điểm trọng tâm

Giải mờ theo phương pháp điểm trọng tâm sẽ cho ra kết quả y' là hoành độ củađiểm trọng tâm miền được bao bởi trục hoành và đường B’(y)

Công thức xác định y0 theo phương pháp điểm trọng tâm:





dy y

dy y y

B

B

) (

) ( '

'





(2.9) Với S là miền xác định của tập mờ B'

Giả sử có q luật điều khiển được triển khai Khi đó mỗi giá trị mờ B' tại đầu ra của bộ điều khiển sẽ là tổng của q giá trị mờ đầu ra của từng luật hợp thành Ký hiệu giá trị mờ đầu ra của luật điều khiển thứ k là B’k(y) với k =1, 2, , q Với quy tắc SUM-MIN, hàm liên thuộc B’(y) sẽ là:







q

k k B

1 ' ' ( )  ( )

2.3.1.3 Suy diễn mờ

Là nguyên tắc xây dựng ma trận hợp thành chung (R) từ các mệnh đề hợp thành

Rk Trong điều khiển mờ người ta đưa ra 4 nguyên tắc xây dựng ma trận hợp thành là: Max-min, Max-prod, Sum-min, Sum-prod Theo thói quen ta thường gọi là các luật hợp thành Max-min, Max-prod, Sum-min và Sum-prod

a Luật hợp thành Max-min

Nếu B’1(y), B’2(y), B’3(y) thu được qua phép lấy Min còn phép hợp thực hiện theo luật Max Luật hợp thành Min là tên gọi mô hình (ma trận) R của mệnh đề hợp thành AB khi hàm liên thuộc  AB(x,y) của nó được xây dựng theo quy tắc MIN Xét luật hợp thành đơn có cấu trúc SISO:

Các bước xây dựng:

Bước 1: Rời rạc hoá  A(x) tại n điểm x1, x2, , xn ,  B(y) tại m điểm y1, y2 , ,

ym (n có thể khác m) Bước 2: Xây dựng ma trận R gồm n hàng và m cột :                       nm n m m n R n R m R R r r r r y x y x y x y x R

) , (

)

, (

) , (

)

, (

1

1 11

1

1 1

1









(2.11)

Bước 3: Xác định hàm liên thuộc B’(y) của đầu ra ứng với giá trị rõ đầu vào xk theo biểu thức:

 m

nm n

m n

T

r r

r r

a a a R a

y , ,

) ,

, ( ) ( 1 2 1 1 11 2 1 '               (2.12) Với:    n i ik i k a r l 1 , a T  ( 0 , , 0 , 1 , 0 , , 0 )

Trong đó: l a i r ki k m n i k maxmin , 1,2, ,

1    

Bước 4: Xác định B’(y) theo công thức: B’(y) = (l1, l2, , lm) b Luật hợp thành MAX-PROD Nếu B’1(y), B’2(y), B’3(y) thu được qua phép PROD còn phép hợp thực hiện theo luật Max Các bước xây dựng luật hợp thành MAX-PROD: Bước 1: Rời rạc hoá  A(x) tại n điểm x1, x2, , xn ,  B(y) tại m điểm y1, y2 , ,

ym (n có thể khác m) Bước 2: Xây dựng ma trận R gồm n hàng và m cột :                       nm n m m n R n R m R R r r r r y x y x y x y x R

) , (

)

, (

) , (

)

, ( 1 1 11 1 1 1 1     (2.13) Bước 3: Xác định hàm liên thuộc B’(y) của đầu ra ứng với giá trị rõ đầu vào xk theo biểu thức:  m nm n m n T B l l l r r r r a a a R a y , ,

) ,

, ( ) ( 1 2 1 1 11 2 1 '               (2.14) Với    n i i ik k a r l 1 ) 0 , ,

0 , 1 , 0 , ,

0 (  T a Trong đó: l k maxi n proa i r ki,k 1,2, ,m 1     Bước 4: Xác định B’(y) theo công thức: B’(y) = (l1, l2, , lm)

Để xây dựng R, trước tiên hai hàm liên thuộc  A(x) và  B(x) được rời rạc hoá với tần số rời rạc đủ nhỏ để không bị mất thông tin

c Luật hợp thành SUM-MIN

Nếu B’1(y), B’2(y), B’3(y) thu được qua phép lấy Min còn phép hợp thực hiệntheo luật SUM

Xét luật điều khiển R, gồm có p mệnh đề hợp thành:

R1 : Nếu x = A1 Thì y = B1 hoặc

R2 : Nếu x = A2 Thì y = B2 hoặc

Rp : Nếu x = Ap Thì y = Bp

Trong đó các giá trị mờ A1, A2, , Ap có cùng cơ sở X và B1, B2, , Bp có cùng

cơ sở Y Gọi hàm liên thuộc của Ak và Bk là Ak(x) và Bk(y) với k = 1, 2, , p.Thuật toán triển khai: R = R1R2 Rp được thực hiện theo các bước sau: Bước 1: Rời rạc hoá X tại n điểm (x1, x2, x3, , xn) và Y tại m điểm (y1, y2, ,

R R

1

, 1

d Luật hợp thành SUM - PROD

Nếu B’1(y), B’2(y), B’3(y) thu được qua phép lấy PROD còn phép hợp thựchiện theo Lukasiewicz

Xét luật điều khiển R gồm p mệnh đề hợp thành:

R1 : Nếu x = A1 Thì y = B1 hoặc

R2 : Nếu x = A2 Thì y = B2 hoặc

R R

1

, 1

2.3.2 Tổng quan về mạng nơron

2.3.2.1 Giới thiệu về mạng nơron

Khi khoa học phát triển ngày càng hiện đại, các phương pháp điều khiển với độchính xác được đòi hỏi cao hơn, ổn định hơn và ngày càng giống như khả năng điềukhiển của con người, tạo ra cơ sở xây dựng các hệ chuyên gia, những hệ có khảnăng cung cấp kinh nghiệm điều khiển hệ thống Trí tuệ nhân tạo được xây dựngdựa trên mạng nơron nhân tạo

Mạng nơron nhân tạo là hệ thống được xây dựng dựa trên nguyên tắc cấu tạocủa bộ não con người Mạng nơron nhân tạo có thể giải quyết như: tính toán gầnđúng các hàm số, thực hiện các bài toán tối ưu, nhận mẫu, nhận dạng và điều khiểnđối tượng hiệu quả hơn so với các phương pháp truyền thống Mạng nơron nhân tạo

có một số lượng lớn mối liên kết của các phần tử biến đổi có liên kết song song Nó

có hành vi tương tự như bộ não người với khả năng tự học hỏi, tự chỉnh định chophù hợp với sự thay đổi không lường trước của đối tượng điều khiển và tổng hợpthông tin từ sự luyện tập của các tập mẫu dữ liệu Trong quá trình tái tạo đó khôngphải tất cả các chức năng của bộ não con người đều được tái tạo, mà chỉ có nhữngchức năng cần thiết Bên cạnh đó còn có những chức năng mới được tạo ra nhằmgiải quyết một bài toán điều khiển đã định trước Các phần tử biến đổi của mạngnơron nhân tạo được gọi là các nơron nhân tạo hoặc gọi tắt là nơron

2.3.2.2 Lịch sử phát triển của mạng nơron nhân tạo

Được xây dựng từ những năm 1940, dựa trên quan điểm cho rằng bộ não conngười là bộ điều khiển, mạng nơron nhân tạo được xây dựng nhằm mô phỏng một

số chức năng của bộ não con người Mạng nơron nhân tạo được thiết kế và có khảnăng giải quyết hàng loạt các bài toán tối ưu, điều khiển, công nghệ robot, điềukhiển vũ trụ, … Quá trình nghiên cứu và phát triển nơron nhân tạo có thể chia làm 4giai đoạn cơ bản như sau:

Giai đoạn 1: Xuất phát từ nghiên cứu của William về tâm lý học với sự liên kếtcác nơron thần kinh Năm 1940 Mc Culloch và Pitts đã cho biết nơron có thể môhình hóa như thiết bị ngưỡng để thực hiện các phép tính logic Sau đó, mô hìnhmạng nơron của Mc Culloch-Pitts cùng với giải thuật huấn luyện mạng của Hebb rađời năm 1943

Giai đoạn 2: Vào khoảng gần những năm 1960, một số mô hình nơron hoànthiện hơn đã được đưa ra như: mô hình Perception của Rosenblatt năm 1958,Adalile của Widrow năm 1962 Trong đó mô hình Perception rất được quan tâm vìnguyên lý đơn giản nhưng nó có hạn chế vì nó đã không dùng được cho các hàmlogic phức Năm 1969 Adalile đã mô hình tuyến tính, tự chỉnh được dùng rộng rãitrong điều khiển thích nghi, tách nhiễu và phát triển cho đến nay

Giai đoạn 3: Đầu những năm 1980, Grossberg, Kohnonen, Rumelhart vàHopfield đã có những đóng góp to lớn cho mạng nơron Trong đó, đóng góp lớn củaHopfiled gồm hai mạng phản hồi: mạng rời rạc năm 1982 và mạng liên tục năm

1984 Sau đó, Rumelhart, Hinton và Williams đề xuất thuật toán sai số truyềnngược nổi tiếng để huấn luyện mạng nơron nhiều lớp, giải bài toán mà mạng kháckhông thực hiện được

Giai đoạn 4: Từ năm 1987 đến nay mạng nơron đã và đang khẳng định được vịtrí của mình trong rất nhiều ứng dụng khác nhau: điều khiển, bài toán tối ưu và ngàycàng được sự quan tâm của nhiều nhà khoa học

2.3.2.3 Cấu trúc mạng nơron nhân tạo

Các nhánh (dendrite): Đây chính là các mạng dạng cây của các dây thần kinh đểnối các soma với nhau

Sợi trục (Axon): Đây là một kết nối hình trụ dài và mang các tín hiệu ra ngoài.Phần cuối của axon được chia thành nhiều nhánh nhỏ Mỗi nhánh nhỏ kết thúc trongmột cơ quan nhỏ được gọi là synapte mà tại đây các nơron đưa các tín hiệu của nóvào các nơron khác Những điểm tiếp nhận với các synapte trên các nơron khác cóthể ở các dendrite hay chính soma

b Mạng nơron nhân tạo

Nơron nhân tạo là sự sao chép nơron sinh học của não người, có những đặc tính:

 Mỗi nơron có một số đầu vào, những kết nối và một đầu ra

 Một nơron có thể hoạt động (+35mV) hoặc không hoạt động (-0,75mV)

 Chỉ có một đầu ra duy nhất của một nơron được nối với các đầu vào khácnhau của nơron khác Điều kiện để nơron được kích hoạt hay không kíchhoạt chỉ phụ thuộc những đầu vào hiện thời của chính nó

Một nơron tích cực nếu đầu vào của nó vượt qua ngưỡng ở một mức nhất định.Các đầu vào có hàm trọng Wj và bộ tổng Đầu ra của bộ tổng được sử dụng đểquyết định một giá trị của đầu ra thông qua hàm chuyển Có nhiều kiểu hàm chuyểnkhác nhau Tương tự nơron sinh học của con người, nơron sẽ được kích hoạt nếutổng giá trị vào vượt quá ngưỡng và không được kích hoạt nếu tổng giá trị vào thấphơn ngưỡng Sự làm việc như vậy của nơron gọi là sự kích hoạt nhảy bậc

Khi liên kết các nơron lại với nhau sẽ được mạng nơron Một mạng nơronthường có 3 lớp cơ bản: lớp vào, lớp ẩn và lớp ra Trong lớp ẩn thì tùy theo đặc tínhcủa mạng mà có thể có 1 hoặc nhiều lớp khác nhau

Hình 2.7 Mạng nơronĐối với các nơron lớp vào sẽ nhận tín hiệu trực tiếp ở đầu vào, ở đó mỗi nơronchỉ có một tín hiệu vào Mỗi nơron ở lớp ẩn được nối với tất cả các nơron lớp vào

và lớp ra Các nơron ở lớp ra có đầu vào được nối với tất cả các nơron ở lớp ẩn,chúng là đầu ra của mạng Các mạng nơron trong mỗi nơron chỉ được liên hệ với tất

cả các nơron ở lớp kế tiếp và tất cả các mối liên kết giữa các lớp chỉ được xây dựng

từ trái sang phải được gọi là mạng nhiều lớp truyền thẳng (perceptrons)

- Vector vào p có R phần tử pT=[p1 p2 … pR]

- Vector vào n có S phần tử nT=[n1 n2 … nS]

- Vector vào a có S phần tử aT=[a1 a2 … aS]

Mỗi phần tử của vector vào p liên hệ với đầu vào mỗi nơron thông qua ma trậntrọng liên kết W Bộ cộng của nơron thứ i thu thập các trọng liên kết đầu vào và dộdốc để tạo thành một đầu ra vô hướng ni Các ni tập hợp với nhau tạo thành s phần

tử của vector vào n Cuối cùng ở lớp ra nơron ta thu được vector a gồm s phần tử

b Mạng nhiều lớp

Hình 2.9 Cấu trúc mạng nơron 3 lớp

y b b b P IW f LW f LW f

a3  3( 3,2 2( 2,1 1( 1,1  1)  2)  3  (2.31)

2.3.2.5 Huấn luyện mạng

Mục đích huấn luyện mạng: Mạng nơron được huấn luyện để thực hiện nhữnghàm phức tạp trong nhiều lĩnh vực ứng dụng khác nhau như trong nhận dạng, phânloại sản phẩm, xử lý tiếng nói, chữ viết và điều khiển hệ thống, …

Hình 2.10 Hàm trọng số giữa các nơ ronMạng nơron được điều chỉnh hoặc được huấn luyện để hướng các đầu vào riêngbiệt đến đích ở đầu ra

Với cấu trúc huấn luyện mạng này thì hàm trọng của mạng được điều chỉnh trên

cơ sở so sánh đầu ra với đích mong muốn cho tới khi đầu ra mạng phù hợp với đích.Những cặp vào/đích được dùng để giám sát cho sự huấn luyện mạng Để có đượcmột số cặp vào/ra, ở đó mỗi giá trị vào được gửi đến mạng và giá trị ra tương ứngđược thực hiện bằng mạng là sự xem xét và so sánh với giá trị mong muốn Bình

thường tồn tại một sai số vì giá trị mong muốn không hoàn toàn phù hợp với giá trịthực Sau mỗi lần huấn luyện sẽ có tổng bình phương của tất cả các sai số Sai sốnày được sử dụng để xác định các hàm trọng mới.

Sau mỗi lần huấn luyện, hàm trọng của mạng được sửa đổi với đặc tính tốt hơntương ứng với đặc tính mong muốn Từng cặp giá trị vào/ra phải được kiểm tra vàtrọng lượng được điều chỉnh một vài lần Sự thay đổi các hàm trọng của mạng đượcdừng lại nếu tổng các bình phương sai số nhỏ hơn một giá trị đặt trước hoặc đã huấnluyện đủ một số lần chạy xác định (trong trường hợp này mạng có thể không thoảmãn yêu cầu đặt ra do sai lệch còn cao)

Có 2 phương pháp cơ bản để huấn luyện mạng nơron: Huấn luyện gia tăng (tiếndần) và huấn luyện theo gói

a Huấn luyện gia tăng (huấn luyện tiến dần)

Huấn luyện gia tăng là thay đổi hàm trọng và độ dốc của mạng sau mỗi lần xuấthiện của một phần tử vector đầu vào Huấn luyện gia tăng đôi khi được xem nhưhuấn luyện trực tuyến hay huấn luyện thích nghi Sự huấn luyện gia tăng có thểđược áp dụng cho cả mạng tĩnh và mạng động Tuy nhiên, trong thực tế nó được sửdụng nhiều hơn cho mạng động, ví dụ các bộ lọc thích nghi

b Huấn luyện mạng theo gói

Huấn luyện theo gói trong đó các hàm trọng và độ dốc chỉ được cập nhật sau khitất cả các dữ liệu vào và đích đã được đưa tới, có thể được áp dụng cho cả mạngtĩnh và mạng động

2.3.3 Phương pháp điều khiển nơron – mờ

2.3.3.1 Giới thiệu về phương pháp điều khiển nơron – mờ

Trong những năm gần đây lý thuyết tập mờ và mạng noron nhân tạo đã pháttriển rất nhanh Với logic mờ, trí tuệ nhân tạo phát triển mạnh mẽ tạo cơ sở xâydựng các hệ chuyên gia, những hệ có khả năng cung cấp kinh nghiệm điều khiển hệthống Trí tuệ nhân tạo được xây dựng dựa trên mạng noron nhân tạo Sự kết hợpgiữa logic mờ và mạng nơron trong thiết kế hệ thống điều khiển tự động là một

khuynh hướng hoàn toàn mới, phương hướng thiết kế hệ điều khiển thông minh,một hệ thống mà bộ điều khiển có khả năng tư duy như bộ não con người, tức là nó

có khả năng tự học, tự chỉnh định lại cho phù hợp với sự thay đổi không lường đượctrước của đối tượng

Ngày nay các nhà thiết kế đã áp dụng một cách rộng rãi và có hệ thống logic mờ

và mạng nơron trong lĩnh vực điều khiển học Ý tưởng là triệt tiêu các nhược điểm

và đạt được các ưu điểm của cả hai công nghệ, điều này có nghĩa là hai công nghệkết hợp để tối đa hóa điểm mạnh của từng công nghệ và bổ sung những nhược điểm

để hợp thành một hệ thống mới tối ưu hơn

Hệ thống hợp nhất này sẽ có ưu điểm của cả hai: Mạng nơron (khả năng học,khả năng tối ưu hoá, sự kết nối về cấu trúc) và hệ mờ (sự thông minh của con ngườiqua luật mờ if - then, sự thuận lợi của việc am hiểu kiến thức chuyên môn một cáchchặt chẽ của các chuyên gia)

2.3.3.2 Lịch sử phát triển

Năm 1970, Lee nghiên cứu về mối liên quan giữa lý thuyết tập mờ với mạngnơron đã đánh dấu sự ra đời của bộ điều khiển nơron-mờ Năm 1971 đã xuất hiệnthiết bị tự động với cơ chế suy diễn mờ theo nguyên lý mạng nơron nhưng còn ởmức độ thấp

Trong những năm 1980 đến 1990 được xem là thời kỳ nở rộ của các công trìnhnơron-mờ với những ứng dụng trong nhận dạng ảnh, trong hệ thống hỗ trợ quyếtđịnh, trong cơ chế suy diễn nơron-mờ Nguyên nhân của sự phát triển đó là do: sựphát triển của mạng nơron Hopfield, Tank, tiếp nối là sự hoàn thiện thuật toán lantruyền ngược của Rumelhart, Hinton, Williams, Nauck, Kruse cho mạng MLP, cácsản phẩm logic mờ ở Nhật Bản phát triển mạnh mẽ và các IC mờ đã được ứng dụngtrong điều khiển máy giặt, nồi cơm điện, máy điều hòa, …

2.3.3.3 Phương pháp điều khiển nơron – mờ

a Logic mờ

Đối với logic mờ, ta dễ dàng thiết kế một hệ thống mong muốn chỉ bằng các luậtNếu - thì (If-Then) gần với việc xử lý của con người Điều này cho phép tạo ra lời

giải đơn giản hơn, trong khoảng thời gian ngắn hơn Thêm nữa, ta dễ dàng sử dụngnhững hiểu biết của mình về đối tượng để tối ưu hệ thống một cách trực tiếp

Tuy nhiên, đi đôi với các ưu điểm hệ điều khiển mờ còn tồn tại một số nhượcđiểm như việc thiết kế và tối ưu hóa hệ logic mờ đòi hỏi phải có một số kinhnghiệm về điều khiển đối tượng Mặt khác còn hàng loạt những câu hỏi khác đặt racho người thiết kế mà nếu chỉ dừng lại ở tư duy logic mờ thì hầu như chưa có lờigiải

b Mạng nơron

Đối với mạng nơron, chúng có một số ưu điểm như: xử lý song song nên tốc độ

xử lý rất nhanh, có khả năng học hỏi, ta có thể huấn luyện mạng để xấp xỉ một hàmphi tuyến bất kỳ đặc biệt khi đã biết một tập dữ liệu vào/ra

Tuy nhiên, mạng nơron vẫn còn tồn tại một số nhược điểm cơ bản là khó giảithích rõ ràng hoạt động của mạng nơron như thế nào Do vậy, việc chỉnh sửa trongmạng nơron rất khó khăn

c Mạng nơron – mờ

Mạng nơron – mờ là sự kết hợp giữa mạng nơron và logic mờ Sự kết hợp nàychủ yếu dựa vào những đặc tính cơ bản của từng phương pháp

Tính tri thức Không tường minh, khó

giải thích và khó sửa đổi

Tường minh, dễ kiểm chứng

và dễ sửa đổiKhả năng học Có khả năng học thông

qua các tập dữ liệu Không có khả năng họcKhả năng đáp ứng với

Nguồn của tri thức Từ các mẫu học Từ kinh nghiệm chuyên giaLưu giữ tri thức Trong nơ ron và trong các

trọng số ghép nối

Trong luật hợp thành và hàmliên thuộc

Với những đặc tính cơ bản nêu trên thì mạng nơron và logic mờ mỗi loại có mộtđiểm mạnh và điểm yếu riêng của nó Và những ưu điểm của mạng nơron là nhượcđiểm của bộ điều khiển mờ và ngược lại Từ đó để có được ưu điểm của cả điềukhiển mờ và mạng nơron trong một bộ điều khiển, người ta đã ghép chúng thành

một hệ thống ta sẽ có một hệ lai với ưu điểm của cả hai: logic mờ cho phép thiết kế

hệ dễ dàng, tường minh trong khi mạng nơron cho phép học những gì mà ta yêu cầu

về bộ điều khiển Nó sửa đổi các hàm phụ thuộc về hình dạng, vị trí và sự kết hợphoàn toàn tự động Điều này làm giảm bớt thời gian cũng như giảm bớt chi phí khiphát triển hệ mờ nơron, mà khả năng điều khiển thì đáp ứng tốt hơn

Kết hợp giữa mạng nơron và logic mờ có thể được thực hiện theo nhiều cáchkhác nhau và mỗi cách ghép nối sẽ có một giá trị riêng cho một hệ thống điều khiểnnhất định Một kỹ thuật ghép nối giữa điều khiển mờ và mạng nơron đã mang lạinhiều thành công trong kỹ thuật điều khiển đó là hệ thống suy luận nơron mờ

2.3.3.4 Cấu trúc của hệ nơron – mờ

Hình 2.11 Kiến trúc kiểu mẫu của một hệ nơron mờ

Hình 2.12 Mô hình hệ nơron mờ

Hình 2.13 Cấu trúc chung của hệ nơron-mờ sử dụng luật Takagi-SugenoPhương pháp điều khiển logic mờ và mạng nơron ra đời muộn hơn so với cácphương pháp điều khiển PID cổ điển và các phương pháp hiện đại khác Tuy nhiên,cũng đã khẳng định được ưu thế và khả năng ứng dụng trong nhiều lĩnh vực đặc biệt

là lĩnh vực điều khiển đòi hỏi chất lượng cao Có được điều đó là do lý thuyết tập

mờ, mạng nơron được kết hợp khi ứng dụng vào kỹ thuật điều khiển có nhiều ưuđiểm nổi trội bởi tính linh họat trong xử lý, mềm dẻo trong khả năng ứng dụng.Hiện nay sự phát triển của hệ nơron mờ vẫn tiếp tục phát triển mạnh mẽ và ngàycàng có nhiều bộ điều khiển ứng dụng phương pháp này trong lĩnh vực điều khiểncủa công nghiệp

CHƯƠNG III: XÂY DỰNG MÔ HÌNH TOÁN HỌC

HỆ THỐNG MÁY LÁI TỰ ĐỘNG3.1 Các thành phần cơ bản hệ thống máy lái tàu tự động

Hình 3.1 Hệ thống máy lái tự động

Hệ thống điều khiển máy lái tự động cơ bản bao gồm: hệ thống la bàn số để định

vị hướng đi của tàu, cảm biến vị trí góc của bánh lái, bộ điều khiển trung tâm đểnhận giá trị từ các cảm biến và xuất tín hiệu điều khiển động cơ chính, động cơ gócbánh lái, bảng điều khiển để chọn các giá trị điều khiển tự động, điều khiển bằngtay, chế độ dừng hay bắt đầu điều khiển, màn hình giao diện để hiển thị các giá trịcũng như các thông số của hệ thống

La bàn: dùng để xác định hướng đi của tàu so với hệ trục vật lí của trái đất Labàn này có thể được dùng để định vị hướng đi khi tàu đang hoạt động chế độ điềukhiển bằng tay và dùng để xác định hướng đi của tàu khi ở chế độ điều khiển tựđộng Có 2 loại la bàn cơ bản là la bàn số và la bàn tương tự Đối với la bàn số thì

có tiết diện nhỏ, dễ dàng tháo lắp và đấu nối, linh hoạt trong quá trình vận chuyển,đặc biệt là giao tiếp bằng hệ thống số nên dễ dàng giao tiếp với các thiết bị điềukhiển số và điều khiển hiện tại La bàn tương tự thì có thiết kế tương đối lớn, khókhăn trong việc di chuyển nhưng độ chính xác cao

Cảm biến góc bánh lái: dùng để xác định góc hiện tại của bánh lái vì do cơ cấuchấp hành và kết cấu cơ khí nên giữa tín hiệu điều khiển góc bánh lái và giá trị thậtcủa góc bánh lái sẽ có sự sai lệch nên cảm biến góc sẽ giúp cho việc điều khiểnbánh lái được tốt hơn và đúng với giá trị mong muốn của góc bẻ lái Cảm biến góc

bẻ lái có thể là cảm biến tương tự hoặc cảm biến số hoặc sử dụng encoder định vị sẽgiúp cho tín hiệu phản hồi chính xác và nhanh hơn

3.2 Động lực học của tàu thủy

3.2.1 Mô hình động học của tàu thủy

Hình 3.2 Hệ trục tọa độ của tàu

Để mô tả chuyển động của một phương tiện trên biển người ta thường sử dụng

mô hình động học 6 bậc tự do Từ mô hình động học 6 bậc tự do, tùy theo yêu cầu

và độ chính xác mà có thể chọn số bậc tự do cho phù hợp, phổ biến hiện này là sửdụng 3 bậc tự do với hệ trục tọa độ tuyệt đối và hệ tọa độ tương đối Vị trí (x,y) vàhướng đi của tàu () trong hệ trục tọa độ tuyệt đối XEYEZE (hệ trục tọa độ gắn vớitrái đất) được biểu diễn dưới dạng vector =[x,y,]T; tốc độ theo trục dọc, trụcngang và tốc độ quay quanh trục thẳng đứng được biểu diễn bằng vector =[u,v,r]T.Tâm của hệ trục tọa độ tương đối XYZ (hệ trục tọa độ gắn với tàu) đặt ở mặt phẳngdọc trục của tàu, cách trọng tâm tàu một khoảng xG

S A M

G r X X X x

vr

u

m(    2 )   

S A M

zz r mx v ur N N N

I   (   )   

Trong đó:

m: khối lượng của tàu

v, u, r : vận tốc chuyển động của tàu theo các trục với tâm ở giữa tàu

Izz: moment quán tính của tàu theo hướng đi

xG: vị trị tọa độ trọng tâm của tàu

XA, YA, NA: lực và moment của gia tốc u, v, r sinh ra

XS, YS, NS: lực và moment của vận tốc u, v, r do gốc bánh lái  và số vòngquay của chân vịt n sinh ra

Dạng tổng quát của công thức miêu tả mối liên hệ giữa lực và moment với cácthành vận vận tốc và gia tốc của u, v, r do gốc bánh lái  và số vòng quay của chânvịt n như sau:

u X u f

X A  AX(  )  u

r Y v Y r v f

Y A  AY(  ,  )  v  r

r N v N r v f

) , , , , (u v r n f

X S  SX 

) , , , , (u v r n f

Y S  SY 

) , , , , (u v r n f

Sử dụng phương pháp khai triển Talor để miêu cả các phương trình trên thànhdạng đa thức

2 0 2

v X

X S  vv  vr  rr  X un unX nn n2X2

r v Y v Y r m Y v Y

Y S  v  ( r  x)  vvv 3  vvr 2 Y rrr r3YvvY YrrYnn

(3.3)

2 2

v N r N v N

N S  v  r  vvv  vvr  vrr

v N n N r N N

Đối với các mô hình tàu nhỏ, sự ảnh hưởng của các thành phần phi tuyến này làkhông đáng kể nên có thể được bỏ qua trong quá trình tính toán và mô phỏng Khi

đó, các đa thức được rút gọn như sau:

2

0u X

X S 





Y r m Y v Y





N r N v N

u m

v m

r J

N A   zz

Trong đó: mx, my và Jzz là khối lượng cộng và moment quán tính

Kết hợp các phương trình trên, phương trình thể hiện mối liên hệ giữa góc bẻ lái

và hướng đi của tàu được thể hiện theo công thức Nomoto [2]:

) (

D N m m Y J I T

D m m N

D Y N N Y

K   (  v   v) /

v r x

v

r Y m m U Y N N

2 2)

s K s

(3.8)Với hệ số Kw là phụ thuộc vào trạng thái biển Kw=2zwsw với sw là hệ số mô tảmật độ sóng; z là hệ số tắt dần tương đối; w là tần số sóng trôi (thông số thiết kế)

Hệ số tắt dần tương đối z có thể được chọn ngẫu nhiên và z<10

Mô hình không gian trạng thái tuyến tính khi chuyển sang biến thời gian củahàm truyền h(s) như sau:

2 0 0

2 2)

(

)()(

s K s

w

s s

s s w K s s

s s

( )

( 2 )

y w y H

H H H H

3.2.3 Mô hình dòng chảy tần số thấp

Giả thiết dòng chảy là hằng số cả về hướng và biên độ sao cho tốc độ dòng chảy

Vc và hướng c có thể được mô hình hóa là các thông số biến đổi chậm trong hệtrục trái đất Tốc độ dòng chảy theo hệ trục thân tàu đạt được thông số qua phép đổi

hệ trục

) cos(

c

c V

Giả sử L, H lần lượt là các thành phần góc quay của các tác động tần số thấp

và tần số cao, thêm vào uc, vc thành phần dòng chảy quay rc

3.2.4 Mô hình gió tần số thấp

Tốc độ gió tần số thấp là Vw và hướng là w được mô hình hóa là các đại lượngbiến đổi chậm Ta có thể biểu diễn mô hình này dạng không gian trạng thái như sau:

T wind wind wind wind  [X ,Y ,N ]

Trong đó: Xwind, Ywind, Nwind được cho bởi công thức sau:

T R w R X wind C g V A

X  0 5  2

T R w R Y wind C g V A

L A V g C

N wind  0 5 N Rw R2 L

Với Cx, Cy, CN là các hệ số lực kéo và momen, AT, AL là các diện tích hìnhchiếu ngang và hình chiếu cạnh, L là chiều dài của tàu, VR, gR là tốc độ và hướnggió tác động lên tàu và được tính như sau:

V

V 

H L w R

3.2.5 Mô hình tàu dầu SARACENA

Hình 3.3 Tàu SARACENA ngoài thực tế

Hình 3.4 Tàu SARACENA chuyên dùng chở dầu thô

Mô hình tàu dùng trong mô phỏng của luận văn là tàu dầu SARACENA với cácthông số cơ bản như sau:

3.3 Bộ điều khiển PID cho hệ thống lái tự động tàu thủy

3.3.1 Phương pháp xây dựng bộ điều khiển PID

3.3.1.1 Lựa chọn phương pháp điều chỉnh PID