Điều khiển nhiệt độ dùng mờ thích nghi

CHƯƠNG 0: MỞ ĐẦU C on người chế tạo dụng cụ để sử dụng cho mục đích họ đồng thời nghó đến việc điều khiển chúng theo ý muốn Khái niệm hồi tiếp khái niệm quan trọng để điều khiển dụng cụ Ứng dụng có ý nghóa điều khiển tốc độ động nước James Watts phát minh 1769 Khi dự án với nhiều đầu vào nhiều đầu ngày trở nên phức tạp mô tả hệ thống điều khiển đòi hỏi số lượng lớn phương trình kèm theo Lý thuyết điều khiển cổ điển vào hoàn toàn giá trò với hệ thống đa vào đa Từ năm 1960, lý thuyết đại phát triển để thích ứng với mức độ phức tạp ngày tăng dự án quy tắc đòi hỏi tính xác, tải trọng, giá thành dùng quân đội, không gian công nghiệp Sự phát triển tăng tốc máy tính số khả lập trình giải đồng thời nhiều phương trình Kỹ thuật điều khiển dựa phương trình toán học Tuy nhiên, thường đối mặt với dự án hoá học, máy móc nhiều hệ thống khác cần điều khiển, việc mô tả đặc tính chúng thông qua phương trình toán học khó khăn mức độ phức tạp lớn Ngay chuyên gia để hoàn thành việc điều khiển, họ phải vận dụng, chắt ép kiến thức từ kinh nghiệm lâu dài để đưa phương pháp, luật điều khiển thông qua ngôn ngữ trực giác tự nhiên Kiến thức ( bí ) trình bày với ngôn ngữ trực giác tự nhiên giải thích cách dễ dàng, dễ hiểu nhận thức thông thường dễ nhớ Trong nhiều trường hợp, ngôn ngữ trực giác tự nhiên có ranh giới mơ hồ ngữ nghóa, đề cập số hạng ngôn ngữ mờ đặt tính hóa hàm liên thuộc Ý tưởng thiết kế điều khiển mờ đời Vậy dùng mờ cho ta lợi điểm gì? Một phương pháp thiết kế khác đơn giản hơn, nhanh gọn Để đánh giá phương pháp mờ lại có sức hấp dẫn đầt ấn tượng ứng dụng điều khiển , xem ví dụ thiết kế điển hình: Kỹ thuật thiết kế thông thường Tính chất vật lý Yêu cầu điều khiển Kỹ thuật thiết kế mờ Tính chất vật lý Yêu cầu điều khiển Xây dựng mô hình tuyến tính Xác đònh điều khiển đơn giản Thiết kế điều khiển luật mờ Xây dựng luật cho điều khiển Mô thiết kế Đã phù hợp chưa? Mô thiết kế Đã phù hợp chưa? Hình minh họa yêu cầu bước để phát triển điều khiển dùng phương pháp thông thường phương pháp mờ Dùng phương pháp thông thường bước phải hiểu tính chất vật lý hệ thống yêu cầu điều khiển Dựa hiểu biết đó, bước thứ hai phát triển mô hình gồm chương trình, cảm biến, phần tử chấp hành Bước thứ ba áp dụng lý thuyết điều khiển tuyến tính để làm rõ chức đơn giản điều khiển chẳng hạn thông số điều khiển PID Bước thứ tư xây dựng luật cho điều khiển đơn giản Và bước cuối mô thiết kế bao gồm ảnh hưởng phi tuyến, nhiễu thay đổi thông số Nếu việc thực không thỏa mãn ta cần xác minh lại mô hình hệ thống, thiết kế lại điều khiển, viết lại luật điều khiển thử lại Với logic mờ, bước hiểu đặt tính hóa hành vi hệ thống kiến thức kinh nghiệm tích lũy Bước thứ hai trực tiếp thiết kế luật điều khiển mối quan hệ số hạng vào/ra Bước cuối mô tìm sai sót khâu thiết kế Nếu phần thực không thỏa mãn cần xác minh lại luật mờ thử lại Mặc dù hai phương pháp thiết kế có nhiều điểm tương đồng, phương pháp mờ đơn giản chu kỳ thiết kế cách đáng kể Kết có ý nghóa lợi nhuận chẳng hạn giảm thời gian phát triển, thiết kế đơn giản nhanh chóng đem thò trường Logic mờ giảm việc thiết kế tiến trình phát triển chu kỳ Với phương pháp thiết kế mờ, bước dùng trước bò loại bỏ bớt Hơn trình tìm sai sót chỉnh đònh chu kỳ, ta thay đổi luật xác minh đơn giản thay thiết kế lại điều khiển Với luật mờ ta thấy ứng dụng thay chương trình khô khan Kết cho thấy dùng logic mờ giảm đáng kể toàn tiến trình phát triển chu kỳ Logic mờ đơn giản hóa việc thiết kế phức tạp Logic mờ cho phép ta mô tả hệ thống phức tạp kiến thức kinh nghiệm thông qua luật mờ Nó không đòi hỏi mô hình hệ thống hay phương trình toán học nắm vai trò chủ đạo mối quan hệ vào/ra Luật mờ dễ học, dễ dùng bạn chuyên gia Một cách điển hình, dùng vài luật để mô tả hệ thống mà lẽ phải đòi hỏi nhiều dòng với phần mềm thông thường.Kết logic mờ có ý nghóa việc đơn giản hóa thiết kế phức tạp Giải điều khiển phi tuyến tốt Hệ thống sống ngày hệ phi tuyến Những phương pháp thiết kế thông thường dùng phương pháp xấp xỉ để nắm bắt phi tuyến Cách chọn lựa điển hình tuyến tính, tuyến tính đoạn, tra bảng Kỹ thuật xấp xỉ tuyến tính hoàn toàn đơn giản,tuy nhiên có khuynh hướng giới hạn phần điều khiển phần lớn thực thi cho ứng dụng chắn Kỹ thuật tuyến tính đoạn làm việc tốt kéo dài phần thực thi đòi hỏi phải thiết kế nhiều đoạn tuyến tính điều khiển Kỹ thuật tra bảng cải tiến hiệu suất điều khiển, khó khăn để tìm sai sót chỉnh đònh Hơn hệ thống phức tạp tồn hệ số nhân đầu vào việc tra bảng không thực tế đắt để thực thi đòi hỏi nhớ lớn Logic mờ cho cách giải khác điều khiển phi tuyến gần gũi với giới thực bên Phi tuyến nắm bắt luật, hàm liên thuộc trình suy diễn mà có kết cải tiến thực thi, thực đơn giản giảm dược giá thành thiết kế Logic mờ cải tiến việc thực điều khiển Nhiều áp dụng logic mờ mang lại kết tốt điều khiển tuyến tính, tuyến tính đoạn, hay kỹ thuật tra bảng Ví dụ vấn đề điển hình gắn với điều khiển cổ điển thời gian đáp ứng điều khiển với độ vọt lố Cho ví dụ hệ thống điều khiển nhiệt độ vào đơn giản minh họa sau: Đường tuyến tính xấp xỉ đường cong mong muốn cho đáp ứng chậm vọt lố, nhiệt độ phòng lạnh cho khoảng thời gian Đường tuyến tính thứ hai có đáp ứng nhanh có vọt lố sau dao động, nhiệt độ không ổn đònh khoảng thời gian Với logic mờ, ta dùng luật, hàm liên thuộc để xấp xỉ hàm xác nhiệt độ Dựa vào hình minh họa, ta xấp xỉ đường cong mong muốn cho điều khiển nhiệt độ cách dùng điểm( luật ) Chúng ta thêm luật vào để tăng độ xác việc xấp xỉ Những luật đơn giản để thực thi dễ dàng tìm sai sót chỉnh đònh chúng kỹ thuật tuyến tính đoạn hay kỹ thuật tra bảng If temperature is cold then force is high If temperature is cool then force is medium If temperature is warm then force is low If temperature is hot then force is zero Những luật không giống bảng tra luật mờ làm gián đoạn hình dạng hàm phi tuyến Việc kết hợp nhớ yêu cầu việc đặt nhãn suy diễn mờ đáng kể so với bảng tra, đặt biệt hệ thống đa vào Kết tốc độ xử lý cải tiến  Tóm lại điều khiển mờ có nhiều điểm mạnh việc thiết kế hệ thống điều khiển đối tượng phức tạp, đối tượng mà việc mô tả mô hình đối tượng khó khăn, cho phép thiết kế hệ thống đơn giản, tiết kiệm nhiều công sức, thời gian, giảm giá thành… Bên cạnh điểm mạnh sử dụng logic mờ để thiết kế điều khiển gặp số hạn chế việc tối ưu hóa hệ thống đòi hỏi phải có kinh nghiệm nghệ thuật thiết kế hệ thống Để khắc phục nhược điểm này, người ta kết hợp logic mờ với mạng neuron Mạng neuron, hệ thống xử lý thông tin đầy hứa hẹn,chứng minh khả học, truy cập thông tin lưu trữ tổng quát hóa từ việc huấn luyện mô hình hay liệu Mạng neuron nhân tạo lónh vực vừa khoa học vừa kỹ thuật, khoa học đònh nghóa kiến thức có cấu trúc kỹ thuật khoa học ứng dụng Vì kỹ thuật đơn lẻ không giải tối ưu toán mà bước kết bước trước Công nghệ mạng neuron nhân tạo hình thành, thay cho giải pháp tính toán truyền thống đưa vài khả để tiếp cận nhiều vấn đề không giải Mạng neuron ứng dụng rộng rãi ngành kỹ thuật như: kỹ thuật điều khiển, điện tử viễn thông, hệ thống điện công nghệ thông tin Trong kỹ thuật điều khiển mạng neuron nhân tạo ứng dụng để nhận dạng, dự báo nhận dạng hệ thống động Trong điện tử viễn thông mạng neuron nhân tạo ứng dụng để nhận dạng dự báo điều khiển trạm biến áp…Sự phát triển mạng neuron, lónh vực trí tuệ nhân tạo, cho ta thành đáng kể việc thiết kế hệ thống có khả học hành vi mà ta mong muốn Nhưng mạng neuron lại có khuyết điểm khó giải thích rõ ràng hoạt động hệ Sự kết hợp logic mờ mạng neuron kết hợp hai ưu điểm dễ thiết kế dễ tối ưu cho ta đạt kết tốt mà ta mong muốn.Bộ điều khiển mờ thích nghi đời Bộ điều khiển mà trình làm việc có khả chỉnh đònh thông số cho phù hợp với thay đổi đối tượng gọi điều khiển thích nghi Bộ điều khiển mờ có khả chỉnh đònh lại thông số điều khiển cho phù hợp với đối tượng chưa biết rõ đưa hệ thích nghi trở thành hệ điều khiển thông minh Đó điều khiển mờ thích nghi CHƯƠNG 1: 1.1 TẬP MỜ TẬP MỜ VÀ CÁC PHÉP TOÁN TRÊN TẬP MỜ 1.1.1 Tập mờ: Trong khái niệm tập hợp kinh điển, việc xây dựng phép ánh xạ mô hình đặt sở logic hai giá trò Boolean Tức hàm phụ thuộc µF(x) đònh nghóa tập F có hai giá trò x thuộc F x không thuộc F Kiểu logic hai giá trò tỏ hiệu thành công việc giải toán đònh nghóa rõ ràng Tuy nhiên thực tế thường tồn tập hợp mà độ phụ thuộc phần tử tập hợp có giá trò khoảng [0,1] Từ khái niệm tập mờ đời  Đònh nghóa: Tập mờ F xác đònh tập kinh điển M tập mà phần tử cặp giá trò (x, µF(x) ) x thuộc M µF ánh xạ: µ F : M  [0,1] • nh xạ µF gọi hàm liên thuộc tập mờ F • Tập kinh điển M gọi sở tập mờ F  Hàm liên thuộc tập mờ: Hàm liên thuộc để tính độ phụ thuộc phần tử x đó, có hai cách: tính trực tiếp( µF(x) cho trước dạng công thức tường minh ) tra bảng( µF(x) cho dạng bảng ) Các dạng hàm phụ thuộc: Dạng tuyến tính : Đây dạng tập mờ đơn giản nhất, thường chọn mô tả khái niệm chưa biết hay chưa hiểu rõ ràng 1 0 Tập mờ tuyến tính giảm Tập mờ tuyến tính tăng Dạng đường cong S : A 0.5 x α β γ Một tập mờ dạng đường cong S có thông số giá trò α, β, γ có độ phụ thuộc tương ứng 0, 0.5 và1 Dạng đường cong S thường dùng để đặt trưng cho đường cong phân bố chuẩn A điểm uốn Độ phụ thuộc điểm x tính công thức sau : x ≤ α 0    α ≤ x ≤ β 2 × [ ( x − α ) /(γ − α )]  S ( x; α , β , γ ) =   β ≤ x ≤ γ  1 − × [ ( x − α ) /(γ − α )] 1  x ≥ γ   Trong kỹ thuật điều khiển mờ thông thường hàm liên thuộc kiểu S hay thay gần hàm tuyến tính đoạn 3.Dạng đường cong hình chuông : Dạng đường cong hình chuông đặc trưng cho số mờ (xấp xỉ giá trò trung tâm), bao gồm đường cong dạng S tăng S giảm β 0.5 x γ Độ rộng hay hẹp miền khảo sát độ dốc dạng hình chuông tùy theo tính chất tượng mô tả, đònh người thiết kế Từ hai tập mờ dạng đường cong S ta suy độ phụ thuộc điểm x tập mờ dạng đường cong hình chuông sau : S ( x; γ − β , γ − β / 2, γ ) x ≤ γ  ∏( x; β , γ ) =   x > γ  1 − S ( x; γ , γ + β / 2, γ + β ) Dạng hình tam giác, hình thang hình vai : Cùng với gia tăng vi điều khiển bit 16 bit, dạng tập mờ chuẩn hình chuông thay dạng tập mờ hình tam giác hình thang yêu cầu tiết kiệm nhớ vốn hạn chế vi điều khiển Dạng hình thang : β α x xA xB Dạng tam giác : x α β 0 ( x − α ) /( β − α ) T ( x; α , β , γ ) =  (γ − x) /(γ − β )  0 γ khi khi x γ  Dạng hình vai : Thông thường vùng biến mô hình đặc trưng tập mờ có dạng hình tam giác liên quan tới khái niệm tăng giảm Tuy nhiên vùng biên biến khái niệm không bò thay đổi Lúc cần phải dùng dạng hình vai để mô tả tính chất biến biên dùng phép nhân, phép cộng hàm dạng chữ S gọi mạng neuron chuẩn  Những sửa đổi dẫn đến việc tạo cấu trúc neuron mờ dựa phép toán mờ  Cần nhấn mạnh mạng neuron mờ giá trò vào, giá trò ra, trọng số số thực nằm khoảng [0,1]  Một phần tử tự xử lý mạng neuron mở gọi neuron mờ 5.3 Các Bộ Điều Khiển Dùng Mạng Neuron Fuzzy Tùy theo cấu trúc, chức người ta phân biệt loại sau: Loại 1: Đây loại thông thường với luật mơ øcó hàm liên thuộc đầu dạng chuông, tam giác… Đáp ứng luật xác đònh trọng số hàm liên thuộc đầu thông qua cường độ bắn đáp ứng trung tâm tính toán để đưa giá trò xác cho đầu Khi hàm liên thuộc đầu có dạng xung kết luật dạng singleton mờ Giá trò đầu mờ liên quan đến việc chọn cấp độ phụ thuộc Maximum luật mờ làm đáp ứng cho giá trò đầu xác Loại 2: Loại có hàm liên thuộc hàm tăng đơn điệu, chẳng hạn hàm chữ S Đáp ứng luật mờ xác đònh cường đô bắn theo dạng hàm liên thuộc đầu Giá trò đầu điều khiển neuron fuzzy kết hợp tuyến tính đáp ứng cường độ bắn luật mờ Kết luật trở thành Singleton mờ hàm liên thuộc đầu hàm ngưỡng Loại 3: Loại có đáp ứng luật kết hợp tuyến tính giá trò đầu vào thay đổi Trọng số đưa vào đáp ứng sau lấy tổng chúng theo cường độ bắn để thu giá trò đầu cuối Kết luật trở thành Singleton mờ tất hệ số phần kết dần đến zero  Tổng kết : Mục đích hệ thống điều khiển dùng neuron fuzy áp dụng kỹ thuật học để tìm điều chỉnh thông số cấu trúc and/or hệ thống Bộ điều khiển mờ đặt hai loại chỉnh chính: chỉnh cấu trúc, chỉnh tham số • Chỉnh cấu trúc: Liên quan chủ yếu đến cấu trúc luật mờ, chẳng hạn số tập mờ đầu vào, đầu ra, số luật kết nối để hình thành chúng… Khi cấu trúc thỏa mãn luật mờ xây dựng, hệ thống điều khiển điều khiển neuron fuzzy yêu cầu trình bày cách chỉnh đònh thông số • Chỉnh tham số: Đối với nhóm học tham số, thông số chỉnh đònh bao gồm gắn liền với hàm liên thuộc chẳng hạn như: trọng tâm, độ rộng, độ dốc, thông số liên quan đến kết nối thông số mờ hệ số trọng lượng luật mờ Trong số loại mạng neuron nêu trên, học không giám sát không nhận thêm thông tin nào, thích hợp cho học cấu trúc để tìm tập liệu chỉnh đònh luật mờ Học giám sát cần thầy giáo để xác minh vector đầu ra, dự đoán luật học để điều chỉnh thông số hàm liên thuộc and/or luật mờ cho đầu mong muốn qua hệ thống neuron mờ Trong trường hợp hàm liên thuộc thay đổi, dễ dàng rút tốc độ học dựa phương pháp học( luật truyền lùi …) cho việc học thông số Có nhiều cách học thông số, học cấu trúc kết hợp điều khiển neuron mờ Trước tiên, chúng trình bày cách có trình tự chia làm hai nhóm: Học cấu trúc dùng nhóm để tìm cấu trúc điều khiển neuron fuzzy học thông số thuộc nhóm thứ hai để tìm thông số tối ưu Thủ tục liên quan đến việc lai ghép luật học cấu trúc_thông sốthích hợp cho việc học cấu trúc_tham số loại Trong vài tình có học thông số hay học cấu trúc cần thiết cấu trúc ( chẳng hạn luật mờ ), hay thông số (chẳng hạn hàm liên thuộc ) cung cấp chuyên gia Hiển nhiên kiến thức chuyên gia thay đổi dùng cho việc lập cấu trúc, tham số ban đầu cuả điều khiển neuron fuzzy sau học cấu trúc hay học thông số thay để đưa cách chỉnh đònh tốt 5.4 Điều Khiển Neuron Fuzzy Qua Việc Lai Ghép Học Cấu Trúc Và Học Thông Số Sau vài mẫu điều khiển neuron fuzzy có khả học cấu trúc học thông số Khái niệm mẩu điều khiển dùng neuron fuzzy trước tiên dùng luật học cấu trúc để tìm luật logic mờ xác sau luật học tham số để có thông số tối ưu hàm liên thuộc 5.4.1 Mạng điều khiển mờ thích nghi: Mạng điều khiển mờ thích nghi soạn Lin Lee để học chiến lược lai ghép học thông số_cấu trúc Mạng điều khiển học mờ thích nghi mạng nuôi tiến đa lớp với hợp yếu tố hàm điều khiển mờ túy thành cấu trúc liên kết xếp, phân phối cho cách học khác Trong cấu trúc kết nối này, đỉnh vào/ra ương ứng với tồn trạng thái đầu vào điều khiển đầu ra, đồng thời lớp neuron ẩn đặt trưng cho hàm liên thuộc, luật mờ Mạng điều khiển mờ thích nghi đối chiếu với điều khiển mờ túy mạng thực với số hạng đặt trưng cho khả học cấu trúc mạng Chẳng hạn điều khiển mờ đầu mạng thực xây dựng từ việc huấn luyện ví dụ kỹ thuật học mạng cấu trúc kết nối huấn luyện để phát triển luật mờ xác đònh hàm liên thuộc vào/ra Mô hình kết nối cung cấp hiểu biết người , điều có nghóa mô hình thông thường mạng nuối tiến đa lớp mà phần tử bên thường gây khó hiểu người sử dụng Vì thế, cần thiết kiến thức người chuyên gia dễ dàng đưa vào mạng điều khiển mờ thích nghi Sau xét đến cấu trúc, chức mạng điều khiển mờ thích nghi cách học y1 y’1 y1 y’m ym Lớp Các đỉnh biến ngôn ngữ Lớp Các đỉnh số hạng Lớp Các đỉnh luật Lớp Các đỉnh số hạng vào Lớp Các đỉnh biến ngôn ngữ vào x1 x2 xn Cấu trúc mạng điều khiển mờ thích nghi  Hệ thống bao gồm lớp Lớp thứ đỉnh vào đặt trưng cho biến ngôn ngữ vào, lớp thứ năm lớp ngõ Có đỉnh ngôn ngữ cho biến Một cho tập liệu huấn luyện, tức đầu mong muốn cung cấp cho mạng, đỉnh lại cho đầu thực để tìm thông tin cho mạng Các đỉnh lớp thứ hai lớp thứ tư số hạng hoạt động hàm liên thuộc đặt trưng cho số hạng tương ứng với biến ngôn ngữ Thực vậy, lớp thứ hai đỉnh đơn biểu diễn hàm liên thuộc đơn củng đỉnh đa lớp biểu diễn hàm liên thuộc phức Vì số lớp mô hình kết nối lớn năm Mỗi đỉnh lớp thứ ba đỉnh luật đặt trưng cho luật logic mờ Sự liên kết lớp thứ ba lớp thứ tư có chức kết nối suy diễn mờ Các liên kết lớp thứ ba xác đònh điều kiện tiên đỉnh luật, liên kết lớp thứ tư xác đònh kết đỉnh luật Do đó, với đỉnh luật, phần lớn có liên kết (có thể không ) từ vài đỉnh số hạng đỉnh ngôn ngữ Điều cho tất liên kết lớp ba lớp bốn Các liên kết lớp thứ hai lớp thứ năm hoàn toàn kết nối đỉnh biến ngôn ngữ với đỉnh tương ứng chúng Mũi tên liên kết tín hiệu hướng dẫn cho việc sử dụng mạng sau mạng xây dựng huấn luyện Với năm lớp cấu trúc mạng điều khiển thích nghi , xác đònh hàm đỉnh Ở đỉnh có hàm tổng hợp cung cấp thông tin vào: (k ) (k ) (k ) (k ) (k ) (k ) neti = f (u1 , u2 , , u p ; w1 , w2 , , w p ) với u1(k), u2(k), …., uP(k) đầu vào đỉnh w1(k), w2(k), …, wP(k) hệ số trọng lượng kết nối Chữ k viết bên để số lớp Và đầu đỉnh tính toán thông qua hàm tác động: output = oi (k ) = a (neti ) = a( f )  Sau đây, mô tả hàm đỉnh lớp điều khiển mờ thích nghi: Lớp 1: Nhận trực tiếp giá trò đầu vào đưa đến lớp Ta có: (1) fa ==ufi and Trong phương trình này, hệ số trọng lượng lớp thứ đồng (wi(1) =1) Lớp 2: Nếu dùng đỉnh đơn để biểu diễn hàm liên thuộc đầu đỉnh thuộc lớp hàm liên thuộc Ví dụ hàm dạng tam giác: a = e f ui2 − aij f = M (aij , bij ) = − bi j j xi Trong aij điểm giữa, b ij chiều rộng đáy tam giác Hệ số trọng lượng lớp thứ hiểu aij Nếu dùng tập hợp đỉnh để biểu diễn hàm phụ thuộc mạng giả đònh huấn luyện không trực tuyến để biểu diễn hàm liên thuộc mong muốn thông qua giải thuật học truyền lùi Lớp 3: Liên kết lớp dùng để biểu diển tiền điều kiện việc phối hợp luật mờ Do đỉnh luật biểu diễn hoạt động AND mờ f = min(ua1(3)=, uf1(3) , , u (3) p ) Hệ số trọng lượng kết nối có tính đồng (w(3)i =1) Lớp 4: Các đỉnh lớp có hai chế độ hoạt động: nhận từ lên, nhận từ xuống Ở chế độ nhận từ lên, liên kết đỉnh biểu diễn kết liên kết luật mờ thông qua hoạt động OR a f= =min(1, ∑ ui(4)f ) i Hệ số trọng lượng kết nối w ij =1 Còn chế độ từ xuống, đỉnh lớp hàm liên kết lớp giống biểu diễn hàm liên thuộc cho biến ngôn ngữ đầu Lớp 5: Ở lớp có chế độ Chế độ từ xuống đưa vào mạng cho việc huấn luyện liệu Đối với loại này, af = yf i Còn chế độ thứ 2, từ lên có nhiệm vụ đưa đònh cho tín hiệu Các đỉnh lớp thứ gắn liền hoạt động khâu giải mờ Dựa cấu trúc kết nối người ta phát triển hai nhóm học lai ghép để tìm giá trò trọng tâm, độ rộng đáy tam giác lớp thứ lớp thứ Cũng thông qua cấu trúc luật logic mờ xác đònh thông qua đỉnh luật lớp thứ lớp thứ  Nhóm thứ thuộc học không giám sát dùng để đặt hàm liên thuộc ban đầu khám phá diện luật logic mờ  Nhóm thứ 2, học giám sát dùng để điều chỉnh thông số hàm liên thuộc giá trò đầu mong muốn Để bắt đầu học tập liệu huấn luyện đầu mong muốn phải cung cấp từ bên (hay từ chuyên gia) Do việc điều khiển nhiệt độ lò ta mong muốn đạt nhiệt độ đặt trước, xem đầu mong muốn cung cấp Như việc điều khiển thích hợp với học giám sát Cho nên, ta tập trung vào việc huấn luyện có giám sát Học thông số xem học giám sát, điều có nghóa lập tập huấn luyện vào/ra kỹ thuật mạng neuron mờ (chẳng hạn luật mờ) xác đònh từ thông số mạng  Ở phần này, giới thiệu kỹ thuật học thông số thay đổi dựa bảng luật mờ mà kết cho dạng Singleton Với n biến ngôn ngữ vào, biến có j tập mờ biểu diễn m luật hợp thành với n mệnh đề hợp thành sau: Rj : If x1 is Aj1 and x2 is Aj2 and… and xn is Ajn , Then y is wj , Với xi biến ngôn ngữ µ A ( xi ) vào, y biến ngôn ngữ Aji tập mờ biến ngôn ngữ vào với hàm liên thuộc , w j số thực phần kết (tương ứng với tập mờ biến ngôn ngữ ra) Nếu sư dụng phương pháp suy diễn mờ giải mờ theo phương pháp trọng tâm, ta có kết đầu thực mạng tính toán bởi: i j M y = * ∑µ w j =1 M j ∑µ j =1 j j (1) với (2) µ j = µ A j ( x1 ).µ A j ( x2 ) µ A j ( xn ) n Để đơn giản, phương trình (1) viết lại sau: M (3) y* = ∑ µ j w j j =1 Y* Lớp W1 µ1 Lớp µA A RM Rj R1 j ( x1 ) Lớp Wn j A2j µn µA j ( xn ) Anj n Lớp Xj X1 XX1n Cấu trúc mạng neuron fuzzy với luật mờ Singleton µA Học thông số neuron fuzzy với luật mờ có dạng singleton điều chỉnh hàm liên thuộc đầu vào số thực w j Các hàm liên thuộc phổ biến dùng hàm hình chuông, hàm dạng tam giác Ở dây ta đề cập đến hàm liên thuộc dạng tam giác mà i j Các thông số đặt trưng hàm liên thuộc dạng tam giác: giá trò điểm aji độ rộng bji Từ ta tính giá trò phụ thuộc sau: µ A j ( xi ) = − i xi − aij bi j với i=1,2, …,n; j=1,2,…,M µA i j xi aji bji Hàm liên thuộc dạng tam giác Với y* giá trò đầu thực mạng, y d giá trò mong muốn có vector đầu vào x=(x 1,x2,…,xn)T , ta cập nhật hệ số thông qua sai lệch đầu thực đầu mong muốn: (4) E= Thế (1) vào (4), ta đươc: (*) * y − yd ) ( 2  M  n    M  µ ( x ) w µ ( x ) w   j ∑ ∑ ∏ j j i j      j =1  j =1  i =1 Ai  d  d  E= −y = −y   2 M 2 M  n   ∑  ∏ µ Aij ( xi )    ∑ µ j ( x)   j =1  i =1  j  j =1    Từ (*) ta suy giá trò hàm liên thuộc vào/ra thời điểm tiếp theo: aij (t + 1) = aij (t ) − ηa ∂E ∂aij bi j (t + 1) = bi j (t ) − ηb ∂E ∂bi j w j (t + 1) = w j (t ) − ηw ∂E ∂w j 2 mà ∂E = µ j ( x) ( y* − y d )( w − y )sgn( x − a j ) j i i M j j bi µ A ( xi ) giá trò đạo ∂ai ∑ µ j ( x) j =1 hàm tính từ (*), ta ∂E = µ j ( x) ( y* − y d )( w − y ) − µ A ( xi ) j M ∂bi j µ A ( xi ) bi j được: ∑ µ j ( x) i i i j j j j =1 µ ( x) ∂E = M j ( y* − y d ) ∂w j ∑ µ j ( x) j =1  Tóm lại : Độ hiệu mô hình mờ biểu diễn mối quan hệ phi tuyến vào-ra phụ thuộc phân vùng mờ không gian vào-ra Do việc chỉnh đònh hàm phụ thuộc mô hình mờ trở nên quan trọng Việc chỉnh đònh xem vấn đề tối ưu dùng mạng neuron giải thuật học để giải Đầu tiên ta giả đònh hàm phụ thuộc có hình dạng đònh Sau ta thay đổi thông số hình dạng qua trình học mạng neuron Như ta cần tập liệu dạng cặp vào-ra mong muốn mạng neuron học Và cần phải có bảng luật sơ khởi dựa hàm phụ thuộc Với luật mờ có giá trò đầu Singleton cách học giúp ta chỉnh đònh thông số: điểm giữa(aji), độ rộng đáy (bji) hàm liên thuộc vào có dạng tam giác giá trò luật mờ dạng singleton(wj) CHƯƠNG 7: THIẾT KẾ BỘ ĐIỀU KHIỂN MỜ NHIỆT ĐỘ THÍCH NGHI 7.1 Thiết Kế : Như giới thiệu phần trên, điều khiển mờ thích nghi chẳng qua điều khiển mờ có khả chỉnh đònh lại thông số điều khiển cho phù hợp với đối tượng chưa Y* biết rõ Do để thiết kế mờ thích nghi ta phát triển mờ có khả học chỉnh đònh thông số Lớp Bộ mờ với hai đầu vào, đầu vào có bảy tập mờ dạng tam giác Wtn đầu có bảy tập kết hợp với thông quaW7x7=49 luật mộ n mờ dạng Singleton đưa1vào mạngRneuron R µ Lớp µA j ( x1 ) Lớp R1 µ j A1j M A2j Lớp T E DET Cấu trúc điều khiển mờ thích nghi với đầu Singleton • Truyền tiến: Với giá trò vào ET, DET ta có giá trò công suất đầu thực mạng cho bởi: M y = * ∑µ w j =1 M j ∑µ j =1 j (1) với (2) j µ j = µ A j ( ET ).µ A j ( DET ) Để đơn giản, phương trình (1) viết lại sau: M (3) y* = ∑ µ j w j • j =1 Truyền lùi: Các hệ số thông qua sai lệch đầu thực đầu mong muốn: (4) E= * y − yd ) ( Thế (1) vào (4),  M   ∑ µ j ( x) w j   j =1 d  ta đươc: (*) E= −y  2 M Từ (*) ta suy giá trò hàm liên thuộc vào/ra thời  ∑ µ j ( x)   j =1  điểm tiếp theo: w j (t + 1) = w j (t ) − ηw ∂E ∂w j mà giá trò đạo hàm tính từ (*), ta được:  µ ( x) ∂E = M j ( y* − y d ) ∂w Để tính j ∑ µ j ( x) thông số ta j =1 cần biết đầu mong muốn Đầu mong muốn tính từ mô hình xây dựng thông qua thông số lò P θ G(S) ZOH ZOH = − e −Ts s Khâu lấy mẫu ZOH: Hàm truyền G(S) có dạng sau: Ke − Ls G(S ) = T1s + với K hệ số khuếch đại, T1 thời hằng, L khâu trễ, T thời gian lấy mẫu, P công suất cấp cho lo,ø sai lệch nhiệt độ giá trò nhiệt độ θ đo với nhiệt độ môi trường Biến đổi sang miền Z, ta được: 1 − e −Ts Ke − Ls  G(Z ) = L   + T1s   s ( )  L − 1+   T T − T1 −1 −T / T1 z K 1− e = K − T θ ( n ) = e θ (Tn1 − 1) + 1T1 − e 1− T1e z − T T1 Từ phương trình suy ra: θ  =  L    P Pn −  +      T   Đặt : Phương trình trở thành: θ ( n ) = M *θ ( n − 1) + N * P (1 − mm)  Quá trình học sau: T  −  M = e T1  T −   K T1  N = 1 − e  T1      mm = + L  T Cho công suất giá trò không đổi P=const, đọc giá trò nhiệt độ đo Tìm thông số M, N, mm sau: Cho mm=1 - Bước 1: Giải toán ngược θ ( 1) = M *θ ( ) + N * P(1 − mm) θ ( n ) = M *θ ( n − 1) + N * P (n − mm) tính sai ξ ( 1) = θ thuc ( 1) − θ ( 1)      n ξ ( n ) = θ thuc ( n ) − θ ( n )  lệch bình phương: Để tổng bình phương sai lệch tối thiểu điều kiện cần là: n J = ∑ ξ ⇒ Từ hai phương trình ta suy M,N  ∂J =  ∂M - Bước 2: Tăng giá trò → mm lên (mm từ  ∂J =  ∂N đến n-1) Lặp lại bước 1, tìm giá trò mm làm cho giá trò sai lệch bình phương tối thiểu nhỏ  Bộ giá trò M, N, mm cần tìm θ Ta nhận thấy giá trò công suất cung cấp thời điểm n cho giá trò sai lệch nhiệt độ thời điểm n+mm Do việc học để chỉnh đònh luật mờ bắt đầu thời điểm mm+1 [...]... điều khiển xử lý Thiết kế hệ thống điều khiển nhiệt độ thông qua lò điện : Nhiệt độ đặt Sai sốE Bộ điều khiển Mạch gia công chuyển đổi Mạch động lực Nhiệt dộ lò Lò điện Cặp nhiệt điện 3.1 Mạch động lực: Với quán tính lò nhiệt khá lớn người ta thường đóng ngắt nguồn để thay đổi công suất đặt vào lò thay vì điều khiển điện áp Do đó từ mạch điều khiển sẽ xuất ra xung có độ rộng thay đổi trong khoảng thời... giá trò cực đại độ phụ thuộc của các phần tử tập mờ x∈M Một tập mờ có ít nhất một phần tử có độ phụ thuộc bằng 1 được gọi là tập mờ chính tắc, tức là H=1 và nếu H < 1 là tập mờ không chính tắc 1 0,75 0 0 (a) Tập mờ A có độ cao là 1 (b) Tập mờ B có độ cao là 0,75 Trong các mô hình bộ điều khiển mờ, tất cả các tập mờ cơ sở đều phải ở dạng chính tắc nhằm không làm suy giảm ngõ ra Tập mờ được đưa về dạng... Kết quả tập mờ đầu ra B’ của hệ thống được mô tả ở hình: µ B’ y y CHƯƠNG 3: THIẾT KẾ PHẦN CỨNG HỆ THỐNG Đo Nhiệt Độ Phần trên đã giới thiệu về bộ điều khiển mờ, sau đây là phần kết nối giữa bộ điều khiển với đối tượng lò nhiệt thông qua mạch động lực (mạch kích công suất cho lò), cặp nhiệt điện (TC lấy thông số nhiệt độ lò) và mạch gia công chuyển đổi số liệu cần thiết để đưa về bộ điều khiển xử lý... biến Nhiệt Độ gồm các tập mờ LẠNH, MÁT, TRUNG BÌNH, ẤM, NÓNG như hình vẽ: 1 X1 Lạnh Trung Mát bình Ấm óng X2 X3 X4 X5 N X6 Khi ta đạt đến NÓNG thì tất cả nhiệt độ cao hơn sẽ là luôn NÓNG Khi nhiệt độ chưa đạt đến LẠNH thì nhiệt độ thấp hơn sẽ là LẠNH Do đó ta có hai tập mờ NÓNG, LẠNH dạng hình vai Các tính chất và đặt điểm cơ bản của tập mờ: 1 .Độ cao và dạng chính tắc của tập mờ Độ cao của tập mờ F... các mệnh đề điều kiện được thay bằng một đoạn thẳng (x,µ(x)) với µ(x) là độ cao của tập mờ tương ứng Thí dụ : xét biến LẠNH,MÁT,ẤM,NÓNG 1 0 L ẠNH x1 x2 ÁT NHIỆT ĐỘ Ấ M M x3 x4 gồm các tập mờ N ÓNG x5 x6 Phương pháp độ cao chính là áp dụng giải mờ theo phương pháp điểm trọng tâm đối với các tập mờ biến ra dạng Singleton Do các tập mờ của miền mờ biến ra không chồng lấp lên nhau nên khi giải mờ công việc... hay chia nhiệt độ sẽ không có một ý nghóa rõ ràng nào Do đó để có thể xác đònh giá trò chính xác của nhiệt độ là vấn đề không đơn giản Tuy vậy nhiều đại lượng vật lý phụ thuộc nhiệt độ như : sự giản nở của chất khí, lỏng, rắn, sự truyền nhiệt, độ nóng của các chất tinh khiết, và sự thay đổi màu sắc theo nhiệt độ Dựa vào những đặc điểm trên mà người ta chế tạo ra các loại cảm biến nhiệt độ với khả... µ R ( x, y )] mờ trong không gian X và R là quan hệ mờ trong không gian tích XxY.Tập mờ đầu ra B trong không gian Y được biểu diễn bằng quan hệ mờ đó là:AoR=B, trong đó ký hiệu “ o” là toán tử hợp thành Nếu toán tử hợp thành này là MAX_MIN, thì hàm liên thuộc của tập mờ B đó là: 1.3 CÁC PHƯƠNG PHÁP HÓA MỜ VÀ GIẢI MỜ: 1.3.1 Mờ hóa: Hoá mờ là quá trình làm mờ một đại lượng rõ, nghóa là dùng những hàm... lượng cần tính độ phụ thuộc nhỏ hơn x1 thì độ phụ thuộc làkhông - Nếu đại lượng cần tính độ phụ thuộc lớn hơn x 1 nhưng nhỏ hơn x2 thì độ phụ thuộc theo hàm dốc lên - Nếu đại lượng cần tính độ phụ thuộc lớn hơn x 2 thì độ phụ thuộc là một X2 1.3.2 Giải mờ: X1 0khix < x1     x − x1  µ ( x) =  − khix1 < x < x2   x1 − x2  1khix > x2  Quá trình xử lý mờ tạo một miền mờ biến ra Giải mờ là tìm ra... có độ phụ thuộc lớn nhất trải dài trên một đoạn thẳng nằm ngang [x 1;x2] giá trò rõ của biến ra là trung điểm của đoạn [x1;x2] như hình vẽ : µA x1 3 Phương x' x2 x pháp độ cao : Tập mờ dạng Singleton là một dạng đơn giản hóa cho phép xử lý mờ và giải mờ được dễ dàng hơn, thường được dùng trong các hệ thống dùng vi điều khiển, đã được tích hợp trong tập lệnh của MCU 68HC12 của hãng Motorola Mỗi tập mờ. .. những hàm phụ thuộc của các biến ngôn ngữ để tính mức độ phụ thuộc cho từng tập mờ đối với một giá trò cụ thể đầu vào Mờ hóa là bước đầu tiên trong quá trình tính toán của hệ mờ Kết quả của nó được dùng làm đầu vào để tính các luật mờ Biến ngôn ngữ: Là phần chủ đạo trong các hệ thống dùng logic mờ Biến ngôn ngữ được xác đònh thông qua tập các giá trò mờ của nó Biến ngôn ngữ có hai miền giá trò khác nhau: