NHẬN DẠNG QUÁ TRÌNH PHI TUYẾN MIMO SỬ DỤNG HỆ NƠRON MỜ THÍCH NGHI

TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ, ĐẠI HỌC ĐÀ NẴNG - SỐ 4(39).2010 NHẬN DẠNG QUÁ TRÌNH PHI TUYẾN MIMO SỬ DỤNG HỆ NƠRON MỜ THÍCH NGHI IDENTIFYING MIMO NONLINEAR PROCESSES USING THE ADAPTIVE NEURAL FUZZY SYSTEM Nguyễn Quốc Định Trường Đại học Bách khoa, Đại học Đà Nẵng TÓM TẮT Mạng Nơron nhân tạo (ANNs) Hệ Nơron mờ (NFSs) sử dụng rộng rãi việc mô hình hóa điều khiển nhiều trình phi tuyến công nghiệp Tuy nhiên, hầu hết nghiên cứu tập trung vào hệ đơn đầu Trong báo này, trình bày nghiên cứu so sánh sử dụng ANNs hệ suy luận nơron mờ đồng tác động (CoActive Neuro-Fuzzy Inference System - CANFIS) việc mô hình hóa trình nhiệt lò nung lăn sử dụng dây chuyền sản xuất gạch ceramic Thông qua nghiên cứu so sánh này, chứng minh hệ CANFIS phù hợp việc mô hình hóa trình nhiệt mô hình sử dụng làm đối tượng điều khiển trình điều khiển thực nghiên cứu ABSTRACT Artificial Neural Networks (ANNs) and Neuro-Fuzzy Systems (NFSs) have been widely used in the modelling and controlling of many practical industrial non-linear processes However, most of them have concentrated on single-output systems only In this paper, we present a comparative study using the ANNs and Co-Active Neuro-Fuzzy Inference System (CANFIS) to model real, complicated Multi-Input-Multi-Output (MIMO) nonlinear temperature processes of a roller kiln used for ceramic tile manufacturing line With this comparative study, we proved that the CANFIS is better suited for modelling the temperature processes and this model will be used as the controlled object in the control phase that will be conducted in the next research Đặt vấn đề Một ngành công nghiệp quan trọng liên quan đến lĩnh vực xây dựng công nghiệp sản xuất gạch ceramic Gạch ceramic sản xuất phải đáp ứng yêu cầu chất lượng hình dáng, kích thước, độ bền, độ cứng, … Trong thực tế, dây chuyền sản xuất gạch ceramic trình phức tạp với nhiều trạm máy nghiền, máy ép, máy sấy đứng, lò nung lăn, phận phân loại, đóng gói, … đó, hoạt động lò nung lăn khâu quan trọng định đến chất lượng gạch thành phẩm Nếu giá trị nhiệt độ lò nung lăn không bám theo xác giá trị nhiệt độ đặt nhiều khuyết tật vết nứt, biến dạng kích thước, độ phẳng, thay đổi màu men, … xuất gạch thành phẩm Vì vậy, lò nung lăn mong chờ để làm việc xác tin cậy nhằm đáp ứng yêu cầu kỹ thuật 50 TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ, ĐẠI HỌC ĐÀ NẴNG - SỐ 4(39).2010 (1 ) Vùng cấp liệu (2 (3 Vùng tiền nung Vùng nung (4 ) Làm lạnh nhanh (5 Làm lạnh chậm (6 Làm lạnh cuối (Hướng di chuyển gạch) Hình Sáu khu vực lò nung lăn Thông thường, sử dụng phương pháp để xây dựng mô hình đối tượng điều khiển Phương pháp thứ xây dựng mô hình toán trực tiếp từ quan hệ vật lý diễn đối tượng điều khiển Tuy nhiên, đôi khi, hiểu biết đối tượng không đủ để dẫn dắt phương trình mô tả toán học đối tượng hay phương trình mô tả toán học phức tạp Trong trường hợp vậy, phương pháp thứ hai thường sử dụng cách thu thập số liệu vào – đối tượng sử dụng số liệu để huấn luyện cho mô hình mạng nơron nhân tạo (ANNs) hay mô hình hệ nơron mờ (NFSs) Trong nghiên cứu này, phức tạp đặc tính vật lý trình nhiệt lò nung lăn phương pháp thứ hai lựa chọn với phương pháp nhận dạng off-line để xây dựng mô hình trình nhiệt phi tuyến nghiên cứu Mô tả trình nhiệt lò nung lăn dây chuyền sản xuất gạch ceramic Dựa vào phân bố nhiệt độ, toàn lò nung lăn chia thành vùng nhiệt độ Hình Trong đó, khu vực nhiệt độ đóng vai trò riêng biệt định đến chất lượng gạch thành phẩm Một biểu diễn đồ họa lò nung lăn thể Hình Trong thực tế, trình nhiệt xảy lò nung lăn phức tạp Một số trình nung nóng/làm lạnh lò nung lăn liệt kê sau: • • Quá trình đốt cháy ga buồng đốt để sinh nhiệt Quá trình hấp thụ nhiệt khí lạnh vùng làm lạnh nhanh vùng làm lạnh chậm Quá trình phụ thuộc vào tốc độ luân chuyển khí bên ống • Quá trình trao đổi nhiệt vùng lăn vùng lăn bên lò nung • Năng lượng tỏa môi trường bên qua vỏ lò nung • Sự thất thoát nhiệt quạt hút khói Vì vậy, khó khăn, chí để xây dựng mô hình toán hoàn thiện xác cho trình nhiệt xảy lò nung lăn Trong trường hợp này, cách tốt sử dụng mạng nơron nhân tạo (ANNs) hay hệ nơron mờ (NFSs) để xây dựng mô hình cho trình phi tuyến từ số liệu kỹ thuật vào – thu thập 51 52 VGK2 M Note: M1: Quạt khói M2: Quạt buồng đốt M3: Quạt làm lạnh nhanh M4: Quạt khí lạnh M5: Quạt khí xả nóng MR: Truyền động lăn motors M 11 động không đồng pha Cảm biến nhiệt Đánh lửa tự động • Con lă F Lưu lượng kế Servo VAK2 VSK2 • VGT Servo CC K4 • S7 S5 CC (Buồng đốt) Gạch CC CC Cấp liệu Tiền nung • • M • • Bình ga P M Van an • • • Áp suất kế • • • Vùng Làm lạnh nhanh Hình.2 Biểu diễn đồ họa lò nung lăn TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ, ĐẠI HỌC ĐÀ NẴNG - SỐ 4(39).2010 M • • Làm lạnh • • • M • • ó VAT • • Servo CC S16 CC ối Làm lạnh TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ, ĐẠI HỌC ĐÀ NẴNG - SỐ 4(39).2010 Giới thiệu mạng ANFIS CANFIS 3.1 Hệ suy luận nơron mờ thích nghi (Adaptive Neuro-Fuzzy Inference Systems ANFIS) Ưu điểm điều khiển logic mờ rõ ràng linh hoạt điều khiển ngôn ngữ dựa vào tập luật Nếu – Thì, nhiên, việc xác định hình dạng vị trí hàm liên thuộc cho biến mờ giải phương pháp “trial and error” mà Trong đó, tính toán số khả nhận thức thích nghi lại điểm mạnh mạng nơron nhân tạo (ANNs), nhiên, không dễ dàng cho việc xác định cấu trúc tối ưu (số lớp ẩn ANNs số lượng nơron lớp ẩn) ANNs Ngoài ra, ANNs thực việc tính toán số nhiều tính toán ký hiệu Để phát huy điểm mạnh hạn chế yếu điểm hai phương pháp (điều khiển logic mờ mạng nơron nhân tạo) việc kết hợp hai phương pháp để tạo nên công cụ xử lý mạnh việc làm cần thiết Một kết hợp hệ suy luận nơron mờ thích nghi (Adaptive Neuro-Fuzzy Inference Systems - ANFIS) Một mô hình ANFIS mạng nơron thích nghi mà biểu diễn loại cụ thể hệ suy luận mờ Giả sử hệ suy luận mờ nghiên cứu có đầu vào (x y) đầu f Đối với mô hình mờ Sugeno bậc tập luật chung với luật mờ Nếu – Thì sau: Luật 1: If x is A1 and y is B1, then f1 = p1x + q1y + r1, (1) Luật 2: If x is A2 and y is B2, then f2 = p2x + q2y + r2, (2) Hình 3(a) minh họa chế suy luận mô hình Sugeno Cấu trúc ANFIS tương đương biểu diễn Hình 3(b) Trong hình vẽ này, đầu nút thứ ith lớp l ký hiệu Ol,i B1 A1 W1 X A W2 x Layer x y f= Y B X A1 A2 B1 B2 f1 = p1x + q1y + r1 Y y Layer Layer Π Π (a) f2 = p2x + q2y + r2 = W1 f1 + W2 f Layer W2 W1 N W2 W2 (b) Hình (a) Mô hình mờ Sugeno bậc Layer x y W1 N W1 f1 + W2 f W1 + W2 W 1f Σ f W 2f x y x, y : inputs f : output (b) Cấu trúc ANFIS tương đương 53 TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ, ĐẠI HỌC ĐÀ NẴNG - SỐ 4(39).2010 Lớp 1: Bao gồm nút thích nghi: Ol,,i = µAi (x) for i = 1, (3) Ol,,i = µBi - (y) for i = 3, (4) Trong đó: • • µAi (x) µBi - (y) : hàm liên thuộc thông số hóa phù hợp Ol,,i : giá trị liên thuộc tập mờ A( = A1, A2, B1 or B2) Lớp 2: Bao gồm nút cố định ký hiệu Π mà đầu tích tất tín hiệu vào: O2,,i = µAi (x) * µBi (y), i = 1, (5) Lớp 3: Bao gồm nút cố định ký hiệu N dùng để chuẩn hóa: O3,,i = wi = wi , w1 + w2 i = 1,2 (6) Lớp 4: Bao gồm nút thích nghi: O4,,i = wi f i = wi ( pi x + qi y + ri ) (7) Lớp 5: Bao gồm nút cố định đơn ký hiệu Σ dùng để tính tổng: Đầu tổng thể = O5,1 = ∑ wi f i i ∑w f = ∑w i i i (8) i i 3.2 Hệ suy luận nơron mờ đồng tác động (Coactive Neuro-Fuzzy Inference System CANFIS) CANFIS kết hợp số mô hình ANFIS đơn đầu để tạo thành mô hình đa đầu với luật mờ phi tuyến Có nhiều cách để tạo CANFIS từ ANFIS cách thể Hình 4 Mô hình hóa trình nhiệt phi tuyến MIMO lò nung lăn Như biết, gạch ceramic bao gồm phần: men lõi, đó, lõi tráng lớp men mỏng lên bề mặt Vì vậy, nhiệt độ làm việc yêu cầu cho vị trí phía điểm S5, S7, S9, S11, S13, S15, K17, K19 (Hình 5) khác với nhiệt độ làm việc yêu cầu cho vị trí phía điểm K2, K4, S6, S8, S10, S12, S14, S16 Ngoài ra, giá trị nhiệt độ làm việc yêu cầu lò nung lăn thay đổi dọc theo chiều dài lò nung phụ thuộc vào khu vực nhiệt độ xem xét Trong báo này, để mô hình hóa trình nhiệt phi tuyến MIMO lò nung lăn, tiến hành bước sau: • 54 Lựa chọn biến vào / TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ, ĐẠI HỌC ĐÀ NẴNG - SỐ 4(39).2010 • • • • Thu thập số liệu kỹ thuật vào/ra từ hệ thống thực Huấn luyện mô hình ANNs Huấn luyện mô hình CANFIS So sánh mô hình thông số như: Sai lệch bình phương tối thiểu (Root Mean Squared Error - RMSE), thời gian huấn luyện, độ phức tạp mặt cấu trúc mô hình 4.1 Lựa chọn biến vào/ra Hoạt động trình nhiệt phi tuyến MIMO lò nung lăn mô hình với 16 đầu vào 22 đầu ra, đó, đầu vào độ mở van điều khiển đầu giá trị nhiệt độ thực điểm khác dọc theo lò nung Hình6 x MFs y A1 W1 C11 W1 x A2 B1 Π W2 C21 W1 C12 Π Σ / O2 Σ / O1 W2 y W2 C22 B2 x y W1+W2 Σ x, y : inputs ; O1, O2 : outputs MFs: Membership functions for fuzzy variables Hình Cấu trúc CANFIS hai đầu với luật/đầu 55 56 KV22 KP21 • • (Smoke Air Fan) • S11 • S13 • S16 S15 • K17 • K20 • K4 • S6 • S8 • S10 • S12 • S14 • • K18 Lower locations S9 • • • : Point without valve • : Point with important valve • : Point with valve K19 (Hot Air Fan) (Moving direction of tiles) S7 • (Speed Cold Air Fan) Upper locations S5 • Zone ROLLER SYSTEM OF KILN K3 • Zone Hình Sơ đồ bố trí van điều khiển vùng khác lò nung • K2 K1 • Zone Sintering area TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ, ĐẠI HỌC ĐÀ NẴNG - SỐ 4(39).2010 TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ, ĐẠI HỌC ĐÀ NẴNG - SỐ 4(39).2010 • • 16 đầu vào : S5, S7, S9, S11, S13, S15, K17, K19, K2 , K4 , S6, S8 , S10 , S12 , S14 , S16 22 đầu ra: KV22, KP21, K1 , K3, S5, S7, S9, S11, S13, S15, K17, K20, K19, K2 , K4 , S6 , S8 , S10 , S12 , S14 , S16 , K18 1 Độ mở van điều khiển 16 Quá trình nhiệt lò nung lăn 22 Giá trị nhiệt độ điểm khác lò nung lăn Hình Các biến vào/ra đối tượng nghiên cứu 4.1.1 Thu thập số liệu kỹ thuật vào/ra từ hệ thống thực: Việc thu thập số liệu kỹ thuật vào/ra từ nhà máy sản xuất gạch ceramic thực giá trị nhiệt độ (giá trị thực giá trị đặt) tất khu vực lò nung lăn Tổng số tập số liệu thu thập 285 Các số liệu chuẩn hóa trước đưa vào mô Ở đây, chọn đoạn giá trị [0.05, 0.95] để thực trình chuẩn hóa theo công thức sau: X 't = 0.95( X t − a) + 0.05 A−a (9) Xt = ( A − a )( X 't −0.05) +a 0.95 (10) Tiền xử lý: Hậu xử lý: Trong đó: Xt giá trị thực a giá trị bé Xt A giá trị lớn Xt X’t giá trị chuyển đổi 4.1.2 Mô hình hóa trình nhiệt lò nung lăn: 4.2 Mô hình hóa sử dụng ANNs Trong nghiên cứu này, việc huấn luyện mô hình ANNs từ mẫu số liệu thu thập thực phần mềm WinNN32 Ở đây, sử dụng mạng nơron truyền thằng lớp huấn luyện thuật toán di truyền ngược nhằm xây dựng mô hình đối tượng thực Kết mô hình ANNs huấn luyện được trình bày Bảng 57 TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ, ĐẠI HỌC ĐÀ NẴNG - SỐ 4(39).2010 RMSE Số chu kỳ huấn luyện Sai lệch đích Số trọng số độ lệch – – 14 – 10 – 1.0679 74865 0.01 419 – 14 – 18 –12 – 1.14136 40135 0.01 674 – 18 – 22 –16 – 1.0678 30610 0.01 1014 – 15 – 20 – 10 – 1.24 24310 0.01 753 – 10 – 15 – 12 – 1.2385 39085 0.01 551 – 12 – 18 – 10 – 1.2386 29835 0.01 620 – 12 – 15 – 10 – 1.3136 211675 0.01 574 – 14 – 18 – 15 – 1.3578 24775 0.01 839 – 10 – 13 – 11 – 1.374 50065 0.01 505 Cấu trúc mô hình NN đầu vào – đầu đầu vào – đầu đầu vào – đầu Bảng Các mô hình mạng nơron xây dựng 4.3 Mô hình hóa sử dụng CANFIS Việc xây dựng mô mô hình CANFIS từ mẫu số liệu thu thập thực phần mềm NeuroSolution Tất mô hình CANFIS xây dựng sử dụng hàm liên thuộc hình chuông với hàm liên thuộc đầu vào mô hình mờ Takagi, Sugeno and Kang (TSK) cho phần mờ hệ lai Kết mô mô hình CANFIS trình bày Bảng Cấu trúc mô hình CANFIS RMSE Số chu kỳ huấn luyện Sai lệch đích Số trọng số độ lệch đầu vào - đầu 0.140876 2000 0.01 17586 đầu vào - đầu 0.166445 2000 0.01 210088 đầu vào - đầu 0.177243 1000 0.01 708750 Bảng Các mô hình mạng CANFIS xây dựng 58 TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ, ĐẠI HỌC ĐÀ NẴNG - SỐ 4(39).2010 4.4 So sánh mô hình ANNs mô hình CANFIS Các tiêu chuẩn sử dụng để so sánh mô hình ANNs mô hình CANFIS sai lệch bình phương tối thiểu (Root Mean Squared Error - RMSE), thời gian huấn luyện, độ phức tạp mặt cấu trúc mô hình Từ việc so sánh kết đạt trường hợp hệ đa đầu ra: đầu vào – đầu ra, đầu vào – đầu đầu vào – đầu ra, thấy cấu trúc mô hình CANFIS phức tạp mô hình ANNs (với số lớp ẩn mạng) số lượng lớn trọng số độ lệch (đạt từ số liệu thống kê) thời gian huấn luyện mô hình CANFIS dài mô hình ANNs, nhiên, độ xác mô hình CANFIS lại tốt mô hình ANNs giá trị sai lệch bình phương tối thiểu RMSE mô hình CANFIS bé lần so với RMSE mô hình ANNs Từ đây, thấy rằng, việc mô hình hóa trình phi tuyến MIMO trình nhiệt lò nung lăn dây chuyền sản xuất gạch ceramic cấu trúc CANFIS phương pháp tốt để mô hình hóa đặc tính vật lý đối tượng nghiên cứu Kết luận Trong báo này, việc mô tả quan hệ vật lý đặc tính kỹ thuật liên quan đến trình nhiệt lò nung lăn dây chuyền sản xuất gạch ceramic giới thiệu Từ nghiên cứu này, thấy trình nhiệt nêu không trình phi tuyến MIMO mà phức tạp cho việc xây dựng mô hình toán nhằm phục vụ cho mục đích nhận dạng đối tượng Thông qua việc nghiên cứu so sánh mô hình ANNs mô hình CANFIS nhằm tìm phương pháp tốt cho việc nhận dạng trình phi tuyến MIMO phức tạp trình nhiệt lò nung lăn Từ nghiên cứu so sánh ta rút kết luận phương pháp CANFIS sử dụng tốt việc mô hình hóa đối tượng nghiên cứu mô hình CANFIS sử dụng việc điều khiển trình nhiệt lò nung lăn sau TÀI LIỆU THAM KHẢO [1] Jang, J.-S.R., Neuro-Fuzzy Modeling: Architecture, Analyses and Applications, in: Dissertation, Department of Electrical Engineering and Computer Science, University of California, Berkeley, CA 94720, (1992) [2] Jang, J.-S.R., ANFIS: Adaptive-Network-Based Fuzzy Inference System, in: IEEE Trans on Systems, Man and Cybernetics 23 (3), (1993) 665-685 [3] Jang, J.-S.R., Input Selection for ANFIS Learning, in: Proceedings of IEEE International Conference on Fussy Systems, (1996) 1493-1499 59 TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ, ĐẠI HỌC ĐÀ NẴNG - SỐ 4(39).2010 [4] Jang, J.-S.R., Sun, C.-T., Mizutani, E., Neuro-Fuzzy and Soft Comtputing: A Computational Approach to Learning and Machine Intelligent (Prentice Hall International, 1997) [5] Nitin, V.A., Dinh, N.Q., Application of Totally Integrated Automation Technology for a Ceramic Tile Factory in Vietnam, in: Proceedings of the Third Asian Conference on Industrial Automation and Robotics, (2003) 142-145 [6] Vieira, J., Dias, F.M., Mota, A., Artificial Neural Networks and Neuro-fuzzy Systems for Modeling and Controlling Real Systems: A Comparative Study, in: International Journal of Engineering Applications of Artificial Intelligence, (2004) Article in Press [7] Robert H.Bishop et al, The Mechatronics Handbook, (CRC Press, ISA- the Instrumentation, Systems and Automation Society, 2002) p.25-13 [8] William S.Levine et al, The Control Handbook, (CRC press, IEEE press, 1996) p.158 60