BO GIAO DUC VA DAO TAO
TRUONG DAI HOC CONG NGHE TP.HCM
HUTECH University
NGUYEN VIET TRUONG LONG
UNG DUNG THUAT TOAN TOI UU BAY DAN DE TOI UU THONG SO PID DIEU KHIEN NHIET DO
LO NHIET
LUAN VAN THAC Si
Trang 2CONG TRINH ĐƯỢC HOÀN THÀNH TẠI
TRƯỜNG ĐẠI HỌC CÔNG NGHỆ TP HCM
Cán bộ hướng dẫn khoa học :
(Ghi rõ họ, tên, học hàm, học vị và chữ ký)
TS Nguyễn Minh Tâm
Luận văn Thạc sĩ được bảo vệ tại Trường Đại học Công nghệ TP HCM ngày 21 tháng 3 năm 2015
Thành phần Hội đồng đánh giá Luận văn Thạc sĩ gồm:
(Ghi ré ho, tên, học hàm, học vị của Hội đồng chấm bảo vệ Luận văn Thạc si) TT Ho va tén Chức danh Hội đông 1 TS Nguyên Hùng Chủ tịch
2 | TS Võ Hoàng Duy Phản biện 1
3 TS Đặng Xuân Kiên Phản biện 2
4 TS Dương Thanh Long Ủy viên
5 TS Võ Đình Tùng Ủy viên, Thư ký
Xác nhận của Chủ tịch Hội đồng đánh giả Luận sau khi Luận văn đã được
sửa chữa (nếu có)
Chú tịch Hội đồng đánh giá LV
Trang 3TRUONG DH CONG NGHE TP.HCM CONG HOA XA HOI CHU NGHIA VIET NAM
PHONG QLKH - DTSDH Độc lập —- Tự do - Hạnh phúc TP HCM, ngày tháng năm 20
NHIỆM VỤ LUẬN VĂN THẠC SĨ
Họ tên học viên: Nguyễn Viết Trường Long Giới tính: Nam Ngày, tháng, năm sinh: 14/02/1981 Nơi sinh: Quảng Trị Chuyên ngành: Kỹ thuật điện MSHV: 1241830018
I- Tên đề tài:
Ứng dụng thuật toán tối ưu bầy đàn để tối ưu thông số PID điều khiển nhiệt độ lò nhiệt
I- Nhiệm vụ và nội dung:
o Nghiên cứu lý thuyết thuật tốn tơi ưu bầy đàn, xây dựng giải thuật tự chỉnh thông số bộ điều khiển PID - PSO và các phương pháp điều khiển dựa vào mô hình
o Nghiên cứu lò nhiệt và các phương pháp điều khiển nhiệt độ lò nhiệt
o Xây dựng mô hình bộ điều khiển PID - PSO để điều khiển nhiệt độ lò
nhiệt, kiểm chứng mô phỏng chạy trên phần mềm matlab/simulink
HI- Ngày giao nhiệm vụ: 18/8/2014
IV- Ngày hoàn thành nhiệm vụ: 18/01/2015
V- Cán bộ hướng dẫn: Tiến sĩ Nguyễn Minh Tâm
CÁN BỘ HƯỚNG DẪN KHOA QUẢN LÝ CHUYÊN NGÀNH
(Họ tên và chữ ký) (Họ tên và chữ ký)
Trang 4
LOI CAM DOAN
Tôi xin cam đoan đây là công trình nghiên cứu của riêng tôi Các số liệu, kết quả nêu trong Luận văn là trung thực và chưa từng được ai công bô trong bất kỳ công trình
nào khác
Tôi xin cam đoan răng mọi sự giúp đỡ cho việc thực hiện Luận văn này
đã được cảm ơn và các thông tin trích dẫn trong Luận văn đã được chỉ rõ nguồn gốc
Học viên thực hiện Luận văn
AM
Trang 5ii
LOI CAM ON
Trước hết tôi xin chân thành cảm ơn tất cả các thầy cô trong Khoa Điện, các bạn trong lớp Cao học khóa 2012 đã động viên, giúp đỡ tôi trong suốt quá
trình học tập và nghiên cứu
Cảm ơn Ban giám hiệu Trường Cao đăng Nghề số 8§ cùng tất cả đồng
nghiệp đã tạo điều kiện thuận lợi để cho tôi yên tâm học tập và công tác
Đặc biệt tôi xin cảm ơn thầy TS Nguyễn Minh Tâm đã tận tình hướng
dẫn, trao đổi, thảo luận, cung cấp cho tôi các thông tin, tài liệu liên quan đến đề
tài
Cuỗi cùng tôi xin gửi lời cảm ơn sâu sắc đến những người thân trong gia đình đã động viên, cảm thông và giúp đỡ tôi rất nhiều trong cuộc sống để tôi an
tâm học tập và hoàn thành luận văn này
Học viên thực hiện Luận văn
Dao’
Trang 6TOM TAT
Bộ điều khiển PID được ứng dụng rộng rãi trong công nghiệp bởi vì cầu trúc
đơn giản, với ba khâu: Tỷ lệ, tích phân và vi phân Bộ điều khiển PID có vai trò rất quan trọng và cần thiết để ổn định và cực tiểu hóa sai số bám khi nhiệt độ thực tế chênh lệch so với nhiệt độ đặt Có rất nhiều các thuật tốn chỉnh định thơng số PID,
đặc biệt là các ứng dụng trong điều khiển hệ thống nhiệt độ với các tác động ngẫu nhiên từ bên ngoài như nhiệt độ không khí và tốn thất nhiệt Phương pháp thử sai cũng được ứng dụng rộng rãi frong việc tìm ra các thông số tối ưu của bộ điều khiển PID Ngoài ra, người ta còn kết hợp giữa phương pháp thử sai với các thuật toán tối
ưu khác để tìm thông số PID Trong đó việc kết hợp giữa thuật toán tối ưu với sự
tiễn hóa và trí thông tuệ bày đàn có khả năng ứng dụng cao Trong giới hạn của đề tài này chỉ ứng dụng thuật toán tối ưu bày đàn để tối ưu thông số PID Sơ đồ ứng
dụng thuật toán tối ưu bày đàn tự chỉnh thông số PID được thiết kế như ở hình 2.9
Thuật toán tối ưu bảy đàn đã và đang được ứng dụng nhiều trong lĩnh vực kỹ thuật do tính đơn giản và hiệu quả cao so với các thuật toán khác Kỹ thuật tìm kiếm
theo từng thời điểm với các điều kiện yêu cầu phát sinh Điều kiện thứ nhất là các
thông số tìm kiếm phải nằm trong vùng không gian tìm kiếm có mật độ xuất hiện các thông số tối ưu của bộ điều khiển PID cao nhất mà các thế hệ trong đàn đúc rút
được: K;min, K;max Điều kiện thứ hai là, các thông số tìm kiếm được phải tối ưu
hàm mục tiêu cực tiểu bình phương sai số của hệ thống điều khiển nhiệt độ theo
phương trình (2.12) Trong một bày đàn, mỗi cá thể có vị trí (Kp, Kj, Ka) va van tốc
di chuyén (AK,, AK;, AK,) trong không gian tìm kiếm Các thông số tối ưu của thế hệ thứ j xuất phát từ giá trị khởi tạo tốt nhất của các cá thể ở thế hệ trước là pbest và thông số tối ưu của toàn bộ các thế hệ cho tới hiện tại là gbest Sau khi xác định
được hai giá trị này thì thế hệ mới sẽ cập nhật các thông số và sự thay đổi của chúng
theo các phương trình(2.7, 2.8, 2.9, 2.10, và 2.11) Giải thuật chỉnh định các thông
số của bộ điều khiển PID dùng thuật toán PSO được xây dựng qua các bước mô tả
Trang 7Bước 1: Khởi tạo thuật toan PSO bằng cách khởi tạo : giá trị hàm mục tiêu Jpbesti và giá trị hàm mục tiêu toàn cục Jgbest; Số lượng cá thể tìm kiếm trong 1
thế hệ m, giá trị ngưỡng thích nghỉ e, số thế hệ Tmax; ba thông số , cl, và c2
Khởi tạo giá trị r1 và r2 là các số ngẫu nhiên trong [0,1]; pbest;; gbest
Bước 2 : Áp đặt điều kiện đến mỗi cá thể, bắt đầu vòng lặp while gbest > e
và t < Thax)
Bước 3 : Bắt đầu vòng lặp for j=1:1:m;
Bước 4 : Tính giá trị hàm mục tiêu:
J = ƒ ~x)Ÿ
Bước 5 : Nếu J < Ipu„u, thì J›.„ = J và pbest = (Kp;, Ki;, Kd,), kết thúc
Bước 6 : Nếu J < Jgpe„, thì Jzpe„¡ = J và gbest= (Kp;, Ki, Kd), kết thúc Bước 7 : Kết thúc vòng lặp for (end for)
Bước 8 : Bắt đầu vòng lặp for j=1:1:m; Bước 9: Cập nhật giá trị AK¿a và Kja; Bước 10 : Kết thúc vòng lặp (end for)
Bước 11 : tăng thể hệ t = t + 1
Bước 12 : Kết thúc vòng lặp (end while)
Kết quả mô phỏng Matlab cho thấy bộ điều khiển PID - PSO cho đáp ứng
tốt hơn PID Z — N Bộ điều khiển PID —- PSO điều khiển nhiệt độ lò nhiệt tỨc đạt đến nhiệt độ đặt ref với thời gian xác lập là 120s, không có độ vọt lố, và sai số xác
lập gần bằng 0% khi nhiệt độ đặt tăng theo giá trị đáp ứng bước (100, 150 và
Trang 8ABSTRACT
PID control is widely applied in industrial practice because of its simple structure that consists of three terms: proportional, integral and derivative The PID controller is very important because it is necessary to stabilize the tracking error of
the heating system temperature when the output temperature drifts from the desired
temperature The objective of PID controller is to minimize the generating error After understanding the profound theoretical fundamental for the PID parameters tuning algorithms and employing these algorithms in designing a robust PID controller especially for system model which has uncertain parameters such as Tair which causes the heat loss disturbances that effect on the temperature output of the heating system Most of the time the controller is tuned using trial and error method The trial and error based tuning of PID controller leads to deterioration in control performance One of the solution of trial and error based tuning is to either find the optimal tuning parameters using any of the tuning rule or find the optimal tuning parameters using any of the optimization algorithms There are several evolutionary and swarm intelligence based optimization techniques available in literature This
thesis finds the optimal tuning parameter using particle swarm optimization (PSO)
The proposed structure of the on-line auto-tuning robust PID controller of the heating system can be given in the form of block diagram, as shown in Fig 2.9
The search engine is based on particle swarm optimization (PSO) as fast and simple technique algorithm The search engine will be fed continuously at each time instant by the breeding engine which is used to generate continuous random solutions with two conditions The first condition is that all random solutions should
be lie within the practical experience values, as follows: K„min, K;amax The
Trang 9vi
position (K,, K;, Kg) and velocity (AK,, AK;, AKg) to move around the search space
The previous best value of the particle is called as pbest Thus, pbest is related only to a particular particle It also has another value called gbest, which is the best value
of all the particles pbest in the swarm Particles are updated afterwards according to
Egs (2.7, 2.8, 2.9, 2.10, and 2.11)
The flow of the tunning parameters of PID based on PSO is as follows:
1) the numbers of the particle selected is m, the threshold of adaptive value
is e, the most allowed iterative iterations is Tmax; select cl,c2 and f; initial the values of r, and r2 as the random numbers within the interval [0,1]; pbest;; gbest
2) while ghest > ¢ and t < Tmax; 3) for i=1:1:m;
4) calculate J using (2.12);
5) if J <Ipbestis then Ippesti = J and pbest; = (Kp;, Kij, Kd;), end if, 6) if J < Igpest, then Jopest = J and gbest = (Kpj, Ki,, Kdj), end iff 7) end for; 8) for i=1:1:m; 9) calculate AKjg ; Kja 10) end for; 11) t=t+] 12) end while;
The convergence speed by PSO algorithm to adjust the parameters of PID controller is quicker than that by Zieglers — Nichols algorithm When the controlled object is G(s) = 1000/(80s+1)(2500s+1) the results of Matlab simulation are shown in figure (3.3), The settling time for the temperature response of the heating system is equal to 120s The response of the output temperature of the heating system to a step change, it had no over shoot and the steady-state error was approached to zero value in each step when the desired steps change in temperature were (100, 150 and
Trang 10vii MUC LUC LỜI CAM ĐOAN 2 Qn HQ TS S21 khe i LỜI CÁM ƠN LH HT HH KH ii TÓM TẮTT L Q21 1S TS HS TT vn TT 1kg ket iii DANH MỤC CÁC KÝ HIỆU (2Š Ă cv sec x DANH MUC CHU VIET TAT .ccccccccccececesssceeseessseesecsseseees xi DANH MỤC CÁC BẢNG -c cào nhe xii DANH MỤC CÁC HÌNH VẼ - Q22 2222222 sexy xiii
Chương l Cơ sở lý thuyẾt - 7G 1 13115111 se 6 1.1 Bộ điều khiển PID - - LL T111 S911 người 6
1.1.1 Lý thuyết điều khiển PID - 2S SH S kh Sky se 6
1.1.2 Khâu tỷ Ệ 5 2 211122231121 11 111111101 111kg ykn 6
1.1.3 Khâu tích phân cc Q1 SH ng ng ng ke kh ng Kế kh vy 8 1.1.4 Khâu vi phân - cọ nọ HH ng ky ng và 9
1.1.5 Điều chỉnh thủ cơng - S11 skckreresrrrreree LÍ
1.1.6 Phương pháp Ziegler — NicholÏs - cà cào 12
1.1.7 Phần mềm điều chỉnh PID - ¿+ c2 EEE S22 zeskz 13
1.2 Thuật toán tối ưu bầy đàn Q2 Hs HH SH ng n TH ky 14
ĐI an
1.2.2 Giới thiệu thuật toán tối ưu bầy đàn cc.ccccccc.e: 14 I0 90 à nữ
1.2.4 PSO cải tiến non TỔ
1.2.4.1 PSO cai tiến dùng trọng số quán tính w - - - << << +52 19
1.2.4.2 PSO cải tiến dùng hệ số nén % c + ccccc cà c2 vớ 20
1.2.5 Các thơng số thuật tốn PSO 22222 Ennn nh ưn 21
Trang 11viii 1.2.5.2 Van téc CUC Gai Vinaxeccceececccssesesseccuceeceueeseeeeessecceueneeeaeereets 1.2.5.4 Các hệ số gia 1.7 5n 0n e 1.2.5.6 Điều kiện dừng -. SE S S2 nnS*vvHrrrrrererieeeree 23 I0 I0 1
Chương 2 Ứng dụng PSO tối ưu các thông số PID - 2.1 Giới thiệu đối tượng điều khiển .c cà Sài 2.1.1 Hệ thống điều khiển nhiệt độ - cà c 52-55
2.1.2 Mơ hình tốn động mơ tả lò nhiệt -: ccccieeeere
2.1.3 Các phương pháp điều khiển nhiệt độ cà 2.1.3.1 Phương pháp điều khiển ON — OFF ‹ cà Ăn ằị 2.1.3.2 Nguyên lý điều khiển tuyến tính -‹ cóc {cà SĂẰ- 2.1.3.3 Thiết kế bộ PID theo phương pháp Ziegler - Nichols
2.2 Mục tiêu điều khiển - LH n2 rrkssee
2.3 Thiết kế bộ điều khiển PID S+ vn shnHereereg 2.3.1 Hàm truyền của bộ PID ‹ cành eens
2.3.2 Chỉnh định thông số PID dùng thuật toán PSO 2.4 Sơ đồ Matlab Simulink - -¿cc cSc2Ev c2 2EE se ve Chương 3 Kết quả mô phỏng Matlab/Simulink -< -›
3.1 Hàm truyền của đối tượng lò nhiệt -c:5scecccccccerceeree 3.2 Giao diện điều khiển chương trình Matlab simulink - 3.3 Kết quả mô phỏng bộ điều khiển PID-PSO ce<-e 3.3.1 Kết quả mô phỏng trên Simulink - - + °5+5cveesreererxes 3.3.2.Thay đổi dang tín hiệu vào 55: ktsnnn vs nhàn
3.3.3 Đáp ứng mífiÌe - -c ng HH kho xe
3.3.4 Thay đổi số lượng cá thể trong bày đàn - c .ee
Trang 123.3.6 Thay di hé S614, £9.00 cc ccceseeeseecescesceccsuesseseeuseusssessssssssesseeseeesee
3.3.7 Thay đổi hỆ SỐ CỊ, Cp cccccccccesccccessescsesssseueseesaaescsssvesssecssssssssese 3.3.8 Kết quả mô phỏng PID Z,— N ¿2c 25c S222 k2 3.3.7 So sánh PID-PSO và PID Z-N TQ ọ SH n2 nêu
E8 HH
Chương4 Kết luận và hướng phát trin 2 -sccssâcc<ôe
4.1 Kt lun ch tỡ vn TA ST E1 HE Test rr krrveg
4.1.1 Kết quả đạt ẨƯỢC c uc ng ng ng HH kg
4.1.2 Hạn chế TS nh LH HH SE 2g rkrregre,
4.2 Hướng phát triển đề tài ccccàcntcniSterkierertertrerrerrreee
Trang 13DANH MUC CAC KY HIEU TT Ky hiéu Diễn giải 1 e Sai so 2 J Ham muc tiéu 3 Kd Hang s6 vi phan 4 Ki Hang s6 tich phan 5 Kp Hé sé tich phan 6 L Thời gian chậm trễ
7 rf Tin hiéu dat
8 u Tín hiệu điêu khiên
9 y Nhiệt độ ngõ ra
10 B Hé sé quan tinh
Trang 14
xi DANH MUC TU VIET TAT
TT | Từ viết tắt Diễn giải
I ACO Ant Colony Optimization
2 BA Bees Algorithm 3 DE Differential Evolution 4 EA Evolutionary Algorithms 5 GA Genetic Algorithm
6 PID Proportional Integral Derivative
7 PSO Particle Swarm Optimization 8 SCI Science Citation Index
9 SFLA Shuffled Frog Leaping Algorithm
10 SI Swarm Intelligence
il SISO Single Input Single Output 12 MIMO Multi Input Multi Output 13 MSE Mean Squared Error 14 Z-N Ziegler — Nichols
Trang 15
xii DANH MUC BANG
Bang Tén bang Trang 1.1 | Tác động của việc tăng một thông số độc lập 12 1.2 | Phương pháp Ziegler-Nichols 12
Trang 16xiii DANH MUC CAC HINH VE
Hinh Nội dung Trang
11 B6 diéu khién PID 6
1.2 Đáp ứng đầu ra khi thay đôi Kp 7
13 Dap tmg dau ra khi thay d6i Ki 8
1.4 | Đáp ứng đầu ra khi thay đối Kd 10
1.5 So sánh đáp ứng đầu ra của các bộ điều khiến 11
1.6 Bé mat ctia ham f(x),x2) 16
1.7 | So dé cap nhật vị trí của mỗi cá thé PSO 17
1.8 | Lim 46 thuat to4n PSO 18
2.1 Sơ đồ phác họa hệ thông diéu khién nhiệt độ 25
2.2 | Mô hình vật lý mô tả hệ thông điều khiến nhiệt độ 26
2.3 Đáp ứng bước của lò nhiệt 27
2.4 | Sơ đồ hàm truyền lò nhiệt dạng simulink 28
2.5 So dé nguyén ly diéu khién ON — OFF 28
2.6 | Mô hình hệ thông lò nhiệt vòng hở 30
2.7 Sơ đồ xác định tham số Tì, T; 31
3.1 Giao diện điêu khiến 42
3.2 _ | Kết quả mô phỏng Simulink 43
3.3 Sai sô và hàm mục tiêu 43 3.4 Tín hiệu vào InputÏ 44
3.5 Sai số và hàm mục tiêu input] 44
3.6 _ | Đáp ứng ngõ ra khi thay đổi số lượng cá thê 45 3.7 | So sánh sai số khi thay đổi số lượng cá thê 45
3.8 Đáp ứng ngõ ra khi thay đôi hệ sô quan tinh 46
3.9 So sánh sai số khi thay đối hệ số quán tính 46
Trang 18GIỚI THIỆU
ĐT ỶễÊ_ _ =——SS_ ả
e Đặt vấn đề
Phương pháp tối ưu bầy đàn là một dạng của các thuật toán tiến hóa quân thé
đã được biết đến trước đây như thuật giải di truyền(Genetic algorithm (GA)), Thuật
toán đàn kiến(Ant colony algorithm) Tuy vậy PSO khác với GA ở chỗ nó thiên về sử dụng sự tương tác giữa các cá thể trong một quân thể để khám phá không gian
tìm kiếm PSO là kết quả của sự mô hình hóa việc đàn chim bay đi tìm kiếm thức ăn
cho nên nó thường được xếp vào các loại thuật toán có sử dụng trí tuệ bầy đàn Được giới thiệu vào năm 1995 tại một hội nghị của IEEE bới James Kennedy và kỹ su Russell C Eberhart [14] Thuật toán có nhiều ứng dụng quan trọng trong tat cả
các lĩnh vực mà ở đó đòi hỏi phải giải quyết các bài toán tối ưu hóa Để hiểu rõ
thuật toán PSO hãy xem một ví dụ đơn giản về quá trình tìm kiếm thức ăn của một
đàn chim Không gian tìm kiếm thức ăn lúc này là toàn bộ không gian ba chiều mà
chúng ta đang sinh sống Tại thời điểm bắt đầu tìm kiếm cả đàn bay theo một hướng
nào đó, có thể là rất ngẫu nhiên Tuy nhiên sau một thời gian tìm kiếm một số cá thé trong đàn bắt đầu tìm ra được nơi có chứa thức ăn Tùy theo số lượng thức ăn vừa tìm kiếm, mà cá thể gửi tín hiệu đến các các cá thể khác đang tìm kiếm ở vùng lân cận Tín hiệu này lan truyền trên toàn quần thể Dựa vào thông tin nhận được mỗi cá thé sé điều chỉnh hướng bay và vận tốc theo hướng về nơi có nhiều thức ăn nhất Cơ chế truyền tin như vậy thường được xem như là một kiểu hình của trí tué bay dan Cơ chế này giúp cả đàn chim tìm ra nơi có nhiều thức ăn nhất trên không gian tìm
kiếm vô cùng rộng lớn Như vậy đàn chim đã đùng trí tuệ, kiến thức và kinh nghiệm
của cả đàn để nhanh chóng tìm ra nơi chứa thức ăn
Bộ điều khiển PID được ứng dụng rất rộng rãi trong thực tế, có nhiều phương
pháp khác nhau để tự chỉnh các thông số của bộ điều khiển PID như: dùng giải thuật
Trang 19nhiều trong lĩnh vực kỹ thuật do tính đơn giản và hiệu quả cao so với các thuật toán khác Trong giới hạn của đề tài này, ta sử đụng thuật toán tối ưu bầy đàn để tối ưu
các thông số bộ điều khiển PID ứng dụng điều khiển nhiệt độ lò nhiệt
Từ kết quả từ mô phỏng chúng ta sẽ thấy rằng việc đưa ra thuật toán PSO để tối
ưu các thông số PID là khả thi và hiệu quả
e Công trình liên quan
Lĩnh vực thông minh bầy đàn đã phát triển rất nhanh chóng trong thời gian
qua và đã được ứng dụng thành công trong nhiều lĩnh vực Có rất nhiều sách cũng
như các bài báo viết về vấn để này Hang năm có rất nhiều hội nghị thảo luận vé su
phát triển cũng như những ứng dụng của các thuật tốn thơng minh bầy đàn Hầu
hết các bài viết đều tập trung vào các vấn đề so sánh chất lượng giữa các thuật toán
(tốc độ hội tụ, thời gian thực thi, ) , ứng dụng của các thuật toán vào việc tối ưu
các trọng số của mang Noron
Trong nhiều lĩnh vực sản xuất công nghiệp hiện nay, nhất là ngành công nghiệp luyện kim, chế biến thực phẩm Vấn đề đo và khống chế nhiệt độ
đặc biệt được chú trọng đến vì nó là một yếu tố quyết định đến chất lượng của sản
phẩm
Việc áp dụng thuật toán thông minh bảy đàn vào thiết kế bộ điều khiển thông
minh da phat triển rất mạnh trong hơn 15 năm qua Dựa trên cơ sở lý thuyết và kết quả từ bài báo “Applying Cognitive Methodology in Designing On-Line Auto- Tuning Robust PID Controller for the Real Heating System’ cua Ahmed Sabah
Al-Araji, tac giả đưa ra phương pháp điều khiển PID — PSO diéu khiển nhiệt độ lò
nhiét.[5]
® Phạm vi nghiên cứu
Luận văn này đầu tiên tác giả sẽ giới thiệu về lý thuyết lò nhiệt, điều khiến
PID và thuật toán tối ưu bay dan, sau đó áp đụng chỉnh định thông số PID theo thuật
Trang 20Việc chỉnh định thông số PID theo thuật toán PSO sẽ được áp dụng cho đối
tượng lò nhiệt, các kết quả thu được từ công cụ mô phóng Matlab Simulink sẽ cho thấy được ứng dụng rất hiệu quả từ thuật toán PSO
Tóm lược nội dung Juan van
Luận văn gôm 4 chương với nội dung như sau :
> Phần mở đầu: giới thiệu phương pháp điều khiển, mục đích cũng như phạm vi nghiên cứu của luận văn
Chương 1: Trình bày cơ sở lý thuyết về PID, thuật toán PSO, ảnh hưởng của các thông số PSO trong thuật toán và phương pháp chỉnh định thông số PID
dùng thuật toán PSO
Chương 2: Ứng dụng Phương pháp chỉnh định thông số PID dùng thuật toán PSO cho đối tượng lò nhiệt
Trang 215
ee CHUONG I
Trang 22CHUONG I CO SO LY THUYET 1.1 BO DIEU KHIEN PID —>|P Kg£e() Output Setpoint Error : —>|! F.Í e(r)dz —> Process > + đ8 (t} > D @ ae
Hinh 1.1 BO diéu khién PID [18]
1.1.1 Lý thuyết điều khiến PID
Sơ đồ điều khiển PID được đặt tên theo ba khâu hiệu chỉnh của nó, tổng của
ba khâu này tạo thành bởi các biến điều khiển (MV) Ta có:
MV(t) = Pout + Tout + Dou q * 1)
trong d6: Pou Tout» Dou 14 cac thanh phan đầu ra từ ba khâu của bộ điều khiến PID, được xác định như dưới đây
1.1.2 Khâu tỉ lệ
Trang 23thể được điều chỉnh bằng cách nhân sai số đó với một hằng số K„ được gọi là độ lợi
tỉ lệ
Khâu tỉ lệ được cho bởi: P;„; = K„e(£)
Trong đó: P : thừa số tỷ lệ của đầu ra
K,: 46 lợi tỷ lệ, thông số điều chỉnh
e = $P ~ PY (sai số)
t : thời gian hay thời gian tức thời (hiện tại) P;„; = F„e(?)
Độ lợi của khâu tỉ lệ lớn là do thay đổi lớn ở đầu ra mà sai số thay đối nhỏ
Nếu độ lợi của khâu tỉ lệ quá cao, hệ thống sẽ không ổn Ngược lại, độ lợi nhỏ là do
đáp ứng đầu ra nhỏ trong khi sai số đầu vào lớn, và làm cho bộ điều khiển kém
nhạy, hoặc đáp ứng chậm Nếu độ lợi của khâu tỉ lệ quá thấp, tác động điều khiển
Trang 241.1.3 Khâu tích phân
Phân phối của khâu tích phân (đôi khi còn gọi là rese?) tỉ lệ thuận với cả biên độ sai số lẫn quãng thời gian xảy ra sai số Tổng sai số tức thời theo thời gian (tích
phân sai số) cho ta tích lũy bù đã được hiệu chỉnh trước đó Tích lũy sai số sau đó được 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
độ lợi tích phân, K¿
Thừa số tích phân được cho bởi: fou, = K; L e(r)dt
Trong d6: 1;„;: thừa số tích phân của đầu ra
K: độ lợi tích phân, 1 thông số điều chỉnh
ø =§P— PV (sai số)
t: thời gian hoặc thời gian tức thời (hiện tại)
+ : một biến tích phân trung gian
Khâu tích phân (khi cộng thêm khâu tỉ lệ) sẽ tăng tốc chuyển động của quá
trình tới điểm đặt và khử số dư sai số ổn định với một tỉ lệ chỉ phụ thuộc vào bộ
điều khiển Tuy nhiên, vì khâu tích phân là đáp ứng của sai số tích lũy trong quá
Trang 25c(t) 163 14 F 12 “ \ ay a ay SPO 190 ee \ See oe <2" - rant | 0# o6 Chưa HC'` Low "ằ T,=2 04 ———=r,-I C2 mo 1 =95 — !,_—O03 t (sec) 9 5 “3 15 _ Hình 1.3 Đáp ứng đầu ra khi thay đổi Ki [2] 1.1.4 Khâu vỉ phân
Tốc độ thay đổi của sai số qua trình được tính toán bằng cách xác định độ
dốc của sai số theo thời gian (tức là đạo hàm bậc một theo thời gian) và nhân tốc độ
này với độ lợi tỉ lệ /„ Biên độ của phân phối khâu vi phân (đôi khi được gọi là ốc
độ) trên tất cả các hành vi điều khiển được giới hạn bởi độ lợi vi phân, #„
Thừa số vi phân được cho bởi: Dour = Ka~ e(t)
Trong đó: D,„„: thừa số vi phân của đầu ra
K„: độ lợi vi phân, 1 thông số điều chỉnh
e = SP — PV (sais6)
t: thời gian hoặc thời gian tức thời (hiện tại)
Khâu vi phân làm chậm tốc độ thay đổi của đầu ra bộ điều khiển và đặc tính
này là đáng chú ý nhất dé dat 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 tăng cường độ én định của bộ điều khiển hỗn hợp Tuy nhiên, phép vi phân của
Trang 2610
sai số, và có thé khiến quá trình trở nên không ổn định nếu nhiễu và độ lợi vi phân đủ lớn Do đó một xấp xi của bộ vi sai với băng thông giới hạn thường được sử
dụng hơn Chẳng hạn như mạch bù sớm pha 1 Chua HC oe cee toone T7=0.1 ~—= 7T7/-(25 — - — ƒ].:- ws os ms ef? i (sec) G > 0 1 2 ° ‘
Hình 1.4 Đáp ứng đầu ra khi thay đổi Kd [2]
Khâu tỉ lệ, tích phân, vi phân được cộng lại với nhau đẻ tính toán đầu ra của
bộ điều khiển PID Định nghĩa rằng u(£) là đầu ra của bộ điều khiển, biểu thức cuối
cùng của giải thuật PID là:
u(t) = MV(t) = K,e(t) + K, j, edt + Kq—e(t) (1.2)
Trong đó các thông số điều chỉnh là:
Độ lợi tỉ lệ, K„ 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 sé din đến quá trình mắt
Trang 2711
Độ lợi tích phân, K, giá trị càng lớn kéo theo sai số ổn định bị khử càng
nhanh Đổi lại là độ vọt lố càng lớn: bắt kỳ sai số âm nào được tích phân trong suốt
đáp ứng quá độ phải được triệt tiêu tích phân bằng sai số đương trước khi tiến tới
trang thái ôn định
Độ lợi vi phân, #„ giá trị càng lớn càng giảm độ vọt ló, nhưng lại làm chậm
đáp ứng quá độ và có thể dẫn đến mất ôn định do khuếch đại nhiễu tín hiệu trong phép vi phân sai số ac(t) 16Ƒ 1.4 12} 1.0 OBF ofarFecccccccccercccaceue Tereeeeessersesccascuceteeecouneeas or Chưa HC o4k o2È 25 30 38 40 Hình 1.5 So sánh đáp ứng đầu ra của các bộ điều khiển {2] 1.1.5 Điều chỉnh thủ công
Nếu hệ thống phải duy trì trạng thái online, một phương pháp điều chỉnh là thiết
đặt giá trị đầu tiên của K, và F„ bằng không Tăng dần #„ cho đến khi đầu ra của vòng
điều khiển dao động, sau đó K,„ có thể được đặt tới xấp xi một nửa giá trị đó để đạt
được đáp ứng "1⁄4 giá trị suy giảm biên độ" Sau đó tăng K, đến giá trị phù hợp sao
cho đủ thời gian xử lý Tuy nhiên, K, quá lớn sẽ gây mắt ôn định Cuối cùng, tăng LÊN
nều cần thiết, cho đến khi vòng điều khiển nhanh có thể chấp nhận được nhanh chóng
Trang 2812
vọt lố Một điều chỉnh cấp tốc của vòng điều khiển PID thường hơi quá lố một ít khi
tiễn tới điểm đặt nhanh chóng: tuy nhiên, vài hệ thống không chấp nhận xảy ra vọt lố, trong trường hợp đó, ta cần một hệ thống vòng kín giảm lố, thiết đặt một giá trị K„ nhỏ
hơn một nữa giá trị K, gay ra dao động
Bảng 1.1 Tác động của việc đăng một thông số độc lập [2] Thông | Thời gian Thời gian
số | khởi động | Quá độ xáclập | Sai số ốn định Độ ôn định K, Giam Tăng | Thay đổi nhỏ Giảm Giảm cấp Giảm không K, Giảm Tăng Tăng đáng kể Giảm cấp
Về lý thuyết Cải thiện K„ Ka Giam it | Giamit | Giảm it | không tác động nếu nhỏ
1.1.6 Phương pháp ZieglerTNichols
Phương pháp này được đưa ra bởi John G Ziegler và Nathaniel B Nichols
vào những năm 1940 Độ lợi K; va Fg lúc đầu được gán bằng không Độ lợi P được
tăng cho đến khi nó tiến tới độ lợi tới hạn, K,,, ở đầu ra của vòng điều khiển bắt đầu
Trang 2913
Bang 1.2 Phuong phap Ziegler—Nichols [2] Dang diéu khién Ky K; Ky P - - 0.50K,, PI - 0.45K, 1.2K,/P, PID 0.60K, 2K, /P, K,F,/8
1.1.7 Phan mém diéu chinh PID
Hầu hết các ứng dụng công nghiệp hiện đại không còn điều chỉnh vòng điều
khiển sử dụng các phương pháp tính toán thủ công như trên nữa Thay vào đó, phần
mềm điều chỉnh PID và tối ưu hóa vòng lặp được dùng để đảm báo kết quả chắc chắn Những gói phần mềm này sẽ tập hợp đữ liệu, phát triển các mô hình xử lý, và
đề xuất phương pháp điều chỉnh tối ưu Vài gói phần mềm thậm chí còn có thể phát
triển việc điều chỉnh bằng cách thu thập dữ liệu từ các thay đối tham khảo
Điều chỉnh PID bằng toán học tạo ra một xung trong hệ thống, và sau đó sử dụng đáp ứng tần số của hệ thống điều khiển để thiết kế các giá trị của vòng điều khiển PID Trong những vòng lặp có thời gian đáp ứng kéo dài nhiều phút, nên
Trang 3014
cũng được gửi tới quá trình, cho phép bộ điều khiển tự mình tính toán giá trị điều
chỉnh tối ưu
1.2 THUAT TOAN TOI UU BAY DAN
1.2.1 Tri tué bay dan (SI: Swarm intelligence)
Tri tué bay đàn (SI: Swarm Intelligence) là một kỹ thuật trí tuệ nhân tạo
tập trung vào nghiên cứu hành vi tập hợp của một hệ thống phân bố tạo bởi một quân thể các cá thể tương tác cục bộ với nhau và với môi trường Mặc dù không có một tiêu chuẩn điển hình nào chỉ ra hành vi của các cá thể nhưng sự tương tác
cục bộ giữa các cá thể dẫn đến xuất hiện một mô hình toàn cục Ví dụ về các hệ
thống kiểu này có thể được tìm thấy rất nhiều trong tự nhiên bao gồm đàn kiến, bay chim, ong mật, vi khuẩn, Các thuật toán giống bay dan, chang han thuat
toan t6i uu bay kién (ACO: Ant Colony Optimization), tối ưu bầy đàn (PSO:
Particle Swarm Optimization), thuat toan ếch nhảy (SFLA: Shuffled Frog Leaping Algorithm), thuat toan con ong (Bees Algorithm), di duoc 4p dung thành công để giải các bài toán tối ưu hóa trong kỹ thuật và viễn thông Các mô
hình SI có nhiều đặc điểm giống với EA Giống EA, các mô hình SI dựa vào quần thể Hệ thống được khới tạo bởi một quần thể các cá thể (nghĩa là các nghiệm tiềm ân) Các cá thể này sau đó được xử lý qua nhiều thế hệ bằng cách bắt chước hành
+ sae ake
vi xã hội của các loài cơn trùng hoặc lồi vật trong nỗ lực tìm ra lời giải tôi ưu
Không giống như EA, các mô hình SI không sử dụng các toán tử tiến hóa như lai ghép và đột biến Nghiệm tiềm ẩn chỉ “bay' qua không gian tìm kiếm bằng cách tự chỉnh sửa theo mối quan hệ của nó với các cá thể khác trong quần thể và môi trường
1.2.2 Giới thiệu thuật toán tối ưu bầy đàn (PSO)
PSO là một kỹ thuật tối ưu hóa ngẫu nhiên dựa vào quần thể được phát triển bởi Dr Eberhart và Dr Kennedy vào năm 1995, phỏng theo hành vi xã hội của bầy chim hay đàn cá
Trang 3115
chim tim kiếm thức ăn ngẫu nhiên trong một khu vực Chỉ có một mẫu thức ăn trong khu vực tìm kiếm Tất cả các con chim không biết thức ăn ở đâu Nhưng chúng biết thức ăn cách bao xa trong mỗi lần tìm Vậy chiến lược tìm kiếm thức ăn tốt nhất là gì? Cách hiệu quả 1a bam theo con chim gần thức ăn nhất
PSO học từ kịch bản này và được sử dụng để giải các bài toán tìm kiếm
ngẫu nhiên Trong PSO, mỗi lời giải là một con chim trong không gian tìm kiếm,
gọi là cá thể Tất cả các cá thể có giá trị thích nghi được đánh giá bởi hàm thích
nghỉ cần tối ưu, và có vận tốc hướng theo chiều bay của các cá thể Các cá thể bay
qua không gian bài toán bằng cách bám theo các cá thể tối ưu hiện tại
PSO có nhiều điểm tương đồng so với các kỹ thuật phỏng theo sự tiến hóa như GA Hệ thống được khởi tạo bởi một quân thể các lời giải ngẫu nhiên và tìm kiếm lời giải tối ưu bằng cách cập nhật các cá thể qua các thế hệ Tuy nhiên, không giống như GA, PSO không có các toán tử tiến hóa như lai ghép và đột biến Trong PSO, các nghiệm tiềm năng gọi là các cá thể bay qua không gian bài toán
băng cách bám theo các cá thể tối ưu hiện tai
So với GA, các ưu điểm của PSO là: PSO dễ thực thi và có ít tham số để điều chỉnh PSO được áp dụng thành công trong nhiều lĩnh vực: tối ưu hóa
hàm, huấn luyện mạng noron nhân tạo, điều khiển hệ thống mờ và các lĩnh vực khác mà GA có thẻ áp dụng 1.2.3 PSO cơ bản Giả sử tối ưu toàn cục hàm n chiều được xác định Hàm này được mơ tả tốn học bằng : F (245% 9% 45-50%) = F(X)
Trong đó X#_ là một vector biến tìm kiếm Nhiệm vụ là tim ra X , gia tri ham f(X) d6 hoac 14 min hoặc max được xác định bởi f trong vùng tìm kiếm Nếu các thành phần của X mang các giá trị thực khi đó nhiệm vụ là xác định vị trí nơi cá thể
Trang 3216
Ví dụ : Xét hàm hai chiều đơn giản nhất cho bởi :
ƒGi,*z)= ƒ(Ä)=xŸ + xi
X; và xạ chỉ có thể mang các giá trị thực khi đó bằng cách kiểm tra khá rõ ràng rằng
tối thiểu toàn cục của hàm này tại x=0, x;=0, tại gốc(0,0) của không gian tìm kiếm
và giá trị tối thiểu là f(0,0) =f = 0 Không có điểm nào khác có thể tìm thấy trong mặt phẳng x1-x2 mà tại đó giá trị của hàm là nhỏ hơn f = 0 Bây giờ việc tìm kiếm
tối ưu thì không dễ dàng đối với một vài hàm ( ví dụ hàm đưa ra bên dưới ) :
#ŒI\.,*a) = xị sin(4Zx2) — xs sin(4Zm + Z) + Í
Hàm này có nhiều đỉnh và chỗ lõm và một bề mặt lởm chởm Hình vẽ bề mặt
của hàm được thể hiện trong hình 1.15 Để xác định vị trí tối ưu toàn cục một cách
nhanh chóng trên tất cả các bề mặt lởm chởm đã nói bằng kỹ thuật tìm kiềm song
song Ở đây nhiều cá thể bắt đầu từ vị trí khởi tạo khác nhau và đi tiếp thăm dò
không gian tìm kiếm cho đến khi một vài cá thể tìm thấy vị trí tối ưu toàn cục
Những cá thể này có thể giao tiếp với nhau và chia sẻ thông tin tìm thấy từ chúng vở À & © 6> Ợ Hình 1.6 Bề mặt cia ham f(x;,x2) [14]
PSO là một kỹ thuật tìm kiếm song song, được khởi tạo bằng một nhóm cá thể (nghiệm) ngẫu nhiên và sau đó tìm nghiệm tối ưu bằng cách cập nhật các thế hệ
Trang 3317
nhất mà cá thể lân cận cá thé này đạt được cho tới thời điểm hiện tại Nói cách khác,
mỗi cá thê trong quân thê cập nhật vị trí của nó theo vị trí tốt nhât của nó và của cá
thé trong quan thé tinh toi thoi điểm hiện tại như Hình 1.7
aA
Vv
Hình 1.7 Sơ đồ cập nhật vị trí của mỗi cá thé PSO [14]
Trang 3519
1.2.4 PSO Cải tiến
1.2.4.1 PSO cải tiến dùng trọng số quán tính
Trọng số quán tính được đưa ra bởi Shy và các tác giả khác (Eberhart R
C,Shi Y,1998; Eberhart R C,Shi Y,2000) Trọng số quán tính œ là một tác nhân có
quan hệ tỉ lệ với với vận tốc, công thức thay đổi vận tốc cho như sau : ` =@.f* +c randl(Q.(P“*" ~ P") + c,rand2Q.(P,”" P*) †1 _ pg gti R= +h,
Anh hưởng vận tốc sau vào vận tốc hiện hành có thể được điều khiển bởi
trọng số quán tính œ càng lớn khả năng tìm kiếm toàn cục của PSO càng lớn, và œ
càng nhỏ khả năng tìm kiếm cục bộ càng lớn Các kết quả thực nghiệm cho thấy PSO có tốc độ hội tụ lớn nhất khi œ ở giữa 0.8 và 1.2 Trong khi thử nghiệm, œ bị
giới hạn từ 0.9 đến 0.4 theo tuyến tính giảm, điều đó làm không gian tìm kiếm PSO lớn hơn ở lúc khởi đầu và xác định vị trí một cách nhanh chóng nơi có các giải pháp là tối ưu nhất Khi œ giảm, vận tốc của cá thể cũng sẽ giảm xuống gây ra tìm kiếm
cục bộ [P15]
Phương pháp này làm tăng nhanh tốc độ hội tụ, và chức năng của PSO được cải thiện Khi giải quyết một bài toán rất phức tạp, phương pháp thực hiện khả năng
tìm kiếm toàn cục của PSO ở một loạt chu kì sau một vài thế hệ này là không đủ, lời
dùng để giải bài toán này
1.2.4.2 PSO cải tiến dùng hệ số nén
Vào 2002, Clerc và Kennedy đã đưa ra mô hình thích nghỉ PSO rằng sử đụng một thông số mới đó là x được gọi là hệ số nén Mô hình không bao gồm hệ số
Trang 3620 Ve" = IVs + ¢,rand\()(P*™ — Pt) +c, rand20.(B"™" — P*)] gt+1_ nữ gri PB, =H +Ừ, 2 4-9-0? =4 Hệ số nén đưa đến sự hội tụ nhanh cho những cá thể theo thời gian Đó là độ Trong đó y = VỚI @=C¡ + C2
lớn dao động của cá thể giảm xuống khi nó tập trung dựa vào những điểm tốt nhất cục bộ và lân cận phía trước Cá thể sẽ dao động xung quanh giá tri trong sé PP
va PS nếu vị trí tốt nhất phía trước va vi tri tốt nhất lân cận là gần nhau cá thể sẽ
thực hiện tìm kiếm cục bộ Nếu vị trí tốt nhất phía trước và vị trí tốt nhất lân cận ra xa nhau, cá thể sẽ thực hiện tìm kiếm toàn cục Trong suốt quá trình tìm kiếm, Vị trí tốt nhất vùng lân cận và vị trí tốt nhất phía trước sẽ thay đổi và cá thể sẽ thay đổi từ
tìm kiếm cục bộ đổi hướng tìm kiếm toàn cục vì thế sự cân đối cần thiết cho tìm
kiếm cục bộ và toàn cục của phương pháp hệ số nén này phụ thuộc những điều kiện xã hội có trong không gian [P12]
1.2.5 Các thơng số thuật tốn bày đàn
Các thông số chính của thuật toán PSO là œ, C¡, C¿ , V„ạ„ và số lượng cá thể
N Sự thiết lập các thông số xác định như thế nào để tối ưu không gian tìm kiếm, có thể áp dụng thiết lập chung để đưa ra những kết quá hợp lý trên hầu hết những vấn đề, nhưng hiếm khi thực sự tối ưu, vì rằng thông số thiết lập giống nhau không có gì bảo đảm thành cơng trong những bài tốn khác, chúng ta phải có sự hiểu biết về các
tác dụng của các thông số khác nhau, như thế chúng ta mới có thể lựa chọn sự thiết
lập thích hợp từ bài toán này đến bài toán khác 1.2.5.1 Trọng số quán tính œ
Các kết quả thực nghiệm cho thấy PSO có tốc độ hội tụ lớn nhất khi œ ở giữa 0.8 và 1.2 Trong khi thử nghiệm, œ bị giới hạn từ 0.9 đến 0.4 theo tuyến tính giảm, điều đó làm không gian tìm kiếm PSO lớn hơn ở lúc khởi đầu và xác định vị trí một
Trang 3721
1.2.5.2 Vận tốc cực đại
Vận tốc cực đại V„¿„ xác định sự thay đổi cực đại một cá thể có thể trãi qua
trong vị trí tọa độ của chúng trong suốt một thế hệ Thông thường chúng ta thiết lập toàn bộ vùng tìm kiếm vị trí của cá thể bang Vinax - Vmax duge dua ra dé tránh sự bùng nổ và phân rã Tuy nhiên, với cách sử dụng hệ số nén „ hoặc œ trong công
thức cập nhật vận tốc, V„„„ đối với một vài mức độ trở nên không cần thiết, ít nhất
sự hội tụ có thể được đảm bảo không có nó Như vậy một vài nghiên cứu đơn giản
không sử dụng V„a„ Mặc dù thực tế này, giới hạn vận tốc cực đại có thể vẫn còn tận
dụng để tìm kiếm tối ưu trong nhiều trường hợp [P12] 1.2.5.3 Hệ số nén „ Vi" = AVE + Â,.rand\().(P" Pđ)+Â,.rand2()(P Pđ)| gFt+t1l_ nữ g+i lộ CỈy Đhy Trong đó y= VỚI @ = Cị + C¿ 4~p—jø? - 49]
x được gọi là hệ số nén, @ = c¡ + c; >4 Thông thường ọ bằng 4.1, như vậy x bằng
0.729 Kết quả thực nghiệm trình bày đã so sánh với thuật toán tối ưu bầy đàn với các trọng số quán tính, tốc độ hội tụ trong thuật toán tối tu bầy đàn với tác nhân hội
tụ x nhanh chóng hơn nhiều Trên thực tế, œ, c¡ và cạ được quyết định thích hợp, hai phương pháp tính là giống nhau Như vậy, thuật toán tối ưu bầy đàn với tác nhân
hội tụ x có thể được xem như một ví dụ đặc biệt của thuật toán tối ưu bầy đàn với
trọng số quán tính œ Khi đó, những thông số được chọn một cách đúng đắn trong thuật toán có thể cải thiện chức năng của những phương pháp [P15]
1.2.5.4 Các hệ số gia tốc c¡ , và c;
Thông thường hệ số gia tốc c¡ và cạ được chọn c¡ = c;ạ = 1.494 Tuy nhiên,
Trang 3822
1.2.5.5 Số lượng cá thể N
Số lượng cá thé N la một hệ số rất quan trọng được xem xét Một chọn lựa
tốt nhất cho hầu hết các ứng dụng thực tế của số lượng cá thể trong khoảng [20 40]
Thông thường 10 cá thể là một số lượng lớn đủ cho những kết quả tốt Tuy nhiên,
trong trường hợp đối với những bài toán khó, phức tạp số lượng cá thể cũng có thể
chọn lên tới 100 hoặc 200 mới cho kết quả tốt 1.2.5.6 Điều kiện dừng:
Điều kiện dừng này có thể là một trong những tiêu chuẩn sau:
> Qúa trình có thể được hoàn thành sau một số cố định của các thế hệ như 20, 30
thế hệ,,
> Qúa trình có thể được hoàn thành khi sai số giữa giá trị hàm mục tiêu và giá trị hàm fitness tốt nhất là ít hơn một ngưỡng giá trị ấn định trước
1.2.6 Nhận xét
PSO dựa trên trí thông minh Nó có thể được ấp dụng cho cả nghiên cứu
khoa học và ứng dụng kỹ thuật
PSO khơng có tính tốn lai ghép và đột biến Sự tìm kiếm có thể được đưa ra
bởi vận tốc của cá thể Trong quá trình phát triển của một vài thế hệ, chỉ cá thể tối
ưu nhất có thể truyền thông tin đến những cá thể khác, và tốc độ tìm kiếm là rất
nhanh
Việc tính toán trong PSO rất đơn giản So sánh với các phương pháp tính
Trang 3923
Trang 4024
CHUONG II
UNG DUNG PID - PSO DIEU KHIEN NHIET DO
aS
2.1 GIỚI THIỆU ĐÓI TƯỢNG ĐIÈU KHIỂN 2.1.1 Hệ thống điều khiển nhiệt độ | Nguồn Sự > Mạch 3 Mạch Dây Đặt Điều khiển Động lực đốt = nhiệt độ ĐK TC ^ Phản hồi Mạch j Cap
Do va chi thj nhiệt điện |
BỘ ĐIỀU KHIỂN NHIỆT LÒ ĐIỆN
Hình 2.1 Sơ đồ phác họa hệ thống điều khiển nhiệt độ [2]
Nhiệt độ là một đại lượng vật lý hiện diện khắp nơi cả trong sản xuất và
sinh hoạt hàng ngày Quá trình đo và kiểm soát nhiệt độ trong sản xuất công nghiệp đóng vai trò to lớn trong hệ thống điều khiến tự động, góp phần quyết định chất lượng sản phẩm Khi thu thập đữ liệu cho quá trình điều khiển và giám sát trong
nhà máy thì nhiệt độ là một thông số không thể bỏ qua Tùy theo yêu cầu và tính
chất của quá trình điều khiển mà ta sử dụng phương pháp điều khiển thích hợp Tính chính xác và ổn định nhiệt độ cũng đặt ra vấn đề cần giải quyết Hệ thống điều khiển nhiệt độ thường được chia làm hai loại:
+ Hệ thống điều khiển hồi tiếp (feedback control system): xác định và
giám sát kết quả điều khiển, so sánh với tín hiệu đặt và tự động điều chỉnh lại cho
đúng
+ Hệ thống điều khién tuần tự (sequence control system): thực hiện từng