Nhận dạng, điều khiển hệ phi tuyến dùng mô hình nơ rôn phối hợp với thuật toán tiến hóa vi sai

ĐẠI HỌC QUỐC GIA TP HỒ CHÍ MINH TRƯỜNG ĐẠI HỌC BÁCH KHOA NGUYỄN NGỌC SƠN NHẬN DẠNG, ĐIỀU KHIỂN HỆ PHI TUYẾN DÙNG MƠ HÌNH NƠ RƠN PHỐI HỢP VỚI THUẬT TỐN TIẾN HĨA VI SAI Chun ngành: Kỹ thuật điều khiển & tự động hóa Mã số chuyên ngành: 62520216 TÓM TẮT LUẬN ÁN TIẾN SĨ KỸ THUẬT TP HỒ CHÍ MINH NĂM 2017 Cơng trình hồn thành Trường Đại học Bách Khoa – ĐHQG-HCM Người hướng dẫn khoa học 1: PGS.TS Hồ Phạm Huy Ánh Người hướng dẫn khoa học 2: TS Trương Đình Châu Phản biện độc lập 1: Phản biện độc lập 2: Phản biện 1: Phản biện 2: Phản biện 3: Luận án bảo vệ trước Hội đồng chấm luận án họp vào lúc ngày tháng năm Có thể tìm hiểu luận án thư viện: - Thư viện Khoa họcTổng hợp Tp HCM - Thư viện Trường Đại học Bách Khoa – ĐHQG-HCM DANH MỤC CƠNG TRÌNH ĐÃ CƠNG BỐ Nguyen Ngoc Son, Cao Van Kien and Ho Pham Huy Anh, “Adaptive feedforwardPID control of parallel PAM robot based neural network and modified differential evolution algorithm”, Journal: Robotics and Autonomous Systems, (SCIE, IF=1.950), Elsevier publishing, 06/2017 Nguyen Ngoc Son, Ho Huu Vinh and Ho Pham Huy Anh, “Hybrid neural differential evolution approach for nonlinear system identification applied in identification of shape memory alloy actuator”, Asian Journal of Control, (SCIE, IF=1.421), DOI: 10.1002/asjc.1529, 2017 Nguyen Ngoc Son, Ho Pham Huy Anh and Truong Dinh Chau, “Adaptive neural model optimized by modified differential evolution for identifying 5-DOF robot manipulator dynamic system”, Soft Computing (SCIE, IF= 2.472), Springer publishing, vol.20, DOI: 10.1007/s00500-016-2401-x, 2016 Nguyen Ngoc Son, Ho Pham Huy Anh and Nguyen Thanh Nam, “Robot manipulator identification based on adaptive multiple-input and multiple-output neural model optimized by advanced differential evolution algorithm”, International Journal of Advanced Robotic Systems (SCIE, IF= 0.987), SAGE publishing, DOI: 10.1177/1729881416677695, 2016 Nguyen Ngoc Son and Ho Pham Huy Anh, “Adaptive displacement online control of shape memory alloys actuator based on neural networks and hybrid differential evolution algorithm”, Neurocomputing (SCIE, IF=3.317), Elsevier publishing, vol 166, pp 464-474, 2015 Nguyen Ngoc Son, Ho Pham Huy Anh and Truong Dinh Chau, “Optimization using a hybrid algorithm based on differential evolution and gradient descent method”, 3nd Vietnam Conference on Control and Automation, pp 534-537, 2015 Nguyễn Ngọc Sơn, Hồ Phạm Huy Ánh, “Thuật tốn tiến hóa vi sai tối ưu mơ hình nơ rơn ứng dụng để nhận dạng hệ động học phi tuyến đa biến”, Chuyên san Kỹ thuật Điều khiển & Tự động hóa, pp 14-20, 2014 Nguyen Ngoc Son, Ho Pham Huy Anh and Truong Dinh Chau, “Inverse kinematics solution for robot manipulator based on adaptive MIMO neural network model optimized by hybrid differential evolution algorithm”, IEEE International Conference on Robotics and Biomimetics (ROBIO 2014), pp 2019-2024, 2014 Nguyen Ngoc Son and Ho Pham Huy Anh, “Adaptive MIMO neural network model optimized by differential evolution algorithm for manipulator kinematic system identification”, International Conference on Automatic Control Theory and Application, Atlantis Press, pp 23-26, 2014 MỞ ĐẦU Tính cấp thiết đề tài Hệ thống phi tuyến với yếu tố bất định nhiễu động khó để xác định xác mơ hình toán học hệ thống Hơn nữa, phát triển không ngừng khoa học công nghệ làm xuất đối tượng điều khiển có độ phức tạp ngày tăng Yêu cầu thực tiễn đặt phải điều khiển hệ thống động ngày phức tạp, điều kiện yếu tố bất định ngày gia tăng, yêu cầu chất lượng ngày cao Do đó, hướng tiếp cận điều khiển thơng thường dựa mơ hình tốn học gần khơng đáp ứng u cầu Vì thế, ngày có nhiều nghiên cứu tập trung vào mơ hình điều khiển ứng dụng kỹ thuật tính tốn mềm logic mờ, mơ hình nơ rơn nhân tạo thuật tốn tiến hóa Mỗi kỹ thuật ứng dụng thành công lĩnh vực nhận dạng điều khiển Tuy nhiên, số trường hợp mà sử dụng kỹ thuật số khơng đủ để đạt u cầu xác hiệu Vì lý này, thật cần thiết phải lai ghép kỹ thuật tính tốn mềm với để tận dụng ưu điểm kỹ thuật riêng lẻ Trong luận án này, tác giả tập trung vào nghiên cứu sử dụng mơ hình nơ rơn phối hợp với thuật tốn tiến hóa vi sai ứng dụng nhận dạng điều khiển hệ phi tuyến Mục đích nghiên cứu Nghiên cứu thuật tốn tiến hóa vi sai đề xuất phiên cải tiến chất lượng thuật toán Sau đó, thuật tốn đề xuất sử dụng để huấn luyện mạng nơ rôn truyền thẳng MLP ứng dụng nhận dạng điều khiển hệ phi tuyến Đối tượng phạm vi nghiên cứu  Đối tượng sử dụng để mô phỏng, đánh giá chất lượng hiệu thuật tốn, mơ hình đề xuất là: Các hàm toán học Ackley, Sphere, Rastrigin, Griewank sử dụng để kiểm chứng chất lượng hiệu thuật tốn tiến hóa vi sai cải tiến Bài toán nhận dạng điều khiển số hệ phi tuyến SISO MIMO [41], [164] sử dụng để kiểm chứng chất lượng hiệu mơ hình đề xuất  Đối tượng thực nghiệm sử dụng để kiểm chứng tính hiệu điều khiển đề xuất đối tượng truyền động dùng hợp kim nhớ hình dạng SMA, tay máy song song PAM 2-DOF hệ bồn nước liên kết  Các hệ phi tuyến SISO MIMO dùng mô kiểm chứng thực nghiệm phải thuộc lớp đối tượng phi tuyến điều khiển ổn định bền vững dùng điều khiển PID Đóng góp mặt khoa học thực tiễn  Ý nghĩa khoa học - Đã nghiên cứu phát triển thuật tốn tiến hóa vi sai cải tiến HDE cách kết hợp ưu điểm thuật toán DE thuật toán suy giảm độ dốc GD Kết kiểm chứng số hàm Benchmark toán học chứng tỏ chất lượng hiệu thuật toán đề xuất tốt so với thuật toán DE thuật toán PSO Hạn chế thuật tốn HDE thời gian tính tốn tương đối lớn so với thuật toán DE Kết nghiên cứu trình bày báo [6] - Đã đề xuất thuật toán tiến hóa vi sai cải tiến MDE cách thay đổi chế gây đột biến thuật toán DE bản, thay đổi cách chọn thông số điều khiển F CR lai ghép với thuật toán suy giảm độ dốc GD Kết kiểm chứng số hàm Benchmark toán học chứng tỏ hiệu vượt trội tiêu chí chất lượng lời giải tiêu chí thời gian tính tốn thuật tốn MDE so với thuật toán DE bản, thuật toán PSO thuật toán HDE - Đã đề xuất áp dụng thuật toán HDE, MDE để tối ưu hóa trọng số mạng nơ rơn MLP nhằm tăng chất lượng huấn luyện mạng Sau đó, mơ hình NNARX tạo thành cách lai ghép mơ hình nơ rơn MLP mơ hình hồi quy phi tuyến NARX, trọng số tối ưu thuật toán HDE, MDE phát triển để nhận dạng hệ phi tuyến Kết nghiên cứu trình bày báo [1]-[5] [7]-[9] - Đã đề xuất phát triển điều khiển tích hợp PID-INN dựa nguyên tắc thiết kế điều khiển học FEL để điều khiển hệ phi tuyến Bộ điều khiển PID-INN kết hợp điều khiển thuận dựa mô hình ngược dự báo INN (Inverse NNARX) điều khiển PID Kết nghiên cứu trình bày báo [1] [5] - Đề xuất cải thiện khả học thích nghi thuật tốn BP cách thay đổi chế lựa chọn hệ số học  Dựa kinh nghiệm chuyên gia, tác giả đề xuất xây dựng mơ hình mờ Sugeno để tự chỉnh định hệ số học trong trình cập nhập online trọng số mơ hình ngược INN Chất lượng điều khiển khả tự chỉnh định hệ số học kiểm chứng hệ tay máy song song PAM 2-DOF Kết nghiên cứu trình bày báo [1]  Ý nghĩa thực tiễn - Đã áp dụng thành công mô hình dự báo NNARX với trọng số tối ưu thuật tốn tiến hóa vi sai cải tiến HDE để giải toán động học thuận tay máy, kết nghiên cứu công bố báo [4], [9] giải toán động học ngược tay máy [8] - Đã áp dụng thành cơng mơ hình NNARX với trọng số tối ưu thuật tốn tiến hóa vi sai cải tiến MDE để dự báo đặc tính động lực học mơ hình tay máy bậc tự dựa vào tập liệu vào thực nghiệm gồm điện áp cấp cho động góc quay khớp tay máy Kết nghiên cứu công bố báo [3] - Đã cài đặt, nhận dạng điều khiển xác thiết bị truyền động dùng hợp kim nhớ hình SMA Đây tiền đề cho việc nghiên cứu ứng dụng thiết bị truyền động SMA tương lai Kết nghiên cứu công bố báo [5] - Đã cài đặt, nhận dạng điều khiển xác góc quay tay máy song song 2-DOF dùng sợi nhân tạo PAM Đây tiền đề cho việc nghiên cứu ứng dụng chuyên sâu lĩnh vực người máy Kết nghiên cứu công bố báo [1] - Đã khảo sát chất lượng điều khiển tích hợp PID-INN đối tượng thực nghiệm SISO (thiết bị truyền động SMA), MIMO (hệ bồn nước liên kết, hệ tay máy song song 2-DOF) Với kết thực nghiệm khả quan này, tác giả tin hồn tồn áp dụng điều khiển đề xuất vào đối tượng thực tế cơng nghiệp - Đã xây dựng quy trình áp dụng mơ hình đề xuất để nhận dạng điều khiển hệ thống thực nghiệm mà không cần quan tâm nhiều đến mơ hình tốn học chúng cách nhanh chóng dễ dàng thực Bố cục báo cáo Luận án gồm chương Chương giới thiệu tổng quan luận án Chương trình bày thuật tốn tiến hóa vi sai phiên cải tiến thuật toán Chương trình bày việc sử dụng thuật tốn tiến hóa vi sai cải tiến để tối ưu hóa trọng số mạng nơ rôn MLP ứng dụng nhận dạng hệ phi tuyến Chương trình bày điều khiển tích hợp PID-INN kết mơ kiểm chứng để từ đưa ưu điểm giới hạn điều khiển Chương thực kiểm chứng điều khiển đề xuất số đối tượng thực nghiệm Chương tổng kết kết nghiên cứu hướng phát triển CHƯƠNG TỔNG QUAN Chương giới thiệu tổng quan nhận dạng điều khiển hệ phi tuyến mục 1.1; tổng quan mơ hình nơ rơn thuật tốn tiến hóa vi sai mục 1.2; mục 1.3 giới thiệu tổng quan tình hình nghiên cứu để từ đề mục tiêu nghiên cứu trọng tâm luận án mục 1.4 1.4 Mục tiêu nghiên cứu Mục tiêu nghiên cứu trọng tâm luận án bao gồm vấn đề sau: a) Nghiên cứu thuật toán tiến hóa vi sai DE, yếu tố ảnh hưởng đến chất lượng thuật tốn DE Từ đề xuất thuật tốn tiến hóa vi sai cải tiến HDE MDE Mô phỏng, so sánh đánh giá chất lượng thuật toán số hàm Benchmark tốn học thơng dụng b) Nghiên cứu áp dụng thuật tốn tiến hóa vi sai cải tiến HDE MDE vào toán tối ưu trọng số mạng nơ rơn truyền thẳng MLP c) Xây dựng mơ hình nhận dạng NNARX cách kết hợp mạng nơ rôn MLP mơ hình hồi quy phi tuyến NARX, trọng số mơ hình NNARX tối ưu thuật tốn HDE MDE Mơ phỏng, so sánh đánh giá chất lượng nhận dạng số hệ phi tuyến thơng dụng d) Xây dựng điều khiển tích hợp PID-INN ứng dụng điều khiển hệ phi tuyến Bộ điều khiển tích hợp PID-INN kết hợp điều khiển thuận dùng mơ hình ngược dự báo INN (Inverse Neural NARX) điều khiển có phản hồi PID e) Kiểm tra tính hiệu điều khiển tích hợp PID-INN: (i) mơ so sánh chất lượng với điều khiển PID hệ phi tuyến; (ii) kiểm chứng thực nghiệm đối tượng thiết bị truyền động dùng hợp kim nhớ hình SMA, tay máy song song PAM 2-DOF hệ bồn nước liên kết CHƯƠNG THUẬT TỐN TIẾN HĨA VI SAI 2.1 Giới thiệu Thuật tốn tiến hóa vi sai DE giới thiệu lần đầu dạng báo cáo kỹ thuật hai nhà khoa học R Storn K.V Price vào năm 1995, thuật tốn tìm kiếm lời giải tối ưu ngẫu nhiên Thuật toán DE xử lý hiệu tốn tìm cực trị hàm khơng khả vi, hàm phi tuyến hàm đa mục tiêu 2.2 Thuật toán tiến hóa vi sai 2.2.1 Các bước thực thuật toán Lưu đồ thuật toán DE bao gồm bước khởi tạo, đột biến, lai ghép, chọn lọc hội tụ Chi tiết bước thực thuật Hình 2.1 tốn xem hình 2.1 Khởi tạo: Giả sử muốn tìm kiếm lời giải tối ưu cho hàm thực với D tham số Thuật toán DE bắt đầu cách tạo cách ngẫu nhiên NP vector D chiều Mỗi vector gọi cá thể biểu diễn (2.1) Trong đó, G 0,1, ,GEN là số hệ tiến hóa; i 1, 2, , NP; NP kích thước quần thể X i,G [x1,i,G , x2,i,G , , xD,i,G (2.1) ] Đột biến: Để tạo véc-tơ đột biến cho véc-tơ mục tiêu thứ i từ hệ tại, ba véc-tơ mục tiêu khác X , X , X lấy mẫu ngẫu nhiên từ i i r1 i r2 r3 quần thể hệ tại, hệ số đột biến F 0,1 Vi,G X ,  F X X ,  i r1 G Lai ghép: Véc-tơ đột biếnVi,G , i r2 G  i  (2.3) r3 G lai ghép với véc-tơ mục tiêu X i ,G hình thành véc-tơ thử nghiệm Ui,G [u1,i,G , ,uD,i,G ] Thuật toán DE thường sử dụng phương pháp lai ghép nhị thức, mô tả sau: v (2.4) if rand j ,i [0,1] uj ,i,G   j ,i,G CR  x j ,i,G otherwise Trong đó, i 1, 2, , NP j 1, 2, , D ; CR gọi xác suất lai ghép; rand j,i [0,1] số ngẫu nhiên phân bố Chọn lọc: Véc-tơ mục tiêu X i ,G so sánh với véc-tơ thử nghiệmUi,G Trong đó, f  X  hàm chi phí cực tiểu Quá trình chọn lọc mơ tả sau: U i,G if f U f X i,G i,G  Xi,G1  (2.6) otherwise X  i ,G Hội tụ: Quá trình lặp kết thúc điều kiện sau đáp     ứng: số hệ tiến tới trị cực đại GEN; hàm chi phí khơng thay đổi đáng kể q trình lặp; hàm chi phí đạt giá trị mong muốn 2.2.2 Các biến thể thuật toán Hầu hết biến thể thuật toán DE dựa cách tiếp cận để tạo véctơ đột biến véc-tơ thử nghiệm Bảng 2.2 mơ tả biến thể khác thuật tốn DE 2.2.3 Các thông số điều khiển Chất lượng thuật tốn tiến hóa vi sai DE phụ thuộc vào thơng số điều khiển kích thước quần thể NP, hệ số đột biến F xác suất lai ghép CR - Tính thích nghi điều khiển PID-INN hồn tồn dựa vào tín hiệu huấn luyện tín hiệu thành phần điều khiển PID mà không cần thông tin Jacobian đối tượng điều chỉnh thông số điều khiển Điều làm giảm thời gian tính tốn cho ứng dụng thực tiễn Hơn nữa, dễ dàng áp dụng điều khiển PID-INN cho hệ phi tuyến mà không cần quan tâm nhiều đến mơ tả tốn học đặc tính động học đối tượng Ngoài điểm mạnh trên, điều khiển PID-INN có số hạn chế cần phải quan tâm, cụ thể sau: - Chất lượng tính ổn định điều khiển PID-INN phụ thuộc nhiều vào thành phần điều khiển PID Do đó, việc xác định tham số điều khiển PID phù hợp đóng vai trò quan trọng việc nâng cao chất lượng điều khiển PID-INN Tuy nhiên, thực tế với hệ phi tuyến khác việc xác định tham số PID khơng giống nhau, với hệ phi tuyến điểm làm việc khác tham số PID khác Do đó, khơng có quy tắc chung để xác định tham số PID cho hệ phi tuyến mà phụ thuộc nhiều vào kinh nghiệm chuyên gia - Khả thích nghi điều khiển PID-INN nhạy với hệ số học  thuật tốn BP q trình học online điều khiển Khơng có phương pháp khác, bên cạnh phương pháp thử-sai, biết đến với việc xác định hệ số học để đảm bảo trọng số hội tụ đến giá trị CHƯƠNG 5.1 KIỂM CHỨNG THỰC NGHIỆM Điều khiển vị trí hệ truyền động SMA 5.1.1 Giới thiệu Hợp kim nhớ hình dạng SMA (Shape Memory Alloy) vật liệu kim loại có khả phục hồi hình dạng ban đầu chúng Ứng dụng cơng nghiệp hợp kim nhớ hình dạng SMA bắt đầu với việc chế tạo khớp nối co nhiệt CryoFit, nghiên cứu chế tạo năm 1969 để nối đường ống hệ thống thủy lực máy bay tiêm kích F14 [195] Một số ứng dụng tiềm khác kể đến lĩnh vực công nghiệp ô tô [197], lĩnh vực y tế [196], lĩnh vực hàng không [198], xây dựng làm khn đúc [199] Ngồi ra, SMA với hiệu ứng nhớ hình dạng tạo lực chuyển động bị đốt nóng Nhờ hợp kim nhớ hình SMA xem lựa chọn tiềm cho thiết bị truyền động, cung cấp lựa chọn thú vị thay cho thiết bị truyền động thơng thường động điện, khí nén thủy lực Thiết bị truyền động dùng hợp kim nhớ hình Nitinol SMA có ưu điểm hiệu suất làm việc cao, hoạt động không gây ồn, đơn giản đốt nóng điện dễ dàng sử dụng Hiện nay, thiết bị truyền động SMA sử dụng nhiều loại robot công nghiệp Robotic finger [200], Micro-gripper [201], Flying robot [Festo,2013], Humanoid robot [202] 5.1.2 Mơ hình thực nghiệm Trong phần thiết bị truyền động dùng Nitinol SMA thiết lập Trong đó, sơ đồ khối mơ hình thực nghiệm hệ truyền động mơ tả hình 5.5 Hình 5.5 Sơ đồ khối mơ hình thực nghiệm 5.1.3 Mơ hình ngược dự báo Cấu trúc mơ hình MDE-INN đề xuất để dự báo đặc tính động học ngược hệ truyền động SMA, mô tả hình 5.8 Q trình nhận dạng mơ hình dự d (k 1) v(k ) báo xem chi tiết luận án Mơ hình MDE-INN xác định mạng nơ rôn truyền thẳng lớp, tế bào nơ rôn lớp ẩn, trọng số mạng mô tả bảng 5.2 5.1.4 Kết thực nghiệm 16 z1 vˆ  k  z1 Hình 5.8 z 2 Chương trình điều khiển thực nghiệm viết Matlab, hình 5.11 Trong đó, mơ hình MDE-INN sử dụng để dự báo đặc tính động học ngược thiết bị truyền động SMA với trọng số mô tả bảng 5.2 sử dụng 17 để khởi tạo trọng số ban đầu điều khiển thuận Sau đó, trọng số điều khiển thuận cập nhập online thuật toán BP với tốc độ học 0.0001 qua chu kỳ điều khiển Các tham số điều khiển PID chọn lựa phương pháp thử sai Kp 7; Ki 0 Kd 7 sánh chất lượng với điều khiển PID Dựa vào kết điều khiển, thấy điều khiển PID-INN cải thiện chất lượng đáng kể so với điều error với tín hiệu tham chiếu hình sin so d-ref 0 e PID 50 100 50 100 time[sec] thuận INN; tín hiệu điều khiển PID sử dụng để huấn luyện online 200 u PID u PID-INN 150 200 Hình 5.12 u pid u inn u PID-INN voltage [V] -2 20 40 60 80 100 -0.05 120 -3 dw/dt 0.05 dv/dt từ điều khiển PID điều khiển 150 200 e PID-INN bị truyền động SMA Trong đó, tín hiệu điều khiển PID-INN tổng tín hiệu 150 1.5 điều khiển PID-INN biến PID-INN trình điều khiển thiết d PID-INN 100 khiển PID Hình 5.13 mơ tả tín hiệu thiên trọng số điều khiển d PID 50 0.5 0 -0.5 voltage[V] Hình 5.12 mơ tả chất lượng điều khiển displacement[mm] Hình 5.11 Chương trình điều khiển hệ truyền động SMA 50 100 time [sec] 150 200 140 160 180 200 150 200 x 10 -5 50 100 time [sec] Hình 5.13 điều khiển thuận, trình huấn luyện kết thúc upid 0 Tương tự, 17 thực thay đổi tín hiệu đặt sang dạng tam giác, dạng hình thang; thay đổi tải trọng cách tăng độ cứng lò xo Bias Spring; tạo nhiễu ngồi để khảo sát đáp ứng điều khiển PID-INN Qua kết thực nghiệm, tác giả 18 thấy điều khiển tích hợp PID-INN với khả tự chỉnh định trọng số điều khiển thuận q trình điều khiển kiểm sốt chất lượng điều khiển thiết bị truyền động SMA tốt dù có tác động tải trọng, nhiễu hay thay đổi tín hiệu đặt 5.2 Điều khiển mực nước hệ bồn liên kết 5.2.1 Giới thiệu Bồn chất lỏng thành phần quan trọng q trình cơng nghiệp Trong trình vận hành, tùy theo yêu cầu cơng nghệ van thay đổi độ mở loại chất lỏng bồn thay đổi Điều dẫn đến đặc tính phi tuyến hệ thay đổi theo Hơn nữa, thơng số hệ bồn chất lỏng kích thước hệ số xả van, hệ số công suất bơm số trường hợp có sai số trình đo lường thực nghiệm Trong phần này, điều khiển thích nghi PID-INN nghiên cứu áp dụng điều khiển mực nước hệ bồn liên kết 5.2.2 Mơ hình thực nghiệm Hệ bồn liên kết có sơ đồ khối mơ tả hình 5.22, hệ MIMO có hai ngõ vào tín hiệu điều khiển hai máy bơm hai ngõ mực nước bồn chứa bồn chứa u1 u2 L L4 Hình 5.22 Sơ đồ khối mơ hình thực nghiệm hệ bồn liên kết 5.2.3 Mơ hình ngược dự báo Mơ hình MDE-INN xác định dự báo tốt đặc tính động học ngược hệ bồn chứa liên kết, trọng số mạng trình bày chi tiết bảng 5.3 Các trọng số sử dụng để khởi tạo ban đầu q trình thiết kế điều khiển tích hợp PID-INN cho hệ bồn liên kết 18 15 16 kết điều khiển mực nước bồn 14 12 bồn 800 dùng điều khiển thích nghi PID-INN L4 (cm) L2 (cm) 18 200 400 10 600 200 400 600 800 error (cm) 2 0 PID -2 PID-INN -4 điều khiển PID Hình 5.29 hình error (cm) 5.2.4 Kết thực nghiệm Các đồ thị trình bày hình 5.28 mô tả -4 0.6 thay 0.2 0.4 400 800 600 200 400 800 600 400 800 time [sec] 600 u2 bồn nước liên kết bị tác động nhiễu 200 u1 5.30 mô tả kết điều khiển hệ 200 400 800 time [sec] đổi van xả bồn bồn tác 600 200 Hình 5.28 động nhiễu ngồi Hình 5.31 mơ tả tín xa van 0.5 error2 (cm) L2 (cm) hiệu điều khiển PID-INN 15 14 biến thiên trọng số điều khiển thuận hợp bịquá trình điều khiển trường 13 xa van 400 100 200 300 0.5 100 200 300 12 xa van 0.5 error4 (cm) tác động nhiễu L4 (cm) 13 xa van -0.5 11 100 0.5 200 300 u1 Dựa vào kết điều khiển, 400 0.5 thấy mực nước 100 200 400 300 200 400 time [sec] 300 0 100 200 300 400 time [sec] bồn u2 100 Hình 5.29 điều khiển xác dùng điều khiển tích hợp PID-INN với thời gian xác lập khoảng 40-60 (giây) sai số xác lập không Hệ thống điều khiển điều khiển tốt dù có tác động từ yếu tố bên ngồi nhiễu, tín hiệu đặt thay đổi thay đổi tiết diện van xả bồn bồn Hơn nữa, điều khiển tích hợp PID-INN cho chất lượng điều khiển tốt so với điều khiển kinh điển PID Qua kết điều khiển 19 pid inn PID-INN 400 thấy tác động qua lại động bơm bơm đến ổn định mực nước bồn bồn 200 300 200 300 -0.5 10 u1 100 nhieu ngoai 12 400 u2 100 100 200 400 300 -5 -6 100 200 400 300 u1 u2 0.5 0.5 100 200 400 300 x 10 100 200 400 time [sec] 300 -1 100 200 400 time [sec] 300 -1 u PID-INN=u-pid+u-inn -7 100 200 300 400 100 200 time [sec] 300 400 x 10 0 0 -0.5 dw/dt L4 (cm) error2 (cm) -5 400 14 0.5 dv/dt 10 0.5 error4 (cm) L2 (cm) nhieu ngoai 15 100 400 200 300 time [sec] Hình 5.30 Hình 5.31 20 5.3 Điều khiển góc quay tay máy PAM song song 2-DOF 5.3.1 Giới thiệu Sợi nhân tạo PAM - Pneumatic Artificial Muscle sử dụng rộng rãi với vai trò thiết bị truyền động nhiều ứng dụng khác robot [214-216]; công nghiệp hàng không [217] nhiều ứng dụng khác [218-221] Gần đây, thiết bị truyền Hình 5.32 động dùng sợi nhân tạo PAM hãng Festo sử dụng rộng rãi ứng dụng người máy, hình 5.32 Người máy thuộc họ robot song song cấu trúc gồm nhiều chuỗi động kín với nhóm trục cấu tác động cuối mắc song song Trong luận án này, điều khiển tích hợp PIDINN nghiên cứu áp dụng điều khiển xác vị trí góc quay tay máy song song 2-DOF dùng thiết bị truyền động PAM 5.3.2 Mơ hình thực nghiệm Sơ đồ khối mơ hình thực nghiệm hệ tay máy song song PAM 2-DOF mơ tả hình 5.34 Cấu tạo mơ hình tay máy song song PAM 2-DOF bao gồm sợi nhân tạo Festo-MAS-20 phối hợp với Bias Spring tạo khớp quay tay máy, van tỉ lệ EV-2500-008 p cung cấp áp điều khiển sợi PAM, p Encoder tương đối xác định góc quay tay máy, card thu thập u2 u1 liệu điều khiển NI PCI 1 1 2 2 6221, nguồn cấp khí nén máy tính có cài đặt phần mềm Matlab Hình 5.34 Sơ đồ khối tay máy PAM 2-DOF 5.3.3 Mơ hình ngược dự báo Cấu trúc mơ hình MDE-INN đề xuất để dự báo đặc tính động lực học ngược tay máy PAM song song 2-DOF, mơ tả hình 5.37 Q trình nhận dạng mơ hình dự báo xem chi tiết luận án Mơ hình MDE-INN 20 xác định mạng nơ rôn MLP PAM 2-DOF u1 (k) 1 (k 1) lớp, 15 tế bào nơ rôn lớp ẩn, trọng số mạng mô tả bảng 5.5 uˆ1  k  eInverse NNARX model (INN) z 1 uˆ2  k  z 1 MDE Qua kết mơ thực nghiệm, Hình 5.37 tác giả nhận thấy việc lựa chọn hệ số học λ phù hợp đóng vai trò quan trọng việc điều chỉnh thích nghi điều khiển PID-INN Nếu hệ số học nhỏ điều khiển cần nhiều thời gian học để đạt chất lượng mong muốn Ngược lại, hệ số học lớn dẫn đến dao động ngăn cản sai số hội tụ không Để khắc phục nhược điểm này, tác giả đề xuất chế tự thích nghi hệ số học dựa vào mơ hình mờ Sugeno Luật hiệu -3 chỉnh hệ số học hoàn toàn dựa vào kinh x 10 nghiệm chuyên gia qua trình khảo sát lamda điều khiển thực nghiệm Ngõ vào mờ gồm sai số E  eu 2 đạo hàm 0.5eu1 sai 0.1 số dE, ngõ mờ hệ số học λ Kết 0.05 đáp ứng ngõ với ngõ vào hệ mờ -0.1 de mơ tả hình 5.41 -0.05 e Hình 5.41 Các đồ thị hình 5.43 hình 5.44 mơ tả chất lượng điều khiển điều khiển PID-INN điều khiển PID trường hợp tín hiệu đặt dạng sin tần số 0.1 Hz (a) 0.5 Hz (b), hình 5.47 mơ tả q trình cập nhập online trọng số nơ rơn điều khiển thuận dựa vào mơ hình nơ rơn ngược dự báo INN q trình điều khiển Joint2 - Sine 0.1hz without Load 0.05 -0.5 50 100 50 100 0.05 0 -0.05 voltage[V] theta [rad] -0.4 20 40 60 80 Joint1 - Sine 0.5hz without Load -0.05 error [rad] -0.2 Joint2 - Sine 0.5hz without Load -0.2 -0.4 -0.5 10 20 30 0 0.2 0.1 10 20 30 10 20 30 0 20 40 60 80 -0.1 voltage[V] error[rad] theta[rad] Joint1 - Sine 0.1hz without Load -0.2 10 20 30 20 40 60 time [sec] ref 80 PID Hình 5.43 20 40 60 time [sec] PID-INN 80 0 10 20 time [sec] 30 ref 0 PID Hình 5.44 10 20 time[sec ] PID-INN 30 Dựa vào kết điều khiển thầy rằng, tần số tín hiệu đặt tăng lên chất lượng điều khiển giảm xuống điều khiển PID PID-INN Nhưng nhờ khả học online điều khiển PID-INN làm cho sai số điều khiển giảm dần không, với điều khiển PID sai số khơng thay đổi Như điều khiển PID-INN cho chất lượng điều khiển tốt nhiều so với điều khiển PID có tính dv/dt thích nghi mạnh mẽ minh họa hình 5.47 -3 để khảo sát đáp ứng điều khiển tích (b) x 10 0 -5 -2 Tương tự, thực thay đổi tín hiệu đặt 20 40 80 60 10 10 15 20 25 30 15 20 time [sec] 25 30 0.1 dw/dt sang dạng hình thang; thay đổi tải trọng -4 (a ) x 10 0 -0.1 -1 20 40 time [sec] hợp PID-INN 60 80 Hình 5.47 Tóm lại, điều khiển PID-INN điều khiển xác vị trí góc quay tay máy PAM 2-DOF Hệ thống điều khiển tốt dù có tác động từ yếu tố bên nhiễu, thay đổi tải trọng; hệ số học thuật toán aBP tự động chỉnh định q trình điều khiển dùng mơ hình mờ Sugeno 5.4 Nhận xét Chương trình bày kết ứng dụng điều khiển tích hợp PID-INN nhận dạng điều khiển số đối tượng thực nghiệm Một số kết cụ thể sau: - Đã cài đặt, nhận dạng điều khiển xác vị trí thiết bị truyền động SMA dùng điều khiển tích hợp PID-INN Các kết thực nghiệm chứng tỏ khả điều khiển đề xuất việc kiểm soát hoạt động thiết bị truyền đồng SMA Đây tiền đề cho việc nghiên cứu ứng dụng thiết bị truyền động SMA tương lai - Đã cài đặt, nhận dạng điều khiển xác góc quay tay máy song song PAM 2-DOF Qua kết điều khiển thực nghiệm, thấy chất lượng vượt trội điều khiển tích hợp PID-INN so với điều khiển PID khả thích nghi mạnh mẽ điều khiển Việc nghiên cứu tay máy song song dùng thiết bị truyền động sợi PAM sở cho nghiên cứu ứng dụng lĩnh vực robot trợ lực tương lai - Đã khảo sát chất lượng điều khiển PID-INN đối tượng thiết bị truyền động SMA, hệ bồn liên kết, hệ tay máy song song 2-DOF Qua kết thực nghiệm, thấy điều khiển PID-INN hoàn toàn áp dụng rộng rãi cho đối tượng thực nghiệm khác công nghiệp mà không cần quan tâm nhiều mơ hình tốn học chúng - Thường hệ số học λ chọn số, điều làm cho trình huấn luyện online điều khiển thuận dẫn đến hội tụ chậm lời giải rơi vào điểm cực trị cục Dựa kinh nghiệm chuyên gia, tác giả đề xuất xây dựng mơ hình mờ Sugeno để tự chỉnh định hệ số học λ trình cập nhập online trọng số điều khiển thuận Chất lượng điều khiển khả tự chỉnh định hệ số học kiểm chứng hệ tay máy song song PAM 2-DOF cho kết tốt CHƯƠNG KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN 6.1 Kết luận Trong luận án tác giả nghiên cứu phát triển mơ hình nơ rơn phối hợp với thuật tốn tiến hóa vi sai cải tiến để nhận dạng điều khiển hệ phi tuyến Trên sở kết mô thực nghiệm, tác giả đề xuất thành công số cải tiến để tăng hiệu chất lượng nhận dạng điều khiển hệ phi tuyến Các kết nghiên cứu tác giả cơng bố tạp chí hội nghị uy tín báo TCQT danh mục SCIE [1]-[5], báo HNTN [6] TCTN [7], báo HNQT [8]-[9] Các công bố tác giả quốc tế tham khảo trích dẫn báo [5] có trích dẫn, báo [8] có trích dẫn báo [8] có trích dẫn (thống kê đến tháng 06/2017 từ nguồn Google Scholar) Các thống kê chứng tỏ tính mới, độ tin cậy ý nghĩa khoa học kết nghiên cứu luận án 6.2 Kiến nghị Hướng tiếp cận sử dụng mơ hình nơ rơn phối hợp với thuật tốn tiến hóa vi sai cải tiến nhận dạng điều khiển hệ phi tuyến đạt số kết thú vị Tuy nhiên phạm vi luận án tác giả chưa khai thác hết tiềm mơ hình đề xuất chưa áp dụng vào đối tượng thực tế cơng nghiệp số hạn chế định Do đó, hướng tiếp cận luận án cần phải tiếp tục nghiên cứu phát triển: - Để nâng cao chất lượng điều khiển hệ phi tuyến phức tạp cơng nghiệp việc cải thiện khả xấp xỉ xác khả tự thích nghi mơ hình nơ rơn có ý nghĩa đặc biệt quan trọng, toán mở quan tâm nghiên cứu nhiều - Nghiên cứu giải thuật tự động xác định tham số điều khiển PID, tham số phải tự điều chỉnh trình điều khiển hệ thống đảm bảo tính ổn định hệ thống toán thú vị để nâng cao chất lượng điều khiển đề xuất PID-INN - Hướng nghiên cứu tích hợp điều khiển dựa điểm mạnh điều khiển riêng lẻ hướng nghiên cứu mạnh, nghiên cứu nhiều Các nghiên cứu sử dụng điểm mạnh mơ hình đề xuất để ghép nối với điều khiển phi tuyến sử dụng để phát triển điều khiển dự báo dựa vào mơ hình - Hướng tiếp cận nhận dạng tham số mơ hình hệ phi tuyến dùng thuật toán tối ưu quan tâm nghiên cứu nhiều Các tham số mơ hình sở để thiết kế điều khiển điều khiển trượt, điều khiển thích nghi bền vững dựa vào tham số mơ hình Do đó, việc nghiên cứu áp dụng thuật tốn tiến hóa vi sai cải tiến HDE, MDE vào giải tốn nhận dạng tham số có tính thời tính cần quan tâm - Mơ hình nơ rơn phối hợp thuật tốn tiến hóa vi sai cải tiến HDE, MDE cho kết thú vị nhận dạng hệ thống Mơ hình nên tiếp tục nghiên cứu áp dụng vào toán khác toán chẩn đoán lỗi, tốn phân loại, tốn phân tích xử lý ảnh - Hợp kim SMA sợi PAM cung cấp lựa chọn thú vị thay cho thiết bị truyền động thông thường động điện, khí nén thủy lực Các thiết bị truyền động quan tâm nghiên cứu ứng dụng nhiều lĩnh vực người máy, kỹ thuật y sinh robot sinh học nhà khoa học Do hướng nghiên cứu ứng dụng thiết bị truyền động dùng SMA hay PAM có tính thời cần quan tâm ... mơ hình nơ rơn phối hợp với thuật tốn tiến hóa vi sai ứng dụng nhận dạng điều khiển hệ phi tuyến Mục đích nghiên cứu Nghiên cứu thuật tốn tiến hóa vi sai đề xuất phi n cải tiến chất lượng thuật. .. bày thuật tốn tiến hóa vi sai phi n cải tiến thuật toán Chương trình bày vi c sử dụng thuật tốn tiến hóa vi sai cải tiến để tối ưu hóa trọng số mạng nơ rôn MLP ứng dụng nhận dạng hệ phi tuyến. .. Nghiên cứu thuật toán tiến hóa vi sai DE, yếu tố ảnh hưởng đến chất lượng thuật toán DE Từ đề xuất thuật tốn tiến hóa vi sai cải tiến HDE MDE Mô phỏng, so sánh đánh giá chất lượng thuật toán số