Thiết kế bộ điều khiển bám đuổi thích nghi cho hệ thống phi tuyến MIMO sử dụng CMAC tta

BỘ GIÁO DỤC VÀ ĐÀO TẠO BỘ GIAO THÔNG VẬN TẢI TRƯỜNG ĐẠI HỌC GIAO THÔNG VẬN TẢI TP PHỐ HỒ CHÍ MINH TĨM TẮT LUẬN ÁN TIẾN SĨ Đề tài: THIẾT KẾ BỘ ĐIỀU KHIỂN BÁM ĐUỔI THÍCH NGHI CHO HỆ PHI TUYẾN MIMO SỬ DỤNG CMAC Chuyên Ngành: Kỹ Thuật điều khiển Tự động hóa Mã số: 9520216 Nghiên cứu sinh: ThS Tạ Văn Phương Người hướng dẫn 1: PGS.TS Đặng Xuân Kiên Người hướng dẫn 2: TS Ngô Thanh Quyền TP.HCM 5/2019 Abstract Designing control system for non-linear MIMO systems has been attracted many researchers for the recent decades Due to the complex characteristics, defining the dynamic model of the non-linear MIMO systems are invaluable for the practical applications Therefore, the model-based controllers cannot satisfy the desired performances To cope with this problem, many advanced controllers have been studied and applied for the non-linear MIMO systems such as Particle Swarm Optimization (PSO), Fuzzy Logic Controller (FLC), Neural Network (NN), Fuzzy Neural Network…etc By using these adaptive, intelligent controllers, the performances have been achieved for the practical applications However, there exists disadvantages and shortcomings that need to be improved such as online learning problems, selection number of fuzzy rules, number of neurons and layers, the robustness of the system in the presence of disturbances, noise, uncertainties, and so on This study has proposed the CMAC, Wavelet CMAC, recurrent CMAC, and the robust recurrent cerebellar model articulation control system (RRCMACS) for the non-linear MIMO systems to achieve desired performances for the system during operation such as good tracking responses, stability, robustness, disturbances attenuation, and noise rejection during operation The main contributions of this study are presented in Chapter 2, Chapter 3, and Chapter In Chapter 2, the traditional Cerebellar Model Articulation Controller was represented to show the superior properties of the CMAC to different intelligent controllers Chapter represents the factors affecting the learning capability and efficiency of the CMAC and then some innovative solutions were proposed to enhance the I performance and the learning effectiveness of the CMAC Chapter represents a combination between the RCMAC and the robust controller to form the robust RCMAC to achieve not only good tracking response but also attenuate significantly the effects of the external disturbances, and sensor noise With this combination, the stability and robustness of the control system were improved during operation Along with representing theory, the experimental results were also provided to prove the effectiveness of the proposed solutions Keywords: Non-linear system, uncertainties, disturbances, noises, Cerebellar Model Articulation Controller (CMAC), Wavelet Function, Recurrent Network, neural network, redundant solutions II Tóm tắt Thiết kế hệ thống điều khiển cho hệ thống phi tuyến nhiều ngõ vào-nhiều ngõ (Multi Inputs-Multi Outputs: MIMO) thu hút quan tâm nhiều nhà nghiên cứu Do tính chất phức tạp hệ thống phi tuyến MIMO, mơ hình động học hệ thống phi tuyến khơng thể xác định cách xác ứng dụng thực tế Vì việc thiết kế điều khiển dựa vào mơ hình động học hệ thống đạt số thực mong muốn Để giải vấn đề điều khiển cho khơng xác định xác mơ hình động học, nhiều điều khiển nâng cao nghiên cứu áp dụng cho hệ thống phi tuyến MIMO điều khiển tối ưu bầy đàn (Particle Swarm Optimization: PSO), điều khiển logic mờ (Fuzzy Logic Controller FLC), mạng nơ ron (Neural Network: NN), mạng nơ ron mờ (Fuzzy Neural Network: FNN)…etc Với việc nghiên cứu phát triển điều khiển thơng minh, thích nghi, số thực điều khiển đạt ứng dụng thực tế Tuy nhiên phương pháp điều khiển tồn số vấn đề không thuận lợi hạn chế cần phải cải thiện thời gian xử lý điều khiển học theo thời gian thực, việc chọn lựa số lượng tập mờ luật mờ, cách chọn số nơ ron số lớp mạng, vấn đề bền vững hệ thống xuất thành phần không chắn nhiễu thay đổi thông số mơ hình, thơng số tải q trình hoạt động hệ thống điều khiển Nghiên cứu đề xuất điều khiển có cấu trúc mơ hình tiểu nảo (Cerebellar Model Articulation Controller: CMAC), điều khiển có cấu trúc mơ hình tiểu nảo hồi tiếp (Recurrent Cerebellar Model Articulation Controller: RCMAC), hệ thống điều khiển có cấu trúc mơ hình tiểu nảo III hồi tiếp bền vững (Robust Recurrent Cerebellar Model Articulation Control System :RRCMACS) cho hệ thống phi tuyến MIMO để nâng cao số thực điều khiển khả bám đuổi tốt theo tín hiệu đặt, tăng tính ổn định bền vững, giảm ảnh hưởng thay đổi tải ảnh hưởng nhiễu lên ổn điều khiển trình hoạt động Nội dung đề tài trình bày Chương 2, Chương Chương Trong đó, Chương trình bày điều khiển có cấu trúc mơ hình tiểu nảo thường sử dụng (Traditional Cerebellar Model Articulation Controller), thuộc tính nỗi bật điều khiển CMAC so với điều khiển thông minh khác Chương trình bày yếu tố ảnh hưởng đến khả hiệu học điều khiển CMAC từ đề xuất giải pháp cải tiến để nâng cao số thực hiệu học điều khiển CMAC Chương trình bày kết hợp điều khiển RCMAC điều khiển bền vững để tạo thành điều khiển có cấu trúc mơ hình tiểu nảo hồi tiếp bền vững Bộ điều khiển đạt khả bám đuổi tốt mà có khả giảm thiểu cách đáng kể ảnh hưởng thay đổi tải hay tác động nhiễu Với kết hợp này, ổn định bền vững hệ thống cải thiện trình hoạt động Cùng với việc trình bày lý thuyết, kết thực nghiệm trình bày chương để chứng minh hiệu giải pháp đề xuất Từ khóa: Hệ thống phi tuyến MIMO, thành phần không chắn, nhiễu, điều khiển có cấu trúc mơ hình tiểu nảo (CMAC), hàm Wavelet, mạng hồi tiếp, mạng nơ ron IV Chữ viết tắt MIMO Multi Input Multi Output PSO Particle Swarm Optimization FLC Fuzzy Logic Controller NN Neural Network CMAC Cerebellar Model Articulation Controller WCMAC Wavelet Cerebellar Model Articulation Controller RCMAC Recurrent Cerebellar Model Articulation Controller RRCMAC Robust Recurrent Cerebellar Model Articulation Controller LPM Linear Piezoelectric Motor WLCM Water Level Model Controller PCM Pressure Control Model V Chương 1: GIỚI THIỆU HỆ THỐNG PHI TUYẾN MIMO VÀ HỆ THỐNG ĐIỀU KHIỂN ĐƯỢC ĐỀ XUẤT 1.1 Giới thiệu hệ thống phi tuyến MIMO vấn đề nghiên cứu 1.2 Hệ thống phi tuyến MIMO gồm thành phần không chắn 1.3 Hệ thống điều khiển đề xuất Chương 2: BỘ ĐIỀU KHIỂN CĨ CẤU TRÚC MƠ HÌNH TIỂU NẢO 2.1 Giới thiệu điều khiển có cấu trúc mơ hình tiễu NẢO 2.1.1 Block diagram of the proposed control system and Structure of the CMAC 2.1.2 Hàm mục tiêu luật học điều khiển CMAC 13 2.2 Bộ điều khiển bù ước lượng biên độ sai số 15 2.3 Kết mô thực nghiệm 16 2.4 Kết luận 20 Chương 3: BỘ ĐIỀU KHIỂN CÓ CẤU TRÚC MƠ HÌNH TIỂU NẢO CẢI TIẾN 3.1 Những hạn chế điều khiển có cấu trúc mơ hình tiểu NẢO cổ điển cải tiến đề xuất 21 3.2 Bộ điều khiển có cấu trúc mơ hình tiểu NẢO sử dụng hàm Wavelet (Wavelet Cerebellar Model Articulation Controller : WCMAC) 22 3.3 Bộ điều khiển có cấu trúc mơ hình tiểu NẢO hồi tiếp (Recurrent VI Cerebellar Model Articulation Controller: RWCMAC) 24 3.4 Luận học theo thời gian thực 25 3.5 Thực nghiệm 26 3.5.1 Kết thực nghiệm điều khiển WCMAC cho bàn trượt điều khiển động tuyến tính áp điện 26 3.5.2 Kết thực nghiệm điều khiển RCMAC cho mơ hình bàn trượt điều khiển động áp điện 31 3.4 Kết luận 33 Chương 4: BỘ ĐIỀU KHIỂN CĨ CẤU TRÚC MƠ HÌNH TIỂU NẢO BỀN VỮNG 4.1 Những yếu tố ảnh hưởng đến số bền vững điều khiển 34 4.2 Bộ điều khển có cấu trúc mơ hình tiểu NẢO bền vững 36 4.3 Kết mô điều khiển có cấu trúc mơ hình tiểu NẢO bền vững cho mơ hình bàn trượt 40 Chương 5: KẾT LUẬN VÀ CÁC ĐỀ XUẤT 5.1 Kết luận 45 5.2 Những đề xuất cho nghiên cứu 46 VII Chương 1: GIỚI THIỆU HỆ THỐNG PHI TUYẾN MIMO VÀ HỆ THỐNG ĐIỀU KHIỂN ĐƯỢC ĐỀ XUẤT Giới thiệu hệ thống phi tuyến MIMO vấn đề nghiên cứu Hầu hết ứng dụng thực tế hệ thống phi tuyến Có nhiều ngun nhân gây đặc tính phi tuyến ảnh hưởng tượng từ trễ, khe hở khơng khí, đặc tính bảo hòa, hệ số ma sát, liên kết thành phần hệ thống, thành phần không chắn, thay đổi tải nhiễu.[1]-[5] Do ảnh hưởng đặc tính phi tuyến, mơ hình động học hồn chỉnh hệ thống thực tế xác định Do vậy, đặc tính phi tuyến phải xem xét trình thiết hệ hệ thống điều khiển Theo quan điểm thiết kế điều khiển, điều khiển dựa vào mô hình động học hệ thống khơng thể đạt số thực tốt cho hệ thống phi tuyến MIMO [6]-[15] Để đối phó với đặc tính phi tuyến khơng chắn hệ thống, điều khiển logic mờ [16]-[23], điều khiển trượt [24]-[30], mạng nơ ron [31]-[39] đề xuất cho hệ thống phi tuyến để đạt số thực mong muốn Tuy nhiên, điều khiển tồn hạn chế sau:  Chỉ số thực điều khiển FLC phụ thuộc hoàn toàn vào việc chọn lựa tập mờ luật mờ Tuy nhiên, chưa có phương pháp cụ thể đảm bảo việc chọn lựa tập mờ luật mờ tối ưu cho điều khiển Để đạt số thực tốt cho điều khiển FLC cho ứng dụng thực tế, tập mờ luật mờ điều khiển thường đạt phương pháp thử sai  Đối với SMC, tượng Chattering ảnh hưởng đến tuổi thọ đáp ứng cấu chấp hành, việc chọn lựa biên độ thành phần không Trang chắn nhiễu phải canh nhắc ổn định cho hệ thống tượng Chattering ngõ điều khiển  Mạng NN tồn những hạn như: Tất trọng số cấu trúc mạng nơ ron cập nhật chu kỳ học, việc chọn lựa số lượng nơ ron số lớp để đạt số thực tốt cho đối tượng điều khiển khác khó để đạt ứng dụng thực tế Cùng với phát triển mạng nơ ron, điều khiển có cấu trúc mơ hình tiểu NẢO (Cerebellar Model Articulation Controller : CMAC) có cấu trúc học tương tự NẢO người nghiên cứu từ thập niên 70 [40] Bộ điều khiển CMAC không ngừng phát triển tận dụng để điều khiển hệ thống phi tuyến phức tạp yêu cầu phải học trực tuyến có thuộc tính vượt trội như: Khả học nhanh, khả tổng qt hóa tốt, q trình tính tốn đơn giản, [41]-[46] Hiệu điều khiển CMAC so với NN kiểm chứng qua ứng dụng thực tế [47]-[48] Trong nghiên cứu gần đây, hàm Wavelet tận dụng để thay cho hàm Gaussian để tăng hiệu học CMAC hệ thống động Bên cạnh kỹ thuật hồi tiếp tận dụng để cải tiến khả đáp ứng động cho điều khiển CMAC [49]-[51] Mặc dù nghiên cứu trình bày đạt kết tốt mô thực nghiệm thiết kế điều khiển cho hệ thống phi tuyến MIMO, bền vững hệ thống chịu ảnh hưởng thành phần không chắn nhiễu chưa đề cập cách đầy đủ Sau nghiên cứu cơng trình liên quan đến điều khiển CMAC, tác giả đề xuất hệ thống điều khiển cho đối tượng phi tuyến MIMO sử dụng điều khiển CMAC có đặc tính Trang ˆ = CT wS ˆ m (4.13) (4.14) ˆ σˆ = E wS T (4.15) ˆ r = FT wS ˆ w 4.3 Kết mơ điều khiển có cấu trúc mơ hình tiểu NẢO bền vững cho mơ hình bàn trượt Để đánh giá ổn định bền vững hệ thống điều khiển bền vững sử dụng CMAC, bàn trượt truyền động động áp điện sử dụng phần Phương trình động học bàn trượt có xét đến ảnh hưởng tượng từ trễ độ cứng vật liệu mô tả nghiên cứu Chương [2], [50] Tham số khởi tạo sử dụng trình mơ cho sau M o = 5kg Do = 66*10-6 [N.sec / m] K Eo = 3[N / Volt] , ηw = ηm = ησ = ηwr = 0.01 , n i = 2, n k = 11, n j = , K = 0.5 , β = 0.1 and  0.1, 0.1, 0.1, 0.1, 0.1, 0.1, 0.1, 0.1, 0.1, 0.1, 0.1 w ,  0.1, 0.1, 0.1, 0.1, 0.1, 0.1, 0.1, 0.1, 0.1, 0.1, 0.1  1, 0.8, 0.6, 0.4, 0.2, 0, 0.2, 0, 4, 0, 6, 0.8,1 m   1, 0.8, 0.6, 0.4,  0.2, 0, 0.2, 0, 4, 0, 6, 0.8,1 0.3, 0.3, 0,3, 0.3, 0.3, 0,3, 0.3, 0.3, 0,3, 0.3, 0.3  , 0.3, 0.3, 0,3, 0.3, 0.3, 0,3, 0.3, 0.3, 0,3, 0.3, 0.3 0.1, 0.1, 0.1, 0.1, 0.1, 0.1, 0.1, 0.1, 0.1, 0.1,0.1 wr    0.1, 0.1, 0.1, 0.1, 0.1, 0.1, 0.1, 0.1, 0.1, 0.1,0.1 Ảnh hưởng thành phần không chắn UD(x) ảnh hưởng thay đổi thông số mô hình, ảnh hưởng tượng từ trễ, độ cứng nhiễu giả lập tín hiệu ngẫu nhiên có độ lớn trung bình Trang 40 (mean=5) thay đổi (variance=5) Thời gian lấy mẫu chọn = 0.01s Kết mô hệ thống điều khiển bền vững sử dụng CMAC với tín hiệu đặt dạng hàm bước theo trục X trục Y trình bày Hình 4.2 Hình 4.3 Kết mơ với tín hiệu đặt dạng sine theo trục X trục Y-axis trình bày Hình 4.4 Hình 4.5 Hình 4.2: Đáp ứng bàn trượt với tín hiệu đặt dạng hàm bước theo trục X Trang 41 Hình 4.3: Đáp ứng bàn trượt với tín hiệu đặt dạng hàm bước theo trục Y Trang 42 Hình 4.4: Đáp ứng bàn trượt với tín hiệu đặt dạng hàm sine theo trục X Trang 43 Hình 4.5: Đáp ứng bàn trượt với tín hiệu đặt dàng hàm Sine theo trục Y Trang 44 Những kết mô thể điều khiển có cấu trúc mơ hình tiểu NẢO bền vững đạt ổn định bền vững có ảnh hưởng thành phần không chắc thời điểm t1 = 235s đến t = 245s t = 465s đến t = 475s cho tín hiệu đặt dạng hàm bước dạng hàm Sine Hệ thống điều khiển có khả miễn nhiễu tốt điều khiển bền vững có mức độ suy hao đặt trước nhỏ Chương 5: KẾT LUẬN VÀ CÁC ĐỀ XUẤT 5.1 Kết luận Đề tài đề xuất điều khiển có cấu trúc mơ hình tiểu NẢO (Cerebellar Model Articulation Controller: CMAC), điều khiển có cấu trúc mơ hình tiểu NẢO hồi tiếp (Recurrent Cerebellar Model Articulation Controller: RCMAC), hệ thống điều khiển có cấu trúc mơ hình tiểu NẢO hồi tiếp bền vững (robust recurrent cerebellar model articulation control system (RRCMACS) cho hệ thống phi tuyến MIMO để đạt số thực mong muốn Các nội dung đề tài trình bày cụ thể sau: Hệ thống phi tuyến MIMO trình bày dạng tổng qt Trong yếu tố ảnh hưởng đến ổn định bền vững hệ thống vùng chết vật liệu, tượng từ trễ, khe hở, đặc tính bảo hòa, nhiễu ngồi nhiễu cảm biến trình bày xét đến trình thiết kế hệ thống điều khiển Hệ thống điều khiển đề xuất thiết kế để đạt số thực mong muốn như: đáp ứng bám đuổi tốt, ổn định, bền vững, giảm ảnh hưởng nhiễu nhiễu cảm biến Đóng góp đề tài trình bày Chương 2, Chương Chương Trong Chương 2, điều khiển có cấu trúc mơ hình tiểu NẢO cổ điển trình bày để thể thuộc tính vượt trội so với điều khiển thông minh khác Trang 45 Fuzzy Logic, Neural Network Cấu trúc CMAC, lan truyền tín hiệu, việc chọn lựa hàm mục tiêu, thuật tốn học trình bày chi tiết chương Bên cạnh việc trình bày lý thuyết, kết thực nghiệm thực để kiểm chứng hiệu điều khiển CMAC Chương hạn chế cải tiến cần thực để nâng cao hiệu điều khiển CMAC Những yếu tố ảnh hưởng đến khả hiệu học điều khiển CMAC trình bày Chương Từ giải pháp cải tiến phát triển để nâng cao số thực CMAC Những giải pháp cải tiến đề xuất gồm: Kết hợp hàm Wavelet kỹ thuật hồi tiếp vào điều khiển CMAC để cải thiện khả học khả đáp ứng hệ thống động Cùng với việc trình bày lý thuyết, kết thực nghiệm cung cấp để thể hiệu giải pháp đề xuất chương Chương trình bày kết hợp điều khiển RCMAC điều khiển bền vững để hình thành hệ thống điều khiển RCMAC bền vững Hệ thống đạt bám đuổi (tracking) tốt mà giảm ảnh hưởng thành phần không chắn, ảnh hưởng nhiễu tải cảm biến Kết mô thể ổn định bền vững hệ thống điều khiển bền vững đề xuất chương 5.2 Những đề xuất cho nghiên cứu Mặc dù nghiên cứu đạt kết lý thuyết, mô thực nghiệm điều khiển hệ thống phi tuyến MIMO Tuy nhiên đề tài tồn vấn đề cần tiếp tục nghiên cứu sau  Cấu trúc điều khiển CMAC không tự động tăng giảm số lớp hệ thống hội tụ Vì vậy, hiệu học điều khiển theo Trang 46 thời gian thực chưa tối ưu Những nghiên cứu nên xem xét vấn đề cách đầy đủ  Bài tốn tối ưu tồn cục chưa giải cách hoàn toàn đề tài Vì cần nghiên cứu cách đầy đủ nghiên cứu để tránh rơi vào ổn định cục trình học Bài báo công bố [1] Van-Phuong Ta, Xuan-Kien Dang, “Improved Wavelet Cerebellar Model Articulation Controller For Precision Positioning Of PiezoDriven Stage”, 2018 International Conference on Advanced Control, Automation and Robotics, IOP Conf Series: Materials Science and Engineering (Scopus) 383, 2018 [2] Xuan-Kien Dang and Van-Phuong Ta, “Robust Recurrent Cerebellar Model Articulation Controller for Non-linear MIMO systems”, International Journal of Advanced Computer Science and Applications: IJACSA (ISI ), ISSN 2156-5570 , Vol 10, No 3,2019 Trang 47 Tài liệu tham khảo [1] Zong-Ru Yu, Teng-Chieh Yang, and Jih-Gau Juang, “Application of CMAC and FPGA to a Twin Rotor MIMO System”, IEEE, pp 264269, 2010 [2] A Al-Ghanimi and J Zheng, A Fast Non-Singular Terminal Sliding Mode Control Based on Perturbation Estimation for Piezo Actuators Systems, International Journal of Control, vol.3, 2016 [3] J.S Mo, Z.C Qiu, J.Y Wei, X.M Zhang, Adaptive positioning control of an ultrasonic linear motor system, Robotics, and ComputerIntegrated Manufacturing, vol.44, 2017 [4] Shuhui Bi, Lei Wang, Yongguo Zhao, and Mingcong Deng, “Operatorbased Robust Control for Non-linear Uncertain Systems with Unknown Backlash-like Hysteresis”, International Journal of Control, Automation and Systems, pp.469-477, 2016 [5] Xinghua Zhang, Yantao Wang*, and Xiaofei Fan, “Stability Analysis of Linear Systems with An Interval Time-varying Delay – A Delayrange-partition Approach”, International Journal of Control, Automation and Systems, pp.518-526, 2017 [6] Hassan Talebi Abatari and Abdolreza Dehghani Tafi, “Using a fuzzy PID controller for the path following of a car-like mobile robot”, International Conference on Robotics and Mechatronics, February 1315, Tehran, Iran, 2013 [7] Xia Anjun, Li Xu, Hu Shuju LI Nianhong and Xu Honghua, “A New Pitch Control Method for Large-Scale Wind Turbine Based on ADRC”, IEEE 2013 [8] H Farokhi Moghaddam, N Vasegh, “Robust PID Stabilization of Linear Neutral Time-Delay Systems”, INTERNATIONAL JOURNAL OF COMPUTERS COMMUNICATIONS & CONTROL ISSN 18419836, 9(2): 201-208, April 2014 [9] J Bai, “Development an Adaptive Incremental Fuzzy PI Controller for an HVAC System”, INTERNATIONAL JOURNAL OF COMPUTERS COMMUNICATIONS & CONTROL ISSN 18419836, 8(5): 654-661, October 2013 [10] Jeetendra Agarwal, Aditi Vidyarthi, and Girish Parmar, “Comparative Analysis of Fuzzy and LQR for Water Level Control of U -Tube Steam Generator”, International Conference on Communication, Control and Intelligent Systems (CCIS), IEEE 2015 [11] Salman Zaffar and Attaullah Y Memon, “Robust and optimal stabilization of uncertain linear systems using LQR methods”, 2014 Trang 48 UKACC International Conference on Control, 9th - 11th July 2014, Loughborough, U.K [12] J Kennedy, R Eberhart, Y Shi, “Swarm Intelligence”, Morgan Kaufmann Publishers, 1st Edition, San Francisco, pp 80-95, 2001 [13] Z.L Gaing, “A Particle Swarm Optimization Approach for Design of PID Controller in AVR System”, IEEE Trans Energy Convers., Vol 19, pp 384-391, 2004 [14] Alrijadjis Djoewahir, Kanya Tanaka and Shota Nakashima, “Adaptive PSO-based Self-Tuning PID Controller For Ultrasonic Motor”, International Journal of Innovative Computing, Information, and Control, ISSN 1349-4198, Volume 9, Number 10, pp 3903-3914, October 2013 [15] Yi Ye, Chen-Bo Yin n, Yue Gong, Jun-jing Zhou, “Position control of the non-linear hydraulic system using an improved PSO based PID controller”, Mechanical Systems and Signal Processing, Elsevier Ltd, 2016 [16] Sundarapandian Vaidyanathan, “Takagi-Sugeno fuzzy logic controller for Liu-Chen four-scroll chaotic system”, Int J Intelligent Engineering Informatics, Vol 4, No 2, 2016 [17] Z.-B Du, T.-C Lin, T.-B Zhao, “Fuzzy Robust Tracking Control for Uncertain Non-linear Time-Delay System”, INTERNATIONAL JOURNAL OF COMPUTERS COMMUNICATIONS & CONTROL ISSN 18419836, 10(6): 812-824, December 2015 [18] H K Lam, H Li, and H Liu, “Stability analysis and control synthesis for the fuzzy-observer-based controller of non-linear systems: a fuzzymodel-based control approach,” IET Control Theory Appl., vol 7, no 5, pp 663-672, 2013 [19] L Wu, X J Su, P Shi, and J B Qiu, “ A new approach to stability analysis and stabilization of discrete-time T-S fuzzy time-varying delay systems,” IEEE Trans Syst., Man, Cybern.—Part B: Cybern., vol 41, no 1, pp 273-286, 2011 [20] X P Xie and S L Hu, “Relaxed stability criteria for discrete-time Takagi–Sugeno fuzzy systems via new augmented nonquadratic Lyapunov functions,” Neurocomputing, vol 166, pp 416–421, 2015 [21] Van-Phong Vu, Wen-June Wang, “Observer synthesis for uncertain Takagi–Sugeno fuzzy systems with multiple output matrices”, Journal The Institution of Engineering and Technology 2015 [22] Wen-June Wang∗, Van-Phong Vu, Wei Chang, Chung-Hsun Sun and Shan-Ju Yeh, “A synthesis of the observer-based controller for Trang 49 stabilizing uncertain T-S fuzzy systems”, Journal of Intelligent & Fuzzy Systems 30, pp 3451-3463, 2016 [23] Feng Liu and Hua Wang, Fuzzy PID Tracking Controller For Two-Axis AirBorne Optoelectronic Stabilized Platform, International Journal of Innovative Computing, Information and Control, Vol.13, 2017 [24] X.Z Zhang, Y.N Wang, “Design of Robust Fuzzy Sliding-Mode Controller for a Class of Uncertain Takagi-Sugeno Non-linear Systems”, INTERNATIONAL JOURNAL OF COMPUTERS OMMUNICATIONS & CONTROL ISSN 1841-9836, pp 136-146, February 2015 [25] L.M Capisani, A Ferrara, Trajectory planning and second-order sliding mode motion/interaction control for robot manipulators in unknown environments, Ind Electron IEEE Trans 59 (8) (2012) 3189–3198 [26] F.J Lin and S Y Lee, Intelligent integral backstepping sliding-mode control using the recurrent neural network for piezo-flexural nanopositioning stage, Asian Journal of Control, vol.18, 2016 [27] Tianhua Liu and Shoulin Yin, An Improved Neural Network Adaptive Sliding Mode Control Used in Robot Trajectory Tracking Control, International Journal of Innovative Computing, Information, and Control, Vol.11, 2015 [28] A Al-Ghanimi, J Zheng, and Z Man, “A Fast Non-Singular Terminal Sliding Mode Control Based on Perturbation Estimation for Piezoelectric Actuators Systems” International Journal of Control, Vol 90, 2019 [29] Aamir Hashim Obeid Ahmed, “Performance Comparison of Sliding Mode Control and Conventional PI Controller for Speed Control of Separately Excited Direct Current Motors”, Journal of Science and Technology Vol 13, No 2, December 2012 [30] Y Shtessel, “Sliding Mode Control and Observation”, Springer Science+Business Media, New York 2013 [31] T.Z Jia, G.W Kang, “An RBF neural network-based nonsingular terminal sliding mode controller for robot manipulators” The Third International Conference on Intelligent Control and Information Processing, Dalian, China,pp.72-76, 2012 [32] F.J Lin, S.Y Lee, P.H Chou, “Intelligent nonsingular terminal slidingmode control using MIMO Elman neural network for piezo-flexural nanopositioning stage”, IEEE Trans Ultrason Ferroelectr Freq Control 59, pp.2716-2730, 2012 [33] C.K Ang, S.H Tang, S Mashohor, M.K.A.M Ariffin, “Solving Continuous Trajectory and Forward Kinematics Simultaneously Based Trang 50 on ANN”, INT J COMPUT COMMUN ISSN 1841-9836, 9(3): 253260, June 2014 [34] E Ciupan, F Lungu, C Ciupan, “ANN Method for Control of Robots to Avoid Obstacles”, INTERNATIONAL JOURNAL OF COMPUTERS COMMUNICATIONS & CONTROL ISSN 18419836, 9(5): 539-554, October 2014 [35] S Jung, “Stability Analysis of Reference Compensation Technique for Controlling Robot Manipulators by Neural Network,” International Journal of Control, Automation and Systems, Vol 15, no 2, pp 952958, 2017 [36] C H Lin, “Non-linear Backstepping Control Design of LSM Drive System Using Adaptive Modified Recurrent Laguerre Orthogonal Polynomial Neural Network,” International Journal of Control, Automation and Systems, Vol 15, no 2, pp 905-917, 2017 [37] X K Dang, Z H Guan, T Li and D X Zhang, “Joint Smith Predictor and Neural Network Estimation Scheme for Compensating Randomly Varying Time-delay in Networked Control System,” Proc The 24th Chinese Control and Decision Conference, Tai Yuan, China, pp 512517, May 2012 [38] Jonathan L Ticknor, “A Bayesian regularized artificial neural network for stock market forecasting”, Expert Systems with Applications, Elsevier, 2013 [39] D.K Chaturvedi, A.P Sinha, O.P Malik, “Short-term load forecast using fuzzy logic and wavelet transform integrated generalized neural network”, Elsevier, Electrical Power and Energy Systems, pp 230-237, 2015 [40] D Shi, M N Nguyen, S Zhou, and G Yin, “Fuzzy CMAC with incremental Bayesian Ying–yang learning and dynamic rule construction,” IEEE Trans Syst., Man, Cybern B, Cybern., vol 40, no 2, pp 548–552, Apr 2010 [41] C M Lin and H Y Li, “A novel adaptive wavelet fuzzy cerebellar model articulation control system design for voice coil motors,” IEEE Trans Ind.Electron., vol 59, no 4, pp 2024–2033, Apr 2012 [42] C M Lin and H Y Li, “TSK fuzzy CMAC-based robust adaptive backstepping control for uncertain non-linear systems,” IEEE Trans Fuzzy Syst., vol 20, no 6, pp 1147–1154, Dec 2012 [43] Yu-Lin Liao, Yi-Chung Hu, and Ya-Fu Peng, “Application of Recurrent Functional-Link-Based CMAC Networks for Identification and Prediction”, IEEE, 2016 Trang 51 [44] C M Lin, L Y Chen, and C H Chen, “RCMAC hybrid control for MIMO uncertain non-linear systems using sliding-mode technology,” IEEE Trans.on Neural Networks, vol 18, no 3, pp 708-720,2007 [45] S Y Wang, C L Tseng, and S C Chien, “Adaptive fuzzy cerebellar model articulation control for switched reluctance motor drive,” IET Elect.Power Appl., vol 6, no 3, pp 190–202, Mar 2012 [46] P Zhang, G Du, B Liang, X Wang, “Human-Manipulator Interface Using Hybrid Sensors via CMAC for Dual Robots”, INTERNATIONAL JOURNAL OF COMPUTERS COMMUNICATIONS & CONTROL ISSN 1841-9836, pp 280-290, April 2015 [47] Thanh Quyen Ngo, Ta Van Phuong, “Robust Adaptive Self-Organizing Wavelet Fuzzy CMAC Tracking Control for Deicing Robot Manipulator”, INTERNATIONAL JOURNAL OF COMPUTERS COMMUNICATIONS & CONTROL ISSN 1841-9836, pp 567-578, August 2015 [48] V.P Ta, X.K Dang, and T.Q Ngo, “Adaptive Tracking Control Based On CMAC for Non-linear Systems,” Proceedings of the International Conference on System Science and Engineering, 2017 [49] Van-Phuong Ta and Xuan-Kien Dang, “Improved wavelet cerebellar model articulation controller for precision positioning of the piezodriven stage”, IOP Conference Series: Materials Science and Engineering, 2018 [50] Van-Phuong Ta and Xuan-Kien Dang, “An Innovative Recurrent Cerebellar Model Articulation Controller For Piezo-Driven Micromotion Stage”, International Journal of Innovative Computing, Information and Control, Volume 14, Number 4, pp 1527-1535, August 2018 [51] Chih-Min Lin and Tien-Loc Le, “WCMAC-based control system design for non-linear systems using PSO ”, Journal of Intelligent & Fuzzy Systems No 3, pp.807–818, 2017 [52] M Bahita,“Neural Stable Adaptive Control For a class of non-linear systems”, Journal of Engineering Science and Technology, vol 7, no 1, pp 97 – 118, 2012 [53] Bor-Sen Chen, Senior Member, IEEE, Ching-Hsiang Lee, and YeongChan Chang, “ H  Tracking Design for Uncertain Non-linear SISO Systems: Adaptive Fuzzy Approach”, IEEE Transactions on Fuzzy Systems, Vol 4, No 1, February 1996 [54] Albus J Brains, behavior, and robotics Byte Books; 1981 Trang 52 [55] Albus J A new approach to manipulator control: The cerebellar model articulation controller (CMAC) ASME J Dyn Syst Meas Control 1975:220–7 [56] Albus J Data storage in the cerebellar model articulation controller (CMAC) ASME J Dyn Syst Meas Control 1975:228–33 [57] Serrano FJ, Vidal AR, Roriguez A Generalizing CMAC architecture and training IEEE Trans Neural Networks 1998;9(6):1509–14 [58] Wong Y, Sideris A Learning convergence in the cerebellar model articulation controller IEEE Trans Neural Networks 1992;3(1):115–20 [59] C M Lin, Y F Peng, and C F Hsu, “Robust Cerebellar Model Articulation Controller Design for Unknown Non-linear Systems,” IEEETransactions on Circuits and Systems II: Express Briefs, vol 51, no 7, pp.354-358, July 2004 [60] Miller WT, Glanz FH, Kraft LG Application of a general learning algorithm to the control of robotic manipulators Int J Robotic Res 1987;6(2):84–98 [61] W Yu, M A Moreno-Armendariz, and F O Rodriguez, “Stable adaptive compensation with fuzzy CMAC for an overhead crane,” Information Sciences, vol 181, no 21, pp 4895–4907, 2011 [62] H L Shieh, C Y Bao, “A Robust Fuzzy CMAC Function Approximation”, Conference on Machine Learning, 2010, pp 11-14 [63] S F Su, T Tao “Credit assigned CMAC and its application to online learning robust controllers”, IEEE Trans Syst Man Cybern B, Cybern., vol 33, no 2, 2003, pp 202–213 [64] C M Lin and Y F Peng, “Adaptive CMAC-based supervisory control for uncertain non-linear systems,” IEEE Trans Syst Man Cybern., vol 34, no 2, 2004, pp 1248–1260 [65] C M Lin, H Y Li, “Intelligent Control Using Wavelet Fuzzy CMAC Backstepping Control System for Two-Axis Linear Piezoelectric Ceramic Motor Drive Systems”, 2013 IEEE [66] Rong-Jong Wai, Member, IEEE, Chih-Min Lin, Senior Member, IEEE, and Ya-Fu Peng, “Adaptive Hybrid Control for Linear Piezoelectric Ceramic Motor Drive Using Diagonal Recurrent CMAC Network,” IEEE Transaction Neural Network, Vol.15, No.6, November 2004 [67] A Usha, H P M Tech, Dr K V Lakshmi Narayana, “Water Tank Level Control System using Self-Adaptive Fuzzy-PID Control”, International Journal of Engineering Research & Technology, ISSN: 2278-0181, vol Issue 6, June – 2014 [68] J A John, Dr N E Jaffar, Prof R M Francis, “Modelling and Control of Coupled Tank Liquid Level System using Backstepping Method”, Trang 53 International Journal of Engineering Research & Technology (IJERT)ISSN: 2278-0181, vol Issue 06, June-2015 [69] Z Ma and A Jutan, “Control of a pressure tank system using a decoupling control algorithm with a neural network adaptive scheme”, IEE Proc.-Control Theory Appl., vol 150, no 4, July 2003 [70] C T Chiang, C S Lin (1996); CMAC with general basis functions, Journal of Neural Network, 9(7): 1199 – 1211 [71] Dai Q and Liu N 2012, Alleviating the problem of local minima in Backpropagation through competitive learning, Elsevier Journal, Neurocomputing [72] Burse K, Manoria M, Vishnu P S K 2010, Improved Back Propagation Algorithm to Avoid Local Minima in Multiplicative Neuron Model, International Journal of Electrical, Computer, Energetic, Electronic and Communication Engineering, [73] Xia Chen and Kun Shi, Target Threat Assessment Based on Fuzzy Recurrent Wavelet Neural Network, International Journal of Innovative Computing, Information and Control, Vol.12, 2016 [74] T.L Mai, Y N Wang, Adaptive Force/Motion Control System Based on Recurrent Fuzzy Wavelet CMAC Neural Networks for Condenser Cleaning Crawler-Type Mobile Manipulator Robot, IEEE transactions on control systems Technology, 2014 [75] Da-Wei Gu, Petko H Petkov, Mihail M Konstantinov, Robust control design with Matlab, November 2013 [76] Petko H Petkov, Nicolai D Christov and Mihail M Konstantinov, Robust Real-Time Control of a Two-Rotor Aerodynamic System, Proceedings of the 17th World Congress, The International Federation of Automatic Control, Seoul, Korea, July 6-11, 2008 [77] Adam Pilat and Piotr Wlodarczyk, The μ-Synthesis and Analysis of the Robust Controller for the Active Magnetic Levitation System, Automatika, 2011 [78] Sarath S Nair, Automatic Weight Selection Algorithm for Designing H Infinity controller for Active Magnetic Bearing, International Journal of Engineering Science and Technology (IJEST), Vol No Jan 2011 [79] P Munawa, KA Folly, Selection of Weighing Functions in H∞ Controller Design using PBIL, 2014 International Joint Conference on Neural Networks (IJCNN), July 6-11, 2014, Beijing, China Trang 54 ... HỆ THỐNG PHI TUYẾN MIMO VÀ HỆ THỐNG ĐIỀU KHIỂN ĐƯỢC ĐỀ XUẤT 1.1 Giới thiệu hệ thống phi tuyến MIMO vấn đề nghi n cứu 1.2 Hệ thống phi tuyến MIMO gồm thành phần không chắn 1.3 Hệ thống điều khiển. .. đặc tính phi tuyến phải xem xét trình thiết hệ hệ thống điều khiển Theo quan điểm thiết kế điều khiển, điều khiển dựa vào mơ hình động học hệ thống đạt số thực tốt cho hệ thống phi tuyến MIMO [6]-[15]... đủ Sau nghi n cứu cơng trình liên quan đến điều khiển CMAC, tác giả đề xuất hệ thống điều khiển cho đối tượng phi tuyến MIMO sử dụng điều khiển CMAC có đặc tính Trang  Hệ thống điều khiển khơng