Bài báo cáo này cho chúng ta biết về ứng dụng mô hình mạng nơron đó để nhận dạng và điều khiển đối tƣợng là hệ thống xử lý nƣớc thải. Các kết quả mô phỏng thể hiện sự đúng đắn của thuật toán và mở ra khả năng ứng dụng vào thực tiễn
Trần Đình Tuấn Tạp chí KHOA HỌC & CƠNG NGHỆ 67(5): - 13 NGHIÊN CỨU ỨNG DỤNG MẠNG NƠRON HỒI QUY THỜI GIAN LIÊN TỤC TRONG NHẬN DẠNG VÀ ĐIỀU KHIỂN HỆ THỐNG XỬ LÝ NƯỚC THẢI Nguyễn Hữu Công*, Nguyễn Thị Thanh Nga, Phạm Văn Hưng Trường Đại học Kỹ thuật Cơng nghiệp – ĐH Thái Ngun TĨM TẮT Mạng nơron có khả xấp xỉ vạn năng, nên năm gần chúng đƣợc sử dụng rộng rãi có hiệu việc nhận dạng điều khiển hệ thống có độ phi tuyến cao Tuy nhiên, thiết kế hệ thống, việc chọn mơ hình mạng nhƣ cho phù hợp với lớp đối tƣợng cụ thể tốn khó khăn Mơ hình mạng nơron hồi quy thời gian liên tục đƣợc ứng dụng để nhận dạng điều khiển cho lớp đối tƣợng có tính động học phi tuyến Bài báo ứng dụng mơ hình mạng nơron để nhận dạng điều khiển đối tƣợng hệ thống xử lý nƣớc thải Các kết mô thể đắn thuật toán mở khả ứng dụng vào thực tiễn Từ khóa: mạng nơron hồi quy thời gian liên tục, hệ thống động học phi tuyến, hệ thống xử lý nước thải ĐẶT VẤN ĐỀ V y = Fa - Fy - ub – uy Mạng nơron nhân tạo ngày đƣợc ứng dụng rộng rãi nhận dạng điều khiển, đặc biệt ngành công nghiệp Mạng nơron có khả xấp xỉ hàm phi tuyến cách đầy đủ xác, đƣợc sử dụng tốt cho mơ hình động học phi tuyến [1, 2] Khi thiết lập mạng nơron cần chọn mơ hình mạng hợp lý Nội dung báo trình bày mơ hình mạng nơron hồi quy thời gian liên tục để nhận dạng điều khiển hệ thống xử lý nƣớc thải Giới hạn tín hiệu điều khiển lƣu lƣợng bazơ u là: [0 … 2] L/sec Giả thiết có tham số mơ hình: a = 0.001 moles/L; b = 0.001 moles/L; F = 0.1 L/sec; V = 2L Khi đó, phƣơng trình hệ thống có dạng (2): y 0.00005 0.05y 0.0005u – 0.5uy (2) Từ (2) ta có sơ đồ cấu trúc hệ thống xử lý nƣớc thải nhƣ hình MƠ HÌNH TỐN HỌC CỦA HỆ THỐNG XỬ LÝ NƢỚC THẢI Theo [1], mơ hình tốn học hệ thống xử lý nƣớc thải có dạng (1): V y = F(a-y) - u(b+y) (1) Trong đó: V thể tích bể chứa (L), F tốc độ dòng chảy chất thải có axít (L/sec), a nồng độ mol/l nƣớc thải có tính axít (moles/L), b nồng độ mol/l ba zơ (moles/L), u tốc độ dòng chảy bazơ (L/sec) Phƣơng trình hệ thống là: Tel: 0913589758; mail: huucong@tnut.edu.vn Hình Mơ hình tốn học HT xử lý nƣớc thải ĐỀ XUẤT MƠ HÌNH MẠNG NƠRON HỒI QUY THỜI GIAN LIÊN TỤC (CTRNN) Mơ hình hệ thống xử lý nƣớc thải mơ hình động học phi tuyến với cấu trúc phản hồi Để nhận dạng điều khiển đối tƣợng này, theo [1] đƣa mơ hình mạng hồi quy có trễ Trong nghiên cứu này, chúng tơi sử dụng mơ hình CTRNN [4] Số hóa Trung tâm Học liệu – Đại học Thái Nguyên http://www.lrc-tnu.edu.vn | Nguyễn Hữu Cơng cs Tạp chí KHOA HỌC & CƠNG NGHỆ Một số mơ hình động học hệ phi tuyến là: x f ( x, u ) y g ( x) xˆ (t ) fˆ ( xˆ (t ), u (t ), ) yˆ Cxˆ (t ) Trong (4) u (t ) nu tín hiệu vào, đó: [vec(Wx )T vec(Wu )T b1T vec(W2 )T b2T ]T n đó: n nxˆ (nh 1) nh (nxˆ nu 1) (3) Trong đó: g(x) hàm phi tuyến Mạng nơron hồi quy thời gian liên tục đƣợc mô tả qua dạng tổng quát nhƣ sau: yˆ nu tín hiệu mạng, xˆ nxˆ không gian vector tham số, n thơng số vector mạng Với mơ hình (4), xây dựng cấu trúc mạng: 74(12): - ỨNG DỤNG MẠNG CTRNN ĐỂ NHẬN DẠNG HỆ THỐNG XỬ LÝ NƢỚC THẢI Nguyên tắc sử dụng mạng noron nhận dạng Để nhận dạng hệ thống cần hai giai đoạn lựa chọn mơ hình tối ƣu tham số Đối với mơ hình lựa chọn, ta phải sử dụng mạng nơron có cấu trúc mạng phù hợp Đây tốn nhận dạng mơ hình hộp xám Thực tế, có nhiều phƣơng pháp sử dụng mạng nơron nhận dạng đối tƣợng động học phi tuyến [1], [2] Ở giới thiệu mơ hình nhƣ hình [2],[3] Hình Mơ hình nhận dạng Mơ hình mạng nơron đƣợc luyện để mô hành vi đối tƣợng điều khiển giống nhƣ mơ hình thực, nhằm xác định trọng số tối ƣu tham số mạng dựa vào sai lệch giá trị đầu hệ thống mơ hình Hình Sơ đồ cấu trúc mô tả CTRNN Wx nh nxˆ , Wu nh nu Trong đó: W2 nxˆ nh b2 nxˆ trọng số kết nối, b1 Kết nhận dạng hệ thống xử lý nước thải nh Với phƣơng trình hệ thống xử lý nƣớc thải nhƣ (2), ta sử dụng mạng nơron để nhận dạng hệ thống mạng CTRNN Cấu trúc nhƣ hình vector bias Hàm kích hoạt tansig s () nh nhƣ sau: s (n) 1 e2 n Vector thông số mạng là: (5) Vì đối tƣợng động học phi tuyến nên để có đầy đủ thơng tin vào q trình nhận dạng, ta chọn tín hiệu thử (tín hiệu vào) nhiễu ngẫu nhiên hình sin Trong nghiên cứu này, chúng tơi chọn tín hiệu vào hình sin Số hóa Trung tâm Học liệu – Đại học Thái Nguyên http://www.lrc-tnu.edu.vn | Nguyễn Hữu Cơng cs Tạp chí KHOA HỌC & CƠNG NGHỆ Mạng CTRNN đƣợc chọn gồm ba lớp: lớp vào có nơron, lớp ẩn có nơron, lớp có nơron ba lớp dùng hàm tansig Sau huấn luyện mạng nơron, thông số mạng nơron nhƣ sau: IW_end = 0.9565 1.3883 2.0187 0.5408 0.3616 0.6770 -0.9193 0.8820 LW_end = -0.8855 -0.8897 -0.0652 -0.9160 74(12): - Bước 3: kết hợp mạng NN controller va mạng NN plant tạo thành mạng NN system nhƣ hình 6, sau dùng tập mẫu P,T huấn luyện mạng NN controller cho hàm mục tiêu J N e (k ) N k 1 Theo [1], sau huấn luyện mạng nơron NN controller xong ta có cấu trúc điều khiển hệ thống xử lý nƣớc thải nhƣ hình Hình Sơ đồ huấn luyện điều khiển nơron NN Hình Đồ thị mẫu học, đầu mạng sai lệch Đồ thị hình biểu diễn độ sai lệch tín hiệu hệ thống với đầu mơ hình mạng nơron Ta thấy sai lệch nhỏ, nên mơ hình mạng nơron đƣợc sử dụng làm mơ hình cho hệ thống xử lý nƣớc thải để thiết kế điều khiển ỨNG DỤNG MẠNG CTRNN ĐỂ ĐIỀU KHIỂN HỆ THỐNG XỬ LÝ NƢỚC THẢI Nguyên tắc thiết kế điều khiển mạng noron Hình Sơ đồ hệ thống điều khiển Thiết kế điều khiển Mơ hình mạng nơron điều khiển đƣợc chọn nhƣ hình Bước 1: tạo tập mẫu P,T lấy mơ hình mẫu cách phát tín hiệu đầu vào P quan sát tín hiệu T, dùng tập mẫu P,T để huấn luyện mạng nơron cho điều khiển „„NN Controller‟‟ Hình Cấu trúc mạng nơron điều khiển Bước 2: chọn cấu trúc mạng nơron NN controller Mạng gồm ba lớp: lớp vào có nơron dùng hàm tansig, lớp ẩn có nơron dùng Số hóa Trung tâm Học liệu – Đại học Thái Nguyên http://www.lrc-tnu.edu.vn | Nguyễn Hữu Công cs Tạp chí KHOA HỌC & CƠNG NGHỆ 74(12): - hàm tansig, lớp có nơron dùng hàm purelin Hàm truyền đạt mơ hình mẫu đƣợc chọn: G(s) 0.001 (25S 1)(30s 1) Hình Sơ đồ mơ Phát tín hiệu ngẫu nhiên vào mơ hình mẫu, ta thu đƣợc thơng số (p,t) gồm 1000 mẫu để huấn luyện điều khiển nơron Sau huấn luyện ta có thơng số điều khiển nơ ron: Kết mô với tín hiệu đặt ref=0.000001, a=0,005 sơ kiện y(0) khác : + y(0) = 0,005 net.iw{1,1} = 1.0e+003 *[-0.4220 1.9542 -1.8371 -0.8361]'; net.lw{1,3} =[-2.1672 0.9400 0.5578 1.9932]'; net.lw{1,5} =[0.2532 -0.4862 -1.1192 0.5167]'; net.b{1} = [2.2229 -0.7450 -0.7357 -2.2132]'; net.b{2} = [-1.8333 0.0276 -1.8474]'; net.lw{2,1}=[0.8660 -0.3013 -0.4278 0.8825 1.5635 0.4370; 1.3020 0.8247; -1.3695 0.8132 -0.3626 -0.8475]; Hình 10 Mơ với tín hiệu đặt y(0) = 0,005 net.b{3} = -0.1232; net.lw{3,2} = [0.0442 -0.2783 -0.0546]; Kết mô sai lệch tín hiệu đối tƣợng với mơ hình mẫu nhƣ hình Hình 11 Mơ với tín hiệu đặt y(0) = 0,02 Hình Đồ thị sai lệch tín hiệu đối tƣợng với mơ hình mẫu Với sơ đồ mơ điều khiển hệ xử lý nƣớc thải dùng mạng nơron hồi quy liên tục nhƣ hình 9, ta đƣợc kết nhƣ hình 10, hình 11, hình 12 Số hóa Trung tâm Học liệu – Đại học Thái Nguyên http://www.lrc-tnu.edu.vn | Nguyễn Hữu Cơng cs Tạp chí KHOA HỌC & CÔNG NGHỆ 74(12): - - Có thể dùng CTRNN để nhận dạng cho lớp đối tƣợng động học phi tuyến có mơ hình giống nhƣ hệ thống xử lý nƣớc thải - Công việc nghiên cứu cải tiến thuật học CTRNN ứng dụng cho toán điều khiển phi tuyến khác TÀI LIỆU THAM KHẢO Hình 12 Mơ với tín hiệu đặt y(0) = -0,02 Ta thấy với tín hiệu đặt khác nhƣng tín hiệu đầu hệ thống tiến tới giá trị đặt KẾT LUẬN - Có thể ứng dụng mạng nơron để nhận dạng điều khiển đối tƣợng động học phi tuyến hệ thống xử lý nƣớc thải Nhƣ giới thiệu thêm phƣơng pháp thiết kế hệ thống điều khiển phƣơng pháp thông thƣờng sử dụng PID điều khiển mờ [1] Nguyễn Hữu Công (2006), “Nghiên cứu ứng dụng mạng nơron để nhận dạng điều khiển đối tƣợng phi tuyến” Đề tài cấp Bộ, [2].Bùi Công Cƣờng, Nguyễn Doãn Phƣớc (2001), Hệ mờ, mạng nơron ứng dụng, Nxb Khoa học Kỹ thuật, Hà Nội [3] Nguyễn Doãn Phƣớc, Phan Xuân Minh (2001) Điều khiển mờ mạng nơron Nhà xuất Khoa học Kỹ thuật, Hà Nội [4] R.K Al Seyab, Y Cao (2007)“Nonlinear system identification for predictive control using continuous time recurrent neural networks and automatic differentiation”, School of Engineering Cranfield University, College Road, Cranfield, Bedford MK43 0AL, UK, Science Direct SUMMARY CONTINUOUS TIME RECURRENT NEURAL NETWORK FOR IDENTIFYING AND CONTROL WASTE WATER TREATMENT SYSTEM Nguyen Huu Cong, Nguyen Thi Thanh Nga, Pham Van Hung Thai Nguyen University of Technology Neural networks have been recently applied to identifying and controlling nonlinear systems due to their ability of approximating any nonlinear functions However, the difficulty is how to model a suitable network for the certain problem The continuous time recurrent neural network is applied for identifying and controlling a class of nonlinear dynamical systems The article applied neural network to identify and control the waste water treatment Results of the research is demonstrated by simulation and enable to apply to practical concept Key words: continuous time recurrent neural networks (CTRNN), nonlinear dynamical systems, waste water treatment Số hóa Trung tâm Học liệu – Đại học Thái Nguyên http://www.lrc-tnu.edu.vn | Nguyễn Hữu Cơng cs Tạp chí KHOA HỌC & CƠNG NGHỆ Số hóa Trung tâm Học liệu – Đại học Thái Nguyên 74(12): - http://www.lrc-tnu.edu.vn | ... số vector mạng Với mơ hình (4), xây dựng cấu trúc mạng: 74(12): - ỨNG DỤNG MẠNG CTRNN ĐỂ NHẬN DẠNG HỆ THỐNG XỬ LÝ NƢỚC THẢI Nguyên tắc sử dụng mạng noron nhận dạng Để nhận dạng hệ thống cần hai... nu Trong đó: W2 nxˆ nh b2 nxˆ trọng số kết nối, b1 Kết nhận dạng hệ thống xử lý nước thải nh Với phƣơng trình hệ thống xử lý nƣớc thải nhƣ (2), ta sử dụng mạng nơron để nhận dạng hệ. .. hiệu hệ thống với đầu mơ hình mạng nơron Ta thấy sai lệch nhỏ, nên mơ hình mạng nơron đƣợc sử dụng làm mơ hình cho hệ thống xử lý nƣớc thải để thiết kế điều khiển ỨNG DỤNG MẠNG CTRNN ĐỂ ĐIỀU KHIỂN