Nhận dạng lò hơi sử dụng mô hình phi tuyến

Nhận dạng lò hơi sử dụng mô hình phi tuyến Nhận dạng lò hơi sử dụng mô hình phi tuyến Nhận dạng lò hơi sử dụng mô hình phi tuyến luận văn tốt nghiệp,luận văn thạc sĩ, luận văn cao học, luận văn đại học, luận án tiến sĩ, đồ án tốt nghiệp luận văn tốt nghiệp,luận văn thạc sĩ, luận văn cao học, luận văn đại học, luận án tiến sĩ, đồ án tốt nghiệp

BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC BÁCH KHOA HÀ NỘI - VŨ HUY HỒNG NHẬN DẠNG LỊ HƠI SỬ DỤNG MƠ HÌNH PHI TUYẾN LUẬN VĂN THẠC SĨ KỸ THUẬT KỸ THUẬT ĐIỀU KHIỂN VÀ TỰ ĐỘNG HÓA Hà Nội – 2017 BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC BÁCH KHOA HÀ NỘI - VŨ HUY HOÀNG NHẬN DẠNG LỊ HƠI SỬ DỤNG MƠ HÌNH PHI TUYẾN LUẬN VĂN THẠC SĨ KỸ THUẬT KỸ THUẬT ĐIỀU KHIỂN VÀ TỰ ĐỘNG HÓA NGƯỜI HƯỚNG DẪN KHOA HỌC : PGS.TS HỒNG MINH SƠN Hà Nội – 2017 CỘNG HỊA XÃ HỘI CHỦ NGHĨA VIỆT NAM Độc lập – Tự – Hạnh phúc BẢN XÁC NHẬN CHỈNH SỬA LUẬN VĂN THẠC SĨ Họ tên tác giả luận văn : Vũ Huy Hoàng Đề tài luận văn: Nhận dạng lị sử dụng mơ hình phi tuyến Chun ngành: Kỹ thuật điều khiển tự động hóa Mã số HV: CB140499 Tác giả, Người hướng dẫn khoa học Hội đồng chấm luận văn xác nhận tác giả sửa chữa, bổ sung luận văn theo biên họp Hội đồng ngày 26/04/2017 với nội dung sau: - Không sửa chữa Ngày 11 tháng 05 năm 2017 Giáo viên hướng dẫn Tác giả luận văn PGS.TS Hoàng Minh Sơn Vũ Huy Hoàng CHỦ TỊCH HỘI ĐỒNG GS.TS Nguyễn Dỗn Phước i Lời cam đoan Tơi xin cam đoan luận văn: “Nhận dạng lị sử dụng mơ hình phi tuyến” tơi tự thực hướng dẫn thầy giáo, PGS TS Hoàng Minh Sơn Các số liệu kết hoàn toàn với thực tế chưa công bố Để hồn thành luận văn này, tơi sử dụng tài liệu ghi danh mục tài liệu tham khảo không chép hay sử dụng tài liệu khác Nếu phát có chép tơi xin chịu hồn tồn trách nhiệm Hà Nội ngày 10 tháng năm 2017 Học viên Vũ Huy Hồng ii MỤC LỤC Trang Danh sách hình vẽ .v Danh sách bảng vii Danh mục chữ viết tắt viii Danh mục kí hiệu ix MỞ ĐẦU .1 CHƯƠNG 1: TỔNG QUAN VỀ NHẬN DẠNG LÒ HƠI 1.1 Sơ lược vấn đề nhận dạng 1.1.1 Tổng quan phương pháp 1.1.2 Phân loại phương pháp nhận dạng .5 1.1.3 Các bước tiến hành nhận dạng 1.2 Lịch sử nghiên cứu lĩnh vực nhận dạng lò .8 CHƯƠNG 2: PHƯƠNG PHÁP SAI SỐ DỰ BÁO 10 2.1 Phương pháp sai số dự báo (PEM) 10 2.2 Thuật toán Newton 12 2.3 Thuật toán di truyền (GA) 13 2.4 Thuật toán tối ưu bầy đàn (PSO) 18 CHƯƠNG 3: MƠ HÌNH PHI TUYẾN TRONG NHẬN DẠNG HỆ THỐNG .22 3.1 Các loại mơ hình phi tuyến nhận dạng hệ thống 22 3.2 Mơ hình song tuyến tính (Bilinear) .22 3.3 Mơ hình mạng nơron hồi quy (RNN) 23 3.4 Mô hình Wiener sử dụng mạng nơron (Wiener – Neural Network) 33 3.5 Cấu trúc mơ hình tốn nhận dạng 35 CHƯƠNG 4: ĐỐI TƯỢNG LÒ HƠI .41 4.1 Q trình cơng nghệ lị 41 4.2 Giải pháp điều khiển cho lò 42 4.2.1 Điều khiển mức nước bao 43 iii 4.2.1 Kiểm soát nhiệt độ nước nhiệt 43 4.2.2 Áp suất nhiệt đầu 44 4.2.3 Chất lượng trình cháy buồng lửa 44 4.3 Mơ hình lý thuyết cho đối tượng lò .44 CHƯƠNG 5: NHẬN DẠNG NGOẠI TUYẾN ĐỐI TƯỢNG LÒ HƠI 49 5.1 Nội dung thực nghiệm 49 5.2 Một số lưu ý trình nhận dạng lị 50 5.3 Mơ hình trạng thái tuyến tính 54 5.4 Mơ hình trạng thái song tuyến tính 63 5.5 Mơ hình Wiener sử dụng mạng nơron (WNN) 72 5.6 Mơ hình mạng nơron hồi quy (RNN) 76 5.7 Tổng kết mơ hình nhận dạng ngoại tuyến .81 CHƯƠNG 6: NHẬN DẠNG TRỰC TUYẾN ĐỐI TƯỢNG LÒ HƠI 84 6.1 Phương pháp sai số dự báo đệ quy cho mơ hình song tuyến tính .84 6.2 Nhận dạng trực tuyến lị sử dụng mơ hình song tuyến tính 88 KẾT LUẬN .96 DANH MỤC CÁC CƠNG TRÌNH ĐÃ CƠNG BỐ .97 TÀI LIỆU THAM KHẢO 98 iv Danh sách hình vẽ Nội dung Trang Hình 2.1 Lưu đồ thuật toán di truyền .14 Hình 2.2 Minh họa hoạt động thuật toán PSO 18 Hình 2.3 Lưu đồ thuật tốn PSO 19 Hình 3.1 Cấu tạo nơron .24 Hình 3.2 Một số hàm kích hoạt mạng nơron 26 Hình 3.3 Cấu trúc mạng nơron Elman .29 Hình 3.4 Cấu trúc mạng nơron TDNN 29 Hình 3.5 Cấu trúc mạng nơron NARX 30 Hình 3.6 Minh họa thuật tốn BPTT 31 Hình 3.7 Minh họa tượng Vanishing gradient 31 Hình 3.8 Mơ hình phi tuyến Wiener - Hammerstein .33 Hình 3.9 Cấu trúc mơ hình Wiener Neural Network (WNN) 34 Hình 3.10 Minh họa tượng overfitting .36 Hình 3.11 Quan hệ bậc mơ hình – bias – variance 37 Hình 3.12 Minh họa quan hệ số lượng mẫu – bias – variance 39 Hình 4.1 Sơ đồ cấu tạo lị nhà máy nhiệt điện .41 Hình 4.2 Mơ hình lị giản lược 46 Hình 4.3 Các biến vào – đối tượng lị 48 Hình 5.1 Dữ liệu vào – cho thí nghiệm .52 Hình 5.2 Dữ liệu vào – cho thí nghiệm .53 Hình 5.3 Kết nhận dạng – LLM – Thí nghiệm .55 Hình 5.4 Kết nhận dạng – LGA – Thí nghiệm .56 Hình 5.5 Kết nhận dạng – LPSO – Thí nghiệm .57 Hình 5.6 Kết nhận dạng – LLM – Thí nghiệm .58 Hình 5.7 Kết nhận dạng – LGA – Thí nghiệm .59 Hình 5.8 Kết nhận dạng – LPSO – Thí nghiệm .60 v Hình 5.9 Kết nhận dạng – BLM – Thí nghiệm 64 Hình 5.10 Kết nhận dạng – BGA – Thí nghiệm 65 Hình 5.11 Kết nhận dạng – BPSO – Thí nghiệm 66 Hình 5.12 Kết nhận dạng – BLM – Thí nghiệm 67 Hình 5.13 Kết nhận dạng – BGA – Thí nghiệm 68 Hình 5.14 Kết nhận dạng – BPSO – Thí nghiệm 69 Hình 5.15 Kết nhận dạng – WNN – Thí nghiệm 73 Hình 5.16 Kết nhận dạng – WNN – Thí nghiệm 74 Hình 5.17 Kết nhận dạng – RNN – Thí nghiệm 77 Hình 5.18 Kết nhận dạng – RNN – Thí nghiệm 78 Hình 5.19 Hiện tượng overfitting huấn luyện RNN 79 Hình 6.1 Kết nhận dạng – BRPEM-0 91 Hình 6.2 Kết nhận dạng – BRPEM 92 Hình 6.3 Kết nhận dạng – LRPEM 93 Hình 6.4 Sự biến thiên giá trị tham số theo thời gian - BRPEM .94 Hình 6.5 Sự biến thiên giá trị tham số theo thời gian - LRPEM .94 vi Danh sách bảng Nội dung Trang Bảng 5.1 Kết nhận dạng – LLM 61 Bảng 5.2 Kết nhận dạng – LGA 61 Bảng 5.3 Kết nhận dạng – LPSO .62 Bảng 5.4 Kết nhận dạng – BLM 70 Bảng 5.5 Kết nhận dạng – BGA 70 Bảng 5.6 Kết nhận dạng – BPSO .71 Bảng 5.7 Kết nhận dạng – WNN 75 Bảng 5.8 Kết nhận dạng – RNN 79 Bảng 5.9 Kết nhận dạng ngoại tuyến 81 Bảng 5.10 Thời gian tính tốn mơ hình thí nghiệm 81 Bảng 6.1 So sánh nhận dạng ngoại tuyến nhận dạng trực tuyến 84 Bảng 6.2 Kết nhận dạng - BRPEM 90 vii Danh mục chữ viết tắt AIC Akaike Information Criterion AR Autoregressive BIC Bayesian Information Criterion BP Backpropagation BPEM Bilinear model-based Prediction Error Method BPTT Backpropagation Through Time EC Evolutionary Computation FIR Finite Impulse Response GA Genetic Algorithm IIR Infinite Impulse Response LPEM Linear model-based Prediction Error Method MA Moving Average MSE Mean Squared Error NARX Nonlinear Autoregressive Network with exogenous inputs PEM Prediction Error Method PSO Particle Swarming Optimization RNN Recurrent Neural Network RPEM Recursive Prediction Error Method SNR Signal to Noise Ration TDNN Time Delay Neural Network WNN Wiener model-based Neural Network viii x(k + 1) = A x(k) + B u(k) + ∑ y(k) = Cx(k) + e(k) L x(k) u (k) + K y(k) − Cx(k) (6.3) Thu gọn lại có: x(k + 1) = F x(k) + G z(k) + ∑ y(k) = Cx(k) + e(k) L x(k) u (k) (6.4) Trong z(k) = [u (k), y (k)] , F = (A − K C) , G = [B , K ] Gom tham số mơ hình (F , G , L ) lại thành vector để đưa mơ hình dạng hồi quy tuyến tính: x(k + 1) = φ (k) θ(k) y(k) = Cx(k) + e(k) (6.5) Trong đó:  Vector tham số thời điểm thứ k: θ(k) tập hợp hệ số từ ma trận F ,G  φ(k) vector hồi quy (regressor) chứa giá trị thành phần x(k), y(k), u(k) Như biết giá trị thực x(k + 1), x(k), y(k), u(k) dễ dàng tìm vector tham số θ(k) thời điểm k Tuy nhiên giá trị vector biến trạng thái x(k) lại trước Vì thế, giá trị biến trạng thái ước lượng x(k) dùng thay cho x(k) mơ hình ước lượng: x(k + 1) = φ (θ, k) θ(k) y(k) = Cx(k) (6.6) Với :  θ giá trị ước lượng vector tham số θ thời điểm thứ k  x(k), y(k): Giá trị ước lượng biến trạng thái biến đầu thời điểm k, phụ thuộc vào tham số θ Từ sau, để đơn giản, không làm rõ, mặc định x(k) ≜ x k, θ y(k) ≜ y k, θ 86 Chọn hàm mục tiêu: V(θ) = E[ε Λ ε] với E[.] toán tử lấy kì vọng Λ ma trận hiệp phương sai nhiễu đo, ε vector sai số dự báo Để cực tiểu hóa hàm mục tiêu nêu trên, cập nhật θ theo luật: θ(k) = θ(k − 1) + γ(k) R (k) ψ(k) Λ (k) ε(k) (6.7) Trong đó:  ψ(k) gradient đầu dự báo: ψ (k, θ) = ( ) Với: W(k + 1, θ) = = ( ) =C ( = C W(k, θ) (6.8) , ) [F (θ) x(k, θ) + G (θ) z(k) + ∑ = [F (θ) + ∑ … + L (θ) u (k)] x(k, θ) + ∂ [G (θ)]z(k) + ∂θ = [F (θ) + ∑ L (θ) x(k, θ) u (k)] F (θ) x(k, θ) + ⋯ ∂ L (θ) x(k, θ) u (k) ∂θ L (θ) u (k)]W(k, θ) + φ (k) (6.9)  Λ(k) ma trận hiệp phương sai nhiễu đo e(k) ước lượng đệ quy sau: Λ(k) = Λ(k − 1) + γ(k) ε(k) ε (k) − Λ(k − 1) (6.10)  Ma trận Hessian hàm mục tiêu: R(k) = R(k − 1) + γ(k) ψ(k) Λ (k) ψ (k) − R(k − 1) (6.11)  γ(k) hệ số gain Hệ số giải thích sau: trình nhận dạng trực tuyến, điều ta quan tâm khả điều chỉnh hệ thống theo xu hướng thời Nếu mẫu từ khứ tới đóng vai trị hàm mục tiêu khả điều chỉnh kịp thời ngày Vì thế, hệ số gain cách “cân đối” mức ưu tiên mẫu cập nhật mẫu khứ Nếu γ(k) = 1 dễ thấy Λ(k) R(k) tập trung vào mẫu tại, γ(k) → mẫu tham gia vào q trình điều chỉnh lại tham số Có 87 nhiều cách để xây dựng γ(k) Một cách hay sử dụng là: γ(k) cập nhật giá trị “forgetting factor” (hệ số quên) λ(k) theo luật sau: λ(k) = λ λ(k − 1) + − λ (6.12) γ(k) = (6.13) ( ) ( ) Tóm lại, thuật tốn sai số dự báo đệ quy cho mơ hình song tuyến tính (gọi tắt BRPEM) thực sau: Bước 1: Khởi tạo giá trị:  θ(0) , λ(0), γ(0), R(0), W(0), Λ(0)  x(0), y(0), u(0) → φ (0) Bước 2: Với giá trị mẫu mới, cập nhật theo thứ tự sau: k=k+1 λ(k) = λ λ(k − 1) + − λ (6.14) γ(k) = (6.15) ( ) ( ) x(k) = φ (k − 1) θ(k − 1) (6.16) y = Cx(k) (6.17) ε(k) = y(k) − y(k) (6.18) Λ(k) = Λ(k − 1) + γ(k) ε(k) ε (k) − Λ(k − 1) (6.19) W (k ) = [F + ∑ (6.20) L u (k)]W(k − 1) + φ (k − 1) ψ (k ) = W ( k ) C (6.21) R(k) = R(k − 1) + γ(k) ψ(k) Λ (k) ψ (k) − R(k − 1) (6.22) θ(k) = θ(k − 1) + γ(k) R (k) ψ(k) Λ (k) ε(k) (6.23) Từ θ(k) → L = L θ(k) F = F θ(k) 6.2 Nhận dạng trực tuyến lò sử dụng mơ hình song tuyến tính Kết hợp với phân tích chương 5, mơ hình trạng thái song tuyến tính sử dụng cho việc nhận dạng trực tuyến lị có dạng sau: x(k + 1) = A x(k) + B u(k) + L x(k) u (k) + K e(k) y(k) = Cx(k) + e(k) 88 (6.24) với A , B , L ∈ ℝ × ,K ∈ ℝ × , C = 0 0 Áp dụng thuật toán đệ quy mục 6.1 với giá trị khởi tạo sau:  λ(0) = 0.995  γ(0) = 0.99  W ( 0) =  Λ ( 0) = 0  R(0) = I  y(0) = y(1), u(0) = y (1) ( ) ( )  Vector trạng thái đầu x khởi tạo : x = y (1)  θ(0) khởi tạo thuật tốn bình phương cực tiểu với 100 mẫu Sau thuật tốn chạy hết tồn liệu: 1.0712 −0.0864 −0.0527 ( ) A N = 0.0388 0.9798 −0.0157 0.3495 −0.4222 0.7488 0.0106 −0.0003 −0.0146 B(N) = 0.0095 0.0032 −0.0318 −0.0079 −0.0009 −0.0098 1.4540 0.0405 K(N) = −0.1294 1.6189 −0.2616 −0.6676 −0.0671 L(N) = −0.1839 0.2406 0.0901 0.2534 −0.2897 0.0588 0.1366 −0.1622 Để đánh giá hiệu mơ hình song tuyến tính nhận dạng phương pháp sai số dự báo đệ quy (kí hiệu BRPEM), so sánh mơ hình nêu với hai mơ hình sau: 89  Mơ hình lị dạng song tuyến tính (có cấu trúc 6.24) thu cách áp dụng phương pháp sai số dự báo đệ quy, sau t = 1000s không cập nhật tham số cho mơ hình ( mơ hình thu kí hiệu BRPEM-0)  Mơ hình tuyến tính (có cấu trúc 6.24 L = 0) thu cách áp dụng phương pháp sai số dự báo đệ quy Cách thức thực tương tự trường hợp mơ hình song tuyến tính, khơng có thành phần L phương trình lặp (mơ hình thu kí hiệu LRPEM) Bảng 6.2 Kết nhận dạng - BRPEM NRMSE* (%) Mơ hình Nhiệt độ nhiệt ( y ) Áp suất nhiệt ( y ) BRPEM 99.60 99.56 BRPEM-0 82.13 81.70 LRPEM 99.22 99.27 Bảng 6.3 Thời gian tính tốn - BPREM Mơ hình Số lượng tham số cần ước lượng Thời gian tính tốn trung bình (ms/mẫu) Thời gian tính tốn lớn (ms/mẫu) BRPEM 33 0.9 3.7 90 Hình 6.1 Kết nhận dạng – BRPEM-0 91 Hình 6.2 Kết nhận dạng – BRPEM 92 Hình 6.3 Kết nhận dạng – LRPEM 93 Hình 6.4 Sự biến thiên giá trị tham số theo thời gian - BRPEM Hình 6.5 Sự biến thiên giá trị tham số theo thời gian - LRPEM 94 Nhận xét:  Từ kết mơ hình BRPEM-0, thấy sau ngừng việc cập nhật tham số, kết dự báo trì tốt khoảng thời gian ngắn Tuy nhiên, sau, sai khác đáp ứng mơ hình liệu thực trở nên đáng kể Ngược lại, với mơ hình BRPEM, kết dự báo bám sát điều chỉnh tham số mô hình cho phù hợp với liệu thực  Mơ hình LRPEM cho đáp ứng bám sát liệu thực Tuy nhiên, vài thời điểm có biến thiên mạnh tham số mô hình, khiến cho đáp ứng đầu biến thiên đột ngột theo Do đó, trường hợp này, mơ hình BRPEM thực việc mô tốt so với mơ hình LRPEM  Quan sát biến thiên tham số theo thời gian: tham số biến đổi mạnh giai đoạn độ biến đổi trình vận hành quanh điểm làm việc Nguyên nhân việc tham số điều chỉnh theo lượng tỉ lệ với sai số dự báo bước Khi lò giai đoạn độ, biến thiên mạnh đầu đối tượng thực khiến cho sai số dự báo tương ứng lớn hơn, dẫn tới tham số biến động mạnh  Tốc độ tính tốn thuật tốn đủ nhanh so với chu kì trích mẫu, đáp ứng yêu cầu việc nhận dạng trực tuyến thực tế  Ngoài ra, chất thuật tốn đệ quy, tham số khơng điều chỉnh theo biến đổi thực đối tượng mà theo nhiễu đo nhiễu đầu tác động lên đối tượng Vì vậy, cần phải có cân đối hợp lý tốc độ thích nghi khả bền vững với nhiễu, thông qua việc điều chỉnh chuỗi gain γ(k) 95 KẾT LUẬN A Các kết thu luận văn Những đóng góp luận văn bao gồm:  Đề xuất sử dụng số thuật tốn tối ưu tồn cục: thuật tốn di truyền GA, thuật toán tối ưu bầy đàn PSO nhằm cải thiện chất lượng phương pháp sai số dự báo, tốn nhận dạng lị  Đề xuất sử dụng số mơ hình phi tuyến, bao gồm mơ hình song tuyến tính, mơ hình mạng nơron hồi quy RNN mơ hình phi tuyến Wiener sử dụng mạng nơron WNN, toán nhận dạng lị  Phân tích mối quan hệ việc lựa chọn cấu trúc mơ hình thuật tốn ước lượng tham số cho mơ hình  Phát triển thuật tốn nhận dạng trực tuyến lị sử dụng mơ hình song tuyến tính  Ứng dụng thuật tốn mơ hình phi tuyến việc nhận dạng mơ hình lị nhà máy nhiệt điện Phả Lại trường hợp liệu thu thập vòng kín với kích thích bị động từ nhiễu tải Đánh giá ưu nhược điểm, phạm vi ứng dụng mơ hình nhận B Hướng phát triển luận văn Luận văn phát triển tiếp tục theo hướng sau đây:  Xây dựng mô hình lý thuyết có cấu trúc phi tuyến phức tạp hơn, với số lượng đầu vào – nhiều (ví dụ áp suất mức nước bao hơi) nhằm phục vụ cho thuật toán điều khiển nâng cao  Ứng dụng thuật toán tối ưu khác (ví dụ thuật tốn simulated annealing, thuật tốn tính tốn tiến hóa…) việc nâng cao chất lượng phương pháp sai số dự báo, đặc biệt cho mạng nơron hồi quy  Nghiên cứu phương pháp khống chế tượng overfitting/underfitting nhận dạng hệ thống nói chung nhận dạng lị nói riêng 96 DANH MỤC CÁC CƠNG TRÌNH ĐÃ CƠNG BỐ [1] Vũ Huy Hoàng, Hoàng Minh Sơn (2017), “Boiler Identification using TwoStaged Prediction Error Method and Genetic Algorithm”, Chuyên san Đo lường, Điều khiển Tự động hóa, Số 18 (đã chấp nhận đăng) 97 TÀI LIỆU THAM KHẢO Tiếng Việt [1] Hoàng Minh Sơn (2009), Cơ sở điều khiển trình, nhà xuất Bách khoa Hà Nội [2] Nguyễn Hữu Quốc Đạt (2006), Xây dựng mơ hình động học lò – nhà máy Đạm Phú Mỹ, Trường đại học Bách khoa Hà Nội (luận văn thạc sỹ khoa học) [3] Nguyễn Doãn Phước, Phan Xuân Minh (2005), Nhận dạng hệ thống điều khiển, NXB Khoa học kỹ thuật Hà Nội [4] Trịnh Thị Khánh Ly (2016), Nhận dạng hệ thống điều khiển lò vịng kín, Trường đại học Bách khoa Hà Nội (luận án tiến sỹ) Tiếng Anh [5] Aling H., Heintze J (1992), “Closed loop identification of a 600 MW Benson Boiler”, Proc of the 31st Conference on Decision and Control, pp 909-914.U Baur [6] Andrzej J (2005), Identification of nonlinear systems using neural networks and polynomial models, Springer – Verlag Berlin Heidelberg [7] Åström K J (2000), “Drum-boiler dynamics”, Automatica, vol 36, pp 363378 [8] Bishop C M (2005), Pattern recognition and machine learrning, Springer [9] Danilo P M & Jonathon A C (2001), Recurrent neural networks for prediction, Jonh Wiley & Sons Ltd [10] De Mello F P (2013), Boiler Dynamics and Controls, Xlibris Publishing [11] Dimeo R., Lee K Y (1995), “Boiler-turbine control system design using a Genetic Algorithm”, JEEE Trans Energy Conversion, vol 10 (4), 1995, pp.752-759 98 [12] Farooq A A, Afram A., Schulz N., Sharifi F J (2015), “Grey-box modeling of a low pressure electric boiler for domestic hot water system”, Applied Thermal Engineering, vol 84, pp 257-267 [13] Goldberg D E (1989), Genetic algorithmin search, optimization and machine learning, Reading, MA, Addison-Wesley [14] Haryanto A., Turnip A (2009), “Parameter identification of a superheater boiler system based on Wiener-Hammerstein model using maximum likelihood method”, Proc of the 7th Asian Control Conference, Hong Kong, pp 1346-1352 [15] Inoue K., Kumamaru K., Inoue H., Araki T (2002), “Identification and adaptive control of super heater system based on quasi-ARMAX model”, IEEE Proc 4, pp 2646–2651 [16] Irwin G., Brown M., Hogg B., Swidenbank E (1995), “Neural network modelling of a 200MW boiler system”, IEE Proc.-Control Theory Appl., vol 142 (6), pp.529-536 [17] Jafari M., Salimifard M., Dehghani M (2012), “Gradient based iterative identification of multivariable Hammerstein-Wiener models with application to a steam generator boiler”, Proc of 20th Iranian Conference on Electrical Engineering Tehran, Iran, pp 916-921 [18] Jin Q., Wang Z., Yang R., Wang J (2014), “An effective direct closed loop identification method for linear multivariable systems with colored noise”, Journal of Process Control, vol 24, pp 485–492 [19] Liu C L., Liu J H., Niu Y G., Zeng D L (2003), “Genetic algorithm-based multivariable nonlinear boiler model identification for 300MW power unit”, International Conference on Machine Learning and Cybernetics IEEE International Symposium on 2003, pp.1296 – 1300 [20] Liu G P (2001), Nonlinear identification and control: A neural network approach, Springer 99 [21] Ljung L., Söderström T (1983), Theory and practice of recursive identification, MA, MIT Press, Cambridge, UK [22] Ljung L (1999), System Indetification – Theory for User - 2nd Edition, Prentice Hall [23] T T K Ly, H M Son (2014), “Grey-box identification of steam boiler using linear state-space model and closed-loop data”, Journal of science & technology 101, pp 25-30 [24] T T K Ly, H M Son (2015), “On-line closed-loop identification of steam boiler using state-space predictor model”, Chuyên san Điều khiển Tự động hóa, số 13, trang 30-35 [25] Maffezzoni C (1997), “Boiler-turbine dynamics in power plant control”, Control Engineering Practice, vol 5, no 3, pp 301–312 [26] Man X., Ding F (2014), “Recursive and iterative least squares parameter estimationalgorithms for observability canonical state space systems” Journal of the Franklin Institute, pp 0016-0032 [27] Rizvi S Z., Al-Duwaish H N (2010), “Modelling of a Nonlinear Multivariable Boiler Plant using Hammerstein Model: A Nonparametric Approach”, 29th IASTED International Conference on Modelling, Identification and Control, pp.102-108 [28] Rusinowski H., Stanek W (2007), “Neural modelling of steam boilers” Energy Convers Manage, vol 48 (11), pp 2802–9 [29] Vasqueza J R R., Perezb R R., Morianoa J S., Gonzalez J R P (2008), “System identification of steam pressure in a fire-tube boiler”, Computers and Chemical Engineering, vol 32, pp 2839–2848 [30] Tangirala A K (2015), Principles of System Identification: Theory and Practice, CRC Press Taylor & Francis Group 100 ... 18 CHƯƠNG 3: MƠ HÌNH PHI TUYẾN TRONG NHẬN DẠNG HỆ THỐNG .22 3.1 Các loại mô hình phi tuyến nhận dạng hệ thống 22 3.2 Mơ hình song tuyến tính (Bilinear) .22 3.3 Mô hình mạng nơron hồi... hình nhận dạng ngoại tuyến .81 CHƯƠNG 6: NHẬN DẠNG TRỰC TUYẾN ĐỐI TƯỢNG LÒ HƠI 84 6.1 Phương pháp sai số dự báo đệ quy cho mơ hình song tuyến tính .84 6.2 Nhận dạng trực tuyến lị sử dụng. .. để nhận dạng bị giới hạn 3.1 Các loại mơ hình phi tuyến nhận dạng hệ thống Trái với mơ hình tuyến tính, mơ hình phi tuyến phong phú chủng loại độ phức tạp Tính chất phi tuyến thể qua nhiều hình