Điều khiển hệ phi tuyến dùng thuật toán neuron mờ thích nghi

CÔNG TRÌNH ĐƯC HOÀN THÀNH TẠI TRƯỜNG ĐẠI HỌC BÁCH KHOA ĐẠI HỌC QUỐC GIA TP HỒ CHÍ MINH Cán hướng dẫn khoa học: TS Nguyễn Thiện Thành Cán chấm nhận xét 1: Cán chấm nhận xét 1: Luận văn thạc só bảo vệ HỘI ĐỒNG CHẤM BẢO VỆ LUẬN VĂN THẠC SĨ TRƯỜNG ĐẠI HỌC BÁCH KHOA, ngày…… tháng…… năm…………… ĐẠI HỌC QUỐC GIA TP HCM TRƯỜNG ĐẠI HỌC BÁCH KHOA CỘNG HOÀ XÃ HỘI CHỦ NGHIÃ VIỆT NAM Độc Lập - Tự Do - Hạnh Phúc -oOo Tp HCM, ngày tháng năm NHIỆM VỤ LUẬN VĂN THẠC SĨ Họ tên học viên: Nguyễn Thanh Phước Giới tính : Nam Ngày, tháng, năm sinh : 14/06/1978 Nơi sinh : Tây Ninh Chuyên ngành : Điều khiển học kỹ thuật Khoá (Năm trúng tuyển) : 2005 1- TÊN ĐỀ TÀI: Điều khiển hệ phi tuyến dùng thuật tốn Neuron mờ thích nghi 2- NHIỆM VỤ LUẬN VĂN: Tìm hiểu lý thuyết mạng Neuron, Logic mờ Xây dựng giải thuật cập nhật trọng số mạng neuron mờ thích nghi để ước lượng hàm f(x), g(x) cho hệ phi tuyến Thiết kế luật điều khiển thích nghi điều khiển hệ phi tuyến Thiết kế điều khiển nueron mờ thích nghi điều khiển hệ bồn nước 3- NGÀY GIAO NHIỆM VỤ : 4- NGÀY HOÀN THÀNH NHIỆM VỤ : 5- HỌ VÀ TÊN CÁN BỘ HƯỚNG DẪN: TS Nguyễn Thiện Thành Nội dung đề cương Luận văn thạc sĩ Hội Đồng Chuyên Ngành thông qua CÁN BỘ HƯỚNG DẪN (Họ tên chữ ký) CHỦ NHIỆM BỘ MÔN QUẢN LÝ CHUYÊN NGÀNH (Họ tên chữ ký) LỜI CẢM ƠN Tôi xin chân thành cảm ơn Quý Thầy Cô Trường Đại học Bách Khoa Tp Hồ Chí Minh giảng dạy chương trình cao học, giúp có kiến thức vững chuyên môn hoàn thành luận văn Tôi xin gửi lời cảm ơn sâu sắc đến Thầy TS Nguyễn Thiện Thành tận tình hướng dẫn nghiên cứu khoa học định hướng trình thực luận văn cao học Tôi xin chân thành cảm ơn Quý Thầy Cô khoa Điện-Điện Tử tạo điều kiện thuận lợi cho suốt trình học hỗ trợ sử dụng thiết bị, mô hình thí nghiệm để hoàn thành luận văn Tôi xin cảm ơn Thư viện trường Đại học Bách Khoa Tp Hồ Chí Minh cung cấp tài liệu tham khảo quý báu giúp có định hướng vững làm luận văn Xin cảm ơn ý kiến đóng góp, động viên bạn học viên cao học giúp hoàn thiện luận văn Tp Hồ Chí Minh, ngày…… tháng…… năm…………… Nguyễn Thanh Phước ABSTRACT In this thesis, An adaptive fuzzy neural algorithm is applied to control nonlinear system An objective control is a double tank system The adaptive fuzzy neural controller is constructed from the fuzzy neural network with a set of fuzzy rules The corresponding network parameters are adjusted online according to the control law and update law for the purpose of controlling the plant to tract a given trajectory A stability analysis of the unknown nonlinear system is discussed based on the Lyapunov principle The fuzzy neural system is used to approximate an unknown controlled system from the strategic manipulation of the model following tracking errors The simulation results for an unstable nonlinear plant demonstrate the control effectiveness of the proposed adaptive fuzzy neural controller and are consister with the theoretical analysis TOÙM TẮT Trong luận văn này, thuật toán neuron mờ thích nghi áp dụng điều khiển hệ phi tuyến Đối tượng đề nghị khảo sát hệ bồn nước Bộ điều khiển neuron mờ cấu tạo từ mạng neuron mờ với tập mờ luật mờ Các tham số mạng chỉnh định online theo luật điều khiển luật cập nhật với mục tiêu điều khiển đối tượng bám theo tín hiệu đặt trước Phân tích ổn định hệ phi tuyến dựa vào nguyên lý ổn định Lyapunov Mạng neuron mờ dùng để xấp xỉ hàm phi tuyến, điều khiển hệ thống từ chiến lược cập nhật sai số bám Các kết mô kết chạy mô hình thực, chứng minh tính hiệu thuật toán đề nghị phân tích lý thuyết luận văn i MỤC LỤC CHƯƠNG 1: GIỚI THIỆU TỔNG QUAN 1.1 Mục tiêu đề tài 1.2 Điều khiển mực chất lỏng hệ bồn nước 1.3 Giới thiệu hệ thống điều khiển 1.4 Nhận dạng hệ thống 1.5 Phương pháp nhận dạng hệ thống dùng mô hình mờ 11 1.6 Phương pháp hiệu chỉnh bình phương cực tiểu Batch .14 CHƯƠNG 2: MẠNG NEURON 16 2.1 Mạng neuron nhân taïo 17 2.1.1 Các nguyên lý mạng neuron nhân tạo 17 2.1.2 Một số hàm tổng hợp .18 2.1.2.1 Hàm tổng hợp tuyến tính 18 2.1.2.2 Haøm tổng hợp phi tuyến bậc 18 2.1.2.3 Hàm hình cầu .18 2.1.3 Một số hàm tác động 19 2.1.3.1 Hàm bậc thang đơn vò 19 2.1.3.2 Hàm dấu .19 2.1.3.3 Haøm Ramp 20 2.1.3.4 Haøm unipolar sigmoid 20 2.1.3.5 Haøm bipolar sigmoid 20 2.1.3.6 Haøm Gaussian 21 2.1.4 Mô hình kết nối mạng neuron nhân tạo 21 ii 2.1.5 Luật học thông số tổng quát cho mạng neuron nhân tạo .22 2.1.6 Học giám sát (supervised learning) .23 2.1.7 Học củng cố (Reinforced learning) .23 2.1.8 Học không giám sát (Unsupervised learning) .24 2.2 Maïng Perceptron .25 2.2.1 Caáu trúc mạng 25 2.2.2 Huấn luyện mạng 26 2.2.2.1 Đường biên định 26 2.2.2.2 Luật học Perceptron 26 2.3 Maïng Perceptron nhiều lớp .28 2.3.1 Cấu trúc mạng 28 2.3.2 Huấn luyện maïng 28 2.4 Mạng hàm sở xuyên tâm (RBF) 34 2.4.1 Caáu trúc mạng RBF (Radial Basic Function Network) 34 2.4.2 Thuật toán huấn luyện mạng RBF 36 CHƯƠNG 3: LÝ THUYẾT LOGIC MỜ 37 3.1 Cơ sở lý thuyết 38 3.1.1 Tập mờ 38 3.1.2 Các phép toán tập mờ 39 3.1.3 Biến ngôn ngữ giá trị biến ngôn ngữù 40 3.1.4 Qui tắc mờ suy luận mờ 40 3.1.5 Luật hợp thaønh .42 3.1.5.1 Mệnh đề hợp thành 42 3.1.5.2 Luật hợp thành mờ 44 iii 3.1.6 Giải mờ 44 3.2 Điều khiển mờ 45 3.2.1 Bộ điều khiển mờ 45 3.2.2 Trình tự thiết kế điều khiển mờ 46 CHƯƠNG 4: MẠNG NEURON MỜ 48 4.1 Mạng neuron mờ 49 4.2 Xây dựng giải thuật học mạng neuron mờ dạng Singleton 51 4.2.1 Luật học ∆y i : .52 4.2.2 Luật học ∆cij .53 4.2.3 Luật học ∆σ ij .55 4.3 Điều khiển hồi tiếp tuyến tính hoùa 57 4.4 Điều khiển Neuron mờ thích nghi gián tiếp (Indrect Adaptive Fuzzy Neural control ) 59 4.5 Điều khiển Neuron mờ thích nghi trực tiếp (Direct Adaptive Fuzzy Neural control ) 64 CHƯƠNG 5: KHẢO SÁT ĐỐI TƯNG BỒN NƯỚC 67 5.1 Thông số hệ bồn nước 68 5.2 Mô hình toán hệ bồn nước 68 5.2.1 Trường hợp bơm cấp nước vào bồn 1, van xả nước vào bồn 2, van mở điều khiển mực nước bồn 68 iv 5.2.2 Trường hợp bơm cấp nước vào bồn bồn 2, van xả nước vào bồn 2, van mở điều khiển mực nước bồn 71 5.3 Điều khiển Neuron mờ thích nghi gián tiếp (IAFN1) 72 5.4 Điều khiển Neuron mờ thích nghi gián tiếp (IAFN2) .82 5.5 Điều khiển Neuron mờ thích nghi trực tiếp (DAFN1) 91 5.6 Điều khiển Neuron mờ thích nghi trực tiếp (DAFN2) 96 5.7 Nhận xét 103 CHƯƠNG : ĐIỀU KHIỂN HỆ BỒN NƯỚC 104 6.1 Hệ bồn nước 105 6.1.1 Mô hình hệ bồn nước .105 6.1.2 Thông số hệ bồn nước .109 6.2 Phần mềm điều khiển 109 6.3 Điều khiển heä bồn nước .112 6.3.1 Điều khiển Neuron mờ thích nghi trực tiếp (DAFN1) 112 6.3.2 Điều khiển Neuron mờ thích nghi trực tiếp (DAFN2) 115 6.3.3 Điều khiển Neuron mờ thích nghi gián tiếp (IAFN1) 117 6.3.4 Điều khiển Neuron mờ thích nghi gián tiếp (IAFN2) 119 6.4 Kết luận, hướng phát triển đề tài .120 CHƯƠNG GIỚI THIỆU TỔNG QUAN 1.1 Mục tiêu đề tài Tìm hiểu lý thuyết mạng Neuron, Lý thuyết logic mờ Xây dựng giải thuật cập nhật trọng số mạng neuron mờ thích nghi để ước lượng hàm f(x), g(x) cho hệ phi tuyến Thiết kế luật điều khiển thích nghi điều khiển hệ phi tuyến Thiết kế điều khiển nueron mờ thích nghi điều khiển hệ bồn nước 1.2 Điều khiển mực chất lỏng hệ bồn nước Điều khiển tự động hóa lónh vực quan trọng ngành công nghiệp, đặc biệt ngành chế biến, thực phẩm, hóa học, dầu khí,…Việc điều khiển giám sát chiều cao mực chất lỏng xác cần thiết quan trọng, có ảnh hưởng đến chất lượng sản phẩm Vấn đề đặt thiết kế điều khiển để điều khiển mực chất lỏng bồn nước theo điều kiện xác định trước đảm bảo độ xác đề Hệ bồn nước hệ phi tuyến điều khiển phải có khả tự chỉnh định thông số để thích nghi với thay đổi môi trường, thích nghi với nhiễu tác động bên Bộ điều khiển neuron mờ thích nghi có khả học thông số, học cấu trúc thông qua mạng neuron, nhận dạng, xấp xỉ mô hình mờ, thích nghi với nhiễu môi trường 1.3 Giới thiệu hệ thống điều khiển Trong năm gần điều khiển phi tuyến lónh vực nhiều tác giả quan tâm Bài toán điều khiển hệ phi tuyến đề tài mở cho nhiều tác giả nghiên cứu Có nhiều phương pháp áp dụng cho hệ phi tuyến: phương pháp tuyến tính hóa, điều khiển trượt, điều khiển mạng thần kinh, điều khiển mờ,…Đa số đối tượng cần điều khiển thực tế hệ phi tuyến 112 Trong cấu hình Wincon Client chạy mã thời gian thực tách biệt với Simulink Wincon Server Wincon Client Wincon Server chạy tách biệt PC khác nhau, chúng giao tiếp với thông qua giao thức TCP/IP Mỗi Wincon Client giao tiếp với nhiều Wincon Server ngược lại S-Function in C: S-Function mô tả ngôn ngữ máy tính khối Simulink S-Function viết Matlab, C, C++, Ada, Fortran Chúng dịch thành MEX-files sử dụng tiện mex S-Function sử dụng cú pháp đặt biệt mà cho phép giao tiếp với việc giải phương trình Simulink Và chúng tổng quát tích hợp tính toán liên tục, rời rạc lai S-Function cho phép ta tạo khối có chức riêng Simulink Và ta thực thuật toán S-Function Chúng ta dùng S-Function với Real-Time Workshop 6.3 Điều khiển hệ bồn nước 6.3.1 Điều khiển Neuron mờ thích nghi trực tiếp (DAFN1) Hình 6.8: Điều khiển trực tiếp 113 Hình 6.9: Cấu trúc mô hình thực hệ bồn nước Hình 6.10: Ngõ hệ bồn thực Hình 6.11: Tín hiệu điều khiển hệ bồn thực 114 Hình 6.12: Ngõ hệ bồn thực Hình 6.13: Tín hiệu điều khiển hệ bồn thực Tín hiệu dao động thay đổi tiết diện van xả Tín hiệu điều khiển dao động nhiều, độ ổn định chưa tốt Do điều khiển trường hợp cần hiệu chỉnh thêm thông số cần thiết để thích nghi tốt Nếu tín hiệu tham chiếu dạng Sin chất lượng điều khiển tốt 115 6.3.2 Điều khiển Neuron mờ thích nghi trực tiếp (DAFN2) Hình 6.14 Điều khiển trực tiếp Hình 6.15: Ngõ h2 Hình 6.16: Tín hiệu điều khiển 116 Hình 6.17: Ngõ h2 Hình 6.18: Tín hiệu điều khiển sóng Sin Tín hiệu sin cho đáp ứng ngõ tốt tín hiệu xung vuông, thay đổi giá trị đặt xảy từ từ Sự thay đổi giá trị đặt đột ngột thông số mạng chưa cập nhật kịp thời làm sai số tăng lên nhanh 117 6.3.3 Điều khiển Neuron mờ thích nghi gián tiếp (IAFN1) Hình 6.19: Điều khiển gián tiếp Hình 6.20: Ngõ hệ bồn thực Hình 6.21: Tín hiệu điều khiển 118 Hình 6.22: Ngõ h2 Hình 6.23: Tín hiệu điều khiển sóng Sin Tín hiệu điều khiển dao động nhiều làm ngõ h2 sai lệch so với tín hiệu đặt 119 6.3.4 Điều khiển Neuron mờ thích nghi gián tiếp (IAFN2) Hình 6.24: Điều khiển gián tiếp Hình 6.25: Ngõ h2 Hình 6.26: Tín hiệu điều khiển 120 Hình 6.27: Ngõ h2 Hình 6.28: Tín hiệu điều khiển Chọn hàm tín hiệu chuẩn có đáp ứng nhanh hệ bồn nước thích nghi tốt Tín hiệu điều khiển dao động mạnh tín hiệu chuẩn thay đổi đột ngột 6.4 Kết luận, hướng phát triển đề tài Theo nhiệm vụ đề tài đặt tác giả thực phần sau: • Tìm hiểu phần lý thuyết mạng Neuron, Lý thuyết Logic mờ • Xây dựng điều khiển neuron mờ điều khiển hệ bồn nước 121 • Thiết kế luật thích nghi điều khiển hệ phi tuyến • Kết mô điều khiển hệ bồn nước hai phương pháp điều khiển trực tiếp điều khiển gián tiếp • Kết điều khiển mô hình thực hệ bồn nước phòng thí nghiệm C6 p dụng phương pháp điều khiển hệ phi tuyến dùng thuật toán Neuron mờ thích nghi điều khiển hệ bồn hai phương pháp điều khiển trực tiếp điều khiển gián tiếp Phương pháp điều khiển trực tiếp: dùng mạng neuron mờ nhận dạng tín hiệu điều khiển uh(t) , kết hợp phương pháp điều khiển trượt để có tín hiệu điều khiển đối tượng Phương pháp điều khiển gián tiếp: dùng mạng neuron mờ nhận dạng hàm phi tuyến f(x), g(x) sau áp dụng luật điều khiển hồi tiếp tuyến tính hóa tìm luật điều khiển đối tượng Kết điều khiển mô hình thực cho thấy hệ thống chưa ổn định, ngõ bám mục tiêu tín hiệu điều khiển dao động nhiều Do tín hiệu ngõ có nhiễu, nhiễu cảm biến hay tín hiệu board chuyển đổi Trong thực tế điều khiển có sai số mô hình, sai lệch board chuyển đổi tín hiệu, nhiên ta áp dụng thuật toán thích nghi cập nhật thông số cho phù hợp với hệ thống nên sai số khử đi, lại sai số mang tính ngẫu nhiên Kết mô kết chạy mô hình thực có sai khác điều kiện khảo sát mô lý tưởng, ta trước cấu trúc bên hệ thống, trình nhận dạng điều khiển tìm cấu trúc gần với mô hình thực nên chắn có sai số Khi chạy mô hình thực ta phải chỉnh định lại thông số điều khiển nhiều lần, với tổ hợp thông số hợp lý cho kết tốt Do thời gian làm thí nghiệm mô hình 122 thực chưa nhiều nên chưa chọn thông số thích hợp để có kết thực nghiệm tốt Hướng phát triển đề tài Trong mô chạy mô hình thực ta thấy có diện nhiễu ảnh hưởng đến hệ thống Khi nhiễu nhỏ hệ thống ổn định, nhiễu lớn hệ ổn định Việc điều chỉnh thông số điều khiển đòi hỏi có kinh nghiệm khắc phục nhiễu Vì thuật toán nghiên cứu thêm ảnh hưởng nhiễu đến giải thuật cập nhật trọng số mạng Thuật toán tìm giới hạn nhiễu để giới hạn hệ thống ổn định Việc huấn luyện mạng thực offline online Huấn luyện offline thực huấn luyện mạng từ mẫu liệu thu thập đối tượng, liệu mẫu để huấn luyện đóng vai trò quan trọng đến kết nhận dạng điều khiển Huấn luyện online thực đồng thời trình nhận dạng trình điều khiển đối tượng Huấn luyện online làm cho hệ thống thích nghi với thay đổi thông số mô hình đối tượng Một phương án đề nghị dùng giải thuật di truyền tổ hợp thông số điều khiển thành đoạn nhiễm sắc thể, dùng thuật toán lai ghép nhiều hệ, chọn lọc cá thể có đặc tính tốt giúp ta tìm thông số tối ưu TÀI LIỆU THAM KHẢO [1] Adaptive fuzzy-based tracking control for nonlinear SISO systems via VSS and H ∞ approaches Yeong-Chan Chang, IEEE Trans Fuzzy Systems , (2001) 278-292 [2] Observer-based adaptive fuzzy-neural control for unknown nonlinear dynamical systems Y.G Leu, T.T.Lee, W.Y.Wang 1999 [3] Mạng Neuron, Nhận Dạng, Dự Báo Điều Khiển TS Nguyễn Thiện Thành [4] Hệ Thống Điều Khiển Thông Minh TS Huỳnh Thái Hoàng [5] Stable fuzzy neural Tracking control of a Class of Unknown Nonlinear Systems Based on fuzzy hierachy error approach A Wu and P K S Tam 2002 [6] Stable auto-tuning of the adaptation gain for direct adaptive control H N Nounou and K M Passino 2000 [7] Nonlinear Systems Hassan K.Khalil [8] H ∞ tracking design of uncertain nonlinear SISO systems: adaptive fuzzy approach B.S Chen, C.H Lee, Y.C Chang, IEEE Trans Fuzzy Systems (1996) 32- 43 [9] Stability analysis of nonlinear multivariable Takagi-Sugeno fuzzy control systems F Cuesta, F Gordillo, J Aracil, A Ollero, IEEE Trans Fuzzy Systems (1999) 508-519 [10] Adaptive output feedback control of nonlinear systems represented by input-output models H.K Khalil, IEEE Trans Automat Control 41 (1996) 177-188 [11] Robust adaptive fuzzy-neural controllers for uncertain nonlinear systems Y.G Leu, T.T Lee, W.Y Wang, IEEE Trans Robotics Automat 15 (1999) 805- 817 [12] Globally adaptive output-feedback control on nonlinear systems, Part I: linear parameterization R Marino, P.Tomei, IEEE Trans.Automat control 38 (1993) 17-32 [13] Identification and control of dynamical systems using neural networks K.S Narendra,k.paethasarathy, IEEE Trans.Neural Networks (1990)4-27 [14] Stable adaptive control using fuzzy systems and neural networks J.T Spooner, K.M Passino, IEEE Trans Fuzzy Systems (1996) 339-359 [15] Embedded Control Systems in C/C++ - An Introduction for Software Developers Using MATLAB(R) Ledin, J (2004), CMP Books, Gilroy, CA, USA [16] Dynamic Simulation of Electric Machinery Using MATLAB(R)/Simulink Ong, C.M (1998), Prentice-Hall Inc., Upper Saddle River, NJ, USA [17] Modern Control Engineering Paraskevopoulos, P.N (2002), Marcel Dekker Inc., New York, NY [18] Classical Feedback Control wih Mathlab Lurie, B.J and Enright, P.J (2000), Marcel, Dekker Inc., New York, NY [19] Matlab & Simulink Dùng cho kỹ sư điều khiển tự động Nguyễn Phùng Quang (2005), NXB KH&KT, Hà Noäi, VN [20] Adaptive Fuzzy Systems and Control L X Wang, Prentice-Hall, Englewood Cliffs,1994 [21] "A Fast Learning Algorithm for Parsimonious Fuzzy Neural Systems" Fuzzy Sets and Systems M J Er and S.Q Wu, Vol 126/3, pp 61-75, 2002 [22] “Advances in Fuzzy Adaptive Control” A O Esogbue and J A Murrell, Computers Math Applic., Vol 27, No 9/10, pp 29-35, 1994 [23] “Lý thuyết điều khiển tự động ” Nguyễn Thị Phương Hà, Huỳnh Thái Hoàng , NXB DH Quoác Gia Tp.HCM, 2005 [24] “Chattering Reduction and Error Convergence in the Sliding-Mode Control of a Class of Nonlinear Systems” Pushkin Kachroo, Masayoshi Tomizuka, IEEE Trans Automat Contr, vol 41, No.7, July 1996 [25] “Fuzzy identification of Systems and Its application to modeling and control” T.Takagi & M.Sugeno, IEEE Trans System Man, Cybern, vol 15, No.1, January/February 1985 TOÙM TẮT LÝ LỊCH TRÍCH NGANG Họ tên: Nguyễn Thanh Phước Phái: Nam Sinh ngày: 14/06/1978 Nơi sinh: Tây Ninh Địa liên lạc: 36/8 Đường Cù Lao F2, Quận Phú Nhuận Tp Hồ Chí Minh Điện thoại: 0918838418 Email: ntphuoc2000@yahoo.com Khóa (Năm trúng tuyển): 16 (2005-2007) QUÁ TRÌNH ĐÀO TẠO 1997-2002: Sinh viên Trường Đại học Bách Khoa Tp Hồ Chí Minh Chuyên ngành Cơ Điện Tử, tháng năm 2002 tốt nghiệp Kỹ sư Cơ Điện Tử 2005-2007: Học viên cao học Trường Đại học Bách Khoa Tp Hồ Chí Minh Chuyên ngành Điều khiển học kỹ thuật QUÁ TRÌNH CÔNG TÁC 2002-2003: Kỹ sư dự án Công ty Nidec Tosok Quận Tp Hồ Chí Minh 2003-nay: Cán giảng dạy Trường Cao Đẳng Kỹ Thuật Cao Thắng Q1 Tp Hồ Chí Minh ... phương pháp điều khiển hệ phi tuyến dùng mạng neuron mờ thích nghi Một hệ thống điều khiển bao gồm trình điều khiển thiết bị điều khiển Các thiết bị điều khiển tính toán đầu vào điều khiển để chuyển... giải thuật cập nhật trọng số mạng neuron mờ thích nghi để ước lượng hàm f(x), g(x) cho hệ phi tuyến Thiết kế luật điều khiển thích nghi điều khiển hệ phi tuyến Thiết kế điều khiển nueron mờ thích. .. mở điều khiển mực nước bồn 71 5.3 Điều khiển Neuron mờ thích nghi gián tiếp (IAFN1) 72 5.4 Điều khiển Neuron mờ thích nghi gián tiếp (IAFN2) .82 5.5 Điều khiển Neuron mờ thích nghi