Điều khiển mô hình nội sử dụng mạng nơron RBF (international model control using RBF neural network)

LLU UA ẬN ÄN V VA ĂN ÊN C CA AO OH HO ỌC ÏC :: M MO Ô Â H HÌÌN NH HN NO ỘIÄI SSƯ Ử Û D DU ỤN ÏNG GM MA ẠN ÏNG GN NƠ ƠR RO ON NR RB BFF Đại Học Quốc Gia Tp Hồ Chí Minh TRƯỜNG ĐẠI HỌC BÁCH KHOA NGUYỄN HỒNG HUY ĐIỀU KHIỂN MƠ HÌNH NỘI SỬ DỤNG MẠNG NƠRON RBF (INTERNAL MODEL CONTROL USING RBF NEURAL NETWORK) Chuyên ngành : Điều khiển học kỹ thuật Mã số ngành : 2.05.01 LUẬN VĂN THẠC SĨ TP HỒ CHÍ MINH, tháng 11 năm 2006 - LLU UA AÄN ÄN V VA ĂN ÊN C CA AO OH HO ỌC ÏC :: M MO Ô Â H HÌÌN NH HN NO ỘIÄI SSƯ Ử Û D DU ỤN ÏNG GM MA AÏN ÏNG GN NÔ ÔR RO ON NR RB BFF TÓM TẮT Luận văn trình bày phương pháp điều khiển mực nước bồn nước bầu dục, dựa nguyên lý Điều khiển mô hình nội sử dụng mạng nơron RBF Mục tiêu việc điều khiển biến ngõ ra, mực nước, việc điều chỉnh biến ngõ vào, tín hiệu điều khiển Mô hình nơron sử dụng mô hình nội để xác định tín hiệu điều khiển cần thiết để mực nước bám theo tín hiệu tham chiếu Hai phương pháp, điều khiển nơron trực tiếp điều khiển nơron gián tiếp, dựa vào mạng nơron RBF Từ khóa : Điều khiển nơron trực tiếp, điều khiển nơron gián tiếp, điều khiển mô hình nội sử dụng mạng nơron RBF Mạng nơron RBF cho thấy khả tuyệt vời để mô hàm phi tuyến với mức độ xác cần thiết Chính lý này, mạng RBF phù hợp cho việc nhận dạng điều khiển đối tượng phi tuyến Cấu trúc mạng nơron gồm ba lớp khác Lớp vào tạo thành từ nút nguồn nối với môi trường ‘vào’ Lớp thứ hai lớp ẩn, biến đổi phi tuyến không gian ‘vào’ sang không gian ‘ẩn’ Lớp cung cấp đáp ứng mạng Phép chuyển đổi từ không gian vào sang không gian ẩn phi tuyến, ngược lại chuyển đổi từ không gian đơn vị ẩn sang không gian ngõ tuyến tính Việc nhận dạng đối tượng phi tuyến phức tạp đóng vai trò quan trọng toàn cấu trúc điều khiển sử dụng mạng nơron Trong luận văn này, em trình bày phương pháp nhận dạng mạng nơron RBF, huấn luyện online Tổng quát, đối tượng phi tuyến biểu diễn tập liệu vào sau : y(k+1) = f{y(k), y(k-1), ; u(k), u(k-1), ] - LLU UA AÄN ÄN V VA ĂN ÊN C CA AO OH HO ỌC ÏC :: M MO Ô Â H HÌÌN NH HN NO ỘIÄI SSƯ Ử Û D DU ỤN ÏNG GM MA AÏN ÏNG GN NÔ ÔR RO ON NR RB BFF Phương pháp xấp xỉ online sử dụng mạng RBF, ynet(k)=wiT(k-1)Gi(k-1) sử dụng tín nhận dạng cho y(k), wi(k) tham số điều chỉnh nhận dạng online, G(k) hàm sở tương ứng Sử dụng phương pháp Gradient Descent để điều chỉnh trọng số wi(k) cho sai soá e(k) (e(k) = y(k) – ynet(k)) cực tiểu Em đề cử qui trình thiết kế cho Điều khiển mô hình nội sử dụng mạng nơron RBF Giả sử rằng, mô hình rời rạc bồn nước bầu dục sẳn có Có hai bước để thiết kế Điều khiển mô hình nội sử dụng mạng nơron RBF cho bồn nước bấu dục Đầu tiên, việc nhận dạng thực để nhận dạng hành vi động đối tượng Sau nhận dạng, ngõ nhận dạng ynet(k) cung cấp thông tin cho điều khiển nơron Thứ hai, điều khiển thành lập dựa thông tin ngõ đối tượng ngõ nhận dạng, u(k) = h[y(k),ynet(k)] = wT(k).G(k) sử dụng phương pháp Gradient Descent để điều chỉnh trọng số w(k) cho số (e(k)=r(k)-y(k)) tín hiệu tham chiếu r(k) ngõ đối tượng y(k) cực tiểu - LLU UA ẬN ÄN V VA AÊN ÊN C CA AO OH HO OÏC ÏC :: M MO Ô Â H HÌÌN NH HN NO ỘIÄI SSƯ Ử Û D DU ỤN ÏNG GM MA ẠN ÏNG GN NÔ ÔR RO ON NR RB BFF SUMMARY This thesis presents a approach to control the water level of surge tank, which bases on Internal Model Control principle using RBF neural network The main goal of controlling is output variable, the water level, by changing a single input variable, control signal A neural model is used as an internal model to determine the control input necessary to the water level track the reference signal Two approaches, the direct neural controller and the indirect neural controller, based on RBF neural network, are used to build the internal model control using RBF neural network Keywords : Direct neural control, indirect neural control, internal model control using neural network RBF neural network have shown an excellent ability to model any nonlinear function with a necessary degree of accuracy Because of this property, they are suitable for the identification and control nonlinear plants The construction of a radial basis function (RBF) network in its most basis form involves three entirely different layers The input layer is made up of source nodes The second layer is a hidden layer of high enough dimension, which serves a different purpose from that in a multilayer perceptron The output layer supplies the response of the network to the activation patterns applied to the input layer The transformation from the input space to the hidden unit space is nonlinear, whereas the transformation from the hidden unit space to the output space is linear The identification of complex and nonlinear plants plays an important role in the overall architecture of controller using neural network In this thesis, I present an identification approach based on Radial Basis Function neural network that is - LLU UA AÄN ÄN V VA AÊN ÊN C CA AO OH HO OÏC ÏC :: M MO Ô Â H HÌÌN NH HN NO ỘIÄI SSƯ Ử Û D DU ỤN ÏNG GM MA ẠN ÏNG GN NÔ ÔR RO ON NR RB BFF trained online In general, a nonlinear plant can be represented in terms of input output data as follows : y(k+1) = f{y(k), y(k-1), ; u(k), u(k-1), ] The online approximation method using RBF neural network, ynet(k) = wiT(k-1)Gi(k-1) are used as identification of y(k), where wi(k) are the adjustable parameters of the online identification, G(k) are the coresponding basis functions Using the Gradient Descent method to adjust weights wi(k) so that the error (e(k) = y(k) – ynet(k)) is minimum I propose a design procedure of Internal Model Control using RBF Neural Network I assume that a stable discrete time model of the surge tank is available There are two steps to design the Internal Model Control using RBF Neural Network for the surge tank First, identification is performming in order to identify the dynamic behavior of the plant After identification, identification output (ynet(k)) supply the information to neural controller Second, controller is established that base on information of plant output and identification output, u(k) = h[y(k),ynet(k)] = wT(k).G(k) Using the Gradient Descent method to adjust weights w(k) so that the error (e(k) = r(k) – y(k)) between reference signal r(k) and plant output y(k) is minimum - LLU UA ẬN ÄN V VA ĂN ÊN C CA AO OH HO OÏC ÏC :: M MO Ô Â H HÌÌN NH HN NO ỘIÄI SSƯ Ử Û D DU ỤN ÏNG GM MA ẠN ÏNG GN NƠ ƠR RO ON NR RB BFF LỜI CẢM TẠ Em xin chân thành cảm ơn Thầy Cô thuộc phòng Sau Đại Học khoa Tự động hóa trường Đại học Bách Khoa Tp Hồ Chí Minh hướng dẫn giúp đỡ em hoàn thành tốt luận văn Em đặc biệt xin cám ơn Thầy Nguyễn Thiện Thành, giáo viên hướng dẫn thực luận văn, người tận tình hướng dẫn chỉnh sửa để luận văn hoàn chỉnh Bên cạnh đó, em xin cám ơn bạn bè hỗ trợ cho em trình học tập làm luận văn Nguyễn Hồng Huy - LLU UA ẬN ÄN V VA ĂN ÊN C CA AO OH HO ỌC ÏC :: M MO Ô Â H HÌÌN NH HN NO ỘIÄI SSƯ Ử Û D DU ỤN ÏNG GM MA AÏN ÏNG GN NÔ ÔR RO ON NR RB BFF LỜI GIỚI THIỆU Điều khiển nơron trực tiếp cần xác định mô hình toán học đối tượng phi tuyến đưa mô hình toán học cho điều khiển nơron Nếu không xác định mô hình toán học đối tượng phi tuyến đưa mô hình toán học cho điều khiển Khi có nhiễu tác động đến đối tượng làm thay đổi đặc tính động đối tượng nên ảnh hưởng đến chất lượng điều khiển Điều khiển nơron gián tiếp có ưu điểm không cần biết mô hình toán học đối tượng mà đưa mô hình toán học cho điều khiển Chất lượng hệ thống điều khiển nơron gián tiếp không chất lượng điều khiển nơron trực tiếp Mô hình nội sử dụng mạng nơron RBF cho phép thiết kế điều khiển dựa vào mạng nơron mà không cần có mô hình toán học đối tượng phi tuyến cho chất lượng điều khiển tốt, hệ thống bị tác động nhiễu - LLU UA ẬN ÄN V VA ĂN ÊN C CA AO OH HO ỌC ÏC :: M MO Ô Â H HÌÌN NH HN NO ỘIÄI SSƯ Ử Û D DU ỤN ÏNG GM MA AÏN ÏNG GN NÔ ÔR RO ON NR RB BFF MỤC LỤC Trang Chương : Tổng quan hệ thộng điều khiển 1.1)Điều khiển truyền thống 1.2)Điều khiển tối ưu bền vững 1.3)Điều khiển mờ 1.4)Điều khiển nơron 10 Chương : Nhận dạng Điều khiển hệ phi tuyến sử dụng mạng nơron 14 2.1)Mạng nơron nhân tạo .14 2.1.1)Cấu trúc mạng .14 2.1.2)Hàm kích hoạt .19 2.1.3)Phương pháp học giải thuật 21 2.2)Nhận dạng hệ phi tuyến sử dụng mạng nơron 23 2.2.1)Mô hình nhận dạng thuaän 23 2.2.2)Mô hình nhận dạng đảo .26 2.3)Điều khiển hệ phi tuyến dùng mạng nơron 28 2.3.1)Điều khiển trực tiếp 28 2.3.2) Điều khiển gián tieáp 31 2.3.3) Điều khiển mô hình nội 34 Chương : Mạng nơron RBF 37 3.1)Giới thiệu mạng nơron RBF 37 3.1.1)Caáu trúc mạng .37 3.1.2)Hàm xuyên tâm 38 3.1.3)Khaûo sát không gian vào điểm xuyên tâm 40 - LLU UA AÄN ÄN V VA ĂN ÊN C CA AO OH HO ỌC ÏC :: M MO Ô Â H HÌÌN NH HN NO ỘIÄI SSƯ Ử Û D DU ỤN ÏNG GM MA AÏN ÏNG GN NÔ ÔR RO ON NR RB BFF 3.2)Học giám sát với mạng RBF 44 3.2.1)Học cải thiện thông số hàm xuyên tâm 46 3.2.2)Học cải thiện trọng số 47 3.3)Học không giám sát với mạng RBF .48 Chương : Mô hình nội dùng mạng nơron RBF 52 4.1) Điều khiển nơron trực tiếp dùng mạng nơron RBF .55 4.2) Điều khiển nơron gián tiếp dùng mạng nơron RBF 58 4.3) Điều khiển mô hình nội dùng mạng nơron RBF 64 Chương : Báo cáo kết mô .69 5.1)Điều khiển trực tiếp 69 5.1.1) Khoâng có nhiễu 69 5.1.2) Có nhiễu .70 5.2)Điều khiển gián tiếp .71 5.2.1) Không nhiễu .71 5.2.2) Có nhiễu .73 5.3)Mô hình nội sử dụng mạng nơron RBF 74 5.3.1) Có nhiễu .74 5.3.2) Khoâng nhieãu .75 - LLU UA AÄN ÄN V VA AÊN ÊN C CA AO OH HO OÏC ÏC :: M MO Ô Â H HÌÌN NH HN NO ỘIÄI SSƯ Ử Û D DU ỤN ÏNG GM MA ẠN ÏNG GN NƠ ƠR RO ON NR RB BFF CHƯƠNG : TỔNG QUAN VỀ CÁC HỆ THỐNG ĐIỀU KHIỂN 1.1) Điều khiển truyền thống Điều khiển trình thu thập thông tin, xử lý thông tin tác động lên hệ thống để đáp ứng hệ thống “gần” với mục đích định trước Điều khiển tự động trình điều khiển không cần tác động ngưới Lý thuyết điều khiển kinh điển mô tả hệ thống miền tần số (phép biến đổi Fourier) mặt phẳng s (phép biến đổi Laplace) Do dựa phép biến đổi này, lý thuyết điều khiển kinh điển chủ yếu áp dụng cho hệ tuyến tính (Hệ thống tuyến tính không tồn thực tế, tất hệ thống vật lý phi tuyến.) bất biến theo thời gian, mặt dù có vài mở rộng để áp dụng cho hệ phi tuyến, thí dụ phương pháp hàm mô tả Lý thuyết điều khiển kinh điển thích hợp để thiết kế hệ thống ngõ vào – ngõ (SISO), khó áp dụng cho hệ thống nhiều ngõ vào – nhiều ngõ (MIMO) hệ thống biến đổi theo thời gian Các phương pháp phân tích thiết kế hệ thống lý thuyết điều khiển kinh điển gồm có phương pháp Nyquist, Bode phương pháp quỹ đạo nghiệm số Để thiết kế hệ thống dùng phương pháp Nyquist Bode cần mô tả hệ thống dạng đáp ứng tần số (đáp ứng biên độ đáp ứng pha), thuận lợi đáp ứng tần số đo thực nghiệm Mô tả hệ thống cần để thiết kế dùng phương pháp quỹ đạo nghiệm số hàm truyền, hàm truyền tính từ đáp ứng tần số Hàm truyền hệ thống phức tạp tính cách sử dụng sơ đồ khối hay sơ đồ dòng tín hiệu Mô tả xác đặc tính động học bên hệ thống không cần thiết phương pháp thiết kế kinh điển, có quan hệ ngõ vào ngõ quan trọng - LLU UA ẬN ÄN V VA AÊN ÊN C CA AO OH HO OÏC ÏC :: M MO Ô Â H HÌÌN NH HN NO ỘIÄI SSƯ Ử Û D DU ỤN ÏNG GM MA ẠN ÏNG GN NÔ ÔR RO ON NR RB BFF Sai số tín hiệu tham chiếu r(k) mực nước ước lượng hnet(k) bồn nước : ec(k) = r(k) – hnet(k) Hàm đánh giá chất lượng Jc: Jc(k) = ecT(k)ec(k) Ta huấn luyện mạng nơron RBF qua trình hai giai đoạn Thứ nhất, chọn tâm hàm xuyên tâm cho tâm phù hợp với miền không gian vào điều chỉnh thay đổi tập liệu Một phương pháp thường sử dụng chọn tâm điểm liệu tùy ý phân bố không gian vào Nếu tâm chọn phương pháp thông thường không tối ưu, ta chọn tâm phương pháp Gradient descent để cập nhật on-line vị trí đặt tâm cj cj (k+1) = cj(k) - ∂J c η γ ∂c j Caùc giá trị trọng số wc cập nhật on-line suốt trình huấn luyện việc sử dụng thuật toán Gradient descent, dựa kỹ thuật ma trận giả đảo G + = Gc(GcTGc) Khi sử dụng kỹ thuật ma trận giả đảo, thời gian huấn luyện cho mô hình xấp xỉ điều khiển u(k) nhanh Trong trình lặp, trọng số wc điều chỉnh để cực tieåu Jc(k) w c(k+1) = w c(k) –0.5η c Suy : w c(k+1) = w c(k) + 0.5η c ∂J c ∂wc eG c G cT G c Ôû đây, hàm Gauss chọn hàm kích hoạt mạng nơron RBF Gc (k) = exp(-(||xc – cj||T||xc – cj||) /σ 2) Trong xc = [hnet(k), r(k+1)]T , σ bề rộng hàm xuyên tâm cj điểm w Tc (k) trọng số mạng nơron RBF Mạng nơron RBF có ưu điểm có khả kết nối hàm phi tuyến bậc cao từ không gian vào đến không gian ra, đường cong xấp xỉ tạo mạng nơron nội suy tất mẫu huấn luyện Do đó, Ta có tín hiệu điều khiển sử dụng mạng nơron RBF : u (k) = w Tc (k)Gc(k) - LLU UA AÄN ÄN V VA AÊN ÊN C CA AO OH HO ỌC ÏC :: M MO Ô Â H HÌÌN NH HN NO ỘIÄI SSƯ Ử Û D DU ỤN ÏNG GM MA ẠN ÏNG GN NƠ ƠR RO ON NR RB BFF CHƯƠNG : BÁO CÁO KẾT QUẢ MÔ PHỎNG 5.1.1) Điều khiển trực tiếp dùng mạng nơron RBF 5.1.1) Không nhiễu : Trong Điều khiển nơron trực tiếp, điều khiển sử dụng mạng nơron RBF dùng để xấp xỉ mô hình ngược bồn nước bầu dục Trong khoảng thời gian đầu, mạng nơron chưa “học” hoàn chỉnh đặc tính động ngược mô hình đối tượng Do đó, mực nước bồn chưa bám sát tín hiệu tham chiếu gian đoạn đầu Dieu khien truc tiep su dung mang noron RBF (a=0.02, b=0.2, noise=0) Muc nuoc cua Bon bau duc : hp Tin hieu tham chieu : ref Chieu cao cua muc nuoc 10 20 30 40 50 - 60 70 80 90 100 LLU UA ẬN ÄN V VA ĂN ÊN C CA AO OH HO ỌC ÏC :: M MO Ô Â H HÌÌN NH HN NO ỘIÄI SSƯ Ử Û D DU ỤN ÏNG GM MA ẠN ÏNG GN NƠ ÔR RO ON NR RB BFF D ie u k h ien tru c tie p s u d u n g m a n g n o ro n R B F (a = 0 , b = , n o is e = ) 20 Tin h ie u d ie u k h ie n : u n e t Tin h ie u d ie u k h ie n ly t u o n g : u s ta r 15 10 -5 10 20 30 40 50 60 70 80 90 100 5.1.2) Có nhiễu : Khi nhiễu (biên độ nhiễu 0.01) tác động vào hệ thống, nhìn chung mực nước bồn bám theo tín hiệu tham chiếu, không theo sát tín hiệu tham chiếu, xuất gai vượt tín hiệu tham chiếu Dieu khien truc tiep su dung mang noron RBF (a=0.02, b=0.2, noise=0.01) Muc nuoc cua Bon bau duc : hp Tin hieu tham chieu : ref Chieu cao cua muc nuoc 10 20 30 40 50 - 60 70 80 90 100 LLU UA AÄN ÄN V VA AÊN ÊN C CA AO OH HO ỌC ÏC :: M MO Ô Â H HÌÌN NH HN NO ỘIÄI SSƯ Ử Û D DU ỤN ÏNG GM MA ẠN ÏNG GN NƠ ƠR RO ON NR RB BFF Dieu khien truc tiep su dung mang noron RBF (a=0.02, b=0.2, noise=0.01) 20 Tin hieu dieu khien : unet Tin hieu dieu khien ly tuong : ustar 15 10 -5 10 20 30 40 50 60 70 80 90 100 5.1.2) Điều khiển gián tiếp dùng mạng nơron RBF 5.2.1) Không nhiễu : Không giống Điều khiển trực tiếp, Điều khiển gián tiếp sử dụng mạng nơron để nhận dạng hai thông số alpha(k) beta(k) mô hình bồn nước, sau suy điều khiển ngược Phương pháp cho biết thay đổi thông số bồn nước Nhưng hạn chế không cho kết điều khiển có chất lượng cao - LLU UA ẬN ÄN V VA ĂN ÊN C CA AO OH HO ỌC ÏC :: M MO Ô Â H HÌÌN NH HN NO ỘIÄI SSƯ Ử Û D DU ỤN ÏNG GM MA ẠN ÏNG GN NƠ ƠR RO ON NR RB BFF Dieu khien gian tiep su dung mang noron RBF (a=0.02, b=0.2, noise=0) hp : xanh la hnet : xanh duong ref : 10 20 30 40 50 60 70 80 90 100 Dieu khien gian tiep su dung mang noron RBF (a=0.02, b=0.2, noise=0) 10 plantalpha(k) netalpha(k) -5 10 20 30 40 50 60 70 80 90 100 plantbeta(k) netbeta(k) 10 20 30 40 50 - 60 70 80 90 100 LLU UA ẬN ÄN V VA ĂN ÊN C CA AO OH HO ỌC ÏC :: M MO Ô Â H HÌÌN NH HN NO ỘIÄI SSƯ Ử Û D DU ỤN ÏNG GM MA ẠN ÏNG GN NƠ ƠR RO ON NR RB BFF Dieu khien gian tiep su dung mang noron RBF (a=0.02, b=0.2, noise=0) 25 Tin hieu dieu khien ly tuong : ustart(k) Tin hieu dieu khien tu mang noron : u(k) 20 15 10 -5 10 20 30 40 50 60 70 80 90 100 5.2.2) Có nhiễu : Khi có nhiễu tác động, ta thấy đáp ứng ngõ dường tốt nhiễu Nhưng chưa tốt phương pháp điều khiển trực tiếp Dieu khien gian tiep su dung mang noron RBF (a=0.02, b=0.2, noise=0.1) hp : xanh la hnet : xanh duong ref : 10 20 30 40 50 - 60 70 80 90 100 LLU UA ẬN ÄN V VA ĂN ÊN C CA AO OH HO ỌC ÏC :: M MO Ô Â H HÌÌN NH HN NO ỘIÄI SSƯ Ử Û D DU ỤN ÏNG GM MA ẠN ÏNG GN NƠ ƠR RO ON NR RB BFF Dieu khien gian tiep su dung mang noron RBF (a=0.02, b=0.2, noise=0.01) 10 plantalpha(k) netalpha(k) -5 10 20 30 40 50 60 70 80 90 100 plantbeta(k) netbeta(k) 10 20 30 40 50 60 70 80 90 100 Dieu khien gian tiep su dung mang noron RBF (a=0.02, b=0.2, noise=0.01) 25 Tin hieu dieu khien ly tuong : ustart(k) Tin hieu dieu khien tu mang noron : u(k) 20 15 10 -5 10 20 30 40 50 5.3) Mô hình nội dùng mạng nơron RBF 5.3.1) Không nhieãu : - 60 70 80 90 100 LLU UA AÄN ÄN V VA AÊN ÊN C CA AO OH HO ỌC ÏC :: M MO Ô Â H HÌÌN NH HN NO ỘIÄI SSƯ Ử Û D DU ỤN ÏNG GM MA ẠN ÏNG GN NƠ ƠR RO ON NR RB BFF Trong Điều khiển Mô hình nội, đáp ứng ngõ bồn nước bám theo ngõ tham chiếu, không bị tình trạng vọt lố Điều khiển trực tiếp Trong giai đoạn đầu, mạng nơron chưa “học” hoàn chỉnh đặc tính bồn nước Nhưng sau trình “học”, dựa vào thông tin mực nước ước lượng hnet(k) mực nước thực h(k) cung cấp cho điều khiển, mạng nơron dùng cho điều khiển cho tín hiệu điều khiển gần xác Hạn chế phương pháp Điều khiển Mô hình nội thời gian để huấn luyện cho mạng nơron nhận dạng Do đó, mực nước bồn bị “trễ” so với tín hiệu tham chieáu Dieu khien Mo hinh noi su dung mang noron RBF : a=0.02, b=0.2, noise=0 h hnet ref 10 20 30 40 50 60 70 80 90 100 5.3.2) Có nhiễu : Vớisự tác động lượng nhỏ nhiễu (0.01), đáp ứng gần không bị ảnh hưởng So với hai phương pháp Điều khiển Mô hình nội có nhiều ưu điểm - LLU UA ẬN ÄN V VA AÊN ÊN C CA AO OH HO ỌC ÏC :: M MO Ô Â H HÌÌN NH HN NO ỘIÄI SSƯ Ử Û D DU ỤN ÏNG GM MA ẠN ÏNG GN NƠ ƠR RO ON NR RB BFF Dieu khien Mo hinh noi su dung mang noron RBF : a=0.02, b=0.2, noise=0.01 h hnet ref 10 20 30 40 50 - 60 70 80 90 100 LLU UA ẬN ÄN V VA ĂN ÊN C CA AO OH HO ỌC ÏC :: M MO Ô Â H HÌÌN NH HN NO ỘIÄI SSƯ Ử Û D DU ỤN ÏNG GM MA ẠN ÏNG GN NƠ ƠR RO ON NR RB BFF KẾT LUẬN Trong luận văn này, em kết hợp hệ điều khiển nơron trực tiếp với hệ thống nơron gián tiếp mô hình nội sử dụng mạng nơron RBF Trong hệ thống điều khiển truyền thống tỏ hiệu có nhiễu tác động mô hình nội lại có ưu điểm Một đặc tính khác mô hình nội sử dụng phương pháp online để nhận dạng đặc tính động đối tượng phi tuyến, từ đưa luật điều khiển cho mạng nơron điều khiển Ứng dụng mô hình nội để điều khiển mực nước bồn nước bầu dục cho kết tốt mô phần mềm Matlab, có nhiễu tác động thông số bồn nước thay đổi - LLU UA ẬN ÄN V VA ĂN ÊN C CA AO OH HO ỌC ÏC :: M MO Ô Â H HÌÌN NH HN NO ỘIÄI SSƯ Ử Û D DU ỤN ÏNG GM MA ẠN ÏNG GN NƠ ƠR RO ON NR RB BFF KIẾN NGHỊ NGHIÊN CỨU TIẾP THEO Hướng phát triển luận văn không sử dụng mạng nơron RBF Mô hình nội, mà kết hợp mạng nơron RBF với điều khiển mờ Mô hình nội - LLU UA ẬN ÄN V VA ĂN ÊN C CA AO OH HO ỌC ÏC :: M MO Ô Â H HÌÌN NH HN NO ỘIÄI SSƯ Ử Û D DU ỤN ÏNG GM MA ẠN ÏNG GN NƠ ƠR RO ON NR RB BFF DANH MỤC TÀI LIỆU THAM KHẢO Bernadette Curley B.E, “System Identification Using Neural Networks Optimised With Genetic Algorithms”, DuBlin city University School of Electronic Engineering [2] C Wang and D J Hill, “Learning From Direct Adaptive Neural Control”, Proceedings of the 42nd IEEE Conference on Decision and Control, Hawaii, USA, Dec 2003 [3] Chen-Chen Lee, Pau-Choo Chung, Jea-Rong Tsai, and Chein-I Chang, “Robust Radial Basis Function Neural Networks”, IEEE Transactions on Systems, Man, and Cybernetics – Part B: Cybernetics, Vol 29, No 6, December 1999 [4] Duncan Potts, Claude Sammut, “Online Nonlinear System Identification in High Dimension Environments”, The University of New South Wales, Australia [5] Eric A Wan, “Control Systems: Classical, Neural, and Fuzzy”, Lecture Notes – 1998 [6] Gang Feng, Rogelio Lozano, “Adaptive Control Systems”, Reed Educational and Professional Publish Ltd 1999 [7] Gang Tao, “Adaptive Control Design and Analysis”, John Wiley & Sons, Inc., Publication, 2003 [8] Gregory L Plett, “Adaptive Inverse Control of Linear and Nonlinear Systems Using Dynamic Neural Networks”, IEEE Transactions on Neural Networks, Vol 14, No 2, March 2003 [9] Marios Polycarpou, Jay Farrell and Manu Sharma, “On-line Approximation Control of Uncertain Nonlinear Systems: Issues with Control Input Saturation”, US Air Force (F33615-01-C-3108) [10] Ming T.Tham, “Internal Model Control”, Part of a set notes on Introduction to Robust Control (2002) [11] Nicolaos B Karayiannis, “Growing Radial Basis Neural Networks: Merging Supervised and Unsupervised Learning with Neural Growth Techniques”, IEEE Transactions on Neural Networks, Vol 8, No 6, May 1997 [12] P Hammond, T J E Miller, and T Kenjo,”Monographs in electrical and electronic engineering”, Oxford University Press, Inc, NewYork 1999 [1] - LLU UA ẬN ÄN V VA ĂN ÊN C CA AO OH HO OÏC ÏC :: M MO Ô Â H HÌÌN NH HN NO ỘIÄI SSƯ Ử Û D DU ỤN ÏNG GM MA ẠN ÏNG GN NÔ ÔR RO ON NR RB BFF [13] Raul Ordonez, Kevin M Passino, “Indirect Adaptive Control for a Class of Time-Varying Nonlinear Systems” [14] Richard B McLain, Michael A Henson, and Martin Pottmann, “Direct Adaptive Control of Partially Known Nonlinear Systems”, IEEE Transactions on Neural Networks, Vol 10, No 3, May 1999 [15] Rivals I., Personnaz L., “Nonlinear Internal Model Control Using Neural Networks : Applications to processes with delay and design issues”, In IEEE Transactions on Neural Networks 11(1): 80-90 (2000) [16] Simon Haykin, Hamilton and Ontario, “Artificial Neural Networks”, Prentice Hall 1998 [17] Sunil Elanayar V.T, Yung C Shin, “Radial Basis Function Neural Network for Approximation and Estimation of Nonlinear Stochastic Dynamic Systems”, IEEE Transactions on Neural Networks, Vol 5, No 4, July 1994 [18] Shuzhi S Ge and Cong Wang, “Direct Adaptive NN Control of Nonlinear Systems”, IEEE Transactions on Neural Networks, Vol 13, No 1, January 2002 [19] U Pietruschka and R.W Brause, “Using Growing RBF-Nets in Rubber Industry Process Control”, Neural Comput & Applic (1999) 8:95–105 @1999 Springer-Verlag London Limited [20] Yixin Diao, Kevin M Passino, “Adaptive Neural/Fuzzy Control for Interpolated Nonlinear Systems”, IEEE Transactions on Neural Networks, Vol 29, No 6, Dec 1999 CỘNG HỒ XÃ HƠI CHỦ NGHĨA VIỆT NAM Hình 4x6 - LLU UA ẬN ÄN V VA ĂN ÊN C CA AO OH HO ỌC ÏC :: M MO Ô Â H HÌÌN NH HN NO ỘIÄI SSƯ Ử Û D DU ỤN ÏNG GM MA ẠN ÏNG GN NƠ ÔR RO ON NR RB BFF Độc lập - Tự - Hạnh phúc H I LÝ LỊCH KHOA HỌC Họ tên: Nguyễn Hồng Huy Sinh ngày: 10 – 12 – 1976 Dân tộc: Kinh Quốc tịch: Việt Nam Quê quán: Thành phố Hồ Chí Minh Địa thường trú: 39 Đường 1, Khu phố 2, Phường Linh Xuân, Quận Thủ Đức, Tp.Hồ Chí Minh Điện thoại: 0988816839 Fax: _ Email: huynguyenhong@yahoo.com Chức danh: Kỹ thuật viên Điện Năm phong: 2001 Học vị: Kỹ sư Năm đạt học vị: 1999 Chuyên ngành: Điện - Điện tử Cơ quan làm việc: Công ty Crown Saigon Ngành: Điện Địa chỉ: Xa lộ Hà Nội Điện thoại: Chức vụ: Kỹ thuật Điện Hướng nghiên cứu: Lý thuyết điều khiển, Kỹ thuật điều khiển, Ứng dụng điều khiển thông minh lãnh vực Điện - Điện tử - Viễn thơng - Tự động Q trình đào tạo Bậc đào tạo Đại học Thạc sỹ Q trình cơng tác Thời gian (từ năm … đến năm) 2000 - 2004 Nơi đào tạo Chuyên môn Trường ĐH Sư phạm kỹ thuật Điện - Điện tử -ĐHQG Tp.HCM Trường ĐHBK-ĐHQG Điều khiển học kỹ thuật Tp.HCM (Tự động hóa) Năm tốt nghiệp 1999 Đã bảo vệ Vị trí cơng tác Cơ quan công tác Địa quan Kỹ thuật viên điện Crown Saigon Q9 Kinh nghiệm: 4.5 năm bảo trì Điện cơng ty Crown Saigon - LLU UA AÄN ÄN V VA AÊN ÊN C CA AO OH HO ỌC ÏC :: M MO Ô Â H HÌÌN NH HN NO ỘIÄI SSƯ Ử Û D DU ỤN ÏNG GM MA ẠN ÏNG GN NƠ ƠR RO ON NR RB BFF XÁC NHẬN CỦA CƠ QUAN HOẶC ĐỊA PHƯƠNG Ngày 05 tháng 01 năm 2007 (Ký ghi rõ họ tên) Nguyễn Hồng Huy - ... tiếp, dựa vào mạng nơron RBF Từ khóa : Điều khiển nơron trực tiếp, điều khiển nơron gián tiếp, điều khiển mô hình nội sử dụng mạng nơron RBF Mạng nơron RBF cho thấy khả tuyệt vời để mô hàm phi tuyến... thiết kế cho Điều khiển mô hình nội sử dụng mạng nơron RBF Giả sử rằng, mô hình rời rạc bồn nước bầu dục sẳn có Có hai bước để thiết kế Điều khiển mô hình nội sử dụng mạng nơron RBF cho bồn nước... mạng nơron RBF 52 4.1) Điều khiển nơron trực tiếp dùng mạng nơron RBF .55 4.2) Điều khiển nơron gián tiếp dùng mạng nơron RBF 58 4.3) Điều khiển mô hình nội dùng mạng nơron RBF