Điều khiển dự báo dựa mô hình cho đối tượng bình khuấy liên tục

Điều khiển dự báo dựa mô hình cho đối tượng bình khuấy liên tục Điều khiển dự báo dựa mô hình cho đối tượng bình khuấy liên tục Điều khiển dự báo dựa mô hình cho đối tượng bình khuấy liên tục 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 TRẦN THU HẰNG ĐIỀU KHIỂN DỰ BÁO DỰA MƠ HÌNH CHO ĐỐI TƯỢNG BÌNH KHUẤY TRỘN LIÊN TỤC LUẬN VĂN THẠC SĨ KỸ THUẬT ĐIỀU KHIỂN VÀ TỰ ĐỘNG HÓA NGƯỜI HƯỚNG DẪN KHOA HỌC: TS VŨ VÂN HÀ HÀ NỘI – 2014 LỜI CAM ĐOAN LƠ Tơi xin cam đoan luận văn cơng trình nghiên cứu thân Các kết nghiên cứu luận văn trung thực chưa cơng bố cơng trình khác Tác giả luận văn Trần Thu Hằng MỤC LỤC LỜI CAM ĐOAN DANH MỤC CÁC KÝ HIỆU VÀ CHỮ VIẾT TẮT DANH MỤC CÁC HÌNH ẢNH, ĐỒ THỊ MỞ ĐẦU Lí chọn đề tài Mục tiêu luận văn Đối tượng nghiên cứu Phạm vi nghiên cứu Phương pháp nghiên cứu Ý nghĩa đề tài 7 Cấu trúc luận văn Chương 1: TỔNG QUAN VỀ ĐIỀU KHIỂN DỰ BÁO DỰA MƠ HÌNH 1.1 Giới thiệu chung 1.2 Khái niệm điều khiển dự báo dựa mô hình 10 1.3 Thuật tốn điều khiển dựa mơ hình 11 1.4 Các thành phần điều khiển dự báo dựa mơ hình 13 1.4.1 Tạo tín hiệu chuẩn 13 1.4.2 Mơ hình dự báo 14 1.4.3 Phiếm hàm mục tiêu: 24 1.4.4 Tối ưu hóa phiếm hàm mục tiêu 24 1.5 Phương pháp giải toán tối ưu MPC 24 1.5.1 Giải thuật di truyền 25 1.5.2 Phương pháp rẽ nhánh 33 Chương 2: NHẬN DẠNG ĐỐI TƯỢNG PHI TUYẾN BẰNG HỆ MỜ 36 2.1 Hệ thống suy luận mờ 36 2.2 Mơ hình mờ dự báo cho hệ phi tuyến 36 2.3 Nhận dạng hệ phi tuyến 37 2.3.1 Cấu trúc hệ mờ 37 2.3.2 Lựa chọn thành phần vector hồi quy 38 2.3.2 Tính tốn chỉnh định thơng số cho mơ hình mờ 39 2.4 Giới thiệu thiết bị bình khuấy trộn liên tục 46 2.5 Phương trình tốn học đối tượng 47 Chương 3: ĐIỀU KHIỂN MPC TRÊN CƠ SỞ MƠ HÌNH MỜ CHO ĐỐI TƯỢNG CSTR 48 3.1 Thiết kế điều khiển FMPC cho đối tượng CSTR 48 3.1.1 Mơ hình dự báo TS: 48 3.1.2 Xác định nghiệm tốn tối ưu hóa giải thuật di truyền cho đối tượng CSTR 51 3.2 Kết mô Matlab-Simulink 53 3.3 Nhận xét kết luận 61 KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN 61 TÀI LIỆU THAM KHẢO 62 PHỤ LỤC 63 DANH MỤC CÁC KÝ HIỆU VÀ CHỮ VIẾT TẮT SISO : Single Input- Single Output MIMO: Multiple Input and Multiple Output FLS : Fuzzy Logic System FIS : fuzzy inference system MPC : Model Predictive Controller FMPC: Fuzzy Model Predictive Controller GAS : Global Asymptotic Stable GAs : Genetic Algorithms B&B : Branch and Bound CSTR : Continuous Stirrer Tank Reactor TS : Takagi-Sugeno QP : Quadratic Programming SQP : Sequential Quadratic Programming DANH MỤC CÁC HÌNH ẢNH, ĐỒ THỊ Hình 1.1 Hình 1.2 Chiến lược điều khiển dự báo Thuật tốn 11 12 Hình 1.3 Hình 1.4 Hình 1.5 Sơ đồ khối điều khiển dự báo Quỹ đạo quy chiếu Đáp ứng xung 13 14 15 Hình 1.6 Đáp ứng bước nhảy 16 Hình 1.7 Các tập mờ đầu vào 19 Hình 1.8 Hình 1.9 Hàm thành viên dạng tam giác Hàm thành viên dạng hàm Gauss 19 21 Hình 1.10 Hình 1.11 Hình 1.12 Hình 2.1 Bánh xe quay Roulette Sơ đồ giải thuật di truyền Nguyên lý hoạt động thật tốn rẽ nhành Tìm kiếm để chọn thành phần vector hồi quy Thiết bị CSTR – Continuous-stirred tank reactor 29 32 33 39 Bộ liệu vào – dùng để nhận dạng đối tượng CSTR Kết huấn luyện Tín hiệu y(t) tín hiệu điều khiển u(t), dùng thuật tốn FMPC, tín hiệu đặt r(t) số (khơng có nhiễu tác động) Tín hiệu y(t) tín hiệu điều khiển u(t), dùng 54 Hình 2.2 Hình 3.1 Hình 3.2 Hình 3.3 Hình 3.4 Hình 3.5 Hình 3.6 Hình 3.7 thuật tốn FMPC (nhiễu ồn trắng tác động đầu ra) Tín hiệu y(t) tín hiệu điều khiển u(t), Hc=1, Hp=8, Ts=0,5 Tín hiệu y(t) tín hiệu điều khiển u(t), Hc=1, Hp=6, Ts=0.5, lamda=0.2 (chưa có nhiễu tác động) Tín hiệu y(t) tín hiệu điều khiển u(t), Hc=1, Hp=6, Ts=0.5, lamda=0.2(có nhiễu tác động) 46 57 58 58 59 60 60 MỞ ĐẦU Lí chọn đề tài Cùng với phát triển đất nước, nghiệp cơng nghiệp hố, đại hố ngày phát triển mạnh mẽ, tiến khoa học kỹ thuật, kỹ thuật điều khiển tự động – thơng minh góp nhần lớn tạo điều kiện để nâng cao đời sống người Đã có nhiều phương pháp điều khiển đời để đáp ứng lại địi hỏi ngày cao q trình sản xuất đảm bảo yêu cầu bảo vệ người, máy móc mơi trường Phương pháp điều khiển dự báo dựa mơ hình đời cách khoảng thập kỷ từ phương pháp phát triển đáng kể lĩnh vực nghiên cứu ứng dụng thành công công nghiệp Hiện nay, điều khiển dự báo chiến lược điều khiển sử dụng phổ biến việc điều khiển q trình Bộ điều khiển dự báo dựa mơ hình đối tượng điều khiển để dự đoán trước đáp ứng tương lai đối tượng điều khiển thời điểm rời rạc phạm vi dự báo định Dựa vào đáp ứng dự báo này, thuật tốn tối ưu hóa sử dụng để tính tốn chuỗi tín hiệu điều khiển tương lai phạm vi điều khiển cho sai lệch đáp ứng dự báo mơ hình tín hiệu chuẩn đặt trước Hiện nay, phương pháp điều khiển dự báo dựa mơ hình áp dụng cho nhiều ngành công nghiệp khác nhau, đặc biệt ngành công nghiệp hạt nhân Ngành công nghiệp hạt nhân sản xuất nguồn lượng thay cho nguồn lượng hoá thạch cạn kiệt, phục vụ cho nhiều ngành công nghiệp khác đời sống người Với đặc thù phản ứng hạt nhân nhiệt độ phản ứng cao, người tận dụng nguồn nhiệt để sản suất lượng, đồng thời phải kiểm soát nguồn nhiệt mức độ an toàn cho phép Thiết bị bình khuấy trộn liên tục (CSTR – Continuous stirred tank reactor) thiết bị thường sử dụng, với thiết bị điều khiển nhiệt độ vỏ bình mức độ an tồn Việc mơ hình hố đối tượng CSTR gặp nhiều khó khăn mơ hình đa biến, tính phi tuyến mạnh, tồn tác động khó xác định nhiệt độ vỏ bình phản ứng hố học xảy Việc sử dụng điều khiển truyền thống PID, Feedforward cho mơ hình bình khuấy trộn liên tục, mạch vòng điều khiển phải chịu tác động xen kênh, làm cho thời gian bám lượng đặt chậm Với điều khiển dự báo dựa vào mơ hình mờ thiết kế với chất lượng hệ thống cho trước theo độ xác tuỳ ý làm theo nguyên lý tư người Tuy nhiên, cấu trúc mơ hình phức tạp việc điều chỉnh tham số mơ hình cho thích hợp khó Giải tốn tối ưu phi tuyến để tính tốn chuỗi tín hiệu điều khiển phạm vi điều khiển, thường tốn tối ưu khơng lồi có nhiều cực trị cục Tất toán tối ưu phi tuyến thuật toán lặp địi hỏi số lượng phép tính lớn, điều hạn chế khả sử dụng chiến lược điều khiển dự báo Gần đây, giải thuật di truyền, tiến hoá dùng việc giải toán tối ưu, với mục đích phát triển, cải tiến để nâng cao hiệu suất việc điều khiển Với phương hướng trên, tác giả tìm hiểu, nghiên cứu, ứng dụng giải thuật di truyền vào mơ hình mờ để điều khiển dự báo cho thiết bị bình khuấy trộn liên tục Đó lí chọn để tài “ĐIỀU KHIỂN DỰ BÁO DỰA MƠ HÌNH CHO BÌNH KHUẤY TRỘN LIÊN TỤC” Mục tiêu luận văn - Hiểu rõ lý thuyến điều khiển dự báo, mơ hình mờ, giải thuật di truyền - Ứng dụng giải thuật di truyền vào việc thiết kế điều khiển dự báo dựa mơ hình mờ cho bình khuấy trộn liên tục CSTR Sử dụng phần mềm MATLAB SIMULINK làm công cụ xây dựng mơ hình mơ kết Đối tượng nghiên cứu - Bình khuấy trộn liên tục CSTR – Continuous stirred tank reactor - Mơ hình mờ - Giải thuật di truyền GA Phạm vi nghiên cứu - Kết hợp giải thuật di truyền mơ hình mờ để điều khiển thiết bị CSTR cho tín hiệu theo mong muốn Phương pháp nghiên cứu - Nghiên cứu lý thuyết kết hợp với mơ mơ hình công cụ Matlab – Simulink, sở để tiếp tục nghiên cứu thực tế Ý nghĩa đề tài Ý nghĩa khoa học Nếu thực thành công, đề tài mang lại hướng việc thiết kế điều khiển dự báo có sử dụng giải thuật di truyền Bên cạnh việc giữ ưu điểm điều khiển dự báo, phương pháp bổ sung cho giải toán tối ưu trường hợp xảy với đối tượng Qua tạo cơng cụ điều khiển mạnh điều khiển dự báo dựa mơ hình mờ Ý nghĩa thực tiễn Đề tài thực làm sở để thực điều khiển dự báo sử dụng giải thuật di truyền có khả điều khiển hệ thống phức tạp với chất lượng đạt yêu cầu Cấu trúc luận văn: Luận văn gồm chương: CHƯƠNG 1: TỔNG QUAN VỀ ĐIỀU KHIỂN DỰ BÁO DỰA MƠ HÌNH 1.1 Giới thiệu chung 1.2 Khái niệm điều khiển dự báo dựa mơ hình 1.3 Thuật tốn điều khiển dựa mơ hình 1.4 Các thành phần điều khiển dự báo dựa mơ hình 2.5 Phương pháp giải tốn tối ưu MPC CHƯƠNG 2: NHẬN DẠNG ĐỐI TƯỢNG PHI TUYẾN BẰNG HỆ MỜ 2.1 Hệ thống suy luận mờ 2.2 Mơ hình mờ dự báo cho hệ phi tuyến 2.3 Nhận dạng hệ phi tuyến 2.4 Giới thiệu thiết bị bình khuấy trộn liên tục 2.5 Phương trình tốn học đối tượng CHƯƠNG 3: ĐIỀU KHIỂN MPC TRÊN CƠ SỞ MƠ HÌNH MỜ CHO ĐỐI TƯỢNG CSTR 3.1 Thiết kế điều khiển FMPC cho đối tượng CSTR 3.2 Kết mô Matlab-Simulink 3.3 Nhận xét kết luận Chương 1: TỔNG QUAN VỀ ĐIỀU KHIỂN DỰ BÁO DỰA MƠ HÌNH 1.1 Giới thiệu chung Hiện nay, với việc phát triển mạnh mẽ ngành công nghệ thông tin phần mềm ứng dụng tạo thuận lợi cho việc áp dụng điều khiển dự báo để điều khiển nâng cao q trình cơng nghệ Điều khiển dự báo dựa mơ hình ( Model Predictive Control – MPC) kỹ thuật điều khiển trình nâng cao ứng dụng nhiều q trình cơng nghiệp Ý tưởng MPC xuất từ lâu, ban đầu MPC ứng dụng cơng nghiệp hình thức tên gọi khác từ trước có hiểu biết thấu đáo vè đặc tính lý thuyết Những nghiên cứu lý thuyết MPC bắt đầu phát triển từ năm 80, hiểu biết tính chất MPC đưa nhà nghiên cứu nòng cốt (Morari Garcia – 1982; Rawlings Muke – 1993) xây dựng thành khung sườn mạnh có ý nghĩa thực tế cho ứng dụng lý luận MPC có lẽ giải pháp tổng quát cho thiết bị điều khiển miền thời gian, áp dụng cho hệ tuyến tính hệ phi tuyến, đặc biệt mà tín hiệu đặt biết trước Ngồi ra, MPC điều khiển q trình có tín hiệu điều khiển bị chặn, có điều khiển ràng buộc Các thuật toán MPC khác mơ hình tốn học nhận dạng đối tượng trình, ồn nhiễu tác động phiếm hàm mục tiêu cần tối ưu hóa Do tính khả mở phương pháp MPC, nhiều cơng trình phát triển thừa nhận rộng rãi công nghiệp nghiên cứu Thành công ứng dụng điều khiển dự báo khơng có cơng nghiệp chế biến mà cịn nhiều q trình đa dạng khác, từ công nghiệp đến y học Các ứng dụng MPC sản xuất xi măng, tháp sấy, PVC hay động servo giới thiệu nhiều tài liệu khác Chất lượng tốt ứng dụng cho thấy MPC có khả đạt hệ thống điều khiển hiệu cao, vận hành dài lâu bền vững Ưu điểm MPC so với phương pháp điều khiển khác, bật Nhận xét: Đáp ứng hệ tốt, đầu có điều chỉnh bé, nhiên có nhiễu khả bám tín hiệu đặt chưa tốt Để tăng tốc độ hội tụ hệ thống ta tăng giới hạn dự báo từ bước lên bước sau: lamda=0.01; Hp=8, num_bit=10; num_chro=50; num_gen=6 Hình 3.5: Tín hiệu y(t) tín hiệu điều khiển u(t), Hc=1, Hp=8, Ts=0,5 Nhận xét: Khi tăng giới hạn dự báo Hp từ bước lên bước thời gian tính tốn tăng lên đáp ứng hệ cải thiện rõ rệt, chất lượng tín hiệu đầu bám theo tín hiệu đặt Tuy nhiên tín hiệu đầu vào xấu Trong trường hợp cần tối ưu hóa lượng, ta tăng trọng số lam da nhằm nhu tín hiệu điều khiển trơn Tuy nhiên, lamda tăng nhiều làm giảm chất lượng tín hiệu bám Thử mơ để xem xét kết với: lamda=0,2; Hp=6; num_bit=10; num_chro=50; num_gen=6 Kết thu Hình 3.6 trường hợp chưa có nhiễu 59 Hình 3.6: Tín hiệu y(t) tín hiệu điều khiển u(t), Hc=1, Hp=6, Ts=0.5, lamda=0.2 (chưa có nhiễu tác động) Kết thu Hình 3.7 trường hợp có nhiễu với thơng số: lamda=0,2; Hp=6; num_bit=10; num_chro=50; num_gen=6 Hình 3.7: Tín hiệu y(t) tín hiệu điều khiển u(t), Hc=1, Hp=6, Ts=0.5, lamda=0.2(có nhiễu tác động) 60 Nhận xét: Việc tăng lamda cho kết cải thiện tốt hơn, đặc biệt có nhiễu đầu vào Tín hiệu vào trơn hơn, chất lượng bám tín hiệu đặt tốt 3.3 Nhận xét kết luận Phương pháp MPC sử dụng mơ hình mờ dự báo thuật tốn tối ưu phiếm hàm mục tiêu Giải thuật di truyền cho kết điều khiển tốt Phương pháp đề xuất ứng dụng để điều khiển thực tế q trình cơng nghiệp KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN Các kết đạt luận văn: - Nghiên cứu phương pháp điều khiển dự báo dựa mô hình - Nghiên cứu xấp xỉ đối tượng điều khiển mơ hình mờ - Thiết kế điều khiển dự báo mờ FMPC - Áp dụng FMPC cho mô hình bình khuấy trộn liên tục Các kết đạt cho thấy khả đạt thực tế Hướng phát triển: Tổng hợp điều khiển FMPC thích nghi cho đối tượng có mơ hình bất định Trong thực tế bình khuấy trộn liên tục đối tượng phi tuyến bất định 61 TÀI LIỆU THAM KHẢO [1] – N.D.Phước, P.X.Minh, Lý thuyết điều khiển mờ, NXB khoa học kỹ thuật, 2000 [2] – E.S.Camacho, C.Bordons, Model predictive control in process industry, Springer, London, 1998 [3] – Leandro dos Santos Coelho, Renato A.Krohling, Discrete Variable Structure Control Design based on Lamarckian Evolution, Springer, London, , 2003 [4] – Chen, C –T, Peng, S –T A nolinear control strategy based on using a shape tunable neural controller, Journal of Chemical Engineering of Japan, 1997 [5] – Và nhiều trang web khác … 62 PHỤ LỤC Chương trình mơ nhận dạng điều khiển đối tượng CSTR  Chương trình nhận dạng đối tượng mơ điều khiển đối tượng CSTR function myfis=idNL(model1,Ts,num_input,range_u,step) %myfis=idNL('model1',0.5,4,[0 1],[5 10]) %num_input=4; Ns=10000; T_end=(Ns-1)*Ts; t=0:Ts:T_end; t=t'; minStep=step(1); maxStep=step(2); while P1=[]; while max(size(P1))du_range(2);du_h=du_range(2);end if du_l