Điều khiển dự báo thích nghi bằng mô hình mờ

Điều khiển dự báo thích nghi bằng mô hình mờ Điều khiển dự báo thích nghi bằng mô hình mờ Điều khiển dự báo thích nghi bằng mô hình mờ 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 NGUYỄN TRUNG HIẾU ĐIỀU KHIỂN DỰ BÁO THÍCH NGHI BẰNG MƠ HÌNH MỜ LUẬN VĂN THẠC SỸ NGÀNH: ĐIỀU KHIỂN VÀ TỰ ĐỘNG HÓA NGƯỜI HƯỚNG DẪN: GS.TS Phan Xuân Minh HÀ NỘI – 2014 LỜI CAM ĐOAN Tôi xin cam đoan luận văn: “Điều khiển dự báo thích nghi mơ hình mờ” tự thiết kế hướng dẫn thầy giáo GS.TS Phan Xuân Minh Các số liệu kết chưa cơng bố Để hồn thành luận văn 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 hoàn toàn trách nhiệm Hà Nội, ngày 25 tháng 03 năm 2014 Học viên thực Nguyễn Trung Hiếu MỤC LỤC LỜI CAM ĐOAN DANH MỤC HÌNH VẼ DANH MỤC TỪ VIẾT TẮT LỜI MỞ ĐẦU…………………………………………………………………………….1 Chương 1: Tổng quan điều khiển dự báo …………………………………………… 1.1 Nguyên tắc điều khiển dự báo……………………………………………………… 1.1.1 Giới thiệu chung điều khiển dự báo…………………………………………… 1.1.2 Nguyên tắc điều khiển dự báo…………………………………………………… 1.2 Cấu trúc điều khiển dự báo……………………………………………………… 1.2.1 Mơ hình dự báo…………………………………………………………………… 1.2.2 Phiếm hàm mục tiêu……………………………………………………………….10 1.2.3 Luật điều khiển……………………………………………………………………12 1.3 Một số mơ hình dự báo cụ thể………………………………………………………12 1.3.1 Phương pháp điều khiển ma trận vòng đơn DMC – Dynamic Matrix Control… 12 1.3.2 Phương pháp GPC – Generalized Pridictive Control…………………………… 13 Chương 2: Nhận dạng đối tượng phi tuyến mơ hình mờ Takagi –Sugeno ……………………………………………………………………………………………15 2.1 Lý thuyết tập mờ…………………………………………………………………….15 2.1.1 Khái niệm tập mờ………………………………………………………………15 2.1.2 Các phép tốn tập mờ……………………………………………………… 18 2.1.3 Biến ngơn ngữ giá trị nó……………………………………………….21 2.1.4 Luật hợp thành mờ……………………………………………………………… 22 2.1.5 Giải mờ……………………………………………………………………………28 2.2 Mơ hình mờ………………………………………………………………………….30 2.2.1 Khả xấp xỉ hàm…………………………………………………………… 31 2.2.2 Xây dựng số hàm mơ hình mờ………………………………………….33 2.3 Nhận dạng hệ phi tuyến sử dụng mơ hình Takagi – Sugeno…………………… 36 2.3.1 Cấu trúc hệ mờ…………………………………………………………………….37 2.3.2 Lựa chọn thành phần vector hồi quy………………………………………………37 2.3.3 Tính tốn chỉnh định thơng số cho mơ hình mờ…………………………… 38 Chương 3: Xây dựng điều khiển dự báo thích nghi mơ hình mờ - AFGPC……47 3.1 Mơ hình hóa hệ thống phi tuyến sử dụng mơ hình mờ TS………………………….47 3.2 Luật điều khiển dự báo mờ thích nghi………………………………………………50 3.2.1 Luật điều khiển dự báo……………………………………………………………50 3.2.2 Thuật tốn thích nghi mơ hình mờ TS……………………………………… 55 3.2.3 Phân tích tính ổn định…………………………………………………………… 55 3.2.4 Tóm tắt thuật tốn điều khiển dự báo thích nghi mơ hình mờ………………60 3.3 Xây dựng mơ hình mô điều khiển AFGPC……………………………….60 3.3.1 Lựa chọn thông số điều khiển…………………………………………… 61 3.3.2 Lựa chọn luật mờ…………………………………………………………… 62 3.3.3 Khởi tạo thông số mô hình tín hiệu điều khiển…………………………….63 3.3.4 Tính tốn hệ số đa thức a ( z −1 ) b ( z −1 ) , ma trận F, G, K tín hiệu điều khiển……………………………………………………………………………… 63 3.3.5 Kết mô phỏng…………………………………………………………………63 KẾT LUẬN VÀ KIẾN NGHỊ………………………………………………………… 66 TÀI LIỆU THAM KHẢO……………………………………………………………….67 PHỤ LỤC DANH MỤC HÌNH VẼ Hình 1.1 Sơ đồ khối hệ thống điều khiển dự báo……………………………………… Hình 1.2 Chiến lược điều khiển dự báo………………………………………………… Hình 1.3 Đáp ứng xung………………………………………………………………… Hình 1.4 Đáp ứng bước nhảy…………………………………………………………… Hình 1.5 Qũy đạo quy chiếu…………………………………………………………….11 Hình 2.1 Miền tin cậy miền xác định tập mờ……………………………………16 Hình 2.2 Hàm liên thuộc hình tam giác…………………………………………………17 Hình 2.3 Hàm liên thuộc dạng hình thang………………………………………………18 Hình 2.4 Hàm liên thuộc Gauss…………………………………………………………18 Hình 2.5 Phương pháp giải mờ cực đại…………………………………………………29 Hình 2.6 Phương pháp giải mờ điểm trọng tâm…………………………………………30 Hình 2.7 Các tập mờ đầu vào……………………………………………………………31 Hình 2.8 Hàm thành viên hình tam giác……………………………………………… 33 Hàm 2.9 Hàm thành viên dạng hàm Gauss…………………………………………… 34 Hình 2.10 Tìm kiếm để lựa chọn thành phần hồi quy………………………… 38 Hình 3.1.Sơ đồ điều khiển tổng quát hệ thống sử dụng điều khiển AFGPC……… 47 Hình 3.2 Các hàm liên thuộc Gaussian đầu vào…………………………………….62 Hình 3.3 Đáp ứng đầu đối tượng, lượng đặt nhiễu……………………………64 Hình 3.4 Tín hiệu điều khiển u(k)……………………………………………………….64 Hình 3.5 Tín hiệu sai lệch e(k)………………………………………………………… 65 DANH MỤC TỪ VIẾT TẮT AFGPC :Adaptive Fuzzy Generalized Predictive Control FIS :Fuzzy Inference System FLS :Fuzzy Logic System MPC :Model Predictive Control MIMO :Multiple – Inputs and Multiple – Outputs TS :Takagi – Sugeno SISO :Single – Inputs and Single – Outputs LỜI NÓI ĐẦU Điều khiển dự báo đời vào năm 70 kể từ đến phương pháp phát triển đáng kể lĩnh vực nghiên cứu điều khiển ứng dụng trình công nghiệp Về chất, phương pháp luận điều khiển dự báo cập nhật thông tin đối tượng điều khiển thời điểm rời rạc giải tốn tối ưu sở mơ hình dự báo để tính tốn tín hiệu điều khiển cho khoảng thời gian thời điểm cập nhật Tín hiệu điều khiển tính mơ hình dự báo để áp dụng cho đối tượng thực nên để đảm bảo tính hiệu tín hiệu điều khiển điều khiển dự báo truyền thống địi hỏi mơ hình dự báo mơ hình xác đối tượng điều khiển Do vậy, điều khiển dự báo truyền thống vấp phải nhược điểm tương tự điều khiển tối ưu khơng áp dụng với đối tượng có mơ hình phụ thuộc tham số khơng biết Sự phụ thuộc tham số khơng biết mơ hình đối tượng điều tránh khỏi nhiều ứng dụng thực tiễn, nên việc phát triển phương pháp điều khiển dự báo cần nghiên cứu.Tuy nhiên, tính bất định mơ hình đối tượng khơng cho phép sử dụng trực tiếp mơ hình đối tượng làm mơ hình dự báo nên việc xây dựng mơ hình dự báo công việc đặc biệt quan trọng điều khiển dự báo cho đối tượng phi tuyến Một phương pháp hiệu để khắc phục khó khăn sử dụng xấp xỉ mờ để tham số hóa lại mơ hình đối tượng điều khiển cho hàm số mơ hình tuyến tính với tham số bất định từ áp dụng phương pháp điều khiển thích nghi để tính tốn tín hiệu điều khiển Từ ý tưởng luận văn kiểm nghiệm điều khiển dự báo thích nghi dựa mơ hình mờ để điều khiển đối tượng phi tuyến Để hoàn thành luận văn em xin chân thành cảm ơn GS.TS Phan Xuân Minh nhiệt tình hướng dẫn em suốt trình thực luận văn Hà Nội, ngày… tháng… năm 2014 Học viên thực Nguyễn Trung Hiếu CHƯƠNG TỔNG QUAN VỀ ĐIỀU KHIỂN DỰ BÁO HỆ 1.1 Nguyên tắc điều khiển dự báo 1.1.1 Giới thiệu chung điều khiển dự báo Điều khiển dự báo theo mơ hình (MPC – Mode Predictive Control) công cụ mạnh để điều khiển q trình cơng nghiệp, đặc biệt trình phi tuyến, nhiều vào – nhiều Kể từ đời cách khoảng ba thập kỷ, phương pháp phát triển đáng kể lĩnh vực nghiên cứu điều khiển ứng dụng công nghiệp.MPC giải pháp tổng quát cho thiết kế điều khiển miền thời gian, áp dụng cho hệ tuyến tính hệ phi tuyến, đặc biệt tín hiệu đặt biết trước Ngồi MPC điều khiển q trình có tín hiệu điều khiển bị chặn, có điều kiện ràng buộc Tuy nhiên, sử dụng điều kiện hạn chế, khó chứng minh tính ổn định bền vững mặt lý thuyết hệ MPC, hầu hết ứng dụng tổng kết cho thấy độ ổn định định Đây nói trở ngại để MPC phổ biến rộng rãi lĩnh vực nghiên cứu điều khiển.Mặc dù vậy, kết hứa hẹn cho phép nghĩ đến việc mở rộng kỹ thuật điều khiển tương lai Tư tưởng chỉnh điều khiển dự báo theo mơ hình • Luật điều khiển phụ thuộc vào hành vi dự báo • Sử dụng mơ hình tốn học để dự báo đầu đối tượng/quá trình thời điểm tương lai (gọi miền giới hạn dự báo – pridiction horizon) • Chuỗi tín hiệu điều khiển tương lai giới hạn điều khiển (control horizon) tính tốn thơng qua việc tối thiểu hóa phiếm hàm mục tiêu (cost function) • Sử dụng sách lược lùi xa (receding strategy), tức thời điểm tín hiệu điều khiển chuỗi tín hiệu điều khiển tính tốn sử dụng, sau giới hạn dự báo lại dich bước phía tương lai Hình 1.1.Sơ đồ khối hệ thống điều khiển dự báo Các thuật tốn MPC khác khơng giống mơ hình tốn học mơ tả đối tượng/q trình, ồn nhiễu phiếm hàm mục tiêu cần tối thiểu 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 không cơng nghiệp chế biến mà cịn nhiều q trình đa dạng khác, từ điều khiển robot gây mê lâm sàng (y học) Các ứng dụng MPC công nghiệp xi măng, tháp sấy, tháp chưng cất, công nghiệp PVC, máy phát nước 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 lâu dài bền vững MPC thể loạt ưu điểm so với phương pháp khác, bật là: • Nó đặc biệt hấp dẫn với người sử dụng có kiến thức hạn chế lý thuyết điều khiển tự động khái niệm đưa trực quan, đồng thời việc điều chỉnh tương đối dễ dàng • Nó sử dụng để điều khiển nhiều q trình, từ q trình có đặc tính động học đơn giản q trình phức tạp hơn, kể hệ thống có thời gian trễ lớn hệ pha không cực tiểu, hệ khơng ổn định • Nó thích hợp cho việc điều khiển hệ thống nhiều vào nhiều (MIMO) • Có khả tự bù thời gian trễ • Dễ dàng thực luật điều khiển tuyến tính cho điều khiển trường hợp không hạn chế đầu vào/ra • Nó hiệu tín hiệu quỹ đạo đặt (trong điều khiển robot hay trình mẻ) biết trước • Nó hồn tồn phương pháp luận mở dựa nguyên tắc định, cho phép mở rộng tương lai Tuy nhiên, kỹ thuật MPC có số hạn chế.Một hạn chế luật điều khiển tạo địi hỏi tính tốn dễ dàng thực hiện, song trường hợp điều khiển thích nghi, tính tốn phải thực liên tục thời điểm lấy mẫu Khi xem xét đến điều kiện ràng buộc (constraints) khối lượng tính tốn chí cịn lớn Tất nhiên, với lực tính tốn sẵn có máy tính nay, vấn đề khơng cịn trở lên thiết yếu Chúng ta biết rằng, nhiều máy tính điều khiển q trình cơng nghiệp khơng sử dụng hết hiệu suất tính tốn chúng thời gian sử dụng máy tính thường dành cho mục đích khác dành cho thuật tốn điều khiển (như truyền thông, hội thoại với người vận hành, cảnh báo, ghi chép…) Mặc dù vậy, hạn chế lớn MPC cần mơ hình thích hợp cho đối tượng/quá trình rõ ràng sai lệch đối tượng/q trình thực với mơ hình sử dụng ảnh hưởng nhiều đến kết đạt Thực tế MPC chứng tỏ giải pháp chấp nhận điều khiển q trình cơng nghiệp, cịn thiếu kết lý thuyết điểm quan trọng tính ổn định bền vững 1.1.2 Nguyên tắc điều khiển dự báo Hình 1.2 Chiến lược điều khiển dự báo 3.2.4 Tóm tắt thuật tốn điều khiển dự báo thích nghi mơ hình mờ Cuối phần tóm tắt bước thiết kế điều khiển dự báo thích nghi mơ hình mờ sau Bước 1: Lựa chọn thông số điều khiển nu , n y , d , N p , λ , γ , α g Bước 2: Xây dựng luật mờ sở: biến đầu vào, hàm liên thuộc luật mờ Bước 3: Khởi tạo thơng số mơ hình (3.9) (có thể bỏ qua hiểu biết đối tượng điều khiển) khởi tạo u (0) Bước 4: Tính toán a ( z −1 ) b ( z −1 ) sử dụng phương trình (3.15) phương trình (3.16) Bước 5: Tính tốn tín hiệu điều khiển u (k ) từ (3.47) ∆u (k ) = K [ R − Fyˆ (k ) ] − a e( k ) g Bước 6: Thích nghi thơng số mơ hình TS ( a ji b ji (3)) phương trình (3.51) Bước 7: Quay lại bước 3.3 Xây dựng mơ hình mơ điều khiển AFGPC Trong phần xây dựng chi tiết thuật tốn AFGPC để điều khiển q trình mức chất lỏng phịng thí nghiệm đề xuất [2] Nó q trình phi tuyến biểu diễn sau = y (k ) 0.9722 y (k − 1) + 0.3578u (k − 1) − 0.1295u (k − 2) − 0.04228 y (k − 2) + 0.1663 y (k − 2)u (k − 2) − 0.3103 y (k − 1)u (k − 1) − 0.03259 y (k − 1) y (k − 2) − 0.3513 y (k − 1)u (k − 2) + 0.3084 y (k − 1) y (k − 2)u (k − 2) + 0.1087 y (k − 2)u (k − 1)u (k − 2) + v(k ) (3.66) Trong v(k ) coi nhiễu ngồi Như trình bày để xây dựng điều khiển AFGPC qua bảy bước, để tiện theo dõi trình bày chi tiết cách thiết kế điều khiển AFGPC theo bước 60 3.3.1 Lựa chọn thông số điều khiển Lựa chọn thông số - Bậc đầu n y = Từ ta có a ( z −1 ) = − a1 z −1 a%( z −1 ) = (1 − z −1 )a ( z −1 ) =− (a1 + 1) z −1 + a1 z −2 (3.67) −1 −2 = − a% − a% 1z 2z Trong a% = a1 + 1 a% = − a1 - Bậc đầu vào nu = Từ ta có b ( z −1 )= b1 + b2 z −1 - (3.68) Khoảng dự báo đầu N p = Đa thức e p ( z −1 ) với p = 1, e1 ( z −1 ) =  −1 −1 e2 ( z ) = + e2,1 z (3.69) Đa thức f p ( z −1 ) với p = 1, f1 ( z −= ) f10 + f11 z −1 f ( z −= ) f 20 + f 21 z −1 - Các thông số lại chọn sau [18] 61 (3.70) λ = 50 d =0 γ = 35 (3.71) g =1 α = 0.05 3.3.2 Lựa chọn luật mờ Các biến đầu vào luật mờ lựa chọn x(k ) =[ y (k − 1), u (k − 1), u (k − 2) ] T (3.72) Mỗi biến đầu vào bị giới hạn khoảng [ −3,3] có ba hàm liên thuộc Gaussian, điều có nghĩa có tổng cộng 27 luật mờ N = 27 Thông số ba hàm Gaussian cho sau + Gaussian 1: c1 = 0.9 −3, sigma1 = + Gaussian 2: c2 0,= sigma2 0.9 = + Gaussian 3: c3 3,= = sigma3 0.9 Trong hàm Gauss sử dụng có biểu thức f ( x) = exp((−0.5( x − c) / sigma ) Hình 3.2 Các hàm liên thuộc Gaussian đầu vào 62 (3.73) 3.3.3 Khởi tạo thơng số mơ hình tín hiệu điều khiển Trong việc khởi tạo thơng số mơ hình đối tượng, điều khiển AFGPC khơng địi hỏi hiểu biết thơng tin ban đầu đối tượng cách xác, điều có lợi ứng dụng thực tế thơng tin ban đầu đối tượng trước Trong trường hợp tất thông số ban đầu đối tượng khởi tạo giá trị 0.01, tín hiệu điều khiển khởi tạo 0.01 3.3.4 Tính toán hệ số đa thức a ( z −1 ) b ( z −1 ) , ma trận F, G, K tín hiệu điều khiển Đối với đa thức a ( z −1 ) phải tính hệ số a1 theo cơng thức sau 27 a1 = ∑ ω i [x(k )]a1i (3.74) i =1 Đối với đa thức b ( z −1 ) phải tính hệ số b1 , b2 theo công thức sau 27 b1 = ∑ ω i [x(k )]b1i i =1 (3.75) 27 b2 = ∑ ω [x(k )]b 2i i i =1 Từ hệ số dễ dang tính ma trận F, G,Ktheo phương trình (3.39), (3.40) (3.46) Tín hiệu điều khiển đưa sau u (k )= u (k − 1) + K [ R − Fyˆ (k ) ] − α g e( k ) (3.76) Sau tìm tín hiệu điều khiển update lại thông số đối tượng theo phương trình (3.48) để thực thích nghi mơ hình mờ 3.3.5 Kết mơ Sau xây dựng điều khiển AFGPC điều khiển đối tượng phi tuyến nêu kết mô đáp ứng đầu ra, tín hiệu điều khiển u(k) sai lệch điều khiển e(k) trình bày hình 3.3, hình 3.4 hình 3.5 63 Hình 3.3 Đáp ứng đầu đối tượng, lượng đặt nhiễu Tại thời điểm lượng đặt r(k) có giá trị 1, thời điểm trích mẫu thứ 500 thay đổi r(k) từ xuống 0.2 thời điểm trích mẫu thứ 1000 r(k) lại có giá trị Nhìn vào đáp ứng đầu ray(k), ta thấy y(k) bám theo giá trị đặt r(k) với khả bám tốt Đặc biệt thời điểm trích mẫu thứ 1500 giá trị nhiễu v(k ) = 0.08 xuất đầu trình, nhiên giá trị đầu y(k) bị đánh bật khỏi điểm đặt thời gian ngắn sau nhanh chóng trở lại giá trị đặt mong muốn Điều chứng tỏ điều khiển AFGPC hoạt động tương đối hiệu có nhiễu xuất Hình 3.4 Tín hiệu điều khiển u(k) Tín hiệu điều khiển u(k) thay đổi giá trị đặt thay đổi để điều khiển đầu bám theo lượng đặt Đặc biệt hình 3.4 cịn thấy, thời điểm trích mẫu thứ 1500 tín hiệu điều khiển bị thay đổi xuất nhiễu, điều cho thấy điều khiển AFGPC nhạy với nhiễu bên ngồi 64 Hình 3.5 Tín hiệu sai lệch e(k) Tín hiệu sai lệch điều khiển đưa giá trị khoảng thời gian hữu hạn bị tác động giá trị e(k) khơng q lớn hình 3.5, điều phù hợp với chứng minh tính ổn định vịng kín trình bày mục 3.2.3 65 KẾT LUẬN VÀ KIẾN NGHỊ KẾT LUẬN Luận văn nghiên cứu lý thuyết hồn chỉnh thuật tốn điều khiển dự báo thích nghi dựa mơ hình mờ dành cho lớp đối tượng phi tuyến Các kết thu sau Xây dựng mô hình thích nghi tham số trực tuyến sở ước lượng tham số mơ hình mờ cho đối tượng phi tuyến Xây dựng giải thuật điều khiển dự báo thích nghi mờ sở sử dụng mơ hình thích nghi tham số ước lượng mờ mơ hình dự báo Phát biểu chứng minh tính ổn định cho hệ kín sử dụng điều khiển thiết kế Điều khiển dự báo thích nghi mơ hình mờ AFGPC cho đối tượng phi tuyến cụ thể Kết mô cho thấy điều khiển AFGPC hoạt động tương đối tốt có nhiễu xuất có khả làm ổn định vịng kín chứng minh phần lý thuyết KIẾN NGHỊ Thuật toán điều khiển dự báo thích nghi mờ nghiên cứu hoàn thiện mặt lý thuyết nhiên ứng dụng cơng nghiệp hồn tồn chưa có Vì cần phải áp dụng lý thuyết nghiên cứu vào thực tế sản xuất để kiểm chứng tính đứng đắn thuật toán điều khiển 66 TÀI LIỆU THAM KHẢO [1]M Abu-Ayyad and R Dubay.Real-time comparison ofa number of predictive controllers.ISA Transactions,46(3):411–418, 2007 [2] M S Ahmed Neural-net-based direct adaptive controlfor a class of nonlinear plants.IEEE Transactions on AutomaticControl, 45(1):119–124, 2000 [3] E F Camacho and C Bordons.Model Predictive Control.Springer-Verlag, February 1998 [4] D W Clarke Application of generalized predictive controlto industrial process.IEEE Control Systems Magazine,8(2):49–55, 1988 [5] D W Clarke, C Mohtadi, and P S Tuffs Generalizedpredictive control – part i the basic algorithm.Automatica,23(2):137–148, March 1987 [6] R Errouissi and M Ouhrouche.Nonlinear predictive controllerfor a permanent magnet synchronous motor drive.Mathematics and Computers in Simulation, 81(2):394– 406, 2010 [7] S S Ge, C Yang, and T H Lee Adaptive predictivecontrol using neural network for a class of pure-feedbacksystems in discrete time.IEEE Transactions on NeuralNetworks, 19(9):1599 –1614, September 2008 [8] G Karer, G Muˇsiˇc, I ˇ Skrjanc, and B Zupanˇciˇc Feedforward control of a class of hybrid systems using an inversemodel Mathematics and Computers in Simulation,82(3):414–427, 2011 [9] B Kosko Fuzzy systems as universal approximators.IEEE Transactions on Computers, 43(11):1329–1333,1994 [10] M Lazar and O Pastravanu.A neural predictive controller for non-linear systems.Mathematics and Computers inSimulation, 60(3-5):315–324, September 2002 [11] Y.-J Liu and Z.-F.Wang.Adaptive fuzzy controller designof nonlinear systems with unknown gain sign.NonlinearDynamics, 58(4):687–695, 2009 [12] C.-H Lu and C.-C.Tsai.Generalized predictive controlusing recurrent fuzzy neural networks for industrial processes.Journal of Process Control, 17(1):83–82, January2007 [13] K B Petersen and M S Pedersen.The matrix cookbook,November 14 2008 [14] R Qi and M A Brdys Stable indirect adaptive controlbased on discrete-time t-s fuzzy model Fuzzy Sets Systems,159(8):900–925, 2008 [15] J A Rossiter, B Kouvaritakis, and R M Dunnett Applicationof generalised predictive control to a boiler-turbineunit for electricity generation.IEE Proceedings Part D,138(1):59–67, 1991 67 [16] T Takagi and M Sugeno.Fuzzy identification of systemsand its applications to modeling and control.IEEE Transactionson Systems, Man, and Cybernetics, 15(1):116– 132, February 1985 [17] M T Tham, F Vagi, A J Morris, and R K Wood Multivariableand multirate selftuning control: a distillationcolumn case study IEE Proceedings Part D, 138(1):9– 24,1991 [18] T Tsang and D Clarke.Generalised predictive controlwith input constraints.IEE Proceedings D Control Theoryand Applications, 135(6):451–460, November 1988 [19] G Valencia-Palomo and J Rossiter.Programmable logiccontroller implementation of an auto-tuned predictive controlbased on minimal plant information.ISA Transactions,50(1):92–100, 2011 [20] L.-X Wang.Stable adaptive fuzzy control of nonlinearsystems In Proceedings of the 31st IEEE Conference onDecision and Control, pages 2511–2516, December 1992 [21]L.-X Wang Stable adaptive fuzzy controllers with applicationto inverted pendulum tracking IEEE Transactionson Systems, Man, and Cybernetics, Part B: Cybernetics,26(5):677–691, October 1996 [22] L.-X.Wang and J M Mendel Fuzzy basis functions, universalapproximation, and orthogonal least-squares learning.IEEE Transactions on Neural Networks, 3(5):807– 814, September 1992 [23] H Ying General miso takagi-sugeno fuzzy systems withsimplified linear rule consequent as universal approximatorsfor control and modeling applications.IEEE InternationalConference on Systems, Man, and Cybernetics,2:1335–1340, 1997 [24] Q M Zhu, K.Warwick, and J L Douce.Adaptive generalpredictive controller for nonlinear systems.IEE ProceedingsPart D, 138(1):33–40, 1991 [25] Jerome Mendes, Rui Araujo Fuzzy Model Predictive Control for Nonlinear Processes.17th IEEE International Conference on Emerging Technologies and Factory Automatic [26] Phan Xuân Minh, Nguyễn Doãn Phước (2004) Lý thuyết điều khiển mờ, NXB Khoa học kỹ thuật [27] Nguyễn Doãn Phước, Phan Xuân Minh, Hán Thành Trung (2003) Lý thuyết điều khiển phi tuyến, NXB Khoa học kỹ thuật [28] Nguyễn Phùng Quang (2005) Matlab & Simulink dành cho kỹ sư điều khiển tự động, NXB khoa học kỹ thuật [29] Nguyễn Thúc Loan, Nguyễn Thị Phương Hà, Huỳnh Thái Hoàng (2003) Điều khiển dự báo phi tuyến dựa mơ hình mờ, Tạp chí cơng nghệ thơng tin truyền thông – Bộ thông tin & Truyền thông 68 [30] Trần Quang Tuấn, Phan Xuân Minh (2006) Điều khiển thích nghi bền vững cho lớp đối tượng phi tuyến SISO có mơ hình bất định sở hệ mờ, Hội nghị khoa học lần thứ 20, NXB Bách Khoa Hà Nội [31] Trần Quang Tuấn, Phan Xn Minh (2009) Điều khiển dự báo tựa mơ hình sở hệ mờ, Tạp chí nghiên cứu khoa học cơng nghệ qn - Bộ quốc phịng, Số – 2009 ISSN 1859 – 1043 [32] Trần Quang Tuấn, Phan Xuân Minh (2011) Điều khiển dự báo thích nghi bền vững sở mơ hình mờ cho hệ phi tuyến, Tạp chí khoa học cơng nghệ trường đại học kỹ thuật, số 81 – 2011, ISSN 0868 – 3980 [33] Trần Quang Tuấn, Phan Xuân Minh (2011) Điều khiển dự báo thích nghi sở mơ hình mờ thuật giải di truyền cho hệ phi tuyến bất định, Tạp chí khoa học công nghệ - Viện khao học công nghệ Việt Nam, Số – 2011, ISSN 0866 – 708X 69 PHỤ LỤC %KHAI BAO THONG SO HAM GAUSSIAN c1=-3; sigma1=0.9; c2=0; sigma2=0.9; c3=3; sigma3=0.9; %KHAI BAO THONG SO AFGPC Np=2; Nu=2; lamda=50; nu=2; ny=1; d=0; gama=35; gg=1; alpha=0.05; N=27; phi1=[0.01,0.01,0.01]' phi2=[0.01,0.01,0.01]' phi3=[0.01,0.01,0.01]' phi4=[0.01,0.01,0.01]' phi5=[0.01,0.01,0.01]' phi6=[0.01,0.01,0.01]' phi7=[0.01,0.01,0.01]' phi8=[0.01,0.01,0.01]' phi9=[0.01,0.01,0.01]' phi10=[0.01,0.01,0.01]' phi11=[0.01,0.01,0.01]' phi12=[0.01,0.01,0.01]' phi13=[0.01,0.01,0.01]' phi14=[0.01,0.01,0.01]' phi15=[0.01,0.01,0.01]' phi16=[0.01,0.01,0.01]' phi17=[0.01,0.01,0.01]' phi18=[0.01,0.01,0.01]' phi19=[0.01,0.01,0.01]' phi20=[0.01,0.01,0.01]' phi21=[0.01,0.01,0.01]' phi22=[0.01,0.01,0.01]' phi23=[0.01,0.01,0.01]' phi24=[0.01,0.01,0.01]' phi25=[0.01,0.01,0.01]' phi26=[0.01,0.01,0.01]' phi27=[0.01,0.01,0.01]' Deta=[phi1',phi2',phi3',phi4',phi5',phi6',phi7',phi8',phi9',phi10',phi11',phi 12',phi13',phi14',phi15',phi16',phi17',phi18',phi19',phi20',phi21',phi22',phi 23',phi24',phi25',phi26',phi27']' %KHAI BAO LUONG DAT VA NHIEU Nnc=2000; ref(1:500)=1; ref(501:1000)=0.2; ref(1001:Nnc-2)=1; v(1:1500)=0; v(1501:Nnc-2)=0.08; % KHAI BAO KHƠI TAO CAC BIEN DAU RA VA TIN HIEU DIEU KHIEN y1=0.01; y2=0.01; u1=0.01; u2=0.01; u3=0.01; ym1=0.01; %CHUONG TRINH CHINH for k=1:Nnc-2 y=0.9722*y1+0.3578*u1+0.1259*u2-0.04228*y2*y2+0.1663*y2*u2-0.3130*y1*u10.03259*y1*y1*y2-0.3513*y1*y1*u2+0.3084*y1*y2*u2+0.1087*y2*u1*u2+v(k) x=[y1,u1,u2]'; x1=[y2,u2,u3]'; if y1>3 y1=3; end if y13 u1=3; end if u13 u2=3; end if u2