Điều khiển hệ phi tuyến dùng thuật toán mờ

BỘ CÔNG THƯƠNG ĐẠI HỌC CÔNG NGHIỆP THÀNH PHỐ HỒ CHÍ MINH BÁO CÁO TỔNG KẾT ĐỀ TÀI KHOA HỌC KẾT QUẢ THỰC HIỆN ĐỀ TÀI NGHIÊN CỨU KHOA HỌC CẤP TRƯỜNG Tên đề tài: Điều khiển hệ phi tuyến dùng thuật tốn mờ/nơ rơn thích nghi kết hợp với giải thuật tối ưu hóa nâng cao Mã số đề tài: 19.3ÐT01 Chủ nhiệm đề tài: ThS NCS Cao Văn Kiên Đơn vị thực hiện: Khoa Công nghệ Điện tử Tp Hồ Chí Minh, 2020 LỜI CÁM ƠN Nghiên cứu tài trợ Trường Đại học Công Nghiêp Tp.HCM với mã số đề tài 19.3ÐT01 Nhóm tác giả trân trọng cảm ơn hỗ trợ tạo điều kiện Phòng Quản lý khoa học Hợp tác quốc tế; Cảm ơn động viên, hỗ trợ Lãnh đạo Khoa Công nghệ Điện tử; Cảm ơn giúp đỡ, ủng hộ tinh thần quý đồng nghiệp để thực đề tài Trân trọng cảm ơn! Nhóm tác giả PHẦN I THƠNG TIN CHUNG I Thơng tin tổng quát 1.1 Tên đề tài: Điều khiển hệ phi tuyến dùng thuật tốn mờ/nơ rơn thích nghi kết hợp với giải thuật tối ưu hóa nâng cao 1.2 Mã số: 19.3ÐT01 1.3 Danh sách chủ trì, thành viên tham gia thực đề tài TT Họ tên (học hàm, học vị) Ths.NCS Cao Văn Kiên TS Nguyễn Ngọc Sơn Đơn vị cơng tác Vai trị thực đề tài Khoa CN Điện tử - ĐH Cơng Nghiệp TP Hồ Chí Minh Khoa CN Điện tử - ĐH Cơng Nghiệp TP Hồ Chí Minh Chủ nhiệm đề tài Tham gia 1.4 Đơn vị chủ trì: Khoa Công nghệ Điện tử 1.5 Thời gian thực hiện: 1.5.1 Theo hợp đồng: từ tháng 10 năm 2019 đến tháng 10 năm 2020 1.5.2 Gia hạn (nếu có): đến tháng… năm… 1.5.3 Thực thực tế: từ tháng 10 năm 2019 đến tháng 08 năm 2020 1.6 Những thay đổi so với thuyết minh ban đầu (nếu có): (Về mục tiêu, nội dung, phương pháp, kết nghiên cứu tổ chức thực hiện; Nguyên nhân; Ý kiến Cơ quan quản lý) 1.7 Tổng kinh phí phê duyệt đề tài: 80 triệu đồng II Kết nghiên cứu Đặt vấn đề Bài toán nhận dạng điều khiển hệ phi tuyến đa biến dựa mơ hình tốn học chặt chẽ ngày tỏ bế tắc, tính phi tuyến phức tạp hệ phi tuyến đa biến khảo sát, yếu tố không ổn định (uncertainties) bên mơi trường ngồi hệ thống Vì ngày có nhiều nghiên cứu tập trung vào mơ hình ước lượng điều khiển ứng dụng tính tốn mềm dựa mạng nơ rơn logic mờ Phát triển từ thành tựu gần đây, đề tài phát triển khai thác mơ hình mờ thích nghi ứng dụng điều khiển hệ phi tuyến đa biến nhiều ngõ vào, nhiều ngõ (MIMO) Cấu trúc mơ hình mờ thích nghi với thơng số tối ưu giải thuật tính tốn tối ưu mềm, cách cực tiểu hàm tiêu chất lượng có dạng bình phương sai số nhỏ (LMSE) Để đảm báo chất lượng, tính ổn định điều khiển chứng minh dựa theo lý thuyết ổn định Lyapunov Các hệ phi tuyến đa biến tiêu biểu robot dạng người, tay máy bắp nhân tạo (PAM), mơ hình phi tuyến có trễ bồn nước liên kết đơi [15] lựa chọn làm mơ hình phi tuyến đa biến MIMO thực chứng để kiểm chứng thực nghiệm tính ưu việt giải thuật đề xuất a) Tình hình nghiên cứu quốc tế Từ Zadeh đề xuất mơ hình mờ Fuzzy năm 1965, có nhiều nghiên cứu lĩnh vực Mơ hình Fuzzy áp dụng nhiều lĩnh vực y học, kỹ thuât, tài chính, thống kê, v.v [1] Trong chuyên ngành điều khiển thông minh, giải thuật Fuzzy ứng dụng thành công mảng điều khiên, nhận dạng, phân lớp, phân nhóm, Hiện tại, có nhiều nghiên cứu lĩnh vực nhận dạng với đủ cách tiếp cận từ kinh điển tới phương pháp ứng dụng giải thuật thông minh, mạng thần kinh Neural [2], [3] hay mơ hình Fuzzy [4], [5] Một toán lớn lĩnh vực nhận dạng thơng minh nhận dạng mơ hình phi tuyến đa biến nhiều ngõ vào, nhiều ngõ (MIMO-Multiple Inputs Multiple Outputs) phức tạp nhiều yếu tố không chắn (uncertainties) kèm theo Mơ hình MIMO phi tuyến đa biến khó để nhận dạng dựa vào quan hệ toán học Để khắc phục nhược điểm lợi dụng khả tính tốn máy tính, cơng cụ tính tốn tối ưu tiến hóa GA, PSO áp dụng việc nhận dạng tối ưu mô hình nhận dạng thơng minh mạng Neural hay mơ hình Fuzzy Tuy nhiên giải thuật GA, PSO có hạn chế thuật tốn PSO đơn giản, dễ lập trình, dễ bị rơi vào cực trị cục bộ; thuật tốn GA cho kết tồn cục tốt, nhiều thời gian tính tốn [17] Gần đây, giải thuật tiến hoá vi sai (Differential Evolution - DE) [6] trở nên phổ biến lĩnh vực tính tốn tối ưu Nó cho kết tối ưu tồn cục có thời gian tính tốn so với thuật toán GA [16], [18] Trong đề tài này, giải thuật DE ứng dụng để tối ưu mơ hình mờ thích nghi dùng cho toán điều khiển hệ đa biến MIMO phi tuyến Trong năm gần đây, mơ hình mờ Takagi-Sugeno [7] ứng dụng rộng rãi nhiều lĩnh vực nhận dạng điều khiển Các tác giả [8] đề xuất giải thuật huấn luyện mơ hình Fuzzy T-S dùng phương pháp di truyền phân cấp (Hierarchical Genetic Algorithm - HGA) Các tác giá [9] sử dụng GA để huấn luyện mơ hình mờ áp dụng vào tốn nhận dạng số mơ hình phi tuyến môi trường Matlab/Simulink Các tác giả báo [10], [11] sử dụng giải thuật tối ưu bầy đàn PSO để tối ưu cấu trúc mơ hình Fuzzy toán phân lớp Giải thuật Fuzzy sử dụng rộng rãi nhận dạng hệ phi tuyến SISO MIMO, áp dụng cho mơ hình có cấu trúc đơn giản Đối với mơ hình phức tạp thực tế, thiết kế mơ hình mờ u cầu phải có thời gian tính tốn lâu có nhiều hàm liên thuộc số lượng luật mờ phức tạp Các tác giả [3] sử dụng giải thuật MGA huấn luyện mơ hình Fuzzy NARX dung nhận dạng sợi khí nén nhân tạo ứng dụng robot dịch vụ Các tác giả [12] giới thiệu sơ đồ Fuzzy nhiều lớp phần mảng Fuzzy-Neural Mơ hình Fuzzy nhiều lớp phân lớp thuộc mảng Fuzzy-Neural [13], [14] Không mơ hình Fuzzy cổ điển, mơ hình Fuzzy nhiều lớp khó xây dựng dựa kinh nghiệm người thiết kế, thường tạo huấn luyện với giải thuật tính tốn tối ưu mềm Nó áp dụng hiệu để nhận dạng hệ MIMO phức tạp dễ dàng thay đổi cấu trúc, với độ phức tạp mơ hình tỉ lệ thuận theo độ phức tạp đối tượng MIMO phi tuyến Tác giả [14] sử dụng mơ hình Fuzzy nhiều lớp điều khiển hệ thống lắc ngược xe đẩy qua mơ Matlab/Simulink b) Tình hình nghiên cứu nước Trong nước, có nhiều phịng thí nghiệm nghiên cứu mạnh lĩnh vực điều khiển ứng dụng mô hình mờ thích nghi như: V.T Yen cộng [18], [19] sử dụng mơ hình mờ thích nghi hồi qui mơ hình nơ ron thích nghi điều khiển hệ robot cơng nghiệp Nhóm tác giả Sy Dung Nguyen cộng [20-22] sử dụng mơ hình ANFIS ứng dụng điều khiển hệ giảm chấn Nhóm tác giả Cao Văn Kiên, Nguyễn Ngọc Sơn Hồ Phạm Huy Ánh [23-27] có nghiên cứu sơ khởi hướng đề tài kết hợp thuật toán thích nghi giải thuật tối ưu cơng bố năm gần báo [23] kết hợp giải thuật lai thuật toán LQR kết hợp mơ hình mờ giải thuật tối ưu Bài báo [24] áp dụng giải thuật điều khiển mờ thích nghi kết hợp thuật toán tối ưu DE Bài báo [25],[27] áp dụng giải thuật tối ưu nhận dạng tham số mơ hình mờ, nơ ron để mơ tả đặc tính tốn học mơ hình phi tuyến Bài báo [26] áp dụng kỹ thuật điều khiển nơ ron thích nghi điều khiển hệ tay máy PAM c) Đánh giá kết cơng trình nghiên cứu cơng bố Tuy nghiên cơng trình nghiên cứu áp dụng phương pháp điều khiển thích nghi dựa vào lý thuyết ổn định Lyapunov có cải tiến Hướng tiếp cận áp dụng giải thuật điều khiển thích nghi kết hợp giải thuật tính tốn mềm tối ưu cịn chưa quan tâm nghiên cứu mạnh Nhóm nghiên cứu có sở làm thành cơng giải thuật điều khiển thích nghi kết hợp giải thuật tính tốn tối ưu điều khiển cho hệ SISO Đây sở để nhóm tiếp tục nghiên cứu nâng cao giải thuật áp dụng cho hệ MIMO tới d) Tính cấp thiết tiến hành nghiên cứu Các hệ phi tuyến đa biến ẩn chứa nhiều yếu tố bất định khó nhận dạng điều khiển Vì vậy, hệ thống điều khiển thông thường thiết kế dựa mơ hình tốn học hệ vật lý truyền thống ngày tỏ hạn chế áp dụng cho hệ phi tuyến đa biến nói chung Bài tốn nhận dạng điều khiển hệ phi tuyến đa biến, toán lớn nhiều nhà khoa học nước giới quan tâm Đặc biệt năm gần đây, mô hình tính tốn mềm (dùng lơ gic mờ, mạng nơ rơn, thuật tốn tiến hóa DE) ứng dụng nhiều để nhận dạng điều khiển hệ phi tuyến đa biến Các kết nghiên cứu vài năm gần cho thấy có nhiều cơng trình sử dụng mơ hình mờ Fuzzy khác để nhận dạng điều khiển hệ phi tuyến đa biến MISO MIMO, riêng mơ hình mờ thích nghi kết hợp giải thuật tính tốn mềm tối ưu, vài năm gần đây, chưa quan tâm nghiên cứu đầy đủ Từ thực tế đó, đề tài đề xuất mơ hình mờ thích nghi với trọng số tối ưu giải thuật tối ưu, mang tính cấp thiết tính cao, vừa đáp ứng tính ứng dụng cho việc điều khiển xác hệ phi tuyến đa biến dùng ngày nhiều lãnh vực (kinh tế, sản xuất, khoa học cơng nghệ, ), mà cịn vừa đề xuất, thông qua báo công bố tạp chí quốc tế ISI (SCI/SCIE), mơ hình, giải thuật phương pháp điều khiển thích nghi nâng cao hiệu dựa mơ hình mờ Qua sử dụng rộng rãi ứng dụng điều khiển nâng cao bền vững xác hệ phi tuyến MIMO đa biến ngày phổ cập Tài liệu tham khảo [1] Zadeh, L A (1965) Fuzzy sets Information and control, 8(3), 338-353 [2] N N Son and H P H Anh, “Adaptive MIMO neural network model optimized by differential evolution algorithm for manipulator kinematic system identification,” in 2014 International Conference on Automatic Control Theory and Application (ACTA- 14) Atlantis Press, 2014 [3] H P H Anh and K K Ahn, “Identification of pneumatic artificial muscle manipulators by a MGA-based nonlinear NARX fuzzy model,” Mechatronics, vol 19, pp 106–133, 2009 [4] O Nelles, Nonlinear system identification: from classical approaches to neural networks and fuzzy models Springer Science & Business Media, 2013 [5] Y J Liu, Y Gao, S Tong, and Y Li, “Fuzzy approximation-based adaptive backstepping optimal control for a class of nonlinear discrete-time systems with dead-zone,” IEEE Transactions on Fuzzy Systems, vol 24, pp 16–28, Feb 2016 [6] R Storn and K Price, “Differential evolution–a simple and efficient heuristic for global optimization over continuous spaces,” Journal of global optimization, vol 11, no 4, pp 341– 359, 1997 [7] T Takagi and M Sugeno, “Fuzzy identification of systems and its applications to modeling and control,” IEEE Transactions on Systems Man and Cybernetics, vol SMC-15, 01 1985 [8] J Mendes, R Araújo, and F Souza, “Adaptive fuzzy identification and predictive control for industrial processes,” Expert Systems with Applications, vol 40, no 17, pp 6964–6975, 2013 [9] K Łapa, K Cpałka, and P Koprinkova-Hristova, “New Method for Fuzzy Nonlinear Modelling Based on Genetic Programming,” Springer International Publishing, pp 432–449, 2016 [10] T Chen, Q Shen, P Su, and C Shang, “Fuzzy rule weight modification with particle swarm optimisation,” Soft Computing, vol 20, no 8, pp 2923–2937, 2016 [11] V Jeyalakshmi and P Subburaj, “PSO-scaled fuzzy logic to load frequency control in hydrothermal power system,” Soft Computing, vol 20, no 7, pp 2577–2594, 2016 [12] J Vieira, F M Dias, and A Mota, “Neuro-fuzzy systems: a survey,” in 5th WSEAS NNA International Conference, 2004 [13] C.-T Lin and C Lee, “Neural fuzzy systems: a neuro-fuzzy synergism to intelligent systems.” Prentice-Hall, Inc., 1996 [14] K.-Y Tu, T.-T Lee, and W.-J Wang, “Design of a multi-layer fuzzy logic controller for multi-input multi-output systems,” Fuzzy Sets and Systems, vol 111, 2000 [15] Quanser, “Coupled tanks.” http://www.quanser.com/products/coupled_tanks [16] Kachitvichyanukul, Voratas "Comparison of three evolutionary algorithms: GA, PSO, and DE." Industrial Engineering and Management Systems, Vol 11, No 3, pp 215-223, 2012 [17] Rania Hassan, Babak Cohanim, Olivier de Weck, and Gerhard Venter "A Comparison of Particle Swarm Optimization and the Genetic Algorithm", 46th AIAA/ ASME/ ASCE/ AHS/ ASC Structures, Structural Dynamics and Materials Conference, Structures, Structural Dynamics, and Materials and Co-located Conferences, http://dx.doi.org/10.2514/6.2005-1897 [18] Yen, V T., Nan, W Y., & Van Cuong, P (2018) Recurrent fuzzy wavelet neural networks based on robust adaptive sliding mode control for industrial robot manipulators Neural Computing and Applications, 1-14 [19] Yen, V T., Nan, W Y., & Van Cuong, P (2019) Robust adaptive sliding mode neural networks control for industrial robot manipulators International Journal of Control, Automation and Systems, 17(3), 783-792 [20] Nguyen, S D., Choi, S B., & Nguyen, Q H (2018) A new fuzzy-disturbance observerenhanced sliding controller for vibration control of a train-car suspension with magnetorheological dampers Mechanical Systems and Signal Processing, 105, 447-466 [21] Nguyen, S D., & Seo, T I (2018) Establishing ANFIS and the use for predicting sliding control of active railway suspension systems subjected to uncertainties and disturbances International Journal of Machine Learning and Cybernetics, 9(5), 853-865 [22] Nguyen, S D., Vo, H D., & Seo, T I (2017) Nonlinear adaptive control based on fuzzy sliding mode technique and fuzzy-based compensator ISA transactions, 70, 309-321 [23] Son, N N., Kien, C V., & Anh, H P H (2019) Uncertain nonlinear system control using hybrid fuzzy LQR-sliding mode technique optimized with evolutionary algorithm Engineering Computations [24] Van Kien, C., Son, N N., & Anh, H P H (2019) Adaptive Fuzzy Sliding Mode Control for Nonlinear Uncertain SISO System Optimized by Differential Evolution Algorithm International Journal of Fuzzy Systems, 21(3), 755-768 [25] Van Kien, C., Anh, H P H., & Nam, N T (2018) Cascade training multilayer fuzzy model for nonlinear uncertain system identification optimized by differential evolution algorithm International Journal of Fuzzy Systems, 20(5), 1671-1684 [26] Anh, H P H., Son, N N., & Van Kien, C (2018) Adaptive neural compliant force-position control of serial PAM robot Journal of Intelligent & Robotic Systems, 89(3-4), 351-369 [27] Son, N N., Anh, H P H., & Chau, T D (2018) Adaptive neural model optimized by modified differential evolution for identifying 5-DOF robot manipulator dynamic system Soft Computing, 22(3), 979-988 Mục tiêu a) Mục tiêu tổng quát Đề tài nghiên cứu nhằm cố gắng phát triển mơ hình mờ nơ ron thích nghi kết hợp giải thuật tính tốn mềm tối ưu với thông số tối ưu thuật tốn lai tiến hóa nâng cao (Hybrid Enhanced Evolutionary Algorithms) nhằm giúp điều khiển hệ phi tuyến đa biến khảo sát Bộ điều khiển đề xuất chứng minh ổn định dùng lý thuyết Lyapunov b) Mục tiêu cụ thể  Khảo sát nghiên cứu liên quan, đề xuất giải thuật điều khiển dựa vào mô hình mờ nơ ron thích nghi kết hợp giải thuật tính tốn mềm tối ưu  Chứng minh tính ổn định, bền vững điều khiển đề xuất  Mô kiểm chứng chất lượng điều khiển hệ phi tuyến MIMO thông dụng; so sánh thống kê với nghiên cứu khác để chứng tỏ hiệu điều khiển đề xuất Phương pháp nghiên cứu 1.1 Nội dung 1: Đề xuất điều khiển thích nghi cho hệ MIMO dựa vào mơ hình mờ/nơ rơn kết hợp giải thuật tối ưu nâng cao  Cách tiếp cận: Dựa báo quốc tế có hướng nghiên cứu tương tự  Phương pháp nghiên cứu, kỹ thuật sử dụng: Tham khảo báo quốc tế tương tự, từ đưa hàm Lyapunov, chứng minh toán học hệ kín ổn định  Kết dự kiến: Hồn thành chứng minh tốn học tính ổn định giải thuật dựa lý thuyết ổn định Lyapunov 1.2 Nội dung 2: Mô kiểm chứng giải thuật điều khiển đề xuất  Cách tiếp cận: Mô phần mềm  Phương pháp nghiên cứu, kỹ thuật sử dụng: Sử dụng phần mềm Matlab mô giải thuật điều khiển áp dụng cho hệ phi tuyến MIMO phổ biến  Kết dự kiến: Mô thành công giải thuật, tiền đề để áp dụng giải thuật vào thực nghiệm 1.3 Nội dung 3: Kiểm chứng thực nghiệm  Cách tiếp cận: Tham khảo mơ hình có giới, dựa xây dựng lại mơ hình thực nghiệm; Áp dụng kết mơ từ phần mềm Matlab, áp dụng vào điều khiển mơ hình thực  Phương pháp nghiên cứu, kỹ thuật sử dụng: Thiết kế mơ hình phần mềm, sau làm mơ hình với chi tiết hồn thiện  Kết dự kiến: Hồn thiện mơ hình phần cứng; Kiểm chứng giải thuật điều khiển đề xuất; phân tích, thống kê, so sánh chất lượng điều khiển với nghiên cứu khác 1.4 Nội dung 4: Viết báo cáo tổng kết báo khoa học  Cách tiếp cận: Tiếp cận từ lý thuyết, mô kiểm chứng, phân tích, so sánh với nghiên cứu khác  Phương pháp nghiên cứu, kỹ thuật sử dụng: Phân tích, viết báo cáo  Kết dự kiến: Bài báo đăng danh mục ISI (SCI/SCIE); Quyển báo cáo tổng kết nội dung nghiên cứu đề tài Tổng kết kết nghiên cứu 4.1 Mơ hình thí nghiệm Mơ hình thí nghiệm bồn nước đôi làm dựa thiết kế từ hãng Quanser Tuy nhiên phiên cấu hình có bồn nước kết nối Hình Hình Mơ hình bồn nước đơi Mơ hình thực tế thi công phương pháp cắt laser với vật liệu mica dày 0.8cm (Hình 2) Kích thước mơ hình gia cơng xác đảm bảo thơng số ban đầu thiết kế Hình Mơ hình bồn nước đơi thực tế 4.2 Chương trình Matlab Chương trình điều khiển Matlab chạy Realtime với Realtime Windows targer với Arduino Due (lõi ARM 32 bit) (Hình 3) Quadrature Tanks Hình Sơ đồ điều khiển Matlab Cho hệ bồn nước sau: Các thông số: A1  A2  A3  A4  A : Tiết diện bồn nước b1  b2  b3  b4  b : tiết diện van xả C: hệ số xả k1  k2  k : hệ số tỉ lệ công suất bơm / g  981cm / s u1 (t ), u2 (t ) : điện áp điều khiển bơm x1 , x2 , x3 , x4 : mực chất lỏng bồn 1 ,  : hệ số tỉ lệ lưu lượng vào bồn bồn (tỉ lệ lưu lượng vào bồn (1 1 ) ) Yêu cầu: + Xây dựng mơ hình tốn hệ bồn nước + Xây dựng chương trình Simulink mơ hệ bồn chứa + Thiết kế điều khiển Fuzzy dựa vào kinh nghiệm chuyên gia điều khiển PI mờ điều khiển mực nước bồn bồn theo tín hiệu đặt Hình 3, độ rộng tín hiệu nhóm tự chọn + Đánh giá nhận xét sai số theo tiêu chuẩn sau: a J  N  ei  , với e sai số, N tổng số mẫu N i1 b J  N  e N i1 i  ui2  , e sai số, u tín hiệu điều khiển, N tổng số mẫu + So sánh kết với điều khiển PID làm Hình Bảng thơng số mơ hình: Nhóm A (cm2) b (cm2) C k (cm3/(s.V)) 1 2 10 15.6 16.1 15.3 16.2 15.5 16.3 16.4 16.5 15.9 15.2 1.0 1.8 1.8 1.9 1.1 1.4 1.3 1.8 1.4 1.9 0.8301 0.6239 0.6939 0.7413 0.9285 0.6062 0.7172 0.6676 0.8596 0.8927 7.4 7.5 7.3 7.3 8.7 8.2 8.1 7.3 8.7 8.2 0.6725 0.7212 0.6289 0.6396 0.8826 0.8868 0.7726 0.6179 0.6704 0.7059 0.8464 0.6046 0.6129 0.6507 0.7947 0.8195 0.7943 0.7353 0.7641 0.6889 BÀI BỘ ĐIỀU KHIỂN DÙNG MẠNG NƠ RON TRONG MƠI TRƯỜNG MATLAB MỤC ĐÍCH: - Xây dựng điều khiển mờ môi trường Matlab - Hiểu chỉnh định tham số điều khiển nơ ron - Đánh giá chất lượng điều khiển U CẦU: - Có kiến thức lập trình - Có kiến thức sở tự động - Dùng phần mềm Matlab CHUẨN BỊ: - Máy tính có cài đặt phần mềm Matlab I Cơ sở lý thuyết Dùng mạng nơ ron học tập kinh nghiệm chuyên gia việc điều khiển Mạng thần kinh sử dụng để học kinh nghiệm chuyên gia việc điều khiển đối tượng phức tạp chép điều khiển vật lý có sẵn Tiêu chuẩn huấn luyện mạng: J   uc ( k )  unn (k )  N k 1 Huấn luyện mạng thần kinh điều khiển ngõ hệ thống bám theo đáp ứng mơ hình chuẩn Có thể huấn luyện để mạng thần kinh điều khiển hệ thống bám theo đáp ứng mơ hình chuẩn Tiêu chuẩn huấn luyện mạng: J    ym (k )  y (k )  N k 1 II Ví dụ xây dựng điều khiển dùng mạng thần kinh Matlab a Huấn luyện mạng nơ ron chép điều khiển PD mờ Phương trình vi phân mơ tả đối tượng: Trong đó: Tín hiệu  (t ) (radian) góc bánh lái Tín hiệu  (t ) (radian) góc (hướng) chuyển động tàu + Sơ đồ thu thập liệu để huấn luyện mạng thần kinh Trong sơ đồ này, điều khiển PD mờ xây dựng điều khiển hệ thống điều hướng tàu Xác định ngõ vào gồm sai số (E) đạo hàm sai số (DE) , ngõ (U) điều khiển Ta cần thu thập liệu vào/ra để làm liệu huấn luyện mạng thần kinh Thực chạy chương trình, ta thu kết sau: Xác định cấu trúc mạng nơ ron dùng để học điều khiển PD mờ: + Mạng có ngõ vào, ngõ + Lớp ẩn có tế bào, hàm kích hoạt dạng sigmoid + Lớp có tế bào, hàm kích hoạt tuyến tính Chú ý: số lượng tế bào lớp ẩn tùy thuộc vào độ phức tạp điều khiển cần chép Ngõ vào, ngõ điều khiển dùng mạng thần kinh giống với điều khiển cần chép Sau huấn luyện, ta có sơ đồ điều khiển dùng mạng nơ ron sau: So sánh kết điều khiển dụng mạng nơ ron điều khiển PD mờ: b Huấn luyện mạng nơ ron chép điều khiển PI mờ Phương trình vi phân mơ tả đặc tính hệ:  h (t )  ku (t )  C.b gh(t ) A( h) A(h)  Amax  Amin h  Amin hmax  Sơ đồ thu thập liệu: Dữ liệu dùng để huấn luyện: Cấu trúc mạng thần kinh nơ ron dùng chép điều khiển PI + Mạng có ngõ vào e(t), de(t), u(t-1), ngõ u(t) Thành phần ngõ vào u(t-1) thể tính nhớ (hệ thống động) điều khiển + Lớp ẩn có tế bào, hàm kích hoạt dạng sigmoid + Lớp có tế bào, hàm kích hoạt tuyến tính Chú ý: số lượng tế bào lớp ẩn tùy thuộc vào độ phức tạp điều khiển cần chép Sơ đồ điều khiển Kết điều khiển: II Ví dụ xây dựng mơ hình mạng nơ ron Matlab VD xây dựng điều khiển dùng mạng nơ ron chép điều khiển PI mờ điều khiển hệ bồn nước • Sơ đồ Simulink thu thập liệu, đồ thị liệu huấn luyện mạng neuron Sử dụng khối “ToWorkspace” để thu thập liệu sai số, đạo hàm sai số tín hiệu ngõ điều khiển PI mờ Sau chạy xong mơ hình, ta có data lưu Workspace Matlab Tiếp theo, ta cần tạo mạng Nơ ron huấn luyện Code m file dùng để tạo mạng Nơ ron huấn luyện mạng thuật toán có sẵn Matlab K = length(e); X = [e(2:K)'; de(2:K)';u(1:K-1)']; D = [u(2:K)']; N = 5; %so noron lop an mynet = newff(X,D,N,{'tansig' 'purelin'}); mynet.trainFcn = 'trainlm'; mynet.trainParam.goal = 1e-6; mynet.trainParam.epochs = 1000; mynet.trainParam.min_grad = 1e-6; mynet.trainParam.max_fail = 50; mynet = train(mynet,X,D); gensim(mynet); Ta thử với số nơ ron lớp ẩn tăng lên từ 5, 10, 15 Mỗi lần thí nghiệm chạy thử lần, kết khơng tạo điều khiển chạy tốt mơ hình Với N = 20, xuất kết điều khiển tốt lần thử Với N = 25, Với N = 30, Sau huấn luyện xong, đoạn code “gensim(mynet);” tạo mạng nơ ron để sử dụng Ta lấy mô hình nơ ron để điều khiển hệ thống hính  Kết điều khiển 150 ref NNC20 NNC25 NNC30 100 50 0 500 1000 1500 2000 2500 3000 25 NNC20 NNC25 NNC30 20 15 10  500 1000 1500 2000 2500 3000 Kết mô điều khiển dùng mạng neuron với tín hiệu đặt khác tín hiệu dùng để huấn luyện mạng 150 ref NNC20 NNC25 NNC30 100 50 0 500 1000 1500 2000 2500 3000 25 NNC20 NNC25 NNC30 20 15 10 0 500 1000 1500 2000 2500 3000 III Báo cáo thí nghiệm Xây dựng mạng nơ ron học điều khiển PD/ PD mờ điều khiển cân lắc thực hành số Bảng thông số hệ thống: Nhóm M (kg) m (kg) l (m) g 1.3 1.2 1.5 1.0 1.2 1.2 1.4 1.4 0.4 0.3 0.2 0.1 0.3 0.3 0.4 0.5 1.3 1.0 1.2 1.2 1.3 1.4 1.2 1.0 9.81 9.81 9.81 9.81 9.81 9.81 9.81 9.81 Xây dựng mạng nơ ron học điều khiển PI/ PI mờ điều khiển mực nước hệ bồn số Bảng thông số mô hình: Nhóm A (cm2) b (cm2) C k (cm3/(s.V)) 1 2 15.6 16.1 15.3 16.2 15.5 16.3 16.4 16.5 1.0 1.8 1.8 1.9 1.1 1.4 1.3 1.8 0.8301 0.6239 0.6939 0.7413 0.9285 0.6062 0.7172 0.6676 7.4 7.5 7.3 7.3 8.7 8.2 8.1 7.3 0.6725 0.7212 0.6289 0.6396 0.8826 0.8868 0.7726 0.6179 0.8464 0.6046 0.6129 0.6507 0.7947 0.8195 0.7943 0.7353 Yêu cầu cho bài: + Cấu trúc mạng nơ ron học điều khiển + Sơ đồ Simulink thu thập liệu, đồ huấn luyện mạng nơ ron + Huấn luyện mạng nơ ron có số nơ ron lớp ẩn khác Trình bày cửa sổ huấn luyện + Kết điều khiển mơ hình dùng mạng nơ ron so với kết điều khiển điều khiển trước + Đánh giá nhận xét sai số theo tiêu chuẩn sau: a J  N  e  , với e sai số, N tổng số mẫu N i 1 i N ei  ui2  , e sai số, u tín hiệu điều khiển, N tổng số mẫu   N i1 c Độ vọt lố, thời gian xác lập, sai số xác lập b J  + Thay đổi tín hiệu ngõ vào khác để đánh giá chất lượng điều khiển dùng mạng nơ ron + Nhận xét cách chọn mạng nơ ron ... so với thuật toán GA [16], [18] Trong đề tài này, giải thuật DE ứng dụng để tối ưu mơ hình mờ thích nghi dùng cho toán điều khiển hệ đa biến MIMO phi tuyến Trong năm gần đây, mơ hình mờ Takagi-Sugeno... đồ giải thuật điều khiển đề xuất Giải thuật điều khiển trình bày cơng thức (7) bao gồm thành phần: điều khiển tối * ưu ngược ( uifm ), luật điều khiển thích nghi ( uT  ( x) ) luật điều khiển. .. nhiều để nhận dạng điều khiển hệ phi tuyến đa biến Các kết nghiên cứu vài năm gần cho thấy có nhiều cơng trình sử dụng mơ hình mờ Fuzzy khác để nhận dạng điều khiển hệ phi tuyến đa biến MISO