Luận văn thạc sĩ ứng dụng mạng nơ ron nhận dạng và điều khiển hệ thống nâng từ

ĐẠI HỌC THÁI NGUYÊN TRƢỜNG ĐẠI HỌC KỸ THUẬT CÔNG NGHIỆP PHẠM THANH THẢO Tên luận văn: ỨNG DỤNG MẠNG NƠ-RON NHẬN DẠNG VÀ ĐIỀU KHIỂN HỆ THỐNG NÂNG TỪ LUẬN VĂN THẠC SĨ KỸ THUẬT Chuyên ngành: Kỹ thuật điều khiển Tự động hóa Thái Nguyên – 2015 Số hóa Trung tâm Học liệu – ĐHTN http://www.lrc.tnu.edu.vn Cơng trình hồn thành tại: Trường Đại học kĩ thuật Công nghiệp, Đại học Thái Nguyên Ngƣời hƣớng dẫn khoa học: TS Nguyễn Hoài Nam Phản biện 1: PGS.TS Nguyễn Nhƣ Hiển Phản biện 2: PGS.TS Bùi Trung Thành Luận văn bảo vệ trước Hội đồng chấm luận văn họp tại: Trường Đại học Kỹ thuật Công Nghiệp, Đại học Thái Nguyên Vào hồi 10 30 ngày 20 tháng 06 năm 2015 Có thể tìm hiểu luận văn Trung tâm học liệu Đại học Thái Nguyên Thư viện: Trường Đại học kỹ thuật Công nghiệp Số hóa Trung tâm Học liệu – ĐHTN http://www.lrc.tnu.edu.vn LỜI CAM ĐOAN Tên là: Phạm Thanh Thảo Sinh ngày : 18 tháng 06 năm 1989 Học viên lớp cao học khoá 15 CHTĐH - Trường đại học Kỹ thuật Công nghiệp Thái Nguyên Hiện công tác : Trung tâm dạy nghề huyện Đồng Hỷ - Thái Nguyên Xin cam đoan luận văn “Ứng dụng mạng nơ ron nhận dạng điều khiển hệ thống nâng từ” thầy giáo TS Nguyễn Hoài Nam hướng dẫn cơng trình nghiên cứu riêng tơi Tất tài liệu tham khảo có nguồn gốc, xuất xứ rõ ràng Tôi xin cam đoan tất nội dung luận văn nội dung đề cương yêu cầu thầy giáo hướng dẫn Nếu có vấn đề nội dung luận văn, tơi xin hồn tồn chịu trách nhiệm với lời cam đoan Thái Nguyên, ngày tháng năm 2015 Học viên Phạm Thanh Thảo Số hóa Trung tâm Học liệu – ĐHTN http://www.lrc.tnu.edu.vn LỜI CẢM ƠN Sau thời gian nghiên cứu, làm việc khẩn trương hướng dẫn tận tình giúp đỡ thầy giáo TS Nguyễn Hoài Nam, luận văn với đề tài “Ứng dụng mạng nơ ron nhận dạng điều khiển hệ thống nâng từ” hồn thành Tơi xin bày tỏ lịng biết ơn sâu sắc tới: Thầy giáo hướng dẫn TS Nguyễn Hồi Nam tận tình dẫn, giúp đỡ tơi hồn thành luận văn Các thầy giáo Trường Đại học kỹ thuật công nghiệp Thái Nguyên quan tâm động viên, giúp đỡ tơi suốt q trình học tập để hoàn thành luận văn Mặc dù cố gắng hết sức, song điều kiện thời gian kinh nghiệm thực tế thân ít, đề tài tránh khỏi thiếu sót Vì vậy, tơi mong nhận đóng góp ý kiến thầy giáo, cô giáo bạn bè đồng nghiệp Tôi xin chân thành cảm ơn! Thái Nguyên, ngày….tháng….năm 2015 Học viên Phạm Thanh Thảo Số hóa Trung tâm Học liệu – ĐHTN http://www.lrc.tnu.edu.vn MỤC LỤC LỜI CAM ĐOAN LỜI CẢM ƠN MỤC LỤC DANH MỤC CÁC HÌNH VẼ CHƢƠNG I : CƠ SỞ LÝ THUYẾT MẠNG NƠRON 1.1 Nơ-ron sinh học 1.1.1 Chức năng, tổ chức hoạt động não 1.1.2 Mạng nơron sinh học 1.2 Mạng nơ ron nhân tạo 1.2.1 Mạng nơ ron nhân tạo 1.2.2 Các tính chất mạng nơ ron nhân tạo 1.2.3 Các thành phần mạng nơ ron nhân tạo 1.2.4 Cấu trúc mạng nơ-ron 1.2.5 Phân loại mạng nơ-ron 1.2.6 Quá trình thiết kế mạng nơ-ron 1.3 Ứng dụng mạng nơ-ron nhận dạng điều khiển 1.3.1 Nhận dạng hệ thống 1.3.2 Điều khiển theo mô hình mẫu 1.4 Kết luận CHƢƠNG II : TỔNG QUAN VỀ HỆ THỐNG NÂNG TỪ 2.1 Giới thiệu hệ thống nâng từ 2.2 Mơ hình hệ thống nâng từ Số hóa Trung tâm Học liệu – ĐHTN http://www.lrc.tnu.edu.vn 2.3 Ứng dụng mạng nơ ron nhận dạng mơ hình tốn hệ thống nâng từ 30 2.3.1 Huấn luyện mạng hở 31 2.3.2 Huấn luyện mạng kín 33 2.3.3 Nhận xét 35 2.4 Ứng dụng mạng nơ-ron điều khiển hệ thống nâng từ theo mơ hình mẫu .35 2.4.1 Huấn luyện mạng hở 37 2.4.2 Huấn luyện mạng kín 39 2.4.3 Nhận xét 41 2.5 Kết luận 42 CHƢƠNG III : THIẾT KẾ, CHẾ TẠO HỆ THỐNG NÂNG TỪ 43 3.1 Thiết kế chế tạo hệ thống nâng từ phịng thí nghiệm 43 3.2 Mơ hình thí nghiệm hệ thống nâng từ 44 3.2.1 Thiết bị đo góc 45 3.2.2 Card điều khiển arduino 45 3.3 Thiết kế điều khiển PI cho hệ thống nâng từ thực .46 3.3.1 Sơ đồ hệ thống điều khiển sử dụng điều khiển PI 46 3.3.2 Kết điều khiển sử dụng điều khiển PI 47 3.4 Kết luận 48 CHƢƠNG IV : ỨNG DỤNG MẠNG NƠ-RON NHẬN DẠNG VÀ ĐIỀU KHIỂN HỆ THỐNG NÂNG TỪ .50 4.1 Ứng dụng mạng nơ ron nhận dạng điều khiển hệ thống nâng từ thực .50 4.1.1 Huấn luyện mạng hở 51 4.1.2 Huấn luyện mạng kín 53 Số hóa Trung tâm Học liệu – ĐHTN http://www.lrc.tnu.edu.vn 4.1.3 Nhận xét 54 4.2 Ứng dụng mạng nơ-ron điều khiển hệ thống nâng từ thực 54 4.2.1 Huấn luyện mạng hở 54 4.2.2 Huấn luyện mạng kín 57 4.2.3 Nhận xét 59 4.4 Kết luận 60 KẾT LUẬN VÀ KIẾN NGHỊ 60 TÀI LIỆU THAM KHẢO 62 DANH MỤC CÁC HÌNH VẼ Số hóa Trung tâm Học liệu – ĐHTN http://www.lrc.tnu.edu.vn Hình 1.1 Mơ hình nơron sinh học 14 Hình 1.2 Mơ hình nơron đơn giản 15 Hình 1.3 Mạng nơ-ron lớp 16 Hình 1.4 Mơ hình nơ-ron thứ i 17 Hình 1.5 Đồ thị loại hàm chuyển đổi 18 Hình 1.6 Cấu trúc huấn luyện mạng nơ-ron 19 Hình 1.7: Sơ đồ cấu trúc loại mạng nơ-ron 21 Hình 1.8 Sơ đồ khối trình nhận dạng hệ thống 23 Hình 1.9 Sơ đồ khối q trình điều khiển theo mơ hình mẫu 24 Hình 2.1 Mơ hình hệ thống nâng vật bẳng từ trường đơn giản 27 Hình 2.2: Cấu trúc mạng hở nhận dạng đối tượng 30 Hình 2.3 Đầu mạng, đầu mẫu sai số 30 Hình 2.4 MSE mạng hở 31 Hình 2.5 Cấu trúc mạng kín nhận dạng đối tượng 31 Hình 2.6 Đầu mạng, đầu mẫu sai số 32 Hình 2.7 MSE mạng kín 32 Hình 2.8 Sơ đồ hệ thống phát tín hiệu mẫu 34 Hình 2.9 Cấu trúc mạng điều khiển đối tượng (mạng hở) 35 Hình 2.10 Đầu mạng, đầu mẫu sai số 36 Hình 2.11 MSE mạng hở 37 Hình 2.12 Cấu trúc mạng điều khiển đối tượng (mạng kín) 38 Hình 2.13 Đầu mạng, đầu mẫu sai số 38 Hình 2.14 MSE mạng kín 39 Số hóa Trung tâm Học liệu – ĐHTN http://www.lrc.tnu.edu.vn Hình 3.1 Hệ thống thí nghiệm cho hệ thống nâng từ 41 Hình 3.2 Sơ đồ khối mơ hình thí nghiệm 42 Hình 3.3 Thiết bị đo góc 43 Hình 3.4 Card Aduino 43 Hình 3.5 Sơ đồ điều khiển PI điều khiển hệ thống nâng từ thực matlab 45 Hình 3.6 Kết điều khiển PI 46 Hình 4.1: Cấu trúc mạng hở nhận dạng đối tượng 49 Hình 4.2 Đầu mạng, đầu mẫu sai số 50 Hình 4.3 MSE mạng hở 50 Hình 4.4 Cấu trúc mạng kín nhận dạng đối tượng 51 Hình 4.5 Đầu mạng, đầu mẫu sai số 51 Hình 4.6 MSE mạng kín 52 Hình 4.7 Cấu trúc mạng điều khiển đối tượng (mạng hở) 53 Hình 4.8 Đầu mạng, đầu mẫu sai số 54 Hình 4.9 MSE mạng hở 55 Hình 4.10 Cấu trúc mạng điều khiển đối tượng (mạng kín) 56 Hình 4.11 Đầu mạng, đầu mẫu sai số 56 Hình 4.12 MSE mạng kín 57 MỞ ĐẦU Lý chọn đề tài Số hóa Trung tâm Học liệu – ĐHTN http://www.lrc.tnu.edu.vn Magnetic Levitation Systems,” IEEE Trans On Industrial Electronics, Vol 48, No 4, August 2001 Số hóa Trung tâm Học liệu – ĐHTN http://www.lrc.tnu.edu.vn [13] I M M Hassan and A M Mohamed, “Variable Structure Control of a Magnetic Levitation System”, Proceedingsof the American Control Conference Arlington, VA June 25-27,2001 [14] Z J Yang, K Miyazaki, S Kanae and K Wada, „Robust PositionControl of a Magnetic Levitation System via Dynamic Surface Control Technique,‟ IEEE Trans On Industrial Electronics, Vol 51,No 1, February 2004 [15] Z J Yang, K Kunitoshi, S Kanae, and K Wada, “Adaptive Robust Output-Feedback Control ofa Magnetic Levitation System by K-Filter Approach,” IEEE IEEE Trans On Industrial Electronics, Vol 55,No 1, January 2008 [16] P Jain and M J Nigam, “Comparative analysis of MIT Rule and aifferential evolution on magnetic levitation system,” International Journal of Electronics and Electrical Engineering Vol 3, No 2, April, 2015 [17] Martin T H., Howard B D and Orlando D J., “An introduction to the use of neuralnetworksincontrol systems,”Int J Robust Nonlinear Control 2002 [18] http://en.m.wikipedia.org/wiki/Magnetic_levitation Số hóa Trung tâm Học liệu – ĐHTN http://www.lrc.tnu.edu.vn Phụ lục 1: Chƣơng trình huấn luyện nhận dạng mơ hình hệ thống nâng từ thực Matlab (mạng hở) load mau net=narxnet(1:2,1:2,6); view(net); net.trainFcn='trainlm'; net.performFcn='mse'; net.trainParam.goal=1e-5; net.trainParam.epochs=1000; net.trainParam.min_grad=1e-10; net.trainParam.time=inf; net.trainParam.sigma=5e-5; net.trainParam.lambda=5e-10; net.trainParam.max_fail=10000; x=num2cell(R1'); t=num2cell(T1'); [xs,xi,ai,ts]=preparets(net,x,{},t); [net,tr]=train(net,xs,ts,xi,ai); y=net(xs,xi,ai); y=cell2mat(y); figure(1) n=length(xs); ti=1:n; t1=cell2mat(ts); subplot(2,1,1) plot(ti,y,'r',ti,t1,'b') legend('Network Output','Target') Số hóa Trung tâm Học liệu – ĐHTN http://www.lrc.tnu.edu.vn grid on subplot(2,1,2) plot(ti,y-t1,'r') grid on legend('Error') figure(2) plot(tr.perf) grid on title('MSE') mse_end=min(tr.perf) save thao_1 net Phụ lục 2: Chƣơng trình huấn luyện nhận dạng mơ hình hệ thống nâng từ thực Matlab (mạng kín) load mau load thao_1 net = closeloop(net); view(net) C=3; N = 3997; netc = cell(1,N); perfc = cell(1,N); figu = cell(2,N); d = 1; m = length('T1'); for i =1:N C=C+1; net1 = net; k = floor(rand*m/C); Số hóa Trung tâm Học liệu – ĐHTN http://www.lrc.tnu.edu.vn if k == k = 1; end net1.trainFcn = 'trainlm'; net1.performFcn = 'mse'; net1.trainParam.goal = 0; net1.trainParam.epochs = 1000; net1.trainParam.min_grad = 1e-15; net1.trainParam.time = inf; net1.trainParam.sigma = 5e-5; net1.trainParam.lambda = 5e-7; net1.trainParam.max_fail = 10000; [x,xr] = batch_data01(C,R1',k,d); [t,rt] = batch_data01(C,T1',k,d); net1 = configure(net1,x,t); [xs,xi,ai,ts] = preparets(net1,x,{},t); [net1,tr] = train(net1,xs,ts,xi,ai); net = net1; netc{1,i} = net; perfc{1,i} = tr.perf; end figure(1) plot(perfc{1,end}) grid on title('MSE') mse_end = min(perfc{1,end}) [xs,xi,ai,ts]=preparets(net,xr,{},rt); y = net(xs,xi,ai); Số hóa Trung tâm Học liệu – ĐHTN http://www.lrc.tnu.edu.vn y = cell2mat(y); figure(2) n = length(xs); ti = 1:n; t1 = cell2mat(ts); subplot(2,1,1) plot(ti,y,'r',ti,t1,'b') legend('Network Output','Target') grid on subplot(2,1,2) plot(ti,y-t1,'r') grid on legend('Error') mse_end = min(tr.perf) save thao_2 netc Phụ lục 3: Chƣơng trình tạo tín hiệu mẫu để huấn luyện điều khiển tmin = 1; tmax = 2; umin = 0; umax = 1.5; Ts = 0.01; % Sampling time t_desired = 20; % number of samples data_length = 0; t_data = 0; % store time ref_data = rand*umax; % store reference input while data_length < t_desired a = tmin + rand*(tmax-tmin); b = umin + rand*(umax-umin); Số hóa Trung tâm Học liệu – ĐHTN http://www.lrc.tnu.edu.vn t = [data_length+Ts data_length+a]; t_data = [t_data t]; ref_data = [ref_data b b]; data_length = data_length + a; end reference_input = [t_data;ref_data]'; plot(t_data,ref_data) title('Reference input') grid on vitri = reference_input; save thao_3 vitri Ts Phụ lục 4: Chƣơng trình huấn luyện điều khiển cho mơ hình hệ thống nâng từ Matlab (mạng hở) load thao_2 nnplant = netc{1,end}; s = nnplant.layers{1}.size; s1 = 6; load mauBDK R = R2'; T = T2'; numInputs = 2; numLayers = 4; biasConnect = [1;1;1;1]; inputConnect = [1 1;0 0;0 1;0 0]; layerConnect = [0 0;1 0 0;0 0;0 0]; net = network(numInputs,numLayers,biasConnect,inputConnect,layerConnect); net.outputConnect = [0 0 1]; Số hóa Trung tâm Học liệu – ĐHTN http://www.lrc.tnu.edu.vn net.layers{1}.transferFcn = 'tansig'; net.layers{2}.transferFcn = 'purelin'; net.layers{3}.transferFcn = 'tansig'; net.layers{4}.transferFcn = 'purelin'; d34 = max(nnplant.layerWeights{1,2}.delays); net.inputWeights{3,2}.delays = 1:d34; d11 = max(nnplant.inputWeights{1,1}.delays); net.layerWeights{3,2}.delays = 1:d11; net.layerWeights{1,2}.delays = 1:2; net.inputWeights{1,1}.delays = 1:2; net.inputWeights{1,2}.delays = 1:2; net.layers{1}.size = s1; net.layers{2}.size = 1; net.layers{3}.size = s; net.layers{4}.size = 1; net.layers{1}.initFcn = 'initnw'; net.layers{2}.initFcn = 'initnw'; net.trainFcn = 'trainlm'; net.performFcn = 'mse'; net.trainParam.goal = 1e-3; net.trainParam.epochs = 10000; net.trainParam.min_grad = 1e-50; net.trainParam.time = inf; net.trainParam.max_fail = 10000; net = init(net); x = num2cell([R;T]); t = num2cell(T); net = configure(net,x,t); Số hóa Trung tâm Học liệu – ĐHTN http://www.lrc.tnu.edu.vn [xs,xi,ai,ts]=preparets(net,x,t,{}); net = train(net,xs,ts,xi,ai); net.LW{3,2} = nnplant.IW{1,1}; net.b{3} = nnplant.b{1}; net.IW{3,2} = nnplant.LW{1,2}; net.LW{4,3} = nnplant.LW{2,1}; net.b{4} = nnplant.b{2}; net.biases{3}.learn = 0; net.biases{4}.learn = 0; net.layerWeights{3,2}.learn = 0; net.inputWeights{3,2}.learn = 0; net.layerWeights{4,3}.learn = 0; net.trainParam.epochs = 10000; view(net) [net,tr] = train(net,xs,ts,xi,ai); y = net(xs,xi,ai); y = cell2mat(y); ts = cell2mat(ts); figure(1) ti = 1:length(ts); subplot(2,1,1) plot(ti,y,'r',ti,ts,'b') legend('Network Output','Target') grid on subplot(2,1,2) plot(ti,y-ts,'r') grid on legend('Error') Số hóa Trung tâm Học liệu – ĐHTN http://www.lrc.tnu.edu.vn figure(2) plot(tr.perf) grid on title('MSE') mse_end = tr.perf(1,end) save thao_BDK net Phụ lục 5: Chƣơng trình chuyển đổi từ mạng hở sang mạng kín điều khiển clc load BDK_mrc load thao_BDK C=3; numInputs = 1; numLayers = 4; biasConnect = [1;1;1;1]; inputConnect = [1;0;0;0]; layerConnect = [0 1;1 0 0;0 1;0 0]; netc = network(numInputs,numLayers,biasConnect,inputConnect,layerConnect); netc.outputConnect = [0 0 1]; netc.layers{1}.transferFcn = 'tansig'; netc.layers{2}.transferFcn = 'purelin'; netc.layers{3}.transferFcn = 'tansig'; netc.layers{4}.transferFcn = 'purelin'; d34 = max(net.inputWeights{3,2}.delays); netc.layerWeights{3,4}.delays = 1:d34; d32 = max(net.layerWeights{3,2}.delays); netc.layerWeights{3,2}.delays = 1:d32; Số hóa Trung tâm Học liệu – ĐHTN http://www.lrc.tnu.edu.vn d12 = max(net.layerWeights{1,2}.delays); netc.layerWeights{1,2}.delays = 1:d12; d11 = max(net.inputWeights{1,1}.delays); netc.inputWeights{1,1}.delays = 1:d11; d14 = max(net.inputWeights{1,2}.delays); netc.layerWeights{1,4}.delays = 1:d14; netc.layers{1}.size = net.layers{1}.size; netc.layers{2}.size = net.layers{2}.size; netc.layers{3}.size = net.layers{3}.size; netc.layers{4}.size = net.layers{4}.size; netc.trainFcn = 'trainlm'; netc.performFcn = 'mse'; netc.trainParam.goal = 0; netc.trainParam.epochs = 1; netc.trainParam.min_grad = 1e-50; netc.trainParam.time = inf; netc.trainParam.sigma = 5e-5; netc.trainParam.lambda = 5e-7; netc.trainParam.max_fail = 10000; m = length(R2); k = floor(rand*m/C); if k == k = 1; end d = 1; [x,xr] = batch_data01(C,R2,k,d); [t,rt] = batch_data01(C,T2,k,d); netc = configure(netc,x,t); Số hóa Trung tâm Học liệu – ĐHTN http://www.lrc.tnu.edu.vn [xs,xi,ai,ts]=preparets(netc,x,t,{}); netc = train(netc,xs,ts,xi,ai); netc.IW{1,1} = net.IW{1,1}; netc.b{1} = net.b{1}; netc.LW{1,2} = net.LW{1,2}; netc.LW{1,4} = net.IW{1,2}; netc.LW{2,1} = net.LW{2,1}; netc.b{2} = net.b{2}; netc.LW{3,2} = net.LW{3,2}; netc.b{3} = net.b{3}; netc.LW{3,4} = net.IW{3,2}; netc.LW{4,3} = net.LW{4,3}; netc.b{4} = net.b{4}; save thao_BDK1 netc view(netc) Phụ lục 6: Chƣơng trình huấn luyện điều khiển cho mơ hình hệ thống nâng từ Matlab (mạng kín) clc load thao_BDK1 d = 1; C=3; N = 1997; m = length(R2); net = netc; netc = cell(1,N); perfc = cell(1,N); figu = cell(2,N); for i = 1:N Số hóa Trung tâm Học liệu – ĐHTN http://www.lrc.tnu.edu.vn C=C+1; net1 = net; k = floor(rand*m/C); if k == k = 1; end net1.trainFcn = 'trainlm'; net1.performFcn = 'mse'; net1.trainParam.goal = 1e-3; net1.trainParam.epochs = 200; net1.trainParam.min_grad = 1e-50; net1.trainParam.time = inf; net1.trainParam.lambda = 5e-10; net1.trainParam.max_fail = 10000; net1.biases{3}.learn = 0; net1.biases{4}.learn = 0; net1.layerWeights{3,2}.learn = 0; net1.layerWeights{3,4}.learn = 0; net1.layerWeights{4,3}.learn = 0; [x,xr] = batch_data01(C,P,k,d); [t,rt] = batch_data01(C,T,k,d); figu{1,i} = xr; figu{2,i} = rt; net1 = configure(net1,x,t); [xs,xi,ai,ts]=preparets(net1,x,t,{}); [net1,tr] = train(net1,xs,ts,xi,ai); net = net1; netc{1,i} = net; Số hóa Trung tâm Học liệu – ĐHTN http://www.lrc.tnu.edu.vn perfc{1,i} = tr.perf; end figure(1) plot(perfc{1,end}) grid on title('MSE') figure(2) [xs,xi,ai,ts]=preparets(net1,xr,rt,{}); y = net(xs,xi,ai); y = cell2mat(y); ts = cell2mat(ts); ti = 1:length(ts); subplot(2,1,1) plot(ti,y,'r',ti,ts,'b') legend('Network Output','Target') grid on subplot(2,1,2) plot(ti,y-ts,'r') grid on legend('Error') mse_end = tr.perf(1,end) save thao_BDK2 netc net1 perfc Số hóa Trung tâm Học liệu – ĐHTN http://www.lrc.tnu.edu.vn Số hóa Trung tâm Học liệu – ĐHTN http://www.lrc.tnu.edu.vn ... Tổng quan hệ thống nâng từ Chương III: Thiết kế, chế tạo hệ thống nâng từ Chương IV: Ứng dụng mạng nơ ron nhận dạng điều khiển hệ thống nâng từ CHƢƠNG I CƠ SỞ LÝ THUYẾT MẠNG N? ?RON 1.1 Nơ- ron sinh... : ỨNG DỤNG MẠNG NƠ -RON NHẬN DẠNG VÀ ĐIỀU KHIỂN HỆ THỐNG NÂNG TỪ .50 4.1 Ứng dụng mạng nơ ron nhận dạng điều khiển hệ thống nâng từ thực .50 4.1.1 Huấn luyện mạng hở ... n? ?ron nhận dạng điều khiển hệ thống nâng từ hay khơng chúng tơi dùng mơ hình tốn hệ thống nâng từ để huấn luyện, từ xác định sử dụng điều khiển mạng nơ- ron huấn luyện phần làm điều khiển cho hệ thống