TÀI LIỆU HỌC TẬP ĐIỀU KHIỂN MỜ VÀ MẠNG NƠRON

BỘ CÔNG THƯƠNG TRƯỜNG ĐẠI HỌC KINH TẾ - KỸ THUẬT CƠNG NGHIỆP KHOA ĐIỆN Nguyễn Đức Điển, Hồng Đình Cơ TÀI LIỆU HỌC TẬP ĐIỀU KHIỂN MỜ VÀ MẠNG NƠRON (Lưu hành nội bộ) HÀ NỘI – 2019 LỜI NĨI ĐẦU Sự phát triển khơng ngừng khoa học công nghệ làm xuất đối tượng điều khiển có độ phức tạp ngày tăng Yêu cầu thực tiễn đặt phải điều khiển hệ thống động ngày phức tạp, điều kiện yếu tố bất định ngày gia tăng với yêu cầu chất lượng điều khiển ngày cao Các yêu cầu đáp ứng trọn vẹn dùng lý thuyết điều khiển thơng thường sẵn có Đây động lực cho đời lĩnh vực nghiên cứu điều khiển thơng minh Điểm khác biệt điều khiển thông minh điều khiển thông thường thiết kế nguyên tắc không cần mơ hình tốn học đối tượng điều khiển Các kỹ thuật điều khiển thông minh sử dụng phổ biến điều khiển mờ, mạng nơ ron, thuật toán di chuyền Để cập nhật kiến thức điều khiển thông minh phù hợp với nội dung chương trình đào tạo cho sinh viên ngành “Công nghệ Kỹ thuật Điều khiển Tự động hóa” Khoa Điện trường Đại học Kinh tế - Kỹ thuật Công nghiệp; biên soạn tài liệu “ Điều khiển mờ mạng nơron” Tài liệu gồm chương, trình bày cách sở lý thuyết ứng dụng điều khiển mờ, mạng nơron nhận dạng điều khiển hệ thống Trong trình biên soạn, tác giả cố gắng, trình độ thời gian có hạn, tài liệu khơng tránh khỏi sai sót Chúng tơi mong nhận góp ý nhận xét bạn đọc để sách hoàn thiện lần tái sau Các tác giả MỤC LỤC LỜI NÓI ĐẦU MỤC LỤC CHƯƠNG ĐIỀU KHIỂN MỜ 1.1 CÁC KHÁI NIỆM CƠ BẢN VỀ ĐIỀU KHIỂN MỜ 1.1.1 Giới thiệu 1.1.2 Khái niệm tập mờ 1.1.3 Các phép toán tập mờ 11 1.1.4 Biến ngôn ngữ giá trị biến ngôn ngữ 14 1.1.5 Luật hợp thành mờ 15 1.1.6 Giải mờ 22 1.2 CẤU TRÚC CỦA BỘ ĐIỀU KHIỂN MỜ 25 1.3 PHÂN LOẠI BỘ ĐIỀU KHIỂN MỜ 26 1.4 CÁC BƯỚC TỔNG HỢP BỘ ĐIỀU KHIỂN MỜ 28 1.5 VÍ DỤ ỨNG DỤNG 29 1.6 BÀI TẬP CHƯƠNG 33 CHƯƠNG CÁC BỘ ĐIỀU KHIỂN MỜ VÀ ỨNG DỤNG TRONG ĐIỀU KHIỂN 36 2.1 BỘ ĐIỀU KHIỂN MỜ TĨNH 36 2.1.1 Khái niệm 36 2.2.2 Thuật toán tổng hợp điều khiển mờ tĩnh 36 2.1.3 Tổng hợp điều khiển mờ tuyến tính đoạn 37 2.2 BỘ ĐIỀU KHIỂN MỜ ĐỘNG 38 2.2.1 Bộ điều khiển mờ luật PI 38 2.2.2 Bộ điều khiển mờ luật PD 44 2.2.3 Bộ điều khiển mờ luật PID 46 2.3 HỆ ĐIỀU KHIỂN MỜ LAI 47 2.3.1 Tổng quan hệ điều khiển mờ lai 47 2.3.2 Các hệ điều khiển mờ lai 48 2.4 CHỈNH ĐỊNH THAM SỐ MỜ PID 51 2.4.1 Bộ điều khiển PID mờ Madani 51 2.4.2 Bộ điều khiển PID mờ Sugeno 53 2.5 THIẾT KẾ HỆ ĐIỀU KHIỂN MỜ BẰNG PIIẦN MỀM MATLAB 57 2.5.1 Giới thiệu hộp công cụ lôgic mờ 57 2.5.2 Ví dụ minh họa 60 2.6 BÀI TẬP CHƯƠNG 64 CHƯƠNG MẠNG NƠRON NHÂN TẠO 70 3.1 CÁC KHÁI NIỆM CƠ BẢN VỀ MẠNG NƠRON 70 3.1.1 Tế bào nơron 71 3.1.2 Các loại mơ hình cấu trúc mạng nơron 75 3.1.3 Các tính chất mạng nơron 76 3.1.4 Các luật học 76 3.2 CÁC MẠNG NƠRON TRUYỀN THẲNG SỬ DỤNG LUẬT HỌC GIÁM SÁT 80 3.2.1 Mạng Perceptron 80 3.2.2 Mạng Adaline 86 3.2.3 Mạng nơron truyền thẳng nhiều lớp 88 3.3 XÂY DỰNG MỘT SỐ MẠNG NƠRON TRÊN MATLAB-SIMULINK 95 3.4 BÀI TẬP CHƯƠNG 101 CHƯƠNG ỨNG DỤNG MẠNG NƠRON TRONG NHẬN DẠNG VÀ ĐIỀU KHIỂN 105 4.1 ỨNG DỤNG MẠNG NƠRON TRONG NHẬN DẠNG 105 4.1.1.Nhận dạng đối tượng 105 4.1.2 Mô hình nhận dạng dùng mạng nơron 110 4.2 ỨNG DỤNG MẠNG NƠRON TRONG ĐIỀU KHIỂN 117 4.2.1 Một số ứng dụng mạng nơron điều khiển 117 4.2.2 Một số ví dụ ứng dụng mạng nơron điều khiển 123 5.4 BÀI TẬP CHƯƠNG 127 CHƯƠNG KẾT HỢP BỘ ĐIỀU KHIỂN MỜ VÀ MẠNG NƠRON TRONG ĐIỀU KHIỂN 131 5.1 GIỚI THIỆU CHUNG 131 5.2 KẾT HỢP BỘ ĐIỀU KHIỂN MỜ VÀ MẠNG NƠRON TRONG ĐIỀU KHIỂN 132 TÀI LIỆU THAM KHẢO 134 CHƯƠNG ĐIỀU KHIỂN MỜ MỤC TIÊU CỦA CHƯƠNG Cung cấp cho sinh viên nội dung điều khiển mờ: Khái niệm tập mờ, phép toán tập mờ, biến ngôn ngữ, luật hợp thành mờ phương pháp giải mờ, cấu trúc điều khiển mờ bản, phân loại điều khiển mờ, phương pháp thiết kế điều khiển mờ 1.1 CÁC KHÁI NIỆM CƠ BẢN VỀ ĐIỀU KHIỂN MỜ 1.1.1 Giới thiệu Để hiểu điều khiển mờ gì, trước tiên ta xét ví dụ hình 1.1a Đối tượng điều khiển hệ thống lưu trữ lượng, biểu diễn bình đựng nước Năng lượng có hệ, biểu diễn độ cao cột nước h(t) có bình cung cấp cho tiêu dùng, mô tả lưu lượng nước chảy q(t) Năng lượng bình ln bổ sung thơng qua hệ thống cung cấp, mơ tả lượng nước v(t) cấp vào bình điều chỉnh độ mở van u(t) Nhiệm vụ điều khiển phải điều chỉnh độ mở van u(t) cho cột nước h(t) có bình số không đổi điều không phụ thuộc tải tiêu thụ q(t) Hình 1.1 Hệ bồn chứa nước Như mơ tả đối tượng điều khiển đối tượng điều khiển bình nước có tín hiệu vào u(t) tín hiệu h(t), tín hiệu q(t) xem thành phần nhiễu tác động vào hệ (hình 1.1b) Phương pháp điều khiển ON-OFF theo logic kinh điển điều khiển van van theo chiến lược sau: - Nếu nước chưa đầy bồn van mở - Nếu nước đầy bồn van đóng Phương pháp điều khiển ON-OFF đơn giản, lập trình dễ dàng dùng PLC Tuy nhiên, van có hai trạng thái “đóng” “mở” nên chất lượng điều khiển không cao, đáp ứng hệ thống có độ điều chỉnh, dao động Để nâng cao chất lượng điều khiển thiết kế điều khiển PID để điều khiển hệ thống, nhiên cần phải biết mơ hình tốn học bồn đối tượng Trong đó, người vận hành khơng biết mơ hình tốn hệ bồn chứa điều khiển hệ thống đạt chất lượng tốt theo chiến lược sau: - Nếu mực nước cao van đóng - Nếu mực nước đủ lượng nước khơng van đóng - Nếu mực nước đủ lượng nước van mở nhỏ - Nếu mực nước đủ lượng nước nhiều van mở to - Nếu mực nước thấp van mở to Trong chiến lược điều khiển trên, phương pháp điều khiển mờ (Fuzzy Logic Controlle – FLC) Phương pháp điều khiển mờ xây dựng theo nguyên lý tư người Nói cách khác, điều khiển mờ điều khiển theo lời nói Lúc tín hiệu vào, u(t), q(t) h(t) gọi biến ngôn ngữ theo thứ tự van, lượng nước mực nước Các giá trị cao, đủ, thấp h(t) nhiều, khơng, q(t) đóng, mở nhỏ, mở to, mở to u(t) gọi giá trị ngôn ngữ Bộ điều khiển mờ sử dụng tốn mà đối tượng điều khiển có mơ hình tốn q phức tạp, cồng kềnh, khơng thể có mơ hình tốn mơ tả đủ xác 1.1.2 Khái niệm tập mờ 1.1.2.1 Tập hợp kinh điển Trước tiên ta xét tập hợp A (tập hợp theo định nghĩa Cantor) phần tử x 1 x ∈ A 0 x ∉ A Hàm µ A ( x) =  gọi hàm đặc tính tập A Nó có hai giá trị Giá trị hàm µ A ( x) cịn gọi giá trị đúng, ngược lại giá trị sai µ A ( x) Nói cách khác, hàm đặc tính ánh xạ: µ A : A → {0,1} Một tập X ⊇ A ln có µ X ( x) = ∀x , gọi tập A Một tập A có dạng: A = { x ∈ X x thỏa mãn tính chất đó} nói có tập X, hay định nghĩa tập X Ví dụ tập: { } A = x ∈ R < x < có tập tập số thực R µA ( x) Hình 1.2 Hàm thuộc µ A ( x) tập kinh điển A Có thể dễ dàng thấy hai tập hợp A B X với hai hàm đặc tính tương ứng µ A ( x), µ B ( x) thỏa mãn: - A ⊆ B µ A ( x) ≤ µ B ( x ) - x ∈ A \ B µ A\ B ( x) = µ A ( x) − µ A ( x) µ B ( x) - x ∈ A ∩ B µ A∩ B ( x) = µ A ( x) µ B ( x) = {µ A ( x), µ B ( x)} - x ∈ A ∪ B x ∈ A ∪ B ⇔ µ A∪ B ( x) = max {µ A ( x), µ B ( x)} = µ A ( x) + µ B ( x ) − µ A ( x) µ B ( x) - x ∈ Ac µ A ( x) = − µ A ( x), c Ac tập bù A nhờ chúng, phép tính trừ A\B, phép hội (cịn gọi phép giao A ∩ B ), phép tuyển (phép hợp A ∪ B ), phép bù Ac hai tập hợp Canor A B nền, chuyển sang thành phép tính logic hai hàm đặc tính µ A ( x), µ B ( x) tương ứng chúng A∩B Hình 1.3 Các phép tốn tập hợp Để thực phép tính tập hợp nhiều tập hợp với (chứ hai tập hợp) nhờ phép tính logic, ta sử dụng thêm tính chất hiển nhiên sau: - Tính giao hốn: A ∩ B = B ∩ A A ∪ B = B ∪ A - Tính bắc cầu: Nếu A ⊆ B A ∩ C ⊆ B ∩ C A ∪ C ⊆ B ∪ C Ac ⊇ B c - Tính kết hợp: ( A ∪ B ) ∪ C = A ∪ ( B ∪ C ) ( A ∩ B ) ∩ C = A ∩ ( B ∩ C ) - Phân phối: ( A ∪ B) ∩ C = ( A ∩ C ) ∪ ( B ∩ C ) ( A ∩ B) ∪ C = ( A ∪ C ) ∩ ( B ∪ C ) - Lũy đẳng: A ∪ A = A ∩ A = A - De Morgan: ( A ∪ B)c = Ac ∩ B c ( A ∩ B)c = Ac ∪ B c 1.1.2.2 Định nghĩa tập mờ Quay lại ví dụ điều khiển bình nước nêu phần trước với giá trị ngôn ngữ cao, đủ, thấp h(t) nhiều, khơng, q(t) đóng, mở nhỏ, mở to, mở to u(t) Các giá trị gây khơng khó khăn cho người điều khiển đóng, mở van chúng hiểu theo nghĩa tập hợp kinh điển Tại lại vậy? Để trả lời ta giả sử lưu lượng nước q(t) 2m3/s mực nước có bình đủ Sẽ dễ xảy trường hợp hai người điều khiển đóng, mở van khác có hai quan điểm khác Người thứ cho lưu lượng 2m3/s nên mở nhỏ, người thứ hai lại cho lưu lượng 2m3/s nhiều nên mở to van Nhằm thống hai quan điểm trái ngược đó, người ta đưa thêm vào giá trị rõ lưu lượng 2m3/s giá trị thực khoảng từ đến để đánh giá độ xác hai quan điểm Chẳng hạn lưu lượng 2m3/s đánh giá với độ xác 0,7 nhiều với độ xác 0,4 (xem hình 6) Nếu hai người quan điểm lưu lượng 2m3/s gọi khơng có nước chảy đánh giá khơng, có độ xác Một cách tổng quát ba hàm đặc tính µ nhiều(q), µ khơng(q), µ ít(q) ba giá trị ngơn ngữ nhiều, khơng, lưu lượng q(t) có miền giá trị số thực chạy khoảng kín [0,1] khơng phải tập hợp gồm hai giá trị {0,1} tập hợp kinh điển Định nghĩa tập mờ: Tập mờ A tập hợp mà phần tử x ∈ A gán thêm giá trị µ A : A → [0,1] đánh giá độ phụ thuộc phần tử vào tập cho Khi hàm µ A(x) gọi hàm liên thuộc Nếu độ phụ thuộc phần tử x hồn tồn khơng thuộc tập cho, ngược lại với độ phụ thuộc 1, phần tử thuộc tập hợp với xác suất 100% Như vậy, khác với tập kinh điển, mà hàm đặc tính µ A(x) hàm biểu diễn lại tính chất tập hợp, tập mờ A hàm liên thuộc µ A(x) thành phần khơng thể thiếu, điều kiện định nghĩa tập mờ Nói cách khác, tập mờ tập hợp cặp giá trị (x, µ A(x)) Ví dụ tập B gồm số thực nhỏ nhiều so với 3: B = { x ∈ R x 0} tập X chứa phần tử x mà hàm µ F(x) có giá trị dương Miền tin cậy tập mờ F (định nghĩa tập X), ký hiệu T tập M thỏa mãn: T = { x ∈ X µ F ( x ) = 1} 1.1.2.4 Các dạng hàm thuộc thường gặp Mặc dụ hàm µ A ( x ) ∈ [0,1] sử dụng hàm thuộc cho tập mờ A, song điều khiển, với mục đích đơn giản, người ta thường quan tâm tới dạng khác là: - Hàm thuộc dạng singleton (hình 1.6a) - Hàm thuộc dạng tam giác (hình 1.6b) - Hàm thuộc dạng hình thang (hình 1.6c) - Hàm thuộc dạng hình chng (hình 1.6d hình 1.6e) Hình 1.6 Các dạng hàm thuộc thường gặp Dạng singleton  neáu x = C  x ≠ C µ ( x,C ) =  Dạng tam giác  x−L  C − L L ≤ x ≤ R  R−x µ ( x, L , C, R) =  neáu C ≤ x ≤ R R −C  neáu x < L vaø x > R   Dạng hình thang 10 Mơ hình điều khiển dự báo (hình 4.26) sử dụng để tối ưu hóa dáp ứng đầu đối tượng khoảng thời gian dự kiến Đây cấu trúc phụ thuộc nhiều vào mạng nơron mô tả đối tượng , điều khiển sử dụng mạng nơron, hàm biểu diễn phản ứng đầu hệ thống thực tối ưu hóa để lựa chọn tín hiệu điều khiển tốt Ý tưởng chủ đạo hệ thống điều khiển dự báo - Dùng mơ hình để dự báo đáp ứng đối tượng thời điểm rời rạc tương lai phạm vi dự báo (prediction horizon) định - Tính tốn chuỗi tín hiệu điều khiển tương lai phạm vi điều khiển (control horizon) cách tối thiểu hóa hàm mục tiêu Hàm mục tiêu thường dùng yêu cầu làm cho tín hiệu dự báo đáp ứng đối tượng phải gần quỹ đạo đáp ứng mong muốn tốt, điều kiện ràng buộc cho trước - Dời phạm vi dự báo theo thời gian, cho thời điểm lấy mẫu q trình tối ưu hóa lặp lại với tín hiệu đo vừa thu được, có tác động điều khiển chuổi tác động điều khiển tính tốn xuất để điều khiển đối tượng Hình 4.26 Mơ hình hệ thống điều khiển dự báo Phạm vi dự báo phạm vi điều khiển: Bằng cách dùng mơ hình đối tượng, dự báo trước đáp ứng hệ ) thống tương lai phạm vi dự báo HP Giá trị ngõ dự báo y (t + k ),(k = H P ) phụ thuộc vào đáp ứng hệ thống khứ tín hiệu điều khiển tương lai u(t + k ) phạm điều khiển HC định trước, giả sử HC ≤ H P u(t + k ) giữ giá trị số khoảng (k = HC H P ) (Hình 4.16) 120 Hình 4.27 Nguyên tắc điều khiển dự báo - HC thường chọn bậc mơ hình Giá trị HC nhỏ làm giảm đáng kể số phép tính bước tối ưu hóa - HP thường chọn liên quan đến thời gian đáp ứng trình (đáp ứng bậc thang đơn vị) Đối với hệ phi tuyến việc chọn giá trị HP phù hợp thường mang tính thử sai thời gian đáp ứng hệ phi tuyến thay đổi đáng kể tùy theo điểm lầm việc Hàm mục tiêu quỹ đạo chuẩn: Chuỗi tín hiệu điều khiển tương lai rút cách tối ưu hóa hàm mục tiêu mơ tả mục đích chiến lược điều khiển Hàm mục tiêu thường có dạng tổng bình phương sai số dự báo tín hiệu điều khiển: H H k =1 k =1 C P ) J (u) =  σ k [ω (t + k ) − y (t + k )]2 +  ρ k [u(t + k − 1)]2 (4.1) tổng bình phương sai số dự báo biến thiên tín hiệu điều khiển: H H k =1 k =1 C P ) J (u) =  σ i [ω (t + k ) − y (t + k )]2 +  ρ k [∆u(t + k − 1)]2 (4.2) hệ số σ k ρ k trọng số thành phần hàm mục tiêu Vector tín hiệu điều khiển cần tìm là: u = u(t ) u(t + 1) u(t + HC − 1) T (4.3) Vì phương pháp điều khiển dự báo sử dụng mơ hình đối tượng phương pháp tối ưu hóa nên áp dụng cho hệ thống phức tạp hệ đa biến, hệ khơng ổn định vịng hở, hệ phi tuyến hay hệ có trễ lớn Ngồi phương pháp hiệu trường hợp phải giải tốn điều khiển có điều kiện ràng buộc tín hiệu vào tín hiệu đối tượng Phản hồi tuyến tính hóa thích nghi dùng mạng nơron 121 Phương pháp phản hồi tuyến tính hóa thích nghi dùng mạng nơron dựa vào ngun tắc thiết kế điều khiển phản hồi tuyến tính hóa (hình 4.28) Phương pháp phản hồi tuyến tính hóa có đặc điểm tín hiệu điều khiển có hai thành phần Hệ thống phi tuyến mô tả quan hệ: x (pn ) = f ( x p ) + g ( x p )u ( n −1) T với : x p =  x p , x& p , , x& p  (4.4) (4.5) có n biến trạng thái u tín hiệu điều khiển Để tìm hệ tuyến tính hóa từ hệ thống phi tuyến mô tả công thức (4.4), sử dụng tín hiệu u dạng:  − f ( x p ) − k T x p + r  u= (4.6) g ( xp ) với k hệ số phản hồi r tín hiệu đầu vào Thay (4.6) vào (4.4) hệ tuyến tính có dạng: x p = −k T x p + r (4.7) Hệ thống điều chỉnh mạch phi tuyến phản hồi tuyến tính Hình 4.28 Phương pháp phản hồi tuyến tính hóa thích nghi dùng mạng nơron Có thể sử dụng mạng nơron để thực chiến lược phản hồi tuyến tính Thực xấp xỉ hàm f (.) g (.) hai mạng NNf NNg ’ tín hiệu điều khiển có dạng:  − NN f ( x p − k T x p + r  (4.8) u= NN g ( x p )  Chọn mơ hình mẫu dạng: xmn = −k T xm + r (4.9) Thay công thức (4.9) vào công thức (4.8) ta được: 122 x (pn ) = f ( x p ) +  − NN f ( x p − k T x p + r  NN g ( x p ) (4.10) Sai lệch điều khiển định nghĩa sau: e = e p − xm (4.11) Phương trình vi phân sai lệch có dạng: e( n ) = − k T e + {f ( x p ) − NN f ( x p )}+{g( x p ) − NN g ( x p )}u (4.12) Với huấn luyện hợp lý ,phương trình vi phân sai lệch dần đến trạng thái ổn định, sai lệch hội tụ tới điểm không Bộ điều khiển với hỗ trợ định mạng nơron Khi tới hạn thích nghi mạng nơron xây dựng điều khiển thông minh mức thấp Trong mạng nơron đóng vai trị lịch trình định luật điều khiển sử dụng, xem hình 4.29 Hình 4.29 Điều khiển với lịch trình Mạng nơron luyện để xác định giá trị thông số điều khiển cơng nghiệp PID thơng thường Ngồi mạng nơron đóng vai trị tối ưu tìm giá trị tối ưu hàm mục tiêu điều khiển Đầu mạng nơron giá trị thông số điều khiển làm cực tiểu hàm giá Mạng nơron cịn cung cấp thơng tin làm việc sai lệch cho điều khiển, giúp điều khiển hoạt động xác 4.2.2 Một số ví dụ ứng dụng mạng nơron điều khiển Điều khiển cánh tay máy theo mơ hình chuẩn Phương trình động học tay máy khâu có dạng : d 2φ dφ = −10sin φ − +u dt dt Với φ góc tay máy, u mơmen 123 động tác động lên trục quay cánh tay Hình 4.30 Hệ tay máy bậc tự Bài tốn đặt điều khiển có nhiệm vụ tạo tín hiệu điều khiển cho góc tay máy bám theo tín hiệu đặt r(t) theo mơ hình chuẩn sau: d yr dy = −9r2 − r + 9r Với r yr tương ứng tín hiệu vào mơ dt dt hình mẫu Viết lại dạng hàm truyền: Gm ( s ) = s + 6s + Hình 4.31 sơ đồ Simulink mô hệ thống điều khiển cánh tay máy theo mơ hình chuẩn dùng mạng nơron dựa theo chương trình mẫu mrefrobotarm.mdl Matlab Neural Network Toolbox Hình 4.31 Sơ đồ mô hệ thống điều khiển cánh tay máy theo mơ hình mẫu Trong khối [Model Reference Controller] có hai mạng nơron: ) - Một mạng nơron dùng để nhận dạng mơ hình cánh tay máy φ (k) Mạng có tín hiệu vào φ ( k − 1), φ ( k − 2), u ( k − 1), u ( k − 2) ; số nơron lớp ẩn 10 Trọng số mạng huấn luyện dựa vào liệu vào-ra cánh tay máy trình bày hình 4.32 - Một mạng nơron có chức điều khiển u(k) Mạng có tín hiệu vào φ (k − 1),φ (k − 2), r (k − 1), r (k − 2), u (k -1) ; số nơron lớp ẩn 13 Trọng số mạng huấn luyện dựa vào liệu vào-ra mơ hình chuẩn hình 4.33 Hình 4.34 kết điều khiển cánh tay máy dùng điều khiển nơron theo mơ hình mẫu vừa huấn luyện Ta thấy cánh tay máy bám theo tín hiệu đặt, khơng có độ q điều chỉnh sai số xác lập Tuy nhiên, cần ý mô men điều khiển tác 124 động lên trục quay cánh tay máy có biến động đột ngột, thực tế nên tránh tín hiệu điều khiển dạng làm giảm tuổi thọ thiết bị phần cứng Hình 4.32 Dữ liệu huấn luyện mạng nơron nhận dạng mô hình tay máy Hình 4.33 Dữ liệu huấn luyện mạng nơron điều khiển theo mơ hình chuẩn Hình 4.34 Kết điều khiển cánh tay máy theo mơ hình chuẩn Điều khiển dự báo hệ bồn phản ứng dùng mơ hình mạng nơron Cho hệ bồn phản ứng có sơ đồ hình 4.35 Hệ thống gồm bồn khuấy liên tục trộn dịng sản phẩm có nồng độ cao Cb1 với dịng sản phầm có nồng độ thấp Cb2 để thu sản phẩm có nồng độ Cb đầu Đặc tính động học hệ thống mơ tả phương trình sau: Hình 4.35 Bồn phản ứng 125 Trong h(t) độ cao mực chất lỏng bồn, Cb(t) nồng độ sản phẩm đầu trình, w1(t) lưu lượng vào bồn dịng sản phẩm có nồng độ cao Cb1, w2(t) lưu lượng vào bồn dịng sản phẩm có nồng độ thấp Cb2 Giả sử nồng độ sản phẩm vào Cb1=24,9 Cb2=0,1 Các số liên quan đến mức độ tiêu hao k1=1 k2=1 Bài toán đặt điều khiển nồng độ sản phẩm đầu theo giá trị đặt cách điều chỉnh lưu lượng vào w1(t) Để đơn giản, giả sử w2(t)=0,1 không quan tâm đến việc điều khiển độ cao h(t) sản phẩm bồn chứa Hình 4.36 Sơ đồ mơ hệ thống điều khiển dự báo bồn phản ứng dùng mạng nơron Bài tốn đặt giải phương pháp điều khiển dự báo Hình 4.36 sơ đồ mô hệ thống điều khiển dự báo bồn phản ứng dùng mơ hình mạng nơron (chương trình mẫu predcstr.mdl Matlab Neural Network Toolbox) Trong khối [NN Predictive Controller] có sử dụng mơ hình mạng nơron nhận dạng đặc tính động học đối tượng Mạng nơron có ngõ vào là: w1 (k − 1),w1 (k − 2),Cb (k − 1),Cb (k − 2) có nơron lớp ẩn Dữ liệu vào đối tượng dùng để huấn luyện mạng nơron trình bày hình 4.37 126 Hình 4.37 Dữ liệu vào bồn phản ứng Hình 4.38 Kết điều khiển dự báo bồn phản ứng dùng mạng nơron Thuật toán điều khiển dự báo tính tốn tín hiệu điều khiển w1(t) cho tối thiểu tiêu chất lượng cho với thông số chọn sau: HC=2, HP=7, σ=1, ρ=0,05 Kết điều khiển dự báo minh họa hình 4.38, ta thấy nồng độ sản phẩm bám theo tín hiệu đặt sau thời gian độ khoảng 15 giây 4.4 BÀI TẬP CHƯƠNG Trình bày bước xây dựng mơ hình mạng nơron nhân tạo để nhận dạng điều khiển mơ hình đối tượng Thực trình huấn luyện mạng kiểm chứng chất lượng mơ hình Matlab-Simulink Bài tập Hệ thống giữ cân hệ lắc ngược M-trọng lượng xe 1[Kg]; m – trọng lượng lắc 0,1[Kg]; l – chiều dài lắc 1[m]; u – lực tác động vào xe (N); g – gia tốc trọng trường 9,8[m/s2]; x – vị trí xe [m]; θ – góc lắc phương thẳng đứng [rad] Hệ thống gồm lắc có trục quay tự gắn vào xe kéo động điện Chúng ta xét tốn khơng gian hai chiều, nghĩa lắc di chuyển mặt phẳng Con lắc khơng ổn định ln ngã xuống trừ có lực tác động thích hợp Giả sử khối lượng lắc tập trung đầu hình vẽ (khối lượng khơng đáng kể) Lực điều khiển u tác động vào xe Yêu cầu tốn điều khiển vị trí xe giữ cho lắc ln thẳng đứng Bài tốn điều khiển hệ 127 lắc ngược mơ hình tốn điều khiển định hướng tàu vũ trụ phóng vào khơng gian Mơ hình tốn học lắc ngược cho phương trình sau: u + ml(sin θ )θ&2 − mgcosθ sin θ M + m − m(cosθ )2 ucosθ − ( M + m)g(sin θ ) + ml(cosθ sin θ )θ& θ&& = ml(cosθ )2 − ( M + m)l && x= Bài tập Hệ thống điều khiển vị trí cánh tay máy bậc tự u(t) : moment tác động lên trục quay cánh tay máy : góc quay (vị trí) cánh tay máy J : moment quán tính cánh tay máy (J=0.05 kg.m2) M : Khối lượng cánh tay máy (M=1.0kg) m : Khối lượng vật nặng (m=0.1kg) l : Chiều dài cánh tay máy (l=0.4m) lC : Khoảng cách từ trọng tâm cánh tay máy đến trục quay (lC=0.15m) B : Hệ số ma sát nhớt (B=0.2 kg.m2/s) g : Gia tốc trọng trường (g=9.81 m/s2) φ (t ) Đặc tính động học hệ tay máy bậc tự cho phương trình: (J + ml )φ&&(t ) + Bφ (t ) + (ml + Ml )g sin φ (t ) = u(t ) C Bài tập Hệ thống điều khiển mực chất lỏng bồn chứa Xét hệ bồn chứa chất lỏng có tiết diện ngang thay đổi theo độ cao Phương trình vi phân mơ tả hệ thống: h&(t ) = ku(t ) − CD a gh(t ) A( h ) A − Amin A(h) = max h + Amin hmax ( ) Trong đó: u(t ) - điện áp điều khiển máy bơm ( ≤ u(t ) ≤ 12V ) h(t ) - độ cao mực chất lỏng bồn (cm) hmax - độ cao cực đại bồn chứa 128 Amax , Amin - tiết diện ngang cực đại cực tiểu k – hệ số tỷ lệ với công suất máy bơm a – tiết diện van xả (cm ) g – gia tốc trọng trường (981 cm / sec2 ) CD – hệ số xả Thông số hệ bồn đơn chọn sau: hmax=50cm, Amax=200 cm2, Amin=100cm2, a=1cm2, k=300cm3/sec, CD=0,6 Bài tập Điều khiển tốc độ động điện chiều Cho động DC có đặc tính mơ tả hai phương trình vi phân: K di (t ) R = − i (t ) − b ω (t ) + u (t ) dt L L L K d ω (t ) B = − m i (t ) − ω (t ) dt J J u (t ) - điện áp phần ứng (tín hiệu vào) ω (t ) - tốc độ quay động (tín hiệu ra) i (t ) - dịng điện phần ứng Các thơng số động sau: Điện trở phần ứng R=1Ω, điện cảm phần ứng L=0.33 H, số moment Km=0.2, số sức điện động Kb=0.2, moment quán tính tải J=0.02 kg.m2, hệ số ma sát nhớt B=0.2 Nms Giả sử: Điện áp u(t) cấp cho phần ứng động tối đa 120V Md(t) có trung bình 0, phương sai 10 e(t) có trung bình 0, phương sai 0.01 Yêu cầu: Trình bày bước xây dựng mơ hình mạng nơron nhân tạo để nhận dạng điều khiển đối tượng trường hợp khơng có nhiễu moment tải, có nhiễu đo lường Thực trình huấn luyện mạng kiểm chứng chất lượng mơ hình Matlab-Simulink 129 Bài tập Điều khiển tốc độ động điện chiều Cho đối tượng thông số động tập Yêu cầu: Trình bày bước xây dựng mơ hình mạng nơron nhân tạo để nhận dạng điều khiển đối tượng trường hợp có nhiễu moment tải, khơng có nhiễu đo lường Thực q trình huấn luyện mạng kiểm chứng chất lượng mơ hình Matlab-Simulink Bài tập Điều khiển tốc độ động điện chiều Cho đối tượng thông số động tập Yêu cầu: Trình bày bước xây dựng mơ hình mạng nơron nhân tạo để nhận dạng điều khiển đối tượng trường hợp đồng thời có nhiễu moment tải nhiễu đo lường Thực trình huấn luyện mạng kiểm chứng chất lượng mơ hình Matlab-Simulink 130 CHƯƠNG KẾT HỢP BỘ ĐIỀU KHIỂN MỜ VÀ MẠNG NƠRON TRONG ĐIỀU KHIỂN MỤC TIÊU CỦA CHƯƠNG Giới thiệu cho sinh viên số mơ hình kết hợp điều khiển mờ mạng nơron ứng dụng điều khiển 5.1 GIỚI THIỆU CHUNG Sau tìm hiểu rõ chất nguyên lý làm việc điều khiển mờ mạng nơron đến lúc thực việc phân tích điểm mạnh điểm yếu chúng ứng dụng điều khiển: Trước tiên ta thấy hai điều khiển mờ điều khiển sử dụng mạng nơron, nguyên tắc điều khiển tĩnh, phi tuyến Chúng thiết kế với chất lượng hệ thống cho trước theo độ xác tùy ý làm việc theo nguyên lý tư người Tính mạng nơron định chủng loại nơron sử dụng cấu trúc mạng ghép nối nơron với Nó hồn tồn độc lập với đối tượng điều khiển Thậm chí người thiết kế có kiến thức hiểu biết đối tượng điều khơng giúp ích cho việc lựa chọn nơron xây dựng cấu trúc mạng Ngược lại người thiết kế điều khiển mờ kiến thức, hiểu biết đối tượng lại cần thiết Tuy hiểu biết không thiết phải biểu diễn dạng mơ hình tốn học mơ tả đối tượng mà kinh nghiệm thu thập trình tiếp cận đối tượng, song khơng có chúng, người thiết kế khơng thể xây dựng luật hợp thành, mờ hóa giá trị tín hiệu (xác định hàm thuộc) Thực tế thiết kế điều khiển mờ cho thấy người thiết kế lúng túng xây dựng hàm thuộc mô tả giá trị ngôn ngữ Lý luật hợp thành xây dựng sở cần có hiểu biết định tính đối tượng (vốn ưu điểm nguyên lý điều khiển mờ) việc xác định hàm thuộc cho giá trị ngơn ngữ lại địi hỏi hiểu biết chi tiết mang tính định lượng (tuy giới hạn giá trị tín hiệu vào – đối tượng) mà điều lại điểm mấu chốt để phân biệt điều khiển mờ với điều khiển kinh điển điểm mạng nơ ron Ngay thiết kế, mạng nơron chưa có tri thức Tri thức hình thành qua giai đoạn học qua mẫu học Mẫu học tốt, đa dạng trường hợp tri thức ban đầu mạng gần với thực tế Song điều chưa đủ tri thức mạng bổ sung, hồn thiện thêm q trình làm việc với đối tượng Với điều khiển mờ hồn tồn ngược lại 131 Khi thiết kế xong, điều khiển mờ có chế làm việc định chế không thay đổi giữ cố định suốt thời kỳ làm việc Nói cách khác mạng nơron có khả học cịn điều khiển mờ khơng Mạng nơron xem giải pháp ứng dụng mà người thiết kế “mù tịt” đối tượng (giải pháp black – box) Tri thức mạng nằm trọng số rải khắp mạng Một thay đổi nhỏ giá trị trọng số chưa đủ làm thay đổi tính mạng nơron, khó đánh giá tri thức có mạng khơng có mẫu so sánh Bộ điều khiển mờ lại khác, thay đổi nhỏ hàm thuộc, hay luật hợp thành kéo theo thay đổi tương ứng dễ nhận biết chất Bởi điều khiển mờ có tính thích nghi thời gian thực cao mạng nơron Như vậy, rõ ràng ưu điểm mạng nơron lại nhược điểm điều khiển mờ ngược lại Bảng sau trình bày tóm tắt lại ưu nhược điểm hai điều khiển STT Tính chất Mạng nơron Bộ điều khiển mờ Thể tri thức (hình Thơng qua trọng số, Được thể thức tri thức) thể ẩn luật hợp thành mạng Nguồn tri thức Xử lý thông tin không Định lượng chắn Lưu giữ tri thức Khả cập nhật Thơng qua q trình học nâng cao tri thức Khơng có Tính nhạy cảm với Thấp thay đổi mơ hình Cao Từ mẫu học Từ kinh chuyên gia Định tính lượng nghiệm định Trong nơron trọng số Trong luật hợp thành đường ghép nối hàm thuộc nơ ron 5.2 KẾT HỢP BỘ ĐIỀU KHIỂN MỜ VÀ MẠNG NƠRON TRONG ĐIỀU KHIỂN Từ mong muốn có ưu điểm nguyên lý mờ mạng nơron điều khiển, người ta ghép chung điều khiển mờ với mạng nơron thành 132 điều khiển mờ - nơron (và nơron – mờ) Hình 5.1 mơ tả nguyên lý ghép đôi thường gặp Việc ghép nối điều khiển mờ với mạng nơron thực song song nối tiếp Hình 5.1a ví dụ hình thức ghép nối song song mà điều khiển mờ giữ trọng trách điều khiển trực tiếp đối tượng mạng nơron khơng điều khiển trực tiếp song lại có nhiệm vụ theo dõi thay đổi hệ thống để chỉnh định lại tham số cho điều khiển mờ Nguyên lý ghép nối ứng dụng thành công thực tế, chẳng hạn điều khiển PID mờ có tham số chỉnh định theo nguyên lý tối ưu độ lớn thực thích nghi mạng nơron RBF (mạng xuyên tâm) Mạng nơron K Điều khiển mờ Đối tượng điều khiển - a) Mạng nơron Đối tượng điều khiển Điều khiển mờ b) Mạng nơron Điều khiển mờ Điều khiển mờ c) Mạng nơron d) Hình 5.1 Kết nối điều khiển mờ mạng nơron Tất nhiên cấu trúc ghép nối song song hình 5.1a ví dụ Một hình thức ghép nối song song khác hai điều khiển mờ mạng nơron làm việc độc lập với cho hình 5.1b Hệ thống có thêm khâu định chuyển đổi cơng tắc từ mờ sang nơ ron ngược lại Hình 5.1c 5.1d minh họa cấu trúc ghép nối nối tiếp Hình thức ghép nối phù hợp cho tốn mà mạng nơ ron có nhiệm vụ xử lý tín hiệu vào – cho điều khiển mờ 133 TÀI LIỆU THAM KHẢO Phạm Hữu Đức Dục (2009), “Mạng nơron & ứng dụng điều khiển tự động”, Nhà xuất Khoa học Kỹ thuật Nguyễn Như Hiển Lại Khắc Lãi (2007), “Hệ mờ & mạng nơron kỹ thuật điều khiển,” Nhà xuất Khoa học Tự nhiên Cơng nghệ Huỳnh Thái Hồng (2006), “Hệ thống điều khiển thông minh”, Nhà xuất Đại học Quốc gia TP Hồ Chí Minh Nguyễn Dỗn Phước (2006), “Lý thuyết điều khiển mờ (in lần thứ 5)”, Nhà xuất Khoa học Kỹ thuật Nguyễn Doãn Phước (2014), “Bài giảng Điều khiển mờ”, Đại học Bách khoa Hà Nội The MathWorks, Inc (2016), “Fuzzy Logic Toolbox™ User's Guide”, Version 2.2.24 (Release 2016b) Howard Demuth , Mark Beale Martin Hagan (2016), “Neural Network Toolbox™ User’s Guide”, Version 9.1 (Release 2016b), The Matth Works 134