Điều khiển PID một nơ-ron hồi quy hệ ổn định áp suất Gunt-RT030

Bài viết này nghiên cứu nhằm phát triển bộ điều khiển PID một nơ-ron hồi quy để kiểm soát các đối tượng chưa xác định, áp dụng thực nghiệm trên hệ ổn định áp suất Gunt-RT030. Bộ điều khiển PID được tổ chức dưới dạng một nơ-ron hồi quy 4 ngõ vào. Mời các bạn cùng tham khảo!

Tạp Chí Khoa Học Giáo Dục Kỹ Thuật Số 63 (04/2021) Trường Đại Học Sư Phạm Kỹ Thuật TP Hồ Chí Minh 57 ĐIỀU KHIỂN PID MỘT NƠ-RON HỒI QUY HỆ ỔN ĐỊNH ÁP SUẤT GUNT-RT030 RECURRENT SINGLE-NEURAL PID CONTROL FOR GUNT-RT030 PRESSURE CONTROL UNIT Nguyễn Chí Ngơn1(*), Lê Thị Nhung2 Trường Đại học Cần Thơ, Việt Nam Trường Cao đẳng nghề Kiên Giang, Việt Nam Ngày soạn nhận 13/10/2020, ngày phản biện đánh giá 24/10/2020, ngày chấp nhận đăng 14/11/2020 TÓM TẮT Nghiên cứu nhằm phát triển điều khiển PID nơ-ron hồi quy để kiểm soát đối tượng chưa xác định, áp dụng thực nghiệm hệ ổn định áp suất Gunt-RT030 Bộ điều khiển PID tổ chức dạng nơ-ron hồi quy ngõ vào Trong đó, ngõ vào tiếp nhận giá trị hồi tiếp từ ngõ trước điều khiển; ngõ vào lại nhận thành phần giá trị tương ứng điều khiển PID Để huấn luyện PID nơ-ron hồi quy này, giải thuật cập nhật trực tuyến cần giá trị độ nhạy đối tượng, gọi thơng tin Jacobian Do đó, mạng nơ-ron RBF huấn luyện trực tuyến để nhận dạng mơ hình đối tượng xác định thơng tin Jacobian Kết thực nghiệm hệ ổn định áp suất Gunt-RT030 hãng Gunt-Hamburg so sánh với điều khiển PID nhà sản xuất cung cấp cho thấy điều khiển đề xuất có khả tự chỉnh cho đáp ứng đối tượng cải thiện với thời gian xác lập giảm (đạt 6±0,3 giây), độ vọt lố giảm sai số xác lập triệt tiêu Từ khóa: Mạng nơ-ron RBF; PID; nhận dạng mơ hình; huấn luyện trực tuyến; thơng tin Jacobian ABSTRACT This study aims to develop a recurrent single neural PID (Proportional Integral Derivative) controller to control unknown plants, experimentally applying on the Gunt-RT030 pressure control unit The PID controller is organized as a recurrent single neuron with inputs Where, an input receives feedback value from previous output of the controller; and remaining inputs receive corresponding components of the PID controller In order to update the weights of neuron, an online training algorithm needs a value of the controlled plant's sensitivity, called the Jacobian information Thus, a radial basic function (RBF) neural network is also trained online for model identification and estimation of that Jacobian information Experimental results on the Gunt-Hamburg RT030 pressure control unit, and comparison with the classical PID provided by the manufacturer show that the recurrent single neural PID controller can be self-tuning and obtain better responses with setting time shortened (archived 6±0.3 seconds), overshoot reduced and steady-state error eliminated Keywords: RBF neural network; PID; model identification; online training; Jacobian information GIỚI THIỆU Trong công nghiệp điều khiển PID sử dụng rộng rãi [1], nhiên, với thông số cài đặt cố định làm hạn chế khả thích ứng biến đổi đặc tính động đối tượng điều khiển [2] Việc tự chỉnh thông số điều khiển PID nhiều nhà khoa học quan tâm nghiên cứu Những năm gần đây, nhiều nghiên cứu quan tâm ứng dụng mạng nơ-ron nhân tạo để tổ chức thành cấu trúc điều khiển PID nhằm tận dụng khả huấn luyện mạng 58 Tạp Chí Khoa Học Giáo Dục Kỹ Thuật Số 63 (04/2021) Trường Đại Học Sư Phạm Kỹ Thuật TP Hồ Chí Minh để cập nhật thơng số điều khiển [2-4] Tuy vậy, với giải thuật gradient descent, việc huấn luyện trực tuyến điều khiển có thời gian hội tụ chậm, làm ảnh hưởng đến thời gian độ hệ thống, cụ thể làm kéo dài thời gian xác lập đáp ứng Do vậy, điều khiển PID dùng mạng nơ-ron chưa thật đáp ứng tốt yêu cầu điều khiển, nên nghiên cứu [2-4] phải tăng cường thêm kỹ thuật điều khiển mờ, làm cho điều khiển nơ-ron mờ trở nên phức tạp Ngoài ra, việc cập nhật trọng số điều khiển dùng mạng nơ-ron địi hỏi phải có thông tin độ nhạy đối tượng, gọi thông tin Jacobian Việc nhận dạng thông tin Jacobiban mạng nơ-ron mờ [3] bộc lộ hạn chế tốc độ hội tụ, làm ảnh hưởng đến thời gian xác lập hệ thống Để khắc phục vấn đề này, số nghiên cứu tổ chức điều khiển PID nơ-ron tuyến tính (single neural PID) sử dụng mạng nơ-ron hàm sở xuyên tâm RBF (Radial Basis Function) để nhận dạng thông tin Jacobian, thay sử dụng mạng nơ-ron mờ [5, 6] Thật vậy, nghiên cứu [7-18] phát triển thành công điều khiển PID nơ-ron có khả huấn luyện trực tuyến với nhận dạng thông tin Jacobian mạng nơ-ron RBF Tuy nhiên, nghiên cứu chủ yếu tập trung vào việc phát triển giải thuật chủ yếu minh họa kết thông qua mô máy tính, mà chưa áp dụng vào kiểm soát đối tượng thực tế Ở nghiên cứu [19], điều khiển PID nơ-ron áp dụng thực nghiệm mơ hình lắc ngược quay, kết cho thấy thời gian hội tụ thông số KP, KD KI PID chậm, cần đến 25 giây đạt giá trị cần thiết Điều ảnh hưởng đến đáp ứng độ hệ thống, nêu Trong [20], PID nơ-ron áp dụng hệ ổn định áp suất Gunt-RT030, với thời gian hội tụ thông số điều khiển nhanh Tuy nhiên, đáp ứng tổng thể hệ ổn định áp suất chậm, cần khoảng 10 giây xác lập Điều chứng tỏ điều khiển tác động yếu Các điều khiển PID nơ-ron [7-20] sử dụng cấu trúc truyền thẳng đơn giản Phải cấu trúc chưa đủ linh động để phát huy hiệu khả tự chỉnh điều khiển? Vì vậy, nghiên cứu đề xuất hướng hai hướng tiếp cận bản, bao gồm: (i) cải tiến cấu trúc truyền thẳng điều khiển PID nơ-ron thành cấu trúc hồi quy mà đó, ngõ điều khiển PID nơ-ron hồi tiếp ngõ vào nó; (ii) tiến hành thực nghiệm điều khiển đề xuất thiết bị ổn định áp suất Gunt-RT030, với kỳ vọng đạt thời gian xác lập hệ thống ngắn [20] Như vậy, nghiên cứu đề xuất việc tổ chức lại điều khiển PID nơ-ron thành dạng hồi quy với ngõ vào Trong đó, ngõ vào tiếp nhận giá trị hồi tiếp từ ngõ trước điều khiển; ngõ vào lại nhận thành phần giá trị tương ứng điều khiển PID Để huấn luyện PID nơ-ron hồi quy này, giải thuật cập nhật trực tuyến sử dụng thông tin Jacobian từ nhận dạng mạng nơ-ron RBF Phần lại báo tổ chức sau: Mục trình bày phương pháp thiết kế bao gồm nguyên tắc điều khiển, nhận dạng đối tượng dùng mạng nơ-ron RBF điều khiển PID nơ-ron hồi quy Mục trình bày kết thực nghiệm hệ ổn định áp suất Gunt-RT030 để đánh giá khả tự chỉnh điều khiển tính ổn định hệ thống tác động nhiễu từ bên ngồi Mục trình bày kết luận đề xuất hướng phát triển nghiên cứu PHƯƠNG PHÁP THIẾT KẾ 2.1 Nguyên tắc điều khiển Cấu trúc điều khiển PID nơ-ron hồi quy dựa nhận dạng mạng nơ-ron RBF thiết kế hình 1, phát triển dựa theo nghiên cứu [8, 10, 12-16, 18-20] Hình Cấu trúc PID nơ-ron hồi quy Tạp Chí Khoa Học Giáo Dục Kỹ Thuật Số 63 (04/2021) Trường Đại Học Sư Phạm Kỹ Thuật TP Hồ Chí Minh Trên hình 1, mạng nơ-ron RBF có nhiệm vụ nhận dạng mơ hình đối tượng, từ đó, xác định độ nhạy đáp ứng tín hiệu điều khiển, gọi thơng tin Jacobian Từ thơng tin Jacobian này, nơ-ron tuyến tính với ngõ vào cấu trúc dạng hồi quy huấn luyện trực tuyến Nơ-ron hồi quy tổ chức điều khiển PID số, mà trọng số nơ-ron tham số KP, KD KI điều khiển Do đó, điều khiển PID tự chỉnh thích nghi với thay đổi đặc tính động hệ thống, chế huấn luyện trực tuyến 2.2 Bộ nhận dạng đối tượng điều khiển Bộ nhận dạng mạng nơ-ron RBF hình 1, với cấu trúc ba lớp, xây dựng dựa theo [7, 16, 20], mơ tả hình Hiệu suất huấn luyện đánh giá thông qua hàm mục tiêu (3), với y(k) ym(k) ngõ đối tượng mơ hình Err(k)   y(k)  ym (k) (3) Giải thuật cập nhật ma trận tâm c, véc-tơ độ rộng b véc-tơ trọng số w hàm Gauss thực [5-7]: w j (k)   Err    y(k)  ym (k) h j w j w j (k)  w j (k  )  w j (k) (4)   w j  k  1  w j  k    b j (k)   Err b j    y(k)  ym (k) w j h j x  cj (5)   b j  k  1  b j  k    c j (k)   Trong đó, u(k), y(k) ym(k) tín hiệu điều khiển, đáp ứng đối tượng ngõ nhận dạng, thời điểm k Các hàm Gauss xác định [5-8]:  x c j hj  exp    2b j      (1) với x=[x1,x2,x3] T=[u(k),y(k-1),y(k-2)] T ngõ vào mạng nơ-ron RBF gồm m nút; cj=[c11,c12,…,c1m;c21,c22,…,c2m;c31,c32,…,c3m] ma trận tâm bj=[b1,b2,…, bm] T véc-tơ độ rộng tương ứng hàm Gauss; véc-tơ trọng số wj =[w1,w2,…,wm] T ym ngõ nhận dạng: m ym (k)= w1h1  w2 h2   wm hm   w j h j j 1 (2) 2b3j b j (k)  b j (k  )  b j (k) Hình Bộ nhận dạng mạng nơ-ron RBF 59 Err c j    y(k)  ym (k) w j x  cj 2b 2j c j (k)  c j (k  )  c j (k)   c j  k  1  c j  k    (6)  tốc độ học, α hệ số moment Thông tin Jacobian xác định (7), theo [8, 10-12] dùng cho giải thuật huấn luyện điều khiển PID nơ-ron c  u(k) y(k) ym (k) m    w j h j ji u(k) u(k) j 1 bj (7) 2.3 Bộ điều khiển PID nơ-ron hồi quy Tín hiệu điều khiển PID số xác định [8-20]: u(k)  u(k  )  u(k) u(k)  K p e(k)  K d ce(k)  Ki ie(k) (8) 60 Tạp Chí Khoa Học Giáo Dục Kỹ Thuật Số 63 (04/2021) Trường Đại Học Sư Phạm Kỹ Thuật TP Hồ Chí Minh đó, e(k) sai biệt tín hiệu tham khảo yref(k) đáp ứng y(k): e(k)  yref (k)  y(k) (9) ce(k), ie(k) thành phần đạo hàm tích phân rời rạc tương ứng e(k) Nghiên cứu đề xuất tín hiệu điều khiển có dạng: u(k)  w11u(k  )  w12e(k)  w13ce(k)  w14 de(k) (10) Bộ trọng số nơ-ron PID gồm: w T   w11 ,w12 ,w13 ,w14    w11 ,K p ,K d ,K i  (12) Vì tín hiệu điều khiển là: u(k)  w11u(k  )  w12 x1(k)  w13 x2 (k)  w14 x3 (k)  wT x (13) Để huấn luyện trực tuyến nơ-ron PID này, ta định nghĩa hàm mục tiêu là: 2 e (k)   yref (k)  y(k)  2 với wT=[w11, w12, w13, w14] trọng số cấu trúc nơ-ron ngõ vào hình E(k)  Tín hiệu điều khiển (10) linh hoạt nhờ chế cập nhật trọng số w Trong w11 cho phép chỉnh giá trị khứ u(k-1) tín hiệu điều khiển u(k); w12 – w14 tương ứng với tham số điều khiển PID, cụ thể KP, KD KI Cơ chế hồi quy xem đề xuất hiệu chỉnh điều khiển mà nghiên cứu trước chưa triển khai Giải thuật Hebb [8-9, 12, 18-20] dùng để cập nhật trực tuyến nơ-ron PID sau: w11(k)  w11(k)  w11(k) w11(k)   E(k) E y u   w11(k) y u w11 y   e(k) u(k  ) u w1i (k)  w1i (k)  w1i (k) i  2,3,4 w1i (k)   E(k) E y u   w1i (k) y u w1i y   e(k) xi (k) i  2,3, u (14) (15) (16) (17) (18) Trong (16) (18), giá trị ∂y/∂u xác định (7), thông tin Jaco-bian đối tượng điều khiển, xác định nhận dạng mạng nơ-ron RBF Bộ điều khiển PID nơ-ron hồi quy triển khai MATLAB hình Hình Bộ PID nơ-ron hồi quy Bốn ngõ vào tương ứng nơ-ron PID hồi quy hình 3, với cách tính gần thành phần đạo hàm ce(k) tích phân ie(k) e(k) xác định theo [4, 12]: u(k  )  u(k  )    x (k)  e(k)    e(k)  e(k  )  x  x2 (k)      e(k)  e(k  )   x3 (k)    e(k  )  (11) Hình Bộ PID nơ-ron hồi quy MATLAB/Simulink Tạp Chí Khoa Học Giáo Dục Kỹ Thuật Số 63 (04/2021) Trường Đại Học Sư Phạm Kỹ Thuật TP Hồ Chí Minh 61 3.3 Cấu hình hệ thống Trong sơ đồ thực nghiệm hình 6, cấu hình hệ thống triển khai sau: Hình Hệ điều khiển áp suất Gunt-RT030 KẾT QUẢ THỰC NGHIỆM 3.1 Đối tượng thực nghiệm Nghiên cứu tiến hành kiểm nghiệm thiết bị Gunt-RT030 Đây hệ ổn định áp suất khơng khí Gunt Hamburg sản xuất, kèm chế điều khiển PID [21] Trong [20] nghiên cứu liên quan hoàn thiện chế giao tiếp MATLAB thiết bị Gunt-RT030 qua card Labjack U12 [22] Nên ta dùng công cụ để kiểm nghiệm giải thuật hệ Gunt-RT030, với bố trí hình Bộ nhận dạng mạng nơ-ron RBF: Bộ nhận dạng thực MATLAB theo sơ đồ hình Trong đó, mạng nơ-ron RBF có cấu trúc 3-5-1, với nút ngõ vào nhận giá trị x=[u(k),y(k-1),y(k-2)] T, tương ứng tín hiệu điều khiển thời điểm k hai mẫu khứ đáp ứng thời điểm (k-1) (k-2) Lớp ẩn mạng gồm nút, tương ứng hàm Gauss lớp gồm nút cung cấp giá trị ngõ ym(k) nhận dạng Thông tin Jacobian tính tốn theo (7) Err(k) xác định theo (3) để cập nhật mạng RBF tính tốn hiệu suất huấn luyện 3.2 Sơ đồ điều khiển thực nghiệm Sơ đồ điều khiển thực nghiệm mô tả hình Trong sơ đồ này, Xref tín hiệu khảo, X đáp ứng Gunt-RT030 Để đánh giá chất lượng điều khiển đề xuất, ta tiến hành thực nghiệm Ở thực nghiệm 1, tín hiệu tham khảo Xref thay đổi trình điều khiển, để đánh giá khả tự chỉnh điều khiển PID nơ-ron hồi quy Ở thực nghiệm 2, tín hiệu Xref cố định, ta tiến hành mở van xả khí ngõ bình khí nén, với mức xả khoảng 10%, 25% 40% độ mở van tối đa, để giả lập tác động nhiễu lên hệ thống, đồng thời so sánh đáp ứng điều khiển đề xuất với PID kinh điển nhà sản xuất Hình Bộ nhận dạng MATLAB Việc khởi tạo tham số nhận dạng mạng RBF có ảnh hưởng đến tốc độ hội tụ giải thuật huấn luyện tầm hoạt động mạng, kéo theo ảnh hưởng đến thời gian độ đáp ứng Trong việc chọn lựa ma trận tâm c véc-tơ độ rộng b hàm Gauss có ảnh hưởng quan trọng Thông thường khoảng giá trị tâm c chọn gần với khoảng giới hạn giá trị biên độ ngõ vào b chọn đủ rộng để nâng cao phạm vi hoạt động mạng [23] Bộ tham số mạng nơ-ron RBF thực nghiệm khởi tạo theo [23] có điều chỉnh theo phương pháp thử-sai, cho bảng Bảng Giá trị khởi tạo mạng RBF Tham số Ma trận tâm Ký hiệu c0 Véc-tơ độ rộng b0 Hình Thực nghiệm điều khiển PID nơ-ron hồi quy thiết bị Gunt-RT030 Trọng số w0 Giá trị khởi tạo 100 50 50 100 1 0.5 0.5 1 0.5 0.5 40 40 40 40 40 T Ngẫu nhiên khoảng giá trị [0,1] 62 Tạp Chí Khoa Học Giáo Dục Kỹ Thuật Số 63 (04/2021) Trường Đại Học Sư Phạm Kỹ Thuật TP Hồ Chí Minh  0.1 Hệ số mơ- men α 0.1 Hệ số học Bộ điều khiển PID nơ-ron hồi quy: Đây nơ-ron tuyến tính, có cấu trúc 4-1, với ngõ vào, ngõ (hình 3) Ở thực nghiệm này, trọng số nơ-ron khởi tạo ngẫu nhiên [0,1] hệ số học chọn theo kinh nghiệm, với giá trị =0.05 Cấu hình MATLAB: Bộ điều khiển chạy Simulink MATLAB chế độ rời rạc, với thời gian lấy mẫu Ts=0.1 giây Card Labjack U12 [22] cho phép kết nối MATLAB thiết bị Gunt-RT030 qua cổng truyền thông nối tiếp USB Card giao tiếp chịu trách nhiệm truyền tín hiệu điều khiển từ MATLAB xuống thiết bị, đồng thời đọc giá trị cảm biến từ thiết bị trả máy tính Với cấu trúc này, ta hồn tồn thiết kế kiểu điều khiển phức tạp máy tính để kiểm sốt thiết bị Gunt-RT030 Hình trình bày kết nhận dạng ngõ đối tượng thông tin Jacobian Kết cho thấy nhận dạng hoạt động tốt đối tượng thực tế Hình 10 trình bày tham số KP, KD KI thay đổi trình điều khiển Do hệ Gunt-RT030 tuyến tính, nên yêu cầu tự chỉnh tham số điều khiển không lớn, song kết minh chứng khả tự chỉnh PID nơ-ron hồi quy 3.4 Kết thực nghiệm Thực nghiệm 1: Ở thực nghiệm này, Xref thay đổi từ 0,6 bar đến bar trình điều khiển Đáp ứng ngõ tín hiệu điều khiển hình Kết cho thấy đáp ứng X bám sát theo Xref với thời gian xác lập thống kê 6±0,3 giây, ngắn thời gian xác lập 10 giây [20] Lưu ý rằng, giảm Xref (tại giây 175), hệ Gunt-RT030 khơng có chế hút khí bình ra, nên tín hiệu điều khiển 0, thời gian xả khí phụ thuộc vào độ mở van xả Ở chu kỳ này, điều khiển trở nên thụ động, nên ta không đánh giá đáp ứng Hình Đáp ứng nhận dạng Hình 10 Tham số PID nơ-ron Thực nghiệm 2: Hình Đáp ứng hệ Gunt-RT030 với Xref thay đổi Ở thực nghiệm này, ta giữ nguyên Xref 0,8 bar mở van xả mức: 10%, 25% 40% độ mở tối đa van Đáp ứng hệ thống thực nghiệm hình 11 Thực nghiệm lặp lại với trường hợp sử dụng giá trị mặc định PID kinh điển nhà sản xuất cung cấp Kết hình 10 cho thấy đáp ứng PID nơ-ron hồi quy nhanh PID kinh điển Tạp Chí Khoa Học Giáo Dục Kỹ Thuật Số 63 (04/2021) Trường Đại Học Sư Phạm Kỹ Thuật TP Hồ Chí Minh 63 trọng số nơ-ron PID, với tham gia thơng tin Jacobian trả từ nhận dạng Hình 11 So sánh PID nơ-ron hồi quy PID kinh điển KẾT LUẬN Nghiên cứu đề xuất chế điều khiển thông minh dùng mạng nơ-ron Đối tượng điều khiển nhận dạng mạng nơ-ron RBF, nhằm tìm kiếm giá trị độ nhạy nó, gọi thơng tin Jacobian Bộ điều khiển PID tổ chức dạng nơ-ron hồi quy ngõ vào Trong đó, ngõ vào tiếp nhận giá trị hồi tiếp từ ngõ trước điều khiển ba ngõ lại nhận thành phần giá trị tương ứng PID Giải thuật Hebb dùng để cập nhật trực tuyến Thực nghiệm thiết bị Gunt-RT030 cho thấy nhận dạng mạng nơ-ron RBF hoạt động hiệu cung cấp thông tin Jacobian hữu dụng; điều khiển PID nơ-ron hồi quy có khả tự chỉnh tham số KP, KD KI trình điều khiển Đồng thời, giải thuật đề xuất cải thiện chất lượng điều khiển, với thời gian xác lập ngắn, đạt 6±0,3 giây, độ vọt lố không đáng kể sai số xác lập triệt tiêu Kết thực nghiệm cho thấy điều khiển đề xuất cho đáp ứng tốt điều khiển PID kinh điển nhà sản xuất cung cấp Mặc dù điều khiển đề xuất thực nghiệm với tín hiệu đo đạc từ cảm biến hàm chứa nhiễu thực tế Song, việc khảo sát tác động nhiễu, tác động lên nhận dạng chưa khảo sát bày Do đó, hướng phát triển nghiên cứu tiến hành thực nghiệm hệ phi tuyến thật để đánh giá đầy đủ khả tự chỉnh điều khiển; đồng thời khảo sát đáp ứng có thay đổi đặc tính động đối tượng, có nhiễu tác động từ bên ngồi, tác động đến q trình huấn luyện online điều khiển nhận dạng TÀI LIỆU THAM KHẢO [1] [2] [3] [4] [5] [6] [7] M.A Johnson and M.H Moradi, Chapter 8, in: PID Control - New Identification and Design Methods, pp 297-337, Springer-Verlag London Ltd, 2005 J Chen and T.-C Huang, Applying neural network to on-line updated PID controllers for nonlinear process control, J of Process Control, No.14, pp 211–230, 2004 Lee C.-h., Y.-H Lee, A Novel robust PID controller design by fuzzy nerual network, IEEE Proc of the American Control Conf (ACC2002), pp 1561-1566, 2002 Z She, D Hu, J Liu and Q Liang, Single Neuron Speed Control Based on Current FAC for PMSM Vector Control, 2019 IEEE PES Asia-Pacific Power and Energy Engineering Conference (APPEEC), pp 1-5, 2019 doi: 10.1109/APPEEC45492.2019.8994676 M.-g Zhang, X.-g Wang and M.-q Liu, Adaptive PID Control Based on RBF Neural Network Identification, IEEE Proc of 17th Inter Conf on Tools with Artificial Intelligence (ICTAI'05), pp.681-683, 2005 J.B Gomm and D.L Yu, Selecting radial basis function network centers with recursive orthogonal least squares training, IEEE Trans Neural Network, 11 (2), pp 306–314, 2000 Chi-Ngon Nguyen and Minh Hoang Nguyen, Improvement of power output of the Wind Turbine by pitch angle control using RBF neural network, Inter J of Mechanical Engineering and Technology (IJMET), Vol 10, Issue 10, pp 64-74, 2019 64 [8] [9] [10] [11] [12] [13] [14] [15] [16] [17] [18] [19] [20] [21] [22] [23] Tạp Chí Khoa Học Giáo Dục Kỹ Thuật Số 63 (04/2021) Trường Đại Học Sư Phạm Kỹ Thuật TP Hồ Chí Minh J Jiao, J Chen, Y Qiao, W Wang, C Wang and L Gu, Single Neuron PID Control of Agricultural Robot Steering System Based on Online Identification, IEEE 4th Inter Conf on Big Data Computing Service and Applications (BigDataService), Bamberg, pp 193-199, 2018 C Rosales, C.M Soria, and F.G Rossomando, Identification and adaptive PID Control of a hexacopter UAV based on neural networks, Inter J Adaptive Control and Signal Process, No 33, pp 74– 91, 2019 X.-d Zhang, Y.-m Cheng and Y.-x Hao, Application of Single Neuron Adaptive PID Approach in Rolling Tension Control, 2nd Inter Conf on Materials Science, Machinery and Energy Engineering (MSMEE 2017), Advances in Engineering Research, Vol 123, Atlantis Press, pp 1185-1190, 2017 M Rif'an, F Yusivar and B Kusumoputro, Adaptive PID controller based on additional error of an inversed-control signal for improved performance of brushless DC motor, 15 th Inter Conf on Quality in Research: Inter Sympo on Electrical and Comp Engineering, pp 315-320, 2017 J Liu, On a method of single neural PID feedback compensation control, Third Inter Confer on Artificial Intelligence and Pattern Recognition (AIPR), Lodz, pp 1-4, 2016 Jiao, J Chen, Y Qiao, W Wang, C Wang and L Gu, Single Neuron PID Control of Agricultural Robot Steering System Based on Online Identification, 2018 IEEE Fourth International Conference on Big Data Computing Service and Applications (BigDataService), Bamberg, pp 193-199, 2018 Liang, Y., S Xu , K Hong, G Wang and T Zeng, Neural network modeling and single-neuron proportional–integral–derivative control for hysteresis in piezoelectric actuators, Measurement and Control, vol 52, issue 9-10, pp 1362-1370, 2019 Le Minh Thanh, Luong H Thuong, Phan T Loc, Chi-Ngon Nguyen, Delta robot control using single neuron PID algorithms based on recurrent fuzzy neural network identifiers, Inter Journal of Mechanical Engineering and Robotics Research, Vol 9, No 10, pp 1411-1418, 2020 Nguyễn Chí Ngơn Đặng Tín, Điều khiển PID nơron thích nghi dựa nhận dạng mạng nơron mờ hồi qui áp dụng cho hệ bóng, Tạp chí khoa học Đại học Cần Thơ, số 20a, tr 159-168, 2011 Nguyễn Phùng Hưng, Phạm Kỳ Quang, Võ Hồng Hải, Bộ điều khiển PID chỉnh tham số mạng nơ-ron dùng cho máy lái tự động tàu thủy, Giao thông Vận tải, số 9, tr.67-70, 2015 Huỳnh Thế Hiển, Nguyễn Hoàng Dũng Huỳnh Minh Vũ, Bộ điều khiển PID dựa mạng nơ-ron hàm sở xuyên tâm, Tạp chí khoa học Đại học Cần Thơ, tập 54, số 7, tr.: 9-19, 2018 Nguyễn Văn Đông Hải Ngô Văn Thuyên, Xây dựng điều khiển PID-neuron cho hệ lắc ngược quay, Tạp chí Giáo dục Kỹ thuật, ĐH SPKT TP Hồ Chí Minh, số 23, tr 37-45, 2012 Nguyễn Chí Ngơn Trần Thanh Tú, Điều khiển PID thích nghi cho hệ ổn định áp suất dựa nhận dạng dùng mạng nơ-ron hàm sở xuyên tâm, Tạp chí Khoa học Công Nghệ, ĐH Đà Nẵng, số 11(60), Quyển 1, tr 6-12, 2012 G.U.N.T Gerätebau GmbH Experiment Instructions - RT010-RT060 Principles of Control Engineering Barsbüttel Germany, Publication-no.: 918.000 00 A 0X0 02 (A), 2004 Labjack, U12 Datasheet, 2020 Jinkun Liu, Radial Basis Function (RBF) Neural Network Control for Mechanical Systems – Design, Analysis and Matlab Simulation, Springer-Verlag Berlin Heidelberg, 365 pages, 2013 Tác giả chịu trách nhiệm viết: Nguyễn Chí Ngơn Trường Đại học Cần Thơ Email: ncngon@ctu.edu.vn ... thiết Điều ảnh hưởng đến ? ?áp ứng độ hệ thống, nêu Trong [20], PID nơ-ron áp dụng hệ ổn định áp suất Gunt-RT030, với thời gian hội tụ thông số điều khiển nhanh Tuy nhiên, ? ?áp ứng tổng thể hệ ổn định. .. tắc điều khiển, nhận dạng đối tượng dùng mạng nơ-ron RBF điều khiển PID nơ-ron hồi quy Mục trình bày kết thực nghiệm hệ ổn định áp suất Gunt-RT030 để đánh giá khả tự chỉnh điều khiển tính ổn định. .. dạng hồi quy huấn luyện trực tuyến Nơ-ron hồi quy tổ chức điều khiển PID số, mà trọng số nơ-ron tham số KP, KD KI điều khiển Do đó, điều khiển PID tự chỉnh thích nghi với thay đổi đặc tính động hệ