Trong phần mô phỏng nƠy, moment quán tính J của động cơ giảm xuống 20%.
Hình 3.52: Dòng điện Ia, Ib và Iccủa động cơ khi J giảm 10%
Hình 3.53: Mặt trượt S1 và S2 khi J giảm 10%
Hình 3.55: Từ thông rcủa động cơ khi J giảm 10%
Hình 3.56: Tốc độ W của động cơ khi J giảm 10%
Hình 3.57: Moment điện từ Te vƠ moment tải TL của động cơ khi J giảm 10%
Hình 3.58: Điện áp Ua, Ub, Uctừ bộ điều khiển trượt khi J giảm 10%
Nhận xét
Hệ thống điều khiển có tính bền vững cao đối với sự biến động của J.
- Đáp ứng từ thông vƠ tốc độ thay đổi không đáng kể so với đáp ứng danh định
(hình 3.55 và hình 3.56).
- Moment thay đổi không đáng kể so với đáp ứng danh định (hình γ.57).
- Dòng điện vƠ điện áp hầu như không thay đổi so với đáp ứng danh định (hình 3.52 và hình 3.58).
- Các mặt trượt cũng dao động với biên độ nhỏ quanh điểm không.
3.6. Kết luận
Hệ thống điều khiển tốt với bộ điều khiển trượt.
Qua các kết quả mô phỏng ta nhận thấy rằng hệ thống có tính bền vững cao, tính bền vững của hệ thống chủ yếu phụ thuộc vƠo việc chọn T và T. Do đó, khi điều chỉnh T và Tthì ta có thể điều chỉnh được tính bền vững của hệ thống.
Ch ơng 4
C L NG T THỌNG DÙNG M NG H I QUI
4.1. T NG QUAN V M NG N RON
Mạng nơron nhân tạo (Artificial Neural Networks) là hệ thống được xây dựng dựa trên nguyên tắc cấu tạo của bộ não con ngư i. Mạng nơron nhân tạo có một số lượng lớn mối liên kết của các phần tử biến đổi (Processing Elements) có liên kết song song. Nó có hành vi tương tự như bộ não con ngư i với các khả năng học
(Learning), gọi lại (Recall) và tổng hợp thông tin từ sự luyện tập của các mẫu và
dữ liệu. Các phần tử biến đổi của mạng nơron nhân tạo được gọi là các nơron nhân tạo (Artificial Neural) hoặc gọi tắt là nơron (Neural). Trong thiết kế hệ thống
tự động hóa sử dụng mạng nơron là một khuynh hướng hoàn toàn mới, phương hướng thiếtkế hệ thống điều khiển thông minh, một hệ thống mà bộ điều khiển có khả năng tư duynhưbộ nƣo con ngư i.
Dựa vƠo đặc tính của nơron sinh học có thể tạo ra một mô hình nơron nhơn tạo.
Nơron nhơn tạo gồm 4 phần: 1. Các đầu vƠo. β. Bộ tổng trọng số.
γ. HƠm truyền (trong hầu hết các ứng dụng lƠ phi tuyến). 4. Đầu ra.
Hình 4.1 trình bƠy mô hình một nơron nhơn tạo thứ i trong một mạng có nhiều
nơron.
Hình 4.1: Cấu tạo một nơron nhơn tạo
Mô hình nơron đơn giản nhất chỉ có một nơron, dạng tổng quát (hình 4.β) có ngõ (adsbygoogle = window.adsbygoogle || []).push({});
vào: x1(t), x2(t), x3(t),…, xn(t).
Mỗi ngõ vào xiđược gắn với một hệ số nhân wi gọi là trọng số (weight). Mỗi nơron có một giá trị ngưỡng gọi là hệ số bias. Bộ tổng thực hiện tính tổng có trọng số các tín hiệu vào kết hợp với ngưỡngđể tạo ra đầu vào input:
Si = wi,1x1 + wi,2x2 + …+wi,nxn + bi (4.1)
n i i, j i i j 1 S w x b (4.2)
Bằng cách sử dụng các hàm truyền khác nhau, ta được các nơron có tính chất khác nhau tương ứng.
Tóm lại, nơron nhân tạo chính là mô hình đơn giản của một nơron sinh học, đầu vào xi tương ứng với dây thần kinh tiếp nhận, trọng số w tương ứng mức độ liên kết của
khớp nối trong mạng nơron sinh học. Trọng số kết nối dương tương ứng đầu vào kích thích, trọng số kết nối âm tương ứngđầu vào ức chế trong nơron sinh học. Hệ
số bias cũng giống như một trọng số vớiđầu vào luôn là 1. Một nơron nhân tạo có hoặc không có trọng số bias. Thân nơron được mô hình b i bộ tổng và hàm truyền đạt. Đầu ra ai diễn tả tín hiệu ra trên sợi trục(axon).
4.1.2. Mạng Nơron nhơntạo
4.1.2.1. Định nghĩa
Mạng nơron nhân tạo là sự liên kết giữa các nơron nhân tạo với nhau. Các nơron
được sắp xếp trong mạng theo lớp, bao gồm lớp ngoài cùng gọi là lớp ra (output layer), các lớp còn lại gọi là các lớp ẩn (hidden layer). Các nơron trong cùng một
lớp thì nhận tín hiệu vào cùng một lúc. Chức năng của mạng được xác định b i: Cấu trúc mạng, quá trình xử lý bên trong của từng nơron và mức độ liên kết giữa
các nơron.
Khi các vector tín hiệu vào x = (x1, x2,…,xn) được đưa vào mạng, các nơron các lớp ẩn và lớp ra sẽ được kích hoạt dần dần. Sau một quá trình tính toán lại các nơron, mạng được kích hoạt hoàn toàn và cho ra vector tín hiệu đầu ra a = (a1, a2,…,am) tại lớp ra.
Mạng nơron có thể học từ dữ liệu mẫu vƠ tổng quát hóa dựa trên các mẫu đƣ học.
4.1.2.β. Kiến trúc mạng Nơron
Kiến trúc mạng nơron là sự sắp xếp, bố trí các nơron và cách thức liên hệ giữa
chúng. Mạng nơron một lớp (single-layer) là mạng chỉ có một lớp ra, còn mạng
nhiều lớp (multiple-layers) là mạng ngoài lớp ra còn có lớpẩn.
Theo cách liên hệ giữa các nơron ta có kiến trúc mạng truyền thẳng (feedforward Neural) và kiến trúc mạng hồi quy (recurrent Neural Network).
4.1.3 Mạng Narxnet
Mạng Narxnet lƠ mạng hồi qui có có cấu trúc của mạng truyền thẳng kết hợp với sự hồi tiếp ngõ ra tr lại lƠm ngõ vào. Có thể sử dụng thêm các bộ delay cho các ngõ vƠo cũng như các ngõ vƠo hồi tiếp. Luật cập nhật trọng số được sử dụng lƠ luật học lan truyền ngược. Do tính chất hồi tiếp (feedback) ngõ ra tr lại ngõ vƠo thông qua các bộ delay ngõ vƠo lƠm cho cấu trúc mạng Narxnet có khả năng học các mô hình có tính chất phi tuyến đặc biệt lƠ vi phơn của một hƠm nƠo đó.
Hình 4.2 Cấu trúc mạng Narxnet
Đối với mạng Narxnet hình 4.2, luật học vƠ cập nhật các bộ trọng số lƠ dựa hoƠn toƠn theo mạng truyền thẳng. Do cấu trúc có tính chất lƠ mạng truyền thẳng nên tốc độ huấn luyện mạng offline lƠ nhanh, vƠ khả năng lƠm việc online lƠ rất tốt. Khác với mạng hồi quy hoƠn toƠn lƠ các ngõ ra được hồi tiếp trực tiếp lƠm ngõ vƠo của một nơron nƠo đó (hoặc lớp vƠo hoặc lớp ẩn) nên giải huật học cũng như phương pháp xác định luật cập nhật bộ trọng số lƠ rất phức tạp. Tuy nhiên đối với mạng Narxnet thì sự hồi tiếp ngõ ra về ngõ vƠo thông qua bộ trễ chứ không được hồi tiếp trực tiếp, nên th i điểm t thì ngõ vƠo lƠ hoƠn toƠn xác định lƠ[ x(t), y(t-1)],
điều nƠy lƠm cho hệ thống chạy nhanh hơnso với mạng hồi quy hoƠn toƠn. Phương pháp xác định luật cập nhật trọng số của mạng Narxnet như sau
Bước 1: Xác định ngõ vƠo X x k y k( ) -1T
Bước β: Xác định hƠm tích hợp vƠ hƠm tác động tại các nơron lớp vƠo, lớp ẩn, lớp ra như sau: neti WiX với i=1:m. zi a net( i) suy ra: Z z z1 2...zmT
W
j j (adsbygoogle = window.adsbygoogle || []).push({});
net Z với j=1:n; hj a net( j) suy ra: H h h1 2...hnT
0
W ; ( ) ( )
o o
net Z y k a net . Với Z lƠ vector giá trị hƠm tác động tại các nơron
lớp vƠo, Z z z1 2...zmT; H lƠ vector giá trị hƠm tác động tại các nơron lớp ẩn,
1 2... nT
H h h h ; Wi i( 1: ) m là bộ trọng số vƠo của nơron thứ i của lớp vƠo Wj j( 1: )n là
Bước γ: Xác định luật cập nhật cho bộ trọng số cho mạng nhằm phục vụ cho việc tính toán mạng th i điểm (k+1) như sau:
Bộ trọng số ngõ ra: W (o k 1) W ( )o k (dy)oH Bộ trọng số lớp ẩn: W ( 1) W ( ) ( ) HW ( ) . ( 1: ) i k i k dy o i o i Z i n Bộ trọng số lớp vƠoW (i 1) W ( )i ( ) (o nW ( )o jHW )ji jI. ( 1: , 1: ) j k k dy j i n i m Chú ý: ' ; ' ( 1: ); ' ( 1: ) o H I
o anet i aneti i n i aneti i m
Đối với mạng Narxnet, matlab cung cấp lệnh để khai báo cấu hình mạng cũng như các tập lệnh huấn luyện (traning) vƠ các lệnh kiểm tra kết quả huấn luyện. Đối với những mô hình phi tuyến phức tạp, chúng ta cần có nhiều lớp ẩn ngõ vƠo nên khi có sự hồi tiếp của ngõ ra tr về ngõ vƠo thì quá trình cập nhật bộ trọng số tr nên rất phức tạp. Do đó thông thư ng dùng mạng nƠy, matlab khuyến cáo nên sử dụng tập lệnh có sẵn do matlab cung cấp. Dưới đơy lƠ một số lệnh cho mạng narxnet
- Input_Delays = 0:1 :khai báo bộ trễ cho ngõ vƠo.
- Output_Delays = 1:β :khai báo bộ trễ cho ngõ hồi tiếp.
- net = narxnet(inputDelays,feedbackDelays,hidenLayerSize) :tạo mạng nơron
narxnet có tên „net‟.
- net.sampleTime = 0.0001: khai báo th i gian xử lý một tập mẫu vƠo.
- net.trainParam.max_fail = 10 :khi đang huấn luyện, nếu kiểm tra sai 10 lần thì kết thúc việc „trainning‟.
- netc = closedloop((net) : tạo mạng narxnet vòng kín từ mạng net.
- [net,tr]= train(net,inputs,targets,inputStates,layerStates) : huấn luyện mạng net. Chú ý lƠ chỉ có lệnh huấn luyện cho mạng hồi tiếp vòng h , không có lệnh huấn luyện cho mạng hồi tiếp vòng kín.
- gensim(net) hoặc gensim(netc) : tạo đối tượng mô phỏng.
4.1.4. Chọn lựa số nút ẩn, lớp ẩn
Một trong những khó khăn lớn nhất của huấn luyện mạng là lựa chọn số nút ẩn và số lớp ẩn vì không có một phương pháp chung cho vấn đề này. Các nút vào và ra
lớp ẩn thì không được biết. Ví dụ, trong một mạng ANN có một lớp ẩn, nếu số lớp ẩn đủ lớn thì mạng có thể ghi nhớ được tập luyện. Tuy nhiên, nếu có quá nhiều nút
ẩn thì mạng có thể không học tốt được (quá khớp). Trong ứng dụng, trước tiên số
lượng nút ẩn được cho một giá trị nào đó và mạng ANN được kiểm tra bằng tập
kiểm tra. Thông thư ng, ANN ghi nhớ được dữ liệu huấn luyện nhưng khi dữ liệu (adsbygoogle = window.adsbygoogle || []).push({});
mới được ứng dụng thì nó thư ng cho kết quả ngõ ra không đúng. Trong trư ng
hợp này số lượng nút ẩn cầnđược giảm và huấn luyện lại sau đó kiểm tra lại…
Trong ANN chứa một lớp ẩn (và một lớp ra) đôi khi chỉ có một nút ẩn được sử
dụng, nhưng tổng quát số lượng nút ẩn tùy thuộc vào bài toán liên quan. Một kỹ
thuậtđượcứng dụng trong luận văn này là tìm kiếmleo đồi bằng 2 cách: - Bắtđầu từ mạng có kích thước lớn, sau đó giảm dần xuống.
- Bắtđầu từ mạng có kích thước nhỏ, rồi tăng dần lên.
Giải thuật huấn luyện
Quá trình huấn luyệnđược bắtđầu với các giá trị trọng số tùy ý (ngẫu nhiên) và tiến
hành lặp đi lặp lại. Mỗi lầnlặp được gọi là một epoch.
Trong mỗi epoch, mạng hiệu chỉnh các trọng số sau cho sai số giảm dần (sai số là
độ lệch giữa đầu ra thực và đầu vào đích). Tiến trình điều chỉnh nhiều lần giúp cho trọng số dần dầnđạtđược các giá trị tốiưu.
4.1.5 u điểm c a mạng Nơron
- Mạng tương đối mềm dẻo, có khả năng học vƠ tổng quát hóa dữ liệu mẫu học.
- Mạng nơron tính toán nhanh do khả năng xử lý song song.
- Mạng nơron là hệ thống động, các bộ xấp xỉ số không dựa trên mô hình, do vậy cho phép xử lý các thông tin không chắc chắn, không chính xác vƠ bị nhiễu.
4.2. C L NG T THỌNG Đ NG C KHỌNG Đ NG B DÙNG M NG N RON [3]
4.β.1. Giới thiệu
Vấn đề điều khiển động cơkhông đồng bộ đƣ thu hút sự quan tơm của rất nhiều nhƠ nghiên cứu. Nhiều giải thuật điều khiển đƣ được giới thiệu như: Điều khiển định
vƠo mô hình nội phi tuyến. Trong các sơđồ điều khiển trên, ta cần phải đo từ thông của rotor. Để thực hiện điều đó, cần phải có các cảm biến phức tạp. Để thay thế cho cảm biến nói trên, nhiều tác giả đƣ sử dụng bộ ước lượng từ thông. Thư ng các
khâu ước lượng nƠy sử dụng các giá trị dòng vƠ áp của stator để ước đoán các giá trị cần đo.
Trong chương nƠy, từ thông của động cơ không đồng bộ sẽ được ước lượng dùng mạng nơron. Như đƣ trình bƠy chương trước, ưu điểm của mạng nơron lƠ có thể xấp xỉ các quan hệ phi tuyến mƠ không cần biết cấu trúc của quan hệ đó. Bộ ước
lượng từ thông sẽ được sử dụng vƠo mô hình điều khiển trượt động cơ không đồng bộ dùng mạng nơron
4.β.β. Dữ liệu huấn luyện
Dữ liệu huấn luyện được tạo ra từ động cơ[17] có các thông số sau: Điện tr Stator: Rs = 4.08 Điện tr Rotor: Rr = 4.87 Điện cảm Stator: Ls = 0.3154 H Điện cảm Rotor: Lr = 0.3235 H Hệ số hổ cảm: Lm = 0.305 H Số đôi cực: p = 1 Công suất: P = 1.5 KW Moment quán tính: J = 0.018 Kgm2 Moment định mức: TL = 12 Nm Từ thông đặt: ref = 1 Wb Tốc độ đặt: ref = 150 rad/s
Các dữ liệu được chọn lƠ dòng vƠ áp stator của động cơ hệ tọa độ tĩnh . Hình 4.3 và hình 4.4 trình bƠy tập dữ liệu huấn luyện điện áp vƠ dòng điện của stator ( hệ tọa độ stator) được thu thập từ ngõ vƠo vƠ ngõ ra của động cơ.
Hình 4.3: Dữ liệu điện áp Us, Usdùng để nhận dạng mạng nơron
Hình 4.5 lƠ dữ liệu từ thông rotor của động cơđược đo từ cảm biến bộđiều khiển
trượt tương ứng với dòng vƠ áp stator. Tập dữ liệu nƠy phản ánh chế độ lƠm việc
thông thư ng của động cơ.
Hình 4.5: Dữ liệu từ thông , và r dùng để nhận dạng mạng nơron (adsbygoogle = window.adsbygoogle || []).push({});
Sơđồ thu thập dữ liệu đ ợc trình bƠy qua hình 4.6
Hình 4.6: Sơ đồ thu thập dữ liệu để huấn luyện từ thông
4.2.3. Huấn luyện mô hình từ thông
Mạng nơron được chọn lƠ mạng narxnet với 4 ngõ vào là us(k), us(k), is(k), is(k), và 2 ngõ ra là và (hình 4.9). HƠm truyền của lớp ẩn lƠ tansigmoid vƠ được huấn luyện theo mạng hồi qui narxnet.
Hình 4.7 trình bƠy sai số huấn luyện theosố nút của lớp ẩn ( mạng nơron được huấn luyện với 40 epochs). Dựa vƠo kết quả nƠy số nút của lớp ẩn có thểđượcchọn lƠ 35,
40, 45. Tuy nhiên sau khi thử nghiệm lại với mẫu kiểm tra thì mạng có số nút lớp ẩn
là 40 cho kết quả tốt nhất, vì vậy ngư i thực hiện đƣ chọn mạng có cấu trúc lớp ẩn
là 40. Sai số huấn luyện của mạng lƠ 6.8898e-07. được biểu diễn hình 4.7
4.2.3.2. Kiểm ch ng vƠ đánh giá bộ ớc l ợng từ thông
Sau khi sử dụng mạng nơron để nhận dạng các hƠm và ta được các hƠm xấp xỉ ˆ và ˆ. Khi đó, luật điều khiển u được viết lại như (4.9):
3 4 01 1 02 2 m 3 4 01 1 02 2 m x x u . U .Sign S A . U .Sign S B ˆ ˆ . .L . x x u . U .Sign S A . U .Sign S B ˆ ˆ . .L . (4.9) Trong đó L 1 1 2 1 ref ref r T 1 1 ˆ 1 b .f p. . f K. . . T T J. T r m r r 2 m i 1 2 ref ref r r r T ˆ L 1 K ˆ T ˆ T ˆ b 1 L m f p f . . T 2 T T T 2 2T 2 2 ˆ ˆ ˆ
Hình 4.7: Sai số huấn luyện của mạng ước lượng từ thông (sau 50 epoch)
Sau khi huấn luyện ta đ ợc:
- Lớp ẩn
Hình 4.8: Cấu trúc mạng nơron được chọn để ước lượng từ thông rotor
Hình 4.9: Sơđồ chi tiết bộ ước lượng từ thông
4.2.4. Kết quả nhận dạng0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1