Như với mô hình điều khiển dự đoán, bước đầu tiên trong việc sử dụng tuyến tính hóa điều khiển phản hồi (hoặc NARMA-L2) là để xác định các hệ thống được kiểm soát. Cần đào tạo một mạng lưới nơron để đại diện cho sự phát triển về phía trước của hệ thống. Bước đầu tiên là chọn một cấu trúc mô hình để sử dụng. Một mô hình chuẩn được sử dụng để đại diện cho các hệ thống phi tuyến tổng quát thời gian rời rạc là (NARMA) mô hình tự hồi quy trung bình chuyển động phi tuyến:
y (k + d) = N [y (k), y (k - 1), ..., y (k - n + 1), u (k), u (k - 1), ..., u (k - n + 1)] Điều kiện u (k) là hệ thống đầu vào, và y (k) là đầu
ra của hệ thống. Đối với
giai đoạn nhận dạng, bạn có thể đào tạo một mạng lưới nơron để xấp xỉ hàm phi tuyến N. Đây là thủ tục nhận dạng sử dụng cho mạng nơron dự đoán
Nếu bạn muốn đầu ra hệ thống làm theo một số quỹ đạo tham khảo y (k + d) = y r (k + d), bước tiếp theo là phát triển một bộ điều khiển phi tuyến có dạng:
u (k) = G [y (k), y (k - 1), ..., y (k - n + 1), yr (k + d), u (k - 1), ..., u (k - m + 1)] Vấn
đề với việc sử dụng bộ điều khiển này là nếu muốn huấn luyện một mạng lưới thần kinh để tạo ra các chức năng G để giảm thiểu lỗi bình phương trung bình, cần phải sử dụng lan truyền ngược động ([NaPa91] hoặc [HaJe99]). Điều này có thể khá chậm. Một giải pháp, bởi Narendra và Mukhopadhyay [đề xuất năm 1997], là sử dụng mô hình gần đúng để đại diện cho hệ thống. Bộ điều khiển được sử dụng trong phần này dựa trên mô hình gần đúng NARMA-L2:
Y(k + d) = f [y (k), y (k - 1), ..., y (k - n + 1), u (k - 1), ..., u (k - m + 1) ] + G[y (k), y (k - 1), ..., y (k - n + 1), u (k - 1), ..., u (k - m + 1)] ⋅ u (k)
60
Mô hình này là hình thức đồng hành, mà điều khiển đầu vào tiếp theo u (k) không được chứa bên trong các phi tuyến. Ưu điểm của hình thức này có thể giải quyết cho các đầu vào điều khiển là nguyên nhân gây ra hệ thống để thực hiện theo các tài liệu tham khảo y (k + d) = y r (k + d). Bộ điều khiển kết quả sẽ có các hình thức:
Sử dụng phương trình này có thể trực tiếp gây ra các vấn đề thực hiện, bởi vì phải xác định các đầu vào điều khiển u (k) dựa trên đầu ra tại cùng một thời gian, y
(k). Vì vậy, thay vào đó, sử dụng các mô hình:
y (k + d) = f [y (k), y (k - 1), ..., y (k - n + 1), u (k), u (k - 1), ..., u (k - n + 1)]+ G [y (k), ..., y (k - n + 1), u (k), ..., u (k - n + 1)] ⋅ u (k + 1)
Điều kiện d ≥ 2. Hình dưới đây cho thấy cấu trúc của một đại diện mạng lưới thần kinh.
61
Hình 3.9: Cấu trúc một mạng nơron
Sử dụng mô hình NARMA-L2, bạn có thể có được bộ điều khiển
Đó là có thể thực hiện cho d ≥ 2. Hình dưới đây là một sơ đồ khối của bộ điều khiển NARMA-L2.
Hình 3.10: Sơ đồ khối của bộ điều khiển NARMA-L2
Đây là bộ điều khiển có thể thực hiện với mô hình nhận dạng NARMA-L2, 62
như trong hìnhsau.
Hình 3.11: Bộ điều khiển thực hiện với mô hình nhận dạng NARMA- L2 3.2.2 Sử dụng các khối điều khiển NARMA-L2 [2]
Phần này cho thấy cách điều khiển NARMA-L2 được huấn luyện. Bước đầu tiên là để sao chép các khối NARMA-L2 khiển từ thư viện khối mạng nơron cho Simulink ® Editor. Bước này được bỏ qua trong các ví dụ sau đây.
Một mô hình ví dụ được cung cấp với các phần mềm Neural Network Toolbox cho thấy việc sử dụng các bộ điều khiển NARMA-L2. Trong ví dụ này, mục tiêu là để kiểm soát vị trí của một nam châm treo trên một nam châm điện, nam châm mà là hạn chế để nó chỉ có thể di chuyển theo hướng thẳng đứng, như trong hình dưới đây
63
Hình 3.12: Sơ đồ điều khiển vị trí nam châm vĩnh cửu
Các phương trình của chuyển động cho hệ thống này:
Điều kiện y (t) là khoảng cách của nam châm trên các nam châm điện, i (t) là dòng chảy trong các nam châm điện, M là khối lượng của nam châm, và g là hằng số hấp dẫn. Các β tham số là hệ số ma sát nhớt được xác định bằng các vật liệu mà di chuyển nam châm, và α là một hằng số lĩnh vực thế mạnh đó được xác định bởi số vòng dây trên nam châm điện và sức mạnh của nam châm.
Để chạy ví dụ này: -Bắt đầu MATLAB ®.
-Gõ narmamaglev trong cửa sổ MATLAB Command. Lệnh này sẽ mở ra các Simulink biên soạn với các mô hình sau đây. Khối NARMA-L2 kiểm soát là đã có trong mô hình.
64
Hình 3.13: Các Simulink biên soạn với các mô hình
-Nhấn 2 lần vào khối NARMA-L2. Điều này sẽ mở ra cửa sổ sau. Cửa sổ này cho phép bạn để đào tạo các mô hình NARMA-L2. Không có cửa sổ riêng biệt cho bộ điều khiển, bởi vì bộ điều khiển được xác định trực tiếp từ mô hình, không giống như các bộ điều khiển mô hình dự đoán.
Hình 3.14: Cửa sổ cho phép tạo mô hình NARMA-L2
65
-Cửa sổ này hoạt động giống như các cửa sổ nhận dạng thực vật khác, vì vậy quá trình đào tạo không được lặp đi lặp lại. Thay vào đó, mô phỏng các điều khiển NARMA-L2.
-Quay trở lại Simulink Editor và khởi động mô phỏng bằng cách chọn tùy chọn danh mục Simulation> Run. Khi chạy mô phỏng, sản lượng cây trồng và các tín hiệu tham chiếu được hiển thị, như trong hình dưới đây.
Hình 3.15: Đồ thị vị trí mẫu và vị trí sau khi đã điều khiển
3.2.3 Kết quả thực nghiệm trên MATLAB [3]
3.2.3.1 Số liệu
Chọn động cơ một chiều kích từ độc lập có số liệu như sau: Pđm = 32(KW),
Uđm = 220(V), Iđm = 170(A), wđm = 1500(v/ph), Rư∑ = 0,0779(Ω), Lư∑ =0,0049(H),
GD2
= 2,8(kgm2
), làm việc với phụ tải Mc(Nm)và J(Kgm2
) thay đổi trong
vùngphụ tải nhỏ. Máy phát tốc mã hiệu 7-100 có Uđm =1500(V/P), Uđm=100(V),
Iđm=0,08(A),
RH=200(Ω). Máy biến dòng loại 100/5(A). Bộ chỉnh lưu sơ đồ cầu bapha.
66
3.2.3.1.1 Kết quả mô phỏng khi có tải thay đổi
Dựa trên những mô tả động lực học của động cơ điện một chiều và số liệu trên ta tính toán được thông số của đối tượng và tổng hợp trong sơ đồ khối sau và được ghi vào phai có tên “doituong”.
Hình 2.16: Sơ đồ khối mô tả động cơ điện một chiều
Từ đó tiến hành nhận dạng và huấn luyện đối tượng thông qua bộ điều khiển NARMA-L2 như trong hình3.17
Hình 3.17: Sơ đồ mạng nơron truyền thẳng nhiều lớp điều khiển thích nghi vị trí động cơ điện một chiều khi có tải thay đổi
67
Hình 3.18: Bảng điều khiển nhận dạng tín hiệu vị trí động cơ một chiều NARMA-L2
Ở bảng điều khiển nhận dạng tín hiệu trên có thể điều chỉnh các thông số giá trị cần thiết lập trong động cơ một chiều NARMA – L2. Sau khi thiết lập các giá trị như trên hình thì ta được sơ đồ tín hiệu điện đầu vào và đầu ra trong động cơ như hình 3.19
Hình 3.19: Dữ liệu vào ra của tín hiệu vị trí động cơ một chiều
Với dữ liệu đầu vào và đầu ra của tín hiệu vị trí động cơ một chiều thì người dùng cũng có thể xuất dữ liệu làm việc bằng cách chọn Export Data.
68
Hình 3.20: Xuất dữ liệu làm việc
Nếu người dùng đã có sẵn dữ liệu thì có thể chọn Import Data để chọn file dữ liệu (hình 3.21)
Hình 3.21: Nhập dữ liệu vào bộ điều khiển
69
Hình 3.22: Huấn luyện đối tượng với dư liệu đã nhập vào
Hình 3.23: Dữ liệu huấn luyện cho bộ điều khiển NN NARMA-L2
70
Hình 3.24: Dữ liệu xác nhận cho bộ điều khiển NN NARMA-L2
Qua mô phỏng được thể hiện bởi hình 3.23 và 3.24 có thể nhận thấy rằng, dữ liệu huấn luyện ban đầu khá dày đặc và đồ thị không đều. Qua quá trình huấn luyện, thu được dữ liệu xác nhận đã thoáng hơn và loại bỏ những đối tượng dư thừa, đồng thời đồ thì đều hơn.
Hình 3.25: Dữ liệu kiểm tra cho bộ điều khiển NN NARMA-L2
71
Hình 3.26: Đồ thị vị trí mẫu qd
(nét mảnh) và vị trí sau khi đã điều khiển q (nét đậm)
Sau khi dữ liệu đầu vào được điều khiển qua mạng nơron đã có các giá trị trải đều hơn trên đồ thị. Sau đây là đồ thị điện áp điều khiển và đồ thị mômen tải MC (Nm)
Hình 3.27: Đồ thị điện áp điều khiển
72
Hình 3.28: Đồ thị mômen tải MC (Nm) 3.2.2.3 Kết quả mô phỏng khi có thông số và sự thay đổi
Động cơ điện một chiều khi làm việc với tải thay đổi, làm dòng điện phần ứng thay đổi theo yêu cầu của tải, dẫn đến nhiệt độ động cơ và mức độ từ hóa của lõi thép thay đổi, do đó làm cho điện trở phần ứng R, điện cảm L của động cơ thay đổi theo. Từ đó một vấn đề đặt ra là cần có một giải pháp nào đó để tạo ra một bộ điều chỉnh thông minh có khả năng điều chỉnh thích nghi vị trí của động cơ điện một chiều khi làm việc với tải và các thông số điện trở phần ứng R và điện cảm L thay đổi. Trong báo cáo này nghiên cứu bộ điều khiển thích nghi vị trí động cơ một chiều khi có điện trở phần ứng R và mômen tải MC thayđổi.
73
Hình 3.29: Sơ đồ khối mô tả động cơ điện một chiều khi có R, MC thay đổi
Khi có sự thay đổi về đầu vào ra (Hình 3.30) và cách thiết lập các thông số sẽ có những thay đổi ở Dữ liệu huấn luyện cho bộ điều khiển NN NARMA-L2, Dữ liệu xác nhận cho bộ điều khiển NN NARMA-L2, Dữ liệu kiểm tra cho bộ điều khiển NN NARMA-L2, Đồ thị điện áp điều chỉnh u, Đồ thị điện trở R,….
Với giá trị mới được thay đổi, quan sát sự khác nhau với lần mô phỏng đầu tiên qua các hình.
74
Hình 3.30: Dữ liệu vào ra của tín hiệu vị trí động cơ một chiều
Hình 3.31: Bảng điều khiển nhận dạng tín hiệu vị trí động cơ một chiều NARMA-L2
75
Hình 3.32: Huấn luyện đối tượng với dư liệu đã nhập vào
Hình 3.33: Dữ liệu huấn luyện cho bộ điều khiển NN NARMA-L2
76
Hình 3.34: Dữ liệu xác nhận cho bộ điều khiển NN NARMA-L2
Hình 3.35: Dữ liệu kiểm tra cho bộ điều khiển NN NARMA-L2
Hình 3.36: Đồ thị điện áp điều chỉnh u
77
Hình 3.37: Đồ thị điện trở R
Hình 3.38: Đồ thị mômen tải MC (Nm)
78
Hình 3.39: Đồ thị vị trí mẫu qd (nét mảnh) và vị trí sau khi đã điều khiển q (nét đậm)
3.3 Mạng nơron trong điều khiển phản hồi [4]
Trong phần này, mục tiêu là để thiết kế một bộ điều khiển mạng nơron phản hồi tạo nên một hệ thống robot để làm theo, hoặc theo dõi, một quỹ đạo theo quy định hoặc đường dẫn. Sự năng động của robot là chưa biết, và có thể rối loạn. Tính năng động của một n Robot tay máy có thể được diễn tả như [Lewis, Dawson, Abdallah 2004]
Với NQ (t) ∈R vector biến chung, M (q) là một ma trận quán tính, Vm một
ma trận hướng tâm, G (q) một vector trọng lực, và F (.) đại diện cho điều kiện ma sát. Giáp rối loạn không rõ và lỗi mô hình được ký hiệu là d τ và mô-men xoắn điều khiển đầu vào là τ (t).
79
Với một quỹ đạo mong muốn cánh tay n qd (t) ∈ R xác định các lỗi theo dõi e
(t)q (t) q (t) = d - và các lọc lỗi theo dõi r = e & + Λe, nơi Λ = Λ> 0 T. Một chế độ đa dạng trượt được xác định bởi r (t) = 0. Bộ điều khiển theo dõi mạng nơron được thiết kế sử dụng một cách tiếp cận thông tin phản hồi tuyến tính để đảm bảo rằng r (t) là buộc vào một khu vực đa dạng này. Xác định các chức năng Robot phi tuyến.
Với x vector được biết đến (t) của tín hiệu đo phù hợp quy định tại các điều khoản của e (t), qd (t). Các đầu vào vector x của mạng nơron có thể được lựa chọn, ví dụ như:
3.3.1 Phản hồi tuyến tính của hệ thống phi tuyến dùng mạng nơron
Nhiều hệ thống quan tâm trong công nghiệp, hàng không vũ trụ, và các ứng dụng DoD ở dạng x = f (x) + g (x) u + d, với d (t) là một rối loạn bị chặn không rõ, và các chức năng phi tuyến f (x) chưa biết, và g (x) không rõ, nhưng bị chặn dưới bởi một giá trị tích cực được biết đến. Sử dụng phi tuyến ổn định kỹ thuật chứng minh như những vấn đề ở trên, người ta có thể thiết kế một đầu vào điều khiển của biểu mẫu:
Rằng có hai phần, một phần phản hồi tuyến tính uc (t), cộng với một phần ur (t). Bây giờ, hai mạng nơron được yêu cầu để sản xuất hai ước tính f^ (x), f^(g) của các chức năng chưa biết.
Bộ điều khiển này được hiển thị trong hình 3.38. Khối lượng cập nhật mạng nơron cho f(x) được đưa ra chính xác như trong (hình 3.38). Để điều chỉnh g của mạng nơron, một công thức tương tự (hình 3.38) là cần thiết, nhưng nó phải được
80
sửa đổi để đảm bảo rằng đầu ra g (x) của mạng nơron thứ hai được bảo đảm đi từ số không, để giữ sự kiểm soát u (t) hữu hạn.
Hình 3.40: Phản hồi tuyến tính điều khiển mạng nơron 3.3.2 Ứng dụng mạng nơron trong mạng phản hồi
Hầu hết các bộ điều khiển phản hồi hiện nay được thực hiện trên máy tính kỹ thuật số. Điều này đòi hỏi các đặc điểm kỹ thuật của thuật toán điều khiển trong thời gian rời rạc hoặc dạng kỹ thuật số [Lewis 1992]. Để thiết kế bộ điều khiển như vậy, một thể xem xét các động thái thời gian rời rạc x (k + 1) = f (x (k)) + g (x (k)) u (k), với hàm f (.) và g (.). Bộ điều khiển kỹ thuật số có nguồn gốc mạng nơron trong tình huống này vẫn còn có những hình thức của thông tin phản hồi bộ điều khiển tuyến tính thể hiện trong hình 2.57.
Người ta có thể điều chỉnh được thuật toán, cho một thời gian rời rạc điều khiển mạng lưới nơron với N lớp, mà hệ thống bảo đảm sự ổn định và vững mạnh [Lewis, Jagannathan, và Yesildirek 1999]. Đối với các lớp thứ thì các bản cập nhật trọng lượng có dạng:
Điều kiện là các chức năng đầu ra của lớp i, 0 <Γ <1 là một tham số thiết kế, và
Với r (k) là một lỗi tìm được. Thuật toán điều chỉnh này có hai phần: Hai điều kiện đầu tiên tương ứng với một thuật toán Gradient thường được sử dụng
81
trong mạng nơron. Thời hạn cuối cùng là một thuật ngữ robustifying thời gian rời rạc mà đảm bảo rằng các trọng số trong mạng nơron vẫn bị chặn.
3.4. Kết luận chương 3
- Dựa trên kết quả nghiên cứu của các tài liệu, luận văn đã đi sâu phân tích được sự đúng đắn của việc sử dụng khối điều khiển NARMA-L2 với luật học thích nghi tạo ra tín hiệu điều khiển để đạt được sai lệch trung bình bình phương trong giới hạn cho phép. Nghĩa là tín hiệu ra của đối tượng bám sát theo tín hiệu điều khiển vị trí của sơ đồ điều khiển thích nghi vị trí động cơ điện một chiều khi có thông số và tải thay đổi.
TỔNG KẾT
Báo cáo đã trình bày một số khái niệm cơ bản về mạng nơron nhân tạo, một hệ thống hoạt động dựa trên sự bắt chước não người, tuy nhiên, nó có hoạt động đơn giản hơn rất nhiều so với não người. Điểm nỗi bật của mạng nơron nhân tạo là khả năng học và nhớ.
Trong báo cáo còn nghiên cứu tìm hiểu một số phương pháp ứng dụng mạng nơron để nhận dạng đối tượng. Tìm hiểu sâu hơn về ứng dụng mạng nowrron trong điều khiển thích nghi (Adaptive) và điều khiển dự đoán (predictive), điều khiển phản hồi (feeedback). Ngoài ra, mô phỏng một số kết quả thực tế.
Qua quá trình học tập và nghiên cứu về mạng nơron nhân tạo và ứng dụng của nó trong tự động hóa em đã tiếp thu thêm được một lượng kiến thức quý báu cho bản thân. Tuy nhiên dù bản thân đã hết sức cố gắng nhưng do thời gian nghiên cứu, trình độ năng lực, kinh nghiệm thực tiễn còn nhiều hạn chế nên bài tập này khó tránh khỏi những sai sót. Kính mong được sự giúp đỡ, chỉ bảo của thầy giáo và các bạn để bài tập được hoàn thiện hơn.
82
TÀI LIỆU THAM KHẢO Tiếng Việt
[1]. Phạm Hữu Đức Dục, (1999), Nghiên cứu ứng dụng mạng nơ ron trong
điều khiển thích nghi hệ thống có thông số biến thiên, Luận án Tiến sĩ Kỹ thuật.
[2].Phạm Hữu Đức Dục, Nguyễn Công Hiền, (2005), Ứng dụng của bộ điều
khiển nơ ron mờ trong điều khiển thích nghi vị trí động cơ điện một chiều, Tuyển tập các báo cáo Khoa học tại hội nghị Toàn quốc lần thứ VI về tự động hóa, 101-106.
[3]. Phạm Hữu Đức Dục, Nguyễn Công Hiền, (2005), Nghiên cứ ứng dụng mạng nơ ron mờ điều khiển thích nghi rôbốt hai khâu, Tuyển tập các báo cáo Khoa
học tại hội nghị Toàn quốc lần thứ VI về tự động hóa, 107-112.
[4]. Bùi Quốc Khánh, Nguyễn Văn Liễn, Phạm Quốc Hải, Dương Văn Nghi, (2008), Điều chỉnh tự động truyền động điện, Nhà xuất bản Khoa học và kỹ thuật.