Method
Tiêu chuẩn trung binhg bình phương sai số Case A: 10, K=5 Case B: 2, K=5 Case C: 0.3, K=5 Case D: 2, K=20 Case E: 2, K=50 Inverse Fuzzy Control (IFC) 6.322 6.322 6.322 6.322 6.322 Adaptive Fuzzy Control (AFC) 5.757 4.413 4.718 3.48 3.461 Giải thuật đề xuất (IFC+AF) 2.957 2.723 2.757 2.454 2.405
Hình 4.39. So sánh các giải thuật điều khiển
Bảng 4.9 cho thấy kết quả so sánh giữa 3 bộ điều khiển thông qua tiêu chuẩn bình phương sai số trong 5 lần thí nghiệm với các kết quả đầu vào khác nhau cho thấy bộ điều khiển đề xuất cho kết quả vượt trội so với 2 phương pháp còn lại.
Tổng hợp các kết quả, ta có thể xem Bảng 4.9 và Hình 4.39. So sánh các giải thuật điều khiển cho thấy giải thuật đề xuất cho kết quả vượt trội khơng chỉ có độ vọt số và thời gian xác lập mà còn về tiêu chuẩn LMSE khi so với giải thuật điều khiển thích nghi thơng thường và giải thuật điều khiển ngược.
96
Tại giai đoạn xác lập, giải thuật đề xuất và giải thuật thích nghi cho kết quả tương tự nhau vì cả 2 đều dùng chung cách thức xây dựng luật thích nghi. Sự khác nhau của giải thuật thích nghi và giải thuật đề xuất nằm ở quá trình khởi động, trong khi giải thuật đề xuất có thêm giải thuật điều khiển ngược tối ưu khiến cho quá trình khởi động nhanh hơn giải thuật thích nghi với các tham số ngẫu nhiên ban đầu.
4.4. KẾT LUẬN
Trong chương 4, nghiên cứu sinh đã đã nghiên cứu và phát triển thành công giải thuật điều khiển trượt mờ nâng cao kết hợp giải thuật tối ưu. Giải thuật điều khiển đề xuất lấy ý tưởng bắt đầu từ mơ hình Fuzzy nhiều lớp được áp dụng để nhận dạng các hàm phi tuyến của hệ thống. Sau đó hàm mờ thích nghi được thiết kế để bổ sung cho giải thuật. Giải thuật thích nghi và tối ưu bổ sung cho nhau, vừa đảm bảo hệ thống ổn định tiệm cận theo Lyapunov, vừa đảm bảo hệ thống thay đổi linh hoạt với nhiễu ngoài và các yếu tố thay đổi không xác định. Kết quả nghiên cứu được kiểm chứng trên mơ hình PAM – 1 bậc thực nghiệm và được trình bày ở các bài báo [2a],[7a] và [8a]. Nghiên cứu sinh cịn có đề xuất giải thuật điều khiển ngược thích nghi nâng cao kết hợp giải thuật tối ưu. Giải thuật này gồm một mơ hình ngược sử dụng mơ hình Fuzzy nhiều lớp được huấn luyện tối ưu kết hợp với mơ hình Fuzzy thích nghi. Giải thuật điều khiển có các ưu điểm của giải thuật tối ưu và thích nghi khi kết hợp cả 2 lại. Ưu điểm của giải thuật tối ưu được thể hiện khi hệ khơng có thay đổi hoặc khơng bị tác động. Khi hệ thống có sự thay đổi, luật điều khiển thích nghi thể hiện ưu điểm của nó. Nhìn tổng thể, bản thân giải thuật điều khiển này chính là một mơ hình Fuzzy nhiều lớp với một phần được tính tốn tối ưu cố định và một phần được cập nhật thơng qua luật thích nghi đảm bảo hệ thống ổn định Lyapunov. Kết quả điều khiển được kiểm chứng trên các hệ SMD và hệ bồn nước liên kết. Kết quả còn được so sánh với các nghiên cứu gần đây để chứng minh ưu điểm và được trình bày ở bài báo [3a] và [4a]. Tuy chưa có các kiểm chứng trên hệ MIMO, tuy nhiên hướng điều khiển kết hợp thích nghi và tối ưu có các ưu điểm của giải thuật tối ưu ban đầu hỗ trợ quá trình khởi động và giảm ảnh hưởng của khâu thích nghi. Giải thuật thích nghi bổ sung cho hệ thống tính linh hoạt, đảm bảo sai số xác lập về 0.
97
CHƯƠNG 5 KẾT LUẬN VÀ KIẾN NGHỊ
5.1. KẾT LUẬN
Trong luận án, nghiên cứu sinh đã nghiên cứu và phát triển mơ hình Fuzzy nhiều lớp phối hợp với giải thuật điều khiển tối ưu trong nhận dạng hệ phi tuyến có trễ. Đối với bài tốn điều khiển nghiên cứu sinh đã kết hợp ưu điểm của giải thuật tối ưu và giải thuật thích nghi để đề xuất ra 2 bộ điều khiển áp dụng thành cơng điều khiển hệ phi tuyến có trễ trong mơ phỏng và cả thực nghiệm. Các đóng góp chỉnh của nghiên cứu sinh trong luận án được tóm tắt như sau:
• Ý nghĩa khoa học
- Đã nghiên cứu và phát triển thành cơng mơ hình Fuzzy nhiều lớp bằng cách kết hợp nhiều mơ hình Fuzzy T-S. Mơ hình Fuzzy nhiều lớp có ưu điểm về số lượng luật mờ giảm đáng kể khi so sánh với mơ hình Fuzzy truyền thống. Mơ hình Fuzzy nhiều lớp cịn có khả năng thay đổi linh hoạt tùy theo độ phức tạp của hệ thống cần nhận dạng. Kết quả của nghiên cứu này được trình bày ở bài báo [5a], [6a].
- Đã nghiên cứu và phát triễn thành công giải thuật huấn luyện ghép tầng áp dụng cho việc huấn luyện mơ hình Fuzzy nhiều lớp. Kết quả kiểm chứng cho thấy giải thuật huấn luyện ghép tầng không chỉ cho kết quả nhanh hơn so với phương pháp huấn luyện thống thường mà còn cho chất lượng tốt hơn. Kết quả nghiên cứu được trình bày ở bài báo [1a], và [9a].
- Đã nghiên cứu và phát triển thành công giải thuật điều khiển trượt mờ nâng cao kết hợp giải thuật tối ưu. Giải thuật điều khiển đề xuất lấy ý tưởng bắt đầu từ mơ hình Fuzzy nhiều lớp được áp dụng để nhận dạng các hàm phi tuyến của hệ thống. Sau đó hàm mờ thích nghi được thiết kế để bổ sung cho giải thuật. Giải thuật thích nghi và tối ưu bổ sung cho nhau, vừa đảm bảo hệ thống ổn định tiệm cận theo Lyapunov, vừa đảm bảo hệ thống thay đổi linh hoạt với nhiễu ngoài và
98
các yếu tố thay đổi khơng xác định. Kết quả nghiên cứu này được trình bày ở bài báo [2a],[7a] và [8a].
- Cuối cùng là đề xuất giải thuật điều khiển ngược thích nghi. Giải thuật này gồm một mơ hình ngược sử dụng mơ hình Fuzzy nhiều lớp được huấn luyện tối ưu kết hợp với mơ hình Fuzzy thích nghi. Giải thuật điều khiển có các ưu điểm của giải thuật tối ưu và thích nghi khi kết hợp cả 2 lại. Ưu điểm của giải thuật tối ưu được thể hiện khi hệ khơng có thay đổi hoặc khơng bị tác động. Khi hệ thống có sự thay đổi, luật điều khiển thích nghi thể hiện ưu điểm của nó. Nhìn tổng thể, bản thân giải thuật điều khiển này chính là một mơ hình Fuzzy nhiều lớp với một phần được tính tốn tối ưu cố định và một phần được cập nhật thơng qua luật thích nghi đảm bảo hệ thống ổn định Lyapunov. Kết quả điều khiển còn được so sánh với các nghiên cứu gần đây để chứng minh ưu điểm. Kết quả nghiên cứu này được trình bày ở bài báo [3a] và [4a].
• Ý nghĩa thực tiễn
- Mơ hình Fuzzy nhiều lớp đã áp dụng trong nhận dạng hệ cánh tay máy PAM song song và hệ bồn nước đơi cho thấy các ưu điểm của mơ hình Fuzzy nhiều lớp khi áp dụng vào nhận dạng. Số lượng luật mờ từ hàm số mũ giảm xuống theo cấp số cộng, qua đó giảm chi phí tính tốn, chi phí về phần cứng khi áp dụng mơ hình vào thực tiễn. Kết quả của nghiên cứu này được trình bày ở bài báo [5a], [6a].
- Kỹ thuật nhận dạng ghép tầng đã áp dụng vào nhận dạng mơ hình Fuzzy nhiều lớp dùng trong nhận dạng mơ hình hộp đen cho thấy giải thuật có ý nghĩa rất lớn về thực tiễn khi thời gian tính tốn và chất lượng hàm mục tiêu giảm đáng kể so với phương pháp huấn luyện thông thường. Chất lượng hàm mục tiêu và thời gian tính tốn là các yếu tố quan trọng cần quan tâm khi áp dụng một giải thuật nhận dạng tối ưu. Giải thuật nhận dạng ghép tầng đã giải quyết cả hai yếu tố quan trọng đó. Kết quả nghiên cứu được trình bày ở bài báo [1a], và [9a].
99
- Giải thuật điều khiển trượt mờ nâng cao kết hợp giải thuật tối ưu đề xuất áp dụng thành công trong thực tiễn điều khiển hệ tay máy PAM. Ý nghĩa thực tiễn không chỉ ở mức điều khiển được, thông qua việc nhận dạng trước các hàm phi tuyến trong hệ thống cịn giúp tìm ra được cách chọn các hệ số trong điều khiển mà không cần phải qua các bước thử sai hay cảm tính. Kết quả nghiên cứu này được trình bày ở bài báo [2a],[7a] và [8a].
- Giải thuật điều khiển ngược thích nghi được giới thiệu trong luận án đã áp dụng điều khiển hệ bồn nước liên kết, hệ SMD. Ý nghĩa trong thực tiễn của giải thuật ở quá trình kết hợp giải thuật tối ưu và giải thuật điều khiển thích nghi khiến cho giải thuật điều khiển đạt chất lượng tốt hơn lúc khởi động và hàm thích nghi đơn giản hơn, giảm chi phí tính tốn. Kết quả nghiên cứu này được trình bày ở bài báo [3a] và [4a].
• Đánh giá tác động của các kết quả nghiên cứu
Tất cả các nghiên cứu, đề xuất cải tiến trong luận án đều được nghiên cứu sinh kiểm chứng mô phỏng và thực nghiệm trên các đối tượng chuẩn thường sử dụng trong các nghiên cứu cùng lĩnh vực hoặc trong công nghiệp. Các kết quả nghiên cứu này đã được nghiên cứu sinh cơng bố trên các tạp chí và hội nghị uy tín như 4 bài báo tạp chí quốc tế SCIE [1a-4a], 1 bài báo đăng tạp chí khoa học uy tín trong nước [5a], 4 bài báo đăng ở hội nghị khoa học trong quốc tế uy tín [6a-8a], 1 bài bào đăng ở hội nghị khoa học quốc gia uy tín [10a]. Các thống kê này chứng tỏ tính mới, độ tin cậy và ý nghĩa khoa học của các kết quả nghiên cứu trong luận án.
Ngoài ra, trong thời gian thực hiện luận án, nghiên cứu sinh cịn có các cơng bố liên quan khác thể hiện trong bài báo [10a – 14a], nội dung của các cơng bố có đóng góp một phần vào trong luận án của nghiên cứu sinh.
5.2. KIẾN NGHỊ
Hướng tiếp cận sử dụng mơ hình Fuzzy nhiều lớp trong nhận dạng và điều khiển hệ phi tuyến bước đầu đạt được một số kết quả. Tuy nhiên, trong phạm vi luận án nghiên cứu sinh chưa khai thác hết tiềm năng của mơ hình đề xuất cũng như chưa áp dụng vào các đối tượng thực tế trong cơng nghiệp. Luận án cịn tồn tài một số hạn chế như:
100
- Cấu trúc của mơ hình Fuzzy nhiều lớp áp dụng trong nhận dạng phải được chọn trước, chưa có cơ chế tự tái cấu trúc mạng. Việc xác định cấu trúc của mơ hình có thể gây mất thời gian hoặc khó khăn cho người sử dụng ban đầu. Trong thực tế, cấu trúc của mơ hình Fuzzy nhiều lớp dùng trong nhận dạng mơ hình phi tuyến khác nhau thì sẽ khác nhau. Trong luận án này chưa đưa ra được quy tắc chọn cấu trúc cho mơ hình Fuzzy nhiều lớp, việc chọn cấu trúc hiện tại phụ thuộc vào kinh nghiệm chuyên gia.
- Đối với các đề xuất giải thuật điều khiển, quy trình bắt buộc phải có khâu nhận dạng hệ thống, mô hình nhận dạng phải điều khiển được hệ thống, hay nói cách khác là khơng làm hệ thống mất ổn định sau đó mới có thể áp dụng tiếp kỹ thuật điều khiển thích nghi. Các đối tượng sử dụng trong điều khiển mới là các hệ SISO, chưa áp dụng cho hệ MIMO.
- Mơ hình Fuzzy nhiều lớp áp dụng trong luận án chỉ ứng dụng đến 2 lớp gồm lớp vào và lớp ẩn. Do nghiên cứu sinh luận án chưa thực hiện các thí nghiệm nhận dạng, điều khiển nhiều hơn 2 lớp. Thực tế trong luận án, nghiên cứu sinh chỉ cần áp dụng 2 lớp mờ đã có thể nhận dạng, điều khiển tốt các mơ hình thực nghiệm, chưa cần áp dụng nhiều hơn 2 lớp.
- Các hệ số học trong nhận dạng và điều khiển vẫn chưa có quy tắc chọn lựa rõ ràng, hầu hết đều qua phương pháp thử sai và dựa vào kinh nghiệm chuyên gia.
Do đó, hướng tiếp cận mơ hình Fuzzy nhiều lớp áp dụng cho nhận dạng và điều khiển hệ phi tuyến cần tiếp tục nghiên cứu và phát triển:
- Nghiên cứu giải thuật tự động điều chỉnh cấu trúc mơ hình Fuzzy nhiều lớp dùng trong nhận dạng và điêu khiển hệ phi tuyến.
- Cải thiện cấu trúc mơ hình Fuzzy nhiều lớp thêm đa dạng, áp dụng hiệu quả hơn trong các bài toán nhận dạng và điều khiển.
- Tinh chỉnh các tham số điều khiển một cách tự động, giảm phụ thuộc vào kinh nghiệm chuyên gia trong việc thiết kế bộ điều khiển.
101
DANH MỤC CƠNG TRÌNH LIÊN QUAN LUẬN ÁN
I. CƠNG TRÌNH LIÊN QUAN TRỰC TIẾP ĐẾN LUẬN ÁN
[1a] Van Kien C., Anh, H. P. H., & Nam, N. T (2018). Cascade Training Multilayer
Fuzzy Model for Nonlinear Uncertain System Identification Optimized by Differential Evolution Algorithm. International Journal of Fuzzy Systems, June 2018, Volume 20, Issue 5, pp 1671–1684 (SCIE, IF: 4.673)
[2a] Van Kien C, Son N. N., H.P.H Anh (2018). Adaptive Fuzzy Sliding Mode
Control for Nonlinear Uncertain SISO System Optimized by Differential Evolution Algorithm, International Journal of Fuzzy Systems (SCIE, IF: 4.673) [3a] Van Kien, C., Anh, H. P. H., & Son, N. N. (2020). Inverse–adaptive multilayer
T–S fuzzy controller for uncertain nonlinear system optimized by differential evolution algorithm. Soft Computing, 1-17. (SCIE, IF: 3.643)
[4a] Van Kien, C., Anh, H. P. H., & Son, N. N. (2020). Adaptive inverse multilayer
fuzzy control for uncertain nonlinear system optimizing with differential evolution algorithm. Applied Intelligence, 1-22. (SCIE, IF: 5.086)
[5a] Cao Văn Kiên, Hồ Phạm Huy Ánh, “Nhận dạng hệ bồn nước đôi sử dụng mơ
hình fuzzy nhiều lớp kết hợp giải thuật tối ưu tiến hóa vi sai”, Chuyên san điều khiển và tự động hố sơ 18, tháng 4 năm 2017, trang 26-35.
[6a] Kien C.V, Anh H.P.H, “Identification of 2-DOF Pneumatic Artificial Muscle
System with Multilayer Fuzzy Logic and Differential Evolution Algorithm”. in Proc. Conference IEEE-ICIEA-2017, SiemReap, Campuchia – June/2017, pp. 1261-1266
[7a] Kien Cao Van, Huan Tran Thien, Thai Do Thanh, Anh Ho Pham Huy,
“Implementation of Adaptive Fuzzy Sliding Mode Control for Nonlinear Uncertain Serial Pneumatic-Artificial-Muscle (PAM) Robot System”, in Proceedings of The IEEE International Conference on Systems Science and Engineering 2017 (IEEE ICSSE 2017), HCMUTE, Viet Nam – July/2017, pp. 93-98
102
[8a] Van Kien, C., & Anh, H. P. H. (2017, August). Enhanced Adaptive Fuzzy
Sliding Mode Control for Nonlinear Uncertain Serial Pneumatic Artificial Muscle (PAM) Robot System. In International Conference on Advances in Computational Mechanics (pp. 1033-1050). Springer, Singapore. DOI: 10.1007/978-981-10-7149-2_72
[9a] Kien C.V, Anh, H.P.H.,” Cascade Training Multilayer Fuzzy Model for
Identifying Nonlinear MIMO System Optimized with Differential Evolution Algorithm”, The 4th Vietnam International Conference and Exhibition On Control and Automation (Vcca-2017), 1 – 2/12/2017, Thành phố Hồ Chí Minh II. CƠNG TRÌNH LIÊN QUAN ĐẾN LUẬN ÁN
[10a] Anh H. P. H., Son N. N., & Van Kien C. (2017). Adaptive Neural Compliant Force-Position Control of Serial PAM Robot. Journal of Intelligent & Robotic Systems, 1-19. (SCIE, Q2, IF: 2.646)
[11a] Son N. N., Van Kien C., & Anh, H. P. H. (2017). A novel adaptive feed-
forward-PID controller of a PLANAR parallel robot using pneumatic artificial muscle actuator based on neural network and modified differential evolution algorithm. Robotics and Autonomous Systems, 96, 65-80. (SCIE, Q1, IF: 3.12) [12a] Anh H.P.H, Son N.N, Van Kien C, (2018). New Approach of Sliding Mode Control for Nonlinear Uncertain PAM Manipulator Enhanced with Adaptive Fuzzy Estimator, International Journal of Advanced Robotic Systems (ARX), SAGE publishing, DOI: 10.1177/1729881418773204, pp 1-11. (SCIE, Q4 IF:
1.652)
[13a] Anh, H. P. H., Van Kien, C., & Nam, N. T. (2018). Advanced force control of the 2-axes PAM-based manipulator using adaptive neural networks. June 2018, Robotica, DOI: 10.1017/S0263574718000450 (SCIE Q2, IF:2.088)
[14a] Anh, H. P. H., Son, N. N., Van Kien, C., & Vinh, H. H. (2018). Parameters
Identification using Adaptive Differential Evolution Algorithm Applied on Robust Control of Uncertain Nonlinear System. Applied Soft Computing. Volume 71, October 2018, Pages 672-684 (SCIE, Q1, IF: 6.725)
103
TÀI LIỆU THAM KHẢO
[1] C. M. Cheng, Z. K. Peng, W. M. Zhang, and G. Meng, “Volterra-series-based nonlinear system modeling and its engineering applications: A state-of-the-art review,” Mech. Syst. Signal Process., vol. 87, no. March 2016, pp. 340–364,
2017, doi: 10.1016/j.ymssp.2016.10.029.
[2] D. Wang, H. He, and D. Liu, “Adaptive Critic Nonlinear Robust Control: A Survey,” IEEE Trans. Cybern., vol. 47, no. 10, pp. 3429–3451, 2017, doi:
10.1109/TCYB.2017.2712188.
[3] G. P. Liu, Nonlinear identification and control: a neural network approach.
Springer Science & Business Media, 2012.
[4] O. Nelles, Nonlinear system identification: from classical approaches to neural
networks and fuzzy models. Springer Science & Business Media, 2013.
[5] Y.-J. Liu and S. Tong, “Adaptive Fuzzy Identification and Control for a Class of Nonlinear Pure-Feedback MIMO Systems With Unknown Dead Zones,” IEEE Trans. Fuzzy Syst., vol. 23, no. 5, pp. 1387–1398, 2015, doi:
10.1109/TFUZZ.2014.2360954.
[6] J. Mendes, R. Araújo, and F. Souza, “Adaptive fuzzy identification and predictive control for industrial processes,” Expert Syst. Appl., vol. 40, no. 17, pp. 6964–6975, 2013, doi: 10.1016/j.eswa.2013.06.057.
[7] E. Núñez and J. R. Ascencio, “Identification and control of systems with and without zeros via approximation of the state evolution function,” IEEE Lat. Am.
Trans., vol. 12, no. 4, pp. 564–573, 2014.