3.3. Điều khiển nhiệt độ lò hơi tầng sôi tuần hoàn sử dụng bộ điều khiển NN-PID
3.3.2. Xây dựng bộ nhận dạng đối tượng sử dụng mạng RBFNN
Cấu trúc của bộ nhận dạng đối tượng sử dụng mạng RBFNN được xây dựng như hình sau:
Hình 3. 17: Cấu trúc mạng RBFNN
Mạng NNRBF được xây dựng là mạng nơron truyền thẳng ba lớp.
- Lớp đầu vào: có 3 tín hiệu đầu vào: u(k), yout(k-1) và yout(k-2).
Với: + u(k): tín hiệu điều khiển tại thời điểm k.
+ yout(k-1) và yout(k-2): là tín hiệu phản hồi từ hệ thống tại thời điểm (k-1) và (k-2).
Tạo thành véctơ đầu vào: X = [u(k), y(k-1), y(k-2)]T.
- Lớp ẩn: ta chọn có 6 nơron RBF: H = [h1, h2, h3, h4, h5, h6].
Giá trị của các hj được tính theo hàm Gaussian như sau:
hj = exp(- ‖x − Cj‖
2
2bj2 ) j= 1, 2, 3...6 ( 3.21) Trong đó:
+ cji là các tâm của hàm RBF: Cj = [cj1, cj2, cj3]T i = 1,2,...n + bj là bán kính của hàm RBF: Bj = [b1, b2,....bm]T
- Lớp ra: là một nơron tuyến tính với các trọng số đầu vào:
w = [w1, w2,..., wm]T
Giá trị đầu ra của bộ nhận dạng NNRBF được xác định theo công thức sau:
ymout(k) = w1h1 + w2h2 + ... + wmhm (3.22) b. Huấn luyện mạng:
Mục tiêu của giải thuật huấn luyện trực tuyến bộ nhận dạng RBFNN là điều chỉnh các bộ trọng số của mạng và các tham số của hàm cơ sở bán kính RBF để đạt giá trị cực tiểu hàm chi phí:
J = 1
2 (yout(k) – ymout(k))2
Sử dụng phương pháp Gradient Descent, trọng số của từng lớp mạng RBFNN được cập nhật như sau:
+ Bộ trọng số W:
∆wj(k) = - η ∂E(k)
∂wj(k) = - η ∂E(k)
∂ymout(k)
∂ymout(k)
∂wj(k) = η(yout(k) – ymout(k)).hj
wj(k) = wj(k-1)+ ∆wj(k) +α[wj(k-1)- wj(k-2)]+ β [wj(k-2)- wj(k-3)] (3.23) + Bán kính hàm RBF:
∆bj(k) = - η ∂E(k)
∂bj(k) = η ∂E(k)
∂ymout(k)
∂ymout(k)
∂hj(k) ∂hj(k)
∂bj(k)
= η[yout(k) – ymout(k)].wj(k).hj(k) ‖X − Cj(k)‖
2
bj3 )
bj(k) = bj(k-1) + ∆bj(k) + α[bj(k-1)- bj(k-2)]+β [bj(k-2)- bj(k-3)] (3.24) + Tâm hàm RBF:
∆cji(k) = - η ∂E(k)
∂cji(k) = η ∂E(k)
∂ymout(k)
∂ymout(k)
∂hj(k) ∂hj(k)
∂cji(k)
= η[yout(k) – ymout(k)].wj.hj
‖xi(k) − cji(k)‖
bj2(k)
cji(k) = cji(k-1) + ∆cji(k) + α[cji(k-1)- cji(k-2)]+β [cji(k-2)- cji(k-3)] (3.25) Thông tin Jacobian cho việc chỉnh định các thông số của bộ NN-PID được xác định như sau:
∂y(k)
∂∆u(k) ≈ ∂ymout(k)
∂∆u(k) = ∑ ∂ymout(k)
∂hj(k)
∂hj(k)
∂∆u(k)
mj=1 = ∑ wjhj cji−x1
bj2
mj=1 (3.26) Với x1 là tín hiệu điều khiển u(k).
Mô phỏng trên Matlab ta có mô hình:
Hình 3. 18: Kết quả so sánh tín hiệu ngõ vào và ngõ ra bộ nhận dạng RBFNN
Hình 3. 19: Kết quả so sánh tín hiệu điều khiển và đáp ứng
Hình 3. 20: Kết quả chỉnh định hệ số Kp, Ki, KD
Bảng 3. 4: Thông số đạt được của bộ điều khiển NN-PID.
Quá trình điều khiển Số liệu Tỉ lệ (%)
Độ quá điều chỉnh 25 (0C) 2.7
Thời gian quá độ 200 (s)
Số lần dao động 1
Trong quá trình mô phỏng ta thấy đối tượng đạt đến nhiệt độ mong muốn nhanh và có độ quá điều chỉnh cũng như số lần dao động thấp.
Tổng hợp đánh giá các bộ điều khiển
Hình 3.21: Tổng hợp mô phỏng các bộ điều khiển PID, mờ, NN-PID
Bảng 3. 5: Tổng hợp các số liệu từ các bộ điều khiển.
Bộ điều khiển Độ quá điều chỉnh (0C)
Thời gian quá độ (s)
Số lần dao động (s)
PID 450 160 8
NN-PID 25 200 1
Mờ 60 150 1
Đánh giá kết quả mô phỏng:
Căn cứ kết quả mô phỏng ở hình trên ta nhận thấy mỗi bộ điều khiển có các ưu nhược điểm riêng. Với bộ điều khiển PID thì thời gian đạt giá trị điều khiển đầu tiên là sớm nhất, tuy nhiên độ vọt lố cao làm ảnh hưởng đến hệ thống cũng như tuổi thọ của thiết bị. Bộ điều khiển mờ có sự ổn định cao, và không đạt được mục tiêu nhiệt độ cần đạt được tuy nhiên độ vọt lố là không cao nhưng không nằm trong phạm vi cho phép (7% > 2%). Bộ điều khiển NN-PID cũng đạt được giá trị điều khiển tương đối nhanh (chậm hơn 2 bộ điều khiển còn lại), có độ vọt lố thấp, và số lần dao động hệ thống ít đảm bảo tính bền hệ thống.
KẾT LUẬN VÀ KIẾN NGHỊ 1. Kết luận
Lò hơi nói riêng cũng như đối tượng nói chung thường không cho phép có độ quá điều chỉnh quá lớn. Ở đây ta có bộ điều khiển NN-PID đảm bảo tốt được điều đó tùy thuộc vào yêu cầu công nghệ trong quá trình sử dụng lò mà ta chọn từng bộ điều khiển thích hợp.
Với những kết quả thu được từ mô phỏng có thể nhìn nhận rằng tất cả các bộ điều khiển đều có ưu nhược điểm riêng của nó, việc lựa chọn từng phương pháp điều khiển khác nhau cho các đối tượng lò gia nhiệt khác nhau là vô cùng cần thiết để đem đến hiệu quả cao nhất trong quá trình vận hành lò và cho ra sản phẩm.
Từ những kết quả thu được qua việc thực hiện đề tài, có thể nhìn nhận rằng việc sử dụng các lý thuyết điều khiển phải được sử dụng một cách linh hoạt và tùy thuộc vào đối tượng cần điều khiển. Việc sử dụng lai ghép được các kỹ thuật điều khiển giữa cổ điển với các kỹ thuật điều khiển thông minh hiện đại với nhau đã mở ra hướng đi rất đa dạng trong kỹ thuật điều khiển vào ứng dụng thực tế.
2. Kiến nghị
Đề tài luận văn mới chỉ dừng lại ở mức độ xây dựng bộ điều khiển NN-PID kết hợp mạng nơron giám sát RBFNN trong Matlab, nên hướng phát triển của đề tài sẽ là:
Sử dụng các luật học khác để có thể tối ưu hơn kết quả điều khiển nhiệt độ trong lò hơi tầng sôi tuần hoàn với bộ điều khiển NN-PID.
Tiến đến thiết kế mô hình thực tế ứng dụng bộ điều khiển NN-PID điều khiển nhiệt độ trong lò hơi.
Tiến đến ứng dụng phương pháp NN-PID cho đối tượng điều khiển là nhiệt độ.
DANH MỤC TÀI LIỆU THAM KHẢO
[1] TS. Nguyễn Như Hiền & TS Nguyễn Khắc Lãi - Hệ mờ và nơron trong kỹ thuật điều khiển – NXB Khoa học tự nhiên và công nghệ, Hà Nội, 2007.
[2] Phạm Hữu Đức Dục.: Mạng nơron và ứng dụng trong điều khiển tự động. NXB Khoa học và kỹ thuật, Hà Nội, 2009.
[3] TS. Nguyễn Bê: Giáo trình Trang bị điện II. Đại học Bách khoa Đà Nẵng, 2007.
[4] TS. Nguyễn Thị Phương Hà – Lý thuyết điều khiển tự động. NXB Đại học quốc gia Thành phố Hồ Chí Minh, 2005.
[5] Th.s Nguyễn Thị Ngọc Linh, TS. Nguyễn Khắc Lãi – Nghiên cứu ứng dụng hệ nơron mờ để điều khiển tay máy, Trường Đại học Kỹ thuật Thái Nguyên, 2010.
[6] Tran Quang Thuan, Lecturer, PTIT-HCM; Duong Hoai Nghia, Lecturer, HCM City University of Technology and Dong Si Thien Chau, Lecturer, Ton Duc Thang Unisersity : Sliding mode control using radial basis function neurals network.
[7] Jinkun Liu: Radial Basis Function (RBF) Neural Network Control for Mechanical Systems. Beihang University, Beijing, China, People’s Republic
[8] Chin Teng Lin.; Chang Mao Yeh,; Jen Feng Chung.; Sheng Fu Liang.; Her Chang Pu.: Support-Vector-Baseb Fuzzy Neural Networks International Journal of Computational Intelligence Research, Vol.1, No.2, pp.138-150,2005.
[9] Lamei Xu; Wei He.: Application of Fuzzy Neural Network to Fire Alarm System of Highrise Building. Journal of Communication and Computer, USA, Vol.2, No.9, pp.18-21, 2005.
[10] Ding Zhefeng: A Novel Fuzzy PID Neural Model Control Method. Academy of Equipment Command & Technology of the People’s Liberation Army, Beijing, 101416.
[11] Zeyu Li, Jiangqiang Hu and XingXing Huo: PID Control Based on RBF Neural Network for Ship Steering. Navigation College, Dalian Maritime University, Dalian 116026, China.
[12] Tim Callinan: Artificial Neural Network Identification and Control of the Inverted Pendulum. August 2003.
[13] Erkki Karppanen: Advanced control of an industrial circulating fluidized bed boiler using fuzzy logic. Faculty of Technology, University of Oulu, Feb 4th 2000.