Ứng dụng NN trong điều khiển không cảm biến hệ truyền động SPIM

CHƯƠNG 4: THIẾT KẾ BỘ QUAN SÁT TỐC ĐỘ THÍCH NGHI CHO HỆ TRUYỀN ĐỘNG SPIM KHÔNG CẢM BIẾN TỐC ĐỘ

4.2 Ứng dụng NN trong điều khiển không cảm biến hệ truyền động SPIM

NN nhân tạo dựa trên mô hình cơ bản của bộ não con người với khả năng học tập và khái quát hóa cao. Chúng thường được sử dụng như hàm phi tuyến tổng quát các xấp xỉ để biểu diễn các hàm với tổng trọng số của các hàm phi tuyến. Nói chung, những lợi thế của việc áp dụng NN so với những kỹ thuật dựa trên mô hình toán là khả năng chịu lỗi, xử lý song song, tốc độ đáp ứng nhanh, khả năng chống nhiễu, khả

năng khái quát hóa và độ nhạy cảm với các tham số đầu vào không chính xác [106].

Tuy nhiên, yêu cầu nỗ lực tính toán cao là nhược điểm chính của NN. Phần sau đây mô tả ngắn gọn cấu trúc và phương pháp huấn luyện NN khác nhau.

4.2.2 Cấu trúc của mạng nơ ron nhân tạo

Cấu trúc một mạng nơ ron nhân tạo được trình bày trong Hình 4.1, bao gồm:

Đầu vào của mạng nơ ron là x1, x2, x3, ...., xn với các trọng số tương ứng w1, w2, w3, ã ...wn, hàm kớch hoạt. Đụi khi một ngưỡng phõn cực bias (b) được thờm cấu trúc mạng.

x1 w1 b

x2 w2

x3 w3 net y

Input Σ f(net)

. ..

. wn Activation

.

. function

.

xn

Hình 4. 1: Cấu trúc một mạng nơ ron Biểu thức toán học cho mạng có thể được viết đơn giản là:

n

Net =   xi wi + b  =x1w1 + x2 w2 +...+ xn wn + b (4.1)

i=1

Tế bào thần kinh hoạt động với chức năng kích hoạt hoặc ánh xạ f(net) để tạo ra một đầu ra Y có thể được biểu thị như sau:

 n 

y = f Net  = f u = f  xi wi +b (4.2)

 

 i=1 

Trong đó: f là hàm kích hoạt. Một số kiểu hàm kích hoạt thông dụng: hàm nấc, hàm dấu, hàm tuyến tính, hàm tuyến tính bão hòa, hàm dạng S (signmoid) đơn cực, hàm dạng S lưỡng cực. Dẫn giải chi tiết cho các hàm kích hoạt như được trình bày dưới đây:

Hàm nấc:

0 if u < 0

y = f(u) =  u 

1 if 0

y

+1 0

net

Hàm dấu:

-1 if u < 0 y = f(u) = 1 if u  0

Hàm tuyến tính:

y +1

0

net -1

y

y = f u = αu

Trong đó: α là hệ số góc của hàm

Hàm tuyến tính bão hòa:

-1 if u < -1 y = f(u) =  u if - 1  u  1

 1 if u > 1



0

net

y +1

0

net -1

Hàm dạng S (signmoid) đơn cực y = f(u) = 1

1+ e-gu

Trong đó: g là hệ số của hàmsigmoid

Hàm dạng S lưỡng cực:

2

y = f(u) =

1+ e-gu - 1

Trong đó: g là hệ số của hàm sigmoid 4.2.3 Phân loại mạng nơ ron nhân tạo

y +1

0.5

0

net

y +1 0

net -1

Các loại mạng có thể được phân loại dựa trên tính chất của nó.

Mạng một lớp: mạng chỉ gồm một nơ ron; Mạng nhiều lớp: mạng gồm nhiều nơ ron; Mạng truyền thẳng: các tín hiệu trong mạng chỉ truyền theo một chiều từ ngõ vào tới ngõ ra; Mạng hồi qui: các tín hiệu chỉ hồi tiếp từ ngõ ra trở về ngõ vào.

Trong tất cả các trường hợp, đầu vào nơ ron được ánh xạ thành các giá trị từ 0 đến 1 hoặc - 1 đến 1 trong đó g là hệ số khuếch đại điều chỉnh độ dốc của các hàm sigmoid. Sử dụng các hàm kích hoạt phi tuyến cho phép ánh xạ đầu vào-đầu ra phi tuyến của NN có thể cho phép xấp xỉ hàm phi tuyến. Loại NN đa lớp bao gồm một nhóm các nơ ron liên kết với nhau được tổ chức theo lớp: lớp đầu vào, lớp ẩn và lớp đầu ra trong đó mỗi lớp bao gồm một nhóm các nơ ron như trong hình 4.2.

x1 y1

x2 y2

. . .

. . .

. . .

. . .

. . .

. . .

. . yn

xn .

Lớp vào Lớp ẩn Lớp ra

Hình 4. 2: Mạng truyền thẳng một lớp

Nó là phản hồi vì tín hiệu chỉ truyền theo hướng thuận từ các nút đầu vào đến các nút đầu ra mà không có tín hiệu nào được phản hồi giữa các nơ ron. Số lượng các lớp ẩn, số lượng tế bào thần kinh trong mỗi lớp hoàn toàn phụ thuộc vào sự phức tạp của vấn đề đang được giải quyết bởi mạng. Cấu trúc này thường được sử dụng trong nhận dạng hệ thống và các ứng dụng xấp xỉ hàm phi tuyến.

Z-1

x1 y1

x2

Z-1

y2

. . .

. . .

. . .

.. . .. Z -1

. . .

. . . yn

xn .

Lớp vào Lớp ẩn Lớp ra

Hình 4. 3: Mạng hồi qui một lớp

Một kiến trúc khác của NN là mạng hồi tiếp. Khác với cấu trúc mạng truyền thẳng, các đầu ra của một số tế bào thần kinh được hồi tiếp trở lại đầu vào của các tế bào thần kinh khác để thực hiện các chức năng tính toán lặp đi lặp lại trên tín hiệu như trong hình 4.3.

4.2.4 Các phương pháp huấn luyện mạng nơ-ron

NN nhân tạo giống như bộ não của con người học tập thông qua huấn luyện và dữ liệu lưu trữ. Một quy trình huấn luyện được thực hiện để cho phép NN hiểu mô hình tham chiếu. Dựa trên chiến lược huấn luyện, hai kỹ thuật phổ biến có thể được mô tả:

luật học giám sát và học không giám sát. Học có giám sát thường xuyên được sử dụng trong phần lớn các ứng dụng NN. Huấn luyện có thể được thực hiện online hoặc offline. Đối với kỹ thuật huấn luyện online, các trọng số NN được cập nhật liên tục trong quá trình hoạt động thay vì không đổi như với huấn luyện offline.

Trong một vài thập kỷ gần đây, NN được ứng dụng rộng rãi trong điều khiển không cảm biến của truyền động động cơ SPIM. NN hỗ trợ chiến lược MRAS được thảo luận trong nhiều tài liệu [88,134]. Ý tưởng cơ bản của nó là thay thế mô hình thích nghi của MRAS cổ điển bằng một NN được đào tạo online như là một bộ quan sát trạng thái. Chiến lược này tránh sử dụng một mô hình thích nghi toán học và cơ chế thích nghi được tích hợp vào luật điều chỉnh mạng [134]. Tuy nhiên, các chiến lược đề xuất này có cấu trúc tương tự như đề xuất của Schauder trong [94] chúng sẽ bị ảnh hưởng bởi sự thay đổi của tham số động cơ và các vấn đề về tích phân thuần túy.

Luật học có giám sát:

Cho tập dữ liệu vào – ra: {x1,d1},{x2, d2},…{xQ,dQ} ban đầu các trọng số của mạng được chọn bất kỳ. Khi có ngõ vào xd ngõ ra yq của mạng được so sánh với ngõ ra mục tiêu dq. Luật học dựa vào sai số eq = dq –yq hiệu chỉnh trọng số và ngưỡng phân cực của mạng để đưa ngõ ra đến gần mục tiêu. Sự hiện diện của đầu ra mong muốn cho mỗi đầu vào trong mô hình huấn luyện làm cho loại hình học tập này được giám sát. Trong quá trình học, đầu ra NN được so sánh với giá trị đích và hiệu chỉnh trọng số mạng thông qua luật học được thực hiện theo cách cực tiểu sai số.

Luật học không có giám sát:

Trọng số và ngưỡng phân cực chỉ được hiệu chỉnh với ngõ vào. Không có mục tiêu ngõ ra đặt trước. Hầu hết những thuật toán này sẽ phải tự phát hiện các đặc điểm, các mối tương quan giữa các dữ liệu đầu vào và mã hóa thành dữ liệu đầu ra. Điều này rất hữu ích trong những ứng dụng như lượng tử hóa vector. Trong kiểu học này, không có hàm mong muốn hoặc mục tiêu cho mạng mà chỉ có mô hình đầu vào, tức

là không có thành phần giám sát mạng. Hệ thống phải tìm hiểu bằng cách khám phá và thích nghi với các tính năng có cấu trúc trong mẫu đầu vào. Điều này được thực hiện bằng cách thích nghi với các quy tắc thống kê hoặc phân cụm các mẫu từ đầu vào mẫu huấn luyện.

4.2.5 NN trong ứng dụng ước lượng tốc độ

Trong [134] đề xuất một NN tuyến tính hai lớp thay thế cho CM thích nghi thông thường sử dụng một phương pháp tích phân Euler đơn giản. Trong cách biểu diễn này, tốc độ rotor tỉ lệ với một trong các trọng số NN. Mô hình tham chiếu là VM thông thường nhưng bộ tích phân thuần túy được thay bằng một LPF với tần số giới hạn thấp.

Từ thông rotor được ước tính dựa trên hai mô hình và sai số giữa NN và mô hình tham chiếu được sử dụng để điều chỉnh trực tiếp các trọng số của mạng NN. Luật học lan truyền ngược được sử dụng để huấn luyện mạng NN. Do đó thông tin tốc độ rotor có thể thu được. Mô hình thích nghi NN làm việc trong chế độ mô phỏng, nơi các thành phần từ thông ước tính bị trễ từ mô hình thích nghi được phản hồi đến NN. Chất lượng của bộ quan sát đề xuất được kiểm chứng bằng thực nghiệm mà không đề cập đến hoạt động ở dải tốc độ thấp và tốc độ không, không có thông tin về giới hạn tốc độ thấp nhất [88]. Trong [135] một EKF được đề xuất để điều chỉnh trọng số NN của mô hình được mô tả trong [134]. Chiến lược này có ưu điểm là sử dụng một biến số huấn luyện học thay đổi, cái mà trong thuật toán lan truyền ngược là hằng số, do đó dẫn đến tính hội tụ nhanh. Thử nghiệm đảo chiều tốc độ ± 500 vòng/phút tại không tải được trình bày trong đề xuất [135]. Tuy nhiên, thuật toán EKF đòi hỏi gánh nặng tính toán cao hơn so với thuật toán lan truyền ngược.