Quá trình mô phỏng được thực hiện qua 2 bước: nhận dạng và điều khiển đối tượng.
* Bước nhận dạng đối tượng
Sử dụng mạng nơron truyền thẳng nhiều lớp thực hiện nhận dạng đối tượng. Kết quả của quá trình này là đối tượng điều khiển vị trí của phần ứng nam châm điện được thay thế bởi cấu trúc và thông số của một mạng nơron truyền thẳng nhiều lớp.
Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên http://www.lrc-tnụedụvn
Nháy kép vào khối NN Predictive Controller, ta được cửa sổ khai báo bộ điều khiển, thực hiện nạp thông số của bộ điều khiển được kết quả trình bày trên (hình 3.3).
Thông số bộ điều khiển nơron dự báo trƣớc khi thực hiện quá trình nhận dạng
Hình 3.3. Thông số bộ điều khiển nơron dự báo trước khi thực hiện quá trình nhận dạng
Nháy vào nút Plant Identification để thực hiện quá trình nhận dạng ta được cửa sổ nhận dạng đối tượng như (hình 3.4) sau khi đã nạp thông số cho mạng nơron truyền thẳng nhiều lớp được sử dụng để nhận dạng đối tượng.
Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên http://www.lrc-tnụedụvn
Hình 3.4. Cửa sổ nhận dạng đối tượng
Nháy vào nút Generate Training Data để cung cấp tín hiệu vào cho mạng nơron truyền thẳng nhiều lớp nhận dạng đối tượng. Ta được bộ tín hiệu vào - ra của đối tượng cần nhận dạng là vị trí của phần ứng nam châm điện được biểu diển trên (hình 3.5).
Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên http://www.lrc-tnụedụvn
Hình 3.5. Đồ thị tín hiệu vào - ra của đối tượng điều khiển là vị trí của phần ứng nam châm điện
Bấm nút Accept Data để chọn bộ tín hiệu vào - ra này thực hiện quá trình nhận dạng đối tượng.
* Bước điều khiển:
Khi kết thúc quá trình nhận dạng, trên cửa sổ nhận dạng đối tượng (hình 3.4), nút Train Network sẽ nổi lên. Bấm vào nút Train Network để thực hiện quá trình huấn luyên mạng. Kết thúc quá trình này ta được mô hình mạng nơron mô tả và điều khiển đối tượng được cài đặt trong NEURAL NETWORK TOOLBOX được mô tả trên (hình 3.6); Kết quả kiểm tra dữ liệu cho bộ điều khiển nơron dự báo ứng dụng mạng nơron bao gồm: Tín hiệu vào; Tín hiệu ra của đối tượng; Tín hiệu ra của
Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên http://www.lrc-tnụedụvn
mạng nơron; Sai lệch giữa tín ra của đối tượng và tín hiệu ra của mạng nơron được trình bày trên (hình 3.7).
Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên http://www.lrc-tnụedụvn
Hình 3.7. Kết quả kiểm tra dữ liệu cho bộ điều khiển:
Tín hiệu vào; Tín hiệu ra của đối tượng; Tín hiệu ra của mạng nơron; Sai lệch * Để kiểm tra lại kết quả của 2 quá trình nhận dạng và điều khiển trở lại mô hình biều diễn ở (hình 3.2), nháy vào nút Simulation.
Nháy vào thiết bị Floating Scop của i ta được tín hiệu điều khiển i là dòng điện một chiều được trình bày trên (hình 3.8).
Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên http://www.lrc-tnụedụvn 0 200 400 600 800 1000 1200 1400 1600 1800 2000 -1 -0.5 0 0.5 1 1.5 2 2.5 3 3.5 4
Hình 3.8. Đồ thị dòng điện điều khiển i
Nháy vào thiết bị Floating Scop của y ta được tín hiệu đầu ra của đối tượng cần điều khiển là vị trí của phần ứng nam châm điện y (nét liền) được trình bày trên (hình 3.9). 0 200 400 600 800 1000 1200 1400 1600 1800 2000 0.5 1 1.5 2 2.5 3 3.5
Hình 3.9. Đồ thị vị trí đặt y_dat là vị trí mong muốn (nét đứt); Đồ thị vị trí y sau khi thực hiện điều khiển (nét liền)
Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên http://www.lrc-tnụedụvn
KẾT LUẬN CHƢƠNG 3
Từ đồ thị (hình 3.9) ta thấy rằng tín hiệu cần điều khiển y (nét liền) đã bám theo được tín hiệu đặt y_dat (nét đứt). Từ đó ta kết luận được là ứng dụng bộ điều khiển nơron điều khiển vị trí của phần ứng nam châm điện đã được thực hiện tốt, với chất lượng điều khiển đạt yêu cầụ
Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên http://www.lrc-tnụedụvn
CHƢƠNG 4: KẾT LUẬN VÀ KIẾN NGHỊ 4.1 Kết luận chung
Luận văn đã hoàn thành được những công việc sau: - Trình bày tổng quan về mạng nơron.
- Trình bày được ứng dụng của mạng nơron trong nhận dạng và điều khiển.
- Bằng phương pháp phân tích, so sánh về cấu trúc, các luật học và khả năng ứng dụng thực tiễn của các loại mạng nơ ron, luận văn đã lựa chọn bộ điều khiển nơron dự báo là bộ điều khiển hội tụ đầy đủ các ưu điểm của mạng nơron để tập trung nghiên cứu ứng dụng nó vào điều khiển vị trí của phần ứng nam châm điện.
- Đưa ra được động học của đối tượng điều khiển. - Thiết lập được mô hình điều khiển.
- Đã mô phỏng được ứng dụng bộ điều khiển nơron dự báo điều khiển vị trí của phần ứng nam châm điện.
- Căn cứ vào kết quả mô phỏng ta thấy vị trí phần ứng nam châm điện đã đạt được tín hiệu mong muốn với sai lệch trong phạm vi cho phép.
4.2 Kiến nghị
Do thời gian nghiên cứu có hạn và điều kiện về cơ sở vật chất còn giới hạn nên luận văn chỉ dừng lại ở kết quả mô phỏng, tuy nhiên kết quả mô phỏng cũng cho thấy tính đúng đắn của đề tài cần nghiên cứụ Để phát triển hơn nữa có thể tiến hành nghiên cứu ứng dụng trực tiếp trên mô hình thực tiễn.
Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên http://www.lrc-tnụedụvn
TÀI LIỆU THAM KHẢO Tiếng Việt
1. Nguyễn Hữu Công, Nguyễn Hoài Nam (2006), Nghiên cứu ứng dụng mạng nơron để nhận dạng và điều khiển đối tượng phi tuyến, Đề tài nghiên cứu khoa họcvà công nghệ cấp bộ, Trường ĐH Kỹ thuật – CN Thái Nguyên. 2. Phạm Hữu Đức Dục (2009), Mạng nơron và ứng dụng trong điềukhiển tự động,
Nhà xuất bản khoa học và kỹ thuật, Hà Nộị
3. Nguyễn Như Hiển & Lại Khắc Lãi (2007), Hệ mờ và nơron trong kỹ thuật điều khiển, Nhà xuất bản khoa học tự nhiên và công nghệ, Hà Nộị
4. Lại Khắc Lãi (2007), Một phương pháp xây dựng mô hình đối tượng phi tuyến
trong hệ điều khiển dự báo, Tạp chí Khoa học Công nghệ - Đại học Thái Nguyên, số 3(43), tr.73 – 79.
5. Phan Xuân Minh & Nguyễn Doãn Phước (2002), Lý thuyết điều khiển mờ, Nhà xuất bản khoa học và kỹ thuật, Hà Nộị
6. Phan Xuân Minh & Nguyễn Doãn Phước & Hán Thành Trung (2003), Lý thuyết
điều khiển phi tuyến, Nhà xuất bản khoa học và kỹ thuật, Hà Nội
7. Nguyễn Thương Ngô (1998), Lý thuyết điều khiển tự động hiệnđại, Nhà xuất bản khoa học và kỹ thuật, Hà Nộị
8. Nguyễn Phùng Quang (2006), Matlab & Simulink, Nhà xuất bản khoa học và kỹ thuật, Hà Nội
Tiếng Anh
9. Chin Teng Lin, C.S. George Lee (1996), Neural Fuzzy Systems, Prentice Hall International, Inc.
10. David Veitch (2005), Wavelet Neural Networks and their Application in the Study of Dynamical Systems, University of York, UK.
11. Kevin M. Passino, Stephen Yurkovich (1997), Fuzzy Control, Department of Electrical Engineering The Ohio State Universitỵ