5. Bố cục của luận án
3.8.Kết luận Chƣơng 3
Với việc áp dụng kết quả của Chƣơng 2 liên quan đến nhận dạng và bù trừ các thành phần nhiễu phi tuyến bất định, đối tƣợng phi tuyến bất định có trễ đƣợc
xem là đối tƣợng tuyến tính có trễ và không còn chịu tác động của nhiễu. Khi đó vấn đề bức thiết đặt ra là tổng hợp bộ điều khiển sử dụng mô hình dự báo, đảm bảo chất lƣợng cao. Chƣơng 3 của luận án đã tập trung giải quyết vấn đề bức thiết nêu trên và đạt đƣợc những kết quả sau đây:
1. Đã đề xuất đƣợc phƣơng pháp tổng hợp hệ thống điều khiển IMPC cho lớp đối tƣợng có trễ trong điều khiển. Đã tích hợp bộ điều khiển IMPC với bộ nhận dạng nhiễu trên cơ sở mạng nơron RBF và với kênh bù trừ nhiễu, làm cho hệ thống vừa đáp ứng tiêu chuẩn tối ƣu, vừa có tính thích nghi, kháng nhiễu. 2. Đã tổng hợp đƣợc bộ nhận dạng nhiễu và kênh bù nhiễu, xây dựng thành công
hệ thống IMPC, vừa tối ƣu vừa có khả năng thích nghi và kháng nhiễu cho tháp (bình) phản ứng khuấy trộn liên tục CSTR.
3. Bằng công cụ Matlab/Simulink đã tiến hành mô phỏng minh họa nhằm đánh
giá tính hiệu quả của các đề xuất trong luận án. Các kết quả mô phỏng đã khẳng định tính đúng đắn, hiệu quả của toàn bộ hệ thống điều khiển trên cơ sở IMPC, bộ nhận dạng nhiễu và kênh bù nhiễu đã đề xuất đặc biệt ƣu việt cho lớp các đối tƣợng có trễ.
KẾT LUẬN VÀ KIẾN NGHỊ
Kết luận
Điều khiển dựa trên mô hình dự báo có nhiều ƣu điểm nổi trội, phát huy hiệu quả cao đối với các đối tƣợng có trễ, các đối tƣợng có động học chậm, các đối tƣợng có các ràng buộc. Điều khiển dự báo phát triển nhanh trong vài thập niên trở lại đây và đã đạt đƣợc các kết quả quan trọng, song vẫn còn nhiều vấn đề cấp thiết chƣa đƣợc giải quyết hoặc chƣa có lời giải thỏa đáng. Một trong các vấn đề đó là xây dựng phƣơng pháp tổng hợp hệ điều khiển dự báo cho các đối tƣợng phi tuyến bất định (hoặc một phần bất định), chịu tác động của nhiễu và có hiệu ứng trễ. Đây là lớp đối tƣợng khá phổ biến trong công nghiệp, đang ngày càng đòi hỏi chất lƣợng điều khiển cao hơn, hiệu quả hơn. Vì vậy, vấn đề nêu trên càng trở nên bức thiết hơn cả về mặt khoa học, cả về mặt ứng dụng cho thực tế. Luận án đi sâu nghiên cứu nhằm góp phần giải quyết vấn đề bức thiết đó và đã đạt đƣợc những đóng góp mới chủ yếu sau đây:
Đã đề xuất phương pháp nhận dạng nhiễu cho hệ thống có trễ trong điều khiển trên cơ sở mô hình song song, trong đó các mạng nơron RBF được sử dụng để xấp xỉ các hàm nhiễu phi tuyến bất định bởi các mạng này có cấu trúc đơn giản và có khả năng xấp xỉ hầu hết các hàm phi tuyến với độ chính xác tùy ý.
Đã phát biểu và chứng minh được hai định lý về các điều kiện đủ, đảm bảo quá trình nhận dạng hội tụ cho hai trường hợp riêng biệt: trường hợp hệ thống có một nhiễu tác động và trường hợp hệ thống đồng thời chịu nhiều nhiễu tác động vào các vị trí khác nhau. Đã thu được luật cập nhật trọng số cho các mạng nơron RBF, vừa đảm bảo hội tụ vừa có tính khả thi cao bởi tốc độ hiệu chỉnh trọng số chỉ phụ thuộc vào vectơ sai lệch giữa trạng thái của đối tượng điều khiển và vectơ trạng thái của mô hình.
Đã đề xuất giải pháp bù trừ nhiễu cho lớp đối tượng có trễ trên cơ sở các kết quả nhận dạng. Đã xây dựng được cấu trúc của kênh bù trừ nhiễu. Đã thu được điều kiện ứng đối đảm bảo bù được các nhiễu tác động đồng thời lên hệ thống. Các kết quả mới về nhận dạng nhiễu và bù nhiễu có thể được áp dụng không
những cho các hệ thống IMPC mà còn có thể áp dụng cho các hệ thống với các luật điều khiển khác nhau.
Đã đề xuất được phương pháp tổng hợp hệ thống điều khiển IMPC cho lớp đối tượng có trễ trong điều khiển. Đã tích hợp bộ điều khiển IMPC với bộ nhận dạng nhiễu trên cơ sở mạng nơron RBF và với kênh bù trừ nhiễu, làm cho hệ thống vừa đáp ứng tiêu chuẩn tối ưu, vừa có tính thích nghi, kháng nhiễu.
Đã tổng hợp được bộ nhận dạng nhiễu và kênh bù nhiễu, xây dựng thành công hệ thống IMPC vừa tối ưu vừa có khả năng thích nghi và kháng nhiễu cho tháp (bình) phản ứng khuấy trộn liên tục CSTR.
Bằng công cụ Matlab/Simulink đã tiến hành mô phỏng minh họa nhằm đánh giá tính hiệu quả của các đề xuất trong luận án. Các kết quả mô phỏng đã khẳng định tính đúng đắn, hiệu quả của toàn bộ hệ thống điều khiển trên cơ sở IMPC, bộ nhận dạng nhiễu và kênh bù nhiễu đã đề xuất đặc biệt ƣu việt cho lớp các đối tƣợng có trễ.
Hƣớng nghiên cứu tiếp theo của luận án và kiến nghị
Triển khai áp dụng kết quả nghiên cứu cho các đối tƣợng trong thực tế.
Luận án đã đề cập đến phân tích và tổng hợp hệ thống IMPC cho lớp đối tƣợng có trễ trên kênh điều khiển dƣới tác động của các nhiễu nội sinh (phát sinh do tính phi tuyến của đối tƣợng và nhiễu này phụ thuộc trạng thái). Cần tiếp tục nghiên cứu cho các trƣờng hợp có các dạng nhiễu khác, các đối tƣợng phi tuyến có trễ khác và có các ràng buộc.
DANH MỤC CÔNG TRÌNH KHOA HỌC CÓ LIÊN QUAN ĐẾN LUẬN ÁN
1. Lê Thị Huyền Linh, Nguyễn Thị Mai Hƣơng (2011), "Một phƣơng pháp xây dựng điều khiển dự báo dựa trên mô hình Gauss", Tạp chí Khoa học Công nghệ - Đại học Thái Nguyên, Tập 86, số 10, ISSN 1859 - 2171, tr. 195 - 200.
2. Lê Thị Huyền Linh, Nguyễn Thị mai Hƣơng (2013), "Sử dụng mô hình mờ Takagi - Sugano để xây dựng mô hình dự báo cho hệ động học phi tuyến", Tạp chí Khoa học Công nghệ - Đại học Thái Nguyên; Tập 102, số 02, ISSN 1859 - 2171, tr. 161 - 167.
3. Lê Thị Huyền Linh, Lại Khắc Lãi, Nguyễn Thị Mai Hƣơng (2013), "Điều khiển dự báo dựa trên mô hình với tầm dự báo bằng 1", Tạp chí Khoa học Công nghệ -
Đại học Thái Nguyên, Tập 112, số 12/2, ISSN 1859 - 2171, tr. 55 - 62.
4. Nguyễn Thị Mai Hƣơng, Lại Khắc Lãi, Mai Trung Thái, Lê Thị Huyền Linh (2013), "Điều khiển dự báo dựa trên ma trận động ứng dụng điều khiển bình phản ứng hóa học có bao làm lạnh (chemical reactor)", Tạp chí Khoa học Công nghệ - Đại học Thái Nguyên, Tập 112, số 12/2, ISSN 1859 - 2171, tr. 49 - 54. 5. N.T Mai Hƣơng, Mai Trung Thái, Lê Thị Huyền Linh, Lại Khắc Lãi (2013),
"Nghiên cứu chiến lƣợc tối ƣu hóa trong điều khiển dự báo", Tạp chí Khoa học Công nghệ - Đại học Thái Nguyên, Tập 113, số 13, ISSN 1859 - 2171, tr. 115 - 122. 6. Le Thi Huyen Linh, Lai Khac Lai, Cao Tien Huynh (2014), "A disturbance
identification method based on Neural network for a class predictive control system with delay", Tạp chí Khoa học và Công nghệ các trường Đại học Kỹ thuật, Tập 101 - ISSN 0868 - 3980, tr. 20 - 24.
7. Lê Thị Huyền Linh, Đặng Ngọc Trung (2014), “Ứng dụng nhận dạng nhiễu trên cơ sở mạng nơron cho bình phản ứng khuấy trộn liên tục”, Tạp chí Khoa học Công nghệ - Đại học Thái Nguyên, Tập 122 - số 08, ISSN 1859 - 2171, tr. 137 - 141.
8. Lê Thị Huyền Linh, Lại Khắc Lãi (2014), “Điều khiển dựa trên mô hình dự báo cho một lớp đối tƣợng có trễ”, Tạp chí Khoa học Công nghệ - Đại học Thái Nguyên, Tập 128 - số 11, ISSN 1859 - 2171, tr. 149 - 154.
9. Lê Thị Huyền Linh, Lại Khắc Lãi (2014), “Phƣơng pháp nhận dạng nhiễu phụ thuộc trạng thái trong hệ phi tuyến có trễ”, Chuyên san Điều khiển & Tự động hóa, số 11, tr. 53 - 57.
TÀI LIỆU THAM KHẢO Tiếng Việt (adsbygoogle = window.adsbygoogle || []).push({});
1. Đỗ Thị Tú Anh, Nguyễn Doãn Phƣớc (2013), “Giới thiệu về điều khiển dự báo, Phần I: Hệ tuyến tính”, Tuyển tập báo cáo hội nghị khoa học Khoa Điện tử, Trƣờng Đại học Kỹ thuật Công nghiệp Thái Nguyên, tr. 129 -138.
2. Đỗ Thị Tú Anh, Nguyễn Doãn Phƣớc (2014), “Ổn định hóa hệ song tuyến liên
tục với bộ điều khiển dự báo”, Tạp chí Khoa học Công nghệ - Đại học Thái Nguyên, 20(6), tr. 73 - 79.
3. Phạm Hữu Đức Dục (2009), Mạng nơron & ứng dụng trong điều khiển tự động,
Nhà xuất bản Khoa học và Kỹ thuật.
4. Nguyễn Công Định, Nguyễn Thanh Hải (2012), Điều khiển phi tuyến trên cơ sở mạng nơron nhân tạo, Nhà xuất bản Khoa học và Kỹ thuật.
5. Cao Tiến Huỳnh (2002), “Tổng hợp hệ điều khiển trƣợt, thích nghi cho các đối tƣợng có trễ”, Tuyển tập các báo cáo khoa học Hội nghị toàn quốc lần thứ V về Tự động hóa, Hà Nội, tr. 181 - 186.
6. Cao Tiến Huỳnh (2005), “Tổng hợp hệ điều khiển thích nghi cho các đối tƣợng có trễ”, Tuyển tập các báo cáo khoa học hội nghị toàn quốc lần thứ VI về Tự động hóa, Hà Nội, tr. 288 - 293.
7. Bùi Quốc Khánh, Phạm Quang Đăng, Nguyễn Huy Phƣơng, Vũ Thụy Nguyên (2014), Điều khiển quá trình, Nhà xuất bản Khoa học và Kỹ thuật.
8. Nguyễn Thúc Loan, Nguyễn Thị Phƣơng Hà, Huỳnh Thái Hoàng (2002), “Điều
khiển dự báo hệ phi tuyến dựa vào mô hình mờ”, Tuyển tập các báo cáo khoa học Hội nghị toàn quốc lần thứ V về Tự động hóa, Hà Nội, tr. 95 - 100.
9. Nguyễn Doãn Phƣớc (2009), Lý thuyết điều khiển nâng cao, Nhà xuất bản Khoa học và Kỹ thuật.
10. Nguyễn Doãn Phƣớc, Phan Xuân Minh (2005), Nhận dạng hệ thống điều khiển, Nhà xuất bản Khoa học và Kỹ thuật.
11. Trần Quang Tuấn (2012), Về một phương pháp điều khiển thích nghi mờ cho đối tượng phi tuyến bất định, Luận án tiến sĩ, Trƣờng Đại học Bách khoa Hà Nội.
Tiếng Anh
12. Ai Wu, Peter K., Tam S. (2002), “Stable Fuzzy Neural Tracking control of a class of unknown Nonlinear Systems Based on Fuzzy Hierarchy Error Approach”, IEEE Trans. on Fuzzy Systems, Vol. 10, No. 6, pp. 779 - 789.
13. Angrick C. (2007), Nonlinear model predictive control of time-delay systems,
Student thesis, University of Stuttgart.
14. Atkeson C. G., Moore A. W., Shaal S. (1996), “Locally weighted learning for control”, Artificial Intelligence Review, Vol. 11, No. 5, pp. 75 - 113.
15. Bemporad A., Morari M. (2004), “Robust model predictive control: A survey”,
In Proc. of European Control Conference, Porto, Portugal, pp. 939 - 944.
16. Cahse A. J., Hovakimyan N., Idan M. (2001), “Adaptive output feedback control of Nonlinear Systems using neural networks”, Automatica, Vol. 37, No. 8, pp. 1201 - 1211.
17. Camacho, Bordons (2007), Model Predictive Control, Springer Venlag.
18. Cannon M. R., Slotine J. J. E. (1995), Space - frequency localized basis function and Control neuro computing, Vol. 9, pp. 293 - 342.
19. Chang Boon Low, Khuan Holm Nah, Meng Joo Er (2004), Real-time implimentation of a dynamic fuzzy neural networks controller for a SCARA, Journal of the Institution of Engineers, Singapore, Vol. 26, pp. 449 - 461.
20. Chen H., Allgower F. (1998), “A quasi-infinite horizon nonlinear model
predictive control scheme with guaranteed stability”, Automatica 34(10), De Souza, Delay-dependent stab, pp. 1205 - 1218.
21. Chen F. C., Liu C. C. (1994), “Adaptively cotrolling nonlinear continuous-time systems using multilayer neural networks”, IEEE Transaction on Automatic Control, AC. 39, pp. 1306 - 1310.
22. Chiman Kwan, Lewis L., Darren M. (1998), “Robust Neural Networks Control
of Rigid-Link Electrically Driven Robots”, IEEE Trans. On Neural Networks, Vol. 9, No. 4, pp. 581 - 588. (adsbygoogle = window.adsbygoogle || []).push({});
23. Choi J. Y., Farrell J. A. (2001), “Nonlinear adaptive control using networks of piecewise linear appproximators”, IEEE Trans. On Neural Networks, Vol. 11, No. 2, pp. 390 - 401.
24. Christopher E., Sarah K. (1998), Sliding Model Control Theory and Applications, Taylor & Francis, UK.
25. Cutler C. R., Ramaker B. C. (1980), Dynamic matrix control a computer control algorithm, in Automatic Control Conference, San Francisco.
26. Daniel E. Rivera (1999), Internal model control: A comprehensive view, Dept. of Chemical, Bio and Materials Eng., Arizona State University, Tempe, USA.
27. Eric Coulibaly, Sandip Maitis, Coleman Brosilow W. (1995), “Internal Model Predictive Control (IMPC)”, Automacticka, Vol. 31, No. 10, pp. 1471 - 1482.
28. Farrell J. A., Zhao Y. (2006), “Self - organizing approximation based control”, In Proc. Amer. Control Conf. Minneapolis, MN, pp. 3378 - 3384.
29. Farrell J. A., Polycarpou M. M. (2006), Adaptive Approximation Base Control Unifying Neural, Fuzzy and Traditional Adaptive Approximation Approaches, Hoboken, Wiley.
30. Frank Allgower, Rolf Findeisen, Christian Ebenbauer (2010), Nolinear Model Predictive Control, Stuttgart.
31. Froisy J. (1994), “Model predictive control: Past, present and future”, In ISA Transactions, Vol. 33, pp. 235 - 243.
32. Gantmakker Ph. R. (1977), Matrix Theory, Nauka, Moscow.
33. Han C., Liu X., Zhang H. (2008), “Robust model predictive control for continuous uncertain systems with state delay”, Journal of Control Theory and Applications, 6 (2), pp. 189-194.
34. Haralambos Sarimveis, George Bafas (2003), “Fuzzy model predictive control ofnon-linear processes using genetic algorithms”, Fuzzy Sets and Systems 139, Elsevier B.V. All rights reserved, pp. 59 - 80.
35. Hartman E. J., Keeler J. D., Kowalski J. M. (1990), “Layered neural networks with Gaussian hidden units as universal approximations”, Neural Comput, 2(2), pp. 210 -2 15.
36. Heinrich Rake, Matthias Wellers (2000), “Nonlinear Model Predictive Control Based on Stable Wiener and Hammerstein Models”, Nonlinear Model Predictive Control Progress in Systems and Control Theory, Vol. 26, pp. 357 - 366.
37. Hu X. B. and Chen W. H. (2004), “Model predictive control for constrained systems with uncertain state-delays”, International Journal of Robust and Nonlinear Control, 14(17), pp. 1421 - 1432.
38. Huang S. N., Tan K. K., Lee T. H. (2001), “A combined PID/ Adaptive controller for a class of nonlinear systems”, Automatica, (37) pp. 611 - 618. 39. Jin L., Nikiforuk P. N, Gupta M. M. (2005), “Direct adaptive output tracking control
using multilayered neural networks”, IEE Proceedings D., No. 140, pp. 393 - 398.
40. Jinkun Liu (2013), Radial Basis Function (RBF) Neural Network Control for Mechanical Systems, Springer Venlag.
41. Junhong N., Derek L. (1995), Fuzzy - Neural Control Principles Algorithm and Applications, Prentice Hall, Europe.
42. Kantner M. (1997), Nonlinear MPC lower bounds via robust simulation, American Control Conference, Vol. 3, pp. 1633 - 1644.
43. Kwon W. H., Lee Y. S., Han S. H. (2001), “Receding horizon predictive control for nonlinear time-delay systems”, In International Conference on Control, Automation and Systems, Cheju National University Jeju, Korea, pp. 107 - 111.
44. Li D., Xi Y. (2011), “Nonstrained feedback robust model predictive control for polytopic uncertain systems with time delays”, International Journal of Systems Science, 42 (10), pp. 1651 - 1660.
45. Li C., Shi G. (2013), “Weights optimization for multi-instance multi-label RBF
neural networks using steepest descent method”,Neural Computing and Applications, Vol. 22, No. 7- 8, pp. 1563 - 1569.
46. Lin J., Liu Y. (2002), “Efficient gradient descent method of RBF neural networks with adaptive learning rate”,Journal of Electronics, Vol. 19, No. 3, pp. 255 - 258.
47. Liuping Wang (2008), Model Predictive Control System Design and
Implementation Using MATLAB, Springer Venlag.
48. Lyu S., Wu C., Zhang S. (2013), “Application of the RBF method to the estimation of temperature on the external surface in laminar pipe flow”, Mathematical Problems in Engineering, Vol. 2013, Article ID 205169, 11 pages.
49. Marcus Reble (2013), Model Predictive Control for Nonlinear Continuous-Time Systems with and without Time-Delays, University Stuttgart.
50. Mayne D. Q., Rawlings J. B., Rao C.V., Seokaert P. O. M. (2000), “Constrained model predictive control: stability and optimality”, Automatica, Vol. 36, pp. 789 - 814. (adsbygoogle = window.adsbygoogle || []).push({});
51. Maciej Lawrynczuk (2014), Computationally Efficient Model Predictive Control Algorithms A Neural Network Approach, Springer International Publishing Switzerland.
52. Marcus Reble, Frank Allgower (2013), Stabilizing design parameters for model predictive control of constrained nonlinear time-delay systems, Institute for Systems Theory and Automatic Control (IST), University of Stuttgart, Germany.
53. Martin T. Hagan, Howard B. Demuth, Orlando De Jes (2002), “An introduction to the use of neural networks incontrol systems”, International Journal of Robust and Nonlinear Control, Int. J. Robust Nonlinear Control, pp. 959 - 985.