Chương 1. Tổng quan về công nghệ sản xuất thông minh 20 Nhìn vào thuyết tiến hóa của hươu cao cổ, chúng ta thấy được sự xuất hiện của những thành phần sau: quần thể, đột biến, sinh sản, chọn lọc tự nhiên; đây cũng chính là những thành phần trong giải thuật GA. Mối liên hệ giữa các thành phần Để nắm rõ ý tưởng chính của thuật toán, biểu đồ dưới đây mổ tả cụ thể những thành phần và mối liên hệ của chúng. Mối liên hệ giữa các thành phần trong thuật toán a.
Population - Quần thể: Một quần thể ban đầu có những cá thể nhất định với đặc tính khác nhau, những đặc tính này quy định khả năng sinh sản, sinh tồn, khả năng đáp ứng điều kiện môi trường của từng cá thể. Natural Selection - Chọn lọc tự nhiên: Theo thời gian những cá thể yếu hơn, không có khả năng sinh tồn sẽ bị loại bỏ bởi những tác nhân như tranh chấp chuỗi thức ăn, môi trường tác động, loài khác tiêu diệt, … Cuối cùng những cá thể có đặc tính ưu việt hơn sẽ được giữ lại - Adaptive individual. Mutation - Đột biến: Mỗi cá thể con được sinh ra kế thừa lại những đặc tính của cả cha và mẹ. Sau một thời gian sinh sống, một quần thể đạt tới giới hạn các cặp gen của con được tạo nên từ gen của bố mẹ.
Để đạt được tới sự tiến hóa, Đột biến chính là một trong những nguyên nhân chính, có vai trò đóng góp nguyên liệu cho quá trình chọn lọc tự nhiên. Evolution - Tiến hóa: Cá thể đột biến không phải luôn là những cá thể mạnh mẽ và có đủ khả năng sinh tồn, Chọn lọc tự nhiên sẽ chọn ra những cá thể đột biến nhưng có thể thích nghi với môi trường sống tốt hơn những cá thể khác trong quần thể. Sau một thời gian sinh sản, những gen đột biến chiếm ưu thế và chiếm đa số trong quần thể. Tổng quan về công nghệ sản xuất thông minh 21 2.
Bộ điều khiển GA Hình 1. Lưu đồ thuật toán di truyền Xét bài toán tìm mật khẩu, yêu cầu của bài toán như sau: Mật khẩu gồm 8 kí tự (bao gồm chữ cái, chữ số và khoảng trắng). Mỗi lần thử, hệ thống sẽ báo về số lượng kí tự đúng với mật khẩu. Yêu cầu tìm ra chuỗi mật khẩu cho trước.
Thuật toán sẽ dừng lại khi tìm được cá thể đáp ứng được yêu cầu đề ra sau mỗi thế hệ mới. Quá trình sản sinh thế hệ tiếp theo sẽ là một vòng lặp (Evaluation Fitness -> Selection -> Crossover -> Mutation). Chúng ta xây dựng những thành phần chính trong thuật toán để giải quyết bài toán này. Initial Population- Khởi tạo quần thể Tạo quần thể bao gồm những chuỗi 8 kí tự, được sinh ra ngẫu nhiên.
Quần thể những chuỗi 8 kí tự Evaluation Fitness - Đánh giá năng lực cá thể (individual/point) Chương 1. Tổng quan về công nghệ sản xuất thông minh 22 Tiếp theo, mỗi chuỗi mật khẩu sẽ được đánh giá sự chính xác so với mật khẩu cho trước, với mỗi kí tự giống với mật khẩu cho trước tại đúng vị trí sẽ được 1 “point”. Tính toán năng lực – giá trị hợp lý của các cá thể Thành phần “point” ở đây sẽ đại diện cho khả năng sinh tồn của cá thể trong quần thể, “Point” càng lớn tức cá thể đó càng thích nghi với môi trường tốt. Selection - Chọn lọc Sau khi đã đánh giá được quần thể, cá thể có khả năng sinh tồn tốt hơn có cơ hội sinh sản nhiều hơn cá thể còn lại.
Các chuỗi kí tự mật khẩu sẽ được lựa chọn theo số “point” đang có. Chọn lọc cá thể tối ưu trong quần thể các chuỗi kí tự Chương 1. Tổng quan về công nghệ sản xuất thông minh 23 Crossover - Sinh sản Vào giai đoạn sinh sản, các cá thể con được kế thừa các đặc tính từ cả bố và mẹ. Thông thường, cá thể con sẽ nhận một nửa gen từ mỗi bố, mẹ.
Kết hợp ngẫu nhiên các chuỗi ký tự để sản sinh chuỗi mới Cá thể con có thể sẽ thích nghi tốt hơn, hoặc kém hơn. Ngoài ra, có những kiểu lai tạo khác nhau như “2 point”, “Uniform Selection”. Kết hợp theo phương pháp hai điểm Mutation - Đột biến Dễ nhận thấy rằng, nếu chỉ bằng việc sinh ngẫu nhiên và lai tạo, sẽ rất khó để tìm được nghiệm. Trừ khi cá thể khởi tạo phù hợp luôn với yêu cầu đề bài, tức là có Chương 1.
Tổng quan về công nghệ sản xuất thông minh 24 đáp án luôn từ đầu. Đột biến chính là nguyên liệu của chọn lọc tự nhiên, bằng việc lựa chọn ngẫu nhiên các vị trí và thay thế bằng một kí tự ngẫu nhiên nào đó, chúng ta có thể mô phỏng lại hiện tượng đột biến (đột biến điểm). Các cá thể đột biến có thể có khả năng thích nghi tốt hơn (1 → 2), hoặc ngược lại (4 → 3). Quá trình này sẽ lặp lại cho đến khi tìm được đáp án phù hợp.
Ứng dụng Giải thuật di truyền GA được ứng dụng rộng rãi trong tất cả các lĩnh vực. Trong kỹ thuật công nghệ, GA được áp dụng để giải các bài toán tìm nghiệm tối ưu từ đơn giản đến phức tạp, một số ví dụ: - Bộ thông số PID trong điều khiển tuyến tính (tốc độ, gia tốc động cơ, solenoid,…). - Bộ thông số nhiệt độ (thời gian, cường độ nhiệt, thơi gian gia nhiệt…). - Thông số điều khiển trục máy in 3D (thông số trục X, Y, Z).
- Điều khiển tốc độ động cơ không đồng bộ (điện áp, dòng điện, tần số, từ thông). - Điều khiển công suất đường truyền tải điện năng (gia áp, bơm kích, thời gian,…) - Điều khiển hệ thống cơ điện (trọng số gia tăng cường độ ngõ ra tuyến tính cảm biến, thời điểm phối kết giữa các cơ cấu, dòng điện ở biên độ cực trị, điện áp ở biên độ cực trị,…). - Xác định điểm ảnh tối ưu cho robot tự hành sử dụng công nghệ xử lý ảnh. - Xác định điểm bảo hòa của nguồn nuôi trong bo mạch điện tử.
- Xác định góc quay chính xác cho động cơ servo khi sử dụng trong cánh tay robot chính xác,… - Xác định từ trường cực đại trong mô phỏng đánh giá khi sản xuất động cơ. - Tìm nghiệm tối ưu cho cấu trúc hộp đen khi kết hợp GA với các giải thuật khác như mạng thần kinh (Newron network), hệ mờ (Fuzzy logic),…để ứng dụng vào các công việc điều khiển cụ thể. Hộp đen đóng vai trò thu thập thông số đầu vào và cho kết quả đầu ra là dữ liệu cần thiết cho người sử dụng, trong khi đó người sử dụng không cần biết và không có nhu cầu biết cấu tạo và công nghệ được sử dụng trong hộp đen là gì. Điều khiển thích nghi 3.
Khái niệm Điều khiển thích nghi là phương pháp điều khiển thích ứng với sự thay đổi tham số của hệ thống hoặc có điều kiện đầu không chắc chắn. Ví dụ, trong điều khiển một chiếc máy bay, khối lượng của nó sẽ giảm từ từ do việc tiêu thụ nhiên liệu; cần một luật điều khiển để điều chỉnh bản thân nó ứng với các điều kiện thay đổi như vậy. Tổng quan về công nghệ sản xuất thông minh 25 Điều khiển thích nghi khác với điều khiển bền vững ở chỗ nó không cần một thông tin tiên nghiệm về các giới hạn trên các thông số không chắc chắn hoặc thời gian biến đổi; điều khiển bền vững bảo đảm rằng nếu những thay đổi nằm trong giới hạn cho trước, sẽ không cần phải thay đổi luật điều khiển, trong khi điều khiển thích nghi lại liên quan tới việc thay đổi luật điều khiển của chính nó. Bộ điều khiển thích nghi Có hai dạng điều khiển thích nghi: hệ thống điều khiển thích nghi mô hình tham chiếu (MRACs – Model Reference Adaptive Control system) và hệ thống điều khiển thích nghi nhận dạng mô hình (MIACs – Model Identification Adaptive Control system).16 mô tả hệ điều khiển thích nghi mô hình tham chiếu.
Hệ thống sử dụng mô hình có tham số tham chiếu xác định đặc điềm vòng kín mong muốn, kết hợp luật điều khiển để điều chỉnh tham số khi kết quả điều khiển khác so với tham số mong muốn. Điều khiển thích nghi mô hình tham chiếu Hình 1.17 mô tả hệ điều khiển thích nghi nhận dạng mô hình. Hệ thống nhận dạng tham số của hệ thống khi hệ thống đang chạy. Điều khiển thích nghi nhận dạng mô hình Chương 1.
Tổng quan về công nghệ sản xuất thông minh 26 3. Ứng dụng - Điều khiển hệ thống bám mục tiêu: bộ gia nhiệt, máy bay không người lái, robot tự hành, máy pha sơn,… - Điều khiển hệ thống bù bổ chỉnh: cánh tay robot, động cơ máy CNC, … - Điều khiển 4. Mạng thần kinh 4. Khái niệm Mạng thần kinh hay mạng neural (neural network) là một mô hình toán học hay mô hình tính toán được xây dựng dựa trên các mạng neural sinh học.
Mạng này gồm các neural nhân tạo (nút) nối với nhau, xử lý thông tin bằng cách truyền thông tin qua các nút và tính toán giá trị tại mỗi nút mới. Trong nhiều trường hợp, mạng neural là một hệ thống thích ứng tự thay đổi cấu trúc của mình dựa trên các thông tin bên ngoài và bên trong chảy qua mạng trong quá trình học. Nhờ khả năng tự học, mạng neural thích ứng với khả năng thay đổi tập dữ liệu lớn ở ngõ vào vẫn cho kết quả ngõ ra chính xác. Vấn đề chính của mạng neural là chọn hàm toán cho khối hộp đen chính xác để trong quá trình giải và máy học đạt kết quả chính xác.
Bộ điều khiển neural Hình 1. Giải thuật neural với 3 nút ngõ vào 2 nút ngõ ra Hình 1.18 mô tả giải thuật neural với 3 nút ngõ vào và 2 nút ngõ ra; trên thực tế số lượng các nút có thể thay đổi tùy theo tập đầu vào và tập ngõ ra mong muốn. Ví dụ ngõ vào có 2 tập thì chỉ cần 2 nút ngõ vào. Mô tả cấu trúc bộ điều khiển; chương trình sau mô tả cấu trúc bộ neural 2 lớp, 1 nút ngõ vào và một nút ngõ ra.
Chương trình được viết trên file Script của Matlab. Tổng quan về công nghệ sản xuất thông minh 27 net = Neural Network divideMode: 'sample' name: 'Feed-Forward Neural initFcn: 'initlay' Network' performFcn: 'mse' userdata: performParam: .regularization, dimensions: /*kích cỡ mạng .normalization numInputs: 1 plotFcns: {'plotperform', numLayers: 2 plottrainstate, ploterrhist, numOutputs: 1 plotregression} numInputDelays: 0 plotParams: {1x4 cell array of 4 numLayerDelays: 0 params} numFeedbackDelays: 0 trainFcn: 'trainlm' numWeightElements: 10 trainParam: .mu_dec, biasConnect: [1; 1] .