Luận văn Thạc sĩ: Ứng dụng Mạng Nơ Ron Nhận Dạng và Điều Khiển Hệ Thống Nâng Từ

Tìm hiểu luận văn thạc sĩ về ứng dụng mạng nơ ron để nhận dạng, điều khiển hệ thống nâng từ. Khám phá giải pháp tự động hóa hiệu quả.

• Tác giả: Phạm Thanh Thảo
• Người hướng dẫn: TS. Nguyễn Hoài Nam
• Trường học: Trường Đại học Kỹ thuật Công nghiệp, Đại học Thái Nguyên
• Chuyên ngành: Kỹ thuật điều khiển và Tự động hóa
• Đề tài: Ứng dụng Mạng Nơ-ron Nhận Dạng và Điều Khiển Hệ Thống Nâng Từ
• Loại tài liệu: Luận văn Thạc sĩ Kỹ thuật
• Năm xuất bản: 2015
• Địa điểm: Thái Nguyên

Mục lục chi tiết

• LỜI CAM ĐOAN
• LỜI CẢM ƠN
• MỤC LỤC
• DANH MỤC CÁC HÌNH VẼ
• 1. CHƯƠNG I: CƠ SỞ LÝ THUYẾT MẠNG NƠRON
• 1.1. Nơ-ron sinh học
• 1.2. Chức năng, tổ chức và hoạt động của bộ não con người
• 1.3. Mạng nơron sinh học
• 1.4. Mạng nơ ron nhân tạo
• 1.5. Các tính chất cơ bản của mạng nơ ron nhân tạo
• 1.6. Các thành phần cơ bản của mạng nơ ron nhân tạo
• 1.7. Cấu trúc mạng nơ-ron
• 1.8. Phân loại mạng nơ-ron
• 1.9. Quá trình thiết kế mạng nơ-ron
• 1.10. Ứng dụng mạng nơ-ron nhận dạng và điều khiển
• 1.10.1. Nhận dạng hệ thống
• 1.10.2. Điều khiển theo mô hình mẫu
• 2. CHƯƠNG II: TỔNG QUAN VỀ HỆ THỐNG NÂNG TỪ
• 2.1. Giới thiệu về hệ thống nâng từ
• 2.2. Mô hình của hệ thống nâng từ
• 2.3. Ứng dụng mạng nơ ron nhận dạng mô hình toán của hệ thống nâng từ
• 2.3.1. Huấn luyện mạng hở
• 2.3.2. Huấn luyện mạng kín
• 2.4. Ứng dụng mạng nơ-ron điều khiển hệ thống nâng từ theo mô hình mẫu
• 2.4.1. Huấn luyện mạng hở
• 2.4.2. Huấn luyện mạng kín
• 3. CHƯƠNG III: THIẾT KẾ, CHẾ TẠO HỆ THỐNG NÂNG TỪ
• 3.1. Thiết kế và chế tạo hệ thống nâng từ trong phòng thí nghiệm
• 3.2. Mô hình thí nghiệm hệ thống nâng từ
• 3.3. Card điều khiển arduino
• 3.4. Thiết kế bộ điều khiển PI cho hệ thống nâng từ thực
• 3.5. Sơ đồ hệ thống điều khiển sử dụng bộ điều khiển PI
• 3.6. Kết quả điều khiển sử dụng bộ điều khiển PI
• 4. CHƯƠNG IV: ỨNG DỤNG MẠNG NƠ-RON NHẬN DẠNG VÀ ĐIỀU KHIỂN HỆ THỐNG NÂNG TỪ
• 4.1. Ứng dụng mạng nơ ron nhận dạng và điều khiển hệ thống nâng từ thực
• 4.1.1. Huấn luyện mạng hở
• 4.1.2. Huấn luyện mạng kín
• 4.2. Ứng dụng mạng nơ-ron điều khiển hệ thống nâng từ thực
• 4.2.1. Huấn luyện mạng hở
• 4.2.2. Huấn luyện mạng kín
• KẾT LUẬN VÀ KIẾN NGHỊ
• TÀI LIỆU THAM KHẢO
• DANH MỤC CÁC HÌNH VẼ

Tóm tắt

I. Tổng Quan Mạng Nơ Ron Giải Pháp Cho Hệ Thống Nâng Từ

Trong bối cảnh công nghiệp hóa hiện đại, hệ thống nâng từ (Magnetic Levitation - Maglev) nổi lên như một công nghệ đột phá với nhiều ứng dụng quan trọng, từ tàu đệm từ tốc độ cao đến các ổ trục không ma sát và robot công nghiệp. Tuy nhiên, bản chất của hệ thống nâng từ là một hệ phi tuyến cao và không ổn định ở vòng hở. Điều này đặt ra một thách thức lớn cho việc thiết kế các bộ điều khiển hiệu quả, có khả năng duy trì vị trí của vật thể một cách chính xác và bền vững. Các phương pháp điều khiển truyền thống thường gặp khó khăn trong việc mô hình hóa hệ thống một cách chính xác do sự phức tạp và các yếu tố thay đổi trong thực tế. Đây là lúc mạng nơ-ron nhân tạo (Artificial Neural Network - ANN) thể hiện vai trò vượt trội của mình. Lấy cảm hứng từ cấu trúc não bộ con người, mạng nơ-ron sở hữu khả năng học và xấp xỉ các hàm phi tuyến phức tạp từ dữ liệu thực tế. Thay vì phải xây dựng một mô hình toán học cứng nhắc, mạng nơ-ron có thể "học" trực tiếp động học của hệ thống nâng từ thông qua quá trình huấn luyện. Khả năng này mở ra một hướng đi mới cho lĩnh vực điều khiển thông minh, cho phép xây dựng các bộ điều khiển thích nghi, linh hoạt và có hiệu suất cao hơn, đặc biệt là với các đối tượng khó mô hình hóa như hệ thống nâng từ. Nghiên cứu của Phạm Thanh Thảo (2015) đã chứng minh tiềm năng to lớn của việc ứng dụng mạng nơ-ron để vừa nhận dạng, vừa điều khiển hệ thống nâng từ, tạo ra một giải pháp toàn diện và hiệu quả.

1.1. Giới thiệu hệ thống nâng từ và thách thức phi tuyến

Hệ thống nâng từ hoạt động dựa trên nguyên lý sử dụng lực từ để nâng và giữ một vật thể lơ lửng mà không cần tiếp xúc vật lý. Ứng dụng phổ biến nhất là đệm từ trong các hệ thống vận tải tốc độ cao và các ổ trục công nghiệp, giúp loại bỏ ma sát, giảm tiếng ồn và tăng hiệu quả năng lượng. Tuy nhiên, lực từ phụ thuộc phi tuyến vào dòng điện trong cuộn dây và khoảng cách đến vật thể. Mối quan hệ này làm cho hệ thống trở nên vốn dĩ không ổn định. Bất kỳ một nhiễu loạn nhỏ nào cũng có thể khiến vật thể rơi xuống hoặc bị hút chặt vào nam châm điện. Do đó, việc duy trì ổn định hệ thống là bài toán cốt lõi. Việc mô hình hóa hệ thống bằng các phương trình vi phân cổ điển thường chỉ chính xác xung quanh một điểm làm việc nhất định và không thể hiện đầy đủ các đặc tính của một hệ phi tuyến phức tạp trong toàn bộ dải hoạt động.

1.2. Mạng nơ ron nhân tạo Nền tảng của điều khiển thông minh

Mạng nơ-ron nhân tạo là một hệ thống xử lý song song, có khả năng học hỏi từ kinh nghiệm và tổng quát hóa từ các mẫu dữ liệu. Cấu trúc của mạng bao gồm các nơ-ron (nút xử lý) được kết nối với nhau qua các trọng số. Quá trình học (huấn luyện) chính là việc điều chỉnh các trọng số này để đầu ra của mạng khớp với đầu ra mong muốn. Trong lĩnh vực điều khiển, mạng nơ-ron được coi là một công cụ xấp xỉ hàm vạn năng. Điều này có nghĩa là chúng có thể mô phỏng gần như bất kỳ hệ thống động học nào, kể cả các hệ phi tuyến phức tạp nhất. Chính đặc tính này làm cho mạng nơ-ron trở thành nền tảng cho các phương pháp điều khiển thông minh và điều khiển thích nghi, nơi bộ điều khiển có thể tự điều chỉnh để đáp ứng với sự thay đổi của hệ thống hoặc môi trường.

II. Thách Thức Điều Khiển Hệ Nâng Từ Hạn Chế Của PID

Việc điều khiển hệ thống nâng từ đặt ra những thách thức đáng kể do đặc tính động học phức tạp của nó. Vấn đề cốt lõi nằm ở tính phi tuyến và sự không ổn định cố hữu. Lực nâng từ không tỷ lệ tuyến tính với dòng điện điều khiển và khoảng cách, khiến việc xây dựng một mô hình toán học chính xác trở nên vô cùng khó khăn. Hơn nữa, hệ thống này rất nhạy cảm với các nhiễu loạn bên ngoài và sự thay đổi của các tham số như khối lượng vật nâng. Các phương pháp điều khiển cổ điển, đặc biệt là bộ điều khiển PID (Proportional-Integral-Derivative), mặc dù phổ biến và dễ triển khai, nhưng lại bộc lộ nhiều hạn chế khi áp dụng cho hệ thống nâng từ. Bộ điều khiển PID hoạt động hiệu quả nhất với các hệ thống tuyến tính hoặc được tuyến tính hóa quanh một điểm làm việc cụ thể. Khi hệ thống hoạt động xa điểm này, chất lượng điều khiển của PID sẽ suy giảm đáng kể, dẫn đến dao động lớn, thời gian xác lập dài và thậm chí mất ổn định hệ thống. Luận văn của Phạm Thanh Thảo (2015) đã chỉ ra rằng, khi điều khiển hệ thống nâng từ thực nghiệm bằng PI, hệ thống mất tới 8 giây để ổn định và có dao động lớn trong quá trình quá độ. Điều này cho thấy sự cần thiết của một phương pháp điều khiển thông minh hơn, có khả năng xử lý hiệu quả tính phi tuyến và mang lại một hệ thống điều khiển bền vững hơn.

2.1. Phân tích đặc tính hệ phi tuyến và sự bất ổn định

Đặc tính hệ phi tuyến của hệ thống nâng từ xuất phát từ phương trình mô tả lực điện từ, vốn là một hàm phức tạp của dòng điện và vị trí. Điều này có nghĩa là đáp ứng của hệ thống không tỷ lệ thuận với tín hiệu vào. Ví dụ, một sự thay đổi nhỏ trong điện áp điều khiển có thể gây ra một sự thay đổi lớn về vị trí khi vật ở gần nam châm, nhưng lại gây ra thay đổi nhỏ khi ở xa. Sự bất ổn định vòng hở là một đặc điểm khác. Nếu không có điều khiển, vật thể sẽ không thể tự duy trì ở một vị trí cân bằng. Nó sẽ bị hút dính vào nam châm hoặc rơi xuống do trọng lực. Do đó, bộ điều khiển phải hoạt động liên tục và chính xác để chống lại các lực này và duy trì ổn định hệ thống.

2.2. Giới hạn của bộ điều khiển PID trong thực tế

Bộ điều khiển PID là một giải pháp kinh điển trong tự động hóa, nhưng hiệu quả của nó phụ thuộc vào việc có một mô hình tuyến tính tương đối chính xác của đối tượng. Đối với hệ thống nâng từ, việc tuyến tính hóa chỉ mang tính cục bộ. Khi giá trị đặt thay đổi hoặc có nhiễu loạn lớn, mô hình tuyến tính hóa không còn đúng, dẫn đến hiệu suất điều khiển kém. Việc dò tìm thông số Kp, Ki, Kd cho bộ điều khiển PID cũng là một thách thức. Một bộ thông số tối ưu cho một điểm làm việc có thể không còn phù hợp cho điểm làm việc khác. Điều này làm cho hệ thống thiếu tính linh hoạt và khả năng thích ứng, hay còn gọi là điều khiển bền vững, trước những thay đổi không lường trước được trong môi trường vận hành.

III. Phương Pháp Nhận Dạng Hệ Thống Nâng Từ Bằng Mạng Nơ Ron

Để vượt qua thách thức mô hình hóa hệ thống, phương pháp nhận dạng hệ thống sử dụng mạng nơ-ron nhân tạo đã được áp dụng. Mục tiêu của quá trình này là xây dựng một mô hình nơ-ron có khả năng "bắt chước" chính xác hành vi động học của hệ thống nâng từ thực. Thay vì cố gắng viết ra các phương trình toán học phức tạp, mạng nơ-ron học mối quan hệ giữa đầu vào (điện áp điều khiển) và đầu ra (vị trí vật nâng) từ một tập dữ liệu thực nghiệm. Quá trình này bao gồm hai giai đoạn chính: thu thập dữ liệu và huấn luyện mạng. Dữ liệu được thu thập bằng cách tác động các tín hiệu điện áp đa dạng vào hệ thống thực và ghi lại đáp ứng vị trí tương ứng. Dữ liệu này sau đó được sử dụng để huấn luyện mạng nơ-ron. Cấu trúc mạng thường được sử dụng cho bài toán này là mạng truyền thẳng nhiều lớp, và thuật toán huấn luyện phổ biến là thuật toán lan truyền ngược (Backpropagation), đặc biệt là biến thể Levenberg-Marquardt (trainlm trong MATLAB Simulink) vì tốc độ hội tụ nhanh và độ chính xác cao. Theo nghiên cứu, một cấu trúc mạng hồi quy như mô hình NARX (Nonlinear AutoRegressive with eXogenous inputs) cũng rất phù hợp, vì nó cho phép mô hình hóa các hệ thống động học có nhớ, trong đó đầu ra hiện tại không chỉ phụ thuộc vào đầu vào hiện tại mà còn cả các giá trị đầu vào và đầu ra trong quá khứ.

3.1. Quy trình mô hình hóa hệ thống bằng mạng nơ ron

Quy trình nhận dạng hệ thống bắt đầu bằng việc thiết kế thí nghiệm để thu thập dữ liệu vào-ra. Một tín hiệu đầu vào phong phú, chẳng hạn như chuỗi các bước nhảy với biên độ và thời gian ngẫu nhiên, được đưa vào hệ thống nâng từ. Đáp ứng vị trí của vật nâng được ghi lại đồng bộ. Tập dữ liệu này sau đó được chia thành ba phần: tập huấn luyện (training), tập kiểm tra (validation), và tập thử nghiệm (testing). Tập huấn luyện được dùng để cập nhật trọng số của mạng. Tập kiểm tra dùng để theo dõi quá trình học và tránh hiện tượng học vẹt (overfitting). Cuối cùng, tập thử nghiệm được dùng để đánh giá hiệu năng của mạng nơ-ron đã huấn luyện trên dữ liệu hoàn toàn mới. Mục tiêu là tìm ra một cấu trúc mạng (số lớp ẩn, số nơ-ron mỗi lớp) và một bộ trọng số sao cho sai số giữa đầu ra của mạng và đầu ra thực tế là nhỏ nhất.

3.2. Huấn luyện mạng với thuật toán lan truyền ngược

Thuật toán lan truyền ngược là phương pháp cốt lõi để huấn luyện mạng nơ-ron có giám sát. Quá trình hoạt động theo hai pha. Ở pha lan truyền xuôi, tín hiệu đầu vào được đưa qua mạng để tính toán đầu ra. Ở pha lan truyền ngược, sai số giữa đầu ra của mạng và đầu ra thực tế được tính toán. Sai số này sau đó được lan truyền ngược từ lớp ra về lớp vào, và các trọng số của mạng được điều chỉnh theo hướng giảm thiểu sai số. Biến thể Levenberg-Marquardt tối ưu hóa quá trình này bằng cách kết hợp phương pháp Gradient Descent và phương pháp Gauss-Newton, giúp hội tụ nhanh hơn và ổn định hơn, rất phù-hợp cho các bài toán nhận dạng hệ thống phi tuyến.

IV. Hướng Dẫn Thiết Kế Bộ Điều Khiển Mạng Nơ Ron Tối Ưu

Sau khi đã có một mô hình nơ-ron nhận dạng chính xác hệ thống nâng từ, bước tiếp theo là thiết kế một bộ điều khiển cũng dựa trên mạng nơ-ron nhân tạo. Cấu trúc điều khiển được lựa chọn là điều khiển theo mô hình mẫu (Model Reference Control). Ý tưởng của phương pháp này là định ra một "mô hình mẫu" lý tưởng, có các đặc tính động học mong muốn (ví dụ: đáp ứng nhanh, không vọt lố, ổn định). Nhiệm vụ của bộ điều khiển nơ-ron là tạo ra tín hiệu điều khiển sao cho đầu ra của hệ thống nâng từ thực bám theo chính xác đầu ra của mô hình mẫu. Đây là một dạng điều khiển thích nghi, vì bộ điều khiển liên tục điều chỉnh dựa trên sai lệch giữa hệ thống thực và mô hình lý tưởng. Quá trình huấn luyện bộ điều khiển nơ-ron được thực hiện trong môi trường mô phỏng MATLAB Simulink. Toàn bộ hệ thống lúc này bao gồm: mô hình mẫu, bộ điều khiển nơ-ron và mô hình nơ-ron nhận dạng đối tượng (đã huấn luyện ở bước trước). Trong quá trình huấn luyện, chỉ có các trọng số của bộ điều khiển nơ-ron được cập nhật bằng thuật toán lan truyền ngược, trong khi mô hình đối tượng được giữ cố định. Cách tiếp cận này đảm bảo ổn định hệ thống và hiệu suất điều khiển bền vững.

4.1. Cấu trúc điều khiển thích nghi theo mô hình mẫu

Cấu trúc điều khiển theo mô hình mẫu bao gồm ba thành phần chính. Đầu tiên là mô hình mẫu, thường là một hệ tuyến tính bậc hai có các thông số được chọn để đạt được đáp ứng mong muốn (ví dụ: tần số dao động tự nhiên, hệ số tắt dần). Thứ hai là bộ điều khiển mạng nơ-ron, nhận tín hiệu tham chiếu và tín hiệu phản hồi từ hệ thống để tạo ra tín hiệu điều khiển. Thứ ba là hệ thống nâng từ (trong quá trình huấn luyện là mô hình nơ-ron nhận dạng). Sai số giữa đầu ra của hệ thống thực và đầu ra của mô hình mẫu được sử dụng để điều chỉnh các trọng số của bộ điều khiển nơ-ron. Phương pháp này thuộc nhóm học máy trong điều khiển, cho phép bộ điều khiển tự "học" cách điều khiển tối ưu để đạt được hành vi mong muốn.

4.2. Kỹ thuật huấn luyện bộ điều khiển trong môi trường mô phỏng

Việc huấn luyện trực tiếp bộ điều khiển nơ-ron trên hệ thống thực có thể nguy hiểm do nguy cơ mất ổn định. Do đó, quá trình huấn luyện được thực hiện an toàn và hiệu quả trong môi trường mô phỏng MATLAB Simulink. Mô hình nơ-ron nhận dạng đóng vai trò là "bản sao số" của hệ thống thực. Bằng cách kết nối bộ điều khiển nơ-ron với mô hình này, ta có thể thực hiện hàng ngàn chu kỳ huấn luyện mà không ảnh hưởng đến thiết bị vật lý. Tương tự như quá trình nhận dạng, việc huấn luyện bộ điều khiển cũng thường được chia thành hai giai đoạn: huấn luyện mạng hở để có các giá trị trọng số ban đầu tốt, sau đó chuyển sang huấn luyện mạng kín để tinh chỉnh và đạt được hiệu suất cuối cùng. Kỹ thuật này đảm bảo quá trình học hội tụ và giúp ổn định hệ thống điều khiển.

V. Kết Quả Thực Nghiệm Mạng Nơ Ron Vượt Trội PID Ra Sao

Hiệu quả của bộ điều khiển mạng nơ-ron nhân tạo được kiểm chứng và so sánh trực tiếp với bộ điều khiển PID truyền thống trên mô hình hệ thống nâng từ thực nghiệm. Các kết quả, được ghi nhận trong nghiên cứu của Phạm Thanh Thảo (2015), đã cho thấy sự vượt trội rõ rệt của phương pháp điều khiển thông minh. Trong khi bộ điều khiển PID (cụ thể là PI) gây ra dao động đáng kể và cần khoảng 8 giây để đưa hệ thống về trạng thái cân bằng, bộ điều khiển nơ-ron lại cho đáp ứng nhanh hơn, mượt mà hơn và gần như không có vọt lố. Hệ thống đạt được ổn định hệ thống chỉ trong một khoảng thời gian ngắn hơn nhiều. Sự khác biệt này đến từ khả năng xử lý tính phi tuyến của mạng nơ-ron. Không giống như PID bị giới hạn bởi một mô hình tuyến tính hóa, bộ điều khiển nơ-ron đã "học" được toàn bộ bản chất phi tuyến của hệ thống nâng từ, cho phép nó đưa ra các tín hiệu điều khiển chính xác hơn trên toàn dải hoạt động. Hơn nữa, khả năng điều khiển thích nghi của cấu trúc điều khiển theo mô hình mẫu giúp hệ thống duy trì hiệu suất cao ngay cả khi có nhiễu loạn, chứng tỏ tính điều khiển bền vững của giải pháp. Những kết quả này khẳng định rằng học máy trong điều khiển là một hướng đi đầy hứa hẹn để giải quyết các bài toán điều khiển phức tạp.

5.1. So sánh hiệu năng và chất lượng đáp ứng của hệ thống

Việc so sánh hiệu năng được thực hiện bằng cách đưa cùng một tín hiệu đặt (setpoint) vào hệ thống được điều khiển bởi hai bộ điều khiển khác nhau. Kết quả đáp ứng được ghi lại và phân tích dựa trên các chỉ số chất lượng như: thời gian xác lập (settling time), độ vọt lố (overshoot), và sai số xác lập (steady-state error). Bộ điều khiển mạng nơ-ron thể hiện ưu thế ở cả ba chỉ số: thời gian xác lập ngắn hơn, độ vọt lố gần như bằng không, và sai số xác lập nhỏ. Điều này cho thấy khả năng bám theo tín hiệu mẫu một cách chính xác và hiệu quả, đảm bảo ổn định hệ thống nhanh chóng.

5.2. Đánh giá khả năng kháng nhiễu và tính bền vững

Một bài kiểm tra quan trọng khác là khả năng kháng nhiễu. Trong thí nghiệm, sau khi hệ thống đã ổn định tại vị trí đặt, một tác động vật lý (nhiễu) được đưa vào vật nâng. Kết quả cho thấy hệ thống sử dụng bộ điều khiển nơ-ron có khả năng phục hồi về vị trí mong muốn nhanh hơn và với ít dao động hơn so với hệ thống dùng PID. Khả năng này chứng tỏ tính bền vững và mạnh mẽ của bộ điều khiển. Nó không chỉ hoạt động tốt trong điều kiện lý tưởng mà còn có thể duy trì hiệu suất khi đối mặt với những thay đổi và nhiễu loạn không lường trước, một yếu tố cực kỳ quan trọng trong các ứng dụng công nghiệp thực tế.

VI. Tương Lai Mạng Nơ Ron Học Máy Trong Điều Khiển Tự Động

Thành công trong việc áp dụng mạng nơ-ron nhân tạo để nhận dạng và điều khiển hệ thống nâng từ không chỉ là một giải pháp cho một bài toán cụ thể mà còn mở ra một chân trời mới cho lĩnh vực điều khiển tự động. Nó chứng tỏ rằng các kỹ thuật học máy trong điều khiển có thể giải quyết hiệu quả các hệ phi tuyến phức tạp, nơi mà các phương pháp cổ điển gặp nhiều giới hạn. Trong tương lai, xu hướng này sẽ tiếp tục phát triển mạnh mẽ. Các kiến trúc mạng nơ-ron tiên tiến hơn như mạng nơ ron hồi quy (RNN) và Long Short-Term Memory (LSTM) có thể được áp dụng để mô hình hóa các hệ thống có động học phụ thuộc vào thời gian phức tạp hơn nữa. Hơn nữa, sự kết hợp giữa mạng nơ-ron và các phương pháp điều khiển thông minh khác như bộ điều khiển mờ (Fuzzy Logic) hứa hẹn sẽ tạo ra các hệ thống điều khiển lai (neuro-fuzzy) mạnh mẽ, kết hợp khả năng học của nơ-ron và khả năng suy luận dựa trên luật của logic mờ. Việc tích hợp các thuật toán học tăng cường (Reinforcement Learning) cũng là một hướng đi đầy tiềm năng, cho phép bộ điều khiển tự tìm ra chiến lược điều khiển tối ưu thông qua quá trình thử và sai trong môi trường mô phỏng. Những tiến bộ này sẽ thúc đẩy việc tạo ra các hệ thống tự động thông minh hơn, linh hoạt hơn và đạt được mức độ điều khiển bền vững cao hơn trong tương lai.

6.1. Tiềm năng ứng dụng của học máy trong các hệ thống khác

Phương pháp luận được trình bày không chỉ giới hạn ở hệ thống nâng từ. Nó có thể được mở rộng cho rất nhiều hệ thống cơ điện tử phức tạp khác như tay máy robot, phương tiện tự hành, các quy trình hóa học, và hệ thống năng lượng. Bất kỳ hệ thống nào có đặc tính phi tuyến, khó mô hình hóa hệ thống bằng phương pháp truyền thống, đều là ứng viên tiềm năng cho các giải pháp dựa trên học máy trong điều khiển. Khả năng học từ dữ liệu giúp giảm đáng kể thời gian và chi phí cho việc thiết kế và tinh chỉnh bộ điều khiển.

6.2. Hướng phát triển Kết hợp Nơ ron và Logic Mờ Neuro Fuzzy

Một hướng phát triển hấp dẫn là hệ thống Neuro-Fuzzy. Hệ thống này sử dụng mạng nơ-ron nhân tạo để tự động tạo ra và tinh chỉnh các luật mờ cho một bộ điều khiển mờ (Fuzzy Logic). Logic mờ cho phép mô tả hệ thống bằng các quy tắc ngôn ngữ gần với tư duy con người (ví dụ: "nếu vật ở quá cao, hãy giảm dòng điện một chút"). Trong khi đó, mạng nơ-ron sẽ tối ưu hóa các định nghĩa "quá cao" hay "một chút" này dựa trên dữ liệu thực tế. Sự kết hợp này tận dụng điểm mạnh của cả hai phương pháp, tạo ra các bộ điều khiển vừa thông minh, vừa dễ diễn giải và hiệu quả cao.

Trích đoạn nội dung tài liệu

Chương I: Cơ sở lý thuyết mạng nơ ron Số hóa bởi Trung tâm Học liệu – ĐHTN http://www.vn download by : [e-mail] Chương II: Tổng quan về hệ thống nâng từ Chương III: Thiết kế, chế tạo hệ thống nâng từ Chương IV: Ứng dụng mạng nơ ron nhận dạng và điều khiển hệ thống nâng từ CHƢƠNG I CƠ SỞ LÝ THUYẾT MẠNG NƠRON 1. Nơ-ron sinh học 1. Chức năng, tổ chức và hoạt động của bộ não con ngƣời Bộ não người có chức năng hết sức quan trọng trong đời sống của con người. Nó gần như kiểm soát hầu hết mọi hành vi của con người từ các hoạt Số hóa bởi Trung tâm Học liệu – ĐHTN http://www.vn download by : [e-mail] động cơ bắp đơn giản đến những hoạt động phức tạp như học tập, nhớ, suy luận, tư duy, sáng tạo,.

Bộ não người được hình thành từ sự liên kết của khoảng 10 11 phần tử (tế bào), trong đó có khoảng 1010 phần tử là nơron, số còn lại khoảng 9*1010 phần tử là các tế bào thần kinh đệm và chúng có nhiệm vụ phục vụ cũng như hỗ trợ cho các nơron. Thông thường một bộ não trung bình cân nặng khoảng 1,5 kg và có thể tích là 235 cm3, cho đến nay người ta vẫn chưa thực sự biết rõ cấu tạo chi tiết của bộ não. Tuy vậy về đại thể thì cấu tạo não bộ được phân chia ra thành nhiều vùng khác nhau. Mỗi vùng có thể kiểm soát một hay nhiều hoạt động của con người.

Bộ não có cấu trúc nhiều lớp. Lớp bên ngoài thường thấy như là các nếp nhăn, là lớp có cấu tạo phức tạp nhất. Đây là nơi kiểm soát và phát sinh các hành động phức tạp như nghe, nhìn, tư duy,. Hoạt động của bộ não nói riêng và của hệ thần kinh nói chung đã được con người quan tâm nghiên cứu từ lâu nhưng cho đến nay người ta vẫn chưa hiểu rõ thực sự về hoạt động của bộ não và hệ thần kinh.

Đặc biệt là trong các hoạt động liên quan đến trí óc như suy nghĩ, nhớ, sáng tạo,. Tuy thế cho đến nay, người ta cũng có những hiểu biết căn bản về hoạt động cấp thấp của não. Mỗi nơron liên kết với khoảng 104 nơron khác, cho nên khi hoạt động thì bộ não hoạt động một cách tổng lực và đạt hiệu quả cao. Nói một cách khác là các phần tử của não hoạt động một cách song song và tương tác hết sức tinh vi phức tạp, hiệu quả hoạt động thường rất cao, nhất là trong các vấn đề phức tạp, về tốc độ xử lý của bộ não người rất nhanh mặc dù tốc độ xử lý của mỗi nơron (có thể xem như phần tử xử lý hay phần tử tính) là rất chậm so với xử lý của các cổng logic silicon trong các chíp vi xử lý (10-3 giây so với 10-10 giây).

Số hóa bởi Trung tâm Học liệu – ĐHTN http://www.vn download by : [e-mail] Hoạt động của cả hệ thống thần kinh bao gồm não bộ và các giác quan như sau: Trước hết con người bị kích thích bởi giác quan từ bên ngoài hoặc trong cơ thể. Sự kích thích đó được biến thành các xung điện bởi chính các giác quan tiếp nhận kích thích. Những tín hiệu này được chuyển về trung ương thần kinh là não bộ để xử lý. Trong thực tế não bộ liên tục nhận thông tin xử lý, đánh giá và so sánh với thông tin lưu trữ để đưa ra các quyết định thích đáng.

Những mệnh lệnh cần thiết được phát sinh và gửi đến những bộ phận thi hành thích hợp như các cơ tay, chân,. Những bộ phận thi hành biến những xung điện thành dữ liệu xuất của hệ thống. Tóm lại: bộ não người có chức năng hết sức quan trọng đối với đời sống của con người. Cấu tạo của nó rất phức tạp, tinh vi bởi được tạo thành từ mạng nơron có hàng chục tỉ tế bào với mức độ liên kết giữa các nơron là rất cao.

Hơn nữa, nó còn được chia thành các vùng và các lớp khác nhau. Bộ não hoạt động dựa trên cơ chế hoạt động song song của các nghìn tạo nên nó. Mạng nơron sinh học * Cấu tạo Nơron là phần tử cơ bản tạo nên bộ não con người. Sơ đồ cấu tạo của một nơron sinh học được chỉ ra như trong hình 3.

Một nơron điển hình có 3 phần chính: Số hóa bởi Trung tâm Học liệu – ĐHTN http://www.vn download by : skknchat@gmail. Mô hình 2 nơron sinh học - Thân nơron (so ma): Nhân của nơron được đặt ở đây. - Các nhánh (dendrite): Đây chính là các mạng dạng cây của các dây thần kinh để nối các soma với nhau. - Sợi trục (Axon): Đây là một nối kết, hình trụ dài và mang các tín hiệu từ đó ra ngoài.

Phần cuối của axon được chia thành nhiều nhánh nhỏ (cả của dendrite và axon) kết thúc trong một cơ quan nhỏ hình củ hành được gọi là synapte mà tại đây các nơron đưa các tín hiệu của nó vào các nơron khác. Những điểm tiếp nhận với các synapte trên các nơron khác có thể ở các dendrite hay chính soma. * Hoạt động Các tín hiệu đưa ra bởi một synapte và được nhận bởi các dendrite là các kích thích điện tử. Việc truyền tín hiệu như trên liên quan đến một quá trình hóa học phức tạp mà trong đó các chất truyền đặc trưng được giải phóng từ phía gửi của nơi tiếp nối.

Điều này làm tăng hay giảm điện thế bên trong thân của nơron nhận. Nơron nhận tín hiệu sẽ kích hoạt (fire) nếu điện thế vượt khỏi một ngưỡng nào đó và một xung (hoặc điện thế hoạt động) với độ mạnh (cường độ) và thời gian tồn tại cố định được gửi ra ngoài thông qua axon tới phần nhánh của nó rồi tới các chỗ nối synapte với các nơron khác. Sau khi kích hoạt, nơron sẽ chờ trong một khoảng thời gian được gọi là chu kỳ, trước khi nó có thể được kích hoạt lại. Synapses là Hưng phấn (excitatory) nếu chúng cho phép các kích thích truyền qua gây ra tình.trạng kích hoạt (fire) đối với nơron nhận.

Ngược lại, chúng là ức chế (inhibitory) nếu các kích thích truyền qua làm ngăn trở trạng thái kích hoạt (fire) của nơron nhận. Mạng nơ ron nhân tạo 1. Mạng nơ ron nhân tạo Mạng nơ ron nhân tạo là việc dùng kỹ thuật tái tạo lại một vài chức năng tương tự như bộ não con người. Mạng nơ ron nhân tạo đã có một lịch sử lâu Số hóa bởi Trung tâm Học liệu – ĐHTN http://www.vn download by : skknchat@gmail.

Culloch và Pitts đã đưa ra khả năng liên kết và một số liên kết cơ bản của một nơron thứ i trong mô hình của mạng nơ ron nhân tạo. - Mỗi nơron có một số đầu vào, những kết nối (Synaptic) và một đầu ra (axon) - Một nơron có thể hoạt động (+35 mV) hoặc không hoạt động (-0,75 mV) - Mỗi nơ-ron chỉ có một đầu ra duy nhất được nối với các đầu vào khác nhau của nơ-ron khác. Nơ-ron có kích hoạt được hay không thì chỉ phụ thuộc những đầu vào hiện thời của chính nó. Có nhiều kiểu nơ-ron nhân tạo khác nhau.2 biểu diễn một kiểu nơ-ron đơn giản.

Mô hình nơron đơn giản. Mạng nơ-ron 3 lớp. Số hóa bởi Trung tâm Học liệu – ĐHTN http://www.vn download by : [e-mail] Kết nối một vài nơron ta được mạng nơron.3 là một mạng nơron gồm 3 lớp: lớp vào, lớp ẩn và lớp ra. Các tính chất cơ bản của mạng nơ ron nhân tạo - Là hệ phi tuyến: Mạng nơ ron có khả năng ứng dụng nhiều trong các lĩnh vực về nhận dạng và điều khiển các đối tượng phi tuyến.

- Là hệ xử lý song song: Mạng nơ ron có cấu trúc song song do đó có tốc độ tính toán rất cao, phù hợp với lĩnh vực nhận dạng và điều khiển. - Là hệ học và thích nghi: Mạng được luyện từ các số liệu quá khứ, có khả năng tự chỉnh khi dữ liệu đầu vào bị mất, có thể điều khiển on-line. Các thành phần cơ bản của mạng nơ ron nhân tạo Mạng nơ-ron nhân tạo được thể hiện bởi ba yếu tố: phần tử xử lý, cấu trúc và ghép nối của các phần tử xử lý, phương pháp huấn luyện để cập nhập các trọng số wij và bias b. Mạng nơ-ron nhân tạo có thể được kết nối bằng nhiều cách khác nhau vì vậy trong thực tế tồn tại rất nhiều kiểu mạng nơ-ron nhân tạo.

Mỗi nơ-ron gồm có nhiều đầu vào và một đầu ra. Trên mỗi đầu vào có gắn một trọng số để liên hệ giữa nơ-ron thứ i với nơ-ron thứ j. Các trọng số này tương tự như các tế bào cảm giác của nơ-ron sinh học. x1 wi1 wij vi yi Σ a(.) xi bi wim Số hóa bởi Trung tâm Học liệu – ĐHTN http://www.vn download by : [e-mail] xm Hình 1.

Mô hình nơ-ron thứ i. xj: Tín hiệu đầu vào thứ j. wij: Trọng số để kết nối giữa xj nơ-ron thứ i. Các đầu vào có trọng số Wj và bộ tổng.

Đầu ra của bộ tổng được sử dụng để quyết định một giá trị của đầu ra thông qua hàm chuyển. Có nhiều loại hàm chuyển khác nhau. Một số loại hàm chuyển thường gặp: + Hàm bước nhảy đơn vị: + Hàm dấu: + Hàm dốc: + Hàm tuyến tính: a(t) = net = t + Hàm logsig: +Hàm tansig: a a a Trung tâm Học liệu – ĐHTN a Số hóa bởi http://www.vn a + 1 + 11 0 t 11download by : skknchat@gmail. Đồ thị các loại hàm truyền Tương tự nơron sinh học của con người, nơron sẽ được kích hoạt nếu tổng giá trị vào vượt quá ngưỡng và không được kích hoạt nếu tổng giá trị vào thấp hơn ngưỡng.

Sự làm việc như vậy của nơron gọi là sự kích hoạt nhảy bậc. Các nơron lớp vào trực tiếp nhận tín hiệu ở đầu vào, ở đó mỗi nơron chỉ có một tín hiệu vào. Mỗi nơ-ron ở lớp ẩn được nối với tất cả các nơ-ron lớp vào và lớp ra. Các nơron ở lớp ra có đầu vào được nối với tất cả các nơron ở lớp ẩn, chúng là đầu ra của mạng.

Cần chú ý rằng một mạng nơron cũng có thể có nhiều lớp ẩn. Các mạng nơron trong đó mỗi nơron chỉ được liên hệ với tất cả các nơron ở lớp kế tiếp và tất cả các mối liên kết chỉ được xây dựng từ trái sang phải được gọi là mạng nhiều lớp truyền thẳng (perceptrons). Số hóa bởi Trung tâm Học liệu – ĐHTN http://www.vn download by : [e-mail] Cấu trúc huấn luyện mạng được chỉ ra trên hình 1. Ở đây, trọng số của mạng được điều chỉnh dựa trên cơ sở so sánh đầu ra với đích mong muốn (target) cho tới khi đầu ra mạng bám lấy đích.

Những cặp vào/đích (input/target) được dùng để giám sát cho sự huấn luyện mạng.