Tổng quan luận án

Hệ thống phi tuyến tồn tại các thành phần bất định, nhiễu động và đặc tính trễ gây trở ngại lớn trong việc thiết lập mô hình toán học giải tích chính xác. Các phương pháp điều khiển truyền thống dựa trên mô hình toán học giải tích khó đáp ứng các chỉ tiêu chất lượng khi độ phức tạp của đối tượng tăng cao. Các kỹ thuật tính toán mềm dựa trên logic mờ, mạng nơ-ron nhân tạo và giải thuật tối ưu hóa tiến hóa đã được nghiên cứu nhằm giải quyết bài toán này. Tuy nhiên, mô hình mờ truyền thống khi áp dụng cho các hệ nhiều ngõ vào, nhiều ngõ ra (MIMO) gặp phải hiện tượng bùng nổ số lượng luật mờ theo hàm số mũ, làm gia tăng khối lượng tính toán. Bên cạnh đó, các cấu trúc mờ phân cấp (Hierarchical Fuzzy) hiện có còn cứng nhắc, khó tùy biến cấu trúc khi thay đổi số lượng biến. Trong lĩnh vực điều khiển, các bộ điều khiển thích nghi thông thường thường khởi tạo tham số ban đầu một cách ngẫu nhiên, làm ảnh hưởng đến chất lượng đáp ứng trong giai đoạn khởi động; đồng thời các tiếp cận điều khiển kết hợp giải thuật tối ưu hóa ngẫu nhiên thường thiếu chứng minh tính ổn định giải tích theo lý thuyết Lyapunov.

Mục tiêu nghiên cứu của luận án được xác định gồm 4 nội dung cụ thể:

  1. Đề xuất mô hình Fuzzy nhiều lớp kết hợp giải thuật tiến hóa vi sai (Differential Evolution - DE) để nhận dạng và điều khiển hệ phi tuyến đa biến MIMO có trễ.
  2. Đề xuất giải thuật huấn luyện ghép tầng nhằm huấn luyện mô hình Fuzzy nhiều lớp một cách tuần tự, giúp tăng độ chính xác và giảm thời gian tính toán so với phương pháp huấn luyện đồng thời.
  3. Phát triển giải thuật điều khiển trượt mờ thích nghi (AFSMC) với hàm thích nghi mới thu gọn, tích hợp giải thuật tối ưu để xác định tham số ban đầu cho bộ điều khiển.
  4. Phát triển giải thuật điều khiển mô hình ngược thích nghi (AIMFC) sử dụng mô hình Fuzzy nhiều lớp tối ưu hóa bằng giải thuật DE kết hợp mô hình mờ thích nghi, bảo đảm tính ổn định tiệm cận theo tiêu chuẩn Lyapunov.

Đối tượng và phạm vi nghiên cứu:

  • Đối tượng mô phỏng và kiểm chứng thuật toán: Hệ bồn nước đôi liên kết (hệ 4 bồn nước với 2 bơm, là hệ MIMO phi tuyến có trễ và tác động chéo), hệ xe - lò xo - giảm chấn (Spring-Mass-Damper - SMD).
  • Đối tượng thực nghiệm: Hệ tay máy cơ khí nén nhân tạo song song (Pneumatic Artificial Muscles - PAM 2 bậc tự do PAM 2-DOF và PAM 1-DOF), hệ bồn nước liên kết thực nghiệm.
  • Phạm vi nghiên cứu: Các hệ phi tuyến một ngõ vào một ngõ ra (SISO) và nhiều ngõ vào nhiều ngõ ra (MIMO) có trễ thuộc lớp đối tượng có thể điều khiển ổn định bằng bộ điều khiển PID; trong đó các giải thuật điều khiển đề xuất tập trung kiểm chứng thực nghiệm trên cấu hình SISO/MISO.

Tổng quan tài liệu và vị trí của luận án

Luận án đã hệ thống hóa các hướng nghiên cứu liên quan đến nhận dạng và điều khiển hệ phi tuyến:

  • Về mô hình mờ trong nhận dạng: Kể từ công trình nền tảng về logic mờ của Zadeh (1965), mô hình mờ Takagi-Sugeno (T-S) (1985) đã được áp dụng rộng rãi. Các giải thuật di truyền phân cấp (HGA) và giải thuật di truyền (GA) đã được sử dụng để huấn luyện mô hình mờ T-S và hệ phi tuyến trên Matlab/Simulink. Giải thuật tối ưu bầy đàn (PSO) được áp dụng để tối ưu cấu trúc mờ trong bài toán phân lớp. Đối với các đối tượng cơ cấu chấp hành khí nén nhân tạo, giải thuật MGA được dùng để huấn luyện mô hình mờ hồi quy phi tuyến ngõ vào ngoại sinh (NARX). Mô hình mờ phân cấp do Raju (1991) đề xuất gồm nhiều lớp mờ liên kết nhằm giảm số lượng luật mờ, tiếp tục được phát triển bởi Sun và Huo trong điều khiển thiết bị bay, Rodríguez và cộng sự với mô hình mờ CMAC. Tu và cộng sự tiếp cận mô hình mờ nhiều lớp trong mạng mờ - nơ-ron; Li và cộng sự đề xuất mô hình mờ nhiều lớp làm bộ quan sát; Bagis so sánh mô hình Sugeno và Mamdani tối ưu bằng giải thuật bầy ong (ABC); Tavoosi và cộng sự kết hợp mờ loại 2 với mạng nơ-ron hàm cơ sở xuyên tâm (RBFN); Aleksovski và cộng sự nghiên cứu mô hình mờ tuyến tính cho hệ MIMO.
  • Về giải thuật tối ưu hóa: Giải thuật tiến hóa vi sai (DE) do R. Price và Storn giới thiệu (1997) được chứng minh có khả năng tìm kiếm nghiệm toàn cục tốt hơn PSO và tốc độ tính toán nhanh hơn GA. Konar đã so sánh DE, PSO, ABC trên mô hình mờ nhiều lớp nhận dạng hệ MIMO.
  • Về điều khiển trượt mờ thích nghi: Bộ điều khiển trượt (Sliding Mode Controller - SMC) có tính bền vững cao trước nhiễu và bất định nhưng tồn tại hiện tượng chattering và đòi hỏi biết phương trình toán học. Các nghiên cứu kết hợp SMC với mạng nơ-ron hoặc mô hình mờ T-S nhằm xấp xỉ các hàm phi tuyến chưa biết. Các cấu trúc trượt mờ thích nghi lai đã được xây dựng dựa trên lý thuyết ổn định Lyapunov, tuy nhiên luật thích nghi thường phức tạp và tiêu tốn tài nguyên tính toán.

Khoảng trống nghiên cứu được luận án giải quyết bao gồm:

  • Giảm số lượng luật mờ của mô hình mờ khi áp dụng cho hệ MIMO từ cấp số mũ xuống cấp số cộng.
  • Khắc phục tính cứng nhắc của mô hình phân cấp truyền thống bằng cấu trúc mờ nhiều lớp linh hoạt sử dụng phép cộng tổng (SUM) ở ngõ ra.
  • Giảm thời gian tính toán và tránh rơi vào cực trị địa phương trong quá trình tối ưu hóa tham số mô hình thông qua giải thuật huấn luyện ghép tầng.
  • Giải quyết vấn đề chọn lựa tham số khởi tạo của bộ điều khiển thích nghi thông qua giải thuật tối ưu hóa toàn cục DE, đồng thời thiết lập chứng minh ổn định theo tiêu chuẩn Lyapunov.

Cơ sở lý thuyết và phương pháp nghiên cứu

Luận án xây dựng trên các nền tảng lý thuyết và công cụ phân tích sau:

  • Giải thuật tiến hóa vi sai (DE): Tối ưu hóa tham số dựa trên quần thể kích thước $NP$ qua các thế hệ ($G$), gồm 4 bước chính:
    1. Khởi tạo: Tạo ngẫu nhiên $NP$ cá thể trong không gian tìm kiếm $D$ chiều.
    2. Đột biến: Tạo vector đột biến $v_i^G = x_{r1}^G + F \cdot (x_{r2}^G - x_{r3}^G)$ với các chỉ số ngẫu nhiên $r_1, r_2, r_3$ và hệ số đột biến $F \in [0, 2]$.
    3. Lai ghép: Tạo cá thể thử nghiệm $u_i^G$ dựa trên hệ số lai ghép $CR \in [0, 1]$.
    4. Chọn lọc: So sánh giá trị hàm mục tiêu (trung bình bình phương sai số - MSE) giữa cá thể gốc $x_i^G$ và cá thể thử nghiệm $u_i^G$ để chọn cá thể cho thế hệ $G+1$.
  • Bộ điều khiển trượt (SMC): Áp dụng cho hệ phi tuyến SISO bậc $n$: $\dot{x}^{(n)} = f(X,t) + g(X,t)u$. Mặt trượt được xác định theo sai số $e = x - x_d$: $s = c_1 e + c_2 \dot{e} + \dots + e^{(n-1)}$ với các hệ số $c_i$ thỏa mãn chuẩn Routh-Hurwitz. Hàm Lyapunov $V = \frac{1}{2}s^2$ bảo đảm điều kiện ổn định $\frac{1}{2}\frac{d}{dt}(s^2) \le -\eta |s|$. Hiện tượng chattering được suy giảm bằng việc sử dụng hàm bão hòa $\text{sat}(s)$ thay thế cho hàm $\text{sign}(s)$.
  • Mô hình Fuzzy nhiều lớp: Cấu trúc mô hình nhiều ngõ vào một ngõ ra (MISO) được tổ hợp từ các khối mờ Takagi-Sugeno (T-S) 2 ngõ vào 1 ngõ ra. Mỗi ngõ vào sử dụng 3 hàm liên thuộc dạng tam giác hoặc Gauss. Ngõ ra của từng luật mờ là một hằng số. Độ đúng của luật mờ $w_i = \min(F_1(x), F_2(y))$, giải mờ bằng phương pháp trọng tâm (COG), và ngõ ra tổng hợp của khối MISO là tổng đại số (khâu SUM) của $M$ khối T-S: $y = \sum_{m=1}^M \text{Output_TS}_m$.
Tiêu chí cấu trúc Mô hình Fuzzy truyền thống (4 vào, 1 ra) Mô hình Fuzzy nhiều lớp đề xuất (4 vào, 1 ra)
Số lượng hàm liên thuộc mỗi ngõ vào 3 hàm (tam giác/Gauss) 3 hàm (tam giác/Gauss)
Số lượng khối mờ T-S thành phần 1 khối mờ tổng quát 3 khối mờ T-S (mỗi khối 2 vào, 1 ra)
Tổng số luật mờ $3^4 = 81$ luật $3 \times (3^2) = 27$ luật
Số tham số chỉnh định hàm liên thuộc 12 tham số $3 \times 6 = 18$ tham số
Tổng số biến cần tối ưu (MISO) 93 biến 45 biến
Tổng số biến cần tối ưu (MIMO 2 ngõ ra) 186 biến 90 biến

Phương pháp nghiên cứu thực hiện qua 3 bước: phân tích lý thuyết toán học; mô phỏng số trên môi trường Matlab/Simulink; và kiểm chứng thực nghiệm trên phần cứng.

Nguồn tư liệu và dữ liệu thực nghiệm:

  • Thu thập dữ liệu thực nghiệm trên hệ bồn nước đôi liên kết Quanser với cảm biến áp suất Freescale MPX10, cơ cấu bơm 24V (lưu lượng 10 lít/phút), mạch vi điều khiển ARM 32-bit kết nối máy tính qua công cụ Realtime Windows Target trong Matlab.
  • Thời gian lấy mẫu: $T_s = 0,1\text{ s}$. Tín hiệu điện áp kích thích thay đổi từ $7,5\text{V}$ đến $15\text{V}$ theo chu kỳ $10\text{ s}$. Tín hiệu đo từ cảm biến được xử lý qua bộ lọc Kalman.

Nội dung chính theo từng chương

Chương 1: Giới thiệu

Chương này phân tích tính cấp thiết của đề tài xuất phát từ các khó khăn khi nhận dạng và điều khiển hệ phi tuyến có trễ và tham số bất định. Tác giả tổng quan tình hình nghiên cứu về mô hình mờ T-S, mô hình mờ phân cấp, các giải thuật tối ưu hóa tiến hóa (GA, PSO, DE, ABC) và các cấu trúc điều khiển trượt mờ thích nghi. Từ đó, chương xác định mục tiêu nghiên cứu, đối tượng nghiên cứu, phạm vi ứng dụng và bố cục 5 chương của luận án.

Chương 2: Cơ sở lý thuyết

Chương 2 trình bày cơ sở toán học của giải thuật tối ưu hóa tiến hóa vi sai (DE), phân tích các tham số ảnh hưởng ($NP, F, CR, G$) và so sánh hiệu quả tính toán của DE với GA và PSO. Tiếp theo, chương thiết lập cơ sở lý thuyết điều khiển trượt cho hệ phi tuyến $n$ bậc, xây dựng mặt trượt $s$ và hàm Lyapunov chứng minh tính ổn định tiệm cận. Cuối cùng, chương phân tích cấu trúc mô hình Fuzzy nhiều lớp, so sánh chi tiết số lượng biến cấu hình với mô hình mờ kinh điển và mô hình mờ phân cấp của Raju.

Chương 3: Nhận dạng hệ phi tuyến dùng mô hình Fuzzy nhiều lớp

Chương 3 áp dụng mô hình Fuzzy nhiều lớp và giải thuật huấn luyện ghép tầng vào bài toán nhận dạng mô hình thuận và mô hình ngược cho các hệ phi tuyến có trễ:

  • Hệ bồn nước đôi liên kết: Mô hình toán học gồm hệ 4 phương trình vi phân phi tuyến:

$$\frac{dx_1}{dt} = \frac{K\gamma_1 u_1 - b_1 c \sqrt{2g x_1}}{A_1}$$

$$\frac{dx_2}{dt} = \frac{K(1-\gamma_2) u_2 + b_1 c \sqrt{2g x_1} - b_2 c \sqrt{2g x_2}}{A_2}$$

$$\frac{dx_3}{dt} = \frac{K\gamma_2 u_2 - b_3 c \sqrt{2g x_3}}{A_3}$$

$$\frac{dx_4}{dt} = \frac{K(1-\gamma_1) u_1 + b_3 c \sqrt{2g x_3} - b_4 c \sqrt{2g x_4}}{A_4}$$

Thông số vật lý mô hình bồn nước liên kết Ký hiệu Giá trị Đơn vị
Đường kính trong của Bể 1, 2, 3, 4 $A_1, A_2, A_3, A_4$ 16,619 $\text{cm}^2$
Đường kính ống thoát Bể 1, Bể 3 $b_1, b_3$ 0,5027 $\text{cm}^2$
Đường kính ống thoát Bể 2, Bể 4 $b_2, b_4$ 0,3318 $\text{cm}^2$
Hệ số dẫn lưu của ngõ ra $c$ 0,8 Không thứ nguyên
Gia tốc trọng trường $g$ 981 $\text{cm/s}^2$
Hằng số bơm $K$ 6,6 $\text{cm}^3/(\text{V}\cdot\text{s})$
Tỉ số dòng chảy Bể 1 với Bể 4 $\gamma_1$ 70 $%$
Tỉ số dòng chảy Bể 2 với Bể 3 $\gamma_2$ 65 $%$
  • Thiết lập tham số giải thuật DE và kết quả nhận dạng:
Bài toán nhận dạng (Hệ bồn nước) Kích thước quần thể ($NP$) Số thế hệ tối đa ($GEN$) Hệ số lai ghép ($CR$) Hệ số đột biến ($F$) Kết quả hàm mục tiêu / Sai số
Mô hình thuận (Ngõ ra bồn 2: $x_2$) 200 750 0,9 0,01 Đạt tối thiểu 0,0113 sau 625 thế hệ
Mô hình thuận (Ngõ ra bồn 4: $x_4$) 200 750 0,9 0,01 Đạt tối thiểu 0,0127 sau 750 thế hệ
Mô hình ngược (Điện áp bơm 1: $u_1$) 200 1000 0,1 0,1 Sai số huấn luyện và đánh giá $\le \pm 0,1\text{V}$
Mô hình ngược (Điện áp bơm 2: $u_2$) 200 1000 0,1 0,1 Hội tụ nhanh về $10^{-2}$ dưới 100 thế hệ

Thời gian tính toán cho quá trình huấn luyện mô hình thuận 750 thế hệ khoảng 45 phút trên bộ xử lý CPU Core i5-2.

  • Nhận dạng hệ cánh tay máy PAM song song và kỹ thuật huấn luyện ghép tầng: Mô hình mờ nhiều lớp được kiểm chứng trên hệ PAM 2-DOF. Quá trình huấn luyện ghép tầng thực hiện tuần tự qua 3 lần huấn luyện từng tầng thay vì huấn luyện toàn bộ cấu trúc đồng thời, giúp rút ngắn thời gian tính toán và giảm giá trị hàm mục tiêu so với phương pháp thông thường.

Chương 4: Điều khiển thích nghi hệ phi tuyến dùng mô hình Fuzzy nhiều lớp kết hợp giải thuật tối ưu

Chương 4 thiết kế và kiểm chứng hai giải thuật điều khiển thích nghi:

  • Giải thuật điều khiển trượt mờ nâng cao (AFSMC) kết hợp giải thuật tối ưu:
    • Sử dụng mô hình Fuzzy nhiều lớp nhận dạng trước hai hàm phi tuyến $f(X,t)$ và $g(X,t)$ của hệ thống, xác định bộ tham số khởi tạo ban đầu thông qua giải thuật DE.
    • Thiết kế luật thích nghi mới thu gọn hơn các cấu trúc truyền thống và chứng minh tính ổn định tiệm cận theo tiêu chuẩn Lyapunov.
    • Kiểm chứng thực nghiệm trên mô hình tay máy PAM 1 bậc tự do (PAM 1-DOF) dưới 4 điều kiện tải trọng: không tải, tải $100\text{g}$, tải $200\text{g}$, và tải $500\text{g}$. Kết quả đáp ứng vị trí của AFSMC được so sánh đối sánh với các bộ điều khiển Fuzzy-PID, mờ thích nghi (AF) và PID truyền thống, cho thấy sai số bám quỹ đạo thấp hơn và tính thích nghi cao khi thay đổi tải trọng.
  • Giải thuật điều khiển ngược thích nghi nâng cao (AIMFC):
    • Cấu trúc gồm hai thành phần: mô hình mờ ngược nhiều lớp được tối ưu hóa cố định bằng giải thuật DE (đáp ứng chất lượng khi hệ không đổi) kết hợp luật điều khiển mờ thích nghi trực tuyến (bù đắp sai lệch khi hệ có biến động và bảo đảm ổn định Lyapunov).
    • Kiểm chứng qua mô phỏng trên hệ xe - lò xo - giảm chấn (SMD) và hệ bồn nước liên kết thông qua 5 kịch bản thí nghiệm (Thí nghiệm A, B, C, D, E). Kết quả đánh giá bằng tiêu chuẩn tích phân bình phương sai số cho thấy bộ điều khiển đề xuất cải thiện chất lượng bám trong giai đoạn khởi động và giảm thời gian quá độ so với các phương pháp đối chứng.

Chương 5: Kết luận và kiến nghị

Chương 5 tổng hợp toàn bộ các kết quả nghiên cứu lý thuyết, kết quả mô phỏng và kết quả thực nghiệm đạt được trong luận án, đồng thời đề xuất các hướng phát triển tiếp theo của đề tài.

Kết quả và những đóng góp mới

Luận án tự tổng kết các đóng góp khoa học và thực tiễn chính như sau:

Đóng góp về mặt khoa học:

  1. Nghiên cứu và phát triển mô hình Fuzzy nhiều lớp bằng cách kết hợp nhiều khối mờ T-S với khâu cộng tổng SUM ở ngõ ra, giúp giảm số lượng luật mờ từ quy luật hàm số mũ xuống quy luật cấp số cộng và cho phép mở rộng linh hoạt theo độ phức tạp của đối tượng.
  2. Phát triển giải thuật huấn luyện ghép tầng áp dụng cho mô hình Fuzzy nhiều lớp, tối ưu hóa tuần tự từng tầng mờ giúp tăng độ chính xác của mô hình và giảm thời gian tính toán so với phương pháp huấn luyện đồng thời.
  3. Thiết kế giải thuật điều khiển trượt mờ nâng cao kết hợp giải thuật tối ưu DE để xác định trước các tham số khởi tạo ban đầu, đi kèm luật thích nghi mới gọn hơn và có chứng minh ổn định tiệm cận theo tiêu chuẩn Lyapunov.
  4. Xây dựng giải thuật điều khiển ngược thích nghi (AIMFC) kết hợp giữa mô hình mờ ngược nhiều lớp tối ưu hóa bằng DE và luật mờ thích nghi, giải quyết bài toán suy giảm chất lượng điều khiển trong giai đoạn khởi động của các bộ điều khiển thích nghi thông thường.

Đóng góp về mặt thực tiễn:

  1. Triển khai ứng dụng thành công mô hình Fuzzy nhiều lớp trong nhận dạng hệ bồn nước đôi liên kết và hệ cánh tay máy PAM song song, làm giảm số lượng biến cấu hình (từ 186 biến xuống 90 biến cho mô hình MIMO 2 ngõ ra), từ đó tiết kiệm tài nguyên tính toán và chi phí phần cứng.
  2. Ứng dụng kỹ thuật nhận dạng ghép tầng vào bài toán nhận dạng hộp đen thực tế, cải thiện chất lượng hàm mục tiêu và rút ngắn thời gian huấn luyện mô hình.
  3. Ứng dụng giải thuật điều khiển trượt mờ nâng cao điều khiển vị trí cánh tay máy PAM 1-DOF, loại bỏ quy trình thử sai cảm tính khi chọn hệ số bộ điều khiển.
  4. Triển khai giải thuật điều khiển ngược thích nghi trên hệ bồn nước liên kết và hệ Spring-Mass-Damper (SMD), đạt chất lượng điều khiển ổn định trong giai đoạn khởi động với chi phí tính toán thấp.

Kiến nghị: Tiếp tục ứng dụng cấu trúc mô hình Fuzzy nhiều lớp và các giải thuật điều khiển kết hợp tối ưu - thích nghi vào các hệ thống tự động hóa công nghiệp có đặc tính phi tuyến và trễ phức tạp.

Hạn chế và hướng nghiên cứu tiếp

Hạn chế được ghi nhận trong luận án:

  • Phạm vi thực nghiệm điều khiển: Các kiểm chứng thực nghiệm đối với giải thuật điều khiển đề xuất mới thực hiện trên các hệ SISO/MISO (PAM 1-DOF, hệ bồn nước, hệ SMD); tác giả chưa thực hiện đầy đủ các thực nghiệm điều khiển trên hệ MIMO đa biến do giới hạn về điều kiện thực nghiệm.
  • Phạm vi dữ liệu nhận dạng: Độ chính xác của mô hình nhận dạng phụ thuộc trực tiếp vào tập dữ liệu thu thập. Khi tập dữ liệu huấn luyện không bao quát các điểm hoạt động cực trị (như trường hợp mực nước đạt độ cao tối đa ở mẫu thứ 800 trong Chương 3), mô hình mờ nhận dạng sẽ xuất hiện sai lệch tại các vùng biên này.

Hướng nghiên cứu tiếp theo:

  • Mở rộng kiểm chứng thực nghiệm các giải thuật điều khiển thích nghi kết hợp tối ưu cho hệ thống MIMO đa biến có trễ.
  • Mở rộng không gian thu thập dữ liệu vào - ra nhằm nâng cao khả năng bao quát trạng thái của mô hình nhận dạng trong toàn bộ dải hoạt động.

Giá trị tham khảo

Luận án cung cấp tài liệu tham khảo cho các đối tượng sau:

  • Nghiên cứu sinh, học viên cao học và giảng viên ngành Kỹ thuật Điều khiển và Tự động hóa, Cơ điện tử, Robotics: Tham khảo phương pháp xây dựng cấu trúc mô hình mờ nhiều lớp, phương pháp huấn luyện ghép tầng và quy trình chứng minh tính ổn định Lyapunov cho bộ điều khiển thông minh.
  • Kỹ sư nghiên cứu và phát triển (R&D): Tham khảo cấu trúc phần cứng thu thập dữ liệu thời gian thực sử dụng ARM 32-bit kết hợp Matlab Realtime Windows Target, thuật toán nhận dạng hệ bồn nước và kỹ thuật điều khiển vị trí cơ cấu cơ khí nén nhân tạo PAM.

Các nội dung đáng tham khảo chuyên sâu:

  • Kỹ thuật giảm số lượng biến cấu hình mô hình mờ MIMO (Chương 2 và Chương 3).
  • Lưu đồ và tham số thiết lập giải thuật tiến hóa vi sai DE cho bài toán nhận dạng thuận và ngược (Chương 3).
  • Cấu trúc luật thích nghi thu gọn và sơ đồ khối điều khiển AFSMC, AIMFC (Chương 4).

Câu hỏi thường gặp

  1. Mô hình Fuzzy nhiều lớp đề xuất giúp giảm số lượng biến cấu hình như thế nào so với mô hình mờ truyền thống? Đối với bài toán nhận dạng hệ 4 ngõ vào, 1 ngõ ra sử dụng 3 hàm liên thuộc cho mỗi ngõ vào: mô hình mờ kinh điển yêu cầu $3^4 = 81$ luật mờ và 12 tham số hàm liên thuộc, tổng cộng là 93 biến (186 biến cho hệ MIMO 2 ngõ ra). Mô hình Fuzzy nhiều lớp đề xuất gồm 3 khối mờ T-S 2 ngõ vào 1 ngõ ra, mỗi khối có 9 luật mờ và 6 tham số hàm liên thuộc (15 biến/khối), tổng cộng chỉ cần 45 biến cho mô hình MISO và 90 biến cho mô hình MIMO 2 ngõ ra. Số lượng luật mờ giảm từ quy luật hàm mũ sang cấp số cộng.

  2. Giải thuật tiến hóa vi sai (DE) được thiết lập với các thông số nào trong bài toán nhận dạng hệ bồn nước đôi liên kết? Trong nhận dạng mô hình thuận, DE được thiết lập với $NP = 200$ cá thể, chạy tối đa $GEN = 750$ thế hệ, hệ số lai ghép $CR = 0,9$, hệ số đột biến $F = 0,01$; hàm mục tiêu đạt $0,0113$ sau 625 thế hệ cho ngõ ra $x_2$ và $0,0127$ sau 750 thế hệ cho ngõ ra $x_4$. Trong nhận dạng mô hình ngược, DE chạy tối đa $GEN = 1000$ thế hệ, $NP = 200$, $CR = 0,1$, $F = 0,1$; sai số huấn luyện và đánh giá nằm trong khoảng $\pm 0,1\text{V}$, hàm mục tiêu hội tụ về $10^{-2}$ trong dưới 100 thế hệ.

  3. Phương pháp huấn luyện ghép tầng (cascade training) có nguyên lý hoạt động và ưu điểm gì? Huấn luyện ghép tầng là phương pháp huấn luyện tuần tự từng tầng của mô hình Fuzzy nhiều lớp thay vì tối ưu hóa đồng thời toàn bộ 45 hoặc 90 biến. Quá trình thực hiện qua các lần huấn luyện nối tiếp từ tầng đầu vào đến các tầng tiếp theo. Kết quả kiểm chứng cho thấy phương pháp này giảm thời gian tính toán của giải thuật tối ưu và đạt giá trị hàm mục tiêu tốt hơn so với phương pháp huấn luyện đồng thời thông thường.

  4. Bộ điều khiển trượt mờ thích nghi đề xuất khắc phục nhược điểm nào của các bộ điều khiển thích nghi thông thường? Các bộ điều khiển thích nghi thông thường khởi tạo tham số ban đầu ngẫu nhiên, dẫn đến chất lượng đáp ứng kém trong giai đoạn khởi động. Giải pháp đề xuất sử dụng mô hình Fuzzy nhiều lớp tối ưu hóa bằng giải thuật DE để nhận dạng trước các hàm phi tuyến $f(X,t)$ và $g(X,t)$, từ đó xác định chính xác các tham số khởi tạo ban đầu, kết hợp với luật thích nghi thu gọn trực tuyến bảo đảm tính ổn định tiệm cận theo tiêu chuẩn Lyapunov.

  5. Luận án sử dụng các hệ thống thực nghiệm nào để kiểm chứng thuật toán? Luận án sử dụng hai đối tượng thực nghiệm: hệ bồn nước liên kết (đo mức nước bằng cảm biến áp suất MPX10 qua bộ lọc Kalman, điều khiển bơm 24V thông qua vi điều khiển ARM 32-bit và Matlab Realtime Windows Target với chu kỳ lấy mẫu $0,1\text{s}$) và hệ cánh tay máy cơ khí nén nhân tạo song song (PAM 2-DOF cho bài toán nhận dạng, PAM 1-DOF cho bài toán điều khiển vị trí với các mức tải $0\text{g}, 100\text{g}, 200\text{g}, 500\text{g}$).

Kết luận

Luận án của tác giả Cao Văn Kiên đã giải quyết bài toán nhận dạng và điều khiển hệ phi tuyến có trễ thông qua việc phát triển mô hình Fuzzy nhiều lớp kết hợp giải thuật tiến hóa vi sai (DE). Đề tài đã đề xuất giải thuật huấn luyện ghép tầng giúp giảm độ phức tạp tính toán của mô hình mờ và xây dựng hai cấu trúc điều khiển thích nghi (AFSMC và AIMFC) có chứng minh ổn định tiệm cận theo tiêu chuẩn Lyapunov. Các kết quả nghiên cứu lý thuyết đã được kiểm chứng qua mô phỏng trên hệ xe - lò xo - giảm chấn (SMD) và thực nghiệm trên hệ bồn nước đôi liên kết cùng hệ cánh tay máy cơ khí nén nhân tạo PAM.