Chương 1 giới thiệu tổng quan về nhận dạng điều khiển hệ phi tuyến, hướng tiếp cận kết hợp mạng nơ rôn nhân tạo và thuật toán tiến hóa. Chương này cũng sẽ trình bày tổng quan tình hình nghiên cứu trong nhận dạng và điều khiển hệ phi tuyến để từ đó đưa ra mục tiêu nghiên cứu trọng tâm của luận án. • Chương 2 trình bày thuật toán tiến hóa vi sai cơ bản, biến thể và các thông số điều khiển của thuật toán; tìm hiểu các nghiên cứu liên quan, thảo luận về các yếu tố ảnh hưởng đến chất lượng hội tụ của thuật toán tiến hóa vi sai; đề xuất các thuật toán tiến hóa vi sai cải tiến; mô phỏng, so sánh và đánh giá hiệu quả của thuật toán trên một số hàm Benchmark thông dụng. • Chương 3 trình bày vấn đề huấn luyện mạng nơ rôn truyền thẳng MLP dùng thuật toán tiến hóa vi sai và các phiên bản cải tiến của thuật toán.
Đề xuất xây dựng mô hình dự báo NNARX ứng dụng trong nhận dạng hệ phi tuyến. Mô phỏng, so sánh và đánh giá chất lượng nhận dạng trên một số hệ phi tuyến SISO và hệ phi tuyến MIMO thông dụng. • Chương 4 giới thiệu tổng quan điều khiển thích nghi dựa vào mô hình nơ rôn ngược; giới thiệu bộ điều khiển FEL; đề xuất xây dựng bộ điều khiển tích hợp PID- INN dựa trên nguyên tắc thiết kế bộ điều khiển FEL dùng mô hình nơ rôn ngược dự báo INN và bộ điều khiển PID, khảo sát tính ổn định của bộ điều khiển PID- INN; mô phỏng, so sánh và đánh giá chất lượng điều khiển trên hệ phi tuyến SISO và MIMO thông dụng. • Chương 5 trình bày kết quả sử dụng bộ điều khiển đề xuất áp dụng cho một số mô hình thực nghiệm đó là hệ cơ cấu chấp hành dùng vật liệu SMA (hệ SISO), tay máy song song PAM 2-DOF (hệ MIMO) và hệ bồn nước liên kết (hệ MIMO).
Phân tích, đánh giá và nhận xét về các kết quả thực nghiệm đạt được. • Cuối cùng, chương 6 tổng kết lại các đóng góp của luận án ở khía cạnh lý thuyết và thực nghiệm vào lĩnh vực nhận dạng và điều khiển hệ phi tuyến. Cuối chương là một số đề xuất về hướng nghiên cứu tiếp theo. 7 CHƯƠNG 1 TỔNG QUAN 1.1 Nhận dạng, điều khiển hệ phi tuyến Điều khiển dựa vào mô hình là phương pháp điều khiển trong đó sử dụng mô hình của đối tượng để tính toán tín hiệu điều khiển ngay cả khi hệ thống điều khiển đang vận hành.
Muốn thiết kế hệ thống điều khiển có chất lượng tốt cần phải biết mô hình của đối tượng. Có hai cách khác nhau để xác định mô hình đối tượng đó là dựa vào hệ thống vật lý hoặc phương pháp nhận dạng hệ thống dựa trên dữ liệu vào-ra quan sát được. Hệ thống phi tuyến với các yếu tố bất định và nhiễu động rất khó để xác định chính xác mô hình toán học của hệ thống. Hơn nữa sự phát triển không ngừng của khoa học công nghệ làm xuất hiện các đối tượng điều khiển có độ phức tạp ngày càng tăng.
Yêu cầu thực tiễn đặt ra là phải điều khiển các hệ thống động ngày càng phức tạp, trong điều kiện các yếu tố bất định ngày càng gia tăng, cũng như yêu cầu chất lượng ngày càng cao. Do đó các hướng tiếp cận điều khiển thông thường dựa trên mô hình toán học gần như không đáp ứng được yêu cầu. Vì thế ngày càng có nhiều nghiên cứu tập trung vào các mô hình và các bộ điều khiển thông minh ứng dụng kỹ thuật tính toán mềm dựa trên mạng nơ rôn nhân tạo, logic mờ và các thuật toán tối ưu tiến hóa để nhận dạng điều khiển các hệ phi tuyến. Sơ đồ khối hệ thống điều khiển dựa trên mô hình nhận dạng được mô tả ở hình 1.
Quá trình thiết kế bộ điều khiển dựa vào mô hình nhận dạng cho các hệ thống phi tuyến bao gồm 3 bước như sau: Hình 1.1 Sơ đồ khối hệ thống điều khiển dựa vào mô hình • Nhận dạng hệ thống: Là xây dựng mô hình toán học của hệ thống dựa trên dữ liệu vào-ra quan sát được. Bốn vấn đề cần giải quyết trong các bài toán nhận dạng là thí 8 nghiệm thu thập dữ liệu, chọn cấu trúc mô hình, chọn tiêu chuẩn ước lượng thông số và đánh giá chất lượng mô hình. Quá trình nhận dạng hệ thống được thực hiện theo sơ đồ trình bày ở hình 1. Chi tiết các bước thực hiện nhận dạng hệ thống được trình bày trong các tài liệu [42], [43].2 Quá trình nhận dạng hệ thống Vấn đề quan trọng và khó nhất trong các bước giải bài toán nhận dạng hệ thống là đưa ra cấu trúc mô hình phù hợp với hệ thống cần nhận dạng.
Dựa vào quan hệ giữa tín hiệu vào và tín hiệu ra cũng như các thông tin biết trước về hệ thống mà ta có thể chọn lựa giữa mô hình tuyến tính hay phi tuyến; mô hình hộp đen, hộp xám hay mô hình thông số vật lý. Một yêu cầu quan trọng khi giải bài toán nhận dạng hệ thống là sử dụng triệt để thông tin biết trước về hệ thống để đưa ra cấu trúc mô hình phù hợp. Tuy nhiên, trong trường hợp chúng ta biết rất ít thậm chí không biết thông tin về hệ thống thì người ta thường sử dụng mô hình hộp đen. Mô hình hộp đen là cấu trúc mô hình chuẩn linh động có thể dùng để xấp xỉ nhiều hệ thống khác nhau.
• Thiết kế bộ điều khiển: Dựa trên các thông tin của mô hình nhận dạng thuận hoặc mô hình ngược để thiết kế bộ điều khiển. Hiện nay, các phương pháp điều khiển dựa vào mô hình phổ biến như điều khiển dựa vào mô hình ngược [44]–[46], điều khiển mô hình nội [47]–[49], điều khiển theo mô hình chuẩn [50]–[52] và điều khiển dự báo dựa vào mô hình [53]–[56]. • Kiểm chứng bằng mô phỏng và thực hiện điều khiển thời gian thực ứng dụng vào từng hệ phi tuyến cụ thể. Trong thực tế, thông số của đối tượng thường thay đổi không biết trước do ảnh hưởng của điều kiện làm việc, do đó nếu không thực hiện thiết kế lại bộ điều khiển thì bộ điều khiển ban đầu có thể không điều khiển tốt đối tượng.
Hệ thống điều khiển trong đó 9 thông số của bộ điều khiển được chỉnh định trong quá trình vận hành nhằm giữ vững chất lượng điều khiển của hệ thống gọi là điều khiển thích nghi.2 Mạng nơ rôn và thuật toán tiến hóa 1.1 Mạng nơ rôn nhân tạo - ANN Với mục đích tạo ra một mô hình tính toán phỏng theo cách làm việc của tế bào nơ rôn trong bộ não con người, các tác giả McCulloch và Pitts [57] đã đề xuất một mô hình toán cho một nơ rôn nhân tạo như sau: 1 w0 x1 w1 ∑ wm xm Hình 1.3 Tế bào nơ rôn nhân tạo Mỗi tế bào nơ rôn được nối với các tế bào nơ rôn khác và nhận các tín hiệu xj từ chúng với các trọng số wj. Quá trình xử lý thông tin của tế bào nơ rôn có thể chia thành hai phần: xử lý ở ngõ vào và xử lý ở ngõ ra. Trong đó hàm xử lý ngõ vào là hàm tổng có dạng như sau: m f = net = ∑ wj x j (1.1) j =0 Ngõ ra của tế bào nơ rôn được xác định bởi biểu thức y = a( f ) (1.) gọi là hàm tác động, các dạng hàm tác động thường dùng là: • Hàm tuyến tính: a ( f ) = f 1 • Hàm sigmoid đơn cực: a ( f ) = 1 + e−λ f 2 • Hàm sigmoid lưỡng cực: a ( f ) = −1 1 + e−λ f Mạng nơ rôn nhân tạo bao gồm nhiều tế bào nơ rôn liên kết chặt chẽ với nhau. Tùy theo cấu trúc mạng, người ta chia ra các loại mạng nơ rôn như sau: 10 • Mạng nơ rôn một lớp là mạng chỉ gồm một lớp tế bào nơ rôn xử lý; mạng nhiều lớp là mạng gồm nhiều lớp tế bào nơ rôn xử lý.
• Mạng truyền thẳng là mạng trong đó tín hiệu chỉ truyền theo một chiều từ ngõ vào đến ngõ ra. • Mạng hồi quy là mạng mà trong đó có tín hiệu hồi tiếp từ ngõ ra trở về ngõ vào. xn ym ym x3 y2 y2 x2 y1 y1 x1 xn f q (.4 Mạng nơ rôn truyền thẳng một lớp (a), nhiều lớp (b) và mạng hồi quy (c) Mạng nơ rôn nhân tạo phải được huấn luyện trước khi sử dụng. Có hai vấn đề cần huấn luyện đối với mỗi mạng nơ rôn nhân tạo đó là học thông số và học cấu trúc.
Học thông số để cập nhập các trọng số nơ rôn của mạng, còn học cấu trúc để thay đổi cấu trúc mạng bao gồm số tế bào nơ rôn, số lớp nơ rôn và cách liên kết giữa chúng. Hai kiểu học này có thể được sử dụng đồng thời hay riêng lẻ.5 Học có giám sát 11 Có 3 phương pháp học thông số đó là học có giám sát, học cũng cố và học không có giám sát. Học có giám sát là phương pháp học thông dụng nhất. Trong phương pháp học có giám sát, tập dữ liệu huấn luyện mạng nơ rôn là tập dữ liệu vào-ra mong muốn.
Các trọng số của mạng nơ rôn được cập nhập dựa trên sai số giữa dữ liệu ra mong muốn và dữ liệu ra của mạng nơ rôn.5 mô tả sơ đồ khối phương pháp học có giám sát. Trong đó, thuật toán huấn luyện được sử dụng để tối ưu hóa các trọng số của mạng nơ rôn.2 Thuật toán tiến hóa - EA Các thuật toán tối ưu tiến hóa EAs (Evolution Algorithms) là thuật toán tối ưu hóa ngẫu nhiên được phát triển từ ý tưởng và nguyên tắc của sự tiến hóa trong tự nhiên chẳng hạn như thuật toán tối ưu ES (Evolution Strategies), thuật toán tối ưu EP (evolutionary programming), thuật toán di truyền GA (Genetic Algorithm), tài liệu [58]. Điểm quan trọng của các thuật toán tối ưu này là chiến lược tìm kiếm lời giải tối ưu dựa trên quần thể. Các cá thể trong quần thể cạnh tranh và trao đổi thông tin với nhau để thực hiện nhiệm vụ nhất định.
Lưu đồ tổng quát thực hiện thuật toán EAs được mô tả ở bảng 1.1 Pseudo-code thuật toán EAs 1. Khởi tạo ngẫu nhiên các cá thể trong quần thể, thiết lập i = 0 3. Đánh giá các cá thể vừa khởi tạo; b). Lựa chọn quần thể mục tiêu G(i) dựa trên hàm chi phí; c).
Thực hiện phép toán đột biến, lai ghép và chọn lọc; d). UNTIL “tiêu chí hội tụ” 5. Kết thúc Các thuật toán tối ưu tiến hóa EAs luôn tìm được nghiệm tối ưu toàn cục trên toàn bộ không gian thiết kế.
