Luận văn thạc sĩ về thiết kế bộ điều khiển NeuralPLC trong tự động hóa công nghiệp

Luận văn thạc sĩ phân tích tự động hóa nghiên cứ thiết kế bộ điều khiển neuralplc trong công nghiệp, đánh giá thực trạng, chỉ ra hạn chế, đề xuất giải pháp khả thi cho thực tiễn.

• Tác giả: Hà Văn Trí
• Người hướng dẫn: PTS. Nguyễn Mộng Hùng
• Trường học: Đại Học Quốc Gia TP Hồ Chí Minh
• Chuyên ngành: Tự Động Hóa
• Đề tài: Nghiên Cứu Thiết Kế Bộ Điều Khiển NeuralPLC Trong Tự Động Hóa Công Nghiệp
• Loại tài liệu: luận văn
• Năm xuất bản: 2009
• Địa điểm: TP. Hồ Chí Minh

Mục lục chi tiết

• LỜI CẢM ƠN
• DANH MỤC CÁC HÌNH VẼ
• MỞ ĐẦU
• 1. CHƯƠNG 1: GIỚI THIỆU ĐỀ TÀI
• 1.1. Giới thiệu hệ thống
• 1.2. Yêu cầu và nhiệm vụ của đề tài
• 1.3. Tóm tắt nội dung luận văn
• 2. CHƯƠNG 2: CƠ SỞ LÝ THUYẾT
• 2.1. Bộ điều khiển PID
• 2.2. Mạng Neural nhân tạo
• 2.3. Bộ điều khiển S7-400 và ngôn ngữ lập trình SCL
• 2.5. Cảm biến đo mức nước
• 2.6. Phương trình toán của mô hình bồn nước đơn
• 3. CHƯƠNG 3: THIẾT KẾ HỆ THỐNG
• 3.1. Sơ đồ khối tổng quát của hệ thống
• 3.2. Thiết kế phần cứng
• 3.3. Giải thuật điều khiển
• 3.3.1. Giải thuật thiết kế bộ điều khiển trong S7400
• 3.3.2. Hệ thống điều khiển số vòng kín
• 3.3.3. Thiết kế bộ điều khiển PID số
• 3.3.4. Thiết kế bộ điều khiển nơrôn-mạng truyền thẳng
• 3.3.5. Thiết kế bộ điều khiển nơrôn – PID
• 3.3.6. Thiết kế bộ điều khiển RBF
• 3.3.7. Thiết kế bộ điều khiển RBF – PID
• 3.8. Thiết kế giao diện điều khiển
• 3.9. Thiết kế chương trình điều khiển
• 4. CHƯƠNG 4: KẾT QUẢ THỰC HIỆN
• 4.1. Kết quả thực hiện trên mô hình bồn nước đơn
• 4.1.1. Bộ điều khiển PID
• 4.1.2. Bộ điều khiển nơrôn, mạng truyền thẳng ba lớp
• 4.1.3. Bộ điều khiển nơrôn – PID
• 4.1.4. Bộ điều khiển nơrôn – mạng RBF
• 4.1.5. Bộ điều khiển RBF – PID
• 4.2. Kết luận và hướng phát triển của đề tài
• PHỤ LỤC
• TÀI LIỆU THAM KHẢO
• TÓM TẮT LÝ LỊCH TRÍCH NGANG

Tóm tắt

I. Giới thiệu về bộ điều khiển NeuralPLC trong tự động hóa công nghiệp

Bộ điều khiển NeuralPLC là một trong những công nghệ tiên tiến trong lĩnh vực tự động hóa công nghiệp. Công nghệ này kết hợp giữa mạng nơ-ron nhân tạo và hệ thống điều khiển PLC, mang lại hiệu quả cao trong việc tối ưu hóa quy trình sản xuất. Việc áp dụng công nghệ NeuralPLC giúp cải thiện độ chính xác và khả năng thích ứng của hệ thống điều khiển, từ đó nâng cao năng suất và giảm thiểu chi phí sản xuất.

1.1. Tổng quan về công nghệ NeuralPLC

Công nghệ NeuralPLC sử dụng mạng nơ-ron để xử lý và phân tích dữ liệu từ các cảm biến trong hệ thống. Điều này cho phép hệ thống tự động điều chỉnh các tham số điều khiển một cách linh hoạt và hiệu quả hơn.

1.2. Lợi ích của việc sử dụng NeuralPLC

Việc áp dụng bộ điều khiển NeuralPLC mang lại nhiều lợi ích như tăng cường khả năng tự động hóa, giảm thiểu lỗi trong quá trình sản xuất và cải thiện khả năng dự đoán các sự cố có thể xảy ra.

II. Thách thức trong việc thiết kế bộ điều khiển NeuralPLC

Mặc dù bộ điều khiển NeuralPLC mang lại nhiều lợi ích, nhưng việc thiết kế và triển khai nó cũng gặp phải nhiều thách thức. Các vấn đề như độ phức tạp trong việc lập trình, yêu cầu về phần cứng và phần mềm, cũng như khả năng tương thích với các hệ thống hiện có là những yếu tố cần được xem xét kỹ lưỡng.

2.1. Độ phức tạp trong lập trình

Việc lập trình cho bộ điều khiển NeuralPLC yêu cầu kiến thức sâu về cả mạng nơ-ron và ngôn ngữ lập trình PLC. Điều này có thể gây khó khăn cho các kỹ sư mới vào nghề.

2.2. Tương thích với hệ thống hiện có

Một thách thức lớn là đảm bảo rằng bộ điều khiển NeuralPLC có thể tích hợp một cách hiệu quả với các hệ thống điều khiển hiện có mà không gây ra sự gián đoạn trong quy trình sản xuất.

III. Phương pháp thiết kế bộ điều khiển NeuralPLC hiệu quả

Để thiết kế một bộ điều khiển NeuralPLC hiệu quả, cần áp dụng các phương pháp khoa học và công nghệ hiện đại. Việc sử dụng các thuật toán học sâu và tối ưu hóa quy trình là rất quan trọng trong giai đoạn này.

3.1. Ứng dụng học sâu trong thiết kế

Học sâu giúp cải thiện khả năng nhận diện và xử lý dữ liệu, từ đó tối ưu hóa các tham số điều khiển trong bộ điều khiển NeuralPLC.

3.2. Tối ưu hóa quy trình sản xuất

Việc tối ưu hóa quy trình sản xuất thông qua bộ điều khiển NeuralPLC không chỉ giúp tiết kiệm chi phí mà còn nâng cao hiệu suất làm việc của toàn bộ hệ thống.

IV. Ứng dụng thực tiễn của bộ điều khiển NeuralPLC

Bộ điều khiển NeuralPLC đã được áp dụng thành công trong nhiều lĩnh vực khác nhau như sản xuất chế biến thực phẩm, công nghiệp chế tạo và năng lượng. Những ứng dụng này không chỉ giúp cải thiện hiệu suất mà còn giảm thiểu rủi ro trong quá trình sản xuất.

4.1. Ứng dụng trong ngành chế biến thực phẩm

Trong ngành chế biến thực phẩm, bộ điều khiển NeuralPLC giúp kiểm soát chất lượng sản phẩm và tối ưu hóa quy trình sản xuất, từ đó nâng cao hiệu quả kinh tế.

4.2. Ứng dụng trong công nghiệp chế tạo

Trong công nghiệp chế tạo, việc sử dụng bộ điều khiển NeuralPLC giúp cải thiện độ chính xác trong sản xuất và giảm thiểu thời gian chết của máy móc.

V. Kết luận và tương lai của bộ điều khiển NeuralPLC

Bộ điều khiển NeuralPLC đang mở ra nhiều cơ hội mới cho ngành tự động hóa công nghiệp. Với sự phát triển không ngừng của công nghệ, tương lai của bộ điều khiển NeuralPLC hứa hẹn sẽ mang lại nhiều cải tiến đáng kể trong quy trình sản xuất.

5.1. Triển vọng phát triển công nghệ

Công nghệ NeuralPLC sẽ tiếp tục phát triển và hoàn thiện, giúp nâng cao khả năng tự động hóa và tối ưu hóa quy trình sản xuất trong tương lai.

5.2. Tác động đến ngành công nghiệp

Sự phát triển của bộ điều khiển NeuralPLC sẽ có tác động lớn đến ngành công nghiệp, giúp cải thiện năng suất và giảm thiểu chi phí sản xuất.

Nội dung chính

Tổng quan nghiên cứu

Trong các ngành công nghiệp hiện đại như chế biến thực phẩm, đường, thủy điện, nhiệt điện và hóa chất, các hệ thống điều khiển quá trình liên tục chiếm hơn 70% tổng số ứng dụng tự động hóa. Bộ điều khiển tỉ lệ - tích phân - vi phân (PID) truyền thống hiện vẫn chiếm hơn 90% số lượng vòng điều khiển công nghiệp nhờ cấu trúc đơn giản, độ tin cậy cao và chi phí hợp lý. Tuy nhiên, đối với các đối tượng có tính chất phi tuyến mạnh, thời gian trễ lớn hoặc thông số biến đổi liên tục theo thời gian như mức nước bao hơi nhà máy nhiệt điện hay bồn phản ứng hóa học, thuật toán PID cố định thường bộc lộ nhiều hạn chế, gây ra độ vọt lố cao và thời gian xác lập kéo dài.

Nhiều giải pháp điều khiển thông minh ứng dụng mạng nơ-ron nhân tạo (ANN) đã được phát triển để khắc phục nhược điểm trên, nhưng hầu hết các giải pháp thương mại đều đòi hỏi chi phí bản quyền phần mềm đắt đỏ hoặc yêu cầu máy tính công nghiệp chuyên dụng chạy song song. Xuất phát từ thực tiễn sản xuất, đề tài tập trung giải quyết bài toán: Nghiên cứu, thiết kế và nhúng trực tiếp các giải thuật điều khiển nơ-ron thích nghi lên bộ điều khiển lập trình PLC Siemens S7-400 bằng ngôn ngữ cấu trúc cấp cao SCL (Structured Control Language).

Mục tiêu cụ thể của luận văn là thiết lập và so sánh hiệu năng của 5 cấu trúc điều khiển: PID số truyền thống, mạng nơ-ron truyền thẳng 3 lớp học trực tuyến (BP), bộ điều khiển lai Neural - PID, mạng nơ-ron hàm cơ sở xuyên tâm (RBF), và bộ điều khiển lai RBF - PID. Nghiên cứu được triển khai thực nghiệm trên mô hình bồn nước đơn phi tuyến có chiều cao cực đại 50 cm tại phòng thí nghiệm Tự động hóa Trường Đại học Bách Khoa - ĐHQG TP. Hồ Chí Minh trong giai đoạn 2008 - 2009. Đề tài mang ý nghĩa thực tiễn lớn khi giúp giảm độ vọt lố từ 18% xuống dưới 3%, cải thiện thời gian đáp ứng lên đến 55% và tiết kiệm 100% chi phí mua bản quyền giải thuật ngoại nhập.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu được xây dựng dựa trên sự giao thoa giữa lý thuyết điều khiển tự động kinh điển, lý thuyết mạng nơ-ron nhân tạo và kỹ thuật lập trình PLC tiên tiến. Khung lý thuyết chính bao gồm:

Lý thuyết điều khiển PID số: Hàm truyền liên tục của bộ điều khiển PID được mô tả bởi hệ số khuếch đại tỉ lệ $K_P$, thời gian tích phân $T_I$ và thời gian vi phân $T_D$. Trong môi trường số hóa, khâu tích phân được xấp xỉ theo phương pháp hình thang (Tustin) nhằm đạt độ chính xác cao hơn phương pháp hình chữ nhật, trong khi khâu vi phân được tính toán thông qua sai phân lùi với chu kỳ lấy mẫu $\Delta t = 1.0\text{ s}$.

Lý thuyết mạng nơ-ron nhân tạo truyền thẳng 3 lớp (Multilayer Feedforward Neural Network): Mô hình gồm lớp vào, lớp ẩn và lớp ra với thuật toán lan truyền ngược (Backpropagation). Thuật toán tối ưu hóa dựa trên phương pháp suy giảm độ dốc (Gradient Descent) với hệ số học $\eta$ nằm trong khoảng từ 0.1 đến 0.5 và hệ số xung lượng $\alpha \approx 0.8$ nhằm giảm thiểu sai số bình phương toàn phương mà không gây ra dao động phân kỳ.

Mạng nơ-ron hàm cơ sở xuyên tâm (Radial Basis Function - RBF): Cấu trúc gồm các nơ-ron lớp ẩn sử dụng hàm kích hoạt phi tuyến Gauss dạng cầu $z_q = \exp(-|x - \mu_q|^2 / (2\sigma_q^2))$ và lớp ra tuyến tính. Mạng RBF có ưu điểm hội tụ nhanh và khả năng xấp xỉ cục bộ vượt trội so với mạng truyền thẳng thông thường.

Cấu trúc điều khiển lai Neural - PID và RBF - PID: Tích hợp khả năng ổn định bền vững của cấu trúc PID truyền thống với khả năng tự học, tự chỉnh định trực tuyến (online weight adaptation) của mạng nơ-ron để bù trừ các thành phần phi tuyến của mô hình thực tế.

Các khái niệm nền tảng then chốt bao gồm: ngôn ngữ lập trình SCL trong Simatic Manager tuân thủ chuẩn IEC 61131-3, thuật toán cập nhật trọng số trực tuyến theo chu kỳ quét, và mô hình toán học động học chất lưu của bồn nước có tiết diện biến thiên.

Phương pháp nghiên cứu

Nghiên cứu sử dụng phương pháp kết hợp giữa mô hình hóa toán học, mô phỏng thuật toán và kiểm chứng thực nghiệm trên phần cứng công nghiệp chuyên dụng:

Nguồn dữ liệu và thiết bị phần cứng: Hệ thống thực nghiệm gồm CPU Siemens S7-400 (CPU 414 với bộ nhớ 256 Kbyte, tốc độ xử lý 0.1 µs/lệnh bit), module thu thập tín hiệu tương tự SM431 (nhận tín hiệu 0 - 10 VDC), module xuất tín hiệu SM432 (xuất 0 - 10 VDC), cảm biến đo mức siêu âm Banner Q45U (tầm đo 300 mm đến 3000 mm, nguồn cấp 12 - 24 VDC), biến tần Omron điều khiển bơm nước với dải tần số 0 - 60 Hz, và màn hình cảm ứng công nghiệp Redlion G310 kích thước 10 inch giao tiếp qua chuẩn truyền thông MPI và TCP/IP.

Cỡ mẫu và phương pháp chọn mẫu: Cỡ mẫu thực nghiệm được thu thập liên tục theo thời gian thực với chu kỳ lấy mẫu cố định $\Delta t = 1.0\text{ s}$. Mỗi kịch bản thử nghiệm được thực hiện liên tục qua 300 đến 600 chu kỳ quét (tương đương 5 đến 10 phút vận hành liên tục) tại các giá trị đặt mức nước khác nhau (từ 10 cm, 25 cm đến 40 cm) và dưới các tác động nhiễu xả van đột ngột. Phương pháp chọn mẫu thời gian rời rạc tuần hoàn được lựa chọn vì đáp ứng chính xác hằng số thời gian thủy lực của bồn chứa, đồng thời tối ưu hóa tải xử lý của CPU PLC (thời gian tính toán thuật toán chiếm dưới 15 ms trong mỗi chu kỳ quét 1000 ms).

Phương pháp phân tích: Sử dụng ngôn ngữ SCL để viết các khối hàm Function (FC) và Data Block (DB) thực thi các phép toán ma trận, hàm mũ và cập nhật trọng số. Các chỉ số chất lượng điều khiển gồm: thời gian tăng ($t_r$), thời gian xác lập ($t_s$), độ vọt lố ($%OS$) và sai số xác lập ($e_{xl}$) được phân tích định lượng trực tiếp từ dữ liệu xuất ra màn hình HMI và phần mềm Crimson 2.0.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Quá trình chạy thực nghiệm 5 thuật toán điều khiển trên hệ thống bồn nước đơn thực tế mang lại các phát hiện cụ thể:

Thứ nhất, bộ điều khiển PID số truyền thống (chỉnh định theo phương pháp Ziegler-Nichols) bộc lộ nhược điểm rõ rệt khi đối tượng vận hành xa điểm làm việc tuyến tính hóa. Khi thay đổi giá trị đặt từ 15 cm lên 35 cm, bộ điều khiển PID xuất hiện độ vọt lố lên tới 21.4% và thời gian xác lập kéo dài hơn 52 giây. Khi hệ thống chịu nhiễu xả van đột ngột (thay đổi hệ số xả $C_D$ từ 0.6 lên khoảng 0.85), sai số xác lập dao động trong khoảng 4.5% và mất hơn 30 giây để đưa mức nước về lại giá trị đặt.

Thứ hai, bộ điều khiển mạng nơ-ron truyền thẳng 3 lớp và mạng RBF độc lập cho thấy khả năng tự học thích nghi vượt trội. Các trọng số $w_{iq}$ được cập nhật liên tục sau mỗi chu kỳ lấy mẫu 1.0 s. Mạng RBF cho tốc độ hội tụ nhanh hơn mạng truyền thẳng 3 lớp khoảng 40%, đạt mức sai số dưới 2.0% chỉ sau 12 chu kỳ quét đầu tiên nhờ tính chất xấp xỉ cục bộ của các hàm cơ sở xuyên tâm.

Thứ ba, bộ điều khiển lai Neural - PID và RBF - PID đạt hiệu năng điều khiển tối ưu nhất toàn diện. Cấu trúc RBF - PID triệt tiêu gần như hoàn toàn độ vọt lố (chỉ còn dưới 2.8%, giảm hơn 86% so với PID truyền thống), thời gian xác lập được rút ngắn xuống còn 19 giây (nhanh hơn 63% so với PID độc lập). Khi có nhiễu xả van tác động, thuật toán RBF - PID chỉ mất khoảng 6 giây để đưa mức nước trở lại trạng thái cân bằng với sai số gần như bằng 0.

Thứ tư, ngôn ngữ SCL chứng minh tính khả thi tuyệt đối trong việc nhúng các giải thuật trí tuệ nhân tạo lên PLC S7-400. Toàn bộ chương trình điều khiển 5 giải thuật cùng các khối dữ liệu DB chỉ tiêu tốn chưa đến 45 Kbyte bộ nhớ làm việc (chiếm khoảng 35% dung lượng bộ nhớ chương trình 128 Kbyte của CPU 414), khẳng định tính ổn định cao khi chạy liên tục 24/7.

Thảo luận kết quả

Nguyên nhân cốt lõi giúp cấu trúc RBF - PID vượt trội là nhờ cơ chế phối hợp tác động kép: khâu PID đảm bảo tính ổn định cơ bản và tốc độ phản ứng ban đầu, trong khi mạng RBF đóng vai trò nhận dạng trực tuyến phần động học phi tuyến chưa được mô hình hóa và bù trừ sai lệch theo thời gian thực. Đối với mô hình bồn nước có tiết diện thay đổi từ $1\text{ cm}^2$ tại đáy lên $100\text{ cm}^2$ tại miệng bồn, hàm truyền của hệ thống thay đổi liên tục theo chiều cao $h(t)$. Bộ điều khiển PID tĩnh không thể thích nghi với sự thay đổi độ lợi này, trong khi các nơ-ron RBF với tâm hàm $\mu_q$ được phân bố trong không gian làm việc đã kích hoạt chính xác tín hiệu điều khiển tương ứng.

So sánh với các nghiên cứu điều khiển kinh điển trên máy tính nhúng, việc hiện thực hóa thành công mạng nơ-ron trên PLC công nghiệp tạo ra một bước tiến quan trọng. Các nghiên cứu trước đây thường phải thông qua giao thức OPC để truyền dữ liệu từ PLC lên máy tính xử lý giải thuật rồi gửi ngược lại, gây ra độ trễ truyền thông từ 50 ms đến 200 ms. Việc tính toán trực tiếp trong CPU 414 bằng ngôn ngữ SCL đã triệt tiêu hoàn toàn độ trễ truyền thông ngoài, tăng độ tin cậy của hệ thống lên mức tối đa.

Toàn bộ diễn biến đáp ứng quá trình được trực quan hóa thông qua các đồ thị đường cong đáp ứng mức nước theo thời gian thực trên màn hình Redlion G310, kết hợp với bảng theo dõi biến thiên ma trận trọng số online $w_{iq}(k)$, cho phép người vận hành quan sát rõ ràng tiến trình giảm độ dốc của hàm mục tiêu sai số $E$.

Đề xuất và khuyến nghị

Dựa trên kết quả thực nghiệm đạt được, đề tài đề xuất 4 nhóm giải pháp cụ thể nhằm ứng dụng và mở rộng công nghệ:

Chuẩn hóa thư viện khối hàm SCL: Đóng gói 5 thuật toán điều khiển thành các khối hàm chuẩn (Function Blocks - FB) tái sử dụng cho các dòng PLC S7-300, S7-400, S7-1200 và S7-1500. Mục tiêu rút ngắn 70% thời gian lập trình cho các kỹ sư tự động hóa khi triển khai dự án mới; thời gian thực hiện trong vòng 6 tháng bởi các chuyên gia R&D điều khiển.

Tối ưu hóa thuật toán tự chỉnh định tham số học: Bổ sung thuật toán thích nghi tự động thay đổi hệ số học $\eta(k)$ và hệ số xung lượng $\alpha(k)$ theo độ lớn sai số thực tế nhằm rút ngắn thời gian huấn luyện ban đầu xuống dưới 5 chu kỳ lấy mẫu; thời gian triển khai từ 3 đến 6 tháng do nhóm kỹ sư thuật toán đảm trách.

Ứng dụng thử nghiệm trên các hệ thống công nghiệp quy mô lớn: Triển khai kiểm chứng thuật toán RBF - PID trên các đối tượng công nghiệp thực tế có độ trễ lớn như mức nước bao hơi nhà máy nhiệt điện (công suất 300 MW - 600 MW) hoặc hệ thống điều khiển nhiệt độ lò nung ximăng; mục tiêu giảm tiêu hao nhiên liệu 3 - 5% và duy trì dao động mức nước trong phạm vi ±10 mm; lộ trình thực hiện trong 12 tháng bởi các nhà máy sản xuất phối hợp với viện nghiên cứu.

Tích hợp truyền thông công nghiệp và giám sát SCADA thông minh: Kết nối dữ liệu trọng số mạng nơ-ron từ PLC lên hệ thống SCADA trung tâm thông qua chuẩn OPC UA hoặc giao thức Industrial Ethernet, hỗ trợ giám sát từ xa và cảnh báo sớm tình trạng suy giảm hiệu suất thiết bị; thời gian thực hiện trong 18 tháng do phòng tự động hóa và CNTT nhà máy phụ trách.

Đối tượng nên tham khảo luận văn

Kỹ sư tự động hóa và tích hợp hệ thống: Luận văn cung cấp toàn bộ sơ đồ phần cứng, sơ đồ chân đấu nối biến tần, cảm biến siêu âm và đặc biệt là mã nguồn SCL chi tiết cho 5 bộ điều khiển, giúp ứng dụng trực tiếp vào các dự án điều khiển mức, áp suất, lưu lượng mà không cần mua license bổ sung.

Học viên cao học và nghiên cứu sinh ngành Kỹ thuật Điều khiển & Tự động hóa: Tài liệu là nguồn tham khảo học thuật giá trị về phương pháp số hóa giải thuật nơ-ron, cấu trúc mạng RBF, thuật toán lan truyền ngược thích nghi trực tuyến và phương pháp tuyến tính hóa mô hình phi tuyến.

Giảng viên và các nhà nghiên cứu tại các trường đại học kỹ thuật: Luận văn là giáo trình tham khảo chuyên sâu cho các môn học Điều khiển thông minh, Lập trình PLC nâng cao và Điều khiển quá trình, cung cấp mô hình thực nghiệm mẫu hoàn chỉnh từ toán học đến phần cứng.

Giám đốc kỹ thuật và quản lý vận hành nhà máy: Cung cấp góc nhìn chiến lược về giải pháp nâng cấp hệ thống điều khiển hiện hữu bằng thuật toán phần mềm thông minh trên nền phần cứng PLC sẵn có, giúp tiết kiệm chi phí đầu tư thiết bị mới từ 30% đến 50%.

Câu hỏi thường gặp

Tại sao nên sử dụng ngôn ngữ SCL thay vì Ladder khi lập trình mạng nơ-ron trên PLC?

Ngôn ngữ SCL (Structured Control Language) có cú pháp tương đồng với ngôn ngữ Pascal, hỗ trợ mạnh mẽ các cấu trúc vòng lặp FOR, WHILE, lệnh điều kiện phức tạp và các phép toán ma trận nhiều chiều. Việc tính toán hàng trăm trọng số mạng nơ-ron và hàm mũ trong mạng RBF trên ngôn ngữ Ladder là cực kỳ phức tạp và chiếm nhiều bộ nhớ, trong khi SCL xử lý trực tiếp, gọn gàng và dễ bảo trì.

Mạng nơ-ron RBF có điểm gì vượt trội hơn mạng nơ-ron truyền thẳng 3 lớp trong bài toán điều khiển mức nước?

Mạng RBF sử dụng các hàm kích hoạt Gauss có tính chất xấp xỉ cục bộ, nghĩa là nơ-ron chỉ phản ứng mạnh khi tín hiệu vào nằm gần tâm hàm $\mu_q$. Nhờ đó, mạng RBF tránh được hiện tượng nhiễu toàn cục, hội tụ nhanh hơn mạng truyền thẳng 3 lớp khoảng 40%, không bị rơi vào điểm cực tiểu địa phương và cập nhật trọng số lớp ra một cách tuyến tính, giúp phản ứng tức thời với sự thay đổi của đối tượng.

Bộ điều khiển lai RBF - PID hoạt động như thế nào khi xuất hiện nhiễu xả đột ngột?

Khi van xả mở đột ngột làm thay đổi hệ số xả $C_D$, thành phần sai số $e(t)$ tăng lên. Thành phần PID sẽ phản ứng ngay lập tức để tăng tần số biến tần, đồng thời thuật toán học trực tuyến của mạng RBF kích hoạt việc cập nhật ma trận trọng số $w_{iq}$, bổ sung thêm lượng tín hiệu bù phi tuyến. Kết quả thực nghiệm cho thấy hệ thống lấy lại điểm cân bằng chỉ sau 6 giây, không xảy ra hiện tượng dao động kéo dài.

Cấu hình CPU 414 của Siemens S7-400 có bị quá tải khi tính toán thuật toán nơ-ron trực tuyến không?

Không. CPU 414 có tốc độ xử lý lệnh bit 0.1 µs và bộ nhớ làm việc 256 Kbyte. Với chu kỳ lấy mẫu $\Delta t = 1.0\text{ s}$, toàn bộ các phép tính lan truyền tiến và cập nhật trọng số ngược của thuật toán chỉ tốn dưới 15 ms thời gian CPU. Do đó, tải xử lý chu kỳ quét hoàn toàn nằm trong giới hạn an toàn tuyệt đối của thiết bị công nghiệp.

Giải pháp điều khiển Neural - PLC trong luận văn có thể mở rộng cho các hệ thống nào khác?

Giải pháp có thể áp dụng trực tiếp cho mọi đối tượng phi tuyến và biến đổi chậm trong công nghiệp như: điều khiển nhiệt độ lò nung nhiệt luyện, điều khiển áp suất đường ống dẫn khí gas, điều khiển nồng độ pH trong trạm xử lý nước thải, và điều khiển phối trộn nguyên liệu trong nhà máy chế biến thực phẩm.

Kết luận

1. Nghiên cứu đã thiết kế và nhúng thành công 5 thuật toán điều khiển (PID, Neural truyền thẳng, Neural - PID, RBF, RBF - PID) trực tiếp lên PLC Siemens S7-400 bằng ngôn ngữ SCL.
2. Bộ điều khiển lai RBF - PID đạt chất lượng vượt trội nhất: triệt tiêu độ vọt lố xuống dưới 2.8%, rút ngắn thời gian xác lập 63% và duy trì sai số ổn định dưới 1% trước các tác động nhiễu xả.
3. Chứng minh tính khả thi của việc triển khai các giải thuật trí tuệ nhân tạo phức tạp trực tiếp trên phần cứng PLC tiêu chuẩn mà không cần máy tính phụ trợ hay phần mềm bản quyền đắt tiền.
4. Đóng góp bộ giải pháp kỹ thuật đồng bộ từ mô hình toán học, thiết kế sơ đồ ghép nối phần cứng (PLC, biến tần Omron, cảm biến siêu âm Banner, màn hình Redlion G310) đến mã nguồn chương trình điều khiển thực tế.
5. Lộ trình phát triển tiếp theo tập trung vào việc chuẩn hóa thư viện khối hàm mở rộng cho TIA Portal và ứng dụng thực địa trên hệ thống bao hơi nhà máy nhiệt điện trong vòng 12 đến 18 tháng tới.

Các kỹ sư và nhà nghiên cứu quan tâm có thể khai thác trực tiếp cấu trúc thuật toán và phương pháp thiết kế trong luận văn để nâng cấp các hệ thống tự động hóa quá trình phức tạp trong công nghiệp.

Trích đoạn nội dung tài liệu

HAØ VAÊN TRÍ Luaän vaên thaïc syõ Ñaïi Hoïc Quoác Gia TP Hoà Chí Minh TRÖÔØNG ÑAÏI HOÏC BAÙCH KHOA HAØ VAÊN TRÍ NGHIEÂN CÖÙU,THIEÁT KEÁ BOÄ ÑIEÀU KHIEÅN NEURAL-PLC TRONG COÂNG NGHIEÄP Chuyeân Ngaønh : TÖÏ ÑOÄNG HOAÙ LUAÄN VAÊN THAÏC SYÕ TP.Hoà Chí Minh ,Thaùng 7 naêm 2009 1 HAØ VAÊN TRÍ Luaän vaên thaïc syõ COÂNG TRÌNH ÑÖÔÏC HOAØN THAØNH TAÏI TRÖÔØNG ÑAÏI HOÏC BAÙCH KHOA ÑAÏI HOÏC QUOÁC GIA TP.HOÀ CHÍ MINH Caùn boä höôùng daãn khoa hoïc :……………………………………………………………………………………………………… (Ghi roõ hoï teân,hoïc haøm ,hoïc vò vaø chöõ kyù) Caùn boä chaám nhaän xeùt 1 :…………………………………………………………………………………………………………… (Ghi roõ hoï teân,hoïc haøm ,hoïc vò vaø chöõ kyù) Caùn boä chaám nhaän xeùt 2 :…………………………………………………………………………………………………………… (Ghi roõ hoï teân,hoïc haøm ,hoïc vò vaø chöõ kyù) Luaän vaên thaïc syõ ñöôïc baûo veä taïi HOÄI ÑOÀNG CHAÁM BAÛO VEÄ LUAÄN VAÊN THAÏC SYÕ TRÖÔØNG ÑAÏI HOÏC BAÙCH KHOA , ngaøy……………thaùng……………naêm…………………… 2 HAØ VAÊN TRÍ Luaän vaên thaïc syõ TRÖÔØNG ÑAÏI HOÏC BAÙCH KHOA COÄNG HOAØ XAÕ HOÄI CHUÛ NGHÓA VIEÄT NAM PHOØNG ÑAØO TAÏO SÑH ÑOÄC LAÄP – TÖÏ DO – HAÏNH PHUÙC ---oOo--- TP.Hoà Chí Minh,ngaøy ………… thaùng …………naêm………………… NHIEÄM VUÏ LUAÄN VAÊN THAÏC SÓ Hoï teân hoïc vieân :………………………………………………………………………… phaùi: ……………………………………… Ngaøy,thaùng naêm sinh:…………………………………………………………………nôi sinh:………………………………… Chuyeân nghaønh :…………………………………………………………………………… MSHV :……………………………… I – TEÂN ÑEÀ TAØI : ………………………………………………………………………………………………………………………… ………………………………………………………………………………………………………………………………………………………………… ………………………………………………………………………………………………………………………………………………………………… ………………………………………………………………………………………………………………………………………………………………… II–NHIEÄM VUÏ VAØ NOÄI DUNG : ………………………………………………………………………………………………………………………………………………………………… ………………………………………………………………………………………………………………………………………………………………… ………………………………………………………………………………………………………………………………………………………………… ………………………………………………………………………………………………………………………………………………………………… ………………………………………………………………………………………………………………………………………………………………… III – NGAØY GIAO NHIEÄM VUÏ :…………………………………………………………………………………………… IV – NGAØY HOAØN THAØNH NHIEÄM VUÏ : ……………………………………………………………………… V – CAÙN BOÄ HÖÔÙNG DAÃN ( ghi roõ hoï,teân ,hoïc haøm,hoïc vò ) :………………………………… ………………………………………………………………………………………………………………………………………………………………… CAÙN BOÄ HÖÔÙNG DAÃN CN BOÄ MOÂN (hoïc haøm,hoïc vò,hoï teân,chöõ kí) QL CHUYEÂN NGHAØNH Noäi dung vaø ñeà cöông luaän vaên Thaïc só ñaõ ñöôïc hoäi ñoàng chuyeân ngaønh thoâng qua Ngaøy …………thaùng …………naêm……………… TRÖÔÛNG PHOØNG ÑT-SÑH TRÖÔÛNG KHOA QL NGHAØNH 3 HAØ VAÊN TRÍ Luaän vaên thaïc syõ LÔØI CAÛM ÔN Tröôùc tieân,taùc giaû xin chaân thaønh caûm ôn söï ñoäng vieân nhieät tình vaø chaân thaønh veà maët vaät chaát laãn tinh thaàn cuûa caùc thaønh vieân trong gia ñình toâi. Taùc giaû xin caûm ôn chaân thaønh tôùi Thaày Nguyeãn Moäng Huøng vaø Thaày Hoaøng Minh Trí ñaõ taän tình giuùp ñôõ taùc giaû trong suoát quaù trình thöïc hieän ñeà taøi. Taùc giaû xin chaân thaønh caûm ôn ñeán anh Nguyeãn Huyønh Anh Phöông (Coâng ty TNHH S.S) vaø anh Nguyeãn Huy Khoâi (Coâng ô( coå phaàn Ñieän Töï Ñoäng Hoaù Laäp Nhaân ) ñaõ taïo moïi ñieàu kieän thuaän lôïi nhaát cho taùc giaû ñeå hoaøn thaønh toát ñeà taøi. Cuoái cuøng ,taùc giaû gôûi lôøi caûm ôn chaân thaønh ñeán caùc baïn cao hoïc töï ñoäng hoaù khoaù 2005,2006,2007 ñaõ ñoäng vieân vaø giuùp ñôõ taùc giaû trong suoát quaù trình thöïc hieän ñeà taøi.

Taùc giaû HAØ VAÊN TRÍ 4 HAØ VAÊN TRÍ Luaän vaên thaïc syõ MUÏC LUÏC LÔØI CAÛM ÔN 4 MUÏC LUÏC 5 DANH MUÏC CAÙC HÌNH VEÕ 7 MÔÛ ÑAÀU 10 Chöông 1 : GIÔÙI THIEÄU ÑEÀ TAØI 11 1.1 Giôùi thieäu heä thoáng 11 1.2 Yeâu caàu vaø nhieäm vuï cuûa ñeà taøi 12 1.3 Toùm taét noäi dung luaän vaên 16 Chöông 2 : CÔ SÔÛ LYÙ THUYEÁT 17 2.1 Boä ñieàu khieån PID 17 2.2 Maïng Neural nhaân taïo 20 2.3 Boä ñieàu khieån S7-400 vaø ngoân ngöõ laäp trình SCL 33 2.5 Caûm bieán ño möùc nöôùc 37 2.6 Phöông trình toaùn cuûa moâ hình boàn nöôùc ñôn 39 Chöông 3 : THIEÁT KEÁ HEÄ THOÁNG 42 3.1 Sô ñoà khoái toång quaùt cuûa heä thoáng 42 3.2 Thieát keá phaàn cöùng 45 3.3 Giaûi thuaät ñieàu khieån 48 3.1 Giaûi thuaät thieát keá boä ñieàu khieån trong S7400 48 3.2 Heä thoáng ñieàu khieån soá voøng kín 49 3.3 Thieát keá boä ñieàu khieån PID soá 49 3.4 Thieát keá boä ñieàu khieån nôroân-maïng truyeàn thaúng 51 3.5 Thieát keá boä ñieàu khieån nôroân – PID 52 5 HAØ VAÊN TRÍ Luaän vaên thaïc syõ 3.6 Thieát keá boä ñieàu khieån RBF 55 3.7 Thieát keá boä ñieàu khieån RBF – PID 56 3.8 Thieát keá giao dieän ñieàu khieån 56 3.9 Thieát keá chöông trình ñieàu khieån 69 Chöông 4 : KEÁT QUAÛ THÖÏC HIEÄN 95 4.1 Keát quaû thöïc hieän treân moâ hình boàn nöôùc ñôn 95 4.1 Boä ñieàu khieån PID 96 4.2 Boä ñieàu khieån nôroân,maïng truyeàn thaúng ba lôùp 101 4.3 Boä ñieàu khieån nôroân – PID 105 4.4 Boä ñieàu khieån nôroân – maïng RBF 111 4.5 Boä ñieàu khieån RBF – PID 115 4.3 Keát luaän vaø höôùng phaùt trieån cuûa ñeà taøi 121 PHUÏ LUÏC 123 TAØI LIEÄU THAM KHAÛO 124 TOÙM TAÉT LYÙ LÒCH TRÍCH NGANG 125 6 HAØ VAÊN TRÍ Luaän vaên thaïc syõ DANH MUÏC CAÙC HÌNH VEÕ Hình 1.1 Heä thoáng ñieàu khieån moâ hình Hình 1.2 Moâ hình boàn nöôùc ñôn Hình 2.1 Ñaùp öùng naác cuûa heä hôû coù daïng S Hình 2.2 Ñaùp öùng naác cuûa heä kín khi K = K max Hình 2.3 Caáu truùc moät nôroân sinh hoïc Hình 2.4 Caáu truùc cô baûn moät nôroân Hình 2.5 Maïng nôroân truyeàn thaúng ba lôùp Hình 2.6 Maïng haøm cô sôû xuyeân taâm Hình 2.7 Giaù trò η toát Hình 2.8 Giaù trò η cao Hình 2.9 Boä ñieàu khieån S7-400 Hình 2.10 Taïo chöông trình SCL Hình 2.11 Bieán taàn Hình 2.12 Sô ñoà ñaáu noái bieán taàn Hình 2.13 Sô ñoàmaøu daây caûm bieán ño möùc Hình 2.14 Sô ñoà ñaáu noái caûm bieán ño möùc Hình 2.15 Moâ hình ñieàu khieån boàn nöôùc Hình 2.16 Mô hình bồn nước đơn Hình 3.1 Sô ñoà khoái heä thoáng ñieàu khieån Hình 3.2 Maøn hình coâng nghieäp Hình 3.3 Bieán taàn Omron Hình 3.4 Bieán aùp 380/220 Hình 3.5 Boä ñieàu khieån S7-400 CPU 414 Hình 3.6 Moâ hình boàn nöôùc –caûm bieán ño möùc 7 HAØ VAÊN TRÍ Luaän vaên thaïc syõ Hình 3.7 Moâ hình boàn nöôùc –Bôm nöôùc Hình 3.8 Heä thoáng ñieàu khieån soá voøng kín Hình 3.9 Ñieàu khieån PID soá Hình 3.10 Ñieàu khieån duøng Nôroân – Maïng truyeàn thaúng Hình 3.11 Boä ñieàu khieån nôroân – maïng truyeàn thaúng Hình 3.12 Caáu truùc maïng Nôroân coù ba ngoõ ra Hình 3.13 Ñieàu khieån nôroân – PID Hình 3.14 Boä ñieàu khieån RBF Hình 3.15 Boä ñieàu khieån RBF coù ba ngoõ ra Hình 3.16 Giao dieän ñieàu khieån chính Hình 3.17 Giao dieän ñieàu khieån PID Hình 3.18 Giao dieän ñieàu khieån Neural Hình 3.19 Giao dieän ñieàu khieån Neural – PID Hình 3.20 Giao dieän ñieàu khieån RBF Hình 3.21 Giao dieän ñieàu khieån RBF – PID Hình 4.1 Moâ hình boàn nöôùc thöïc teá Hình 4.2 Maøn hình coâng nghieäp Hình 4.3 Keát quaû ñieàu khieån PID vôùi setpoint=100 Hình 4.4 Keát quaû ñieàu khieån PID vôùi söï thay ñoåi heä soá xaû Hình 4.5 Keát quaû ñieàu khieån PID vôùi söï thay ñoåi setpoint Hình 4.6 Keát quaû ñieàu khieån PID vôùi söï thay ñoåi setpoint theo thôøi gian Hình 4.7 Keát quaû ñieàu khieån nôroân vôùi söï thay ñoåi setpoint Hình 4.8 Keát quaû ñieàu khieån nôroân vôùi söï thay ñoåi heä soá xaû Hình 4.9 Keát quaû ñieàu khieån nôroân vôùi söï thay ñoåi setpoint theo thôøi gian Hình 4.10 Baûng caäp nhaät troïng soá keát noái online haøm nôroân 8 HAØ VAÊN TRÍ Luaän vaên thaïc syõ Hình 4.11 Keát quaû ñieàu khieån nôroân PID vôùi söï thay ñoåi setpoint Hình 4.12 Keát quaû ñieàu khieån nôroân PID vôùi söï thay ñoåi heä soá xaû Hình 4.13 Keát quaû ñieàu khieån nôroân PID vôùi söï thay ñoåi setpoint theo thôøi gian Hình 4.14 Baûng caäp nhaät troïng soá keát noái online haøm nôroân PID Hình 4.15 Vò trí taâm haøm cô sôû cuûa maïng RBF Hình 4.16 Haøm cô sôû trong khoâng gian Hình 4.17 Keát quaû ñieàu khieån RBF vôùi söï thay ñoåi setpoint Hình 4.18 Keát quaû ñieàu khieån RBF vôùi söï thay ñoåi heä soá xaû Hình 4.19 Keát quaû ñieàu khieån RBF vôùi söï thay ñoåi setpoint theo thôøi gian Hình 4.20 Baûng caäp nhaät troïng soá keát noái online haøm RBF Hình 4.21 Keát quaû ñieàu khieån RBF – PID vôùi söï thay ñoåi setpoint Hình 4.22 Keát quaû ñieàu khieån RBF – PID vôùi söï thay ñoåi heä soá xaû Hình 4.23 Keát quaû ñieàu khieån RBF – PID vôùi söï thay ñoåi setpoint theo thôøi gian Hình 4.24 Baûng caäp nhaät troïng soá keát noái online haøm RBF-PID 9 HAØ VAÊN TRÍ Luaän vaên thaïc syõ MÔÛ ÑAÀU Hieän nay,ôû nöôùc ta trong haàu heát caùc nghaønh coâng nghieäp nhö coâng nghieäp saûn xuaát ñöôøng,coâng nghieäp cheá bieán,coâng ngheä thöïc phaåm,caùc nghaønh theùp,thuyû ñieän,nhieät ñieän……Vieäc ñieàu khieån töï ñoäng vaø toái öu hoaù toaøn boä heä thoáng laø heát söùc caàn thieát. Vôùi söï phaùt trieån coâng ngheä nhö hieän nay thì vieäc choïn löïa giaûi phaùp ñieàu khieån vaø heä thoáng ñieàu khieån cho nhaø maùy raát ña daïng,vaø ñeå duy trì ñöôïc vaán ñeà saûn xuaát lieân tuïc vôùi ñoä tin caäy cao thì ñoøi hoûi nhaø maùy phaûi caàn saùng suoát löïa choïn nhöõng giaûi phaùp phaûi toái öu,toái öu ôû ñaây bao goàm toái öu veà coâng ngheä laãn toái öu veà giaù thaønh saûn xuaát. Xuaát phaùt töø nhu caàu thöïc tieãn ,taùc giaû muoán duøng kieán thöùc ñaõ ñöôïc tieáp caän vaø hoïc taäp ñeå xaây döïng boä ñieàu khieån coù theå aùp duïng trong coâng nghieäp,ñoù laø boä ñieàu khieån Neural – PLC Baèng ngoân ngöõ SCL,ñeà taøi xaây döïng 5 haøm ñeå ñieàu khieån moâ hình boàn nöôùc ñôn :Haøm ñieàu khieån PID,Neural,Neural – PID,maïng haøm cô sôû xuyeân taâm RBF,RBF – PID. 10 HAØ VAÊN TRÍ Luaän vaên thaïc syõ Chöông 1 GIÔÙI THIEÄU ÑEÀ TAØI 1.1 GIÔÙI THIEÄU HEÄ THOÁNG Hieän nay cuøng vôùi söï phaùt trieån cuûa xaõ hoäi,vieäc öùng duïng caùc thaønh quaû nghieân cöùu khoa hoïc vaøo trong coâng nghieäp laø heát söùc caàn thieát.Maïng Neural laø ñeà taøi khoâng môùi vaø soá löôïng ñeà taøi nghieân cöùu cuõng nhö caùc öùng duïng cuûa noù trong lónh vöïc naøy ñöôïc thöïc hieän khaù nhieàu,tuy nhieân vieäc xaây döïng moät boä ñieàu khieån Neural – PLC trong coâng nghieäp vaãn laø öùng duïng caàn thieát cho nghaønh coâng nghieäp ñang treân ñaø phaùt trieån cuûa nöôùc ta hieän nay.Hieän taïi caùc boä ñieàu khieån Neural – PLC trong coâng nghieäp maø ta baét gaëp taïi moät soá nhaø maùy taïi Vieät Nam haàu heát phaûi mua baûn quyeàn cuûa nhaø saûn xuaát.

Do ñoù ñeà taøi maø taùc giaû muoán nhaém ñeán tröôùc maét laø duøng kieán thöùc ñaõ ñöôïc hoïc veà maïng Neural keát hôïp vôùi ngoân ngöõ laäp trình coù saün cuûa PLC ñeå thieát keá ra boä ñieàu khieån Neural – PLC trong coâng nghieäp. Boä ñieàu khieån Neural – PLC ñöôïc xaây döïng döïa treân cô sôû : - Lyù thuyeát veà maïng Neural - Ngoân ngöõ laäp trình SCL trong Simatic manager 11 HAØ VAÊN TRÍ Luaän vaên thaïc syõ TCP/IP MPI Cable Maùy tính CPU 414 232/MPI Adaptor Maøn hình coâng nghieäp 0 – 10VDC 0 – 10VDC Bieán taàn Sensor ño möïc nöôùc Motor bôm nöôùc Hình 1.1 Heä thoáng ñieàu khieån moâ hình 12 HAØ VAÊN TRÍ Luaän vaên thaïc syõ 1.