Bộ điều khiển cho hệ thống MIMO phi tuyến sử dụng CMAC tại HCMUTE

Hcmute thiết kế bộ điều khiển cho hệ thống phi tuyến MIMO sử dụng CMAC, nâng cao hiệu suất và độ ổn định trong truyền thông không dây.

• Tác giả: ThS. Tạ Văn Phương
• Trường học: Trường Đại Học Sư Phạm Kỹ Thuật Thành Phố Hồ Chí Minh
• Chuyên ngành: Điện Điện Tử
• Đề tài: Thiết Kế Bộ Điều Khiển MIMO Phi Tuyến Sử Dụng CMAC
• Loại tài liệu: luận văn
• Năm xuất bản: 2018
• Địa điểm: Tp. Hồ Chí Minh

Mục lục chi tiết

• 1. CHƯƠNG 1: GIỚI THIỆU HỆ THỐNG PHI TUYẾN MIMO VÀ HỆ THỐNG ĐIỀU KHIỂN ĐƯỢC ĐỀ XUẤT
• 1.1. Giới thiệu hệ thống phi tuyến MIMO và các vấn đề nghiên cứu
• 1.2. Cấu trúc của đề tài
• 1.3. Hệ thống phi tuyến MIMO gồm những thành phần không chắc chắn
• 1.4. Hệ thống điều khiển được đề xuất
• 2. CHƯƠNG 2: BỘ ĐIỀU KHIỂN CÓ CẤU TRÚC MÔ HÌNH TIỂU NÃO
• 2.1. Giới thiệu về bộ điều khiển có cấu trúc mô hình tiểu não
• 2.2. Block diagram of the proposed control system and Structure of the CMAC
• 2.3. Hàm mục tiêu và luật học của bộ điều khiển CMAC
• 2.4. Bộ điều khiển bù ước lượng biên độ sai số
• 2.5. Kết quả mô phỏng và thực nghiệm
• 2.5.1. Kiểm nghiệm trên mô hình điều khiển áp suất
• 2.5.2. Mô hình điều khiển mức nước
• 3. CHƯƠNG 3: BỘ ĐIỀU KHIỂN CÓ CẤU TRÚC MÔ HÌNH TIỂU NÃO ĐƯỢC CẢI TIẾN
• 3.1. Những hạn chế của bộ điều khiển có cấu trúc mô hình tiểu não cổ điển và những cải tiến được đề xuất
• 3.2. Bộ điều khiển có cấu trúc mô hình tiểu não sử dụng hàm Wavelet (Wavelet Cerebellar Model Articulation Controller : WCMAC)
• 3.3. Bộ điều khiển có cấu trúc mô hình tiểu não hồi tiếp (Recurrent Cerebellar Model Articulation Controller: RWCMAC)
• 3.4. Luận học theo thời gian thực
• 3.5. Kết quả thực nghiệm của bộ điều khiển WCMAC cho bàn trượt được điều khiển bởi động cơ tuyến tính áp điện
• 3.6. Kết quả thực nghiệm của bộ điều khiển RCMAC cho mô hình bàn trượt được điều khiển bởi động cơ áp điện
• 4. CHƯƠNG 4: BỘ ĐIỀU KHIỂN CÓ CẤU TRÚC MÔ HÌNH TIỂU NÃO BỀN VỮNG
• 4.1. Những yếu tố ảnh hưởng đến chỉ số bền vững của bộ điều khiển
• 4.2. Bộ điều khển có cấu trúc mô hình tiểu não bền vững
• 4.3. Kết quả mô phỏng của bộ điều khiển có cấu trúc mô hình tiểu não bền vững cho mô hình bàn trượt
• 5. CHƯƠNG 5: KẾT LUẬN VÀ CÁC ĐỀ XUẤT
• 5.1. Kết luận
• 5.2. Những đề xuất cho các nghiên cứu tiếp theo

Tóm tắt

I. Giới thiệu về Thiết kế bộ điều khiển MIMO và Hệ thống MIMO phi tuyến

Chương này tập trung vào thiết kế bộ điều khiển cho hệ thống MIMO phi tuyến. Nhiều ứng dụng thực tế là hệ thống phi tuyến MIMO, nhưng việc mô hình hóa chính xác động học của chúng rất khó khăn. Do đó, các bộ điều khiển dựa trên mô hình khó đạt hiệu quả mong muốn. Nghiên cứu này đề xuất giải pháp sử dụng CMAC để khắc phục hạn chế này. Hệ thống MIMO phức tạp do nhiều yếu tố như hiện tượng từ trễ, khe hở, bảo hòa, ma sát, liên kết giữa các thành phần, sự không chắc chắn, thay đổi tải và nhiễu. Vì vậy, việc thiết kế điều khiển cần xem xét các đặc tính phi tuyến này. Các phương pháp điều khiển truyền thống như PID và LQR, mặc dù đơn giản, nhưng hiệu quả thấp với hệ thống phi tuyến MIMO. Thuật toán tối ưu bầy đàn (PSO), bộ điều khiển logic mờ (FLC), và mạng nơ-ron (NN) được nghiên cứu, tuy nhiên, vẫn có những hạn chế về thời gian xử lý, lựa chọn tham số, và độ bền vững của hệ thống. Nghiên cứu tại HCMUTE này tập trung vào việc áp dụng và cải tiến CMAC để tối ưu hóa điều khiển hệ thống MIMO phi tuyến.

1.1 Phân tích các phương pháp điều khiển phi tuyến hiện có

Một số phương pháp điều khiển phi tuyến hiện có, bao gồm PSO, FLC, và NN, đã được xem xét. PSO phụ thuộc vào việc lựa chọn trọng số và không gian tìm kiếm, gây khó khăn trong điều chỉnh. FLC dựa trên tập mờ và luật mờ, việc thiết lập tối ưu rất phức tạp. NN, mặc dù có khả năng xấp xỉ hàm phi tuyến, nhưng việc lựa chọn số lượng nơ-ron và lớp mạng ảnh hưởng đến hiệu quả và khó áp dụng với hệ thống yêu cầu học trực tuyến. Tất cả các phương pháp này đều có những hạn chế nhất định trong việc xử lý các hệ thống MIMO phi tuyến với sự thay đổi tham số và nhiễu. Nghiên cứu tại HCMUTE hướng đến giải pháp khả thi hơn, đó là sử dụng và cải tiến thuật toán CMAC.

1.2 Ưu điểm của CMAC trong điều khiển MIMO

CMAC, với khả năng học nhanh, tổng quát hóa tốt và tính toán đơn giản, được lựa chọn là giải pháp chính. CMAC khác biệt với các phương pháp khác ở chỗ nó không phụ thuộc vào mô hình động học chính xác của hệ thống MIMO. Khả năng học trực tuyến của CMAC là ưu điểm lớn, giúp thích ứng nhanh với sự thay đổi của hệ thống. Việc sử dụng CMAC trong điều khiển MIMO phi tuyến hứa hẹn khắc phục được nhiều nhược điểm của các phương pháp truyền thống. Nghiên cứu tại HCMUTE tập trung vào việc khai thác tối đa các ưu điểm này. CMAC được đánh giá cao về khả năng đáp ứng nhanh và khả năng tổng quát hóa trong xử lý các tín hiệu phức tạp của hệ thống MIMO phi tuyến.

II. Thiết kế bộ điều khiển CMAC cho hệ thống MIMO phi tuyến

Phần này trình bày chi tiết thiết kế bộ điều khiển CMAC cho hệ thống MIMO phi tuyến. CMAC truyền thống được giới thiệu, nhấn mạnh các tính năng vượt trội so với các bộ điều khiển thông minh khác. Các yếu tố ảnh hưởng đến hiệu quả học tập của CMAC, như kích thước không gian địa chỉ và hàm thành viên, được phân tích. Mạng thần kinh CMAC được lựa chọn do khả năng học tập nhanh và khả năng tổng quát hóa tốt. Thiết kế điều khiển dựa trên việc tối ưu hóa các tham số của CMAC để đạt được hiệu năng mong muốn. Ứng dụng CMAC trong điều khiển hệ thống được trình bày một cách cụ thể.

2.1 Mô hình hóa hệ thống MIMO và thuật toán điều khiển CMAC

Mô hình hóa hệ thống MIMO phi tuyến là bước quan trọng. Do tính chất phi tuyến, mô hình chính xác khó đạt được. CMAC được sử dụng như một bộ xấp xỉ. Thuật toán điều khiển CMAC được thiết kế để học trực tuyến và thích ứng với sự thay đổi của hệ thống. Quá trình học tập của CMAC được diễn tả rõ ràng. Các tham số quan trọng của CMAC, chẳng hạn như kích thước không gian địa chỉ và hàm thành viên, được chọn lựa kỹ lưỡng để đảm bảo hiệu quả. Thiết kế điều khiển cần đảm bảo sự ổn định và độ chính xác của hệ thống. Ứng dụng CMAC trong điều khiển MIMO được minh họa thông qua sơ đồ khối và mô tả thuật toán.

2.2 Cải tiến CMAC và kiểm nghiệm thực nghiệm

Một số cải tiến cho CMAC được đề xuất, bao gồm việc sử dụng hàm Wavelet và cấu trúc hồi tiếp. Wavelet CMAC và Recurrent CMAC được thiết kế để cải thiện hiệu quả học tập và khả năng đáp ứng động. Kiểm nghiệm thực nghiệm được thực hiện trên các mô hình thực tế, chẳng hạn như mô hình điều khiển áp suất và mô hình điều khiển mức nước. Kết quả kiểm nghiệm cho thấy sự hiệu quả của các cải tiến đề xuất. Phân tích ổn định và robustness của hệ thống được đánh giá qua các chỉ số thực nghiệm. Ứng dụng thực tế của CMAC và các biến thể của nó được làm rõ.

III. Kết luận và Ứng dụng của CMAC

Chương này tóm tắt những kết quả chính của nghiên cứu. Hiệu quả của CMAC trong điều khiển hệ thống MIMO phi tuyến được khẳng định qua các kết quả mô phỏng và thực nghiệm. Những đóng góp chính của nghiên cứu được nhấn mạnh. Khả năng áp dụng của kết quả nghiên cứu trong các lĩnh vực thực tế được thảo luận. Nghiên cứu tại HCMUTE này mang tính ứng dụng cao.

3.1 Kết quả nghiên cứu và đóng góp khoa học

Nghiên cứu đã chứng minh hiệu quả của CMAC và các biến thể của nó trong điều khiển hệ thống MIMO phi tuyến. Các kết quả mô phỏng và thực nghiệm cho thấy khả năng bám sát tín hiệu đặt, ổn định và robustness cao của hệ thống. Nghiên cứu tại HCMUTE đã đóng góp vào việc phát triển và ứng dụng CMAC trong lĩnh vực điều khiển tự động. Đóng góp khoa học chính là việc đề xuất các giải pháp cải tiến CMAC, giúp nâng cao hiệu quả và khả năng thích ứng của thuật toán. Kết quả nghiên cứu có thể được ứng dụng trong nhiều hệ thống điều khiển công nghiệp khác nhau.

3.2 Khả năng ứng dụng thực tế và hướng phát triển

Kết quả nghiên cứu có khả năng ứng dụng thực tế cao trong nhiều lĩnh vực, như điều khiển robot, hệ thống hàng không, và các hệ thống công nghiệp khác. CMAC có thể được sử dụng để điều khiển các hệ thống có tính phi tuyến và không chắc chắn cao. Hệ thống điều khiển MIMO được thiết kế có tính bền vững cao. Hướng phát triển trong tương lai là nghiên cứu sâu hơn về việc tối ưu hóa các tham số của CMAC, tích hợp với các thuật toán khác để nâng cao hiệu quả hơn nữa. Nghiên cứu tại HCMUTE mở ra nhiều hướng phát triển mới trong lĩnh vực điều khiển tự động.

Nội dung chính

Tổng quan nghiên cứu

Hệ thống phi tuyến nhiều ngõ vào - nhiều ngõ ra (MIMO) là một trong những lĩnh vực nghiên cứu quan trọng trong điều khiển tự động, đặc biệt trong bối cảnh các hệ thống thực tế ngày càng phức tạp và không thể xác định chính xác mô hình động học. Theo ước tính, hơn 70% các hệ thống công nghiệp hiện nay có đặc tính phi tuyến và chịu ảnh hưởng của các thành phần không chắc chắn như nhiễu, thay đổi tải và sai số mô hình. Việc thiết kế bộ điều khiển cho các hệ thống này gặp nhiều thách thức do tính chất phi tuyến và không ổn định của mô hình.

Mục tiêu chính của luận văn là thiết kế bộ điều khiển cho hệ thống phi tuyến MIMO sử dụng bộ điều khiển có cấu trúc mô hình tiểu não (Cerebellar Model Articulation Controller - CMAC) nhằm đảm bảo hoạt động ổn định và bền vững dưới ảnh hưởng của sự thay đổi tham số mô hình và nhiễu. Nghiên cứu tập trung vào việc phát triển các biến thể của CMAC như Wavelet CMAC, Recurrent CMAC và hệ thống điều khiển bền vững Recurrent CMAC (RRCMACS) để nâng cao hiệu quả học, khả năng bám đuổi tín hiệu đặt, tăng tính ổn định và giảm thiểu ảnh hưởng của nhiễu và sự thay đổi tải trong quá trình vận hành.

Phạm vi nghiên cứu được thực hiện trong năm 2018 tại Trường Đại học Sư phạm Kỹ thuật Thành phố Hồ Chí Minh, với các mô hình thực nghiệm bao gồm mô hình điều khiển áp suất, mô hình điều khiển mức nước và mô hình bàn trượt điều khiển bởi động cơ tuyến tính áp điện. Ý nghĩa của nghiên cứu được thể hiện qua việc cải thiện các chỉ số thực hiện như độ chính xác bám đuổi, độ ổn định và khả năng chống nhiễu, góp phần nâng cao hiệu quả điều khiển trong các ứng dụng công nghiệp và phòng thí nghiệm tự động hóa.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Luận văn dựa trên các lý thuyết và mô hình sau:

• Hệ thống phi tuyến MIMO: Mô hình động học tổng quát của hệ thống phi tuyến MIMO được mô tả bằng phương trình trạng thái có chứa các thành phần không chắc chắn, sự thay đổi tải và nhiễu, thể hiện qua hàm phi tuyến danh định và ma trận độ lợi danh định cùng các sai số không xác định.

• Bộ điều khiển có cấu trúc mô hình tiểu não (CMAC): CMAC là một dạng mạng nơ ron liên kết không hoàn toàn, có khả năng học nhanh, tổng quát hóa tốt và tính toán đơn giản. CMAC sử dụng các không gian liên kết như không gian ngõ vào, vùng nhớ liên thuộc, trường liên kết dữ liệu, trọng số và ngõ ra để xử lý tín hiệu điều khiển.

• Hàm kích hoạt và hàm mục tiêu: Các hàm kích hoạt như Gaussian, Wavelet (Mexican Wavelet, Morlet) được sử dụng để xác định mức độ ảnh hưởng của biến ngõ vào đối với các lớp trong bộ điều khiển, giúp nâng cao hiệu quả học. Hàm mục tiêu được chọn là bình phương mặt trượt sai số nhằm cực tiểu sai số bám đuổi.

• Luật học và thuật toán cập nhật tham số: Thuật toán giảm độ dốc và thuật toán lan truyền ngược được áp dụng để cập nhật các tham số trọng số, tâm và độ rộng của hàm kích hoạt. Các hệ số tăng cường (momentum) và tỉ lệ (proportional) được thêm vào để tránh hội tụ tại điểm cực tiểu cục bộ và tăng tốc độ hội tụ.

• Bộ điều khiển hồi tiếp và bền vững: Kỹ thuật hồi tiếp (Recurrent) được tích hợp vào CMAC để tạo thành RCMAC, giúp cải thiện khả năng đáp ứng động. Bộ điều khiển bền vững (Robust Controller) được kết hợp với RCMAC tạo thành hệ thống RRCMACS nhằm giảm thiểu ảnh hưởng của nhiễu và thay đổi tải, đảm bảo sự ổn định và bền vững trong quá trình vận hành.

Phương pháp nghiên cứu

• Nguồn dữ liệu: Nghiên cứu sử dụng dữ liệu thực nghiệm từ các mô hình điều khiển áp suất (PCM), điều khiển mức nước (WLCM) và bàn trượt điều khiển bởi động cơ tuyến tính áp điện (LPM). Các mô hình này được xây dựng và giám sát theo thời gian thực bằng phần mềm Matlab kết hợp với các thiết bị cảm biến, biến tần và card giao tiếp PCI 1711.

• Phương pháp phân tích: Phân tích dựa trên mô phỏng và thực nghiệm, đánh giá hiệu quả của các bộ điều khiển CMAC, WCMAC, RCMAC và RRCMACS thông qua các chỉ số như độ chính xác bám đuổi tín hiệu đặt, độ ổn định hệ thống, khả năng chống nhiễu và giảm thiểu dao động. Các tham số bộ điều khiển được khởi tạo và điều chỉnh theo thuật toán học trực tuyến.

• Timeline nghiên cứu: Nghiên cứu được thực hiện trong năm 2018, bao gồm các giai đoạn: khảo sát lý thuyết và công nghệ hiện có, thiết kế bộ điều khiển CMAC và các biến thể, xây dựng mô hình thực nghiệm, tiến hành mô phỏng và thử nghiệm thực tế, phân tích kết quả và hoàn thiện báo cáo khoa học.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

1. Hiệu quả của bộ điều khiển CMAC trên mô hình điều khiển áp suất (PCM): Kết quả thực nghiệm cho thấy bộ điều khiển CMAC đạt được đáp ứng bám đuổi tín hiệu đặt dạng hàm bước với độ chính xác cao trong môi trường có thành phần không chắc chắn. Điện áp điều khiển dao động ổn định, đảm bảo áp suất trong bể duy trì theo tín hiệu đặt với sai số nhỏ, thể hiện qua đồ thị đáp ứng bám đuổi và tín hiệu điều khiển.

2. Ứng dụng CMAC trong mô hình điều khiển mức nước (WLCM): Bộ điều khiển CMAC cũng thể hiện khả năng bám đuổi tín hiệu đặt dạng hàm bước với sai số nhỏ, duy trì mức nước ổn định trong bể. Hệ thống hoạt động ổn định trong điều kiện có sự thay đổi tham số mô hình và nhiễu cảm biến, chứng minh tính bền vững của bộ điều khiển.

3. Cải tiến hiệu quả học với Wavelet CMAC (WCMAC) cho mô hình bàn trượt: Bộ điều khiển WCMAC sử dụng hàm kích hoạt Wavelet có tính khả vi cao hơn, giúp tăng tốc độ hội tụ và tránh cực tiểu cục bộ trong quá trình học. Thí nghiệm trên bàn trượt điều khiển bởi động cơ tuyến tính áp điện cho thấy WCMAC đạt được đáp ứng bám đuổi tín hiệu dạng hàm sine và hàm bước với độ chính xác và ổn định vượt trội so với bộ điều khiển PID truyền thống.

4. Khả năng đáp ứng động và bền vững của bộ điều khiển hồi tiếp RCMAC và hệ thống RRCMACS: Việc tích hợp kỹ thuật hồi tiếp giúp bộ điều khiển thích ứng tốt với các hệ thống động, cải thiện khả năng bám đuổi và giảm thiểu sai số. Hệ thống RRCMACS kết hợp bộ điều khiển bền vững giúp giảm đáng kể ảnh hưởng của nhiễu và thay đổi tải, nâng cao độ ổn định và bền vững trong quá trình vận hành.

Thảo luận kết quả

Nguyên nhân chính giúp các bộ điều khiển CMAC và các biến thể đạt hiệu quả cao là do khả năng học nhanh, tổng quát hóa tốt và không phụ thuộc vào mô hình động học chính xác của hệ thống. Việc sử dụng hàm kích hoạt có tính khả vi cao như Wavelet giúp cải thiện hiệu quả học và tránh hội tụ tại điểm cực tiểu cục bộ, điều mà các bộ điều khiển truyền thống như PID hay mạng nơ ron gặp phải.

So sánh với các nghiên cứu trước đây về bộ điều khiển PSO, FLC, NN, bộ điều khiển CMAC và các biến thể cho thấy ưu thế vượt trội về tốc độ học và khả năng bền vững khi có nhiễu và thay đổi tải. Kết quả thực nghiệm trên các mô hình thực tế như PCM, WLCM và bàn trượt đã minh chứng tính khả thi và hiệu quả của phương pháp đề xuất.

Dữ liệu có thể được trình bày qua các biểu đồ đáp ứng tín hiệu đặt và tín hiệu điều khiển, bảng so sánh sai số bám đuổi và độ ổn định giữa các bộ điều khiển khác nhau, giúp trực quan hóa hiệu quả và ưu điểm của bộ điều khiển CMAC và các biến thể.

Đề xuất và khuyến nghị

1. Phát triển bộ điều khiển CMAC tích hợp hàm kích hoạt Wavelet và hồi tiếp nhằm nâng cao hiệu quả học và khả năng đáp ứng động, giảm thiểu sai số bám đuổi trong các hệ thống phi tuyến MIMO phức tạp. Thời gian thực hiện: 1-2 năm; Chủ thể: các nhóm nghiên cứu và phòng thí nghiệm tự động hóa.

2. Thiết kế hệ thống điều khiển bền vững RRCMACS để đảm bảo sự ổn định và bền vững trong môi trường có nhiễu và thay đổi tải đột ngột, hướng tới ứng dụng trong công nghiệp và robot tự động. Thời gian thực hiện: 1 năm; Chủ thể: các viện nghiên cứu và doanh nghiệp công nghệ.

3. Xây dựng bộ công cụ phần mềm hỗ trợ thiết kế và mô phỏng bộ điều khiển CMAC và các biến thể giúp các nhà nghiên cứu và kỹ sư dễ dàng áp dụng và tùy chỉnh cho từng hệ thống cụ thể. Thời gian thực hiện: 6-12 tháng; Chủ thể: các nhóm phát triển phần mềm và trường đại học.

4. Đào tạo và chuyển giao công nghệ bộ điều khiển CMAC cho các phòng thí nghiệm và doanh nghiệp nhằm nâng cao năng lực nghiên cứu và ứng dụng trong lĩnh vực điều khiển tự động. Thời gian thực hiện: liên tục; Chủ thể: trường đại học, viện nghiên cứu và các tổ chức đào tạo.

Đối tượng nên tham khảo luận văn

1. Nhà nghiên cứu và sinh viên ngành điều khiển tự động và kỹ thuật điện tử: Luận văn cung cấp kiến thức chuyên sâu về thiết kế bộ điều khiển phi tuyến MIMO sử dụng CMAC, giúp nâng cao hiểu biết và kỹ năng nghiên cứu.

2. Kỹ sư phát triển hệ thống điều khiển công nghiệp: Các giải pháp điều khiển bền vững và hiệu quả trong luận văn có thể áp dụng trực tiếp vào thiết kế hệ thống điều khiển trong các nhà máy, dây chuyền sản xuất.

3. Phòng thí nghiệm tự động hóa và robot: Các mô hình thực nghiệm và bộ điều khiển được đề xuất là tài liệu tham khảo quý giá để phát triển các hệ thống điều khiển chính xác và ổn định.

4. Doanh nghiệp công nghệ và phát triển phần mềm điều khiển: Luận văn cung cấp cơ sở lý thuyết và thực nghiệm để phát triển các sản phẩm phần mềm và phần cứng điều khiển thông minh, thích nghi với môi trường phi tuyến và không chắc chắn.

Câu hỏi thường gặp

1. Bộ điều khiển CMAC khác gì so với bộ điều khiển PID truyền thống?
   CMAC là bộ điều khiển thông minh có khả năng học nhanh và tổng quát hóa tốt, không phụ thuộc vào mô hình động học chính xác, trong khi PID dựa trên mô hình tuyến tính và hiệu quả giảm khi hệ thống có đặc tính phi tuyến và thay đổi tham số.

2. Tại sao cần sử dụng hàm kích hoạt Wavelet trong CMAC?
   Hàm Wavelet có tính khả vi cao hơn hàm bước và Gaussian, giúp cải thiện hiệu quả học, tránh hội tụ tại điểm cực tiểu cục bộ và tăng tốc độ hội tụ trong quá trình cập nhật tham số.

3. Bộ điều khiển hồi tiếp RCMAC có ưu điểm gì?
   RCMAC tích hợp kỹ thuật hồi tiếp giúp bộ điều khiển thích ứng tốt với các hệ thống động, cải thiện khả năng bám đuổi tín hiệu đặt và giảm thiểu sai số trong điều kiện thay đổi và nhiễu.

4. Hệ thống điều khiển bền vững RRCMACS hoạt động như thế nào?
   RRCMACS kết hợp bộ điều khiển RCMAC với bộ điều khiển bền vững nhằm giảm thiểu ảnh hưởng của nhiễu và thay đổi tải, đảm bảo sự ổn định và bền vững trong quá trình vận hành hệ thống phi tuyến MIMO.

5. Các kết quả thực nghiệm được thực hiện trên những mô hình nào?
   Nghiên cứu thực nghiệm trên mô hình điều khiển áp suất, mô hình điều khiển mức nước và mô hình bàn trượt điều khiển bởi động cơ tuyến tính áp điện, chứng minh hiệu quả và tính khả thi của các bộ điều khiển đề xuất.

Kết luận

• Bộ điều khiển CMAC và các biến thể Wavelet CMAC, Recurrent CMAC, Robust Recurrent CMAC đã được thiết kế và thử nghiệm thành công trên các hệ thống phi tuyến MIMO thực tế.
• Các bộ điều khiển này thể hiện khả năng học nhanh, bám đuổi tín hiệu đặt chính xác, tăng tính ổn định và bền vững trong môi trường có nhiễu và thay đổi tải.
• Việc sử dụng hàm kích hoạt Wavelet và kỹ thuật hồi tiếp giúp cải thiện hiệu quả học và khả năng đáp ứng động của bộ điều khiển.
• Hệ thống điều khiển bền vững RRCMACS giảm thiểu đáng kể ảnh hưởng của các thành phần không chắc chắn, nâng cao độ ổn định trong quá trình vận hành.
• Các kết quả nghiên cứu mở ra hướng phát triển các bộ điều khiển thông minh, thích nghi cao cho các ứng dụng công nghiệp và robot tự động trong tương lai.

Next steps: Tiếp tục phát triển các thuật toán học nâng cao, mở rộng ứng dụng trong các hệ thống phức tạp hơn và xây dựng công cụ hỗ trợ thiết kế bộ điều khiển CMAC.

Call-to-action: Các nhà nghiên cứu và kỹ sư trong lĩnh vực điều khiển tự động được khuyến khích áp dụng và phát triển các giải pháp CMAC để nâng cao hiệu quả điều khiển trong thực tế.

Trích đoạn nội dung tài liệu

Chương 1 Giới thiệu về hệ thống phi tuyến MIMO và hệ thống điều khiển được đề xuất Chương 2 Bộ điều khiển có cấu trúc mô hình tiểu não Chương 3 Bộ điều khiển có cấu trúc mô hình tiểu não cải tiến Chương 4 Bộ điều khiển có cấu trúc mô hình tiểu não bền vững Chương 5 Kết luận và hướng nghiên cứu tiếp theo Hình 1.1: Cấu trúc của đề tài Trang 6 Luan van 1.3 Hệ thống phi tuyến MIMO gồm những thành phần không chắc chắn Phương trình động học tổng quát của hệ thống phi tuyến MIMO chịu ảnh hưởng của các thành phần không chắc chắn, sự thay đổi của tải và nhiễu được mô tả như sau., x no ]T  R no là vector ngõ ra của hệ thống, x  [x T , x T ,., x (n-1)T ]T  R n là vector trạng thái của hệ thống, n n u  [u1 ,u 2 ,.,u n o ]T  R no là vector ngõ vào điều khiển, F0 ( x)  R o là hàm phi tuyến danh định, G 0 (x)  R n o n o là ma trận độ lợi danh định, ΔF(x) và ΔG (x) là sự thay đổi của hàm phi tuyến và ma trận độ lợi, dn(x) = [dn1 ,dn 2 ,.,dn o ]T  R n o đại diện cho sự ảnh hưởng của tải và nhiễu tác động lên hệ thống, UD(x)  F(x) + G (x)u + dn(x) là gộp của các thành phần không xác định được gồm các thành phần không chắc chắn, sự thay đổi tải và nhiễu. Mục tiêu của hệ thống điều khiển là đảm bảo tín hiệu ngõ ra x không những có thể bám đuổi theo những quỹ đạo mong muốn x d  R n o mà còn đảm bảo sự bền vững khi chịu ảnh hưởng của các thành phần không chắc chắn UD(x) .4 Hệ thống điều khiển được đề xuất Đối với những hệ thống bậc cao, để giảm bậc của các biến trong quá tính toán và thiết kế hệ thống điều khiển, các biến điều khiển được tích hợp thành một biến mới gọi là mặt trượt sai số. Mặt trượt sai số trong nghiên cứu này có dạng như sau S  en-1 + Ke (1.2) Trang 7 Luan van T Trong đó e  xd  x và e  e, e,. , en-1  lần lượt là sai số bám đuổi và vector sai số của hệ thống.

Vi phân hai vế của mặt trượt sai số, s và kết hợp với phương trình động học (1.1) cho ra kết quả như sau S  en + Ke = xnd - xn + K(e)= x nd - Fo (x) - G o (x)u - UD(x) + K(e) (1.3) Trong trường hợp những hàm danh định In case of the nominal values Fo (x)  R n o x n , G o1 (x)  R no xno và các thành phần không chắc chắn UD(x) được xác định một cách chính xác, một bộ điều khiển trượt lý tưởng (Ideal Sliding Mode: ISM) được thiết kế để đảm bảo sự ổn định của hệ thống, [49],[52]-[53].4) Chứng minh ổn định của bộ điều khiển ISM: Dựa vào các công trình nghiên cứu về điều khiển trượt [29]-[30], hàm Lyapunov được chọn để chứng minh sự ổn định của bộ điều khiển như sau 1 (1.5) V(t) = S 2 2 Vi phân hai vế hàm Lyapunov (1.5) và thay tín hiệu điều khiển u trong phương trình (1.1) bằng uISM trong phương trình (1.4) cho ra kết quả như sau V(t)  SS  sηsgn(S)   η S (1.6) Bằng cách chọn η > 0 , ổn định của bộ điều khiển sẽ được đảm bảo theo điều kiện Lyapounov. Tuy nhiên, đối với những hệ thống phi tuyến phức tạp, có tính phi tuyến cao, các thành phần không chắc chắn UD(x) không thể đo, xác định hay ước lượng được một cách chính xác trong các ứng dụng thực tế. Vì vậy bộ điều khiển trượt lý tưởng uISM không thoải mãn được các chỉ số ổn định và bền vững của hệ thống. Trang 8 Luan van Để đối phó với những hạn chế của những bộ điều khiển dựa vào mô hình, nhiều bộ điều khiển hiện đại được nghiên cứu và phát triển như: Bộ điều khiển mờ (Fuzzy Logic Controller: FLC), Bộ điều khiển trượt (Sliding Mode Controller :SMC), mạng nơ ron (Neural Networks: NNs), và bộ điều khiển có cấu trúc mô hình tiểu não (Cerebellar Model Articulation Controller: CMAC) [17-51].

Mặc dù các công trình nghiên cứu ở trên đã đạt được những kết quả ấn tượng trong thiết kế các bộ điều khiển để đối phó với những hệ thống phi tuyến cao, đặc tính đáp ứng động và bền vững của hệ thống trong trường hợp tồn tại các thành phần không chắc chắn chưa được đề cập một cách đầy đủ. Nghiên cứu này đề xuất một hệ thống điều khiển có cấu trúc mô hình tiểu não hồi tiếp bền vững (Robust Recurrent Cerebellar Model Articulation Control System : RRCMACS) cho những hệ thống phi tuyến MIMO. Trong đó, bộ điều khiển có cấu trúc mô hình tiểu não hồi tiếp (Recurrent Cerebellar Model Articulation Controller: RCMAC) được thiết kế để học bộ điều khiển trượt lý tưởn nhằm cực tiểu mặt trượt sai và bộ điều khiển bền vững H được thiết kế để làm giảm những ảnh hưởng của các thành phần không chắc chắn tác động lên hệ thống nhằm đạt được chỉ số bám đuổi bền vững cho toàn hệ thống. Hệ thống điều khiển tổng thể được mô tả trong phương trình (1.7) uRRCMACS = uISM - uRC - uRCMAC (1.7) Trang 9 Luan van xd uISM = G -10 (x) xnd - Fo (x) - UD(x) + K(e) - ηsgn(s)  w , m , , w r xd + Learning u ISM n 1 Rules w ˆ , ˆ , w ˆ,m ˆr + e S e + Ke x- - RCMAC UD(x)  u RCMAC MIMO Nonlinear S + u RC - System Robust Controller β u RRCMACS Hình 1.2: Sơ đồ khối của hệ thống điều khiển được đề xuất Sơ đồ khối của hệ thống điều khiển được đề xuất bao gồm ba thành phần chính như sau: Bộ điều khiển trượt lý tưởng được sử dụng trong trường hợp các thành phần không chắc chắn được xác định được một cách chính xác Bộ điều khiển RCMAC là bộ điều khiển chính, nó được sử dụng để học các thành phần không chắc chắn UD(x) nhằm cực tiểu mặt trượt sai số S.

Với việc chọn lựa tốc độ học phù hợp, mặt trượt sai số S tiến về zero bởi khả năng học của bộ điều khiển RCMAC. Bộ điều khiển bền vững u RC có chức năng đảm bảo cho hệ thống hoạt động bền vững trong trường hợp tồn tại các thành phần không chắc chắn trong suốt quá trình hoạt động Trang 10 Luan van Chương 2: BỘ ĐIỀU KHIỂN CÓ CẤU TRÚC MÔ HÌNH TIỂU NÃO 2.1 Giới thiệu về bộ điều khiển có cấu trúc mô hình tiễu não. Bộ điều khiển có cấu trúc mô hình tiễu não (Cerebellar model articulation controller: CMAC) có cấu trúc của một mô hình mạng nơ ron liên kết không hoàn toàn được đề xuất bởi tác giả Albus [54]–[56]. Bộ điều khiển CMAC với khả năng học nhanh và tổng quát hóa tốt đã được nghiên cứu và phát triển để nhận dạng và điều khiển các hệ thống phi tuyến phức tạp [57]-[59].

Với những thuộc tính vượt trội của nó, bộ điều khiển CMAC không yêu cầu phải biết trước nhiều thông tin về hệ thống. Vì vậy nó được xem như là một bộ điều khiển thông minh, phù hợp cho nhiều hệ thống phi tuyến trong thực tế [60]-[61]. Những thuộc tính vượt trội của bộ điều khiển CMAC so với NNs đã được trình bày và chứng minh trong [62]-[64].1 Block diagram of the proposed control system and Structure of the CMAC Bộ điều khiển CMAC với khả năng học nhanh và tổng quát hóa tốt đóng một vài trò quan trọng trong việc học các thành phần không chắc chắn, UD(x) để cực tiểu mặt trượt sai số. Sơ đồ khối của hệ thống điều khiển sử dụng CMAC và cấu trúc của bộ điều khiển CMAC lần lượt được trình bày trong Hình 2.

Bộ điều khiển CMAC bao gồm các không gian liên kết với nhau như: Không gian ngõ vào S , không gian vùng nhớ liên thuộc A , không gian trường liên kết dữ liệu R , không gian trọng số W , và không gian ngõ ra O. Sự lan truyền tín hiệu giữa các không gian trong bộ điều khiển CMAC được trình bày như sau [48], [65]. Trang 11 Luan van xd  n  0 (x)  xd - Fo (x) - UD(x) + K(e) - ηsgn(s)  uISM = G -1 η w , η m , ησ , η w r xd + Learning u ISM w, ˆ σ, ˆ m, ˆ wˆr e S e n-1 + Ke Rules + x- - CMAC UD(x)  u CMAC MIMO Nonlinear S + System Compensator u CC - Controller ηB u CMACS Hình 2.1: Sơ đồ khối hệ thống điều khiển sử dụng CMAC Input Association Me- Receptive Weight Memory Output Space S mory Space A Field Space R Space W Space O O1  S1 μ1k bik w1k Oj  w jk Sn i μ ik Layer 1 nk Hình 2.2: Cấu trúc của bộ điều khiển CMAC Trang 12 Luan van Trong nghiên cứu này, những mặt trượt sai số được xem như những biến cần điều chỉnh tại không gian ngõ vào, S = [S1 S2 S3. Mỗi biến ngõ vào Si có thể được lượng tử thành n e khoảng rời rạc khác nhau tương ứng với không gian làm việc của hệ thống.

Đối những bộ điều khiển CMAC cổ điển, hàm bước được sử dụng để xác định mức độ ảnh hưởng của biến ngõ vào đối với các lớp (layer) của bộ điều khiển. Tuy nhiên hàm bước chỉ có hai trạng thái là 0 hoặc 1 để xác định ảnh hưởng của biến ngõ vào, không có tính khả vi nên hiệu quả học của bộ điều khiển không cao. Để nâng cao hiệu quả học của bộ điều khiển CMAC, những hàm có tính khả vi cao hơn như: Gaussian, Gaussian Wavelet, Mexican Wavelet, và Morlet được nghiên cứu và sử dụng để tính mức độ phụ thuộc của các biến ngõ vào đối với các lớp của bộ điều khiển. Đáp ứng ngõ ra với ngõ vào của những hàm khả vi này được trình bày như hình 2.5 2 Input Input   Si - mik 2  Si - mik   Si - mik 2  μ ik (Si ) = exp -  μ ik (Si ) = - exp -   2σik2  σik  2σik2  Gaussian Gaussian Wavelet Trang 13 Luan van 1 1 0.