Đặt vấn đề Bài toán nhận dạng và điều khiển các hệ phi tuyến đa biến dựa trên mô hình toán học chặt chẽ ngày càng tỏ ra bế tắc, do tính phi tuyến phức tạp của hệ phi tuyến đa biến được khảo sát, do các yếu tố không ổn định (uncertainties) bên trong và của cả môi trường ngoài hệ thống. Vì thế ngày càng có nhiều nghiên cứu tập trung vào các mô hình và các bộ ước lượng và điều khiển ứng dụng tính toán mềm dựa trên mạng nơ rôn hoặc logic mờ. Phát triển từ các thành tựu gần đây, đề tài này sẽ phát triển và khai thác mô hình mờ thích nghi ứng dụng trong điều khiển hệ phi tuyến đa biến nhiều ngõ vào, nhiều ngõ ra (MIMO). Cấu trúc mô hình mờ thích nghi với các thông số được tối ưu bởi giải thuật tính toán tối ưu mềm, bằng cách cực tiểu hàm chỉ tiêu chất lượng có dạng bình phương sai số nhỏ nhất (LMSE).
Để đảm báo chất lượng, tính ổn định của bộ điều khiển được chứng minh dựa theo lý thuyết ổn định Lyapunov. Các hệ phi tuyến đa biến tiêu biểu như robot dạng người, tay máy cơ bắp nhân tạo (PAM), mô hình phi tuyến có trễ bồn nước liên kết đôi [15] sẽ được lựa chọn làm mô hình phi tuyến đa biến MIMO thực chứng để kiểm chứng thực nghiệm tính ưu việt của các giải thuật được đề xuất. a) Tình hình nghiên cứu quốc tế Từ khi Zadeh đề xuất mô hình mờ Fuzzy năm 1965, đã có rất nhiều nghiên cứu trong lĩnh vực này. Mô hình Fuzzy được áp dụng trong rất nhiều lĩnh vực như y học, kỹ thuât, tài chính, thống kê, v.
Trong chuyên ngành điều khiển thông minh, giải thuật Fuzzy đã ứng dụng thành công trong các mảng điều khiên, nhận dạng, phân lớp, phân nhóm,. Hiện tại, có rất nhiều nghiên cứu về lĩnh vực nhận dạng với đủ các cách tiếp cận từ kinh điển tới những phương pháp ứng dụng giải thuật thông minh, như mạng thần kinh Neural [2], [3] hay mô hình Fuzzy [4], [5]. Một trong những bài toán lớn trong lĩnh vực nhận dạng thông minh chính là nhận dạng mô hình phi tuyến đa biến nhiều ngõ vào, nhiều ngõ ra (MIMO-Multiple Inputs Multiple Outputs) bởi sự phức tạp và nhiều yếu tố không chắc chắn (uncertainties) kèm theo. 14 Mô hình MIMO phi tuyến đa biến rất khó để nhận dạng dựa vào các quan hệ toán học.
Để khắc phục nhược điểm đó cũng như lợi dụng khả năng tính toán của máy tính, các công cụ tính toán tối ưu tiến hóa như GA, PSO đã được áp dụng trong việc nhận dạng tối ưu các mô hình nhận dạng thông minh như mạng Neural hay mô hình Fuzzy. Tuy nhiên các giải thuật GA, PSO đều có những hạn chế như thuật toán PSO tuy đơn giản, dễ lập trình, nhưng dễ bị rơi vào cực trị cục bộ; thuật toán GA cho kết quả toàn cục tốt, nhưng mất nhiều thời gian tính toán [17]. Gần đây, giải thuật tiến hoá vi sai (Differential Evolution - DE) [6] đang trở nên phổ biến trong lĩnh vực tính toán tối ưu. Nó cho kết quả tối ưu toàn cục và có thời gian tính toán ít hơn so với thuật toán GA [16], [18].
Trong đề tài này, giải thuật DE sẽ được ứng dụng để tối ưu mô hình mờ thích nghi dùng cho bài toán điều khiển các hệ đa biến MIMO phi tuyến. Trong những năm gần đây, mô hình mờ Takagi-Sugeno [7] được ứng dụng rộng rãi trong nhiều lĩnh vực nhận dạng và điều khiển. Các tác giá trong [9] sử dụng GA để huấn luyện mô hình mờ áp dụng vào bài toán nhận dạng một số mô hình phi tuyến trong môi trường Matlab/Simulink. Các tác giả trong bài báo [10], [11] sử dụng giải thuật tối ưu bầy đàn PSO để tối ưu cấu trúc mô hình Fuzzy trong bài toán phân lớp.
Giải thuật Fuzzy đang được sử dụng rộng rãi trong nhận dạng hệ phi tuyến SISO và MIMO, nhưng đó mới chỉ áp dụng cho mô hình có cấu trúc đơn giản. Đối với các mô hình phức tạp thực tế, thiết kế mô hình mờ yêu cầu phải có thời gian tính toán lâu hơn do có nhiều hàm liên thuộc cùng số lượng luật mờ phức tạp. Các tác giả trong [3] sử dụng giải thuật MGA huấn luyện mô hình Fuzzy NARX dung nhận dạng sợi cơ khí nén nhân tạo ứng dụng trong robot dịch vụ. Các tác giả trong [12] giới thiệu sơ đồ Fuzzy nhiều lớp như là một phần của mảng Fuzzy-Neural.
Mô hình Fuzzy nhiều lớp là một trong các phân lớp thuộc mảng Fuzzy-Neural [13], [14]. Không như mô hình Fuzzy cổ điển, mô hình Fuzzy nhiều lớp rất khó xây dựng dựa trên kinh nghiệm của người thiết kế, nó thường chỉ có thể được tạo ra hoặc được huấn luyện với các giải thuật tính toán tối ưu mềm. Nó có thể được áp dụng hiệu quả để nhận dạng các hệ MIMO phức tạp và dễ dàng thay đổi cấu trúc, với độ phức tạp mô hình chỉ tỉ lệ thuận theo độ phức tạp của đối tượng MIMO phi tuyến. Tác giả của [14] sử dụng mô hình Fuzzy 15 nhiều lớp trong điều khiển hệ thống con lắc ngược trên xe đẩy qua mô phỏng Matlab/Simulink.
Từ khi Zadeh đề xuất mô hình mờ Fuzzy năm 1965, đã có rất nhiều nghiên cứu trong lĩnh vực này. Mô hình Fuzzy được áp dụng trong rất nhiều lĩnh vực như y học, kỹ thuât, tài chính, thống kê, v. Trong chuyên ngành điều khiển thông minh, giải thuật Fuzzy đã ứng dụng thành công trong các mảng điều khiên, nhận dạng, phân lớp, phân nhóm,. Hiện tại, có rất nhiều nghiên cứu về lĩnh vực nhận dạng với đủ các cách tiếp cận từ kinh điển tới những phương pháp ứng dụng giải thuật thông minh, như mạng thần kinh Neural [2], [3] hay mô hình Fuzzy [4], [5].
Một trong những bài toán lớn trong lĩnh vực nhận dạng thông minh chính là nhận dạng mô hình phi tuyến đa biến nhiều ngõ vào, nhiều ngõ ra (MIMO-Multiple Inputs Multiple Outputs) bởi sự phức tạp và nhiều yếu tố không chắc chắn (uncertainties) kèm theo. Mô hình MIMO phi tuyến đa biến rất khó để nhận dạng dựa vào các quan hệ toán học. Để khắc phục nhược điểm đó cũng như lợi dụng khả năng tính toán của máy tính, các công cụ tính toán tối ưu tiến hóa như GA, PSO đã được áp dụng trong việc nhận dạng tối ưu các mô hình nhận dạng thông minh như mạng Neural hay mô hình Fuzzy. Tuy nhiên các giải thuật GA, PSO đều có những hạn chế như thuật toán PSO tuy đơn giản, dễ lập trình, nhưng dễ bị rơi vào cực trị cục bộ; thuật toán GA cho kết quả toàn cục tốt, nhưng mất nhiều thời gian tính toán [17].
Gần đây, giải thuật tiến hoá vi sai (Differential Evolution - DE) [6] đang trở nên phổ biến trong lĩnh vực tính toán tối ưu. Nó cho kết quả tối ưu toàn cục và có thời gian tính toán ít hơn so với thuật toán GA [16], [18]. Trong đề tài này, giải thuật DE sẽ được ứng dụng để tối ưu mô hình mờ thích nghi dùng cho bài toán điều khiển các hệ đa biến MIMO phi tuyến. Trong những năm gần đây, mô hình mờ Takagi-Sugeno [7] được ứng dụng rộng rãi trong nhiều lĩnh vực nhận dạng và điều khiển.
Các tác giá trong [9] sử dụng GA để huấn luyện mô hình mờ áp dụng vào bài toán nhận dạng một số mô hình phi tuyến trong môi trường Matlab/Simulink. Các tác giả trong bài báo [10], [11] sử dụng giải thuật tối ưu bầy đàn PSO để tối ưu cấu trúc mô hình Fuzzy trong bài toán phân lớp. 16 Giải thuật Fuzzy đang được sử dụng rộng rãi trong nhận dạng hệ phi tuyến SISO và MIMO, nhưng đó mới chỉ áp dụng cho mô hình có cấu trúc đơn giản. Đối với các mô hình phức tạp thực tế, thiết kế mô hình mờ yêu cầu phải có thời gian tính toán lâu hơn do có nhiều hàm liên thuộc cùng số lượng luật mờ phức tạp.
Các tác giả trong [3] sử dụng giải thuật MGA huấn luyện mô hình Fuzzy NARX dung nhận dạng sợi cơ khí nén nhân tạo ứng dụng trong robot dịch vụ. Các tác giả trong [12] giới thiệu sơ đồ Fuzzy nhiều lớp như là một phần của mảng Fuzzy-Neural. Mô hình Fuzzy nhiều lớp là một trong các phân lớp thuộc mảng Fuzzy-Neural [13], [14]. Không như mô hình Fuzzy cổ điển, mô hình Fuzzy nhiều lớp rất khó xây dựng dựa trên kinh nghiệm của người thiết kế, nó thường chỉ có thể được tạo ra hoặc được huấn luyện với các giải thuật tính toán tối ưu mềm.
Nó có thể được áp dụng hiệu quả để nhận dạng các hệ MIMO phức tạp và dễ dàng thay đổi cấu trúc, với độ phức tạp mô hình chỉ tỉ lệ thuận theo độ phức tạp của đối tượng MIMO phi tuyến. Tác giả của [14] sử dụng mô hình Fuzzy nhiều lớp trong điều khiển hệ thống con lắc ngược trên xe đẩy qua mô phỏng Matlab/Simulink. b) Tình hình nghiên cứu trong nước Trong nước, cũng có nhiều phòng thí nghiệm nghiên cứu mạnh về lĩnh vực điều khiển ứng dụng mô hình mờ thích nghi như: V. Yen và cộng sự [18], [19] sử dụng mô hình mờ thích nghi hồi qui và mô hình nơ ron thích nghi điều khiển hệ robot công nghiệp.
Nhóm tác giả Sy Dung Nguyen và cộng sự [20-22] sử dụng mô hình ANFIS trong ứng dụng điều khiển hệ giảm chấn. Nhóm tác giả Cao Văn Kiên, Nguyễn Ngọc Sơn và Hồ Phạm Huy Ánh [23-27] cũng đã có những nghiên cứu sơ khởi về hướng đề tài kết hợp giữa các thuật toán thích nghi và giải thuật tối ưu được công bố trong các năm gần đây như bài báo [23] kết hợp giải thuật lai giữa thuật toán LQR kết hợp mô hình mờ và giải thuật tối ưu. Bài báo [24] áp dụng giải thuật điều khiển mờ thích nghi kết hợp thuật toán tối ưu DE. Bài báo [25],[27] áp dụng giải thuật tối ưu nhận dạng tham số mô hình mờ, nơ ron để mô tả đặc tính toán học của các mô hình phi tuyến.
Bài báo [26] áp dụng kỹ thuật điều khiển nơ ron thích nghi điều khiển hệ tay máy PAM. c) Đánh giá kết quả các công trình nghiên cứu đã công bố Tuy nghiên các công trình nghiên cứu chỉ áp dụng phương pháp điều khiển thích nghi dựa vào lý thuyết ổn định Lyapunov có cải tiến. Hướng tiếp cận áp dụng cả giải thuật điều 17 khiển thích nghi kết hợp giải thuật tính toán mềm tối ưu vẫn còn chưa được quan tâm nghiên cứu mạnh. Nhóm nghiên cứu cũng đã có cơ sở làm thành công giải thuật điều khiển thích nghi kết hợp giải thuật tính toán tối ưu điều khiển cho hệ SISO.
Đây là cơ sở để nhóm tiếp tục nghiên cứu nâng cao giải thuật áp dụng cho hệ MIMO sắp tới.
