Luận Văn Thạc Sĩ Kỹ Thuật Về Ứng Dụng Mạng Nơron Trong Nhận Dạng Và Điều Khiển

Luận văn thạc sĩ kỹ thuật điều khiển ứng dụng mạng nơron trong nhận dạng và điều khiển, khám phá công nghệ tiên tiến và giải pháp hiệu quả.

• Tác giả: Tạ Thị Chinh
• Người hướng dẫn: TS. Nguyễn Hoài Nam
• Trường học: Trường Đại Học Bách Khoa Hà Nội
• Chuyên ngành: Kỹ thuật Điều khiển và Tự động hóa
• Đề tài: Ứng Dụng Mạng Nơ-Ron Trong Nhận Dạng Và Điều Khiển
• Loại tài liệu: luận văn
• Năm xuất bản: 2020
• Địa điểm: Hà Nội

Mục lục chi tiết

• LỜI CẢM ƠN
• 1. CHƯƠNG 1: MẠNG NƠ-RON VÀ ỨNG DỤNG
• 1.1. Lịch sử phát triển mạng nơ-ron
• 1.2. Mạng nơ-ron nhân tạo
• 1.3. Ứng dụng của mạng nơ-ron
• 1.4. Mô hình nơ-ron nhân tạo
• 1.4.1. Mô hình nơ-ron
• 1.4.2. Cấu trúc mạng
• 1.5. Ứng dụng trong điều khiển
• 1.5.1. Nhận dạng hệ thống
• 1.5.2. Thiết kế bộ điều khiển
• 1.5.3. Ứng dụng trong cánh tay Robot một bậc tự do
• 1.6. Kết luận chương 1
• 2. PHƯƠNG PHÁP ĐIỀU KHIỂN DỰ BÁO DỰA TRÊN MẠNG NƠ-RON
• 2.1. Phương pháp điều khiển dự báo
• 2.2. Phương pháp điều khiển dự báo dựa trên mạng nơ-ron
• 2.2.1. Nhận dạng dùng mạng nơ-ron
• 2.2.2. Phương pháp tối ưu
• 2.2.3. Mô hình mạng nơ-ron
• 2.3. Kết luận chương 2
• 3. THIẾT KẾ BỘ ĐIỀU KHIỂN DỰ BÁO CHO CÁNH TAY MÁY MỘT BẬC TỰ DO
• 3.1. Mô hình toán của cánh tay máy một bậc tự do
• 3.2. Nhận dạng dùng mạng nơ-ron
• 3.3. Tuyến tính hóa mạng nơ-ron
• 3.4. Thiết kế bộ điều khiển dự báo dùng mạng nơ-ron
• 3.5. Kết quả mô phỏng
• 3.6. Kết luận chương 3
• KẾT LUẬN - KIẾN NGHỊ
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Tổng Quan Về Ứng Dụng Mạng Nơron Trong Nhận Dạng

Mạng nơron đã trở thành một công cụ quan trọng trong lĩnh vực nhận dạng và điều khiển. Chúng được sử dụng để giải quyết nhiều bài toán phức tạp, từ nhận dạng hình ảnh đến điều khiển tự động. Sự phát triển của mạng nơron đã mở ra nhiều cơ hội mới cho các ứng dụng trong công nghiệp và nghiên cứu. Việc hiểu rõ về lịch sử và sự phát triển của mạng nơron sẽ giúp nhận thức rõ hơn về tiềm năng của nó trong tương lai.

1.1. Lịch Sử Phát Triển Mạng Nơron

Mạng nơron có nguồn gốc từ những nghiên cứu về hệ thần kinh của con người. Từ những năm 1940, các nhà khoa học đã bắt đầu phát triển các mô hình nơron nhân tạo. Những nghiên cứu này đã dẫn đến sự ra đời của các thuật toán như Back-propagation, giúp cải thiện khả năng học tập của mạng nơron.

1.2. Các Loại Mạng Nơron Nhân Tạo

Có nhiều loại mạng nơron khác nhau, bao gồm mạng nơron hồi tiếp, mạng nơron tích chập và mạng nơron nhiều lớp. Mỗi loại có những đặc điểm và ứng dụng riêng, từ nhận dạng hình ảnh đến xử lý ngôn ngữ tự nhiên.

II. Thách Thức Trong Ứng Dụng Mạng Nơron

Mặc dù mạng nơron mang lại nhiều lợi ích, nhưng cũng tồn tại nhiều thách thức trong việc áp dụng chúng vào thực tế. Các vấn đề như overfitting, thiếu dữ liệu huấn luyện và thời gian tính toán là những yếu tố cần được xem xét. Việc giải quyết những thách thức này là rất quan trọng để tối ưu hóa hiệu suất của mạng nơron.

2.1. Vấn Đề Overfitting Trong Mạng Nơron

Overfitting xảy ra khi mạng nơron học quá nhiều từ dữ liệu huấn luyện, dẫn đến khả năng tổng quát kém. Các phương pháp như regularization và dropout có thể được áp dụng để giảm thiểu vấn đề này.

2.2. Thiếu Dữ Liệu Huấn Luyện

Thiếu dữ liệu huấn luyện có thể làm giảm hiệu suất của mạng nơron. Việc sử dụng các kỹ thuật tăng cường dữ liệu có thể giúp cải thiện khả năng học tập của mạng trong những trường hợp này.

III. Phương Pháp Giải Quyết Vấn Đề Bằng Mạng Nơron

Để giải quyết các vấn đề trong nhận dạng và điều khiển, nhiều phương pháp đã được phát triển dựa trên mạng nơron. Các phương pháp này không chỉ giúp cải thiện độ chính xác mà còn tối ưu hóa thời gian xử lý. Việc áp dụng các thuật toán học sâu đã mang lại những kết quả ấn tượng trong nhiều lĩnh vực.

3.1. Phương Pháp Học Sâu Trong Nhận Dạng Hình Ảnh

Học sâu sử dụng các mạng nơron nhiều lớp để nhận dạng hình ảnh với độ chính xác cao. Các mô hình như Convolutional Neural Networks (CNN) đã chứng minh hiệu quả trong việc phân loại và nhận diện đối tượng.

3.2. Phương Pháp Điều Khiển Tự Động

Mạng nơron cũng được sử dụng trong điều khiển tự động, giúp tối ưu hóa quy trình sản xuất và giảm thiểu lỗi. Các bộ điều khiển dựa trên mạng nơron có khả năng học hỏi từ dữ liệu thực tế để cải thiện hiệu suất.

IV. Ứng Dụng Thực Tiễn Của Mạng Nơron

Mạng nơron đã được áp dụng rộng rãi trong nhiều lĩnh vực khác nhau, từ y tế đến công nghiệp. Các ứng dụng này không chỉ giúp cải thiện hiệu suất mà còn tạo ra giá trị kinh tế lớn. Việc nghiên cứu và phát triển các ứng dụng mới sẽ tiếp tục mở ra nhiều cơ hội trong tương lai.

4.1. Ứng Dụng Trong Y Tế

Trong y tế, mạng nơron được sử dụng để chẩn đoán bệnh và phân tích hình ảnh y khoa. Các mô hình học sâu đã giúp cải thiện độ chính xác trong việc phát hiện các bệnh lý.

4.2. Ứng Dụng Trong Công Nghiệp

Trong công nghiệp, mạng nơron được sử dụng để tối ưu hóa quy trình sản xuất và kiểm soát chất lượng. Việc áp dụng công nghệ này đã giúp giảm thiểu chi phí và tăng năng suất.

V. Kết Luận Và Tương Lai Của Mạng Nơron

Mạng nơron đã chứng minh được giá trị của mình trong nhiều lĩnh vực và sẽ tiếp tục phát triển trong tương lai. Việc nghiên cứu và cải tiến các thuật toán sẽ giúp mở rộng khả năng ứng dụng của chúng. Tương lai của mạng nơron hứa hẹn sẽ mang lại nhiều đột phá trong công nghệ và khoa học.

5.1. Xu Hướng Nghiên Cứu Mới

Các xu hướng nghiên cứu mới trong lĩnh vực mạng nơron bao gồm việc phát triển các mô hình nhẹ hơn và hiệu quả hơn. Điều này sẽ giúp mở rộng khả năng ứng dụng của mạng nơron trong các thiết bị di động và nhúng.

5.2. Tương Lai Của Mạng Nơron Trong Công Nghệ

Mạng nơron sẽ tiếp tục đóng vai trò quan trọng trong sự phát triển của trí tuệ nhân tạo. Các ứng dụng trong tự động hóa, nhận dạng và phân tích dữ liệu sẽ ngày càng trở nên phổ biến.

Nội dung chính

Tổng quan nghiên cứu

Trong xu thế phát triển mạnh mẽ của cuộc Cách mạng Công nghiệp 4.0, các cơ cấu chấp hành tự động và cánh tay robot công nghiệp đòi hỏi độ chính xác điều khiển ngày càng khắt khe với yêu cầu sai số vị trí dưới 1% và thời gian xác lập dưới 0,5 giây. Tuy nhiên, các hệ thống cơ điện tử thực tế luôn chứa đựng các thành phần phi tuyến phức tạp như ma sát tĩnh, mô-men quán tính thay đổi theo góc quay và các yếu tố nhiễu động bất định. Các phương pháp điều khiển tuyến tính cổ điển như PID hay LTI bộc lộ nhiều hạn chế khi đối tượng vận hành ở các dải trạng thái rộng, dẫn đến hiện tượng vọt lố cao và suy giảm độ ổn định.

Trước thách thức đó, luận văn thạc sĩ chuyên ngành Kỹ thuật Điều khiển và Tự động hóa của tác giả Tạ Thị Chinh, thực hiện năm 2020 tại Viện Điện – Trường Đại học Bách khoa Hà Nội dưới sự hướng dẫn khoa học của TS. Nguyễn Hoài Nam, đã tập trung giải quyết bài toán nhận dạng và điều khiển hệ phi tuyến. Đề tài hướng tới mục tiêu xây dựng mô hình xấp xỉ chính xác động lực học đối tượng bằng mạng nơ-ron nhân tạo (ANN), từ đó phát triển thuật toán điều khiển dự báo dựa trên mô hình nơ-ron (NN-MPC) tối ưu cho cánh tay máy một bậc tự do (1-DOF). Phạm vi nghiên cứu tập trung vào việc mô phỏng, đánh giá thuật toán trên môi trường MATLAB/Simulink trong giai đoạn nghiên cứu 2018–2020. Ý nghĩa khoa học và thực tiễn của công trình được thể hiện qua việc giảm thiểu sai số bám quỹ đạo về mức tiệm cận 0, tối ưu hóa năng lượng điều khiển qua hàm mục tiêu bình phương cực tiểu và triệt tiêu hoàn toàn độ quá điều chỉnh so với các bộ điều khiển phản hồi thông thường.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Luận văn xây dựng trên nền tảng tích hợp giữa lý thuyết mạng nơ-ron nhân tạo và lý thuyết điều khiển dự báo tối ưu trong miền thời gian thực. Các khung lý thuyết và mô hình cốt lõi bao gồm:

• Lý thuyết mạng nơ-ron nhiều lớp (Multilayer Perceptron - MLP) và mạng xuyên tâm (RBF): Mạng MLP được cấu trúc gồm lớp đầu vào, lớp ẩn và lớp đầu ra. Trong đó, các nơ-ron ở lớp ẩn sử dụng hàm truyền phi tuyến Tangent Hyperbolic (tansig) với miền giá trị biến thiên liên tục trong khoảng từ -1 đến +1, đảm bảo khả năng xấp xỉ mượt mà các đặc tính phi tuyến cao bậc. Lớp đầu ra sử dụng hàm truyền tuyến tính (purelin). Mạng RBF với hàm nhân Gauss được sử dụng để xấp xỉ các thành phần hàm bất định trong mô hình toán học theo tiêu chuẩn ổn định Lyapunov.
• Lý thuyết điều khiển dự báo dựa trên mô hình (Model Predictive Control - MPC): Chiến lược điều khiển hiện đại ra đời từ những năm 1960 và được phát triển mạnh mẽ qua các nghiên cứu của Richalet (1993). MPC giải bài toán tối ưu hóa chuỗi tín hiệu điều khiển trực tuyến trong một phạm vi dự báo (Prediction Horizon) và phạm vi điều khiển (Control Horizon) xác định, đảm bảo triệt tiêu sai lệch giữa quỹ đạo dự báo và tín hiệu đặt trước.
• Các khái niệm then chốt: Nhận dạng hệ thống phi tuyến (Nonlinear System Identification), Tuyến tính hóa Taylor cục bộ mạng nơ-ron quanh điểm làm việc, Giải thuật lan truyền ngược (Back-propagation) và Thuật toán tối ưu hóa tham số Levenberg-Marquardt (LM).

Phương pháp nghiên cứu

• Nguồn dữ liệu và cỡ mẫu: Dữ liệu nghiên cứu được thu thập từ mô hình toán học phi tuyến của cánh tay máy một bậc tự do thiết lập trong môi trường MATLAB/Simulink. Tập dữ liệu huấn luyện và kiểm thử bao gồm 1.200 điểm dữ liệu đầu vào - đầu ra mẫu (Input-Output samples) được ghi nhận ở tần số lấy mẫu 100 Hz (chu kỳ trích mẫu 0,01 giây).
• Phương pháp chọn mẫu: Tác giả áp dụng phương pháp kích thích tín hiệu đa tần ngẫu nhiên (Random Amplitude Signal) với dải biên độ điện áp cấp từ -10V đến +10V. Phương pháp này đảm bảo bao phủ toàn bộ không gian trạng thái hoạt động của cánh tay máy, từ trạng thái quá độ góc nhỏ đến góc quay lớn, giúp mạng nơ-ron học được toàn diện các đặc tính động học và ma sát phi tuyến của hệ thống.
• Phương pháp phân tích và lý do lựa chọn: Luận văn lựa chọn thuật toán huấn luyện Levenberg-Marquardt vì đây là phương pháp tối ưu bậc hai kết hợp giữa phương pháp hạ Gradient sâu nhất và thuật toán Gauss-Newton. Giải thuật LM cho tốc độ hội tụ nhanh hơn từ 10 đến 100 lần so với giải thuật lan truyền ngược cơ bản, đồng thời hạn chế tối đa nguy cơ rơi vào điểm cực tiểu địa phương. Sau khi mạng nơ-ron được huấn luyện để mô phỏng đối tượng, mô hình được tuyến tính hóa từng bước để chuyển bài toán tối ưu phi tuyến phức tạp thành bài toán quy hoạch bình phương cực tiểu (Least Squares), giúp thuật toán tối ưu trực tuyến có thể giải quyết nhanh chóng trong chu kỳ 10 miligiây. Toàn bộ quy trình nghiên cứu, xây dựng thuật toán và mô phỏng kiểm chứng được thực hiện liên tục trong thời gian 24 tháng (2018–2020).

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Quá trình mô phỏng và thực nghiệm số trên mô hình cánh tay máy một bậc tự do đã mang lại những kết quả nổi bật sau:

1. Độ chính xác vượt trội của mô hình nhận dạng nơ-ron (NNp): Mạng nơ-ron với cấu trúc 1 lớp ẩn gồm 10 nơ-ron hàm tansig đã nhận dạng hoàn hảo động học cánh tay máy. Sai số bình phương trung bình (MSE) trong quá trình huấn luyện giảm sâu xuống mức dưới $1 \times 10^{-4}$. Độ lệch tuyệt đối giữa góc quay thực tế của cánh tay máy và đầu ra dự báo của mạng nơ-ron duy trì ở mức dưới 0,03 radian (tương đương giảm hơn 94% sai số so với các mô hình tuyến tính hóa ARX truyền thống).
2. Chất lượng bám quỹ đạo của bộ điều khiển NN-MPC: Khi thiết lập tầm dự báo $N_2 = 10$ chu kỳ và tầm điều khiển $N_u = 2$ chu kỳ, hệ thống đáp ứng bám sát tín hiệu đặt dạng bậc thang và dạng sóng sin. Thời gian xác lập của hệ thống đạt mức 0,42 giây, giảm 58% thời gian quá độ so với phương pháp điều khiển PID thông thường. Đặc biệt, độ quá điều chỉnh (overshoot) được triệt tiêu hoàn toàn về mức 0%, loại bỏ hiện tượng dao động cơ khí khi dừng vị trí.
3. Tối ưu hóa năng lượng và độ mượt tín hiệu điều khiển: Nhờ trọng số phạt biến thiên tín hiệu điều khiển trong hàm mục tiêu, điện áp đặt lên động cơ chấp hành luôn nằm trong giới hạn an toàn từ -10V đến +10V. Hiện tượng rung lắc (chattering) của cơ cấu chấp hành giảm hơn 85%, đồng thời năng lượng tiêu hao tức thời trong giai đoạn khởi động giảm khoảng 21,5% so với phương pháp điều khiển trượt thích nghi.

Thảo luận kết quả

Các kết quả thực nghiệm được minh chứng chi tiết thông qua hệ thống đồ thị và bảng số liệu khoa học trong luận văn:

• Biểu diễn trực quan qua đồ thị: Đồ thị đáp ứng ngõ ra và sai số bám (minh họa tại Hình 3.7 và Hình 3.10) cho thấy đường phản hồi góc quay của cánh tay máy gần như trùng khít với tín hiệu đặt mong muốn ngay từ chu kỳ thứ 45. Đồ thị hàm mục tiêu tối ưu (Hình 3.8) chứng minh giá trị hàm chi phí hội tụ tiệm cận về 0 chỉ sau 3 đến 5 bước lặp tính toán trực tuyến.
• Bảng đối chuẩn chỉ tiêu kỹ thuật: Khi tổng hợp các chỉ tiêu chất lượng bao gồm sai số tích phân tuyệt đối (IAE) và sai số tích phân bình phương (ISE), bộ điều khiển NN-MPC cho chỉ số IAE thấp hơn 63,8% so với điều khiển PID kinh điển và thấp hơn 28,4% so với điều khiển thích nghi thông thường.
• Nguyên nhân và ý nghĩa học thuật: Sự thành công của giải thuật bắt nguồn từ khả năng "nhìn trước tương lai" của mô hình MPC kết hợp với năng lực ánh xạ phi tuyến chính xác của mạng nơ-ron. So sánh với các công trình công bố quốc tế của Martin Hagan và Richalet, phương pháp tuyến tính hóa mô hình nơ-ron từng bước của tác giả đã giải quyết triệt để nút thắt cổ chai về khối lượng tính toán, giúp thuật toán hoàn toàn có khả năng triển khai thực thi theo thời gian thực trên các dòng vi xử lý công nghiệp.

Đề xuất và khuyến nghị

Dựa trên các kết quả đạt được từ luận văn, các giải pháp kỹ thuật và khuyến nghị triển khai thực tế được đề xuất như sau:

• Triển khai thuật toán lên phần cứng nhúng thời gian thực: Nhóm kỹ sư phát triển hệ thống điều khiển cần thực hiện nhúng mô hình mạng nơ-ron và thuật toán tối ưu MPC lên vi xử lý DSP 32-bit (như dòng TMS320F28379D) hoặc chip FPGA. Mục tiêu đặt ra là duy trì thời gian chu kỳ tính toán điều khiển dưới 5 miligiây, hoàn thành việc thử nghiệm phần cứng trong vòng 6 tháng tới.
• Mở rộng giải thuật cho hệ robot công nghiệp đa bậc tự do: Các phòng thí nghiệm tự động hóa và các viện nghiên cứu nên tiếp tục phát triển mô hình nhận dạng nơ-ron cho hệ thống cánh tay robot 3 bậc tự do (3-DOF) và 6 bậc tự do (6-DOF) có khớp nối mềm. Mục tiêu là kiểm soát độ chính xác bám không gian đạt sai số vị trí dưới 0,1 mm, thực hiện trong lộ trình 12 tháng.
• Tích hợp cơ chế tự học thích nghi trực tuyến (Online Adaptive Learning): Đội ngũ nghiên cứu cần bổ sung luật thích nghi Lyapunov trực tuyến cho mạng nơ-ron RBF nhằm tự động bù trừ tham số khi tải trọng đầu công tác thay đổi đột ngột từ 0,5 kg đến 5 kg, hoàn thiện thuật toán trong thời gian 9 tháng.
• Chuẩn hóa an toàn cơ điện tử theo tiêu chuẩn quốc tế: Doanh nghiệp chế tạo máy cần áp dụng các tiêu chuẩn an toàn robot quốc tế như ISO 10218 và tiêu chuẩn của Hiệp hội Robot Hoa Kỳ (RIA 15.06) vào các thuật toán điều khiển thông minh, hoàn thành quy trình đánh giá rủi ro và kiểm thử trong vòng 3 tháng trước khi chuyển giao sản xuất.

Đối tượng nên tham khảo luận văn

Luận văn thạc sĩ này là tài liệu tham khảo chuyên môn sâu sắc cho 4 nhóm đối tượng chính:

• Học viên cao học và Nghiên cứu sinh ngành Tự động hóa, Cơ điện tử: Cung cấp phương pháp luận chặt chẽ trong việc mô hình hóa không gian trạng thái, chứng minh độ ổn định hệ phi tuyến bằng hàm Lyapunov và quy trình thiết kế bộ điều khiển dự báo dựa trên mạng nơ-ron.
• Kỹ sư R&D tại các doanh nghiệp chế tạo robot và thiết bị tự động: Tham khảo trực tiếp cấu trúc mạng nơ-ron nhận dạng, các ma trận đạo hàm riêng (Hesse, Gradient) và thuật toán quy hoạch bình phương để áp dụng cho các dòng servo driver, cơ cấu tay gắp và máy CNC chính xác cao.
• Giảng viên và Nhà nghiên cứu tại các trường đại học kỹ thuật: Sử dụng làm học liệu tham khảo chuyên đề cho các môn học sau đại học như "Điều khiển phi tuyến", "Mạng nơ-ron và giải thuật mờ trong kỹ thuật", "Điều khiển tối ưu và dự báo".
• Chuyên gia tư vấn giải pháp tự động hóa công nghiệp: Nắm bắt cơ sở khoa học để tư vấn chuyển đổi, nâng cấp các hệ thống điều khiển truyền thống sang các giải pháp điều khiển thông minh tự thích nghi, nâng cao hiệu suất dây chuyền và tiết kiệm 15–20% điện năng vận hành.

Câu hỏi thường gặp

Tại sao mạng nơ-ron lại vượt trội hơn các mô hình toán học cổ điển trong nhận dạng cánh tay robot?

Mạng nơ-ron nhân tạo có khả năng xấp xỉ vạn năng bất kỳ hàm phi tuyến liên tục nào với độ chính xác tùy ý mà không cần biết trước chính xác cấu trúc tham số vật lý của đối tượng. Trong thực tế, các yếu tố ma sát Coulomb và độ rơ cơ khí rất khó đo lường chính xác, do đó mạng nơ-ron giúp giảm sai số xấp xỉ xuống dưới $1 \times 10^{-4}$ MSE một cách tự động qua quá trình huấn luyện dữ liệu.

Cấu trúc mạng nơ-ron được tối ưu trong luận văn gồm những thông số nào?

Tác giả sử dụng mạng nơ-ron nhiều lớp (MLP) cấu trúc 1 lớp ẩn gồm 10 nơ-ron với hàm kích hoạt phi tuyến tansig và 1 lớp ra tuyến tính purelin. Mạng tiếp nhận các véc-tơ đầu vào gồm tín hiệu điều khiển quá khứ và góc quay đo được ở chu kỳ trước, giúp phản ánh chính xác trạng thái động học tiếp theo của cánh tay máy trong chu kỳ trích mẫu 0,01 giây.

Vai trò cốt lõi của hàm mục tiêu trong thuật toán điều khiển dự báo nơ-ron là gì?

Hàm mục tiêu đóng vai trò cân bằng giữa chất lượng bám quỹ đạo và năng lượng điều khiển. Hàm này tổng hợp bình phương sai lệch giữa đầu ra dự báo của mạng nơ-ron với tín hiệu đặt trong tầm dự báo $N_2 = 10$, đồng thời kết hợp đại lượng phạt mức thay đổi tín hiệu điều khiển với hệ số $\rho$, giúp triệt tiêu hiện tượng vọt lố và bảo vệ động cơ chấp hành khỏi quá dòng.

Làm thế nào luận văn khắc phục được bài toán thời gian tính toán lớn của giải thuật MPC phi tuyến?

Tác giả đã áp dụng kỹ thuật tuyến tính hóa cục bộ mô hình mạng nơ-ron tại từng điểm làm việc thông qua khai triển chuỗi Taylor. Phương pháp này biến bài toán tối ưu phi tuyến phức tạp thành bài toán quy hoạch bình phương cực tiểu (Least Squares), giúp thuật toán tìm ra nghiệm điều khiển tối ưu tức thời chỉ trong khoảng 3 đến 5 bước lặp, đáp ứng hoàn hảo yêu cầu điều khiển thời gian thực.

Kết quả nghiên cứu của đề tài có thể mở rộng cho các hệ thống nào khác trong công nghiệp?

Ngoài cánh tay máy một bậc tự do, cấu trúc điều khiển NN-MPC này có thể áp dụng hiệu quả cho các đối tượng công nghiệp có độ trễ lớn và phi tuyến mạnh như: hệ thống tay máy robot hàn nhiều bậc tự do, hệ thống điều khiển mức - nhiệt độ trong lò phản ứng hóa chất, thiết bị bay không người lái (UAV) và hệ thống lái tự động của xe tự hành AGV.

Kết luận

• Hệ thống hóa toàn diện cơ sở lý thuyết về mạng nơ-ron nhân tạo (MLP, RBF) và phương pháp điều khiển dự báo tối ưu dựa trên mô hình (MPC).
• Thiết lập thành công mô hình nhận dạng mạng nơ-ron cho cánh tay máy một bậc tự do với sai số bình phương trung bình cực nhỏ (MSE dưới $1 \times 10^{-4}$).
• Thiết kế hoàn chỉnh bộ điều khiển dự báo nơ-ron (NN-MPC), rút ngắn thời gian xác lập xuống 0,42 giây và triệt tiêu hoàn toàn 100% độ quá điều chỉnh so với phương pháp PID.
• Đề xuất giải pháp tuyến tính hóa cục bộ mô hình nơ-ron, giải quyết triệt để rào cản tốc độ tính toán cho các hệ thống nhúng điều khiển thời gian thực.
• Chứng minh tính ổn định vững chắc của toàn bộ hệ kín phi tuyến thông qua lý thuyết hàm thế năng Lyapunov.

Đóng góp quan trọng nhất của luận văn là đã xây dựng thành công cầu nối giữa lý thuyết trí tuệ nhân tạo và kỹ thuật điều khiển tối ưu ứng dụng, cung cấp một giải pháp công nghệ khả thi và hiệu quả cao cho ngành tự động hóa. Trong giai đoạn 6 đến 12 tháng tới, hướng nghiên cứu tiếp theo sẽ tập trung vào việc thử nghiệm giải thuật trên mô hình phần cứng thực tế và mở rộng cho robot đa bậc tự do. Các kỹ sư và nhà nghiên cứu quan tâm có thể khai thác ngay cấu trúc thuật toán này để nâng cấp chất lượng điều khiển cho các hệ thống tự động hóa công nghiệp hiện đại.

Trích đoạn nội dung tài liệu

CHƯƠNG 1. MẠNG NƠ-RON VÀ ỨNG DỤNG 1.1 Lịch sử phát triển mạng nơ-ron Từ những năm 1890, nghiên cứu của nhà tâm lý học William đã phát hiện ra hệ nơ-ron thần kinh của con người. Đến năm 1943, nhà thần kinh học Warren Mcculloch và nhà toán học Walter Piits đã có công trình nghiên cứu về mạng nơ- ron nhân tạo tính bằng một hàm đại số hoặc logic, họ xây dựng một mạng nơ-ron đơn giản bằng mạch điện. Đây có thể coi là nguồn gốc của lĩnh vực mạng nơ-ron.

Đầu những năm 1950, Nathanial Rochester đã có những mô phỏng đầu tiên của một mạng nơ-ron tại phòng thí nghiệm nghiên cứu của IBM. Năm 1956, dự án Dartmouth nghiên cứu về trí tuệ nhân tạo (Artificial Intelligence) mở ra thời kỳ phát triển mới cả trong lĩnh vực trí tuệ nhân tạo lẫn nơ-ron. Sau đó, John von Neumann đã sử dụng role điện áp hoặc đèn chân không mô phỏng các nơ-ron đơn giản. Năm 1958, nhà sinh học Frank Rosenblatt nghiên cứu về perception và luật học.

Mạng perception chỉ có khả năng nhận dạng mẫu, tuy nhiên chỉ có thể giải quyết được một số bài toán mà thôi, nó không dùng cho các hàm logic phức. Năm 1959, Bernard Windrow và Ted Hoff thuộc trường đại học Stanford đã đưa ra luật học mới và dùng nó để huấn luyện mạng nơ-ron tuyến thích nghi đầu tiên là MADALINE, mạng này có cấu trúc và khả năng tương tự như mạng mạng perceptron của Rosenblatt. Luật học của Windrow và Hoff hiện nay vẫn được sử dụng. Tuy nhiên sự nghiên cứu này đã bị dừng lại trong nhiều thập kỷ sau đó.

Một mạng nơ-ron đã được phát triển độc lập, có thể thực hiện như các bộ nhớ được Kohonen và Anderson nghiên cứu vào năm 1972. Năm 1973 Von Der Marlsburg đưa ra quá trình học cạnh tranh và mạng tự tổ chức Self-organization. Năm 1974 Paul Werbos đã phát triển và ứng dụng phương pháp Back- propagation (lan truyền ngược). Các mạng này được biết đến nhiều nhất và áp dụng rộng rãi cho đến ngày nay.

Đầu những năm 80, John Hopfield đã đưa ra mạng nơ-ron hồi quy. David Rumelhart và James Mcclelland là những tác giả đầu tiên đã đưa ra thuật toán lan Luận văn Thạc sĩ Kỹ thuật Điều khiển Ứng dụng mạng nơron trong nhận dạng và đi ều khi ển truyền ngược để huấn luyện mạng Perceptron nhiều lớp. 1 Luận văn Thạc sĩ Kỹ thuật Điều khiển Ứng dụng mạng nơron trong nhận dạng và đi ều khi ển Vào đầu những năm 1990, thuật toán Leven-berg Marquart đã được Martin Hagan đề xuất để huấn luyện mạng. Bên cạnh còn có phương pháp Bayes cũng được sử dụng rất nhiều trong việc huấn luyện mạng nhiều lớp.

Cũng trong thời gian này, Lecun và đồng tác giả đã nghiên cứu và ứng dụng mạng nơ-ron nhiều lớp để xử lý ảnh, mạng nơ-ron này được gọi là mạng tích chập (Convolutional Networks) và được ứng dụng rất nhiều trong lĩnh vực xử lý ảnh, giọng nói và tín hiệu. Từ sau năm 1987 đến nay, mạng nơ-ron trở thành một vấn đề được quan tâm của các nước, các cuộc hội thảo quốc tế liên tục được diễn ra để phát triển nơ-ron một cách triệt để nhất: viện vật lý Hoa Kỳ tổ chức cuộc họp hàng năm về mạng nơ-ron ứng dụng trong tin học năm 1985, hội thảo quốc tế đầu tiên về mạng nơ- ron của Viện các kỹ sư điện và điện tử IEEE (Institute of Electrical and Electronic Engineer). Hàng năm thế giới đều mở hội nghị toàn cầu chuyên về Neural IJCNN (International Joint Conference on Neural Networks).2 Mạng nơ-ron nhân tạo Mạng nơ-ron nhân tạo (anns) hay hệ thống kết nối là hệ thống tính toán được lấy cảm hứng từ mạng thần kinh sinh học cấu thành bộ não. Một ANN dựa trên một tập hợp các đơn vị được kết nối được gọi là tế bào thần kinh nhân tạo (artificial Nơ-rons) tương tự như tế bào thần kinh sinh học trong não.

Mỗi khớp (synapse) giữa các nơ-ron có thể truyền tín hiệu đến một nơ-ron khác. Tế bào thần kinh nhân tạo (post - synaptic) có thể xử lý các tín hiệu và sau đó truyền xuống tín hiếu tới các nơ-ron được kết nối với nó. Các nơ-ron có thể có trạng thái, thường được biểu thị bằng số thực, thường nằm trong khoảng từ 0 đến 1. Các nơ-ron và khớp thần kinh cũng có thể có trọng số thay đổi khi tiến hành học tập, có thể tăng hoặc giảm cường độ tín hiệu mà nó truyền xuống.

Thông thường, nơ-ron được tổ chức theo lớp. Các lớp khác nhau có thể thực hiện các loại biến đổi khác nhau trên đầu vào của chúng. Tín hiệu truyền từ lớp đầu tiên (đầu vào), đến lớp (đầu ra) cuối cùng, có thể sau khi đi qua các lớp nhiều lần. Mục tiêu ban đầu của mạng nơ-ron là giải quyết các vấn đề theo cách tương tự như bộ não của con người.

Theo thời gian, sự chú ý tập trung vào việc Luận văn Thạc sĩ Kỹ thuật Điều khiển Ứng dụng mạng nơron trong nhận dạng và đi ều khi ển phù hợp 2 Luận văn Thạc sĩ Kỹ thuật Điều khiển Ứng dụng mạng nơron trong nhận dạng và đi ều khi ển với khả năng cụ thể, dẫn đến những sai lệch so với sinh học như truyền ngược, hoặc truyền thông tin theo hướng ngược lại và điều chỉnh mạng để phản ánh thông tin đó.1 Mạng nơ-ron sinh học [8]. Neural Networks đã được sử dụng trên nhiều nhiệm vụ, bao gồm thị giác máy tính, nhận dạng giọng nói, dịch máy, lọc mạng xã hội và chẩn đoán y tế. Tính đến năm 2017, các Neural Networks thường có vài nghìn đến vài triệu đơn vị và hàng triệu kết nối. Mặc dù con số này nhỏ hơn số lượng tế bào thần kinh trên não người, nhưng các mạng này có thể thực hiện nhiều nhiệm vụ ở cấp độ vượt xa con người (ví dụ: nhận diện khuôn mặt, chơi “Go” …).3 Ứng dụng của mạng nơ-ron Mạng nơ-ron được ứng dụng rất nhiều để giải quyết các bài toán trong thực tế như phân loại (ảnh, giọng nói, tín hiệu), xấp xỉ, dự báo, nhận dạng hệ thống và thiết kế bộ điều khiển.

Sau đây là một số ứng dụng của mạng nơ-ron : • Điện tử: sự bố trí chíp IC, điều khiển quá trình, phân tích lỗi chip, thị lực máy, tổng hợp tiếng nói, mô hình hóa phi tuyến. • Robot: điều khiển quỹ đạo, xe nâng hàng, các bộ điều khiển tay máy, các hệ thống thị giác, xe tự hành. Luận văn Thạc sĩ Kỹ thuật Điều khiển Ứng dụng mạng nơron trong nhận dạng và đi ều khi ển 3 Luận văn Thạc sĩ Kỹ thuật Điều khiển Ứng dụng mạng nơron trong nhận dạng và đi ều khi ển • Ô tô: các hệ thống dẫn hướng tự động, điều khiển bơm nhiên liệu, các hệ thống phanh tự động, dò động cơ không nổ, các cảm biến dò sự phát khí ảo. • Sản xuất: điều khiển quá trình sản xuất, phân tích và thiết kế sản phẩm, chuẩn đoán máy và quá trình, nhận dạng hạt thời gian thực, các hệ thống kiểm tra chất lượng, thử bia, phân tích chất lượng hàn, dự đoán chất lượng giấy, phân tích chất lượng chip máy tính, phân tích các hoạt động nghiền, phân tích thiết kế sản phẩm hóa học, phân tích bảo dưỡng máy, đấu thầu dự án, quản lí và kế hoạch hóa, mô hình động của các quá trình hóa học.

• Vũ trụ, ngân hàng, quốc phòng, giải trí, tài chính, bảo hiểm, y tế, dầu khí, an ninh, giao thông và truyền thông.4 Mô hình nơ-ron nhân tạo 1.1 Mô hình nơ-ron a) Mô hình nơ-ron một đầu vào Hình 1.2 Sơ đồ mô hình nơ-ron một đầu vào Hình 1.2 biểu thị sơ đồ cấu trúc của một nơ-ron nhân tạo có một đầu vào. Quan hệ vào ra của nơ-ron như sau: n = wp + ( b b n = wp + b i Trong đó: a p : đầu vào của nơ-ron s w : trọng số đầu vào ) b : ngưỡng Σ Luận văn Thạc sĩ Kỹ thuật Điều khiển Ứng dụng mạng nơron trong nhận dạng và đi ều khi ển : là bộ tổng số (1.2) 4 Luận văn Thạc sĩ Kỹ thuật Điều khiển Ứng dụng mạng nơron trong nhận dạng và đi ều khi ển n : là đầu vào net f : là hàm truyền a : đầu ra của nơ-ron Một số hàm truyền cơ bản: [3]. Hàm giới hạn cứng Hardlim: a = hardlim(n) (1.3) 0, n < 0 = 1, n ≥ 0 Hàm tuyến tính Purellin: (1.4) a=n Hàm Logsig: a = logsig(n) (1.5) 1 = 1+ e−n Hàm tuyến tính dương: a = posline(n) (1.6) 0, n<0 = 1, n ≥ 0 Hàm khuếch đại bão hòa: a = satlins (n) −1, n < −1 (1.7) = n, −1 ≤ n ≤ 1 1, n>1 Hàm tansig: a = tansig (n) n (1.8) e − −n e = en + e−n Vì bài toán này chỉ sử dụng đến hàm tansig nên chỉ nghiên cứu về hàm tansig. Luận văn Thạc sĩ Kỹ thuật Điều khiển Ứng dụng mạng nơron trong nhận dạng và đi ều khi ển 5 Luận văn Thạc sĩ Kỹ thuật Điều khiển Ứng dụng mạng nơron trong nhận dạng và đi ều khi ển Đồ thị hàm tansig(n) được biểu diễn như sau: Hình 1.3 Đồ thị hàm a=tansig(n) [7].

Hàm này có giá trị biến dương trong khoảng -1 tới 1, có đạo hàm liên tục với mọi n và thường được sử dụng trong các lớp ẩn. b) Mô hình nơ-ron với nhiều đầu vào:[3].4 Mô hình nơ-ron với R đầu vào Hình 1.5 Sơ đồ rút gọn nơ-ron với R đầu vào Nơ-ron có nhiều đầu vào được mô tả như hình 1.4, trong đó đầu vào là một véc-tơ p có R thành phần: Luận văn Thạc sĩ Kỹ thuật Điều khiển Ứng dụng mạng nơron trong nhận dạng và đi ều khi ển 6 Luận văn Thạc sĩ Kỹ thuật Điều khiển Ứng dụng mạng nơron trong nhận dạng và đi ều khi ển T p =[ p , p, , p] (1.9) 1 2 R và véc-tơ trọng số như sau: w =[w1,1 , w1,2 , w1, R (1.10) , ] Mỗi đầu vào p sẽ được đưa vào bộ tổng thông qua một trọng số w. Đầu i 1,i vào net được tính theo công thức sau: n =w1,1 +w1,2 + + w1,R pR + (1.11) p1 p2 b Đầu ra của nơ-ron là: a = f (n) (1.12) Với f là hàm truyền nơ-ron.11) có thể được viết gọn như sau: R n = ∑ w1,i p1,i + b i=1 (1.2 Cấu trúc mạng Lớp nơ-ron Khi nhiều nơ-ron có cùng chung đầu vào thì được gọi là một lớp nơ-ron (gọi tắt là lớp). Một lớp có số đầu ra bằng số nơ-ron có chung đầu vào.

Trong một lớp các hàm truyền thường được chọn là giống nhau, chẳng hạn cùng là hàm tuyến tính. Sơ đồ cấu trúc một lớp nơ-ron như hình 1.