Nhận dạng và điều khiển hệ phi tuyến có trễ dùng mô hình fuzzy nhiều lớp kếp hợp giải thuật tính toán mềm

HỒ CHÍ MINH TRƯỜNG ĐẠI HỌC BÁCH KHOA CAO VĂN KIÊN NHẬN DẠNG VÀ ĐIỀU KHIỂN HỆ PHI TUYẾN CÓ TRỄ DÙNG MÔ HÌNH FUZZY NHIỀU LỚP KẾT HỢP GIẢI THUẬT TÍNH TOÁN MỀM LUẬN ÁN TIẾN SĨ TP... HCM

ĐẠI HỌC QUỐC GIA TP HỒ CHÍ MINH

TRƯỜNG ĐẠI HỌC BÁCH KHOA

CAO VĂN KIÊN

NHẬN DẠNG VÀ ĐIỀU KHIỂN HỆ PHI TUYẾN CÓ TRỄ DÙNG MÔ HÌNH FUZZY NHIỀU LỚP KẾT HỢP GIẢI

THUẬT TÍNH TOÁN MỀM

LUẬN ÁN TIẾN SĨ

TP HỒ CHÍ MINH - NĂM 2022

ĐẠI HỌC QUỐC GIA TP HCM

TRƯỜNG ĐẠI HỌC BÁCH KHOA

CAO VĂN KIÊN

NHẬN DẠNG VÀ ĐIỀU KHIỂN HỆ PHI TUYẾN CÓ TRỄ DÙNG MÔ HÌNH FUZZY NHIỀU LỚP KẾT HỢP GIẢI

THUẬT TÍNH TOÁN MỀM

Chuyên ngành: Kỹ Thuật Điều Khiển & Tự Động Hóa

Mã số chuyên ngành: 62520216

Phản biện độc lập: PGS TS Đặng Xuân Kiên

Phản biện độc lập: PGS TS Trương Đình Nhơn

Phản biện: PGS TS Nguyễn Chí Ngôn

Phản biện: PGS TS Nguyễn Thanh Phương

Phản biện: PGS TS Nguyễn Quốc Hưng

NGƯỜI HƯỚNG DẪN:

1 GS TS Hồ Phạm Huy Ánh

i

LỜI CAM ĐOAN

Nghiên cứu sinh xin cam đoan đây là công trình nghiên cứu của bản thân nghiên cứu sinh Các kết quả nghiên cứu và các kết luận trong luận án này là trung thực, và không sao chép từ bất kỳ một nguồn nào và dưới bất kỳ hình thức nào Việc tham khảo các nguồn tài liệu đã được thực hiện trích dẫn và ghi nguồn tài liệu tham khảo đúng quy định

Nghiên cứu sinh luận án

Cao Văn Kiên

ii

TÓM TẮT LUẬN ÁN

Hệ thống phi tuyến với các yếu tố bất định và nhiễu động rất khó để xác định chính xác mô hình toán học của hệ thống đặc biệt đối với các hệ có đặc tính trễ Do đó các hướng tiếp cận điều khiển thông thường dựa trên mô hình toán học gần như không đáp ứng được yêu cầu Vì thế ngày càng có nhiều nghiên cứu tập trung vào các mô hình và các bộ điều khiển thông minh ứng dụng kỹ thuật tính toán mềm dựa trên mạng nơ-ron nhân tạo, logic mờ và các thuật toán tối ưu tiến hóa Trong luận án này, nghiên cứu sinh đề xuất mô hình Fuzzy nhiều lớp kết hợp với giải thuật tiến hóa vi sai để nhận dạng và điều khiển hệ phi tuyến Các nội dung chính của luận án được tóm tắt như sau:

Đề xuất đầu tiên là mô hình Fuzzy nhiều lớp dùng trong nhận dạng và điều khiển hệ phi tuyến Mô hình Fuzzy nhiều lớp được tạo thành bằng cách kết hợp nhiều

mô hình Fuzzy Multi-Input, Single-Output (MISO) Mỗi mô hình Fuzzy MISO nhiều lớp được tạo thành bởi nhiều mô hình Fuzzy Takagi-Sugeno (T-S) truyền thống Cấu trúc và luật mờ của mô hình Fuzzy nhiều lớp được tính toán tối ưu bằng giải thuật tiến hoá vi sai Kết quả cho thấy mô hình Fuzzy nhiều lớp có thể dùng trong nhận dạng mô hình Multi-Input Multi-Output (MIMO) và tính linh hoạt của mô hình được thể hiện trong các thí nghiệm

Đề xuất thứ hai là giải thuật huấn luyện ghép tầng, dùng đề huấn luyện mô hình Fuzzy nhiều lớp một cách tuần tự Qua kết quả thực nghiệm chứng minh được phương pháp làm tăng độ chính xác, giảm thời gian tính toán so với phương pháp huấn luyện thông thường

Về bài toán điều khiển, luận án có hai đề xuất giải thuật điều khiển kết hợp giải thuật tính toán mềm tối ưu và giải thuật điều khiển thích nghi Đầu tiên là giải thuật trượt mờ thích nghi với hàm thích nghi được thiết kế mới gọn hơn và tận dụng khả năng của các giải thuật tính toán tối ưu vào nhận dạng các tham số ban đầu của bộ điều khiển Đề xuất cho bài toán điều khiển thứ hai là giải thuật điều khiển mô hình ngược thích nghi áp dụng mô hình Fuzzy nhiều lớp tối ưu bằng giải thuật tiến hóa vi sai kết hợp với giải thuật điều khiển trượt mờ thích nghi Cả hai hướng đề xuất đều có các đặc điểm là kết hợp giữa giải thuật tối ưu với giải thuật điều khiển thích nghi làm tăng chất lượng bộ điều khiển lúc khởi động và đảm bảo lý thuyết ổn định Lyapunov

iii

ABSTRACT

Nonlinear systems with uncertainties and disturbances make it difficult to accurately identify the mathematical model of the system Therefore, the conventional control approaches based on the mathematical model almost do not meet the quality requirements Therefore, more and more research is focused on intelligent models and controllers applying soft computing techniques based on artificial neural networks, fuzzy logic, and evolutionary optimization algorithms In this thesis, the author proposes multilayer fuzzy model trained by the differential evolution algorithm to identify and control the nonlinear system The main contributions of the thesis are summarized as follows:

The first contribution is a multilayer Fuzzy model used in the identification and control nonlinear systems Multilayer Fuzzy models are created by combining multiple Fuzzy MISO models Each multilayer Fuzzy MISO model is made up of many traditional Takagi-Sugeno Fuzzy models The structure and laws of the multilayer Fuzzy model are optimally identified using the differential evolution (DE) algorithm The results show that multilayer fuzzy model can be used in MIMO model identification and the flexibility of the model has been shown in experiments

The second contribution is a cascade training algorithm, which uses to train a multi-layered fuzzy model sequentially The experimental results show that the method increases accuracy and reduces calculation time compared to conventional methods

Regarding the control problem, the author has two contribution that combining the optimal soft computing algorithm and adaptive control algorithm The first is a novel adaptive fuzzy sliding mode algorithm that is the adaptive law has been newly designed and takes advantage of the ability of optimal computing algorithms to identify the initial parameters of the controller The second control problem is an adaptive inversed model control algorithm that applies the optimal multilayer Fuzzy model by DE algorithm combined with an adaptive fuzzy control algorithm Both proposed controllers have the characteristics of combining optimization algorithm with

an adaptive control algorithm to increase controller quality at startup and guarantee the system meets Lyapunov's stability theory

Xin gửi lời cảm ơn đến lãnh đạo Trường Đại học Công nghiệp Tp.HCM, lãnh đạo và toàn thể cán bộ, giảng viên Khoa Công nghệ Điện tử vì đã có những chính sách hỗ trợ, tạo điều kiện rất tốt cho tôi học tập và làm việc

Cuối cùng xin chân thành cảm ơn gia đình và người thân luôn chia sẻ mọi khó khăn và

là chỗ dựa vững chắc về vật chất và tinh thần trong suốt thời gian thực hiện và hoàn thành luận án

v

MỤC LỤC

DANH MỤC BẢNG BIỂU xi

DANH MỤC CÁC TỪ VIẾT TẮT xii

DANH MỤC CÁC KÝ HIỆU xiii

MỞ ĐẦU 1

T ÍNH CẤP THIẾT CỦA ĐỀ TÀI 1

M ỤC ĐÍCH NGHIÊN CỨU 3

Đ ỐI TƯỢNG VÀ PHẠM VI NGHIÊN CỨU 3

P HƯƠNG PHÁP NGHIÊN CỨU 4

Đ ÓNG GÓP MỚI VỀ MẶT KHOA HỌC VÀ THỰC TIỄN 4

B Ố CỤC CỦA LUẬN ÁN 6

CHƯƠNG 1 GIỚI THIỆU 7

1.1 GIỚI THIỆU ĐỀ TÀI 7

1.2 TỔNG QUAN TÌNH HÌNH NGHIÊN CỨU 9

1.2.1 Về lĩnh vực nhận dạng hệ thống dùng mô hình logic mờ 9

1.2.2 Về lĩnh vực điều khiển dùng mô hình logic mờ 12

1.3 PHẠM VI NGHIÊN CỨU 13

1.4 NỘI DUNG QUYỂN LUẬN ÁN 14

CHƯƠNG 2 CƠ SỞ LÝ THUYẾT 16

2.1 GIỚI THIỆU 16

2.2 THUẬT TOÁN TIẾN HÓA VI SAI 16

2.3 BỘ ĐIỀU KHIỂN TRƯỢT 18

2.4 MÔ HÌNH FUZZY NHIỀU LỚP TRONG NHẬN DẠNG HỆ PHI TUYẾN 20

2.4.1 Mô hình Fuzzy trong nhận dạng hệ phi tuyến 20

2.4.2 Mô hình Fuzzy nhiều lớp 21

2.5 KẾT LUẬN 24

CHƯƠNG 3 NHẬN DẠNG HỆ PHI TUYẾN DÙNG MÔ HÌNH FUZZY NHIỀU LỚP 25

3.1 GIỚI THIỆU 25

vi

3.2 MÔ HÌNH HỆ BỒN NƯỚC ĐÔI LIÊN KẾT 25

3.2.1 Thu thập dữ liệu vào ra 27

3.2.2 Kết quả nhận dạng mô hình thuận 29

3.2.3 Kết quả nhận dạng mô hình ngược 33

3.3 MÔ HÌNH PAM SONG SONG 38

3.3.1 Mô hình PAM song song 38

3.3.2 Thu thập dữ liệu vào – ra 39

3.3.3 Huấn luyện mô hình thuận – ngược 41

3.4 HUẤN LUYỆN GHÉP TẦNG MÔ HÌNH FUZZY NHIỀU LỚP ỨNG DỤNG NHẬN DẠNG HỆ PHI TUYẾN ĐA BIẾN 45

3.4.1 nhận dạng tham số mô hình Fuzzy nhiều lớp bằng phương pháp ghép tầng 45

3.4.2 Thu thập dữ liệu 46

3.4.3 Huấn luyện mô hình 47

3.4.4 Kết quả huấn luyện 48

3.5 KẾT LUẬN 55

CHƯƠNG 4 ĐIỀU KHIỂN THÍCH NGHI HỆ PHI TUYẾN DÙNG MÔ HÌNH FUZZY NHIỀU LỚP KẾT HỢP GIẢI THUẬT TỐI ƯU 56

4.1 GIỚI THIỆU 56

4.2 GIẢI THUẬT ĐIỀU KHIỂN TRƯỢT MỜ NÂNG CAO KẾT HỢP GIẢI THUẬT TỐI ƯU 57

4.2.1 Mô hình PAM 1dof thực nghiệm 61

4.2.2 Kết quả điều khiển 63

4.3 GIẢI THUẬT ĐIỀU KHIỂN NGƯỢC THÍCH NGHI NÂNG CAO KẾT HỢP GIẢI THUẬT TỐI ƯU

72

4.3.1 Giải thuật điều khiển ngược thích nghi nâng cao kết hợp giải thuật tối ưu 72

4.3.2 Mô hình Spring-mass-damper 77

4.3.3 Mô hình bồn nước liên kết 87

4.4 KẾT LUẬN 96

CHƯƠNG 5 KẾT LUẬN VÀ KIẾN NGHỊ 97

5.1 KẾT LUẬN 97

5.2 KIẾN NGHỊ 99

DANH MỤC CÔNG TRÌNH LIÊN QUAN LUẬN ÁN 101

TÀI LIỆU THAM KHẢO 103

PHỤ LỤC 120

vii

DANH MỤC CÁC HÌNH ẢNH

Hình 2.1 Lưu đồ giải thuật tối ưu DE 18

Hình 2.2 Mô hình Fuzzy dùng nhận dạng hệ phi tuyến MISO 20

Hình 2.3 Mô hình Hierachical Fuzzy……… 21

Hình 2.4 Mô hình Fuzzy nhiều lớp áp dụng trong nhận dạng 22

Hình 2.5 Hàm liên thuộc ngõ vào của mô hình Fuzzy T-S dạng tam giác 23

Hình 2.6 Hàm liên thuộc ngõ vào của mô hình Fuzzy T-S dạng Gauss 24

Hình 3.1 Cấu trúc mô hình bồn nước liên kết đôi 26

Hình 3.2 Dữ liệu huấn luyện mô hình 28

Hình 3.3 Dữ liệu đánh giá mô hình 28

Hình 3.4 Mô hình Fuzzy trong nhận dạng hệ bồn nước 29

Hình 3.5 Kết quả huấn luyện nhận dạng ngõ ra bồn 2 30

Hình 3.6 Kết quả đánh giá chất lượng nhận dạng ngõ ra bồn 2 31

Hình 3.7 Giá trị hàm mục tiêu qua các thế hệ 31

Hình 3.8 Kết quả nhận dạng mô hình Fuzzy với ngõ ra x4 32

Hình 3.9 Kết quả đánh giá mô hình Fuzzy với ngõ ra x4 32

Hình 3.10 Giá trị hàm mục tiêu khi huấn luyện mô hình Fuzzy cho ngõ ra x4 33

Hình 3.11 Kết quả huấn luyện mô hình Fuzzy ngõ ra là điện áp bơm 34

Hình 3.12 Kết quả huấn luyện mô hình Fuzzy ngõ ra là điện áp bơm 35

Hình 3.13 Giá trị hàm mục tiêu qua thế hệ huấn luyện mô hình Fuzzy nhiều lớp cho ngõ ra u1 35

Hình 3.14 Kết quả huấn luyện mô hình Fuzzy ngõ ra là điện áp bơm 2 36

Hình 3.15 Kết quả đánh giá mô hình Fuzzy ngõ ra là điện áp bơm 2 37

Hình 3.16 Giá trị hàm mục tiêu qua các thế hệ huấn luyện mô hình Fuzzy nhiều lớp cho ngõ ra u2 37

Hình 3.17 Hình ảnh mô hình thực tế 38

viii

Hình 3.18 Sơ đồ khối mô hình PAM song song thực tế 39

Hình 3.19 Dữ liệu huấn luyện mô hình PAM 40

Hình 3.20 Dữ liệu đánh giá mô hình PAM 40

Hình 3.21 Sơ đồ mô hình Fuzzy nhiều lớp nhận dạng hệ PAM song song 41

Hình 3.22 Kết quả 10 lần huấn luyện mô hình 42

Hình 3.23 Kết quả 10 lần đánh giá mô hình 43

Hình 3.24 Hàm mục tiêu trong 10 lần huấn luyện 43

Hình 3.25 Kết quả 10 lần huấn luyện mô hình 44

Hình 3.26 Kết quả đánh giá trong 10 lần thí nghiệm 44

Hình 3.27 Kết quả hàm mục tiêu trong 10 lần huấn luyện 45

Hình 3.28 Quá trình huấn luyện ghép tầng 46

Hình 3.29 Dữ liệu vào-ra đễ huấn luyện 47

Hình 3.30 Dữ liệu đánh giá mô hình 47

Hình 3.31 Kết quả huấn luyện và đánh giá của lần huấn luyện ghép tầng đầu tiên 49

Hình 3.32 Giá trị hàm mục tiêu của lần huấn luyện ghép tầng đầu tiên 50

Hình 3.33 Kết quả huấn luyện và đánh giá mô hình ở lần huấn luyện ghép tầng thứ 2 50

Hình 3.34 Giá trị hàm mục tiêu của lần huấn luyện ghép tầng thứ 2 51

Hình 3.35 Kết quả huấn luyện và đánh giá mô hình ở lần huấn luyện ghép tầng thứ 3 52

Hình 3.36 Giá trị hàm mục tiêu của lần huấn luyện ghép tầng thứ 3 52

Hình 3.37 Kết quả phương pháp huấn luyện thông thường 53

Hình 3.38 Hàm mục tiêu của phương pháp huấn luyện thông thường 54

Hình 4.1 Sơ đồ giải thuật điều khiển mờ thích nghi 58

Hình 4.2 Sơ đồ khối mô hình PAM 1 bậc tự do 62

Hình 4.3 Sơ đồ mô hình Fuzzy xấp xỉ f(x,t) 63

ix

Hình 4.4 Sơ đồ mô hình Fuzzy xấp xỉ g(x,t) 63

Hình 4.5 Kết quả huấn luyện 64

Hình 4.6 Kết quả đánh giá 64

Hình 4.7 Mô hình Fuzzy và surface xấp xỉ hàm f(x,t) 65

Hình 4.8 Mô hình Fuzzy và surface xấp xỉ hàm g(x,t) 65

Hình 4.9 Hàm liên thuộc và tương quan vào ra của mô hình Fuzzy thích nghi 66

Hình 4.10 Sơ đồ khối mô hình Fuzzy thích nghi 66

Hình 4.11 Hàm liên thuộc của bộ điều khiển Fuzzy-PID 67

Hình 4.12 Sơ đồ bộ điều khiển Fuzzy-PID 68

Hình 4.13 So sánh các giải thuật AFSMC, Fuzzy-PID, AF và PID lúc không tải 69

Hình 4.14.So sánh các giải thuật AFSMC, Fuzzy-PID, AF và PID với tải 100g 70

Hình 4.15 So sánh các giải thuật AFSMC, Fuzzy-PID, AF và PID với tải 200g 70

Hình 4.16 So sánh các giải thuật AFSMC, Fuzzy-PID, AF và PID với tải 500g 71

Hình 4.17 Sơ đồ giải thuật điều khiển đề xuất 73

Hình 4.18 Mô hình Spring-Mass-Damper 77

Hình 4.19 Dữ liệu dùng huấn luyện và đánh giá mô hình 78

Hình 4.20 Kết quả huấn luyện mô hình SMD 79

Hình 4.21 Kết quả đánh giá mô hình SMD 80

Hình 4.22 Kết quả điều khiển với x1(0) = 0.5 và x2(0) = -0.5 81

Hình 4.23 Kết quả so sánh các bộ điều khiển trên hệ SMD – Thí nghiệm A 82

Hình 4.24 Kết quả so sánh các bộ điều khiển trên hệ SMD – Thí nghiệm B 82

Hình 4.25 Kết quả so sánh các bộ điều khiển trên hệ SMD – Thí nghiệm C 83

Hình 4.26 Kết quả so sánh các bộ điều khiển trên hệ SMD – Thí nghiệm D 83

Hình 4.27 Kết quả so sánh các bộ điều khiển trên hệ SMD – Thí nghiệm E 84

Hình 4.28 Kết quả điều khiển vị trí bằng bộ điều khiển AIMFC đề xuất 86

x

Hình 4.29 Kết quả điều khiển vị trí bằng bộ điều khiển AIMFC đề xuất 87

Hình 4.30 Mô hình bồn nước liên kết 88

Hình 4.31 Dữ liệu dùng huấn luyện và nhận dạng mô hình 89

Hình 4.32 Kết quả đánh giá mô hình 90

Hình 4.33 So sánh các bộ điều khiển áp dụng cho hệ bồn nước liên kết – Thí nghiệm A 91

Hình 4.34 So sánh các bộ điều khiển áp dụng cho hệ bồn nước liên kết – Thí nghiệm B 92

Hình 4.35 So sánh các bộ điều khiển áp dụng cho hệ bồn nước liên kết – Thí nghiệm C 93

Hình 4.36 So sánh các bộ điều khiển áp dụng cho hệ bồn nước liên kết – Thí nghiệm D 93

Hình 4.37 So sánh các bộ điều khiển áp dụng cho hệ bồn nước liên kết – Thí nghiệm E 94

Hình 4.38 So sánh các trường hợp điều khiển trong 50s – Thí nghiệm A, B, C, D, E 94 Hình 4.39 So sánh các giải thuật điều khiển 95

xi

DANH MỤC BẢNG BIỂU

Bảng 3.1 Ý nghĩa vật lý và thông số mô hình thực nghiệm 27

Bảng 3.2 Tham số của các giải thuật tối ưu 49

Bảng 3.3 Bảng so sánh kết quả huấn luyện ghép tầng và phương pháp thông thường 54

Bảng 4.1 Luật mờ của hàm thích nghi 61

Bảng 4.2 Danh sách các thiết bị dùng trong cấu hình PAM 1 bậc tự do 62

Bảng 4.3 Giá trị ngõ ra của bộ điều khiển 67

Bảng 4.4 Luật mờ của bộ điều khiển Fuzzy-PID 68

Bảng 4.5 Các tham số sử dụng trong giải thuật DE dùng với hệ SMD 80

Bảng 4.6 Kết quả so sánh các bộ điều khiển áp dụng trên hệ SMD 85

Bảng 4.7 So sánh chất lượng các giải thuật điều khiển áp dụng lên hệ SMD 87

Bảng 4.8 Thông số vật lý của mô hình bồn nước liên kết dùng trong mô phỏng 88

Bảng 4.9 So sánh chất lượng điều khiển với tiêu chuẩn bình phương sai số 95

xii

DANH MỤC CÁC TỪ VIẾT TẮT

GA Genetic algorithm Giải thuật di truyền

MIMO Multiple-input and multiple-output Nhiều ngõ vào và nhiều ngõ ra SISO Single-input and single-output Một ngõ vào và một ngõ ra

MISO Multiple -input and single-output Nhiều ngõ vào và một ngõ ra MSE Mean Squared Error Trung bình bình phương sai số PSO Particle Swarm Optimization Tối ưu bầy đàn

SMC Sliding mode controller Bộ điều khiển trượt

PID Proportional Integral Derivative Bộ điều khiển PID

IAF Inverse Adaptive Fuzzy Mô hình mờ ngược thích nghi

PAM Pneumatic Artificial Muscles Cơ khí nén nhân tạo

NARX Nonlinear Autoregressive Exogenous Mô hình hổi qui NARX

ABC Artificial Bee Colony Giải thuật bầy ong

RBFN Radial Basis Function Network Mạng chức năng cơ sở xuyên tâm AFSMC Adaptive Fuzzy Sliding Mode Controller Bộ điều khiển trượt mờ thích nghi

u FSMC Ngõ ra bộ điều khiển trượt mờ

u AFSMC Ngõ ra bộ điều khiển trượt mờ thích nghi

u sw Ngõ ra bộ điều khiển đảm bảo tính ổn định

u ifm Ngõ ra bộ điều khiển ngược tối ưu

u PID Ngõ ra bộ điều khiển PID

u af Ngõ ra bộ điều khiển mờ tối ưu

A1 Diện tích tiết diện bồn 1

A2 Diện tích tiết diện bồn 2

b1 Diện tích tiết diện van xả 1

b2 Diện tích tiết diện van xả 2

Gc Hệ số bơm

1

MỞ ĐẦU Tính cấp thiết của đề tài

Hệ thống phi tuyến với các yếu tố bất định và nhiễu động rất khó để xác định chính xác mô hình toán học của hệ thống Hơn nữa sự phát triển không ngừng của khoa học công nghệ làm xuất hiện các đối tượng điều khiển có độ phức tạp ngày càng tăng [1], [2] Yêu cầu thực tiễn đặt ra là phải điều khiển các hệ thống động ngày càng phức tạp, trong điều kiện các yếu tố bất định ngày càng gia tăng, cũng như yêu cầu chất lượng ngày càng cao Do đó các hướng tiếp cận điều khiển thông thường dựa trên mô hình toán học gần như không đáp ứng được yêu cầu Vì thế ngày càng có nhiều nghiên cứu tập trung vào các mô hình và các bộ điều khiển thông minh ứng dụng kỹ thuật tính toán mềm dựa trên mạng nơ-ron nhân tạo, logic mờ và các thuật toán tối ưu tiến hóa để nhận dạng và điều khiển các hệ phi tuyến [3]–[11]

Từ khi Zadeh giới thiệu về mô hình Fuzzy năm 1965 [12], 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, [13]–[15] Trong chuyên ngành điều khiển thông minh, giải thuật mờ đã ứng dụng thành công trong điều khiên, nhận dạng, phân lớp, phân nhóm,…[14], [16]–[20]

Hiện tại, có rất nhiều nghiên cứu về lĩnh vực nhận dạng với đủ các cách tiếp cận từ kinh điển tới những cách ứng dụng giải thuật thông minh, như mạng thần kinh nơ-ron[21], hay mô hình Fuzzy [4], [22] Một trong những vấn đề của lĩnh vực nhận dạng thông minh chính là mô hình phi tuyến nhiều ngõ vào, nhiều ngõ ra bởi vì sự phức tạp

và nhiều yếu tố không chắc chắn Đặc biệt khi áp dụng mô hình Fuzzy trong nhận dạng, đối với các bài toán yêu cầu độ phức tạp cao, nhiều ngõ vào thì số lượng luật mờ phải nhiều, từ đó làm tăng khối lượng tính toán của hệ thống Đó là một trong các điểm yếu của mô hình Fuzzy truyền thống khi áp dụng vào nhận dạng các hệ MIMO [23]–[25] Để khắc phục các nhược điểm đó, rất nhiều phương pháp được đưa ra bởi các nhà khoa học như trong các bài báo [24], [26]–[29] sử dụng mô hình Hierarchical

mờ để giảm số lượng luật mờ, nhưng vẫn còn nhiều hạn chế Từ đó, nghiên cứu sinh

2

có ý tưởng đưa ra một cấu trúc mờ mới có khả năng ứng dụng trong bài toán nhận dạng và điều khiển hệ thống

Mô hình MIMO phi tuyến rất khó để nhận 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 như GA, PSO đã được áp dụng trong việc nhận dạng các mô hình nhận dạng thông minh như mạng nơ-ron hay mô hình Fuzzy [30]–[34] Tuy nhiên các giải thuật GA, PSO đều có những thế mạnh và hạn chế như thuật toán PSO [35], [36] thì đơn giản, dễ lập trình, nhưng dễ bị rơi vào cực trị cục bộ, GA [37]–[39] cho kết quả toàn cục tốt, nhưng mất nhiều thời gian tính toán Trong những năm gần đây, logic mờ, mạng nơ-ron nhân tạo và thuật toán tối ưu tiến hóa là các phương pháp bổ sung cho nhau trong việc thiết kế và thực thi các bộ điều khiển thông minh nhằm phát huy các ưu điểm và giảm thiểu khuyết điểm của từng phương pháp Gần đây, giải thuật

DE [40] được R Storn và K Price phát triên năm 1997 đã trở nên phổ biến trong lĩnh vực tính toán tối ưu Giải thuật DE cho kết quả tối ưu toàn cục và có thời gian tính toán ít hơn so với GA và đưa ra các kết quả tìm kiềm toàn cục tốt hơn PSO [41]–[43]

Vì thế trong luận án này, nghiên cứu sinh chọn giải thuật DE áp dụng cho việc tối ưu

mô hình Fuzzy ứng dụng cho bài toán nhận dạng mô hình MIMO phi tuyến

Giải thuật điều khiển hệ phi tuyến gần đây tập trung vào các bài toán điều khiển thích nghi ứng dụng mô hình Fuzzy, nơ-ron [44]–[49] Tuy nhiên các giải thuật thích nghi hiện nay đều chưa quan tâm đến giai đoạn khởi động, các tham số khởi tạo ban đầu đều được khởi tạo ngẫu nhiên

Cùng với sự tiến bộ của khoa học kỹ thuât, phần cứng ngày càng phát triển, các giải thuật điều khiển ứng dụng các giải thuật tính toán tối ưu cũng được quan tâm nghiên cứu ngày một nhiều [21], [50]–[55], đặc biệt là ứng dụng mô hình Fuzzy, Nơ-ron vào trong các bài toán điều khiển kết hợp các giải thuật tối ưu [56]–[63] Tuy nhiên, hạn chế của các cách tiếp cận này ở khâu chứng minh ổn định của hệ thống, chỉ có thể chứng minh qua khảo sát thực nghiệm, hoặc trên môi trường lý tưởng

3

Từ các vấn đề trên, nghiên cứu sinh sẽ phát triển giải thuật điều khiển dựa trên mô hình Fuzzy mới được đề xuất, kết hợp với các giải thuật tính toán mềm và đưa ra được

ít nhất một cách chứng minh tính ổn định của hệ thống điều khiển dựa trên lý thuyết

ổn định Lyapunov trong quyển luận án này Tóm lại để nâng cao chất lượng nhận dạng

và điều khiển các hệ phi tuyến phức tạp sử dụng logic mờ thì việc cải thiện cấu trúc của hệ mờ có ý nghĩa vô cùng quan trọng Do đó việc nghiên cứu cải thiện cấu trúc của mô hình Fuzzy trong nhận dạng và điều khiển hệ phi tuyến có nhiều ý nghĩa trong khoa học và thực tiễn

Mục đích nghiên cứu

Nghiên cứu cấu trúc logic mờ và đề xuất các mô hình Fuzzy cải tiến trong lĩnh vực nhận dạng và mô hình Fuzzy cải tiến trong điều khiển Sau đó áp dụng mô hình Fuzzy cải tiến vào bài toán nhận dạng và điều khiển hệ phi tuyến kết hợp giải thuật tính toán mềm

Đối tượng và phạm vi nghiên cứu

• Đối tượng được sử dụng để mô phỏng, đánh giá chất lượng và hiệu quả của các thuật toán, các mô hình đề xuất là hệ bồn nước liên kết, hệ xe-lò xo Đối tượng nghiên cứu được chọn là các đối tượng hay được sử dụng trong các công bố liên quan gần đây Việc chọn các đối tượng này cũng nhằm mục đích so sánh chất lượng giải thuật của nghiên cứu sinh đề xuất với các công bố liên quan

• Đối tượng thực nghiệm được sử dụng để kiểm chứng tính hiệu quả của bộ điều khiển đề xuất là hệ tay máy song song PAM 2-DOF và hệ bồn nước liên kết Đây

là đối tượng sử dụng cơ cấu chấp hành mới được phát triển gần đây Đối tượng thể hiện đầy đủ các đặc tính của hệ cơ phi tuyến có trễ rất phù hợp với luận án

• Các hệ phi tuyến SISO và MIMO dùng trong mô phỏng và kiểm chứng thực nghiệm phải thuộc lớp các đối tượng phi tuyến có thể điều khiển ổn định và bền vững khi dùng bộ điều khiển PID

4

• Phạm vi nghiên cứu liên quan các bài toán điều khiển chỉ dừng lại ở hệ MISO, NCS chưa thực hiện đủ các thực nghiệm liên quan hệ MIMO để có thể đưa vào trong luận án

Phương pháp nghiên cứu

Phương pháp nghiên cứu được áp dụng để thực hiện luận án là phân tích lý thuyết, mô phỏng trên máy tính và kiểm chứng điều khiển trên mô hình thực nghiệm

• Phân tích lý thuyết: Nghiên cứu các lý thuyết liên quan đến nội dung luận án đã công bố trên các tạp chí, hội nghị khoa học chuyên ngành Trên cơ sở đó đề xuất

mô hình Fuzzy cải tiến để nâng cao hiệu quả của mô hình Fuzzy ứng dụng trong nhận dạng và điều khiển hệ phi tuyến

• Mô phỏng trên máy tính: Xây dựng mô hình cải tiến đề xuất trong luận án, áp dụng vào nhận dạng và điều khiển hệ phi tuyến Trên cơ sở đó rút ra các kết luận về mô hình đề xuất

• Ứng dụng thực nghiệm: Triển khai mô hình nghiên cứu trên một số hệ phi tuyến thực nghiệm, phân tích kết quả, rút ra nhận xét

Đóng góp mới về mặt khoa học và thực tiễn

• Ý nghĩa khoa học

- Đã nghiên cứu và phát triển thành công mô hình Fuzzy nhiều lớp bằng cách kết hợp nhiều mô hình Fuzzy T-S Mô hình Fuzzy nhiều lớp có ưu điểm về số lượng luật mờ giảm đáng kể khi so sánh với mô hình Fuzzy truyền thống Mô hình Fuzzy nhiều lớp còn có khả năng thay đổi linh hoạt tùy theo độ phức tạp của hệ thống cần nhận dạng Kết quả của nghiên cứu này được trình bày ở bài báo [5a], [6a]

- Đã nghiên cứu và phát triền thành công giải thuật huấn luyện ghép tầng áp dụng cho việc huấn luyện mô hình Fuzzy nhiều lớp Kết quả kiểm chứng cho thấy

5

giải thuật huấn luyện ghép tầng không chỉ cho kết quả nhanh hơn so với phương pháp huấn luyện thống thường mà còn cho chất lượng tốt hơn Kết quả nghiên cứu được trình bày ở bài báo [1a], và [9a]

- Đã nghiên cứu và phát triển thành công giải thuật điều khiển trượt mờ nâng cao kết hợp giải thuật tối ưu Giải thuật điều khiển đề xuất lấy ý tưởng bắt đầu từ

mô hình Fuzzy nhiều lớp được áp dụng để nhận dạng các hàm phi tuyến của hệ thống Sau đó hàm mờ thích nghi được thiết kế để bổ sung cho giải thuật Giải thuật thích nghi và tối ưu bổ sung cho nhau, vừa đảm bảo hệ thống ổn định tiệm cận theo Lyapunov, vừa đảm bảo hệ thống thay đổi linh hoạt với nhiễu ngoài và các yếu tố thay đổi không xác định Kết quả nghiên cứu này được trình bày ở bài báo [2a],[7a] và [8a]

- Cuối cùng là đề xuất giải thuật điều khiển ngược thích nghi Giải thuật này gồm một mô hình ngược sử dụng mô hình Fuzzy nhiều lớp được huấn luyện tối ưu kết hợp với mô hình Fuzzy thích nghi Giải thuật điều khiển có các ưu điểm của giải thuật tối ưu và thích nghi khi kết hợp cả 2 lại Ưu điểm của giải thuật tối ưu được thể hiện khi hệ không có thay đổi hoặc không bị tác động Khi hệ thống có

sự thay đổi, luật điều khiển thích nghi thể hiện ưu điểm của nó Nhìn tổng thể, bản thân giải thuật điều khiển này chính là một mô hình Fuzzy nhiều lớp với một phần được tính toán tối ưu cố định và một phần được cập nhật thông qua luật thích nghi đảm bảo hệ thống ổn định Lyapunov Kết quả điều khiển còn được so sánh với các nghiên cứu gần đây để chứng minh ưu điểm Kết quả nghiên cứu này được trình bày ở bài báo [3a] và [4a]

• Ý nghĩa thực tiễn

- Mô hình Fuzzy nhiều lớp đã áp dụng trong nhận dạng hệ cánh tay máy PAM song song và hệ bồn nước đôi cho thấy các ưu điểm của mô hình Fuzzy nhiều lớp khi áp dụng vào nhận dạng Số lượng luật mờ từ hàm số mũ giảm xuống theo cấp số cộng, qua đó giảm chi phí tính toán, chi phí về phần cứng khi áp

kể so với phương pháp huấn luyện thông thường Chất lượng hàm mục tiêu và thời gian tính toán là các yếu tố quan trọng cần quan tâm khi áp dụng một giải thuật nhận dạng tối ưu Giải thuật nhận dạng ghép tầng đã giải quyết cả hai yếu

tố quan trọng đó Kết quả nghiên cứu được trình bày ở bài báo [1a], và [9a]

- Giải thuật điều khiển trượt mờ nâng cao kết hợp giải thuật tối ưu đề xuất áp dụng thành công trong thực tiễn điều khiển hệ tay máy PAM Ý nghĩa thực tiễn không chỉ ở mức điều khiển được, thông qua việc nhận dạng trước các hàm phi tuyến trong hệ thống còn giúp tìm ra được cách chọn các hệ số trong bộ điều khiển mà không cần phải qua các bước thử sai hay cảm tính Kết quả nghiên cứu này được trình bày ở bài báo [2a],[7a] và [8a]

- Giải thuật điều khiển ngược thích nghi được giới thiệu trong luận án đã áp dụng điều khiển hệ bồn nước liên kết, hệ xe-lò xo (SMD) Ý nghĩa trong thực tiễn của giải thuật ở quá trình kết hợp giải thuật tối ưu và giải thuật điều khiển thích nghi khiến cho giải thuật điều khiển đạt chất lượng tốt hơn lúc khởi động và hàm thích nghi đơn giản hơn, giảm chi phí tính toán Kết quả nghiên cứu này được trình bày ở bài báo [3a] và [4a]

Bố cục của luận án

Bố cục của luận án gồm 5 chương bắt đầu từ tổng quan luận án, cơ sở lý thuyết các giải thuật, mô hình Fuzzy nhiều lớp dùng trong luận án Các kết quả mô phỏng, thực tế

về nhận dạng đối tượng, ứng dụng điều khiển mô hình trong quá trình thực hiện luận

án Cuối cùng là tổng kết các đóng góp của luận án ở khía cạnh lý thuyết và thực nghiệm trong lĩnh vực điều khiển và nhận dạng hệ phi tuyến

7

1.1 GIỚI THIỆU ĐỀ TÀI

Hệ thống phi tuyến với các yếu tố bất định và nhiễu động rất khó để xác định chính xác mô hình toán học của hệ thống Hơn nữa sự phát triển không ngừng của khoa học công nghệ làm xuất hiện các đối tượng điều khiển có độ phức tạp ngày càng tăng [1], [2] Yêu cầu thực tiễn đặt ra là phải điều khiển các hệ thống động ngày càng phức tạp, trong điều kiện các yếu tố bất định ngày càng gia tăng, cũng như yêu cầu chất lượng ngày càng cao Do đó các hướng tiếp cận điều khiển thông thường dựa trên mô hình toán học gần như không đáp ứng được yêu cầu Vì thế ngày càng có nhiều nghiên cứu tập trung vào các mô hình và các bộ điều khiển thông minh ứng dụng kỹ thuật tính toán mềm dựa trên mạng nơ-ron nhân tạo, logic mờ và các thuật toán tối ưu, tiến hóa

để nhận dạng và điều khiển các hệ phi tuyến [3]–[11], [64]–[68]

Hệ phi tuyến có trễ là một hệ phi tuyến với các đặc tính trễ [69], các đặc tính này gây khó khăn cho việc nhận dạng [70] và khó khăn trong việc điều khiển với các phương pháp yêu cầu biết phương trình toán của đối tượng

Từ khi Zadeh giới thiệu về mô hình Fuzzy năm 1965 [12], 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 thuật, tài chính, thống kê, [13]–[15] Trong chuyên ngành điều khiển thông minh, giải thuật mờ đã ứng dụng thành công trong điều khiển, nhận dạng, phân lớp, phân nhóm,…[14], [16]–[20], [71]–[75]

Hiện tại, có rất nhiều nghiên cứu về lĩnh vực nhận dạng với đủ các cách tiếp cận từ kinh điển tới những cách ứng dụng giải thuật thông minh, như mạng thần kinh nơ-ron[21], hay mô hình Fuzzy [4], [22] Một trong những vấn đề của lĩnh vực nhận dạng thông minh chính là mô hình phi tuyến nhiều ngõ vào, nhiều ngõ ra (MIMO) bởi vì sự phức tạp và nhiều yếu tố không chắc chắn Đặc biệt khi áp dụng mô hình Fuzzy trong nhận dạng, đối với các bài toán yêu cầu độ phức tạp cao, nhiều ngõ vào thì số lượng

8

luật mờ phải nhiều, từ đó làm tăng khối lượng tính toán của hệ thống Đó là một trong các điểm yếu của mô hình Fuzzy truyền thống khi áp dụng vào nhận dạng các hệ MIMO [23]–[25] Để khắc phục các nhược điểm đó, rất nhiều phương pháp được đưa

ra bởi các nhà khoa học như trong các bài báo [24], [26]–[29] sử dụng mô hình Hierarchical mờ để giảm số lượng luật mờ, nhưng vẫn còn nhiều hạn chế về cấu trúc

hệ mờ Từ đó, nghiên cứu sinh có ý tưởng đưa ra một cấu trúc mờ mới có khả năng ứng dụng trong bài toán nhận dạng và điều khiển hệ thống

Mô hình MIMO phi tuyến 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 như GA, PSO đã được áp dụng trong việc tối ưu tham số các

mô hình nhận dạng thông minh như mạng nơ-ron hay mô hình Fuzzy [30]–[34] Tuy nhiên các giải thuật GA, PSO đều có những thế mạnh và hạn chế như thuật toán PSO [35], [36] thì đơn giản, dễ lập trình, nhưng lại dễ bị rơi vào cực trị cục bộ, GA [37]–[39] cho kết quả toàn cục tốt, nhưng mất nhiều thời gian tính toán Trong những năm gần đây, logic mờ, mạng nơ-ron nhân tạo và thuật toán tối ưu tiến hóa là các phương pháp bổ sung cho nhau trong việc thiết kế và thực thi các bộ điều khiển thông minh nhằm phát huy các ưu điểm và giảm thiểu khuyết điểm của từng phương pháp Gần đây, giải thuật DE [40] được R Storn và K Price phát triên năm 1997 đã trở nên phổ biến trong lĩnh vực tính toán tối ưu Giải thuật DE cho kết quả tối ưu toàn cục và có thời gian tính toán ít hơn so với GA và đưa ra các kết quả tìm kiềm toàn cục tốt hơn PSO [41]–[43] Hơn nữa, việc áp dụng mô hình Fuzzy/Nơ-ron vào nhận dạng mô hình

có thể học luôn cả đặc tính trễ của hệ thống Vì thế trong luận án này, nghiên cứu sinh chọn giải thuật DE áp dụng cho việc tối ưu các tham số mô hình Fuzzy ứng dụng cho bài toán nhận dạng mô hình hệ MIMO phi tuyến

Giải thuật điều khiển hệ phi tuyến gần đây tập trung vào các bài toán điều khiển thích nghi ứng dụng mô hình Fuzzy, Nơ-ron [44]–[49], [47], [76]–[78] Tuy nhiên các giải thuật thích nghi hiện nay đều chưa quan tâm đến giai đoạn khởi động, các tham số khởi tạo ban đầu trong bộ điều khiển đều được khởi tạo ngẫu nhiên Với các tham số khởi tạo ngẫu nhiên không tốt có thể ảnh hưởng tới quá trình khởi động của hệ

9

Cùng với sự tiến bộ của khoa học kỹ thuật, phần cứng ngày càng phát triển, các giải thuật điều khiển ứng dụng các giải thuật tính toán tối ưu cũng được quan tâm nghiên cứu ngày một nhiều [21], [50]–[55], đặc biệt là ứng dụng mô hình Fuzzy, nơ-ron vào trong các bài toán điều khiển kết hợp các giải thuật tối ưu [56]–[63] Tuy nhiên, hạn chế của các cách tiếp cận này ở khâu chứng minh ổn định của hệ thống, chỉ có thể chứng minh qua khảo sát thực nghiệm, hoặc trên môi trường lý tưởng

Từ các vấn đề trên, nghiên cứu sinh sẽ phát triển giải thuật điều khiển dựa trên mô hình Fuzzy mới được đề xuất, kết hợp với các giải thuật tính toán mềm và đưa ra được

ít nhất một cách chứng minh tính ổn định của hệ thống điều khiển dựa trên lý thuyết

ổn định Lyapunov trong quyển luận án này

1.2 TỔNG QUAN TÌNH HÌNH NGHIÊN CỨU

Các nghiên cứu sinh trong bài báo [80], [81] sử dụng giải thuật PSO tối ưu cấu trúc mô hình Fuzzy trong bài toán phân lớp

Giải thuật mờ ứng dụng trong nhận dạng hệ phi tuyến SISO và MIMO đang được sử dụng rộng rãi, nhưng đó chỉ áp dụng cho mô hình có cấu trúc đơn giản Đối với các dạng mô hình phức tạp, nó yêu cầu phải có thời gian tính toán lâu hơn cho nhiều hàm liên thuộc và số lượng luật mờ phức tạp Nghiên cứu sinh trong [33] sử dụng giải thuật MGA huấn luyện mô hình Fuzzy Nonlinear Autoregressive Exogenous (NARX) nhận dạng sợi cơ khí nén nhân tạo ứng dụng trong robot Các nghiên cứu sinh trong [23] giới thiệu sơ đồ Fuzzy nhiều lớp như là một phần của mảng nơ-ron mờ

10

Li và cộng sự [82] giới thiệu mô hình lai thích nghi hồi tiếp ngõ ra điều khiển cho hệ phi tuyên không chắc chắn MIMO với thời gian trễ biến động và khâu bão hoà ngõ vào Bagis [83] đưa ra sự khác nhau giữa mô hình Sugeno và Mamdani tối ưu bằng giải thuật bầy ong (ABC) áp dụng nhận dạng hệ phi tuyến MIMO Ferdaus và cộng sự [84] đề xuất phương pháp phân lớp dùng mô hình Fuzzy áp dụng nhận dạng hệ phi tuyến Tavoosi và cộng sự [85] áp dụng lý thuyết lai tự cấu trúc của mô hình Fuzzy loại 2 và mô hình mạng thần kinh xuyên tâm (RBFN) cho việc nhận dạng hệ phi tuyến MIMO Aleksovski và cộng sự [86] đưa ra mô hình Fuzzy tuyến tính nhận dạng hệ MIMO Tuy nhiên, các phương pháp trên cần nhiều thời gian tính toán và rất khó ứng dụng hiệu quả vào thực nghiệm

Mô hình Fuzzy phân cấp được giới thiệu lần đầu vào năm 1991 bởi Raju [28], [87] Với mô hình Fuzzy phân lớp, nhiều mô hình Fuzzy sẽ kết hợp thành một mạng nhiều lớp gồm lớp vào, lớp ẩn và lớp ra trong đó ngõ ra của lớp này là ngõ vào của lớp phía sau tới cuối cùng là ngõ ra của cả hệ Trong những năm gần đây, có nhiều nghiên cứu được đề xuất dựa vào mô hình này [88]–[91] Sun and Huo [92] sử dụng mô hình phân lớp điều khiển thiết bị bay Rodríguez và cộng sự [93] sử dụng mô hình Fuzzy phân lớp CMAC để điều khiển hệ phi tuyến trong mô phỏng Bất lợi của mô hình này là khi thêm vào một mô hình Fuzzy, sẽ có thêm một hoặc nhiều mô hình Fuzzy khác thêm vào để đảm bảo cấu trúc, và lớp ẩn không linh hoạt khi thêm hoặc bớt một mô hình Fuzzy Nguyên mẫu của mô hình Fuzzy phân lớp có số phần từ mờ trong hệ bị ảnh hưởng bởi số lượng đầu vào của mô hình Tu và cộng sự [94] giới thiệu mô hình Fuzzy nhiều lớp như là một phần của nhánh mờ-nơ-ron Không giống như mô hình Fuzzy truyền thống, mô hình Fuzzy nhiều lớp không thể xây dựng dựa vào kinh nghiệm người thiết kế Chỉ có một cách huấn luyện bằng cách kết hợp với các thuật toán tối ưu mềm Mô hình Fuzzy nhiều lớp có thể áp dụng nhận dạng hệ MIMO phức tạp và có thể mở rộng hay rút gọn dễ dàng Li và cộng sự [95] đề xuất mô hình Fuzzy nhiều lớp làm bộ quan sát để điều khiển hệ phi tuyến với biến không đo lường được Các giải pháp kết hợp phân cấp của bộ điều khiển mờ cho các bài toán nhận dạng phức tạp và điều khiển đã được nghiên cứu thành không ở bài báo [18], [96]

11

Gần đây, các giải thuật tính toán ngẫu nhiên, giải thuật tối ưu hóa bầy đàn phát triển mạnh và được áp dụng thành công để tối ưu tham số mô hình Fuzzy nhiều lớp [32], [97], [98] Konar [99] thực hiện so sánh các giải thuật tối ưu PSO, DE, và ABC áp dụng nhận dạng hệ phi tuyến MIMO với mô hình Fuzzy nhiều lớp Tong và cộng sự [100] đưa ra một cách tiếp cận mới về bộ quan sát dựa trên mô hình Fuzzy phân cấp thích nghi điều khiển cho hệ phi tuyến có hồi tiếp Giải thuật DE [40] được R Storn và

K Price phát triên năm 1997 đã trở nên phổ biến trong lĩnh vực tính toán tối ưu Giải thuật DE cho kết quả tối ưu toàn cục và có thời gian tính toán ít hơn so với GA và đưa

ra các kết quả tìm kiềm toàn cục tốt hơn PSO [41]–[43] Giải thuật DE còn được sử dụng rất hiệu quả trong các bài toán kỹ thuật liên quan đền nhận dạng và điều khiển hệ thống gần đây như trong các bài báo [21], [50], [101]–[105]

Mô hình Fuzzy nhiều lớp là một trong các phân lớp thuộc mảng mờ-nơ-ron[106], [94] 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 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 cho nhận dạng các hệ MIMO phức tạp và dễ dàng thay đổi cấu trúc, độ phức tạp của mô hình Fuzzy nhiều lớp tỉ lệ thuận theo độ phức tạp của đối tượng Nghiên cứu sinh [94] sử dụng mô hình Fuzzy nhiều lớp trong điều khiển hệ thống con lắc ngược trên xe ở môi trường mô phỏng Matlab/Simulink

Dựa vào các kết quả nêu trên, trong nội dung liên quan đến nhận dạng hệ thống có mục tiêu đưa ra một mô hình Fuzzy nhiều lớp mới và một phương pháp huấn luyện phù hợp với nó để làm tăng độ chính xác, giảm thời gian tính toán so với cách huấn luyện thông thường áp dụng cho nhận dạng hệ phi tuyến không chắc chắn như hệ bồn nước đôi liên kết và hệ tay máy PAM Mô hình đề xuất có thể dễ dàng thay đổi cấu trúc để phù hợp với hệ thống lớn hoặc nhỏ Các tham số của mô hình sẽ được tối ưu bằng giải thuật tiến hóa vi sai (DE)

12

1.2.2 Về lĩnh vực điều khiển dùng mô hình logic mờ

Bộ điều khiển trượt (Sliding mode controller hay SMC) đang được áp dụng rộng rãi trong lĩnh vực điều khiển hệ phi tuyến [107]–[109] Đặc tính nổi bật của bộ điều khiển SMC là tính ổn định đối với hệ không chắc chắn và nhiễu ngoài Tuy nhiên, điểm hạn chế của bộ điều khiển SMC là hiện tượng chattering và yêu cầu phải biết chính xác phương trình toán của đối tượng

Để xác định được đặc tính của hệ phi tuyến, gần đây các hướng tiếp cận giải thuật điều khiển trượt thông qua mô hình Fuzzy hoặc mạng thần kinh nơ-ron nhận được nhiều quan tâm Mô hình Fuzzy hoặc mạng thần kinh nơ-ron dùng xấp xỉ hàm phi tuyến chưa biết trong phương trình toán của hệ Nghiên cứu sinh trong bài báo [110] giới thiệu bộ điều khiển trượt mờ-nơ-ron thích nghi cho hệ phi tuyến để thu thập các ảnh hưởng gây ra bởi các tác động ngoài, nhiễu và các thành phần không chắc chắn Nghiên cứu sinh trong bài báo [111] giới thiệu lý thuyết về điều khiển trượt thích nghi dựa vào mô hình Fuzzy T-S dùng để mô tả đặt tính của trạng thái không đo lường được Bài báo [112] đề xuất giải thuật trượt bám tín hiệu điều khiển hệ phi tuyến dùng

mô hình Fuzzy để ước lượng phương trình trạng thái Trong [113]–[116], để giảm bớt ảnh hưởng của các tham số không chắc chắn, mạng thần kinh nơ-ron được sử dụng để xấp xỉ hàm phi tuyến chưa biết kết hợp với giải thuật điều khiển trượt

Trong thực nghiệm, vì sự phức tạp của cấu trúc không chắc chắn, các điều kiện không biết trước, các tham số không chắc chắn và các đặc tính phi tuyến không biết rất khó

để xác định Để khắc phục các khó khăn đó, một số phương pháp điều khiển trượt mờ thích nghi [117]–[119] đã được áp dụng thành công Luật thích nghi được xây dựng dựa vào lý thuyết ổn định Lyapunov Có nhiều nghiên cứu đã đề xuất giải thuật trượt

mờ thích nghi lai trong đó tính ổn định của hệ kín được chứng minh ổn định tiệm cận [120]–[124] Lợi thế của phương pháp này là luật mờ cho phép hệ xấp xỉ gần đúng các phương trình của hệ thống Tuy nhiên, mô hình xấp xỉ cần rất nhiều luật mờ và tốn thời gian tính toán khi phải thay đổi liên tục để đáp ứng tính ổn định của hệ thống Nên cách tiếp cận này vẫn cần phải phát triển một luật thích nghi khác gọn hơn, hiệu quả hơn

nơ-Để khắc phục các nhược điểm trên, luận án đề xuất một giải thuật điều khiển trượt mờ với các thông số mô hình Fuzzy nhiều lớp được tính toán tối ưu từ trước dùng giải thuật DE, sau đó áp dụng thêm một luật thích nghi mới đơn giản hơn, cần ít thời gian tính toán hơn và ổn định hơn

Tiếp nối ý tưởng đó, luận án còn đề xuất một giải thuật ứng dụng mô hình Fuzzy nhiều lớp trong việc nhận dạng mô hình ngược kết hợp với việc xây dựng mô hình Fuzzy thích nghi bổ sung Ý tưởng của giải thuật lấy cảm hứng từ các bộ điều khiển tối ưu bằng giải thuật tính toán mềm với sức mạnh của công nghệ kết hợp với các lý thuyết điều khiển thích nghi để giúp bộ điều khiển đạt chất lượng tốt hơn và đảm bảo tính ổn định của hệ thống thông qua lý thuyết ổn định Lyapunov

1.3 PHẠM VI NGHIÊN CỨU

Phạm vi nghiên cứu của luận án này gồm 2 phần:

• Tập trung khai khác khả năng trong nhận dạng của mô hình Fuzzy nhiều lớp kết hợp với giải thuật huấn luyện mới được đề xuất Giải thuật được kiểm chứng trên

mô phỏng Matlab/Simulink và kiểm chứng trên mô hình thực nghiệm

• Xây dựng giải thuật thích nghi mới, áp dụng vào điều khiển hệ phi tuyến SISO ứng dụng mô hình Fuzzy nhiều lớp kết hợp các giải thuật tối ưu và thích nghi Các kết quả được kiểm chứng trên chương trình mô phỏng Matlab/Simulink và kiểm chứng trên mô hình thực nghiệm

Đối tượng được sử dụng trong các bài toán nhận dạng mô hình là mô hình bồn nước đôi liên kết là một hệ phi tuyến đa biến với 2 ngõ vào, 2 ngõ ra, và mô hình PAM 2

14

bậc song song Cả 2 đối tượng này đều là các hệ phi tuyến MIMO có đặc tính trễ, phù hợp để kiếm chứng khả năng của mô hình Fuzzy nhiều lớp kết hợp với phương pháp huấn luyện mới được nghiên cứu sinh đề xuất

Đối với bài toán điều khiển, luận án tập trung kỹ các mục về mô phỏng, chứng minh

ổn định các thuật toán đề xuất, có sự so sánh với các nghiên cứu gần đây trên cùng mô hình đối sánh Ngoài ra còn kiểm chứng trên các mô hình PAM và bồn nước liên kết thực nghiệm, kết hợp so sánh với các giải thuật khác nhau Các mô hình PAM, bồn nước liên kết được áp dụng vì đây là một hệ có đặc tính phi tuyến lớn được nhiều nhà khoa học áp dụng để kiểm chứng các giải thuật trong phạm vi phòng thí nghiệm

1.4 NỘI DUNG QUYỂN LUẬN ÁN

Nội dung của quyển luận án gồm 5 chương:

• Chương 1 giới thiệu tổng quan về nhận dạng điều khiển hệ phi tuyến, hướng tiếp cận kết hợp logic mờ và thuật toán tiến hóa Chương này cũng sẽ trình bày tổng quan tình hình nghiên cứu trong nhận dạng và điều khiển hệ phi tuyến để từ đó đưa

ra mục tiêu nghiên cứu trọng tâm của luận án

• Chương 2 trình bày cơ sở lý thuyết về giải thuật tiến hóa vi sai, giải thuật điều khiển trượt và cơ sở lý thuyết của mô hình mờ nhiều lớp Giải thuật tiến hóa vi sai

là giải thuật dùng để huấn luyện mô hình mờ nhiều lớp dùng xuyên suốt trong luận

án và giải thuật điều khiển trượt là giải thuật cơ bản để phát triển các giải thuật điều khiển đề xuất của nghiên cứu sinh

• Chương 3 trình bày về bài toán nhận dạng hệ phi tuyến MIMO dùng mô hình Fuzzy nhiều lớp kết hợp với giải thuật huấn luyện ghép tầng Mô phỏng, thực nghiệm và so sánh chất lượng giải thuật đề xuất với phương pháp huấn luyện thông thường Thảo luận về kết quả nhận dạng với giải thuật đề xuất

• Chương 4 trình bày về hai bộ điều khiển đề xuất cho hệ phi tuyến SISO áp dụng phương pháp điều khiển thích nghi mới, kết hợp thuật toán tối ưu và thích nghi dựa trên lý thuyết ổn định Lyapunov Kết quả được thể hiện trên mô phỏng và thực

Bố cục chương gồm các phần như sau:

• Cơ sở lý thuyết của giải thuật tối ưu tiến hóa vi sai, thảo luận các tham số liên quan đến giải thuật

• Cơ sở lý thuyết bộ điều khiển trượt

• Cơ sở lý thuyết về mô hình Fuzzy nhiều lớp

2.2 THUẬT TOÁN TIẾN HÓA VI SAI

Giải thuật DE [40] được đề xuất lần đầu năm 1995 bởi Prince và các cộng sự được áp dụng nhiều trong nhận dạng hệ phi tuyến những năm gần đây [21], [50], [101]–[103], [105], [129], giải thuật bao gồm các bước sau:

• Khởi tạo

Quá trình khởi tạo NP cá thể ngẫu nhiên trong quần thể, mỗi cá thể mang một lời giải khác nhau, các cá thể được khởi tạo ngẫu nhiên trong phạm vi tìm kiếm được chọn trước

, [ 1, , , 2, , , , , , ]

i G i G i G D i G

Trong đó G là số lượng vòng lặp (thế hệ), G = 0, 1 …, Gmax và i = 1, 2 …, NP, D là

số lượng cá thể trong quần thể

17

Với các giá trị ngẫu nhiênr r r1, ,2 3 1, 2, ,NP F là một hệ số dạng số thực f [0, 2] Hệ

số f lớn giúp giải thuật dễ thoát ra khỏi cực trị cục bộ Tuy nhiên hệ số f quá lớn sẽ

khiến thế hệ sau khác xa thế hệ trước Hệ số này được chọn để phù hợp riêng cho từng bài toán

• Lai ghép

Sau khi tạo ra các vector giá trị từ khâu đột biến, khâu lai ghép sẽ thực hiện nhiệm vụ tạo ra tổ hợp các cá thể con mới u i G, (trial) trong quần thể Cá thể con được tạo ra bằng cách lựa chọn chính nó x i G, (target) hoặc với cá thể đột biến v i G, (donor)

Giải thuật lựa chọn này có thể được mô tả như sau:

, , , , ,

, ,

Quá trình chọn lọc quyết định cá thể nào sẽ tiếp tục tồn tại trong thế hệ G+1 tiếp theo

Cá thể được chọn x i G, (target) sẽ so sánh chất lượng với cá thể con sau quá trình lai ghép u i G, (trial) cá thể có chất lượng cao hơn sẽ tồn tại Quá trình chọn lọc này có thể được mô tả như sau:

, 1

,

)

( ) (

+ Số vòng lặp đạt tới giới hạn được cho trước

+ Khi giá trị hàm mục tiêu đạt được tốt hơn hoặc bằng giá trị mong muốn

+ Khi giá trị hàm mục tiêu tốt nhất không thay đổi sau một số lần lặp cho trước Lưu đồ giải thuật DE được thể hiện ở Hình 2.1 Có thể thấy lưu đồ giải thuật tối ưu DE giống so với giải thuật di truyền (GA), tuy nhiên chỉ là giống nhau về tên gọi các khối chức năng, còn cách thực thi thì hoàn toàn khác nhau Giải thuật DE thực hiện tính

toán trong 1 cá thể chỉ có 3 phép tính chính là đột biến được thực hiện theo phương trình (1.2), và 2 hàm “if” cho giai đoạn chọn lọc và lai ghép (1.3), (1.4) Nếu so sánh

18

với GA với các phép toán mã hoá, chọn lọc, lai ghép, đột biến, giải mã thì có thể thấy

giải thuật DE được thực hiện nhanh hơn đáng kể

Trong luận án, giải thuật DE chỉ kết thúc khi số vòng lặp đạt tới giới hạn cho trước để

so sánh với các giải thuật cùng số lần tính toán

Hình 2.1 Lưu đồ giải thuật tối ưu DE

2.3 BỘ ĐIỀU KHIỂN TRƯỢT

Cơ sở lý thuyết bộ điều khiển trượt sử dụng trong luận án áp dụng điều khiển hệ SISO

n bậc, mô hình toán tổng quát của hệ phi tuyến SISO n bậc được mô tả như sau:

Trong đó c c c1, 2, c n 1,1 là các hệ số được chọn thỏa phương trình Routh–Hurwitz

để bảo đảm tính ổn định Giá trị s là đạo hàm của s được tính như sau:

( 1) ( )

1 2 1 n n

n

19

( ) ( ) ( ) 1

Đạo hàm (1.13) theo thời gian, ta có:

1 ( 1) ( ) ( ) ( ) ( )

20

2.4 MÔ HÌNH FUZZY NHIỀU LỚP TRONG NHẬN DẠNG HỆ PHI TUYẾN

2.4.1 Mô hình Fuzzy trong nhận dạng hệ phi tuyến

Mô hình Fuzzy đã được áp dụng nhiều trong nhận dạng hệ thống, tuy nhiên chỉ áp dụng hiệu quả cho các hệ tương đối đơn giản, ít ngõ vào Đối với hệ phức tạp, nhiều ngõ vào, nhiều ngõ ra, cấu trúc mô hình Fuzzy thường được xây dựng rất phức tạp, số lượng luật mờ theo hàm mũ [4] Cụ thể, mô hình Fuzzy kinh điển áp dụng để nhận dạng hệ phi tuyến MISO được thể hiện ở Hình 2.2

Hình 2.2 Mô hình Fuzzy dùng nhận dạng hệ phi tuyến MISO

Luật mờ trong mô hình Fuzzy T-S có dạng tổng quát như sau:

If Input_1 = x and Input_2 = y, then Output is z = f(x,y) Ngõ ra z = f(x,y) là dạng một hàm số tuỳ ý do người thiết kế quyết định Trong luận

án, ngõ ra của mô hình Fuzzy T-S được chọn là một hằng số Các giá trị của hằng số

sẽ được tối ưu với giải thuật DE

Mỗi luật mờ có trọng số của ngõ raz i, độ đúng của luật mờ w i được tính bằng phép toán chọn giá trị nhỏ nhất:

w i = Min (F 1 (x), F 2 (y)) (1.15) Với F1 , F2 là các hàm liên thuộc của ngõ vào 1 và 2

Giá trị ngõ ra của mô hình Fuzzy được tính theo phương pháp trọng tâm (COG):

21

1

1

i i i N i i

w z y

w

(1.16)

Trong đó N là số lượng luật mờ

Đối với bài toán nhận dạng thông minh dùng giải thuật tối ưu kết hợp mô hình Fuzzy kinh điển, chỉ có một mô hình Fuzzy chung nhất dùng nhận dạng mô hình MISO Khi ngõ vào càng nhiều, mô hình Fuzzy càng phức tạp, với số lượng luật mờ tăng theo luật hàm số mũ Đây là một điểm hạn chế rất lớn của mô hình Fuzzy truyền thống so với mạng nơ-ron

Để khắc phục hạn chế đó, trong bài báo này, nghiên cứu sinh sử dụng mô hình Fuzzy nhiều lớp để nhận dạng mô hình phi tuyến đa biến MIMO

2.4.2 Mô hình Fuzzy nhiều lớp

Mô hình Fuzzy nhiều lớp được phát triển từ mô hình Hierachical Fuzzy [87] (Hình 2.3) được đề xuất năm 1991 Mô hình Hierachical Fuzzy được đề xuất để khắc phục các nhược điểm của mô hình Fuzzy về số lượng luật mờ khi áp dụng với các hệ phức tạp, nhiều ngõ vào, tuy nhiên nó cũng có các nhược điểm như ngõ ra của mô hình Hierachical Fuzzy là một mô hình Fuzzy khiến cho việc mô hình khó linh hoạt thay đổi cấu trúc, các biến của mô hình không thể tạo dựa vào kinh nghiệm của người thiết

kế Thêm nữa việc lựa chọn cấu trúc của mô hình đòi hỏi người thiết kế phải có kinh nghiệm hoặc thông qua thử sai nhiều lần

Hình 2.3.Mô hình Hierachical Fuzzy

Với các cải tiến ngõ ra là một làm SUM thay vì là một mô hình Fuzzy Mô hình Fuzzy nhiều lớp được đề xuất để khắc phục các nhược điểm của mô hình Hierachical Fuzzy

22

khi thay đổi số lượng ngõ vào thì cấu trúc mô hình Hierachical Fuzzy bị thay đổi hoàn toàn, gây khó khăn khi thay đổi ngõ vào, ngõ ra Tuy nhiên mô hình Fuzzy nhiều lớp cũng có các nhược điểm như không thể tạo ra bằng kinh nghiệm của người thiết kế mà phải dùng giải thuật tính toán tối ưu để tìm ra các tham số mô hình

Trong luận án, mô hình Fuzzy nhiều lớp được áp dụng để nhận dạng hệ phi tuyến đa biến MIMO bao gồm nhiều khối mô hình Fuzzy nhiều lớp MISO kết hợp lại, mỗi mô hình Fuzzy nhiều lớp MISO thể hiện một ngõ ra của mô hình Trường hợp đối tượng cần nhận dạng có 4 ngõ ra, mô hình Fuzzy nhiều lớp MIMO sẽ bao gồm 4 mô hình Fuzzy nhiều lớp MISO với cùng hoặc khác biến ngõ vào Mỗi mô hình Fuzzy nhiều lớp MISO bao gồm nhiều mô hình Fuzzy T-S với 2 ngõ vào 1 ngõ ra Cấu trúc của mô hình Fuzzy phân lớp được đề xuất, dùng nhận dạng mô hình bồn nước liên kết đôi, mô hình PAM được thể hiện như Hình 2.4 Hình 2.4 cho thấy, cấu trúc mô hình Fuzzy nhiều lớp MIMO được sử dụng gồm 2 mô hình Fuzzy nhiều lớp MISO phối hợp Mỗi

mô hình Fuzzy nhiều lớp MISO sẽ bao gồm 3 mô hình Fuzzy T-S có 2 ngõ vào 1 ngõ

ra

Hình 2.4 Mô hình Fuzzy nhiều lớp áp dụng trong nhận dạng

Ngõ ra của mô hình Fuzzy MISO có dạng sau:

23

1 1 1

ji ji M

i N j

ji i

w z y

Hình 2.5 Hàm liên thuộc ngõ vào của mô hình Fuzzy T-S dạng tam giác

Hàm liên thuộc ngõ vào dạng tam giác (Hình 2.5) có giá trị chuẩn hoá ngõ vào từ 0 đến 1 hoặc -1 đến 1 tuỳ theo mô hình Đối với mô hình bồn nước liên kết đôi, giá trị ngõ vào sẽ là từ 0 đến 1 Trước mỗi ngõ vào sẽ có một hệ số để hiệu chỉnh giá trị ngõ vào phù hợp với giới hạn đã đặt trước từ 0 đến 1 Ví dụ như hệ số 0.033 cho ngõ vào mực nước mô hình (độ cao tối đa của bồn nước là 30cm) Ta cũng có nhận xét:

24

var1, var2, var3 tỉ lệ với nhau và var1 + var3 = Phạm vi của ngõ vào

Ngõ ra của mô hình Fuzzy T-S là một hằng số trong vùng từ -1 đến 1 Tương tự như ngõ vào, ngõ ra của mô hình Fuzzy nhiều lớp cũng qua một khâu tỉ lệ để phù hợp với

mô hình cần nhận dạng

Đối với hàm liên thuộc dạng Gauss như ở Hình 2.6, giá trị ngõ vào được giới hạn trong khoản -1 đến 1 Ngõ vào sẽ có thêm một khâu tỉ lệ để điều chỉnh phù hợp với mô hình thực tế đảm bảo giá trị ngõ vào tới mô hình Fuzzy là -1 đến 1 Mỗi ngõ vào có số lượng hàm liên thuộc cố định là 3

σ1

Hình 2.6 Hàm liên thuộc ngõ vào của mô hình Fuzzy T-S dạng Gauss

Việc sử dụng 3 hàm liên thuộc cho ngõ vào để đơn giản hoá tính toán, đảm bảo tính phi tuyến vừa đủ với một mô hình Fuzzy T-S Đối với bài toán phức tạp hơn, cấu trúc

mô hình Fuzzy T-S vẫn được giữ nguyên, chỉ cần tăng số lượng mô hình Fuzzy T-S trong cấu trúc Fuzzy nhiều lớp

2.5 KẾT LUẬN

Ở chương 2, nghiên cứu sinh đã đưa ra các cơ sở lý thuyết quan trọng sẽ được áp dụng trong quyển luận án Tiếp theo, trong chương 3, nghiên cứu sinh trình bày về cách áp dụng mô hình Fuzzy nhiều lớp trong nhận dạng hệ phi tuyến và giải thuật huấn luyện ghép tầng sử dụng huấn luyện mô hình Fuzzy nhiều lớp Và nội dung chương 4 sẽ nói

về các bài toán điều khiển hệ phi tuyến.Equation Chapter (Next) Section 1

án

Tiếp theo đó, giải thuật nhận dạng ghép tầng được áp dụng để nhận dạng hệ bồn nước, kết quả mô phỏng và thực nghiệm cho thấy các ưu điểm của mô hình mờ nhiều lớp trong nhận dạng và khả năng của giải thuật huấn luyện ghép tầng trong việc nhận dạng

mô hình mờ nhiều lớp đề xuất

Kết quả của chương 3 còn được đăng trên các bài báo [1a], [5a], [6a], và [9a]

3.2 MÔ HÌNH HỆ BỒN NƯỚC ĐÔI LIÊN KẾT

Mô hình bồn nước liên kết đôi là một dạng mô hình MIMO phi tuyến có trễ với hai ngõ vào (điện áp điều khiển động cơ 1 và điện áp điều khiển động cơ 2) cùng hai hoặc bốn ngõ ra (mực nước các bồn 1, 2, 3, 4) (Hình 3.1) Trong mô hình bồn nước đôi này, động cơ 1 điều khiển trực tiếp mực nước bồn 1, bồn thứ 2 bị tác động bởi ngõ ra của bồn 1 Động cơ thứ 2 điều khiển trực tiếp mực nước bồn 3 và bồn 4 bị tác động bởi ngõ ra bồn 3 Ngoài ra còn có tác động chéo giữa động cơ 1 với bồn 4 và giữa động cơ

2 với bồn 3, làm tăng thêm tính phi tuyến cùng độ phức tạp cho mô hình Độ trễ của

mô hình thể hiện ở việc xác định đầu vào là 2 tín hiệu điện áp điều khiển bơm nước, đầu ra là 2 giá trị mực nước ở bồn 2 và bồn 4, khi có tín hiệu ngõ vào phải cần 1 khoảng thời gian thì đầu ra mới có tín hiệu tương ứng, không xem xét giá trị mực nước bồn 1 và bồn 3 làm đầu vào giải thuật, và còn thể hiện ở việc đáp ứng khi tăng, khi giảm khác nhau khiến cho mô hình càng thêm phức tạp