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

Trong luận án này, nghiên cứu sinh đồ xuất mô hình Fuzzy nhiều lớp kết hợp với giải thuật tiến hóa vi sai đe nhận dạng và diều khiến hệ phi tuyến.. Vì thế ngày càng có nhiều nghiên cứu t

ĐẠI HỌC QUÓC GIA TP HCM

TRƯỜNG ĐẠI HỌC BÁCH KHOA

CAO VĂN KIÊN

NHẬN DẠNG VÀ ĐIỀU KHIỂN HỆ PHI TUYẾN CÓ TRỄ

Chuyên ngành: Kỹ Thuật Diều Khiến & Tự Dộng Hóa

Mã số chuyên ngành: 62520216

Phan biện độc lập: PGS TS Đặng Xuân Kiên

Phan biện độc lập: PGS TS Trương Đình Nhơn

Phan biện: PGS TS Nguyễn Chí Ngôn

Phan biện: PGS TS Nguyễn Thanh Phương

Phan biện: PGS TS Nguyền Quổc Hưng

NGƯỜI HƯỚNG DẦN:

1 GS TS Hồ Phạm Huy Ánh

LỜI CAM ĐOAN

Nghiên cứu sinh xin cam đoan đây là công trình nghiên cứu cúa bản thân nghiên cứu sinh Các ket qua nghiên cứu và các kểt 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 dần và ghi nguồn tài liệu tham kháo đủng quy

định

Nghiên cứu sinh luận án

Cao Văn Kiên

TÓM TÁT LUẬN ÁN

Hệ thống phi tuyển với các yếu tố bất định và nhiều động rẩt khó dể xác dịnh

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 the ngày càng có nhiều nghiên cứu tập trung vào các mô

hình và các bộ điều khiển thông minh ứng dụng kỳ 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 đồ xuất mô hình Fuzzy nhiều lớp kết hợp với giải thuật tiến hóa vi sai đe nhận dạng và diều khiến hệ phi tuyến Các nội dung chính cùa luận án dược tóm tẳt như sau:

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

mô hình Fuzzy Multi-Input, Single-Output (MISO) Mỗi mô hình Fuzzy MISO nhiều kVp được tạo thành bởi nhiều mô hình Fuzzy Takagi-Sugeno (T-S) truyền thống, cấutrúc và luật mờ cũa mô hình Fuzzy nhiều lớp được tính toán tối ưu bằng giái thuật tiến hoá vi sai Ket quả cho thay mô hình Fuzzy nhiều lớp có thê dùng trong nhận dạng mô

hình Multi-Inpul Multi-Output (MIMO) và tính linh hoạt cùa mô hình dược thề hiện trong các thí nghiệm

Đe xuất thử hai là giai thuật huấn luyện ghép tang, dùng đề huân luyện mô hìnhFuzzy nhiều lớp một cách tuần tự Qua ket qua 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

Ve bài toán điều khiển, luận án có hai đồ xuất giải thuật điều khicn kết hợp giãithuật tính toán mềm tối ưu và giái thuật diều khiến thích nghi Đầu tiên là giái 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 sổ ban đầu cùa bộ điều

khiển Đe xuất cho bài toán điều khiển thứ hai là giài thuật điều khiển mô hình ngượcthích 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 Cá hai hướng đề xuất đều có các đặc điểm là kết hợp giừa giải thuật tối ưu với giải thuật điều khiển thích nghi làm tàng chấtlượng bộ điều khiến lúc khời động và đám bảo lý thuyết ồn định Lyapunov

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 andcontrollers 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 toidentify 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 multipleFuzzy MISO models Each multilayer Fuzzy MISO model is made up of many

traditional Takagi-Sugeno Fuzzy models The structure and laws of the multilayerFuzzy 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 amulti-layered fuzzy model sequentially The experimental results show that the

method increases accuracy and reduces calculation time compared to conventionalmethods

Regarding the control problem, the author has two contribution that combiningthe optimal soft computing algorithm and adaptive control algorithm The first is anovel adaptive fuzzy sliding mode algorithm that is the adaptive law has been newlydesigned and takes advantage of the ability of optimal computing algorithms to identify the initial parameters of the controller The second control problem is anadaptive inversed model control algorithm that applies the optimal multilayer Fuzzymodel 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

ĐẠI HỌC QUÓC GIA TP HÒ CHÍ MINH

TRƯỜNG ĐẠI HỌC BÁCH KHOA

CAO VĂN KIÊN

NHẬN DẠNG VÀ ĐIỀU KHIỂN HỆ PHI TUYÉN CÓ TRẺ DÙNG MÔ HÌNH FUZZY NHIÈU LỚP KÉT HỌP GIÁI

THUẬT TÍNH TOÁN MÈM

LUẬN ÁN TIẾN Sĩ

TP HỔ CHÍ MINH - NĂM 2022

cho đến các học phần Tiến sì, nhờ những kiến thức nền tảng này mà tôi mới có thế

thực hiện được công việc nghiên cứu Xin gửi lời cảm ơn đến các thầy cô trong các

Hội đồng đánh giá các chuyên đề Tiến sĩ, luận án Tiến sĩ cấp Khoa, những ý kiến phản biện và góp ý thật sự đã giúp tôi rất nhiều trong việc chinh sửa và hoàn chính luận án

cúa mình

Xin gửi lời cam ơn đến lành đạo Trường Đại học Công nghiệp Tp.HCM, lãnh đạo và

toàn the cán bộ, giảng viên Khoa Công nghệ Điện tư vì đã có những chính sách hồ trự,

tạo điều kiện rất tốt cho tôi học tập và làm việc

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

là chỗ dựa vững chắc vồ vật chất và tinh than trong suốt thời gian thực hiện và hoàn

thành luận án

MỤC LỤC

DANH MỤC BẢNG BIẾU xi

DANH MỤC CÁC TỪ VIẾT TẤT xii

DANH MỤC CÁC KÝ HIỆU xiii

MỞ ĐẦU 1

TÍNH cáp thiét cúa đè tài 1

Mục ĐÍCH NGHIÊN cứu 3

ĐỐI TƯỢNG VÀ PHẠM VI NGHIÊN CỨU 3

P hương pháp NGHIÊN cửu 4

Đ óng góp mới về mật khoa học và THực TIÊN 4

Bó cục CỦA LUẬN ÁN 6

CHƯƠNG 1 GIỚI THIỆU 7

1.1 G iới THIỆU ĐẺ TÀI 7

1.2 TÔNG quan tình hình nghiên CỬU 9

1.2.1 về lĩnh vực nhận dựng hệ thông dùng mô hình logic mờ 9

1.2.2 Vê lĩnh vực điêu khiên dùng /nô hình logic mờ 12

1.3 P hạm VI NGHIÊN CỨU 13

1.4 NỘI DUNG QUYÊN LUẬN ÁN 14

CHƯƠNG 2 Cơ SỞ LÝ THUYẾT 16

2.1 GIỚI THIỆU 16

2.2 THUẬT TOÁN TIÊN HÓA VI SAI 16

2.3 Bộ ĐlÈU KH1ÉN TRƯỢT 18

2.4 Mô HÌNH F uzzy NHIEU lớp TRONG NHẬN DẠNG HẸ PHI TUYÉN 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 KÉT LUẬN 24

CHƯƠNG 3 NHẬN DẠNG HỆ PHI TUYÉN DÙNG MÔ HÌNH FUZZY NHIÈU LỚP 25

3.2 Mô HÌNH HỆ BÔN NƯỚC ĐÔI LIÊN KÉT 25

3.2 / Thu thập dữ liệu vào ra 27

3.2.2 Két qua nlìận dạng mô hình thuận 29

3.2.3 Ket quà 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 Huan luyện mô hình thuận - ngược 41

3.4 H uân lưyện ghép tàng mó HÌNH F uzzy nhiéư lớp ủng dụng nhận dạng hệ phi TUYẾN ĐA BIỂN 45

3.4.1 nhận dạng tham sô mô hình Fuzzy nhiêu lớp bủng phương pháp ghép tang 45

3.4.2 Thu thập dừ liệu 46

3.4.3 Huấn luyện * • mô hình 47

3.4.4 Kết quà huấn luyện 48

3.5 KẾT LUẬN 55

CHƯƠNG 4 ĐIỀU KHIÉN THÍCH NGHI HỆ PHI TUYẾN DỪNG MÔ HÌNH FUZZY NHIỀU LỚP KẾT HỢP GIẢI THUẬT TÓI ưu 56

4.1 G iới THIỆU 56

4.2 G iai thuật điều khiên trượt mờ nâng cao két hợp giai thuật tói UƯ 57

4.2.1 Mô hình PAM ldof thực nghiệm 61

4.2.2 Kết quà điêu khiên 63

4.3 G iai thuật ĐIỀU KH1ÉN ngược thích nghi nâng cao két hợp giai thuật tói ưu

72

4.3.1 Gìâì thuật điều khiển ngược thích nghi nâng cao kết hợp giải thuật tồi ưu 72

4.3.2 Mô hình Spring-mass-damper 77

4.3.3 Mỏ hình bồn nước liên kết 87

4.4 KÉT LUẬN 96

CHƯƠNG 5 KÉT LUẬN VÀ KIÉN NGHỊ 97

5.1 KÉT LUẬN 97

5.2 K iénnghị 99

DANH MỤC CÔNG TRÌNH LIÊN QUAN LUẬN ÁN 101

TÀI LIỆU THAM KHẢO 103

PHỤ LỤC 120

DANH MỤC CÁC HÌNH ẢNH

Hình 2.1 Lưu đồ giải thuật tổi 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 cúa mô hình Fuzzy T-S dạng tam giác 23

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

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

Hình 3.2 Dừ liệu huấn luyện mô hình 28

Hình 3.3 Dừ 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 Kct quá đánh giá chất lượng nhận dạng ngõ ra bon 2 31

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

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

Hình 3.9 Kct quá 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 Kct quả huấn luyện mô hình Fuzzy ngõ ra là điện áp bơm 34

Hình 3.12 Kết quã 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 ul 35

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

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

Hỉnh 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

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 Dừ 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 Ket quả 10 lần huấn luyện mô hình 44

Hình 3.26 Ket 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 Ọuá trình huấn luyện ghép tầng 46

Hình 3.29 Dừ liệu vào-ra đễ huấn luyện 47

Hình 3.30 Dừ liệu đánh giá mô hình 47

Hình 3.31 Kết quà huấn luyện và đánh giá cua lần huấn luyện ghép tầng đầu tiên 49 Hình 3.32 Giá trị hàm mục tiêu cùa lan huấn luyện ghép tang đau tiên 50

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

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

Hình 3.35 Kct quả huấn luyện và đánh giá mô hình ờ lần huấn luyện ghcp tầng thứ 3 .52

Hình 3.36 Giá trị hàm mục tiêu cua lần huấn luyện ghcp tầng thứ 3 52

Hình 3.37 Kết quả phương pháp huấn luyện thông thường 53

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

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

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

Hình 4.3 S ư đô mò hình Fuzzy xấp xỉ f(x,t) 63

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

Hình 4.30 Mò hình bồn nước liên kết 88

Hình 4.31 Dừ 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 khiến áp dụng cho hệ bồn nước liên kết - Thí nghiệm A 91

Hình 4.34 So sánh các bộ điềukhiển áp dụng cho hệ bồn nước liên kết - Thi nghiệm B .92

Hình 4.35 So sánh các bộ điều khiên áp dụng cho hệ bồn nước liên kết - Thi 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 khiến 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

DANH MỤC BẢNG BIẾU

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

Bảng 3.2 Tham so của các giải thuật tối ưu 49

Báng 3.3 Báng so sánh kết quả huấn luyện ghép tầng và phương pháp thông thường 7.54 Bảng 4.1 Luật mờ cùa hàm thích nghi 61

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

Báng 4.3 Giá trị ngõ ra cúa bộ điều khiến 67

Bàng 4.4 Luật mờ của bộ điều khiển Fuzzy-P1D 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

Báng 4.7 So sánh chất lượng các giai thuật điều khiên áp dụng lẽn hệ SMD 87

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

Báng 4.9 So sánh chất lượng điều khiển với tiêu chuấn binh phương sai số 95

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

Hình 4.5 Kêt quả huấn luyện 64

Hình 4.6 Ket quả đánh giá 64

Hình 4.7 Mô hình Fuzzy và surface xẩp xì hàm f(x,t) 65

Hình 4.8 Mô hình Fuzzy và surface xấp xi 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 cua bộ điêu khiên Fuzzy-P1D 67

Hình 4.12 Sơ đồ bộ điều khiển Fuzzy-PID 68

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

Hình4.14.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(O) = 0.5 và X2(0) = -0.5 81

Hình 4.23 Kết quả so sánh các bộ điều khiên trôn hệ SMD - Thí nghiệm A 82

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

Hình 4.25 Kết quà so sánh các bộ điều khiển trên hệ SMD - Thí nghiệm c 83

Hình 4.26 Kết quá so sánh các bộ điều khiến 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 quã điều khiển vị tri bằng bộ điều khiển AIMFC đề xuất 86

DANH MỤC CÁC TÙ VIÉT TẤT

DE Differential evolution

GA Genetic algorithm

MIMO Multiple-input and multiple-output

SISO Single-input and single-output

MISO Multiple -input and single-output

MSE Mean Squared Error

PSO Particle Swarm Optimization

SMC Sliding mode controller

PAM Pneumatic Artificial Muscles

NARX Nonlinear Autoregressive Exogenous

ABC Artificial Bee Colony

RBFN Radial Basis Function Network

Tien hóa vi sai

Giải thuật di truyềnNhiều ngõ vào và nhiều ngõ raMột ngõ vào và một ngõ ra

Cơ khí nén nhân tạo

Mô hình hối qui NARX Giái thuật bầy ong

Mạng chức năng cơ sơ xuyên tâm

AFSMC Adaptive Fuzzy Sliding Mode Controller Bộ điều khiển trượt mờ thích nghi

Số thế hệ huấn luyệnMặt trượt

Độ đúng của luật mờTrọng sổ ngõ ra của luật mờ

Hệ số dần lưu ngõ ra

Ti số dòng cháy bể 1 với bể 4

Ti số dòng chảy bể 2 với bê 3

Ngõ ra bộ điều khiển trượt mờ

Ngõ ra bộ đièu khiên trượt mờ thích nghiNgõ ra bộ điều khiến đám bao tính ổn định

Ngổ ra bộ điều khiển ngược toi ưuNgõ ra bộ điều khiển P1D

Ngõ ra bộ điều khiển mờ tối ưu

Diện tích tiết diện bồn 1Diện tích tiết diện bồn 2Diện tích tiết diện van xả 1

Diện tích tiết diện van xa 2

Hệ so bơm

MỞ ĐẦU Tính cấp thiết của đề tài

Hệ thống phi tuyến với các yếu tố bất định và nhiều động rất khó đê xác định chính xác mô hình toán học của hộ thống Hơn nữa sự phát triển không ngừng cùa khoa học công nghệ làm xuất hiện các đối tượng điều khiển có độ phức tạp ngày càng tăng 11],

[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 tàng, cũng như yêu cầu chất lượng

ngày càng cao Do đô các hướng tiếp cận điều khiên thông thưừng 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 trôn mạng nơ-ron nhân tạo, logic mờ và các thuật toán tối ưu tiến hóa đổ

nhận dạng và điều khiển các hệ phi tuyến [3]-[l 1J

Từ khi Zadch giới thiệu về mô hình Fuzzy năm 1965 112], 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, 113]-[15J Trong chuyên ngành điều khiến thông minh,

giái thuật mờ đà ứng dụng thành công trong điều khiên, nhận dạng, phân lớp, phânnhóm, [14], [16]-[20]

Hiện tại, có rất nhiều nghiên cứu về lình vực nhận dạng với đú các cách tiếp cận từkinh điển tới nhừng 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 cúa lĩnh vực nhận dạng

thông minh chính là mô hình phi tuyến nhiều ngõ vào, nhiều ngõ ra bời vì sự phức tạp

và nhiều yểu tố không chắc chẳn Đặc biệt khi áp dụng mô hình Fuzzy trong nhậndạng, đối với các bài toán yêu cầu độ phức tạp cao, nhiều ngõ vào thì số lượng luật mờphái nhiều, từ đó làm tăng khối lượng tính toán của hệ thong Đó là một trong các

điểm yếu của mô hình Fuzzy truyền thống khi áp dụng vào nhận dạng các hộ MIMO

[23]—[25 J De khắc phục các nhược diêm đó, rất nhiều phương pháp được đưa ra bởi các nhà khoa học như trong các bài báo [24], [26]-[29] sừ dụng mô hình Hierarchical

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

có ý tương đưa ra một câu trúc mờ mới có khả năng ứng dụng trong bài toán nhận

• 1 a a a 2 a f

dạng và điêu khiên hệ thông

Mô hình MIMO phi tuyến rất khó để nhận nhận dạng dựa vào các quan hệ toán học

Đê khắc phục nhược điêm đó cũng như lợi dụng khả năng tính toán cùa máy tính, các công cụ tính toán tối ưu như GA, PSO đă 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],

|36ị thì đơn giản, dễ lập trình, nhưng dề bị rơi vào cực trị cục bộ, GA 1371-ị39] cho

kết quả toàn cục tổt, nhưng mất nhiồu thời gian tính toán Trong những năm gần đây,

logic mờ, mạng nơ-ron nhân tạo và thuật toán tối ưu tiến hỏa là các phương pháp bò

sung cho nhau trong việc thiết kế và thực thi các bộ điều khiên thông minh nhầm pháthuy các ưu điếm và giảm thiếu khuyết diêm của từng phương pháp Gần đây giải thuật

DE [40] được R Storn và K Price phát triôn năm 1997 đã trơ nôn phổ biến trong lĩnh

vực tính toán toi ưu Giải thuật DE cho kết quà tối ưu toàn cục và có thời gian tính toán ít hơn so với GA và đưa ra các kết qua 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 M1M0 phi luyến

Giãi thuật điêu khiên hệ phi tuyên gân đây tập trung vào các bài toán điêu khiên thích

nghi ứng dụng mô hình Fuzzy, nơ-ron [44]—[49], Tuy nhiên các giải thuật thích nghi

hiện nay đều chưa quan tâm đen giai đoạn khơi động, các tham số khơi lạo ban đau đều được khởi tạo ngẫu nhiên

Cùng với sự tiến bộ của khoa học kỳ thuât, phần cứng ngày càng phát triển, các giài

thuật điều khiến ứng dụng các giải thuật tính toán tối ưu cũng được quan tâm nghiên cứu ngày một nhiều [211, [50]—[55], đặc biệt là ứng dụng mô hình Fuzzy, Nơ-ron vào trong các bài toán điều khiên kết hợp các giãi thuật tối ưu [56]-[63] Tuy nhiên, hạn

chế của các cách tiếp cận này ớ khâu chứng minh ôn định cúa hệ thống, chỉ có the

chứng minh qua khảo sát thực nghiệm, hoặc trên môi trường lý tường

• Phạm vi nghiên cứu liên quan các bài toán điều khiên chi dừng lại ở hệ MĨSO

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 đế thực hiện luận án là phân tích lý thuyết, mô

phóng trên máy tính và kiếm 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 chi, hội nghị khoa học chuyên ngành Trên cư sư đó đề xuất

mô hình Fuzzy cải tiến đề nâng cao hiệu qua của mô hình Fuzzy ứng dụng trong

nhận dạng và điêu khiên hệ phi tuyên

• Mô phóng trên máy tính: Xây dựng mô hình cải tiến đề xuất trong luận án, áp dụng

vào nhận dạng và điều khiến hệ phi tuyến Trên cơ sớ đó rút ra các kết luận về mô

hình đề xuất

• Úng 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 mói về mặt khoa học và thục tiễn

• Y 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 tru điểm về số

lượng luật mờ giám dáng kế 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 tạpcủa hệ thống cần nhận dạng Ket quả của nghiên cứu này được trình bày ờ bài báo [5a], [6a]

- Đã nghiên cứu và phát triên thành công giải thuật huân luyện ghép tâng áp dụng

cho việc huân luyện mô hình Fuzzy nhiêu lớp Kêt quả kiêm chứng cho thây

4

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

ít nhất một cách chứng minh tính ôn định cua hệ thống điều khiên dựa trên lý thuyết

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

và điều khiên các hệ phi tuyến phức tạp sử dụng logic mờ thì việc cải thiện cấu trúc của hệ mờ có ý nghía vô cùng quan trọng Do đó việc nghiên cửu cai thiện cấu trúc

cúa mô hình Fuzzy trong nhận dạng và điều khiên 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 Fuzzycải tiến vào bài toán nhận dạng và điều khiên hệ phi tuyến kết hợp giái thuật tính toán

mồm

Đôi tuọng và phạm vi nghiên cúu

• Đối tượng được sử dụng đế 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 tượngnghiên cứu được chọn là các đối tượng hay được sử dụng trong các công bổ lien

quan gần đây Việc chọn các đối tượng này cũng nham mục đích so sánh chất

lượng giái thuật của nghiên cứu sinh đề xuất với các công bố liên quan

• Đổi tượng thực nghiệm được sứ dụng đe kiểm chứng tính hiệu qua cúa bộ điều

khiển đề xuất là hệ tay máy song song PAM 2-D0F và hệ bồn nước liên kết Đây

là đổi tượng sử dụng cơ cấu chấp hành mới dược phát triển gần đây Đối tượng thếhiện đầy đù 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 phóng và kiêm chứng thực

nghiệm phai thuộc lớp các đối tượng phi tuyến có thế điều khiên ôn định và bềnvững khi dùng bộ điều khiển P1D

giải thuật huấn luyện ghép tầng không chí cho kểt quả nhanh hơn so với

phương pháp huấn luyện thống thường mà còn cho chất lượng tốt hơn Kết quà

nghiên cứu được trình bày ở bài báo [la], và [9a]

- Đã nghiên cứu và phát triển thành công giải thuật điều khiên trượt mờ nâng cao

kết hợp giãi thuật tối ưu Giâi thuật điều khiển đề xuất lấy ý tưởng bẳt đầu từ

mô hình Fuzzy nhiều lớp được áp dụng đố nhận dạng các hàm phi tuyến cua hệ

thống Sau đó hàm mờ thích nghi được thiết kế đê bồ sung cho giải thuật Giải

thuật thích nghi và tối ưu bồ sung cho nhau, vừa đám bảo hệ thống ổn định tiệm

cận theo Lyapunov, vừa đảm bảo hệ thong thay đôi linh hoạt với nhiễu ngoài và

các yếu tổ thay đổi không xác định Kết quả nghiên cứu này được trình bày ờbài báo [2a],[7a] và [8a]

- Cuối cùng là đề xuất giai thuật điều khiên 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 khiến có các ưu điếm của

giải thuật tối ưu và thích nghi khi kết hợp ca 2 lại Ưu điếm của giai thuật tối ưuđược thê hiện khi hệ không có thay đổi hoặc không bị tác động Khi hệ thống có

sự thay dối, luật diều khiến thích nghi thể hiện ưu diếm cùa nó Nhìn tồng thể,

ban 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 đám bão hệ thống ôn định Lyapunov Ket quả điều khiến còn

được so sánh với các nghiên cứu gần đây để chứng minh ưu điểm Kết quá nghiên cứu này được trình bày ờ bài báo 13a] và |4a|

Y nghĩa thực tiên

- 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 cua 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 giam chi phí tính toán, chi phí về phàn cứng khi áp

5

dụng mô hình vào thực tiễn Ket qua cua nghiên cứu này được trình bày ơ bài báo [5a], [6a].

- Kỹ thuật nhận dạng ghép tầng đã áp dụng vào nhận dạng mô hình Fuzzy nhiều

lớp dùng trong nhận dạng mô hình hộp đen cho thấy giai thuật có ý nghía rất lớn về thực tiền khi thời gian tính toán và chất lượng hàm mục tiêu giảm đáng

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

tổ quan trọng đó Kct quả nghiên cứu được trình bày ở bài báo [la], và [9a]

- Giái thuật diều khiển trượt mờ nâng cao kết hợp giải thuật tối ưu dề xuất áp

dụng thành công trong thực tiễn điều khiển hệ tay máy PAM Ý nghĩa thực tiễn không chỉ ờ mức điều khiến 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 ớ bài báo [2a|,|7a| và |8a|

- Giải thuật điều khiến ngược thích nghi được giới thiệu trong luận án đã áp dụng

diều khiến hệ bồn nước liên kết, hệ xe-lò xo (SMD) Ý nghĩa trong thực tiễn

của giải thuật ờ quá trình kết hợp giải thuật tối ưu và giải thuật điều khiển thích nghi khiến cho giái thuật điều khiến đạt chất lượng tốt hon lúc khới động và hàm thích nghi đơn giãn hơn, giảm chi phí tính toán Kết quả nghiên cứu nàyđược trình bày ở bài báo [3a] và [4aJ

Bố cục cúa luận án

Bố cục cúa luận án gồm 5 chương bắt đầu từ tống quan luận án, cơ sở lý thuyết các giái thuật, mô hình Fuzzy nhiều lớp dùng trong luận án Các kết quá mô phong, thực tế

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

án Cuối cùng là tông kết các đóng góp cúa luận án ở khía cạnh lý thuyết và thực

nghiệm trong lình vực điều khiến và nhận dạng hệ phi tuyến

CHƯƠNG 1 GIỚI THIỆU

1.1 GIỚI THIỆU ĐÈ TÀI

Hệ thống phi tuyến với các yếu tố bất định và nhiều động rất khó đề xác định chính xác mô hình toán học của hệ thống Hơn nữa sự phát triền không ngừng cùa khoa họccông nghệ làm xuất hiện các đối tượng điều khiên cỏ độ phức tạp ngày càng tăng 11], [2| Yêu cầu thực tiễn đặt ra là phái điều khiển các hệ thống động ngày càng phức tạp,

trong điều kiện các yếu tố bẩt định ngày càng gia tăng, cũng như yêu càu chất lượng

ngày càng cao Do dó các hường tiếp cận diều khiên thông thường dựa trên mô hình toán học gan như không đáp ứng được yêu cầu Vì thế ngày càng có nhiều nghiên cứutập trung vào các mô hình và các bộ điều khiên 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]-[111, [64]—[68]

Hộ phi tuyến có tre là một hộ phi tuyến với các đặc tính tre [69], các đặc tính này gây khó khăn cho việc nhận dạng [70] và khó khăn trong việc điều khiền với các phương

pháp yêu cầu biết phương trình toán cứa đối tượng

Tù khi Zadeh giới thiệu về mô hình Fuzzy năm 1965 [12], đã có rất nhiều nghiên cứu

trong lĩnh vực này Mô hình Fuzzy dược áp dụng trong rất nhiều lĩnh vực như y học,

kỳ thuật, tài chính, thống kê, [ 13]-[15] Trong chuyên ngành điều khiển thông minh,

giái thuật mờ đà ứng dụng thành công trong điều khiến, 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 từkinh dien tới những cách ứng dụng giài thuật thông minh, như mạng thần kinh nơ-

ron[21], hay mô hình Fuzzy [4], [22] Một trong những vẩn đe cúa lình vực nhận dạng

thông minh chính là mô hình phi tuyến nhiều ngõ vào, nhiều ngõ ra (M1MO) bơi vì sựphức tạp và nhiều yếu tố không chắc chán Đặc biệt khi áp dụng mô hình Fuzzy trong nhận dạng, đối với các bài toán yêu cầu độ phức lạp cao, nhiều ngõ vào thì so lượng

7

luật mờ phai nhiều, từ đó làm tăng khối lượng tính toán cua hệ thống Đó là một trong các điểm yếu cùa mô hình Fuzzy huyền 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] sừ dụng mô hìnhHierarchical mờ đề giảm số lượng luật mờ, nhưng vần còn nhiều hạn chế về cấu trúc

hộ mờ Từ đó, nghiên cứu sinh có ý tướng đưa ra một cấu trúc mờ mới có khả năngứng 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 Đe khắc phục nhược điểm đó cũng như lợi dụng khả năng tính toán của máy tính, các công cụ tính toán loi ưu như GA, PSO đà được áp dụng trong việc lối 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 khiên thông minh

nhằm phát huy các ưu điểm và giàm thiêu khuyết điểm cùa từng phương pháp Gần

đây, giãi thuật DE [40] được R Slorn và K Price phát triên năm 1997 đã trơ nên phố

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 quá tìm kiềm toàn cục tốt hơn

PSO [41 J-[43J Hơn nữa, việc áp dụng mô hình Fuzzy/Nơ-ron vào nhận dạng mô hình

có thể học luôn ca đặc tính trễ cùa hệ thống Vì thế trong luận án này, nghiên cứu sinh

chọn giải thuật DE áp dụng cho việc tối ưu các tham sổ mô hình Fuzzy ứng dụng cho

bài toán nhận dạng mô hình hệ MIMO phi tuyển

Giải thuật điêu khiên hệ phi tuyên gân đây tập trung vào các bài toán điêu khiên thích

nghi ứng dụng mô hình Fuzzy, Nơ-ron [44]—[49], [47], [76]—[78] Tuy nhiên các giảithuật thích nghi hiện nay đều chưa quan lâm đến giai đoạn khới động, các iham số

khới tạo ban đầu trong bộ điều khiến đều được khơi tạo ngẫu nhiên Với các tham số

khới tạo ngầu nhiên không tốt có thê anh hương tới quá trình khơi động cúa hệ

Cùng với sự tiến bộ cùa khoa học kỳ thuật, phần cứng ngày càng phát triển, các giải

thuật điều khiển ứng dụng các giải thuật tính toán tối tru cũng được quan tâm nghiên

cửu ngày một nhiều [21], [50]-[55], đặc biệt là ứng dụng mô hình Fuzzy, no-ron vào

trong các bài toán điều khiến kết hợp các giải thuật toi ưu [56]—[63] Tuy nhiên, hạn chế của các cách tiếp cận này ở khâu chứng minh ổn định cùa hệ thống, chỉ có thể

chứng minh qua khao sát thực nghiệm, hoặc trên môi trường lý tưởng

Từ các vấn đề trên, nghiên cứu sinh sẽ phát triền giải thuật điều khiên dựa trên mô

hình Fuzzy mới được đề xuất, kết hợp với các giai thuật tính toán mềm và đưa ra được

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

ồn định Lyapunov trong quyển luận án này

1.2 TÔNG QUAN TÌNH HÌNH NGHIÊN cứu

1.2.1 Vê lĩnh vực nhận dạng hệ thông dùng mô hình logic mờ

Trong những năm gần đày, mô hình Fuzzy Takagi-Sugeno (T-S) [791 được ứng dụngrộng rãi trong nhiều lĩnh vực nhận dạng và điều khiến Các nghiên cứu sinh trong 16]

đã đề xuất một giải thuật huấn luyện mô hình Fuzzy T-S với phương pháp Hierarchical Genetic Algorithm (HGA) Các tác giá trong 119| sư dụng GA để huấn luyện mô hìnhFuzzy áp dụng vào nhận dạng một số mô hình phi tuyến trên môi trường

Matlab/Simulink

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

Giải thuật mờ ứng dụng trong nhận dạng hệ phi tuyến S1SO 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 phái 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 phan của mảng nơ-ron mở

9

Li và cộng sự [821 giới thiệu mô hình lai thích nghi hồi tiếp ngõ ra điều khiển cho hệphi tuyên không chắc chán 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 bang giải thuật bầy ong (ABC) áp dụng nhận dạng hệ phi tuyến MIMO Ferdaus và cộng sự[84] đề xuất phương pháp phàn 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 cúa mô hình Fuzzyloại 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 M1M0 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 bời 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 ân và lớp ra trong đó ngõ ra cua lớp này là ngõ vào cúa lớp phía

sau tới cuối cùng là ngõ ra của cả hệ Trong nhừng năm gần đây, có nhiều nghiên cứuđược 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 CM AC đế điều khiến hệ phi tuyến trong mô phong 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 đe đảm bảo cấu trúc, và lóp ân không linh hoạt khi thêm hoặc bớt một mô hình

Fuzzy Nguyên mẫu cúa mô hình Fuzzy phân lớp có sổ phần từ mờ trong hệ bị ảnh

hưởng bởi số lượng đầu vào cua mô hình Tu và cộng sự [94] giới thiệu mô hình

Fuzzy nhiều lớp như là một phần cua nhánh mờ-nơ-ron Không giống như mô hìnhFuzzy truyền thống, mô hình Fuzzy nhiều lớp không thể xây dựng dựa vào kinh nghiệm người thiết kế Chi có một cách huấn luyện bằng cách kết hợp với các thuật

toán tối ưu mềm Mô hình Fuzzy nhiều lóp có thể áp dụng nhận dạng hệ M1M0 phứctạp và có thể mờ rộng hay rút gọn dề dàng Li và cộng sự [95] đề xuất mô hình Fuzzy

nhiều lớp làm bộ quan sát để điều khicn hệ phi tuyến với biến không đo lường được.Các giải pháp kếl họp phân cấp cúa bộ điều khiển mờ cho các bài toán nhận dạng phứctạp và điều khiên đã được nghiên cứu thành không ở bài báo 118|, |96|

Gần đây, các giải thuật tính toán ngầu nhiên, giải thuật tối ưu hóa bầy đàn phát triên

mạnh và được áp dụng thành công đế tối ưu tham số mô hình Fuzzy nhiều lớp [321, [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 hộ phi tuyến có hồi tiếp Giái thuật DE [40] được R Storn và

K Price phát triên năm 1997 đã trở nên phố biến trong lình 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] Giài thuật DE còn được sửdụng rât hiệu quả trong các bài toán kỳ thuật liên quan đên nhận dạng và điêu khiên hệ

thống gần đây như trong các bài báo [21], [50], [101]-[105J

Mô hình Fuzzy nhiều lớp là một trong các phân lớp thuộc mảng mờ-nơ-ronị 106], [94]

Không như mô hình Fuzzy cồ 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 giai thuật tính toán tối ưu mềm Nó có thế 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 cửu sinh [94] sứ dụng mô hình

Fuzzy nhiều lớp trong điều khiển hệ thống con lắc ngược trên xe ơ môi trường mô

phòng Matlab/Simulink

Dựa vào các kết quà nêu trên, trong nội dung liên quan đến nhận dạng hệ thống cómục 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, giam thời gian tính toán so với cách huấn luyện thông thường áp dụng cho nhận dạng hộ phi tuyến không chắc chan như hệ bồn

nước dôi liên kết và hệ tay máy PAM Mô hình dề xuất có thể dề dàng thay dổi cấu

trúc đê phù hợp với hệ thống lớn hoặc nhò Các tham số của mô hình sẽ được tối ưu

bang giâi thuật tiến hóa vi sai (DE)

11

ỉ 2.2 về lĩnh vực điều khiến dùng mô hĩnh logic mờ

Bộ điêu khiên trượt (Sliding mode controller hay SMC) đang được áp dụng rộng rãi trong lĩnh vực điều khiển hệ phi tuyến [ 107]—[ 1091 Đặc tính nối bật của bộ điều khiển

SMC là tính ổn định đối với hộ không chắc chắn và nhiễu ngoài Tuy nhiên, diem hạn

chế của bộ điều khiển SMC là hiện tượng chattering và yêu cầu phải biết chính xác

phương trình toán cúa đoi tượng

Đồ xác định được đặc tính của hộ phi tuyến, gần đây các hướng tiếp cận giải thuật điều khiến trượt thông qua mô hình Fuzzy hoặc mạng thần kinh nư-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 trinh toán của hệ Nghiên cửu sinh trong bài báo [110] giới

thiệu bộ điều khiến trượt mờ-nơ-ron thích nghi cho hệ phi tuyển đế thu thập các ánh

hưởng gây ra bởi các tác động ngoài, nhiều và các thành phần không chắc chan

Nghiên cứu sinh trong bài báo 11111 giới thiệu lý thuyết về điều khiển trượt thích nghidựa vào mô hình Fuzzy T-S dùng đổ mô tả đặt tính của trạng thái không đo lường

được Bài báo [112] đề xuất giải thuật trượt bám tín hiệu điều khiên hệ phi tuyến dùng

mô hình Fuzzy đế ước lượng phương trình trạng thái Trong [113]—[116], đế giam bớt

ảnh hưởng cua các tham so không chắc chan, mạng thần kinh nơ-ron được sử dụng đe

xấp xi hàm phi tuyến chưa biết kết hợp với giai 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 khiên trượt mờthích nghi [117J-[ 119] đã dược áp dụng thành công Luật thích nghi dược xây dựngdựa vào lý thuyết ôn định Lyapunov Có nhiều nghiên cứu đã đề xuất giải thuật trượt

mờ thích nghi lai trong đó tính ôn định của hệ kín được chứng minh ôn định tiệm cận

[ 120]-[ 124], Lợi thế cùa phương pháp này là luật mờ cho phép hệ xấp XI gần đúng các

phương trình của hệ thống Tuy nhiên, mô hình xấp xỉ cần rất nhiều luật mờ và tổnthời gian tính toán khi phai thay đối liên tục đế đáp ứng tính ồn định cua hệ thống Nên

cách tiếp cận này vẫn cần phải phát triển một luật thích nghi khác gọn hơn, hiệu quả hơn

M - a ĩ r

Gân đây, nhiêu giải thuật tôi ưu được sử dụng cho nhận dạng hộp đen sư dụng mạng nơ-ron hay mô hình Fuzzy như PSO [32], [125], GA [126], [127], Giải thuật DE [40]

đã được áp dụng thành công trong tối ưu các tham số của mô hình Fuzzy và mạng nơ-

ron [9], [21], [101] Việc áp dụng giải thuật mới như DE hiện nay chưa áp dụng nhiều

như GA hay PSO mặc dù rất nhiều nghiên cứu đã nói đến khả năng tìm kiếm lời giải

cúa DE tốt hon so với PSO hay GA [105], [50], [128]

Dê khăc phục các nhược diêm trên, luận án đé xuât một giải thuật điêu khiên trượt mờ

với các thông sô mô hình Fuzzy nhiêu lóp được tính toán tôi ưu từ trước dùng giai

thuật DE, sau đỏ áp dụng thêm một luật thích nghi mới đơn gián hơn, cân ít thời gian

•»

tính toán hơn và ôn định hơn

Tiếp nối ý tưởng đó, luận án còn đề xuất một giai thuật ứng dụng mô hình Fuzzy nhiều

lớp trong việc nhận dạng mô hình ngược kết hợp với việc xây dựng mồ hình Fuzzy

thích nghi bố sung Ý tương của giai thuật lấy cảm hứng từ các bộ điều khiển tối ưu bằng giãi 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 dam bao tính ổnđịnh của hệ thổng thông qua lý thuyết ổn định Lyapunov

1.3 PHẠM VI NGHIÊN CÚ Ư

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

• Tập trung khai khác khả năng trong nhận dạng cua mô hình Fuzzy nhiều lớp kết

hợp với giải thuật huấn luyện mới được đề xuất Giải thuật được kiềm chứng trên

mô phông Matlab/Simulink và kiêm chứng trên mô hình thực nghiệm

• Xây dựng giải thuật thích nghi mới, áp dụng vào điều khiến hệ phi tuyến SISO ứng

dụng mô hình Fuzzy nhiều lớp kết hợp các giái thuật tối ưu và thích nghi Các kếtqua được kiểm chứng trên chương trình mô phỏng Matlab/Simulink và kiêm chửng

trên mô hình thực nghiệm

Đôi tượng được sử dụng trong các bài toán nhận dạng mô hình là mô hình bôn nước

đôi liên kêt là một hệ phi tuyên đa biên với 2 ngõ vào, 2 ngõ ra, và mô hình PAM 2

13

bậc song song Ca 2 đối tượng này đều là các hệ phi tuyến MIMO có đặc tính trề phùhợp đê kiếm chứng khả năng cùa mô hình Fuzzy nhiều lớp kết hợp với phương pháp huấn luyện mới được nghiên cứu sinh đề xuất.

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

ồn 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 kiêm chứng trên các mô hình PAM và bồn nước liên kết

thực nghiệm, kết họp so sánh với các giái 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 đế kiểm chứng các giải thuật trong phạm vi phòng thí nghiệm

1.4 NỘI DUNG QUYẾN LUẬN ÁN

Nội dung cua quyên luận án gồm 5 chương:

• Chương 1 giới thiệu tống quan về nhận dạng điều khiên hệ phi tuyến, hướng tiếp

cận kết họp logic mờ và thuật toán tiến hóa Chương này cũng sẽ trình bày tồngquan tình hình nghiên cứu trong nhận dạng và điều khiên hệ phi tuyến để từ đó đưa

ra mục ticu nghiên cứu trọng tâm cúa luận án

• Chương 2 trình bày cơ sở lý thuyết về giai thuật tiến hóa vi sai, giải thuật diều

khiển trượt và cơ sờ lý thuyết cùa 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 giái thuật điều khiến trượt là giải thuật cơ ban đe phát triên các giai thuật điều khiển đề xuất cua 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 giái thuật huấn luyện ghép tầng Mô phong, thực

nghiệm và so sánh chất lượng giải thuật đề xuất với phương pháp huấn luyện thông thường Thảo luận về kết qua 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 Ket quả được the hiện trên mô phỏng và thực

nghiệm kết hợp với so sánh chất lượng bộ điều khiến đề xuẩt với các nghiên cứu liên quan Thào luận về các tham số ánh hướng đến chất lượng cúa bộ điều khiển.

Cuối cùng, chương 5 tông kết lại các đóng góp cua luận án ớ khía cạnh lý thuyết và thực nghiệm vào ITnh vực nhận dạng và điều khiến hệ phi tuyến Cuối chương làmột số đe xuất vồ hướng nghiên cứu tiếp thco.Equation Chapter (Next) Section 1

15

CHƯƠNG 2 CO SỞ LÝ THUYẾT

2.1 GIỚI THIỆU

Chương 2 trình bày cơ sở lý thuyết về giâi thuật tối ưu tiến hóa vi sai, thảo luận về các

tham sổ tác động đến giai thuật và cơ sớ lý thuyết của giải thuật điều khiến trượt Giai

thuật tiến hóa vi sai là giải thuật quan trọng được sư dụng xuyên suốt trong luận án Trình bày cơ sở lý thuyết của mô hình Fuzzy nhiều lérp

Bố cục chương gồm các phần như sau:

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

đốn giải thuật

• Cơ sở lý thuyết bộ điều khiến trượt

• Cơ sớ lý thuyết về mô hình Fuzzy nhiều lớp

2.2 THUẬT TOÁN TIẾN HÓA VI SAI

Giải thuật DE [40] được đề xuất lan đau 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 thề ngẫu nhiên trong quần thể, mồi cá thế mang một lời giải

khác nhau, các cá thế được khời tạo ngẫu nhiên trong phạm vi tìm kiếm được chọn

trước

Xị.G LXl.i,G,X2.i.G'",’XD.i.GÌ (1.1)

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

số lượng cá thế trong quần thể

• Đột biến

Quá trình đột biến tạo ra các cá thê mới bằng cách nhân thêm một hệ số giữa sự sai

khác hai cá thể trong quần thê để tạo ra cá thê mới

Với mỗi cá thể xlC (target), cá thê đột biến V( G (donor) được tạo ra với công thức sau:

Với các giá trị ngẫu nhiên/;,r2,r, e 1,2, ,NP F là một hệ số dạng số thực /e [0,2] Hệ

số / lớn giúp giải thuật dề thoát ra khôi cực trị cục bộ Tuy nhiên hệ số / quá lớn sẽ

khiến the hệ sau khác xa thế hệ trước Hệ số này được chọn đê 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 tô hợp các cá thê con mới u iG (trial) trong quan thê Cá thê con được tạo ra bang

cách lựa chọn chính nó xiC (target) hoặc với cá thê đột biến V, c (donor)

Giái thuật lựa chọn này có thê được mô tã như sau:

Vp.G If(rand ([0,l]<cr)

Với j=l,2 D

• Chọn lọc

Quá trình chọn lọc quyết định cá thố nào sê tiếp tục tồn tại trong thế hệ G+l tiếp theo

Cá thế được chọn x iC (target) sẽ so sánh chất lượng với cá thể con sau quá trình lai

ghép m ;6. (trial) cá thể có chất lượng cao hơn sẽ tồn tại Quá trình chọn lọc này có thểđược mô ta như sau:

• Kết thúc

Đây là diều kiện kết thúc vòng lặp cua giải thuật DE Vòng lặp chỉ kết thúc khi một

trong các điều kiện sau thoá mãn:

+ 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 đối sau một sổ lần lặp cho trước

Lưu đồ giai thuật DE được thê hiện ớ Hình 2.1 Có thế thay lưu đồ giai thuật tối ưu DE giống so với giải thuật di truyền (GA), tuy nhiên chi là giống nhau về tên gọi các khốichức năng, còn cách thực thi thì hoàn toàn khác nhau Giai thuật DE thực hiện tính

toán trong 1 cá thê chi có 3 phép tính chính là đột biển được thực hiện theo phương

trình (1.2), và 2 hàm “ị/” cho giai đoạn chọn lọc và lai ghép (1.3), (1.4) Neu so sánh

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

giải thuật DE được thực hiện nhanh hơn đáng kê

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

so sánh với các giải thuật cùng số lần tính toán

Hình 2.1 Lưu đồ giải thuật tỏi ưu DE

2.3 Bộ ĐIỀU KHIÉN TRƯỢT

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

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

x('° = /(X,r) + g(Xư)H

y = X

*9

(1.5)

Trong đó f(X,t) và g(X ,t) là 2 hàm phi tuyến chưa biết; g(X,t) không âm;

X = x,x, x<n-1’ là các biên trạng thái cua hệ thông; u là tín hiệu điêu khiên y là ngõ

Trong đó c= cpc2, cn_|,l là các hệ sô được chọn thóa phương trình Routh-Hurwitz

đê báo đam tính ôn định Giá• • trị $• là đạo hàm • •của 5 được tính như sau:

à = cx è + c2 ề + + c„_|e(n “11 + e1"’ (1.8)

e = x- x ci

Như vậy, luật điêu khiên trượt đảm báo mặt trượt (2.7) ôn định.

Đê hệ thông ôn định, thì tín hiệu điêu khiên phải đảm bảo:

Thay phương trình (1.11) vào phương trinh (1.9), luật điều khiển sliding mode có the

viết như sau:

Đạo hàm (1.13) theo thời gian, ta có:

2.4 MÔ HÌNH FUZZY NH1ÈU LỚP TRONG NHẶN DẠNG HỆ PHI TUYÊN

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 quá cho các hệ tương đối đơn gian, ít ngõ vào Đổi 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 MỈSO.

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

If Input_Ị = 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 hàng số Các giá trị của hằng số

sẽ được tối ưu với giải thuật DE

Mồi luật mờ có trọng số của ngõ ra Zị, độ đúng của luật mờ H’( được tính bằng phép toán chọn giá trị nho nhất:

Với F í , F2 là các hàm liên thuộc của ngõ vào 1 và 2

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

r

Trong đó N là sô lượng luật mờ

Dổi với bài toán nhận dạng thông minh dùng giải thuật tối ưu kết hợp mô hình Fuzzykinh điển, chỉ có một mô hình Fuzzy chung nhất dùng nhận dạng mô hình M1S0 Khingõ vào càng nhiều, mô hình Fuzzy càng phức tạp, với số lượng luật mờ tăng theo luậthàm số mũ Đây là một diem hạn chế rất lớn cua mô hình Fuzzy truyền thống so với mạng nơ-ron

Đè khắc phục hạn chế đó, trong bài báo này, nghiên cứu sinh sử dụng mô hình Fuzzy

nhiều lớp đế nhận dạng mô hình phi tuyến đa biến MIMO

— — A - K - _

2.4.2 Mô hình Fuzzy nhiêu ỉớp

Mô hình Fuzzy nhiêu lớp được phát triên từ mô hình Hierachical Fuzzy [871 (Hình

2.3) được đồ xuất năm 1991 Mô hình Hicrachical Fuzzy được đề xuất đê khắc phục các nhược điểm cúa mô hình Fuzzy về số lượng luật mờ khi áp dụng với các hệ phứctạp, nhiều ngõ vào, tuy nhiên nó cũng có các nhược điếm như ngõ ra của mô hình Hierachical Fuzzy là một mô hình Fuzzy khiến cho việc mô hình khó linh hoạt thay

đối cẩu trúc, các biến của mô hình không thể tạo dựa vào kinh nghiệm cua người thiết

kế Thêm nữa việc lựa chọn cấu trúc cúa mô hình đòi hoi người thiết kế phai có kinh nghiệm hoặc thông qua thứ sai nhiều lan

Hình 2.3.Mô hình Hierachical Fuzzy

Vói các cai tiến ngõ ra là một làm SUM thay vì là một mô hình Fuzzy Mô hình Fuzzy nhiều lớp được đề xuất đê khắc phục các nhược điêm của mô hình Hierachical Fuzzy

khi thay đổi số lượng ngõ vào thì cấu trúc mô hình Hierachical Fuzzy bị thay đối hoàn

toàn, gây khó khăn khi thay đổi ngõ vào, ngõ ra Tuy nhiên mô hình Fuzzy nhiều lớp cũng có các nhược điếm như không thế tạo ra bàng kinh nghiệm cua người thiết kế màphải dùng giải thuật tính toán tối ưu đê tìm ra các tham sổ mô hình

Trong luận án, mô hình Fuzzy nhiều lớp được áp dụng đế 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 thế 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 Mồi 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 lóp được đề xuất, dùng nhận dạng mô hình bồn nước liên kết đôi, môhình PAM được thê hiện như Hình 2.4 Hình 2.4 cho thấy, cấu trúc mô hình Fuzzy nhiều lớp MIMO được sư dụng gồm 2 mô hình Fuzzy nhiều lớp MISO phối hợp Mỗi

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

Hình 2.4 Mô hình Fuzzy nhiều lớp úp dụng trong nhận dạng.

Ngõ ra của mô hình Fuzzy MISO có dạng sau:

biên và mô hình Fuzzy nhiêu lớp MIMO tông cộng có 90 biên đê chỉnh định mô hình.

cho một mô hình MISO và 186 biên cho mô hình MIMO hoàn chỉnh

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 chuân 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 mồi ngõ vào sẽ có một hệ số đổ hiệu chình giá trị ngõ

vào phù hợp với giới hạn đã đặt trước từ 0 đến 1 Ví dụ như hệ sổ 0.033 cho ngõ vàomực nước mô hình (độ cao tối đa cua bồn nước là 30cm) Ta cũng có nhận xét:

van, van, van tỉ lộ với nhau và van + van = 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 nhưngõ vào, ngõ ra cúa mô hình Fuzzy nhiều lớp cũng qua một khâu ti lệ đe phù hợp với

mô hình cần nhận dạng

Đoi vời hàm liên thuộc dạng Gauss như ớ Hình 2.6, giá trị ngõ vào được giới hạn trong khoản -1 đến 1 Ngõ vào sẽ có thêm một khâu tì lệ đế điều chinh phù hợp với mô

hình thực tế đảm bảo giá trị ngõ vào tới mô hình Fuzzy là -1 đến 1 Mồi ngõ vào có số

lượng hàm liên thuộc cố định là 3

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

Việc su dụng 3 hàm liên thuộc cho ngõ vào đê đơn gian hoá tính toán, đảm báo tínhphi tuyến vừa đu với một mô hình Fuzzy T-S Đối với bài toán phức tạp hơn, cẩu trúc

mô hình Fuzzy T-S vẫn được giữ nguyên, chí can tăng số lượng mô hình Fuzzy T-S

trong cấu trúc Fuzzy nhiều lớp

2.5 KẾT LUẬN

Ớ chương 2, nghiên cứu sinh đã đưa ra các cơ sớ lý thuyết quan trọng sẽ được áp dụng

trong quyển luận án Tiếp theo, trong chương 3, nghiên cứu sinh trình bày về cách ápdụng 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 khiên hệ phi tuyến.Equation Chapter (Next) Section I

CHƯƠNG 3 NHÂN DẠNG HỆ PHI TUYẾN DÙNG MÔ HÌNH

FUZZY NHIÈU LỚP

3.1 GIÓI THIỆU

Chương 3 giới thiệu về kỳ thuật nhận dạng mô hình áp dụng mô hình Fuzzy nhiều lớp

Trong chương 3, kỳ thuật nhận dạng mô hình được áp dụng đe nhận dạng mô hình thuận, mô hình các hệ bồn nước đôi liên kết và mô hình cánh tay máy PAM song song

Đây là 2 mô hình có lính trề, phù hợp để kiểm chứng giái thuật nhận dạng trong luận án

Tiêp theo đó, giai thuật nhận dạng ghép tâng được áp dụng đê nhận dạng hệ bôn nước,kết quả mô phỏng và thực nghiệm cho thấy các ưu diêm cùa mô hình mờ nhiều lớp

trong nhận dạng và khả năng cua giái thuật huấn luyện ghép tầng trong việc nhận dạng

mô hỉnh mờ nhiều lớp đề xuất

Kêt quá cùa chương 3 còn được đăng trên các bài báo I 1 aj, |5aJ, [6aJ, và [9aJ

3.2 MÔ HÌNH HỆ BÒN NƯỚC ĐÔI LIÊN KÉT

Mô hình bồn nước lien kết đôi là một dạng mô hình MIMO phi tuyến có trỗ với hai

ngõ vào (điện áp điều khiến động cơ 1 và điện áp điều khiến động cơ 2) cùng hai hoặcbốn ngõ ra (mực nước các bon 1, 2, 3, 4) (Hình 3.1) Trong mô hình bon nước đôi này,

động cơ 1 điều khiên trực tiếp mực nước bon 1 bồn thứ 2 bị tác động bời ngõ ra của bon 1 Động CƯ thứ 2 điều khiên trực tiếp mực nước bôn 3 và bồn 4 bị tác động bới ngõ ra bồn 3 Ngoài ra còn có tác động chéo giữa động cơ 1 với bồn 4 và giữa động cơ

2 với bon 3, làm tăng thêm tinh phi tuyến cùng độ phức tạp cho mô hình Độ trề của

mô hình thể hiện ơ 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 phai cần 1

khoảng thời gian thì đau 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

giám khác nhau khiến cho mô hình càng thêm phức tạp