tóm tắt luận văn thạc sĩ kỹ thuật NGHIÊN cứu điều KHIỂN NỒNG độ của sản PHẨM TRONG bể CHỨA PHẢN ỨNG có KHUẤY BẰNG PHƯƠNG PHÁP ỨNG DỤNG bộ điều KHIỂN NƠRON THEO mô HÌNH mẫu

ĐẠI HỌC THÁI NGUYÊN TRƯỜNG ĐẠI HỌC KỸ THUẬT CÔNG NGHIỆPLUẬN VĂN THẠC SỸ KỸ THUẬT NGÀNH: TỰ ĐỘNG HÓA NGHIÊN CỨU ĐIỀU KHIỂN NỒNG ĐỘ CỦA SẢN PHẨM TRONG BỂ CHỨA PHẢN ỨNG CÓ KHUẤY BẰNG PHƯƠNG

ĐẠI HỌC THÁI NGUYÊN TRƯỜNG ĐẠI HỌC KỸ THUẬT CÔNG NGHIỆP

LUẬN VĂN THẠC SỸ KỸ THUẬT NGÀNH: TỰ ĐỘNG HÓA

NGHIÊN CỨU ĐIỀU KHIỂN NỒNG ĐỘ CỦA SẢN PHẨM TRONG BỂ CHỨA PHẢN ỨNG CÓ KHUẤY BẰNG PHƯƠNG PHÁP ỨNG DỤNG BỘ ĐIỀU KHIỂN NƠRON THEO MÔ HÌNH MẪU

LƯƠNG TRUNG THÀNH

THÁI NGUYÊN - 2011

Vào giờ phút ngày tháng năm 2011.

Có thể tìm hiển luận văn tại Trung tâm Học liệu tại Đại học TháiNguyên và Thư viện trường Đại học Kỹ thuật Công nghiệp Thái Nguyên

MỞ ĐẦU

Bộ não con người là sản phẩm hoàn hảo của tạo hoá Để tiếp cận khả năng

tư duy của bộ não, người ta sử dụng khả năng suy diễn của hệ mờ dựa trên cácluật logic mờ Để tiếp cận khả năng học, người ta đưa ra mô hình mạng nơron,

do vậy cấu trúc mạng nơron là điều rất đáng được quan tâm Để tiếp cận cả haikhả năng học và tư duy của bộ não người, người ta nghiên cứu khả năng tíchhợp của mạng nơron và hệ mờ Trong công nghiệp tự động hoá giữ một vai tròquan trọng trong quá trình sản xuất Nhận dạng hệ thống là một trong nhữngcông việc đầu tiên phải thực hiện khi giải quyết một bài toán điều khiển tự động,

nó quyết định chất lượng và hiệu quả của công việc điều khiển hệ thống về sau

Để điều khiển chính xác đối tượng khi chưa biết rõ được thông số, trước tiên taphải hiểu rõ đối tượng đó Bộ điều khiển nơron theo mô hình mẫu là phần tử phituyến, nên điều khiển nó rất khó, đòi hỏi phải có độ chính xác cao Vì vậy cầnứng dụng bộ điều khiển thông minh là BĐK nơron theo mô hình mẫu Được sựtạo điều kiện giúp đỡ của nhà trường và Tiến sỹ Phạm Hữu Đức Dục, em đã lựachọn đề tài tốt nghiệp của mình là “Nghiên cứu điều khiển nồng độ của sảnphẩm trong bể chứa có khuấy bằng phương pháp ứng dụng bộ điều khiển nơrontheo mô hình mẫu.”

Nội dung của luận văn được chia thành 4 chương:

Chương 2 Một số mô hình mạng nơron & mạng mờ nơron

trong matlab& ứng dụng nhận dạng & diều khiển

Chương 3 Ứng dụng bộ điều khiển nơron theo mô hình mẫu

điều khiển nồng độ của sản phẩm trong bể chứa

phản ứng có khuấy Chương4 Kết luận chung và kiến nghị

Tôi xin trân trọng bày tỏ lòng biết ơn sâu sắc đến thầy TS Phạm Hữu Đức Dục người đã hướng dẫn tận tình và giúp đỡ tôi hoàn thành luận văn thạc

sỹ này

Tôi xin chân thành cám ơn các thầy cô ở Khoa Điện – Trường Đại học Kỹthuật Công nghiệp đã đóng góp nhiều ý kiến và tạo điều kiện thuận lợi cho tôihoàn thành luận văn

Tôi xin chân thành cám ơn Khoa sau Đại học, xin chân thành cám ơn BanGiám Hiệu Trường Đại Học Kỹ Thuật Công Nghiệp đã tạo những điều kiệnthuận lợi nhất về mọi mặt để tôi hoàn thành khóa học

Tôi xin chân thành cám ơn!

Thái Nguyên, ngày tháng năm 2011

Người thực hiện

Lương Trung Thành

CHƯƠNG 1 MẠNG NƠRON 1.1 CÁC KHÁI NIỆM CƠ BẢN

1.1.1 Mô hình nơron sinh học

1.1.1.1 Xử lý thông tin trong bộ não

1.1.1.2.Câc đặc tính cơ bản của não người

Lớp ra: gồm n nơron có tín hiệu ra:

y = [y1,y2, yi, ,ym]T, với i =1,2 ,n

Các lớp ẩn: có thể có một hoặc nhiêu lớp ẩn, với đặc điểm là các nơron thứ

q ở lớ ẩn liên kết với lớp vào bằng trọng số vqj và liên kết với lớp ra bằng trọng

số wiq ; với q = 1,2, ,l ; i = 1,2, ,n; j = 1,2, ,m

Giai đoạn thứ hai: Sai lệch lan truyền theo chiều ngược từ đầu ra trở về đầu vào

x1 v11 w11 y1

xj v1j vqj w1q wiq

vmj wnq xm vlm wnm yn Lớp vào Lớp ẩn Lớp ra Giai đoạn đầu : Sai lệch lan truyền theo chiều thuận từ đầu vào đến đầu ra Hình 1.11 Mạng nơron truyền thẳng ba lớp 1.2.3.2 Luật học lan truyền ngược Bryson và Ho đã đề xuất luật học lan truyền ngược cho mạng truyền thẳng nhiều lớp vào năm 1969 Cho trước bộ cặp mẫu tín hiệu vào – ra {(x(k),d(k))} với k = 1,2, ,p, luật học lan truyền ngược thực hiện giai đoạn trong quá trình học cặp giữ liệu mẫu Ở giai đoạn đầu, bộ mẫu tín hiệu đầu vào x lan truyền theo chiều thuận từ lớp vào qua các lớp ẩn đến lớp ra để tạo ra tín hiệu ra y Giai đoan thứ hai, sai lệch e =(d-y) được lan truyền theo hướng ngược lại từ lớp ra qua các lớp ẩn trở về lớp vào, có nhiệm vụ điều chỉnh lài giá trị trọng số giữa các lớp sao cho tín hiệu ra y bám theo dược tín hiệu mẫu đầu ra d Xét nơron thứ q của lớp ẩn có tổng trọng là: vq =   m j 1 vqjxj

Tín hiệu ra nơron thứ q của lớp ẩn là:

zq = a(vq) = a(



m

j 1 vqjxj) Xét nơron thứ i của lớp ra có tổng trọng là:

q

v v

z z

hq =

-q v

vqj(t+1)=vqj(t)+ v qj

wiq(t+1)=wiq(t)+w iq

Để tiện cho việc tính toán, nên sử dụng các công thức tính tín hiệu sailệch đã được cho sẵn sau đây ứng với từng trường hợp sử dụng hàm chuyển đổiặ) sau đây:

- Nếu sử dụng ặ) có dạng hàm sigmoid:

y = ăv) = e v

 1

1

nên ta có a’(v)=y(1-y) tìm các công thức tính tín hiệu sai lệch như sau:

trị đầu ra của nơron thứ i của lớp thứ s;swij là các trọng số nối từ s 1yj đến syi

(s=1,2,….,S); có m nơron và n nơron ở lớp ra

Ban đầu

Thiết lập bộ dữ liệu mẫu vào- ra (x(k), d(k)) với k = 1,2,…,p

Bước 1

Thiết lập trạng thái ban đầu cho mạng :

Chọn >0 vàEcp (Ecp là sai lệch cho phép );

Các trọng số ban đầu với giá trị nhỏ và ngẫu nhiên;

Bước 3 ( quá trình truyền thẳng)

Quá trình truyền thẳng của tín hiệu trong mạng theo công thức:

s yi = a(s neti) = a ( j s wijs-1yj)

Cho mỗi giá trị i và s cho tới khi các đầu ra s yi của lớp ra được xác định;

Bước 4

Tính toán sai lệch đầu ra:

Xác định giá trị sai lệch và tín hiệu sai lệch s  I cho lớp đầu ra:

s  i = ( di(k) - s yi)a’(svi)

Bước 5

Lan truyền ngược của sai lệch

Quá trình lan truyền ngược của sai lệch được cập nhật các trọng số tínhtoán theo tín hiệu sai lệch s 1  i cho các lớp phía trước;

swij =  s  is-1yj

swij (t+1) = swij(t) + swij

s 1  i = a(’s 1

vi ) j s wijs j với s= S, S-1,….,2

Bước 6

Cho mỗi chu kỳ học :

Kiểm tra vòng luyện tập :

- Nếu k < p, thì k = k+1 và tiến hành bước 1;

- Nếu không thực hiện bước 6;

Bước 7

Kiểm tra sai lệch tổng

- Nếu Em < Ecp thì đã hoàn thành quá trình học, tiến hành ghi lại kết quảcác véc tơ trọng số, bias của các lớp và các đồ thị cần thiết;

- Nếu không thỏa mãn quay trở lại thực hiện bước 1

1.3 ỨNG DỤNG CỦA MẠNG NƠRON TRONG NHẬN DẠNG VÀ ĐIỀU KHIỂN

1.3.1 Các vấn đề chung.

Mạng nơron đã được ứng dụng thành công trong nhiều lĩnh vực như: các

hệ thống điều khiển, xử lý hình ảnh, tiếng nói, tối ưu, truyền thông, y học…

Vì có yêu cầu ngày càng tăng về điều khiển, các hệ thống động học phứctạp với điều kiện thông tin không đầy đủ hoặc không xác định nên việc sử dụngmạng nơron rất hấp dẫn bởi khả năng học tập để xấp xỉ hàm và phân loại mẫucủa mạng Ngoài ra còn bởi tính xử lý song song mạnh mẽ của phần cứng thựcthi mạng

Thông thường người ta hay dùng mạng nơron truyền thẳng nhiềulớp với luật dạy học có giám sát Ưu điểm lớn nhất của các mạng loại này làkhả năng tổng quát hoá ánh xạ đầu vào - đầu ra để có thể xấp xỉ bất cứ hàm nàovới độ chính xác tuỳ ý Chủ yếu mạng nơron sử dụng để nhận dạng và điềukhiển hệ thống

1.3.2 Mô tả toán học của đối tượng ở dạng rời rạc

Xét hệ thống có phương trình trạng thái ở dạng sau đây:

p, m tương ứng là số đầu vào, đầu ra của hệ thống bậc n: ui(t), yi(t), tương ứng

là các tín hiệu vào, tín hiệu ra: xi(t) là các biến trạng thái: (.), (.) là các hàmphi tuyến dừng được định nghĩa tương ứng với Rn  Rp  Rn và Rn  Rm

Viết lại (1.53) ở dạng rời rạc, ta có:

x(k+1) = [x(k),u(k)]

với u(k), x(k), y(k) là các đại lượng cho ở dạng dãy rời rạc

Giả thiết hệ rời rạc trên là tuyến tính và bất biến, có thể viết lại ở dạng:

x(k+1) = Ax(k) + Bu(k)

với A, B, C tương ứng là các ma trận có kích thước (nn), (np) và (mn)

* Đối tượng tuyến tính

Xét hệ một vào - một ra (SISO), dạng rời rạc, có thông số tuyến tính bấtbiến với thời gian được cho ở dạng:

1 0

) ( )

i y k i  u k j

 trong đó i, j là các hằng số chưa biết : m  n

Tín hiệu ra yp(k+1) là tổ hợp tuyến tính của các giá trị quá khứ của cả tínhiệu đầu vào u(k- j)(j = 0, 1, , (m-1)) và tín hiệu đầu ra yp(k - i)(i =1,2, ,(n-1))

* Đối tượng phi tuyến

Đối tượng phi tuyến được biểu diễn theo mô hình rời rạc theo bốn dạngsau đây:

+ Dạng 1:

u k u g i k y

) (

m

i

i u k i



yp(k+1) phụ thuộc tuyến tính vào giá trị quá khứ đầu vào u(k - i) (i =0,1, ,(m-1))

và phụ thuộc phi tuyến vào giá trị quá khứ đầu ra yp(k), , yp(k- n+1)

+ Dạng 3:

yp(k+1) = f [(yp (k), ,yp(k-n+1)]+g[u(k), u(k-m+1)]

yp(k+1) phụ thuộc phi tuyến vào giá trị quá khứ đầu vào u(k), , u(k-m+1), phụ thuộc phi tuyến vào giá trị quá khứ đầu ra yp(k), , yp(k- n+1)

+ Dạng 4:

yp(k+1) = f [(yp(k), yp(k-1), ,yp(k-n+1), u(k), u(k-1), .u(k-m+1)]

yp(k+1) phụ thuộc phi tuyến vào giá trị quá khứ đầu ra và phụ thuộc vào các giátrị đầu vào cùng với các giá trị quá khứ của nó, [u(k), yp (k)], là các cặp tín hiệuvào ra của đối tượng tại thời điểm k, với m n

f(.), g(.), là các hàm chưa biết trước của đối tượng, chúng cần được xấp xỉgần đúng bởi mạng nơron với độ chính xác mong muốn Số lượng các lớp, sốnơron ở mỗi lớp và số lượng mối liên kết trọng số giữa các nơron mỗi lớp vớinhau của mạng nơron nhận dạng cần được chọn phù hợp với độ chính xác vàđặc tính vào ra của hàm phi tuyến tương ứng của đối tượng đã cho

1.3.3 Ứng dụng của mạng nơron trong nhận dạng

Vấn đề nhận dạng được đặt ra khi các hàm số (.), (.), của dạng rời rạc, hoặccác ma trận A, B và C hoặc i, j của các hàm phi tuyến f(.),

g(.), là chưa được biết trước

Vì đầu vào và đầu ra của hệ bất biến theo thời gian, nên hệ động học rờirạc là u(k) và y(k) tương ứng: trong đó u(k) là hàm giới hạn, thay đổi theo thời

gian Đối tượng được giả thiết là ổn định, nhưng chưa biết các giá trị thông sốcủa đối tượng này.

`

Hình 1.12 Mô hình nhận dạng

Hệ thống nhận dạng được mô tả tại hình 1.4, trong đó mô hình nhận dạng

có cùng đầu vào u(k) với đối tượng cần nhận dạng, đầu ra của mô hình cần nhậndạng là y p k là biểu diễn tính toán gần đúng của đầu ra đối tượng cần nhậndạng là yp(k)

1.3.3.1 Mô hình nhận dạng song song

Trên cở sở các dạng phương trình của đối tượng tuyến tính và phi tuyến ( có các mô hình nhận dạng các đối tượng nói trên theo mô hình nhận dạng songsong có các dạng tương ứng như sau

* Với đối tượng tuyến tính

1 0

) ( ) ( )

* Với đối tượng phi tuyến:

y p (k)

e i (k)

+ +

=

=

+

- +

1 ,

) (

m

i i

i k u

 + Dạng 3:

[y k y k n



m k u k

u k u

Hình 1.13 Cấu trúc của mô hình nhận dạng

+

Đối tượng

Mạng nơron

N1

Mạng nơron

1.3.3.2 Mô hình nhận dạng nối tiếp - song song

Căn cứ vào dạng phương trình của đối tượng tuyến tính và phi tuyến, các

mô hình nhận dạng của các đối tượng nói trên theo mô hình nhận dạng nối tiếp song song có dạng tương ứng như sau:

-* Đối tượng tuyến tính:

1 0

) ( ) ( )

1 ,

) (

m

i i

i k u

 + Dạng 3:

[y k y k n



m k u k

u k u

f p p u  k ,u k 1, ,uk m 1]

1.3.4 Ứng dụng của mạng nơron trong điều khiển:

Vấn đề đặt ra là cần thiết kế bộ điều khiển thỏa mãn yêu cầu đề ra với

điều kiện các hàm số (.) và (.) hoặc các ma trận A, B và C hoặc i, j của

hoặc của các hàm phi tuyếnf(.), g(.) đã được biết trước

1.3.4.1 Bộ điều khiển ổn định

Mạng nơron mô phỏng mô hình ngược của đối tượng điều khiển

Thuật toán thích nghi

Tín hiệu điều khiển ngược

T/h điều khiển phản hồi

Tín hiệu đầu ra đối tượng

Hình 1.14 Bộ điều khiển ổn định

Sơ đồ cấu trúc bộ điều khiển ổn định như hình 1.14 Sai lệch giữa tín hiệulệnh đầu vào và tín hiệu ở đầu ra đối tượng được đưa vào bộ điều khiển để tạo ratín hiệu điều khiển phản hồi ở đầu ra bộ điều khiển Lệnh đầu vào và tín hiệuđiều khiển phản hồi được đưa vào đầu vào của mạng nơron mô phỏng mô hìnhngược của đối tượng điều khiển để tạo ra tín hiệu điều khiển ngược Tín hiệuđiều khiển đưa vào đối tượng điều khiển được tổng hợp từ hai tín hiệu là: tínhiệu điều khiển phản hồi và tín hiệu điều khiển ngược Mạng nơron thực hiệnhọc theo tín hiệu điều khiển phản hồi với thuật toán thích nghi Ưu điểm của cấutrúc điều khiển loại này là dễ dàng thiết lập được một hệ thống ổn định vớimạng nơron không cần huấn luyện quá phức tạp

1.3.4.2 Điều khiển ngược thích nghi

Hình 1.15 là mô hình cấu trúc của mô hình mẫu điều khiển ngược thichnghi Thuật toán này có khả năng tiếp nhận sai lệch giữa đầu ra của đối tượng vàđầu ra của mô hình mẫu Thông số của bộ điều khiển được cập nhật liên tục đểgiảm sai lệch Bộ điều khiển mô hình mẫu thích nghi cơ bản có thể ảnh hưởngbởi nhiễu từ sensor và nhiễu bên ngoài tác động vào đối tương điều khiển Loại

bỏ các loại nhiễu này bằng cách sử dụng mạng nơron mô tả đối tượng nối songsong với đối tượng điều khiển Mạng nơron được huấn luyện trên cơ sở giữ liệuvào - ra của đối tượng điều khiển Sai lệch giữa đầu ra của đối tượng điều khiển

và của mô hình mạng nơron được phân tích như hiệu ứng của nhiễu và nhiễu ởđầu ra đối tượng Tín hiệu sai lệch này được đưa vào mạng nơron mô phỏng môhình ngược của đối tượng điều khiển tạo ra tín hiệu lọc nhiều và dấu hiệu nhiễuđược loại trừ từ đầu vào đối tượng Đó chính là ý tưởng thực hiện loại bỏ đượcnhiễu bên ngoài và nhiễu bên trong của đối tượng

Hình 1.15 Hệ thống điều khiển ngược thích nghi

1.3.4.3 Mô hình điều khiển phi tuyến:

1.3.4.4 Mô hình điều khiển dự báo

1.3.4.5 Điều khiển thích nghi theo mô hình mẫu hoặc điều khiển nơron thích nghi

khiển

Mạng nơron mô phỏng đối tượng

Mạng nơron mô phỏng mô hình ngược đối tượng

Mô hình mẫu

Thuật toán thích nghi

-+-

- Là hệ xử lý song song: mạng nơron có cấu trúc song song, do đó có tốc

độ tính toán rất cao, rất phù hợp với lĩnh vực nhận dạng và điều khiển

- Là hệ học và thích nghi: Mạng được luyện từ các số liệu quá khứ, có khảnăng tự điều chỉnh khi số liệu đầu vào bị mất, có thể điều khiển on-line

- Là hệ nhiều biến, là hệ nhiều đầu vào, nhiều đầu ra (MIMO) rất tiệndùng khi điều khiển đối tượng khi có nhiều biến số

2 Có nhiều phương pháp ứng dụng mạng nơron để nhận dạng đối tượng,trong đó nổi bật là hai phương pháp nhận dạng on-line và nhận dạng off-line.Trong hai phương pháp trên thì phương pháp nhận dạng off-line có nhiều ưuđiểm: nó có thể sử dụng đồng thời tất cả các dữ liệu Nhận dạng off-line sử dụngkhi cần thiết phải xử lý rất nhiều tín hiệu cùng một lúc Phương pháp sử dụngmạng nơron nhận dạng đối tượng theo đặc tính vào - ra, là điểm mạnh của vềứng dụng của mạng nơron Sử dụng mạng nơron để nhận dạng đối tượng cónhiều ưu điểm hơn so với phương pháp nhận dạng truyền thống vì:

- Mạng nơron là hệ học và thích nghi có khả năng học on-line hoặc line từ các số liệu quá khứ, do đó kết quả nhận dạng có thể đạt được độ chínhxác rất cao

off Mạng nơron là hệ xử lý song song do đó tốc độ tính toán cao, mà cácphương pháp nhận dạng truyền thống khó có thể đạt được

- Mạng nơron là hệ MIMO, do đó rất tiện dụng khi nhận dạng cho đốitượng nhiều biến

- Với bản chất “HỌC” mạng nơron có một trong những ứng dụng rất đặctrưng đó là nhận dạng đối tượng căn cứ vào đặc tính vào - ra của nó Mạng nơron truyền thẳng nhiều lớp có cấu tạo đơn giản, có luật học lan truyền ngược rấtnổi tiếng thực hiện dễ dàng và có hiệu quả cao phù hợp với thực hiện quá trìnhhọc cho các đối tượng là tuyến tính và phi tuyến tính

3 Có nhiều phương pháp điều khiển nhưng mỗi phương pháp đều có các

ưu điểm và nhược điểm đặc thù như phương pháp phản hồi tuyến tính hóa chỉđược áp dụng với những hệ thống được mô tả bởi phương trình 1.72, phương