ĐẠI HỌC THÁI NGUYÊN TRƯỜNG ĐẠI HỌC KỸ THUẬT CÔNG NGHIỆP ---BÙI THỊ THU PHƯƠNG NGHIÊN CỨU ỨNG DỤNG BỘ ĐIỀU KHIỂN NARMA-L2 VÀO THIẾT BỊ LÁI TỰ ĐỘNG GÓC BAY CỦA MÁY BAY BOEING Chuyên ngành:
Trang 1ĐẠI HỌC THÁI NGUYÊN TRƯỜNG ĐẠI HỌC KỸ THUẬT CÔNG NGHIỆP
-BÙI THỊ THU PHƯƠNG
NGHIÊN CỨU ỨNG DỤNG BỘ ĐIỀU KHIỂN NARMA-L2 VÀO THIẾT BỊ LÁI TỰ ĐỘNG GÓC BAY CỦA MÁY BAY BOEING
Chuyên ngành: Tự Động Hóa
Mã số: 605260
TÓM TẮT LUẬN VĂN THẠC SĨ KỸ THUẬT
Trang 2Luận văn được hoàn thành tại trường Đại học Kỹ tuật Công nghiệp TháiNguyên.
Cán bộ HDKH : TS Phạm Hữu Đức Dục
Phản biện 1 : PGS.TS Lại Khắc Lãi
Phản biện 2 : TS Nguyễn Văn Vỵ
Luận văn đã được bảo vệ trước hội đồng chấm luận văn, họp tại: Phòng caohọc số 2, trường Đại học Kỹ thuật Công nghiệp Thái Nguyên
Vào 15 giờ 00 phút ngày 13 tháng 08 năm 2010
Có thể tìm hiển luận văn tại Trung tâm Học liệu tại Đại học Thái Nguyên vàThư viện trường Đại học Kỹ thuật Công nghiệp Thái Nguyên
Trang 3MỞ ĐẦU
Máy bay là một phương tiện hiện đại, cao cấp, ngày nay đóng vai trò khôngthể thiếu trong kinh tế và đặc biệt trong quân sự Máy bay là phương tiện vận tảihiện đại đòi hỏi các đảm bảo kỹ thuật rất khắt khe do các tai nạn máy bay thườnggây thiệt hại rất lớn về nhân mạng và tài sản Do sự yêu cầu nghiêm ngặt về độchính xác khi điều khiển máy bay Trong máy bay yêu cầu nhiều khối lượng điềukhiển tự động, trong đó có khối điều khiển tự động góc bay của máy bay, khi đókhông cần có người điều khiển mà máy bay vẫn có thể bay với góc bay thực, bámvới góc bay mong muốn
Từ yêu cầu đó, tôi đã lựa chọn đề tài: "Nghiên cứu ứng dụng bộ điều khiển NARMA-L2 vào thiết bị lái tự động góc bay của máy bay boeing" vào trong
thiết bị lái tự động góc bay của máy bay Boeing
Nội dung của luận văn được chia thành 4 chương:
Chương1 Tổng quan về ứng dụng của mạng nơron trong nhận dạng và điều khiển
Chương 2 Các mô hình của mạng mờ nơron trong Matlab và ứng dụng trong nhận dạng và điều khiển.
Chương 3 Ứng dụng bộ điều khiển NARMA - L2 vào thiết bị lái tự động góc bay của máy bay Boeing.
Chương 4: 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 sĩ 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 tôi hoànthành luận văn
Trang 4Tôi 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 kiện thuậnlợi nhất về mọi mặt để tôi hoàn thành khóa học
Tôi xin chân thành cám ơn!
Thái Nguyên, ngày 30 tháng 07 năm 2010
Người thực hiện
Bùi Thị Thu Phương
Trang 5CHƯƠNG I TỔNG QUAN VỀ ỨNG DỤNG CỦA MẠNG NƠRON
TRONG NHẬN DẠNG VÀ ĐIỀU KHIỂN 1.1 Các loại mô hình cấu trúc mạng nơron
Mạng nơron bao gồm sự liên kết của nhiều nơron Đầu ra của mỗi nơron kếtnối với các nơron khác thông qua các trọng số, hoặc tự phản hồi trở về đầu vào củachính nó
Cấu trúc của mạng nơron là kiểu kết nối hình học của mỗi nơron liên kết trong mạng, đây là đặc điểm quan trọng của từng mạng nơron, dựa vào đó tiến hành phân loại chúng
Mạng nơron sử dụng hai nhóm luật học:
Nhóm các luật học thông số (Parameter learning rules) và nhóm các luật học cấutrúc (Structure learning rules)
Có 3 kiểu học là: Học có giám sát, học củng cố và học không có giám sát
Trang 6Vì có yêu cầu ngày càng tăng về điều khiển, các hệ thống động học phức tạpvới điều kiện thông tin không đầy đủ hoặc không xác định nên việc sử dụng mạngnơron rất hấp dẫn bởi khả năng học tập để xấp xỉ hàm và phân loại mẫu của mạng.Ngoài ra còn bởi tính xử lý song song mạnh mẽ của phần cứng thực thi mạng Thông thường người ta hay dùng mạng nơron truyền thẳng nhiều lớp vớiluật dạy học có giám sát Ưu điểm lớn nhất của các mạng loại này là khả năng tổngquát hoá ánh xạ đầu vào - đầu ra để có thể xấp xỉ bất cứ hàm nào với độ chính xáctuỳ ý Chủ yếu mạng nơron sử dụng để nhận dạng và điều khiển hệ thống.
1.4.2 Mô tả toán học của đối tượng ở rời rạc
Xét hệ thống có phương trình trạng thái ở dạng sau đây:
Viết lại (1.5) 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 (1.6) 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 (nn), (np) và (mn)
* Đối tượng tuyến tính
Xét hệ một vào - một ra (SISO), dạng rời rạc, có thông số tuyến tính bất biếnvới thời gian được cho ở dạng:
Trang 71 m 0
j jp
i y ( k i ) u ( k j ) (1.8)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 tín hiệuđầu 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 dạng sauđây:
i i
) i k (
u (1.10)
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)] (1.11)
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)] (1.12)
yp(k+1) phụ thuộc phi tuyến vào giá trị quá khứ đầu ra và phụ thuộc vào các giá trịđầu vào cùng với các giá trị quá khứ của nó, [u(k), yp (k)], là các cặp tín hiệu vào racủa 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, số nơron
ở mỗi lớp và số lượng mối liên kết trọng số giữa các nơron mỗi lớp với nhau của
Trang 8mạng nơron nhận dạng cần được chọn phù hợp với độ chính xác và đặc tính vào racủa hàm phi tuyến tương ứng của đối tượng đã cho.
1.4.3 Ứng dụng của mạng nơron trong nhận dạng
Vấn đề nhận dạng được đặt ra khi các hàm số (.), (.), của (1.6), hoặc các
ma trận A, B và C của (1.7) hoặc i, j của (1.8) hoặc của các hàm phi tuyếnf(.),g(.), (từ 1.9 đến 1.12) là chưa được biết trước
Vì đầu vào và đầu ra của hệ bất biến theo thời gian, nên hệ động học rời rạc
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 số của đốitượng này
Hình 1.4 Mô hình nhận dạng
1.4.1.1 Mô hình nhận dạng song song
1.4.1.2 Mô hình nhận dạng nối tiếp - song song
1.4.2 Ứng dụng của mạng nơron trong điều khiển
1.4.2.1 Bộ điều khiển ổn định
1.4.2.2 Điều khiển ngược thích nghi
1.4.2.3 Mô hình điều khiển phi tuyến
1.4.2.4 Mô hình điều khiển dự báo
1.4.2.5 Điều khiển thích nghi theo mô hình mẫu hoặc điều khiển nơron
e i (k)
+ +
Trang 91.4.2.7 Phản hồi tuyến tính hóa phản hồi thích nghi dùng mạng nơron 1.4.2.8 Điều khiển thích nghi trực tiếp ổn định
KẾT LUẬN CHƯƠNG 1
Trang 10CHƯƠNG 2 CÁC MÔ HÌNH CỦA MẠNG MỜ NƠRON TRONG MATLAB VÀ ỨNG
DỤNG TRONG NHẬN DẠNG VÀ ĐIỀU KHIỂN 2.1 Giới thiệu SIMULINK NEURAL TOOLBOX của MATLAB
2.1.1 Khối các hàm chuyển đổi
2.1.2 Khối đầu vào
2.1.3 Khối các hàm trọng số
2.1.4 Khối các hệ thống điều khiển
2.2 Các mô hình ứng dụng của Matlab trong điều khiển
- Mô hình điều khiển dự báo: NN Predictive Control
- Điều khiển Narma - L2: NARMA - L2 Control
- Điều khiển theo mô hình mẫu: Model Reference Control
Có hai bước thực hiện cho mỗi kiểu điều khiển nói trên khi sử dụng mạngnơron truyền thẳng nhiều lớp để điều khiển sau đây:
- Bước 1: Nhận dạng đối tượng điều khiển
- Bước 2: Điều khiển đối tượng
2.2.1 Bộ điều khiển dự báo sử dụng mạng nơron
2.2.1.1 Nhận dạng đối tượng
2.2.1.2 Điều khiển dự báo
2.2.2 Bộ điều khiển Narma - L2
Bộ điều khiển Narma-L2 (bộ điều khiển phản hồi tuyến tính) được mô tả làdạng phản hồi tuyến tính khi mô hình đối tượng là đồng dạng Đó là vì sử dụng bộđiều khiển Narma-L2 khi mô hình đối tượng có thể sấp xỉ bởi một dạng cùng loại.Đặc biệt nổi bật của bộ điều khiển này là hệ động học phi tuyến được thay thế bởiđối tượng tuyến tính bằng phương pháp tuyến tính hoá đoạn đặc tính làm việc Phầnnày trình bày về sử dụng mô hình mạng nơron nhận dạng đối tượng, sử dụng môhình mạng nơron đó vào tham gia quá trình điều khiển khi sử dụng bộ điều khiểntrong quá trình huấn luyện và cách sử dụng khối Narma-L2 Control được cài đặttrong Neural network Toolbox blockset
Trang 112.2.2.1 Quá trình nhận dạng
Cũng như mô hình điều khiển dự đoán, bước đầu tiên sử dụng phản hồi tuyếntính nhận dạng hệ thống được điều khiển Thực hiện huấn luyện mạng nơron đểbiểu diễn động học của hệ thống Bước đầu tiên là chọn cấu trúc mô hình cần sửdụng Mô hình được sử dụng để biểu diễn hệ phi tuyến rời rạc là mô hình trung bìnhtrượt-phi tuyến tự hồi quy (Nonlinear Autoregressive- MovingAverage - NARMA)
y(k+d) = N[y(k),y(k-1),…,y(k-n+1),u(k),u(k-1),…,u(k-n+1)]
với u(k) là tín hiệu đầu vào của hệ thống, y(k) là tín hiệu đầu ra của hệ thống.Vớiquá trình nhận dạng huấn luyện được mạng nơron biểu diễn hàm phi tuyến N Đó làquá trình nhận dạng được sử dụng cho bộ điều khiển NN Predictive Controller
Nếu muốn đầu ra của hệ thống bám theo được quỹ đạo mẫu :
y(k+d) = yr(k+d), ta cần xác định một bộ điều khiển phi tuyến có dạng:
u(k) = G[y(k), y(k-1),…, y(k-n+1), yr(k+d),u(k-1),…, u(k- n+1)
Hình 2.16 -Cấu trúc của mạng nơron nhận dạng
2.2.2.2 Bộ điều khiển NARMA-L2
Sử dụng mô hình NARMA-L2, tín hiệu điều khiển có dạng:
Mạng nơron xấp xỉ hàm g(.)
Mạng nơron xấp xỉ hàm f(.)
Trang 12
Hình 2.17- Mô hình NARMA-L2
Bộ điều khiển có dạng như sau:
Hình 2.18 Mô hình NARMA-L2 sau khi đã nhận dạng được đối tượng sử dụng
trong bước điều khiển tìm tín hiệu điều khiển u
2.2.3 Điều khiển theo mô hình mẫu
Đối tượng
điều khiển
Phần tử trễ
Mạng nơron nhận dạng hàm g(.)
Mạng nơron nhận dạng hàm f(.)
Trang 13ỨNG DỤNG BỘ ĐIỀU KHIỂN NARMA-L2 VÀO THIẾT BỊ
LÁI TỰ ĐỘNG GÓC BAY CỦA MÁY BAY BOEING
3.1 Động học góc bay của máy bay.
Mô hình động học của máy bay được biểu diễn trên hình 3.1 [6, 7] Động học
của máy bay rất phức tạp, ở đây chỉ tập trung phân tích động học góc bay của nó
Ngay cả thông số góc bay của máy bay cũng phụ thuộc vào nhiều biến số và phụ
thuộc vào trạng thái hiện tại của máy bay Để giảm mức độ phức tạp của quá trình
nghiên cứu thiết kế thiết bị lái tự động này, ta xem xét mô hình động học góc bay
của máy bay với các giả thiết sau
Giả thiết máy bay đang bay ở trạng thái ổn định với độ cao và tốc độ không
đổi Do đó trên mô hình động học của góc bay tại thời điểm nghiên cứu thiết lập các
trạng thái cân bằng giữa các cặp lực tác động tương ứng vào máy bay Đó là trạng
thái cân bằng của lực đẩy với lực cản và trạng thái cân bằng của lực nâng làm máy
bay bay bổng lên cao và trọng lực của máy bay Mặt khác cũng giả thiết rằng sự
thay đổi của góc bay không làm cho tốc độ bay của máy bay thay đổi trong mọi
trạng thái
Với các giả thiết trên, động học góc bay của máy bay được mô tả bởi các
phương trình sau:
] C ) sin C ( q ) C ( ) C C ( [ L D 1 L W L
C 1 ( C C
[ )]
C C ( C {[
i 2
Trọng lực
Trang 14Từ (3.1), (3.2), (3.3) thấy rằng hệ phương trình này có tính phi tuyến vì có các
thành phần tỷ lệ với sin Mặt khác cũng thấy rằng để điều khiển góc bay cần
thực hiện điều khiển góc của bánh lái ở đuôi máy bay
3.2 Ứng dụng bộ điều khiển NARMA-L2 vào thiết bị lái tự động góc bay
của máy bay
Các phương trình (3.1), (3.2), (3.3) có tính phi tuyến, do đó sẽ gặp nhiều khó
khăn khi thực hiện điều khiển thông số Để khắc phục điều này, [7] đã đề xuất
mô hình động học của một loại máy bay Boeing khi đã thực hiện phép tuyến tính
hoá đoạn đặc tính làm việc của (3.1), (3.2), (3.3) đối với máy bay loại này ở các
dạng sau đây Quan hệ của và được [7] mô tả bởi hàm truyền đạt dưới đây:
s 921 0 s 739 0 s
1774 0 s 151 1 )
s (
) s (
2 3
232 0 q 0 7 56 0
0 426 0 0139 0
0 7 56 313
0 q
(3.5)
3.2.1 Thiết lập sơ đồ điều khiển
Từ (3.4) thấy rằng phương trình trạng thái có dạng bậc 3 Viết lại (3.4) ở dạng
rời rạc, ta có đối tượng điều khiển ( k 1 )là góc bay của máy bay tại thời điểm
1
k
với: ( k ), ( k 1 ), ( k 2 )và ( k ), ( k 1 ), ( k 2 )tương ứng là các tín hiệu ở đầu
ra (là ), đầu vào (là ) của đối tượng điều khiển ( k 1 ) tại các thời điểm lấy
mẫu thứ k , ( k 1 ), ( k 2 )
[9] đã đề xuất phương pháp biểu diễn mô hình tính toán (3.6) theo dạng sau:
) k ( )] 2 k ( ), 1 k ( ), 2 k ( ), 1 k ( ), k ( [ g )]
2 k ( ), 1 k ( ), 2 k ( ), 1 k ( ), k ( [
Trang 15
Hình3.2 Sơ đồ ứng dụng bộ điều khiển NARMA-L2 là thiết bị lái tự động điều
khiển đối tượng là góc bay .
phần f(.) và g(.) tương ứng của đối tượng (3.7) Dựa trên các thông số của hai mạng
nơron truyền thẳng đã tìm được trong giai đoạn học, thực hiện giai đoạn thứ hai làgiai đoạn điều khiển Trong giai đoạn điều khiển bộ điều khiển NARMA-L2 cónhiệm vụ tạo ra tín hiệu điều khiển là cung cấp đối tượng điều khiển sao cho gócbay tính toán bám theo được góc bay mong muốn m
3.2.1.1 Giai đoạn nhận dạng
Mô hình mẫu
Đối tượng ĐK
Phần tử trễ Thiết bị
Trang 16Thực hiện huấn luyện các mạng nơron nhận dạng hàm phi tuyến N (3.6) Vì
)) 2 k ( ), 1 k ( ), 2 k ( ), 1
- Lớp ra có 1 nơron có đầu ra là giá trị tính toán của hàm f(.) và g(.)
Vấn đề đặt ra là cần chọn số lượng nơron của lớp ẩn n sao cho giá trị tính
toán của hàm f(.) và g(.) bám theo được f(.) và g(.) Ban đầu cho trước ( k ), sửdụng (3.4), (3.5) và (3.7) tìm các cặp tín hiệu vào - ra tương ứng là ( k ), f ( k ),
( k ), g ( k ), ( k ), ( k ), với k 1 , 2 , , p Theo [10] luật cập nhật các giá trịđiều chỉnh của trọng số, bias của mạng nơron truyền thẳng ( 5 x n x 1 )theo luật họclan truyền ngược như sau
Trang 17a ' ( v b )( f )
v
E
i i 2 i
N i
f if 1 f f
i w a ( v b ) v
N
v E
tương ứng là tín hiệu sai lệch của nơron thứ i lớp ra và nơron thứ m của lớp
ẩn a 1 (.) và a 2 (.) tương ứng là các hàm chuyển đổi tang hyperbolic và tuyến tính:
1
e 1
2 )
v ( a
Trang 18Hình3.4 Mô hình NARMA-L2 sau khi đã nhận dạng được đối tượng, tính toán tín
hiệu điều khiển trong giai đoạn điều khiển.
3.2.1.2 Giai đoạn điều khiển
Trên cơ sở dữ liệu của hai mạng nơron truyền thẳng ba lớp (hình 3.3) đã tìm
được trong giai đoạn nhận dạng các hàm f(.) và g(.), thực hiện giai đoạn điều khiển
theo phương pháp NARMA bằng cách sử dụng bộ điều khiển NARMA-L2 (hình3.2) tạo tín hiệu điều khiển sao cho tín hiệu tính toán đầu ra hệ thống bámtheo được tín hiệu ra mong muốn là m Tín hiệu điều khiển được tìm ở dạng: ( k ) G [ ( k ), ( k 1 ), ( k 2 ), m( k 1 ), ( k 1 ), ( k 2 )] (3.8)
Cần huấn luyện hai mạng nơron ( 5 x n x 1 ) tạo tín hiệu điều khiển ( k )
(3.8) theo phương pháp lan truyền ngược để E C cực tiểu, với:
2 m
C ( k 1 ) ( k 1 ) 2
1
E (3.9) Kết quả tín hiệu điều khiển ( k ) được tìm ở (hình 4) với dạng sau đây:
Trang 19Hình 3.5 Sơ đồ trên MATLAB/Simulink ứng dụng bộ điều khiển NARMA-L2 đóng vai trò là thiết bị lái tự động điều khiển góc bay của máy bay
