Proceedings VCM 2012 63 thiết kế hệ thống lái tự động tàu thủy dựa trên mô hình dự đoán smith

China e-Mail: kien631@gmail.com Tóm tắt Nội dung bài báo nghiên cứu thiết kế hệ thống lái tự động tàu thủy với thời gian trễ điều khiển biến đổi không xác định dựa trên mô hình dự đoán

Thiết kế hệ thống lái tự động tàu thủy dựa trên mô hình dự đoán Smith thích nghi dưới ảnh hưởng của thời gian trễ và nhiễu không xác định Ship Autopilot Design Based on Adaptive Smith Predictor

Under the Effect of Uncertain Time-delay and Disturbances

Dang Xuan Kien1, Tran Hoang Dung2 , Quach Duc Cuong2

1 Department of Electric and Electronic, HCM City University of Transport, 2D3 Van Thanh Bac, Binh Thanh Dist, HCM City, Viet Nam

2

Department of Control Science and Engineering, Huazhong University of Science and Technology,

Wuhan, 430074, P.R China e-Mail: kien631@gmail.com

Tóm tắt

Nội dung bài báo nghiên cứu thiết kế hệ thống lái tự động tàu thủy với thời gian trễ điều khiển biến đổi không xác định dựa trên mô hình dự đoán Smith thích nghi kết hợp với bộ điều khiển bền vững Mô hình dự đoán Smith thích nghi được thiết kế kết hợp giữa khối nhận dạng con tàu và khối ước lượng thời gian trễ điều khiển sử dụng mạng Neural thần kinh nhân tạo, cho thấy khả năng điều khiển thích nghi rất tốt dưới ảnh hưởng của thời gian trễ và nhiễu không xác định Bên cạnh đó, cơ chế ước lượng thời gian trễ trong quá trình điều khiển sử dụng mạng Neural giúp tăng hiệu suất bù thời gian trễ của hệ thống một cách đáng kể

Bộ điều khiển bền vững được tính toán thiết kế bằng cách áp dụng phương pháp vòng lặp bền vững Mc Farlane - Glover kết hợp giải các bất đẳng thức tuyến tính cho kết quả khá tốt chứng tỏ tính chất bền vững của

hệ thống Kết quả mô phỏng trên Matlab chứng minh tính hiệu quả, tích cực và ưu điểm của mô hình đưa ra trong bài báo này

Abstract:

This paper is concerned with the design problem of Ship autopilot system induced unknown varying time-delay (RVTD) based on an adaptive Smith predictor which is compared with a robust controller

The adaptive Smith predictor model, which includes a ship recognition module and time-delay estimator based on artificial neural network, is designed to adaptive autopilot control under the effect of time-delay and disturbances Beside that, the time-delay estimation scheme using neural network improves significantly the time-delay compensation performance of system

The robust controller has been designed by using the Linear Matrix Inequality (LMI) combine with H loop shaping – Mc Farlane and Glover method that obtained the high control performance and robustness of system

In addition, the simulation results via Matlab demonstrate the usefulness and effectiveness of the proposed method

Ký hiệu

Ký hiệu Đơn vị Ý nghĩa

A, B, C, D Ma trận của mô hình

x R3 Biến trạng thái

u R1 Góc bẻ lái

y R1 Góc lệch hướng mũi tàu

)

(s

G p Mô hình động học thực

tế của tàu

)

(s

G pm Mô hình động học danh

định của tàu

)

(s

p

 ms Thời gian trễ thực tế

)

(s

pm

 ms Thời gian trễ danh định

)

(s

K Bộ điều khiển bền vững

Chữ viết tắt

RVTD Thời gian trễ ngẫu nhiên không

xác định LMI Bất đẳng thức ma trận tuyến tính LTI Hệ thống tuyến tính

Loop Shaping Vòng lặp phản hồi mẫu khép kín LCF Left coprime factorization

1 Giới thiệu chung

Hệ thống lái tự động là một trong những hệ thống quan trọng nhất trên tàu thủy Việc điều khiển hướng đi ổn định và chính xác khi tàu hành trình luôn là một thách thức với các nhà thiết kế hệ thống bởi vì tàu thủy là một đối tượng phức tạp,

thường xuyên chịu tác động của các yếu tố bên

ngoài như sóng gió, dòng chảy làm tàu lệch hướng

Ngoài ra, việc trễ của các cơ cấu chấp hành do các

lực cản tác động vào bánh lái, thân tàu cũng làm

ảnh hưởng rất lớn đến chất lượng và sự ổn định

bền vững của hệ thống Trong bài báo này, căn cứ

theo tài liệu tham khảo [1] và [5], tác giả lựa chọn

đối tượng tàu hàng để thiết kế hệ thống lái tự động

điều khiển hướng đi dựa trên việc điều chỉnh góc

bẻ bánh Có rất nhiều phương pháp thiết kế hệ

thống lái tự động tàu thủy đã được đưa ra trước

đây được tham khảo trong bài báo này Phương

pháp điều khiển mờ thích nghi hệ thống lái tự động

tàu thủy khi hệ thống là phi tuyến và không xác

định đã được Y.S Yang và các đồng tác giả đề cập

trong [2], trong đó thuật toán mờ Takagi-Sugeno

được áp dụng dưới mô hình điều khiển thích nghi

Cũng bằng phương pháp mờ thích nghi, bài toán

điều khiển lái tự động tàu thủy bám theo hành trình

xác định trước [3] đã được giải quyết khá triệt để,

kết quả cho thấy hệ thống làm việc ổn định nhưng

chưa đề cập tới ảnh hưởng của nhiễu trong quá

trình hoạt động Trong [4], việc sử dụng phương

pháp điều khiển lái tự động ứng dụng mạng neural

với nhiều phương pháp huấn luyện mạng kết hợp

thuật toán dự đoán ảnh hưởng của tác động ngoại

vi lên bánh lái có tính chất thích nghi cho thấy đáp

ứng điều khiển hướng đi tương đối chính xác

Ngoài ra thuật toán tối ưu di truyền sử dụng để tối

ưu bộ điều khiển mạng thần kinh nhân tạo đã được

xem xét trong [5] cho thấy ưu điểm nổi bật của

thuật toán di truyền là khả năng điều khiển thích

nghi với đối tượng sau một thời gian huấn luyện

giúp cho hệ thống có thể tăng khả năng thích nghi

Như vậy, thời gian gần đây các phương pháp điều

khiển hiện đại đã được ứng dụng rất nhiều trong

thiết kế hệ thống lái tự động tàu thủy, nhưng hầu

hết các phương pháp trên đều chưa xem xét tính

bền vững của hệ thống điều khiển khi mô hình tàu

thủy có chứa các biến không xác định hoặc không

chắc chắn hoặc nhiễu tác động vào hệ thống phức

tạp

Điều khiển bền vững đối tượng tuyến tính với sự

xuất hiện của các thành phần không chắc chắn

trong mô hình đã được xem xét trong rất nhiều bài

báo khoa học thời điểm gần đây Các phương pháp

thiết kế bộ điều khiển bền vững kinh điển được

đưa ra bởi K Zhou và các tác giả trong [6] Đặc

biệt liên quan đến phương pháp thiết kế bộ điều

khiển bền vững trong bài báo này, Mc Farlan và

Glover [7] đã nghiên cứu phương pháp thiết kế bộ

điều khiển bền vững cho một đối tượng tuyến tính

cơ bản, đây là phương pháp tổng hợp bộ điều khiển

bền vững dựa trên tính toán các bất đẳng thức ma

trận tuyến tính Các bộ điều khiển bền vững hệ

thống lái tự động tàu thủy đã được đề cập ở các bài

báo [8-9], nhưng các tác giả hoàn toàn không xem

xét ảnh hưởng của thời gian trễ trong quá trình thiết kế bộ điều khiển Phương pháp thiết kế hệ thống lái tự động tàu thủy dưới ảnh hưởng của thời gian trễ không xác định sử dụng mô hình Smith kết hợp với bộ điều khiển bền vững đã được đưa ra trong [20] cho đáp ứng điều khiển khá tốt, tuy nhiên khi mô hình danh định của con tàu không chọn được chính xác với mô hình thực thì thiết kế đưa ra có thể không đáp ứng được độ ổn định bền vững

Đối với những đối tượng điều khiển có thời gian trễ, mô hình dự đoán Smith là mô hình có thể triệt tiêu hoàn toàn ảnh hưởng của trễ tín hiệu chỉ sau một vài chu kỳ điều khiển, điều này thúc đẩy chúng tôi áp dụng triệt để mô hình này khi xem xét đối tượng chính là hệ thống lái tàu thủy Liên quan đến mô hình dự đoán Smith, K Khandani và các tác giả trong [10] đã đề ra một hướng mới thiết kế

bộ điều khiển dự đoán Smith triệt tiêu hoàn toàn thời gian trễ trong vòng lặp kín Mô hình Smith tự thích nghi kết hợp với thuật toán nhận dạng đưa ra trong [11-12,19] áp dụng cho mạng điều khiển với kết quả triệt tiêu hoàn toàn thời gian trễ của mạng

và thời gian trễ của đối tượng điều khiển giúp cho

hệ thống hoạt động ổn định hơn

Trong bài báo này, các tác giả nâng cao và khắc phục nhược điểm của phương pháp thiết kế hệ thống lái sử dụng mô hình Smith kết hợp với bộ điều khiển bền vững trong [20] bằng cách đưa thêm bộ nhận dạng đối tượng sử dụng mạng neural vào mô hình Smith kết hợp với khối Neural ước lượng thời gian trễ điều khiển Như vậy, mô hình Smith mới là mô hình thích nghi hoàn toàn, nó giúp cho việc bù thời gian trễ và nhiễu trở nên nhanh và chính xác hơn các phương pháp đã được đua ra trước đây Bằng mô phỏng trên Matlab, tính

ổn định và hiệu quả của phương pháp mới đưa ra

đã được chứng minh

Bài báo được tổ chức như sau: Trong phần 2, cấu trúc hệ thống lái tự động tàu thủy dựa trên mô hình

dự báo Smith được phân tích chi tiết Điều kiện cần và đủ cho hệ thống ổn định bền vững được thiết lập trong phần 3 Phần 4 kết hợp bộ điều khiển đã được thiết kế với cơ chế ước lượng thời gian trễ trong mô hình dự đoán Smith Kết quả mô phỏng đưa ra ở phần 5, phần 6 tổng hợp các kết quả chính và kết luận

2 Đặt vấn đề 2.1 Mô hình động học tàu thủy

Các phương trình mô tả động học tàu thủy thu được từ các quy tắc bảo toàn của Newton Vấn đề khó khăn nhất khi xây dựng các phương trình động học này là việc làm thế nào mô tả đầy đủ các lực động học tác động lên vỏ tàu khi tàu di chuyển trong môi trường nước Các lực tác động được đưa vào hệ phương trình động học tàu thủy cùng với

vận tốc, vận tốc góc và mô hình động học bánh lái

tạo thành hệ phương trình động học Hệ phương

trình này phụ thuộc vào trạng thái mặt biển, dòng

chảy, hướng gió , vì vậy mô hình động học tương

đối phức tạp và chịu ảnh hưởng rất lớn bởi các yếu

tố bên ngoài Trong [1], các tác giả đã mô tả đầy

đủ mô hình động học của tàu hàng với hệ thống

điều khiển hướng đi của tàu bằng cách điều chỉnh

thay đổi góc bẻ lái Mô hình động học tàu thủy với

tốc độ không đổi có thể được mô tả bằng hệ

phương trình sau:

Bu Ax

Du Cx

Trong đó:x  R3,u  R1,y  R1

Theo [5,20] các ma trận trọng số A, B, C, D có giá

trị như sau:

0 0 1, 0

0

918 0

108 0

0 1 0

0 918 0 367 4

0 286 0 895 0



























































D C

B

A

(3)

Mục tiêu là tìm bộ điều khiển bền vững cho hệ

thống để điều chỉnh hướng đi của con tàu theo

hướng đặt trước, như vậy hệ thống phải đáp ứng

một số yêu cầu và giới hạn sau:

 Không bị mất tín hiệu đáp ứng đầu ra của y

trong suốt quá trình điều khiển

 Góc bẻ lái giới hạn: u  35 0

 Tốc độ bẻ lái giới hạn: u  100/s

2.2 Phân tích hệ thống lái tự động tàu thủy dựa

trên mô hình dự đoán Smith

Con tàu là đối tượng điều khiển có quán tính lớn,

thực tế trong quá trình điều khiển các đối tượng vật

lý có quán tính lớn thì vấn đề xử lý thời gian trễ

tương đối phức tạp, đặc biệt đối với những bộ điều

khiển yêu cầu đáp ứng tín hiệu phản hồi nhanh

Ngoài ra khi đề cập đến ảnh hưởng của nhiễu

ngoại vi lên bánh lái, các mô hình Smith thông

thường sẽ không đáp ứng được chất lượng điều

khiển yêu cầu

 s

G p

 s

K



r

fb

y

)

(s

p

e

 s

G pm pm (s)

e

pm y

p

y



u



s y

 

n



H.1 Cấu trúc hệ thống lái tự động dựa trên mô

hình dự đoán Smith

Mô hình Smith được lựa chọn để bù thời gian trễ trong điều khiển tự động hệ thống lái tàu thủy có cấu trúc như trong H.1 Trong đóG p (s)là mô hình động học thực tế của tàu, G sn( ) giả thiết là mô hình nhiễu tác động vào bánh lái, p (s)là khoảng thời gian trễ sau khi tín hiệu điều khiển tác động vào bánh lái đến khi bộ điều khiển nhận được tín hiệu phản hồi góc lệch hướng đi Bộ dự đoán Smith bao gồm mô hình mẫuG pm (s)và thời gian trễ mẫu pm (s)được thêm vào cấu trúc của hệ thống Từ đó ta tính toán hàm truyền của hệ thống trong H.1 như sau:

( )

[ ( ) ( )] p s ( )

( )

( ) pm s ( )

( )

( )] ( )

pm

Giả sử ta có thể lựa chọn được các giá trị danh định bằng với các giá trị thực tế, tương ứng với 2 giả thiết sau:

Giả thiết 1: Mô hình danh định của đối tượng chọn

chính xác với mô hình thực:

Giả thiết 2: Thời gian trễ danh định chọn chính

xác với thời gian trễ thực:

pm s p s

Như vậy, phương trình (7) tương đương:

( ) ( )

fb pm

Từ đó, ta có phương trình hàm truyền của hệ kín như sau:

( )

p s

pm









( )

p s

e







Rõ ràng ảnh hưởng của thời gian trễ đã bị đẩy ra khỏi vòng lặp kín đồng nghĩa với việc triệt tiêu hoàn toàn ảnh hưởng của thời gian trễ tới tính ổn định của hệ thống điều khiển Có thể thấy rằng rất khó đạt được điều này bởi không thể xác định hoàn toàn chính xác mô hình và thời gian trễ danh định của đối tượng Mô hình danh định có thể xác định được bằng thực nghiệm nhưng thời gian trễ và nhiễu tác động vào đối tượng thì luôn biến đổi và không xác định, vì vậy tìm được thời gian trễ danh

định và mô hình danh định là một thách thức đối

với các nhà thiết kế hệ thống khi sử dụng mô hình

dự báo Smith Để giải quyết vấn đề này, giải pháp

đưa ra là ước lượng thời gian trễ điều khiển và

nhận dạng đối tượng sử dụng mạng thần kinh nhân

tạo Neural trong mô hình Smith thích nghi, chi tiết

sẽ được trình bày ở các phần sau

3 Tổng hợp bộ điều khiển bền vững

Chúng ta không bao giờ xác định được hoàn toàn

các thông số của mô hình, và điều này sẽ gây ra rất

nhiều vấn đề nghiêm trọng trong điều khiển với

các mô hình dự đoán Smith có sử dụng mô hình

danh định Liên quan đến vấn đề này, cơ chế điều

khiển dự đoán Smith bền vững đã được đưa ra

trong [13-14, 20], trong bài báo này chúng tôi thiết

kế bộ điều khiển hướng đi của con tàu dưới ảnh

hưởng của sóng, gió cùng với tính chất không xác

định của mô hình sử dụng phương pháp tổng hợp

bộ điều khiển bền vững với vòng lặp mẫu Mc

Farlane và Glover

3.1 Mô hình rút gọn và tiêu chuẩn ổn định bền

vững

Trở lại với bài toán ban đầu, từ phương trình (12),

ta có thể xây dựng lại mô hình rút gọn như sau:

G K



r

fb

y

y

p

e

1

GG

e

H.2 Cấu trúc rút gọn hệ thống lái tự động dựa trên

mô hình dự đoán Smith

Trong đó mô hình danh định của con tàuGkết hợp

với hai hàm hình thức đại diện cho các thành phần

không xác định của mô hình thật là W1và W2dưới

dạng G p G n W W1G 2 Việc tính toán ổn định

bền vững của hệ thống trong hình H.2 bản chất là

tìm bộ điều khiển bền vững K Từ vòng lặp khép

kín như trong H.2, tồn tại trạng thái ổn định bền

vữngHvòng lặp phản hồi mẫu khép kín tương

ứng tồn tại một ma trận xác định dương R

Cuối cùng, giải pháp để tìm ra bộ điều khiển bền

vững cho hệ thống lái tự động tàu thủy dựa theo

mô hình dự đoán Smith dưới hình thức tối

ưu theo chuẩnHđược xác định theo [20] như

sau:

Định lý 3.1[20]: Xét mô hình hệ thống lái tự động

có cấu trúc như trong H.1 đồng thời thỏa mãn Giả

thiết 1 và Giả thiết 2 ở trên, tồn tại bộ điều khiển

bền vững K nếu đáp ứng hệ bất đẳng thức tuyến

tính sau:

















) (I GK M I

K

(13) Nếu   1, sẽ đồng thời tồn tại ma trận xác định dương R được tính toán từ các bất đẳng thức:

0 ) ( ) (ALC  ALC R

0



































I I L

I I CR

L RC BB RA AR

T

T T T







(15)

Trong đó LZC T nơi Z 0là giải pháp ổn định bởi phương trình Riccati (19) (Chứng minh theo định lý 3.2 [20])

3.2 Phương pháp tổng hợp bộ điều khiển bền vững

Mc Farlane và Glover [15] là phương pháp tổng hợp bộ điều khiển bền vững với vòng lặp mẫu cơ bản dựa trên việc tính toán các bất đẳng thức ma trận tuyến tính Trong đó mô hình danh định của con tàuG pkết hợp với hai hàm hình thức đại diện cho các thành phần không xác định của mô hình thật là W1và W2dưới dạng G pG n W GW1 2, việc tính toán thiết kế bộ điều khiển bền vững tuân theo 4 bước cơ bản sau:

 Lựa chọn W1và W2để thiết vòng lặp hở theo giải pháp của Mc Farlane và Glover sao cho opt đủ nhỏ và thỏa mãn bất đẳng thức (13)

 Tính toán ma trậnR 0và biến vô hướngbằng cách giải các bất đẳng thức ma trận tuyến tính (14), (15)

 Nếu các bất đẳng thức ma trận tuyến tính (14), (15) là khả thi thì kết hợp bộ điều khiển bền vững với các hàm hình thức ta cóK r W1KW2

 Đưa các thông số thu được từ bộ điều khiển mới vào mô hình, sử dụng Matlab để kiểm tra tính

ổn định và hiệu suất điều khiển

4 Ước lượng thời gian trễ điều khiển sử dụng bộ điều khiển mờ và bộ điều khiển Neural nhân tạo

Cơ chế ước lượng thời gian trễ điều khiển của hệ thống lái tự động tàu thủy sử dụng logic mờ đã được đưa ra trong [12,20], tuy nhiên khả năng thích nghi khi thời gian trễ là biến đổi ngẫu nhiên không xác định vẫn còn là một nhược điểm Trong bài báo này, việc dùng bộ ước lượng thời gian trễ

sử dụng Neural sẽ làm tăng khả năng thích nghi, hiệu quả của phương pháp này sẽ được so sánh với phương pháp dung logic mờ Ở phần này chúng ta tập trung phân tích bộ ước lượng thời gian trễ, khối

nhận dạng mô hình sẽ được trình bày chi tiết ở

phần sau

4.1 Ước lượng thời gian trễ điều khiển dùng

logic mờ

 s

G p

fb

y

s

k p

e )

 s

G pm

s

k pm

e )

pm

1

z

1

z

p



 s

K



 

n

G s



pm y

s y

e

e



Controller Fuzzy

p

y

H.3 Cấu trúc hệ thống lái tự động dựa trên mô

hình dự đoán Smith với cơ chế ước lượng thời gian

dùng logic mờ

Trong mô hình H.3, bộ ước lượng thời gian trễ bao

gồm 2 phần, mô đun tính toán online và bộ ước

lượng logic mờ Mô đun tính toán online tính các

giá trị evà evới đầu vào là tín hiệu ra của hệ

thốngy pvà tín hiệu ra của mô hình dự đoán danh

địnhy pm, đầu ra tại mọi thời điểm được tính toán

như sau [20]:

) ( ) 1 ( ) 1

) ( ) 1 ( ) 1

Trong đóA (k)là giá trị phụ thuộc vào sự sai lệch

giữay pvày pmđược tính toán bởi công thức:



k

pm

p k y k dk y

k

A

0

) ( ) ( )

Bộ điều khiển mờ với đầu vào là các giá trị evà

e

 , đầu ra là thời gia trễ ước lượng pm (k), luật mờ

được xây dựng theo bảng sau [20]:

( ) \ ( )

NM PM PB PM PB PB

NS ZZ PM PM PM PB

ZZ ZZ ZZ ZZ ZZ ZZ

PS ZZ NM NM NM NB

PM NM NB NM NB NB

B.1: Bảng luật mờ

Như vậy, đầu ra của bộ ước lượng thời gian trễ cho

giá trị pm (k)tăng từ 0 tới p (k),

khi pm(k) p(k)cũng là lúc có thể đạt được giá trị

pm

p y

y  tương ứng với giả thiết

G s G s G s , khi đó mô hình dự đoán

Smith được xem như tương đương với mô hình thật và hàm truyền của cả hệ thống được mô tả bằng phương trình (12)

4.2 Ước lượng thời gian trễ điều khiển dùng bộ điều khiển Neural nhân tạo

Trong mô hình H.4, bộ ước lượng thời gian trễ bao gồm 2 phần, mô đun tính toán online và bộ ước lượng dùng Neural nhân tạo Mô đun tính toán online tính các giá trị evà e với đầu vào là tín hiệu ra của hệ thốngy pvà tín hiệu ra của mô hình

dự đoán danh địnhy pm, đầu ra tại mọi thời điểm được tính toán như theo các công thức (16), (17)

và (18)

 s

G p

fb

y

s

k p

e )

 s

G pm

s

k pm

e)

pm

e e



pm

k)

(



 



1



z

pm

k 1 ) ( 



1



z

1



z

p



 s K



 

n

G s



pm y

 

s

y

H.4 Cấu trúc hệ thống lái tự động dựa trên mô

hình dự đoán Smith với cơ chế ước lượng thời gian dùng bộ điều khiển Neural nhân tạo

Để đảm bảo tính hội tụ nhanh cho bộ ước lương thời gian trễ điều khiển sử dụng mạng Neural, chúng ta lựa chọn thuật toán Levenberg-Marquardt

để thiết kế theo phương pháp huấn luyện tuyến tính bậc 2 không cần tính toán chính xác ma trận Hessian Như vậy, với giả thiết hàm sai số có dạng dạng hàm tổng bậc 2 và để làm giảm các bước tính toán đảm bảo độ hội tụ nhanh, ta có thể chọn ma trận Hessian xấp xỉ theo công thức sau:

T

Và chỉ số hiệu suất tối ưu được định nghĩa như sau:

Trong đó WW W1 2WNbao gồm tất cả các trọng số liên kết của mạng Neural,

E       k   k   p kp  là véc tơ sai số tích lũy tăng dần trong qua trình huấn luyện

mẫu, N là trọng số của mạng, p là số lượng mẫu và

k là số đầu ra của mạng Từ (20), ma trận Jacobian

được định nghĩa như sau

11 11 11

N

N

N

J









(21)

Sau đó, luật cập nhật trọng số được tính theo biểu

thức

1

Wt  Wt    J JT   I   J ET t (22)

Việc huấn luyện mạng dựa trên phương pháp học

có giám sát trong đó  là tham số học

(0    1), I là ma trận đồng nhất và J là

Jacobian của m đầu ra sai số cùng với n trọng số

của mạng Neural

Trong bài báo này, các tác giả lựa chọn mô hình

mạng Neural 4 lớp lan truyền ngược bao gồm 1 lớp

đầu vào, 2 lớp ẩn và 1 lớp đầu ra theo cấu trúc

3-5-10-1 Như vậy, lớp đầu vào có 3 neural tương ứng

với e,e và (k1)pm, 2 lớp ẩn bao gồm 5 và

10 neural trên 1 lớp lựa chọn hàm kích hoạt

Sigmoid với mục đích nâng cao chất lượng của hệ

thống nhận dạng, lớp đầu ra có 1 neural duy nhất

được lựa chọn là hàm tuyến tính tuwong ứng với

pm

 Để tối ưu hóa sai số sau mỗi bước học, chúng

ta sử dụng hàm đánh giá chúng ta sử dụng hàm

đánh giá chỉ số hiệu suất tối ưu theo (20), luật cập

nhật trọng số theo công thức (22) với ma trận

Jacobian được định nghĩa theo (21) Mạng Neural

được huấn luyện với tối đa 5.000 bước học với

thông số huấn luyện ban đầu được thiết lập bằng

cách huấn luyện offline, sau đó huấn luyện online

được thực thi tiếp và dừng huấn luyện khi thuật

huấn luyện toán hoàn toàn hội tụ Trong bài báo

này, các tác giả sử dụng Neural network toolbox

của Matlab để mô phỏng, kết quả sẽ được trình bày

chi tiết ở phần sau

5 Nhận dạng đối tượng dựa vào bộ điều

khiển Neural nhân tạo

Như đã trình bày ở trên, chúng ta xem xét đối

tượng con tàu có tính không xác định dưới ảnh

hưởng của nhiễu và thời gian trễ không xác định,

vấn đề khó khăn lớn sẽ xảy ra khi ứng dụng mô

hình Smith để điều khiển dối tượng phức tạp như

vậy đó là không thể xác định chính xác được mô

hình toán củaG pm (s), dẫn đến mất chính xác mô

hình đưa ra, giảm độ ổn định và gần như chắc chắn

không thực tế khi ứng dụng Như vậy, giải pháp đưa ra để khắc phục điều này chính là sử dụng bộ nhận dạng Neural dựa trên thuật toán toán Levenberg-Marquardt để nhận dạng đối tượng điều khiển

Gp

 s

G pm

1



z

1



z

p



u

 

n

G s



H.5 Bộ nhận dạng đối tượng dùng bộ điều khiển

Neural nhân tạo

Thuật toán Levenberg-Marquardt có thể xấp xỉ mọi hàm phi tuyến, việc huấn luyện mạng bao gồm 2 quá trình, huấn luyện offline thiết lập các thông số ban đầu, quá trình tiếp theo huấn luyện online sẽ giúp bộ nhận dạng thích nghi với mọi sự thay đổi tức thời của đối tượng Bộ nhận dạng được thiết kế như trong hình H.4 với đầu vào gồm 3 tín hiệu

( 1)

u k  ,u k ( ), y pm(k 1), 2 lớp ẩn bao gồm 10

và 20 neural trên 1 lớp với hàm kích hoạt Sigmoid,

số neural trên 1 lớp được lựa chọn tăng lên nhằm mục đích tăng độ chính xác và khả năng thích nghi của bộ nhận dạng Lớp đầu ra lựa chọn 1 neural tuyến tính Quá trình huấn luyện mạng tối đa 10.000 bước học với thông số huấn luyện ban đầu được thiết lập bằng cách huấn luyện off-line, tiếp theo huấn luyện on-line và dừng huấn luyện khi thuật huấn luyện toán hoàn toàn hội tụ

6 Kết quả mô phỏng 5.1 Thiết lập các thông số mô phỏng

Mô hình động học tàu thủy là mô hình sử dụng trong [1] và [5] có dạng như phương trình (3) Theo 4 bước thiết kế bộ điều khiển bền vững đã nêu ở trên, đầu tiên ta tính toán được biến vô hướng tới hạn0 2.6207, trong bài báo này lựa chọn mức độ không xác định tương ứng 10%, khi

đó 1.102.8828 Từ đó tính được giá trị của

ma trận trọng số R trong phương trình (25) như sau:











































9482 0 1820 0 2418 0 0997

.

0

0215 0 7759 0 1105 0 0390

.

0

1123 0 3686 0 4307 0 1739

.

0

1578 0 4553 0 5835 0 6444

.

0

Theo đó, bộ điều khiển bền vững được tính toán

với kết quả K (A c,B c,C c,D c)tương ứng:

0

3073 0 6466 0 9540 0 4245

.

0

7095

.

19

3437

.

10

7027

.

39

783

.

48

874 0 91 17 678 16 396

.

3

0 68 6 74 3 0

0 67 25 22 18 2

260 0 319 42 154 36 888

.

8

























































































c

c

c

c

D

C

B

A

(32)

Mô hình thời gian trễ ngẫu nhiên [17] sử dụng hàm

tín hiệu Sinusoidal:

) 1 0 3 sin(

3

.

0

)

với t là hàm biến đổi ngẫu nhiên có biên độ dao

động lựa chọn ngẫu nhiên trong khoảng (0-10)

Nhiễu tác động vào hệ thống bao gồm sóng, gió,

dòng chảy…lựa chọn mô hình nhiễu môi trường

Pierson-Mostkoviz trong [18]:

) ) 710 0 (

16 exp(

) 710

.

0

(

4

)

0

3 2

4 0

2 3











T T

H

4) với T0 0.80s,H s 5.5mm,là hàm ngẫu nhiên

biên độ dao động thay đổi trong khoảng (0-10) Sử

dụng phần mềm Matlab-Simulink tiến hành mô

phỏng

5.2 Kết quả mô phỏng

Xem xét hệ thống mới thiết kế dưới sự ảnh hưởng

của cả nhiễu và thời gian trễ, so sánh phương pháp

mới ứng dụng Neural với phương pháp ứng dụng

Fuzzy trong [20] chứng minh tính hiệu quả của

phương pháp mới đưa ra

 Trường hợp 1: Giả thiết tàu làm việc trong

điều kiện nhiễu tác động vào hệ thống nhỏ

(0 1  ), khi thời gian trễ nhỏ (H.6) thì hệ

thống làm việc ổn định nhưng chua chứng tỏ

được tính ưu việt so với phương pháp của

[20], trường hợp thời gian trễ điều khiển lớn

hơn (H.7) hệ thống mới đưa ra vẫn giữ được

ổn định sau một số chu kỳ dao động ban đầu

còn phương pháp của [20] cho thấy đáp ứng

đầu ra dao động không ổn định Khi thời gian

trễ rất lớn, phương pháp của [20] cho thấy hệ

thống mất ổn định hoàn toàn còn mô hình mới đưa ra hệ thống vẫn giữ được ổn định cho dù chất lượng ổn định cho dù chất lượng có giảm

đi (H.8)

 Trường hợp 2: Khảo sát với trường hợp giả

thiết thời gian trễ của hệ thống là nhỏt 0 5 , tăng dần ảnh hưởng của nhiễu lên hệ thống (H.9, H.10) ta thấy cả 2 phương pháp đều bị ảnh hưởng rõ rệt, tuy nhiên mô hình mới đưa ra bị ảnh hưởng ít hơn so với phương pháp đưa ra trong [20]

 Trường hợp 3: Khảo sát với trường hợp cả

nhiễu tác động vào hệ thống lớn trong khi thời gian trễ của hệ thống cũng lớn (H.11), phương pháp mới đưa ra vẫn cho kết quả tốt hơn [20], đáp ứng đầu ra dao động quanh vị trí điều khiển với biên độ dao động nhỏ trong khi phương pháp dùng Fuzzy gần như không giữ được ổn định

7 Kết luận

Hệ thống lái tự động tàu thủy với thời gian trễ điều khiển biến đổi không xác định dựa trên mô hình dự đoán Smith thích nghi kết hợp với bộ điều khiển bền vững đã được đưa ra trong bài báo Mô hình

dự đoán Smith thích nghi được thiết kế kết hợp giữa khối nhận dạng con tàu và khối ước lượng thời gian trễ điều khiển sử dụng mạng Neural thần kinh nhân tạo cho thấy khả năng điều khiển thích nghi rất tốt dưới ảnh hưởng của thời gian trễ và nhiễu không xác định Khảo sát hệ thống trong các trường hợp nhiễu xấu và thời gian trễ lớn nhưng bộ điều khiển vẫn đảm bảo làm việc khá ổn định và bền vững Bên cạnh đó, cơ chế ước lượng thời gian trễ trong quá trình điều khiển sử dụng mạng Neural giúp tăng hiệu suất bù thời gian trễ của hệ thống một cách đáng kể nhưng chưa loại bỏ được ảnh hưởng của nhiễu trong quá trình điều khiển Hướng nghiên cứu trong bài báo này là một hướng mở có thể nghiên cứu sâu rộng để thu được kết quả tốt hơn trong thời gian tới

Tài liệu tham khảo

[1] K.J Astrom and C.G Kallstrom: Identification

of Ship Dynamic Automatica, Vol.12, pp.9-222,

Pergamon Press, 1976 Printed in Great Britain [2] Y.S Yang and C.J Zhou: Adaptive Fuzzy Control of Ship Autopilots with Uncertain Nonlinear Systems Proc 2004 IEEE, Conference on Cybernetics and Intelligent Systems, Singapore, pp 1323-1328, December,

2004

H.6 Đáp ứng hệ thống khi thời gian trễ nhỏ

0 5

t   với nhiễu tác động vào hệ thống

nhỏ 0 1 

H.7 Đáp ứng hệ thống khi thời gian trễ trung bình

0 10

t   với nhiễu tác động vào hệ thống nhỏ

0 1

 

H.8 Đáp ứng hệ thống khi thời gian trễ rất lớn

0 15

t   với nhiễu tác động vào hệ thống nhỏ

0 1

 

H.9 Đáp ứng hệ thống khi thời gian trễ nhỏ

0 5

t   với nhiễu tác động vào hệ thống trung bình 0 5  

H.10 Đáp ứng hệ thống khi thời gian trễ nhỏ

0 5

t   với nhiễu tác động vào hệ thống trung bình 0 10  

H.11 Đáp ứng hệ thống khi thời gian trễ lớn

0 10

t   với nhiễu tác động vào hệ thống lớn

0 10

 

[3] J Velagic, Z Vukic and E Omerdic: Adaptive

fuzzy ship autopilot for track-keeping, Control

Engineering Practice, Vol 2, pp.433-443,

Elselvier, 2002

[4] V Nicolau, V Palade, D Aiordachioaie and C

Miholca: Neural Network Prediction of the Roll

Motion of a Ship for Intelligent Course Control,

Lecture notes in control and information

Science, Springer-Verlag, Berlin, 1989

[5] W.Y Feng, Y Li and G Chong: Tractable

Neurocontroller Design and Application to Ship

Control with Actuator Limits, IFSA World

congress and 20th NAFIDS International

conference, Vol.3, pp.1282-1287, July 2001

[6] K Zhou, J Doyle and K Glover: Robust and

optimal control, Prentice Hall, Inc , Aug 1995

[7] D McFarlane and K Glover: Robust controller

design using normalized coprime factor plant

description, Lecture notes in control and

information Science, Springer-Verlag, Berlin,

1989

[8] R Akmeliawati and K.Y Chow: Robust

Autopilot Design with maximum Stability

Radius, ICIT-IEEE Intrenational conference,

pp.1137-1142, Dec 2006

[9] W.X Chow and X.H Zhen: Robust Autopilot

with wave filter for ship sterring, Journal of

Marine Science and Application, Vol 5, No 2,

pp.24-29, Jun 2006

[10] K Khandani and A Akbar Jalali: A New

Approach to Design Smith Predictor Based

Fractional Order Controllers, International

Journal of Computer and Electrical Engineering,

Vol 2, No 4, pp.1793-8163, August 2010

[11] D M Feng, F Pan and R C Han: Improved

Self-Adaptive Smith Predictive control scheme

for time delay system, Proc of the First

International Conference on Machine Learning

and Cybernetics, pp.463-466, Beijing,

November, 2002

[12] X K Dang, Z H Guan, H D Tran and T Li:

Fuzzy Adaptive Control of Networked Control

System with Unknown Time-delay, Proc The

30th Chinese Control Conference, Yantai,

China, Jul 2011

[13] J Mu, G P Liu and D Rees: Design of Robust

Networked Predictive Control Systems, Proc

2005 American Control Conference, Portland,

USA, Jun 2005, pp.638-643

[14] D Ioan, M Ioana and M Raluca: On the

robustness of modified Smith predictor

controller for time delay processes, Int J

Control Engineering an Applied Informatic,

Vol 7, No 3, pp.9-14, 2005

[15] K Glover, J Sefton and D.C McFarlane: A

tutorial on loop shaping using H-infinity robust

stabilisation, Trans Institute of Measurement

and Control, Vol 14, No 3, pp.157-168, 1992 [16] M.C Turner and D.G Bates: Mathematical Methods for Robust and Nonlinear Control,

Lecture notes in control and information Science, Springer-Verlag, Berlin, 2007

[17] S Shaltaf, M Abdallah: An Enhanced Technique for Online Discrete Cosine Transform Based-Time Varying Delay Estimation, Circuits Systems Signal Processing,

Vol 19, No 6, pp.501-515, Jun 2000

[18] M Tomera: Nonlinear Controller Design of a Ship Autopilot, Int J Appl Math Comput Sci.,

Vol 20, No 2, pp.271–280, 2010

[19] X K Dang, Z H Guan, T Li and D X Zhang: Joint Smith Predictor and Neural Network Estimation Scheme for Compensating Randomly Varying Time-delay in Networked Control System, Proc The 24th Chinese Control and Decision Conference, Tai Yuan, China, May 2012

[20] X K Dang, H D Tran, D C Quach: Robust Controller Design for Ship Autopilot with Unknown Time-delay, Proc Viet Nam conference on Control and Automation 2011, Hanoi, Nov, 2011

Dang Xuan Kien was born

in Hai Phong, Viet Nam, in

1978 He received the B.S and M.S degrees in the Electric and Electronic Department of VietNam Maritime University, VietNam, in 2001 and 2006, respectively He received the Ph.D degree in the Department

of Control Science and Engineering, Huazhong University of Science and Technology, Wuhan, PR China

in 2012 He is currently a lecture

in the Electric and Electronic Department of Ho Chi Minh City University of Transport His research interests include networked control systems, time-delay systems, vehicle control

systems and intelligent control

Hoang-Dung Tran received the

B.S degree in HoChiMinh University of Science and Technology, VietNam, in 2007

He is currently a master candidate in the Department of Control Science and Engineering, Huazhong University of Science and Technology, Wuhan, PR China

His research includes networked control system and adaptive control

Duc-Cuong Quach received the

B.S degree in Hanoi University

of Science and Technology in

2002 and M.S degree in the Electric and Electronic Department of Ho Chi Minh City University of Transport, VietNam, in 2008 He is currently a doctor candidate in the Department of Control Science and Engineering, Huazhong University of Science and Technology, Wuhan, PR China His research includes networked control system, intelligent control and embedded control systems using advanced microcontroller families