Nghiên cứu ứng dụng lý thuyết điều khiển hiện đại xây dựng mô hình trong điều khiển dự báo phi tuyến

Phạm vi, đối tượng nghiên cứu và phương pháp nghiên cứu Đối tượng nghiên cứu: Luận án nghiên cứu về nhận dạng và điều khiển một lớp đối tượng phi tuyến, có trễ, hệ dừng thường gặp trong

BỘ GIÁO DỤC VÀ ĐÀO TẠO ĐẠI HỌC THÁI NGUYÊN

LÊ THỊ HUYỀN LINH

NGHIÊN CỨU ỨNG DỤNG LÝ THUYẾT ĐIỀU KHIỂN HIỆN ĐẠI XÂY DỰNG MÔ HÌNH TRONG ĐIỀU KHIỂN DỰ BÁO PHI TUYỄN

LUẬN ÁN TIẾN SĨ KĨ THUẬT Chuyên ngành: Kỹ thuật điều khiển và Tự động hóa

THÁI NGUYÊN 2015

LỜI CAM ĐOAN

Tôi tên là Lê thị Huyền Linh, tôi xin cam đoan đây là công trình nghiên cứu của cá nhân tôi dưới sự hướng dẫn của tập thể các nhà khoa học và các tài liệu tham khảo đã trích dẫn Kết quả nghiên cứu là trung thực và chưa được công bố trên bất

LỜI CẢM ƠN

Trong suốt quá trình làm luận án, thực sự đã có những lúc khó khăn, tưởng chừng như không thể tiếp tục, nhờ nhận được sự động viên, giúp đỡ của người thân, bạn bè đồng nghiệp, thầy giáo hướng dẫn và tập thể các nhà khoa học, tôi đã có được kết quả hôm nay Từ sâu thẳm, tôi xin được trân trọng gửi lời cảm ơn đến tất

cả Cảm ơn những người thầy, người bạn đã đồng hành, giúp đỡ, chia sẽ cùng tôi trong giai đoạn khó khăn, vất vả nhất của chặng đường luận án

Cũng qua đây, tôi xin được bày tỏ lòng biết ơn chân thành đến thầy giáo hướng dẫn PGS TS Lại Khắc Lãi đã tận tình, dìu dắt và định hướng cho tôi trong suốt thời gian qua Tôi cũng xin được gửi lời cảm ơn sâu sắc và kính trọng đến các thầy cô giáo, các đồng nghiệp trong Khoa Điện, tập thể các nhà khoa học, đã đóng góp những ý kiến quý báu về chuyên môn, quan tâm, tạo điều kiện thuận lợi, giúp

đỡ về công việc và thời gian Cảm ơn Bộ môn Kỹ thuật Điện, Khoa Điện, các Phòng ban của Trường Đại học Kỹ thuật Công nghiệp, Đại học Thái Nguyên đã nhiệt tình, tạo điều kiện trong suốt quá trình thực hiện luận án

Từ sâu tận đáy lòng, tôi muốn được nói lời cảm tạ đến bố mẹ, chị gái, chồng

và con gái bé bỏng đã luôn luôn bên tôi, hết lòng thương yêu, quan tâm, sẻ chia, ủng

hộ, động viên tinh thần, tình cảm, tạo điều kiện giúp tôi có nghị lực để hoàn thành quyển luận án này

Tác giả luận án

Lê Thị Huyền Linh

MỤC LỤC

LỜI CAM ĐOAN i

LỜI CẢM ƠN iii

MỤC LỤC iv

DANH MỤC CÁC KÝ HIỆU, CÁC CHỮ VIẾT TẮT vii

DANH MỤC CÁC BẢNG BIỂU x

DANH MỤC CÁC HÌNH VẼ xi

MỞ ĐẦU 1

1 Tính cấp thiết của đề tài luận án 1

2 Phạm vi, đối tượng nghiên cứu và phương pháp nghiên cứu 3

3 Mục tiêu của luận án 4

4 Những đóng góp mới về lý luận và thực tiễn của luận án 4

5 Bố cục của luận án 5

CHƯƠNG 1 TỔNG QUAN VẤN ĐỀ NGHIÊN CỨU 7

1.1 Giới thiệu tổng quan về điều khiển dự báo theo mô hình 7

1.1.1 Khái niệm 7

1.1.2 Nguyên lý của điều khiển dự báo theo mô hình 8

1.1.3 Các thành phần chính trong điều khiển dự báo dựa trên mô hình 10

1.2 Những vấn đề liên quan về điều khiển dự báo hệ tuyến tính 15

1.3 Các ưu nhược điểm của điều khiển dự báo so với phương pháp khác 20

1.4 Những vấn đề liên quan về điều khiển dự báo hệ phi tuyến 21

1.5 Đề xuất hướng nghiên cứu giải quyết trong luận án 25

1.6 Kết luận Chương 1 26

CHƯƠNG 2 NHẬN DẠNG NHIỄU VÀ BÙ NHIỄU CHO LỚP HỆ PHI TUYẾN CÓ TRỄ 27

2.1 Tổng quát chung về nhận dạng và mạng nơron 27

2.1.1 Khái niệm về nhận dạng 27

2.1.2 Khái quát về cấu trúc mạng nơron 28

2.1.3 Giới thiệu mạng nơron RBF 30

2.1.4 Tóm lược về nhận dạng trực tuyến hệ phi tuyến sử dụng mạng nơron nhân

tạo 31

2.2 Bài toán nhận dạng nhiễu cho lớp hệ phi tuyến có trễ 32

2.3 Thuật toán nhận dạng nhiễu hệ phi tuyến có trễ trên cơ sở sử dụng mạng nơron RBF khi chỉ có một thành phần nhiễu 33

2.3.1 Xây dựng thuật toán nhận dạng nhiễu 33

2.3.2 Ví dụ minh họa 42

2.4 Tổng hợp tin hiệu bù nhiễu cho hệ thống có trễ với một kênh điều khiển 45

2.5 Thuật toán nhận dạng nhiễu hệ phi tuyến có trễ trên cơ sở sử dụng mạng nơron RBF khi có nhiều thành phần nhiễu 46

2.5.1 Xây dựng thuật toán nhận dạng 47

2.5.2 Ví dụ minh họa 54

2.6 Xác định điều kiện ứng đối cho việc bù nhiễu trong các hệ thống có trễ với nhiều thành phần nhiễu tác động 57

2.7 Kết luận Chương 2 59

CHƯƠNG 3 TỔNG HỢP BỘ ĐIỀU KHIỂN DỰ BÁO DỰA THEO MÔ HÌNH NỘI CHO ĐỐI TƯỢNG CÓ TRỄ VÀ XÂY DỰNG HỆ THỐNG ĐIỀU KHIỂN CHO ĐỐI TƯỢNG CSTR 61

3.1 Đặt vấn đề 61

3.2 Xây dựng tiêu chuẩn tối ưu cho bài toán điều khiển tối ưu và điều khiển dự báo 62

3.3 Xây dựng thuật toán điều khiển dự báo dựa trên mô hình nội cho lớp đối tượng phi tuyến có trễ trên cơ sở đã nhận dạng và bù nhiễu 66

3.4 Xây dựng mô hình toán cho đối tượng CSTR 71

3.4.1 Xây dựng mô hình toán cho đối tượng CSTR với một tín hiệu điều khiển 76

3.4.2 Xây dựng mô hình toán cho đối tượng CSTR với hai tín hiệu điều khiển 80

3.5 Thiết kế mô hình nhận dạng các nhiễu cho đối tượng CSTR 82

3.5.1 Thiết kế mô hình nhận dạng nhiễu trên hai kênh h và C b với một tín hiệu điều khiển 82

3.5.2 Thiết kế mô hình nhận dạng nhiễu trên hai kênh h và C b với hai tín hiệu điều

khiển 883.6 Xây dựng hệ thống điều khiển dự báo dựa trên mô hình nội cho đối tượng

CSTR trên cơ sở đã nhận dạng và bù nhiễu 933.6.1 Xây dựng bộ IMPC điều khiển một kênh C b với một tín hiệu điều khiển 93 3.6.2 Xây dựng bộ IMPC điều khiển đồng thời cả hai kênh C b và h với hai tín hiệu

điều khiển 953.7 So sánh bộ điều khiển PID với bộ điều khiển IMPC đã được nhận dạng và bù

nhiễu để điều khiển cho đối tượng CSTR 97 3.7.1 So sánh bộ điều khiển PID với bộ điều khiển IMPC điều khiển một kênh C b

với một tín hiệu điều khiển 97 3.7.2 So sánh bộ điều khiển PID và bộ điều khiển IMPC điều khiển đồng thời hai

kênh C b và h với hai tín hiệu điều khiển 101

3.8 Kết luận Chương 3 107 KẾT LUẬN VÀ KIẾN NGHỊ 108DANH MỤC CÔNG TRÌNH KHOA HỌC CÓ LIÊN QUAN ĐẾN LUẬN ÁN 110TÀI LIỆU THAM KHẢO 112

DANH MỤC CÁC KÝ HIỆU, CÁC CHỮ VIẾT TẮT

m v1 , m v2 , m v3 lưu lượng của các dung dịch

Danh mục các chữ viết tắt

ARMAX Autoregressive Moving Average with Exogenous

CSTR Continuous Stirred Tank Reactor

DLP Double-Layer Perceptron feedforward neural network

EHAC Extended Horizon Adaptive Control

HEICON Hierarchical Constraint Control

IMPC Internal Model Predictive Control

GPC Generalized Predictive Control

MIMO Multiple Input Multiple Output

OPC Optimum Predictive Control

PFC Predictive Functional Control

PID Proportional Integral Derivative

SISO Single Input Single Output

DANH MỤC CÁC BẢNG BIỂU

Bảng 1.1 Bảng phân loại một số phương pháp sử dụng cho xây dựng mô hình, giải bài toán tối ưu cho đối tượng tuyến tính, phi tuyến trong MPC 14 Bảng 1.2 Bảng tóm lược một số phương pháp nhận dạng mô hình dự báo của một

số phương pháp MPC 17Bảng 1.3 Bảng tóm lược một số kỹ thuật MPC của một số hãng trên thế giới 17

DANH MỤC CÁC HÌNH VẼ

Hình 1.1 Hình ảnh về ứng dụng điều khiển trong công nghệ xử lý hóa chất 8

Hình 1.2 Nguyên lý cơ bản của điều khiển dự báo dựa trên mô hình 9

Hình 1.3 Sơ đồ khối hệ thống điều khiển dự báo dựa trên mô hình 11

Hình 1.4 Cấu trúc mô hình lớp đối tượng phi tuyến có trễ 25

Hình 2.1 Sai số đầu ra của đối tượng thực và mô hình 27

Hình 2.2 Cấu trúc hệ thống phi tuyến 28

Hình 2.3 Cấu trúc của một số mạng nơron thường gặp 29

Hình 2.4 Cấu trúc mạng RBF xấp xỉ hàm f( )× 36

Hình 2.5 Sơ đồ cấu trúc hệ thống nhận dạng nhiễu cho các đối tượng có trễ trên cơ sở mô hình song song và mạng nơron 42

Hình 2.6 Mô hình đối tượng hệ phi tuyến (2.35) dùng trong mô phỏng 43

Hình 2.7 Sơ đồ mô phỏng cấu trúc nhận dạng nhiễu dựa trên cơ sở mạng nơron RBF 43

Hình 2.8 Các đáp ứng tín hiệu đầu ra của hệ (2.35) 43

Hình 2.9 So sánh thành phần phi tuyến F(.) của hệ (2.35) và thành phần nhiễu được nhận dạng qua RBF 44

Hình 2.10 Sai lệch giữa nhiễu nhận dạng và nhiễu thực của hệ thống 44

Hình 2.11 Sơ đồ kênh tạo tín hiệu bù 46

Hình 2.12 Sơ đồ cấu trúc các mạng nơron xấp xỉ các hàm f × ,1( ) f ×2( ), L , 2( ) m f × của hệ (2.44) 48

Hình 2.13 Sơ đồ cấu trúc nhận dạng các nhiễu cho các lớp đối tượng có trễ trong kênh điều khiển 54

Hình 2.14 Sơ đồ mô phỏng cấu trúc nhận dạng các nhiễu dựa trên cơ sở mạng nơron RBF 55

Hình 2.15 Các đáp ứng tín hiệu đầu ra của hệ (2.74) 56

Hình 2.16 So sánh thành phần phi tuyến F(.) của hệ (2.74) và thành phần các nhiễu được nhận dạng qua RBF 56

Hình 2.17 Sai số của mô hình nhận dạng và đối tượng thực (2.74) 57

Hình 2.18 Sơ đồ cấu trúc của đối tượng có trễ trong kênh điều khiển, có nhiễu phụ thuộc trạng thái tác động và kênh bù nhiễu trên cơ sở nhận dạng nhiễu 59Hình 3.1 Sơ đồ cấu trúc của hệ thống điều khiển dựa trên mô hình dự báo cho lớp đối tượng có trễ 68Hình 3.2 Sơ đồ cấu trúc hệ thống điều khiển dựa trên mô hình dự báo cho đối tượng có trễ dựa trên cơ sở nhận dạng bằng mạng nơron đã có bù nhiễu 70 Hình 3.3 Mô hình bình phản ứng khuấy trộn liên tục CSTR 72 Hình 3.4 Sơ đồ mô phỏng cấu trúc nhận dạng các nhiễu cho đối tượng CSTR dùng mạng nơron RBF và cơ cấu thích nghi AB với một tín hiệu điều khiển 83 Hình 3.5 Sơ đồ khối mô tả đối tượng thực 83 Hình 3.6 Sơ đồ khối mô tả hàm nhiễu F(.) sử dụng một tín hiệu điều khiển 84

Hình 3.7 Tín hiệu hàm nhiễu mức dung dịch f 1 và nhiễu nồng độ dung dịch f 2 của đối tượng thực và sau khi nhận dạng sử dụng một tín hiệu điều khiển với thời gian trễ 30s 85

Hình 3.8 Đáp ứng mức dung dịch h và nồng độ dung dịch C b sử dụng một tín hiệu điều khiển với thời gian trễ 30s 85 Hình 3.9 Sơ đồ khối mô tả hàm nhiễu F(.) + hàm sin trong trường hợp sử dụng một tín hiệu điều khiển 86

Hình 3.10 Tín hiệu hàm nhiễu mức dung dịch f 1 và nhiễu nồng độ dung dich f 2 của đối tượng thực và sau khi nhận dạng trong trường hợp nhiễu có thêm hàm sin sử dụng một tín hiệu điều khiển với thời gian trễ 30s 87

Hình 3.11 Đáp ứng mức dung dịch h và nồng độ dung dịch C b trong trường hợp

nhiễu có thêm hàm sin sử dụng một tín hiệu điều khiển với thời gian trễ 30s 87 Hình 3.12 Sơ đồ cấu trúc nhận dạng các nhiễu cho đối tượng CSTR dùng mạng nơron RBF và cơ cấu thích nghi AB với hai tín hiệu điều khiển 88 Hình 3.13 Sơ đồ khối mô tả hàm nhiễu F(.) sử dụng hai tín hiệu điều khiển 89

Hình 3.14 Tín hiệu hàm nhiễu mức dung dịch f 1 và nhiễu nồng độ dung dịch f 2 của đối tượng thực và sau khi nhận dạng trong trường hợp sử dụng hai tín hiệu điều khiển với thời gian trễ 30s 90 Hình 3.15 Đáp ứng mức dung dịch và nồng độ dung dịch sử dụng hai tín hiệu điều khiển với thời gian trễ 30s 91

Hình 3.16 Sơ đồ khối mô tả hàm nhiễu F(.) + hàm sin sử dụng hai tín hiệu điều khiển 92

Hình 3.17 Tín hiệu hàm nhiễu mức dung dịch f 1 và nhiễu nồng độ dung dịch f 2 của đối tượng thực và sau khi nhận dạng trong trường hợp nhiễu có thêm hàm sin sử dụng hai tín hiệu điều khiển với thời gian trễ 30s 92

Hình 3.18 Đáp ứng mức dung dịch h và nồng độ dung dịch C b của đối tượng và sau khi nhận dạng khi có thêm hàm sin sử dụng hai tín hiệu điều khiển với thời gian trễ

Hình 3.21 Sơ đồ mô phỏng cấu trúc điều khiển hai kênh mức dung dịch h và nồng

độ dung dịch C b sử dụng hai tín hiệu điều khiển theo cấu trúc IMPC 96

Hình 3.22 Đáp ứng mức dung dịch h và nồng độ dung dịch C b của bộ điều khiển IMPC sử dụng hai tín hiệu điều khiển cho đối tượng có trễ 5s 96 Hình 3.23 Sơ đồ mô phỏng cấu trúc so sánh bộ điều khiển PID chưa có nhận dạng

và bù nhiễu với bộ điều khiển dự báo theo IMPC điều khiển một kênh nồng độ dung

dịch C b 98

Hình 3.24 Đáp ứng nồng độ dung dịch C b của bộ điều khiển PID chưa có nhận dạng, bù nhiễu và của bộ điều khiển IMPC sử dụng một tín hiệu điều khiển cho đối tượng khi không có trễ 0s 98

Hình 3.25 Đáp ứng nồng độ dung dịch C b của bộ điều khiển PID chưa có nhận dạng, bù nhiễu và của bộ điều khiển IMPC sử dụng một tín hiệu điều khiển cho đối tượng khi có trễ 5s 99 Hình 3.26 Sơ đồ mô phỏng cấu trúc so sánh bộ điều khiển IMPC và PID có tích

hợp nhận dạng và bù nhiễu điều khiển một kênh nồng độ dung dịch C b 100

Hình 3.27 Đáp ứng nồng độ dung dịch C b của bộ điều khiển IMPC và PID có tích hợp nhận dạng và bù nhiễu sử dụng một tín hiệu điều khiển cho đối tượng khi không có trễ 0s 100

Hình 3.28 Đáp ứng nồng độ dung dịch C b của bộ điều khiển IMPC và PID có tích hợp nhận dạng và bù nhiễu sử dụng một tín hiệu điều khiển cho đối tƣợng có trễ

5s 100 Hình 3.29 Sơ đồ mô phỏng cấu trúc sử dụng bộ PID điều khiển đồng thời hai kênh

h và C b với hai tín hiệu điều khiển 102Hình 3.30 Sơ đồ mô phỏng cấu trúc so sánh bộ PID chƣa nhận dạng và bù nhiễu

với bộ IMPC điều khiển hai kênh mức dung dịch h và nồng độ dung dịch C b 103

Hình 3.31 Đáp ứng tín hiệu mức dung dịch h và nồng độ dung dịch C b của bộ điều khiển PID chƣa nhận dạng, bù nhiễu và của bộ IMPC sử dụng hai tín hiệu điều khiển cho đối tƣợng khi không trễ 0s 103

Hình 3.32 Đáp ứng tín hiệu mức dung dịch h và nồng độ dung dịch C b của bộ điều khiển PID chƣa nhận dạng, bù nhiễu và của bộ IMPC sử dụng hai tín hiệu điều khiển cho đối tƣợng khi có trễ 5s 104 Hình 3.33 Sơ đồ mô phỏng cấu trúc so sánh bộ điều khiển IMPC và PID có tích

hợp nhận dạng và bù nhiễu điều khiển hai kênh mức dung dịch h và nồng độ dung dịch C b 105

Hình 3.34 Đáp ứng tín hiệu mức dung dịch h và nồng độ dung dịch C b của bộ điều khiển IMPC và PID có tích hợp nhận dạng và bù nhiễu sử dụng hai tín hiệu điều khiển cho đối tƣợng khi không trễ 0s 105

Hình 3.35 Đáp ứng tín hiệu mức dung dịch h và nồng độ dung dịch C b của bộ điều khiển IMPC và PID có tích hợp nhận dạng và bù nhiễu sử dụng hai tín hiệu điều khiển cho đối tƣợng có trễ 5s 106

MỞ ĐẦU

1 Tính cấp thiết của đề tài luận án

Hiện nay, trong công nghiệp cũng như dân dụng có rất nhiều phương pháp điều khiển khác nhau được nghiên cứu và áp dụng vào thực tiễn Trong số đó phải

kể tới những bộ điều khiển như bộ điều khiển PID kinh điển, bộ điều khiển mờ, bộ điều khiển nơronvà các bộ điều khiển cao cấp khác Do yêu cầu khắt khe về công nghệ, chất lượng sản phẩm cũng như dịch vụ và sự cạnh tranh trên thị trường dẫn tới việc đòi hỏi cần phải có những phương pháp điều khiển đáp ứng được những yêu cầu thực tế và cải thiện được chất lượng của hệ thống, đặc biệt là trong các trường hợp hệ thống phải đối mặt với nhiễu, có trễ, có ràng buộc, các đối tượng có quá trình động học chậm, Trong số đó phải kể tới phương pháp điều khiển dự báo

theo mô hình (MPC - Model Predictive Control)

Điều khiển dự báo dựa trên mô hình là sự kết hợp của một số lĩnh vực đã được ứng dụng trong kỹ thuật điều khiển, điển hình đó là hai lĩnh vực điều khiển tối

ưu và nhận dạng hệ thống Ngay như tên của nó “điều khiển dự báo dựa trên mô hình” có nghĩa là phương pháp này cần phải sử dụng một mô hình dự báo để ước lượng (hay dự báo) các giá trị của đại lượng cần điều khiển, còn gọi là các đầu ra trong tương lai để phục vụ cho bài toán điều khiển [17], [30], [47], [74]

Phương pháp điều khiển dự báo đã được ứng dụng rất thành công đối với các mô hình tuyến tính, và áp dụng thành công trong công nghiệp Tuy nhiên trong thực tế để mô tả một cách chính xác cần kể đến các yếu tố ảnh hưởng thì đa số các đối tượng đều có dạng mô hình phi tuyến Do đó việc phát triển bộ điều khiển dự báo cho các mô hình phi tuyến là cần thiết Trong thực tế bộ điều khiển dự báo theo

mô hình phi tuyến đã được ứng dụng cho một lớp các đối tượng cụ thể và đạt được những kết quả nhất định Đặc biệt, đối với các đối tượng có trễ thường gặp rất nhiều trong công nghiệp lọc dầu, hóa dầu, công nghiệp hóa chất, công nghiệp thực phẩm, công nghiệp giấy,… Để xây dựng các hệ thống điều khiển cho các đối tượng có trễ,

đã có nhiều phương pháp được đề xuất [5], [6], [17], [30], [70], [74] Đáng chú ý trong các phương pháp đó là các phương pháp xây dựng hệ thống điều khiển có mô hình dự báo Điều khiển dự báo tỏ rõ tính ưu việt đối với các đối tượng có trễ, các

đối tượng có động học chậm (slow dynamical plants) và các trường hợp có các ràng

buộc đối với tín hiệu điều khiển và vectơ trạng thái [17], [30], [57], [70] Tuy nhiên một trong những khó khăn chính đối với MPC phi tuyến là phải giải một bài toán tối ưu hóa trực tuyến phi tuyến, lặp lại Khó khăn đó sẽ tăng lên nhiều khi có sự tác động của nhiễu, của các thành phần không mô hình hóa được hay còn gọi là các nhiễu bất định [30], [70] Sự tồn tại của các yếu tố bất định làm cho vấn đề điều khiển dự báo khó khăn gấp bội, do phải đồng thời xử lý tính phức tạp của bài toán tối ưu hóa phi tuyến trực tuyến và xử lý các yếu tố bất định Trong công trình mang tính tổng quan tác giả Mayne D Q và các cộng sự đã nhấn mạnh mức độ phức tạp

đặt biệt này (extra level of complexity) và nêu rõ: hầu hết các công trình đã được công bố liên quan đến điều khiển dự báo bền vững với các đối tượng phi tuyến bất định mới chỉ xem xét các hệ không chứa trễ, không chứa các ràng buộc đối với vectơ trạng thái, vectơ đầu vào điều khiển và vectơ tín hiệu đầu ra [50] Đối với các

đối tượng phi tuyến bất định có trễ, độ phức tạp nêu trên còn được cộng thêm phần trở ngại do hiệu ứng trễ gây ra Mặt khác, do các đối tượng có trễ này rất phổ biến trong công nghiệp, yêu cầu nâng cao chất lượng điều khiển ngày càng cao, dẫn đến vấn đề xây dựng các phương pháp điều khiển dự báo cho lớp đối tượng này càng trở nên bức thiết.Nhằm góp phần giải quyết vấn đề này, luận án đặt vấn đề nghiên cứu:

điều khiển dự báo cho lớp đối tượng với thành phần phi tuyến bất định, có trễ và không có các ràng buộc kèm theo

Luận án đi sâu nghiên cứu, đề xuất phương pháp điều khiển dự báo cho một lớp đối tượng phi tuyến có trễ dựa trên cơ sở nhận dạng nhiễu sử dụng mạng nơron

Hệ phi tuyến này được biểu diễn bằng một hệ tuyến tính có trễ cộng thêm thành

phần phi tuyến bất định (uncertain), thành phần phi tuyến này được hiểu là các

nhiễu bất định hay các nhiễu nội sinh, không đo được, phụ thuộc vào trạng thái

(state-dependent disturbances) và là các yếu tố không mô hình hóa được Trước hết

ta cần nhận dạng được các nhiễu tác động lên hệ thống bằng luật cập nhật trọng số

trên cơ sở mạng nơron xuyên tâm (RBF - Radial Basic Functions) thực hiện trực

tuyến Khi đã nhận dạng được các nhiễu với mức độ chính xác tùy ý thì nếu thỏa mãn các điều kiện ứng đối ta hoàn toàn có thể bù trừ các tác động của nhiễu Lúc

này bài toán điều khiển trở nên dễ dàng hơn bởi hệ trở thành tuyến tính có trễ với các tham số xác định, từ đây ta có thể đi đến tổng hợp bộ điều khiển dự báo theo mô

hình nội (IMPC - Internal Model Predictive Control) cho hệ Ta biết rằng MPC là

một phương pháp điều khiển rất phù hợp cho hệ có trễ, các phương pháp MPC cho

hệ tuyến tính có trễ được phát triển trong những năm vừa qua đã đạt được những kết quả nhất định, tuy nhiên một đặc điểm khó khăn khi thực hiện trong thực tế là bộ điều khiển luôn luôn phải giải bài toán tối ưu trực tuyến, tín hiệu điều khiển tối ưu chỉ được tính cho thời điểm kế tiếp, do vậy phần cứng phải thực hiện rất nhiều phép tính toán, nhiều khi không đảm bảo tính thời gian thực, hoặc cũng có thể không ổn định nếu bài toán tối ưu không có nghiệm Quá trình giải mất nhiều thời gian đặc biệt nếu có tồn tại các điều kiện ràng buộc chặt chẽ Việc tìm ra các phương pháp mới nhằm khắc phục các khó khăn nêu trên đang là nhiệm vụ cấp bách đặt ra

2 Phạm vi, đối tượng nghiên cứu và phương pháp nghiên cứu

Đối tượng nghiên cứu: Luận án nghiên cứu về nhận dạng và điều khiển một

lớp đối tượng phi tuyến, có trễ, hệ dừng thường gặp trong công nghiệp trên cơ sở

mô hình dự báo và nhận dạng nhiễu trực tuyến sử dụng mạng nơron RBF

Phạm vi nghiên cứu của luận án: Luận án đi sâu nghiên cứu nghiên cứu

nhận dạng nhiễu, bù trừ nhiễu và điều khiển dự báo theo mô hình cho các đối tượng

có trễ trên kênh điều khiển, có nhiễu phụ thuộc trạng thái

Với tính chất đặc thù và những ưu điểm vốn có, điều khiển dự báo được ưu tiên áp dụng cho các đối tượng có trễ, các đối tượng có động học biến đổi chậm và cho các trường hợp có các ràng buộc đối với vectơ trạng thái và/hoặc vectơ điều khiển Trong khuôn khổ cho phép, luận án chỉ tập trung nghiên cứu xây dựng phương pháp nhận dạng nhiễu trực tuyến và phương pháp điều khiển dự báo theo

mô hình cho các đối tượng có trễ trong điều khiển Bài toán điều khiển dự báo cho các đối tượng này khi có ràng buộc được xem là bước phát triển tiếp theo của luận

án Tuy nhiên, một khi đã nhận dạng trực tuyến được nhiễu, vấn đề điều khiển dự báo có các ràng buộc có thể được giải quyết bằng các phương pháp hiện có [30]

Phương pháp nghiên cứu: Luận án sử dụng phương pháp phân tích, đánh

giá và tổng hợp Thông qua nghiên cứu lý thuyết để đề xuất vấn đề cần giải

quyết và xây dựng thuật toán giải quyết vấn đề đó, kiểm chứng các nghiên cứu lý thuyết bằng mô phỏng và cuối cùng là áp dụng thuật toán đề xuất cho một đối tượng cụ thể

3 Mục tiêu của luận án

Mục tiêu của luận án là xây dựng phương pháp mới để nhận dạng mô hình trực tuyến cho một lớp đối tượng phi tuyến có trễ trong hệ thống điều khiển dự báo theo mô hình; đồng thời xây dựng cấu trúc điều khiển dự báo theo mô hình nội, áp dụng các kết quả thu được cho một đối tượng cụ thể trong công nghiệp

4 Những đóng góp mới về lý luận và thực tiễn của luận án

Luận án đã có những đóng góp mới sau:

1 Đề xuất phương pháp nhận dạng nhiễu cho hệ thống có trễ trong điều khiển trên cơ sở mô hình song song, trong đó mạng nơron RBF được sử dụng để xấp

xỉ các hàm nhiễu phi tuyến bất định bởi mạng này có cấu trúc đơn giản và có khả năng xấp xỉ hầu hết các hàm phi tuyến với độ chính xác tùy ý

2 Phát biểu và chứng minh được hai định lý về các điều kiện đủ, đảm bảo quá trình nhận dạng hội tụ cho hai trường hợp riêng biệt: trường hợp hệ thống có một nhiễu tác động và trường hợp hệ thống đồng thời chịu nhiều nhiễu tác động Đã thu được luật cập nhật trọng số cho các mạng nơron RBF, vừa đảm bảo hội tụ vừa có tính khả thi cao bởi tốc độ hiệu chỉnh trọng số chỉ phụ thuộc vào vectơ sai lệch giữa trạng thái của đối tượng điều khiển và vectơ trạng thái của mô hình

3 Đề xuất giải pháp bù trừ nhiễu cho lớp đối tượng có trễ trên cơ sở các kết quả nhận dạng Đã xây dựng được cấu trúc của kênh bù trừ nhiễu Đã thu được điều kiện ứng đối đảm bảo bù được các nhiễu tác động đồng thời lên hệ thống Các kết quả mới về nhận dạng nhiễu và bù nhiễu có thể được áp dụng không những cho các hệ thống IMPC mà còn có thể áp dụng cho các hệ thống với các luật điều khiển khác nhau

4 Đề xuất được phương pháp tổng hợp hệ thống điều khiển IMPC cho lớp đối tượng có trễ trong điều khiển Đã tích hợp bộ điều khiển IMPC với bộ nhận

dạng nhiễu trên cơ sở mạng nơron RBF và kênh bù trừ nhiễu, làm cho hệ thống vừa đáp ứng tiêu chuẩn tối ưu, vừa có tính thích nghi, kháng nhiễu

5 Tổng hợp được bộ nhận dạng nhiễu và kênh bù nhiễu, xây dựng thành công hệ thống IMPC vừa tối ưu vừa có khả năng thích nghi và kháng nhiễu cho tháp (bình) phản ứng khuấy trộn liên tục CSTR

Những đóng góp trên đây vừa có ý nghĩa khoa học, vừa có giá trị thực tiễn và có thể

áp dụng cho một lớp rất rộng các đối tượng trong các lĩnh vực công nghiệp, đặc biệt với các đối tượng có trễ

5 Bố cục của luận án

Luận án gồm 03 chương, phần mở đầu và kết luận, được bố cục như sau:

Chương 1 Tổng quan về vấn đề nghiên cứu

Chương này nghiên cứu tổng quan về lý thuyết điều khiển dự báo theo mô hình tuyến tính và phi tuyến, tập trung cho lớp đối tượng có trễ Thống kê một số thuật toán, phương pháp xây dựng mô hình dự báo và các ứng dụng thực tế thương mại Những khó khăn đặc thù của lớp đối tượng có trễ và có nhiễu phi tuyến bất định Những hạn chế của bài toán tối ưu và xây dựng mô hình khi phải đối mặt với lớp đối tượng này, từ đó đưa ra đề xuất mục tiêu của luận án làm sao nhận dạng được nhiễu và bù nhiễu, tiếp theo đưa ra phương pháp điều khiển dự báo dựa trên

cơ sở sử dụng kết quả đã nhận dạng và bù nhiễu

Chương 2 Nhận dạng nhiễu và bù nhiễu cho lớp hệ phi tuyến có trễ

Xây dựng phương pháp nhận dạng thành phần phi tuyến bất định trên cơ sở mạng nơron nhân tạo Chương này đưa ra phần thứ nhất đề xuất phương pháp nhận dạng cho lớp đối tượng có trễ có một thành phần nhiễu phi tuyến bất định và một tín hiệu điều khiển đầu vào tác động lên hệ thống, thuật toán này được thể hiện trong Định lý 2.1 Tiếp đó luận án mở rộng cho lớp đối tượng có trễ với nhiều thành phần nhiễu và nhiều tín hiệu điều khiển đồng thời tác động, thuật toán này được thể hiện

ở Định lý 2.2 Với chứng minh chặt chẽ cho phép nhận dạng các thành phần bất định với mức độ chính xác bất kỳ sử dụng mạng nơron RBF với luật cập nhật trọng số đã

được xây dựng Trên cơ sở kết quả nhận dạng, đã đề xuất giải pháp bù nhiễu và xây dựng được cấu trúc của kênh bù nhiễu

Chương 3 Tổng hợp bộ điều khiển dự báo dựa theo mô hình nội cho đối tượng

có trễ và xây dựng hệ thống điều khiển cho đối tượng CSTR

Nhiệm vụ tổng hợp bộ điều khiển IMPC được thực hiện sau khi đã được nhận dạng và bù nhiễu Trên cơ sở phân tích các tính chất đặc thù của bài toán điều khiển ổn định phổ biến trong công nghiệp, mà mục tiêu là giữ cho đầu ra của đối tượng ổn định xung quanh điểm đặt của đầu ra mong muốn, từ đó đề xuất phiếm hàm mục tiêu thích hợp Đã tổng hợp được luật điều khiển tối ưu và cấu trúc hệ thống điều khiển dự báo theo cấu trúc IMPC cho lớp đối tượng có trễ Ưu điểm nổi bật của luật điều khiển tối ưu với cấu trúc IMPC thu được là đơn giản, kỹ thuật thực hiện dễ dàng với tính khả thi cao Tiếp theo, các kết quả thu được ở các phần trên được áp dụng cho một lớp đối tượng cụ thể thường gặp trong công nghiệp là tháp (bình) khuấy trộn liên tục Đã xây dựng hệ thống điều khiển dự báo theo cấu trúc IMPC với bộ nhận dạng và kênh bù nhiễu cho cả hai chế độ làm việc của CSTR Kết quả mô phỏng đã chứng minh đầy đủ tính hiệu quả của hệ thống

Phần kết luận: đã nêu bật những kết quả và những đóng góp mới của luận

án, đồng thời đã chỉ rõ các hướng nghiên cứu phát triển tiếp theo

CHƯƠNG 1 TỔNG QUAN VẤN ĐỀ NGHIÊN CỨU

Equation Chapter (Next) Section 1

1.1 Giới thiệu tổng quan về điều khiển dự báo theo mô hình

1.1.1 Khái niệm

Điều khiển dự báo theo mô hình còn gọi là điều khiển dịch dần về tương lai (Receding Horizon Control) là một xu hướng điều khiển được xuất hiện từ cuối

những năm 1970 [52], [74] MPC là một trong những phương pháp điều khiển tìm

ra tín hiệu điều khiển một cách lặp lại dựa vào việc giải một bài toán điều khiển tối

ưu với một hàm mục tiêu cụ thể So sánh với các phương pháp điều khiển khác, MPC có một số những ưu điểm nổi trội khi áp dụng với các hệ thống có trễ, có quá trình động học chậm và cho phép thỏa mãn các điều kiện có tính chất ràng buộc, các yêu cầu về điều kiện vận hành với các chỉ tiêu chất lượng điều khiển cao Trong hai thập kỷ trở lại đây, điều khiển dự báo mô hình đã có những bước phát triển rất đáng

kể, đã đóng góp được khá nhiều các phương pháp về mặt học thuật cũng như đẩy mạnh khả năng ứng dụng của MPC trong thực tế, những điều đó được thể hiện trong các tài liệu [15], [17], [31]

Điều khiển dự báo theo mô hình là phương pháp điều khiển hệ thống dựa trên cơ sở tín hiệu đầu ra của đối tượng được dự báo thông qua một mô hình toán nào đó Dựa vào tín hiệu dự báo đầu ra của đối tượng, sử dụng thuật toán tối ưu để tìm tín hiệu điều khiển tối ưu cho hệ thống sao cho đầu ra của đối tượng ở tương lai bám theo giá trị mong muốn Như vậy tín hiệu điều khiển tối ưu này sẽ phụ thuộc vào độ chính xác của tín hiệu dự báo đầu ra của đối tượng và thuật toán tìm nghiệm tối ưu Độ chính xác của tín hiệu dự báo phụ thuộc vào mô hình toán của đối tượng Trong thực tế mô hình toán của đối tượng thường được xây dựng dựa trên cơ sở các định luật vật lý, rất phức tạp và thường là không chính xác Do đó việc đưa ra một phương pháp để nhận dạng hay xây dựng được chính xác mô hình đối tượng đang là vấn đề thu hút được rất nhiều sự quan tâm của các nhà nghiên cứu khoa học

Tính ưu việt của MPC được thể hiện ở các bài toán điều khiển quá trình thường gặp trong công nghiệp Ví dụ các quá trình biến thiên chậm, có trễ, cấu trúc hàm truyền thay đổi và có độ phi tuyến lớn, các tham số điều khiển có độ tương tác,

hệ thống có vùng chết Đó là các quá trình thường thấy trong bài toán điều khiển nhiệt độ, lưu lượng, áp suất, phản ứng hoá học,… [57] Với các quá trình trên nếu chỉ dùng phương pháp điều khiển truyền thống thì chất lượng điều khiển không cao, không giải quyết được bài toán điều khiển như mong muốn Với những lớp đối tượng này đã có rất nhiều các công trình nghiên cứu áp dụng thực hiện bằng phương pháp điều khiển dự báo

Hiện nay MPC đã trở thành một sách lược điều khiển cao cấp được chấp nhận khá rộng rãi trong một số lĩnh vực công nghiệp Đã có hơn 3000 ứng dụng của MPC được thương mại hóa trong các lĩnh vực khác nhau bao gồm: công nghệ lọc hóa dầu, công nghệ xử lý thực phẩm, công nghệ ô tô, công nghệ không gian, công nghệ bột giấy và giấy, [70], [71]

Hình 1.1 Hình ảnh về ứng dụng điều khiển trong công nghệ xử lý hóa chất

1.1.2 Nguyên lý của điều khiển dự báo theo mô hình

Nguyên lý của điều khiển MPC [49] là dựa vào thông số trạng thái của mô hình đối tượng và trạng thái thực của chúng tại một số thời điểm liên tiếp để xác định tín hiệu điều khiển tốt nhất có thể (tối ưu) trong một khoảng thời gian hữu hạn

(a finite time horizon) Tín hiệu điều khiển này được được duy trì cho đến khi hệ

thống cập nhật lại trạng thái mới, khi đó tín hiệu điều khiển mới lại được tính toán

và cập nhật lại trong khoảng thời gian hữu hạn tiếp theo Điều khiển MPC được mô

tả theo thuật toán sau, thể hiện thông qua Hình 1.2

Thuật toán điều khiển MPC

Cho một khoảng thời gian dự báo T P (cửa sổ dự báo, tầm dự báo) và khoảng thời gian trích mẫu DT , tại một thời điểm trích mẫu t k = kDT,

Hình 1.2 Nguyên lý cơ bản của điều khiển dự báo dựa trên mô hình

Ta có thể minh họa bản chất của điều khiển dự báo dựa trên mô hình thông qua một ví dụ đó là bài toán đánh cờ giữa hai người Giả thiết có người chơi cờ A đấu với đối thủ B, hàm mục tiêu của người A là thắng được đối thủ B (là hàm mục tiêu điều khiển) Để làm được điều này người A căn cứ vào các nước đi hiện tại và quá khứ của đối thủ B cũng như phong cách và trình độ (tính chất đối tượng cần điều khiển) của đối thủ B để ước đoán xem trong những bước đi sắp tới đối thủ B sẽ

đi như thế nào (chính là nhận dạng đối tượng hay xây dựng mô hình dự báo) Sau

đó người A sẽ căn cứ tiếp vào những nước cờ hiện tại và quá khứ của mình để xác

định các nước cờ sắp tới của mình sao cho đạt được mục tiêu là chiến thắng đối thủ (chính là thực hiện khâu điều khiển dự báo)

Bài toán điều khiển dự báo dựa trên mô hình có mức độ phức tạp sẽ phụ thuộc vào tính chất và đặc điểm của đối tượng điều khiển, tùy theo lớp các đối tượng cụ thể mà người ta sẽ sử dụng các phương pháp xây dựng mô hình dự báo khác nhau, việc xây dựng mô hình dự báo chính là bài toán nhận dạng mô hình của đối tượng điều khiển

Mặc dù là một phương pháp điều khiển mạnh mẽ và đã có nhiều ứng dụng thành công tuy nhiên trong thực tế việc áp dụng điều khiển dự báo đặc biệt là cho đối tượng phi tuyến vẫn còn gặp những hạn chế, khó khăn:

- Thứ nhất, phải xây dựng mô hình toán học để dự báo chính xác trạng thái của đối tượng cần điều khiển trong phạm vi dự báo Đối với hệ phi tuyến thì xây dựng được mô hình chính xác vẫn còn là một bài toán khó vì đặc tính phi tuyến rất

đa dạng

- Thứ hai, phải giải một bài toán tối ưu để tính chuỗi tín hiệu điều khiển trong một khoảng thời gian có hạn, với đối tượng đáp ứng nhanh thì thời gian giải càng cần phải ngắn Trong khi đó, bài toán tối ưu ở đây thường là không lồi có nhiều cực trị địa phương

Các bước cơ bản khi xây dựng thuật toán điều khiển là:

* Sử dụng một mô hình để dự báo (dự đoán) giá trị đầu ra của quá trình ở các thời điểm trong tương lai

* Tính toán lần lượt các tín hiệu điều khiển bằng cách tối thiểu hoá một hàm mục tiêu

* Mỗi lần (tại thời điểm hiện tại t) các tín hiệu điều khiển được dự báo thì

chỉ có tín hiệu đầu tiên được đưa đến tác động vào quá trình

1.1.3 Các thành phần chính trong điều khiển dự báo dựa trên mô hình

Từ cấu trúc trên Hình 1.3 ta thấy rằng bộ điều khiển dự báo gồm ba thành phần

cơ bản là mô hình dự báo, hàm mục tiêu và chiến lược tối ưu hóa [17], [71]

Hình 1.3 Sơ đồ khối hệ thống điều khiển dự báo dựa trên mô hình

a Mô hình dự báo

Là thành phần quan trọng nhất trong điều khiển dự báo Mô hình dự báo phải phản ánh được một cách đầy đủ động học của đối tượng điều khiển Để dự báo được đầu ra tương lai của đối tượng được chính xác thì mô hình dự báo phải được xác định một cách chính xác Giả thiết thời điểm hiện tại là ,t thì mô hình dự báo k

phải xác định được các giá trị trạng thái tương lai tại các thời điểm Xˆ (k j),

hằng biểu diễn các thông số động học của đối tượng Tùy vào tính chất đặc điểm mỗi đối tượng mà ta có thể kết hợp các thành phần của mô hình tổng quát về dạng

đối tượng phù hợp với bài toán ta giả thiết Có thể đưa ra các dạng mô hình đối

Các đối tượng có trễ rất đa dạng, với động học được mô tả bằng các phương

trình (1.1), (1.3), (1.4) Lớp các đối tượng vừa có trễ trong trạng thái vừa có trễ

trong kênh điều khiển với các khoảng thời gian trễ khác nhau được mô tả bằng

phương trình (1.1), (1.2) Lớp các đối tượng chỉ có trễ trong trạng thái được mô tả

bởi phương trình (1.3) Lớp các đối tượng chỉ có trễ trong kênh điều khiển được mô

tả bởi phương trình (1.4), đây là lớp rất rộng các đối tượng trong lĩnh vực công

nghiệp, mà ở đó hiệu ứng trễ xảy ra do dòng vật chất đầu vào phải vận chuyển với

tốc độ nhất định trên những khoảng cách xác định trước lúc tham gia trực tiếp vào

quá trình công nghệ

Trong phạm vi luận án nghiên cứu xem xét lớp đối tượng phi tuyến có trễ

trong kênh điều khiển ở dạng (1.4)

b Hàm mục tiêu

+ Hàm mục tiêu (Objective Function): Các thuật toán MPC khác nhau đặt

ra các phiếm hàm đánh giá khác nhau để đạt được luật điều khiển, mục tiêu chung

là tín hiệu ra tương lai Xˆ (k j k (trong giới hạn dự báo) phải bám theo tín hiệu | )

đặt nhất định nào đó Xd, đồng thời phải tìm được tác động điều khiển Uoptối ưu

Biểu thức tổng quát của phiếm hàm mục tiêu trong trường hợp hệ rời rạc có dạng

tiêu chuẩn bình phương như sau:

phân liên tục dạng toàn phương như sau:

f t

t

J X t SX t X t QX t U t RU t dt (1.6)

Trong đó thành phần thứ nhất trong phiếm hàm mục tiêu J muốn xác định được thì phải biết thời điểm cuối là t f Mà hầu hết các quá trình công nghiệp là các

quá trình liên tục diễn ra trong một khoảng thời gian dài suốt quá trình vận hành của

hệ thống Do đó việc xác định giá trị t f cũng như N là giá trị cụ thể sẽ trở thành một

hạn chế vì không thể khẳng định được đã là giá trị phù hợp nhất hay chưa Sau đó

tiếp tục ta lại giải quyết bài toán tối ưu trên cơ sở lựa chọn hàm mục tiêu J trong sự

hạn chế đó Từ phân tích quá trình thực tế và thấy rõ sự tối ưu này mới chỉ trong phạm vi hạn chế nên ta đưa ra sự lựa chọn phiếm hàm mục tiêu như (1.7) để đảm bảo cho diễn biến của quá trình làm việc trong công nghiệp là liên tục đúng như trong thực tế (t f )

t

+ Điều kiện ràng buộc (Constraint): Trên thực tế, tất cả các quá trình công

nghiệp đều khó tránh khỏi các điều kiện ràng buộc (còn gọi là điều kiện biên) Các

cơ cấu chấp hành có phạm vi công tác bị hạn chế cũng như có tốc độ xác định, các van bị giới hạn bởi vị trí đóng/mở hoàn toàn và bởi tốc độ đáp ứng, Các điều kiện môi trường, lý do an toàn hoặc thậm chí giới hạn đo của sensor cũng có thể tạo ra các ràng buộc đối với các biến quá trình như mức chất lỏng trong bể chứa, lưu lượng dòng chảy trong ống dẫn, hay nhiệt độ và áp suất tối đa Tất cả các yếu tố này khiến sự có mặt của điều kiện ràng buộc trong phiếm hàm cực tiểu hóa là cần thiết Thông thường, người ta quan tâm đến các hạn chế biên độ và tốc độ của tín hiệu điều khiển và các hạn chế đầu ra:

c Chiến lược tối ưu hóa

Từ việc xác định được hàm mục tiêu theo các tiêu chí đặt ra, để tìm được

các giá trị U(t + k t| ) ta phải tối thiểu hoá phiếm hàm mục tiêu J trong biểu thức

(1.7) Cụ thể như sau: dựa vào mô hình của đối tượng để tính toán các giá trị đầu ra

dự báo Xˆ (t + k t| ) theo một hàm của các đầu vào và đầu ra quá khứ và các tín hiệu điều khiển tương lai; thay thế vào phiếm hàm mục tiêu và tối thiểu hoá phiếm hàm này sẽ tìm được các giá trị điều khiển mong muốn Nếu tiêu chuẩn đánh giá là bậc hai, mô hình tuyến tính và không có điều kiện ràng buộc thì có thể dùng phương pháp phân tích Với phạm vi nghiên cứu của luận án, xét trường hợp không có điều kiện ràng buộc và từ mô hình phi tuyến ta đưa được về mô hình tuyến tính khi đã nhận dạng và loại bỏ nhiễu, vì vậy bài toán tối ưu luôn có nghiệm xác định là một hàm giải tích chỉ phụ thuộc vào vectơ trạng thái Nếu không đạt được các yêu cầu trên thì phải dùng đến phương pháp tối ưu lặp Dù là phương pháp nào, việc giải bài toán tối ưu cũng không hề dễ dàng Như vậy bài toán điều khiển dự báo dựa trên mô hình có mức độ phức tạp sẽ phụ thuộc vào tính chất và đặc điểm của đối tượng điều khiển (tuyến tính, phi tuyến, có tham số bất định, có nhiễu, SISO hay MIMO), tùy theo lớp các đối tượng cụ thể mà người ta sẽ sử dụng các phương pháp xây dựng

mô hình dự báo khác nhau, hàm mục tiêu khác nhau và bộ điều khiển dự báo khác nhau [30] Ta có thể phân loại các phương pháp phụ thuộc này như sau:

Bảng 1.1 Bảng phân loại một số phương pháp sử dụng cho xây dựng mô hình, giải bài

toán tối ưu cho đối tượng tuyến tính, phi tuyến trong MPC

Phương pháp Đối tượng tuyến tính Đối tượng phi tuyến Phụ thuộc vào phương

pháp xây dựng mô hình

dự báo

Sử dụng mô hình không gian trạng thái, mô hình hàm truyền, đáp ứng bước nhảy, đáp ứng xung, mô hình hồi quy

Sử dụng mô hình phi tuyến

Sử dụng các đầu ra, ước lượng hay dự báo các trạng thái

hệ thống, sử dụng các nhiễu đo được, sử dụng các tham

số mô hình Phụ thuộc vào việc giải Toàn phương, phương Phương pháp giá trị tuyệt đối

bài toán tối ưu pháp giá trị tuyệt đối phi tuyến (NAV)

Xử lý sai lệch mô hình Thích nghi đầu ra, ước lượng nhiễu bằng các bộ lọc

Kalmal, Kalman mở rộng v.v

Ta thấy rằng nếu các đối tượng có nhiều tính chất phức tạp ví dụ như phi tuyến, có nhiễu, có trễ, có tham số bất định thì bài toán xây dựng mô hình dự báo sẽ càng phức tạp, cũng như vậy việc giải một bài toán tối ưu để tìm tín hiệu điều khiển tối ưu trong trường hợp có nhiều điều kiện ràng buộc, việc giới hạn về mặt thời gian

do tính toán online, vấn đề có nhiều biến tính toán sẽ làm cho mức độ phức tạp của thuật toán tăng lên rất nhiều Do đó ứng với một lớp đối tượng điều khiển cụ thể, điều khiển dự báo dựa trên mô hình lại có những hướng giải quyết khác nhau vì sử dụng phương pháp xây dựng mô hình dự báo và bộ điều khiển dự báo khác nhau

1.2 Những vấn đề liên quan về điều khiển dự báo hệ tuyến tính

Điều khiển dự báo cho hệ tuyến tính MPC là bộ điều khiển sử dụng mô hình tuyến tính hay mô hình đã được tuyến tính hóa để xác định các đầu ra tương lai của đối tượng Cho đến nay các thuật toán MPC tuyến tính thường được sử dụng nhiều nhất đó là [17], [25], [70]:

Điều khiển ma trận động học (Dynamic matrix control) – DMC

Vào năm 1978, Cutler và Ramaker ở công ty dầu mỏ Shell đã đưa ra một thuật toán điều khiển đa biến không ràng buộc, được gọi là DMC Thuật toán này được kế thừa từ một kỹ thuật biểu diễn các động học quá trình bằng một tập các hệ số Ma trận động học dùng để ánh xạ các đầu ra của hệ trong tương lai DMC phù hợp cho các hệ tuyến tính ổn định, và dựa vào mô hình đáp ứng bước nhảy của hệ Mục tiêu của bộ điều khiển DMC là điều khiển đầu ra bám theo giá trị chủ đạo với sai số bình phương cực tiểu, chất lượng điều khiển của DMC không cao, đặc biệt là cho các đối tượng đa biến

Điều khiển thuật toán mô hình (Model Algorithmic Control) – MAC

MAC ban đầu được gọi là điều khiển phỏng đoán dự báo mô hình (Model predictive heuristic control) Vào năm 1978 Richalet đã ứng dụng thành

công phương pháp này MAC cũng tương tự như DMC, tuy nhiên có một số điểm khác như: thay vì dùng mô hình đáp ứng bước nhảy thì MAC sử dụng

mô hình đáp ứng xung, điều này cho phép nâng cao được tính bền vững đối với các sai lệch khi nhận dạng và các ảnh hưởng của việc thay đổi các tham

số MAC được ứng dụng cho các quá trình ổn định hệ hở

Điều khiển hàm dự báo (Predictive Functional Control) – PFC

PFC được đưa ra vào năm 1968 và lần đầu được ứng dụng vào thực tế những năm 1970 PFC có thể sử dụng một số loại mô hình, tuy nhiên phụ thuộc vào các đặc tính bền vững thì PFC thường sử dụng mô hình không gian trạng thái Nhược điểm là trong thực tế, việc nhận được mô hình toán biểu diễn trên không gian trạng thái một cách chính xác là khó khăn, đặc biệt là hệ có những thành phần phi tuyến bất định, có thời gian trễ và quá trình có các hệ

số hằng thay đổi theo thời gian

Điều khiển tự thích nghi dự báo mở rộng (Extended Prediction Self Adaptive Control) – EPSAC

Được đưa ra vào năm 1953, EPSAC sử dụng hàm truyển rời rạc để mô hình hóa đối tượng, phương pháp đề xuất một tín hiệu điều khiển bắt đầu từ thời điểm hiện tại trong khi sử dụng một khâu dự báo cận tối ưu thay cho việc giải phương trình Diophantine

Điều khiển thích nghi theo tầm dự báo mở rộng (Extended Horizon Adaptive Control) – EHAC

Vào năm 1984, Ydstie B E đã đưa ra thuật toán EHAC dùng cho mô hình quá trình tham số, đặc điểm của thuật toán này là nó cho phép sử dụng một khoảng thời gian dài hơn để đưa đầu ra của quá trình bám theo đầu ra mong muốn thay vì sử dụng một khoảng thời gian trễ cố định

Điều khiển thích nghi dự báo tổng quát (Generalized Predictive Control) – GPC GPC là một trong những thuật toán điều khiển dự báo thông dụng nhất được đưa ra bởi Clarke D W vào năm 1987 Sự khác nhau cơ bản giữa GPC và

DMC là mô hình được sử dụng cho miêu tả đối tượng và công thức của ma trận động học GPC sử dụng bộ điều khiển được tích hợp với mô hình hồi quy trung bình trượt

Như vậy điều khiển dự báo cho hệ tuyến tính đã được áp dụng khá thành công cho các hệ thống tuyến tính Điều này thể hiện ở rất nhiều ngành áp dụng chiến lược điều khiển này như công nghiệp hóa chất, công nghiệp thực phẩm, công nghiệp vũ trụ, công nghiệp giấy Bảng 1.2 sau đây mô tả tổng quát về các kỹ thuật MPC đã được áp dụng trong công nghiệp và các phương pháp áp dụng trong thuật toán xây dựng mô hình dự báo [70]

Bảng 1.2 Bảng tóm lược một số phương pháp nhận dạng mô hình dự báo của một số

phương pháp MPC

Tên phương

pháp

Mô hình ước lượng trạng thái

Phương pháp ước lượng

Nhiễu bất định

xung hữu hạn

LS – Bình phương cực tiểu

Không

SMC Model FIR, ARX LS, GD – Gradient

giảm dần

Có

Bảng 1.3 sau đây đưa ra một số các thuật toán được các công ty trên thế giới

sử dụng trong công nghiệp có áp dụng kỹ thuật MPC [70]

Bảng 1.3 Bảng tóm lược một số kỹ thuật MPC của một số hãng trên thế giới

Tên

công ty

DMC Corp

Setpoint Inc

Honeywell IAC

Adersa Adersa Treiber

2 Phản hồi: (CD) – dạng nhiễu hằng số đầu ra, (ID) – dạng nhiễu tích phân đầu ra

3 Loại bỏ điều kiện: (RCV) – các biến điều khiển phân cấp, (SVT) – giới hạn giá trị đơn, (IMS) – loại bỏ đầu vào

4 Mục tiêu tối ƣu hóa ổn định trạng thái: (L) – tuyến tính, (Q) – bậc hai, (I) – đầu vào, (O) – đầu ra, (…) – các mục tiêu tuần tự, (R) – thứ tự ƣu tiên phân cấp đầu ra

5 Ràng buộc tối ƣu hóa trạng thái: (IH) – giá trị lớn nhất, nhỏ nhất và mức độ thay đổi các ràng buộc đầu vào cứng, (OH) – giá trị lớn nhất, nhỏ nhất ràng buộc đầu ra cứng

8 Quỹ đạo đầu ra: (Se) – điểm đặt, (Z) – khoanh vùng, (RT) – quỹ đạo đặt, (F) – ống lọc

9 Phạm vi đầu ra: (FH) – phạm vi định nghĩa, (MP) – đa điểm

10

Tham số hóa đầu vào: (MS) – loại bỏ một, (MM) – loại bỏ nhiều, (BF) – hàm cơ sở

Qua Bảng 1.3 ta thấy có rất nhiều các thuật toán MPC đã được áp dụng rất thành công và rộng rãi trong các lĩnh vực công nghiệp và các công ty thương mại ứng dụng vào thực tế

1.3 Các ưu nhược điểm của điều khiển dự báo so với phương pháp khác

MPC thể hiện một loạt các ưu điểm so với các phương pháp điều khiển khác, trong

đó nổi bật là [12], [57]:

 Có thể được sử dụng trong các bài toán điều khiển quá trình, từ những quá trình có đặc tính động học đơn giản cho tới những quá trình phức tạp hơn, kể

cả những hệ thống có thời gian trễ lớn, động học biến đổi chậm và có ràng buộc

 Có thể sử dụng các thông tin về đáp ứng bước, đáp ứng xung của đối tượng

 Thích hợp cho điều khiển các hệ nhiều vào nhiều ra (MIMO)

 Có khả năng xử lý các điều kiện ràng buộc đầu vào cũng như đầu ra

 Có thể sử dụng đối với các quá trình đa biến

 Đây là phương pháp điều khiển bền vững

 Việc thực hiện phương pháp tương đối đơn giản

 Có thể được tối ưu hóa theo một quỹ đạo

Tuy nhiên, MPC cũng có một số hạn chế nhất định:

 Nhược điểm của mỗi phương pháp trên đòi hỏi khối lượng tính toán lớn cùng một lúc bởi vì có nhiều các ràng buộc hoặc nhiều biến tối ưu và phải tính bằng phương pháp lặp

 Một nhược điểm lớn nữa của phương pháp là phải xác định một mô hình dự báo chính xác cho đối tượng Điều này trở nên khó khăn hơn khi đối tượng có tham số thay đổi hoặc có nhiễu hoặc phi tuyến Giải bài toán tối ưu cho phiếm hàm mục tiêu lựa chọn luôn khó khăn

Với những bài toán điều khiển cho những đối tượng tuyến tính, tham số là xác định

và không có trễ thì việc sử dụng phương pháp điều khiển dự báo là không cần thiết bởi quá trình tính toán phức tạp, chất lượng điều khiển không cao mà lại tốn kém

nên với những lớp đối tượng này phương pháp kinh điển nhất là PID sẽ là một lựa chọn hợp lý

1.4 Những vấn đề liên quan về điều khiển dự báo hệ phi tuyến

Như đã phân tích ở trên, điều khiển dự báo dựa trên mô hình cho hệ tuyến tính đã được phát triển và ứng dụng tốt trong nhiều lĩnh vực Tuy nhiên đối với quá trình phi tuyến (đối tượng điều khiển phi tuyến) đặc biệt là vừa phi tuyến, có trễ và

có nhiễu thì các phương pháp MPC áp dụng cho hệ tuyến tính hoàn toàn không sử dụng được Để đảm bảo tính ổn định và nâng cao chất lượng điều khiển dự báo theo

mô hình cho hệ phi tuyến, ta cần tập trung giải quyết các vấn đề chính sau:

Thứ nhất là nâng cao độ chính xác và độ linh hoạt cho mô hình đối tượng trong MPC, đồng thời rút ngắn thời gian nhận dạng hội tụ (đối với mô hình nhận dạng online) Giải quyết vấn đề này sẽ gặp những khó khăn không nhỏ, khó khăn này càng tăng lên khi đối tượng đó có trễ, có nhiễu và có những tham số bất định

Thứ hai là chúng ta phải giải quyết bài toán tối ưu online để đảm bảo cho hệ thống ổn định, đặc biệt là ổn định trong quá trình giải bài toán tối ưu, tức là bài toán tối ưu luôn luôn phải có nghiệm

Ngoài ra cần phải quan tâm xác định tầm dự báo và tầm điều khiển để đảm bảo tính liên tục trong toàn bộ quá trình làm việc của hệ thống

 Đối với khó khăn thứ nhất, các tác giả trên thế giới tập trung vào sử dụng mô

hình phi tuyến Wiener, Hammerstein, đây là những phương pháp chỉ sử dụng cho đối tượng phi tuyến có thể phân tích được dưới dạng một chuỗi mô hình đáp ứng xung tuyến tính nhờ việc sử dụng chuỗi Voltera [36] Tín hiệu điều khiển được tính thông qua việc cực tiểu hóa một hàm mục tiêu dạng toàn phương phụ thuộc vào đối tượng điều khiển phi tuyến Một cách khác để xây dựng mô hình dự báo phi tuyến

là sử dụng các định luật, định lý về năng lượng, động năng và khối lượng trong hệ thống Tuy nhiên trong thực tế, các hành vi động học của hệ rất phức tạp cho nên không dễ dàng xây dựng được mô hình từ các định luật này Cách tiếp cận khác để xây dựng mô hình dự báo là sử dụng mô hình hộp đen, mô hình này được xác định

từ tập dữ liệu động học vào ra của hệ thống, trong một số trường hợp ta có thể sử dụng mô hình mờ để xây dựng mô hình dự báo với đặc điểm là cấu trúc đơn giản, tuy nhiên khó khăn nảy sinh khi hệ thống có tác động của nhiễu và khi xây dựng mô hình mờ phụ thuộc rất nhiều vào kinh nghiệm khi lựa chọn tập mờ, luật hợp thành, [34] Để giải quyết những khó khăn trên, một số tác giả tập trung vào sử dụng mạng nơron để xấp xỉ mô hình đối tượng phi tuyến, qua đó xây dựng được mô hình dự báo với một độ chính xác cần thiết, đây là hướng hứa hẹn mang lại thành công cho các đối tượng phi tuyến phức tạp hơn Công trình [51] xuất bản 2014 mới đây đã tổng kết lại một số xu hướng chính trong MPC sử dụng mạng nơron về việc xây dựng mô hình dự báo Trong đó tác giả đề cập đến các thuật toán MPC sử dụng mạng nơron và chứng minh tính ổn định của hệ thống Cuốn sách đã tổng kết những nghiên cứu trong nhiều năm bao gồm cả những đóng góp cơ sở được lựa chọn từ một số ấn phẩm đã được công bố trích dẫn, có thể kể ra một số các thuật toán cơ bản như sau:

a) Các thuật toán MPC phi tuyến dựa trên mô hình nơron hai lớp ẩn (DLP - Double

- Layer Perceptron feedforward neural network) Các thuật toán này đều sử dụng

cấu trúc MPC phi tuyến cơ bản Mô hình mạng nơron tuyến tính xấp xỉ được cập nhật online tại các điểm làm việc Việc dự báo được thực hiện bằng tính toán dự báo lặp lại và tuyến tính hóa quỹ đạo tại ngay mỗi lần lấy mẫu Để đảm bảo được sự hội

tụ cần phải có các thuật toán tối ưu MPC đảm bảo được điều này, tuy nhiên nhiều công trình liên quan đến các thuật toán MPC dùng để tối ưu hóa phi tuyến còn có nhiều nhược điểm, cụ thể là không tính toán hiệu quả và rõ ràng còn gặp hạn chế khi ứng dụng thực tế

b) Các thuật toán MPC phi tuyến dựa trên cơ sở các mô hình nơron Hammerstein

và Wiener Cả hai cấu trúc mô hình này lần lượt được đưa ra rất thành công và đã áp

dụng cho nhiều mô hình quá trình khác nhau Bằng cách sử dụng phần nghịch đảo phần ổn định của mô hình để bù trừ cho phần phi tuyến của đối tượng, sau đó sử dụng thuật toán MPC cho hệ tuyến tính còn lại

Ngoài ra còn có một số các thuật toán cải tiến từ các thuật toán trên như: Các thuật toán MPC phi tuyến dựa trên cơ sở nơron mô hình không gian trạng thái, các thuật

toán MPC phi tuyến dựa trên cơ sở nơron đa mô hình, các thuật toán MPC phi tuyến dựa trên cơ sở xấp xỉ nơron, các thuật toán MPC phi tuyến dựa trên cơ sở ổn định bền vững

Như vậy ta thấy rằng đối với các đối tượng phi tuyến phức tạp để xây dựng

mô hình dự báo chính xác ta cần sử dùng mạng nơron động học, với số lượng nơron nhiều và nhiều lớp ẩn, do vậy việc huấn luyện rất phức tạp, khả năng hội tụ online

là vấn đề lớn khi thực hiện bằng phần cứng trong thực tiễn, chưa kể đến mô hình này còn tăng thêm tính phức tạp trong việc giải bài toán tối ưu khi tìm nghiệm điều khiển [61], [73] Đối với hệ phi tuyến có trễ, có nhiễu bài toán MPC sẽ phức tạp hơn rất nhiều ở khía cạnh ổn định hệ thống, một số phương pháp MPC đã được nghiên cứu cho đối tượng phi tuyến có trễ như trong các tài liệu [33], [37], [44] Hầu hết các phương pháp này, tính ổn định của hệ kín được đảm bảo bởi việc sử dụng một hàm điều khiển Lyapunov toàn cục hoặc ràng buộc trạng thái điểm cuối

mở rộng (extended zero terminal state constraint) [13], [43] Các phương pháp này

đều có những nhược điểm như việc tìm ra hàm điều khiển Lyapunov toàn cục là rất khó khăn, trong nhiều trường hợp là không thể Đặc biệt là hệ thống có các ràng buộc, việc xác định các ràng buộc trạng thái điểm cuối mở rộng phải thông qua tính toán chính xác từ bài toán tối ưu với số chiều lớn [72], [77]

Vấn đề nhận dạng nhiễu trên cơ sở sử dụng các mạng nơron để xấp xỉ các hàm nhiễu phi tuyến được quan tâm phát triển mạnh trong nhiều năm gần đây Nội dung trọng tâm là xây dựng các luật hiệu chỉnh các trọng số của mạng nơron trong chế độ online [38], [41], [59], [62], [83] đảm bảo độ chính xác xấp xỉ theo yêu cầu, đồng thời đảm bảo tốc độ hội tụ tốt theo thời gian thực Tuy nhiên các kết quả đạt được vẫn còn hạn chế Các luật hiệu chỉnh trọng số cho các mạng nơron nhân tạo được xây dựng dựa trên phương pháp Gradient là chủ yếu Theo đó, các luật này thường có tính hội tụ kém và ổn định của mạch vòng kín không được đảm bảo tốt [12] Một loạt thuật toán hiệu chỉnh trọng số được xây dựng dựa trên phương pháp Lyapunov [38], [59], [79], [81] Hầu hết các luật này đều có chung một nhược điểm là: tốc độ thay đổi các trọng số của mạng nơron phụ thuộc vào vectơ sai số hoặc vectơ trạng thái của hệ thống Điều đó dẫn đến việc hiệu chỉnh các trọng số của mạng nơron phải thực hiện liên tục bởi vì vectơ sai số và vectơ trạng thái của hệ

thống luôn biến đổi theo thời gian Vì vậy tính hội tụ bị ảnh hưởng Việc sử dụng

mạng nơron RBF để nhận dạng cũng đã đem lại rất nhiều kết quả thành công [45], [46], [48], [80] bởi ưu điểm cấu trúc của mạng rất đơn giản và có khả năng xấp xỉ hầu hết các hàm phi tuyến với sai số nhỏ tùy ý

Ngoài ra ta có thể kể tên đến một loạt các công trình trong nước đã nghiên cứu liên quan đến lĩnh vực điều khiển dự báo và đối tượng có trễ như sau: [1], [2], [3], [4], [5], [6], [8], [9], [10], [11],… Trong các tài liệu này đưa ra một số phương pháp điều khiển dự báo theo mô hình mạng nơron nhiều lớp MPL, mô hình mờ, mô hình thích nghi mờ cho hệ tuyến tính, phi tuyến, phi tuyến bất định, phi tuyến pha không cực tiểu bằng giải thuật di truyền, bằng mô hình nội, mô hình mạng nơron RBF, phương pháp giới hạn và rẽ nhánh, ổn định hóa hệ song tuyến liên tục, các

phương pháp nhận dạng, và đã đạt được những kết quả nhất định Tuy nhiên, vấn

đề xây dựng cấu trúc hệ thống điều khiển dự báo trên cơ sở sử dụng mạng nơron,

áp dụng cho lớp các đối tượng có trễ vẫn chưa được giải quyết thỏa đáng Thêm vào đó, áp lực đối với việc nâng cao chất lượng cho các hệ thống điều khiển các quá trình có trễ trong công nghiệp đang làm cho các vấn đề trên đây ngày càng trở nên bức thiết hơn Đây là vấn đề vừa có ý nghĩa khoa học, vừa có ý nghĩa thực tiễn, đang thu hút sự quan tâm của các nhà khoa học công nghệ và các nhà kỹ thuật công nghiệp

 Đối với khó khăn thứ hai, ta phải giải quyết bài toán tối ưu phi tuyến trong trường hợp tối ưu quy hoạch phi tuyến không lồi (non-convex) [20] Như chúng ta

biết rằng để giải được bài toán tối ưu phi tuyến này cần phải có những ràng buộc về mặt thời gian lấy mẫu rất chặt chẽ, khối lượng tính toán lớn, tính hội tụ không được đảm bảo trong thời gian hữu hạn Do vậy trong thực tế người ta thường tránh nó

[42], [50], [52]

 Có thể thấy rằng, bài toán tối ưu hóa cho hệ phi tuyến có trễ trong điều khiển dự báo vẫn chưa có được lời giải thỏa đáng, đặc biệt là đối với các trường hợp hệ thống vừa có trễ, vừa có đặc tính phi tuyến bất định Vì vậy, vấn đề tối ưu hóa điều khiển cho hệ thống phi tuyến bất định, có trễ thực sự là cấp thiết Luận án đặt mục tiêu xây dựng phương pháp tổng hợp hệ điều khiển dự báo cho một lớp đối

Hệ tuyến tính có trễ

Hệ phi tuyến có trễ

Thành phần phi tuyến

+

tượng có trễ và có đặc tính phi tuyến bất định, nhằm góp phần giải quyết những vấn

đề bức thiết nêu trên

1.5 Đề xuất hướng nghiên cứu giải quyết trong luận án

Nhằm đạt được mục đích nêu trên và khắc phục những khó khăn trong điều khiển dự báo hệ phi tuyến bất định và tận dụng những tính ưu việt của điều khiển

dự báo hệ tuyến tính, luận án đề xuất phương pháp tiếp cận như sau:

Thay vì thiết kế bộ điều khiển dự báo cho hệ phi tuyến có trễ thành thiết kế

bộ điều khiển dự báo cho hệ tuyến tính có trễ cộng với thành phần nhiễu (nhiễu phụ thuộc trạng thái - phi tuyến bất định) Thành phần nhiễu này được nhận dạng trực tuyến và sẽ được bù trừ để hệ chỉ còn tuyến tính có trễ Tiếp đó ta sử dụng phương pháp điều khiển dự báo theo mô hình nội dựa trên cơ sở nhận dạng nhiễu để đảm bảo tính ổn định của hệ thống, tìm ra tầm dự báo và tầm điều khiển

Vấn đề tổng hợp hệ điều khiển dự báo cho đối tượng phi tuyến bất định và

có trễ được phân ra thành các nội dung sau đây:

- Tách mô hình đối tượng phi tuyến thành 2 phần: hệ tuyến tính có trễ và phần phi tuyến Theo quan điểm tuyến tính hóa xung quanh điểm làm việc ta dễ

dàng xác định được thông số động học của hệ thống qua ma trận A và B dựa vào

điểm làm việc danh định, thành phần phi tuyến còn lại được coi là nhiễu phụ thuộc trạng thái hay nhiễu nội sinh của mô hình tuyến tính;

X ( )t AX( )t BU(t ) DF(X U),

Hình 1.4 Cấu trúc mô hình lớp đối tượng phi tuyến có trễ

- Sử dụng mạng nơron nhân tạo RBF (là mạng đơn giản, dễ huấn luyện) để nhận dạng trực tuyến thành phần phi tuyến bất định của đối tượng;

- Bù trừ nhiễu trên cơ sở sử dụng kết quả nhận dạng;

- Xây dựng bộ điều khiển dự báo phản hồi trạng thái theo mô hình nội (IMPC) với cấu trúc bù nhiễu để điều khiển hệ thống lúc này chỉ còn phần tuyến tính có trễ

Cũng cần nhấn mạnh rằng lớp các đối tượng chỉ có trễ trong kênh điều khiển được mô tả bởi phương trình (1.4) rất đa dạng Lớp các đối tượng này có rất nhiều trong lĩnh vực công nghiệp Trễ trên kênh điều khiển được hiểu là trễ xảy ra

do dòng vật chất đầu vào phải vận chuyển với tốc độ nhất định trên những khoảng cách xác định trước lúc tham gia trực tiếp vào quá trình công nghệ Do tính phổ biến và vai trò quan trọng của lớp các đối tượng này, luận án giới hạn trong phạm vi

nghiên cứu là: xây dựng các phương pháp nhận dạng nhiễu và tổng hợp hệ điều khiển sử dụng mô hình dự báo cho các đối tượng (1.4) có trễ trong kênh điều khiển

1.6 Kết luận Chương 1

Chương 1 đã trình bày tổng quan về điều khiển dự báo, cấu trúc, các thành phần cơ bản của một hệ điều khiển dự báo và ảnh hưởng của chúng đối với việc thiết kế cũng như nâng cao chất lượng hệ điều khiển dự báo theo mô hình Điểm lại một số kỹ thuật MPC tuyến tính, phi tuyến đã công bố trên các tạp chí khoa học trong nước và ngoài nước cũng như các ứng dụng MPC trong công nghiệp của một

số hãng trên thế giới Đã chỉ ra những vấn đề còn tồn tại, những vấn đề chưa được giải quyết một cách thỏa đáng Đã nêu rõ tính bức thiết của đề tài luận án, xác định

rõ mục tiêu cần đạt, đề xuất phương pháp tiếp cận và những nội dung khoa học cụ thể cần giải quyết để đạt được mục tiêu của luận án