Đề tài Thiết kế cảm biến mềm dùng mạng Nơ Ron nhân tạo dùng cho cảm biến cặp nhiệt được nghiên cứu với mục đích: Ứng dụng trong công nghiệp nhằm thay thế các phương pháp tuyến tính hóa cảm biến trước đây, giúp giảm chi phí thiết kế cũng như tăng độ tin cậy của cảm biến, đảm bảo cho quá trình vận hành các thiết bị trong công nghiệp ổn định.
Trang 1BÁO CÁO TỔNG KẾT
ĐỀ TÀI NGHIÊN CỨU KHOA HỌC SINH VIÊN
“THIẾT KẾ CẢM BIẾN MỀM DÙNG MẠNG NƠ RON NHÂN TẠO DÙNG
CHO CẢM BIẾN CẶP NHIỆT”
Thuộc nhóm nghành khoa học: Điện – Điện Tử
TP.Hồ Chí Minh, tháng 5 năm 2016
Trang 2BÁO CÁO TỔNG KẾT
ĐỀ TÀI NGHIÊN CỨU KHOA HỌC CỦA SINH VIÊN
THIẾT KẾ CẢM BIẾN MỀM DÙNG MẠNG NƠ RON NHÂN TẠO DÙNG CHO
Ngành học: Tự Động Hóa và Điều Khiển
Trang 3MỤC LỤC
DANH MỤC HÌNH ẢNH v
DANH MỤC BẢNG BIỂU vi
DANH MỤC NHỮNG TỪ VIẾT TẮT vi
LỜI GIỚI THIỆU 1
CHƯƠNG 1: TỔNG QUAN VỀ ĐỀ TÀI 1
1.1 Giới thiệu về đề tài 1
1.1.1 Tính cấp thiết 1
1.1.2 Mục tiêu nghiên cứu của đề tài 1
1.2 Giới thiệu về cảm biến 1
1.2.1 Cảm biến mềm 1
1.2.2 So sánh giửa cảm biến thô và cảm biến mềm 2
1.3 Ứng dụng của bộ cảm biến mềm 3
1.4 Đối tượng nghiên cứu 3
CHƯƠNG 2: CƠ SỞ LÝ THUYẾT 5
2.1 Mạng nơ ron nhân tạo 5
2.1.1 Giới thiệu về mạng nơ ron nhân tạo 5
2.1.2 Tế bào nơ ron và mạng nơ ron nhân tạo 5
2.1.2.1 Tế bào nơ ron 5
2.1.2.2 Mạng nơ ron nhân tạo 9
2.1.3 Mạng truyền thẳng 1 lớp 9
2.1.3.1 Thuật toán học Perceptron 9
2.1.3.2 Adaline và mạng tuyến tính 11
2.1.3.3 Perceptron với hàm tác động bán tuyến tính 12
2.1.3.4 So sánh perceptron với Adaline 13
2.1.4 Mạng truyền thẳng nhiều lớp 14
2.1.5 Các phương pháp huấn luyện mạng 15
2.1.5.1 Học có giám sát 15
2.1.5.2 Học cũng cố 16
2.1.5.3 Học không có giám sát 16
2.1.6 Thuật toán huấn luyện 17
2.1.6.1 Thuật toán Gradient Descent 17
Trang 42.1.6.4 Thuật toán Levenberg Marquardt 20
2.2 Cảm biến 21
2.2.1 Cấu tạo và nguyên lý hoạt động của thermocouple 21
2.2.2 Phân tích khâu điều hòa tín hiệu 22
2.2.2.1 Khuếch đại 22
2.2.2.2 Tuyến tính hóa 22
2.2.2.3 Cách ly 22
2.2.2.4 Mạch lọc 23
2.2.3 Các bước xây dựng bộ cảm biến mềm 24
2.2.3.1 Chọn dữ liệu và lọc 24
2.2.3.2 Chọn kiểu hồi quy và cấu trúc mô hình 25
2.2.3.3 Thành lập mô hình.(ước lượng mô hình và chuẩn hóa mô hình) 26
CHƯƠNG 3: XÂY DỰNG ĐỀ TÀI 27
3.1 Thu thập dữ liệu 27
3.2 Tiền xử lý dữ liệu 27
3.3 Xây dựng mạng nơ ron 27
3.3.1 Chọn số lớp cho mạng nơ ron 27
3.3.2 Chọn số nơ ron lớp ẩn mạng 2 lớp 28
CHƯƠNG 4: TỔNG KẾT 29
4.1 Kết quả của đề tài 29
4.2 Hạn chế của đề tài 29
4.3 Hướng phát triển 29
TÀI LIỆU THAM KHẢO 30
Trang 5Hình 2.1: Tế bào nơ ron nhân tạo 6
Hình 2.2: Hàm nấc 7
Hình 2.3: Hàm dấu 7
Hình 2.4: Hàm tuyến tính 7
Hình 2.5: Hàm dốc bảo hòa 8
Hình 2.6: Hàm tuyến tính bảo hòa 8
Hình 2.7: Hàm dạng S đơn cực 9
Hình 2.8: Hàm dạng S lưỡng cực 9
Hình 2.9: Mạng Perceptron 10
Hình 2.10: Mạng tuyến tính (a) và Adaline (b) 11
Hình 2.11: Học có giám sát 16
Hình 2.12: Học cũng cố 16
Hình 2.13: Học không có giám sát 17
Hình 2.14: Mô tả thuật toán Gradient Descent 17
Hình 2.15: Mô tả hình học của phương pháp Newton 18
Hình 2.16: Cấu tạo của thermocouple 21
Hình 2.17: Cách ly bằng Opto 23
Hình 2.18: Cách ly bằng biến áp 23
Hình 2.19: Tổng quan các bước thiết kế bộ cảm biến mềm 24
Hình 3.1: Cấu trúc mạng 2 lớp 28
Hình 3.2: Cấu trúc mạng 3 lớp 28
Hình 3.3: Chọn số lớp ẩn 28
Trang 6Bảng thay đổi giá trị điện áp của thermocouple. 32
DANH MỤC NHỮNG TỪ VIẾT TẮT
ADC: Analog – to Digital – Converter
DAQ: Data Acquisition
LMS: Least Mean Squares
PC: Personal Computer
SNR: Signal – to Noise Ratio
Trang 7THÔNG TIN KẾT QUẢ NGHIÊN CỨU CỦA ĐỀ TÀI
1 Thông tin chung:
- Tên đề tài: Thiết kế cảm biến mềm dùng mạng nơ ron nhân tạo dùng cho
cảm biến cặp nhiệt
- Sinh viên thực hiện: Nguyễn Văn Tuấn
Phạm Minh Đức Nguyễn Huy Hiệu Nguyễn Ngọc Hải Trần Vũ
- Lớp: TĐH & ĐK K54 Khoa Điện – Điện Tử Năm thứ 3 / 4,5
2 Mục tiêu đề tài: Thiết kế bộ cảm biến mềm(cảm biến kết hợp với bộ xử lý tín
hiệu) dùng mạng nơ ron nhân tạo ứng dụng trong điều khiển và giám sát quá trình
4 Kết quả nghiên cứu: Phần mềm mô phỏng cảm biến mềm
5 Đóng góp về mặt kinh tế - xã hội, giáo dục và đào tạo, an ninh, quốc phòng
và khả năng áp dụng của đề tài: ứng dụng trong công nghiệp nhằm thay thế
các phương pháp tuyến tính hóa cảm biến trước đây, giúp giảm chi phí thiết kế cũng như tăng độ tin cậy của cảm biến, đảm bảo cho quá trình vận hành các thiết
bị trong công nghiệp ổn định
6 Công bố khoa học của sinh viên từ kết quả nghiên cứu của đề tài:
Trang 8Sinh viên chịu trách nhiệm chính thực
hiện đề tài
(ký, họ và tên)
Nguyễn Văn Tuấn
Nhận xét của người hướng dẫn về những đóng góp khoa học của sinh viên thực hiện đề tài:
Ngày tháng năm 2016
Người hướng dẫn
(ký, họ và tên)
Ks Lê Mạnh Tuấn
Trang 9THÔNG TIN VỀ SINH VIÊN CHỊU TRÁCH NHIỆM CHÍNH THỰC HIỆN ĐỀ TÀI
I SƠ LƯỢC VỀ SINH VIÊN:
Họ và tên: Nguyễn Văn Tuấn
Sinh ngày: 20 tháng 09 năm 1994
Nơi sinh: Quảng Lộc – Quảng Trạch – Quảng Bình
Lớp: Tự Động Hóa và Điều Khiển Khóa: 54
Bộ môn: Điều Khiển Học
Khoa : Điện – điện tử
Địa chỉ liên hệ: C11/8 Đường Lê Văn Việt, Quận 9, TP Hồ Chí Minh
Điện thoại: 0969562272 Email: nguyenvantuan.tdh@gmail.com
Trang 10Sinh viên chịu trách nhiệm chính
thực hiện đề tài
(ký, họ và tên )
Nguyễn Văn Tuấn
Trang 11Trong thời đại ngày nay, khoa học kỹ thuật phát triển đòi hỏi sinh viên – học sinh học phải đi đôi với hành, bên cạnh những lý thuyết cơ bản ở trường lớp, phải biết ứng dụng những gì đã học vào thực tiễn, có vậy mới giúp chúng ta nắm vững những kiến thức mình đã có, bổ sung thêm kiến thức mới và góp phần phát huy khả năng năng động, sáng tạo
Cùng với sự phát triển không ngừng của các ngành khoa học kỹ thuật, các ngành công nghiệp cũng phát triển nhanh chóng Việc áp dụng các máy móc hiện đại vào sản xuất là một yêu cầu không thể thiếu trong các nhà máy nhằm tăng năng suất, tăng chất lượng và giảm giá thành sản phẩm Nghành công nghiệp phát triển ngày càng mạnh mẽ
và nhu cầu tự động hóa trong các nghành công nghiệp ngày càng tăng cao Nhưng để tự động hóa các quy trình sản xuất được thì đòi hỏi chúng ta phải cung cấp cho các máy móc những giác quan cần thiết và cảm biến chính là giác quan của máy móc Các cảm biến hoạt động với độ tin cậy cao thì máy móc làm việc càng tốt, chất lượng sản phẩm càng tăng Do vậy, nhu cầu tự động hóa trong công nghiệp thì không thể thiếu cảm biến được
Xuất phát từ thực tế, nhóm đã chọn đề tài: Thiết kế cảm biến mềm dùng mạng
nơ ron nhân tạo dùng cho cảm biến cặp nhiệt
Trang 12CHƯƠNG 1: TỔNG QUAN VỀ ĐỀ TÀI
1.1 Giới thiệu về đề tài
1.1.1 Tính cấp thiết
Hiện nay trong công nghiệp thì việc sử dụng các cảm biến trong các dây chuyền sản xuất đã trở nên rất phổ biến và rất cần thiết nhất là đối với các hệ thống sản xuất tự động ví dụ như các băng chuyền phân loại sản phẩm, hệ thống đóng gói sản phẩm…vv hay các hệ thống hoạt động trong các môi trường khắc nghiệt như là các lò nung, lò luyện thép…vv
Trong môi trường công nghiệp thì đòi hỏi thời gian đáp ứng phải nhanh và chính xác, không cho phép sai số vượt quá một ngưỡng nào đó
Tuy nhiên trên thị trường hiện nay có rất nhiều loại cảm biến và hầu hết các cảm biến trên thị trường thì ngõ ra của cảm biến thường là không tuyến tính nên gây khó khăn trong việc xử lý kết quả của bộ xử lý
Trên thực tế đó, sau một thời gian tìm hiểu và nghiên cứu nhóm đã đưa ra giải pháp là thiết kế một bộ cảm biến mềm nhằm xử lý các kết quả của ngõ ra cảm biến trước khi đưa vào bộ xử lý với mục đích giảm khối lượng tính toán cho bộ xử lý và nâng cao hiệu suất hoạt động của bộ xử lý
1.1.2 Mục tiêu nghiên cứu của đề tài
Mục tiêu của nhóm là xây dựng một bộ cảm biến kết hợp với một bộ xử lý tín hiệu gọi là bộ cảm biến mềm trước khi đưa kết quả đo vào bộ xử lý ứng dụng trong quá điều khiển và giám sát quá trình công nghiệp
1.2 Giới thiệu về cảm biến
1.2.1 Cảm biến mềm
Cảm biến mềm hay còn được gọi là cảm biến thông minh là một loại cảm biến
có kết hợp với bộ xử lý tín hiệu trước khi đưa các giá trị ngõ ra của cảm biến vào các bộ
vi xử lý, vi điều khiển để thực hiện tính toán
Cảm biến mềm là 1 công cụ có giá trị trong nhiều lĩnh vực công nghiệp khác nhau với nhiều ứng dụng như nhà máy lọc dầu, nhà máy hóa chất, nhà máy điện, trong
Trang 13ngành công nghiệp Giải quyết 1 số vấn đề khác nhau như hệ thống đo back - up, phân tích thời gian thực
Trong các mô hình thiết kế, cảm biến mềm giúp làm giảm tài nguyên phần cứng, cải thiện hệ thống, cải thiện độ tin cậy và kiểm soát chặt chẽ hệ thống
Cảm biến mềm hay cảm biến thông minh (tiếng Anh là soft sensor hay intelligent sensor) là tên thường dùng cho những thiết bị có chức năng nhận biết những đại lượng vật lý như âm thanh, nhiệt độ, giọng nói, hình ảnh…vv, ngõ ra của cảm biến có thể được tuyến tính hóa hoặc dùng phần mềm để thay đổi cho thích hợp, được dùng trong các hệ thống đo lường nhằm cải thiện tính thích ứng, tính ổn định, tính chính xác và giá thành của hệ thống Đặc biệt là cảm biến thông minh có thể kết nối với các phần mềm trong
hệ thống đo lường để xử lý dữ liệu, điều này làm cho tính tối ưu của hệ thống được nâng cao lên nhiều
Có rất nhiều loại cảm biến thông minh khác nhau Mỗi loại cảm biến thông minh lại được dùng trong từng hệ thống tương ứng với chức năng của chúng Cảm biến thông minh đặc biệt dùng nhiều trong lĩnh lực thu thập dữ liệu
Sử dụng vi xử lý có khả năng phát hiện những vị trí hỏng hóc trong thiết bị đo và đưa ra thông tin, chuẩn đoán kĩ thuật về sự làm việc của thiết bị đo
Các cảm biến thông minh, với sự kết hợp giữa vi xử lý và các bộ cảm biến thông thường thực sự đã tạo ra một tiến bộ vượt bậc trong kỹ thuật đo
1.2.2 So sánh giửa cảm biến thô và cảm biến mềm
Chúng ta biết rằng cảm biến mềm thì với ngõ ra có thể tuyến tính hóa hoặc dùng phần mềm để thay đổi theo yêu cầu Đây cũng chính là sự khác biệt lớn giữa cảm biến thô và cảm biến mềm
Cảm biến mềm cung cấp 1 vài tiện ích như sau:
- Thay thế các thiết bị phần cứng có chi phí cao, thực hiện mạng lưới giám sát toàn diện hơn
Trang 14- Cho phép làm việc song song với cảm biến phần cứng, nhận biết các lỗi, do đó đáng tin cậy hơn
- Dể dàng thực hiện trên phần cứng(như vi điều khiển) và trở về khi các thông số thay đổi
- Cho phép ước lượng thời gian thực của dữ liệu, phục hồi sự chậm trễ về thời gian
1.3 Ứng dụng của bộ cảm biến mềm
Trên thế giới hiện nay thì cảm biến thông minh được sử dụng rộng rãi trong hầu hết mọi lĩnh vực Mỗi loại cảm biến thông minh lại mang một chức năng, nhiệm vụ khác nhau
Công nghiệp là một lĩnh vực mà cảm biến thông minh được sử dụng rất nhiều Trong công nghiệp thì tín hiệu chủ yếu để cho cảm biến thông minh hoạt động đó là tín hiệu cơ học, tín hiệu điện, tín hiệu quang học… thì cảm biến thông minh có nhiệm vụ đếm, phân loại, đọc và hướng dẫn có tính robot
Trong kỹ thuật sinh học thì cảm biến thông minh là công cụ phát hiện sự có mặt của vật chất, chất hóa học và sinh học, đưa ra phương thức đo lường và lưu giữ các thông tin về dấu hiệu đó
Chúng ta có thể nêu một vài loại cảm biến thông minh điển hình như:
- Cảm biến gia tốc kế: Cảm biến gia tốc kế bao gồm phần tử cảm biến và phần tử thiết bị điện
- Cảm biến quang học: Cảm biến quang học là 1 trong những ví dụ cơ bản của cảm biến thông minh dùng để phát hiện vật
Trên đây là một vài loại cảm biến thông minh mà chúng ta thường hay sử dụng Còn rất nhiều loại cảm biến thông minh khác mà chúng ta không thể đề cập đến
1.4 Đối tượng nghiên cứu
Hiện nay trên thị trường có rất nhiều loại cảm biến với ngõ ra tuyến tính, ví dụ như LM35, RTD đầu ra đã tuyến tính sẵn, do đề tài này nghiên cứu việc tuyến tính hóa ngõ ra của các cảm biến phi tuyến Nên đối tượng để nghiên cứu ở đây là những loại cảm biến có ngõ ra là phi tuyến
Trang 15Việc lựa chọn đối tượng để nghiên cứu là bước đầu tiên và cũng là bước quan trọng nhất trong việc thiết kế một bộ cảm biến mềm
Qua quá trình tìm hiểu thì nhóm đi tới quyết định sử dụng Thermocouple vì nó
có nhiều ưu điểm vượt trội hơn so với nhiều loại cảm biến khác
Trang 16CHƯƠNG 2: CƠ SỞ LÝ THUYẾT
2.1 Mạng nơ ron nhân tạo
2.1.1 Giới thiệu về mạng nơ ron nhân tạo
Bộ não con người là hệ thống xử lý thông tin phức tạp phi tuyến và song song,
có khả năng học và ghi nhớ, tổng quá hóa và xử lý lỗi
Bộ não con người gồm khoảng 1011 tế bào thần kinh liên kết với nhau thành mạng
Mỗi tế bào thần kinh sinh học gồm 3 thành phần chính là thân tế bào, một hệ thống hình cây các đầu dây thần kinh vào và một trục dẫn đến đầu dây thần kinh ra
Tại đầu của các dây thần kinh có các khớp thần kinh để kết nối với các tế bào thần kinh khác Mỗi tế bào thần kinh có khoảng 104 khớp thần kinh
Mạng thần kinh nhân tạo(mạng nơ ron nhân tạo) là mô hình toán học đơn giản của bộ não người, bản chất của mạng thần kinh là mạng tính toán song song
Hầu hết các mạng thần kinh nhân tạo phải được huấn luyện trước khi đưa vào sử dụng
Các nghiên cứu về mạng thần kinh nhân tạo đã bắt đầu từ thập niên 1940 Năm
1944, McCulloch và Pitts công bố công trình nghiên cứu về liên kết của các tế bào thần kinh Năm 1949, Hebb công bố nghiên cứu về tính thích nghi của mạng thần kinh Cuối những năm 1950, Rosenblatt đưa ra mạng Perceptron Nghiên cứu về mạng thần kinh nhân tạo chỉ phát triển mạnh từ sau những năm 1980
2.1.2 Tế bào nơ ron và mạng nơ ron nhân tạo
2.1.2.1 Tế bào nơ ron
Tế bào nơ ron kết nối với nhau bởi các liên kết Mỗi liên kết kèm theo một trọng
số, đặc trưng cho tính kích thích hay ức chế giữa các tế bào nơ ron
Các tế bào thần kinh được kết nối với nhau và nhận truyền các tính hiệu xj cùng các trọng số wj với nhau
Trang 17Hình 2.1: Tế bào nơ ron nhân tạo
Trong đó: 𝜃 là mức ngưỡng của tế bào thần kinh
- Ngõ ra của mỗi tế bào thần kinh được cho bởi biểu thức:
y = a(f)
Trong đó a(f) là hàm tác động
- Các dạng hàm tác động thường dùng:
Hàm nấc:
Trang 202.1.2.2 Mạng nơ ron nhân tạo
Là mạng gồm nhiều tế bào thần kinh liên kết chặt chẻ với nhau, tùy theo cấu trúc người ta chia thành cá loại mạng sau:
- Mạng 1 lớp: chỉ có 1 lớp tế bào nơ ron xử lý
- Mạng nhiều lớp: có nhiều lớp tế bào thần kinh xử lý
- Mạng truyền thẳng: là mạng mà trong đó tín hiệu chỉ truyền theo một chiều từ ngõ vào đến ngõ ra
- Mạng hồi quy: là mạng mà trong đó có tín hiệu hồi tiếp từ ngõ ra trở về ngõ vào
2.1.3 Mạng truyền thẳng 1 lớp
2.1.3.1 Thuật toán học Perceptron
Mạng truyền thẳng một lớp hay còn gọi là mạng Perceptron đơn giản Hàm tổng ngõ vào là hàm tuyến tính, hàm tác động ngõ ra có thể là hàm dấu, hàm tuyến tính hay
Trang 21hàm dạng S Tùy theo từng loại ngõ vào tác động mà ta có nhiều thuật toán khác nhau
để huấn luyện Perceptron
E = E + 1
2‖𝑑𝑖(𝑘) − 𝑦𝑖(𝑘)‖2Bước 6:
Nếu k < K thì gán k = k + 1 và trở lại bước 3
Nếu k = K thì tiếp tục bước 7
Bước 7: Kết thúc một chu kỳ huấn luyện
Trang 22Hình 2.10: Mạng tuyến tính (a) và Adaline (b)
Thuật toán học Widrow – Hoff:
Bước 1: Chọn tốc độ học ƞ > 0, chọn sai số cực đại 𝐸𝑚𝑎𝑥
Bước 2: Khởi động:
Trang 23Nếu k < K thì gán k = k + 1 và trở lại bước 3
Nếu k = K thì tiếp tục bước 7
Bước 7:
Nếu E < Emax thì kết thúc quá trình học
Nếu E ≥ Emax thì gán E = 0, k = 1 và trở lại bước 3 bắt đầu một chu kỳ huấn luyện mới
2.1.3.3 Perceptron với hàm tác động bán tuyến tính
Perceptron thường sử dụng hàm tác động là hàm giới hạn cứng (hàm nấc hay hàm dấu), mà giới hạn cứng không khả vi tại mọi điểm nên không tối ưu Để khắc phục nhược điểm trên, ta thay giới hạn cứng bằng giới hạn mềm
Thuật toán học Delta:
Bước 1: Chọn tốc độ học ƞ > 0, chọn sai số cực đại Emax
Bước 2: Khởi động:
- Gán sai số E = 0
Trang 24Nếu k < K thì gán k = k + 1 và trở lại bước 3
Nếu k = K thì tiếp tục bước 7
Bước 7:
Nếu E < Emax thì kết thúc quá trình học
Nếu E ≥ Emax thì gán E = 0, k = 1 và trở lại bước 3 bắt đầu một chu kỳ huấn luyện mới
2.1.3.4 So sánh perceptron với Adaline
Trang 25- Có khả năng tổng quát hóa những vector mẫu huấn luyện và khả năng học từ các
trọng số và mức ngưỡng ngẫu nhiên bất kỳ
- Perceptron đặc biệt thích nghi với những loại mẫu đơn giản, nhanh và tin cậy
Adaline:
- Bản chất của thuật toán huấn luyện Adaline là thuật toán trung bình bình phương tối thiểu(LMS- Least Mean Squares) nên hiệu quả hơn thuật toán học Perceptron
và di chuyển giới hạn phân loại xa nhất có thể có được so với mẫu phân loại
- Ngõ ra của mạng Adaline là một giá trị bất kỳ nên thường được sử dụng Adaline
trong bài toán điều khiển
2.1.4 Mạng truyền thẳng nhiều lớp
Cấu trúc mạng
Mạng truyền thẳng nhiều lớp là mạng có từ 2 lớp trở lên
Lớp tế bào thần kinh nối với ngõ vào gọi là lớp vào
Lớp tế bào thần kinh nối với ngõ ra gọi là lớp ra
Lớp tế bào thần kinh không nối trực tiếp ngõ ra và ngõ vào gọi là lớp ẩn
Kết nối giữa các tế bào thần kinh có thể đầy đủ hoặc không đầy đủ
Mạng truyền thẳng nhiều lớp có thể giải bài toán không khả phân tuyến tính Thuật toán để giải quyết mạng truyền thẳng nhiều lớp được gọi là thuật toán lan truyền ngược Thuật toán lan truyền ngược thực hiện 2 bước truyền thông tin
Do thuật toán huấn luyện mạng truyền thẳng là thuật toán lan truyền ngược nên còn được gọi là mạng lan truyền ngược
Thuật toán lan truyền ngược
Bước 1: Chọn tốc độ học ƞ > 0, chọn sai số cực đại 𝐸𝑚𝑎𝑥
Bước 2: Khởi động:
Gán sai số E = 0
