Ứng dụng mạng nơ ron nhận dạng và điều khiển hệ thống nâng từ

Khi đối tượng có độ phi tuyến cao thì sử dụng mạng nơron nhân tạo để nhận dạng đối tượng sẽ mang lại kết quả hữu hiệu trong quá trình điều khiển một hệ thống kỹ thuật.. Với những lý do n

Trang 1

Số hóa bởi Trung tâm Học liệu – ĐHTN http://www.lrc.tnu.edu.vn

ĐẠI HỌC THÁI NGUYÊN

TRƯỜNG ĐẠI HỌC KỸ THUẬT CÔNG NGHIỆP

Trang 2

Công trình được hoàn thành tại:

Trường Đại học kĩ thuật Công nghiệp, Đại học Thái Nguyên

Người hướng dẫn khoa học: TS Nguyễn Hoài Nam

Phản biện 1: PGS.TS Nguyễn Như Hiển Phản biện 2: PGS.TS Bùi Trung Thành

Luận văn được bảo vệ trước Hội đồng chấm luận văn họp tại: Trường Đại học Kỹ thuật Công Nghiệp, Đại học Thái Nguyên

Vào hồi 10 giờ 30 ngày 20 tháng 06 năm 2015

Có thể tìm hiểu luận văn tại Trung tâm học liệu Đại học Thái Nguyên

và Thư viện: Trường Đại học kỹ thuật Công nghiệp

Trang 3

LỜI CAM ĐOAN

Tên tôi là: Phạm Thanh Thảo

Sinh ngày : 18 tháng 06 năm 1989

Học viên lớp cao học khoá 15 CHTĐH - Trường đại học Kỹ thuật Công nghiệp Thái Nguyên

Hiện đang công tác tại : Trung tâm dạy nghề huyện Đồng Hỷ - Thái Nguyên

Xin cam đoan luận văn “Ứng dụng mạng nơ ron nhận dạng và điều

khiển hệ thống nâng từ” do thầy giáo TS Nguyễn Hoài Nam hướng dẫn là

công trình nghiên cứu của riêng tôi Tất cả các tài liệu tham khảo đều có nguồn gốc, xuất xứ rõ ràng

Tôi xin cam đoan tất cả những nội dung trong luận văn đúng như nội dung trong đề cương và yêu cầu của thầy giáo hướng dẫn Nếu có vấn đề gì trong nội dung của luận văn, tôi xin hoàn toàn chịu trách nhiệm với lời cam đoan của mình

Thái Nguyên, ngày tháng năm 2015

Học viên

Phạm Thanh Thảo

Trang 4

LỜI CẢM ƠN

Sau thời gian nghiên cứu, làm việc khẩn trương và được sự hướng dẫn tận

tình giúp đỡ của thầy giáo TS Nguyễn Hoài Nam, luận văn với đề tài “Ứng

dụng mạng nơ ron nhận dạng và điều khiển hệ thống nâng từ” đã được

hoàn thành

Tôi xin bày tỏ lòng biết ơn sâu sắc tới:

Thầy giáo hướng dẫn TS Nguyễn Hoài Nam đã tận tình chỉ dẫn, giúp đỡ

tôi hoàn thành luận văn

Các thầy cô giáo Trường Đại học kỹ thuật công nghiệp Thái Nguyên đã quan tâm động viên, giúp đỡ tôi trong suốt quá trình học tập để hoàn thành luận văn này

Mặc dù đã cố gắng hết sức, song do điều kiện thời gian và kinh nghiệm thực tế của bản thân còn ít, cho nên đề tài không thể tránh khỏi thiếu sót Vì vậy, tôi mong nhận được sự đóng góp ý kiến của các thầy giáo, cô giáo và các bạn bè đồng nghiệp

Tôi xin chân thành cảm ơn!

Thái Nguyên, ngày….tháng….năm 2015

Học viên

Phạm Thanh Thảo

Trang 5

MỤC LỤC

LỜI CAM ĐOAN 1

LỜI CẢM ƠN 4

MỤC LỤC 5

DANH MỤC CÁC HÌNH VẼ 7

CHƯƠNG I : CƠ SỞ LÝ THUYẾT MẠNG NƠRON 13

1.1 Nơ-ron sinh học 13

1.1.1 Chức năng, tổ chức và hoạt động của bộ não con người 13

1.1.2 Mạng nơron sinh học 15

1.2 Mạng nơ ron nhân tạo 16

1.2.1 Mạng nơ ron nhân tạo 16

1.2.2 Các tính chất cơ bản của mạng nơ ron nhân tạo 18

1.2.3 Các thành phần cơ bản của mạng nơ ron nhân tạo 18

1.2.4 Cấu trúc mạng nơ-ron 22

1.2.5 Phân loại mạng nơ-ron 23

1.2.6 Quá trình thiết kế mạng nơ-ron 23

1.3 Ứng dụng mạng nơ-ron nhận dạng và điều khiển 24

1.3.1 Nhận dạng hệ thống 24

1.3.2 Điều khiển theo mô hình mẫu 26

1.4 Kết luận 27

CHƯƠNG II : TỔNG QUAN VỀ HỆ THỐNG NÂNG TỪ 28

2.1 Giới thiệu về hệ thống nâng từ 28

2.2 Mô hình của hệ thống nâng từ 29

Trang 6

2.3 Ứng dụng mạng nơ ron nhận dạng mô hình toán của hệ thống nâng

từ 30

2.3.1 Huấn luyện mạng hở 31

2.3.2 Huấn luyện mạng kín 33

2.3.3 Nhận xét 35

2.4 Ứng dụng mạng nơ-ron điều khiển hệ thống nâng từ theo mô hình mẫu 35

2.5 Kết luận 42

CHƯƠNG III : THIẾT KẾ, CHẾ TẠO HỆ THỐNG NÂNG TỪ 43

3.1 Thiết kế và chế tạo hệ thống nâng từ trong phòng thí nghiệm 43

3.2 Mô hình thí nghiệm hệ thống nâng từ 44

3.2.1 Thiết bị đo góc 45

3.2.2 Card điều khiển arduino 45

3.3 Thiết kế bộ điều khiển PI cho hệ thống nâng từ thực 46

3.3.1 Sơ đồ hệ thống điều khiển sử dụng bộ điều khiển PI 46

3.3.2 Kết quả điều khiển sử dụng bộ điều khiển PI 47

3.4 Kết luận 48

CHƯƠNG IV : ỨNG DỤNG MẠNG NƠ-RON NHẬN DẠNG VÀ ĐIỀU KHIỂN HỆ THỐNG NÂNG TỪ 50

4.1 Ứng dụng mạng nơ ron nhận dạng và điều khiển hệ thống nâng từ thực 50

Trang 7

4.2 Ứng dụng mạng nơ-ron điều khiển hệ thống nâng từ thực 54

4.4 Kết luận 60

KẾT LUẬN VÀ KIẾN NGHỊ 60

TÀI LIỆU THAM KHẢO 62

DANH MỤC CÁC HÌNH VẼ

Trang 8

Hình 1.1 Mô hình 2 nơron sinh học 14

Hình 1.2 Mô hình nơron đơn giản 15

Hình 1.3 Mạng nơ-ron 3 lớp 16

Hình 1.4 Mô hình nơ-ron thứ i 17

Hình 1.5 Đồ thị các loại hàm chuyển đổi 18

Hình 1.6 Cấu trúc huấn luyện mạng nơ-ron 19

Hình 1.7: Sơ đồ cấu trúc các loại mạng nơ-ron 21

Hình 1.8 Sơ đồ khối quá trình nhận dạng hệ thống 23

Hình 1.9 Sơ đồ khối quá trình điều khiển theo mô hình mẫu 24

Hình 2.1 Mô hình hệ thống nâng vật bẳng từ trường đơn giản 27

Hình 2.2: Cấu trúc mạng hở nhận dạng đối tượng 30

Hình 2.3 Đầu ra mạng, đầu ra mẫu và sai số 30

Hình 2.4 MSE của mạng hở 31

Hình 2.5 Cấu trúc mạng kín nhận dạng đối tượng 31

Hình 2.7 MSE của mạng kín 32

Hình 2.8 Sơ đồ hệ thống phát tín hiệu ra mẫu 34

Hình 2.9 Cấu trúc mạng bộ điều khiển đối tượng (mạng hở) 35

Hình 2.11 MSE của mạng hở 37

Hình 2.12 Cấu trúc mạng bộ điều khiển đối tượng (mạng kín) 38

Trang 9

Hình 3.1 Hệ thống thí nghiệm cho hệ thống nâng từ 41

Hình 3.2 Sơ đồ khối mô hình thí nghiệm 42

Hình 3.3 Thiết bị đo góc 43

Hình 3.4 Card Aduino 43

Hình 3.5 Sơ đồ bộ điều khiển PI điều khiển hệ thống nâng từ thực trong matlab 45

Hình 3.6 Kết quả điều khiển PI 46

Hình 4.1: Cấu trúc mạng hở nhận dạng đối tượng 49

Hình 4.4 Cấu trúc mạng kín nhận dạng đối tượng 51

Hình 4.6 MSE của mạng kín 52

Hình 4.7 Cấu trúc mạng bộ điều khiển đối tượng (mạng hở) 53

Hình 4.10 Cấu trúc mạng bộ điều khiển đối tượng (mạng kín) 56

Hình 4.12 MSE của mạng kín 57

MỞ ĐẦU

1 Lý do chọn đề tài

Trang 10

Trong nhiều năm trở lại đây, với sự phát triển mạnh mẽ về khoa học kỹ thuật đã góp phần thúc đẩy sự phát triển nền công nghiệp hóa, hiện đại hóa trong và ngoài nước Vì vậy để đem lại chất lượng kỹ thuật và hiệu quả kinh

tế cao hơn thì cần phải sử dụng và ứng dụng các hệ thống hiện đại hơn Trong lĩnh vực công nghiệp, hệ thống nâng từ (Maglev) được sử dụng rộng rãi trong nhiều hệ thống kỹ thuật và đem lại những lợi ích đáng kể Hệ nâng vật bằng

từ trường (Magnetic levitation system) là một hệ phi tuyến được ứng dụng nhiều trong kỹ thuật robot, phi thuyền không gian, các đệm từ triệt tiêu ma sát

ở các ổ trục quay thay cho các ổ đỡ cơ khí truyền thống, các phương tiện giao thông chạy trên đệm từ với tốc độ cao, cách ly dao động giữa các bộ phận máy móc với môi trường bên ngoài Hiện nay, nhiều phương tiện di chuyển đi lại sử dụng hệ thống nâng vật trong từ trường (Maglev) hoạt động dựa theo nguyên lý từ trường đẩy, phương pháp này nhanh hơn và tiện hơn so với các phương tiện có bánh Hệ thống nâng vật trong từ trường như tàu đệm từ tốc

độ cao được sử dụng phổ biến ở nhiều quốc gia như Nhật Bản, Mỹ đây là một phương tiện chuyên chở được nâng lên, dẫn lái và đẩy tới bởi lực từ hoặc lực điện từ Phương pháp này có thể nhanh, tiết kiệm chi phí và tiện nghi hơn các loại phương tiện công cộng sử dụng bánh xe, do giảm ma sát và loại bỏ các cấu trúc cơ khí

Các hệ thống nâng từ được phân chia như các hệ thống hút hoặc đẩy dựa trên nguồn gốc của lực từ Những loại này có độ phi tuyến cao và thường thay đổi vòng mở nên rất khó đưa vào trong các hệ thống điều khiển Vì vậy

nó rất quan trọng đối với việc xây dựng cấu trúc bộ điều khiển hiệu suất cao trong việc điều chỉnh vị trí của vật được nâng Hệ thống này được một số tác giả nghiên cứu và điều khiển thành công với nhiều phương pháp khác nhau Tuy nhiên trên thực tế, việc xác định mô hình của đối tượng đặc biệt là các đối tượng phi tuyến cao sẽ gặp nhiều khó khăn và đôi khi không đạt được kết quả như mong muốn

Trang 11

Lý thuyết về nhận dạng và điều khiển các đối tượng phi tuyến đã được rất nhiều nhà khoa học nghiên cứu tuy nhiên chỉ giới hạn ở các đối tượng phi tuyến thấp Khi đối tượng có độ phi tuyến cao thì sử dụng mạng nơron nhân tạo để nhận dạng đối tượng sẽ mang lại kết quả hữu hiệu trong quá trình điều khiển một hệ thống kỹ thuật Mạng nơron nhân tạo là dùng kỹ thuật tái tạo lại một vài chức năng tương tự như bộ não con người Mạng nơ ron nhân tạo được dùng để giải quyết bài toán nhận dạng mẫu, tối ưu, nhận dạng và điều khiển Mạng nơron là một bộ xấp xỉ đa năng, có thể dùng làm mô hình toán học thay thế đối tượng với sai lệch cho trước nào đó và đây là cơ sở để có thể ứng dụng mạng nơron để nhận dạng đối tượng Từ năm 1943, Mc Culloch Pitts đã đưa ra một số liên kết cơ bản của mạng nơ-ron nhưng chỉ trong những thập kỷ trở lại đây thì mới tìm thấy các ứng dụng của mạng nơ ron và vẫn đang phát triển nhanh chóng ở nhiều lĩnh vực

Với những lý do nêu trên, tác giả đã mạnh dạn tìm hiểu nghiên cứu

“Ứng dụng mạng nơron nhận dạng và điều khiển hệ thống nâng từ” với

mong muốn xây dựng mô hình thí nghiệm để phục vụ cho quá trình học tập

và nghiên cứu trong các ngành điều khiển – tự động và được ứng dụng rộng rãi trong thực tế

2 Mục tiêu nghiên cứu

- Nghiên cứu và chế tạo mô hình hệ thống nâng từ một trục theo phương thẳng đứng trong phòng thí nghiệm

- Nghiên cứu ứng dụng mạng nơron để nhận dạng và điều khiển hệ thống nâng từ một trục theo phương thẳng đứng

Để thực hiện được mục tiêu như thế thì cần phải tiến hành những nội dung sau:

- Nghiên cứu về mạng nơ ron

- Tìm hiểu về hệ thống nâng vật trong từ trường

- Ứng dụng mạng nơron nhận dạng và điều khiển hệ thống nâng từ

Trang 12

- Tìm hiểu và sử dụng thành thạo các phần mềm mô phỏng như Matlab

Simulink trong quá trình huấn luyện mạng

- Xây dựng được mô hình thực cho hệ thống nâng từ

- Xây dựng được lưu đồ thuật toán và cấu trúc điều khiển của hệ thống điều khiển

3 Ý nghĩa khoa học và tính thực tiễn của đề tài

Với tốc độ phát triển nhanh của ngành điện tử và tự động hóa Việc sử dụng hệ thống nâng từ ngày càng được ứng dụng rộng rãi trong nhiều hệ thống kỹ thuật Nhằm cải thiện khả năng điều khiển để nâng cao chất lượng, tăng năng suất, tiết kiệm thời gian và tiết kiệm điện năng

Hệ thống nâng từ được ứng dụng nhiều trong các lĩnh vực như sau :

- Kỹ thuật robot

- Phi thuyền không gian

- Các đệm từ triệt tiêu ma sát ở các ổ trục quay thay cho các ổ đỡ cơ khí truyền thống, các phương tiện giao thông chạy trên đệm từ với tốc độ cao, cách ly dao động giữa các bộ phận máy móc với môi trường bên ngoài

4 Phương pháp nghiên cứu

- Nghiên cứu lý thuyết: Phân tích đánh giá và hệ thống hóa các công

trình nghiên cứu được công bố thuộc lĩnh vực liên quan: bài báo, tạp chí, sách chuyên ngành; nghiên cứu ứng dụng của mạng nơron để nhận dạng và điều khiển hệ thống nâng từ

- Nghiên cứu thực tiễn:

+ Tìm hiểu ứng dụng của mạng nơron trong quá trình điều khiển hệ thống nâng từ

+ Tìm hiểu về hệ thống nâng từ trong thực tế

+ Mô phỏng quá trình làm việc của hệ thống trên phần mềm Matlab

5 Nội dung luận văn

Chương I: Cơ sở lý thuyết mạng nơ ron

Trang 13

Chương II: Tổng quan về hệ thống nâng từ

Chương III: Thiết kế, chế tạo hệ thống nâng từ

Chương IV: Ứng dụng mạng nơ ron nhận dạng và điều khiển hệ thống nâng từ

CHƯƠNG I

CƠ SỞ LÝ THUYẾT MẠNG NƠRON 1.1 Nơ-ron sinh học

1.1.1 Chức năng, tổ chức và hoạt động của bộ não con người

Bộ não người có chức năng hết sức quan trọng trong đời sống của con người Nó gần như kiểm soát hầu hết mọi hành vi của con người từ các hoạt

Trang 14

động cơ bắp đơn giản đến những hoạt động phức tạp như học tập, nhớ, suy

luận, tư duy, sáng tạo,

Bộ não người được hình thành từ sự liên kết của khoảng 1011 phần tử (tế bào), trong đó có khoảng 1010 phần tử là nơron, số còn lại khoảng 9*1010 phần tử là các tế bào thần kinh đệm và chúng có nhiệm vụ phục vụ cũng như hỗ trợ cho các nơron Thông thường một bộ não trung bình cân nặng khoảng 1,5 kg và có thể tích là 235 cm3, cho đến nay người ta vẫn chưa thực sự biết rõ cấu tạo chi tiết của bộ não Tuy vậy về đại thể thì cấu tạo não bộ được phân chia ra thành nhiều vùng khác nhau Mỗi vùng có thể kiểm soát một hay nhiều hoạt động của con người

Bộ não có cấu trúc nhiều lớp Lớp bên ngoài thường thấy như là các nếp nhăn, là lớp có cấu tạo phức tạp nhất Đây là nơi kiểm soát và phát sinh các

hành động phức tạp như nghe, nhìn, tư duy,

Hoạt động của bộ não nói riêng và của hệ thần kinh nói chung đã được con người quan tâm nghiên cứu từ lâu nhưng cho đến nay người ta vẫn chưa hiểu rõ thực sự về hoạt động của bộ não và hệ thần kinh Đặc biệt là trong các

hoạt động liên quan đến trí óc như suy nghĩ, nhớ, sáng tạo, Tuy thế cho đến

nay, người ta cũng có những hiểu biết căn bản về hoạt động cấp thấp của não Mỗi nơron liên kết với khoảng 104 nơron khác, cho nên khi hoạt động thì bộ não hoạt động một cách tổng lực và đạt hiệu quả cao Nói một cách khác là các phần tử của não hoạt động một cách song song và tương tác hết sức tinh vi phức tạp, hiệu quả hoạt động thường rất cao, nhất là trong các vấn

đề phức tạp, về tốc độ xử lý của bộ não người rất nhanh mặc dù tốc độ xử lý của mỗi nơron (có thể xem như phần tử xử lý hay phần tử tính) là rất chậm so với xử lý của các cổng logic silicon trong các chíp vi xử lý (10-3 giây so với 10-10 giây)

Trang 15

Hoạt động của cả hệ thống thần kinh bao gồm não bộ và các giác quan như sau: Trước hết con người bị kích thích bởi giác quan từ bên ngoài hoặc trong cơ thể Sự kích thích đó được biến thành các xung điện bởi chính các giác quan tiếp nhận kích thích Những tín hiệu này được chuyển về trung ương thần kinh là não bộ để xử lý Trong thực tế não bộ liên tục nhận thông tin xử lý, đánh giá và so sánh với thông tin lưu trữ để đưa ra các quyết định thích đáng

Những mệnh lệnh cần thiết được phát sinh và gửi đến những bộ phận thi

hành thích hợp như các cơ tay, chân, Những bộ phận thi hành biến những

xung điện thành dữ liệu xuất của hệ thống

Tóm lại: bộ não người có chức năng hết sức quan trọng đối với đời sống của con người Cấu tạo của nó rất phức tạp, tinh vi bởi được tạo thành từ mạng nơron có hàng chục tỉ tế bào với mức độ liên kết giữa các nơron là rất cao Hơn nữa, nó còn được chia thành các vùng và các lớp khác nhau Bộ não hoạt động dựa trên cơ chế hoạt động song song của các nghìn tạo nên nó

Trang 16

Hình 1.1 Mô hình 2 nơron sinh học

- Thân nơron (so ma): Nhân của nơron được đặt ở đây

- Các nhánh (dendrite): Đây chính là các mạng dạng cây của các dây thần kinh để nối các soma với nhau

- Sợi trục (Axon): Đây là một nối kết, hình trụ dài và mang các tín hiệu

từ đó ra ngoài Phần cuối của axon được chia thành nhiều nhánh nhỏ (cả của dendrite và axon) kết thúc trong một cơ quan nhỏ hình củ hành được gọi là synapte mà tại đây các nơron đưa các tín hiệu của nó vào các nơron khác Những điểm tiếp nhận với các synapte trên các nơron khác có thể ở các dendrite hay chính soma

* Hoạt động

Các tín hiệu đưa ra bởi một synapte và được nhận bởi các dendrite là các kích thích điện tử Việc truyền tín hiệu như trên liên quan đến một quá trình hóa học phức tạp mà trong đó các chất truyền đặc trưng được giải phóng từ phía gửi của nơi tiếp nối Điều này làm tăng hay giảm điện thế bên trong thân của nơron nhận Nơron nhận tín hiệu sẽ kích hoạt (fire) nếu điện thế vượt khỏi một ngưỡng nào đó và một xung (hoặc điện thế hoạt động) với độ mạnh (cường độ) và thời gian tồn tại cố định được gửi ra ngoài thông qua axon tới phần nhánh của nó rồi tới các chỗ nối synapte với các nơron khác Sau khi kích hoạt, nơron sẽ chờ trong một khoảng thời gian được gọi là chu kỳ, trước khi nó có thể được kích hoạt lại Synapses là Hưng phấn (excitatory) nếu chúng cho phép các kích thích truyền qua gây ra tình.trạng kích hoạt (fire) đối với nơron nhận Ngược lại, chúng là ức chế (inhibitory) nếu các kích thích truyền qua làm ngăn trở trạng thái kích hoạt (fire) của nơron nhận

1.2 Mạng nơ ron nhân tạo

1.2.1 Mạng nơ ron nhân tạo

Mạng nơ ron nhân tạo là việc dùng kỹ thuật tái tạo lại một vài chức năng tương tự như bộ não con người Mạng nơ ron nhân tạo đã có một lịch sử lâu

Trang 17

dài Năm 1943, Mc Culloch và Pitts đã đưa ra khả năng liên kết và một số liên kết cơ bản của một nơron thứ i trong mô hình của mạng nơ ron nhân tạo

- Mỗi nơron có một số đầu vào, những kết nối (Synaptic) và một đầu ra (axon)

- Một nơron có thể hoạt động (+35 mV) hoặc không hoạt động (-0,75 mV)

- Mỗi nơ-ron chỉ có một đầu ra duy nhất được nối với các đầu vào khác nhau của nơ-ron khác Nơ-ron có kích hoạt được hay không thì chỉ phụ thuộc những đầu vào hiện thời của chính nó

Có nhiều kiểu nơ-ron nhân tạo khác nhau Hình 1.2 biểu diễn một kiểu nơ-ron đơn giản

Trang 18

Kết nối một vài nơron ta được mạng nơron Hình 1.3 là một mạng nơron gồm 3 lớp: lớp vào, lớp ẩn và lớp ra

1.2.2 Các tính chất cơ bản của mạng nơ ron nhân tạo

- Là hệ phi tuyến: Mạng nơ ron có khả năng ứng dụng nhiều trong các lĩnh vực về nhận dạng và điều khiển các đối tượng phi tuyến

- Là hệ xử lý song song: Mạng nơ ron có cấu trúc song song do đó có tốc

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

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

1.2.3 Các thành phần cơ bản của mạng nơ ron nhân tạo

Mạng nơ-ron nhân tạo được thể hiện bởi ba yếu tố: phần tử xử lý, cấu trúc và ghép nối của các phần tử xử lý, phương pháp huấn luyện để cập nhập

các trọng số wij và bias b

Mạng nơ-ron nhân tạo có thể được kết nối bằng nhiều cách khác nhau vì vậy trong thực tế tồn tại rất nhiều kiểu mạng nơ-ron nhân tạo Mỗi nơ-ron gồm có nhiều đầu vào và một đầu ra Trên mỗi đầu vào có gắn một trọng số

để liên hệ giữa nơ-ron thứ i với nơ-ron thứ j Các trọng số này tương tự như các tế bào cảm giác của nơ-ron sinh học

Trang 19

Số hóa bởi Trung tâm Học liệu – ĐHTN http://www.lrc.tnụedụvn

x m

Hình 1.4 Mô hình nơ-ron thứ ị

xj: Tín hiệu đầu vào thứ j

wij: Trọng số để kết nối giữa xj nơ-ron thứ ị bi: Bias

ặ): Hàm truyền

Các đầu vào có trọng số Wj và bộ tổng Đầu ra của bộ tổng được sử

dụng để quyết định một giá trị của đầu ra thông qua hàm chuyển Có nhiều

loại hàm chuyển khác nhaụ Một số loại hàm chuyển thường gặp:

+ Hàm bước nhảy đơn vị:

1

a +

a

0

1

Trang 20

Hình 1.5 Đồ thị các loại hàm truyền Tương tự nơron sinh học của con người, nơron sẽ được kích hoạt nếu tổng giá trị vào vượt quá ngưỡng và không được kích hoạt nếu tổng giá trị vào thấp hơn ngưỡng Sự làm việc như vậy của nơron gọi là sự kích hoạt nhảy bậc

Các nơron lớp vào trực tiếp nhận tín hiệu ở đầu vào, ở đó mỗi nơron chỉ

có một tín hiệu vào Mỗi nơ-ron ở lớp ẩn được nối với tất cả các nơ-ron lớp vào và lớp ra Các nơron ở lớp ra có đầu vào được nối với tất cả các nơron ở lớp ẩn, chúng là đầu ra của mạng Cần chú ý rằng một mạng nơron cũng có thể có nhiều lớp ẩn Các mạng nơron trong đó mỗi nơron chỉ được liên hệ với tất cả các nơron ở lớp kế tiếp và tất cả các mối liên kết chỉ được xây dựng từ trái sang phải được gọi là mạng nhiều lớp truyền thẳng (perceptrons)

Trang 21

Cấu trúc huấn luyện mạng được chỉ ra trên hình 1.6 Ở đây, trọng số

của mạng được điều chỉnh dựa trên cơ sở so sánh đầu ra với đích mong

muốn (target) cho tới khi đầu ra mạng bám lấy đích Những cặp vào/đích

(input/target) được dùng để giám sát cho sự huấn luyện mạng

Hình 1.6 Cấu trúc huấn luyện mạng nơ-ron

Có 2 phương pháp cơ bản để huấn luyện mạng nơron: Huấn luyện gia

tăng (tiến dần) và huấn luyện theo gói Sự huấn luyện theo gói của mạng

nhận được bằng việc thay đổi trọng số và độ dốc trong một tập (batch) của

véctơ đầu vào Huấn luyện tiến dần là thay đổi trọng số và độ dốc của

mạng sau mỗi lần xuất hiện của một phần tử đầu vào Huấn luyện tiến dần đôi

khi được xem như huấn luyện trực tuyến hay huấn luyện thích nghi

Mạng nơron đã được huấn luyện để thực hiện những hàm phức tạp trong

nhiều lĩnh vực ứng dụng khác nhau như trong nhận dạng, phân loại sản phẩm,

xử lý tiếng nói, chữ viết và điều khiển hệ thống

Thông thường để huấn luyện mạng nơron, người ta sử dụng phương

pháp huấn luyện có giám sát, nhưng cũng có mạng thu được từ sự huấn

luyện không có giám sát Mạng huấn luyện không giám sát có thể được sử

dựng trong trường hợp riêng để xác định nhóm dữ liệu Mạng nơron bắt đầu

Trang 22

xuất hiện từ những năm 1940 nhưng mới chỉ tìm thấy các ứng dụng từ những thập kỷ gần đây và vẫn đang phát triển nhanh chóng

nơ-Mạng hồi quy là mạng được xây dựng khi các đầu ra của lớp sau được nối với các đầu vào của các nơ-ron ở cùng lớp hoặc các lớp đứng trước nó

Trang 23

Hình 1.7: Sơ đồ cấu trúc các loại mạng nơ-ron

a Mạng truyền thẳng một lớp; b Nút đơn hồi tiếp; c Mạng truyền thẳng nhiều lớp; d Mạng hồi quy một lớp; e Mạng hồi quy nhiều lớp

1.2.5 Phân loại mạng nơ-ron

- Theo cấu trúc liên kết gồm có mạng truyền thẳng và mạng hồi quy

- Theo số lớp gồm có mạng đơn và mạng đa lớp

- Theo phương pháp học gồm có học có giám sát, học tăng cường và học không có giám sát

1.2.6 Quá trình thiết kế mạng nơ-ron

Mạng nơ-ron cho phép xấp xỉ quan hệ phụ thuộc hàm giữa tín hiệu ra y(t) và tín hiệu vào x(t) của một hệ thống bất kỳ Điểm mạnh của mạng nơ-ron chính là khả năng thích nghi khi tập dữ liệu huấn luyện được cập nhật thường xuyên

xm

Trang 24

Quá trình thiết kế mạng nơ-ron thường gồm các bước: xác định bài toán, xác định các biến vào ra, thu thập dữ liệu, xử lý dữ liệu, lựa chọn mô hình mạng nơ-ron, huấn luyện mạng, thử nghiệm mạng và tinh chỉnh mạng

- Xác định bài toán: Tùy theo yêu cầu mà bài toán cần giải quyết để xác định bài toán thuộc bài toán phân loại dữ liệu hoặc nhận dạng đối tượng, hoặc dự báo

- Xác định các biến vào ra: xác định các biến vào ra và miền giá trị của các biến đó

- Thu thập dữ liệu: Thu thập các mẫu dữ liệu đảm bảo độ tin cậy càng cao càng tốt

- Xử lý dữ liệu: Chia dữ liệu thành các tập dữ liệu: huấn luyện, kiểm tra

- Tinh chỉnh mạng: để nâng cao hiệu quả sử dụng thì cần phải cập nhật mẫu học, tinh chỉnh cấu trúc và tham số mạng Đối với mạng tuy đã huấn luyện tốt nhưng kết quả không đáp ứng được yêu cầu thì cần phải huấn luyện lại mạng, xem xét lại tập dữ liệu mẫu

1.3 Ứng dụng mạng nơ-ron nhận dạng và điều khiển

1.3.1 Nhận dạng hệ thống

Nhận dạng hệ thống là một bài toán cơ bản trong quá trình thiết kế bộ điều khiển Mục tiêu là đưa ra được một mô hình toán của đối tượng sao cho đầu ra của mô hình toán đáp ứng giống như đầu ra của đối tượng khi có chung tín hiệu tác động ở đầu vào Mô hình toán có thể là phương trình vi phân,

Trang 25

phương trình sai phân, mô hình trạng thái, hàm truyền đạt hoặc bất kỳ mô tả toán học nào Trong trường hợp này chúng tôi sử dụng mạng nơ-ron làm mô hình toán cho đối tượng Việc nhận dạng đối tượng dựa trên cơ sở mạng nơ-ron là quá trình xác định cấu trúc và các tham số của mạng sao cho đầu ra của mạng giống với đầu ra của đối tượng khi có cùng đầu vào Quá trình này còn được gọi là huấn luyện mạng Hình 1.8 thể hiện sơ đồ khối quá trình nhận dạng sử dụng mạng nơ-ron Việc huấn luyện mạng cần phải có tập mẫu và phương pháp huấn luyện

Hình 1.8 Sơ đồ khối quá trình nhận dạng hệ thống Giả sử ta có các tập mẫu: với k = 1†N thu được từ đối tượng (thực hoặc mô hình toán)

Trang 26

toán của một hệ thống nâng từ đã biết trước làm đối tượng để nhận dạng và điều khiển Chúng tôi sẽ trình bày trong chương 2

- Trường hợp 2: Nhận dạng và điều khiển hệ thống nâng từ thực trong phòng thí nghiệm Trường hợp này chúng tôi sẽ trình bày trong chương 4 Sau khi nhận dạng xong đối tượng, ta thu được một mạng nơ-ron Mạng nơ-ron này được dùng như là mô hình toán của đối tượng và được sử dụng để huấn luyện mạng nơ-ron cho bộ điều khiển

1.3.2 Điều khiển theo mô hình mẫu

Hình 1.9 Sơ đồ hệ thống điều khiển theo mô hình mẫu sử dụng mạng nơ-ron

Ta có hàm mục tiêu:

Để thiết kế bộ điều khiển nơ-ron, chúng tôi sử dụng thuật toán lan truyền ngược Lavenberg – Marquardt để huấn luyện mạng nơ-ron cho bộ điều khiển Trong quá trình huấn luyện mạng chỉ có tham số của bộ điều khiển được cập nhật, tham số của mô hình đối tượng (cũng là mạng nơ-ron) được giữ cố định Quá trình điều khiển theo mô hình mẫu này ứng dụng để điều khiển hệ thống nâng từ thực và chúng tôi sẽ trình bày trong chương 4

Mô hình mẫu G(s)

Đối tượng Mạng nơ-

Trang 27

1.4 Kết luận

Trong chương này chúng tôi đã trình bày được tổng quan về mạng ron, ứng dụng của mạng nơ-ron trong nhận dạng hệ thống và điều khiển hệ thống theo mô hình mẫu Trong chương tiếp theo chúng tôi sẽ trình bày về tổng quan hệ thống nâng từ

Trang 28

nơ-CHƯƠNG II TỔNG QUAN VỀ HỆ THỐNG NÂNG TỪ

2.1 Giới thiệu về hệ thống nâng từ

Trong lĩnh vực công nghiệp hệ nâng vật bằng từ trường (Magnetic levitation system) là một hệ phi tuyến được ứng dụng nhiều trong phi thuyền không gian, kỹ thuật robot, các đệm từ triệt tiêu ma sát ở các ổ trục quay thay cho các ổ đỡ cơ khí truyền thống, các phương tiện giao thông chạy trên đệm

từ với tốc độ cao Hiện nay, các phương tiện di chuyển đi lại sử dụng hệ thống nâng vật trong từ trường (Maglev) hoạt động dựa theo nguyên lý từ trường đẩy, phương pháp này nhanh hơn và tiện hơn so với các phương tiện

có bánh Hệ thống nâng vật trong từ trường như tàu đệm từ tốc độ cao được

sử dụng phổ biến ở nhiều quốc gia trên thế giới như Nhật Bản, Mỹ là phương tiện chuyên chở được nâng lên, dẫn lái và đẩy tới bởi lực từ hoặc lực điện từ Phương pháp này có thể nhanh và tiện nghi hơn các loại phương tiện công cộng sử dụng bánh xe, do giảm ma sát và loại bỏ các cấu trúc cơ khí, đồng thời tiết kiệm được chi phí sản xuất

Các hệ thống nâng từ được phân chia như các hệ thống hút hoặc đẩy dựa trên nguồn gốc của lực từ Những loại này có độ phi tuyến cao và thường thay đổi vòng mở nên rất khó đưa vào trong các hệ thống điều khiển Vì vậy nó rất quan trọng đối với việc xây dựng cấu trúc bộ điều khiển hiệu suất cao trong việc điều chỉnh vị trí của vật được nâng Hệ thống này được một số tác giả nghiên cứu và điều khiển thành công với nhiều phương pháp khác nhau Tuy nhiên trên thực tế, việc xác định mô hình của đối tượng đặc biệt là các đối tượng phi tuyến cao sẽ gặp nhiều khó khăn và đôi khi không đạt được kết quả như mong muốn

Đối với các hệ thống nâng từ trong thực tế, thường chỉ có một điểm làm việc Tức là vật được nâng được giữ ổn định ở một vị trí nhất định Do đó ta

có thể thiết kế bộ điều khiển PID sau khi đã tuyến tính hóa hệ thống xung

Trang 29

quanh điểm làm việc Ngoài ra ta có thể dùng các phương pháp điều khiển phi

tuyến khác như mờ và nơ-ron

2.2 Mô hình của hệ thống nâng từ

Mô hình hệ thống nâng từ đơn giản được thể hiện như hình 2.1 Hệ

thống gồm cuộn dây và vật được gắn nam châm điện

Hình 2.1 Mô hình hệ thống nâng vật bằng từ trường đơn giản

Mô hình toán học của hệ thống nâng từ [17] được mô tả như sau:

x(t): là khoảng cách từ thanh nam châm đến nam châm điện

i(t): là dòng điện chạy qua cuộn dây của nam châm điện

M: là khối lượng của thanh nam châm [kg]

Trang 30

Nguyên lý chung của hệ thống nâng vật trong từ trường là khi dòng điện chạy trong cuộn dây thì sẽ tạo ra từ trường mà từ trường này sẽ làm cho vật mẫu di chuyển trong từ trường đó

2.3 Ứng dụng mạng nơ ron nhận dạng mô hình toán của hệ thống nâng

từ

Để nhận dạng được hệ thống nâng từ thực, đầu tiên chúng tôi thử nghiệm nhận dạng một mô hình toán đã biết trước của một đối tượng nào đó Thứ nhất là để kiểm tra xem chương trình huấn luyện mạng viết ra có đúng hay không Thứ hai là kiểm chứng xem mạng nơ-ron có nhận dạng được mô hình toán đó hay không? nếu không nhận dạng được thì việc nhận dạng hệ thống thực là không khả thi Do đó để muốn biết được mạng nơ-ron có thể nhận dạng được hệ thống nâng từ hay không? thì chúng tôi tiến hành nhận dạng một mô hình toán đã biết trước của hệ thống nâng từ, chẳng hạn như mô hình thể hiện bởi phương trình (2.1)

Để nhận dạng đối tượng bằng mạng nơ-ron chúng ta cần một tập mẫu để huấn luyện mạng Ở đây chúng ta sẽ sử dụng mô hình toán học của hệ thống nâng từ (2.1) để tạo ra tập mẫu Chúng tôi sử dụng Simulink/Matlab thu được tập mẫu

Để nhận dạng mô hình hệ thống nâng từ, chọn mạng nơ ron có cấu trúc như hình 2.5, với 6 nơ ron ở lớp thứ nhất Quá trình huấn luyện mạng bao gồm 2 giai đoạn:

Giai đoạn thứ nhất huấn luyện vòng hở Ở giai đoạn này mạng nơ ron sẽ

bị cắt đường phản hồi từ đầu ra của mạng trở về lớp 1 và khi đó cấu trúc mạng sẽ có dạng như hình 2.2 Đầu vào thứ 2 của mạng lúc này sẽ là tín hiệu

ra mẫu

Trang 31

Giai đoạn thứ 2 sẽ huấn luyện mạng kín Sau khi huấn luyện mạng hở sẽ nối đầu ra của mạng hở với đầu vào thứ 2 của mạng sẽ được mạng kín có cấu trúc như hình 2.5 Để huấn luyện mạng kín chúng tôi sẽ chia tập dữ liệu mẫu ban đầu (có độ dài là N mẫu) thành các chuỗi nhỏ, mỗi chuỗi có độ dài là C mẫu Đầu tiên chúng tôi sẽ huấn luyện mạng với các chuỗi có độ dài là C = 4, nếu thành công sẽ tăng lên thành C = 5, cứ tiếp tục cho đến khi C = N

Với yk là đầu ra của mạng tương ứng với đầu vào mẫu thứ k và tklà đầu

ra mẫu tương ứng với đầu vào mẫu thứ k

Chương trình huấn luyện mạng hở được viết ở phụ lục 1 Cấu trúc mạng nơ-ron nhận dạng mô hình hệ thống nâng từ trong Matlab (mạng hở) như hình 2.2

Trang 32

Hình 2.2: Cấu trúc mạng hở nhận dạng đối tượng Căn cứ vào kết quả thử nghiệm mạng nơ-ron nhận dạng mô hình hệ thống nâng từ ta thấy mạng có cấu trúc lớp thứ nhất là 6 nơ-ron cho MSE là nhỏ nhất Do vậy chúng tôi chọn mạng có cấu trúc với 6 nơ-ron ở lớp 1 làm

mô hình cho đối tượng

Hình 2.3 Đầu ra mạng, đầu ra mẫu và sai số

Trang 33

Hình 2.4 MSE của mạng hở

2.3.2 Huấn luyện mạng kín

Sau khi huấn luyện mạng hở, chúng ta sẽ thu được các bộ trọng số của mạng hở Các giá trị này được sử dụng như là các giá trị ban đầu cho mạng kín Mạng kín có cấu trúc như hình 2.5

Hình 2.5 Cấu trúc mạng kín nhận dạng đối tượng

Trang 34

Chương trình huấn luyện mạng kín được viết trong phụ lục 2 Sau khi huấn luyện mạng kín ta thu được các kết quả như sau:

Hình 2.7 MSE của mạng kín

Trang 35

2.3.3 Nhận xét

- Sau khi huấn luyện mạng nơ-ron ta nhận thấy đầu ra của mạng nơ-ron giống với đầu ra của tín hiệu mẫu Vì vậy, mạng nơ-ron này có thể được dùng

để làm mô hình đối tượng cho mô hình hệ thống nâng từ

- Chúng tôi sẽ sử dụng mạng nơ-ron này làm mô hình đối tượng để huấn luyện mạng nơ-ron cho bộ điều khiển theo mô hình mẫu ở phần sau

Chương trình nhận dạng đối tượng sử dụng mạng nơ-ron đã được viết đúng Chương trình này sẽ được sử dụng để nhận dạng hệ thống nâng từ với

bộ tín hiệu mẫu được lấy từ hệ thống nâng từ thực ở chương 4

2.4 Ứng dụng mạng nơ-ron điều khiển hệ thống nâng từ theo mô hình mẫu

Chúng tôi sẽ dùng một mạng nơ-ron làm bộ điều khiển theo mô hình mẫu Mô hình mẫu được chọn là một hệ thống động học tuyến tính bậc hai

Hệ thống này có hàm truyền như sau:

Từ mô hình mẫu này chúng tôi sẽ viết một chương trình trong Matlab /Simulink để tạo ra tín hiệu mẫu Đầu tiên chúng tôi sẽ viết chương trình M-file ở phụ lục 3 để tạo ra một tín hiêu vào mẫu có dạng là một chuỗi các tín hiệu bước nhảy có biên độ và độ dài ngẫu nhiên

Tín hiệu mẫu này sẽ được đưa vào đầu vào của mô hình mẫu để có đầu ra mẫu Sơ đồ hệ thống phát tín hiệu ra mẫu như hình 2.8

Trang 36

Hình 2.8 Sơ đồ hệ thống phát tín hiệu ra mẫu Tín hiệu vào ra mẫu sẽ được lưu lần lượt vào các biến là R2 và T2

Sau khi có tín hiệu mẫu, chúng tôi sẽ lựa chọn cấu trúc mạng nơ-ron cho

bộ điều khiển Với đối tượng là hệ thống nâng từ chúng tôi chọn mạng nơ-ron cho bộ điều khiển có cấu trúc giống như mạng nơ-ron cho đối tượng Mạng này bao gồm hai lớp, lớp 1 có 6 nơ-ron và có thêm một đầu vào thứ 2 từ đầu

ra của đối tượng Mạng này kết hợp với mạng nơ-ron của đối tượng tạo thành một mạng kín có 4 lớp như hình 2.12 Mạng kín này có 4 lớp, trong đó hai lớp đầu là bộ điều khiển và 2 lớp sau là mạng nơ-ron của đối tượng đã được huấn luyện ở phần 2.3 Trong quá trình huấn luyện mạng này chỉ có mạng của bộ điều khiển (hai lớp đầu) được cập nhật, còn hai lớp sau là được giữ cố định Tập mẫu dùng để huấn luyện mạng kín gồm R2 và T2

Việc huấn luyện trực tiếp mạng kín là không thể huấn luyện được Do đó chúng ta phải làm tương tự như phần nhận dạng đối tượng ở phần trên Đầu tiên là cắt đường phản hồi từ đầu ra của mạng trở về lớp 1 và coi đó là đầu vào thứ 2 ta được mạng hở như hình 2.9, và lấy tín hiệu ra mẫu làm đầu vào mẫu thứ 2 Giai đoạn đầu tiên là huấn luyện mạng hở và giai đoạn thứ hai là

Trang 37

2.4.1 Huấn luyện mạng hở

Sau khi huấn luyện mạng hở ta thu được các kết quả như hình 2.10 và 2.11

Hình 2.9 Cấu trúc mạng bộ điều khiển đối tượng (mạng hở)

Ở hình 2.9 cấu trúc mạng hở gồm 4 lớp, trong đó 2 lớp đầu là của bộ điều khiển, 2 lớp sau là mạng nơ-ron của đối tượng đã được huấn luyện ở phần 2.3

Trong đó:

- W: là ma trận trọng số

- b: là véc tơ bias

- 6: Là số nơ ron của lớp 1 (lớp 3)

- Khối : trễ 1 và 2 nhịp – nếu đầu vào khối này là thì đầu ra

1: 2

Trang 38

Trong hình 2.10, Network output: đường màu đỏ là tín hiệu ra của mạng đối tượng, Target: đường màu xanh là tín hiệu ra mẫu Ta nhận thấy là tín hiệu ra của mạng bám theo tín hiệu ra mẫu Error: là sai số

Định dạng
Số trang	76
Dung lượng	1,86 MB