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

Sơ đồ cấu trúc so sánh bộ điều khiển PID chưa có nhận dạng và bùnhiễu với bộ điều khiển dự báo theo IMPC điều khiển một kênh nồng độ dung dạng, bù nhiễu và của bộ điều khiển IMPC sử dụng

BỘ GIÁO DỤC VÀ ĐÀO TẠO

ĐẠI HỌC THÁI NGUYÊN

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

LUẬN ÁN TIẾN SĨ KỸ THUẬT

BỘ GIÁO DỤC VÀ ĐÀO TẠO

ĐẠI HỌC THÁI NGUYÊN

NGHIÊN CỨU ỨNG DỤNG LÝ THUYẾT ĐIỀU KHIỂN HIỆN ĐẠI XÂY DỰNG MÔ HÌNH TRONG

ĐIỀU KHIỂN DỰ BÁO PHI TUYẾN

Chuyên ngành: Kỹ thuật điều khiển & Tự động hóa

Mã số: 62 52 02 16

LUẬN ÁN TIẾN SĨ KỸ THUẬT

NGƯỜI HƯỚNG DẪN KHOA HỌC

THÁI NGUYÊN – 2015

LỜI CAM ĐOAN

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

bố trên bất cứ một công trình nào khác

Tác giả luận án

Lê Thị Huyền Linh

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 củangười thân, bạn bè đồng nghiệp, thầy giáo hướng dẫn và tập thể các nhà khoahọc, tôi đã có được kết quả hôm nay Từ sâu thẳm, tôi xin được trân trọng gửi lờicảm 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

Qua đây, tôi xin được bày tỏ lòng biết ơn chân thành đến thầy giáohướng dẫn PGS TS Lại Khắc Lãi đã tận tình, dìu dắt và định hướng cho tôitrong suốt thời gian qua Tôi cũng xin được gửi lời cảm ơn sâu sắc và kính trọngđến các thầy cô giáo, các đồng nghiệp trong Khoa Điện, tập thể các nhà khoahọc, đã đóng góp những ý kiến quý báu về chuyên môn, quan tâm, tạo điều kiệnthuận 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 họcThái 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, sẻchia, ủng hộ, động viên tinh thần, tình cảm, tạo điều kiện giúp tôi có nghị lực đểhoàn thành quyển luận án này

Tác giả luận án

Lê Thị Huyền Linh

MỤC LỤC

LỜI CAM ĐOAN i

LỜI CẢM ƠN ii

MỤC LỤC iii

DANH MỤC CÁC KÝ HIỆU, CÁC CHỮ VIẾT TẮT vi

DANH MỤC CÁC BẢNG BIỂU ix

DANH MỤC CÁC HÌNH VẼ x

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

C H Ư Ơ N G 1 T Ổ N G Q U A N V Ấ N Đ Ề N G H I Ê N C Ứ U 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

C H Ư Ơ N G 2 N H Ậ N D Ạ N G N H I Ễ U V À B Ù N H I Ễ U C H O L Ớ P H Ệ P H I T U Y Ế N C Ó T R Ễ 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 282.1.3 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

nơron RBF khi chỉ có một thành phần nhiễu 332.3.1 Xây dựng thuật toán nhận dạng nhiễu 332.3.2 Ví dụ minh họa 412.4 Tổng hợp tin hiệu bù nhiễu cho hệ thống có trễ với một kênh điềukhiển 44

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

47

2.5.2 Ví dụ minh họa 54

nhiều thành phần nhiễu tác động 572.7 Kết luận Chương 2 59

tượng phi tuyến có trễ trên cơ sở đã nhận dạng và bù nhiễu 663.4 Xây dựng mô hình toán cho đối tượng CSTR 713.4.1 Xây dựng mô hình toán cho đối tượng CSTR với một tín hiệu điều khiển763.4.2 Xây dựng mô hình toán cho đối tượng CSTR với hai tín hiệu điều khiển 79

3.5 Thiết kế mô hình nhận dạng các nhiễu cho đối tượng CSTR 81

điều khiển 82

điều khiển 873.6 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 92

92

hiệu điều khiển 94

bù nhiễu để điều khiển cho đối tượng CSTR 963.7.1 So sánh bộ điều khiển PID với bộ điều khiển IMPC điều khiển một kênh

3.7.2 So sánh bộ điều khiển PID và bộ điều khiển IMPC điều khiển đồng thời

3.8 Kết luận Chương 3 105KẾT LUẬN VÀ KIẾN NGHỊ 107DANH MỤC CÔNG TRÌNH KHOA HỌC CÓ LIÊN QUAN ĐẾN LUẬN

ÁN 109

TÀI LIỆU THAM KHẢO 110

thời gian trích mẫu

đầu ra của đối tượng điều khiển tác động điều khiển

Ci , Cij tâm của hàm cơ sở

, độ trải rộng của hàm cơ sở

sai số nhiễu đối tượng thực và nhiễu đánh giá

hệ số dương

ub (t), Ub (t) tín hiệu điều khiển bù

Danh mục các chữ viết tắt

8

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 14Bảng 1.2 Bảng tóm lược một số phương pháp nhận dạng mô hình dự báo củamột số phương pháp MPC 17Bảng 1.3 Bảng tóm lược một số kỹ thuật MPC của một số hãng trên thế giới 17

, m

10

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 (X) 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 41

Hình 2.6 Mô hình đối tượng hệ phi tuyến (2.35) dùng trong mô phỏng 42

Hình 2.7 Sơ đồ 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(X) của hệ (2.35) và thành phần nhiễu được nhận dạng qua RBF 43

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 45

Hình 2.12 Sơ đồ cấu trúc các mạng nơron xấp xỉ các hàm f1 (X) , f2 (X) , f (X) 2 của hệ (2.4 4) 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 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) 55

Hình 2.16 So sánh thành phần phi tuyến F(X) 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) 56

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 59

Hình 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 70Hình 3.3 Mô hình bình phản ứng khuấy trộn liên tục CSTR 72Hình 3.4 Sơ đồ 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 82Hình 3.5 Sơ đồ khối mô tả đối tượng thực 83Hình 3.6 Sơ đồ khối mô tả hàm nhiễu F(X) sử dụng một tín hiệu điều khiển 83

của đối tượng thực và sau khi nhận dạng sử dụng một tín hiệu điều khiển với thời

Hình 3.9 Sơ đồ khối mô tả hàm nhiễu F(X) + hàm sin trong trường hợp sử dụngmột tín hiệu điều khiển 86

của đối tượng thực và sau khi nhận dạng trong trường hợp nhiễu có thêm hàm sin

87Hình 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 88Hình 3.13 Sơ đồ khối mô tả hàm nhiễu F(X) sử dụng hai tín hiệu điều khiển 88

của đối tượng thực và sau khi nhận dạng trong trường hợp sử dụng hai tín hiệu

Hình 3.15 Đáp ứng mức dung dịch và nồng độ dung dịch sử dụng hai tín hiệu

Hình 3.16 Sơ đồ khối mô tả hàm nhiễu F(X) + hàm sin sử dụng hai tín hiệu điềukhiển 91

của đối tượng thực và sau khi nhận dạng trong trường hợp nhiễu có thêm hàm sin

sau khi nhận dạng khi có thêm hàm sin sử dụng hai tín hiệu điều khiển với thời

một tín hiệu điều khiển theo cấu trúc IMPC 93

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

Hình 3.23 Sơ đồ cấu trúc so sánh bộ điều khiển PID chưa có nhận dạng và bùnhiễu với bộ điều khiển dự báo theo IMPC điều khiển một kênh nồng độ dung

dạng, bù nhiễu và của bộ điều khiển IMPC sử dụng một tín hiệu điều khiển cho

dạng, bù nhiễu và của bộ điều khiển IMPC sử dụng một tín hiệu điều khiển cho

Hình 3.26 Sơ đồ cấu trúc so sánh bộ điều khiển IMPC và PID có tích hợp nhận

tích hợp nhận dạng và bù nhiễu sử dụng một tín hiệu điều khiển cho đối tượng

tích hợp nhận dạng và bù nhiễu sử dụng một tín hiệu điều khiển cho đối tượng có

với hai tín hiệu điều khiển 101Hình 3.30 Sơ đồ cấu trúc so sánh bộ PID chưa nhận dạng và bù nhiễu với bộ

điều khiển PID chưa nhận dạng, bù nhiễu và của bộ IMPC sử dụng hai tín hiệu

điều khiển PID chưa nhận dạng, bù nhiễu và của bộ IMPC sử dụng hai tín hiệu

Hình 3.33 Sơ đồ cấu trúc so sánh bộ điều khiển IMPC và PID có tích hợp nhận

104

điều khiển IMPC và PID có tích hợp nhận dạng và bù nhiễu sử dụng hai tín hiệu

điều khiển IMPC và PID có tích hợp nhận dạng và bù nhiễu sử dụng hai tín hiệu

MỞ ĐẦU

1 Tính cấp thiết của đề tài luận án

Hiện nay, trong công nghiệp cũng như dân dụng có rất nhiều phương phápđiều 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, bộđiều khiển nơron và các bộ điều khiển cao cấp khác Do yêu cầu khắt khe về côngnghệ, chất lượng sản phẩm cũng như dịch vụ và sự cạnh tranh trên thị trường dẫntới việc đòi hỏi cần phải có những phương pháp điều khiển đáp ứng được nhữngyêu cầu thực tế và cải thiện được chất lượng của hệ thống, đặc biệt là trong cáctrường hợp hệ thống phải đối mặt với nhiễu, có trễ, có ràng buộc, các đối tượng cóquá 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 đãđược 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 môhình” có nghĩa là phương pháp này cần phải sử dụng một mô hình dự báo để ướclượng (hay dự báo) các giá trị của đại lượng cần điều khiển, còn gọi là các đầu ratrong 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 vớicác mô hình tuyến tính, và áp dụng thành công trong công nghiệp Tuy nhiên trongthực tế để mô tả một cách chính xác cần kể đến các yếu tố ảnh hưởng thì đa số cácđối tượng đều có dạng mô hình phi tuyến Do đó việc phát triển bộ điều khiển dựbáo 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 đượcnhững kết quả nhất định Đặc biệt, đối với các đối tượng có trễ thường gặp rất nhiềutrong 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 ýtrong các phương pháp đó là các phương pháp xây dựng hệ thống điều khiển có môhình 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 nhiênmột trong những khó khăn chính đối với MPC phi tuyến là phải giải một bài toántối ưu hóa trực tuyến phi tuyến, lặp lại Khó khăn đó sẽ tăng lên nhiều khi có sự tácđộng của nhiễu, của các thành phần không mô hình hóa được hay còn gọi là cácnhiễu bất định [30], [70] Sự tồn tại của các yếu tố bất định làm cho vấn đề điềukhiển dự báo khó khăn gấp bội, do phải đồng thời xử lý tính phức tạp của bài toántối ưu hóa phi tuyến trực tuyến và xử lý các yếu tố bất định Trong công trình mangtính 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 phầntrở ngại do hiệu ứng trễ gây ra Mặt khác, do các đối tượng có trễ này rất phổ biếntrong công nghiệp, yêu cầu nâng cao chất lượng điều khiển ngày càng cao, dẫn đếnvấn đề xây dựng các phương pháp điều khiển dự báo cho lớp đối tượng này càng trởnên 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 mộtlớp 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 thỏamãn các điều kiện ứng đối ta hoàn toàn có thể bù trừ các tác động của nhiễu Lúcnày 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 kếtquả nhất định, tuy nhiên một đặc điểm khó khăn khi thực hiện trong thực tế là bộđiều khiển luôn luôn phải giải bài toán tối ưu trực tuyến, tín hiệu điều khiển tối ưuchỉ được tính cho thời điểm kế tiếp, do vậy phần cứng phải thực hiện rất nhiều phéptính toán, nhiều khi không đảm bảo tính thời gian thực, hoặc cũng có thể không ổnđịnh nếu bài toán tối ưu không có nghiệm Quá trình giải mất nhiều thời gian đặcbiệt khi tồn tại các điều kiện ràng buộc chặt chẽ Việc tìm ra các phương pháp mớinhằm 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 thường gặp trong công nghiệp trên cơ sở mô hình dựbáo 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

Với tính chất đặc thù và những ưu điểm vốn có, điều khiển dự báo được ưutiên áp dụng cho các đối tượng có trễ, các đối tượng có động học biến đổi chậm vàcho các trường hợp có các ràng buộc đối với vectơ trạng thái và/hoặc vectơ điềukhiển Trong khuôn khổ cho phép, luận án chỉ tập trung nghiên cứu xây dựngphương 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 chocác 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 dựbáo 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 giảiquyết 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 hìnhtrực tuyến cho một lớp đối tượng phi tuyến có trễ trong hệ thống điều khiển dự báotheo mô hình; đồng thời xây dựng cấu trúc điều khiển dự báo theo mô hình nội, ápdụng 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:

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 cókhả năng xấp xỉ hầu hết các hàm phi tuyến với độ chính xác tùy ý

trình nhận dạng hội tụ cho hai trường hợp riêng biệt: trường hợp hệ thống cómột nhiễu tác động và trường hợp hệ thống đồng thời chịu nhiều nhiễu tácđộng Đã thu được luật cập nhật trọng số cho các mạng nơron RBF, vừa đảmbảo hội tụ vừa có tính khả thi cao bởi tốc độ hiệu chỉnh trọng số chỉ phụ thuộcvào vectơ sai lệch giữa trạng thái của đối tượng điều khiển và vectơ trạng tháicủa mô hình

nhận dạng Đã xây dựng được cấu trúc của kênh bù trừ nhiễu Đã thu đượcđiều 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 khôngnhững cho các hệ thống IMPC mà còn có thể áp dụng cho các hệ thống vớicác luật điều khiển khác nhau

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

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 biệtvới 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 môhình tuyến tính và phi tuyến, tập trung cho lớp đối tượng có trễ Thống kê một sốthuật toán, phương pháp xây dựng mô hình dự báo và các ứng dụng thực tế thươngmại Những khó khăn đặc thù của lớp đối tượng có trễ và có nhiễu phi tuyến bấtđịnh Những hạn chế của bài toán tối ưu và xây dựng mô hình khi phải đối mặt vớilớp đối tượng này, từ đó đưa ra đề xuất mục tiêu của luận án làm sao nhận dạngđược 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 sởmạng nơron nhân tạo Chương này đưa ra phần thứ nhất đề xuất phương pháp nhậndạng cho lớp đối tượng có trễ có một thành phần nhiễu phi tuyến bất định và một tínhiệu điều khiển đầu vào tác động lên hệ thống, thuật toán này được thể hiện trong

nhiễu và nhiều tín hiệu điều khiển đồng thời tác động, thuật toán này được thể hiện

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 đượcnhận dạng và bù nhiễu Trên cơ sở phân tích các tính chất đặc thù của bài toán điềukhiển ổn định phổ biến trong công nghiệp, mà mục tiêu là giữ cho đầu ra của đốitượng ổn định xung quanh điểm đặt của đầu ra mong muốn, từ đó đề xuất phiếmhàm mục tiêu thích hợp Đã tổng hợp được luật điều khiển tối ưu và cấu trúc hệthống điều khiển dự báo theo cấu trúc IMPC cho lớp đối tượng có trễ Ưu điểm nổibật của luật điều khiển tối ưu với cấu trúc IMPC thu được là đơn giản, kỹ thuật thựchiện dễ dàng với tính khả thi cao Tiếp theo, các kết quả thu được ở các phần trênđược 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 trúcIMPC 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

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 quátrình động học chậm và cho phép thỏa mãn các điều kiện có tính chất ràng buộc, cácyêu cầu về điều kiện vận hành với các chỉ tiêu chất lượng điều khiển cao Trong haithập 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 đẩymạnh khả năng ứng dụng của MPC trong thực tế, những điều đó được thể hiệntrong các tài liệu [15], [17], [31]

Điều khiển dự báo theo mô hình là phương pháp điều khiển hệ thống dựatrên cơ sở tín hiệu đầu ra của đối tượng được dự báo thông qua một mô hình toánnào đó Dựa vào tín hiệu dự báo đầu ra của đối tượng, sử dụng thuật toán tối ưu đểtìm tín hiệu điều khiển tối ưu cho hệ thống sao cho đầu ra của đối tượng ở tương laibám theo giá trị mong muốn Như vậy tín hiệu điều khiển tối ưu này sẽ phụ thuộcvào độ chính xác của tín hiệu dự báo đầu ra của đối tượng và thuật toán tìm nghiệmtối 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 cácđịnh luật vật lý, rất phức tạp và thường là không chính xác Do đó việc đưa ra mộtphương pháp để nhận dạng hay xây dựng được chính xác mô hình đối tượng đang làvấn 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 trìnhthường 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 khiểnnhiệt độ, lưu lượng, áp suất, phản ứng hoá học,… [57] Với các quá trình trên nếuchỉ 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 đốitượng này đã có rất nhiều các công trình nghiên cứu áp dụng thực hiện bằng phươngpháp điều khiển dự báo

Hiện nay MPC đã trở thành một sách lược điều khiển cao cấp được chấpnhận khá rộng rãi trong một số lĩnh vực công nghiệp Đã có hơn 3000 ứng dụng củaMPC được thương mại hóa trong các lĩnh vực khác nhau bao gồm: công nghệ lọchóa dầu, công nghệ xử lý thực phẩm, công nghệ ô tô, công nghệ không gian, côngnghệ 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 môhình đối tượng và trạng thái thực của chúng tại một số thời điểm liên tiếp để xácđịnh 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

Thuật toán điều khiển MPC

3 Đưa tín hiệu điều khiển tối ưu tác động lên hệ thống đến khi đo được các giá

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 thôngqua một ví dụ đó là bài toán đánh cờ giữa hai người Giả thiết có người chơi cờ Ađấu với đối thủ B, hàm mục tiêu của người A là thắng được đối thủ B (là hàm mụctiêu điều khiển) Để làm được điều này người A căn cứ vào các nước đi hiện tại vàquá khứ của đối thủ B cũng như phong cách và trình độ (tính chất đối tượng cầnđiều 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 xácđịnh 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 phụthuộc vào tính chất và đặc điểm của đối tượng điều khiển, tùy theo lớp các đốitượng cụ thể mà người ta sẽ sử dụng các phương pháp xây dựng mô hình dự báokhác nhau, việc xây dựng mô hình dự báo chính là bài toán nhận dạng mô hình củađối tượng điều khiển.

Mặc dù là một phương pháp điều khiển mạnh mẽ và đã có nhiều ứng dụngthành công tuy nhiên trong thực tế việc áp dụng điều khiển dự báo đặc biệt là chođối 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 tháicủa đối tượng cần điều khiển trong phạm vi dự báo Đối với hệ phi tuyến thì xâydựng 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 khiểntrong một khoảng thời gian có hạn, với đối tượng đáp ứng nhanh thì thời gian giảicàng cần phải ngắn Trong khi đó, bài toán tối ưu ở đây thường là không lồi cónhiều 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 ởcác thời điểm trong tương lai

* Tính toán lần lượt các tín hiệu điều khiển bằng cách tối thiểu hoá mộthàm 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

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

j  1,

nhau ở cách biểu diễn mối quan hệ vào ra của đối tượng điều khiển, thông thường

mô hình dự báo sẽ bao gồm hai phần đó là mô hình của đối tượng điều khiển và môhình nhiễu

Mô hình động học của đối tượng trong không gian trạng thái cho lớp đốitượng có trễ ở dạng tổng quát như sau:

n n

X(t)  Ai X(t  i )  B0U(t)  B j U(t   j )  DF(X) (1.1)

Đây là một đối tượng có độ phức tạp và tổng quát bởi vừa có chứa trễ trạng

khiển

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 hợpvới bài toán ta giả thiết Có thể đưa ra các dạng mô hình đối tượng như sau:

X(t)  AX

X(t)  AX

o p d

tả bởi phương trình (1.4), đây là lớp rất rộng các đối tượng trong lĩnh vực côngnghiệp, mà ở đó hiệu ứng trễ xảy ra do dòng vật chất đầu vào phải vận chuyển vớitốc độ nhất định trên những khoảng cách xác định trước lúc tham gia trực tiếp vàoquá trình công nghệ

Trong phạm vi luận án nghiên cứu xem xét lớp đối tượng phi tuyến có trễtrong kênh điều khiển ở dạng (1.4)

b Hàm mục tiêu và các điều kiện ràng buộc

+ 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 X , đồng thời phải tìm được tác động điều khiển U tối ưu.

Biểu thức tổng quát của phiếm hàm mục tiêu trong trường hợp hệ rời rạc có dạngtiêu chuẩn bình phương như sau:

Trong đó thành phần thứ nhất trong phiếm hàm mục tiêu J muốn xác định

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

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 trongphạm vi hạn chế nên ta đưa ra sự lựa chọn phiếm hàm mục tiêu như (1.7) để đảmbảo cho diễn biến của quá trình làm việc trong công nghiệp là liên tục đúng như

+ 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, cácvan bị giới hạn bởi vị trí đóng/mở hoàn toàn và bởi tốc độ đáp ứng, Các điều kiệnmôi trường, lý do an toàn hoặc thậm chí giới hạn đo của sensor cũng có thể tạo racác ràng buộc đối với các biến quá trình như mức chất lỏng trong bể chứa, lưulượng dòng chảy trong ống dẫn, hay nhiệt độ và áp suất tối đa Tất cả các yếu tố nàykhiến 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 hiệuđiều khiển và các hạn chế đầu ra:

Việc đưa thêm điều kiện ràng buộc vào phiếm hàm mục tiêu làm cho bàitoán tối ưu hóa trở nên phức tạp hơn và lời giải không thể tường minh như trongtrường hợp không có điều kiện ràng buộc

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 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 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 hàmnày sẽ tìm được các giá trị điều khiển mong muốn Nếu tiêu chuẩn đánh giá là bậchai, mô hình tuyến tính và không có điều kiện ràng buộc thì có thể dùng phươngpháp phân tích Với phạm vi nghiên cứu của luận án, xét trường hợp không có điềukiện ràng buộc và từ mô hình phi tuyến ta đưa được về mô hình tuyến tính khi đãnhận dạng và loại bỏ nhiễu, vì vậy bài toán tối ưu luôn có nghiệm xác định là mộthàm giải tích chỉ phụ thuộc vào vectơ trạng thái Nếu không đạt được các yêu cầutrên thì phải dùng đến phương pháp tối ưu lặp Dù là phương pháp nào, việc giải bàitoán tối ưu cũng không hề dễ dàng Như vậy bài toán điều khiển dự báo dựa trên môhình có mức độ phức tạp sẽ phụ thuộc vào tính chất và đặc điểm của đối tượng điềukhiển (tuyến tính, phi tuyến, có tham số bất định, có nhiễu, SISO hay MIMO), tùytheo 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 khácnhau [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

Phụ thuộc vào phương

pháp xây dựng mô hình

dự báo

Sử dụng mô hình khônggian trạng thái, mô hìnhhàm truyền, đáp ứng bướcnhảy, đáp ứng xung, môhình 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 hìnhPhụ thuộc vào việc giải

bài toán tối ưu

Toàn phương, phươngpháp giá trị tuyệt đối

Phương pháp giá trị tuyệt đốiphi tuyến (NAV)

Kalmal, Kalman mở rộng v.v

Ta thấy rằng nếu các đối tượng có nhiều tính chất phức tạp ví dụ như phituyến, có nhiễu, có trễ, có tham số bất định thì bài toán xây dựng mô hình dự báo sẽcàng phức tạp, cũng như vậy việc giải một bài toán tối ưu để tìm tín hiệu điều khiểntối ưu trong trường hợp có quá nhiều điều kiện ràng buộc, việc giới hạn về mặt thờigian do tính toán online, vấn đề có nhiều biến tính toán sẽ làm cho mức độ phức tạpcủa thuật toán tăng lên rất nhiều Do đó ứng với một lớp đối tượng điều khiển cụthể, 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 môhình tuyến tính hay mô hình đã được tuyến tính hóa để xác định các đầu ra tương laicủa đối tượng Cho đến nay các thuật toán MPC tuyến tính thường được sử dụngnhiều 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 mộtthuật toán điều khiển đa biến không ràng buộc, được gọi là DMC Thuật toánnày được kế thừa từ một kỹ thuật biểu diễn các động học quá trình bằng mộttập các hệ số Ma trận động học dùng để ánh xạ các đầu ra của hệ trongtương lai DMC phù hợp cho các hệ tuyến tính ổn định, và dựa vào mô hìnhđáp ứng bước nhảy của hệ Mục tiêu của bộ điều khiển DMC là điều khiểnđầu ra bám theo giá trị chủ đạo với sai số bình phương cực tiểu, chất lượngđiều 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 sốđiểm 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 nhữngnăm 1970 PFC có thể sử dụng một số loại mô hình, tuy nhiên phụ thuộc vàocác đặc tính bền vững thì PFC thường sử dụng mô hình không gian trạngthái Nhược điểm là trong thực tế, việc nhận được mô hình toán biểu diễntrên không gian trạng thái một cách chính xác là khó khăn, đặc biệt là hệ cónhững 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 hìnhhóa đối tượng, phương pháp đề xuất một tín hiệu điều khiển bắt đầu từ thờiđiểm hiện tại trong khi sử dụng một khâu dự báo cận tối ưu thay cho việcgiải 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 hìnhquá trình tham số, đặc điểm của thuật toán này là nó cho phép sử dụng mộtkhoảng thời gian dài hơn để đưa đầu ra của quá trình bám theo đầu ra mongmuốn 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 nhấtđược đưa ra bởi Clarke D W vào năm 1987 Sự khác nhau cơ bản giữaGPC và

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

Như vậy điều khiển dự báo cho hệ tuyến tính đã được áp dụng khá thànhcông cho các hệ thống tuyến tính Điều này thể hiện ở rất nhiều ngành áp dụngchiến lược điều khiển này như công nghiệp hóa chất, công nghiệp thực phẩm, công

MPC đã được áp dụng trong công nghiệp và các phương pháp áp dụng trong thuậttoán 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 phươngcực tiểu

Không

giảm dần

Có

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

L, S, I

IR,

L, S, I

SS, TF, ARX, L,

thành công và rộng rãi trong các lĩnh vực công nghiệp và các công ty thương mạiứng 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]:

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 ràngbuộc

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:

một lúc bởi vì có nhiều các ràng buộc hoặc nhiều biến tối ưu và phải tính bằngphương pháp lặp

báo chính xác cho đối tượng Điều này trở nên khó khăn hơn khi đối tượng cótham số thay đổi hoặc có nhiễu hoặc phi tuyến Giải bài toán tối ưu cho phiếmhàm 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 thiếtbởi quá trình tính toán phức tạp, chất lượng điều khiển không cao mà lại tốn kémnên với những lớp đối tượng này phương pháp kinh điển nhất là PID sẽ là một lựachọn 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 tuyếntính đã được phát triển và ứng dụng tốt trong nhiều lĩnh vực Tuy nhiên đối với quátrình 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 sửdụng 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 nhữngtham số bất định

 Thứ hai là chúng ta phải giải quyết bài toán tối ưu online với rất nhiều ràng buộc 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 mở rộng tầm điều khiển dự báo liên tục trongtoàn 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 đốitượng phi tuyến có thể phân tích được dưới dạng một chuỗi mô hình đáp ứngxung tuyến tính nhờ việc sử dụng chuỗi Voltera [36] Tín hiệu điều khiển được tínhthông qua việc cực tiểu hóa một hàm mục tiêu dạng toàn phương phụ thuộc vào đốitượng 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 hệthống Tuy nhiên trong thực tế, các hành vi động học của hệ rất phức tạp cho nênkhông dễ dàng xây dựng được mô hình từ các định luật này Cách tiếp cận khác đểxây 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 sửdụng 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