GIỚI THIỆU
Đặc vấn đề
Với sự phát triển không ngừng của khoa học công nghệ, điện năng ngày càng trở thành yếu tố quan trọng cho sự phát triển kinh tế và nâng cao đời sống xã hội Hệ thống điện ngày càng mở rộng về quy mô và công nghệ, hình thành nhiều hệ thống điện lớn trong nước và quốc tế Việt Nam, trong bối cảnh phát triển kinh tế mạnh mẽ, đang đối mặt với nhu cầu điện năng cao, dẫn đến sự ra đời của nhiều nhà máy điện như nhiệt điện, thủy điện, và phong điện Tuy nhiên, sự đa dạng này cũng làm cho việc vận hành hệ thống điện trở nên phức tạp hơn, đặc biệt là về đồng bộ và tính ổn định của hệ thống.
Để đảm bảo ổn định công suất cho hệ thống điện với nhiều nguồn phát khác nhau, cần thiết phải tiến hành các nghiên cứu và phát triển mới nhằm giải quyết vấn đề này.
Tính cấp thiết của đề tài
Ứng dụng bộ biến đổi bán dẫn công suất lớn trong điều khiển hệ thống điện mang lại khả năng vận hành linh hoạt và tối ưu hóa hiệu quả khai thác hệ thống Điều này trở nên quan trọng trong bối cảnh chi phí xây dựng và cải tạo hệ thống ngày càng tăng Đồng thời, đảm bảo chất lượng điện năng cũng trở nên cấp thiết, vì nó ảnh hưởng trực tiếp đến hoạt động sản xuất kinh doanh của khách hàng ngành điện, những người yêu cầu nguồn điện liên tục và đáp ứng các tiêu chuẩn chất lượng.
Với sự phát triển của nền kinh tế toàn cầu, nhu cầu tiêu thụ năng lượng, đặc biệt là năng lượng điện, ngày càng tăng cao Để đáp ứng nhu cầu này, hệ thống điện (HTĐ) không ngừng phát triển và mở rộng, dẫn đến việc hình thành nhiều đường dây truyền tải điện dài với điện áp siêu cao nhằm kết nối các HTĐ của nhiều khu vực khác nhau.
Việc kết nối các hệ thống điện con thành một hệ thống điện duy nhất mang lại nhiều lợi ích nhưng cũng gây ra nhiều vấn đề kỹ thuật phức tạp như ổn định hệ thống và thừa công suất phản kháng trong chế độ non tải Để giải quyết những thách thức này trong việc truyền tải điện cao áp, cần chú trọng đến ổn định động, ổn định tĩnh, khả năng truyền tải của các đường dây, chất lượng điện năng và giảm tổn thất Để nâng cao khả năng tải của đường dây, các thiết bị bù cố định như tụ bù dọc và kháng bù ngang được sử dụng, tuy nhiên, phương pháp này có hạn chế khi thay đổi công suất truyền tải lớn Hiện nay, nhiều quốc gia tiên tiến đã ứng dụng công nghệ FACTS (Flexible AC Transmission Systems) trong lưới điện truyền tải, cho phép điều khiển tự động với dòng điện và điện áp cao, ổn định điện áp hệ thống, góc pha và trở kháng đường dây gần như tức thời Các thiết bị FACTS phổ biến bao gồm SVC, TSC, TCR, TSR, TCSC, STATCOM, SSSC và UPFC.
Gần đây một đối tượng nghiên cứu mới được các nhà khoa học nghiên cứu đó là
SVeC là thiết bị cho phép điều khiển chính xác điện áp, trở kháng và góc pha của đường dây, từ đó điều chỉnh dòng công suất tác dụng và phản kháng truyền qua đường dây.
Trong luận văn này, tác giả sẽ nghiên cứu thiết bị SveC kết hợp với bộ điều khiển ANFIS nhằm mục đích ổn định dao động công suất trên đường dây truyền tải.
Mục tiêu của đề tài
Đề tài nghiên cứu nhằm cải thiện sự ổn định dao động công suất trong hệ thống máy phát điện đồng bộ nối với bus vô hạn (OMIB) và trang trại gió Để nâng cao độ ổn định của hệ thống, bài viết đề xuất sử dụng thiết bị bù vectơ nối tiếp (SveC - Series Vectorial Compensator) kết hợp với bộ điều khiển Nơron-Mờ (ANFIS - Adaptive Neural Fuzzy Inference System) được kết nối vào bus chung (PCC) của hệ thống.
Phương pháp luận và phương pháp nghiên cứu
Nghiên cứu tài liệu và các bài báo liên quan đến việc nâng cao ổn định dao động công suất trong hệ thống điện là rất cần thiết Đặc biệt, việc sử dụng thiết bị SVeC (Static VAR Compensator) đóng vai trò quan trọng trong việc cải thiện hiệu suất và ổn định của hệ thống điện Các nghiên cứu này giúp xác định các phương pháp tối ưu để quản lý dao động công suất, từ đó nâng cao độ tin cậy và an toàn cho hệ thống điện.
- Phương pháp chuyên gia: Tham khảo ý kiến, trao đổi kinh nghiệm với giáo viên hướng dẫn và các chuên gia trong lĩnh vực nghiên cứu này
- Phương pháp thực nghiệm: Xây dựng mô hình mô phỏng để đánh giá và kiểm chứng bằng phần mềm Matlab-Simulink.
QUAN THIẾT BỊ FACTS VÀ ỨNG DỤNG TRONG HỆ THỐNG ĐIỆN
Tổng quan về ứng dụng thiết bị FACTS
Hiện nay, nhiều nghiên cứu đã ứng dụng thiết bị FACTS, đặc biệt là thiết bị phát công suất phản kháng, nhằm đảm bảo ổn định điện áp cho hệ thống lưới điện Tuy nhiên, việc đánh giá và lựa chọn thiết bị phát công suất phù hợp, cũng như xác định dung lượng bù tối ưu trong phân tích chế độ xác lập và quá độ vẫn chưa được chú trọng đầy đủ.
Hệ thống điện hiện nay chủ yếu là hệ thống điện xoay chiều, bao gồm các thành phần như máy phát đồng bộ, đường dây truyền tải, máy biến áp và thiết bị bù, được chia thành ba khâu chính: sản xuất, truyền tải và phân phối.
Muốn cho hệ thống điện xoay chiều hoạt động, chúng ta cần phải đáp ứng các yêu cầu cơ bản sau:
• Các máy phát điện làm việc trong chế độ đồng bộ
• Điện áp vận hành nằm trong giới hạn cho phép
• Tần số vận hành nằm trong giới hạn cho phép
• Các đường dây phải được vận hành ở điều kiện bình thường không quá tải
• Các phụ tải phải được cung cấp nguồn điện đầy đủ
Hệ thống điện công suất truyền tải phụ thuộc vào tổng trở, điện áp và góc truyền tải giữa các điểm trên đường dây, điều này giới hạn khả năng truyền tải Để cải thiện công suất truyền tải, cần tăng cường công suất phản kháng ở phía phụ tải thông qua việc lắp đặt cuộn kháng bù ngang và tụ điện bù dọc, giúp điều chỉnh điện áp dọc theo đường dây Nhiều nghiên cứu đã được thực hiện nhằm nâng cao chất lượng và ổn định điện áp cho hệ thống điện Việt Nam, nhưng các thiết bị bù hiện tại vẫn chưa đáp ứng đủ yêu cầu về phản ứng nhanh với sự thay đổi đột ngột của nhu cầu công suất phản kháng Do đó, các thiết bị FACTS (Hệ thống Truyền tải AC Linh hoạt) đã ra đời, đáp ứng tốt các yêu cầu về độ phản ứng nhanh nhạy và dung lượng bù tối ưu, đồng thời nâng cao khả năng điều khiển và tăng cường công suất truyền tải trên đường dây.
Theo định nghĩa của IEEE, FACTS là hệ thống sử dụng thiết bị điện tử công suất và các thiết bị tĩnh để điều khiển một hoặc nhiều thông số của hệ thống đường dây truyền tải điện xoay chiều, nhằm nâng cao khả năng điều khiển và khả năng truyền tải công suất.
Qua định nghĩa trên, cho thấy tầm quan trọng của thiết bị FACTS đến hệ thống điện có sự ảnh hưởng lớn về kinh tế và kỹ thuật
FACTS có thể được kết nối với hệ thống điện theo hai phương thức chính: nối tiếp (bù dọc - series) và bù song song (bù ngang - shunt), hoặc có thể kết hợp cả hai cách này.
Các đường dây truyền tải điện dài tạo ra điện kháng ký sinh, dẫn đến tổn thất điện áp khi truyền tải công suất lớn Để bù đắp cho các điện kháng này, người ta sử dụng các tụ bù dọc theo đường dây Trong tình huống này, hệ thống FACTS hoạt động như một nguồn áp hiệu quả.
Hệ thống điện được nối shunt với các thiết bị FACTS Trường hợp này, FACTS đóng vai trò như một nguồn dòng
Bù song song có hai loại:
Phương pháp nâng cao hệ số công suất liên quan đến việc kết nối một tải có tính cảm với hệ thống, dẫn đến sự giảm hệ số công suất do trễ pha của dòng điện Để bù đắp cho cảm kháng này, người ta lắp đặt một tụ điện song song với tải, giúp dòng điện sớm pha hơn so với điện áp, từ đó nâng cao hệ số công suất.
Phương pháp bù điện dung ký sinh trên đường dây được áp dụng khi đóng điện cho các đường dây không tải hoặc khi tải nhỏ ở cuối đường dây Trong tình huống này, dòng điện chạy qua rất nhỏ, trong khi điện dung ký sinh, đặc biệt ở các đường dây dài, lại có giá trị lớn, gây ra hiện tượng quá áp (hiệu ứng Ferranti) Điện áp tại cuối đường dây có thể tăng gấp đôi so với điện áp nguồn Để khắc phục tình trạng này, các điện cảm song song được lắp đặt dọc theo đường dây nhằm bù đắp cho điện dung ký sinh.
Trong trường hợp không có tổn thất trong đường dây, điện áp nhận được ở cuối đường dây thường gần bằng điện áp ở đầu đường dây, tức là Vs = Vr = V Trong quá trình truyền tải, góc lệch pha delta xuất hiện và phụ thuộc vào giá trị của trở kháng X.
Vì đường dây không có tổn thất nên công suất tác dụng P bằng nhau ở mọi điểm trên đường dây:
Công suất phản kháng đầu đường dây bằng nhưng khác dấu với công suất phản kháng cuối đường dây:
Hình 2.1 Đường dây không có tổn thất
Khi giá trị δ nhỏ, công suất truyền tải trên đường dây chủ yếu bị ảnh hưởng bởi giá trị X, trong khi công suất phản kháng lại phụ thuộc chủ yếu vào độ lớn của điện áp hai đầu.
Các tụ bù nối tiếp trong hệ thống FACTS có khả năng điều chỉnh điện kháng đẳng trị của đường dây, giúp giảm giá trị X và tăng cường khả năng truyền tải công suất tác dụng Tuy nhiên, điều này yêu cầu nguồn điện cung cấp thêm công suất phản kháng.
Hình 2.2 Khi bù nối tiếp
Công suất phản kháng là yếu tố quan trọng giúp duy trì ổn định điện áp trên đường dây Khi công suất tác dụng được truyền tải tăng lên, cần phải cung cấp thêm công suất phản kháng để đảm bảo hiệu suất hoạt động của hệ thống.
Hình 2.3 Khi bù song song
Do tính chất tiêu thụ điện thay đổi theo thời điểm, tình trạng vận chuyển công suất trên các đường dây truyền tải cũng khác nhau, dẫn đến việc một số đường dây có thể bị quá tải trong khi những đường dây khác lại không tải Với sự phát triển công nghiệp hóa hiện nay, nhu cầu truyền tải điện để đáp ứng các phụ tải ngày càng cao, khiến cho đường dây truyền tải cao áp thường xuyên trong tình trạng báo động và xảy ra các hiện tượng như quá tải và nhiễu hệ thống, bao gồm dao động tần số và điện áp.
Để cải thiện khả năng truyền tải điện năng và khắc phục các nhược điểm hiện có, các thiết bị FACTS đã được áp dụng vào hệ thống điện trên toàn thế giới Những thiết bị này cho phép điều khiển điện áp, trở kháng và góc pha của đường dây xoay chiều cao áp, mang lại nhiều lợi ích cho nhà cung cấp điện.
• Tận dụng lưới truyền tải hiện hữu để lắp đặt các thiết bị FACTS
• Giảm chi phí đầu tư
• Tăng độ tin cậy và khả năng sẵn sàng của hệ thống truyền tải
• Tăng độ ổn định quá độ của lưới
• Tăng chất lượng cung cấp điện năng cho các ngành công nghiệp và các ngành có yêu cầu chất lượng điện năng cao
• Ảnh hưởng không đáng kể đến môi trường xung quanh
2.1.5 Phân loại thiết bị FACTS
Trước đây, ngành công nghiệp điện tử công suất chưa phát triển, việc nâng cao chất lượng điện áp trên hệ thống điện gặp nhiều hạn chế và thời gian đáp ứng chậm Điều này do việc phải thực hiện đóng cắt các khóa cơ khí của các thiết bị điện như cuộn dây, tụ điện và bộ chuyển đổi nấc máy biến áp để ổn định điện áp.
Ứng dụng thiết bị FACTS trong hệ thống điện
2.2.1 Bộ bù công suất Var tĩnh –SVC
2.2.1.1 Cấu tạo và nguyên lý hoạt động
Hình 2.4 Bộ SVC kết nối với hệ thống điện
Hầu hết các bộ SVC được kết nối với mạng lưới truyền tải điện thông qua máy biến áp tăng áp ghép bộ Ở phía nút điện áp thấp của máy biến áp, thường có ba phần tử chính: cuộn kháng điều khiển bằng Thyristor (TCR), bộ tụ chuyển mạch bằng thyristor và bộ lọc sóng hài ổn định TCR (Thyristor Controlled Reactor) là thiết bị điều khiển liên tục dòng điện qua cuộn cảm mắc song song với lưới bằng cách điều chỉnh góc kích của thyristor, kết nối vào thanh cái điện áp thấp.
Sơ đồ mạch một pha của bộ TCR, bao gồm cặp thyristor mắc song song, ngược chiều nhau và nối vào cuộn điện kháng tuyến tính
Hình 2.5 Cấu tạo bộ TCR
T: Thyristor có chức năng điều chỉnh dòng điện đi qua TCR
Thyristor có khả năng điều khiển đóng ngắt, cho phép điện kháng hiệu dụng tần số cơ bản của TCR thay đổi liên tục từ giá trị xác định đến vô hạn, tùy thuộc vào góc kích TSC (Thyristor Switched Capacitor) là thiết bị bù công suất phản kháng, có khả năng đóng cắt tụ điện thông qua việc điều khiển thyristor Sự kết hợp giữa TSC và TCR giúp điện kháng tương đương thay đổi linh hoạt từ tính dung sang tính kháng.
Sơ đồ mạch một pha của bộ TSC bao gồm cặp Thyristor mắc song song, ngược chiều nhau và nối vào bộ tụ điện
Hình 2.6 Cấu tạo bộ TSC
- T : Thyristor có chức năng đóng hoặc ngắt bộ tụ điện
- Van thyristor được đóng mở phụ thuộc vào tín hiệu xung điều khiển vào cực G của thyristor
Bộ TSC là một thiết bị tụ điện điều chỉnh điện dung C thông qua hai thyristor mắc song song, cho phép thay đổi tín hiệu xung Trong khi đó, bộ lọc cố định (Fixed Filters) được sử dụng để loại bỏ sóng hài bậc cao và bù công suất phản kháng cho phụ tải, giúp cải thiện hiệu suất hoạt động của hệ thống điện Sóng hài bậc cao thường xuất hiện do chế độ làm việc không hoàn toàn của TCR khi thyristor dẫn điện.
TCR sẽ không có dạng hình sin)
Sơ đồ mạch môt pha của bộ lọc sóng hài gồm có cuộn điện kháng XL nối tiếp vào bộ tụ điện C
Hình 2.7 Cấu tạo bộ lọc sóng hài
Các phụ tải phi tuyến và phần tử điều chỉnh công suất phản kháng (TCR) là nguồn chính tạo ra sóng hài bậc cao trong hệ thống điện 3 pha, với các bậc 5, 7, 11 và 13 là chủ yếu Sóng hài bậc ba thường được hạn chế nhờ cách đấu dây của máy biến áp hoặc thuật toán điều khiển cho bộ biến đổi công suất Mạch lọc cộng hưởng được điều chỉnh để loại bỏ các thành phần sóng hài bậc cao, hoạt động như trở kháng ngắn mạch, giảm thiểu ảnh hưởng lên nguồn điện áp của lưới điện Thay đổi góc kích α của thyristor sẽ làm thay đổi điện kháng hiệu dụng của TCR, từ đó ảnh hưởng đến điện kháng hiệu dụng của SVC Nhờ nguyên lý này, SVC có khả năng cung cấp hoặc tiêu thụ công suất phản kháng, nhằm điều chỉnh điện áp tại điểm kết nối với hệ thống điện.
Hình 2.8 Sơ đồ bộ SVC
I SVC : Dòng điện của SVC với điện áp ở nút điện áp cao
P Isvc : Công suất tác dụng bơm vào bên trong máy biến áp ghép bộ từ nút điện áp thấp SVC
2.2.1.2 Ứng dụng của bộ bù công suất Var tĩnh – SVC:
Hình 2.9 Sơ đồ kết nối bộ SVC với hệ thống điện
Bộ SVC, như được trình bày trong Hình 2.9, là thành phần quan trọng trong hệ thống truyền tải điện, được sử dụng để điều khiển điện áp tại các điểm yếu trong mạng lưới Thường được lắp đặt ở vị trí giữa các đường dây truyền tải, SVC nổi bật với độ chính xác cao, khả năng sẵn sàng và phản ứng nhanh, giúp duy trì trạng thái ổn định và cải thiện chất lượng điều khiển điện áp quá độ Ngoài ra, thiết bị SVC còn có khả năng giảm dao động công suất, nâng cao độ ổn định quá độ và giảm tổn thất trong hệ thống thông qua việc tối ưu hóa điều khiển công suất phản kháng.
2.2.2 Bộ bù đồng bộ tĩnh –STATCOM
2.2.2.1 Cấu tạo và nguyên lý hoạt động
Hình 2.10 Giản đồ bộ STATCOM
Bộ STATCOM được kết nối song song với đường dây điện và hoạt động mà không cần nguồn năng lượng dự trữ, đóng vai trò như một thiết bị bù công suất phản kháng hiệu quả.
Việc điều khiển dòng công suất phản kháng trong hệ thống điện được thực hiện thông qua việc điều chỉnh điện áp ngõ ra V, sao cho nó cùng pha với điện áp hệ thống VT.
Nếu điện áp V nhỏ hơn điện áp hệ thống VT, dòng điện trong bộ nghịch lưu sẽ mang tính cảm, và bộ STATCOM sẽ nhận công suất phản kháng từ hệ thống.
Khi điện áp V lớn hơn điện áp hệ thống VT, dòng điện qua cuộn kháng sẽ mang tính dung, khiến bộ STATCOM cung cấp công suất phản kháng cho hệ thống Hình 2.11 minh họa cấu trúc cơ bản của bộ biến đổi nguồn điện áp (VSC).
Hình 2.11 Cấu trúc cơ bản của bộ VSC
Bộ biến đổi toàn sóng 3 pha bao gồm 6 bộ chuyển mạch, mỗi bộ sử dụng một thyristor GTO (gate-turn-off) kết hợp với một diode, nhằm tạo ra dạng sóng điện áp đầu ra gần giống hình sin Các thyristor GTO trong bộ VSC được điều khiển bởi một khối chương trình nhằm giảm thiểu tối đa sự phát sinh sóng hài trong quá trình hoạt động, từ đó giảm nhu cầu lọc sóng hài.
Hầu hết các phương pháp thường được sử dụng cho việc điều khiển điện áp xoay chiều bằng các phương pháp biến đổi như là:
Thay đổi điện áp một chiều có thể thực hiện thông qua bộ biến đổi sóng đầy đủ, thường được gọi là bộ điều chế biên độ xung (PAM).
- Điện áp một chiều không đổi với bộ điều chế độ rộng xung (Pulse Width Modulated - PWM)
Nguyên lý hoạt động của STATCOM dựa trên bộ biến đổi nguồn điện áp (VSC) sử dụng các linh kiện điện tử công suất như thyristor GTO hoặc transistor IGBT, cho phép ngắt dòng điện khi nhận tín hiệu từ cổng điều khiển Điều này giúp STATCOM phát ra nguồn điện áp xoay chiều AC tại tần số cơ bản với biên độ có thể điều chỉnh Sơ đồ khối của STATCOM được thể hiện trong hình 2.12.
Sự chuyển đổi công suất phản kháng trong lưới điện được thực hiện thông qua việc điều khiển biên độ điện áp (V), trong khi công suất tác dụng được điều chỉnh bằng cách thay đổi dịch chuyển pha (ψ) Thông thường, sự thay đổi công suất tác dụng chỉ liên quan đến việc điều khiển điện áp một chiều.
Hình 2.12 Nguyên lý hoạt động của bộ STATCOM
2.2.2.2 Ứng dụng của bộ bù đồng bộ tĩnh – STATCOM:
Hình 2.13 Sơ đồ kết nối bộ STATCOM với hệ thống điện
Bộ STATCOM là thiết bị bù ngang, có khả năng chuyển đổi nguồn điện áp một chiều thành điện áp xoay chiều, nhằm bù công suất phản kháng cho hệ thống điện.
STATCOM không cần các thành phần cảm kháng và dung kháng lớn để cung cấp công suất phản kháng cho hệ thống truyền tải cao áp, mang lại lợi thế về hiệu suất Thêm vào đó, thiết bị này cung cấp đầu ra phản ứng nhanh ngay cả ở điện áp hệ thống thấp.
2.2.3 Bộ bù nối tiếp đồng bộ tĩnh –SSSC
Hình 2.14 Sơ đồ kết nối SSSC với hệ thống điện
QUAN VỀ HỆ NƠRON MỜ (ANFIS)
Đặt vấn đề
Từ những năm 1920, lý thuyết tập mờ và mạng nơ-ron nhân tạo đã phát triển mạnh mẽ, thu hút sự chú ý trong lĩnh vực trí tuệ nhân tạo Logic mờ đóng vai trò quan trọng trong việc xây dựng các hệ chuyên gia, cho phép cung cấp kinh nghiệm điều khiển hệ thống hiệu quả Trí tuệ nhân tạo dựa trên mạng nơ-ron nhân tạo, và sự kết hợp giữa logic mờ và mạng nơ-ron trong thiết kế hệ thống điều khiển tự động tạo ra một xu hướng mới Hệ điều khiển thông minh được phát triển với khả năng tư duy giống như bộ não con người, cho phép tự học và tự điều chỉnh để thích ứng với những thay đổi không lường trước được của đối tượng.
Hệ mờ và mạng nơron có khả năng hoạt động hiệu quả trong các hệ thống không ổn định và điều kiện môi trường khắc nghiệt Các nghiên cứu đã chỉ ra rằng việc đánh giá và so sánh giữa hai công nghệ này mang lại nhiều lợi ích Hiện nay, các nhà thiết kế đang áp dụng logic mờ và mạng nơron một cách rộng rãi trong lĩnh vực điều khiển học Mục tiêu là kết hợp những ưu điểm của cả hai công nghệ để tối ưu hóa hiệu suất và khắc phục nhược điểm, từ đó tạo ra một hệ thống mới mạnh mẽ hơn.
Hệ thống hợp nhất kết hợp ưu điểm của mạng nơron, bao gồm khả năng học tập và tối ưu hóa, cùng với cấu trúc kết nối mạnh mẽ, và hệ mờ, mang lại sự thông minh của con người thông qua các luật mờ if - then, đồng thời cho phép hiểu biết chuyên môn sâu sắc từ các chuyên gia.
Tổng quan về điều khiển mờ
Trong sự phát triển của công nghệ hiện đại, điều khiển lôgic đóng vai trò quan trọng không chỉ trong khoa học tự nhiên mà còn trong khoa học xã hội và suy luận hàng ngày Tuy nhiên, lôgic toán học kinh điển gặp nhiều hạn chế khi giải quyết các bài toán phức tạp trong nghiên cứu và thiết kế hệ thống Đặc biệt, trong các lĩnh vực sử dụng trí tuệ nhân tạo và quản lý hệ thống lớn, cần sự hỗ trợ từ các chuyên gia để xử lý độ phức tạp cao.
Sự phát triển mạnh mẽ của công nghệ thông tin, đặc biệt là kỹ thuật vi xử lý và phần mềm, đã tạo điều kiện cho việc ứng dụng hệ thống điều khiển thông minh trong các ngành công nghiệp Các hệ thống này, dựa trên trí tuệ nhân tạo, cho phép con người kiểm soát những đối tượng mà trước đây được coi là không thể điều khiển, đặc biệt trong các bài toán mà đối tượng không thể mô tả bằng mô hình toán học hoặc khi mô hình quá phức tạp và cồng kềnh.
Khi thiết kế bộ điều khiển kinh điển, thường gặp khó khăn với các bài toán có độ phức tạp cao, phi tuyến lớn và thường xuyên thay đổi trạng thái hoặc cấu trúc của đối tượng.
Năm 1965, L.A Zadeh tại trường đại học Berkeley, California, đã phát hiện ra nhu cầu cần thiết và sáng tạo ra lý thuyết điều khiển mờ (Fuzzy Sets Theory), đặt nền tảng cho nhiều lý thuyết quan trọng khác Phát minh này được coi là một bước đột phá, hứa hẹn giải quyết nhiều vấn đề phức tạp trong thực tiễn.
Vào năm 1970, Ebrahim Mamdani tại trường Marry Queen London đã áp dụng logic mờ để điều khiển một máy hơi nước mà kỹ thuật cổ điển không thể xử lý Tại Đức, Hann Zimmermann cũng đã sử dụng logic mờ cho các hệ thống ra quyết định Nhật Bản đã ứng dụng logic mờ vào nhà máy xử lý nước của Fụi Electronic vào năm 1983, cùng với hệ thống xe điện ngầm của Hitachi vào năm 1987 và đường sắt Sendai Các ứng dụng logic mờ đang được phát triển trong nhiều lĩnh vực như điều chỉnh, nội suy, phân loại, chữ viết tay, nhận dạng giọng nói, và ổn định hình ảnh trong các thiết bị như máy giặt, máy hút bụi, điều hòa không khí, và quạt điện Đặc biệt, một thí nghiệm con lắc ngược vào năm 1987 đã chứng minh rằng "các đáp ứng cân bằng được sinh ra gần 100 lần ngắn hơn so với các đáp ứng của bộ điều khiển PID truyền thống".
Lý thuyết mờ, ra đời tại Mỹ và ứng dụng đầu tiên ở Anh, đã phát triển mạnh mẽ nhất tại Nhật Bản Trong lĩnh vực tự động hóa, logic mờ ngày càng được áp dụng rộng rãi, đặc biệt hữu ích cho các hệ thống phức tạp với hàm truyền chưa rõ ràng Logic mờ có khả năng giải quyết những vấn đề mà các phương pháp điều khiển kinh điển không thể thực hiện.
Phương pháp điều khiển mờ nhằm xây dựng các phương pháp mô phỏng cách con người điều khiển trong những hệ thống phức tạp, không thể biểu diễn bằng mô hình toán lý Bằng cách sử dụng các mệnh đề IF … THEN, các luật mờ ra đời để mô tả mối quan hệ giữa các biến vào và biến ra Ví dụ, trong giáo dục tiểu học, nhiều người ngạc nhiên khi biết rằng cá voi là động vật có vú, vì chúng có đặc điểm như máu nóng, sinh con, nuôi con bằng sữa và có lông Hệ thống phân loại này phản ánh logic hai trị truyền thống, mặc dù cá voi có hình dáng và hành vi giống cá Một nhà logic mờ sẽ phân loại cá voi vào cả hai nhóm động vật có vú và cá, thể hiện tính linh hoạt của phân loại tự nhiên.
So với phương pháp điều khiển truyền thống, điều khiển mờ mang lại nhiều ưu điểm vượt trội Kỹ thuật này cho thấy sự hiệu quả và linh hoạt cao trong các quá trình điều khiển, đặc biệt là trong các điều kiện chưa được xác định rõ và thiếu thông tin.
Nguyên lý điều khiển mờ giúp tự động hóa quá trình và thiết bị, từ đó nâng cao chất lượng sản phẩm mong muốn.
Nguyên tắc điều khiển mờ sở hữu cấu trúc đơn giản hơn so với các bộ điều khiển kinh điển cùng chức năng, giúp tăng độ tin cậy cho thiết bị và giảm giá thành sản phẩm Điều khiển mờ là sự tiến bộ liên tục của kỹ thuật vi xử lý, tạo ra cầu nối quan trọng giữa lý thuyết điều khiển mờ và ứng dụng thực tiễn.
3.2.2 Cấu trúc của hệ điều khiển mờ a) Sơ đồ khối: Sơ đồ các khối chức năng của hệ điều khiển mờ được chỉ ra trên hình 3.1 Trong đó các khối chính của bộ điều khiển mờ là khối mờ hóa, khối thiết bị hợp thành và khối giải mờ Ngoài ra cò có giao diện vào và giao diện ra để đưa tín hiệu vào bộ điều khiển và xuất tín hiệu từ ngõ ra bộ điều khiển đến cơ cấu chấp hành
Bộ điều khiển mờ bao gồm các khối chức năng quan trọng, trong đó giao diện vào, ra đảm nhiệm việc chuẩn hóa tín hiệu tương tự thành tín hiệu số và ngược lại Giao diện này thường được tích hợp trong một CARD xử lý số chuyên dụng hoặc lắp thêm vào khe cắm mở rộng của máy tính Khối mờ hóa là phần đầu tiên của bộ điều khiển mờ, chuyển đổi giá trị rời rạc của biến ngữ nghĩa đầu vào thành véc tơ với số chiều tương ứng với số tập mờ đầu vào, thường không vượt quá 9 tập mờ Hình dạng của các hàm liên thuộc có thể được tùy chọn như hình tam giác, hình thang hay hàm Gaus, mỗi loại đều có ưu và nhược điểm riêng Hiện tại, chưa có nghiên cứu nào xác định rõ dạng hàm liên thuộc nào là tốt nhất cho các ứng dụng thực tế Hình 3.2 minh họa phương pháp mờ hóa biến điện áp trong khoảng từ 100V - 300V bằng 5 tập mờ dạng hàm Gaus.
𝜇 𝑅𝐶 (𝑥 0 ) ví dụ với x0 0V ta có 𝜇⎩⎪
Hình 3.2 Các hàm liên thuộc của một biến ngôn ngữ
Khối thiết bị hợp thành:
Khối thiết bị hợp thành, còn gọi là cơ cấu suy diễn hay động cơ suy diễn, có chức năng biến đổi giá trị đầu vào (x0) thành tập mờ B' (x0) dựa trên các luật điều khiển Khối này bao gồm hai phần chính: Luật điều khiển (hợp thành) và suy diễn mờ.
Luật điều khiển bao gồm các mệnh đề hợp thành, bao gồm mệnh đề đơn và mệnh đề phức, được liên kết với nhau thông qua toán tử "Hoặc".
R 1 : Nếu X1 = A 1 và X 2 = B 1 và … thì Y 1 = C 1 và Y 2 = D 1 … hoặc
R 2 : Nếu X1 = A2 và X2 = B2 và ….thì Y1 = C2 và Y2 = D2 … hoặc
R n : Nếu X1 = A n và X 2 = B n và … thì Y 1 = C n và Y 2 = D n … (1.1)
Tùy thuộc vào số lượng mệnh đề điều kiện và mệnh đề kết luận trong mỗi câu hợp thành, có nhiều cấu trúc điều khiển khác nhau.
Cấu trúc SISO (một vào, một ra): Chỉ có một mệnh đề điều kiện và một mệnh đề kết luận
Ví dụ: R 1 : nếu χ = A1 thì γ = B1 hoặc R2: nếu χ = A2 thì γ = B2
Cấu trúc MISO (Nhiều vào, một ra): Có từ 2 mệnh đề điều kiện trở lên và một mệnh đề kết luận
Ví dụ: Nếu χ1 = A 1 và χ2 = A 2 thì γ = B
Cấu trúc MIMO (Nhiều vào, nhiều ra): Có ít nhất 2 mệnh đề điều kiện và
Ví dụ: R1: Nếu χ1 = A 1 và χ2 = B 1 thì γ = C1 hoặc R2: Nếu χ1 = A 2 và χ2 = B 2 thì γ = C2
Tổng quan về mạng nơron
Trí tuệ nhân tạo, đặc biệt là mạng nơron nhân tạo, đã phát triển mạnh mẽ nhờ vào logic mờ, tạo ra các hệ chuyên gia có khả năng điều khiển hệ thống hiệu quả Mạng nơron nhân tạo được thiết kế dựa trên cấu trúc của bộ não người, mở ra hướng nghiên cứu mới cho hệ thống thông tin Nó có khả năng giải quyết các bài toán như tính toán gần đúng hàm số, tối ưu hóa, nhận dạng mẫu và điều khiển đối tượng, vượt trội hơn so với phương pháp truyền thống Với hàng triệu liên kết giữa các nơron, mạng nơron nhân tạo có khả năng tự học và điều chỉnh theo sự thay đổi của đối tượng điều khiển, đồng thời tổng hợp thông tin từ dữ liệu mẫu Tuy nhiên, không phải tất cả chức năng của bộ não con người đều được tái tạo, mà chỉ những chức năng cần thiết cùng với các chức năng mới để giải quyết các bài toán điều khiển cụ thể.
3.3.2 Lịch sử phát triển của mạng nơron nhân tạo
Mạng nơron, được phát triển từ những năm 1940, nhằm mô phỏng chức năng của bộ não con người, với quan điểm rằng não bộ là bộ điều khiển Mạng nơron nhân tạo được thiết kế để giải quyết nhiều bài toán tối ưu, điều khiển và ứng dụng trong công nghệ robot.
Qua quá trình nghiên cứu và phát triển nơron nhân tạo có thể chia làm 4 giai đoạn như sau:
Giai đoạn 1 trong nghiên cứu về tâm lý học bắt đầu từ công trình của William (1980), liên quan đến sự kết nối của các nơron thần kinh Năm 1940, Mc Culloch và Pitts đã chỉ ra rằng nơron có thể được mô hình hóa như một thiết bị ngưỡng để thực hiện các phép tính logic Mô hình mạng nơron Mc Culloch-Pitts, cùng với thuật toán huấn luyện mạng của Hebb, được phát triển vào năm 1943.
Vào những năm 1960, các mô hình nơron tiên tiến như Perception của Rosenblatt (1958) và Adalile của Widrow (1962) đã được giới thiệu Mô hình Perception thu hút sự chú ý nhờ nguyên lý đơn giản, nhưng lại không khả thi cho các hàm logic phức tạp vào năm 1969 Trong khi đó, Adalile là mô hình tuyến tính tự chỉnh, được áp dụng rộng rãi trong điều khiển thích nghi, tách nhiễu và vẫn tiếp tục phát triển cho đến nay.
Giai đoạn 3 vào đầu thập niên 80 chứng kiến những đóng góp quan trọng cho mạng nơron từ các nhà nghiên cứu như Grossberg, Kohnonen, Rumelhart và Hopfield Trong số đó, đóng góp nổi bật của Hopfield bao gồm hai loại mạng phản hồi: mạng rời rạc ra mắt năm 1982 và mạng liên tục phát triển năm 1984 Những ý tưởng của Hopfield đã được Rumelhart, Hinton và các đồng nghiệp tiếp tục phát triển.
Williams đã giới thiệu thuật toán sai số truyền ngược nổi tiếng để huấn luyện mạng nơron nhiều lớp, giúp giải quyết các bài toán mà các mạng khác không thể thực hiện Sự phát triển này đã dẫn đến nhiều ứng dụng mạnh mẽ của mạng nơron, cùng với các mạng theo kiểu Boltzmann.
Từ năm 1987 đến nay, mạng nơron đã khẳng định vị trí quan trọng của mình trong nhiều ứng dụng khác nhau, bao gồm điều khiển và giải quyết các bài toán tối ưu.
3.3.3 Cấu trúc mạng nơron nhân tạo a) Mạng nơron sinh học
Nơron là đơn vị cơ bản cấu thành bộ não con người, bao gồm ba phần chính: thân nơron, các nhánh và sợi trục Sơ đồ cấu tạo của nơron sinh học được minh họa trong hình 3.12.
Hình 3.12 Mô hình 2 nơron sinh học
- Thân nơron (soma): Được giới hạn trong một màng membran và trong cùng là nhân Thân nơron có rất nhiều đường rẽ nhánh gọi là rễ
Nơron có hai loại rễ: rễ đầu vào nhận thông tin từ các nơron khác qua axon và rễ đầu ra truyền thông tin tới nơron khác Mỗi nơron có thể có nhiều rễ đầu vào nhưng chỉ có một rễ đầu ra.
- 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 kết nối hình trụ dài và mang các tín hiệu ra ngoài
Phần cuối của axon phân nhánh thành nhiều nhánh nhỏ, kết thúc tại các synapte - những cơ quan hình củ hành Tại đây, các nơron truyền tín hiệu đến các nơron khác thông qua các điểm tiếp nhận trên dendrite hoặc soma của nơron.
Hoạt động của nơron sinh học có thể mô tả như sau:
Các tín hiệu điện tử từ synapte được nhận bởi dendrite thông qua một quá trình hóa học phức tạp, trong đó các chất truyền được giải phóng từ phía gửi Quá trình này làm thay đổi điện thế trong thân nơron nhận, và nếu điện thế vượt qua ngưỡng nhất định, nơron sẽ kích hoạt và phát ra một xung điện (điện thế hoạt động) với cường độ và thời gian cố định Xung này được truyền qua axon đến các nhánh và các chỗ nối synapte với nơron khác Sau khi kích hoạt, nơron cần một khoảng thời gian gọi là chu kỳ trước khi có thể được kích hoạt lại Synapses có thể là hưng phấn, cho phép kích thích truyền qua gây ra tình trạng kích hoạt, hoặc ức chế, ngăn chặn sự kích hoạt.
(inhibitory) nếu các kích thích truyền qua làm ngăn trở trạng thái kích hoạt (fire) của nơron nhận b) Mạng nơron nhân tạo
Nơron nhân tạo là sự sao chép nơron sinh học của não người, nó có những đặc tính sau:
- Mỗi nơron có một số đầu vào, những kết nối (Synaptic) và một đầu ra (axon)
- Một nơron có thể hoạt động (+35mV) hoặc không hoạt động (-0,75mV)
Một nơron chỉ có một đầu ra duy nhất, nhưng đầu ra này có thể được kết nối với nhiều đầu vào của nơron khác Việc kích hoạt hoặc không kích hoạt nơron hoàn toàn phụ thuộc vào các đầu vào hiện tại của chính nó.
Một nơron trở nên tích cực nếu đầu vào của nó vượt qua ngưỡng ở một mức nhất định
Hình 3.13 Mô hình nơron đơn giản
Các đầu vào của nơron có trọng số Wj và được tổng hợp thông qua bộ tổng Đầu ra từ bộ tổng quyết định giá trị đầu ra thông qua hàm chuyển, với nhiều kiểu hàm chuyển khác nhau sẽ được đề cập sau Giống như nơron sinh học của con người, nơron sẽ được kích hoạt khi tổng giá trị đầu vào vượt quá ngưỡng và không được kích hoạt nếu thấp hơn ngưỡng Quá trình này được gọi là sự kích hoạt nhảy bậc.
Kết nối một vài nơron ta được mạng nơron Hình 3.14 là một mạng nơron gồm
3 lớp: lớp vào, lớp ẩn và lớp ra
Các nơron trong lớp vào nhận tín hiệu đầu vào, với mỗi nơron chỉ có một tín hiệu Lớp ẩn kết nối tất cả nơron ở lớp vào và lớp ra, trong khi nơron ở lớp ra nhận tín hiệu từ tất cả nơron ở lớp ẩn, đóng vai trò là đầu ra của mạng Một mạng nơron có thể có nhiều lớp ẩn, và các nơron trong mỗi lớp chỉ kết nối với nơron ở lớp kế tiếp theo chiều từ trái sang phải, được gọi là mạng nhiều lớp truyền thẳng (perceptrons).
3.3.4 Mô hình nơron a) Nơron đơn giản:
Xét một nơron với một đầu vào vô hướng và không có độ dốc
Hình 3.15 Mô hình nơron đơn giản c) Nơron với nhiều đầu vào (véc tơ vào)
Nơron với véc tơ vào gồm R phần tử đ ƣợc chỉ ra trên hình 3.16
Hình 3.16 Nơron với R đầu vào
Trong đó các đầu vào p1, p 2 , p R được nhân với các trọng liên kết w1,1, w 1,2 , w1,R
Các trọng liên kết được biểu diễn bằng ma trận hàng, véc tơ p là ma trận cột
Trong đó: W là ma trận trọng liên kết có kích thước 1x R
P là véc tơ vào gồm R phần tử
Cách biểu diễn trên sẽ rất khó khăn khi mô tả mạng gồm nhiều nơron và có nhiều lớp Để đơn giản ta sử dụng ký hiệu như hình 3.17
Hình 3.17 Ký hiệu nơron với R đầu vào
Nhiều nơron kết hợp với nhau tạo thành mạng nơron, mạng nơron có thể có một lớp hoặc nhiều lớp a) Mạng một lớp
Một cấu trúc mạng 1 lớp với R đầu vào và S nơron được chỉ ra trên hình 3.18
Hình 3.18 Cấu trúc mạng nơron 1 lớp
- Véc tơ vào p có R phần tử p T = [p1 p2 … pR]
- Véc tơ vào n có S phần tử n T = [n 1 n 2 … n S ]
- Véc tơ vào a có S phần tử a T = [a 1 a 2 … a S ]
Trong mạng nơron, mỗi phần tử của véc tơ đầu vào p được kết nối với đầu vào của từng nơron thông qua ma trận trọng số W Bộ cộng của nơron thứ i thu thập các trọng số đầu vào và độ dốc để tạo ra đầu ra vô hướng ni Các đầu ra ni này kết hợp lại tạo thành véc tơ đầu vào n với s phần tử Cuối cùng, ở lớp ra nơron, chúng ta thu được véc tơ a gồm s phần tử Để đơn giản, mạng nơron một lớp được ký hiệu với S nơron và R đầu vào như hình vẽ 2.19.
Hình 3.19 Ký hiệu mạng R đầu vào và S
Sự kết hợp giữa mạng nơron và logic mờ
3.4.1 Vài nét về lịch sử phát triển
Năm 1970, Lee đã nghiên cứu mối liên hệ giữa lý thuyết tập mờ và mạng nơron, đánh dấu sự ra đời của bộ điều khiển nơron mờ Tiếp theo, vào năm 1971, thiết bị tự động đầu tiên với cơ chế suy diễn mờ dựa trên nguyên lý mạng nơron đã được phát triển, mặc dù vẫn còn ở mức độ thấp.
Thập kỷ 80-90 chứng kiến sự bùng nổ của công trình nơron mờ, đặc biệt trong nhận dạng ảnh, hệ thống hỗ trợ quyết định và cơ chế suy diễn nơron mờ Sự phát triển này được thúc đẩy bởi mạng nơron Hopfield và Tank, cùng với sự hoàn thiện của thuật toán lan truyền ngược do Rumelhart, Hinton, Williams, Nauck và Kruse phát triển cho mạng MLP Bên cạnh đó, sự ra đời của các sản phẩm logic mờ tại Nhật Bản cũng đóng góp quan trọng vào sự phát triển này.
Bản phát triển mạnh mẽ và các chíp mờ đã được ứng dụng trong điều khiển máy giặt, nồi cơm điện, máy điều hòa…
3.4.2 Logic mờ Đối với logic mờ, ta dễ dàng thiết kế một hệ thống mong muốn chỉ bằng các luật Nếu - thì (If-Then) gần với việc xử lý của con người Điều này cho phép tạo ra lời giải đơn giản hơn, trong khoảng thời gian ngắn hơn Thêm nữa, ta dễ dàng sử dụng những hiểu biết của mình về đối tượng để tối ưu hệ thống một cách trực tiếp Tuy nhiên, đi đôi với các ưu điểm hệ điều khiển mờ còn tồn tại một số nhược điểm như việc thiết kế và tối ưu hóa hệ logic mờ đòi hỏi phải có một số kinh nghiệm về điều khiển đối tượng, đối với những người mới thiết kế lần đầu điều đó hoàn toàn không đơn giản Mặt khác còn hàng loạt những câu hỏi khác đặt ra cho người thiết kế mà nếu chỉ dừng lại ở tư duy logic mờ thì hầu như chưa có lời giải Ví dụ: Số tập mờ trong mỗi biến ngôn ngữ cần chọn bao nhiêu là tối ưu? Hình dạng các tập mờ thế nào? Vị trí mỗi tập mờ ở đâu? Việc kết hợp các tập mờ như thế nào? Trọng số của mỗi luật điều khiển bằng bao nhiêu? Nếu như tri thức cần đưa vào hệ được thể hiện dưới dạng các tập dữ liệu (điều này thường gặp khi thu thập và xử lý dữ liệu để nhận dạng đối tượng) thì làm thế nào? [38]
3.4.3 Mạng nơron Đối với mạng nơron, chúng có một số ưu điểm như: xử lý song song nên tốc độ xử lý rất nhanh; có khả năng học hỏi, ta có thể huấn luyện mạng để xấp xỉ một hàm phi tuyến bất kỳ đặc biệt khi đã biết một tập dữ liệu vào/ra Đi đôi với những ưu điểm đó mạng nơron vẫn còn tồn tại một số nhược điểm cơ bản là khó giải thích rõ ràng hoạt động của mạng nơron như thế nào Do vậy, việc chỉnh sửa trong mạng nơron rất khó khăn [38]
3.4.4 Sự kết hợp giữa mạng nơron và logic mờ
Một số tiêu chí cơ bản trợ giúp cho người thiết kế ở logic mờ và mạng nơron (Bảng 3.1)
Bảng 3.1 So sánh mạng nơron và logic mờ
Tiêu chí Mạng nơron Logic mờ
Thể hiện tri thức Không tường minh, khó giải thích và khó sửa đổi Tường minh, dễ kiểm chứng hoạt động và dễ sửa đổi
Khả năng học Có khả năng học thông qua các tập dữ liệu Không có khả năng học, người thiết kế phải tự thiết kế tất cả
Tính nhạy cảm với những thay đổi của mô hình
Nguồn của tri thức Từ các mẫu học Từ các kinh nghiệm chuyên gia
Lưu giữ tri thức Trong nơron và trọng số của từng đường ghép nối
Trong luật hợp thành và hàm thuộc
Mạng nơron và logic mờ đều có những điểm mạnh và điểm yếu riêng, với ưu điểm của mạng nơron trở thành nhược điểm của bộ điều khiển mờ và ngược lại Để tận dụng cả hai, người ta đã kết hợp chúng thành một hệ thống lai, mang lại lợi ích từ cả logic mờ và mạng nơron Logic mờ giúp thiết kế hệ thống dễ dàng và tường minh, trong khi mạng nơron cho phép học hỏi và tự động điều chỉnh các hàm phụ thuộc vào hình dạng, vị trí và sự kết hợp Sự kết hợp này không chỉ giảm thời gian phát triển mà còn tiết kiệm chi phí cho việc xây dựng hệ thống mờ nơron.
Việc ghép nối có thể thực hiện qua nhiều phương pháp khác nhau, mỗi phương pháp sẽ mang lại giá trị riêng cho từng hệ thống điều khiển cụ thể.
Hệ thống suy luận nơron mờ, một kỹ thuật kết hợp giữa điều khiển mờ và mạng nơron, đã đạt được nhiều thành công đáng kể trong lĩnh vực kỹ thuật điều khiển.
Cấu trúc chung của hệ nơron mờ
Hình 3.24 Kiến trúc kiểu mẫu của một hệ nơron mờ
Hình 3.25 Mô hình hệ nơron mờ
Hình 3.26 Cấu trúc chung của hệ nơron mờ
Các hệ thống điều khiển dùng nơron mờ trong nước và trên thế giới
Lý thuyết tập mờ và mạng nơron, mặc dù ra đời muộn, đã chứng minh được ưu thế và khả năng ứng dụng trong nhiều lĩnh vực, đặc biệt trong điều khiển chất lượng cao Sự kết hợp giữa lý thuyết tập mờ và mạng nơron mang lại nhiều lợi ích, nhờ vào tính linh hoạt trong xử lý và khả năng ứng dụng mềm dẻo Hiện nay, hệ nơron mờ vẫn đang phát triển mạnh mẽ và thu hút sự quan tâm của nhiều nhà khoa học Bài viết này sẽ giới thiệu một số nghiên cứu về ứng dụng của hệ thống điều khiển sử dụng nơron mờ cả trong nước và quốc tế, bao gồm ứng dụng mạng nơron để điều khiển bộ bù tĩnh.
- Đoàn Quang Vinh, Trần Đình Tân-Khoa Điện, trường Đại học Bách Khoa, Đại học Đà Nẵng [39]
Hệ thống điều khiển SVC được mô phỏng bằng nơron mờ, cho phép ứng dụng mạng nơron mờ để xác định độ hút mong muốn Độ hút này phụ thuộc vào dữ liệu thu thập từ thực nghiệm cũng như các đặc tính của máy, như đã được trình bày bởi Nikos et al (1999).
Bộ điều khiển van chuyên gia được thiết kế để tạo ra, điều chỉnh và duy trì lượng hút tính toán từ modul hút noron mờ Đặc tính của hệ thống điều khiển độ hút được so sánh với kết quả thực nghiệm từ việc sử dụng hệ thống kẹp mẫu với vật liệu mềm.
Hình 3.28 Hệ thống hút tích hợp với cánh tay robot c) Ứng dụng mạng nơron mờ cho việc điều khiển nhiệt độ dùng quang phổ dạng TSK - Cheng, Chen, Lee (2006)
Mô hình 5 lớp kết hợp với bộ TSK truyền thống, trong đó lớp 2 chứa các hàm chức năng kích hoạt nhiều lớp thành phần quang phổ Mỗi hàm thành phần được hình thành từ tổng các hàm xích ma dịch chuyển theo các khoảng chuyển tiếp quang phổ Một thuật toán học tự hình thành, bao gồm thuật toán tự tập hợp và thuật toán phản hồi, được giới thiệu để ước lượng động các tập hợp trong không gian dữ liệu đầu vào và điều chỉnh các thông số Ứng dụng của mạng nơron trong việc điều khiển thích nghi các hàm thành phần mờ và tối ưu hóa động học các luật mờ ngôn ngữ cho hệ thống điều khiển dao động đã được nghiên cứu bởi Yang, Tung & Liu (2005).
Cấu trúc mạng thuận 5 lớp được thiết kế để xác định chính xác các luật logic mờ của hệ thống, tối ưu hóa các thông số theo từng vùng của các hàm thành phần, và thực hiện can thiệp mờ một cách hiệu quả.
Hình 3.29 Mô hình bộ điều khiển noron mờ
Chương III: "Tổng quan về hệ mờ và mạng nơron" đã giải quyết được một số vấn đề sau:
Nghiên cứu lý thuyết về hệ mờ và mạng nơron;
Giới thiệu một số công trình nghiên cứu về hệ nơron mờ trong nước và trên thế giới;
Phân tích ưu và nhược điểm của từng loại hệ thống điều khiển, cùng với việc kết hợp chúng thành hệ nơron mờ, giúp phát huy tối đa lợi ích của điều khiển mờ và mạng nơron trong việc điều khiển các hệ thống phi tuyến Sự kết hợp này không chỉ cải thiện khả năng xử lý thông tin mà còn nâng cao hiệu suất điều khiển, tạo ra những giải pháp tối ưu cho các bài toán phức tạp.