Tài liệu THIẾT KẾ BỘ ĐIỀU KHIỂN BẰNG MẠNG NƠRON TRUYỀN THẲNG THEO MÔ HÌNH MẪU LÀ MỘT KHÂU DAO ĐỘNG BẬC 2 docx

84-4-8363484, Fax: 84-4-8363485, E-mail: ptcat@ioit.ncst.ac.vn Tóm tắt : Bài báo này trình bày kết quả nghiên cúu thiết kế bộ điều khiển bằng mạng nơron truyền thẳng được huấn luyện bằ

THIẾT KẾ BỘ ĐIỀU KHIỂN BẰNG MẠNG NƠRON TRUYỀN THẲNG

THEO MÔ HÌNH MẪU LÀ MỘT KHÂU DAO ĐỘNG BẬC 2

KS Phạm Ngọc Minh, PGS-TSKH Phạm Thượng Cát

Phòng Công Nghệ Tự Động Hóa - Viện Công Nghệ Thông Tin

Viện Khoa Học và Công Nghệ Việt Nam Tel 84-4-8363484, Fax: 84-4-8363485, E-mail: ptcat@ioit.ncst.ac.vn

Tóm tắt : Bài báo này trình bày kết quả nghiên cúu thiết kế bộ điều khiển bằng mạng nơron truyền

thẳng được huấn luyện bằng giải thuật học lan truyền ngược lỗi BP và được cài đặt trên thiết bị điều

khiển thông minh ĐKTM, một sản phẩm công nghệ cao của phòng Công nghệ Tự động hoá - Viện

Công nghệ Thông tin

DESIGN AND IMPLEMENTATION OF A NEURO CONTROLLER USING

SECOND ORDER REFERENCE MODEL

Dipl.Eng Pham Ngoc Minh, Prof.DSC Pham Thuong Cat

Department for Automation Technology, Institute of Infomation Technology

Viet Nam Academy of Science and Technology Tel 84-4-8363484, Fax: 84-4-8363485, E-mail: ptcat@ioit.ncst.ac.vn

Abstract: This paper presents research results in design and implementation of a neural controller

using Error Back-Propagation Algorithm This controller has been installed in an intelligent control

ĐKTM device, a high-tech product of Department for Automation Technology - Institute of Information Technology

1 ĐẶT VẤN ĐỀ

Ngày nay, trí tuệ nhân tạo đang phát triển mạnh mẽ

nhằm tạo ra cơ sở xây dựng các hệ chuyên gia, hệ

trợ giúp quyết định Trí tuệ nhân tạo được xây dựng

trên cơ sở mạng nơron nhân tạo và ứng dụng trong

thiết kế hệ thống điều khiển thông minh mà trong

đó bộ điều khiển có khả năng tư duy như bộ não

của con người đang là xu hướng mới trong điều

khiển tự động

Mạng nơron là sự tái tạo bằng kỹ thuật những chức

năng của hệ thần kinh con người với vô số các

nơron được liên kết truyền thông với nhau trong

mạng Trong bài báo này, chúng tôi sẽ trình bày kết

quả ứng dụng mạng nơron trong chế tạo thiết bị

điều khiển thông minh

2 MÔ HÌNH MẠNG NƠRON LAN TRUYỀN

THẲNG NHIỀU LỚP

Trong báo cáo này, chúng tôi sử dụng mô hình

mạng nơron lan truyền thẳng nhiều lớp áp dụng cho

hệ thống SISO (single-input single-output) Mạng

nơron nhiều lớp lan truyền thẳng được mô tả như

hình 1 với 3 lớp – Input Layer (lớp vào), Hidden

Layer (lớp ẩn), Output Layer (lớp ra)

Trong đó:

• Các nơron trong mạng là nơron Fermi

• Input Layer gồm 1 nơron có trọng số bằng 1

Tín hiệu vào x được đưa tới nơron của Input Layer, khi đó tín hiệu ra của nơron là x

• Vector trọng số giữa Input Layer và Hidden Layer là Vi Tín hiệu ra của các nơron Input Layer được đưa vào các nơron của Hidden Layer, khi đó tín hiệu ra được tính theo công thức: O i = f(Vi*x+b)= f(netV i) (2.1) trong đó netV i =V i*x+b

b

Input Layer Hidden Layer

Output Layer

Hình 1 : Cấu trúc mạng nơron

) 1 ( 1

1 )

i netV

dnetV

df e

netV

f

+

• Vector trọng số giữa Hidden Layer và Output

Layer là Wi Tín hiệu ra của các nơron Hidden

Layer được đưa vào nơron của Output Layer,

khi đó tín hiệu ra y được tính theo công thức:

(2.2) ) 1 (

1

1 ) ( )

* W

(

(3

1

y y dnetY

df

e netY f O f

−

=

⇒

+

=

=

=

∑

=

= 3

)

* W (

O

Sơ đồ giải thuật tính tín hiệu ra y được mô tả như

hình 2

3 HUẤN LUYỆN MẠNG NƠRON VỚI GIẢI

THUẬT HỌC LAN TRUYỀN NGƯỢC LỖI

BP

Trước khi sử dụng mạng Nơron, ta cần phải dạy

học cho mạng với nhiệm vụ xác định các trọng số

Vi , Wi Giải thuật học lan truyền ngược BP được

dùng để dạy mạng nhiều lớp Ta có tập các mẫu học

{x[k] , y[k] } Từ tập mẫu học x[k] và các trọng số

Vi[k] , Wi[k] của mạng, ta xác định được đầu ra

thực ~y [ k ] Trên cơ sơ so sánh với mẫu học y[k], các trọng số Wi[k] được hiệu chỉnh thành Wi[k+1] Tiếp tục từ Wi[k+1] sẽ hiệu chỉnh các trọng số

Vi[k]

• Với sai lệch cho mẫu học thứ k là

) ( ) ( k y~ k

y − , giá trị gia tăng ∆ Wi[k ] được xác định theo công thức cải biên của Widnow như sau:

) ( ] [ ] [ ] [

] [

~

i Y

i k netY i

O s

O netY

d

df k y k y s k W

δ

=













−

=

∆

(3.1)

Trong đó

] [

~

) ( ] [ ] [

k netY

df k y k











−

=

δ

là tín hiệu sai lệch của nơron đầu ra

Tham số s gọi là bước học,

s=0.1÷0.9

Có thể xác định Oi theo công thức 2.1

Sau khi tính được ∆W i [k], ta xác định được trọng số mới W i[k+1] theo công thức sau:

W i[k+1]=W i[k]+∆W i[k] (3.2)

• Sau khi đã có Wi[ k + 1 ] ta xác định giá trị gia tăng ∆ Vi[k ] theo công thức cải biên của Widnow như sau:

∆V i[k]==s.δVi.x (3.3)

)

3 1 ] [

+

netV d

df

i V k netV i Vi

i

δ δ

Sau khi tính được ∆V i [k], ta xác định được trọng số mới V i[k+1] theo công thức sau:

V i[k+1]=V i[k]+∆V i[k] (3.4) Thuật toán hiệu chỉnh các trọng số sẽ dừng đến khi sai lệch E < ε cho trước:











−

2

~ ) ( ) ( 2

1

k y k y

E (3.5)

Sơ đồ giải thuật huấn luyện mạng được mô tả trong hình 3,4

x[k]

NetVi = Vi*x[k]+ b

i

netV

i i

e

netV f O

− +

=

= 1

1

) (

∑

=

= 3

)

* (W

O netY

i = i + 1

i = 1

i > 3 Yes

No

netY e

netY f k y

− +

=

= 1

1

) ( ] [

~

Hình 2: Lưu đồ tính tín hiệu ra y của mạng nơron

4 XÂY DỰNG BỘ ĐIỀU KHIỂN DÙNG MẠNG NƠRON THEO MÔ HÌNH MẪU LÀ MỘT KHÂU DAO ĐỘNG BẬC 2

Bài toán đặt ra cần phải thiết kế bộ điều khiển bằng mạng nơron để tín hiệu ra của đối tượng điều khiển bám lấy tín hiệu ra của mô hình mẫu khi đối tượng

có tham số không biết trước hoặc bị thay đổi trong quá trình hoạt động Xét mô hình mẫu là khâu dao động bậc 2:

0 1 2

M( ) W

a s a s

K

+ +

= (4.1) với thông số KM , a1 và a2 được chọn phù hợp với các chỉ tiêu chất lượng mong muốn, a1 , a0 có thể ước lượng được Phương trình vi phân tương ứng là:

u K y a y a

y M + 1 M + 0 M = M (4.2)

Start

k = 1

x[k]

Create NN

~

y [k]

y[k]

2

~

] [ ] [

* 2

1













−

E

E < ε

Thuật toán lan truyền ngược BP

hiệu chỉnh các trọng số

] [ ] [ ] 1

W i + = i +∆ i

] [ ] [ ] 1

V i + = i +∆ i

k = k + 1

Stop Yes

I

II

No

Hình 3: Lưu đồ giải thuật huấn luyện mạng nơron

] [ ] [ ] 1 [

*

* ] [

) (

* ]) [ ] [ (

] [

~

k W k W k

W

O s

k W

netY d

df k y k y

i i

i

i y i

k netY y

∆ +

= +

=

∆

−

=

δ δ

i = 1

] [ ] [ ] 1 [

*

* ] [

] 1 [

* )

(

3 1 ] [

k V k V k V

x s

k V

k W netVi

d df

i i

i

Vi i

j y j k

netVi Vi

∆ +

= +

=

∆

+

=

δ

δ δ

i = i + 1

i > 3

I

II

No

Yes

Hình 4: Thuật toán lan truyền ngược BP hiệu chỉnh các trọng số Wi[k+1], Vi[k+1]

Mạng nơron trong cấu trúc điều khiển theo vòng

kín đóng vai trò bộ điều khiển

Trong đó:

- SP : giá trị đặt Setpoint

- Yp : tín hiệu ra của đối tượng điều khiển

- Ep : sai lệch tín hiệu ra của đối tượng điều

khiển với tín hiệu ra mẫu Ep = YM – Yp

- Up : tín hiệu điều khiển

Các bước thiết kế bộ điều khiển dùng mạng Nơron

Bước 1: Huấn luyện mạng NN Inverse Model

ĐTĐK để nhận dạng động học nghịch mô hình đối

tượng điều khiển thực

Up - tín hiệu thử là một hàm f(t) tạo ra nhiều giá trị

mẫu đầu vào để huấn luyện điều chỉnh (W,b) của

mạng Nơron sao cho E2p →min

Sai số Ep = Up - UNN được sử dụng để huấn luyện

mạng, thông tin về sai số được lan truyền ngược

qua mạng nơron để hiệu chỉnh lại (W,b) theo giải

thuật học lan truyền ngược lỗi BP

Bước 2: Sau khi đã có bộ NN Inverse Model ĐTĐK , ta lắp bộ đó vào hệ thống để xác định bộ

NN Controller sao cho hệ thống giống mô hình mẫu

là một khâu dao động bậc 2

Mô hình mẫu

WM(s)

+

- YP

YM

EP

ĐTĐK

UP

SP

NN Controller

(điều chỉnh W,b)

Hình 5: Sơ đồ cấu trúc điều khiển mạch kín theo

mô hình mẫu WM (s)

ĐTĐK

Ep

+

-Yp

UNN

Up

NN Inverse Model ĐTĐK

Hình 6 : Sơ đồ huấn luyện mạng nơron nhận dạng

động học nghịch mô hình đối tượng điều khiển

Start

Up = f(t)

Chuyển đổi D/A Analog Output

ĐTĐK

Analog Input Chuyển đổi A/D

Nhận dạng mô hình ĐTĐK bằng mạng nơron theo thuật toán lan truyền ngược BP

[ ]2

* 2

1

NN p

Ep < ε

Stop

No

Yes

Hình 7: Lưu đồ thuật toán nhận dạng động học nghịch mô hình đối tượng điều khiển

NN Inverse Model ĐTĐK

Mô hình mẫu

WM(s)

+

-UNN

UP

EM

YM

X NN Controller

(điều chỉnh W,b)

Hình 8: Sơ đồ huấn luyện mạng nơron điều khiển theo mô hình mẫu

Sẽ huấn luyện điều chỉnh (W,b) của mạng Nơron

sao cho E M2 →min Tính tín hiệu ra YM của mô

hình mẫu WM(s) bằng phương pháp số Runge-Kuta

tại các thời điểm t , từ giá trị YM ta cho lan truyền

ngược qua NN Model ĐTĐK được giá trị UNN ,

sai số EM = UNN – UP được sử dụng để luyện mạng

Thông tin về sai số được lan truyền ngược qua

mạng NN Model ĐTĐK mô phỏng động học

nghịch của đối tượng điểu khiển và mạng NN

Controller để hiệu chỉnh lại (W,b) của mạng

Thuật toán điều khiển dùng mạng nơron trên đã

được lập trình và cài đặt vào thiết bị điều khiển

thông minh ĐKTM của phòng Công nghệ Tự động

hoá - Viện Công nghệ Thông tin

5 MỘT SỐ KẾT QUẢ THỰC NGHIỆM KHI SỬ DỤNG BỘ ĐIỀU KHIỂN BẰNG MẠNG NƠRON TRÊN THIẾT BỊ ĐKTM

Chúng tôi đã sử dụng thuật điều khiển bằng mạng nơron trên thiết bị ĐKTM với đối tượng là khâu dao động được mô phỏng trên thiết bị mô phỏng MPĐT

Tín hiệu ra AO1 của thiết bị điều khiển thông minh

là tín hiệu điều khiển và cũng là tín hiệu vào của đối tượng, tín hiệu ra của đối tượng AO1 chính là tín hiệu vào của thiết bị điều khiển thông minh

Khi thiết bị điều khiển thông minh ở trạng thái Prog, đặt SP =1500, ac1=1, ac0=1,

Đối tượng điều khiển được chọn trên thiết bị mô phỏng MPĐT là khâu dao động (chọn trong hệ tuyến tính) có hàm truyền đạt:

1

5 0 )

+ +

=

s s s

W P (5.1) Đặt thiết bị điều khiển ở trạng thái RUN, cho phép điều khiển đối tượng ta thu được kết đáp ứng thời gian của đối tượng trên thiết bị mô phỏng MPĐT

Khi chạy ở mode RUN, chương trình sẽ tự động học đối tượng để chỉnh các trọng số của mạng nơron, sau 30s tín hiệu ra của đối tượng bám được tín hiệu ra của mô hình mẫu, sai số ε ->0

Start

Setpoint

Hiệu chỉnh các

trọng số Vi , Wi của

NN Contronller

theo thuật toán lan

truyền ngược BP

[ ]2

* 2

1

p NN

Ep < ε

Stop

No

Yes

UNN

Up

Tính đầu ra YM

của mô hình mẫu WM (s)

Tính UNN qua

mô hình

NN Inverse Model ĐTĐK

Hình 9: Lưu đồ thuật toán huấn luyện mạng

nơron điều khiển theo mô hình mẫu

AO1

AI1

(AI1)

MPDT

(AO1)

MPDT

Hình 10 : Sơ đồ ghép nối 2 thiết bị ĐKTM với MPĐT

Hình 11: Màn hình giao diện thiết bị MPĐT

Nếu thay đổi hệ số K của khâu dao động trên thiết

bị mô phỏng MPĐT như K=0.75,K=1, K =2 ta vẫn

thu được kết quả tương tự

Quá trình huấn luyện mạng NN Controller trong

khoảng 22s , sau đó bắt đầu quá trình điều khiển

đối tượng

6 KẾT LUẬN

Phòng Công nghệ Tự động hoá - Viện Công nghệ

Thông tin đã nghiên cứu thiết kế bộ điều khiển trên

cơ sở mạng nơron nhân tạo cài đặt trong thiết bị

ĐKTM với mong muốn tạo ra một thiết bị điều

khiển thông minh có khả năng thích nghi với một

số ứng dụng thực tế như hệ thống điều khiển lò

nhiệt, điều khiển mức nước, điều khiển độ PH

…v.v

Kết quả nghiên cứu này chỉ là bước đầu tiếp cận

với lĩnh vực ứng dụng trí tuệ nhân tạo trong điều

khiển tự động Trong thời gian tới, chúng tôi sẽ

nghiên cứu để nâng cao khả năng thông minh cho

thiết bị ĐKTM với một số mô hình mạng nơron và

giải thuật học khác

TÀI LIỆU THAM KHẢO [1] CHIN-TENG LIN and C.S GEORGE LEE

Neural Fuzzy Systems A Neuro-Fuzzy Synergism to Intelligent Systems, Prentice Hall International, Inc, 1996 [2] SIMON HAYKIN,

Neural Networks a Comprehensive Foundation

Prentice Hall International, Inc, 1999 [3] BÙI CÔNG CƯỜNG,

NGUYỄN DOÃN PHƯỚC

Hệ mờ mạng nơron và ứng dụng,

Nhà xuất bản khoa học và kỹ thuật, 2002 [4] PHAN XUÂN MINH,

NGUYỄN DOÃN PHƯỚC

Lý thuyết điều khiển mờ,

Nhà xuất bản khoa học và kỹ thuật, 2002 [5] PHAN MINH TÂN,

TRẦN VIỆT PHONG, BÙI THANH QUYÊN, PHẠM THƯỢNG CÁT

Báo cáo “Nghiên cứu phát triển thiết bị MPĐT mô phỏng thời gian thực các đối tượng điều khiển”

Tuyển tập Hội nghị khoa học toàn quốc VICA5, Vol.1, pp 259-264 Hà nộI 2002

Hình 12: Đồ thị quá trình điều khiển đối tượng

trên thiết bị MPĐT với bộ điều khiển

mạng nơron cài đặt trên thiết bị ĐKTM

Quá trình huấn luyện

NN Controller Quá trình điều khiển đối tượng