Tải bản đầy đủ (.docx) (94 trang)

(LUẬN văn THẠC sĩ) ứng dụng mạng nơ ron trong nhận dạng và điều khiển

Bạn đang xem bản rút gọn của tài liệu. Xem và tải ngay bản đầy đủ của tài liệu tại đây (1.18 MB, 94 trang )

TRƯỜNG ĐẠI HỌC BÁCH KHOA HÀ NỘI

LUẬN VĂN THẠC SĨ
Ứng dụng mạng nơ-ron trong
nhận dạng và điều khiển

TẠ THỊ CHINH
Ngành Kỹ thuật Điều khiển và Tự động hóa

Giảng viên hướng dẫn:
Viện:

TS. Nguyễn Hoài Nam

Điện

HÀ NỘI, 2020

download by : skknchat@gmail.com


TRƯỜNG ĐẠI HỌC BÁCH KHOA HÀ NỘI

LUẬN VĂN THẠC SĨ
Ứng dụng mạng nơ-ron trong
nhận dạng và điều khiển

TẠ THỊ CHINH
Ngành Kỹ thuật Điều khiển và Tự động hóa

Giảng viên hướng dẫn:



TS. Nguyễn Hoài Nam
Chữ ký của GVHD

Viện:

Điện

HÀ NỘI, 2020

download by : skknchat@gmail.com


CỘNG HÒA XÃ HỘI CHỦ NGHĨA VIỆT NAM
Độc lập – Tự do – Hạnh phúc

BẢN XÁC NHẬN CHỈNH SỬA LUẬN VĂN THẠC SĨ
Họ và tên tác giả luận văn: Tạ Thị Chinh
Đề tài luận văn: Ứng dụng mạng nơ-ron trong nhận dạng và điều khiển

Chuyên ngành: Kỹ thuật điều khiển và tự động hóa
Mã số HV: CB180117
Tác giả, Người hướng dẫn khoa học và Hội đồng chấm luận văn
xác nhận tác giả đã sửa chữa, bổ sung luận văn theo biên bản họp Hội
đồng ngày 29/10/2020 với các nội dung sau:
-

Thống nhất các kí hiệu của luận văn

- Đã sửa chữa các lỗi chính tả, bỏ đại từ ta ở trong phần tóm tắt

và kết luận chương.
-

Đưa định nghĩa Robot công nghiệp vào mục 1.5.
Ngày tháng

năm 2020

Giáo viên hướng dẫn

Tác giả luận văn

TS. Nguyễn Hoài Nam

Tạ Thị Chinh

CHỦ TỊCH HỘI ĐỒNG

download by : skknchat@gmail.com


LỜI CẢM ƠN

Trước tiên, tơi xin bày tỏ lịng biết ơn chân thành và sâu sắc của
mình tới người đã trực tiếp hướng dẫn khoa học là TS. Nguyễn Hoài
Nam. Thầy đã tạo điều kiện và gợi mở cho tôi nhiều ý tưởng, ln tận
tình hướng dẫn trong suốt thời gian tôi nghiên cứu và thực hiện luận án.
Đồng thời tôi cũng xin được gửi lời cảm ơn đến các thầy cô trong bộ
môn Điều khiển tự động – Viện Điện – Trường Đại học Bách khoa Hà Nội,
đã nhiệt tình có những góp ý xây dựng để tơi hồn thành luận văn của mình.

Tơi cũng xin được trân trọng cảm ơn tới Ban giám hiệu, Viện đào tạo sau
đại học, Viện điện - Trường Đại học Bách khoa Hà Nội đã tạo điều kiện thuận lợi
cho tôi trong quá trình học tập và nghiên cứu để có thể hồn thành luận văn này.

Xin chân thành cảm ơn!

Hà Nội, ngày

tháng năm 2020
Tác giả

Tạ Thị Chinh

download by : skknchat@gmail.com


MỤC LỤC
DANH MỤC HÌNH VẼ..........................................................................................
DANH MỤC CÁC CHỮ CÁI VIẾT TẮT VÀ KÝ HIỆU ....................................

CHƯƠNG 1. MẠNG NƠ-RON VÀ ỨNG DỤNG ...............................................
1.1
Lịch sử phát triển mạng nơ-ron .................................
1.2
1.3

Mạng nơ-ron nhân tạo ...............................................
Ứng dụng của mạng nơ-ron ......................................

1.4


Mơ hình nơ-ron nhân tạo...........................................
1.4.1
1.4.2

1.5

Ứng dụng trong điều khiển ......................................
1.5.1
1.5.2
1.5.3

1.6
Kết luận chương 1 ....................................................
CHƯƠNG 2. PHƯƠNG PHÁP ĐIỀU KHIỂN DỰ BÁO DỰA TRÊN MẠNG NƠRON
2.1
2.2

.....................................................................................
Phương pháp điều khiển dự báo ..............................

Phương pháp điều khiển dự báo dựa trên mạng nơ-r
2.2.1
2.2.2

2.3

2.2.3
Kết luận chương 2 ....................................................


CHƯƠNG 3. THIẾT KẾ BỘ ĐIỀU KHIỂN DỰ BÁO CHO CÁNH TAY MÁY
MỘT BẬC TỰ DO ..............................................................................................
3.1
3.2

Mơ hình tốn của cánh tay máy một bậc tự do ........
Nhận dạng dùng mạng nơ-ron .................................

3.3
3.4

Tuyến tính hóa mạng nơ-ron ....................................
Thiết kế bộ điều khiển dự báo dùng mạng nơ-ron ...

3.5
3.6

Kết quả mô phỏng ....................................................
Kết luận chương 3 ....................................................

KẾT LUẬN- KIẾN NGHỊ...................................................................................
TÀI LIỆU THAM KHẢO....................................................................................
PHỤ LỤC.............................................................................................................

download by : skknchat@gmail.com


DANH
Hình 1.1 Mạng nơ-ron sinh học [8]. ......................................................................
Hình 1.2 Sơ đồ mơ hình nơ-ron một đầu vào .........................................................

Hình 1.3

Đồ thị hàm a=tansig(n) ....

Hình 1.4 Mơ hình nơ-ron với R đầu vào ................................................................
Hình 1.5

Sơ đồ rút gọn nơ-ron với R

Hình 1.6

Sơ đồ cấu trúc của một lớp

Hình 1.7 Cấu trúc mạng nơ-ron 1 lớp ....................................................................
Hình 1.8

Sơ đồ rút gọn R đầu vào và

Hình 1.9 Cấu trúc mạng nơ-ron 3 lớp ..................................................................
Hình 1.10 Sơ đồ rút gọn mạng nơ-ron 3 lớp ........................................................
Hình 1.11 Sơ đồ mạng hồi quy ............................................................................
Hình 1.12 điều khiển theo nguyên tắc phản hồi đầu ra [2] ..................................
Hình 2.1 Cấu trúc hệ điều khiển dự báo ...............................................................
Hình 2.2 Đường đồng mức, véc-tơ gradient và quỹ đạo tìm nghiệm tối ưu .[2]. 37
Hình 2.3 Nguyên tắc làm việc của phương pháp tìm nghiệm có hướng (line search)

[2]. ........................................................................................................................
Hình 3.1 Cánh tay máy một bậc tự do .................................................................
Hình 3.2: Tín hiệu đầu vào mẫu ...........................................................................
Hình 3.3 Tạo đầu ra mẫu từ mơ hình trong Simulink ..........................................

Hình 3.4 Tín hiệu đầu ra mẫu ...............................................................................
Hình 3.5 Cấu trúc mạng nơ-ron của đối tượng nnp .............................................
Hình 3.6 Mơ hình huấn luyện cánh tay máy ........................................................
Hình 3.7 Đáp ứng đầu ra của mạng nơ-ron và sai số ...........................................
Hình 3.8 Đồ thị hàm mục tiêu ..............................................................................
Hình 3.9 Tín hiệu điều khiển tối ưu .....................................................................
Hình 3.10 Đáp ứng đầu ra và giá trị đặt ...............................................................

Bảng 2.1: Bảng cơng thức tính ma trận Hesse.................................................................. 34

i

download by : skknchat@gmail.com


DANH MỤC CÁC CHỮ CÁI VIẾT TẮT VÀ KÝ HIỆU
Chữ viết tắt

Giải thích

IEEE

Institute of Electrical and Electronic Engineer

IJCNN

International Joint Conference on Neural Networks

ANN


Mạng nơ-ron nhân tạo

IC

Vi mạch

ARMA

Autoregressive moving average

NNc

Neural- network control

NNp

Neural-network plant

NN

Neural-network

MAC

Model Algorithmic Control

DMC

Dynamic Matrix Control


GPC

Generalized Predictive Control

Anns

Mạng nơ-ron nhân tạo

RBF

Radial Basis Function

LTI

tuyến tính tham số hằng

LM

Levenberg Marquardt

MPC

Model Predictive Control

LS

Least Square

MLP


MultiLayer Preceptron Neural Networks

ii

download by : skknchat@gmail.com


CHƯƠNG 1. MẠNG NƠ-RON VÀ ỨNG DỤNG
1.1 Lịch sử phát triển mạng nơ-ron
Từ những năm 1890, nghiên cứu của nhà tâm lý học William đã phát hiện
ra hệ nơ-ron thần kinh của con người. Đến năm 1943, nhà thần kinh học Warren
Mcculloch và nhà tốn học Walter Piits đã có cơng trình nghiên cứu về mạng nơron nhân tạo tính bằng một hàm đại số hoặc logic, họ xây dựng một mạng nơ-ron
đơn giản bằng mạch điện. Đây có thể coi là nguồn gốc của lĩnh vực mạng nơ-ron.
Đầu những năm 1950, Nathanial Rochester đã có những mơ phỏng đầu tiên
của một mạng nơ-ron tại phịng thí nghiệm nghiên cứu của IBM. Năm 1956, dự
án Dartmouth nghiên cứu về trí tuệ nhân tạo (Artificial Intelligence) mở ra thời
kỳ phát triển mới cả trong lĩnh vực trí tuệ nhân tạo lẫn nơ-ron. Sau đó, John von
Neumann đã sử dụng role điện áp hoặc đèn chân không mô phỏng các nơ-ron
đơn giản.
Năm 1958, nhà sinh học Frank Rosenblatt nghiên cứu về perception và luật
học. Mạng perception chỉ có khả năng nhận dạng mẫu, tuy nhiên chỉ có thể giải
quyết được một số bài tốn mà thơi, nó khơng dùng cho các hàm logic phức.
Năm 1959, Bernard Windrow và Ted Hoff thuộc trường đại học Stanford đã
đưa ra luật học mới và dùng nó để huấn luyện mạng nơ-ron tuyến thích nghi đầu tiên
là MADALINE, mạng này có cấu trúc và khả năng tương tự như mạng mạng
perceptron của Rosenblatt. Luật học của Windrow và Hoff hiện nay vẫn được sử
dụng. Tuy nhiên sự nghiên cứu này đã bị dừng lại trong nhiều thập kỷ sau đó.

Một mạng nơ-ron đã được phát triển độc lập, có thể thực hiện như các bộ
nhớ được Kohonen và Anderson nghiên cứu vào năm 1972. Năm 1973 Von Der

Marlsburg đưa ra quá trình học cạnh tranh và mạng tự tổ chức Self-organization.
Năm 1974 Paul Werbos đã phát triển và ứng dụng phương pháp Backpropagation (lan truyền ngược). Các mạng này được biết đến nhiều nhất và áp
dụng rộng rãi cho đến ngày nay.
Đầu những năm 80, John Hopfield đã đưa ra mạng nơ-ron hồi quy. David
Rumelhart và James Mcclelland là những tác giả đầu tiên đã đưa ra thuật toán lan
truyền ngược để huấn luyện mạng Perceptron nhiều lớp.

1

download by : skknchat@gmail.com


Vào đầu những năm 1990, thuật toán Leven-berg Marquart đã được Martin
Hagan đề xuất để huấn luyện mạng. Bên cạnh cịn có phương pháp Bayes cũng
được sử dụng rất nhiều trong việc huấn luyện mạng nhiều lớp.
Cũng trong thời gian này, Lecun và đồng tác giả đã nghiên cứu và ứng
dụng mạng nơ-ron nhiều lớp để xử lý ảnh, mạng nơ-ron này được gọi là mạng
tích chập (Convolutional Networks) và được ứng dụng rất nhiều trong lĩnh vực
xử lý ảnh, giọng nói và tín hiệu.
Từ sau năm 1987 đến nay, mạng nơ-ron trở thành một vấn đề được quan
tâm của các nước, các cuộc hội thảo quốc tế liên tục được diễn ra để phát triển
nơ-ron một cách triệt để nhất: viện vật lý Hoa Kỳ tổ chức cuộc họp hàng năm về
mạng nơ-ron ứng dụng trong tin học năm 1985, hội thảo quốc tế đầu tiên về
mạng nơ-ron của Viện các kỹ sư điện và điện tử IEEE (Institute of Electrical and
Electronic Engineer). Hàng năm thế giới đều mở hội nghị toàn cầu chuyên về
Neural IJCNN (International Joint Conference on Neural Networks).
1.2 Mạng nơ-ron nhân tạo
Mạng nơ-ron nhân tạo (anns) hay hệ thống kết nối là hệ thống tính toán
được lấy cảm hứng từ mạng thần kinh sinh học cấu thành bộ não. Một ANN dựa
trên một tập hợp các đơn vị được kết nối được gọi là tế bào thần kinh nhân tạo

(artificial Nơ-rons) tương tự như tế bào thần kinh sinh học trong não. Mỗi khớp
(synapse) giữa các nơ-ron có thể truyền tín hiệu đến một nơ-ron khác. Tế bào
thần kinh nhân tạo (post - synaptic) có thể xử lý các tín hiệu và sau đó truyền
xuống tín hiếu tới các nơ-ron được kết nối với nó. Các nơ-ron có thể có trạng
thái, thường được biểu thị bằng số thực, thường nằm trong khoảng từ 0 đến 1.
Các nơ-ron và khớp thần kinh cũng có thể có trọng số thay đổi khi tiến hành học
tập, có thể tăng hoặc giảm cường độ tín hiệu mà nó truyền xuống.
Thông thường, nơ-ron được tổ chức theo lớp. Các lớp khác nhau có thể thực
hiện các loại biến đổi khác nhau trên đầu vào của chúng. Tín hiệu truyền từ lớp
đầu tiên (đầu vào), đến lớp (đầu ra) cuối cùng, có thể sau khi đi qua các lớp nhiều
lần.
Mục tiêu ban đầu của mạng nơ-ron là giải quyết các vấn đề theo cách tương
tự như bộ não của con người. Theo thời gian, sự chú ý tập trung vào việc phù hợp
2

download by : skknchat@gmail.com


với khả năng cụ thể, dẫn đến những sai lệch so với sinh học như truyền ngược,
hoặc truyền thông tin theo hướng ngược lại và điều chỉnh mạng để phản ánh
thơng tin đó.

Hình 1.1 Mạng nơ-ron sinh học [8].
Neural Networks đã được sử dụng trên nhiều nhiệm vụ, bao gồm thị giác
máy tính, nhận dạng giọng nói, dịch máy, lọc mạng xã hội và chẩn đốn y tế.
Tính đến năm 2017, các Neural Networks thường có vài nghìn đến vài
triệu đơn vị và hàng triệu kết nối. Mặc dù con số này nhỏ hơn số lượng tế bào
thần kinh trên não người, nhưng các mạng này có thể thực hiện nhiều nhiệm vụ ở
cấp độ vượt xa con người (ví dụ: nhận diện khuôn mặt, chơi “Go” …).
1.3 Ứng dụng của mạng nơ-ron

Mạng nơ-ron được ứng dụng rất nhiều để giải quyết các bài toán trong thực
tế như phân loại (ảnh, giọng nói, tín hiệu), xấp xỉ, dự báo, nhận dạng hệ thống và
thiết kế bộ điều khiển. Sau đây là một số ứng dụng của mạng nơ-ron :


Điện tử: sự bố trí chíp IC, điều khiển q trình, phân tích lỗi chip, thị lực

máy, tổng hợp tiếng nói, mơ hình hóa phi tuyến.


Robot: điều khiển quỹ đạo, xe nâng hàng, các bộ điều khiển tay máy, các

hệ thống thị giác, xe tự hành.

3

download by : skknchat@gmail.com




Ơ tơ: các hệ thống dẫn hướng tự động, điều khiển bơm nhiên liệu, các hệ

thống phanh tự động, dò động cơ khơng nổ, các cảm biến dị sự phát khí ảo.


Sản xuất: điều khiển q trình sản xuất, phân tích và thiết kế sản phẩm,

chuẩn đốn máy và q trình, nhận dạng hạt thời gian thực, các hệ thống kiểm tra
chất lượng, thử bia, phân tích chất lượng hàn, dự đốn chất lượng giấy, phân tích

chất lượng chip máy tính, phân tích các hoạt động nghiền, phân tích thiết kế sản
phẩm hóa học, phân tích bảo dưỡng máy, đấu thầu dự án, quản lí và kế hoạch
hóa, mơ hình động của các q trình hóa học.


Vũ trụ, ngân hàng, quốc phịng, giải trí, tài chính, bảo hiểm, y tế, dầu khí,

an ninh, giao thơng và truyền thơng. [3].
1.4 Mơ hình nơ-ron nhân tạo
1.4.1

Mơ hình nơ-ron

a) Mơ hình nơ-ron một đầu vào

Hình 1.2 Sơ đồ mơ hình nơ-ron một đầu vào
Hình 1.2 biểu thị sơ đồ cấu trúc của một nơ-ron nhân tạo có một đầu vào. Quan
hệ vào ra của nơ-ron như sau:

n = wp + b
n = wp + b
Trong đó:
p : đầu vào của nơ-ron
w : trọng số đầu vào

b : ngưỡng (bias)
Σ: là bộ tổng số
4

download by : skknchat@gmail.com



n : là đầu vào net

f

: là hàm truyền

a : đầu ra của nơ-ron
Một số hàm truyền cơ bản: [3].
Hàm giới hạn cứng Hardlim:
a = hardlim(n)

Hàm tuyến tính Purellin:
(1.4)

a=n

Hàm Logsig:
a = logsig (n)
=

1

(1.5)

1+ e−n
Hàm tuyến tính dương:
a = posline(n)


(1.6)

Hàm khuếch đại bão hòa:
a = satlins (n)
(1.7)

Hàm tansig:

(1.8)

a = tansig (n)
en − e−n

=

en + e−n

Vì bài tốn này chỉ sử dụng đến hàm tansig nên chỉ nghiên cứu về hàm
tansig .


5

download by : skknchat@gmail.com


Đồ thị hàm tansig(n) được biểu diễn như sau:

Hình 1.3 Đồ thị hàm a=tansig(n) [7].
Hàm này có giá trị biến dương trong khoảng -1 tới 1, có đạo hàm liên tục với

mọi n và thường được sử dụng trong các lớp ẩn.
b) Mơ hình nơ-ron với nhiều đầu vào:[3].

Hình 1.4 Mơ hình nơ-ron với R đầu vào

Hình 1.5 Sơ đồ rút gọn nơ-ron với R đầu vào
Nơ-ron có nhiều đầu vào được mơ tả như hình 1.4, trong đó đầu vào là
một véc-tơ p có R thành phần:
6

download by : skknchat@gmail.com


Mỗi đầu vào pi sẽ được đưa vào bộ tổng thông qua một trọng số w1,i . Đầu
vào net được tính theo cơng thức sau:
n =w p +w p +
1,1 1

1,2

+ w p +b

2

1,R

R

(1.11)


Đầu ra của nơ-ron là:

Vớif là hà
sau:

1.4.2 Cấu
Lớp nơ-ron
Khi nhiều nơ-ron có cùng chung đầu vào thì được gọi là một lớp nơ-ron
(gọi tắt là lớp). Một lớp có số đầu ra bằng số nơ-ron có chung đầu vào. Trong
một lớp các hàm truyền thường được chọn là giống nhau, chẳng hạn cùng là hàm
tuyến tính. Sơ đồ cấu trúc một lớp nơ-ron như hình 1.6, trong đó có m nơ-ron,
đầu ra của nơ-ron thứ i là ai = fi (ni ) với :

Đặt

a= [a1

a2

am ]

của lớp sẽ là a = f (n) , trong đó:

n = Wp + b

f =[ f1

f3

fm ]T


7


download by : skknchat@gmail.com


Hình 1.6 Sơ đồ cấu trúc của một lớp nơ-ron [3].
• Cấu trúc mạng một lớp

Hình 1.7 Cấu trúc mạng nơ-ron 1 lớp
Một cấu trúc toán học mạng 1 lớp với R đầu vào và S nơ-ron được chỉ ra
trên hình 1.7. Trong mạng này mỗi phần tử của véc-tơ vào p liên hệ với đầu vào
mỗi nơ-ron thông qua ma trận trọng số W. Bộ cộng của nơ-ron thứ i thu thập các
trọng liên kết đầu vào và độ dốc để tạo thành một đầu ra vô hướng ni . Các ni tập
8

download by : skknchat@gmail.com


hợp với nhau tạo thành s phần tử của véc-tơ vào n . Cuối cùng ở lớp nơ-ron thu
được véc-tơ a gồm s phần tử.
Có thể thiết lập lớp đơn của các nơ-ron có các hàm truyền khác nhau một
cách dễ dàng bởi lẽ hai mạng được đặt song song. Tất cả các mạng có thể có
chung đầu vào và mỗi mạng có thể thiết lập một vài đầu ra.
Các phần tử của véc-tơ đầu vào được đưa vào mạng thơng qua ma trận
trọng số W , với:

w


w
s1

Trong đó chỉ số hàng trong các phần tử của ma trận W cho biết nơ-ron nơi
đến, còn chỉ số cột cho biết nơi xuất phát của trọng liên kết.
Để đơn giản kí hiệu một mạng gồm S nơ-ron, R đầu vào như hình 1.8.

Hình 1.8 Sơ đồ rút gọn mạng một lớp R đầu vào và S nơ-ron
Trong hình 1.8 có véc-tơ vào P có kích thước R, ma trận trọng liên kết W có
kích thước SxR, cịn a và b là các véc-tơ có kích thước S, b là bias.
• Mạng nhiều lớp
Một mạng nơ-ron có thể có một vài lớp. Mỗi lớp có ma trận trọng số W , bias
b
và đầu ra a .

Hình 1.9 là sơ đồ cấu trúc mạng nơ-ron 3 lớp. Trong đó có R đầu vào, và Si là
nơ-ron ở lớp i, aSii là đầu ra lớp i , với i = 1,2,3.
Để đơn giản kí hiệu sơ đồ rút gọn mạng nơ-ron 3 lớp như hình 1.10.

9


download by : skknchat@gmail.com


Hình 1.9 Cấu trúc mạng nơ-ron 3 lớp

Hình 1.10 Sơ đồ rút gọn mạng nơ-ron 3 lớp
Mạng hồi quy (mạng phản hồi) là loại mạng tự liên kết thành các vịng và
liên kết hồi quy giữa các nơ-ron. [2].

• Mạng xuyên tâm (RBF) [3].
Khi các hàm liên thuộc có dạng Gaussmf, độ thỏa mãn được tính sử dụng
cơng thức PROD αi =αi ,1αi,2 α i ,m , và các hàm gi là các hằng số, có thể biểu diễn
mơ hình mờ Sugeno dưới dạng như sau:
y′ =θT Φ( x)

10

download by : skknchat@gmail.com


trong đó θ= [ y1 , y2 , , yn ]T , Φ( x) =[α1 ( x),α2 ( x), ,α n ( x)]T , x =[ x1, x2 , , xm ]T
m

và αi (x) =

∑µA

j, i

( xj ) . Cơng thức (1.16) có quan hệ vào ra của mạng xuyên tâm

j=1

(RBF). Như vậy hàm αi (x) còn được gọi là các hàm cơ sở hay hàm truyền trong
mạng nơ-ron và θ còn được gọi là véc-tơ các trọng số của mạng.
Mạng RBF gồm hai lớp. Lớp thứ nhất gồm các nơ-ron với hàm truyền như sau:

1 −( n
ai = e


i

1 )2

trong đó:
ni1 =|| p − (w1i)T || bi1

là véc-tơ trọng số của nơ-ron i hay là tâm, b1

w1
i

i

khoảng cách giữa vec-tơ đầu vào với véc-tơ trọng số, p
bi1 = 1/

(σ 2 ) trong đó σ là độ lệch chuẩn, thì hàm truyền (1.17) có dạng

Gaussmf. Lớp thứ hai có hàm truyền là tuyến tính:

a 2 = W 2a 1 + b 2
Mạng này thường được sử dụng để xấp xỉ các thành phần bất định của
tượng trong quá trình thiết kế bộ điều khiển.

Hình 1.11 Sơ đồ mạng hồi quy

11


download by : skknchat@gmail.com


1.5 Ứng dụng trong điều khiển
1.5.1

Nhận dạng hệ thống

Xét một bài toán điểu khiển theo nguyên tắc phản hồi đầu ra như ở hình 1.12,
muốn tổng hợp được bộ điều khiển cho đối tượng để hệ kín có được chất lượng như
mong muốn thì trước tiên cần phải hiểu biết về đối tượng, tức là cần phải có một mơ
hình tốn học mơ tả đối tượng. Khơng thể điều khiển đối tượng khi khơng hiểu biết
về nó. Kết quả tổng hợp bộ điều khiển phụ thuộc rất nhiều vào mô hình mơ tả đối
tượng. Mơ hình càng chính xác, hiệu suất cơng việc càng cao.

Hình 1.12 điều khiển theo ngun tắc phản hồi đầu ra [2].
Việc xây dựng mơ hình cho đối tượng gọi là mơ hình hóa. Thường phân
chia các mơ hình hóa làm hai loại:
-

Phương pháp lý thuyết

-

Phương pháp thực nghiệm

Một số bài toán trong nhận dạng:
-

Nhận dạng trực tuyến mơ hình khơng tham số hệ tuyến tính


-

Nhận dạng chủ động tham số mơ hình AR

-

Nhận dạng tham số mơ hình ARMA.

1.5.2

Thiết kế bộ điều khiển

Để thiết kế bộ điều khiển có các cách sau:
Bộ điều khiển theo mơ hình mẫu
-

Điều khiển dự báo

-

Điều khiển thích nghi trực tiếp

-

Điều khiển thích nghi gián tiếp

-

Điều khiển sử dụng ADP

12

download by : skknchat@gmail.com


a) Thiết kế bộ điều khiển theo mơ hình mẫu
Để thiết kế bộ điều khiển nơ-ron cần phải có tín hiệu vào ra mẫu. Ở đây
dùng một mơ hình mẫu thể hiện đáp ứng đầu ra mong muốn của đối tượng.
Thường mong muốn đáp ứng quá độ của hệ kín phải đáp ứng được thời gian xác
lập và độ quá điều chỉnh theo yêu cầu, do đó có thể chọn mơ hình mẫu là một
khâu ổn định có thể là qn tính hoặc dao động.
Bộ điều khiển nơ-ron có cấu trúc là mạng hồi quy, thường có hai lớp.
Mạng vịng điều khiển phản hồi: giá trị đặt sẽ được đưa vào đầu vào của mạng
NNc, đầu ra của mạng NNc sẽ được đưa vào đầu vào của mạng NNp. Như vậy
mạng NN sẽ có đầu vào là giá trị đặt và đầu ra là đầu ra của mạng NNp.
Để thiết kế bộ điều khiển NNc sẽ huấn luyện mạng NN sử dụng bộ tín
hiệu vào ra mẫu. Trong q trình huấn luyện mạng NN, chỉ chỉnh định các tham
số của mạng NNc, còn các tham số của mạng NNp giữ nguyên các giá trị đã
được xác định từ quá trình nhận dạng.
Mạng NN thường là mạng sâu (deep network) bởi vì mỗi mạng NNc và
NNp đều có ít nhất là hai lớp, do đó mạng NN có ít nhất 4 lớp. Đây là một mạng
hồi quy, trong đó có ít nhất 3 vòng phản hồi, cho nên phải dùng thuật tốn lan
truyền ngược để tính gradient.
Như vậy bài tốn thiết kế bộ điều khiển mạng nơ-ron ở đây trở thành bài
toán nhận dạng hệ thống, nhưng cấu trúc phức tạp hơn nhiều. [3].
b) Thiết kế bộ điều khiển dự báo
Để thiết kế bộ điều khiển dự báo dùng mạng nơ-ron, trước tiên phải xây
dựng một mơ hình tốn cho đối tượng bằng mạng nơ-ron.
Khi có mơ hình mạng nơ-ron đối tượng sẽ dùng mạng này để dự báo đầu
ra của đối tượng trong tương lai. Sau đó sử dụng thuật tốn tối ưu để tìm tín hiệu

điều khiển tối ưu dựa trên hàm mục tiêu như sau:

J=

∑[yd

N2

k= N1

trong đó N2 − N1 là tầm dự báo,
yd là đầu ra mong muốn và yp là đầu ra của mơ hình nơ-ron của đối tượng NNp.
13

download by : skknchat@gmail.com


Hàm mục tiêu (1.20) sẽ được giải online. Kết quả tìm được là các giá trị tối

ưu

của

tín

hiệu

trong

điều


khiển

trong

tầm

điều

khiển

u* =[u *(t) u *(t +1) u *(t + N u −1)], với t là thời điểm hiện tại. Ở thời điểm
tiếp theo t +1 , giá trị u*(t) sẽ được đưa ra để điều khiển đối tượng tiếp theo t +1 ,
giá trị u*(t) sẽ được đưa ra để điều khiển đối tượng và hàm mục tiêu (1.20) lại
được giải online để tìm giá trị tối ưu cho chu kỳ tiếp theo. Để giải bài toán tối ưu
(1.20) thường dùng phương pháp hạ sâu nhất, hoặc phương pháp bình phương
cực tiểu sau khi tuyến tính hóa mơ hình mạng nơ-ron của đối tượng. [3].
c)

Điều khiển thích nghi trực tiếp

Xét đối tượng phi tuyến có dạng như sau: [3].

( i)

trong đó

x

chưa biết,

Bài tốn đặt ra là thiết kế bộ điều khiển mờ trực tiếp uD = uD ( x|

sao cho

θ) y → ym , trong đó ym là đầu ra mong muốn hay giá trị đặt.
Bộ điều khiển mờ trực tiếp có dạng như sau:
uD =θTζ ( x)

(1.22)

trong đó ζ(x) là véc-tơ các hàm cơ sở.
Tín hiệu điều khiển lý tưởng trong các trường hợp hệ xác định là :
u* =

1
b [− f ( x) + ym(n ) + kT e]

(1.23)

Thay (1.22) vào (1.23), sau khi biến đổi được:
e( n) = −kT e + b(u* −uD )

với k =[k , k ,
1

2

(1.24)

, k ]T .

n

Định nghĩa e = [e, e, , e(n−1)]T . Có thể viết lại (1.24) dưới dạng phương
trình trạng thái như sau:

e = Λe +b[u * −uD (x,θ)]

download by : skknchat@gmail.com


trong đó:

Λ

=

nxn

0
0

k
1

và bnx1 =[0,0,0,

,0, b]T .

Gọi sai số xấp xỉ là:
w= uD ( x,θ*) − u*


Với θ* là véc-tơ tham số tối ưu của hệ mờ. Viết lại phương trình (1.25) thu được:
e = Λe + b(θ* −θ) ζ ( x) − bw
Chọn hàm Lyapunov:

V=
Với γ > 0. Đạo hàm V thu được:
(1.30)

V=−

trong đó pn là véc-tơ cột cuối cùng của ma trận P .
Chọn luật thích nghi:
(1.31)

có:
(1.32)

trong đó λ

là giá trị riêng nhỏ nhất của ma trận Q . Khi sai lệch nằm ngồi miền
min

Γ
={e|e|<
tiến về
λ

2|pw|
n


min

vùng Γ có chứa gốc 0.

} thì V <0. Điều đó có nghĩa là sai lệch điều khiển sẽ


×