Nghiên cứu hệ thống nơ ron mờ (ANFIS) để điều khiển tay máy

1
Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên

ĐẠI HỌC THÁI NGUYÊN
TRƢỜNG ĐẠI HỌC KỸ THUẬT CÔNG NGHIỆP




LUẬN VĂN THẠC SĨ KỸ THUẬT





NGHIÊN CỨU ỨNG HỆ NƠ RON MỜ (ANFIS)
ĐỂ ĐIỀU KHIỂN TAY MÁY




Ngành : TỰ ĐỘNG HÓA
Mã số : TNU088625260014
Học viên : NGUYỄN THỊ NGỌC LINH
Hƣớng dẫn khoa học: PGS.TS LẠI KHẮC LÃI

THÁI NGUYÊN, NĂM 2010
2
Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên

LỜI CAM ĐOAN
Tôi tên là Nguyễn Thị Ngọc Linh lớp CHK11-TĐH tôi xin cam đoan bản
luận văn: "Nghiên cứu, ứng dụng hệ nơron mờ để điều khiển tay máy" là do tôi tự
tổng hợp và nghiên cứu, không photo, coppy của ai. Trong luận văn có sử dụng một
số nguồn tài liệu tham khảo rõ ràng nhƣ đã nêu trong phần tài liệu tham khảo.
Tôi xin chịu trách nhiệm về những gì tôi khai trƣớc nhà trƣờng và hội đồng
khoa học!
Thái nguyên, tháng 10 năm 2010
Tác giả luận văn


Nguyễn Thị Ngọc Linh

3
Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên

LỜI NÓI ĐẦU
Robot là đối tƣợng phi tuyến nên rất khó xác định đƣợc chính xác các thông số
đo lƣờng tại các thời điểm nhất định. Do vậy, bài toán điều khiển cánh tay robot là bài
toán khá phức tạp. Vì vậy, ứng dụng của hệ nơron mờ (anfis) trong bài toán điều khiển
cánh tay robot sẽ hứa hẹn một giải pháp hiệu quả góp phần nâng cao hiệu quả làm việc
của robot nhờ khả năng di chuyển chính xác đối tƣợng trong các môi trƣờng làm việc.
Hiện nay trong nƣớc và trên thế giới đã có một số nghiên cứu ứng dụng hệ
nơron mờ trong bài toán điều khiển cánh tay robot. Tuy nhiên, lĩnh vực này còn khá
mới mẻ và đang rất đƣợc quan tâm nhƣng chƣa đƣợc ứng dụng rộng rãi. Chính vì lý do
trên tác giả quyết định chọn đề tài:
“Nghiên cứu ứng dụng mạng nơron mờ (ANFIS) để điều khiển tay máy”.
Luận văn chia làm 3 chƣơng:
Chƣơng 1: Tổng quan về hệ mờ và mạng nơron
Chƣơng 2: Khảo sát và xây dựng mô hình toán học robot
Chƣơng 3: Xây dựng thuật toán điều khiển cánh tay robot
Mặc dù hết sức nỗ lực song do quỹ thời gian và kinh nghiệm khoa học còn
nhiều hạn chế nên bản luận văn không tránh khỏi những thiếu sót, rất mong nhận đƣợc

sự đóng góp của các thầy cô và các bạn đồng nghiệp!
Tôi xin chân thành cảm ơn Thầy giáo hƣớng dẫn PGS TS Lại Khắc Lãi và các
thầy cô khác đã tận tình giúp đỡ, định hƣớng và giúp tôi hoàn thành bản luận văn này!
Và qua đây xin dành lời biết ơn sâu sắc đến ngƣời thân đã hết lòng động viên,
giúp đỡ tôi trong suốt quá trình học tập và hoàn thành bản luận văn này!

Thái Nguyên, tháng 10 năm 2010
Tác giả


Nguyễn Thị Ngọc Linh
4
Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên

MỤC LỤC
LỜI NÓI ĐẦU
MỤC LỤC………………………………………………………………………….3
DANH MỤC CÁC HÌNH VẼ VÀ ĐỒ THỊ….……………………………….……4
PHẦN MỞ ĐẦU…………………………….……………………………….…… 6
1. Lý do chọn đề tài…………………………………………………………………6
2. Mục đích nghiên cứu……………………………………………………….….…6
3. Đối tƣợng nghiên cứu……………………………………………………… … 6
4. Phạm vi nghiên cứu………………………………………………………….… 6
5. ý nghiã khoa học và ý nghĩa thực tiễn của đề tài……………………………… 6
Chƣơng I: TỔNG QUAN VỀ HỆ NƠRON MỜ (ANFIS) 10
1.1 Đặt vấn đề 10
1.2 Tổng quan về điều khiển mờ 10
1.2.1. Giới thiệu 10
1.2.2. Cấu trúc của hệ điều khiển mờ 13
1.3 Tổng quan về mạng nơron 25

1.3.1 Giới thiệu 25
1.3.2 Lịch sử phát triển của mạng nơron nhân tạo 25
1.3.3 Cấu trúc mạng nơron nhân tạo 26
1.3.4 Mô hình nơron 29
1.3.5 Cấu trúc mạng 30
1.4 Sự kết hợp giữa mạng nơron và logic mờ 34
1.4.1 Vài nét về lịch sử phát triển 34
1.4.2 Logic mờ 34
1.4.3 Mạng nơron 35
1.4.4 Sự kết hợp giữa mạng nơron và logic mờ 35
1.5 Các hệ thống điều khiển dùng nơron mờ trong nƣớc và trên thế giới……… 37
KẾT LUẬN CHƢƠNG I 40
Chƣơng II: KHẢO SÁT VÀ XÂY DỰNG MÔ HÌNH TOÁN HỌC ROBOT… 41
2.1 Sơ lƣợc quá trình phát triển của robot công nghiệp……………………… 41
2.2 ứng dụng của robot công nghiệp…………………….…………………………42
2.3 Các cấu trúc cơ bản của robot công nghiệp……………………………………43
2.3.1 Cấu trúc chung…………………………….………… ………………….43
2
2
.
.
3
3
.
.
2
2
.
.

K
K
ế
ế
t
t


c
c
ấ
ấ
u
u


t
t
a
a
y
y


m
m
á
á
y

y 45
2.4 Lựa chọn sơ đồ điều khiển hệ điều khiển robot……………………….……….45
2.4.1 Thiết lập các phƣơng trình động học cơ bản 47
2.4.2 Vận tốc chuyển động thứ i…………………………………….………… 48
2.4.3 Gia tốc của chuyển động thứ i……………….……………………………….49
2.5 Thành lập phƣơng trình động lực học………….………………………………49
2.5.1 Xây dựng phƣơng trình tính động năng của hệ……………… ………… 49
2.5.2 Xây dựng phƣơng trình tính thế năng của hệ…………………… ……… 54
2.6 Mô tả toán học hệ điều khiển chuyển động bằng phƣơng trình vi phân…… 55
2.6.1 Thành lập hàm Lagrange. 55
2.6.2 Mô tả bằng phƣơng trình Lagrage bậc hai………… ………………… 56
2.7 Mô tả hệ điều khiển chuyển động bằng phƣơng trình trạng thái …………… 65
5
Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên

KẾT LUẬN CHƢƠNG II………………….………………………………………68
Chƣơng III: XÂY DỰNG THUẬT TOÁN ĐIỀU KHIỂN CÁNH TAY ROBOT 69
3.1 Mô phỏng cánh tay robot………………………………………………………69
3.2 Thiết kế bộ điều khiển kinh điển để điều khiển cánh tay robot……………… 72
3.3 Xây dựng bộ điều khiển nơron mờ…………………………………………….76
3.3.1 Xây dựng tập dữ liệu huấn luyện…………………….……………………76
3.3.2 Cấu trúc hệ nơron mờ 77
3.3.3 Huấn luyện bộ điều khiển 80
3.3.4 Kết quả mô phỏng 81
KẾT LUẬN CHƢƠNG III 83
KẾT LUẬN 84
TÀI LIỆU THAM KHẢO……………………………………………………… 88

6
Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên

DANH MỤC CÁC HÌNH VẼ, ĐỒ THỊ
Hình
Tên hình
Trang
Hình 1.1
Hình 1.2
Hình 1.3
Hình 1.4
Hình 1.5
Hình 1.6
Hình 1.7

Hình 1.8
Hình 1.9
Hình 1.10
Hình 1.11
Hình 1.12
Hình 1.13
Hình 1.14
Hình 1.15
Hình 1.16
Hình 1.17
Hình 1.18
Hình 1.19
Hình 1.20
Hình 1.21
Hình 1.22
Hình 1.23
Hình 1.24
Hình 1.25
Hình 1.26
Hình 1.27
Hình 1.28
Hình 1.29
Các khối chức năng của bộ điều khiển mờ
Các hàm liên thuộc của một biến ngôn ngữ
Hàm liên thuộc vào-ra theo luật hợp thành max-min
Hàm liên thuộc vào-ra theo luật hợp thành max-prod
Hàm liên thuộc vào -ra theo luật hợp thành sum-min
Hàm liên thuộc vào-ra theo luật hợp thành sum-prod
Giải mờ theo nguyên tắc trung bình
Giải mờ bằng nguyên tắc cận trái

Giải mờ bằng nguyên tắc cận phải
Giải mờ bằng phƣơng pháp điểm trọng tâm
So sánh các phƣơng pháp giải mờ
Mô hình 2 nơron sinh học
Mô hình nơron đơn giản
Mạng nơ ron 3 lớp
Mô hình nơron đơn giản
Nơron với R đầu vào
Ký hiệu nơ ron với R đầu vào
Cấu trúc mạng nơ ron 1 lớp
Ký hiệu mạng R đầu vào và S
Ký hiệu một lớp mạng
Cấu trúc mạng nơron 3 lớp
Ký hiệu tắt của mạng nơ ron 3 lớp
Cấu trúc huấn luyện mạng
Kiến trúc kiểu mẫu của một hệ nơron mờ
Mô hình hệ nơ ron mờ
Cấu trúc chung của hệ nơron mờ
Mô phỏng hệ thống điều khiển SVC dùng nơron mờ
Hệ thống hút tích hợp với cánh tay robot
Mô hình bộ điều khiển nơron mờ
11
12
15
16
18
19
20
21
21

23
23
26
27
28
28
29
29
30
31
31
32
32
33
37
37
37
38
39
40
7
Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên

Hình 2.1
Hình 2.2
Hình 2.3
Hình 2.4
Hình 3.1
Hình 3.2
Hình 3.3

Hình 3.4
Hình 3.5
Hình 3.6
Hình 3.7
Hình 3.8
Hình 3.9
Hình 3.10
Hình 3.11
Hình 3.12
Hình 3.13
Hình 3.14
Hình 1.15
Bảng 1.1
Bảng 3.1
Sơ đồ cấu trúc chung của robot công nghiệp
Sơ đồ cấu trúc chung của hệ thống cảm biến
Sơ đồ kết cấu tay máy
Sơ đồ cấu trúc robot 3 thanh nối
Sơ đồ khối hệ điều khiển tay máy 3 bậc tự do
Sơ đồ cấu trúc hệ điều khiển tốc độ khớp 1, khớp 2, khớp 3
Sơ đồ mô phỏng hệ cơ học của robot
Sơ đồ cấu trúc hệ điều khiển tốc độ khớp 1
Sơ đồ cấu trúc hệ điều khiển tốc độ khớp 2
Sơ đồ cấu trúc hệ điều khiển khớp 3
Sơ đồ cấu trúc hệ thống điều khiển tay máy bằng PID kinh điển
Đặc tính động các khớp khi điều khiển bằng PID kinh điển
Sơ đồ cấu trúc bộ điều khiển mờ
Hàm liên thuộc đầu vào 1 của bộ điềukhiển nơron mờ sau huấn luyện
Hàm liên thuộc đầu vào 1 của bộ điềukhiển nơron mờ sau huấn luyện
Dữ liệu vào ra của anfis sau huấn luyện

Sơ đồ mô phỏng hệ thống điều khiển tay máy bằng nơ ron mờ
Đặc tính động các khớp khi điều khiển khớp 3 bằng anfis
Qũi đạo các khớp khi điều khiển khớp 3 bằng anfis
So sánh mạng nơron và logic mờ
Tập dữ liệu huấn luyện
44
44
45
46
69
70
71
72
73
74
75
75
81
82
83
84
85
85
86
36
77

8
Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên

PHẦN MỞ ĐẦU
1. Lý do chọn đề tài
Việc nâng cao chất lƣợng điều khiển tay máy luôn là vấn đề cấp thiết đƣợc nhiều
nhà khoa học trong và ngoài nƣớc quan tâm. Các hệ thống điều khiển tay máy hiện
nay chủ yếu dùng phƣơng pháp điều khiển kinh điển và đƣợc thiết kế theo phƣơng
pháp tuyến tính hóa gần đúng. Khi thông số của hệ thống thay đổi thì thống số của
bộ điều khiển giữ nguyên dẫn đến làm giảm độ chính xác điều khiển ảnh hƣởng đến
chất lƣợng sản phẩm.
Với sự ra đời của lý thuyết điều khiển hiện đại (điều khiển thích nghi, điều khiển
mờ mạng nơron…) đã tạo điều kiện cho việc xây dựng các bộ điều khiển thông
minh đáp ứng yêu cầu công nghệ ngày càng cao của nền sản xuất hiện đại. Trong
mấy năm gần đây đã có nhiều đề tài nghiên cứu ứng dụng hệ mờ và mạng nơron để
điều khiển các đối tƣợng phi tuyến [7], [8], [12], [16]. Song phần lớn các nghiên
cứu tập trung khai thác các hệ mờ, nơron hoặc mờ nơron ít đề tài quan tâm đến việc
xây dựng hệ nơron mờ. Trong đề tài này tác giả dự kiến nghiên cứu và ứng dụng hệ
nơron mờ để nhận dạng và điều khiển tay máy ba thanh nối, đây là vấn đề mới chƣa
có công bố nào ở Việt Nam.

Trên đây là lý do tác giả chọn đề tài: "Nghiên cứu, ứng dụng hệ nơron mờ để
điều khiển tay máy"
2. Mục đích nghiên cứu
Xây dựng bộ điều khiển noron mờ cho cánh tay robot đảm bảm các yêu cầu
chất lƣợng.
3. Đối tƣợng nghiên cứu
Điều khiển tay robot theo hệ noron mờ
4. Ý nghĩa khoa học, ý nghĩa thực tiễn của đề tài
a) Ý nghĩa khoa học
Hệ thống noron mờ đang nổi lên nhƣ một công cụ điều khiển các hệ thống
phi tuyến với các thông số chƣa xác định. Việc kết hợp giữa phƣơng pháp noron và
phƣơng pháp mờ đem lại khả năng tuyệt vời cho sự linh hoạt và học theo thao tác
của con ngƣời. Điều này có ý nghĩa rất lớn về mặt khoa học trong việc điều khiển
các đối tƣợng phi tuyến.
9
Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên

Đề tài này sẽ đề cập đến ứng dụng của no ron mờ trong việc điều khiển đối
tƣợng phi tuyến đặc biệt là điều khiển cánh tay robot.
b) Ý nghĩa thực tiễn
Việc điều khiển cánh tay robot ứng dụng hệ noron mờ có ý nghĩa thực tiễn rất lớn.
Bởi vì robots đƣợc áp dụng rộng rãi trong nhiều lĩnh vực khác nhau, chúng buộc
phải có khả năng làm việc trong các môi trƣờng không xác định trƣớc và thay đổi.
Đặc biệt chúng phải nhạy cảm với môi trƣờng làm việc và thực hiện thao tác bất
chấp sự có mặt của vật cản trong vùng làm việc. Việc nâng cao chất lƣợng điều
khiển robot sẽ góp phần nâng cao chất lƣợng sản phẩm, nâng cao năng suất và hiệu
quả lao động.

10
Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên

Chƣơng I: TỔNG QUAN VỀ HỆ NƠRON MỜ (ANFIS)
1.1 Đặt vấn đề
Từ những năm 20, lý thuyết tập mờ và mạng noron nhân tạo đã phát triển rất
nhanh và đƣợc quan tâm. Với logic mờ, trí tuệ nhân tạo phát triển mạnh mẽ tạo cơ
sở xây dựng các hệ chuyên gia, những hệ có khả năng cung cấp kinh nghiệm điều
khiển hệ thống. Trí tuệ nhân tạo đƣợc xây dựng dựa trên mạng noron nhân tạo. Sự
kết hợp giữa logic mờ và mạng noron trong thiết kế hệ thống điều khiển tự động là
một khuynh hƣớng hoàn toàn mới, phƣơng hƣớng thiết kế hệ điều khiển thông
minh, một hệ thống mà bộ điều khiển có khả năng tƣ duy nhƣ bộ não con ngƣời, tức
là nó có khả năng tự học, tự chỉnh định lại cho phù hợp với sự thay đổi không lƣờng
đƣợc trƣớc của đối tƣợng.
Nhƣ đã biết hệ mờ và mạng nơron đều có khả năng làm việc trong những hệ

thống không ổn định, không chính xác và điều kiện môi trƣờng khắc nhiệt. Hệ
thống mờ và mạng nơron đã có nhiều ví dụ thực hiện đánh giá và so sánh chúng.
Ngày nay các nhà thiết kế đã áp dụng một cách rộng rãi và có hệ thống logic
mờ và mạng nơron trong lĩnh vực điều khiển học. Ý tƣởng là triệt tiêu các nhƣợc
điểm và đạt đƣợc các ƣu điểm của cả hai công nghệ, điều này có nghĩa là hai công
nghệ kết hợp để tối đa hóa điểm mạnh của từng công nghệ và bổ sung những nhƣợc
điểm để hợp thành một hệ thống mới tối ƣu hơn.
Hệ thống hợp nhất này sẽ có ƣu điểm của cả hai: Mạng nơron (khả năng học,
khả năng tối ƣu hoá, sự kết nối về cấu trúc) và hệ mờ (sự thông minh của con ngƣời
qua luật mờ if - then, sự thuận lợi của việc am hiểu kiến thức chuyên môn một cách
chặt chẽ của các chuyên gia).
1.2 Tổng quan về điều khiển mờ
1.2.1. Giới thiệu
Trong lịch phát triển của công nghệ hiện đại, sự đóng góp của điều khiển lôgic
là cực kỳ to lớn. Nó đã đóng vai trò rất quan trọng không chỉ trong các ngành khoa
học tự nhiên mà còn là một môn khoa học không thể thiếu đƣợc đối với khoa học xã
hội ngay cả trong suy luận đời thƣờng. Ngày nay, lôgic toán học kinh điển đã tỏ ra
còn nhiều hạn chế trong những bài toán nảy sinh từ công việc nghiên cứu và thiết kế
11
Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên

những hệ thống phức tạp. Đặc biệt là những lĩnh vực cần sử dụng trí tuệ nhân tạo
hay trong công việc điều khiển và vận hành các hệ thống lớn có độ phức tạp cao cần
sự giúp đỡ của hệ các chuyên gia.
Với sự phát triển mạnh mẽ của công nghệ thông tin nhất là kỹ thuật vi xử lý
và công nghệ phần mềm đã đặt nền móng cho việc ứng dụng hệ thống điều khiển
thông minh vào các nghành công nghiệp. Các hệ thống điều khiển thông minh đƣợc
xây dựng trên cơ sở trí tuệ nhân tạo đã giúp con ngƣời có khả năng khống chế
những đối tƣợng mà trƣớc kia tƣởng chừng nhƣ không điều khiển đƣợc nhƣ trong
rất nhiều bài toán điều khiển khi đối tƣợng không thể mô tả bởi mô hình toán học,

hoặc mô hình của nó quá phức tạp, cồng kềnh…
Trong thực tế khi thiết kế bộ điều khiển kinh điển thƣờng bị bế tắc khi gặp
những bài toán có độ phức tạp của hệ thống cao, độ phi tuyến lớn, thƣờng xuyên
thay đổi trạng thái hoặc cấu trúc của đối tƣợng…
Phát hiện thấy nhu cầu tất yếu ấy, năm 1965 L.A.Zadeh - tại trƣờng đại học
Berkelye bang California -Mỹ đã sáng tạo ra lý thuyết điều khiển mờ (Fuzzy Sets
Theory) và đặt nền móng cho việc xây dựng một loạt các lý thuyết quan trọng dựa
trên cơ sở lý thuyết tập mờ. Đây là một trong những phát minh quan trọng có tính
bùng nổ và đang hứa hẹn giải quyết đƣợc nhiều vấn đề phức tạp và to lớn của thực
tế.
Năm 1970 tại trƣờng Marry Queen London - Anh, Ebrahim Mamdani đã dùng
logic mờ để điều khiển một máy hơi nƣớc mà ông không thể điều khiển đƣợc bằng
kỹ thuật cổ điển. Tại Đức Hann Zimmermann đã dùng logic mờ cho các hệ ra quyết
định. Tại Nhật logic mờ đƣợc ứng dụng vào nhà máy xử lý nƣớc của Fụi Electrinic
vào năm 1983, hệ thống xe điện ngầm của Hitachi vào năm 1987, đƣờng sắt Sendai.
Các ứng dụng đã và đang đƣợc phát triển với các vấn đề theo vết, điều chỉnh, nội
suy, phân loại, chữ viết tay, nhận dạng lời nói, ổn định hình dạng trong các máy
quay video, máy giặt, máy hút bụi, điều hòa, quạt điện, Một thí nghiệm con lắc
ngƣợc đã đƣợc chứng minh vào năm 1987 với “các đáp ứng cân bằng đƣợc sinh ra
gần 100 lần ngắn hơn những đáp ứng của bộ điều khiển PID truyền thống”.
12
Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên

Lý thuyết mờ ra đời ở Mỹ, ứng dụng đầu tiên ở Anh nhƣng phát triển mạnh mẽ
nhất ở Nhật. Trong lĩnh vực tự động hóa logic mờ ngày càng đƣợc ứng dụng rộng
rãi, nó thực sự hữu dụng với các đối tƣợng phức tạp mà ta chƣa biết rõ hàm truyền,
phức tạp, không xác định, logic mờ có thể giải quyết các vấn đề mà điều khiển kinh
điển không làm đƣợc.
Phƣơng pháp điều khiển mờ chính là nhằm vào việc xây dựng các phƣơng pháp
có khả năng bắt chƣớc cách thức con ngƣời điều khiển. Vì đối tƣợng điều khiển là

một hệ thống phức tạp, bản chất chƣa rõ, không thể hiển thị bằng các mô hình toán
lý. Nên dƣới dạng mô hình mờ một tập các mệnh đề IF …THEN (các luật) với các
dữ liệu ngôn ngữ mô tả mối quan hệ giữa các biến vào, các biến ra đã ra đời. Ta lấy
một ví dụ phận biệt cá voi có tính khoa học. Ở những trƣờng tiểu học, nhiều điều
làm mọi ngƣời ngạc nhiên, rằng cá voi là động vật có vú bởi vì: nó là loại máu
nóng, đẻ con, nuôi con bằng sữa mẹ, và cũng mọc lông. Hệ thống phân biệt này là
một ví dụ hoàn hảo của logic hai trị truyền thống mà thống trị khoa học suốt nhiều
thế kỷ. Mặc dù thực tế là nó trông giống cá, nó bơi giống cá, nó có mùi cá, và cứ ba
học sinh lại có một ngƣời nghi ngờ khi nói rằng cá voi không phải là cá, cá voi
100% động vật có vú, 0 % là cá. Nếu một nhà logic mờ phân biệt cá voi, ông ta sẽ
cho cá voi thuộc về cả hai bộ động vật có vú và bộ cá, tới mức độ tự nhiên.
So với phƣơng pháp điều khiển truyền thống thì phƣơng pháp tổng hợp hệ
thống điều khiển bằng điều khiển mờ có những ƣu điểm sau:
Điểm mạnh nổi trội cơ bản của điểu khiển mờ so với kỹ thuật điều khiển kinh
điển là nó áp dụng rất hiệu quả và linh hoạt trong các quá trình điều khiển ở điều kiện
chƣa xác định rõ và thiếu thông tin
Nguyên lý điều khiển mờ đã cho phép con ngƣời tự động hóa đƣợc điều khiển
cho một quá trình, một thiết bị…và mang lại chất lƣợng mong muốn.
Với nguyên tắc mờ bộ điều khiển tổng hợp đƣợc có cấu trúc đơn giản so với bộ
điều khiển kinh điển khác có cùng chức năng. Sự đơn giản đó đã đóng vai trò quan
trọng trong việc tăng độ tin cậy cho thiết bị, giảm giá thành sản phẩm.
Điều khiển mờ là những cải tiến liên tiếp của kỹ thuật vi xử lý, một cầu nối
không thể thiếu giữa kết quả nghiên cứu của lý thuyết điều khiển mờ với thực tế.
13
Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên

1.2.2. Cấu trúc của hệ điều khiển mờ
a) Sơ đồ khối: Sơ đồ các khối chức năng của hệ điều khiển mờ đƣợc chỉ ra trên
hình 1.1. 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 đƣa

tín hiệu vào bộ điều khiển và xuất tín hiệu từ ngõ ra bộ điều khiển đến cơ cấu chấp
hành.

b) Giao diện vào, ra: Hệ mờ là một hệ điều khiển số do đó tín hiệu đƣa vào bộ điều
khiển mờ phải là tín hiệu số. Giao diện vào có nhiệm vụ chuẩn hóa tín hiệu tƣơng tự
thu nhận đƣợc từ đối tƣợng điều khiển và chuyển đổi thành tín hiệu số. Giao diện ra
có nhiệm vụ biến đổi tín hiệu số thành tƣơng tự, khuyếch đại tín hiệu điều khiển cho
phù hợp với đối tƣợng cụ thể. Trong thực tế, giao diện vào, ra đƣợc tích hợp trong
một CARD xử lý số chuyên dụng hoặc lắp thêm vào khe cắm mở rộng của máy
tính.
c) Khối mờ hóa: Là khối đầu tiên của bộ điều khiển mờ có chức năng chuyển mỗi
giá trị rõ của biến ngôn ngữ đầu vào thành véc tơ µ có số chiều bằng số tập mờ đầu
vào. Số tập mờ đầu vào do ngƣời thiết kế qui định tùy thuộc đối tƣợng cụ thể,
nhƣng thông thƣờng không chọn quá 9 tập mờ. Hình dạng các hàm liên thuộc cũng
đƣợc tùy chọn theo hình tam giác, hình thang, hàm Gaus … Mỗi loại hàm liên thuộc
có ƣu, nhƣợc điểm riêng. Hiện nay vẫn chƣa có nghiên cứu nào chỉ rõ dùng dạng
hàm liên thuộc nào là tốt nhất. Hình 1.2 minh họa phƣơng pháp mờ hóa biến điện áp
trong khoảng từ 100V - 300V bằng 5 tập mờ dạng hàm Gaux. Khi đó ứng với mỗi
giá trị rõ x
0
ta có véc tơ












)(
)(
)(
)(
)(
0
0
0
0
0
x
x
x
x
x
RC
Cao
TB
T
RT






, Ví dụ với x
0

= 220V ta có:










0
4,0
7,0
0
0


Mờ
hoá
Thiết bị
hợp thành
Giải
mờ
Hình 1.1: Các khối chức năng của bộ điều khiển mờ
Giao
diện ra
Giao diện
vào
14

Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên







d) Khối thiết bị hợp thành:
Khối thiết bị hợp thành còn đƣợc gọi là cơ cấu suy diễn hay động cơ suy diễn có
chức năng biến mỗi giá trị rõ (x
0
) ở đầu vào thành tập mờ µ
B'
(x
0
) trên cơ sở các luật
điều khiển, khối này gồm 2 phần chính: Luật điều khiển (hợp thành) và suy diễn
mờ.
Luật điều khiển bao gồm một số mệnh đề hợp thành là các mệnh đề đơn hoặc
mệnh đề phức đƣợc liên hệ với nhau bởi toán tử "Hoặc" có dạng tổng quát:
R
1
: Nếu X
1
= A
1
và X
2
= B

1
và … thì Y
1
= C
1
và Y
2
= D
1
… hoặc
R
2
: Nếu X
1
= A
2
và X
2
= B
2
và ….thì Y
1
= C
2
và Y
2
= D
2
… hoặc
………………………………………………………

R
n
: Nếu X
1
= A
n
và X
2
= B
n
và … thì Y
1
= C
n
và Y
2
= D
n
…
(1.1)
Tùy theo số mệnh đề điều kiện và số mệnh đề kết luận trong mỗi mệnh đề hợp
thành mà ngƣời ta có các 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  = A
1
thì  = B
1

hoặc
R
2
: nếu  = A
2
thì  = B
2

- 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 
1
= A
1
và 
2
= A
2
thì  = B
Hình 1.2: Các hàm liên thuộc của một biến ngôn ngữ
15
Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên

- Cấu trúc MIMO (Nhiều vào, nhiều ra): Có ít nhất 2 mệnh đề điều kiện và 2
mệnh đề kết luận.
Ví dụ: R
1
: Nếu 
1
= A

1
và 
2
= B
1
thì  = C
1
hoặc
R
2
: Nếu 
1
= A
2
và 
2
= B
2
thì  = C
2

*) Suy diễn mờ
Là nguyên tắc xây dựng ma trận hợp thành chung (R) từ các mệnh đề hợp thành
R
k
. Trong điều khiển mờ ngƣời ta đƣa ra 4 nguyên tắc xây dựng ma trận hợp thành
là: Max-min, Max-prod, Sum-min, Sum-prod. Theo thói quen ta thƣờng gọi là các
luật hợp thành Max-min; luật hợp thành Max-prod; luật hợp thành Sum-min và luật
hợp thành Sum-prod.
- Luật hợp thành Max-min: Nếu

)y();y();y(
321
BBB


thu đƣợc qua phép
lấy Min còn phép hợp thực hiện theo luật Max.
Luật hợp thành MIN là tên gọi mô hình (ma trận) R của mệnh đề hợp thành
AB khi hàm liên thuộc 
AB
(x,y) của nó đƣợc xây dựng theo quy tắc MIN.
Xét luật hợp thành đơn có cấu trúc SISO:
Các bƣớc xây dựng:
Bƣớc 1: Rời rạc hoá 
A
(x) tại n điểm x
1
, x
2
, ,x
n
, 
B
(y) tại m điểm y
1
, y
2
, ,y
m

(n có thể khác m)
Bƣớc 2: Xây dựng ma trận R gồm n hàng và m cột :
   
   
























nm1n
m111

mnR1nR
m1R11R
r r

r r
y,x y,x

y,x y,x
R
(1.2)
Bƣớc 3: Xác định hàm liên thuộc 
B’
(y) của đầu ra ứng với giá trị rõ đầu vào x
k

theo biểu thức :

B’
(y) = a
T
.R = (a
1
, a
2
, a
n
)












nm1n
m111
r r

r r
(l
1,
l
2
, … l
m
) (1.3)
16
Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên

Với
1
Σ
n
k i ik
i
l a r



, a
T
= ( 0, 0, , 0, 1, 0, , 0)
Trong đó:
 
m, ,2,1k,raminmaxl
kii
ni1
k



Bƣớc 4:
Xác định 
B’
(y) theo công thức: 
B’
(y) = (l
1
, l
2
, , l
m
) (1.4)
Ví dụ:

A
(x), 

B
(y), 
A
(x), 
C
(z), đƣợc rời rạc hoá tại các điểm:
x{ 2.038, 5.4, 1.359, 6.4}
y{ [1.359, 7.6, 2.038, 8.6}
z{ 1.699, 12.5, 1.699, 13.5}
Ta tiến hành xây dựng luật hợp thành MAX-MIN:


- Luật hợp thành MAX-PROD: Nếu
)y();y();y(
321
BBB


thu đƣợc qua phép
PROD còn phép hợp thực hiện theo luật Max.
Các bƣớc xây dựng:
Bƣớc 1: Rời rạc hoá 
A
(x) tại n điểm x
1
, x
2
, ,x
n
, 

B
(y) tại m điểm y
1
, y
2
, ,y
m

(n có thể khác m)
Bƣớc 2: Xây dựng ma trận R gồm n hàng và m cột :
Hình 1.3: Hàm liên thuộc vào-ra theo luật hợp thành Max-min
17
Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên

   
   

























nm1n
m111
mnR1nR
m1R11R
r r

r r
y,x y,x

y,x y,x
R

Bƣớc 3: Xác định hàm liên thuộc 
B’
(y) của đầu ra ứng với giá trị rõ đầu vào x
k
theo biểu thức:

B’
(y) = a

T
.R = (a
1
, a
2
, a
n
)











nm1n
m111
r r

r r
(l
1,
l
2
, … l
m

)
Với
iki
n
1i
k
raΣl



a
T
= ( 0, 0, , 0, 1, 0, , 0)
 vị trí thứ k
Trong đó:
 
m, ,2,1k,raprodmaxl
kii
ni1
k



Bƣớc 4: Xác định 
B’
(y) theo công thức: 
B’
(y) = (l
1
, l

2
, , l
m
)
Để xây dựng R, trƣớc tiên hai hàm liên thuộc 
A
(x) và 
B
(y) đƣợc rời rạc
hoá với tần số rời rạc đủ nhỏ để không bị mất thông tin.
Ví dụ:

A
(x), 
B
(y), 
A
(x), 
C
(z), đƣợc rời rạc hoá tại các điểm:
x{ 2.038, 5.4, 1.359, 6.4}
y{ [1.359, 7.6, 2.038, 8.6}
z{ 1.699, 12.5, 1.699, 13.5}
Ta tiến hành xây dựng luật hợp thành MAX-PROD:
18
Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên



- Luật hợp thành SUM-MIN: Nếu

)y();y();y(
321
BBB


thu đƣợc qua phép
lấy Min còn phép hợp thực hiện theo luật SUM.
Xét luật điều khiển R gồm p mệnh đề hợp thành:
R
1
: Nếu  = A
1
Thì  = B
1
hoặc
R
2
: Nếu  = A
2
Thì  = B
2
hoặc

R
p
: Nếu  = Ap Thì  = B
p

Trong đó các giá trị mờ A
1

, A
2
, , A
p
có cùng cơ sở X và B
1
, B
2
, ,B
P
có
cùng cơ sở Y.
Gọi hàm liên thuộc của A
k
và B
k
là 
Ak
(x) và 
Bk
(y) với k = 1, 2, , p.
Thuật toán triển khai: R = R
1
R
2
 R
p
đƣợc thực hiện theo các bƣớc sau:
Bƣớc 1: Rời rạc hoá X tại n điểm (x
1

, x
2
, x
3
, , x
n
) và Y tại m điểm (y
1
, y
2
, ,
y
m
)
Bƣớc 2: Xác định các véctơ 
Ak
và 
Bk
(k = 1, 2, ,p) tại các điểm rời rạc theo
biểu thức:

T
Ak
= {
Ak
(x
1
),
Ak
(x

2
), , 
Ak
(x
n
)} (1.5)

T
Bk
= {
Bk
(y
1
), 
Bk
(y
2
), , 
Bk
(y
n
)}
Bƣớc 3: Xác định mô hình (ma trận) R
k
cho mệnh đề thứ k
Hình 1.4: Hàm liên thuộc vào- ra theo luật hợp thành max-prod
19
Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên

R

k
= 
Ak
.
T
Bk
=
 
k
ij
r
,i =1, 2, , n và j = 1, 2, ,m (1.6)
Trong đó phép (.) là phép tính lấy cực tiểu min khi sử dụng nguyên tắc
SUM-MIN
Bƣớc 4:
Xác định luật hợp thành









p
1k
k
R,1minR
với k = 1, 2, , p}. (1.7)

Ví dụ:

A
(x), 
B
(y), 
A
(x), 
C
(z), đƣợc rời rạc hoá tại các điểm:
x{ 2.038, 5.4, 1.359, 6.4}
y{ [1.359, 7.6, 2.038, 8.6}
z{ 1.699, 12.5, 1.699, 13.5}
Ta tiến hành xây dựng luật hợp thành SUM-MIN:


- Luật hợp thành SUM - PROD: Nếu
)y();y();y(
321
BBB


thu đƣợc qua phép
lấy PROD còn phép hợp thực hiện theo Lukasiewicz.
Xét luật điều khiển R gồm p mệnh đề hợp thành:
R
1
: Nếu  = A
1
Thì  = B

1
hoặc
R
2
: Nếu  = A
2
Thì  = B
2
hoặc

Hình 1.5: Hàm liên thuộc vào-ra theo luật hợp thành sum-min
20
Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên

R
p
: Nếu  = Ap Thì  = B
p

Trong đó các giá trị mờ A
1
, A
2
, , A
p
có cùng cơ sở X và B
1
, B
2
, ,B

P
có
cùng cơ sở Y.
Gọi hàm liên thuộc của A
k
và B
k
là 
Ak
(x) và 
Bk
(y) với k = 1, 2, , p.
Thuật toán triển khai: R = R
1
R
2
 R
p
đƣợc thực hiện theo các bƣớc sau:
Bƣớc 1: Rời rạc hoá X tại n điểm (x
1
, x
2
, x
3
, , x
n
) và Y tại m điểm (y
1
, y

2
, ,
y
m
)
Bƣớc 2: Xác định các véctơ 
Ak
và 
Bk
(k = 1, 2, ,p) tại các điểm rời rạc theo
biểu thức:

T
Ak
= {
Ak
(x
1
),
Ak
(x
2
), , 
Ak
(x
n
)}

T
Bk

= {
Bk
(y
1
), 
Bk
(y
2
), , 
Bk
(y
n
)}
Bƣớc 3: Xác định mô hình (ma trận) R
k
cho mệnh đề thứ k
R
k
= 
Ak
.
T
Bk
=
 
k
ij
r
, i =1, 2, , n và j = 1, 2, ,m
Trong đó phép (.) sử dụng phép nhân bình thƣờng khi sử dụng nguyên tắc

SUM-PROD.
Bƣớc 4: Xác định luật hợp thành









p
1k
k
R,1minR
với k = 1, 2, , p}.
Ví dụ:

A
(x), 
B
(y), 
A
(x), 
C
(z), đƣợc rời rạc hoá tại các điểm:
x{ 2.038, 5.4, 1.359, 6.4}
y{ [1.359, 7.6, 2.038, 8.6}
z{ 1.699, 12.5, 1.699, 13.5}
Ta tiến hành xây dựng luật hợp thành SUM-PROD:

21
Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên



e) Khối giải mờ (rõ hoá)
Giải mờ là quá trình xác định một giá trị rõ y
0
nào đó có thể chấp nhận đƣợc
từ hàm liên thuộc 
B’
(y) của giá trị mờ B’ (tập mờ B’).
Có hai phƣơng pháp giải mờ chính là phƣơng pháp cực đại và phƣơng pháp
điểm trọng tâm.
*Phƣơng pháp cực đại
Để giải mờ theo phƣơng pháp cực đại, ta cần thực hiện theo hai bƣớc:
Bƣớc 1: Xác định miền chứa giá trị rõ y
0
(miền

G): Đó là miền mà tại đó hàm
liên thuộc 
B’
(y) đạt giá trị cực đại (độ cao H của tập mờ B’), tức là miền:
G = {y | 
B’
(y) = H} ;
Bƣớc 2: Xác định y
0
có thể chấp nhận đƣợc từ G theo ba nguyên tắc : Nguyên

tắc trung bình; nguyên tắc cận trái và nguyên tắc cận phải.
Nguyên tắc trung bình : Giá trị rõ y
0
sẽ là trung bình cộng của y
1
và y
2
:
2
yy
y
21
0



Ví dụ giải mờ bằng nguyên tắc trung bình cho luật hợp thành MAX-MIN:
Hình 1.6: Hàm liên thuộc vào-ra theo luật hợp thành sum-prod
22
Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên



Nguyên tắc cận trái : Giá trị rõ y
0
đƣợc lấy bằng cận trái y
1
của G. Với
 









yinfy
Gy
1
.
Ví dụ giải mờ khi sử dụng nguyên tắc cận trái cho luật hợp thành MAX-MIN:


Nguyên tắc cận phải: Giá trị rõ y
0
đƣợc lấy bằng cận phải y
2
của G
 








ysupy
Gy

2

Hình 1.7: Giải mờ bằng nguyên tắc trung bình
Hình 1.8: Giải mờ bằng nguyên tắc cận trái
23
Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên

Ví dụ giải mờ khi sử dụng nguyên tắc cận phải cho luật hợp thành MAXMIN:


*Phƣơng pháp điểm trọng tâm
Giải mờ theo phƣơng pháp điểm trọng tâm sẽ cho ra kết quả y' là hoành độ của
điểm trọng tâm miền đƣợc bao bởi trục hoành và đƣờng 
B’
(y).
Công thức xác định y
0
theo phƣơng pháp điểm trọng tâm nhƣ sau: y’
=




S
'B
S
'B
dy)y(
dy)y(y

Với S là miền xác định của tập mờ B'.
- Phƣơng pháp điểm trọng tâm cho luật hợp thành SUM-MIN
Giả sử có q luật điều khiển đƣợc triển khai. Khi đó mỗi giá trị mờ B' tại đầu ra
của bộ điều khiển sẽ là tổng của q giá trị mờ đầu ra của từng luật hợp thành. Ký
hiệu giá trị mờ đầu ra của luật điều khiển thứ k là 
B’k
(y) với k =1,2, ,q. Với quy
tắc SUM-MIN, hàm liên thuộc 
B’
(y) sẽ là:

B’
(y) =



q
1k
k'B
)y(

Sau khi biến đổi, ta có:
y’ =









S
q
1k
k'B
S
q
1k
k'B
dy)y(
dy)]y(y[
=








q
1k
S
k'B
q
1k
S
k'B
]dy)y([
]dy)y(y[

=




q
1k
k
q
1k
k
A
M

Hình 1.3.
Hình 1.9: Giải mờ bằng nguyên tắc cận phải
24
Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên

Trong đó: M
k
=


S
k'B
dy)y(y
và A
k
=



S
k'B
dy)y(

Ví dụ sử dụng phƣơng pháp điểm trọng tâm cho luật hợp thành SUM-MIN:

- Phƣơng pháp độ cao
Sử dụng công thức:
y’ =








S
q
1k
k'B
S
q
1k
k'B
dy)y(
dy)]y(y[
=









q
1k
S
k'B
q
1k
S
k'B
]dy)y([
]dy)y(y[
=




q
1k
k
q
1k
k
A

M

cho cả hai luật hợp thành MAX-MIN và SUM-MIN với thêm một giả thiết là
mỗi tập mờ 
B’k
(y) đƣợc xấp xỉ bằng một cặp giá trị (y
k
, H
k
) duy nhất
(singleton), trong đó H
k
là độ cao của 
B’k
(y) và y
k
là một điểm mẫu trong miền
giá trị của 
B’k
(y).Ta có: 
B’k
(y) = H
k
và y' =




q
1k

k
q
1k
kk
H
Hy








Hình 1.11: So sánh các phƣơng pháp giải mờ
y
Trọng tâm

Cận trái

Cận phải

Trung bình

Độ cao

Hình 1.10: Giải mờ bằng phƣơng pháp điểm trọng tâm
25
Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên

1.3 Tổng quan về mạng nơron
1.3.1 Giới thiệu
Với logic mờ, trí tuệ nhân tạo phát triển mạnh mẽ trong những năm gần đây tạo
ra cơ sở xây dựng các hệ chuyên gia, những hệ có khả năng cung cấp kinh nghiệm
điều khiển hệ thống. Trí tuệ nhân tạo đƣợc xây dựng dựa trên mạng nơron nhân tạo.
Mạng nơron nhân tạo (Artificial Neural Networks) là hệ thống đƣợc xây dựng dựa
trên nguyên tắc cấu tạo của bộ não ngƣời. Nó cho chúng ta một hƣớng mới trong
nghiên cứu hệ thống thông tin. Mạng nơron nhân tạo có thể thực hiện các bài toán:
Tính toán gần đúng các hàm số, thực hiện các bài toán tối ƣu, nhận mẫu, nhận dạng
và điều khiển đối tƣợng hiệu quả hơn so với các phƣơng pháp truyền thống. Mạng
nơron nhân tạo có một số lƣợng lớn mối liên kết của các phần tử biến đổi có liên kết
song song. Nó có hành vi tƣơng tự nhƣ bộ não ngƣời với khả năng tự học hỏi, tự
chỉnh định cho phù hợp với sự thay đổi không lƣờng trƣớc của đối tƣợng điều khiển
và tổng hợp thông tin từ sự luyện tập của các tập mẫu dữ liệu. Trong quá trình tái
tạo đó không phải tất cả các chức năng của bộ não con ngƣời đều đƣợc tái tạo, mà
chỉ có những chức năng cần thiết. Bên cạnh đó còn có những chức năng mới đƣợc
tạo ra nhằm giải quyết một bài toán điều khiển đã định trƣớc. Các phần tử biến đổi
của mạng nơron nhân tạo đƣợc gọi là các nơron nhân tạo hoặc gọi tắt là nơron.
1.3.2 Lịch sử phát triển của mạng nơron nhân tạo
Mạng nơron đƣợc xây dựng từ những năm 1940 nhằm mô phỏng một số chức
năng của bộ não con ngƣời. Dựa trên quan điểm cho rằng bộ não ngƣời là bộ điều
khiển. Mạng nơron nhân tạo đƣợc thiết kế và có khả năng giải quyết hàng loạt các
bài toán tối ƣu, điều khiển, công nghệ robot…
Qua quá trình nghiên cứu và phát triển nơron nhân tạo có thể chia làm 4 giai
đoạn nhƣ sau:
Giai đoạn 1: Có thể tính từ nghiên cứu của William (1980) về tâm lý học với sự
liên kết các nơron thần kinh. Năm 1940 Mc Culloch và Pitts đã cho biết nơron có
thể mô hình hóa nhƣ thiết bị ngƣỡng (giới hạn) để thực hiện các phép tính logic và