Chuong05 nhap mon dktm

Mơn học

NHẬP MƠN ĐIỀU KHIỂN THƠNG MINH
Giảng viên: PGS. TS. Huỳnh Thái Hồng
Bộ mơn Điều Khiển Tự Động
Khoa Điện – Điện Tử
Đại học Bách Khoa TP.HCM
Email:
Homepage: />
19 August 2014

© H. T. Hoàng - ÐHBK TPHCM

1


Chương 5

ỨNG
Ứ
G DỤNG
Ụ G MẠNG
Ạ G THẦN KINH

19 August 2014

© H. T. Hoàng - ÐHBK TPHCM

2

Nội dung




Nhận dạng
Nhậ
d
hệ thống
thố phi
hi ttuyến
ế
Học luật điều khiển
Nhận dạng mẫu:
 Nhận dạng tiếng nói, âm thanh,…
 Nhận
ậ dạng
ạ g hình ảnh: bảng
g số xe,, mặt
ặ người,
g
, hướng
g
nhìn, dấu vân tay,…

19 August 2014

© H. T. Hồng - ÐHBK TPHCM

3

NHẬN DẠNG HỆ PHI TUYẾN

19 August 2014

© H. T. Hồng - ÐHBK TPHCM

4


Thôn
ng tin biết trước về h
hệ thống: các qui
luật vật lý, cá
ác phát bie
ểu ngôn ngữ, …

Ứng dụng nhận dạng hệ thống
Thí nghiệm thu
thập dữ liệu
Xư ly
Xử
lý sơ
bộ dữ liệu
Chọn cấu trúc
mô hình
Chọn tiêu chuẩn
ước lương
ươc

lượng
Ước lượng thông số

Không tốt  xét lạïi
thông tin biết trước
19 August 2014

Đánh giá
mô hình

Không tốt  lặp lại

Tốt  chấp nhận mô hình

© H. T. Hoàng - ÐHBK TPHCM

5


Mơ hình hóa hệ phi tuyến dùng mạng thần kinh


Đối tượng phi tuyến:
y (k )  f 0 [u(k  1),  , u(k  m), y (k  1),  , y (k  n )]  v (k )



Mơ hình:

yˆ (k , W )  f NN [u(k  1), , u(k  m), y (k  1), , y (k  n )]

u(k)

z1
zm
z1
zn

19 August 2014

u(k1)

u(km)

v11
v21

z1

v22


y(kn)
vl2
vlr

w1

vr1
v21

y(k1)

Mạng thần kinh

z2

wq

ŷ(k)

v2m

vl1 
zl

© H. T. Hồng - ÐHBK TPHCM

wl

6


Huấn luyện mạng thần kinh nhận dạng hệ thống
 (k)
u(k)

y(k)

Đối tượng
+



Mạng NN



 (k,W)

ŷ(k,W)

Chỉ tiêu bình phương tối thiểu huấn luyện mạng NN:

1 N 2
1 N
E (W )    ( k , W )   [ y ( k )  yˆ ( k , W )]2
2 k  k0
2 k  k0
19 August 2014

© H. T. Hồng - HCMUT

7


Thí dụ nhận dạng hệ bồn đơn dùng mạng thần kinh



Mơ hình tốn học

ọ hệ
ệ bồn nước ((sử dụng
ụ g để mô p
phỏng):
g)



1
Ku(t )  C D a 2 gy (t )
y (t ) 
A( y )
Amax  Amin
y  Amin
A( y ) 
y max




Yêu cầu: Nhận dạng hệ bồn đơn dùng mơ hình mạng NN. Giả
sử chu kỳ lấy mẫu là T
T=0.1s,
0.1s, nhiễu đo mức chất lỏng có bị giá
trị trung bình là  = 0 và phương sai là  = 0.1.
19 August 2014

© H. T. Hồng - ÐHBK TPHCM

8

Thông số hệ bồn đơn
 u(t) điện áp điều
ề khiển
ể máy bơm (V)
 y(t): độ cao mực chất lỏng trong bồn (cm)
 A(y):
(y) ttiết
ết d
diện
ệ ngang
ga g bồ
bồn cchứa
ứa (c
(cm2) (p
(phụ
ụ tthuộc
uộc
 ymax: độ cao cực đại của bồn chứa
 Amax, Amin: tiết diện ngang cực đại và cực tiểu





độ cao)

k : hệ số tỉ lệ với công suất máy bơm
a: tiết diện van xả (cm2)

g: gia tốc trọng trường (981cm/sec2)
CD: hệ số
ố xả (tùy loại chất
ấ lỏng)

Giá trịị cụ
ụ thể: ymax = 50cm,, Amax = 200 cm2, Amin = 100 cm2,
a = 1 cm2, k = 300 cm3/sec, CD=0.6.

19 August 2014

© H. T. Hồng - ÐHBK TPHCM

9


Sơ đồ mơ phỏng thí nghiệm thu thập dữ liệu




Khối
ố SingleTank_Input: tín hiệu có biên độ và tần
ầ số
ố ngẫu
ẫ
nhiên. Biên độ nằm trong khoảng [0, 1]
Khối Gain nhằm tạo tín hiệu u có biên độ nằm trong miền
0  u  12V

19 August 2014

© H. T. Hồng - ÐHBK TPHCM

10


Thí nghiệm thu thập dữ liệu
Single tank input - output data

12

12
8
u(t))

u(t))

8

4

0

0

50

50

40

40

30

30

h(t)
y(t)

h(t)
y(t)

4

20

20
10

10
0

Single tank input - output data

0

200

400
600
Sample

800

Dữ liệu huấn luyện mạng
19 August 2014

1000

0

0

200

400
600
Sample

800

1000

Dữ liệu đánh giá

© H. T. Hồng - ÐHBK TPHCM

11

Cấu trúc mạng thần kinh nhận dạng hệ bồn đơn


2 ngõ vào: y(k-1), u(k-1)



1 ngõ ra: y(k)



Số tế bào thần kinh ở lớp ẩn: 5



Hàm kích hoạt
ạ ở lớp
p ẩn: Sigmoid
g



Hàm kích hoạt ở lớp ra: tuyến tính

19 August 2014

© H. T. Hoàng - ÐHBK TPHCM

12


Kết quả đánh giá mơ hình
60
40
20
0

System
Model
0

200

400

600

800

1000

Phân tích thặng dư: So sánh ngõ ra của mạng thần kinh với
dữ liệu đã dùng để huấn luyện mạng.
 Sai số giữa mơ hình mạng thầnh kinh và tín hiệu ra của hệ
bồ đơn
bồn
đ khơng
khơ đáng

đá kể



19 August 2014

© H. T. Hồng - ÐHBK TPHCM

13


Kết quả đánh giá mơ hình
60
40
20
0
-20

System
Model
0

200

400

600

800

1000

Đánh giá chéo (Cross Validation): So sánh ngõ ra của mạng
thần kinh với dữ liệu không dùng để huấn luyện mạng.
 Sai số giữa mô hình mạng thầnh kinh và tín hiệu ra của hệ
bồ đơn
bồn
đ khơng
khơ đáng
đá kể



19 August 2014

© H. T. Hồng - ÐHBK TPHCM

14


Các ứng dụng của mơ hình phi tuyến


Mơ hình phi tuyến được ứng dụng trong
 Điều khiển: điều khiển dự báo, điều khiển thích nghi,
điều khiển dùng
g mơ hình ngược
g
 Dự báo
 Chuẩn đốn sự cố

19 August 2014

© H. T. Hoàng - ÐHBK TPHCM

15


HỌC LUẬT ĐIỀU KHIỂN

19 August 2014

© H. T. Hồng - ÐHBK TPHCM

16


Điều khiển dùng mạng thần kinh
uc(k)
r(k)
( )

Đối tượng
ợ g
điều khiển

y(k))
y(

unn(k)

Mạng thần kinh có thể được sử dụng để học kinh nghiệm
chuyên gia trong việc điều khiển các đối tượng phức tạp hoặc
sao chép một bộ điều khiển vật lý có sẳn.
 Tiêu chuẩn
ẩ huấn
ấ luyện mạng:


N

J ( w)   [uc ( k )  unn ( k )]2  min
k 1

19 August 2014

© H. T. Hồng - ÐHBK TPHCM

17


Điều khiển dùng mạng thần kinh
Mơ hình
chuẩn

r(k)




ym(k)

Đối tượng
điều khiển

y(k)

Có thể huấn luyện mạng thần kinh sao cho đáp ứng của hệ
thống bám theo đáp ứng của mơ hình chuẩn.
Tiê chuẩn
Tiêu
h ẩ huấn
h ấ luyện
l ệ mạng:
N

J ( w)   [ y m ( k )  y ( k )]2  min
k 1

19 August 2014

© H. T. Hồng - ÐHBK TPHCM

18


Thí dụ huấn luyện mạng NN học bộ điều khiển PD mờ



Phương trình vi phân mô tả đối tượng:

1 1
 1  3
 k  
  (t )   (t )  
  3 (t )   (t )
(t )    (t )  
 1  2 
  1 2 
  1 2 
Trong đó:
Tín hiệäu vào ((t)) ((radian)) là g
góc của bánh lái.
Tín hiệu ra (t) (radian) là góc (hướng) chuyển động của
tàu
19 August 2014
© H. T. Hồng - ÐHBK TPHCM
19










Thí dụ huấn luyện mạng NN học bộ điều khiển PD mờ (tt)



Sơ đồ thu thập dữ liệu để huấn luyện mạng thần kinh

19 August 2014

© H. T. Hồng - ÐHBK TPHCM

20