nghiên cứu ứng dụng nơron mờ để cải thiện nhận dạng hệ phi tuyến

i
Số hóa bởi Trung tâm Học liệu


ĐẠI HỌC THÁI NGUYÊN
TRƢỜNG ĐẠI HỌC KỸ THUẬT CÔNG NGHIỆP




NGUYỄN XUÂN LỘC




NGHIÊN CỨU ỨNG DỤNG NƠRON MỜ
ĐỂ CẢI THIỆN NHẬN DẠNG HỆ PHI TUYẾN


Chuyên ngành: Kỹ thuật điều khiển và Tự động hóa
Mã số: 60520216


LUẬN VĂN THẠC SĨ KỸ THUẬT

Ngƣời hƣớng dẫn khoa học




PGS.TS. Lại Khắc Lãi

THÁI NGUYÊN – 2014
ii
Số hóa bởi Trung tâm Học liệu

LỜI CAM ĐOAN
Tên tôi là: Nguyễn Xuân Lộc
Sinh ngày : 02 tháng 10 năm 1984
Học viên lớp cao học khóa 14 - Tự động hóa - Trường Đại Học Kỹ Thuật
Công Nghiệp Thái Nguyên - Đại Học Thái Nguyên.
Hiện đang công tác tại: Phòng Kinh tế và Hạ tầng huyện Đà Bắc
Tôi xin cam đoan đây là công trình nghiên cứu của riêng tôi. Các số liệu nêu
trong luận văn là trung thực. Những kết luận khoa học của luận văn chưa từng được
ai công bố trong bất kỳ công trình nào.
Tôi xin cam đoan rằng mọi thông tin trích dẫn trong luận văn đều chỉ rõ
nguồn gốc.

Ngƣời thực hiện


Nguyễn Xuân Lộc
iii
Số hóa bởi Trung tâm Học liệu


LỜI CẢM ƠN
Trong thời gian thực hiện luận văn, tác giả đã nhận được sự quan tâm rất lớn của
nhà trường, các khoa, phòng ban chức năng, các thầy cô giáo và đồng nghiệp.
Tác giả xin chân thành cảm ơn Ban giám hiệu, Khoa sau đại học, các giảng viên

đã tạo điều kiện cho tôi hoàn thành luận văn này.
Tác giả xin bày tỏ lời cảm ơn chân thành nhất đến PGS.TS Lại Khắc Lãi, Trường
đại học Thái Nguyên đã tận tình hướng dẫn trong quá trình thực hiện luận văn này.
Tác giả cũng xin chân thành cảm ơn đến các thầy cô giáo ở phòng thí nghiệm đã
giúp đỡ và tạo điều kiện để tác giả hoàn thành thí nghiệm trong điều kiện tốt nhất.
Mặc dù đã rất cố gắng, song do trình độ và kinh nghiệm còn hạn chế nên có thể
luận văn còn những thiếu sót. Tác giả rất mong nhận được những ý kiến đóng góp từ các
thầy cô giáo và các bạn đồng nghiệp để luận văn được hoàn thiện và có ý nghĩa ứng
dụng trong thực tế.
Xin chân thành cảm ơn!


Ngƣời thực hiện


Nguyễn Xuân Lộc
iv
Số hóa bởi Trung tâm Học liệu

MỤC LỤC
LỜI CAM ĐOAN i
LỜI CẢM ƠN iii
MỤC LỤC iv
DANH MỤC CÁC CHỮ VIẾT TẮT vi
DANH MỤC BẢNG BIỂU vii
PHẦN MỞ ĐẦU x
CHƢƠNG I: TỔNG QUAN VỀ HỆ NƠRON - MỜ (NEFCON) 1
1.1. Đặt vấn đề 1
1.2. Tổng quan về điều khiển mờ 1
1.2.1. Giới thiệu 1

1.2.2. Cấu trúc của hệ điều khiển mờ 3
1.3 Tổng quan về mạng nơron 14
1.3.1. Giới thiệu 14
1.3.3 Lịch sử phát triển của mạng nơron nhân tạo 15
1. 3.4. Cấu trúc mạng nơron nhân tạo 16
1.3.4. Mô hình nơron 18
1.3.5. Cấu trúc mạng 19
1.3.6 Huấn luyện mạng 22
1.4 Sự kết hợp giữa mạng nơron và logic mờ 23
1.4.1. Vài nét về lịch sử phát triển 23
1.4.2. Logic mờ 23
1.4.3. Mạng nơron 24
1.4.4 Sự kết hợp giữa mạng nơron và logic mờ 24
1.4.5 Cấu trúc chung của hệ nơron mờ 25
1.4.5 Cấu trúc chung của hệ nơron mờ 26
1.4 Các hệ thống điều khiển dùng nơron mờ trong nước và trên thế giới 26
1.4.1 Ứng dụng mạng nơron để điều khiển bộ bù tĩnh 26
1.4.2 Ứng dụng mạng nơron mờ với con lắc nghịch đảo: 27
1.4.3 Ứng dụng mạng nơron mờ để xác định độ hút mong muốn: (phụ thuộc vào dữ
liệu thu thập từ thực nghiệm và các đặc tính của máy) - Nikos et al (1999) 27
1.4.4 Ứng dụng mạng nơron mờ cho việc điều khiển nhiệt độ dùng quang phổ dạng
TSK - Cheng, Chen, Lee (2006) 28
v
Số hóa bởi Trung tâm Học liệu

1.4.5 Ứng dụng mạng nơron 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 - Yang, Tung
& Liu (2005) 28
KẾT LUẬN CHƢƠNG I 29
Chƣơng II: KHẢO SÁT VÀ XÂY DỰNG MÔ HÌNH TOÁN HỌC ROBOT 30

2.1 Sơ lược quá trình phát triển của robot công nghiệp 30
2.2 Ứng dụng của robot công nghiệp 31
2.3 Các cấu trúc cơ bản của robot công nghiệp 32
2.3.1 Cấu trúc chung 32
2.3.2. Kết cấu tay máy 34
2.4 Lựa chọn sơ đồ điều khiển hệ điều khiển robot 34
2.4.1 Thiết lập các phương trình động học cơ bản 36
2.4.2 Vận tốc chuyển động thứ i. 37
2.4.3 Gia tốc của chuyển động thứ i. 37
2.5 Thành lập phương trình động lực học 38
2.5.1 Xây dựng phương trình tính động năng của hệ 38
2.5.2 Xây dựng phương trình tính thế năng của hệ. 42
2.6 Mô tả toán học hệ điều khiển chuyển động bằng phương trình vi phân 43
2.6.1 Thành lập hàm Lagrange. 43
2.6.2 Mô tả bằng phương trình Lagrage bậc hai 44
2.7 Mô tả hệ điều khiển chuyển động bằng phương trình trạng thái 51
2.7.1 Các biến trạng thái và phương trình trạng thái 52
2.7.2 Phương trình trạng thái chuyển động I 53
2.7.3 Phương trình trạng thái chuyển động II 53
2.7.4 Phương trình trạng thái chuyển động III 53
KẾT LUẬN CHƢƠNG II 54
CHƢƠNG 3: BỘ ĐIỀU KHIỂN NEFCON 55
55
3.2. Thiết kế điều khiển NEFCON cho tay máy 2 bậc tự do 61
3.3. Thực nghiệm trên Robot sử dụng bộ điều khiển NEFCON 69
KẾT LUẬN 75
TÀI LIỆU THAM KHẢO 76


vi

Số hóa bởi Trung tâm Học liệu

DANH MỤC CÁC CHỮ VIẾT TẮT
SISO
Sinle in put – Single output
MISO
Mult input – Single output
MIMO
Mlti in put – Mult out put
CMM
Coor dinate mea suring ma chine





vii
Số hóa bởi Trung tâm Học liệu

DANH MỤC BẢNG BIỂU

Hình 1.1:
Các khối chức năng của bộ điều khiển mờ
3
Hình 1.2:
Các hàm liên thuộc của một biến ngôn ngữ
4
Hình 1.3:
Hàm liên thuộc vào-ra theo luật hợp thành Max-min
6

Hình 1.4:
Hàm liên thuộc vào-ra theo luật hợp thành MAX-PROD
8
Hình 1.5.
Hàm liên thuộc vào-ra theo luật hợp thành SUM-MIN
9
Hình 1.6.
Hàm liên thuộc vào-ra theo luật hợp thành SUM – PROD
10
Hình 1.7:
Giải mờ bằng nguyên tắc trung bình
11
Hình 1.8:
Giải mờ bằng nguyên tắc cận trái
12
Hình 1.9:
Giải mờ bằng nguyên tắc cận phải
12
Hình 1.10:
Giải mờ bằng phương pháp điểm trọng tâm
13
Hình 1.11:
So sánh các phương pháp giải mờ
14
Hình 1.12:
Mô hình 2 nơron sinh học
16
Hình 1.13:
Mô hình nơron đơn giản
17

Hình 1.14:
Mạng nơron 3 lớp
18
Hình 1.15a,b:
Mô hình nơron đơn giản
18
Hình 1.16:
Nơron với R đầu vào
19
Hình 1.17:
Ký hiệu noron với R đầu vào
19
Hình 1.18
Cấu trúc mạng nơron 1 lớp
20
Hình 1.19:
Ký hiệu mạng R đầu vào và S nơron
20
Hình 1.20:
Ký hiệu một lớp mạng
20
Hình 1.21:
Cấu trúc mạng nơron 3 lớp
21
Hình 1.22:
Ký hiệu tắt của mạng nơron 3 lớp
21
Hình 1.23:
Cấu trúc huấn luyện mạng nơron
22

Hình 1.24:
Kiến trúc kiểu mẫu của một hệ nơron mờ
25
Hình 1.25:
Mô hình hệ nơron mờ
25
Hình 1.26:
Cấu trúc chung của hệ nơ ron mờ
26
Hình 1.27:
Mô phỏng hệ thống điều khiển SVC dùng nơron mờ
27
viii
Số hóa bởi Trung tâm Học liệu

Hình 1.28:
Hệ thống hút tích hợp với cánh tay robot
28
Hình 1.29:
Mô hình bộ điều khiển noron mờ
28
Hình 2.1:
Sơ đồ cấu trúc chung của robot công nghiệp
32
Hình 2.2:
Sơ đồ cấu trúc chung của hệ thống cảm biến
33
Hình 2.3:
Sơ đồ kết cấu tay máy
34

Hình 2.4
Sơ đồ cấu trúc robot 3 thanh nối
35
Hình 3.1.a
Mô hình cấu trúc đối tượng trong phần mềm Matlab
56
Hình 3.1.b
Mô hình cấu trúc đối tượng trong phần mềm Matlab Mô hình cấu
trúc bộ điều khiển
57
Hình 3.2.
Mô hình cấu trúc bộ điều khiển trong phần mềm Matlab
57
Hình 3.3.
Mô hình cấu trúc bộ lọc đầu vào trong phần mềm Matlab
58
Hình 3.4.
Sơ đồ cầu trúc mô phỏng hệ điều khiển Robot 2 bậc tự do
58
Hình 3.5.
Đáp ứng đầu ra của các biến khớp Robot
59
Hình 3.6.
Sai lệch giữa tín hiệu đặt và tín hiệu thực của các biến khớp
59
Hình 3.7.
Tín hiệu điều khiển các biến khớp của Robot
60
Hình 3.8.
Đáp ứng nhiễu của hệ thống có bộ điều khiển PD

60
Hình 3.9:
Tập mẫu bao gồm 2 đầu vào và 1 đầu ra để huấn luyện mạng
neron
62
Hình 3.10:
Dạng hàm liên thuộc cho đầu vào 1
62
Hình 3.11:
Dạng hàm liên thuộc cho đầu vào 2
63
Hình 3.12:
Đường cong nội suy thể hiện mối quan hệ giữa đầu ra và đầu vào
63
Hình 3.13:
Cấu trúc của mạng neuron
64
Hình 3.14:
Sai lệch của quá trình huấn luyện
64
Hình 3.15:
Quá trình kiểm tra giữa dữ liệu huấn luyện và dữ liệu kiểm tra
64
Hình 3.16:
Dạng hàm liên thuộc cho đầu vào 1
65
Hình 3.17:
Dạng hàm liên thuộc cho đầu vào 2
65
Hình 3.18:

Đường cong nội suy thể hiện mối quan hệ giữa đầu ra và đầu vào
66
Hình 3.19.
Quỹ đạo bám của cánh tay Robot
67
Hình 3.20.
Sai lệch quỹ đạo bám của cánh tay Robot
67
ix
Số hóa bởi Trung tâm Học liệu

Hình 3.21.
Tin hiệu điều khiển quỹ đạo bám của cánh tay Robot
68
3.22.
Sơ đồ khối chạy thực nghiệp
69
Hình 3.23:
Sơ đồ khối chạy thực nghiệm
70
Hình 3.24.
Cấu hình cổng kết nối
70
Hình 3.25.

71
3.26
Cấu hình đọc encoder
71
3.27

Cấu hình xuất tín hiệu PWM
72
3.28
Điều khiển tốc độ và chiều quay động cơ
72
3.29
Cấu hình đầu ra số
72
Hình 3.30.
Tin hiệu điều khiển quỹ đạo bám của cánh tay Robot
73
Hình 3.31.
Tin hiệu điều khiển quỹ đạo bám của cánh tay Robot
73


x
Số hóa bởi Trung tâm Học liệu

PHẦN MỞ ĐẦU


1. Lý do chọn đề tài
Việc nâng cao chất lượng điều khiển tay máy luôn là vấn đề cấp thiết được
nhiều nhà khoa học trong và ngoài nước quan tâm. Khi bắt đầu nhận luận văn
nghiên cứu điều khiển tay máy, dưới dự hướng dẫn nhiệt tình của thầy giáo hướng
dẫn PGS.TS Lại Khắc Lãi, tác giả đã tìm hiểu nhiều công trình đã công bố trước
đây và nhận thấy, các hệ thống điều khiển tay máy chủ yếu dung phương pháp điều
khiển kinh điển và được thiết kế theo phương pháp tuyến tính hóa gần dung. Khi
thông số của hệ thống thay đổi thì thông số của bộ điều khiển giữ nguyên dẫn đến

làm giảm độ chính xác điều khiển ảnh hưởng đến chất lượng sản phẩm.
Rất may cho tác giả khi thực hiện luận văn này là gần đây việc ứng dụng các
lý thuyết điều khiển hiện đại (điều khiển thích nghi, điều khiển mờ, mạng nơron…)
đã được áp dụng cho rất nhiều các ứng dựng và thu được kết quả rất tốt, do đó đã
thúc đẩy tác giả xây dựng các bộ điều khiển hiện đại cho điều khiển tay máy. Có
nhiều nghiên cứu đã công bố trong mấy năm gần đây về ứng dụng hệ mờ, Nơron để
điều khiển đối các đối tượng phi tuyến [7], [8], [12], [16] cũng như tay máy. Song
phần lớn các nghiên cứu chưa đề cập đến áp dụng hệ điều khiển NEFCON (Nơron
mờ) và hầu hết các công trình đó mới đạt được những kết quả nhất định.
Xuất phát từ quan điểm trên và để nâng cao hiểu biết về hệ điều khiển
NEFCON cho bản thân nên tôi đã chọn đề tài: "Nghiên cứu ứng dụng nơron mờ
để cải thiện nhận dạng hệ phi tuyến".
2. Mục đích nghiên cứu
Xây dựng bộ điều khiển NEFCON cho cánh tay robot đảm bảm các yêu
cầu chất lượng, so sánh với chất lượng khi điều khiển tay máy dung bộ điều
khiển kinh điển.
Kiểm chứng thuật toán bằng mô phỏng và thực nghiệm.
3. Đối tƣợng nghiên cứu
Điều khiển cánh tay robot theo bộ điều khiển NEFCON


xi
Số hóa bởi Trung tâm Học liệu

4. Ý nghĩa khoa học, ý nghĩa thực tiễn của đề tài
a) Ý nghĩa khoa học
Bộ điều khiển NEFCON đang nổi lên như một công cụ điều khiển các hệ
thống phi tuyến với các thông số chưa xác định. Điều này có ý nghĩa rất lớn về mặt
khoa học trong việc điều khiển các đối tượng phi tuyến.
Đề tài này sẽ đề cập đến ứng dụng của NEFCON trong việc điều khiển đối

tượng phi tuyến đặc biệt là điều khiển cánh tay robot.
b) Ý nghĩa thực tiễn
Việc điều khiển cánh tay robot ứng dụng điều khiển NEFCON có ý nghĩa
thực tiễn rất lớn. Bởi vì robots được áp dụng rộng rãi trong nhiều lĩnh vực khác
nhau, chúng buộc phải có khả năng làm việc trong các môi trường không xác định
trước và thay đổi. Đặc biệt chúng phải nhạy cảm với môi trường làm việc và thực
hiện thao tác bất chấp sự có mặt của vật cản trong vùng làm việc. Việc nâng cao
chất lượng điều khiển robot sẽ góp phần nâng cao chất lượng sản phẩm, nâng cao
năng suất và hiệu quả lao động.
1
Số hóa bởi Trung tâm Học liệu

CHƢƠNG I: TỔNG QUAN VỀ HỆ NƠRON - MỜ (NEFCON)
1.1. Đặt vấn đề
Từ những năm 20, lý thuyết tập mờ và mạng noron nhân tạo đã phát triển rất
nhanh và được 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 được 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 hướng hoàn toàn mới, phương hướng thiết kế hệ điều khiển thông
minh, một hệ thống mà bộ điều khiển có khả năng tư duy như bộ não con người, tức
là nó có khả năng tự học hỏi, tự chỉnh định lại cho phù hợp với sự thay đổi không
lường được trước của đối tượng.
Như đã biết hệ mờ và mạng nơron đều có khả năng làm việc trong những hệ
thống không chắc chắn, không chính xác và điều kiện môi trường khắc nghiệt. 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 tưởng là mất các nhược điểm
và đạt được các ưu điểm của cả hai công nghệ tức là hai công nghệ này đã kết hợp
để tối đa hóa điểm mạnh của từng công nghệ và bổ sung những nhược điểm để hợp

thành một hệ thống mới tối ưu hơn.
Hệ thống hợp nhất này sẽ có ưu điểm của cả hai: Mạng nơron (khả năng học,
khả năng tối ưu hoá, sự kết nối về cấu trúc) và hệ mờ (sự thông minh của con người
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 quá trình 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 được đối với
khoa học xã hội. 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 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.
2
Số hóa bởi Trung tâm Học liệu

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 được
xây dựng trên cơ sở trí tuệ nhân tạo đã giúp con người có khả năng chế ngự những
đối tượng mà trước kia tưởng chừng như không điều khiển được như trong rất nhiều
bài toán điều khiển khi đối tượng không thể mô tả bởi một 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 thường bị bế tắc khi gặp
những bài toán có độ phức tạp của hệ thống cao, độ phi tuyến lớn, thường xuyên
thay đổi trạng thái hoặc cấu trúc của đối tượng…
Phát hiện thấy nhu cầu tất yếu ấy, năm 1965 L.A.Zadeh - tại trường 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 được nhiều vấn đề phức tạp và to lớn của thực tế.
Năm 1970 tại trường Marry Queen London - Anh, Ebrahim Mamdani đã
dùng logic mờ để điều khiển một máy hơi nước mà ông không thể điều khiển được
bằng kỹ thuật cổ điển. Tại Đức Hann Zimmermann đã dùng logic mờ cho các hệ ra
quyết định. Tại Nhật logic mờ được ứng dụng vào nhà máy xử lý nước của Fụi
Electrinic vao 1983, hệ thống xe điện ngầm của Hitachi vào năm 1987, đường sắt
Sendai. Các ứng dụng đã và đang được 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 ngược
đã được chứng minh vào năm 1987 với “ các đáp ứng cân bằng được sinh ra gần 100
lần ngắn hơn những đáp ứng của bộ điều khiển PID truyền thống” [26].
Lý thuyết mờ ra đời ở Mỹ, ứng dụng đầu tiên ở Anh nhưng phát triển mạnh
mẽ nhất ở Nhật. Trong lĩnh vực Tự động hóa logic mờ ngày càng được ứng dụng
rộng rãi, nó thực sự hữu dụng với các đối tượng phức tạp mà ta chưa 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 được.
Phương pháp điều khiển mờ chính là nhằm vào việc xây dựng các phương
pháp có khả năng bắt chước cách thức con người điều khiển. Vì đối tượng điều
khiển là một hệ thống phức tạp, bản chất chưa rõ, không thể hiển thị bằng các mô
3
Số hóa bởi Trung tâm Học liệu

hình toán lý. Nên dưới 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. Lấy một ví dụ phận biệt cá voi có tính khoa học. Ở những trường tiểu học,
nhiều điều làm mọi người 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 người nghi ngờ khi nói rằng cá voi không phải là cá, cá
voi là 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 phương pháp điều khiển truyền thống thì phương pháp tổng hợp hệ
thống điều khiển bằng điều khiển mờ có những ưu điểm sau:
Hiệu quả và linh hoạt trong các quá trình chưa được xác định rõ, các quá trình
điều khiển ở điều kiện thiếu thông tin
Nguyên lý điều khiển mờ đã cho phép con người tự động hóa được kinh
nghiệm điều khiển cho một quá trình, một thiết bị…và mang lại chất lượng
mong muốn.
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.
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 được chỉ ra
trên hình 1.1. Bao gồm khối mờ hóa, khối thiết bị hợp thành và khối giải mờ. Ngoài
ra còn 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.

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
4
Số hóa bởi Trung tâm Học liệu

b) Giao diện vào, ra: Hệ mờ là một hệ điều khiển số do đó tín hiệu đưa vào
bộ điều khiển mờ phải là tín hiệu số. Giao diện vào có nhiệm vụ chuẩn hóa tín hiệu
tương tự thu nhận được từ đối tượng điều khiển và chuyển đổi thành tín hiệu số.
Giao diện ra có nhiệm vụ biến đổi tín hiệu số thành tương tự, khuếch đại tín hiệu
điều khiển cho phù hợp với đối tượng cụ thể. Trong thực tế, giao diện vào, ra được
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 người thiết kế qui định tùy thuộc đối tượng
cụ thể, nhưng thông thường không chọn quá 9 tập mờ. Hình dạng các hàm liên
thuộc cũng được tùy chọn theo hình tam giác, hình thang, hàm Gauss … Mỗi loại
hàm liên thuộc có ưu, nhược điểm riêng. Hiện nay vẫn chưa có nghiên cứu nào chỉ
rõ dùng dạng hàm liên thuộc nào là tốt nhất. Hình 1.2 minh họa phương 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 x0 ta có véc tơ

)(
)(
)(
)(
)(
0

0
0
0
0
x
x
x
x
x
RC
Cao
TB
T
RT
, Ví dụ với x0 = 220V ta có:
0
4,0
7,0
0
0







d) Khối thiết bị hợp thành:
Khối thiết bị hợp thành còn được gọi là cơ cấu suy diễn hay động cơ suy diễn
có chức năng biến mỗi giá trị rõ (x0) ở đầu vào thành tập mờ µB'(x0) trên cơ sở các

luật điều khiển, khối này gồm 2 phần chính: Luật điều khiển (hợp thành) và suy
diễn mờ.
Hình 1.2: Các hàm liên thuộc của một biến ngôn ngữ
5
Số hóa bởi Trung tâm Học liệu

Luật điều khiển bao gồm một số mệnh đề hợp thành là các mệnh đề đơn
hoặc mệnh đề phức được liên hệ với nhau bởi toán tử "Hoặc" có dạng tổng quát:
R1: Nếu X1 = A1 và X2 = B1 và … thì Y1 = C1 và Y2 = D1 … hoặc
R2: Nếu X1 = A2 và X2 = B2 và … thì Y1 = C2 và Y2 = D2 … hoặc (1.1)
………………………………………………………
Rn: Nếu X1 = An và X2 = Bn và … thì Y1 = Cn và Y2 = Dn …
Tùy theo số mệnh đề điều kiện và số mệnh đề kết luận trong mỗi mệnh đề
hợp thành mà người 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.
Cấu trúc MISO (Nhiều vào, một ra): Có từ 2 mệnh đề điều kiện trở lên và
một mệnh đề kết luận.
Cấu trúc MIMO (Nhiều vào, nhiều ra): Có ít nhất 2 mệnh đề điều kiện và 2
mệnh đề kết luận.
* Suy diễn mờ
Là nguyên tắc xây dựng ma trận hợp thành chung (R) từ các mệnh đề hợp
thành Rk. Trong điều khiển mờ người ta đưa ra 4 nguyên tắc xây dựng ma trận hợp
thành là: Max-min, Max-prod, Sum-min, Sum-prod. Theo thói quen ta thường 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 được 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 được 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 x1, x2, ,xn , B(y) tại m điểm y1,
y2, ,ym (n có thể khác m)
Bƣớc 2- Xây dựng ma trận R gồm n hàng và m cột :
6
Số hóa bởi Trung tâm Học liệu

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 xk theo biểu thức :
B’(y) = aT.R = (a1, a2, an)
nm1n
m111
r r

r r
(l1, l2, … lm) (1.3)
với
iki
n
1i
k
raΣl

Với: aT= ( 0, 0, , 0, 1, 0, , 0)
vị trí thứ k
Trong đó:
m, ,2,1k,raminmaxl
kii
ni1
k

Bƣớc 4- Xác định B’(y) theo công thức: B’(y) = (l1, l2, , lm) (1.4)
Ví dụ:
A(x), B(y), A(x), C(z), được 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 được qua

phép PROD còn phép hợp thực hiện theo luật Max.
Hình 1.3: Hàm liên thuộc vào-ra theo luật hợp thành Max-min

7
Số hóa bởi Trung tâm Học liệu

Các bƣớc xây dựng:
Bƣớc 1 - Rời rạc hoá A(x) tại n điểm x1, x2, ,xn , B(y) tại m điểm y1,
y2, ,ym (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

Bƣớc 3- Xác định hàm liên thuộc B’(y) của đầu ra ứng với giá trị rõ đầu
vào xk theo biểu thức :
B’(y) = aT.R = (a1, a2, an)
nm1n
m111
r r

r r

(l1, l2, … lm) với
iki
n
1i
k
raΣl

Với: aT= ( 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) = (l1, l2, , lm)
Để xây dựng R, trước tiên hai hàm liên thuộc A(x) và B(y) được 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), được 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:
8
Số hóa bởi Trung tâm Học liệu



- Luật hợp thành SUM-MIN: Nếu
)y();y();y(

321
BBB
thu được qua phép
lấy Min còn phép hợp thực hiện theo luật SUM.
Xét luật điều khiển R gồm p mệnh đề hợp thành:
R1: Nếu = A1 Thì = B1 hoặc
R2: Nếu = A2 Thì = B2 hoặc

Rp: Nếu = Ap Thì = Bp
Trong đó các giá trị mờ A1, A2, , Ap có cùng cơ sở X và B1, B2, ,BP có
cùng cơ sở Y.
Gọi hàm liên thuộc của Ak và Bk là Ak(x) và Bk(y) với k = 1, 2, , p.
Thuật toán triển khai: R = R1 R2 Rp được thực hiện theo các bước sau:
Bƣớc 1: Rời rạc hoá X tại n điểm (x1, x2, x3, , xn) và Y tại m điểm (y1,
y2, , ym)
Bƣớc 2: Xác định các véctơ Ak và Bk (k = 1, 2, ,p) tại các điểm rời rạc
theo biểu thức:
TAk = { Ak(x1), Ak(x2), , Ak(xn)} (1.5)
TBk = { Bk(y1), Bk(y2), , Bk(yn)}
Bƣớc 3: Xác định mô hình (ma trận) Rk cho mệnh đề thứ k
Rk = Ak. TBk =
k
ij
r
, i =1, 2, , n và j = 1, 2, ,m (1.6)
Hình 1.4: Hàm liên thuộc vào-ra theo luật hợp thành MAX-PROD
9
Số hóa bởi Trung tâm Học liệu

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), được 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 được qua
phép lấy PROD còn phép hợp thực hiện theo Lukasiewicz.
Xét luật điều khiển R gồm p mệnh đề hợp thành:
R1: Nếu = A1 Thì = B1 hoặc
R2: Nếu = A2 Thì = B2 hoặc

Rp: Nếu = Ap Thì = Bp
Trong đó các giá trị mờ A1, A2, , Ap có cùng cơ sở X và B1, B2, ,BP có
cùng cơ sở Y.
Gọi hàm liên thuộc của Ak và Bk là Ak(x) và Bk(y) với k = 1, 2, , p.
Thuật toán triển khai: R = R1 R2 Rp được thực hiện theo các bước sau:
Hình 1.5. Hàm liên thuộc vào-ra theo luật hợp thành SUM-MIN
10
Số hóa bởi Trung tâm Học liệu

Bƣớc 1: Rời rạc hoá X tại n điểm (x1, x2, x3, , xn) và Y tại m điểm (y1,
y2, , ym)
Bƣớc 2: Xác định các véctơ Ak và Bk (k = 1, 2, ,p) tại các điểm rời rạc
theo biểu thức:
TAk = { Ak(x1), Ak(x2), , Ak(xn)}
TBk = { Bk(y1), Bk(y2), , Bk(yn)}
Bƣớc 3: Xác định mô hình (ma trận) Rk cho mệnh đề thứ k
Rk = Ak. TBk =
k
ij
r
, i =1, 2, , n và j = 1, 2, ,m
Trong đó phép (.) sử dụng phép nhân bình thường 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), được 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:


Hình 1.6. Hàm liên thuộc vào-ra theo luật hợp thành SUM - PROD
11
Số hóa bởi Trung tâm Học liệu

e) Khối giải mờ (rõ hoá)
Giải mờ là quá trình xác định một giá trị rõ y0 nào đó có thể chấp nhận được
từ hàm liên thuộc B’(y) của giá trị mờ B’ (tập mờ B’).
Có hai phương pháp giải mờ chính là phương pháp cực đại và phương pháp
điểm trọng tâm.
* Phƣơng pháp cực đại
Để giải mờ theo phương pháp cực đại, ta cần thực hiện theo hai bước:
Bƣớc 1: Xác định miền chứa giá trị rõ y0 (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 y0 có thể chấp nhận được 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 y0 sẽ là trung bình cộng của y1 và y2:
2
yy
y
21
0

Ví dụ giải mờ bằng nguyên tắc trung bình cho luật hợp thành MAX-MIN:


Nguyên tắc cận trái : Giá trị rõ y0 được lấy bằng cận trái y1 của G
yinfy
Gy
1
.
Ví dụ giải mờ khi sử dụng nguyên tắc cận trái cho luật hợp thành MAX-MIN:
Hình 1.7: Giải mờ bằng nguyên tắc trung bình

12
Số hóa bởi Trung tâm Học liệu



Nguyên tắc cận phải : Giá trị rõ y0 được lấy bằng cận phải y2 của G
ysupy
Gy
2

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


* Phƣơng pháp điểm trọng tâm
Giải mờ theo phương pháp điểm trọng tâm sẽ cho ra kết quả y' là hoành độ
của điểm trọng tâm miền được bao bởi trục hoành và đường B’(y).
Công thức xác định y0 theo phương pháp điểm trọng tâm như sau:
y’ =
S
'B
S
'B
dy)y(
dy)y(y

Hình 1.8: Giải mờ bằng nguyên tắc cận trái
Hình 1.9: Giải mờ bằng nguyên tắc cận phải
13
Số hóa bởi Trung tâm Học liệu

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 được 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

Trong đó: Mk =
S
k'B
dy)y(y
và Ak =
S
k'B
dy)y(

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


b) 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) được xấp xỉ bằng một cặp giá trị (yk, Hk) duy nhất (singleton),
Hình 1.10: Giải mờ bằng phương pháp điểm trọng tâm

14
Số hóa bởi Trung tâm Học liệu


trong đó Hk là độ cao của B’k(y) và yk là một điểm mẫu trong miền giá trị
của B’k(y).Ta có: B’k(y) = Hk và y' =
q
1k
k
q
1k
kk
H
Hy








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 được xây dựng dựa trên mạng nơron
nhân tạo. Mạng nơron nhân tạo (Artificial Neural Networks) là hệ thống được xây
dựng dựa trên nguyên tắc cấu tạo của bộ não người. Nó cho chúng ta một hướng 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 ưu, nhận mẫu, nhận
dạng và điều khiển đối tượng hiệu quả hơn so với các phương pháp truyền thống.
Mạng nơ ron nhân tạo có một số lượng lớn mối liên kết của các phần tử biến đổi có liên
kết song song. Nó có hành vi tương tự như bộ não người với khả năng tự học hỏi, tự
chỉnh định cho phù hợp với sự thay đổi không lường trước của đối tượng 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 người đều được tái tạo, mà chỉ có
những chức năng cần thiết. Bên cạnh đó còn có những chức năng mới được tạo ra
nhằm giải quyết một bài toán điều khiển đã định trước. Các phần tử biến đổi của mạng
nơ ron nhân tạo được gọi là các nơron nhân tạo hoặc gọi tắt là nơron

y
Trọng tâm

Cận trái

Cận phải

Trung bình

Độ cao

y
Hình 1.11: So sánh các phương pháp giải mờ