Tóm tắt luận án Nghiên cứu ứng dụng lý thuyết điều khiển hiện đại xây dựng mô hình trong điều khiển dự báo phi tuyến

BỘ GIÁO DỤC VÀ ĐÀO TẠO
ĐẠI HỌC THÁI NGUYÊN




LÊ THỊ HUYỀN LINH



NGHIÊN CỨU ỨNG DỤNG LÝ THUYẾT ĐIỀU KHIỂN
HIỆN ĐẠI XÂY DỰNG MÔ HÌNH TRONG
ĐIỀU KHIỂN DỰ BÁO PHI TUYẾN


Chuyên ngành: Kỹ thuật điều khiển và Tự động hóa
Mã số: 62. 52. 02. 16



TÓM TẮT LUẬN ÁN TIẾN SĨ KỸ THUẬT





THÁI NGUYÊN - 2015

Công trình được hoàn thành tại Đại học Thái Nguyên

Người hướng dẫn khoa học:
PGS. TS. Lại Khắc Lãi



Phản biện 1:


Phản biện 2:


Phản biện 3:


Luận án sẽ được bảo vệ trước Hội đồng chấm luận văn cấp Đại học Thái Nguyên
Họp tại:

Vào hồi … giờ … ngày…… tháng…… năm 2015







Có thể tìm hiểu luận án tại Trung tâm học liệu Đại học Thái Nguyên

DANH MỤC CÔNG TRÌNH CÔNG BỐ CỦA TÁC GIẢ

1. Lê Thị Huyền Linh, Nguyễn Thị Mai Hương (2011), "Một phương pháp xây dựng
điều khiển dự báo dựa trên mô hình Gauss", Tạp chí Khoa học Công nghệ - Đại học
Thái Nguyên, Tập 86, số 10, ISSN 1859 - 2171, tr. 195 - 200.
2. Lê Thị Huyền Linh, Nguyễn Thị mai Hương (2013), "Sử dụng mô hình mờ Takagi
– Sugano để xây dựng mô hình dự báo cho hệ động học phi tuyến", Tạp chí Khoa học
Công nghệ - Đại học Thái Nguyên; Tập 102, số 02, ISSN 1859 - 2171, tr. 161 - 167.
3. Lê Thị Huyền Linh, Lại Khắc Lãi, Nguyễn Thị Mai Hương (2013), "Điều khiển dự
báo dựa trên mô hình với tầm dự báo bằng 1", Tạp chí Khoa học Công nghệ – Đại
học Thái Nguyên, Tập 112, số 12/2, ISSN 1859 - 2171, tr. 55 - 62.
4. Nguyễn Thị Mai Hương, Lại Khắc Lãi, Mai Trung Thái, Lê Thị Huyền Linh
(2013), "Điều khiển dự báo dựa trên ma trận động ứng dụng điều khiển bình phản
ứng hóa học có bao làm lạnh (chemical reactor)", Tạp chí Khoa học Công nghệ –
Đại học Thái Nguyên, Tập 112, số 12/2, ISSN 1859 - 2171, tr. 49 - 54.
5. N.T Mai Hương, Mai Trung Thái, Lê Thị Huyền Linh, Lại Khắc Lãi (2013),
"Nghiên cứu chiến lược tối ưu hóa trong điều khiển dự báo", Tạp chí Khoa học Công
nghệ - Đại học Thái Nguyên, Tập 113, số 13, ISSN 1859-2171, tr. 115-122.
6. Le Thi Huyen Linh, Lai Khac Lai, Cao Tien Huynh (2014), "A disturbance identification
method based on Neural network for a class predictive control system with delay",
Tạp chí Khoa học và Công nghệ các Trường Đại học Kỹ thuật, Tập 101/ 2014 - ISSN
0868 - 3980, tr. 20 - 24.
7. Lê Thị Huyền Linh, Đặng Ngọc Trung (2014), “Ứng dụng nhận dạng nhiễu trên cơ
sở mạng nơron cho bình phản ứng khuấy trộn liên tục”, Tạp chí Khoa học Công nghệ
- Đại học Thái Nguyên, Tập 122 - số 08, ISSN 1859 - 2171, tr. 137- 141.
8. Lê Thị Huyền Linh, Lại Khắc Lãi (2014), “Điều khiển dựa trên mô hình dự báo
cho một lớp đối tượng có trễ”, Tạp chí Khoa học Công nghệ - Đại học Thái Nguyên,
Tập 128 - số 11, ISSN 1859 - 2171, tr. 149 - 154.

9. Lê Thị Huyền Linh, Lại Khắc Lãi (2014), “Phương pháp nhận dạng nhiễu phụ
thuộc trạng thái trong hệ phi tuyến có trễ”, Chuyên san Điều khiển & Tự động hóa, số
11, tr. 53 - 57.

1

MỞ ĐẦU

1. Tính cấp thiết của đề tài luận án
Sự tồn tại của các yếu tố bất định làm cho vấn đề điều khiển dự báo theo mô
hình (MPC – Model Predictive Control) đã thực sự trở nên khó khăn, bởi phải đồng
thời xử lý tính phức tạp của bài toán tối ưu phi tuyến trực tuyến và xử lý các yếu tố
bất định. Với các đối tượng phi tuyến bất định có trễ, độ phức tạp nêu trên còn được
cộng thêm phần trở ngại do hiệu ứng trễ gây ra. Mặt khác, các đối tượng có trễ này
rất phổ biến trong công nghiệp, các yêu cầu nâng cao chất lượng điều khiển ngày
càng cao, dẫn đến vấn đề xây dựng các phương pháp điều khiển dự báo cho lớp đối
tượng này ngày càng trở nên bức thiết. Nhằm góp phần giải quyết khó khăn này, luận
án đặt vấn đề nghiên cứu: điều khiển dự báo cho lớp đối tượng với thành phần phi
tuyến bất định, có trễ và không có các ràng buộc kèm theo.
Luận án tập trung nghiên cứu, đề xuất phương pháp điều khiển dự báo cho một
lớp đối tượng phi tuyến có trễ dựa trên cơ sở nhận dạng nhiễu sử dụng mạng nơron.
Hệ phi tuyến này được biểu diễn bằng một hệ tuyến tính có trễ cộng thêm thành phần
phi tuyến bất định (uncertain), thành phần phi tuyến này được hiểu là các nhiễu bất
định hay các nhiễu nội sinh, không đo được, phụ thuộc vào trạng thái (state-
dependent disturbances) và là các yếu tố không mô hình hóa được.
Trước hết ta cần nhận dạng được các nhiễu tác động lên hệ thống bằng luật cập
nhật trọng số trên cơ sở mạng nơron xuyên tâm (RBF - Radial Basic Functions) thực
hiện trực tuyến. Khi đã nhận dạng được các nhiễu với mức độ chính xác tùy ý thì nếu
thỏa mãn các điều kiện ứng đối ta hoàn toàn có thể loại bỏ nhiễu (disturbance
rejection) hay bù trừ các tác động của nhiễu. Lúc này bài toán điều khiển trở nên dễ

dàng hơn bởi hệ trở thành tuyến tính có trễ với các tham số xác định, từ đây ta có thể
đi đến tổng hợp bộ điều khiển dự báo theo mô hình nội (IMPC - Internal Model
Predictive Control) cho hệ.
Ta biết rằng MPC là một phương pháp rất tốt cho hệ có trễ, các phương pháp
MPC cho hệ tuyến tính có trễ được phát triển trong những năm vừa qua đã đạt được
những kết quả nhất định, tuy nhiên một đặc điểm khó khăn khi thực hiện trong thực
tế là bộ điều khiển luôn luôn phải giải bài toán tối ưu trực tuyến, tín hiệu điều khiển
tối ưu chỉ được tính cho thời điểm kế tiếp, do vậy phần cứng phải thực hiện rất nhiều
phép tính toán, nhiều khi không đảm bảo tính thời gian thực, hoặc cũng có thể không
ổn định nếu bài toán tối ưu không có nghiệm. Quá trình giải mất nhiều thời gian, đặc
biệt khi tồn tại các điều kiện ràng buộc chặt chẽ. Việc tìm ra các phương pháp mới
nhằm khắc phục các khó khăn nêu trên đang là nhiệm vụ cấp bách đặt ra.
2

2. Phạm vi, đối tượng nghiên cứu và phương pháp nghiên cứu
Đối tượng nghiên cứu: Luận án nghiên cứu về nhận dạng và điều khiển một
lớp đối tượng phi tuyến có trễ thường gặp trong công nghiệp trên cơ sở mô hình dự
báo và nhận dạng nhiễu trực tuyến sử dụng mạng nơron RBF.
Phạm vi nghiên cứu của luận án: Luận án đi sâu nghiên cứu nhận dạng
nhiễu, bù trừ nhiễu và điều khiển dự báo theo mô hình nội cho các đối tượng có trễ
trên kênh điều khiển.
Với tính chất đặc thù và những ưu điểm vốn có, điều khiển dự báo được ưu
tiên áp dụng cho các đối tượng có trễ, các đối tượng có động học biến đổi chậm và
cho các trường hợp có các ràng buộc đối với vectơ trạng thái và/hoặc vectơ điều
khiển. Trong khuôn khổ cho phép, luận án chỉ tập trung đi sâu nghiên cứu xây dựng
phương pháp nhận dạng nhiễu trực tuyến và phương pháp điều khiển dự báo theo mô
hình cho các đối tượng có trễ trong điều khiển, không chứa các ràng buộc. Bài toán
điều khiển dự báo cho các đối tượng này khi có ràng buộc được xem là bước phát
triển tiếp theo của luận án. Tuy nhiên, một khi đã nhận dạng trực tuyến được nhiễu,
vấn đề điều khiển dự báo có các ràng buộc có thể được giải quyết bằng các phương

pháp hiện có [30].
Phương pháp nghiên cứu: Luận án sử dụng phương pháp phân tích, đánh giá
và tổng hợp. Thông qua nghiên cứu lý thuyết để đề xuất vấn đề cần giải quyết và xây
dựng thuật toán giải quyết vấn đề đó, kiểm chứng các nghiên cứu lý thuyết bằng mô
phỏng và cuối cùng là áp dụng thuật toán đề xuất cho một đối tượng cụ thể.
3. Mục tiêu của luận án
Mục tiêu của luận án là xây dựng phương pháp mới để nhận dạng mô hình trực
tuyến cho một lớp đối tượng phi tuyến có trễ trong hệ thống điều khiển dự báo theo
mô hình; đồng thời xây dựng cấu trúc điều khiển dự báo theo mô hình nội, áp dụng
các kết quả thu được cho một đối tượng cụ thể trong công nghiệp.
4. Những đóng góp mới về lý luận và thực tiễn của luận án
 Đề xuất phương pháp nhận dạng nhiễu cho hệ thống có trễ sử dụng mô hình
song song và mạng nơron RBF.
 Phát biểu và chứng minh được định lý về điều kiện đủ để quá trình nhận dạng
hội tụ cho 2 trường hợp: trường hợp có một nhiễu tác động và trường hợp có
nhiều nhiễu đồng thời tác động trong hệ thống.
 Đề xuất giải pháp bù nhiễu và điều kiện ứng đối bảo đảm bù trừ được đồng
thời cùng một lúc nhiều nhiễu tác động. Các kết quả mới về nhận dạng nhiễu
và bù nhiễu có thể được áp dụng không những cho các hệ thống IMPC mà còn
có thể áp dụng cho các hệ thống với các luật điều khiển khác nhau.
 Đề xuất phương pháp tổng hợp hệ IMPC cho một lớp đối tượng có trễ.
3

 Áp dụng các kết quả trên đây để tổng hợp được hệ điều khiển IMPC đạt hiệu
quả cao cho đối tượng CSTR, dưới tác động của nhiễu.
Đây là những đóng góp vừa có ý nghĩa khoa học, vừa có giá trị thực tiễn.
5. Bố cục của luận án
Luận án gồm 03 chương, phần mở đầu, kết luận kiến nghị và danh mục tài liệu
tham khảo.

Chương 1. TỔNG QUAN VẤN ĐỀ NGHIÊN CỨU
1.1. Giới thiệu tổng quan về điều khiển dự báo theo mô hình
1.1.1. Khái niệm
Điều khiển dự báo theo mô hình là phương pháp điều khiển hệ thống dựa trên
cơ sở tín hiệu đầu ra của đối tượng được dự báo thông qua một mô hình toán nào đó.
Dựa vào tín hiệu dự báo đầu ra của đối tượng, sử dụng thuật toán tối ưu để tìm tín
hiệu điều khiển tối ưu cho hệ thống sao cho đầu ra của đối tượng ở tương lai bám
theo giá trị mong muốn. Như vậy tín hiệu điều khiển tối ưu này sẽ phụ thuộc vào độ
chính xác của tín hiệu dự báo đầu ra của đối tượng và thuật toán tìm nghiệm tối ưu.
Độ chính xác của tín hiệu dự báo phụ thuộc vào mô hình toán của đối tượng.
1.1.2. Các thành phần chính trong điều khiển dự báo dựa trên mô hình

Hình 1.3. Sơ đồ khối hệ thống điều khiển dự báo dựa trên mô hình
a. Mô hình dự báo
b. Hàm mục tiêu và các điều kiện ràng buộc
c. Chiến lược tối ưu hóa

1.2. Những vấn đề liên quan về điều khiển dự báo hệ tuyến tính
1.3. Các ưu nhược điểm của điều khiển dự báo so với phương pháp khác
1.4. Những vấn đề liên quan về điều khiển dự báo hệ phi tuyến

4

( ) ( ) ( ) ( )t t t τX AX BU DF X
Hệ tuyến tính có trễ
Hệ phi tuyến có trễ
Thành phần phi tuyến
+

1.5. Đề xuất hướng nghiên cứu giải quyết trong luận án

Thay vì thiết kế bộ điều khiển dự báo cho hệ phi tuyến có trễ thành thiết kế bộ
điều khiển dự báo cho hệ tuyến tính có trễ cộng với thành phần nhiễu (nhiễu phụ
thuộc trạng thái - phi tuyến bất định). Thành phần nhiễu này được nhận dạng trực
tuyến và sẽ được bù trừ để hệ chỉ còn tuyến tính có trễ. Tiếp đó ta sử dụng phương
pháp điều khiển dự báo theo mô hình nội dựa trên cơ sở nhận dạng nhiễu để đảm bảo
tính ổn định của hệ thống, tìm ra tầm dự báo và tầm điều khiển.
Vấn đề tổng hợp hệ điều khiển dự báo cho đối tượng phi tuyến bất định và có
trễ được phân ra thành các nội dung sau đây:
- Tách mô hình đối tượng phi tuyến thành 2 phần: hệ tuyến tính có trễ và thành
phần phi tuyến. Theo quan điểm tuyến tính hóa xung quanh điểm làm việc ta dễ dàng
xác định được thông số động học của hệ thống qua ma trận A và B dựa vào điểm làm
việc danh định, thành phần phi tuyến còn lại được coi là nhiễu phụ thuộc trạng thái
hay nhiễu nội sinh của mô hình tuyến tính;





Hình 1.4. Cấu trúc mô hình lớp đối tượng phi tuyến có trễ
- Sử dụng mạng nơron nhân tạo RBF (là mạng đơn giản, dễ huấn luyện) để
nhận dạng trực tuyến thành phần phi tuyến bất định của đối tượng;
- Bù trừ nhiễu trên cơ sở sử dụng kết quả nhận dạng;
- Xây dựng bộ điều khiển dự báo phản hồi trạng thái theo mô hình nội (IMPC)
với cấu trúc bù nhiễu để điều khiển hệ thống lúc này chỉ còn phần tuyến tính có trễ.
1.6. Kết luận Chương 1
Chương 1 đã trình bày tổng quan về điều khiển dự báo, cấu trúc, các thành
phần cơ bản của một hệ điều khiển dự báo và ảnh hưởng của chúng đối với việc thiết
kế cũng như nâng cao chất lượng hệ điều khiển dự báo theo mô hình. Điểm lại một số
kỹ thuật MPC tuyến tính, phi tuyến đã công bố trên các tạp chí khoa học trong nước
và ngoài nước cũng như các ứng dụng MPC trong công nghiệp của một số hãng trên

thế giới. Đã chỉ ra những vấn đề còn tồn tại, những vấn đề chưa được giải quyết một
cách thỏa đáng. Đã nêu rõ tính bức thiết của đề tài luận án, xác định rõ mục tiêu cần
đạt, đề xuất phương pháp tiếp cận và những nội dung khoa học cụ thể cần giải quyết
để đạt được mục tiêu của luận án.
5


Chương 2. NHẬN DẠNG NHIỄU VÀ BÙ NHIỄU CHO LỚP HỆ PHI
TUYẾN CÓ TRỄ
2.1. Tổng quát chung về nhận dạng và mạng nơron
2.1.1. Khái niệm về nhận dạng
2.1.2. Khái quát về cấu trúc mạng nơron
2.1.3. Giới thiệu mạng nơron RBF
2.1.4. Tóm lược về nhận dạng trực tuyến hệ phi tuyến sử dụng mạng nơron nhân tạo
2.2. Bài toán nhận dạng nhiễu cho lớp hệ phi tuyến có trễ
Trong thực tế thường gặp hai trường hợp sau đây:
+ Các hệ thống có một nhiễu tác động và có một kênh điều khiển (hệ đơn giản).
+ Các hệ thống có nhiều nhiễu tác động và có nhiều kênh điều khiển (hệ phức tạp).
Nhận dạng nhiễu và bù nhiễu đối với từng trường hợp nêu trên có những nét
đặc thù riêng và cả những yêu cầu riêng biệt.
Vấn đề nhận dạng nhiễu trực tuyến (online) đối với trường hợp hệ có một nhiễu
tác động lên hệ thống có trễ được giải quyết ở mục 2.3. Kết quả nhận dạng nhiễu
được sử dụng trong mục 2.4. để bù trừ ảnh hưởng của nhiễu.
Vấn đề nhận dạng trực tuyến đồng thời nhiều nhiễu tác động lên hệ thống có
trễ được xem xét và giải quyết tại mục 2.5. Tổng hợp tín hiệu bù trừ nhiễu và điều
kiện để bù trừ đồng thời nhiều nhiễu tác động lên hệ thống được trình bày trong mục 2.6.
2.3. Thuật toán nhận dạng nhiễu hệ phi tuyến có trễ trên cơ sở sử dụng mạng
nơron RBF khi chỉ có một thành phần nhiễu
2.3.1. Xây dựng thuật toán nhận dạng nhiễu

( ) ( ) ( ) ( )t t u t τX AX B F X
(2.3)

ˆ
( ) ( ) ( ) ( )
m m m m m
t t u t τX A X B F X
(2.6)
Do hàm phi tuyến
()f X
là trơn, liên tục đều nên ta có thể xấp xỉ
ˆ
()FX
bằng
mạng nơron RBF vì mạng này có khả năng xấp xỉ với độ chính xác bất kỳ và mạng
nơron RBF được sử dụng rất rộng rãi.

**
1
( ) ( ) ε
m
ii
i
fwXX
(2.7)
6


2
2

2
2
1
C
ex
2
()
C
ex
2
i
i
i
m
j
j
j
p
p
X-
X
X-
(2.8)

1
ˆ
ˆ
( ) ( )
m
ii

i
fwXX
(2.9)

Hình 2.4. Cấu trúc mạng RBF xấp xỉ hàm
()f X


( ) ( ) ( )ttE AE F X
(2.16)
Định lý sau đây thiết lập điều kiện đủ để hệ (2.16) ổn định.
Định lý 2.1. Giả sử A là ma trận Hurwitz. Hệ thống (2.16) sẽ ổn định thực tế
khi thỏa mãn đồng thời các điều kiện sau đây:

ε
τ

  

  



2
max
*
min
2
0;
2

( ) ;
()
( ) ( ) ( ) ;
n
t
i i n
t
t
r
w t u d
Q PU
P
E
Q
X P E
(2.17)
với
Q
là ma trận đối xứng xác định dương; trong đó
P
là nghiệm đối xứng xác định
dương của
min
; ( )
T
rQ = A P+PA Q
- giá trị riêng nhỏ nhất của ma trận
Q
;
n

P
- dòng
thứ
n
của ma trận
P
;
max
sup ( )
t
utU

Chứng minh : Định lý được chứng minh chặt chẽ trên cơ sở sử dụng phương
pháp thứ 2 của Lyapunov cho hệ (2.16), trong đó hàm Lyapunov được chọn có dạng:
22
1
( ). ( ) ( ) ( ) ( )
t
m
TT
i
i
t τ
t t t t u d w
  


  



V E P.E E P.E
(2.18)
7

Qua một loạt biến đổi toán học ta thu được các điều kiện đảm bảo cho
0V
, chính là
các điều kiện (2.17).

Hình 2.5. Sơ đồ cấu trúc hệ thống nhận dạng nhiễu cho các đối tượng có trễ trên cơ sở mô
hình song song và mạng nơron
2.3.2. Ví dụ minh họa
2.4. Tổng hợp tín hiệu bù nhiễu cho hệ thống có trễ với một kênh điều khiển
Tín hiệu bù nhiễu (gọi tắt là tín hiệu bù
()
b
ut
) được tạo ra dựa trên kết quả nhận
dạng nhiễu
ˆ
()ft
đã thu được ở mục 2.3. Tín hiệu bù được đưa tới đầu vào của đối
tượng cùng với tín hiệu điều khiển
()
dk
ut
. Tín hiệu đầu vào của đối tượng điều khiển
lúc này sẽ là:
( ) ( ) ( )
dk b

u t u t u t
(2.36)
Để bù được tác động của nhiễu
()ft
đòi hỏi phải tạo ra tín hiệu bù u
b
thỏa mãn
điều kiện:
 
( ) 0
b
Ku t f t

  
(2.38)
Từ đây ta có:
()
()
b
ft
ut
K

  
(2.39)
Vì vậy tín hiệu u
b
sẽ là:
ˆ
()

()
b
ft
ut
K



(2.41)
Như vậy để có được tín hiệu bù tại thời điểm t đòi hỏi phải dự báo tín hiệu
ˆ
f

tại thời điểm
()t


. Dựa trên tín hiệu thu được
ˆ
()ft
ta sẽ có tín hiệu dự báo
ˆ
()ft



trên cơ sở chuỗi Taylor:
1
ˆ
()

ˆˆ
( ) ( )
!
ii
k
i
i
d f t
f t f t
i dt



   

(2.42)



Hình 2.10. Sơ đồ kênh tạo tín hiệu bù
1
K


Dự báo
ˆ
()ft

()
b

ut

8

2.5. Thuật toán nhận dạng nhiễu hệ phi tuyến có trễ trên cơ sở sử dụng mạng
nơron RBF khi có nhiều thành phần nhiễu
Trong phần này, tác giả đưa ra phương pháp nhận dạng nhiều tác động nhiễu,
nhiều tín hiệu đầu vào cùng đồng thời tác động lên hệ thống đã được phát triển trên
cơ sở sử dụng mạng nơron RBF ở mục 2.3.
2.5.1. Xây dựng thuật toán nhận dạng
( ) ( ) ( ) ( )t t t τX AX BU DF X
(2.44)

Hình 2.11. Sơ đồ cấu trúc các mạng nơron xấp xỉ các hàm
1
()f X
,
2
()f X

2
, , ( )
m
f X

của hệ (2.44)
( ) ( ) ( )ttE AE DF X
(2.51)
Điều kiện đủ để hệ thống (2.51) ổn định được thể hiện trong định lý sau đây.

Định lý 2.2: Giả sử
A
là ma trận Hurwitz. Hệ thống (2.51) sẽ ổn định thực tế khi
thỏa mãn đồng thời các điều kiện:

max
2
2
2
2
*
1
min
0;
2 ε
( ) ;
()
( ) ( ) ( ) ( ) ;
m
i n m i
i
t
T
ij ij n m i
t
t
r
w t d



   




  




Q PU
P
E
Q
X P E U U
(2.57)
2
1,2, ,im
;
1,2, ,jl

với
Q
là ma trận đối xứng xác định dương ; trong đó
P
là nghiệm đối xứng xác định
dương của
min
; ( )
T

rQ = A P+PA Q
- giá trị riêng nhỏ nhất của ma trận
Q
;
2
n m i
P
-
dòng thứ
2
n m i
của ma trận
P
;
max
sup ( )
t
tUU
.


9

Chứng minh : Định lý đã được chứng minh chặt chẽ trên cơ sở sử dụng
phương pháp thứ 2 của Lyapunov cho hệ (2.51), trong đó hàm Lyapunov có dạng:
2
2
11
( ) ( ) ( ) ( ) ( ) ( )
t

m
l
T T T
ij
ij
t
t t t t d w

   


  


V E PE E PE U U
(2.58)
Đạo hàm hàm
V
theo dọc quỹ đạo của (2.51) luôn âm sẽ là điều kiện đủ để (2.51)
ổn định. Biến đổi
V
ta thu được các điều kiện đó, kết quả được thể hiện ở (2.57).
2.5.2. Ví dụ minh họa
2.6. Xác định điều kiện ứng đối cho việc bù nhiễu trong các hệ thống có trễ với
nhiều thành phần nhiễu tác động
Đã xác định được điều kiện ứng đối, đó chính là điều kiện để có thể bù được
nhiễu. Cụ thể là GB = D.

Hình 2.16. Sơ đồ cấu trúc của đối tượng có trễ trong kênh điều khiển, có nhiễu phụ thuộc
trạng thái tác động và kênh bù nhiễu trên cơ sở nhận dạng nhiễu

2.7. Kết luận Chương 2
1. Đã đề xuất phương pháp nhận dạng nhiễu cho hệ thống có trễ trong điều khiển.
2. Đã phát biểu và chứng minh được 2 định lý về các điều kiện đủ, đảm bảo quá trình
nhận dạng hội tụ cho 2 trường hợp riêng biệt: trường hợp hệ thống có một nhiễu
tác động và trường hợp hệ thống đồng thời chịu nhiều nhiễu tác động. Đã thu được
luật cập nhật trọng số cho các mạng nơron RBF.
3. Đã đề xuất giải pháp bù nhiễu cho lớp đối tượng có trễ trên cơ sở các kết quả nhận
dạng. Các kết quả mới về nhận dạng nhiễu và bù nhiễu có thể được áp dụng không
những cho các hệ thống IMPC mà còn có thể áp dụng cho các hệ thống với các luật
điều khiển khác nhau.
10

Chương 3. TỔNG HỢP BỘ ĐIỀU KHIỂN DỰ BÁO DỰA THEO MÔ
HÌNH NỘI CHO ĐỐI TƯỢNG CÓ TRỄ VÀ XÂY DỰNG HỆ
THỐNG ĐIỀU KHIỂN CHO ĐỐI TƯỢNG CSTR
3.1. Đặt vấn đề
Trong phần này luận án đi sâu giải quyết bài toán điều khiển tối ưu sử dụng
mô hình dự báo cho lớp đối tượng có trễ trên cơ sở các thành phần nhiễu đã được
nhận dạng và đã được bù trừ theo các kết quả của Chương 2. Lúc đó động học của
đối tượng điều khiển sẽ được mô tả bằng phương trình:
( ) ( ) ( )t t tX AX BV
(3.1)
( ) ( )tt

VU
(3.2)
Vấn đề đặt ra là phải tổng hợp hệ thống điều khiển, đảm bảo tối thiểu hóa
phiếm hàm mục tiêu J
0
( , ) min

f
t
t
J H dt

XU
(3.3)
3.2. Xây dựng tiêu chuẩn tối ưu cho bài toán điều khiển tối ưu và điều khiển dự báo
3.3. Xây dựng thuật toán điều khiển dự báo dựa trên mô hình nội cho lớp đối
tượng phi tuyến có trễ trên cơ sở đã nhận dạng và bù nhiễu
Theo phương pháp tiếp cận trình bày tại mục 3.2., chúng ta lựa chọn tiêu chuẩn
tối ưu dạng:
0
( ) ( ) ( ) ( )
TT
t
J t t t t dt





X QX U RU
, (3.13)
với các ma trận trọng lượng Q và R là đối xứng xác định dương và là các ma trận cố
định. Các trọng số ma trận Q lớn gấp nhiều lần ma trận R.
00
0
( ) ( ) ( ) ( ) ( ) ( ) ( ) ( )
( ) ( ) ( ) ( ) ( ) ( )

TT
TT
J t t t t dt t t t t dt
t t dt t t t t dt





   
     
   

  



TT
T
X QX U RU X QX V RV
X QX X QX V RV
(3.14)
1
( ) ( ) ( ) ( ) min
T
J t t t t dt



  



T
X QX V RV
(3.15)
Cho đối tượng (3.1) với điều kiện biên
()

X

0
00
( ) ( ) ( ) ( ) ( )
t
t
t t t t t d
   
      

X X BU
, (3.16)
11

với
0
; ( ) ( ); (0) I; ( ) 0, 0t t t t t t

         A
. (3.17)
Luật điều khiển tối ưu theo chỉ tiêu tối ưu (3.15) cho đối tượng có dạng:

( ) ( ),t t t

  V KX
(3.18)
1
1
0;
TT
T


   

PA A P Q PBR B P
K R B P
(3.19)
Từ (3.2) và (3.18) ta thu được:
( ) ( )tt

  U KX
(3.20)
( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( )
tt
tt
t t t d t t d


         



           

X X BV X BU
(3.21)
00
( ) ( ) ( ) ( ) ( )
( ) ( ) ( ) ( ) ( ) ( )
t
op
t
tt
t t t d
t t d t d


   
      


     

        




U K X K BU
K X K BU BU
(3.22)
Thành phần thứ nhất trong dấu móc chính là vectơ trạng thái của hệ thống có

trễ

, do tác động điều khiển
()tU
tạo ra trong suốt khoảng thời gian từ 0 đến
()t


:
[0, ]t


; thành phần thứ 2 trong dấu móc chính là trạng thái của hệ thống không chứa
trễ, do tác động điều khiển
()tU
tạo ra trong suốt thời gian từ 0 đến t :
[0, ]t
. Hai thành
phần này dễ dàng được tạo ra của các mô hình:
11
( ) ( ) ( )
M M M M M
t t t

  X Α X B U
(3.23)
22
( ) ( ) ( )
M M M M M
t t tX Α X B U

(3.24)
21
(t) ( ) ( ) ( ) ( )
op M M
t t t

    U K X KX KX
(3.25)

Hình 3.1. Sơ đồ cấu trúc của hệ thống điều khiển dựa trên mô hình dự báo cho lớp đối
tượng có trễ
Rõ ràng là mô hình MH
2
thực hiện việc dự báo véctơ trạng thái của đối tượng,
với thời gian dự báo là

, trong điều kiện không có nhiễu tác động và với
;
MM
A A B B
, ta có:
2
( ) ( )
M
tt

XX
(3.26)
12

Như vậy cửa sổ dự báo của hệ thống là
 
,tt


. Cửa sổ này sẽ trượt theo trục
thời gian trong suốt quá trình hoạt động. Từ (3.25) và (3.26) ta thấy rằng tác động
điều khiển tối ưu (3.25) được tạo ra trên cơ sở của kết quả dự báo(3.26), vectơ trạng
thái của đối tượng điều khiển
()tX
và vectơ trạng thái của mô hình MH
1
có trễ
1
()
M
tX
. Chính vì vậy, tầm điều khiển sẽ là

. Hàm điều khiển tối ưu (3.25) thu được
trên đây là một hàm giải tích của vectơ trạng thái của hệ thống
()tX
, vectơ trạng thái
của mô hình MH
1
có trễ
1
()
M
tX

và của vectơ trạng thái của mô hình dự báo MH
2

không chứa trễ
2
()
M
tX
tại thời điểm t.
Tuy nhiên luật điều khiển (3.25) chỉ áp dụng được cho các trường hợp, khi các
ma trận A và B có các thành phần không thay đổi và đối tượng điều khiển (3.1), (3.2)
không chịu tác động của nhiễu. Để có thể áp dụng được luật điều khiển (3.25) cho
trường hợp tồn tại các nhiễu phụ thuộc trạng thái, chúng ta có thể sử dụng các
phương pháp nhận dạng và bù trừ nhiễu đã đề xuất trong Chương 2. Như vậy, kết hợp
phương pháp tổng hợp luật điều khiển dựa trên mô hình dự báo đề xuất với phương
pháp nhận dạng và bù trừ các nhiễu tác động lên đối tượng chúng ta sẽ giải quyết
được trọn vẹn bài toán điều khiển dựa trên mô hình dự báo cho một lớp rất rộng các
đối tượng có trễ dưới tác động của nhiễu, đặc biệt là nhiễu phi tuyến bất định phụ
thuộc trạng thái.
Luật điều khiển thu được là một hàm giải tích của vectơ trạng thái của đối
tượng điều khiển, vectơ trạng thái của mô hình chứa trễ, vừa đảm bảo tính tối ưu vừa
đảm bảo tính ổn định cho hệ thống. Việc tính toán để xác định giá trị điều khiển tối
ưu U
op
(t) theo luật điều khiển thu được tại biểu thức (3.25) rất đơn giản, chỉ cần thực
hiện ba phép nhân và một phép cộng mà không đòi hỏi phải giải phương trình vi phân
Riccati với hai điều kiện biên như đối với các trường hợp t
f
là hữu hạn. Vì vậy, tính
thời gian thực và đi liền với nó là tính khả thi của luật điều khiển hoàn toàn được đảm bảo.

Hình 3.2. Sơ đồ cấu trúc hệ thống điều khiển dự báo theo mô hình nội cho đối tượng có trễ
dựa trên cơ sở nhận dạng bằng mạng nơron đã có bù nhiễu
13

Nhận xét:
1. Hệ thống điều khiển theo mô hình nội cùng với các kênh nhận dạng và bù trừ
thành phần phi tuyến bất định
()FX
còn có thể xem là một hệ thống thích nghi không
trực tiếp (indirect adaptive control system).
2. Điều khiển dự báo phát huy hiệu quả tốt cho các đối tượng có động học chậm, các
đối tượng có trễ và cho các trường hợp tồn tại các ràng buộc với các vectơ trạng thái
và/ hoặc ràng buộc đối với vectơ trạng thái điều khiển. Tuy nhiên trong luận án này
chỉ ưu tiên tập trung xây dựng các phương pháp tổng hợp hệ điều khiển dự báo theo
mô hình nội cho lớp các đối tượng có trễ.
3. Luật điều khiển thu được trên đây áp dụng cho điều khiển dự báo theo mô hình nội
với đối tượng có trễ trong điều kiện không có các ràng buộc dạng:
()t X
,
()t U

( và là các tập compact). Khi có các ràng buộc dạng này người ta thường sử
dụng các hàm phạt tương ứng [30]. Bằng cách đó, chúng ta cũng có thể áp dụng các
phương pháp tổng hợp đề xuất trên đây, tuy nhiên phải sử dụng các hàm phạt cho phù
hợp với từng đối tượng cụ thể.
Các kết quả thu được ở các phần trên, liên quan đến nhận dạng nhiễu, bù nhiễu
và tổng hợp hệ điều khiển dự báo theo mô hình nội cho các đối tượng có trễ chịu tác
động của các nhiễu bất định phụ thuộc trạng thái là những đóng góp mới. Các kết quả
đó có thể áp dụng cho một lớp rất rộng các đối tượng trong công nghiệp.

3.4. Xây dựng mô hình toán cho đối tượng CSTR

Hình 3.3. Mô hình bình phản ứng khuấy trộn liên tục CSTR
Phương trình vi phân mô tả động học của bình phản ứng khuấy trộn liên tục có
dạng như sau:
14


 
 
 
 
 
 
 
 
 
 
 
12
1 2 1
12
2
2
( ) ( ) 0.2
1
bb
b b b b
b
dh t

u t u t h t
dt
dC t u t u t k C t
C C C C
dt h t h t
kC



    





    



(3.32)
Đối với từng chế độ công nghệ khác nhau, động học của đối tượng CSTR sẽ
được mô tả bằng các hệ phương trình khác nhau. Tùy thuộc vào quy mô sản xuất và
điều kiện cụ thể, đối tượng CSTR có thể được thiết lập theo 2 chế độ làm việc với giả
thiết van T
3
luôn mở ổn định:
Trường hợp 1: Trường hợp này chỉ điều khiển nồng độ dung dịch mà không
quan tâm đến bài toán điều khiển mức dung dịch. Người ta cho một van điều khiển cố
định với một lưu lượng không đổi, giả sử là van T
2

có
2
0u const
. Quá trình điều
khiển nồng độ được thực hiện ở van T
1
bằng cách thay đổi một tín hiệu điều khiển
1
u
.
Trường hợp 2: Trường hợp này điều khiển đồng thời cả nồng độ dung dịch
và mức dung dịch. Người ta sử dụng cả hai van điều khiển T
1,
T
2
để điều khiển lưu
lượng của các hợp chất đầu vào thông qua hai tín hiệu điều khiển
1
u
,
2
u
.
3.4.1. Xây dựng mô hình toán cho đối tượng CSTR với một tín hiệu điều khiển
Trường hợp này ta chỉ điều khiển van T
1
qua tín hiệu u
1
có thời gian trễ là


2
0
1
2
0
0
10 20 1 2 0 10 20
1
1 0 2 0
2 2 3 2
0 0 2 0 0 0 2 0
2
1 0 1 2
1
1 1 0
2
0 2 0
()
0,1
( ) ( ) 0,025
2
( ) ( ) ( ) ( )
(1 ) (1 )
( ) 2 ( )
(
( ) ( )
(1 )
bb
b b b b b

bb
b b b
bb
b
h h t
dh
h t u t τ
dt h
h
dC u u k k C u u
k
C C C C h t C t
dt h h k C h h k C
C C k k C t
ut
ut τ C C
h k C

    
   
        
   

   


    

10 20
22

00
1 0 10 20
1
1 0 1 0
2
0 2 0 0 0
()
)
( ) ( ) ( )
()
( ) ( ) ( )
(1 )
b
b
b b b b b
b
uu
τ
h t C t h t
hh
k C u u
ut τ
C t C C C C
h k C h h















      




(3.41)
11 11 1 1
21 22 21 1 2 1
( ) ( ) ( )
( ) ( ) ( ) ( , , )
b b b
h a h t b u t τ f h
C a h t a C t b u t τ f h C u

   


    


(3.42)
3.4.2. Xây dựng mô hình toán cho đối tượng CSTR với hai tín hiệu điều khiển

Trường hợp này ta coi van T
1
điều khiển tín hiệu u
1
có thời gian trễ là

và
van T
2
điều khiển tín hiệu u
2
cũng có thời gian trễ là


15

2
0
12
2
0
0
10 20 1 2 0 10 20
1
1 0 2 0
2 2 3 2
0 0 2 0 0 0 2 0
2
1 0 2 0 1 2
12

00
()
0,1
( ) ( ) ( ) 0,025
2
( ) ( ) ( ) ( )
(1 ) (1 )
( ) ( ) 2 ( )
( ) ( )
bb
b b b b b
bb
b b b b b
h h t
dh
h t u t τ u t τ
dt h
h
dC u u k k C u u
k
C C C C h t C t
dt h h k C h h k C
C C C C k k C t
ut τ u t τ
hh

     
   
        
   


   

    
1
10
22
2 0 0
10 20
2 1 2
20
22
0 0 0 0
1 0 10 20
1 0 1 0
2
2 0 0 0
()
( ) ( )
(1 )
()
( ) ( ) ( )
( ) ( ) ( ) ( ) ( ) ( )
( ) ( )
(1 )
bb
b
b b b b b
b
b b b b

b
ut τ
C C h t
k C h
uu
ut τ u t τ u t τ
C C h t C t h t C t C t
h h h h
k C u u
C C C C
k C h h















  
    




     




(3.47)
11 11 1 12 2 1
21 22 21 1 22 2 2 1 2
( ) ( ) ( ) ( )
( ) ( ) ( ) ( ) ( , , , )
b b b
h a h t b u t τ b u t τ f h
C a h t a C t b u t τ b u t τ f h C u u

     


      


(3.48)
3.5. Thiết kế mô hình nhận dạng các nhiễu cho đối tượng CSTR
3.5.1. Thiết kế mô hình nhận dạng nhiễu trên hai kênh h và C
b
với một tín hiệu
điều khiển

Ta lựa chọn các thông số C
b1

= 24,9 (mol/l), C
b2
= 0,1 (mol/l); k
1
= 1,
k
2
=1;
01
0,1u 
;
02
0,1u 
theo các tài liệu [3], [53], [67]. Điểm làm việc cân bằng (danh
định) là: h
0
= 1m, C
bo
=14,447mol/l. Khi chỉ có một tín hiệu điều khiển u
1
tác động ta
có các thông số động học của đối tượng CSTR như sau:
2
1
2
2 1 1 1
0,1 0 1
;
0,0606 0,188 14,953
()

0,025
( , , ) 0,0084 14,953 0,2
b b b b
fh
h
f h C u C u h u C C h

   

   

   
   


   
   
   
AB
F(Y)


Hình 3.4. Sơ đồ cấu trúc nhận dạng các nhiễu cho đối tượng CSTR dùng mạng nơron RBF
và cơ cấu thích nghi AB với một tín hiệu điều khiển
16


Hình 3.7. Tín hiệu hàm nhiễu mức dung dịch f
1
và nhiễu nồng độ dung dịch f

2
của đối tượng
thực và sau khi nhận dạng sử dụng một tín hiệu điều khiển với thời gian trễ
30s



Kết quả nhận dạng thể hiện trên Hình 3.7 cho thấy sai lệch giữa hàm nhiễu
1
()fh
và hàm nhiễu đánh giá
1
ˆ
()fh
sau khi nhận dạng có sai số ở thời điểm bắt đầu
tương đối lớn xấp xỉ 45%, còn sai lệch giữa hàm nhiễu
21
( , , )
b
f h C u
và hàm nhiễu đánh
giá
21
ˆ
( , , )
b
f h C u
có sai số ở thời điểm ban đầu xấp xỉ 20%. Tuy nhiên, với luật cập nhật
trọng số đề xuất đã nhanh chóng thích nghi để quá trình nhận dạng hội tụ và tiến về
phạm vi sai số mong muốn cho trước tương ứng là

7
1
10 ;
M




5
2
10 .
M




3.5.2. Thiết kế mô hình nhận dạng nhiễu trên hai kênh h và C
b
với hai tín hiệu điều khiển
Trường hợp có hai tín hiệu điều khiển u
1
, u
2
tác động, ta có các thông số động
học của đối tượng CSTR như sau:
2
2
1 1 2 2
0,1 0 1 1 1 0
;;

0,0606 0,188 14,953 14,347 0 1
0,025
0,0084 14,953 0,2 14,347
b b b b
h
C u h u C C h u h u C

     
  
     
  
     




     

A B D
F(Y)


Hình 3.14. Tín hiệu hàm nhiễu mức dung dịch f
1
và nhiễu nồng độ dung dịch f
2
của đối
tượng thực và sau khi nhận dạng trong trường hợp sử dụng hai tín hiệu điều khiển với thời
gian trễ
30s




17

Kết quả nhận dạng thể hiện trên Hình 3.14 cho thấy sai lệch giữa hàm nhiễu
1
()fh
và hàm nhiễu đánh giá
1
ˆ
()fh
sau khi nhận dạng nhỏ, sai lệch giữa hàm nhiễu
2 1 2
( , , , )
b
f h C u u
và hàm nhiễu đánh giá
2 1 2
ˆ
( , , , )
b
f h C u u
có sai số ở thời điểm ban đầu xấp
xỉ 10%. Tuy nhiên, luật cập nhật trọng số đề xuất đã nhanh chóng thích nghi để quá
trình nhận dạng hội tụ và tiến về sai số mong muốn tương ứng:
6
1
10
M




,
5
2
10
M



.
Trong trường hợp hàm nhiễu phức tạp hơn với luật cập nhật trọng số theo Định
lý 2.2. ta cũng hoàn toàn nhận dạng được nhiễu với độ chính xác và sai số mong
muốn cho trước.
3.6. Xây dựng hệ thống điều khiển dự báo dựa trên mô hình nội cho đối tượng
CSTR trên cơ sở đã nhận dạng và bù nhiễu
3.6.1. Xây dựng bộ IMPC điều khiển một kênh C
b
với một tín hiệu điều khiển
Trong trường hợp này phương trình động học của CSTR sau khi bù nhiễu sẽ có
dạng:
22 21 1
( ) ( )
bb
C a C t b u t τ  
(3.52)

Hình 3.19. Sơ đồ cấu trúc điều khiển một kênh nồng độ dung dịch C
b

sử dụng một tín hiệu
điều khiển theo cấu trúc IMPC

Hình 3.20. Đáp ứng nồng độ dung dịch C
b
của bộ điều khiển IMPC sử dụng một tín hiệu
điều khiển cho đối tượng có trễ
5s



Kết quả cho thấy hệ điều khiển IMPC đã đảm bảo cho hệ thống không có quá
điều chỉnh và sai số xác lập bằng không, mặc dù trong hệ thống tồn tại thời gian trễ
18

5s


. Điều này đã thể hiện tính ưu việt của hệ thống IMPC cho đối tượng có trễ như
CSTR.
3.6.2. Xây dựng bộ IMPC điều khiển đồng thời hai kênh C
b
và h với hai tín hiệu
điều khiển

Trong trường hợp này, sau khi đã bù nhiễu
1
()fh
và
2 1 2

( , , , )
b
f h C u u
phương trình
động học của đối tượng CSTR có dạng:
11 11 1 12 2
21 22 21 1 22 2
( ) ( ) ( )
( ) ( ) ( ) ( )
bb
h a h t b u t τ b u t τ
C a h t a C t b u t τ b u t τ

    


     


(3.53)

Hình 3.21. Sơ đồ cấu trúc điều khiển hai kênh mức dung dịch h và nồng độ dung dịch C
b
sử
dụng hai tín hiệu điều khiển theo cấu trúc IMPC


Hình 3.22. Đáp ứng mức dung dịch h và nồng độ dung dịch C
b
của bộ điều khiển IMPC sử

dụng hai tín hiệu điều khiển cho đối tượng có trễ
5s



Kết quả cho thấy hệ thống không có quá điều chỉnh và sai số xác lập bằng
không, mặc dù trong hệ thống tồn tại thời gian trễ
5s


. Việc sử dụng hai tín hiệu
điều khiển có thời gian quá độ được rút ngắn rất nhiều so với trường hợp chỉ sử dụng
một tín hiệu điều khiển đã khảo sát ở phần trên. Nếu như thời gian của quá trình quá
19

độ của hệ thống điều khiển IMPC cho CSTR với một tín hiệu điều khiển là khoảng
75s thì thời gian của quá trình quá độ của hệ thống điều khiển IMPC cho CSTR với
hai tín hiệu điều khiển chỉ là gần 40s. Kết quả mô phỏng này khẳng định ưu điểm nổi
trội của hệ thống điều khiển IMPC được đề xuất ở mục 3.3. cho đối tượng CSTR với
hai tín hiệu điều khiển.
3.7. So sánh bộ điều khiển PID và bộ điều khiển IMPC đã được nhận dạng và
bù nhiễu cho đối tượng CSTR
Để thấy rõ hiệu quả của hệ điều khiển dự báo theo mô hình nội IMPC được đề
xuất ở mục 3.1 - 3.3 và tác dụng của việc nhận dạng và bù nhiễu trong Chương 2 đề
xuất áp dụng cho đối tượng CSTR, trong phần này chúng ta so sánh đáp ứng của hệ
thống sử dụng IMPC với đáp ứng của hệ thống khi sử dụng các bộ điều khiển PID.
3.7.1. So sánh bộ điều khiển PID với bộ điều khiển IMPC điều khiển một kênh
C
b
với một tín hiệu điều khiển

- Trường hợp thứ nhất: So sánh bộ điều khiển PID khi chưa có nhận dạng và bù
nhiễu với bộ điều khiển IMPC đã đề xuất.

Hình 3.24. Đáp ứng nồng độ dung dịch C
b
của bộ điều khiển PID chưa có nhận dạng, bù nhiễu
và của bộ điều khiển IMPC sử dụng một tín hiệu điều khiển cho đối tượng khi không có trễ
0s




Hình 3.25. Đáp ứng nồng độ dung dịch C
b
của bộ điều khiển PID chưa có nhận dạng, bù nhiễu
và của bộ điều khiển IMPC sử dụng một tín hiệu điều khiển cho đối tượng khi có trễ
5s



Trên Hình 3.24 và Hình 3.25 là đáp ứng nồng độ dung dịch với thời gian trễ
0s


và
5s


khi đầu vào là hàm bước nhảy với C
b

= 0,5 (mol/l). Kết quả mô
phỏng cho thấy:
- Bộ điều khiển PID không đảm bảo được chất lượng điều khiển, cụ thể là hệ
thống mất ổn định,trong hệ thống tồn tại dao động, kể cả khi không có trễ
0s


.
Điều đó cho thấy đối tượng CSTR có tính phi tuyến mạnh.
20

- Bộ điều khiển IMPC có tích hợp nhận dạng và bù nhiễu đảm bảo tốt chất
lượng điều khiển: không có quá điều chỉnh, sai số xác lập bằng không kể cả khi
không trễ và có trễ.
- Trường hợp thứ hai: So sánh bộ điều khiển PID với bộ điều khiển IMPC khi cả hai
đều có tích hợp công cụ nhận dạng và bù nhiễu đã được đề xuất.

Hình 3.27. Đáp ứng nồng độ dung dịch C
b
của bộ điều khiển IMPC và PID có tích hợp nhận
dạng và bù nhiễu sử dụng một tín hiệu điều khiển cho đối tượng khi không có trễ
0s




Hình 3.28. Đáp ứng nồng độ dung dịch C
b
của bộ điều khiển IMPC và PID có tích hợp
nhận dạng và bù nhiễu sử dụng một tín hiệu điều khiển cho đối tượng có trễ

5s



Trên Hình 3.27 và Hình 3.28 là đáp ứng nồng độ dung dịch với thời gian trễ
0s


và
5s


khi đầu vào là hàm bước nhảy với C
b
= 0,5 (mol/l). Kết quả mô
phỏng cho thấy:
Khi không có trễ
0s


, trong trường hợp này cả hai bộ điều khiển đều cho
chất lượng tốt. Khi có trễ
5s


, trong trường hợp này thì chất lượng điều khiển khác
nhau rõ rệt: chất lượng điều khiển của hệ thống sử dụng PID không tốt, đã xảy ra quá
điều chỉnh; trong khi hệ thống IMPC thì vẫn đảm bảo tốt chất lượng điều khiển:
không xảy ra quá điều chỉnh và sai số xác lập bằng không. Điều đó đã làm nổi bật
tính ưu việt của hệ thống IMPC cho các trường hợp có trễ.

So sánh đáp ứng đầu ra của hệ thống điều khiển CSTR không chứa trễ sử
dụng PID khi không nhận dạng và bù nhiễu (Hình 3.24) và khi có nhận dạng và bù
nhiễu (Hình 3.27) khi giữ nguyên các thông số điều khiển PID ta thấy rất rõ hiệu quả
của việc áp dụng thuật toán nhận dạng và bù nhiễu phụ thuộc trạng thái đã được đề
xuất trong Chương 2.
21

3.7.2. So sánh bộ điều khiển PID và bộ điều khiển IMPC điều khiển đồng thời
hai kênh C
b
và h với hai tín hiệu điều khiển
- Trường hợp thứ nhất: So sánh bộ điều khiển PID chưa nhận dạng và bù nhiễu với
bộ điều khiển dự báo theo cấu trúc IMPC đã đề xuất

Hình 3.31. Đáp ứng tín hiệu mức dung dịch h và nồng độ dung dịch C
b
của bộ điều khiển
PID chưa nhận dạng, bù nhiễu và của bộ IMPC sử dụng hai tín hiệu điều khiển cho đối
tượng khi không trễ
0s




Hình 3.32. Đáp ứng tín hiệu mức dung dịch h và nồng độ dung dịch C
b
của bộ điều khiển
PID chưa nhận dạng, bù nhiễu và của bộ IMPC sử dụng hai tín hiệu điều khiển cho đối
tượng khi có trễ
5s




Hình 3.31. và Hình 3.32. thể hiện đáp ứng mức dung dịch h và nồng độ dung
dịch C
b
trong các trường hợp trễ
0s


,
5s


. Nhận thấy với đối tượng phi tuyến như
bình trộn CSTR thì bộ điều khiển PID không đáp ứng được chất lượng điều khiển vì
độ quá điều chỉnh và thời gian quá độ lớn, đặc biệt khi có trễ trên kênh điều khiển thì
bộ điều khiển PID không thể thỏa mãn được bài toán công nghệ. Qua quan sát kết
quả mô phỏng cũng cho thấy đáp ứng của bộ điều khiển IMPC đã được đề xuất có
chất lượng điều khiển ưu việt hơn, không có sự quá điều chỉnh, sai số xác lập bằng
không và đáp ứng tốt khi đối tượng có trễ trên kênh điều khiển.
22

- Trường hợp thứ hai: So sánh bộ điều khiển PID với bộ điều khiển IMPC khi cả hai
đều có tích hợp công cụ nhận dạng và bù nhiễu đã được đề xuất.


Hình 3.34. Đáp ứng tín hiệu mức dung dịch h và nồng độ dung dịch C
b
của bộ điều khiển

IMPC và PID có tích hợp nhận dạng và bù nhiễu sử dụng hai tín hiệu điều khiển cho đối
tượng khi không trễ
0s




Hình 3.35. Đáp ứng tín hiệu mức dung dịch h và nồng độ dung dịch C
b
của bộ điều khiển
IMPC và PID có tích hợp nhận dạng và bù nhiễu sử dụng hai tín hiệu điều khiển cho đối
tượng có trễ
5s



Hình 3.34 và Hình 3.35. biểu diễn đặc tính đáp ứng đầu ra của mức dung dịch h
và nồng độ dung dịch C
b
khi đối tượng có trễ trên kênh điều khiển
0s


,
5s


. Kết
quả mô phỏng cho thấy trong trường hợp không có trễ bộ điều khiển PID và IMPC
đều cho đặc tính đáp ứng đầu ra rất tốt: không có lượng quá điều chỉnh và sai số xác

lập bằng không. Tuy nhiên khi tín hiệu trên kênh điều khiển có trễ thì bộ điều khiển
PID đã rất nhanh chóng bị mất ổn định còn bộ điều khiển IMPC vẫn đảm bảo tốt chất
lượng điều khiển.