Luận văn trình bày một phương pháp điều khiển đối tượng phi tuyến

- 1 -

- 2 -
MỞ ĐẦU

Những kỹ thuật điều khiển truyền thống như điều khiển Tích phân tỉ lệ(PI) hay
điều khiển Vi tích phân tỉ lệ(PID) được ứng dụng thành công trong điều khiển
những quá trình tuyến tính. Gần đây, điều khiển tiên đoán mô hình (MPC) cũng
thực hiện thành công trong điều khiển những hệ thống tuyến tính. Tuy nhiên,
khoảng 90% những quá trình sinh học và hoá học là phi tuyến cao và hầu hết chúng
là những hệ MIMO.Khi hệ thống là phi tuyến và/hoặc MIMO, những kỹ thuật
truyền thống trên thường mắc phải sai sót khi điều khiển những hệ thống như thế.
Ngày nay, những hệ thống được dùng trong công nghiệp đòi hỏi độ tự quản cao và
những kỹ thuật trên không có khả năng để đạt được điều này.
Cần phải đạt được những đòi hỏi điều khiển tăng nhanh trong những hệ thống
điều khiển động phức tạp dưới những thay đổi quan trọng đã làm cho việc dùng
những kỹ thuật thông minh như mạng nơron, lôgic mờ và thuật giải di truyền trong
những hệ thống điều khiển trở nên hấp dẫn. Những lý do chính đằng sau điều này
là khả năng của chúng có thể “học” để xấp xỉ hàm và phân loại mẫu và tiềm năng
của chúng trong thực thi phần cứng song song đồ sộ, phương pháp điều khiển thông
minh phỏng theo quá trình xử lý thông tin không rõ ràng và ra quyết định điều
khiển của con người cũng như bắt chước quá trình tiến hoá sinh học để tạo ra giải
pháp tối ưu. Nói cách khác, chúng có khả năng thực thi (cả phần mềm và phần

cứng) nhiều chức năng cần thiết để điều khiển hệ thống với độ tự quản cao.
Sơ đồ hệ thống điều khiển được mô tả như sau:

Hình i. Sơ đồ điều khiển đối tượng phi tuyến Như
vậy, ở đây có hai bộ điều khiển:
• Điều khiển Feedforward : là bộ điều khiển neuro-mờ cung cấp những tín
hiệu điều khiển chính để lái đối tượng phi tuyến theo đúng quỹ đạo setpoint.
Bộ điều khiển này là bộ điều khiển mờ ứng dụng khả năng học của mạng
nơron để tinh chỉnh những thông số của nó.
- 3 -
• Điều khiển Feedback: bù tín hiệu, nó cung cấp những tín hiệu điều khiển
hiệu chỉnh cần thiết để điều chỉnh và loại nhiễu trong những lân cận nhỏ
xung quanh quỹ đạo điều khiển. Bộ điều khiển này cũng là bộ điều khiển
mờ nhưng ứng dụng thuật giải di truyền để tinh chỉnh thông số của nó. Kết
quả mô phỏng cho thấy sơ đồ điều khiển trên đã lái đối tượng phi tuyến đi
xuyên suốt khoảng công tác của nó với độ chính xác cao.
Phần sau đây sẽ đề cập đến đối tượng phi tuyến và những kỹ thuật điều khiển được
thiết lập trong luận văn.
Trong bối cảnh hiện thời, việc sản xuất năng lượng đối mặt với rất nhiều vấn đề
khó khăn. Trong số đó, điều quan trọng nhất là: tuổi thọ của thiết bị chính tại những
tổ hợp năng lượng, đầu tư tài chính không chắc chắn cho những tổ hợp mới, việc
cạnh tranh giữa những nhà sản xuất năng lượng độc lập để thoả mãn đòi hỏi năng
lượng của người dùng và những áp lực để đạt được những yêu cầu quản lý nghiêm
ngặt để sử dụng tối đa nguồn tài nguyên thiên nhiên và tối thiểu ảnh hưởng đến
môi trường.
Việc vận hành của tổ hợp năng lượng nhiên liệu than (NLNLT), loại tổ hợp được
dùng rộng rãi nhất cho việc sản xuất năng lượng, đã bị tác động mạnh. Đầu tiên,
một NLNLT phải hổ trợ mục tiêu chính của hệ thống năng lượng là đáp ứng yêu
cầu tải cho năng lượng điện ở mọi thời điểm, ở điện áp không đổi và tần số không
đổi. Sau đó là việc cạnh tranh giữa tính thiết thực và yêu cầu thị trường khác đã

tăng cường việc dùng NLNLT [Armor 1985]. Cuối cùng, những yêu cầu nghiêm
ngặt trong việc bảo trì và kéo dài tuổi thọ của thiết bị chính và những luật giảm ảnh
hưởng đến môi trường cần phải được tuân thủ. Trong đó:
• Những yêu cầu vận hành chu kỳ của NLNLT trong khoảng tải rộng mặc dù
chúng được thiết kế cho vận hành ở tải không đổi. Những yêu cầu biến đổi
tải có thể đến từ những chiến lược kinh tế được tính toán tại những trung
tâm năng lượng hay từ những dao động tải hệ thống. Vận hành theo tải tin
cậy và hiệu quả sẽ đảm bảo việc thoả mãn hàng ngày, hàng tuần và theo mùa
của yêu cầu năng lượng điện và những thay đổi tải ngẫu nhiên không đoán
trước cho đến những giới hạn vật lý của tổ hợp.
• Việc kéo dài tuổi thọ thiết bị là quan trọng vì nó tối đa việc dùng tài sản, giới
hạn thời gian chết và tối thiểu những chi phí vận hành và bảo trì. Nguyên
nhân chính của vòng đời ngắn của bất kỳ hệ thống nào là vận hành ứng suất
cao. Trong NLNLT, những ứng suất nhiệt phụ thuộc vào những dao động áp
suất và nhiệt độ hơi là đặc biệt quan trọng. Hầu hết ứng suất nghiêm trọng
xảy ra trong suốt quá trình khởi động và những biến đổi tải lớn đột ngột.
• Một NLNLT có hiệu suất trong khoảng 30 đến 35%, nghĩa là tốc độ nhiệt
trong khoảng 11400-9800 Btu/KWh. Tốc độ nhiệt chịu ảnh hưởng bởi nhiều
hệ số, chẳng hạn những điều kiện hơi, áp suất bộ ngưng tụ, nhiệt độ nước
làm mát, nhiệt độ môi trường, khí áp,…Tốc độ nhiệt tăng khi làm việc tại
những tải khác với tải cơ sở. Việc tiêu tốn nhiên liệu và giá cả làm cho việc
cải tiến tốc độ nhiệt như là một tiêu chuẩn về mặc kinh tế.
- 4 -
• Việc trộn không hoàn hảo giữa không khí và nhiên liệu sẽ làm vượt quá
lượng không khí để tránh việc nhiên liệu không được đốt hết, mà sẽ dẫn đến
việc tạo khói đen và khí CO độc cũng như những lượng nhiên liệu dư khá
nguy hiểm. Bên cạnh đó lượng không khí dư sẽ dễ hình thành những chất
không mong muốn khác như sunfua dioxit, nitrogen oxit và làm giãm hiệu
suất boiler do nhiệt bị tiêu phí trong khí nhiên liệu.

Tấ cả những yêu cầu được đề cập ở trên đã dẫn đến việc phát triển những
phương pháp điều khiển linh hoạt và toàn diện hơn. Chúng cũng cung cấp những
chức năng cần thiết cho việc vận hành theo tải diện rộng chất lượng cao và đồng
thời cũng thoả mãn những ràng buộc trong việc bảo quản và kéo dài tuổi thọ của
thiết bị chính, giải phóng chất ô nhiễm và tiêu tốn nhiên liệu dưới những thay đổi
vật lý và những điều kiện kinh tế. Do đó, ngay cả khi theo tải cũng cần xem xét
việc ổn định tần số và điện áp, những hệ thống điều khiển hiệu quả hơn cũng cần
được thiết kế để thoả mãn tối ưu những mục tiêu vận hành, những xung đột tổng
quát để mà NLNLT có thể vận hành thành công dưới bất kỳ tình huống hoạt động
nào.
Bên cạnh đó, dưới những đòi hỏi của thị trường hiện thời, một phương pháp toàn
bộ cho vận hành và điều khiển những tổ hợp năng lượng là rất quan trọng cho sự
tồn tại của bất kỳ hệ thống điện nào. Khi được ứng dụng hoàn hảo, những hệ thống
điều khiển và những thiết bị có thể tăng cường hiệu suất vận hành máy, tính ổn
định và tin cậy cũng như sự sẵn sàng, vì thế làm giảm việc tiêu tốn nhiên liệu, chi
phí vận hành và bảo trì mà hầu như rất tốn kém trong một tổ hợp năng lượng. Vì
vậy, thật cần thiết để phát triển những hệ thống tự động hiệu quả và liên quan mật
thiết đến toàn bộ chiến lược và hệ thống điều khiển của tổ hợp để giữ chúng vận
hành hiệu quả và có lợi.
Cũng cần lưu ý rằng việc sử dụng rất nhiều hệ thống điều khiển và thiết bị dựa
trên máy tính với những dụng cụ kỹ thuật số xử lý thông tin mạnh mẽ và tin cậy
hơn cho phép những nhà thiết kế tập trung nhiều hơn trên việc thực thi những ứng
dụng phần mềm đáp ứng những thử thách được đề cập ở phần trên. Vì tính linh
hoạt của phần mềm, và những chi phí cho việc phát triển và bảo trì có thể dễ dàng
cài đặt vào những phần cứng mà nó chạy trong đó, những nổ lực lớn trong việc
thiết kế và phát triển những hệ thống phần mềm toàn diện và tổng quát để dễ dàng
kết hợp những ứng dụng vận hành tiện lợi( ví dụ, bảo vệ, điều khiển và tự động
hoá) để tăng cường hiệu suất của những tổ hợp năng lượng [Garduno and Sanchez
1995, Garcia and Garduno 1998].
Trong luận văn này tác giả sẽ thiết kế một hệ thống điều khiển toàn bộ. Hệ thống

này sẽ kết hợp giữa các lĩnh vực kỹ thuật điều khiển, kỹ thuật phần mềm và kỹ
thuật quá trình. Trong đó kỹ thuật phần mềm được xem là rất quan trọng để thiết
kế hệ thống điều khiển cho NLNLT



- 5 -
CHƯƠNG I.

TỔNG QUAN

1.1 Giới thiệu về mạng nơron và logic mờ

Vào cuối thập kỷ 80 công ty Addison Wesley Publishing Company đã gây xôn
xao dư luận khi tung ra thị trường Neural Network (Mạng trí tuệ thần kinh) được
ví như là một kỹ xảo kỹ thuật gia công các thông tin mới, nhanh và chính xác.
Chúng là các máy tính bắt chước cách sống giống hệ thống thần kinh, các máy tính
này làm việc khá khác biệt so với các máy tính thông thường. Nơron Network xử
lý nhiều dữ liệu song song tại cùng một thời điểm, không phải là xử lý từng dữ liệu
một. Chúng xử lý rất nhiều dữ liệu đầu vào cùng một lúc, củng cố tăng cường một
vài cái này, thu nhỏ giảm bớt những cái khác. Đa số chúng đều phải làm theo một
khuôn mẫu cho trước. Chúng tìm kiếm mẫu trong hàng loạt các thí dụ, nhận dạng
mẫu, tìm kiếm các mẫu đầy đủ từ nguồn dữ liệu trong hệ thống, hoặc xây dựng lại
mẫu đúng từ cái bị bóp méo. Rất nhiều các ví dụ phải làm với sự am hiểu sáng sưốt
và các dữ liệu khách quan như thị giác, thính giác và các tín hiệu khác. Nhìn chung,
các ví dụ chứng tỏ cách chạy này có nhiều đặc tính của con người hơn là các máy
tính được lập trình sẵn.
Ngày nay, trí tuệ nhân tạo đang phát triển mạnh mẽ nhằm tạo ra cơ sở xây dựng
các hệ chuyên gia, hệ trợ giúp quyết định. Trí tuệ nhân tạo được xây dựng trên cơ
sở mạng nơron nhân tạo và ứng dụng trong thiết kế hệ thống điều khiển thông minh

mà trong đó bộ điều khiển có khả năng tư duy như bộ não của con người đang là
xu hướng mới trong điều khiển tự động. Mạng nơron là sự tái tạo bằng kỹ thuật
những chức năng của hệ thần kinh con người với vô số các nơron được liên kết
truyền thông với nhau trong mạng.
Điều khiển mờ là một phương pháp điều khiển thông minh phỏng theo quá trình xử
lý thông tin không rõ ràng và ra quyết định điều khiển của con người. Phương pháp này
rất thích hợp để điều khiển các đối tượng phức tạp, không xác định được mô hình toán
và các đối tượng phi tuyến. Tuy nhiên, bộ điều khiển mờ thường được thiết kế bởi quan
điểm, cách nhìn riêng của người thiết kế. Người thiết kế biến sự hiểu biết, kinh
nghiệm của mình về quá trình cần điều khiển thành các biến ngôn ngữ và các qui tắc
mờ mô tả mối quan hệ giữa chúng. Do đó công việc thiết kế thường mang nặng tính
“thử sai”, khi gặp các đối tượng phức tạp người thiết kế sẽ mất rất nhiều thời gian mà
kết quả có được có thể sẽ không tối ưu. Vấn đề tự chỉnh bộ điều khiển mờ là một trong
những vấn đề đã được quan tâm nghiên cứu rất nhiều từ khi điều khiển mờ khẳng định
được là một phương pháp hiệu quả để điều khiển các đối tượng phức tạp.
Do đó để giảm đi việc tính toán thủ công và rút ngắn thời gian thiết kế,người ta
kết hợp logic mờ và mạng nơron tạo ra khả năng tự chỉnh cho các tập mờ. Và hệ
thống này được gọi là hệ neuro-mờ.
- 6 -
Hầu hết những quá trình công nghiệp là phi tuyến và biến đổi theo thời gian.
Nhận dạng hệ thống phi tuyến đang trở thành một công cụ quan trọng mà có thể
được dùng để cải tiến quá trình điều khiển và đạt được độ bền vững cao. Có nhiều
kỹ thuật nhận dạng phi tuyến khác nhau,trong đó có nhận dạng bằng mạng nơron
,nhận dạng bằng mô hình mờ và những phương pháp dựa trên mô hình neuro-mờ
đang dần được thiết lập không những trong giáo trình mà cả trong những ứng dụng
công nghiệp. Mô hình neuro-mờ được xem như là một kỹ thuật hộp xám nằm giữa
mạng nơron và mô hình mờ định tính. Những công cụ để xây dựng những mô hình
neuro-mờ dựa trên sự kết hợp những thuật toán từ lĩnh vực mạng nơron,xác nhận
đặc tính và phân tích hồi quy. Phương pháp neuro-mờ cho nhận dạng hệ thống phi
tuyến có ưu điểm là cân bằng giữa sự chính xác của mạng nơron và tính diễn giải

được.

1.2.Tình hình nghiên cứu mạng nơron và logic mờ trên toàn cầu:

Nghiên cứu về mạng Nơron đã được quan tâm từ những năm 40 của thế kỷ 20.
Khoảng những năm 90 Nơron được đặc biệt chú ý bởi khả năng ứng dụng rộng lớn
của nó.
Chương trình nghiên cứu về Nơron tập chung nghiên cứu ở Mỹ (50 tổ chức trong
các viện nghiên cứu và trường đại học,riêng California đã có 15 tổ chức nghiên
cứu). Ở Anh có 20 tổ chức,Đức (7),Nhật (7), Pháp (6), Thụy sỹ(4),Thụy điển (4),Hà
lan (4),Australia (3), Ytalia (3),Canađa (3), Nga(1),Czech
(1),Balan(1),Hungary(1), Hàn quốc (1),Singapor (1),Hong kong (1)v.v…Ơ Mỹ, tại
bang California,Trường Đại học California San diego có Chương trình tính toán và
Hệ thống Nơron của Caltech, Viện tính toán Nơron, Nhóm nghiên cứu khoa học
Máy tính Nhận thức,Trung tâm nghiên cứu Ngôn ngữ,Phòng thí nghiệm Kỹ thuật
Nơron,Trung tâm Sloan Sinh học Nơron Lý thuyết. Đại học California Santa Cruz
có Nhóm Máy Dạy học, Nhóm Sinh học tính toán. Đại học Nam California có
Phòng thí nghiệm Tính toán Nơron. Đại học Stanford có nhóm Lập trình Gen. Ở
Carlsbad có Động lực học Nơron ứng dụng. Ở Moffett Field có Nhóm Kỹ thuật
Nơron NASA.
Bang Massachusetts, có Trung tâm Dạy học Tính toán và Sinh học tại Viện Công
nghệ Massachusetts -MIT,Nhóm tính toán ở khoa Não và khoa học Nhận thức
thuộc MIT,NeuoDyne Ins, Cambridge.
Bang Washington có Phòng Thí nghiệm ứng dụng,Trí tuệ Tính toán thuộc Đại
học Washington,Nhóm Nghiên cứu Nơron tại Phòng thí nghiệm Xử lý Thông tin.
Nhóm nghiên cứu Nơron thuộc Phòng thí nghiệm Pacific Northwest tại
Washington.
Bang Texas có Phòng thí nghiệm Kỹ thuật Nơron R&D thuộc Đại học Texas ở
Austin.Phòng thí nghiệm Tính toán Ứng dụng tại đại học Kỹ thuật Texas.
Bang Pensylvania có Trung tâm Cơ sở Nơron của Nhận thức tại Carnegie

Melon.
- 7 -
Bang Ohio có Phòng Thí nghiệm Hệ thống Nơron Nhân tạo thuộc Đại học Cincinnati.
Bang New Mexico có Nhóm Tính toán Thích nghi thuộc Đại học New Mexico.
Nhóm Tính toán Thích nghi Phi tuyến thuộc Phòng thí nghiệm Quốc gia Los
Alamos.
Bang New Jersey có Nhóm Nghiên cứu Nơron Nhân tạo ở Viện nghiên cứu
NEC,Princeton. Nhóm Nhận thức,Trí tuệ và Tính toán dựa trên DNA,ở Viện
nghiên cứu NEC,Princeton v.v…
Anh: có Trung tâm Mạng Nơron tại trường Hoàng gia London. Trung tâm
Hệ thống Nơron tại Đại học Edinburgh. Nhóm Nghe,Nhìn và Robot Đại học
Cambridge. Nhóm Nghe,Nhìn và Hệ thống Thông minh Đại học
Southhampton.Nhóm Nghiên cứu Trí tuệ Nhân tạo thuộc Đại học Nottingham.
Nhóm nghiên cứu Hệ thống Thông minh, khoa Khoa Học Máy tính thuộc Đại học
London v.v…
Nhật: có Phòng Thí nghiệm Robot và Cơ -Điện tử thuộc Đại học Nagoya. Phòng
thí nghiệm Okabe và Hirose thuộc Đại học Tokyo. Phòng thí nghiệm Sinh-Điện tử
thuộc Đại học Nagoya.Phòng thí nghiệm Nghiên cứu Xử lý Thông tin Người ở
Kyoto v.v…
Đức: có Viện Tin học Nơron ở Đại học Ruhr,Bochum. Nhóm nghiên cứu Mờ và
Tính toán Mềm tại Đại học Braunschweig. Nhóm Nhiên cứu Mờ và Nơron tại Đại
học Công nghệ Damstardt. Nhóm Nhìn- Máy tính và Nhận dạng thuộc Đại học
Bon. Trung tâm nghiên cứu Trí tuệ Nhân tạo Đức DFKI thuộc Kaiserlautern. Nhóm
Nghiên cứu Nơron của GMD FIRST tại Berlin.Viện Logic, Tổ hợp và Hệ thống
Suy diễn tại Đại học Karlsruhe.
Pháp: có Nhóm nghiên cứu Tin-Sinh học Trường Cao cấp,Pari. Nhóm tính toán
Nơron thuộc Phòng Tin học Pari Nord. Nhóm nghiên cứu Nơron ở LEIBNIZ,
Grenoble. Nhóm nghiên cứu Laplace,Mô hình gần đúng trong Robot và Trí tuệ
Nhân tạo ở LEIBNIZ, Grenoble.
Hungary: có Nhóm Xử lý thông tin Nơron thuộc Đại học Eotvos Lorand, Budapest.

1.3.Một số công trình nghiên cứu mạng Nơron đã công bố ở nước ngoài:
Đa số các nhà nghiên cứu các Hệ thống Thông minh chấp nhận rằng : Trí tuệ
Tính toán (Computational Intelligence) do Hội đồng Mạng Nơron Thế giới đưa ra
vào năm 1991 và Tính toán mềm (Soft computing) do Lofti A Zadeh, giáo sư đại
học California Berkeley đua ra năm 1990 là đồng nghĩa và được sử dụng thay thế
lẫn nhau. Trí tuệ Tính toán được chấp nhận là một thuật ngữ để biểu diễn các kỹ
thuật cho việc ra quyết định dựa trên việc xử lý thông tin không chắc chắn. Về cơ
bản, Trí tuệ Tính toán bao gồm Logic Mờ, Mạng Nơron , Thuật giải Di truyền, Lập
luận Xác xuất,các Phương pháp Học, Lý thuyết Hỗn độn, các Hệ chuyên gia. Một
điều quan trọng cần nhấn mạnh là Trí tuệ Nhân tạo không chỉ là một tập hợp các
phương pháp luận cho lập luận dựa trên thông tin không chắc chắn mà là sự liên
kết các phương pháp trong đó mỗi phương pháp đều có lợi thế riêng để tiến tới đạt
mục tiêu chung. Bởi vậy, các thành phần của Trí tuệ Tính toán phải được xem như
- 8 -
các phần bổ xung cho nhau chứ không phải tương đương. Tất cả các kỹ thuật đó
nhằm mục đích đưa ra một dạng “ Máy Thông minh “nào đó mà nó có thể bắt
chước sự sưy nghĩ của con người trong việc ra quyết định. Động cơ chủ yếu cho
việc sử dụng Trí tuệ Tính toán là khai thác khả năng xử lý thông tin không chính
xác, không chắc chắn, chỉ đúng một phần và kết quả đạt được là tính dễ áp dụng,sự
năng động và các giải pháp chi phí thấp cho các vấn đề phức tạp. Đây cũng là mục
tiêu do giáo sư Lofti A Zadeh , Đại học California Berkeley (người sáng tạo Lý
thuyết Tập Mờ 1965) đưa ra vào đầu những năm 1990 đối với sự phát triển của các
Hệ Thông minh.
Hai dạng của Mạng Nơron thường được sử dụng trong Kỹ thuật Robot là Mạng
Hopfield và Mạng Perceptron nhiều lớp do Hopfied đa ra 1982, Kohonen 1984,
Rumelhart 1986. Những mạng khác bao gồm Mạng Cạnh tranh & Hợp tác do
Amari &Arbib nghiên cứu năm 1977 và Mạng Thưởng phạt do
A.G.Barto&C.W.Anderson 1983.
Hệ thống Robot bao gồm 3 hệ thống phụ là : Hệ thống truyền động, Hệ thống

Nhận dạng và Hệ thống Điều khiển. Những vấn đề chính của Điều khiển Robot
bao gồm Động học, Động lực học, Lập kế hoạch đường đi (Thiết lập quĩ đạo ),
Điều khiển, Cảm biến, Lập trình và Trí tuệ (Thông minh).
Mạng Nơron có thể giảm tổ hợp tính toán và giải những bài toán robot được đưa
ra “yếu”. Lời giải giải tích của động học ngược làm chính xác kết quả số, trong khi
lời giải Mạng Nơron nói chung không làm chính xác.Công việc phát triển Động
học ngược Nơron được T.Iberall phát triển năm 1987, A.Guez năm1988.
Trong Động lực học Robot Nơron , M.Kawato,Furukawa,Sưzuki phát triển năm 1987.
Y.Uno &M.Isobe 1988. S.G.Tzafestas1986,
M.Kawato,Y.Maeda,Y.Uno &Sưzuki 1990.
Mạng Nơron sử dụng nhằm thiết lập quĩ đạo được K.Tsưtsưmi 1988, H.liu1988, R.Ecmiller
1987.
Bài toán lập quĩ đạo tránh vật cản sử dụng Mạng Hopfield được H.matsưmoto&
K.Tsưtsưmi phát triển.
Trường hợp Robot Di động, Thiết lập quĩ đạo với Mạng Nơron được nghiên cứu
bởi V.Seshadri1988.Ở đây Mạng Nơron cố gắng cực tiểu hoá độ dài đường đi.
Nick Vallidis đã nghiên cứu điều khiển Hexapod di động bằng mạng Nơron , 2000.
L.M.Reyneri, M.Chiaberge Khoa điện tử, Đại học Bách khoa Torino- Italy nghiên
cứu phần cứng-Mạng Mờ-Nơron điều khiển Hexapod Di động, 1993-2000.
Điều khiển Robot bằng Mạng Nơron được gọi là Điều khiển khớp bằng mô hình
tiểu não CMAC do Albus 1975 –1979. Giáo s F.L.Lewis,Viện nghiên cứu Robot
và Tự động hoá, Đại học Texas –Arlington USA đã ứng dụng CMAC để điều khiển
hệ động lực phi tuyến, 1997.
Nhận dạng hệ động lực phi tuyến sử dụng mạng Nơron được
S.J.Jagannathan, Liên hợp Phân tích Tự động hoá, USA nghiên cứu năm 1996.
Y.Pao&D.Sobasic 1987 thực hiện hệ thống điều khiển vị trí robot hai bậc tự do sử
dụng Mạng Nơron Perceptron.
- 9 -
A.Guez sử dụng mô hình thích nghi (MRAC). W.T. Miler sử dụng kỹ thuật
CMAC trong liên kết với phương pháp điều khiển mô men. R.Elsley thực hiện

điều khiển Jacobi ngược,sử dụng Mạng Perceptron nhiều lớp.
Mạng Nơron Được sử dụng trong cảm biến và điều khiển Robot nhiều lớp, liên tục
bởi R.Esley, &Y.Pati 1988.
Điều khiển thích nghi hệ động lực học phi tuyến sử dụng mạng Nơron được giáo
sư A.M.Annaswamy, Phòng thí nghiệm Điều khiển thích nghi - Khoa Chế tạo Máy
– Viện Công nghệ Massachusetts –MIT nghiên cứu, 1997.
Ứng dụng Mạng Nơron điều khiển ngược theo vết được giáo sư K. S. Narendra, Trung
tâm Khoa học Hệ thống, Đại học Yale,USA nghiên cứu, 1999.
Giáo sư Vukobratovic, Trung tâm Robot, Viện Mikhailo Pupin, Nam tư (cũ ),
phó chủ tịch Viện Hàn lâm Khoa học, đã nghiên cứu phân loại mô hình động lực
học môi trường trên cơ sở Nơron để điều khiển robot,1998.
Bộ điều khiển Mờ-Nơron để dẫn huớng Robot Di động và hộ tống đội robot
được giáo sư M.M.Trivedi Khoa Kỹ thuật Điện và Máy tính, Đại học California
San Diego,USA nghiên cứu,1998.
Giáo sư, Viện sĩ, Vámos Tibor, nguyên Viện trưởng Viện Tin học và Tự động
hoá- Hungary, - nguyên chủ tịch Hội Máy tính Neyman János (Von Neyman),
nguyên chủ tịch Hội Điều khiển Tự động Quốc tế IFAC đã nghiên cứu kỹ thuật
Nhận dạng –Trí tuệ Nhân tạo cho robot.
Giáo sư,Viện sĩ Hyungsưck Cho, Khoa Chế tạo máy,Viện Khoa học &Công nghệ
Cao cấp Hàn quốc- KAIST, Hãng Thép và Kim loại Pohang-POSCO, Viện trưởng
Viện Điều khiển,Tự động hoá và Kỹ thuật Hệ thống, đã nghiên cứu điều khiển và
cảm biến nano cho robot,2001.
Giáo sư T.Fukuda, Khoa Kỹ thuật Vi Hệ thống,Trung tâm Hợp tác Khoa học
&Công nghệ Cấp cao, Đại học Nagoya- Nhật bản, nguyên Chủ tịch Hội Robot và
Tự động hóa Quốc tế, Chủ tịch Hội đồng Công nghệ Nano Quốc tế, đã nghiên cứu
Mạng Mờ-Nơron -Thuật giải AND để điều khiển robot, 2000. Công nghệ Nano
đang mở ra những triển vọng to lớn. Việc chế tạo ra những robot nhỏ cỡ Nano 10-
9mm đòi hỏi những nghiên cứu mới về cơ sở lý thuyết cũng như công nghệ. Giáo
sư Toshio Fukuda, đặc biệt nhấn mạnh tầm quan trọng của Robot Micro-Nano
trong Kỹ thuật Robot và Tự động hoá tương lai.

Giáo sư,Viện sĩ G.M.Edelman,giải thưởng Nobel, Viện trưởng Viện Khoa học
Nơron - USA,Chủ tịch Hội nghiên cứu Khoa học Nơron Quốc tế, đã mô phỏng
Nơron hệ thống Nghe-Nhìn của loài chim để điều khiển robot,1999. Giáo sư đã
khẳng định, việc nghiên cứu này đặc biệt quan trọng dưới ánh sáng của lý thuyết
Não Hiện đại, nhấn mạnh tầm quan trọng của môi trường và thực nghiệm Motor-
Cảm biến Nơron. Sự hiểu biết những nguyên tắc cơ bản của não sẽ có ảnh hưởng
mạnh mẽ đến thiết kế Hệ thống Nhân tạo hoạt động trong thế giới thực.Chúng ta
tin tưởng rằng những nghiên cứu mô hình Nơron tổng hợp sẽ tham gia một cách
có ý nghĩa bởi sự thiết lập mối liên hệ trực tiếp giữa khoa học Tự nhiên và Khoa
học Kỹ thuật, đưa ra tư tưởng mới trong lĩnh vực Robot và Trí tuệ Nhân tạo.
- 10 -

1.4.Một số công trình nghiên cứu mạng Nơron đã công bố ở trong nước:

Ở Việt nam bắt đầu nghiên cứu Nơron từ năm 1992 tại Viện Cơ học và Viện Tin học
trong khuôn khổ đề tài cấp Nhà nuớc KC-02 Điều khiển thời gian thực.
Hiện nay một số cơ sở đang nghiên cứu như Trung tâm Tự động hoá-Viện tin
học, Khoa Công nghệ Thông tin - ĐHBK.HN, Bộ môn Điều khiển Tự động
ĐHBK.HN, Học viện Bưu chính Viễn thông, Khoa Công nghệ Thông tin
ĐHBK.HCM,Đại học Giao thông Vận tải, Viện Vật lý, Viện toán học,
VietcomBank, Viện Năng lượng Nguyên tử, Học viện Kỹ thuật Quân sự, Đại học
Quốc gia - HCM. Công tác đào tạo được triển khai, đã có những luận án Tiến sĩ
(2), Thạc sĩ và buớc đầu được giảng dạy cho sinh viên. Tuy nhiên những nghiên
cứu thường rải rác,chưa tập trung thành những nhóm nghiên cứu mạnh để có thể
bước đầu đưa vào ứng dụng và có thể hợp tác với các tổ chức quốc tế.

1.5 Tổng quan về tình hình nghiên cứu tổ hợp năng lượng nhiên liệu than

Một NLNLT cung cấp năng lượng điện là kết quả của những quá trình chuyển
đổi năng lượng. Cụ thể, những chuyển đổi chính là sự đốt cháy nhiên liệu đầu vào,

tạo hơi, phát triển chuyển động quay, sản xuất năng lượng điện và ngưng tụ hơi.
Tất cả những chuyển đổi này tạo thành một chu trình nhiệt động lực học lớn và phụ
thuộc lẫn nhau cao độ.
Những chiến lược điều khiển hiện thời cho phép tạo ra năng lượng cần thiết để
thoả mãn yêu cầu tải trong khi duy trì sự cân bằng giữa những quá trình chuyển đổi
trong tổ hợp. Chủ yếu, chúng gắn kết ngõ ra năng lượng lưu lượng hơi của boiler
với năng lượng được yêu cầu bởi tuabin-máy phát để đạt được tải điện ở mọi thời
điểm. Sơ đồ điều khiển tổ hợp cấu thành lớp cao nhất của hệ thống điều khiển và
nó chịu trách nhiệm cho việc điều khiển boiler-tuabin-máy phát như một đối tượng
đơn. Đặc tính nổi bật của tổ hợp được quản lý thông qua những vòng điều khiển
năng lượng và áp suất. Việc phát triển từ những cấu hình vòng điều khiển SISO
dựa trên thuật toán điều khiển PID, những chiến lược này có thể phân loại thành ba
lớp: điều khiển theo boiler, điều khiển theo tuabin và điều khiển boiler-tuabin.
Sơ đồ theo boiler được dùng đầu tiên . Trong sơ đồ này, boiler sẽ chờ đợi hành
động của tuabin để sản xuất năng lượng. Những van điều khiển tuabin điều chỉnh
lưu lượng hơi vào trong tuabin với đối số là công suất yêu cầu. Sau đó, điều khiển
boiler tương ứng với những thay đổi trong lưu lượng hơi và áp suất. Sai lệch áp
suất tiết lưu so với setpoint được dùng bởi điều khiển quá trình đốt nhiên liệu để
điều chỉnh lượng nhiên liệu và không khí vào trong buồng đốt, và việc tạo hơi được
hiệu chỉnh theo yêu cầu của tuabin. Thuận lợi của phương pháp này là đáp ứng
nhanh với thay đổi tải: tuabin là một dụng cụ hoạt động nhanh có thể đáp ứng rất
nhanh với những yêu cầu tải sử dụng năng lượng nhiệt được lưu trữ trong boiler.
- 11 -
Điều bất lợi là phương pháp này thể hiện việc điều khiển áp suất tiết lưu ít ổn định
vì boiler có xu hướng vượt quá vì nó đòi hỏi thời gian để hoà hợp với tuabin.
Sơ đồ điều khiển theo tuabin được dùng trong những năm 60-70. Trong sơ đồ
này, tuabin sẽ theo những hoạt động của boiler. Yêu cầu công suất được dùng bởi
điều khiển đốt tại boiler để điều chỉnh lượng nhiên liệu và không khí vào trong
buồng đốt để điều chỉnh việc sản xuất hơi. Sau đó điều khiển tuabin đáp ứng bằng
cách hiệu chỉnh những van tiết lưu để giữ áp suất tại setpoint. Tuabin chịu trách

nhiệm hoàn toàn trong việc điều khiển áp suất tiết lưu. Thuận lợi của phương pháp
này là đáp ứng rất ổn định với những thay đổi tải với sự dao động áp suất hơi và
nhiệt độ tối thiểu, vì những thay đổi tải phụ thuộc vào hoạt động của boiler là thiết
bị chậm hơn so với tuabin. Bất lợi chính của phương pháp là không sử dụng khả
năng lưu trữ năng lượng của boiler, vì thế tạo ra đáp ứng chậm hơn.
Được sử dùng nhiều nhất trong thập kỷ 50 là sơ đồ điều khiển phù
hợp(coordinated control (CC)). Trong sơ đồ này, công suất được đưa đồng thời đến
boiler và tuabin. Phụ thuộc vào các cặp biến được điều khiển và điều khiển, có hai
sơ đồ cho CC: sơ đồ theo boiler và sơ đồ theo tuabin [Landis and Wulfsohn 1988].
Với sơ đồ thứ nhất, bộ điều khiển tải tạo lệnh cho van tiết lưu hơi từ yêu cầu tải tổ
hợp và công suất tạo ra, bộ điều khiển áp suất tạo lệnh cho cho van nhiên liệu/không
khí từ áp suất tiết lưu đo được và setpoint áp suất mà sẽ có được từ yêu cầu tải tổ
hợp thông qua ánh xạ phi tuyến (hình 1.1). Trong sơ đồ thứ hai, bộ điều khiển tải
tạo lệnh cho những van nhiên liệu/không khí từ yêu cầu tải tổ hợp và công suất tạo
ra. Lệnh đến van tiết lưu được tính toán từ áp suất hơi tiết lưu đo được và setpoint
áp suất mà sẽ có được từ yêu cầu tải tổ hợp thông qua ánh xạ phi tuyến (hình 1.2).
Những chiến lược điều khiển phù hợp sẽ kết hợp những thuận lợi của hai chiến
lược trên và tối thiểu những bất lợi cuả chúng, nghĩa là , chúng cố gắng giữ đặc
tính đáp ứng ổn định của sơ đồ theo tuabin và đặc tính đáp ứng nhanh của sơ đồ
theo boiler. Để đạt được đáp ứng nhanh,tuabin-máy phát được phép sử dụng năng
lượng được lưu trữ trong boiler. Để đạt được ổn định, điều khiển boiler hiệu chỉnh
tốc độ đánh lửa theo tải yêu cầu, trong khi giữ cho tuabin không vượt quá năng
lượng được cung cấp bởi boiler. Đáp ứng tổ hợp ở CC phải nhanh hơn sơ đồ theo
tuabin nhưng không nhanh bằng sơ đồ theo boiler. Những ưu điểm khác của
phương pháp điều khiển phù hợp là khả năng dễ dàng thực hiện giảm tải và biến
đổi áp suất với điều khiển tải chính xác.
Từ quan điểm thực tế, người ta mong muốn có một cấu trúc tổng quát cho điều
khiển phù hợp mà có thể cấu hình lại với bất kỳ sơ đồ hoạt vận hành nào, hoặc có
thể được điều chỉnh để thể hiện bất kỳ ứng xử nào giữa các sơ đồ điều khiển. Những
cấu trúc này chứa những cấu hình nhiều vòng lặp phân tán của những bộ điều khiển

SISO dùng những thuật toán cổ điển PI hay PID. Những sơ đồ này đối mặt với
những thách thức nghiêm trọng bởi những yêu cầu vận hành theo tải diện rộng.
Trong những điều kiện này, hiệu suất có thể giảm do những biến đổi phi tuyến lớn
và những hiệu ứng kết hợp của những quá trình động. Người ta đã dùng những bộ
bù để tăng cường sơ đồ điều khiển phù hợp nhiều vòng lặp bằng cách giảm những
hiệu ứng tương tác giữa các vòng điều khiển. Rất nhiều nghiên cứu đã được thực
- 12 -
hiện trong nhiều thập kỷ qua nhưng hầu hết các kết quả đều là những sản phẩm
riêng của những nhà phát triển và không có một phương pháp được chấp nhận rộng
rãi hay tổng quát để thực thi chúng, vì thế cần thiết những phương pháp thiết kế
mang tính hệ thống và tổng quát hơn. Điểm cốt yếu là việc thiết kế bộ bù tương tác
dựa trên mô hình toán học là gần như không thể thực hiện và trở nên quá phức tạp
sẽ loại bỏ ứng dụng của nó.

Hình 1.1. Sơ đồ điều khiển theo boiler



Hình 1.2. Sơ đồ điều khiển theo tuabin

1.5.1. Những hệ thống điều khiển tiên tiến

- 13 -
Mặc dù không có định nghĩa chung cho điều khiển tiên tiến, nhiều phương pháp đã
dùng những mô hình toán học của quá trình, hoặc là ở quá trình thiết kế hay trong
suốt quá trình vận hành, hiện thời được gọi là tiên tiến. Hầu hết sự chú ý tập trung
vào chỉ số hiệu suất toàn phương. Ứng dụng thực tế của kỹ thuật này cho điều khiển
toàn bộ bị giới hạn bởi tính phức tạp của việc thực thi, dễ bị ảnh hưởng bởi sự
không chắc chắn của mô hình, cần phải reset lại hoạt động của các bộ điều khiển,
và việc dùng những kỹ thuật điều khiển tuyến tính trong những hệ thống phi tuyến

cao độ. Mặc dù không phải là một chiến lược điều khiển tổ hợp toàn bộ, ứng dụng
liên quan nhất của những kỹ thuật điều khiển tối ưu nhiều biến mà [Nakamura và
Uchida 1989] đã đưa vào vận hành một bộ điều chỉnh toàn phương tuyến tính cho
những nhiệt độ hơi trong boiler của một tổ máy 500MW tại Kyushu Electric
Company, Japan, 1978. Bước đột phá này, trong đó những sơ đồ điều khiển nhiệt
độ, gồm những kỹ thuật khác như nhận dạng và dự đoán không gian trạng thái, lập
trình toán học phi tuyến, điều khiển thích nghi tham khảo mô hình và tối ưu đã trở
thành chuẩn cho những tổ hợp năng lượng than của người Nhật trong suốt 25 năm
qua, cho phép họ vận hành với những mức cao nhất của hiệu suất nhiệt.
Người ta cũng thực hiện nhiều nghiên cứu để áp dụng những phương pháp tách
riêng ra(decoupling) để làm giảm hay loại bỏ những ảnh hưởng tương tác giữa các
vòng điều khiển. Trong sơ đồ điều khiển tổ hợp theo boiler dùng bộ bù dựa trên
hồi tiếp trạng thái để giảm ảnh hưởng tương tác của hệ thống cho tổ hợp 150 MW
ở Ontario Hydro, Canada. Bộ bù tạo ra những tín hiệu bù cho bốn ngõ vào điều
khiển chính là tổng của những tín hiệu điều khiển chính và vectơ trạng thái quá
trình sử dụng những ma trận độ lợi hằng số, được tính từ mô hình tuyến tính không
gian trạng thái bậc 9 của máy. Vectơ trạng thái được dự đoán dùng bộ lọc Kalman.
Những kết quả mô phỏng cho thấy tải có khả năng vận hành trong khoảng 75% đến
100% khoảng vận hành tải với lỗi biến quá trình và ảnh hưởng tương tác giảm.
Không có chi tiết về số lượng mô hình tuyến tính được dùng trong khoảng tải cũng
như những ma trận độ lợi trong khoảng đó. Những bộ điều khiển tách rời dựa trên
mô hình bậc 12 được thực thi trong máy thực. So với điều khiển truyền thống, sơ
đồ tách riêng xấp xỉ làm cho lỗi điều khiển giảm, tăng độ ổn định tải thấp, hiệu
chỉnh thông số đơn giản và không nhạy với những biến đổi máy. Khó khăn chính
với phương pháp tách riêng là thiết kế bộ bù tách riêng. Thiết kế bộ bù động là quá
nặng nề và sự phức tạp ngăn cản ứng dụng của chúng.
Về nguyên tắc, điều khiển thích nghi dường như rất phù hợp cho điều khiển toàn
bộ nhà máy điện. Khả năng của hệ thống điều khiển liên quan với những thay đổi
động của quá trình rất hấp dẫn cho vận hành diện rộng. Trong [Marc, et al. 1980]
ảnh hưởng của nhiễu và biến đổi thông số trong thiết kế một bộ điều khiển thích

nghi cho máy phát hơi 250 MW được xem xét. Trong [Mabius, et al. 1980] một cơ
cấu thích nghi tham khảo mô hình được đề nghị để cung cấp những tín hiệu điều
khiển tăng cường cộng vào những tín hiệu điều khiển của điều khiển vòng mở. Giả
sử vận hành xung quanh một điểm vận hành cố định, lý thuyết điều khiển tuyến
tính được dùng để thiết kế bộ điều khiển, những thông số luật điều khiển được điều
chỉnh dùng sơ đồ dựa trên Lyapunov để bảo đảm sự ổn định của vòng kín. Không
- 14 -
may, chỉ có thiết kế được thể hiện mà không có kết quả về hiệu suất hệ thống điều
khiển.
Những phuơng pháp điều khiển bền vững cũng được đề nghị cho điều khiển tổ
hợp. Trong [Weng and Ray 1997] một chiến lược điều khiển truyền thẳnghồi tiếp
được đề xuất cho điều khiển theo tải bền vững diện rộng. Điều khiển truyền thẳng
tối ưu những ngõ vào điều khiển, nhận những ràng buộc của chúng, dọc theo
khoảng vận hành diện rộng và điều khiển hồi tiếp được dùng để khắc phục những
bất định mô hình máy và nhiễu ngoại sinh đảm bảo ổn định và hiệu suất bền vững.
Điều khiển truyền thẳng giải quyết bài toán lập trình phi tuyến cho hàm tối ưu và
những ràng buộc dọc theo đặc tính tải đã cho. Điều khiển hồi tiếp được thiết kế
dùng kỹ thuật H . Phương pháp này thoả mãn yêu cầu hiệu suất trong khoảng 40-
100% khoảng tải và loại bỏ tốt nhiễu biết trước. Một vài nhược điểm là những yêu
cầu tính toán quá nhiều, cùng với thông tin đáp ứng tần số và mô hình tuyến tính
của máy.
Mặc dù có tiến bộ lớn trong lý thuyết hệ thống điều khiển, những thực thi những
sơ đồ tiên tiến cho NLNLT vẫn còn hiếm. Do những sơ đồ đề xuất không thể hiện
tốt dưới những yêu cầu thế giới thực chẳng hạn hiệu suất thời gian thực, khoảng
vận hành diện rộng, động quá trình phức tạp và nhiều chiều hay những điều kiện
giả sử hiếm khi xảy ra trong thực tế là nhiễu Gauss, thông số quá trình hằng số, đo
đúng và chính xác, động quá trình được biết. Có lẽ, bất lợi chính của hầu hết những
phương pháp tiên tiến này là yêu cầu những mô hình toán học chính xác cho thiết
kế và vận hành. Bậc và độ phức tạp cao của của tổ hợp năng lượng đã ngăn cản
việc thực thi những sơ đồ điều khiển tập trung dựa trên mô hình toán học. Nói cách

khác, tính huống này đã thúc đẩy sự tồn tại lâu dài của những cấu hình nhiều vòng
dựa trên những thuật toán điều khiển PID truyền thống.

1.5.2 Những phương pháp lai thông minh

Vẫn có một phương pháp thứ ba áp dụng những kỹ thuật thông minh nhân tạo
nổi bật gần đây hay sự pha trộn của chúng với điều khiển tiên tiến và truyền thống,
trong một nổ lực liên quan đến những phức tạp mà không được giải quyết thoả mãn
bởi những kỹ thuật được đề cập ở phần trên.
Trong [Mamdani 1974, Mamdani and Assilian 1975], một bộ điều khiển dựa trên
lý thuyết tập mờ [Zadeh 1965, Zadeh 1968, Zadeh 1973] được giới thiệu lần đầu
tiên. Giải thuật mờ mô phỏng quá trình lập luận của con người, được dùng để điều
khiển máy hơi nước trong phòng thí nghiệm. Áp suất hơi và tốc độ rotor được điều
chỉnh bằng cách thao tác ngõ vào nhiệt boiler và độ mở tiết lưu máy theo một tập
những luật ngôn ngữ. Thực nghiệm chỉ ra rằng những kết quả tương tự hay tốt hơn
so với những bộ điều khiển cổ điển. Công việc này minh hoạ tính khả thi trong việc
xây dựng những giải thuật xác định thời gian thực hiệu quả, mở đầu một lĩnh vực
mới trong kỹ thuật điều khiển.
Trong [Ray and Majumder 1985] lý thuết tách rời phi tuyến và lôgic mờ được
dùng để điều chỉnh áp suất bao hơi và mức nước bao hơi trong một tổ hợp 200MW
- 15 -
ở những điều kiện vận hành khác nhau. Đầu tiên, một luật điều khiển tách rời được
thiết kế cho mô hình máy phi tuyến bậc ba với giả sử rằng thông số hệ thống được
biết chính xác và là những hệ con SISO không tương tác. Sau đó, những bộ điều
khiển lôgic mờ được dùng cho điều khiển vòng kín trong mỗi hệ con. Hiệu suất tốt
của sơ đồ điều khiển đạt được khi tính với nhiễu trạng thái, biến đổi thông số ngẫu
nhiên và từng phần, thay đổi setpoint, nhạy thông số,tách rời không hoàn hảo và
thiếu tách rời.
Trong [Marcelle, et al. 1994] một sơ đồ điều khiển kết hợp logic mờ và điều
khiển tối ưu cho vận hành chu trình của những tuabin hơi lớn được thể hiện. Ứng

suất tua bin tổng và lỗi tải được tối thiểu bằng cách gắn kết điều khiển van điều
chỉnh tuabin và áp suất hơi boiler. Một hệ thống mờ ưu tiên những đối tượng hiệu
suất và cung cấp những trọng số trong hàm gía trị mà được dùng bởi bộ điều khiển
tối ưu. Sau đó, một thuật toán điều khiển dự đoán mô hình được dùng để tính van
tối ưu và những giá trị setpoint áp suất để cân bằng giữa theo tải tốt và tối thiểu
ứng suất. Hiệu suất tốt hơn khi so sánh với bộ điều khiển áp suất biến đổi và áp
suất hằng số và cũng với một bộ điều khiển dự đoán mô hình với những độ lợi cố
định và thời gian dự đoán cố định.
Trong [Dimeo and Lee 1995] giải thuật di truyền được dùng để tinh chỉnh tối ưu
sơ đồ điều khiển kết hợp dựa trên PI và bộ điều khiển hồi tiếp trạng thái cho một tổ
hợp phi tuyến bậc ba. Đối tượng điều khiển là theo đáp ứng bước ở ngõ ra áp suất
và công suất. Trong khi nững ứng dụng khả thi của giải thuật di truyền là cơ cấu
tinh chỉnh hoàn hảo, vẫn có một vài sai xót trong những cấu trúc điều khiển được đề
xuất. Vị trí của những độ lợi kết hợp chéo trong sơ đồ điều khiển kết hợp dựa trên
PI là không thuận tiện, vì nó tạo ra đáp ứng dao động và sơ đồ điều khiển tối ưu giả
sử rằng tất cả các biến trạng thái sẵn sàng cho mô phỏng.
Trong [Tevera 1995] một sơ đồ tổ hợp có thể cấu hình lại có thể chuyển giữa
những chiến lược điều khiển khác nhau( ví dụ, theo boiler, theo tuabin và điều
khiển hoà hợp). Cấu hình lại hệ thống được thực hiện trực tuyến bởi bốn hệ chuyên
gia làm việc cùng nhau tại mức giám sát. Hệ đầu tiên nhận định trạng thái vận hành
và những yêu cầu cho tổ hợp. Hệ thứ hai tính toán hiệu suất của sơ đồ điều khiển
khi vận hành. Hệ thứ ba tính toán hiệu suất của những sơ đồ khác dưới những điều
kiện hiện thời. Cuối cùng, hệ thứ tư sơ đồ nào là tiện lợi nhất và chuyển sơ đồ nếu
được phép của người vận hành. Điều khiển được thực hiện thành công trong một
hệ thống phát triển và tính toán phần mềm điều khiển dùng mô hình tổ hợp toàn
bộ.
Trong [Garduno and Lee 1997], một sơ đồ điều khiển thứ tự hai mức cho vận
hành diện rộng NLNLT được thể hiện. Tại mức giám sát một bộ quản lý tham chiếu
mờ tạo những quỹ đạo setpoint theo chính sách vận hành áp suất biến đổi để điều
khiển tải theo bất kỳ đặc tính nào.Tại mức điều khiển, thực thi chiến lược truyền

thẳng-hồi tiếp. Điều khiển truyền thẳng gồm một tập những hệ suy luận mờ MISO
được thiết kế từ dữ liệu vào ra trạng thái xác lập. Đường hồi tiếp gồm những bộ
điều khiển PID với cấu hình nhiều vòng. Với chiến lược này, đường truyền thẳng
cung cấp hầu hết tín hiệu điều khiển cho vận hành diện rộng, giàm bớt những nổ
- 16 -
lực điều khiển của những bộ điều khiển PID. Đường hồi tiếp cung cấp tín hiệu điều
khiển bù để điều chỉnh và loại nhiễu trong những lân cận nhỏ quanh những quỹ đạo
lệnh. Những kết quả mô phỏng cho thấy tính khả thi của sơ đồ điều khiển để đạt
được vận hành theo tải chu kỳ.
Những nghiên cứu lớn được thực hiện ở Nhật để phát triển những sơ đồ lai để
đạt được cải tiến kỹ thuật trong vận hành máy điện[Matsuoka, et al.1993]. Sau
những thực thi thành công của điều khiển tối ưu nhiều biến trong suốt hơn hai mươi
năm qua, người Nhật đang tạo ra bước đột phá kỹ thuật thứ hai trong điều khiển
máy điện thông qua việc thực thi những sơ đồ lai dựa trên những giải thuật và
những hệ neuro-mờ. Những cách giải hoàn tất được tìm kiếm để giải quyết những
vấn đề sau:1) những quá trình lớn hơn và phức tạp hơn gồm mô hình toán học của
chúng, 2)độ phi tuyến mạnh hơn, kết hợp và tương tác biến đổi theo thời gian giữa
những hệ con và 3)thoả mãn những yêu cầu chặt chẽ trong ổn định và tối ưu hệ
thống.
Ở Mỹ Intelligent Control Systems Initiative, được thành lập với sự liên kết giữa
Electric Power Research Institute (EPRI) và National Science Foundation (NSF)
năm 1993 gồm hai mươi mốt dự án nghiên cứu để tìm những ứng dụng có giá trị
và sáng kiến mới và thiết lập lý thuyết nền tảng và những chương trình tin cậy cho
việc thiết kế và phát triển những hệ thống thông minh và thích nghi. Một vài
phương pháp điều khiển thông minh được đầu tư là:1) lập kế hoạch giám sát off-
line và on-line bằng lập luận tự động hay học từ những ví dụ của con người, 2) mô
hình định tính dùng những hệ chuyên gia và lôgic mờ và 3)trí tuệ nhân tạo và học
máy dùng những phương pháp mạng nơron, giải thuật di truyền, tiến hoá và học
cưỡng bức, đôi khi kết hợp với những kỹ thuật tối ưu toán học.

1.5.3. Phát biểu vấn đề

Luận văn này sẽ trình bày ý tưởng cho việc phát triển những hệ thống điều khiển
thông minh cho đối tượng phi tuyến mà cụ thể là tổ hợp năng lượng, nghĩa là phát
triển những hệ thống quản lý năng lượng nhân tạo được thiết kế điều khiển thông
minh bởi hệ thống máy tính giống như bộ não con người. Những những yêu cầu
chính cho hệ thống điều khiển là:
• Thiết kế mở cung cấp những yêu cầu chức năng và vận hành để đạt được độ linh
hoạt, cho ứng dụng trong môi trường thị trường biến đổi cao.
• Vận hành người dùng cuối đơn giản và hiệu suất cao, liên kết với tự động hoá và
kỹ thuật điều khiển.
• Kiến trúc hệ thống có cấu trúc, điều này sẽ dẫn đến việc phát triển phần mềm
điều khiển và tự động hoá tương ứng.

Từ những kết quả đạt được, có thể thấy rằng những chiến lược điều khiển phù hợp
cấu thành mức điều khiển cao nhất trong NLNLT hiện thời và chúng cũng chịu
trách nhiệm cho việc điều khiển boiler-tuabin-máy phát như một đối tượng đơn.
- 17 -
Kế đến, NLNLT là một quá trình phức tạp, chịu nhiều thay đổi điều kiện vận hành
mà sẽ thể hiện như một hệ thống thông minh mà với nó khái niệm điều khiển tích
hợp tiên tiến là cần thiết.
Việc phát triển kỹ thuật khi thiết kế hệ thống điều khiển tổ hợp năng lượng để
hổ trợ và làm cho dễ dàng hơn việc thực thi những hệ thống điều khiển năng lượng
phân tán và thứ bậc lớn và để tích hợp những kỹ thuật thông minh nhân tạo liên kết
tính hệ thống với sự phức tạp của quá trình và những yêu cầu vận hành của nó.
Trong luận văn này sẽ thiết lập một sơ đồ điều khiển tổng quát gọi là hệ thống điều
khiển phù hợp thông minh ứng dụng những kỹ thuật thông minh nhân tạo là mạng
nơron, logíc mờ và thuật giải di truyền để đưa đối tượng được điều khiển vào đúng
quỹ đạo của nó với những yêu cầu vận hành khác nhau. Để làm được điều này, hệ
thống điều khiển trên tích hợp những chức năng học máy, quan sát ứng xử, cơ cấu

thích nghi, tạo lệnh và tính toán điều khiển, tất cả chúng đều cần thiết cho những
đặc tính vận hành tự quản hiệu quả và linh hoạt.

1.5.4 Đối tượng và phạm vi

Đối tượng chính của đề tài nghiên cứu này là tăng cường mức điều khiển tự động
những máy năng lượng thông qua việc mở rộng khái niệm điều khiển phù hợp cho
NLNLT và tính hiện thực của nó qua những kỹ thuật thông minh nhân tạo.
Phạm vi của đề tài sẽ tập trung vào những điểm sau:
• Tất cả những nghiên cứu và phát triển trong đề tài này sẽ tập trung ở tổ hợp
máy điện nhiên liệu than loại bao hơi truyền thống(NLNLT), vì chúng thể
hiện kỹ thuật được dùng nhiều nhất để tạo năng lượng điện và cấu thành
cách chính để điều chỉnh những thông số quan trọng nhất (công suất, tần số
và điện áp) ảnh hưởng đến chất lượng năng lượng điện trong những hệ thống
năng lượng liên kết.
• Chỉ những điều kiện động bình thường cùa NLNLT được xem xét. Đề tài
tập trung trong hệ thống điều khiển cần thiết cho trạng thái vận hành bình
thường mà chiếm đến 99% thời gian vận hành. Không nổ lực nào liên quan
đến báo động, khẩn cấp, quá mức, hồi phục trạng thái. Cần lưu ý rằng trạng
thái bình thường không phải là trạng thái xác lập vì trong thực tế nhà máy
điện không bao giờ vận hành ở trạng thái xác lập.
• Thiết kế hệ thống điều khiển sẽ bao hàm chỉ chiến lược điều khiển nền tảng.
Việc phát triển những chiến lược tự động hoá, khoá liên động và bảo vệ như
được cho trong bất kỳ hệ thống điều khiển nào sẽ không được thực hiện.
Cũng thế, đề tài chỉ đề cập đến những chức năng điều khiển cơ bản để lái
quá trình trong suốt pha vận hành tải, không có chức năng khởi động và
shutdown .
• Việc phát triển hệ thống điều khiển sẽ được giới hạn ở vấn đề hệ thống và
tính khả thi của nó. Tất cả chương trình sẽ được mô phỏng trên máy tính cá
- 18 -

nhân dùng môi trường phần mềm phòng thí nghiệm. Không có việc thực thi
hệ thống ở môi trường thực. Đây cũng là bản chất nghiên cứu của đề tài.
• Đề tài sẽ chỉ phát triển tập hàm tối thiểu cần thiết cho điều chỉnh và tự động
hoá hệ thống năng lượng toàn bộ, đề xuất tính linh hoạt tối đa để hổ trợ điều
khiển tải và điều khiển nhiều tổ hợp trong những sơ đồ nhà máy điện.
• Phương pháp đề xuất sẽ được tính toán và so sánh với những phương pháp
truyền thống. Thậm chí loại hệ thống điều khiển này không tồn tại, việc tính
toán sẽ được thực hiện với hiệu suất theo tải là yêu cầu quan trọng nhất cần
được thoả mãn.

1.5.5 Tổng quan đề tài
Việc phát triển hệ thống điều khiển phù hợp thông minh(ICCS) gồm bộ giám sát
nhiều đại diện thông minh sẽ tính toán điều khiển ở mức trực tiếp. Những chức
năng giám sát gồm tạo lệnh và tối ưu, học và thích nghi, giám sát trạng thái và hiệu
suất(Hình 1.3). Mức trực tiếp gồm những sơ đồ điều khiển truyền thẳng/hồi tiếp
nhiều biến. Việc thực thi lõi của hệ thống được hình thành bởi ba môđun: sepoint,
bộ xử lý điều khiển truyền thẳng và bộ xử lý điều khiển hồi tiếp (hình 1.4). Giám
sát hiệu suất và trạng thái cũng như những hàm học và thích nghi được thực thi
hoặc là ở dạng off-line hoặc bao gồm hoàn toàn trong môđun chính.


Hình 1.3. Hệ thống điều khiển phù hợp thông minh

- 19 -

Hình 1.4.Sơ đồ khối điều khiển

Với bất kỳ quỹ đạo lệnh tải nào, bộ tạo setpoint sẽ tạo những quỹ đạo setpoint
cho những vòng điều khiển mức thấp hơn thông qua nhóm những ánh xạ được thiết
kế tối ưu. Ánh xạ setpoint được thiết kế bằng cách giải bài toán tối ưu nhiều đối

tượng, trong đó những hàm đối tượng và hàm phù hợp của chúng có thể là bất kỳ.
Phương pháp này cho phép tối ưu quá trình và cung cấp những phương pháp chỉ
định chính sách vận hành cung cấp độ phân tán lớn những tình huống vận hành
theo nhiều đối tượng vận hành. Sơ đồ điều khiển truyền thẳnghồi tiếp hai bậc tự do
được đề xuất là một mở rộng của sơ đồ điều khiển hồi tiếp SISO tuyến tính với cả
hai điều khiển truyền thẳng tham chiếu và nhiễu, cho trường hợp nhiều biến phi
tuyến để đạt được vận hành diện rộng. Bộ xử lý điều khiển truyền thẳng được thực
thi dùng những hệ thống suy luận mờ MISO, được thiết kế từ dữ liệu vào ra xác
lập, dùng kỹ thuật học mạng nơron. Đường điều khiển hồi tiếp được thực thi như
một sơ đồ điều khiển nhiều vòng phân tán dựa trên bộ điều khiển PID mờ và bù
tương tác. Những bộ điều khiển PID mờ kết hợp những kỹ thuật điều khiển gain-
scheduling và multimode dùng hệ thống suy luận mờ loại Sugeno.














- 20 -

CHƯƠNG 2.

MẠNG NƠRON, LÔGIC MỜ
VÀ NHỮNG ỨNG DỤNG CỦA CHÚNG
TRONG ĐIỀU KHIỂN QUÁ TRÌNH

Chương này sẽ thể hiện những ứng dụng nổi bật của mạng nơron trong điều
khiển quá trình. Người ta nhận thấy rằng những phương pháp lai dùng mạng nơron
dang hứa hẹn nhiều triển vọng cho điều khiển những hệ thống phi tuyến và/hoặc
MIMO mà không thể điều khiển thành công bằng những kỹ thuật truyền thống.

2.1.Giới thiệu

Những kỹ thuật điều khiển truyền thống như điều khiển Tích phân tỉ lệ(PI) hay
điều khiển Vi tích phân tỉ lệ(PID) được ứng dụng thành công trong điều khiển
những quá trình tuyến tính. Gần đây, Điều khiển tiên đoán mô hình (MPC) cũng

thực hiện thành công trong điều khiển những hệ thống tuyến tính. Tuy nhiên,
khoảng 90% những quá trình sinh học và hoá học là phi tuyến cao và hầu hết chúng
là những hệ MIMO.Khi hệ thống là phi tuyến và/hoặc MIMO, những kỹ thuật
truyền thống trên thường mắc phải sai sót khi điều khiển những hệ thống như thế.
- 21 -
Ngày nay, những hệ thống được dùng trong công nghiệp đòi hỏi độ tự quản cao và
những kỹ thuật trên không có khả năng để đạt được điều này.
Cần phải đạt được những đòi hỏi điều khiển tăng nhanh trong những hệ thống
điều khiển động phức tạp dưới những thay đổi quan trọng đã làm cho việc dùng
Mạng nơron (NN) trong những hệ thống điều khiển trở nên hấp dẫn. Những lý do
chính đằng sau điều này là khả năng của chúng có thể “học” để xấp xỉ hàm và phân
loại mẫu và tiềm năng của chúng trong thực thi phần cứng song song đồ sộ. Nói
cách khác, chúng có khả năng thực thi (cả phần mềm và phần cứng) nhiều chức
năng cần thiết để điều khiển hệ thống với một độ tự quản cao.

Do có khả năng học những liên hệ hàm số phi tuyến phức tạp, mạng nơron được
dùng trong điều khiển những quá trình phi tuyến và/hoặc MIMO. Trong thập kỷ
qua,ứng dụng mạng nơron trong nhận dạng và điều khiển đã tăng theo hàm mũ.
Những ứng dụng rộng rãi này là do những đặc tính hấp dẫn sau:
1. Mạng nơron có khả năng xấp xỉ bất kỳ hàm số phi tuyến nào;
2. Chúng có thể được huấn luyện dễ dàng bằng cách dùng những bản ghi dữ liệu từ hệ
thống;
3. Chúng thích hợp cho những hệ thống nhiều biến;
4. Chúng không yêu cầu quan hệ đặc tính cấu trúc giữa dữ liệu vào và ra.

Trước hết chúng ta xem điều khiển quá trình là gì?

2.2.Điều khiển quá trình

Trong phát triển, thiết kế và vận hành những máy móc quá trình, những kỹ sư

quá trình luôn gắn liền với năm khái niệm cơ bản:trạng thái,trạng thái cân bằng,
bảo toàn,tốc độ và điều khiển.
Nhận dạng một hệ thống đòi hỏi xác định trạng thái nhiệt động theo đó tất cả
thuộc tính của một hệ thống là cố định. Những hệ thống sinh học,vật lý và hoá học
không thể vận hành ngoài khoảng giới hạn của trạng thái cân bằng nhiệt động,
mà giới hạn khoảng cho phép của những điều kiện vật lý và hoá học để quá trình
diễn ra trong hệ thống.
Bảo toàn khối lượng,động lượng và năng lượng yêu cầu những số lượng nào đó
cần được bảo toàn trong quá trình vì khối lượng, năng lượng và động lựơng cân
bằng. Đặc tính loại và kích thước của thiết bị quá trình của một hệ thống phụ thuộc
vào lượng vật liệu đưa vào quá trình và tốc độ tại đó những quá trình sinh học, hoá
học và vật lý diễn ra trong thiết bị. Khái niệm này được bao trùm trong lĩnh vực
động lực sinh học và hoá học.
Một quá trình có thể khả thi cả về mặt nhiệt động và động lực nhưng vẫn không
hoạt động vì hiệu suất vận hành kém. Điều này có thể là kết quả của việc không
điều khiển được của quá trình và vì những điều kiện không kinh tế. Vì thế,điều
- 22 -
khiển hệ thống để thoả mãn hiệu suất vận hành, vật lý và kinh tế là rất quan trọng
trong thiết kế và vận hành một hệ thống quá trình cũng như khái niệm trạng thái
cân bằng và tốc độ của quá trình.
Điều khiển quá trình là sự điều chỉnh các quá trình sinh học, vật lý và hoá học
để loại bỏ những ảnh hưởng của nhiễu bên ngoài,để đảm bảo sự ổn định của quá
trình và để tối ưu hiệu suất của quá trình.
Một vài đặc tính quan trọng của điều khiển quá trình được lập danh sách ở đây:
• Xem xét điều khiển quá trình đầu tiên đòi hỏi xem xét những thay đổi phụ
thuộc thời gian. Vấn đề không thể được hình thành mà không có cấu trúc
động. Điều khiển bất kỳ quá trình nào chỉ có thể được xem xét cẩn thận bằng
một phân tích chi tiết đáp ứng trạng thái không ổn định mà có được từ mô
hình động của quá trình.
• Những hệ thống điều khiển quá trình là những hệ thống xử lý thông tin.

Chúng nhận thông tin, xử lý nó, tương tác với nó và tạo thông tin như những
tín hiệu.
• Tất cả những hệ thống điều khiển quá trình là những hệ thống tích hợp những
bộ phận, trong đó mỗi bộ phận ảnh hưởng hiệu suất toàn bộ của hệ thống.
Vì thế, phương pháp tổng quát xem xét toàn bộ hệ thống và môi trường của
nó như một thực thể là quan trọng.
• Hầu hết hệ thống điều khiển quá trình là những hệ thống hồi tiếp trong đó
thông tin được tạo bởi hệ thống được xử lý lần nữa để điều chỉnh đáp ứng
của hệ thống.
• Cuối cùng, tính kinh tế luôn liên kết với những đối tượng hiệu suất của hệ
thống điều khiển quá trình.

Những hệ thống điều khiển quá trình trong công nghiệp như quá trình vật lý, sinh
học và hoá học được mô tả bởi những chuẩn hiệu suất và những thay đổi của yêu
cầu thị trường. Cũng thế, những quá trình này là phi tuyến cao và không thể được
mô hình hoá thật tốt. Vì thế, điều khiển phải được thực hiện bằng cách cập nhật
những biến được thao tác trực tuyến để thoả mãn thay đổi chuẩn hiệu suất khi gặp
phải thay đổi đặc tính của thiết bị. Nhiều kỹ thuật điều khiển dựa trên khác biệt
chuẩn hiệu suất và miêu tả quá trình được dùng để giải quyết những vấn đề này.
Trong quá trình vận hành của một thiết bị, một vài yêu cầu cần được thoả mãn
và có thể được xem xét như những tiêu chuẩn hiệu suất. Một vài chuẩn được liệt
kê ở đây:
1. Luật an toàn và môi
trường,
2. Đặc tính sản phẩm, 3.
Điều kiện vận hành,
4. Tính kinh tế.
- 23 -
Những tiêu chuẩn này cần được chuyển dịch thành những biểu thức toán học để
viết luật điều khiển. Chúng có thể được phân loại như những đối tượng(hàm của

những biến cần được tối ưu động) và hạn chế ((hàm của những biến cần được giữ
trong khoảng cần thiết).

Chuyển đổi chuẩn hiệu suất thành những biểu thức toán học có thể yêu cầu vài
giả định. Những giả định này không những làm đơn giản cách giải quyết vấn đề
mà còn làm cho vấn đề có thể thực thi trong những phần cứng đang có. Tất cả
những bộ điều khiển dùng một mô tả hay một mô hình của quá trình. Nói chung,
trong những quá trình sinh học và hoá học, những mô hình là phi tuyến và những
thông số mô hình thường không biết được. Vì thế, luôn luôn có sự không phù hợp
giữa tiên đoán mô hình và ngõ ra quá trình thật. Những lý do khác của sự khác biệt
này là do những thay đổi trong những điểm vận hành và thiết bị.
Những khác biệt giữa một thiết bị và mô hình của nó tạo ra sự không thoả mãn
để cân bằng tiêu chuẩn hiệu suất. Những thông số điều chỉnh được có thể giúp cân
bằng giữa theo dõi điểm đặt nhanh và đáp ứng biến thao tác trơn. Người ta luôn
mong muốn tối thiểu lượng điều chỉnh trực tuyến bằng cách dùng một mô hình quá
trình khi thiết kế mà bao gồm mô tả những trạng thái không rõ ràng.
Mặc dù mô tả trạng thái không rõ ràng được dùng, luôn cần cập nhật những
thông số mô hình trực tuyến theo cách thích nghi. Bộ điều khiển tiên đoán mô hình
(MPC) là những bộ điều khiển trong đó luật điều khiển dựa trên mô hình quá trình.
MPC là một hệ thống điều khiển trong đó bộ điều khiển xác định tiểu sử biến được
thao tác mà tối ưu đối tượng hiệu suất vòng lặp mở trong khoảng thời gian kéo dài
từ thời điểm hiện tại đến thời điểm hiện tại cộng với khoảng thời gian tiên đoán.
MPC phù hợp cho những vấn đề có một lượng lớn những biến được thao tác hay
được điều khiển, những hạn chế cho cả hai loại biến này,thay đổi điều khiển đối
tượng và/hoặc sai sót thiết bị, và thời gian trễ. Một mô hình quá trình được thực
hiện trực tiếp trong thuật toán để tiên đoán ngõ ra quá trình tương lai.
Thường thì trong nhiều bài toán điều khiển quá trình,những mô hình điều khiển
không được xác định tốt; hoặc là chúng mất hoặc những thông số hệ thống có thể
biến đổi theo thời gian. Mạng nơron có nhiều tiện lợi để thu được những mô hình
vào-ra của hệ thống vì chúng có thể “bắt chước” đáp ứng của hệ thống sau khi được

“huấn luyện“. Thậm chí mô hình mạng nơron hay nhận dạng có thể không phù
hợp với thiết bị khi bắt đầu,nhưng nó sẽ trở nên tốt hơn khi tiến trình huấn luyện
trực tuyến diễn ra. Vì thế, huấn luyện trực tuyến làm cho mạng nơron nắm giữ
những thông số thay đổi theo thời gian trong thiết bị một cách trực tiếp.
Bằng cách huấn luyện mạng nơron để học “mô hình ngược” của một thiết bị,nó
có thể được dùng như một “bộ điều khiển “ cho thiết bị này. Những bộ điều khiển
mạng nơron cũng có thể được dùng trong những cấu trúc MPC như là những bộ
đánh giá hay/và bộ điều khiển.

Vì những quá trình sinh học và hoá học thường phức tạp, thay vì dùng mạng
nơron một mình trong điều khiển những quá trình này, nên dùng chúng kết hợp
- 24 -
với những phương pháp truyền thống như những kỹ thuật điều khiển PI hay PID
hay những kỹ thuật gần đây như những hệ thống chuyên gia dựa trên quy luật hay
lôgic mờ, theo cách lai ghép, sẽ cải tiến hiệu suất của toàn bộ điều khiển.

2.3.Dùng Mạng nơron trong Điều khiển

Trong những ứng dụng hệ thống điều khiển, mạng nơron nhiều lớp feedforward
với huấn luyện có giám sát thường được dùng nhất. Một đặc tính chính của những
mạng này là chúng có thể tạo những ánh xạ vào-ra mà có thể xấp xỉ bất kỳ hàm nào
với độ chính xác mong muốn. Mạng nơron được dùng trong những hệ thống điều
khiển chủ yếu là nhận dạng và điều khiển hệ thống. Trong nhận dạng hệ thống,
để mô hình đáp ứng vào-ra của một hệ thống động, mạng được huấn luyện dùng
dữ liệu vào-ra và trọng số mạng được điều chỉnh thường dùng thuật toán
backpropagation(lan truyền ngược). Giả định duy nhất là ánh xạ tĩnh phi tuyến
được tạo bởi mạng có thể đại diện đầy đủ đáp ứng động của hệ thống trong khoảng
khảo sát của một ứng dụng cụ thể. Mạng nơron cần được cung cấp thông tin về
lịch sử hệ thống : những ngõ vào và ra ở những lần trước. Bao nhiêu thông tin được
yêu cầu phụ thuộc vào độ chính xác mong muốn và ứng dụng cụ thể.

Khi một mạng nhiều lớp được huấn luyện như một bộ điều khiển,hoặc như một
vòng lặp kín hay mở, hầu hết những vấn đề này đều tương tự trường hợp nhận
dạng. Khác biệt cơ bản là ngõ ra mong muốn của mạng là ngõ vào điều khiển thích
hợp được dẫn đến thiết bị, là không có được nhưng phải được sưy ra từ ngõ ra
mong muốn của thiết bị. Để đạt được điều này, người ta dùng hoặc là xấp xỉ dựa
trên mô hình toán học của thiết bị(nếu có được),hay mô hình mạng nơron động
của thiết bị hay thậm chí mô hình động đảo ngược của thiết bị. Mạng nơron có thể
được kết hợp để nhận dạng và điều khiển thiết bị, vì thế hình thành cấu trúc điều
khiển thích nghi.
Chúng ta sẽ giới thiệu vài cách cơ bản trong đó dữ liệu huấn luyện mạng nơron có thể
thu được trong những công việc liên quan đến điều khiển :
• Sao chép từ một bộ điều khiển hiện có: Nếu có một bộ điều khiển có thể
điều khiển một thiết bị,thì thông tin yêu cầu để huấn luyện một mạng nơron
có thể thu được từ nó. Mạng nơron học sao chép bộ điều khiển hiện có. Một
lý do để sao chép một bộ điều khiển hiện có là nó có thể là một dụng cụ
không thực tế để dùng, chẳng hạn như một chuyên gia. Trong một vài trường
hợp,chỉ vài cặp vào-ra hữu hạn của một bộ điều khiển mong muốn được biết.
Thì một mạng nơron có thể được huấn luyện để thi đua với bộ điều khiển
mong muốn bằng cách nội sưy những cặp vào-ra này.
• Nhận dạng hệ thống :Trong trường hợp nhận dạng,dữ liệu huấn luyện có
thể thu được bằng cách quan sát đáp ứng vào-ra của một thiết bị. Trong
những trường hợp phức tạp hơn, ngõ vào mô hình có thể chứa vài giá trị trễ
của những ngõ vào thiết bị và mô hình mạng có thể là đệ quy.
- 25 -
• Nhận dạng hệ thống ngược: Trong trường hợp này,ngõ vào mạng là ngõ
ra của thiết bị và ngõ ra của mạng là ngõ vào thiết bị. Khi thu được mạng
nơron ngược của thiết bị,nó được cung cấp ngõ ra thiết bị mong muốn và
ngõ ra của nó là ngõ vào điều khiển mong muốn của thiết bị. Vấn đề chính
với nhận dạng ngược là mô hình ngược của một thiết bị không phải luôn
luôn được xác định tốt.

• Bộ điều khiển tiên đoán mô hình : Đầu tiên một mạng nơron nhiều lớp
được huấn luyện để nhận dạng mô hình thuận của thiết bị, sau đó một mạng
khác,ví dụ bộ điều khiển,sử dụng bộ nhận dạng này như một bộ quan sát
thiết bị trong một cấu trúc MPC. Mô hình này có ưu điểm của một bộ điều
khiển thích nghi, nhưng nó đòi hỏi phải tính Jacobian của mạng nơron nhận
dạng.

Có nhiều mạng cải tiến để nhận dạng hệ thống phức tạp hơn cho bài toán điều khiển.
Phần nhận dạng hệ thống là sương sống của hầu hết tất cả những kiến trúc điều
khiển nơron. Để có được kiến trúc điều khiển,trước hết chúng ta phải có mô hình
thiết bị. Ví dụ, những mô hình thiết bị có thể được mô tả bởi những phương trình
sai phân sau:

g:R
m
R được giả sử là những hàm khả vi theo những đối số của chúng. Người ta
giả thiết rằng f và g có thể được xấp xỉ đến một độ chính xác mong muốn bất kỳ
trên những tập đóng bởi mạng nơron nhiều lớp. Do giả thiết này, bất kỳ thiết bị
nào cũng có thể được đại diện bởi một mô hình mạng nơron tổng quát hoá. Để
nhận dạng một thiết bị,một mô hình nhận dạng được chọn dựa trên thông tin liên
quan đến lớp mà nó thuộc. Ví dụ, giả sử thiết bị có cấu trúc được mô tả bởi mô
hình III, chúng ta có hai loại bộ nhận dạng:

Mô hình I:


(2.
1)

Mô hình II:

(2.
2)

Mô hình
III:


(2.
3)

Mô hình IV:


(2.
4)

v
ới (
u
(
k
)
,
y
p
(
k
))

th
ể hiện cặp v
ào
-
ra c
ủa thiết bị tại thời điểm k v
à f:R
n

R,