tóm tắt luận văn thạc sĩ kỹ thuật NGHIÊN cứu điều KHIỂN NỒNG độ của sản PHẨM TRONG bể CHỨA PHẢN ỨNG có KHUẤY BẰNG PHƯƠNG PHÁP ỨNG DỤNG bộ điều KHIỂN NƠRON THEO mô HÌNH mẫu

BỘ GIÁO DỤC VÀ ĐÀO TẠO
ĐẠI HỌC THÁI NGUYÊN
TRƯỜNG ĐẠI HỌC KỸ THUẬT CÔNG NGHIỆP
LUẬN VĂN THẠC SỸ KỸ THUẬT
NGÀNH: TỰ ĐỘNG HÓA
NGHIÊN CỨU ĐIỀU KHIỂN NỒNG ĐỘ CỦA SẢN
PHẨM TRONG BỂ CHỨA PHẢN ỨNG CÓ KHUẤY
BẰNG PHƯƠNG PHÁP ỨNG DỤNG BỘ ĐIỀU
KHIỂN NƠRON THEO MÔ HÌNH MẪU
LƯƠNG TRUNG THÀNH
THÁI NGUYÊN - 2011
Luận văn được hoàn thành tại trường Đại học Kỹ tuật Công nghiệp
Thái Nguyên.
Cán bộ HDKH : TS. Phạm Hữu Đức Dục
Phản biện 1 :
Phản biện 2 :
Luận văn đã được bảo vệ trước hội đồng chấm luận văn, họp tại: Phòng
cao học số , trường Đại học Kỹ thuật Công nghiệp Thái Nguyên.
Vào giờ phút ngày tháng năm 2011.
Có thể tìm hiển luận văn tại Trung tâm Học liệu tại Đại học Thái
Nguyên và Thư viện trường Đại học Kỹ thuật Công nghiệp Thái Nguyên.
MỞ ĐẦU
Bộ não con người là sản phẩm hoàn hảo của tạo hoá. Để tiếp cận khả năng
tư duy của bộ não, người ta sử dụng khả năng suy diễn của hệ mờ dựa trên các
luật logic mờ. Để tiếp cận khả năng học, người ta đưa ra mô hình mạng nơron,
do vậy cấu trúc mạng nơron là điều rất đáng được quan tâm. Để tiếp cận cả hai
khả năng học và tư duy của bộ não người, người ta nghiên cứu khả năng tích
hợp của mạng nơron và hệ mờ. Trong công nghiệp tự động hoá giữ một vai trò
quan trọng trong quá trình sản xuất. Nhận dạng hệ thống là một trong những
công việc đầu tiên phải thực hiện khi giải quyết một bài toán điều khiển tự động,
nó quyết định chất lượng và hiệu quả của công việc điều khiển hệ thống về sau.

Để điều khiển chính xác đối tượng khi chưa biết rõ được thông số, trước tiên ta
phải hiểu rõ đối tượng đó. Bộ điều khiển nơron theo mô hình mẫu là phần tử phi
tuyến, nên điều khiển nó rất khó, đòi hỏi phải có độ chính xác cao. Vì vậy cần
ứng dụng bộ điều khiển thông minh là BĐK nơron theo mô hình mẫu. Được sự
tạo điều kiện giúp đỡ của nhà trường và Tiến sỹ Phạm Hữu Đức Dục, em đã lựa
chọn đề tài tốt nghiệp của mình là “Nghiên cứu điều khiển nồng độ của sản
phẩm trong bể chứa có khuấy bằng phương pháp ứng dụng bộ điều khiển nơron
theo mô hình mẫu.”
Nội dung của luận văn được chia thành 4 chương:
Chương 1. Mạng nơron
Chương 2. Một số mô hình mạng nơron & mạng mờ nơron
trong matlab& ứng dụng nhận dạng & diều khiển.
Chương 3. Ứng dụng bộ điều khiển nơron theo mô hình mẫu
điều khiển nồng độ của sản phẩm trong bể chứa
phản ứng có khuấy
Chương4. Kết luận chung và kiến nghị

1
Tôi xin trân trọng bày tỏ lòng biết ơn sâu sắc đến thầy TS. Phạm Hữu
Đức Dục người đã hướng dẫn tận tình và giúp đỡ tôi hoàn thành luận văn thạc
sỹ này.
Tôi xin chân thành cám ơn các thầy cô ở Khoa Điện – Trường Đại học Kỹ
thuật Công nghiệp đã đóng góp nhiều ý kiến và tạo điều kiện thuận lợi cho tôi
hoàn thành luận văn.
Tôi xin chân thành cám ơn Khoa sau Đại học, xin chân thành cám ơn Ban
Giám Hiệu Trường Đại Học Kỹ Thuật Công Nghiệp đã tạo những điều kiện
thuận lợi nhất về mọi mặt để tôi hoàn thành khóa học.
Tôi xin chân thành cám ơn!
Thái Nguyên, ngày tháng năm 2011
Người thực hiện

Lương Trung Thành


2
CHƯƠNG 1. MẠNG NƠRON
1.1. CÁC KHÁI NIỆM CƠ BẢN
1.1.1. Mô hình nơron sinh học
1.1.1.1. Xử lý thông tin trong bộ não
1.1.1.2.Câc đặc tính cơ bản của não người
1.1.2. PHẦN TỬ XỬ LÝ
1.1.3. CÁC LOẠI MÔ HÌNH CẤU TRÚC MẠNG NƠRON
1.1.4. CÁC TÍNH CHẤT CỦA MẠNG NƠRON
1.1.5. CÁC LUẬT HỌC
1.1.5.1. Học có giám sát
1.1.5.2. Học củng cố
1.1.5.3. Học không có giám sát
1.2. CÁC MẠNG NƠRON TRUYỀN THẲNG SỬ DỤNG LUẬT HỌC GIÁM
SÁT
1.2.1. MẠNG ADALINE
1.2.1.1. Phần tử Adaline
1.2.1.2. Mạng Adaline
1.2.2. MẠNG PERCEPRON MỘT LỚP
1.2.2.1. Cấu trúc
1.2.2.2. Luật học
1.2.3 MẠNG TRUYỀN THẲNG NHIỀU LỚP
1.2.3.1.Cấu trúc
Mạng truyền thẳng nhiều lớp có nhiều lớp nơron: một lớp vào, một hoặc
nhiều lớp ẩn và một lớp ra.
Lớp vào: gồm m nơron có tín hiệu vào:
x = [x

1,
x
2
, x
j,
,x
m
]
T
, với j = 1,2 ,m
Lớp ra: gồm n nơron có tín hiệu ra:
y = [y
1,
y
2
, y
i,
,y
m
]
T
, với i =1,2 ,n

3
Các lớp ẩn: có thể có một hoặc nhiêu lớp ẩn, với đặc điểm là các nơron thứ
q ở lớ ẩn liên kết với lớp vào bằng trọng số v
qj
và liên kết với lớp ra bằng trọng
số w
iq

; với q = 1,2, ,l ; i = 1,2, ,n; j = 1,2, ,m.
Giai đoạn thứ hai: Sai lệch lan truyền theo chiều ngược từ đầu ra trở về
đầu vào

x
1
v
11
w
11
y
1

.
.
x
j
v
1j
v
qj
w
1q
w
iq

. v
mj
w
nq

.
x
m
v
lm
w
nm
y
n
Lớp vào Lớp ẩn Lớp ra

Giai đoạn đầu : Sai lệch lan truyền theo chiều thuận từ đầu vào đến đầu ra
Hình 1.11. Mạng nơron truyền thẳng ba lớp
1.2.3.2. Luật học lan truyền ngược
Bryson và Ho đã đề xuất luật học lan truyền ngược cho mạng truyền
thẳng nhiều lớp vào năm 1969
Cho trước bộ cặp mẫu tín hiệu vào – ra {(x
(k)
,d
(k)
)} với k = 1,2, ,p, luật
học lan truyền ngược thực hiện giai đoạn trong quá trình học cặp giữ liệu mẫu
Ở giai đoạn đầu, bộ mẫu tín hiệu đầu vào x lan truyền theo chiều thuận từ
lớp vào qua các lớp ẩn đến lớp ra để tạo ra tín hiệu ra y.
Giai đoan thứ hai, sai lệch e =(d-y) được lan truyền theo hướng ngược lại
từ lớp ra qua các lớp ẩn trở về lớp vào, có nhiệm vụ điều chỉnh lài giá trị trọng
số giữa các lớp sao cho tín hiệu ra y bám theo dược tín hiệu mẫu đầu ra d.
Xét nơron thứ q của lớp ẩn có tổng trọng là:

4

v
q
=
∑
=
m
j 1
v
qj
x
j

Tín hiệu ra nơron thứ q của lớp ẩn là:
z
q
= a(v
q
) = a(
∑
=
m
j 1
v
qj
x
j
)
Xét nơron thứ i của lớp ra có tổng trọng là:
v
i

=
∑
=
l
q 1
w
iq
z
q
=
∑
=
l
q 1
w
iq
a(
∑
=
m
j 1
v
qj
x
j
)
Tín hiệu ra nơron thứ i của lớp ra là:
y
i
= a(v

i
) =a(
∑
=
l
q 1
w
iq
z
q
) = a(
∑
=
l
q 1
w
iq
a(
∑
=
m
j 1
v
qj
x
j
))
Trung bình bình phương sai lệch E dược viết như sau:
E =
2

1
∑
=
p
k 1
∑
=
n
i 1
(d
i
(k)
-y
i
(k)
)
2
=
2
1
∑
=
p
k 1
∑
=
n
i 1
[d
i

(k)
–a(w
i
T
x
k
)]
2
=
2
1
∑
=
p
k 1
∑
=
n
i 1
[d
i
(k)
–a(
∑
=
m
j 1
w
ij
x

j
(k)
)]
2

Sử dụng phương pháp hạ gradient tìm lượng điều chỉnh của trọng số giữa
nơron thứ q của lớp ẩn với nơron thứ i của lớp ra:

∆
w
iq=
-
η
iq
w
E
∂
∂
= -
i
y
E
∂
∂
η
i
i
v
y
∂

∂
iq
i
w
v
∂
∂
=
η
[d
i
-y
i
]a’(v
i
)z
q
=
η
i0
δ
z
q

Với
i0
δ
là tín hiệu sai lệch của nơron thứ i của lớp ra

i0

δ
= -
i
v
E
∂
∂
=-
i
y
E
∂
∂
i
i
v
y
∂
∂
= [d
i
- y
i
]a’(v
i
)
a(v
i
)=
)(

)(
i
i
v
va
∂
∂

Sử dụng phương pháp hạ gradient tìm lượng điều chỉnh của trọng số giữa
nơron thứ j của lớp vào với nơron thứ q của lớp ẩn:

∆
w
iq=
-
η
qi
v
E
∂
∂
=-
η
qj
q
q
q
q
v
v

v
z
z
E
∂
∂
∂
∂
∂
∂
=
∑
=
n
i 1
η
[(d
i
-y
i
)a’(v
i
)w
iq
]a’(v
q
)x
j

5

∆
v
qj =
η
jhq
x
δ

Với
hq
δ
là tín hiệu sai lệch của nơron thứ q của lớp ẩn:

hq
δ
= -
q
v
E
∂
∂
= -
q
q
q
v
z
z

E
∂
∂
∂
∂
= a’(v
q
)
iq
n
i
oi
w
∑
=1
δ

a’(v
q
) =
q
v
va
q
∂
∂ )(

Luật cập nhật tìm trọng số tại thời điểm học (t+1):
v
qj

(t+1)=v
qj
(t)+
qj
v∆

w
iq
(t+1)=w
iq
(t)+
iq
w∆

Để tiện cho việc tính toán, nên sử dụng các công thức tính tín hiệu sai
lệch đã được cho sẵn sau đây ứng với từng trường hợp sử dụng hàm chuyển đổi
a(.) sau đây:
- Nếu sử dụng a(.) có dạng hàm sigmoid:
y = a(v) =
v
e
λ
−
+1
1
nên ta có a’(v)=y(1-y)
tìm các công thức tính tín hiệu sai lệch như sau:

i0
δ

=y
i
(1-y
i
)[d
i
-y
i
]

hq
δ
= z
q
(1-z
q
)
∑
=
n
i
iqoi
w
1
δ

- Nếu sử dụng a(.) có dạng hàm tang hyperolic:
y = a(v) =
v
e

λ
2
1
2
−
+
-1 nên ta có a’(v)=
2
1
(1-y
2
)
tìm được các công thức tính các tín hiệu sai lệch như sau:

i0
δ
=
2
1
(1-y
2
)[d
i
-y
i
]

hq
δ
=

2
1
(1-z
q
2
)
∑
=
n
i
iqoi
w
1
δ

Các bước thực hiện

6
Với mạng truyền thẳng có S lớp;
s
v
i
và
s
y
i
tương ứng là tổng trọng và
gía trị đầu ra của nơron thứ i của lớp thứ s;
s
w

ij
là các trọng số nối từ
1−s
y
j
đến
s
y
i
(s=1,2,….,S); có m nơron và n nơron ở lớp ra.
trị đầu ra của nơron thứ i của lớp thứ s;
s
w
ij
là các trọng số nối từ
1−s
y
j
đến
s
y
i
(s=1,2,….,S); có m nơron và n nơron ở lớp ra.
Ban đầu
Thiết lập bộ dữ liệu mẫu vào- ra (x
(k)
, d
(k)
) với k = 1,2,…,p.
Bước 1

Thiết lập trạng thái ban đầu cho mạng :
Chọn
η
>0 vàE
cp
(E
cp
là sai lệch cho phép );
Các trọng số ban đầu với giá trị nhỏ và ngẫu nhiên;
Thiết lập E = 0 và k = 1;
Bước 2
Vòng luyện tập:
Đưa dữ liệu các mẫu đầu vào thứ k vào lớp đầu vào (s =1)

s
y
i
=
1
y
i
= x
i
(k)
với mọi i;
Bước 3 ( quá trình truyền thẳng)
Quá trình truyền thẳng của tín hiệu trong mạng theo công thức:

s
y

i
= a(
s
net
i
) = a (
∑
j
s
w
ij
s-1
y
j
)
Cho mỗi giá trị i và s cho tới khi các đầu ra
s
y
i
của lớp ra được xác định;
Bước 4
Tính toán sai lệch đầu ra:
Xác định giá trị sai lệch và tín hiệu sai lệch
s
δ
I
cho lớp đầu ra:
E
m
=

2
1
∑
=
n
i 1
(d
i
(k)
-
s
y
i
)
2
+ E
c

với E
m
, E
c
là sai lệch mới và cũ ( sai lệch ở chu kỳ mới và chu kỳ cũ);

s
δ
i
= ( d
i
(k)

-
s
y
i
)a
’
(
s
v
i
)
Bước 5
Lan truyền ngược của sai lệch

7
Quá trình lan truyền ngược của sai lệch được cập nhật các trọng số tính
toán theo tín hiệu sai lệch
1−s
δ
i
cho các lớp phía trước;

s
∆
w
ij
=
η
s
δ

i
s-1
y
j

s
∆
w
ij
(t+1) =

s
∆
w
ij
(t) +

s
∆
w
ij

1−s
δ
i
= a(
’
1−s
v
i

)
∑
j
s
w
ij
δ
s
j
với s= S, S-1,….,2.
Bước 6
Cho mỗi chu kỳ học :
Kiểm tra vòng luyện tập :
- Nếu k < p, thì k = k+1 và tiến hành bước 1;
- Nếu không thực hiện bước 6;
Bước 7
Kiểm tra sai lệch tổng
- Nếu Em < E
cp
thì đã hoàn thành quá trình học, tiến hành ghi lại kết quả
các véc tơ trọng số, bias của các lớp và các đồ thị cần thiết;
- Nếu không thỏa mãn quay trở lại thực hiện bước 1.
1.3. ỨNG DỤNG CỦA MẠNG NƠRON TRONG NHẬN DẠNG VÀ ĐIỀU
KHIỂN
1.3.1. Các vấn đề chung.
Mạng nơron đã được ứng dụng thành công trong nhiều lĩnh vực như: các
hệ thống điều khiển, xử lý hình ảnh, tiếng nói, tối ưu, truyền thông, y học…
Vì có yêu cầu ngày càng tăng về điều khiển, các hệ thống động học phức
tạp với điều kiện thông tin không đầy đủ hoặc không xác định nên việc sử dụng
mạng nơron rất hấp dẫn bởi khả năng học tập để xấp xỉ hàm và phân loại mẫu

của mạng. Ngoài ra còn bởi tính xử lý song song mạnh mẽ của phần cứng thực
thi mạng.
Thông thường người ta hay dùng mạng nơron truyền thẳng nhiều
lớp với luật dạy học có giám sát. Ưu điểm lớn nhất của các mạng loại này là
khả năng tổng quát hoá ánh xạ đầu vào - đầu ra để có thể xấp xỉ bất cứ hàm nào

8
với độ chính xác tuỳ ý. Chủ yếu mạng nơron sử dụng để nhận dạng và điều
khiển hệ thống.
1.3.2. Mô tả toán học của đối tượng ở dạng rời rạc
Xét hệ thống có phương trình trạng thái ở dạng sau đây:
•
x
(t)=
φ
[ x(t), u(t)]
y(t)= ψ[x(t)]
với x(t) = [x
1
(t), x
2
(t), x
n
(t)]
T
u(t) = [u
1
(t), u
2
(t), u

p
(t)]
T
y(t) = [y
1
(t), y
2
(t), y
m
(t)]
T
p, m tương ứng là số đầu vào, đầu ra của hệ thống bậc n: u
i
(t), y
i
(t), tương ứng
là các tín hiệu vào, tín hiệu ra: x
i
(t) là các biến trạng thái: φ(.), ψ(.) là các hàm
phi tuyến dừng được định nghĩa tương ứng với R
n
× R
p
→ R
n
và R
n
→ R
m
Viết lại (1.53) ở dạng rời rạc, ta có:

x(k+1) = φ[x(k),u(k)]
y(k) = ψ[x(k)]
với u(k), x(k), y(k) là các đại lượng cho ở dạng dãy rời rạc.
Giả thiết hệ rời rạc trên là tuyến tính và bất biến, có thể viết lại ở dạng:
x(k+1) = Ax(k) + Bu(k)
y(k) = Cx(k)
với A, B, C tương ứng là các ma trận có kích thước (n×n), (n×p) và (m×n)
* Đối tượng tuyến tính
Xét hệ một vào - một ra (SISO), dạng rời rạc, có thông số tuyến tính bất
biến với thời gian được cho ở dạng:
y
p
(k+1) =
∑ ∑
−
=
−
=
−+−
1
1
1
0
)()(
n
i
m
j
jpi
jkuiky

βα

trong đó α
i
, β
j
là các hằng số chưa biết : m ≤ n.
Tín hiệu ra y
p
(k+1) là tổ hợp tuyến tính của các giá trị quá khứ của cả tín
hiệu đầu vào u(k- j)(j = 0, 1, , (m-1)) và tín hiệu đầu ra y
p
(k - i)(i =1,2, ,(n-1)).

9
* Đối tượng phi tuyến
Đối tượng phi tuyến được biểu diễn theo mô hình rời rạc theo bốn dạng
sau đây:
+ Dạng 1:
y
p
(k+1) =
)]1(), ,1(),([)(
1
0
+−−+−
∑
−
=
mkukukugiky

n
t
pi
α

y
p
(k+1) phụ thuộc tuyến tính vào các giá trị quá khứ y
p
(k - i) (i =0,1, , (n-1)) và
phụ thuộc phi tuyến vào giá trị quá khứ đầu vào u(k), , u(k-m+1).
+ Dạng 2:
y
p
(k+1) = f [(y
p
(k), y
p
(k-1), ,y
p
(k-n+1)]+
∑
−
=
−
1
0
)(
m
i

i
iku
β

y
p
(k+1) phụ thuộc tuyến tính vào giá trị quá khứ đầu vào u(k - i) (i =0,1, ,(m-1))
và phụ thuộc phi tuyến vào giá trị quá khứ đầu ra y
p
(k), , y
p
(k- n+1).
+ Dạng 3:
y
p
(k+1) = f [(y
p
(k), ,y
p
(k-n+1)]+g[u(k), u(k-m+1)]
y
p
(k+1) phụ thuộc phi tuyến vào giá trị quá khứ đầu vào u(k), , u(k-m+1),
phụ thuộc phi tuyến vào giá trị quá khứ đầu ra y
p
(k), , y
p
(k- n+1).
+ Dạng 4:
y

p
(k+1) = f [(y
p
(k), y
p
(k-1), ,y
p
(k-n+1), u(k), u(k-1), u(k-m+1)]
y
p
(k+1) phụ thuộc phi tuyến vào giá trị quá khứ đầu ra và phụ thuộc vào các giá
trị đầu vào cùng với các giá trị quá khứ của nó, [u(k), y
p
(k)], là các cặp tín hiệu
vào ra của đối tượng tại thời điểm k, với m≤ n.
f(.), g(.), là các hàm chưa biết trước của đối tượng, chúng cần được xấp xỉ
gần đúng bởi mạng nơron với độ chính xác mong muốn. Số lượng các lớp, số
nơron ở mỗi lớp và số lượng mối liên kết trọng số giữa các nơron mỗi lớp với
nhau của mạng nơron nhận dạng cần được chọn phù hợp với độ chính xác và
đặc tính vào ra của hàm phi tuyến tương ứng của đối tượng đã cho
1.3.3. Ứng dụng của mạng nơron trong nhận dạng

10
Vấn đề nhận dạng được đặt ra khi các hàm số φ(.), ψ(.), của dạng rời rạc, hoặc
các ma trận A, B và C hoặc α
i
, β
j
của các hàm phi tuyến f(.),
g(.), là chưa được biết trước.

Vì đầu vào và đầu ra của hệ bất biến theo thời gian, nên hệ động học rời
rạc là u(k) và y(k) tương ứng: trong đó u(k) là hàm giới hạn, thay đổi theo thời
gian. Đối tượng được giả thiết là ổn định, nhưng chưa biết các giá trị thông số
của đối tượng này.
`
Hình 1.12. Mô hình nhận dạng
Hệ thống nhận dạng được mô tả tại hình 1.4, trong đó mô hình nhận dạng
có cùng đầu vào u(k) với đối tượng cần nhận dạng, đầu ra của mô hình cần nhận
dạng là
( )
∩
ky
p
là biểu diễn tính toán gần đúng của đầu ra đối tượng cần nhận
dạng là y
p
(k).
1.3.3.1. Mô hình nhận dạng song song
Trên cở sở các dạng phương trình của đối tượng tuyến tính và phi tuyến
( có các mô hình nhận dạng các đối tượng nói trên theo mô hình nhận dạng song
song có các dạng tương ứng như sau.
* Với đối tượng tuyến tính

∩
p
y
( )
1+k
=
( )

∑ ∑
−
=
−
=
∩∩∩
−+−
1
1
1
0
)()()(
n
i
m
j
j
p
i
jkukikyk
βα


^
y
p
(k)
11
Đối tượng
Mô hình

nhận dạng
y
p
(k)
e
i
(k)
+

+
=
=
+
-
+
=
=
+
u(k)
Y
p
(k)

∩
y
p
(k)
∩
y
p

(k+1)
y
p
(k)
N
1
(.)
N
2
(.)
N
2
(.)
-
trong đó:
i
∩
α
(k) (i = 0,1,2, ,n-1):
∩
j
β
(k) (j = 0,1,2, ,m-1);
∩
p
y
(k+1) là các thông
số nhận dạng
* Với đối tượng phi tuyến:
+ Dạng 1:

( )
1+
∩
ky
p
=
)]1(), ,1(),([)(.
1
0
+−−+−
∩
−
=
∩∩
∑
mkukukugiky
n
t
pi
α

+ Dạng 2:
( )
1+
∩
ky
p
=
( ) ( ) ( )

++−−
∩∩∩∩
1, ,1,[ nkykykyf
ppp
∑
−
=
∩
−
1
0
)(
m
i
i
iku
β

+ Dạng 3:

( )
1+
∩
ky
p
=
( ) ( )
++−
∩∩∩
]1, ,[ nkykyf

pp
( ) ( ) ( )
]1, ,1,[ +−−
∩
mkukukug

+ Dạng 4:

( )
1+
∩
ky
p
=
( ) ( )
1, ,[ +−
∩∩∩
nkykyf
pp
( ) ( ) ( )
]1, ,1,; +−− mkukuku

Để nhận dạng đối tượng dạng 3, trong trường hợp này cấu trúc của mô
hình nhận dạng là giống như đối tượng với f và g được thay thế tương ứng bởi
N
2
và N
1
. Mô hình này được mô tả bởi phương trình sau đây:

( )
1+
∩
ky
p
= N
2
( ) ( )
]1, ,[ +−
∩∩
nkyky
pp
+ N
1
( ) ( )
]1, ,[ +− mkuku

Vì N
2
nằm ở mạch vòng phản hồi động học, các thông số của N
2
và N
1
được xác
định bởi lan truyền ngược.
Hình 1.13 trình bày cấu trúc của mô hình nhận dạng đối tượng phi tuyến
dạng 3 sử dụng các mạng nơron N
1
và N
2

12
+
Đối tượng
Mạng
nơron
N
1
Mạng
nơron
N
2
Độ nhạy Độ nhạy
z
-1
z
-1
∑
z
-1
z
-1
z
-1
u(k)
e(k)
∂/∂w
1
ij
∂/∂w

2
ij
∑
N
1
(.)

Hình 1.13. Cấu trúc của mô hình nhận dạng
cho đối tượng phi tuyến dạng 3 sử dụng các mạng nơron N
1
và N
2
1.3.3.2. Mô hình nhận dạng nối tiếp - song song
Căn cứ vào dạng phương trình của đối tượng tuyến tính và phi tuyến, các
mô hình nhận dạng của các đối tượng nói trên theo mô hình nhận dạng nối tiếp -
song song có dạng tương ứng như sau:
* Đối tượng tuyến tính:
( )
1+
∩
ky
p
=
( )
∑ ∑
−
=
−
=
∩∩

−+−
1
1
1
0
)()()(
n
i
m
j
jp
i
jkukikyk
βα

*Đối tượng phi tuyến:
+ Dạng 1:

( )
1+
∩
ky
p
=
)]1(), ,1(),([)(.
1
0
+−−+−
∩
−

=
∩
∑
mkukukugiky
n
t
pi
α

+ Dạng 2:
( )
1+
∩
ky
p
=
( ) ( ) ( )
++−−
∩
]1, ,1,[ nkykykyf
ppp
∑
−
=
∩
−
1
0
)(
m

i
i
iku
β

+ Dạng 3:

( )
1+
∩
ky
p
=
( ) ( )
++−
∩
]1, ,[ nkykyf
pp
( ) ( ) ( )
]1, ,1,[ +−−
∩
mkukukug

+ Dạng 4:

( )
1+
∩
ky
p

=
( ) ( )
;1, ,[ +−
∩
nkykyf
pp
( ) ( ) ( )
]1, ,1, +−− mkukuku

1.3.4. Ứng dụng của mạng nơron trong điều khiển:
Vấn đề đặt ra là cần thiết kế bộ điều khiển thỏa mãn yêu cầu đề ra với
điều kiện các hàm số φ(.) và ψ(.) hoặc các ma trận A, B và C hoặc α
i
, β
j
của
hoặc của các hàm phi tuyến

f(.), g(.) đã được biết trước.

13
∏
∏
1.3.4.1 Bộ điều khiển ổn định
Hình 1.14. Bộ điều khiển ổn định
Sơ đồ cấu trúc bộ điều khiển ổn định như hình 1.14. Sai lệch giữa tín hiệu
lệnh đầu vào và tín hiệu ở đầu ra đối tượng được đưa vào bộ điều khiển để tạo ra
tín hiệu điều khiển phản hồi ở đầu ra bộ điều khiển. Lệnh đầu vào và tín hiệu
điều khiển phản hồi được đưa vào đầu vào của mạng nơron mô phỏng mô hình
ngược của đối tượng điều khiển để tạo ra tín hiệu điều khiển ngược. Tín hiệu

điều khiển đưa vào đối tượng điều khiển được tổng hợp từ hai tín hiệu là: tín
hiệu điều khiển phản hồi và tín hiệu điều khiển ngược. Mạng nơron thực hiện
học theo tín hiệu điều khiển phản hồi với thuật toán thích nghi. Ưu điểm của cấu
trúc điều khiển loại này là dễ dàng thiết lập được một hệ thống ổn định với
mạng nơron không cần huấn luyện quá phức tạp.
1.3.4.2. Điều khiển ngược thích nghi
Hình 1.15 là mô hình cấu trúc của mô hình mẫu điều khiển ngược thich
nghi. Thuật toán này có khả năng tiếp nhận sai lệch giữa đầu ra của đối tượng và
đầu ra của mô hình mẫu. Thông số của bộ điều khiển được cập nhật liên tục để
giảm sai lệch. Bộ điều khiển mô hình mẫu thích nghi cơ bản có thể ảnh hưởng
bởi nhiễu từ sensor và nhiễu bên ngoài tác động vào đối tương điều khiển. Loại
bỏ các loại nhiễu này bằng cách sử dụng mạng nơron mô tả đối tượng nối song

14
Mạng nơron mô phỏng mô
hình ngược của đối tượng
điều khiển
Thuật toán thích nghi
Bộ điều khiển
Đối tượng điều khiển
Tín hiệu
điều
khiển
ngược
T/h điều khiển phản hồi
Tín hiệu
đầu ra
đối
tượng
Lệnh

đầu
vào
+

-
+ +
song với đối tượng điều khiển. Mạng nơron được huấn luyện trên cơ sở giữ liệu
vào - ra của đối tượng điều khiển. Sai lệch giữa đầu ra của đối tượng điều khiển
và của mô hình mạng nơron được phân tích như hiệu ứng của nhiễu và nhiễu ở
đầu ra đối tượng. Tín hiệu sai lệch này được đưa vào mạng nơron mô phỏng mô
hình ngược của đối tượng điều khiển tạo ra tín hiệu lọc nhiều và dấu hiệu nhiễu
được loại trừ từ đầu vào đối tượng. Đó chính là ý tưởng thực hiện loại bỏ được
nhiễu bên ngoài và nhiễu bên trong của đối tượng.
L
+
+
+



Hình 1.15. Hệ thống điều khiển ngược thích nghi
1.3.4.3. Mô hình điều khiển phi tuyến:
1.3.4.4. Mô hình điều khiển dự báo
1.3.4.5 Điều khiển thích nghi theo mô hình mẫu hoặc điều khiển
nơron thích nghi
1.3.4.6. Đánh giá thích nghi
1.3.4.7. Phản hồi tuyến tính hóa phản hồi thích nghi dùng mạng
nơron

15

Nhiễu
Bộ điều khiển
nơron
Đối tượng điều
khiển
Mạng nơron mô
phỏng đối tượng
Mạng nơron mô
phỏng mô hình
ngược đối tượng
Mô hình mẫu
Thuật toán thích nghi
-
+
-
Nhiễu và
nhiễu loạn ở đầu
ra đối tượng
-
Đầu ra
đối tượng
Nhiễu sensơ
Lệnh
đầu vào
Sai lệch
+
-
+
1.3.4.8. Điều khiển thích nghi trực tiếp ổn định
KẾT LUẬN CHƯƠNG 1

Qua phân tích mô hình và ứng dụng của mạng nơron ta thấy chúng có:
1. Các tính chất:
- Là hệ phi tuyến
- Là hệ xử lý song song: mạng nơron có cấu trúc song song, do đó có tốc
độ tính toán rất cao, rất phù hợp với lĩnh vực nhận dạng và điều khiển.
- Là hệ học và thích nghi: Mạng được luyện từ các số liệu quá khứ, có khả
năng tự điều chỉnh khi số liệu đầu vào bị mất, có thể điều khiển on-line
- Là hệ nhiều biến, là hệ nhiều đầu vào, nhiều đầu ra (MIMO) rất tiện
dùng khi điều khiển đối tượng khi có nhiều biến số.
2. Có nhiều phương pháp ứng dụng mạng nơron để nhận dạng đối tượng,
trong đó nổi bật là hai phương pháp nhận dạng on-line và nhận dạng off-line.
Trong hai phương pháp trên thì phương pháp nhận dạng off-line có nhiều ưu
điểm: nó có thể sử dụng đồng thời tất cả các dữ liệu. Nhận dạng off-line sử dụng
khi cần thiết phải xử lý rất nhiều tín hiệu cùng một lúc. Phương pháp sử dụng
mạng nơron nhận dạng đối tượng theo đặc tính vào - ra, là điểm mạnh của về
ứng dụng của mạng nơron. Sử dụng mạng nơron để nhận dạng đối tượng có
nhiều ưu điểm hơn so với phương pháp nhận dạng truyền thống vì:
- Mạng nơron là hệ học và thích nghi có khả năng học on-line hoặc off-
line từ các số liệu quá khứ, do đó kết quả nhận dạng có thể đạt được độ chính
xác rất cao.
- Mạng nơron là hệ xử lý song song do đó tốc độ tính toán cao, mà các
phương pháp nhận dạng truyền thống khó có thể đạt được.
- Mạng nơron là hệ MIMO, do đó rất tiện dụng khi nhận dạng cho đối
tượng nhiều biến.
- Với bản chất “HỌC” mạng nơron có một trong những ứng dụng rất đặc
trưng đó là nhận dạng đối tượng căn cứ vào đặc tính vào - ra của nó. Mạng nơ

16
x
ron truyền thẳng nhiều lớp có cấu tạo đơn giản, có luật học lan truyền ngược rất

nổi tiếng thực hiện dễ dàng và có hiệu quả cao phù hợp với thực hiện quá trình
học cho các đối tượng là tuyến tính và phi tuyến tính.
3. Có nhiều phương pháp điều khiển nhưng mỗi phương pháp đều có các
ưu điểm và nhược điểm đặc thù như phương pháp phản hồi tuyến tính hóa chỉ
được áp dụng với những hệ thống được mô tả bởi phương trình 1.72, phương
pháp điều khiển thích nghi trực tiếp ổn định yêu cầu không có thành phần phi
tuyến trong phương trình mô tả cũng như tín hiệu điều khiển không gian trạng
thái. Phương pháp điều khiển thích nghi theo mô hình mẫu không đảm bảo sự ổn
định. Phương pháp điều khiển ngược thích nghi yêu cầu sự tồn tại của mô hình
ngược của đối tượng. Nói chung những phương pháp điều khiển trên đều đảm
bảo sự ổn định nhưng chỉ được áp dụng trong một giới hạn nào đó của hệ thống.
Lĩnh vực điều khiển nơron sẽ còn tiếp tục phát triển và các phương pháp điều
khiển sử dụng mạng nơron cũng sẽ phát triển đa dạng và có hiệu quả hơn nữa.

CHƯƠNG 2
MỘT SỐ MÔ HÌNH CƠ BẢN CỦA MẠNG NƠRON VÀ MẠNG
MỜ NƠRON TRONG MATLAB VÀ ỨNG DỤNG TRONG NHẬN
DẠNG VÀ ĐIỀU KHIỂN
2.1. MỘT SỐ MÔ HÌNH CỦA MẠNG NƠRON TRONG MATLAB
2.1.1. MÔ HÌNH NƠRON VÀ MẠNG NƠRON TRUYỀN THẲNG
2.1.1.1. Nơron có tín hiệu vào ở dạng véc tơ
2.1.1.2. Một lớp nơron

17
2.1.1.3. Mạng nơron truyền thẳng nhiều lớp
Hình vẽ dưới đây mô tả mô hình và mô hình rút gọn của mạng nơron
truyền thẳng ba lớp được cài đặt trong Neural Tôlbox của Matlab .Mỗi lớp có
trận trọng số W, véc tơ bias b và véc tơ tín hiệu đầu ra a. Tín hiệu đầu ra mỗi lớp
a
i

, p là véc tơ tín hiệu vào, f
i
là hàm chuyển đổi (I=1,2,3)
Hình 2.6. Mô hình của mạng nơron truyền thẳng 3 lớp
Hình 2.7. Mô hình của mạng nơron truyền thẳng 3 lớp thu gọn
Từ đó có được tín hiệu ra của lớp đầu ra là a
3
có dạng:

a
3
= f
3
(LW
3,2
f
2
(LW
2,1
f
1
(IW
1,1
p+b
1
)+b
2
)+b
3
)

2. 2. GIỚI THIỆU SIMULINK NEURAL TOOLBOX CỦA MATLAB

18
2.2.1. Khối các hàm chuyển đổi
Nháy kép vào khối Transfer Function cửa sổ khối các hàm chuyển đổi hiện ra
như hình 2.9


Hình 2.9. Khối các hàm chuyển đổi
2.2.2. Khối đầu vào
Nháy kép vào khối Net Input Functions cửa sổ khối đầu vào hiện ra như
hình 2.10.



Hình 2.10. Khối đầu vào
2.2.3. Khối các hàm trọng số
Nháy kép vào khối Weight Functions cửa sổ khối các hàm trọng số hiện ra
như hình 2.1


19



Hình 2.11. Khối các hàm trọng số
2.2.4. Khối các hệ thống điều khiển
Nháy kép vào khối Control Systems, cửa sổ khối các hệ thống điều khiển
hiện ra như hình 2.12. Trong cửa sổ này có ba khối điếu khiển là: mô hình điều
khiển dự báo dùng mạng nơron (NN Predictive Control), điều khiển NARMA-

L2 (hoặc điều khiển phản hồi tuyến tính), điều khiển theo mô hình mẫu (Model
Reference Control).

Hình 2.12. Khối các bộ điều khiển

2.3. CÁC MÔ HÌNH ỨNG DỤNG CỦA MATLAB TRONG ĐIỀU KHIỂN
* Mô hình điều khiển dự báo
* Bộ điều khiển NARMA-L2

20
* Điều khiển theo mô hình mẫu
Bộ điều khiển này sử dụng kiểu điều khiển on-line, giống như NARMA-
L2 nó có khối lượng tính toán nhỏ. Nhưng khác với NARMA-L2 là điều khiển
theo mô hình mẫu cần có một bộ điều khiển dùng mạng nơron riêng biệt để học
off -line bổ sung cho mô hình đối tượng sử dụng mạng nơron. Bộ điều khiển loại
này khá đắt tiền vì nó cần sử dụng mô hình động học lan truyền ngược.
2.3.1. Bộ điều khiển dự báo sử dụng mạng nơron
2.3.1.1 Nhận dạng đối tượng
2.3.1.2. Điều khiển dự báo
2.3.2. Bộ điều khiển NARMA - L2
2.3.2.2. Bộ điều khiển NARMA-L2
2.3.3. Điều khiển theo mô hình mẫu
Sơ đồ điều khiển theo mô hình mẫu sử dụng hai mạng nơron: một mạng là
bộ điều khiển và một là mô hình mạng nơron nhận dạng đối tượng đã được minh
họa chi tiết trên (Hình 2.19)
Hình 2.19. Mô hình mạng nơron mô tả đối tượng và bộ điều khiển
dùng mạng nơron đã được cài đặt trong NEURAL NETWORK TOOLBOX

21
Hình 2.19. minh họa chi tiết về mạng nơron mô tả đối tượng và bộ điều

khiển dùng mạng nơron đã được cài đặt trong NEURAL NETWORK
TOOLBOX của MATLAB. Từng mạng nơron đều có hai lớp vấn đề là cần chọn
được số lượng nơron ở lớp ẩn. Có ba loại tín hiệu đưa tới bộ điều khiển:
- Các tín hiệu mẫu có trễ.
- Các tín hiệu ra của bộ điều khiển có trễ.
- Các tín hiệu đầu ra đối tượng có trễ.
Với mỗi một loại tín hiệu nói trên cần chọn số lượng các giá trị có trễ
được sử dụng. Chú ý các tín hiệu có trễ tăng theo bậc của đối tượng. Có 2 loại
đầu vào của mô hình mạng nơron mô tả đối tượng.
- Đầu ra bộ điều khiển có trễ.
- Đầu ra đối tượng có trễ.
Phần này quan tâm đến điều chỉnh số lượng phần tử có trễ.
KẾT LUẬN CHƯƠNG 2
Chương 2 đã trình bày các mô hình ứng dụng của Matlab trong điều khiển
(ĐK), trong ba mô hình được trình bày ở trên:
1. Mô hình ĐK dự báo: Sử dụng mô hình mạng nơron mô tả đối tượng để
dự báo đối tượng trong tương lai. Thuật toán tối ưu xác định tín hiệu ĐK đầu
vào, tối ưu hóa đặc tính đối tượng trong tầm nhìn cho phép. Việc huấn luyện đối
tượng đòi hỏi chỉ sử dụng cho thuật toán nhóm cho mạng nơron tĩnh và đủ
nhanh. Bộ điều khiển (BĐK) này đòi hỏi sử dụng kiểu ĐK on - line nên nó có
khối lượng tính toán lớn.
2. BĐK NARMA-L2: Đầu vào được ĐK được tính toán ĐK đầu ra đối
tượng bám được theo tín hiệu mẫu. Mạng nơron mô tả đối tượng được huấn
luyện theo kiểu lan truyền ngược tĩnh và đủ nhanh. BĐK sử dụng kiểu ĐK on -
line.

22
3. BĐK nơron theo mô hình mẫu: Cần xác định mô hình mạng nơron mô
tả đối tượng đầu tiên. Sau đó sử dụng mô hình này để tham gia quá trình huấn
luyện cho mạng nơron đóng vai trò là BĐK để ĐK các đối tượng sao cho đầu ra

của đối tượng bám theo được tín hiệu mẫu. Cấu trúc ĐK này sử dụng thuật toán
lan truyền ngược động cho quá trình huấn luyện BĐK, nên nó đòi hỏi thời gian
huấn luyện dài hơn so với khi sử dụng thuật toán lan truyền ngược chuẩn. BĐK
loại này khá đắt tiền vì nó cần sử dụng mô hình động học lan truyền ngược.
BĐK sử dụng kiểu ĐK on – line, ngoài ra nó còn có một BĐK dùng mạng nơron
riêng biệt để học off – line bổ xung cho mô hình đối tượng sử dụng mạng nơron.
Như vậy trong ba BĐK trên em đã lựa chọn BĐK nơron theo mô hình
mẫu vì nó có khối lượng tính toán nhỏ. Sử dụng phương pháp on-line cho bộ
điều khiển nơron. Mạng nơron mô tả đối tượng được huấn luyện theo kiểu lan
truyền ngược. Trong BĐK loại này có sử dụng mạng nơron truyền thẳng nhiều
lớp. BĐK này có thể sử dụng điều khiển cho nhiều loại đối tượng hơn so với
điều khiển NARMA – L2. Do đó BĐK nơron theo mô hình mẫu hội tụ đầy đủ
các ưu điểm của mạng nơron.
CHƯƠNG 3
ỨNG DỤNG BỘ ĐIỀU KHIỂN NƠRON THEO MÔ HÌNH MẪU
ĐIỀU KHIỂN NỒNG ĐỘ CỦA SẢN PHẨM TRONG
BỂ CHỨA PHẢN ỨNG CÓ KHUẤY
3.1. Mô tả đối tượng điều khiển là nồng độ của sản phẩm trong bể chứa
phản ứng có khuấy
Mô hình động học của bể chứa phản ứng có khuấy được biểu diễn trên
hình 3.1.

23
C
b
W
1
W
2
C

b2
C
b1
b
W
0