tóm tắt luận văn thạc sĩ kỹ thuật THIẾT kế bộ điều KHIỂN TRÊN cơ sở MẠNG NƠRON

1
ĐẠI HỌC THÁI NGUYÊN
TRƯỜNG ĐẠI HỌC KỸ THUẬT CÔNG NGHIỆP

LÊ THU THỦY
THIẾT KẾ BỘ ĐIỀU KHIỂN TRÊN CƠ SỞ MẠNG NƠRON
Chuyên ngành : Tự Động Hóa
Mã số :
TÓM TẮT LUẬN VĂN THẠC SỸ KỸ THUẬT
THÁI NGUYÊN - 2011
Luận văn được hoàn thành tại Trường Đại học Kỹ thuật Công nghiệp Thái
Nguyên.
Cán bộ HDKH : PGS.TS. Nguyễn Hữu Công
Phản biện 1 : PGS.TS. Lại Khắc Lãi
Phản biện 2 : PGS.TS. Phạm Hữu Đức Dục
Luận văn đã được bảo vệ trước hội đồng chấm luận văn, họp tại: Phòng cao
học số 2, trường Đại học Kỹ thuật Công nghiệp Thái Nguyên. Vào 10 giờ 00 phút
ngày 08 tháng 12 năm 2011.
Có thể tìm hiểu 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
Trong những năm gần đây mạng nơron nhân tạo ANN (Artificial Neural
Network) ngày càng được ứng dụng rộng rãi trong nhận dạng, điều khiển và tính
toán mềm vì những ưu điểm như khả năng xử lý song song, tốc độ cao … nên
được ứng dụng trong nhiều lĩnh vực như: công nhiệp, năng lượng, y học, tài
nguyên nước và khoa học môi trường. Đặc biệt trong lĩnh vực kỹ thuật môi trường,
ANN ngày càng chứng tỏ được vai trò trong nhận dạng và điều khiển các quá trình
xử lý phức tạp mà các phương pháp khác không có được.
Tuy nhiên các tác giả đã nghiên cứu ở trên khi luyện mạng nơron sử dụng các
Toolbox của Matlab, thường ta sẽ không loại bỏ được những mẫu học bị nhiễu. Đề
tài sẽ đưa ra một thuật toán loại bỏ những mẫu học bị nhiễu và sẽ làm giảm sai số

trong quá trình huấn luyện mạng. Ta sẽ nghiên cứu cho một số đối tượng động học
tuyến tính và phi tuyến.
Căn cứ vào những nhận xét, đánh giá trên, tôi chọn đề tài: “Thiết kế bộ điều
khiển trên cơ sở mạng Nơron” .
Kết cấu của luận văn gồm:
Mở đầu
Chương 1: Tổng quan về mạng Nơron
Chương 2: Cơ sở việc thiết kế bộ điều khiển bằng mạng Nơron
Chương 3: Ứng dụng mạng Nơron thiết kế bộ điều khiển theo mô hình
mẫu
Chương 4: Kết luận
2
Tôi xin trân trọng bày tỏ lòng biết ơn sâu sắc đến thầy HDKH. PGS.TS
Nguyễn Hữu Công - Người đã hướng dẫn tận tình và giúp đỡ tôi hoàn thành luận
văn thạc sĩ này.
Tôi xin chân thành cám ơn Ban Giám Hiệu Trường Đại Học Kỹ thuật Công
nghiệp, Khoa đào tạo sau Đại học các thầy cô ở Khoa Điện, Khoa Điện tử –
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!
Thái Nguyên, ngày 21 tháng 12 năm 2011
Người thực hiện
Lê Thu Thủy
3
Hình 1.1 Mạng nơron đơn giản gồm 2 nơron
CHƯƠNG 1
TỔNG QUAN VỀ MẠNG NƠRON
1.1. Giới thiệu tóm tắt về mạng nơron
1.1.1. Mạng nơron sinh học
Mạng nơron bao gồm vô số các nơron được liên kết truyền thông với nhau

trong mạng. Hình 1.1 là một phần của mạng nơron bao gồm hai nơron.
Thân nơron được giới hạn trong một màng membrane và trong cùng là nhân.
Từ thân nơron còn có rất nhiều đường rẽ nhánh gọi là rễ.
Đường liên lạc liên kết nơron này với nơron khác được gọi là axon, trên
axon có các đường rẽ nhánh. Nơron có thể liên kết với các nơron khác qua các rễ.
Sự liên kết đa dạng như vậy nên mạng nơ-ron có độ liên kết cao.
1.1.2. Mạng nơron nhân tạo (Artificial Neural network - ANN)
Mô hình của Nơron có thể được cấu tạo từ 3 thành phần chính: Phần tổng
các liên kết đầu vào, phần động tuyến tính, phần phi tuyến không động học.
Cấu trúc một nơron bao gồm:
p
1
, p
2
, …. p
n
: n đầu vào
w
1
, w
2
… w
n
: n trọng số
b: tham số bù
a = f(n): hàm truyền
4
Quan hệ giữa các đầu vào và ra của một nơron được biểu diễn bằng phương
trình toán học như sau:
[ ]

bwpbppp
w
w
w
bwpn
m
m
m
k
kk
+=+





















=+=
∑
=
*
.
.
.
21
2
1
1
(1-1)
1.1.3.Cấu trúc mạng nơron nhân tạo
Có thể phân thành 3 loại như sau:
-Mạng nơron động học tuyến tính
-Mạng nơron phi tuyến tĩnh
-Mạng nơron động học phi tuyến
1.1.4. Luyện mạng Nơron
Khi xây dựng mạng để mạng có thể thực hiện được các công việc mà người
sử dụng mạng yêu cầu thì mạng nơron cần phải được học, việc học bao gồm:
- Học cấu trúc
- Học tham số
5
w
1
p
1
+
f

w
2
p
2
w
n
p
n
.
.
.
b
1
Hình 1.2 Mô hình nơron nhiều đầu
vào
an
1.1.4.1. Các phương pháp luyện mạng
Có các phương pháp cơ bản sau:
- Cần có tín hiệu chỉ đạo (học có giám sát hay học có thầy giáo
- Cần có tín hiệu chỉ đạo nhưng không chi tiết (luyện mạng bằng cách củng
cố dần kiến thức.
- Không cần tín hiệu chỉ đạo (học không giám sát hay học không thầy giáo
Dạng chung cho học tham số:
∆w
i
(t) = ηrx (1-1)
1.1.4.2. Các luật luyện mạng nơron
Các luật luyện mạng nơron cho biết quy luật mà các trọng lượng liên kết của
mạng phải thay đổi theo trong quá trình luyện mạng.
1.1.4.2.1. Luật học không giám sát của Hebb (1949)

. Nguyên lý Hebb được phát biểu: “Nếu hai nơron đồng thời được kích thích
thì tăng mối liên hệ giữa chúng”, cụ thể: ∆w
i
= ηy
i
x (1-2)
Cách phát biểu khác của luật Hebb: Lực khớp trong não thay đổi tỷ lệ với
tương quan giữa sự phát hỏa của các nơron trước.
1.1.4.2.2.Luật học Perceptron (Rosenblatt)
Tín hiệu học r ở đây là sai số giữa đích (đầu ra thực) và đầu ra mong muốn
r = d
i
– y
i
. (1-6)
thay vào (1-29) ta có:

( )
[ ]



=
≠
=−=∆

i
iji
j
T

iii
d
dxd
xxwSgndw
i
i
y khi 0
y khi 2
.
η
η
(1-7)
Hoặc:
( )
[ ]



=
≠
=−=∆

i
ii
T
iii
d
dxd
xxwSgndw
i

i
y khi 0
y khi 2
.
η
η
(1-8)
1.2. Kết luận chương 1
Đã giới thiệu tóm tắt về kiến thức cơ bản của mạng nơron. Đồng thời giới
thiệu các dạng mô hình của mạng nơron, các thuật toán huấn luyện mạng và các
bài toán với mạng nơron làm tiền đề cho việc thiết kế bộ điều khiển trên cơ sở
mạng nơron.
6
CHƯƠNG 2
CƠ SỞ VIỆC THIẾT KẾ BỘ ĐIỀU KHIỂN BẰNG MẠNG NƠ-RON
2.1. Cấu trúc chung của một hệ thống điều khiển
2.1.1. Khái niệm chung về một hệ thống điều khiển
Trong kĩ thuật thường sử dụng phương thức điều khiển sai lệch. Tín hiệu
điều khiển ở đây được hình thành do có sự sai lệch giữa giá trị mong muốn và giá
trị đo được của đại lượng cần điều chỉnh. Sơ đồ cấu trúc hệ thống điều chỉnh tự
động tác động theo phương thức sai lệch được mô tả như hình 2.1
Hình 2.1 Sơ đồ cấu trúc hệ thống điều chỉnh tự động
2.1.2. Cấu trúc chung của bộ điều khiển có phản hồi
Hình 2.2 Sơ đồ cấu trúc chung một hệ thống điều khiển
e(t) = r(t) − y(t), một bộ điều khiển PID có dạng tổng quát như sau:
∫
++= )()()()( te
dt
d
KdtteKteKtu

DIp
(2-1)
2.2. Phương pháp thiết kế bộ điều khiển bằng mạng Nơron
2.2.1. Lý luận chung
Dùng mạng Nơron để thiết kế bộ điều khiển phải thực hiện theo trình tự hai
bước cơ bản sau:
Bước 1: Nhận dạng đối tượng.
Bước 2: Thiết kế bộ điều khiển nơron.
7
TBCĐ TBSS KCN CCCH TBCN TBĐ
x
e u
z
y
2.2.2. Nhận dạng đối tượng sử dụng mạng nơ-ron
2.2.2.1. Khả năng sử dụng mạng nơron trong nhận dạng
Có hai loại bài toán quan trọng trong lý thuyết điều khiển là các thuật toán
điều khiển và các phương pháp nhận dạng mô hình.
2.2.2.2. Mô hình nhận dạng hệ thống sử dụng mạng nơron
1. Nhận dạng tham số sử dụng mạng nơron
Tín hiệu sai số
yye
~
−=
là cơ sở cho quá trình luyện mạng. Mạng nơron ở đây
có thể là mạng nhiều lớp hoặc các dạng khác và có thể sử dụng nhiều thuật luyện
mạng khác nhau.
2. Nhận dạng mô hình đối tượng sử dụng mạng nơron
Nhận dạng mô hình là quá trình xác định mô hình của đối tượng điều khiển và
thông số trên cơ sở đầu vào và đầu ra của đối tượng điều khiển. Thông thường mô

hình hồi quy được sử dụng. Ở đây động học đối tượng điều khiển được xét dưới
dạng hệ rời rạc với véc tơ đầu vào bao gồm:
x = ( y
t-1
, y
t-2
, , u
t-1
, u
t-2
, ) (2.2)
Trong đó: y
t-1
, u
t-1
là các giá trị đầu ra và đầu vào tương ứng ở chu
kỳ trước.
Để nhận dạng mô hình hệ phi tuyến
người ta có thể sử dụng mạng nơron nhiều lớp
theo hai quan điểm sau:
8
Đối tượng
điều khiển
Mạng
nơron
u
y
y
~
e

-
Hình 2.3 Mô hình nhận dạng cơ bản
Đối tượng
điều khiển
Mạng
nơron
u
y
y
~
e
-
-
Hình 2.7a
Hình 2.7b
Hình 2.7 Mô hình nhận dạng song song và nối tiếp – song song
2.2.2.3. Nhận dạng hệ thống sử dụng mạng nơron
a. Mô hình nhận dạng song song
Để nhận dạng một hệ có thể dùng mô hình nhận dạng này và được mô tả
bằng phương trình:
[ ]
)()1(
ˆ
ˆ
)(
ˆ
ˆ
)1(
ˆ
10

kuNkykyky
ppp
+++=+
αα
(2.4)
b. Mô hình nhận dạng nối tiếp - song song
Mô hình nhận dạng có dạng như sau:
[ ]
)()1(
ˆ
ˆ
)(
ˆ
ˆ
)1(
ˆ
10
kuNkykyky
ppp
+−+=+
αα
(2.5)
2.2.3. Thiết kế bộ điều khiển sử dụng mạng Nơ-ron
2.2.3.1.Điều khiển theo vòng hở
Hình 2.11 Bộ điều khiển thể hiện bằng mạng nơ-ron trong cấu trúc điều khiển theo
vòng hở.
2.2.3.2 Điều khiển theo vòng kín
Mạng nơ-ron trong cấu trúc điều khiển theo vòng kín đóng vai trò bộ điều
khiển với phản hồi như hình 2.12.
9

y
d
u
y
e
Bộ điều khiển
bằng mạng
nơron
ĐTĐK
Đối tượng
điều khiển
Mạng
nơron
u
y
y
~
e
-
-
Hình 2.12 Bộ điều khiển bằng mạng nơron trong cấu trúc điều khiển theo vòng kín
2.2.3.3. Điều khiển với mô hình tham chiếu
Mạng nơron thay thế bộ điều khiển cũng có thể được luyện để làm giảm sai
số giữa đầu ra của đối tượng điều khiển và mô hình tham chiếu như ở hình 2.13.
Hình 2.13 : Mạng nơ ron được luyện bắt chước bộ điều khiển
2.2.3.4. Điều khiển theo thời gian vượt quá
Có hai phương pháp được sử dụng :
-Xây dựng mô hình của quá trình và sau đó sử dụng một dạng nào đó của
thủ tục lan truyền ngược theo thời gian. Phương pháp này khó sử dụng dưới dạng
tổng quát.

-Sử dụng giá trị tới hạn thích nghi và các phương pháp học củng cố.
2.3.Nhận dạng đối tượng điều khiển sử dụng mạng Nơ-ron
2.3.1. Lý luận chung
Để xây dựng mô hình toán học của đối tượng có thể sử dụng các phương
pháp sau:
10
Bộ điều khiển
bằng mạng
nơron
ĐTĐK
y
d
y
u
e
_
Bộ điều khiển
bằng mạng
nơron
Bộ điều khiển
bằng mạng
nơron
ĐTĐK
-
y
e
y
d
u
-Phương pháp lý thuyết

-Phương pháp thực nghiệm
2.3.2. Nhận dạng đối tượng tuyến tính sử dụng mạng Nơron
2.3.2.1. Mạng nơron động học tuyến tính
Đây là một mạng nơron đặc biệt chỉ có một nơron duy nhất, với một đầu vào
được đưa qua các khâu trễ và đầu ra của nơron được phản hồi trở lại đầu vào sau
khi đưa qua các khâu trễ.
Đây là một mạng nơron có cấu trúc đơn giản nhất, với số lượng các tham số
của mạng là m + n + 1, trong đó có m +1 trọng số vào iw
1i
và n trọng số lớp lw
1j
.
Mạng nơron động học tuyến tính được ứng dụng để nhận dạng đối tượng có
mô hình tuyến tính gián đoạn ARMA.
2.3.2.2. Mô hình ARMA biểu diễn dưới dạng mạng Nơron
Cho đối tượng có đặc tính động học tuyến tính có mô hình gián đoạn ARMA
như sau :
1 2 m
0 1 2 m
1 2 n
1 2 n
Y(z) b b z b z b z
G(z)
U(z) 1 a z a z a z
− − −
− − −
+ + + +
= =
+ + + +
(2-7)

2.3.1.2. Ứng dụng mạng nơron nhận dạng đối tượng tuyến tính
Các bước để tiến hành luyện mạng :
Bước 1: Chọn mạng NN và cấu trúc của nó
Hàm truyền của đối tượng cần nhận dạng :
1 2
0 1 2
1 2
1 2
b b z b z
G(z)
1 a z a z
− −
− −
+ +
=
+ +
(2-9)
Bước 2: Chọn các tập mẫu vào / ra để luyện mạng
Bước 3: Khi đã đủ các yếu tố cần thiết ta tiến hành luyện mạng.
2.3.3. Nhận dạng đối tượng phi tuyến sử dụng mạng Nơ-ron
Mô hình I:
Biểu thức mô tả đối tượng
[ ]
))1((), ,1(),()()1(
1
0
−−−+−=+
∑
−
=

nkukukugikyaky
n
i
pip
(2-10)
11
Mô hình II:
Biểu thức toán học mô tả đối tượng
[ ]
))1((), ,1(),()()1(
1
0
−−−+−=+
∑
−
=
nkykykyfikuky
ppp
m
i
p
β
(2-11)
Mô hình III:
Biểu thức toán học mô tả đối tượng
p p p p
y (k 1) f y (k),y (k 1), ,y (k (n 1)) g[u(k),u(k 1), ,u(k (m 1))]
 
 
+ = − − − + − − −

(2-12)
Mô hình IV:
Phương trình mô tả đối tượng:
p p p p
y (k 1) f y (k),y (k 1), ,y (k (n 1)); u(k), u(k 1), ,u(k m 1)
 
+ = − − − − − +
 
(2-13)
2.4. Thiết kế điều khiển bằng mạng Nơron theo mô hình mẫu
2.4.1.Hệ thống điều khiển theo mô hình mẫu
Bài toán đặt ra như sau: Cho một đối tượng và chọn trước một mô
hình mẫu, ta phải thiết kế bộ điều khiển sao cho đầu ra của đối tượng bám theo đầu
ra của mô hình mẫu với sai lệch là nhỏ nhất.
Sơ đồ hệ thống điều khiển theo mô hình mẫu như hình 2.19.
Hình 2.19 Sơ đồ hệ thống điều khiển theo mô hình mẫu
2.4.2. Thiết kế bộ điều khiển nơron theo mô hình mẫu
Sơ đồ khối hệ thống điều khiển theo mô hình mẫu sử dụng mạng Nơron có
dạng như hình 2.20.
12
Mô hình
mẫu
Bộ
điều khiển
Đối tượng
x
y
m
y
e

u
Hình 2.20.Sơ đồ huấn luyện bộ điều khiển nơron NN Controller
Thiết kế bộ điều khiển nơron theo mô hình mẫu bao gồm các bước thực
hiện:
Bước 1: Tạo 1 tập mẫu P,T lấy trên mô hình mẫu bằng cách phát 1 tín hiệu
đầu vào P (P là tín hiệu ngẫu nhiên) và quan sát tín hiệu ra T dùng tập mẫu P,T để
huấn luyện mạng nơron cho bộ điều khiển ‘‘NN Controller’’ .
Bước 2: Chọn cấu trúc mạng nơron NN controller.
Bước 3: Kết hợp 2 mạng NN controller và mạng NN plant tạo thành mạng
NN system sau đó dùng tập mẫu P,T huấn luyện mạng NN system sao cho hàm
mục tiêu J =
∑
=
N
1k
2
)k(e
N
1
là bé nhất (trong quá trình luyện mạng thì các thông số w,
b của NN plant giữ cố định, chỉ chỉnh định các thông số w, b NN controller). Sau
khi huấn luyện xong NN controller thì ta lắp vào sơ đồ trên hình 2.20 để điều khiển
hệ thống.
13
e
2
x
Mô hình
mẫu
NN model

NN
controller
Đối tượng
W,b
y
m
-
y
e
1
-
u
-
W,b
CHƯƠNG 3
ỨNG DỤNG MẠNG NƠ-RON THIẾT KẾ BỘ ĐIỀU KHIỂN THEO MÔ HÌNH MẪU
3.1. Với các đối tượng tuyến tính
3.1.1. Bài toán 1. Nhận dạng đối tượng có hàm truyền:
2
1
G(s)
s 0.4s 1
=
+ +
(3-1)
Sử dụng mạng NN động học tuyến tính để nhận dạng: với các tập mẫu vào
(P), ra (T) để luyện mạng như sau:
Tiến hành luyện mạng ta có được kết quả sau
Hình 3.2 Các kỉ nguyên luyện mạng.
14

0 5 10 15 20 25 30
0
0.2
0.4
0.6
0.8
1
1.2
1.4
1.6
T
0 5 10 15 20 25 30
0
0.2
0.4
0.6
0.8
1
1.2
1.4
1.6
1.8
2
P
Hình 3.1 Các tập mẫu P và T dùng để luyện mạng.
0 1 2 3 4 5 6 7
10
-30
10
-25

10
-20
10
-15
10
-10
10
-5
10
0
7 Epochs
Training-Blue Goal-Black
Performance is 2.79546e-032, Goal is 1e-032
0 5 10 15 20 25 30
-1
-0.5
0
0.5
1
1.5
x 10
-15
Error of model and plant
0 10 20 30
0
0.5
1
1.5
Reference input and target output
0 10 20 30

0
0.5
1
1.5
Model output
Hình3.3 Các kết quả luyện mạng.
Dùng sơ đồ Simulink để kiểm tra lại kết quả.
Sơ đồ như sau:
Step
Sai so
p{1}
p{2}
y {1}
Neural Network
1
s +0.4s+1
2
Mo hinh doi tuong
Ket xuat thuc
Ket xuat dich
Hình 3.4 Sơ đồ mô phỏng.
15
P,T
Kết quả kiểm tra bằng Simulink:
Hình 3.5 Kết quả kiểm chứng.
Kết luận:
Từ kết quả kiểm chứng cho thấy việc nhận dạng đối tượng cho kết quả rất
tốt sai số trung bình khoảng 10
-20
÷ 10

-30
. Qua đây ta có thể thấy được sự vượt trội
về độ chính xác của việc nhận dạng bằng mạng nơron so với các phương pháp
khác. Từ kết quả mô phỏng cho đối tượng là khâu quán tính bậc nhất có trễ ta có
thể thấy được sự sai số lớn do việc xấp xỉ khâu có trễ thành khâu quán tính bậc
nhất
3.2. Với các đối tượng phi tuyến
3.2.3. Bài toán 6: Bể xử lý nước thải
3.2.3.1. Nhận dạng hệ thống xử lý nước thải
Sơ đồ nhận dạng hệ thống xử lý nước thải trên cơ sở mạng Nơron như sau:
16
T
Hệ thống xử
lý nước thải
NN Plant
e(k)
P
w, b
Hình 3.28 Sơ đồ nhận dạng hệ thống xử lý nước thải bằng mạng nơron.
Sơ đồ hệ thống xử lý nước thải như hình 3.29.
Hình 3.29 Sơ đồ xử lý hệ thống nước thải.
Phương trình hệ thống là: V
y

= Fa - Fy - ub – uy
Các thông số của hệ thống xử lý nước thải được mô hình hoá như sau.
Thông số Giá trị Đơn vị
a 0.001 moles/L
b 0.001 moles/L
F 0.1 L/sec

V 2 L
Giới hạn của tín hiệu điều khiển u là: [0 2] L/sec.
Thay các giá trị trên vào mô hình được phương trình hệ thống như sau:
y

= 0.00005 - 0.05y - 0.0005u – 0.5uy (3-15)

Để nhận dạng được hệ thống xử lý nước thải, chúng tôi sử dụng một mạng nơ-ron gọi
tên là NN1 model. Mạng này có sơ đồ khối như hình sau:
17
Máy trộn
u
nước thải có tính acid
nước thải trung tính
T
Hệ thống xử
lý nước thải
NN Plant
e(k)
P
w, b
Hình 3.31 Mô hình mạng nơron của đối tượng.
Cấu trúc mạng nơron của mô hình hệ thống xử lý nước thải được chọn như
hình vẽ trên:
- Mạng gồm có hai lớp: Lớp 1 có 4 nơron và sử dụng hàm tansig, lớp 2 có 1
nơron và sử dụng hàm purelin.
Bộ thông số (p,t) gồm 1000 mẫu lấy ở trên được dùng để huấn luyện mạng
nơron của mô hình đối tượng.
Sau khi khởi động phần mềm Matlab 6.5, tại dấu nhắc ở cửa sổ Matlab
Comand window ta gõ:

>> b7↵
Sau khi huấn luyện mạng nơron, các thông số của mạng nơron như sau.
net.iw{1,1} = [-2.6255 0.2811 -0.6148 0.5481]'
net.b{1} = [5.4580 -1.5426 1.3953 -0.0441]'
net.b{2} = 0.5309
net.lw{1,2} = [-1.4697 2.7814 1.9926 1.1968]'
net.lw{2,1} = [0.0035 0.6984 0.1139 -0.0320]
Khi đó chương trình sẽ mô phỏng và cho kết quả như sau.
Hình 3.32 Đồ thị sai lệch giữa mô hình nơron và mô hình đối tượng.
3.2.3.2.Ứng dụng thiết kế bộ điều khiển theo mô hình mẫu
18
*. Mô hình mẫu của hệ thống xử lý nước thải
- Hàm truyền đạt của mô hình mẫu được chọn như sau:
)130)(125(
001.0
)(
++
=
ss
sG
(3-17)
Hình 3.33 Hàm trọng lượng của mô hình mẫu
- Sau 250 giây thì hệ thống đạt được trạng thái xác lập với tín hiệu ra bằng
không.
Mô hình mẫu trong simulink.
Hình3.34 Mô hình mẫu trong Simulink.
19
*. Thiết kế bộ điều khiển nơ-ron
Hình 3.35 Cấu trúc mạng nơ ron của bộ điều khiển được chọn
Mạng NN controller được chọn có 3 lớp: lớp vào có 4 nơron, sử dụng hàm

tansig; lớp ẩn có 3 nơron, sử dụng hàm tansig; lớp ra có 1 nơron, sử dụng hàm
pureline; khâu TDL1 có đường dây trễ là 1.
Sau khi huấn luyện ta có các thông số của bộ điều khiển nơ ron:
net.iw{1,1} = 1.0e+003 *[-0.4220 1.9542 -1.8371 -0.8361]';
net.lw{1,3} =[-2.1672 0.9400 0.5578 1.9932]';
net.lw{1,5} =[0.2532 -0.4862 -1.1192 0.5167]';
net.b{1} = [2.2229 -0.7450 -0.7357 -2.2132]';
net.b{2} = [-1.8333 0.0276 -1.8474]';
net.b{3} = -0.1232; net.lw{3,2} = [0.0442 -0.2783 -0.0546];
Đồ thị sai lệch giữa tín hiệu đầu ra của mô hình đối tượng với đầu ra của mô
hình mẫu. Kết quả sai lệch rất nhỏ.
20
LW
1
,3
IW
1,
1
b
1
1
TD
L
LW
,2,
1
b
2
1
LW

3
,2
b
3
1
LW
1
,5
TD
L
Hình 3.36 Đồ thị sai lệch giữa tín hiệu ra của đối tượng với mô hình mẫu.
3.2.3.4. Mô phỏng kết quả
Sơ đồ mô phỏng hệ thống điều khiển như hình sau:
Hình 3.37 Sơ đồ mô phỏng.
Cấu trúc một số nơron của các lớp vào, lớp ẩn và lớp ra như hình sau:
Hình 3.38 Cấu trúc một số nơron của các lớp vào, lớp ẩn và lớp ra.
21
- Kết quả mô phỏng với tín hiệu đặt ref = 0.000001, a = 0.0015 và sơ kiện y(0)
khác nhau.
+ y(0) = 0.005
Hình 3.39 Kết quả mô phỏng với tín hiệu đặt; y(o) = 0,005.
- Kết quả mô phỏng với tín hiệu đặt ref = 0.000001, a = 0.0005 và sơ kiện y(0) =
0.05.
Hình 3.40 Kết quả mô phỏng với tín hiệu đặt; y(o) = 0,05.
- Kết quả mô phỏng với tín hiệu đặt ref = 0.000001, a = 0.0005 và sơ kiện
y(0) = 0.02.
Hình 3.41 Kết quả mô phỏng với tín hiệu đặt; y(o) = 0,02.
22
- Kết quả mô phỏng với tín hiệu đặt ref = 0.000001, a = 0.0005 và sơ kiện y(0)
= -0.02

Hình 3.42 Kết quả mô phỏng với tín hiệu đặt; y(o)=-0.02
23
3.2.4. Bài toán 8: Nhận dạng cánh tay rô bốt một bậc tự do
3.2.4.1. Nhận dạng hệ thống
Hệ thống nhận dạng cánh tay rô bốt bằng mạng nơron như hình 3.43.
Hình 3.43 Sai lệch đầu ra của NN model và đối tượng
Ở đây đối tượng điều khiển là cánh tay rô bốt như hình 3.43, là một đối
tượng có đặc tính động học và phi tuyến có mô hình toán học biểu diễn dưới dạng
phương trình vi phân có dạng như sau:
cu
dt
d
ba
dt
d
+−−=
φ
φ
φ
sin
2
2
(3-18)
Trên cơ sở phân tích trên, chọn cấu trúc mạng NN2 model có đặc tính động
học và phi tuyến bao gồm hai lớp với các khâu TDL-1, TDL-2 có số đường trễ lần
lượt là 0 1 2 và 1 2 3 như hình 3.44
Hình 3.44 Mô hình mạng nơ ron của đối tượng
Hình 3.46 biểu diễn lần lượt tín hiệu ra của NN2 model, sai lệch giữa đầu ra của
NN model và đối tượng.
24

T
Cánh tay rô
bốt
NN Plant
e(k)
P
w, b
LW
12
IW
1,1
b
1
1
TDL-2
1 2 3
LW
21

2,1
b
2
1
p
t
TDL-1
0 1 2
Hình 3.45 Tín hiệu vào và ra của mẫu
Hình 3.46 Đầu ra của model, sai lệch giữa đầu ra của model và đối tượng
Hình 3.47 Sai lệch mse giữa đầu ra của NN model và đối tượng.

25