tóm tắt luận văn thạc sĩ kỹ thuật NGHIÊN cứu ỨNG DỤNG bộ điều KHIỂN góc BAY của máy BAY BOEING

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

BÙI THỊ THU PHƯƠNG
NGHIÊN CỨU ỨNG DỤNG BỘ ĐIỀU KHIỂN
NARMA-L2 VÀO THIẾT BỊ LÁI TỰ ĐỘNG
GÓC BAY CỦA MÁY BAY BOEING
Chuyên ngành: Tự Động Hóa
Mã số: 605260
TÓM TẮT LUẬN VĂN THẠC SĨ KỸ THUẬT
THÁI NGUYÊN - 2010
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 : PGS.TS Lại Khắc Lãi
Phản biện 2 : TS. Nguyễn Văn Vỵ
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 15 giờ 00 phút ngày 13 tháng 08 năm 2010.
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.
2
MỞ ĐẦU
Máy bay là một phương tiện hiện đại, cao cấp, ngày nay đóng vai trò không
thể thiếu trong kinh tế và đặc biệt trong quân sự. Máy bay là phương tiện vận tải
hiện đại đòi hỏi các đảm bảo kỹ thuật rất khắt khe do các tai nạn máy bay thường
gây thiệt hại rất lớn về nhân mạng và tài sản. Do sự yêu cầu nghiêm ngặt về độ
chính xác khi điều khiển máy bay. Trong máy bay yêu cầu nhiều khối lượng điều
khiển tự động, trong đó có khối điều khiển tự động góc bay của máy bay, khi đó
không cần có người điều khiển mà máy bay vẫn có thể bay với góc bay thực, bám

với góc bay mong muốn.
Từ yêu cầu đó, tôi đã lựa chọn đề tài: "Nghiên cứu ứng dụng bộ điều khiển
NARMA-L2 vào thiết bị lái tự động góc bay của máy bay boeing" vào trong
thiết bị lái tự động góc bay của máy bay Boeing
Nội dung của luận văn được chia thành 4 chương:
Chương1. Tổng quan về ứng dụng của mạng nơron trong nhận dạng và
điều khiển.
Chương 2. Các mô hình của mạng mờ nơron trong Matlab và ứng dụng
trong nhận dạng và điều khiển.
Chương 3. Ứng dụng bộ điều khiển NARMA - L2 vào thiết bị lái tự động
góc bay của máy bay Boeing.
Chương 4: Kết luận chung và kiến nghị.
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 sĩ 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.
3
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 30 tháng 07 năm 2010
Người thực hiện
Bùi Thị Thu Phương
4
CHƯƠNG I
TỔNG QUAN VỀ ỨNG DỤNG CỦA MẠNG NƠRON
TRONG NHẬN DẠNG VÀ ĐIỀU KHIỂN
1.1. Các loại mô hình cấu trúc mạng nơron

Mạng nơron bao gồm sự liên kết của nhiều nơron. Đầu ra của mỗi nơron kết
nối với các nơron khác thông qua các trọng số, hoặc tự phản hồi trở về đầu vào của
chính nó.
Cấu trúc của mạng nơron là kiểu kết nối hình học của mỗi nơron liên kết trong
mạng, đây là đặc điểm quan trọng của từng mạng nơron, dựa vào đó tiến hành phân
loại chúng
1.2. Các tính chất của mạng nơron
- 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.
1.3. Các luật học
Mạng nơron sử dụng hai nhóm luật học:
Nhóm các luật học thông số (Parameter learning rules) và nhóm các luật học cấu
trúc (Structure learning rules)
Có 3 kiểu học là: Học có giám sát, học củng cố và học không có giám sát.
1.3.1. Học có giám sát:
1.3.2. Học củng cố
1.3.3. Học không có giám sát
1.4. Ứng dụng của mạng nơron trong nhận dạng và điều khiển
1.4.1.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…
5
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 với độ chính xác
tuỳ ý. Chủ yếu mạng nơron sử dụng để nhận dạng và điều khiển hệ thống.
1.4.2. Mô tả toán học của đối tượng ở 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)] (1.5)
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 (1.5) ở dạng rời rạc, ta có:
x(k+1) = φ[x(k),u(k)]
y(k) = ψ[x(k)] (1.6)
với u(k), x(k), y(k) là các đại lượng cho ở dạng dãy rời rạc.
Giả thiết hệ rời rạc (1.6) là tuyến tính và bất biến, có thể viết lại ở dạng:

x(k+1) = Ax(k) + Bu(k)
y(k) = Cx(k) (1.7)
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:
6
y
p
(k+1)=
∑ ∑
−
=
−
=
−β+−α
1n
1i
1m
0j
jpi
)jk(u)ik(y
(1.8)
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)).
* 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)=
)]1mk(u), ,1k(u),k(u[g)ik(y
1n
0t
pi
+−−+−α
∑
−
=
(1.9)
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:
(k+1) = f [(y
p
(k), y

p
(k-1), ,y
p
(k-n+1)]+
∑
−
=
−β
1m
0i
i
)ik(u
(1.10)
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)] (1.11)
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)] (1.12)
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
7
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.

1.4.3. Ứng dụng của mạng nơron trong nhận dạng
Vấn đề nhận dạng được đặt ra khi các hàm số φ(.), ψ(.), của (1.6), hoặc các
ma trận A, B và C của (1.7) hoặc α
i
, β
j
của (1.8) hoặc của các hàm phi tuyến

f(.),
g(.), (từ 1.9 đến 1.12) 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 1.4. Mô hình nhận dạng
1.4.1.1. Mô hình nhận dạng song song
1.4.1.2. Mô hình nhận dạng nối tiếp - song song
1.4.2. Ứng dụng của mạng nơron trong điều khiển
1.4.2.1 Bộ điều khiển ổn định
1.4.2.2. Điều khiển ngược thích nghi
1.4.2.3. Mô hình điều khiển phi tuyến
1.4.2.4. Mô hình điều khiển dự báo
1.4.2.5 Điều khiển thích nghi theo mô hình mẫu hoặc điều khiển nơron
thích nghi.
y
p
(k)
p
(k)

Đối tượng
Mô hình nhận
dạng
e
i
(k)
+

+
=
=
+
-
u(k)
Y
p
(k)
8
1.4.2.6. Đánh giá thích nghi
1.4.2.7. Phản hồi tuyến tính hóa phản hồi thích nghi dùng mạng nơron
1.4.2.8. Điều khiển thích nghi trực tiếp ổn định
KẾT LUẬN CHƯƠNG 1
9
CHƯƠNG 2
CÁC MÔ HÌNH CỦA MẠNG MỜ NƠRON TRONG MATLAB VÀ ỨNG
DỤNG TRONG NHẬN DẠNG VÀ ĐIỀU KHIỂN
2.1. Giới thiệu SIMULINK NEURAL TOOLBOX của MATLAB
2.1.1. Khối các hàm chuyển đổi
2.1.2. Khối đầu vào
2.1.3. Khối các hàm trọng số

2.1.4. Khối các hệ thống điều khiển
2.2. Các mô hình ứng dụng của Matlab trong điều khiển
- Mô hình điều khiển dự báo: NN Predictive Control
- Điều khiển Narma - L2: NARMA - L2 Control
- Điều khiển theo mô hình mẫu: Model Reference Control.
Có hai bước thực hiện cho mỗi kiểu điều khiển nói trên khi sử dụng mạng
nơron truyền thẳng nhiều lớp để điều khiển sau đây:
- Bước 1: Nhận dạng đối tượng điều khiển.
- Bước 2: Điều khiển đối tượng
2.2.1. Bộ điều khiển dự báo sử dụng mạng nơron
2.2.1.1 Nhận dạng đối tượng
2.2.1.2. Điều khiển dự báo
2.2.2. Bộ điều khiển Narma - L2
Bộ điều khiển Narma-L2 (bộ điều khiển phản hồi tuyến tính) được mô tả là
dạng phản hồi tuyến tính khi mô hình đối tượng là đồng dạng. Đó là vì sử dụng bộ
điều khiển Narma-L2 khi mô hình đối tượng có thể sấp xỉ bởi một dạng cùng loại.
Đặc biệt nổi bật của bộ điều khiển này là hệ động học phi tuyến được thay thế bởi
đối tượng tuyến tính bằng phương pháp tuyến tính hoá đoạn đặc tính làm việc. Phần
này trình bày về sử dụng mô hình mạng nơron nhận dạng đối tượng, sử dụng mô
hình mạng nơron đó vào tham gia quá trình điều khiển khi sử dụng bộ điều khiển
trong quá trình huấn luyện và cách sử dụng khối Narma-L2 Control được cài đặt
trong Neural network Toolbox blockset.
10
2.2.2.1. Quá trình nhận dạng
Cũng như mô hình điều khiển dự đoán, bước đầu tiên sử dụng phản hồi
tuyến tính nhận dạng hệ thống được điều khiển. Thực hiện huấn luyện mạng nơron
để biểu diễn động học của hệ thống. Bước đầu tiên là chọn cấu trúc mô hình cần sử
dụng. Mô hình được sử dụng để biểu diễn hệ phi tuyến rời rạc là mô hình trung bình
trượt-phi tuyến tự hồi quy (Nonlinear Autoregressive- MovingAverage - NARMA)
y(k+d) = N[y(k),y(k-1),…,y(k-n+1),u(k),u(k-1),…,u(k-n+1)]

với u(k) là tín hiệu đầu vào của hệ thống, y(k) là tín hiệu đầu ra của hệ thống.Với
quá trình nhận dạng huấn luyện được mạng nơron biểu diễn hàm phi tuyến N. Đó là
quá trình nhận dạng được sử dụng cho bộ điều khiển NN Predictive Controller.
Nếu muốn đầu ra của hệ thống bám theo được quỹ đạo mẫu :
y(k+d) = y
r
(k+d), ta cần xác định một bộ điều khiển phi tuyến có dạng:
u(k) = G[y(k), y(k-1),…, y(k-n+1), y
r
(k+d),u(k-1),…, u(k- n+1)


Hình 2.16 -Cấu trúc của mạng nơron nhận dạng
2.2.2.2. Bộ điều khiển NARMA-L2
Sử dụng mô hình NARMA-L2, tín hiệu điều khiển có dạng:
Mạng nơron xấp xỉ hàm g(.)
Mạng nơron xấp xỉ hàm f(.)
11
u(k)=
( ) ( ) ( ) ( ) ( ) ( )
[ ]
( ) ( ) ( ) ( ) ( )
[ ]
1nku, ,ku,1nky, ,1ky,kyg
1nku, ,ku,1nky, ,1ky,kyfdky
r
+−+−−
+−+−−−+

mô hình 2.17:

Hình 2.17- Mô hình NARMA-L2
Bộ điều khiển có dạng như sau:
Hình 2.18. Mô hình NARMA-L2 sau khi đã nhận dạng được đối tượng sử dụng
trong bước điều khiển tìm tín hiệu điều khiển u
2.2.3. Điều khiển theo mô hình mẫu
KẾT LUẬN CHƯƠNG 2
Thiết bị lái
tự động
Mô hình
mẫu
Đối tượng
điều
khiển
Phần tử
trễ
Mạng nơron nhận dạng hàm g(.)
Mạng nơron nhận dạng hàm f(.)
12
CHƯƠNG 3
ỨNG DỤNG BỘ ĐIỀU KHIỂN NARMA-L2 VÀO THIẾT BỊ
LÁI TỰ ĐỘNG GÓC BAY CỦA MÁY BAY BOEING
3.1. Động học góc bay của máy bay.
Mô hình động học của máy bay được biểu diễn trên hình 3.1 [6, 7]. Động học
của máy bay rất phức tạp, ở đây chỉ tập trung phân tích động học góc bay của nó.
Ngay cả thông số góc bay của máy bay cũng phụ thuộc vào nhiều biến số và phụ
thuộc vào trạng thái hiện tại của máy bay. Để giảm mức độ phức tạp của quá trình
nghiên cứu thiết kế thiết bị lái tự động này, ta xem xét mô hình động học góc bay
của máy bay với các giả thiết sau.
Giả thiết máy bay đang bay ở trạng thái ổn định với độ cao và tốc độ không

đổi. Do đó trên mô hình động học của góc bay tại thời điểm nghiên cứu thiết lập các
trạng thái cân bằng giữa các cặp lực tác động tương ứng vào máy bay. Đó là trạng
thái cân bằng của lực đẩy với lực cản và trạng thái cân bằng của lực nâng làm máy
bay bay bổng lên cao và trọng lực của máy bay. Mặt khác cũng giả thiết rằng sự
thay đổi của góc bay không làm cho tốc độ bay của máy bay thay đổi trong mọi
trạng thái.
Với các giả thiết trên, động học góc bay của máy bay được mô tả bởi các
phương trình sau:
]C)sinC(q)C()CC([
LWL
1
DL
+θγ−−+α+−σΩµ=α
µ

(3.1)
})sinC(q)]C1(CC[)]CC(C{[
i2
q
WLMMDLM
yy
δγη+µ−σ++α+η−
Ωµ
=

(3.2)
q Ω=θ

(3.3)
Hình 3.1. Mô hình động học của máy bay.

Lực cản
Lực nâng
Trọng lực
13
Từ (3.1), (3.2), (3.3) thấy rằng hệ phương trình này có tính phi tuyến vì có các
thành phần tỷ lệ với
γsin
. Mặt khác cũng thấy rằng để điều khiển góc bay
θ
cần
thực hiện điều khiển góc của bánh lái ở đuôi máy bay
δ
.
3.2. Ứng dụng bộ điều khiển NARMA-L2 vào thiết bị lái tự động góc bay
của máy bay
Các phương trình (3.1), (3.2), (3.3) có tính phi tuyến, do đó sẽ gặp nhiều khó
khăn khi thực hiện điều khiển thông số
θ
. Để khắc phục điều này, [7] đã đề xuất
mô hình động học của một loại máy bay Boeing khi đã thực hiện phép tuyến tính
hoá đoạn đặc tính làm việc của (3.1), (3.2), (3.3) đối với máy bay loại này ở các
dạng sau đây. Quan hệ của
θ
và
δ
được [7] mô tả bởi hàm truyền đạt dưới đây:

s921.0s739.0s
1774.0s151.1
)s(

)s(
23
++
+
=
δ
θ
(3.4)
và động học của góc bay viết ở dạng ma trận trạng thái [7]:
δ










+











θ
α










−−
−
=










θ
α
0
0203.0

232.0
q
07.560
0426.00139.0
07.56313.0
q



(3.5)
3.2.1. Thiết lập sơ đồ điều khiển
Từ (3.4) thấy rằng phương trình trạng thái có dạng bậc 3. Viết lại (3.4) ở dạng
rời rạc, ta có đối tượng điều khiển
)1k( +θ
là góc bay của máy bay tại thời điểm
)1k( +
có dạng sau đây:
)]2k(),1k(),k(),2k(), ,1k(),k([N)1k( −δ−δδ−θ−θθ=+θ
(3.6)
với:
)2k(),1k(),k( −θ−θθ
và
)2k(),1k(),k( −δ−δδ
tương ứng là các tín hiệu ở
đầu ra (là
θ
), đầu vào (là
δ
) của đối tượng điều khiển
)1k( +θ

tại các thời điểm
lấy mẫu thứ
)2k(),1k(,k −−
.
[9] đã đề xuất phương pháp biểu diễn mô hình tính toán (3.6) theo dạng sau:
)k()].2k(),1k(),2k(),1k(),k([g)]2k(),1k(),2k(),1k(),k([f)1k(
δ−δ−δ−θ−θθ+−δ−δ−θ−θθ=+θ


(3.7)
14
trong đó
)1k( +θ

là giá trị tính toán của
)1k( +θ


Hình3.2. Sơ đồ ứng dụng bộ điều khiển NARMA-L2 là thiết bị lái tự động điều
khiển đối tượng là góc bay
θ
.
(3.7) chỉ ra rằng
)1k( +θ

được tách ra thành hai hàm thành phần đó là f(.) và g(.).
Vấn đề đặt ra là cần thiết kế thiết bị lái tự động sao cho
)1k( +θ

bám theo được góc

bay mong muốn
)1k(
m
+θ
với độ chính xác cao. Trong phần này đề xuất ứng
dụng bộ điều khiển NARMA-L2 [8] (Nonlinear Autoregressive - Moving Average
L2 Controller- Bộ điều khiển trung bình trượt, phi tuyến tự hồi quy L2) đóng vai trò
là thiết bị lái tự động điều khiển góc bay của máy bay
θ
trình bày trên (hình 3.2).
Đặc điểm của bộ điều khiển này là thường được sử dụng để điều khiển đối tượng
phi tuyến, với điều kiện đối tượng đã được thay thế xấp xỉ bởi mô hình đối tượng
tuyến tính dựa trên phương pháp tuyến tính hoá đoạn đặc tính làm việc. Quá trình
điều khiển được thực hiện qua hai giai đoạn. Giai đoạn thứ nhất là sử dụng hai
mạng nơron truyền thẳng 3 lớp có trong bộ điều khiển NARMA-L2 nhận dạng hai
thành phần f(.) và g(.) tương ứng của đối tượng (3.7). Dựa trên các thông số của hai
mạng nơron truyền thẳng đã tìm được trong giai đoạn học, thực hiện giai đoạn thứ
hai là giai đoạn điều khiển. Trong giai đoạn điều khiển bộ điều khiển NARMA-L2
Mô hình
mẫu
Đối
tượng
ĐK
Phần tử
trễ
Thiết bị
lái tự
động
δ
θ


m
θ
e
c
15
có nhiệm vụ tạo ra tín hiệu điều khiển là
δ
cung cấp đối tượng điều khiển sao cho
góc bay tính toán
θ

bám theo được góc bay mong muốn
m
θ
.
3.2.1.1. Giai đoạn nhận dạng
Thực hiện huấn luyện các mạng nơron nhận dạng hàm phi tuyến N (3.6). Vì
)1k( +θ

(3.7) được tách ra thành hai hàm thành phần đó là f(.) và g(.), do đó cần sử
dụng hai mạng nơron để nhận dạng tín hiệu điều khiển tính toán
)1k( +θ

. Trong đó
một mạng nơron nhận dạng hàm f(.) và một mạng nơron nhận dạng hàm g(.) (hình
3). Từ (3.7) cũng thấy rằng hàm f(.) và g(.) đều phụ thuộc vào 5 thành phần đó là:
))2k( ),1k( ),2k( ),1k( ),k((
−δ−δ−θ−θθ
.

Do đó chọn cấu trúc của mỗi mạng nơron nhận dạng hàm f(.) và g(.) là:
)1 x n x 5(
.
Trong đó: - Lớp vào có 5 nơron có nhiệm vụ đưa 5 thành phần tín hiệu vào tương
ứng:
))2k( ),1k( ),2k( ),1k( ),k((
−δ−δ−θ−θθ
vào mỗi mạng nơron
- Lớp ra có 1 nơron có đầu ra là giá trị tính toán của hàm
(.)f

và
(.)g

.
Vấn đề đặt ra là cần chọn số lượng nơron của lớp ẩn n sao cho giá trị tính
toán của hàm
(.)f

và
(.)g

bám theo được f(.) và g(.). Ban đầu cho trước
)k(δ
, sử
dụng (3.4), (3.5) và (3.7) tìm các cặp tín hiệu vào - ra tương ứng là
[ ]
)k(f),k(δ
,
[ ]

)k(g),k(δ
,
[ ]
)k(),k( θδ
, với
p , ,2 ,1k =
. Theo [10] luật cập nhật các giá trị
điều chỉnh của trọng số, bias của mạng nơron truyền thẳng
)1 x n x 5(
theo luật học
lan truyền ngược như sau.



`
θ(k)
δ(k)
θ(k+1)
Mạng nơron nhận dạng hàm g(.)
16
`
Hình 3.3. Cấu trúc của hai mạng nơron nhận dạng hàm f(.) và hàm g(.)
* Lớp ra:
)bv(aw
ff1iif
−ησ=∆

ii
b ησ−=∆

Đối với mạng nhận dạng hàm f(.):

)ff)(bv('a
v
E
ii2
i
N
i

−−=
∂
∂
−=σ
Đối với mạng nhận dạng hàm g(.):

)gg)(bv('a
v
E
ii2
i
N
i

−−=
∂
∂
−=σ

∑
=
−=
n
1f
ff1ifi
)bv(awv
* Lớp ẩn:
)bv(aw
jj1mmj
−ησ=∆


∑
=
σ−=
∂
∂
−=σ
n
1i
iimmm1
m
N
m
w)bv('a
v
E

mm

b ησ−=∆


∑
=
=
5
1j
jmjm
xwv

T
)]2k( ),1k( ),2k( ),1k( ),k([x
−δ−δ−θ−θθ=
mi
,σσ
tương ứng là tín hiệu sai lệch của nơron thứ i lớp ra và nơron thứ m của lớp
ẩn a
1
(.) và a
2
(.) tương ứng là các hàm chuyển đổi tang hyperbolic và tuyến tính:

1
e1
2
)v(a
v2
1
−

+
=
−
;
v)v(a
2
=

v/)v(a)v('a
11
∂∂=
;
v/)v(a)v('a
22
∂∂=
Mạng nơron nhận dạng hàm f(.)
17
Hình3.4. Mô hình NARMA-L2 sau khi đã nhận dạng được đối tượng, tính toán tín
hiệu điều khiển
δ
trong giai đoạn điều khiển.
3.2.1.2. Giai đoạn điều khiển
Trên cơ sở dữ liệu của hai mạng nơron truyền thẳng ba lớp (hình 3.3) đã tìm
được trong giai đoạn nhận dạng các hàm f(.) và g(.), thực hiện giai đoạn điều khiển
theo phương pháp NARMA bằng cách sử dụng bộ điều khiển NARMA-L2 (hình
3.2) tạo tín hiệu điều khiển
δ
sao cho tín hiệu tính toán đầu ra hệ thống
θ


bám theo
được tín hiệu ra mong muốn là
m
θ
. Tín hiệu điều khiển
δ
được tìm ở dạng:

)]2k(),1k(),1k(),2k(),1k(),k([G)k(
m
−δ−δ+θ−θ−θθ=δ
(3.8)
Cần huấn luyện hai mạng nơron
)1 x n x 5(
tạo tín hiệu điều khiển
)k(δ

(3.8) theo phương pháp lan truyền ngược để
C
E
cực tiểu, với:

[ ]
∑
=
+θ−+θ=
p
1k
2
mC

)1k()1k(
2
1
E

(3.9)
Kết quả tín hiệu điều khiển
)k(δ
được tìm ở (hình 4) với dạng sau đây:

)]2k(),1k(),2k(),1k(),k([g
)]2k(),1k(),2k(),1k(),k([f)1k(
)k(
m
−δ−δ−θ−θθ
−δ−δ−θ−θθ−+θ
=δ
(3.10)
Mạng nơron nhận dạng hàm g(.)
Mạng nơron nhận dạng hàm f(.)
θ
m
(k+1))
θ(k)
18
3.2.2. Thiết lập mô hình điều khiển mô phỏng
Hình 3.5. Sơ đồ trên MATLAB/Simulink ứng dụng bộ điều khiển NARMA-L2
đóng vai trò là thiết bị lái tự động điều khiển góc bay
θ
của máy bay

3.2.3. Kết quả mô phỏng
3.2.3.1. Kết quả mô phỏng ở giai đoạn nhận dạng
0 1000 2000 3000 4000 5000 6000 7000 8000 9000 10000
-0.4
-0.3
-0.2
-0.1
0
0.1
0.2
0.3
0.4

Hình 3.6. Tín hiệu vào
δ
ở dạng ngẫu nhiên trong giai đoạn nhận dạng.
19

0 1000 2000 3000 4000 5000 6000 7000 8000 9000 10000
-0.2
-0.1
0
0.1
0.2
0.3
0.4
0.5
0.6
Hình 3.7. Đồ thị tín hiệu ra
θ

của đối tượng trong giai đoạn nhận dạng.
0 10 20 30 40 50 60 70 80 90 100
10
-9.7
10
-9.6
10
-9.5
10
-9.4
10
-9.3
10
-9.2
100 Epochs
Training-Blue
Performance is 1.79968e-010, Goal is 0
Hình 3.8. Đồ thị sai lệch E học tín hiệu vào - ra trong giai đoạn nhận dạng.
3.2.3.2. Kết quả mô phỏng ở giai đoạn điều khiển
0 500 1000 1500 2000 2500 3000
-0.4
-0.3
-0.2
-0.1
0
0.1
0.2
0.3
Hình 3.9. Đồ thị tín hiệu điều khiển là góc bánh lái ở đuôi máy bay
δ

(rad)
20
0 500 1000 1500 2000 2500 3000
-0.5
-0.4
-0.3
-0.2
-0.1
0
0.1
0.2
0.3
0.4
Hình 3.10. Đồ thị góc tấn
α
(rad)
0 500 1000 1500 2000 2500 3000
-0.4
-0.3
-0.2
-0.1
0
0.1
0.2
0.3
0.4
Hình3.11. Góc bay
θ

(rad) (nét liền) và góc bay mong muốn

m
θ
(rad)(nét đứt)
KẾT LUẬN CHƯƠNG 3
Căn cứ vào kết quả mô phỏng của hai giai đoạn nhận dạng và điều khiển, ta
nhận thấy rằng nghiên cứu ứng dụng bộ điều khiển NARMA-L2 đóng vai trò là
thiết bị lái tự động điều khiển góc bay của máy bay là một lựa chọn đúng đắn, vì
góc bay tính toán của máy bay
θ

đã bám theo rất sát với góc bay mong muốn
m
θ
.
Cũng nhận thấy rằng kết quả mô phỏng đã cho thấy rằng mặc dù góc bay mong
muốn
m
θ
ở dạng dao động hình sin, lại có biên độ dao động lớn hơn nhiều so với
[7] (là
)rad(4.0
so với
)rad(15.0
), nhưng
θ

vẫn bám theo được
m
θ
, điều đó cho

thấy được ưu điểm của giải pháp này.
21
CHƯƠNG 4
KẾT LUẬN CHUNG VÀ KIẾN NGHỊ
4.1. Kết luận chung
- Luận văn đã hoàn thành những yêu cầu đặt ra là khảo sát về phương pháp
ứng dụng bộ điều khiển NARMA-L2 vào thiết bị lái tự động góc bay của máy bay
Boeing.
- Bằng phương pháp phân tích, so sánh về cấu trúc, các luật học và khả năng
ứng dụng thực tiễn của các loại mạng nơron. Luận văn đã dùng mạng nơron truyền
thẳng nhiều lớp là mạng có cấu trúc đơn giản vì có các phần tử truyền tín hiệu từ
lớp vào đến lớp ra không có các tín hiệu phản hồi giữa các nơron và luật học lan
truyền ngược của sai lệch rất hiệu quả. Với phương pháp mô hình nhận dạng song
song và điều khiển phản hồi tuyến tính hóa phản hồi thích nghi dùng mạng nơron,
luận văn này đã lựa chọn bộ điều khiển NARMA-L2 là bộ điều khiển hội tụ đầy đủ
các ưu điểm của mạng nơron để tập trung nghiên cứu ứng dụng nó vào thiết bị lái tự
động góc bay của máy bay Boeing.
- Căn cứ vào kết quả mô phỏng ta thấy góc bay tính toán của máy bay đã
bám theo rất sát với góc bay mong muốn của máy bay.
4.2. Kiến nghị:
Do thời gian nghiên cứu có hạn và điều kiện về cơ sở vật chất còn giới hạn
nên luận văn chỉ dừng lại ở kết quả mô phỏng, tuy nhiên kết quả mô phỏng cũng
cho thấy tính đúng đắn của đề tài cần nghiên cứu. Để phát triển hơn nữa có thể tiến
hành nghiên cứu ứng dụng trực tiếp trên thiết bị lái tự động thật của máy bay.
22
TÀI LIÖU THAM KH¶O
[1]. Phạm Hữu Đức Dục (2009) “Mạng nơron và ứng dụng trong điều khiển tự động”,
Nhà xuất bản khoa học và kỹ thuật.
[2]. Nguyễn Như Hiển & Lại Khắc Lãi (2007) “Hệ mờ và nơron trong kỹ thuật điều
khiển”, Nhà xuất bản khoa học tự nhiên và công nghệ.

[3]. Bùi Quốc Khánh, Nguyễn Văn Liễn, Phạm Quốc Hải, Dương Văn Nghị (2006)
''Điều chỉnh tự động Truyền động điện'', NXB khoa học và kỹ thuật - Hà Nội.
[4]. Nguyễn Thương Ngô (1998) “Lý thuyết điều khiển tự động hiện đại”, Nhà xuất bản
khoa học và kỹ thuật.
[5]. Nguyễn Phùng Quang (2006)" Matlab và Simulink dành cho kỹ sư điều khiển tự
động", NXB khoa học và kỹ thuật - Hà Nội.
[6]. Mair, Austyn.W, and Birdsall, David. L (1992)“Aircraft Performance”, Cambridge
Aerospace Series 5, New York, Cambridge University Press.
[7]. "Modelinga
Pitch Controller-Control Tutorials for Matlab",Carnegie Mellon.
[8]. Howard
Demuth, Mark Beale, Martin Hagan, "Neural Network Toolbox™ 6 User’s Guide",
The MatthWorks.
[9]. Narendra, Parthasarathy (1990) "Identification and control of dynamical systems
using Neural Networks", IEEE. Trans. on Neural Networks, Vol.1, No.1, pp. 4-27.
[10]. C.T.Lin,C.S.GeorgeLee (1996) "Neural Fuzzy Systems"; Prentice Hall Internatinal,
Inc.
23