Proceedings VCM 2012 63 thiết kế hệ thống lái tự động tàu thủy dựa trên mô hình dự đoán smith

Tuyển tập công trình Hội nghị Cơ điện tử toàn quốc lần thứ 6 465
Mã bài: 110
Thiết kế hệ thống lái tự động tàu thủy dựa trên mô hình dự đoán Smith
thích nghi dưới ảnh hưởng của thời gian trễ và nhiễu không xác định
Ship Autopilot Design Based on Adaptive Smith Predictor
Under the Effect of Uncertain Time-delay and Disturbances
Dang Xuan Kien
1
,

Tran Hoang Dung
2
, Quach Duc Cuong
2

1
Department of Electric and Electronic, HCM City University of Transport,
2D3 Van Thanh Bac, Binh Thanh Dist, HCM City, Viet Nam
2
Department of Control Science and Engineering, Huazhong University of Science and Technology,
Wuhan, 430074, P.R. China
e-Mail:
Tóm tắt
Nội dung bài báo nghiên cứu thiết kế hệ thống lái tự động tàu thủy với thời gian trễ điều khiển biến đổi
không xác định dựa trên mô hình dự đoán Smith thích nghi kết hợp với bộ điều khiển bền vững. Mô hình dự
đoán Smith thích nghi được thiết kế kết hợp giữa khối nhận dạng con tàu và khối ước lượng thời gian trễ điều
khiển sử dụng mạng Neural thần kinh nhân tạo, cho thấy khả năng điều khiển thích nghi rất tốt dưới ảnh hưởng
của thời gian trễ và nhiễu không xác định. Bên cạnh đó, cơ chế ước lượng thời gian trễ trong quá trình điều
khiển sử dụng mạng Neural giúp tăng hiệu suất bù thời gian trễ của hệ thống một cách đáng kể.
Bộ điều khiển bền vững được tính toán thiết kế bằng cách áp dụng phương pháp vòng lặp bền vững Mc
Farlane - Glover kết hợp giải các bất đẳng thức tuyến tính cho kết quả khá tốt chứng tỏ tính chất bền vững của

hệ thống. Kết quả mô phỏng trên Matlab chứng minh tính hiệu quả, tích cực và ưu điểm của mô hình đưa ra
trong bài báo này.
Abstract:
This paper is concerned with the design problem of Ship autopilot system induced unknown varying time-
delay (RVTD) based on an adaptive Smith predictor which is compared with a robust controller.
The adaptive Smith predictor model, which includes a ship recognition module and time-delay estimator
based on artificial neural network, is designed to adaptive autopilot control under the effect of time-delay and
disturbances. Beside that, the time-delay estimation scheme using neural network improves significantly the
time-delay compensation performance of system.
The robust controller has been designed by using the Linear Matrix Inequality (LMI) combine with H

loop
shaping – Mc Farlane and Glover method that obtained the high control performance and robustness of system.
In addition, the simulation results via Matlab demonstrate the usefulness and effectiveness of the proposed
method.



Ký hiệu
Ký hi
ệu

Đơn v
ị

Ý ngh
ĩa

A, B,
C, D

M
a tr
ận của mô h
ình

x

R
3

Biến trạng thái
u

R
1

Góc bẻ lái
y

R
1

Góc lệch hướng mũi tàu
)(sG
p


Mô hình

đ
ộng học
th
ực
tế của tàu
)(sG
pm


Mô hình
đ
ộng học danh
định của tàu
)(s
p


ms

Thời gian trễ thực tế
)(s
pm


ms

Thời gian trễ danh định
)(sK

Bộ điều khiển bền vững




Chữ viết tắt
RVTD

Th
ời gian trễ ngẫu nhi
ê
n không
xác định
LMI

B
ất đẳng thức ma trận tuyến tính

LTI

H
ệ thống tuyến tính

Loop Shaping

Vòng l
ặp phản hồi mẫu khép kín

LCF

Left coprime factorization


1. Giới thiệu chung
Hệ thống lái tự động là một trong những hệ thống
quan trọng nhất trên tàu thủy. Việc điều khiển
hướng đi ổn định và chính xác khi tàu hành trình
luôn là một thách thức với các nhà thiết kế hệ
thống bởi vì tàu thủy là một đối tượng phức tạp,
466 Dang Xuan Kien,

Tran Hoang Dung , Quach Duc Cuong
VCM2012
thường xuyên chịu tác động của các yếu tố bên
ngoài như sóng gió, dòng chảy làm tàu lệch hướng.
Ngoài ra, việc trễ của các cơ cấu chấp hành do các
lực cản tác động vào bánh lái, thân tàu cũng làm
ảnh hưởng rất lớn đến chất lượng và sự ổn định
bền vững của hệ thống. Trong bài báo này, căn cứ
theo tài liệu tham khảo [1] và [5], tác giả lựa chọn
đối tượng tàu hàng để thiết kế hệ thống lái tự động
điều khiển hướng đi dựa trên việc điều chỉnh góc
bẻ bánh. Có rất nhiều phương pháp thiết kế hệ
thống lái tự động tàu thủy đã được đưa ra trước
đây được tham khảo trong bài báo này. Phương
pháp điều khiển mờ thích nghi hệ thống lái tự động
tàu thủy khi hệ thống là phi tuyến và không xác
định đã được Y.S. Yang và các đồng tác giả đề cập
trong [2], trong đó thuật toán mờ Takagi-Sugeno
được áp dụng dưới mô hình điều khiển thích nghi.

Cũng bằng phương pháp mờ thích nghi, bài toán
điều khiển lái tự động tàu thủy bám theo hành trình
xác định trước [3] đã được giải quyết khá triệt để,
kết quả cho thấy hệ thống làm việc ổn định nhưng
chưa đề cập tới ảnh hưởng của nhiễu trong quá
trình hoạt động. Trong [4], việc sử dụng phương
pháp điều khiển lái tự động ứng dụng mạng neural
với nhiều phương pháp huấn luyện mạng kết hợp
thuật toán dự đoán ảnh hưởng của tác động ngoại
vi lên bánh lái có tính chất thích nghi cho thấy đáp
ứng điều khiển hướng đi tương đối chính xác.
Ngoài ra thuật toán tối ưu di truyền sử dụng để tối
ưu bộ điều khiển mạng thần kinh nhân tạo đã được
xem xét trong [5] cho thấy ưu điểm nổi bật của
thuật toán di truyền là khả năng điều khiển thích
nghi với đối tượng sau một thời gian huấn luyện
giúp cho hệ thống có thể tăng khả năng thích nghi.
Như vậy, thời gian gần đây các phương pháp điều
khiển hiện đại đã được ứng dụng rất nhiều trong
thiết kế hệ thống lái tự động tàu thủy, nhưng hầu
hết các phương pháp trên đều chưa xem xét tính
bền vững của hệ thống điều khiển khi mô hình tàu
thủy có chứa các biến không xác định hoặc không
chắc chắn hoặc nhiễu tác động vào hệ thống phức
tạp.
Điều khiển bền vững đối tượng tuyến tính với sự
xuất hiện của các thành phần không chắc chắn
trong mô hình đã được xem xét trong rất nhiều bài
báo khoa học thời điểm gần đây. Các phương pháp
thiết kế bộ điều khiển bền vững kinh điển được

đưa ra bởi K. Zhou và các tác giả trong [6]. Đặc
biệt liên quan đến phương pháp thiết kế bộ điều
khiển bền vững trong bài báo này, Mc Farlan và
Glover [7] đã nghiên cứu phương pháp thiết kế bộ
điều khiển bền vững cho một đối tượng tuyến tính
cơ bản, đây là phương pháp tổng hợp bộ điều khiển
bền vững dựa trên tính toán các bất đẳng thức ma
trận tuyến tính. Các bộ điều khiển bền vững hệ
thống lái tự động tàu thủy đã được đề cập ở các bài
báo [8-9], nhưng các tác giả hoàn toàn không xem
xét ảnh hưởng của thời gian trễ trong quá trình
thiết kế bộ điều khiển. Phương pháp thiết kế hệ
thống lái tự động tàu thủy dưới ảnh hưởng của thời
gian trễ không xác định sử dụng mô hình Smith kết
hợp với bộ điều khiển bền vững đã được đưa ra
trong [20] cho đáp ứng điều khiển khá tốt, tuy
nhiên khi mô hình danh định của con tàu không
chọn được chính xác với mô hình thực thì thiết kế
đưa ra có thể không đáp ứng được độ ổn định bền
vững.
Đối với những đối tượng điều khiển có thời gian
trễ, mô hình dự đoán Smith là mô hình có thể triệt
tiêu hoàn toàn ảnh hưởng của trễ tín hiệu chỉ sau
một vài chu kỳ điều khiển, điều này thúc đẩy
chúng tôi áp dụng triệt để mô hình này khi xem xét
đối tượng chính là hệ thống lái tàu thủy. Liên quan
đến mô hình dự đoán Smith, K. Khandani và các
tác giả trong [10] đã đề ra một hướng mới thiết kế
bộ điều khiển dự đoán Smith triệt tiêu hoàn toàn
thời gian trễ trong vòng lặp kín. Mô hình Smith tự

thích nghi kết hợp với thuật toán nhận dạng đưa ra
trong [11-12,19] áp dụng cho mạng điều khiển với
kết quả triệt tiêu hoàn toàn thời gian trễ của mạng
và thời gian trễ của đối tượng điều khiển giúp cho
hệ thống hoạt động ổn định hơn.
Trong bài báo này, các tác giả nâng cao và khắc
phục nhược điểm của phương pháp thiết kế hệ
thống lái sử dụng mô hình Smith kết hợp với bộ
điều khiển bền vững trong [20] bằng cách đưa
thêm bộ nhận dạng đối tượng sử dụng mạng neural
vào mô hình Smith kết hợp với khối Neural ước
lượng thời gian trễ điều khiển. Như vậy, mô hình
Smith mới là mô hình thích nghi hoàn toàn, nó
giúp cho việc bù thời gian trễ và nhiễu trở nên
nhanh và chính xác hơn các phương pháp đã được
đua ra trước đây. Bằng mô phỏng trên Matlab, tính
ổn định và hiệu quả của phương pháp mới đưa ra
đã được chứng minh.
Bài báo được tổ chức như sau: Trong phần 2, cấu
trúc hệ thống lái tự động tàu thủy dựa trên mô hình
dự báo Smith được phân tích chi tiết. Điều kiện
cần và đủ cho hệ thống ổn định bền vững được
thiết lập trong phần 3. Phần 4 kết hợp bộ điều
khiển đã được thiết kế với cơ chế ước lượng thời
gian trễ trong mô hình dự đoán Smith. Kết quả mô
phỏng đưa ra ở phần 5, phần 6 tổng hợp các kết
quả chính và kết luận.
2. Đặt vấn đề
2.1 Mô hình động học tàu thủy
Các phương trình mô tả động học tàu thủy thu

được từ các quy tắc bảo toàn của Newton. Vấn đề
khó khăn nhất khi xây dựng các phương trình động
học này là việc làm thế nào mô tả đầy đủ các lực
động học tác động lên vỏ tàu khi tàu di chuyển
trong môi trường nước. Các lực tác động được đưa
vào hệ phương trình động học tàu thủy cùng với
Tuyển tập công trình Hội nghị Cơ điện tử toàn quốc lần thứ 6 467
Mã bài: 110
vận tốc, vận tốc góc và mô hình động học bánh lái
tạo thành hệ phương trình động học. Hệ phương
trình này phụ thuộc vào trạng thái mặt biển, dòng
chảy, hướng gió , vì vậy mô hình động học tương
đối phức tạp và chịu ảnh hưởng rất lớn bởi các yếu
tố bên ngoài. Trong [1], các tác giả đã mô tả đầy
đủ mô hình động học của tàu hàng với hệ thống
điều khiển hướng đi của tàu bằng cách điều chỉnh
thay đổi góc bẻ lái. Mô hình động học tàu thủy với
tốc độ không đổi có thể được mô tả bằng hệ
phương trình sau:
BuAxx




(1)
Du
Cx
y



(2)
Trong đó:
3
Rx ,
1
Ru  ,
1
Ry .
Theo [5,20] các ma trận trọng số A, B, C, D có giá
trị như sau:
 
0,100
0
918.0
108.0
010
0918.0367.4
0286.0895.0


























DC
B
A

(3)
Mục tiêu là tìm bộ điều khiển bền vững cho hệ
thống để điều chỉnh hướng đi của con tàu theo
hướng đặt trước, như vậy hệ thống phải đáp ứng
một số yêu cầu và giới hạn sau:
 Không bị mất tín hiệu đáp ứng đầu ra của y
trong suốt quá trình điều khiển.
 Góc bẻ lái giới hạn:
0
35u .
 Tốc độ bẻ lái giới hạn: su /10
0



.
2.2 Phân tích hệ thống lái tự động tàu thủy dựa
trên mô hình dự đoán Smith
Con tàu là đối tượng điều khiển có quán tính lớn,
thực tế trong quá trình điều khiển các đối tượng vật
lý có quán tính lớn thì vấn đề xử lý thời gian trễ
tương đối phức tạp, đặc biệt đối với những bộ điều
khiển yêu cầu đáp ứng tín hiệu phản hồi nhanh.
Ngoài ra khi đề cập đến ảnh hưởng của nhiễu
ngoại vi lên bánh lái, các mô hình Smith thông
thường sẽ không đáp ứng được chất lượng điều
khiển yêu cầu.


sG
p


sK

r
fb
y
)(s
p
e





sG
pm
)(s
pm
e


pm
y
p
y

u

s
y


n
G s


H.1 Cấu trúc hệ thống lái tự động dựa trên mô
hình dự đoán Smith.
Mô hình Smith được lựa chọn để bù thời gian trễ
trong điều khiển tự động hệ thống lái tàu thủy có
cấu trúc như trong H.1. Trong đó )(sG
p

là mô hình
động học thực tế của tàu,
( )
n
G s
giả thiết là mô
hình nhiễu tác động vào bánh lái, )(s
p

là khoảng
thời gian trễ sau khi tín hiệu điều khiển tác động
vào bánh lái đến khi bộ điều khiển nhận được tín
hiệu phản hồi góc lệch hướng đi. Bộ dự đoán
Smith bao gồm mô hình mẫu )(sG
pm
và thời gian
trễ mẫu )(s
pm

được thêm vào cấu trúc của hệ
thống. Từ đó ta tính toán hàm truyền của hệ thống
trong H.1 như sau:
( )
[ ( ) ( )] ( )
p
s
p p n
y G s G s e u s



  (4)

( )
( ) ( )
pm
s
pm pm
y G s e u s


 (5)

( )
( ( ) ( )) ( )
pm
s
s pm pm
y G s e G s u s


  (6)

( ) ( )
[( ( ) ( )) ( )
( )] ( )
p pm
s s
fb p n pm
pm
y G s G s e G s e

G s u s
 
 
  


(7)

Giả sử ta có thể lựa chọn được các giá trị danh
định bằng với các giá trị thực tế, tương ứng với 2
giả thiết sau:
Giả thiết 1: Mô hình danh định của đối tượng chọn
chính xác với mô hình thực:
( ) ( ) ( )
pm p n
G s G s G s
 
(8)

Giả thiết 2: Thời gian trễ danh định chọn chính
xác với thời gian trễ thực:
( ) ( )
pm p
s s
 

(9)

Như vậy, phương trình (7) tương đương:
( ) ( )

fb pm
y G s u s

(10)
Từ đó, ta có phương trình hàm truyền của hệ kín
như sau:
( )
( ) ( )[ ( ) ( )]
( ) 1 ( ) ( )
p
s
p p n
pm
y s K s G s G s e
r s K s G s






(11)
( )
( ) ( )[ ( ) ( )]
( ) 1 ( )[ ( ) ( )]
p
s
p p n
p n
y s K s G s G s

e
r s K s G s G s



 
 

(12)
Rõ ràng ảnh hưởng của thời gian trễ đã bị đẩy ra
khỏi vòng lặp kín đồng nghĩa với việc triệt tiêu
hoàn toàn ảnh hưởng của thời gian trễ tới tính ổn
định của hệ thống điều khiển. Có thể thấy rằng rất
khó đạt được điều này bởi không thể xác định hoàn
toàn chính xác mô hình và thời gian trễ danh định
của đối tượng. Mô hình danh định có thể xác định
được bằng thực nghiệm nhưng thời gian trễ và
nhiễu tác động vào đối tượng thì luôn biến đổi và
không xác định, vì vậy tìm được thời gian trễ danh
468 Dang Xuan Kien,

Tran Hoang Dung , Quach Duc Cuong
VCM2012
định và mô hình danh định là một thách thức đối
với các nhà thiết kế hệ thống khi sử dụng mô hình
dự báo Smith. Để giải quyết vấn đề này, giải pháp
đưa ra là ước lượng thời gian trễ điều khiển và
nhận dạng đối tượng sử dụng mạng thần kinh nhân
tạo Neural trong mô hình Smith thích nghi, chi tiết
sẽ được trình bày ở các phần sau.

3. Tổng hợp bộ điều khiển bền vững
Chúng ta không bao giờ xác định được hoàn toàn
các thông số của mô hình, và điều này sẽ gây ra rất
nhiều vấn đề nghiêm trọng trong điều khiển với
các mô hình dự đoán Smith có sử dụng mô hình
danh định. Liên quan đến vấn đề này, cơ chế điều
khiển dự đoán Smith bền vững đã được đưa ra
trong [13-14, 20], trong bài báo này chúng tôi thiết
kế bộ điều khiển hướng đi của con tàu dưới ảnh
hưởng của sóng, gió cùng với tính chất không xác
định của mô hình sử dụng phương pháp tổng hợp
bộ điều khiển bền vững với vòng lặp mẫu Mc
Farlane và Glover.
3.1 Mô hình rút gọn và tiêu chuẩn ổn định bền
vững
Trở lại với bài toán ban đầu, từ phương trình (12),
ta có thể xây dựng lại mô hình rút gọn như sau:
G
K

r
fb
y
y
p
e


1

W
2
W
p n
G G

e

H.2 Cấu trúc rút gọn hệ thống lái tự động dựa trên
mô hình dự đoán Smith.
Trong đó mô hình danh định của con tàu
G
kết hợp
với hai hàm hình thức đại diện cho các thành phần
không xác định của mô hình thật là
1
W
và
2
W
dưới
dạng
1 2
W W
p n
G G G  . Việc tính toán ổn định
bền vững của hệ thống trong hình H.2 bản chất là
tìm bộ điều khiển bền vững K. Từ vòng lặp khép
kín như trong H.2, tồn tại trạng thái ổn định bền
vững


H vòng lặp phản hồi mẫu khép kín tương
ứng tồn tại một ma trận xác định dương R.
Cuối cùng, giải pháp để tìm ra bộ điều khiển bền
vững cho hệ thống lái tự động tàu thủy dựa theo
mô hình dự đoán Smith dưới hình thức tối
ưu

theo chuẩn

H được xác định theo [20] như
sau:
Định lý 3.1[20]: Xét mô hình hệ thống lái tự động
có cấu trúc như trong H.1 đồng thời thỏa mãn Giả
thiết 1 và Giả thiết 2 ở trên, tồn tại bộ điều khiển
bền vững K nếu đáp ứng hệ bất đẳng thức tuyến
tính sau:








 11
)( MGKI
I
K

(13)
Nếu 1


, sẽ đồng thời tồn tại ma trận xác định
dương R được tính toán từ các bất đẳng thức:
0)()(  RLCALCAR
T

(14)
0















IIL
IICR
LRCBBRAAR
T

TTT




(15)
Trong đó
T
ZCL  nơi
0

Z
là giải pháp ổn định
bởi phương trình Riccati (19) (Chứng minh theo
định lý 3.2 [20]).
3.2 Phương pháp tổng hợp bộ điều khiển bền
vững
Mc Farlane và Glover [15] là phương pháp tổng
hợp bộ điều khiển bền vững với vòng lặp mẫu cơ
bản dựa trên việc tính toán các bất đẳng thức ma
trận tuyến tính. Trong đó mô hình danh định của
con tàu
p
G kết hợp với hai hàm hình thức đại diện
cho các thành phần không xác định của mô hình
thật là
1
W và
2
W dưới dạng

1 2
p n
G G W GW
  ,
việc tính toán thiết kế bộ điều khiển bền vững tuân
theo 4 bước cơ bản sau:
 Lựa chọn
1
W và
2
W để thiết vòng lặp hở theo
giải pháp của Mc Farlane và Glover sao cho
opt

đủ
nhỏ và thỏa mãn bất đẳng thức (13).
 Tính toán ma trận
0

R
và biến vô
hướng

bằng cách giải các bất đẳng thức ma trận
tuyến tính (14), (15).
 Nếu các bất đẳng thức ma trận tuyến tính
(14), (15) là khả thi thì kết hợp bộ điều khiển bền
vững với các hàm hình thức ta có
21
KWWK

r
 .
 Đưa các thông số thu được từ bộ điều khiển
mới vào mô hình, sử dụng Matlab để kiểm tra tính
ổn định và hiệu suất điều khiển.

4. Ước lượng thời gian trễ điều khiển sử
dụng bộ điều khiển mờ và bộ điều khiển
Neural nhân tạo
Cơ chế ước lượng thời gian trễ điều khiển của hệ
thống lái tự động tàu thủy sử dụng logic mờ đã
được đưa ra trong [12,20], tuy nhiên khả năng
thích nghi khi thời gian trễ là biến đổi ngẫu nhiên
không xác định vẫn còn là một nhược điểm. Trong
bài báo này, việc dùng bộ ước lượng thời gian trễ
sử dụng Neural sẽ làm tăng khả năng thích nghi,
hiệu quả của phương pháp này sẽ được so sánh với
phương pháp dung logic mờ. Ở phần này chúng ta
tập trung phân tích bộ ước lượng thời gian trễ, khối
Tuyển tập công trình Hội nghị Cơ điện tử toàn quốc lần thứ 6 469
Mã bài: 110
nhận dạng mô hình sẽ được trình bày chi tiết ở
phần sau.
4.1 Ước lượng thời gian trễ điều khiển dùng
logic mờ



sG
p

fb
y
sk
p
e
)(




sG
pm
sk
pm
e
)(


pm
y
p
y
1

z
1

z
p






sK

r
u


n
G s

pm
y


s
y
e
e

ControllerFuzzy
p
y

H.3 Cấu trúc hệ thống lái tự động dựa trên mô
hình dự đoán Smith với cơ chế ước lượng thời gian
dùng logic mờ.
Trong mô hình H.3, bộ ước lượng thời gian trễ bao

gồm 2 phần, mô đun tính toán online và bộ ước
lượng logic mờ. Mô đun tính toán online tính các
giá trị
e
và
e

với đầu vào là tín hiệu ra của hệ
thống
p
y và tín hiệu ra của mô hình dự đoán danh
định
pm
y , đầu ra tại mọi thời điểm được tính toán
như sau [20]:
)()1()1( kAkAke 
(16)
)()1()1( kekeke 
(17)
Trong đó )(kA là giá trị phụ thuộc vào sự sai lệch
giữa
p
y và
pm
y được tính toán bởi công thức:


k
pmp
dkkykykA

0
)()()(
(18)
Bộ điều khiển mờ với đầu vào là các giá trị
e
và
e

, đầu ra là thời gia trễ ước lượng )(k
pm

, luật mờ
được xây dựng theo bảng sau [20]:
( ) \ ( )
e k e k


S MS M MB B
NM PM PB PM PB PB
NS ZZ PM PM PM PB
ZZ ZZ ZZ ZZ ZZ ZZ
PS ZZ NM NM NM NB
PM NM NB NM NB NB
B.1: Bảng luật mờ
Như vậy, đầu ra của bộ ước lượng thời gian trễ cho
giá trị )(k
pm

tăng từ 0 tới )(k
p


,
khi )()( kk
ppm

 cũng là lúc có thể đạt được giá trị
pmp
yy  tương ứng với giả thiết
( ) ( ) ( )
pm p n
G s G s G s
 
, khi đó mô hình dự đoán
Smith được xem như tương đương với mô hình
thật và hàm truyền của cả hệ thống được mô tả
bằng phương trình (12).
4.2 Ước lượng thời gian trễ điều khiển dùng bộ
điều khiển Neural nhân tạo
Trong mô hình H.4, bộ ước lượng thời gian trễ bao
gồm 2 phần, mô đun tính toán online và bộ ước
lượng dùng Neural nhân tạo. Mô đun tính toán
online tính các giá trị
e
và
e

với đầu vào là tín
hiệu ra của hệ thống
p
y

và tín hiệu ra của mô hình
dự đoán danh định
pm
y
, đầu ra tại mọi thời điểm
được tính toán như theo các công thức (16), (17)
và (18).


sG
p
fb
y
sk
p
e
)(




sG
pm
sk
pm
e
)(


pm

y
p
y
e
e

pm
k)(





1

z
pm
k )1( 

1

z
1

z
p






sK

r
u


n
G s

pm
y


s
y

H.4 Cấu trúc hệ thống lái tự động dựa trên mô
hình dự đoán Smith với cơ chế ước lượng thời gian
dùng bộ điều khiển Neural nhân tạo.
Để đảm bảo tính hội tụ nhanh cho bộ ước lương
thời gian trễ điều khiển sử dụng mạng Neural,
chúng ta lựa chọn thuật toán Levenberg-Marquardt
để thiết kế theo phương pháp huấn luyện tuyến tính
bậc 2 không cần tính toán chính xác ma trận
Hessian. Như vậy, với giả thiết hàm sai số có dạng
dạng hàm tổng bậc 2 và để làm giảm các bước tính
toán đảm bảo độ hội tụ nhanh, ta có thể chọn ma
trận Hessian xấp xỉ theo công thức sau:
T

H J J

(19)
Và chỉ số hiệu suất tối ưu được định nghĩa như
sau:
(W)
T
f E E

(20)
Trong đó


1 2
W W W W
N


bao gồm tất cả các
trọng số liên kết của mạng Neural,
11 1 12 2 13 1
E
k k p kp
      
 

 
    là véc tơ
sai số tích lũy tăng dần trong qua trình huấn luyện
mẫu, N là trọng số của mạng, p là số lượng mẫu và

k là số đầu ra của mạng. Từ (20), ma trận Jacobian
được định nghĩa như sau
470 Dang Xuan Kien,

Tran Hoang Dung , Quach Duc Cuong
VCM2012
11 11 11
1 2
21 21 21
1 2
1 2
w w w
w w w
w w w
N
N
kp kp kp
N
J
  
  
  
  
  
  
  

  
  



   


(21)
Sau đó, luật cập nhật trọng số được tính theo biểu
thức
1
1 1
W W
T T
t t t
J J I J E


 
 
  
 

(22)
Việc huấn luyện mạng dựa trên phương pháp học
có giám sát trong đó

là tham số học
(
0 1

 
), I là ma trận đồng nhất và J là

Jacobian của m đầu ra sai số cùng với n trọng số
của mạng Neural.
Trong bài báo này, các tác giả lựa chọn mô hình
mạng Neural 4 lớp lan truyền ngược bao gồm 1 lớp
đầu vào, 2 lớp ẩn và 1 lớp đầu ra theo cấu trúc 3-5-
10-1. Như vậy, lớp đầu vào có 3 neural tương ứng
với
e
,
e

và
( 1)
pm
k

 , 2 lớp ẩn bao gồm 5 và
10 neural trên 1 lớp lựa chọn hàm kích hoạt
Sigmoid với mục đích nâng cao chất lượng của hệ
thống nhận dạng, lớp đầu ra có 1 neural duy nhất
được lựa chọn là hàm tuyến tính tuwong ứng với
pm

. Để tối ưu hóa sai số sau mỗi bước học, chúng
ta sử dụng hàm đánh giá chúng ta sử dụng hàm
đánh giá chỉ số hiệu suất tối ưu theo (20), luật cập
nhật trọng số theo công thức (22) với ma trận
Jacobian được định nghĩa theo (21). Mạng Neural
được huấn luyện với tối đa 5.000 bước học với
thông số huấn luyện ban đầu được thiết lập bằng

cách huấn luyện offline, sau đó huấn luyện online
được thực thi tiếp và dừng huấn luyện khi thuật
huấn luyện toán hoàn toàn hội tụ. Trong bài báo
này, các tác giả sử dụng Neural network toolbox
của Matlab để mô phỏng, kết quả sẽ được trình bày
chi tiết ở phần sau.

5. Nhận dạng đối tượng dựa vào bộ điều
khiển Neural nhân tạo
Như đã trình bày ở trên, chúng ta xem xét đối
tượng con tàu có tính không xác định dưới ảnh
hưởng của nhiễu và thời gian trễ không xác định,
vấn đề khó khăn lớn sẽ xảy ra khi ứng dụng mô
hình Smith để điều khiển dối tượng phức tạp như
vậy đó là không thể xác định chính xác được mô
hình toán của )(sG
pm
, dẫn đến mất chính xác mô
hình đưa ra, giảm độ ổn định và gần như chắc chắn
không thực tế khi ứng dụng. Như vậy, giải pháp
đưa ra để khắc phục điều này chính là sử dụng bộ
nhận dạng Neural dựa trên thuật toán toán
Levenberg-Marquardt để nhận dạng đối tượng điều
khiển


sG
p



sG
pm
1

z
1

z
p



u


n
G s


H.5 Bộ nhận dạng đối tượng dùng bộ điều khiển
Neural nhân tạo.

Thuật toán Levenberg-Marquardt có thể xấp xỉ mọi
hàm phi tuyến, việc huấn luyện mạng bao gồm 2
quá trình, huấn luyện offline thiết lập các thông số
ban đầu, quá trình tiếp theo huấn luyện online sẽ
giúp bộ nhận dạng thích nghi với mọi sự thay đổi
tức thời của đối tượng. Bộ nhận dạng được thiết kế
như trong hình H.4 với đầu vào gồm 3 tín hiệu
( 1)

u k

,
( )
u k
,
( 1)
pm
y k

, 2 lớp ẩn bao gồm 10
và 20 neural trên 1 lớp với hàm kích hoạt Sigmoid,
số neural trên 1 lớp được lựa chọn tăng lên nhằm
mục đích tăng độ chính xác và khả năng thích nghi
của bộ nhận dạng. Lớp đầu ra lựa chọn 1 neural
tuyến tính. Quá trình huấn luyện mạng tối đa
10.000 bước học với thông số huấn luyện ban đầu
được thiết lập bằng cách huấn luyện off-line, tiếp
theo huấn luyện on-line và dừng huấn luyện khi
thuật huấn luyện toán hoàn toàn hội tụ.

6. Kết quả mô phỏng
5.1 Thiết lập các thông số mô phỏng
Mô hình động học tàu thủy là mô hình sử dụng
trong [1] và [5] có dạng như phương trình (3).
Theo 4 bước thiết kế bộ điều khiển bền vững đã
nêu ở trên, đầu tiên ta tính toán được biến vô
hướng tới hạn 6207.2
0



, trong bài báo này lựa
chọn mức độ không xác định tương ứng 10%, khi
đó 2.88281.1
0


. Từ đó tính được giá trị của
ma trận trọng số R trong phương trình (25) như
sau:
Tuyển tập công trình Hội nghị Cơ điện tử toàn quốc lần thứ 6 471
Mã bài: 110

















9482.01820.02418.00997.0

0215.07759.01105.00390.0
1123.03686.04307.01739.0
1578.04553.05835.06444.0
R

(31)

Theo đó, bộ điều khiển bền vững được tính toán
với kết quả ),,,(
cccc
DCBAK  tương ứng:
 
0
3073.06466.09540.04245.0
7095.19
3437.10
7027.39
783.48
874.091.17678.16396.3
068.674.30
067.2522.182
260.0319.42154.36888.8










































c
c
c
c
D
C
B
A

(3
2)

Mô hình thời gian trễ ngẫu nhiên [17] sử dụng hàm
tín hiệu Sinusoidal:
)1.03sin(3.0)(
2
tt
p



(33)

với t là hàm biến đổi ngẫu nhiên có biên độ dao
động lựa chọn ngẫu nhiên trong khoảng (0-10).
Nhiễu tác động vào hệ thống bao gồm sóng, gió,
dòng chảy…lựa chọn mô hình nhiễu môi trường
Pierson-Mostkoviz trong [18]:

)
)710.0(
16
exp(
)710.0(
4
)(
44
0
3
24
0
23





TT
H
S
s


(3
4)
với mmHsT
s
5.5,80.0
0

 ,

là hàm ngẫu nhiên
biên độ dao động thay đổi trong khoảng (0-10). Sử
dụng phần mềm Matlab-Simulink tiến hành mô
phỏng.

5.2 Kết quả mô phỏng
Xem xét hệ thống mới thiết kế dưới sự ảnh hưởng
của cả nhiễu và thời gian trễ, so sánh phương pháp
mới ứng dụng Neural với phương pháp ứng dụng
Fuzzy trong [20] chứng minh tính hiệu quả của
phương pháp mới đưa ra.
 Trường hợp 1: Giả thiết tàu làm việc trong
điều kiện nhiễu tác động vào hệ thống nhỏ
(


0 1

 
), khi thời gian trễ nhỏ (H.6) thì hệ
thống làm việc ổn định nhưng chua chứng tỏ
được tính ưu việt so với phương pháp của
[20], trường hợp thời gian trễ điều khiển lớn
hơn (H.7) hệ thống mới đưa ra vẫn giữ được
ổn định sau một số chu kỳ dao động ban đầu
còn phương pháp của [20] cho thấy đáp ứng
đầu ra dao động không ổn định. Khi thời gian
trễ rất lớn, phương pháp của [20] cho thấy hệ

thống mất ổn định hoàn toàn còn mô hình mới
đưa ra hệ thống vẫn giữ được ổn định cho dù
chất lượng ổn định cho dù chất lượng có giảm
đi (H.8).
 Trường hợp 2: Khảo sát với trường hợp giả
thiết thời gian trễ của hệ thống là
nhỏ


0 5
t
 
, tăng dần ảnh hưởng của nhiễu
lên hệ thống (H.9, H.10) ta thấy cả 2 phương
pháp đều bị ảnh hưởng rõ rệt, tuy nhiên mô
hình mới đưa ra bị ảnh hưởng ít hơn so với
phương pháp đưa ra trong [20].
 Trường hợp 3: Khảo sát với trường hợp cả
nhiễu tác động vào hệ thống lớn trong khi thời
gian trễ của hệ thống cũng lớn (H.11), phương
pháp mới đưa ra vẫn cho kết quả tốt hơn [20],
đáp ứng đầu ra dao động quanh vị trí điều
khiển với biên độ dao động nhỏ trong khi
phương pháp dùng Fuzzy gần như không giữ
được ổn định.

7. Kết luận
Hệ thống lái tự động tàu thủy với thời gian trễ điều
khiển biến đổi không xác định dựa trên mô hình dự
đoán Smith thích nghi kết hợp với bộ điều khiển

bền vững đã được đưa ra trong bài báo. Mô hình
dự đoán Smith thích nghi được thiết kế kết hợp
giữa khối nhận dạng con tàu và khối ước lượng
thời gian trễ điều khiển sử dụng mạng Neural thần
kinh nhân tạo cho thấy khả năng điều khiển thích
nghi rất tốt dưới ảnh hưởng của thời gian trễ và
nhiễu không xác định. Khảo sát hệ thống trong các
trường hợp nhiễu xấu và thời gian trễ lớn nhưng bộ
điều khiển vẫn đảm bảo làm việc khá ổn định và
bền vững. Bên cạnh đó, cơ chế ước lượng thời gian
trễ trong quá trình điều khiển sử dụng mạng Neural
giúp tăng hiệu suất bù thời gian trễ của hệ thống
một cách đáng kể nhưng chưa loại bỏ được ảnh
hưởng của nhiễu trong quá trình điều khiển. Hướng
nghiên cứu trong bài báo này là một hướng mở có
thể nghiên cứu sâu rộng để thu được kết quả tốt
hơn trong thời gian tới.

Tài liệu tham khảo
[1] K.J. Astrom and C.G. Kallstrom: Identification
of Ship Dynamic. Automatica, Vol.12, pp.9-222,
Pergamon Press, 1976. Printed in Great Britain.
[2] Y.S. Yang and C.J. Zhou: Adaptive Fuzzy
Control of Ship Autopilots with Uncertain
Nonlinear Systems. Proc. 2004 IEEE,
Conference on Cybernetics and Intelligent
Systems, Singapore, pp. 1323-1328, December,
2004.
472 Dang Xuan Kien,

Tran Hoang Dung , Quach Duc Cuong
VCM2012

H.6 Đáp ứng hệ thống khi thời gian trễ nhỏ


0 5
t
 
với nhiễu tác động vào hệ thống
nhỏ


0 1

 
.

H.7 Đáp ứng hệ thống khi thời gian trễ trung bình


0 10
t  
với nhiễu tác động vào hệ thống nhỏ


0 1

 
.

H.8 Đáp ứng hệ thống khi thời gian trễ rất lớn


0 15
t  
với nhiễu tác động vào hệ thống nhỏ


0 1

 
.

H.9 Đáp ứng hệ thống khi thời gian trễ nhỏ


0 5
t
 
với nhiễu tác động vào hệ thống trung
bình


0 5

 
.

H.10 Đáp ứng hệ thống khi thời gian trễ nhỏ



0 5
t
 
với nhiễu tác động vào hệ thống trung
bình


0 10

 
.

H.11 Đáp ứng hệ thống khi thời gian trễ lớn


0 10
t  
với nhiễu tác động vào hệ thống lớn


0 10

 
.

Tuyển tập công trình Hội nghị Cơ điện tử toàn quốc lần thứ 6 473
Mã bài: 110
[3] J. Velagic, Z. Vukic and E. Omerdic: Adaptive
fuzzy ship autopilot for track-keeping, Control
Engineering Practice, Vol 2, pp.433-443,
Elselvier, 2002.
[4] V. Nicolau, V. Palade, D. Aiordachioaie and C.
Miholca: Neural Network Prediction of the Roll
Motion of a Ship for Intelligent Course Control,
Lecture notes in control and information
Science, Springer-Verlag, Berlin, 1989.
[5] W.Y. Feng, Y. Li and G. Chong: Tractable
Neurocontroller Design and Application to Ship
Control with Actuator Limits, IFSA World
congress and 20
th
NAFIDS International
conference, Vol.3, pp.1282-1287, July. 2001.
[6] K. Zhou, J. Doyle and K. Glover: Robust and
optimal control, Prentice Hall, Inc , Aug. 1995.
[7] D. McFarlane and K. Glover: Robust controller
design using normalized coprime factor plant
description, Lecture notes in control and
information Science, Springer-Verlag, Berlin,
1989.
[8] R. Akmeliawati and K.Y. Chow: Robust
Autopilot Design with maximum Stability
Radius, ICIT-IEEE Intrenational conference,
pp.1137-1142, Dec. 2006.

[9] W.X. Chow and X.H. Zhen: Robust Autopilot
with wave filter for ship sterring, Journal of
Marine Science and Application, Vol. 5, No. 2,
pp.24-29, Jun. 2006.
[10] K. Khandani and A. Akbar Jalali: A New
Approach to Design Smith Predictor Based
Fractional Order Controllers, International
Journal of Computer and Electrical Engineering,
Vol. 2, No. 4, pp.1793-8163, August. 2010.
[11] D. M. Feng, F. Pan and R. C. Han: Improved
Self-Adaptive Smith Predictive control scheme
for time delay system, Proc. of the First
International Conference on Machine Learning
and Cybernetics, pp.463-466, Beijing,
November, 2002
[12] X. K. Dang, Z. H. Guan, H. D. Tran and T. Li:
Fuzzy Adaptive Control of Networked Control
System with Unknown Time-delay, Proc. The
30th Chinese Control Conference, Yantai,
China, Jul. 2011
[13] J. Mu, G. P. Liu and D. Rees: Design of Robust
Networked Predictive Control Systems, Proc.
2005 American Control Conference, Portland,
USA, Jun. 2005, pp.638-643.
[14] D. Ioan, M. Ioana and M. Raluca: On the
robustness of modified Smith predictor
controller for time delay processes, Int. J.
Control Engineering an Applied Informatic,
Vol. 7, No. 3, pp.9-14, 2005.
[15] K. Glover, J. Sefton and D.C. McFarlane: A

tutorial on loop shaping using H-infinity robust
stabilisation, Trans. Institute of Measurement
and Control, Vol. 14, No. 3, pp.157-168, 1992.
[16] M.C. Turner and D.G. Bates: Mathematical
Methods for Robust and Nonlinear Control,
Lecture notes in control and information
Science, Springer-Verlag, Berlin, 2007.
[17] S. Shaltaf, M. Abdallah: An Enhanced
Technique for Online Discrete Cosine
Transform Based-Time Varying Delay
Estimation, Circuits Systems Signal Processing,
Vol. 19, No. 6, pp.501-515, Jun. 2000.
[18] M. Tomera: Nonlinear Controller Design of a
Ship Autopilot, Int. J. Appl. Math. Comput. Sci.,
Vol. 20, No. 2, pp.271–280, 2010.
[19] X. K. Dang, Z. H. Guan, T. Li and D. X. Zhang:
Joint Smith Predictor and Neural Network
Estimation Scheme for Compensating
Randomly Varying Time-delay in Networked
Control System, Proc. The 24th Chinese Control
and Decision Conference, Tai Yuan, China,
May. 2012.
[20] X. K. Dang, H. D. Tran, D. C. Quach: Robust
Controller Design for Ship Autopilot with
Unknown Time-delay, Proc. Viet Nam
conference on Control and Automation 2011,
Hanoi, Nov, 2011.

Dang Xuan Kien was born
in Hai Phong, Viet Nam, in
1978. He received the B.S. and
M.S. degrees in the Electric and
Electronic Department of
VietNam Maritime University,
VietNam, in 2001 and 2006,
respectively. He received the
Ph.D. degree in the Department
of Control Science and
Engineering, Huazhong
University of Science and
Technology, Wuhan, PR China
in 2012. He is currently a lecture
in the Electric and Electronic
Department of Ho Chi Minh City
University of Transport. His
research interests include
networked control systems, time-
delay systems, vehicle control
systems and intelligent control.


474 Dang Xuan Kien,

Tran Hoang Dung , Quach Duc Cuong
VCM2012

Hoang-Dung Tran received the

B.S. degree in HoChiMinh
University of Science and
Technology, VietNam, in 2007.
He is currently a master

candidate in the Department of
Control Science and
Engineering, Huazhong
University of Science and
Technology, Wuhan, PR China.
His research includes networked
control system and adaptive
control



Duc-Cuong Quach received the
B.S. degree in Hanoi University
of Science and Technology in
2002 and M.S. degree in the
Electric and Electronic
Department of Ho Chi Minh City
University of Transport,
VietNam, in 2008. He is
currently a doctor candidate in
the Department of Control
Science and Engineering,
Huazhong University of Science
and Technology, Wuhan, PR
China. His research includes

networked control system,
intelligent control and embedded
control systems using advanced
microcontroller families.