Luận văn Thạc sĩ ngành Điều khiển tự độngĐHBKHN Mạng điều khiển Fuzzy và Neural

-1-

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

Hình i. Sơ đồ điều khiển đối tượng phi tuyến
Như vậy, ở đây có hai bộ điều khiển:

-2-

 Điều khiển Feedforward : là bộ điều khiển neuro-mờ cung cấp những tín
hiệu điều khiển chính để lái đối tượng phi tuyến theo đúng quỹ đạo setpoint.
Bộ điều khiển này là bộ điều khiển mờ ứng dụng khả năng học của mạng
nơron để tinh chỉnh những thông số của nó.
 Điều khiển Feedback: bù tín hiệu, nó cung cấp những tín hiệu điều khiển
hiệu chỉnh cần thiết để điều chỉnh và loại nhiễu trong những lân cận nhỏ
xung quanh quỹ đạo điều khiển. Bộ điều khiển này cũng là bộ điều khiển mờ
nhưng ứng dụng thuật giải di truyền để tinh chỉnh thông số của nó.
Kết quả mô phỏng cho thấy sơ đồ điều khiển trên đã lái đối tượng phi tuyến đi
xuyên suốt khoảng công tác của nó với độ chính xác cao.
Phần sau đây sẽ đề cập đến đối tượng phi tuyến và những kỹ thuật điều khiển
được thiết lập trong luận văn.
Trong bối cảnh hiện thời, việc sản xuất năng lượng đối mặt với rất nhiều vấn
đề khó khăn. Trong số đó, điều quan trọng nhất là: tuổi thọ của thiết bị chính tại
những tổ hợp năng lượng, đầu tư tài chính không chắc chắn cho những tổ hợp
mới, việc cạnh tranh giữa những nhà sản xuất năng lượng độc lập để thoả mãn
đòi hỏi năng lượng của người dùng và những áp lực để đạt được những yêu cầu
quản lý nghiêm ngặt để sử dụng tối đa nguồn tài nguyên thiên nhiên và tối thiểu
ảnh hưởng đến môi trường.
Việc vận hành của tổ hợp năng lượng nhiên liệu than (NLNLT), loại tổ hợp
được dùng rộng rãi nhất cho việc sản xuất năng lượng, đã bị tác động mạnh.
Đầu tiên, một NLNLT phải hổ trợ mục tiêu chính của hệ thống năng lượng là
đáp ứng yêu cầu tải cho năng lượng điện ở mọi thời điểm, ở điện áp không đổi
và tần số không đổi. Sau đó là việc cạnh tranh giữa tính thiết thực và yêu cầu thị
trường khác đã tăng cường việc dùng NLNLT [Armor 1985]. Cuối cùng, những
yêu cầu nghiêm ngặt trong việc bảo trì và kéo dài tuổi thọ của thiết bị chính và
những luật giảm ảnh hưởng đến môi trường cần phải được tuân thủ. Trong đó:
 Những yêu cầu vận hành chu kỳ của NLNLT trong khoảng tải rộng mặc
dù chúng được thiết kế cho vận hành ở tải không đổi. Những yêu cầu
biến đổi tải có thể đến từ những chiến lược kinh tế được tính toán tại

những trung tâm năng lượng hay từ những dao động tải hệ thống. Vận
hành theo tải tin cậy và hiệu quả sẽ đảm bảo việc thoả mãn hàng ngày,
hàng tuần và theo mùa của yêu cầu năng lượng điện và những thay đổi tải
ngẫu nhiên không đoán trước cho đến những giới hạn vật lý của tổ hợp.
 Việc kéo dài tuổi thọ thiết bị là quan trọng vì nó tối đa việc dùng tài sản,
giới hạn thời gian chết và tối thiểu những chi phí vận hành và bảo trì.
Nguyên nhân chính của vòng đời ngắn của bất kỳ hệ thống nào là vận
hành ứng suất cao. Trong NLNLT, những ứng suất nhiệt phụ thuộc vào
những dao động áp suất và nhiệt độ hơi là đặc biệt quan trọng. Hầu hết
ứng suất nghiêm trọng xảy ra trong suốt quá trình khởi động và những
biến đổi tải lớn đột ngột.


-3-

 Một NLNLT có hiệu suất trong khoảng 30 đến 35%, nghĩa là tốc độ nhiệt
trong khoảng 11400-9800 Btu/KWh. Tốc độ nhiệt chịu ảnh hưởng bởi
nhiều hệ số, chẳng hạn những điều kiện hơi, áp suất bộ ngưng tụ, nhiệt độ
nước làm mát, nhiệt độ môi trường, khí áp,…Tốc độ nhiệt tăng khi làm
việc tại những tải khác với tải cơ sở. Việc tiêu tốn nhiên liệu và giá cả
làm cho việc cải tiến tốc độ nhiệt như là một tiêu chuẩn về mặc kinh tế.
 Việc trộn không hoàn hảo giữa không khí và nhiên liệu sẽ làm vượt quá
lượng không khí để tránh việc nhiên liệu không được đốt hết, mà sẽ dẫn
đến việc tạo khói đen và khí CO độc cũng như những lượng nhiên liệu dư
khá nguy hiểm. Bên cạnh đó lượng không khí dư sẽ dễ hình thành những
chất không mong muốn khác như sunfua dioxit, nitrogen oxit và làm
giãm hiệu suất boiler do nhiệt bị tiêu phí trong khí nhiên liệu.
Tấ cả những yêu cầu được đề cập ở trên đã dẫn đến việc phát triển những
phương pháp điều khiển linh hoạt và toàn diện hơn. Chúng cũng cung cấp
những chức năng cần thiết cho việc vận hành theo tải diện rộng chất lượng cao

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

-4-

Trong luận văn này tác giả sẽ thiết kế một hệ thống điều khiển toàn bộ. Hệ

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


-5-

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

được liên kết truyền thông với nhau trong mạng.
Điều khiển mờ là một phương pháp điều khiển thông minh phỏng theo quá
trình xử lý thông tin không rõ ràng và ra quyết định điều khiển của con người.
Phương pháp này rất thích hợp để điều khiển các đối tượng phức tạp, không xác
định được mô hình toán và các đối tượng phi tuyến. Tuy nhiên, bộ điều khiển
mờ thường được thiết kế bởi quan điểm, cách nhìn riêng của người thiết kế.
Người thiết kế biến sự hiểu biết, kinh nghiệm của mình về quá trình cần điều
khiển thành các biến ngôn ngữ và các qui tắc mờ mô tả mối quan hệ giữa
chúng. Do đó công việc thiết kế thường mang nặng tính “thử sai”, khi gặp các
đối tượng phức tạp người thiết kế sẽ mất rất nhiều thời gian mà kết quả có được
có thể sẽ không tối ưu. Vấn đề tự chỉnh bộ điều khiển mờ là một trong những
vấn đề đã được quan tâm nghiên cứu rất nhiều từ khi điều khiển mờ khẳng định
được là một phương pháp hiệu quả để điều khiển các đối tượng phức tạp.

-6-

Do đó để giảm đi việc tính toán thủ công và rút ngắn thời gian thiết kế,người
ta kết hợp logic mờ và mạng nơron tạo ra khả năng tự chỉnh cho các tập mờ. Và
hệ thống này được gọi là hệ neuro-mờ.
Hầu hết những quá trình công nghiệp là phi tuyến và biến đổi theo thời gian.
Nhận dạng hệ thống phi tuyến đang trở thành một công cụ quan trọng mà có thể
được dùng để cải tiến quá trình điều khiển và đạt được độ bền vững cao. Có
nhiều kỹ thuật nhận dạng phi tuyến khác nhau,trong đó có nhận dạng bằng
mạng nơron ,nhận dạng bằng mô hình mờ và những phương pháp dựa trên mô
hình neuro-mờ đang dần được thiết lập không những trong giáo trình mà cả
trong những ứng dụng công nghiệp. Mô hình neuro-mờ được xem như là một
kỹ thuật hộp xám nằm giữa mạng nơron và mô hình mờ định tính. Những công
cụ để xây dựng những mô hình neuro-mờ dựa trên sự kết hợp những thuật toán
từ lĩnh vực mạng nơron,xác nhận đặc tính và phân tích hồi quy. Phương pháp
neuro-mờ cho nhận dạng hệ thống phi tuyến có ưu điểm là cân bằng giữa sự

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


-7-

-8-

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

toán Nơron thuộc Phòng Tin học Pari Nord. Nhóm nghiên cứu Nơron ở
LEIBNIZ, Grenoble. Nhóm nghiên cứu Laplace,Mô hình gần đúng trong Robot
và Trí tuệ Nhân tạo ở LEIBNIZ, Grenoble.
Hungary: có Nhóm Xử lý thông tin Nơron thuộc Đại học Eotvos Lorand,
Budapest.

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

bao gồm Động học, Động lực học, Lập kế hoạch đường đi (Thiết lập quĩ đạo ),
Điều khiển, Cảm biến, Lập trình và Trí tuệ (Thông minh).
Mạng Nơron có thể giảm tổ hợp tính toán và giải những bài toán robot được
đưa ra “yếu”. Lời giải giải tích của động học ngược làm chính xác kết quả số,
trong khi lời giải Mạng Nơron nói chung không làm chính xác.Công việc phát
triển Động học ngược Nơron được T.Iberall phát triển năm 1987, A.Guez
năm1988.
Trong Động lực học Robot Nơron , M.Kawato,Furukawa,Sưzuki phát triển
năm
1987.
Y.Uno
&M.Isobe
1988.
S.G.Tzafestas1986,
M.Kawato,Y.Maeda,Y.Uno &Sưzuki 1990.
Mạng Nơron sử dụng nhằm thiết lập quĩ đạo được K.Tsưtsưmi 1988,
H.liu1988, R.Ecmiller 1987.
Bài toán lập quĩ đạo tránh vật cản sử dụng Mạng Hopfield được
H.matsưmoto& K.Tsưtsưmi phát triển.
Trường hợp Robot Di động, Thiết lập quĩ đạo với Mạng Nơron được nghiên
cứu bởi V.Seshadri1988.Ở đây Mạng Nơron cố gắng cực tiểu hoá độ dài đường
đi. Nick Vallidis đã nghiên cứu điều khiển Hexapod di động bằng mạng Nơron ,

1.3.Một số công trình nghiên cứu mạng Nơron đã công bố ở nước ngoài:
Đa số các nhà nghiên cứu các Hệ thống Thông minh chấp nhận rằng : Trí tuệ
Tính toán (Computational Intelligence) do Hội đồng Mạng Nơron Thế giới đưa
ra vào năm 1991 và Tính toán mềm (Soft computing) do Lofti A Zadeh, giáo sư
đại học California Berkeley đua ra năm 1990 là đồng nghĩa và được sử dụng
thay thế lẫn nhau. Trí tuệ Tính toán được chấp nhận là một thuật ngữ để biểu

-9-

- 10 -

2000. L.M.Reyneri, M.Chiaberge Khoa điện tử, Đại học Bách khoa TorinoItaly nghiên cứu phần cứng-Mạng Mờ-Nơron điều khiển Hexapod Di động,
1993-2000.
Điều khiển Robot bằng Mạng Nơron được gọi là Điều khiển khớp bằng mô
hình tiểu não CMAC do Albus 1975 –1979. Giáo s F.L.Lewis,Viện nghiên cứu
Robot và Tự động hoá, Đại học Texas –Arlington USA đã ứng dụng CMAC để
điều khiển hệ động lực phi tuyến, 1997.
Nhận dạng hệ động lực phi tuyến sử dụng mạng Nơron
được
S.J.Jagannathan, Liên hợp Phân tích Tự động hoá, USA nghiên cứu năm 1996.
Y.Pao&D.Sobasic 1987 thực hiện hệ thống điều khiển vị trí robot hai bậc tự do
sử dụng Mạng Nơron Perceptron.
A.Guez sử dụng mô hình thích nghi (MRAC). W.T. Miler sử dụng kỹ thuật
CMAC trong liên kết với phương pháp điều khiển mô men. R.Elsley thực hiện
điều khiển Jacobi ngược,sử dụng Mạng Perceptron nhiều lớp.
Mạng Nơron Được sử dụng trong cảm biến và điều khiển Robot nhiều lớp, liên
tục bởi R.Esley, &Y.Pati 1988.
Điều khiển thích nghi hệ động lực học phi tuyến sử dụng mạng Nơron được
giáo sư A.M.Annaswamy, Phòng thí nghiệm Điều khiển thích nghi - Khoa Chế
tạo Máy – Viện Công nghệ Massachusetts –MIT nghiên cứu, 1997.
Ứng dụng Mạng Nơron điều khiển ngược theo vết được giáo sư K. S.
Narendra, Trung tâm Khoa học Hệ thống, Đại học Yale,USA nghiên cứu, 1999.
Giáo sư Vukobratovic, Trung tâm Robot, Viện Mikhailo Pupin, Nam tư (cũ
), phó chủ tịch Viện Hàn lâm Khoa học, đã nghiên cứu phân loại mô hình động
lực học môi trường trên cơ sở Nơron để điều khiển robot,1998.
Bộ điều khiển Mờ-Nơron để dẫn huớng Robot Di động và hộ tống đội robot

được giáo sư M.M.Trivedi Khoa Kỹ thuật Điện và Máy tính, Đại học California
San Diego,USA nghiên cứu,1998.
Giáo sư, Viện sĩ, Vámos Tibor, nguyên Viện trưởng Viện Tin học và Tự động
hoá- Hungary, - nguyên chủ tịch Hội Máy tính Neyman János (Von Neyman),
nguyên chủ tịch Hội Điều khiển Tự động Quốc tế IFAC đã nghiên cứu kỹ thuật
Nhận dạng –Trí tuệ Nhân tạo cho robot.
Giáo sư,Viện sĩ Hyungsưck Cho, Khoa Chế tạo máy,Viện Khoa học &Công
nghệ Cao cấp Hàn quốc- KAIST, Hãng Thép và Kim loại Pohang-POSCO,
Viện trưởng Viện Điều khiển,Tự động hoá và Kỹ thuật Hệ thống, đã nghiên cứu
điều khiển và cảm biến nano cho robot,2001.
Giáo sư T.Fukuda, Khoa Kỹ thuật Vi Hệ thống,Trung tâm Hợp tác Khoa học
&Công nghệ Cấp cao, Đại học Nagoya- Nhật bản, nguyên Chủ tịch Hội Robot
và Tự động hóa Quốc tế, Chủ tịch Hội đồng Công nghệ Nano Quốc tế, đã
nghiên cứu Mạng Mờ-Nơron -Thuật giải AND để điều khiển robot, 2000. Công
nghệ Nano đang mở ra những triển vọng to lớn. Việc chế tạo ra những robot

nhỏ cỡ Nano 10-9mm đòi hỏi những nghiên cứu mới về cơ sở lý thuyết cũng
như công nghệ. Giáo sư Toshio Fukuda, đặc biệt nhấn mạnh tầm quan trọng của
Robot Micro-Nano trong Kỹ thuật Robot và Tự động hoá tương lai.
Giáo sư,Viện sĩ G.M.Edelman,giải thưởng Nobel, Viện trưởng Viện Khoa học
Nơron - USA,Chủ tịch Hội nghiên cứu Khoa học Nơron Quốc tế, đã mô phỏng
Nơron hệ thống Nghe-Nhìn của loài chim để điều khiển robot,1999. Giáo sư đã
khẳng định, việc nghiên cứu này đặc biệt quan trọng dưới ánh sáng của lý
thuyết Não Hiện đại, nhấn mạnh tầm quan trọng của môi trường và thực nghiệm
Motor-Cảm biến Nơron. Sự hiểu biết những nguyên tắc cơ bản của não sẽ có
ảnh hưởng mạnh mẽ đến thiết kế Hệ thống Nhân tạo hoạt động trong thế giới
thực.Chúng ta tin tưởng rằng những nghiên cứu mô hình Nơron tổng hợp sẽ
tham gia một cách có ý nghĩa bởi sự thiết lập mối liên hệ trực tiếp giữa khoa
học Tự nhiên và Khoa học Kỹ thuật, đưa ra tư tưởng mới trong lĩnh vực Robot
và Trí tuệ Nhân tạo.

1.4.Một số công trình nghiên cứu mạng Nơron đã công bố ở trong nước:
Ở Việt nam bắt đầu nghiên cứu Nơron từ năm 1992 tại Viện Cơ học và Viện
Tin học trong khuôn khổ đề tài cấp Nhà nuớc KC-02 Điều khiển thời gian thực.
Hiện nay một số cơ sở đang nghiên cứu như Trung tâm Tự động hoá-Viện tin
học, Khoa Công nghệ Thông tin - ĐHBK.HN, Bộ môn Điều khiển Tự động
ĐHBK.HN, Học viện Bưu chính Viễn thông, Khoa Công nghệ Thông tin
ĐHBK.HCM,Đại học Giao thông Vận tải, Viện Vật lý, Viện toán học,
VietcomBank, Viện Năng lượng Nguyên tử, Học viện Kỹ thuật Quân sự, Đại
học Quốc gia - HCM. Công tác đào tạo được triển khai, đã có những luận án
Tiến sĩ (2), Thạc sĩ và buớc đầu được giảng dạy cho sinh viên. Tuy nhiên những
nghiên cứu thường rải rác,chưa tập trung thành những nhóm nghiên cứu mạnh
để có thể bước đầu đưa vào ứng dụng và có thể hợp tác với các tổ chức quốc tế.
1.5 Tổng quan về tình hình nghiên cứu tổ hợp năng lượng nhiên liệu than
Một NLNLT cung cấp năng lượng điện là kết quả của những quá trình
chuyển đổi năng lượng. Cụ thể, những chuyển đổi chính là sự đốt cháy nhiên
liệu đầu vào, tạo hơi, phát triển chuyển động quay, sản xuất năng lượng điện và
ngưng tụ hơi. Tất cả những chuyển đổi này tạo thành một chu trình nhiệt động
lực học lớn và phụ thuộc lẫn nhau cao độ.
Những chiến lược điều khiển hiện thời cho phép tạo ra năng lượng cần thiết
để thoả mãn yêu cầu tải trong khi duy trì sự cân bằng giữa những quá trình
chuyển đổi trong tổ hợp. Chủ yếu, chúng gắn kết ngõ ra năng lượng lưu lượng
hơi của boiler với năng lượng được yêu cầu bởi tuabin-máy phát để đạt được tải
điện ở mọi thời điểm. Sơ đồ điều khiển tổ hợp cấu thành lớp cao nhất của hệ
thống điều khiển và nó chịu trách nhiệm cho việc điều khiển boiler-tuabin-máy


- 11 -

- 12 -

phát như một đối tượng đơn. Đặc tính nổi bật của tổ hợp được quản lý thông
qua những vòng điều khiển năng lượng và áp suất. Việc phát triển từ những cấu
hình vòng điều khiển SISO dựa trên thuật toán điều khiển PID, những chiến
lược này có thể phân loại thành ba lớp: điều khiển theo boiler, điều khiển theo
tuabin và điều khiển boiler-tuabin.
Sơ đồ theo boiler được dùng đầu tiên . Trong sơ đồ này, boiler sẽ chờ đợi
hành động của tuabin để sản xuất năng lượng. Những van điều khiển tuabin
điều chỉnh lưu lượng hơi vào trong tuabin với đối số là công suất yêu cầu. Sau
đó, điều khiển boiler tương ứng với những thay đổi trong lưu lượng hơi và áp
suất. Sai lệch áp suất tiết lưu so với setpoint được dùng bởi điều khiển quá trình
đốt nhiên liệu để điều chỉnh lượng nhiên liệu và không khí vào trong buồng đốt,
và việc tạo hơi được hiệu chỉnh theo yêu cầu của tuabin. Thuận lợi của phương
pháp này là đáp ứng nhanh với thay đổi tải: tuabin là một dụng cụ hoạt động
nhanh có thể đáp ứng rất nhanh với những yêu cầu tải sử dụng năng lượng nhiệt
được lưu trữ trong boiler. Điều bất lợi là phương pháp này thể hiện việc điều
khiển áp suất tiết lưu ít ổn định vì boiler có xu hướng vượt quá vì nó đòi hỏi
thời gian để hoà hợp với tuabin.
Sơ đồ điều khiển theo tuabin được dùng trong những năm 60-70. Trong sơ
đồ này, tuabin sẽ theo những hoạt động của boiler. Yêu cầu công suất được
dùng bởi điều khiển đốt tại boiler để điều chỉnh lượng nhiên liệu và không khí
vào trong buồng đốt để điều chỉnh việc sản xuất hơi. Sau đó điều khiển tuabin
đáp ứng bằng cách hiệu chỉnh những van tiết lưu để giữ áp suất tại setpoint.
Tuabin chịu trách nhiệm hoàn toàn trong việc điều khiển áp suất tiết lưu. Thuận
lợi của phương pháp này là đáp ứng rất ổn định với những thay đổi tải với sự
dao động áp suất hơi và nhiệt độ tối thiểu, vì những thay đổi tải phụ thuộc vào
hoạt động của boiler là thiết bị chậm hơn so với tuabin. Bất lợi chính của
phương pháp là không sử dụng khả năng lưu trữ năng lượng của boiler, vì thế
tạo ra đáp ứng chậm hơn.
Được sử dùng nhiều nhất trong thập kỷ 50 là sơ đồ điều khiển phù
hợp(coordinated control (CC)). Trong sơ đồ này, công suất được đưa đồng thời

đến boiler và tuabin. Phụ thuộc vào các cặp biến được điều khiển và điều
khiển, có hai sơ đồ cho CC: sơ đồ theo boiler và sơ đồ theo tuabin [Landis and
Wulfsohn 1988]. Với sơ đồ thứ nhất, bộ điều khiển tải tạo lệnh cho van tiết lưu
hơi từ yêu cầu tải tổ hợp và công suất tạo ra, bộ điều khiển áp suất tạo lệnh cho
cho van nhiên liệu/không khí từ áp suất tiết lưu đo được và setpoint áp suất mà
sẽ có được từ yêu cầu tải tổ hợp thông qua ánh xạ phi tuyến (hình 1.1). Trong
sơ đồ thứ hai, bộ điều khiển tải tạo lệnh cho những van nhiên liệu/không khí từ
yêu cầu tải tổ hợp và công suất tạo ra. Lệnh đến van tiết lưu được tính toán từ
áp suất hơi tiết lưu đo được và setpoint áp suất mà sẽ có được từ yêu cầu tải tổ
hợp thông qua ánh xạ phi tuyến (hình 1.2).
Những chiến lược điều khiển phù hợp sẽ kết hợp những thuận lợi của hai
chiến lược trên và tối thiểu những bất lợi cuả chúng, nghĩa là , chúng cố gắng
giữ đặc tính đáp ứng ổn định của sơ đồ theo tuabin và đặc tính đáp ứng nhanh

của sơ đồ theo boiler. Để đạt được đáp ứng nhanh,tuabin-máy phát được phép
sử dụng năng lượng được lưu trữ trong boiler. Để đạt được ổn định, điều khiển
boiler hiệu chỉnh tốc độ đánh lửa theo tải yêu cầu, trong khi giữ cho tuabin
không vượt quá năng lượng được cung cấp bởi boiler. Đáp ứng tổ hợp ở CC
phải nhanh hơn sơ đồ theo tuabin nhưng không nhanh bằng sơ đồ theo boiler.
Những ưu điểm khác của phương pháp điều khiển phù hợp là khả năng dễ dàng
thực hiện giảm tải và biến đổi áp suất với điều khiển tải chính xác.
Từ quan điểm thực tế, người ta mong muốn có một cấu trúc tổng quát cho
điều khiển phù hợp mà có thể cấu hình lại với bất kỳ sơ đồ hoạt vận hành nào,
hoặc có thể được điều chỉnh để thể hiện bất kỳ ứng xử nào giữa các sơ đồ điều
khiển. Những cấu trúc này chứa những cấu hình nhiều vòng lặp phân tán của
những bộ điều khiển SISO dùng những thuật toán cổ điển PI hay PID. Những
sơ đồ này đối mặt với những thách thức nghiêm trọng bởi những yêu cầu vận
hành theo tải diện rộng. Trong những điều kiện này, hiệu suất có thể giảm do
những biến đổi phi tuyến lớn và những hiệu ứng kết hợp của những quá trình
động. Người ta đã dùng những bộ bù để tăng cường sơ đồ điều khiển phù hợp

nhiều vòng lặp bằng cách giảm những hiệu ứng tương tác giữa các vòng điều
khiển. Rất nhiều nghiên cứu đã được thực hiện trong nhiều thập kỷ qua nhưng
hầu hết các kết quả đều là những sản phẩm riêng của những nhà phát triển và
không có một phương pháp được chấp nhận rộng rãi hay tổng quát để thực thi
chúng, vì thế cần thiết những phương pháp thiết kế mang tính hệ thống và tổng
quát hơn. Điểm cốt yếu là việc thiết kế bộ bù tương tác dựa trên mô hình toán
học là gần như không thể thực hiện và trở nên quá phức tạp sẽ loại bỏ ứng dụng
của nó.

Hình 1.1. Sơ đồ điều khiển theo boiler


- 13 -

Hình 1.2. Sơ đồ điều khiển theo tuabin
1.5.1. Những hệ thống điều khiển tiên tiến
Mặc dù không có định nghĩa chung cho điều khiển tiên tiến, nhiều phương pháp
đã dùng những mô hình toán học của quá trình, hoặc là ở quá trình thiết kế hay
trong suốt quá trình vận hành, hiện thời được gọi là tiên tiến. Hầu hết sự chú ý
tập trung vào chỉ số hiệu suất toàn phương. Ứng dụng thực tế của kỹ thuật này
cho điều khiển toàn bộ bị giới hạn bởi tính phức tạp của việc thực thi, dễ bị ảnh
hưởng bởi sự không chắc chắn của mô hình, cần phải reset lại hoạt động của
các bộ điều khiển, và việc dùng những kỹ thuật điều khiển tuyến tính trong
những hệ thống phi tuyến cao độ. Mặc dù không phải là một chiến lược điều
khiển tổ hợp toàn bộ, ứng dụng liên quan nhất của những kỹ thuật điều khiển tối
ưu nhiều biến mà [Nakamura và Uchida 1989] đã đưa vào vận hành một bộ
điều chỉnh toàn phương tuyến tính cho những nhiệt độ hơi trong boiler của một
tổ máy 500MW tại Kyushu Electric Company, Japan, 1978. Bước đột phá này,
trong đó những sơ đồ điều khiển nhiệt độ, gồm những kỹ thuật khác như nhận
dạng và dự đoán không gian trạng thái, lập trình toán học phi tuyến, điều khiển

thích nghi tham khảo mô hình và tối ưu đã trở thành chuẩn cho những tổ hợp
năng lượng than của người Nhật trong suốt 25 năm qua, cho phép họ vận hành
với những mức cao nhất của hiệu suất nhiệt.
Người ta cũng thực hiện nhiều nghiên cứu để áp dụng những phương pháp
tách riêng ra(decoupling) để làm giảm hay loại bỏ những ảnh hưởng tương tác
giữa các vòng điều khiển. Trong sơ đồ điều khiển tổ hợp theo boiler dùng bộ bù
dựa trên hồi tiếp trạng thái để giảm ảnh hưởng tương tác của hệ thống cho tổ
hợp 150 MW ở Ontario Hydro, Canada. Bộ bù tạo ra những tín hiệu bù cho bốn
ngõ vào điều khiển chính là tổng của những tín hiệu điều khiển chính và vectơ

- 14 -

trạng thái quá trình sử dụng những ma trận độ lợi hằng số, được tính từ mô hình
tuyến tính không gian trạng thái bậc 9 của máy. Vectơ trạng thái được dự đoán
dùng bộ lọc Kalman. Những kết quả mô phỏng cho thấy tải có khả năng vận
hành trong khoảng 75% đến 100% khoảng vận hành tải với lỗi biến quá trình và
ảnh hưởng tương tác giảm. Không có chi tiết về số lượng mô hình tuyến tính
được dùng trong khoảng tải cũng như những ma trận độ lợi trong khoảng đó.
Những bộ điều khiển tách rời dựa trên mô hình bậc 12 được thực thi trong máy
thực. So với điều khiển truyền thống, sơ đồ tách riêng xấp xỉ làm cho lỗi điều
khiển giảm, tăng độ ổn định tải thấp, hiệu chỉnh thông số đơn giản và không
nhạy với những biến đổi máy. Khó khăn chính với phương pháp tách riêng là
thiết kế bộ bù tách riêng. Thiết kế bộ bù động là quá nặng nề và sự phức tạp
ngăn cản ứng dụng của chúng.
Về nguyên tắc, điều khiển thích nghi dường như rất phù hợp cho điều khiển
toàn bộ nhà máy điện. Khả năng của hệ thống điều khiển liên quan với những
thay đổi động của quá trình rất hấp dẫn cho vận hành diện rộng. Trong [Marc, et
al. 1980] ảnh hưởng của nhiễu và biến đổi thông số trong thiết kế một bộ điều
khiển thích nghi cho máy phát hơi 250 MW được xem xét. Trong [Mabius, et
al. 1980] một cơ cấu thích nghi tham khảo mô hình được đề nghị để cung cấp

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


- 15 -

- 16 -

lợi chính của hầu hết những phương pháp tiên tiến này là yêu cầu những mô

hình toán học chính xác cho thiết kế và vận hành. Bậc và độ phức tạp cao của
của tổ hợp năng lượng đã ngăn cản việc thực thi những sơ đồ điều khiển tập
trung dựa trên mô hình toán học. Nói cách khác, tính huống này đã thúc đẩy sự
tồn tại lâu dài của những cấu hình nhiều vòng dựa trên những thuật toán điều
khiển PID truyền thống.

một tổ hợp phi tuyến bậc ba. Đối tượng điều khiển là theo đáp ứng bước ở ngõ
ra áp suất và công suất. Trong khi nững ứng dụng khả thi của giải thuật di
truyền là cơ cấu tinh chỉnh hoàn hảo, vẫn có một vài sai xót trong những cấu
trúc điều khiển được đề xuất. Vị trí của những độ lợi kết hợp chéo trong sơ đồ
điều khiển kết hợp dựa trên PI là không thuận tiện, vì nó tạo ra đáp ứng dao
động và sơ đồ điều khiển tối ưu giả sử rằng tất cả các biến trạng thái sẵn sàng
cho mô phỏng.
Trong [Tevera 1995] một sơ đồ tổ hợp có thể cấu hình lại có thể chuyển giữa
những chiến lược điều khiển khác nhau( ví dụ, theo boiler, theo tuabin và điều
khiển hoà hợp). Cấu hình lại hệ thống được thực hiện trực tuyến bởi bốn hệ
chuyên gia làm việc cùng nhau tại mức giám sát. Hệ đầu tiên nhận định trạng
thái vận hành và những yêu cầu cho tổ hợp. Hệ thứ hai tính toán hiệu suất của
sơ đồ điều khiển khi vận hành. Hệ thứ ba tính toán hiệu suất của những sơ đồ
khác dưới những điều kiện hiện thời. Cuối cùng, hệ thứ tư sơ đồ nào là tiện lợi
nhất và chuyển sơ đồ nếu được phép của người vận hành. Điều khiển được thực
hiện thành công trong một hệ thống phát triển và tính toán phần mềm điều
khiển dùng mô hình tổ hợp toàn bộ.
Trong [Garduno and Lee 1997], một sơ đồ điều khiển thứ tự hai mức cho vận
hành diện rộng NLNLT được thể hiện. Tại mức giám sát một bộ quản lý tham
chiếu mờ tạo những quỹ đạo setpoint theo chính sách vận hành áp suất biến đổi
để điều khiển tải theo bất kỳ đặc tính nào.Tại mức điều khiển, thực thi chiến
lược truyền thẳng-hồi tiếp. Điều khiển truyền thẳng gồm một tập những hệ suy
luận mờ MISO được thiết kế từ dữ liệu vào ra trạng thái xác lập. Đường hồi tiếp
gồm những bộ điều khiển PID với cấu hình nhiều vòng. Với chiến lược này,

đường truyền thẳng cung cấp hầu hết tín hiệu điều khiển cho vận hành diện
rộng, giàm bớt những nổ lực điều khiển của những bộ điều khiển PID. Đường
hồi tiếp cung cấp tín hiệu điều khiển bù để điều chỉnh và loại nhiễu trong những
lân cận nhỏ quanh những quỹ đạo lệnh. Những kết quả mô phỏng cho thấy tính
khả thi của sơ đồ điều khiển để đạt được vận hành theo tải chu kỳ.
Những nghiên cứu lớn được thực hiện ở Nhật để phát triển những sơ đồ lai để
đạt được cải tiến kỹ thuật trong vận hành máy điện[Matsuoka, et al.1993]. Sau
những thực thi thành công của điều khiển tối ưu nhiều biến trong suốt hơn hai
mươi năm qua, người Nhật đang tạo ra bước đột phá kỹ thuật thứ hai trong điều
khiển máy điện thông qua việc thực thi những sơ đồ lai dựa trên những giải
thuật và những hệ neuro-mờ. Những cách giải hoàn tất được tìm kiếm để giải
quyết những vấn đề sau:1) những quá trình lớn hơn và phức tạp hơn gồm mô
hình toán học của chúng, 2)độ phi tuyến mạnh hơn, kết hợp và tương tác biến
đổi theo thời gian giữa những hệ con và 3)thoả mãn những yêu cầu chặt chẽ
trong ổn định và tối ưu hệ thống.
Ở Mỹ Intelligent Control Systems Initiative, được thành lập với sự liên kết
giữa Electric Power Research Institute (EPRI) và National Science Foundation
(NSF) năm 1993 gồm hai mươi mốt dự án nghiên cứu để tìm những ứng dụng
có giá trị và sáng kiến mới và thiết lập lý thuyết nền tảng và những chương

1.5.2 Những phương pháp lai thông minh
Vẫn có một phương pháp thứ ba áp dụng những kỹ thuật thông minh nhân
tạo nổi bật gần đây hay sự pha trộn của chúng với điều khiển tiên tiến và truyền
thống, trong một nổ lực liên quan đến những phức tạp mà không được giải
quyết thoả mãn bởi những kỹ thuật được đề cập ở phần trên.
Trong [Mamdani 1974, Mamdani and Assilian 1975], một bộ điều khiển dựa
trên lý thuyết tập mờ [Zadeh 1965, Zadeh 1968, Zadeh 1973] được giới thiệu
lần đầu tiên. Giải thuật mờ mô phỏng quá trình lập luận của con người, được
dùng để điều khiển máy hơi nước trong phòng thí nghiệm. Áp suất hơi và tốc độ
rotor được điều chỉnh bằng cách thao tác ngõ vào nhiệt boiler và độ mở tiết lưu

máy theo một tập những luật ngôn ngữ. Thực nghiệm chỉ ra rằng những kết quả
tương tự hay tốt hơn so với những bộ điều khiển cổ điển. Công việc này minh
hoạ tính khả thi trong việc xây dựng những giải thuật xác định thời gian thực
hiệu quả, mở đầu một lĩnh vực mới trong kỹ thuật điều khiển.
Trong [Ray and Majumder 1985] lý thuết tách rời phi tuyến và lôgic mờ
được dùng để điều chỉnh áp suất bao hơi và mức nước bao hơi trong một tổ hợp
200MW ở những điều kiện vận hành khác nhau. Đầu tiên, một luật điều khiển
tách rời được thiết kế cho mô hình máy phi tuyến bậc ba với giả sử rằng thông
số hệ thống được biết chính xác và là những hệ con SISO không tương tác. Sau
đó, những bộ điều khiển lôgic mờ được dùng cho điều khiển vòng kín trong mỗi
hệ con. Hiệu suất tốt của sơ đồ điều khiển đạt được khi tính với nhiễu trạng thái,
biến đổi thông số ngẫu nhiên và từng phần, thay đổi setpoint, nhạy thông
số,tách rời không hoàn hảo và thiếu tách rời.
Trong [Marcelle, et al. 1994] một sơ đồ điều khiển kết hợp logic mờ và điều
khiển tối ưu cho vận hành chu trình của những tuabin hơi lớn được thể hiện.
Ứng suất tua bin tổng và lỗi tải được tối thiểu bằng cách gắn kết điều khiển van
điều chỉnh tuabin và áp suất hơi boiler. Một hệ thống mờ ưu tiên những đối
tượng hiệu suất và cung cấp những trọng số trong hàm gía trị mà được dùng bởi
bộ điều khiển tối ưu. Sau đó, một thuật toán điều khiển dự đoán mô hình được
dùng để tính van tối ưu và những giá trị setpoint áp suất để cân bằng giữa theo
tải tốt và tối thiểu ứng suất. Hiệu suất tốt hơn khi so sánh với bộ điều khiển áp
suất biến đổi và áp suất hằng số và cũng với một bộ điều khiển dự đoán mô
hình với những độ lợi cố định và thời gian dự đoán cố định.
Trong [Dimeo and Lee 1995] giải thuật di truyền được dùng để tinh chỉnh tối
ưu sơ đồ điều khiển kết hợp dựa trên PI và bộ điều khiển hồi tiếp trạng thái cho


- 17 -

trình tin cậy cho việc thiết kế và phát triển những hệ thống thông minh và thích

nghi. Một vài phương pháp điều khiển thông minh được đầu tư là:1) lập kế
hoạch giám sát off-line và on-line bằng lập luận tự động hay học từ những ví dụ
của con người, 2) mô hình định tính dùng những hệ chuyên gia và lôgic mờ và
3)trí tuệ nhân tạo và học máy dùng những phương pháp mạng nơron, giải thuật
di truyền, tiến hoá và học cưỡng bức, đôi khi kết hợp với những kỹ thuật tối ưu
toán học.
1.5.3. Phát biểu vấn đề
Luận văn này sẽ trình bày ý tưởng cho việc phát triển những hệ thống điều
khiển thông minh cho đối tượng phi tuyến mà cụ thể là tổ hợp năng lượng,
nghĩa là phát triển những hệ thống quản lý năng lượng nhân tạo được thiết kế
điều khiển thông minh bởi hệ thống máy tính giống như bộ não con người.
Những những yêu cầu chính cho hệ thống điều khiển là:
 Thiết kế mở cung cấp những yêu cầu chức năng và vận hành để đạt được
độ linh hoạt, cho ứng dụng trong môi trường thị trường biến đổi cao.
 Vận hành người dùng cuối đơn giản và hiệu suất cao, liên kết với tự
động hoá và kỹ thuật điều khiển.
 Kiến trúc hệ thống có cấu trúc, điều này sẽ dẫn đến việc phát triển phần
mềm điều khiển và tự động hoá tương ứng.
Từ những kết quả đạt được, có thể thấy rằng những chiến lược điều khiển phù
hợp cấu thành mức điều khiển cao nhất trong NLNLT hiện thời và chúng cũng
chịu trách nhiệm cho việc điều khiển boiler-tuabin-máy phát như một đối tượng
đơn. Kế đến, NLNLT là một quá trình phức tạp, chịu nhiều thay đổi điều kiện
vận hành mà sẽ thể hiện như một hệ thống thông minh mà với nó khái niệm
điều khiển tích hợp tiên tiến là cần thiết.
Việc phát triển kỹ thuật khi thiết kế hệ thống điều khiển tổ hợp năng lượng để
hổ trợ và làm cho dễ dàng hơn việc thực thi những hệ thống điều khiển năng
lượng phân tán và thứ bậc lớn và để tích hợp những kỹ thuật thông minh nhân
tạo liên kết tính hệ thống với sự phức tạp của quá trình và những yêu cầu vận
hành của nó. Trong luận văn này sẽ thiết lập một sơ đồ điều khiển tổng quát gọi
là hệ thống điều khiển phù hợp thông minh ứng dụng những kỹ thuật thông

minh nhân tạo là mạng nơron, logíc mờ và thuật giải di truyền để đưa đối tượng
được điều khiển vào đúng quỹ đạo của nó với những yêu cầu vận hành khác
nhau. Để làm được điều này, hệ thống điều khiển trên tích hợp những chức
năng học máy, quan sát ứng xử, cơ cấu thích nghi, tạo lệnh và tính toán điều
khiển, tất cả chúng đều cần thiết cho những đặc tính vận hành tự quản hiệu quả
và linh hoạt.
1.5.4 Đối tượng và phạm vi

- 18 -

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

thực hiện. Cũng thế, đề tài chỉ đề cập đến những chức năng điều khiển cơ
bản để lái quá trình trong suốt pha vận hành tải, không có chức năng khởi
động và shutdown .
 Việc phát triển hệ thống điều khiển sẽ được giới hạn ở vấn đề hệ thống và
tính khả thi của nó. Tất cả chương trình sẽ được mô phỏng trên máy tính
cá nhân dùng môi trường phần mềm phòng thí nghiệm. Không có việc
thực thi hệ thống ở môi trường thực. Đây cũng là bản chất nghiên cứu
của đề tài.
 Đề tài sẽ chỉ phát triển tập hàm tối thiểu cần thiết cho điều chỉnh và tự
động hoá hệ thống năng lượng toàn bộ, đề xuất tính linh hoạt tối đa để hổ
trợ điều khiển tải và điều khiển nhiều tổ hợp trong những sơ đồ nhà máy
điện.
 Phương pháp đề xuất sẽ được tính toán và so sánh với những phương
pháp truyền thống. Thậm chí loại hệ thống điều khiển này không tồn tại,
việc tính toán sẽ được thực hiện với hiệu suất theo tải là yêu cầu quan
trọng nhất cần được thoả mãn.
1.5.5 Tổng quan đề tài
Việc phát triển hệ thống điều khiển phù hợp thông minh(ICCS) gồm bộ giám
sát nhiều đại diện thông minh sẽ tính toán điều khiển ở mức trực tiếp. Những
chức năng giám sát gồm tạo lệnh và tối ưu, học và thích nghi, giám sát trạng


- 19 -

- 20 -

thái và hiệu suất(Hình 1.3). Mức trực tiếp gồm những sơ đồ điều khiển truyền
thẳng/hồi tiếp nhiều biến. Việc thực thi lõi của hệ thống được hình thành bởi ba
môđun: sepoint, bộ xử lý điều khiển truyền thẳng và bộ xử lý điều khiển hồi
tiếp (hình 1.4). Giám sát hiệu suất và trạng thái cũng như những hàm học và

thích nghi được thực thi hoặc là ở dạng off-line hoặc bao gồm hoàn toàn trong
môđun chính.

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

Hình 1.3. Hệ thống điều khiển phù hợp thông minh

Hình 1.4.Sơ đồ khối điều khiển
Với bất kỳ quỹ đạo lệnh tải nào, bộ tạo setpoint sẽ tạo những quỹ đạo
setpoint cho những vòng điều khiển mức thấp hơn thông qua nhóm những ánh
xạ được thiết kế tối ưu. Ánh xạ setpoint được thiết kế bằng cách giải bài toán tối
ưu nhiều đối tượng, trong đó những hàm đối tượng và hàm phù hợp của chúng


- 21 -

- 22 -

CHƯƠNG 2.

4. Chúng không yêu cầu quan hệ đặc tính cấu trúc giữa dữ liệu vào và ra.

MẠNG NƠRON, LÔGIC MỜ
VÀ NHỮNG ỨNG DỤNG CỦA CHÚNG
TRONG ĐIỀU KHIỂN QUÁ TRÌNH
Chương này sẽ thể hiện những ứng dụng nổi bật của mạng nơron trong điều
khiển quá trình. Người ta nhận thấy rằng những phương pháp lai dùng mạng
nơron dang hứa hẹn nhiều triển vọng cho điều khiển những hệ thống phi tuyến
và/hoặc MIMO mà không thể điều khiển thành công bằng những kỹ thuật
truyền thống.
2.1.Giới thiệu
Những kỹ thuật điều khiển truyền thống như điều khiển Tích phân tỉ lệ(PI)
hay điều khiển Vi tích phân tỉ lệ(PID) được ứng dụng thành công trong điều
khiển những quá trình tuyến tính. Gần đây, Điều khiển tiên đoán mô hình
(MPC) cũng thực hiện thành công trong điều khiển những hệ thống tuyến tính.
Tuy nhiên, khoảng 90% những quá trình sinh học và hoá học là phi tuyến cao
và hầu hết chúng là những hệ MIMO.Khi hệ thống là phi tuyến và/hoặc MIMO,
những kỹ thuật truyền thống trên thường mắc phải sai sót khi điều khiển những
hệ thống như thế. Ngày nay, những hệ thống được dùng trong công nghiệp đòi
hỏi độ tự quản cao và những kỹ thuật trên không có khả năng để đạt được điều
này.
Cần phải đạt được những đòi hỏi điều khiển tăng nhanh trong những hệ thống
điều khiển động phức tạp dưới những thay đổi quan trọng đã làm cho việc dùng
Mạng nơron (NN) trong những hệ thống điều khiển trở nên hấp dẫn. Những lý
do chính đằng sau điều này là khả năng của chúng có thể “học” để xấp xỉ hàm
và phân loại mẫu và tiềm năng của chúng trong thực thi phần cứng song song
đồ sộ. Nói cách khác, chúng có khả năng thực thi (cả phần mềm và phần cứng)
nhiều chức năng cần thiết để điều khiển hệ thống với một độ tự quản cao.
Do có khả năng học những liên hệ hàm số phi tuyến phức tạp, mạng nơron
được dùng trong điều khiển những quá trình phi tuyến và/hoặc MIMO. Trong

thập kỷ qua,ứng dụng mạng nơron trong nhận dạng và điều khiển đã tăng theo
hàm mũ.
Những ứng dụng rộng rãi này là do những đặc tính hấp dẫn sau:
1. Mạng nơron có khả năng xấp xỉ bất kỳ hàm số phi tuyến nào;
2. Chúng có thể được huấn luyện dễ dàng bằng cách dùng những bản ghi dữ
liệu từ hệ thống;
3. Chúng thích hợp cho những hệ thống nhiều biến;

Trước hết chúng ta xem điều khiển quá trình là gì?
2.2.Điều khiển quá trình
Trong phát triển, thiết kế và vận hành những máy móc quá trình, những kỹ sư
quá trình luôn gắn liền với năm khái niệm cơ bản:trạng thái,trạng thái cân bằng,
bảo toàn,tốc độ và điều khiển.
Nhận dạng một hệ thống đòi hỏi xác định trạng thái nhiệt động theo đó tất
cả thuộc tính của một hệ thống là cố định. Những hệ thống sinh học,vật lý và
hoá học không thể vận hành ngoài khoảng giới hạn của trạng thái cân bằng
nhiệt động, mà giới hạn khoảng cho phép của những điều kiện vật lý và hoá học
để quá trình diễn ra trong hệ thống.
Bảo toàn khối lượng,động lượng và năng lượng yêu cầu những số lượng nào
đó cần được bảo toàn trong quá trình vì khối lượng, năng lượng và động lựơng
cân bằng. Đặc tính loại và kích thước của thiết bị quá trình của một hệ thống
phụ thuộc vào lượng vật liệu đưa vào quá trình và tốc độ tại đó những quá trình
sinh học, hoá học và vật lý diễn ra trong thiết bị. Khái niệm này được bao trùm
trong lĩnh vực động lực sinh học và hoá học.
Một quá trình có thể khả thi cả về mặt nhiệt động và động lực nhưng vẫn
không hoạt động vì hiệu suất vận hành kém. Điều này có thể là kết quả của việc
không điều khiển được của quá trình và vì những điều kiện không kinh tế. Vì
thế,điều khiển hệ thống để thoả mãn hiệu suất vận hành, vật lý và kinh tế là rất
quan trọng trong thiết kế và vận hành một hệ thống quá trình cũng như khái
niệm trạng thái cân bằng và tốc độ của quá trình.

Điều khiển quá trình là sự điều chỉnh các quá trình sinh học, vật lý và hoá
học để loại bỏ những ảnh hưởng của nhiễu bên ngoài,để đảm bảo sự ổn định
của quá trình và để tối ưu hiệu suất của quá trình.
Một vài đặc tính quan trọng của điều khiển quá trình được lập danh sách ở
đây:
 Xem xét điều khiển quá trình đầu tiên đòi hỏi xem xét những thay đổi
phụ thuộc thời gian. Vấn đề không thể được hình thành mà không có cấu
trúc động. Điều khiển bất kỳ quá trình nào chỉ có thể được xem xét cẩn
thận bằng một phân tích chi tiết đáp ứng trạng thái không ổn định mà có
được từ mô hình động của quá trình.
 Những hệ thống điều khiển quá trình là những hệ thống xử lý thông tin.
Chúng nhận thông tin, xử lý nó, tương tác với nó và tạo thông tin như
những tín hiệu.
 Tất cả những hệ thống điều khiển quá trình là những hệ thống tích hợp
những bộ phận, trong đó mỗi bộ phận ảnh hưởng hiệu suất toàn bộ của hệ


- 23 -

thống. Vì thế, phương pháp tổng quát xem xét toàn bộ hệ thống và môi
trường của nó như một thực thể là quan trọng.
 Hầu hết hệ thống điều khiển quá trình là những hệ thống hồi tiếp trong đó
thông tin được tạo bởi hệ thống được xử lý lần nữa để điều chỉnh đáp ứng
của hệ thống.
 Cuối cùng, tính kinh tế luôn liên kết với những đối tượng hiệu suất của hệ
thống điều khiển quá trình.
Những hệ thống điều khiển quá trình trong công nghiệp như quá trình vật lý,
sinh học và hoá học được mô tả bởi những chuẩn hiệu suất và những thay đổi
của yêu cầu thị trường. Cũng thế, những quá trình này là phi tuyến cao và
không thể được mô hình hoá thật tốt. Vì thế, điều khiển phải được thực hiện

bằng cách cập nhật những biến được thao tác trực tuyến để thoả mãn thay đổi
chuẩn hiệu suất khi gặp phải thay đổi đặc tính của thiết bị. Nhiều kỹ thuật điều
khiển dựa trên khác biệt chuẩn hiệu suất và miêu tả quá trình được dùng để giải
quyết những vấn đề này.
Trong quá trình vận hành của một thiết bị, một vài yêu cầu cần được thoả
mãn và có thể được xem xét như những tiêu chuẩn hiệu suất. Một vài chuẩn
được liệt kê ở đây:
1. Luật an toàn và môi trường,
2. Đặc tính sản phẩm,
3. Điều kiện vận hành,
4. Tính kinh tế.
Những tiêu chuẩn này cần được chuyển dịch thành những biểu thức toán học
để viết luật điều khiển. Chúng có thể được phân loại như những đối tượng(hàm
của những biến cần được tối ưu động) và hạn chế ((hàm của những biến cần
được giữ trong khoảng cần thiết).
Chuyển đổi chuẩn hiệu suất thành những biểu thức toán học có thể yêu cầu
vài giả định. Những giả định này không những làm đơn giản cách giải quyết
vấn đề mà còn làm cho vấn đề có thể thực thi trong những phần cứng đang có.
Tất cả những bộ điều khiển dùng một mô tả hay một mô hình của quá trình.
Nói chung, trong những quá trình sinh học và hoá học, những mô hình là phi
tuyến và những thông số mô hình thường không biết được. Vì thế, luôn luôn có
sự không phù hợp giữa tiên đoán mô hình và ngõ ra quá trình thật. Những lý do
khác của sự khác biệt này là do những thay đổi trong những điểm vận hành và
thiết bị.
Những khác biệt giữa một thiết bị và mô hình của nó tạo ra sự không thoả
mãn để cân bằng tiêu chuẩn hiệu suất. Những thông số điều chỉnh được có thể
giúp cân bằng giữa theo dõi điểm đặt nhanh và đáp ứng biến thao tác trơn.
Người ta luôn mong muốn tối thiểu lượng điều chỉnh trực tuyến bằng cách dùng

- 24 -

một mô hình quá trình khi thiết kế mà bao gồm mô tả những trạng thái không rõ
ràng.
Mặc dù mô tả trạng thái không rõ ràng được dùng, luôn cần cập nhật những
thông số mô hình trực tuyến theo cách thích nghi. Bộ điều khiển tiên đoán mô
hình (MPC) là những bộ điều khiển trong đó luật điều khiển dựa trên mô hình
quá trình. MPC là một hệ thống điều khiển trong đó bộ điều khiển xác định tiểu
sử biến được thao tác mà tối ưu đối tượng hiệu suất vòng lặp mở trong khoảng
thời gian kéo dài từ thời điểm hiện tại đến thời điểm hiện tại cộng với khoảng
thời gian tiên đoán. MPC phù hợp cho những vấn đề có một lượng lớn những
biến được thao tác hay được điều khiển, những hạn chế cho cả hai loại biến
này,thay đổi điều khiển đối tượng và/hoặc sai sót thiết bị, và thời gian trễ. Một
mô hình quá trình được thực hiện trực tiếp trong thuật toán để tiên đoán ngõ ra
quá trình tương lai.
Thường thì trong nhiều bài toán điều khiển quá trình,những mô hình điều
khiển không được xác định tốt; hoặc là chúng mất hoặc những thông số hệ
thống có thể biến đổi theo thời gian. Mạng nơron có nhiều tiện lợi để thu được
những mô hình vào-ra của hệ thống vì chúng có thể “bắt chước” đáp ứng của hệ
thống sau khi được “huấn luyện“. Thậm chí mô hình mạng nơron hay nhận
dạng có thể không phù hợp với thiết bị khi bắt đầu,nhưng nó sẽ trở nên tốt hơn
khi tiến trình huấn luyện trực tuyến diễn ra. Vì thế, huấn luyện trực tuyến làm
cho mạng nơron nắm giữ những thông số thay đổi theo thời gian trong thiết bị
một cách trực tiếp.
Bằng cách huấn luyện mạng nơron để học “mô hình ngược” của một thiết
bị,nó có thể được dùng như một “bộ điều khiển “ cho thiết bị này. Những bộ
điều khiển mạng nơron cũng có thể được dùng trong những cấu trúc MPC như
là những bộ đánh giá hay/và bộ điều khiển.
Vì những quá trình sinh học và hoá học thường phức tạp, thay vì dùng mạng
nơron một mình trong điều khiển những quá trình này, nên dùng chúng kết hợp
với những phương pháp truyền thống như những kỹ thuật điều khiển PI hay

PID hay những kỹ thuật gần đây như những hệ thống chuyên gia dựa trên quy
luật hay lôgic mờ, theo cách lai ghép, sẽ cải tiến hiệu suất của toàn bộ điều
khiển.
2.3.Dùng Mạng nơron trong Điều khiển
Trong những ứng dụng hệ thống điều khiển, mạng nơron nhiều lớp
feedforward với huấn luyện có giám sát thường được dùng nhất. Một đặc tính
chính của những mạng này là chúng có thể tạo những ánh xạ vào-ra mà có thể
xấp xỉ bất kỳ hàm nào với độ chính xác mong muốn. Mạng nơron được dùng
trong những hệ thống điều khiển chủ yếu là nhận dạng và điều khiển hệ thống.
Trong nhận dạng hệ thống, để mô hình đáp ứng vào-ra của một hệ thống
động, mạng được huấn luyện dùng dữ liệu vào-ra và trọng số mạng được điều


- 25 -

chỉnh thường dùng thuật toán backpropagation(lan truyền ngược). Giả định duy
nhất là ánh xạ tĩnh phi tuyến được tạo bởi mạng có thể đại diện đầy đủ đáp ứng
động của hệ thống trong khoảng khảo sát của một ứng dụng cụ thể. Mạng nơron
cần được cung cấp thông tin về lịch sử hệ thống : những ngõ vào và ra ở những
lần trước. Bao nhiêu thông tin được yêu cầu phụ thuộc vào độ chính xác mong
muốn và ứng dụng cụ thể.
Khi một mạng nhiều lớp được huấn luyện như một bộ điều khiển,hoặc như
một vòng lặp kín hay mở, hầu hết những vấn đề này đều tương tự trường hợp
nhận dạng. Khác biệt cơ bản là ngõ ra mong muốn của mạng là ngõ vào điều
khiển thích hợp được dẫn đến thiết bị, là không có được nhưng phải được sưy ra
từ ngõ ra mong muốn của thiết bị. Để đạt được điều này, người ta dùng hoặc là
xấp xỉ dựa trên mô hình toán học của thiết bị(nếu có được),hay mô hình mạng
nơron động của thiết bị hay thậm chí mô hình động đảo ngược của thiết bị.
Mạng nơron có thể được kết hợp để nhận dạng và điều khiển thiết bị, vì thế
hình thành cấu trúc điều khiển thích nghi.

Chúng ta sẽ giới thiệu vài cách cơ bản trong đó dữ liệu huấn luyện mạng
nơron có thể thu được trong những công việc liên quan đến điều khiển :
 Sao chép từ một bộ điều khiển hiện có: Nếu có một bộ điều khiển có
thể điều khiển một thiết bị,thì thông tin yêu cầu để huấn luyện một mạng
nơron có thể thu được từ nó. Mạng nơron học sao chép bộ điều khiển
hiện có. Một lý do để sao chép một bộ điều khiển hiện có là nó có thể là
một dụng cụ không thực tế để dùng, chẳng hạn như một chuyên gia.
Trong một vài trường hợp,chỉ vài cặp vào-ra hữu hạn của một bộ điều
khiển mong muốn được biết. Thì một mạng nơron có thể được huấn
luyện để thi đua với bộ điều khiển mong muốn bằng cách nội sưy những
cặp vào-ra này.
 Nhận dạng hệ thống :Trong trường hợp nhận dạng,dữ liệu huấn luyện
có thể thu được bằng cách quan sát đáp ứng vào-ra của một thiết bị.
Trong những trường hợp phức tạp hơn, ngõ vào mô hình có thể chứa vài
giá trị trễ của những ngõ vào thiết bị và mô hình mạng có thể là đệ quy.
 Nhận dạng hệ thống ngược: Trong trường hợp này,ngõ vào mạng là
ngõ ra của thiết bị và ngõ ra của mạng là ngõ vào thiết bị. Khi thu được
mạng nơron ngược của thiết bị,nó được cung cấp ngõ ra thiết bị mong
muốn và ngõ ra của nó là ngõ vào điều khiển mong muốn của thiết bị.
Vấn đề chính với nhận dạng ngược là mô hình ngược của một thiết bị
không phải luôn luôn được xác định tốt.
 Bộ điều khiển tiên đoán mô hình : Đầu tiên một mạng nơron nhiều lớp
được huấn luyện để nhận dạng mô hình thuận của thiết bị, sau đó một
mạng khác,ví dụ bộ điều khiển,sử dụng bộ nhận dạng này như một bộ
quan sát thiết bị trong một cấu trúc MPC. Mô hình này có ưu điểm của
một bộ điều khiển thích nghi, nhưng nó đòi hỏi phải tính Jacobian của
mạng nơron nhận dạng.

- 26 -

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

(2.1)
Mô hình II:
(2.2)
Mô hình III:
(2.3)
Mô hình IV:
(2.4)
với (u(k), yp(k)) thể hiện cặp vào-ra của thiết bị tại thời điểm k và f:RnR,
g:RmR được giả sử là những hàm khả vi theo những đối số của chúng. Người
ta giả thiết rằng f và g có thể được xấp xỉ đến một độ chính xác mong muốn bất
kỳ trên những tập đóng bởi mạng nơron nhiều lớp. Do giả thiết này, bất kỳ thiết
bị nào cũng có thể được đại diện bởi một mô hình mạng nơron tổng quát hoá.
Để nhận dạng một thiết bị,một mô hình nhận dạng được chọn dựa trên thông
tin liên quan đến lớp mà nó thuộc. Ví dụ, giả sử thiết bị có cấu trúc được mô tả
bởi mô hình III, chúng ta có hai loại bộ nhận dạng:
2.3.1 Mô hình song song: Trong trường hợp này, cấu trúc của bộ nhận dạng
giống hệt thiết bị với f và g được thay thế bởi những mạng nơron N 1 và N2
tương ứng. Mô hình này được mô tả bởi phương trình:
(2.5)
2.3.2. Mô hình song song-nối tiếp: Mô hình này được mô tả bởi phương trình:
(2.6)
Khi một thiết bị được nhận dạng, một bộ điều khiển thích hợp có thể được

thiết kế dựa trên mô hình nhận dạng này. Khi nhiễu bên ngoài không hiện diện
trong hệ thống,có thể điều chỉnh những thông số nhận dạng và điều khiển đồng
thời. Tuy nhiên, khi có nhiễu hiện diện, cập nhật thông số bộ điều khiển được
thực hiện với thời gian chậm hơn để đảm bảo độ tin cậy.


- 27 -

2.4 Mạng nơron cấu trúc truyền thẳng
Những mạng nơron thông minh là những mô hình cấu trúc tính toán sinh học
đặc biệt, gồm những đơn vị xử lý thông tin phân tán và vì thế sở hữu những khả
năng của tính toán song song. Cơ sở của mạng nơron thông minh là nó có nhiều
đơn vị xử lý được kết nối với nhau, được gọi là những nơron mà hình thành
những cấu hình đặt lớp. Ứng xử của mỗi nơron là đơn vị tính toán cơ bản mô tả
những hoạt động xử lý thông tin nơron. Mỗi đơn vị tính toán trong mạng dựa
trên khái niệm nơron lý tưởng. Một nơron lý tưởng được giả sử là đáp ứng tối
ưu với những ngõ vào. Mạng nơron là một tập hợp những đơn vị nơron như thế,
trong đó những nơron đơn được kết nối thông qua những kết nối khớp phức tạp
được đặc tính bởi những hệ số trọng số và mỗi nơron tạo phân phối của nó
hướng đến những đặc điểm tính toán của toàn bộ hệ thống.
Về bản chất, những nơron sinh học rất nhiều cảm biến phức tạp, điều khiển,
và nhận dạng những khía cạnh toán học và những quá trình tạo quyết định. Rất
nhiều ánh xạ toán học phức tạp và những hàm xử lý có thể được đồng nhất với
những quá trình sinh học. Việc nghiên cứu những mô hình toán học của những
đơn vị nơron bắt đầu tại thời điểm khi mà bài toán mô tả toán học của bộ não
con người thu hút sự chú ý của những nhà nghiên cứu. Mô hình đầu tiên của
nơron được đề xuất bởi McCulloch và Pitts năm 1943. Gần đây, việc phát triển
những phương pháp thích nghi đã đưa ra cơ hội giả hàm học của những quá
trình nơron sinh học. Một vài mô hình nơron như thế được phát triển vào thập
niên 60. Nói chung, như một bộ xử lý thông tin, một nơron đơn thực hiện một

kết hợp trên những ngõ vào được trọng số của nó và tạo ra một ngõ vào thông
qua hàm kích hoạt phi tuyến với một ngưỡng.
Ngay từ đầu lấy ý tưởng từ những nơron trong bộ não con người, những
nơron thông minh là những đơn vị xử lý tín hiệu được sắp xếp thành những
mạng được kết nối để thực hiện những công việc xử lý thông tin phức tạp chẳng
hạn nhận dạng đặc tính, nhóm dữ liệu và phân loại, xấp xỉ hàm,… Một mô hình
tổng quát của một nơron thông monh được xem như một hàm xử lý ngõ vào và
một hàm xử lý ngõ ra.

- 28 -

Hàm ngõ vào f(.), kết hợp tất cả những tín hiệu vào thành một ngõ vào mạng
đơn.Thông thường, một hàm ngõ vào là một kết hợp tuyến tính của những ngõ
vào xi:
(2.7)
với wi i=1,…,n được gọi là những trọng số liên kết. Hàm ngõ ra g(.) cung cấp
tín hiệu ngõ ra của nơron với toán hạng ngõ vào mạng được cho bởi f. Hàm ngõ
ra thường dùng là hàm sigmod:
(2.8)
Một mạng nơron thông minh là một mảng gồm những nơron liên kết với nhau.
Giữa nhiều cấu hình kết nối khác nhau, một cấu hình thông thường và hữu dụng
nhất là mạng truyền thẳng nhiều lớp, trong đó không có nơron ngõ ra nào là ngõ
vào cho một nơron trong cùng hay thuộc lớp đứng trước. Đây là điểm nổi bật
nhất của loại mạng này.

Hình 2.2.Mạng truyền thẳng nhiều lớp
Lớp nơron nhận ngõ vào mạng được gọi là lớp ngõ vào. Lớp ngõ vào không
thực hiện bất kỳ công việc xử lý tín hiệu nào mà chỉ phân bố những tín hiệu
vào. Những ngõ ra mạng được tạo bởi lớp ngõ ra. Bất kỳ lớp nào nằm giữa lớp
ngõ vào và ngõ ra đều được gọi là lớp ẩn vì nó không có liên hệ trực tiếp với

môi trường mạng.
2.4.1.Hàm truyền
Có nhiều loại hàm truyền,nhưng có ba loại thông dụng nhất là:
Hình 2.1.Nơron thông minh


- 29 -

Hình 2.3.Hàm truyền bước
Hàm truyền này giới hạn ngõ ra của nơron là 0,nếu đối số ngõ vào mạng n nhỏ
hơn hay bằng 0;hay 1 nếu n lớn hơn hay bằng 0.

- 30 -

nhớ để lưu trữ toàn bộ hàm chuyển mạch hoặc là một bảng kết hợp hay một
hàm Boolean.
Đối ngược với điều trên có một số chương trình mà có thể thực hiện theo
vòng lặp hay theo chuỗi. Nghĩa là, tại bất kỳ thời điểm nào , chương trình cho
một giá trị hàm chỉ với một kết hợp ngõ vào và không cần bộ nhớ để lưu trữ
những giá trị hàm ở các thời điểm trước. Cần có bộ nhớ để lưu trữ ước lượng
hiện thời của chương trình cho việc nhận dạng đúng và chứa những giá trị trọng
số và ngưỡng. Khi giá trị hàm cho một vài kết hợp ngõ vào thì có được một tín
hiệu lỗi giữa giá trị hàm này và ước lượng hiện thời và được hồi tiếp để mà
chương trình có thể thay đổi ước lượng hiện thời nhưng không lưu trữ thông tin
khác. Ý tưởng là sau mỗi hiện diện của ngõ vào với một lượng thời gian đủ thì
ước lượng của chương trình sẽ hội tụ đến đến một giá trị đúng. Loại chương
trình này được gọi lả thích nghi hay học vì mối liên hệ nào đó đến những quá
trình trong những nơron sinh học.
Cho một tập gồm n biến ngõ vào x1,x2,…,xn như hình sau, ngõ ra của bộ kết
hợp tuyến tính(linear combiner) được xác định đơn giản như sau:

(2.9)
Định nghĩa những véctơ đối số của những ngõ vào và trọng số nơron , ta có:
Hình 2.4. Hàm truyền tuyến tính

(2.10)

Hình 2.5. Hàm truyền sigmod
Hàm truyền sidmod nhận ngõ vào,có bất kỳ giá trị nào và tạo ngõ ra nằm trong
khoảng 0 và 1.
2.4.2 Thích nghi và học cho những thành phần ngưỡng nơron
Một công việc quan trọng là làm cách nào để thiết kế một thuật toán hiệu quả
để thích nghi những trọng số và ngưỡng của một đơn vị. Lập trình tuyến tính có
thể cung cấp một giải pháp thay thế cho một tập những bất phương trình mà có
thể nhận được từ một hàm chuyển mạch được cho. Vì tất cả những giá trị hợp lý
của hàm này hiện diện trong một chương trình tổng hợp như thế tại cùng thời
điểm, thuật toán này được xem là có bản chất song song. Trong trường hợp này,
một máy tính được lập trình để thực hiện một chương trình mà phải có đủ bộ

Hình 2.6.Sơ đồ khối của một bộ kết hợp tuyến tính


- 31 -

- 32 -

Như trong chương trình được dùng cho giải thuật   LMS được mô tả trong
phần sau, cho a k  là một ước lượng của véctơ trong số tại thời điểm k. Ta có
thể viết lại lỗi tức thời e(k) như sau:
(2.14)

Với một ngõ vào cố định x(k) và đáp ứng mong muốn d(k), lỗi tức thời mới liên
quan với những thông số trọng số được cập nhật tại thời điểm (k+1) được viết
như sau:
(2.15)
với
Hình 2.7 Sơ đồ thể hiện của một quá trình thích nghi cho một thành phần
ngưỡng nơron.
Vì thế ta có được phương trình
(2.11)
Vì thế, với một hàm chuyển mạch f(x1,x2,…,x n) một quá trình thích nghi cho
những thành phần ngưỡng có thể được xem như một bộ kết hợp tuyến tính được
đặt nối tiếp với hàm giới hạn như trong hình 1.4. Tín hiệu lỗi giữa hàm chuyển
mạch đã biết và ngõ ra của thành phần ngượng nơron được cho như sau:

(2.16)
Mục đích của chúng ta là tìm một luật cập nhật trọng số  a k  để mà
e(k+1)  0
hay

(2.17)
(2.18)

Nếu e(k)=2
Hay tương đương d(k)=1 và
Có thể chọn
(2.19)
để mà

(2.12)
với d(k) = f(x1,x2,…,xn) là một hàm của những biến xi, i=1,…,n. Thuật toán

thích nghi là một chương trình tối thiểu hàm lỗi sẽ được bàn đến sau.
2.4.3. Luật thích nghi Perceptron

(2.20)
Ngược lại, nếu
e(k)=-2
hay tương đương
Ta có được

Luật học perceptron nhị phân của Rosenblatt cho một thành phần ngưỡng được
thể hiện lần đầu tiên vào năm 1958. Cho một đáp ứng mong muốn d(k), việc
thích nghi được cập nhật với với luật perceptron dùng một “lỗi lượng tử hoá”
e(k), được định nghĩa là khác biệt giữa đáp ứng mong muốn và ngõ ra của thành
phần ngưỡng.

(2.21)
Vì thế, ta có thể chọn  a k  là
(2.22)
Nghĩa là
(2.23)
Và

(2.13)
chỉ có ba giá trị hợp lý cho e(k):

(2.24)
Trong đó   0 được gọi là tốc độ học.


- 33 -

- 34 -

Từ (2.23), ta kết luận rằng sự thay đổi i k  tương quan với tín hiệu ngõ vào
xi(k) và tín hiệu lỗi e(k). Nếu sự tương quan là 0, nghĩa là e(k)xi(k)=0 thì thay
đổi i k  cũng là 0. Sơ đồ khối của thuật toán cập nhật được cho trong hình 2.8

Hình 2.9 Luật thích nghi Mays với ngõ ra tuyến tính và lỗi tuyến tính.
Về mặt toán học, thuật toán thích nghi tăng dần Mays được diễn tả như sau:

Hình 2.8. Những thành phần với luật thích nghi perceptron
2.4.4 Luật thích nghi Mays
Một luật học biến thể của luật học  -perceptron được thể hiện ở hình 2.9 được
gọi là luật học May. Thích nghi tăng dần ở dạng tổng quát của nó dùng một
“vùng chết” với bán kính   0 cho ngõ ra tuyến tính.
(2.25)
Nếu ngõ ra s(k) nằm ngoài vùng chết  , nghĩa là
sk   
(2.26)
Thì thích nghi theo sau một biến đổi chuẩn hoá của luật perceptron tăng dần cố
2
định với  xa được dùng thay cho  . Nếu ngõ ra tuyến tính nằm trong

vùng chết sk    , thì bất kể đáp ứng ngõ ra y(k) đúng hay không những trọng
số được cập nhật bởi biến đổi chuẩn hoá của luật học  -perceptron với
2
d xa được dùng thay cho e.

với e(k) là lỗi lượng tử tại thời điểm k được định nghĩa như sau:
e(k)=d(k)-sgn(s(k))

và d(k) là đáp ứng mong muốn tại thời điểm k.
Hiển nhiên là nếu bán kính của vùng chết là 0. Thì luật thích nghi Mays trở
thành luật thích nghi perceptron.
2.4.5 Thành phần tuyến tính thích nghi (ADALINE)
Thành phần tuyến tính thích nghi (ADALINE) được dùng như là khối xây dụng
cơ bản trong nhiều mạng nơron truyền thẳng, được nghiên cứu lần đầu tiên bởi
Widrow và các đồng sự trong thập kỷ 1960. Một bộ kết hợp tuyến tính thích
nghi đơn giản được cho ở hình 2.10, với ngõ ra của đơn vị là tổng trọng số của
tất cả ngõ vào.
Để thực hiện quá trình thích nghi trong miền thời gian rời rạc, người ta giả sử
rằng thành phần này nhận véctơ đặc tính ngõ vào x(k)=[x1(k),…,x n(k)]T và một
đáp ứng mong muốn d(k), là một hàm của thời điểm k. Những thành phần của
véctơ ngõ vào được trọng số bởi một tập những hệ số hay trọng số được biểu thị
bởi véctơ trong số w=[w1,…,wn]T trong đó những thành phần của nó có cả
những giá trị dương và âm. Dùng ký hiệu của những véctơ đối số, một ngõ ra
tuyến tính tại thời điểm k có được bằng tích của véctơ đặc tính ngõ vào và véctơ
trọng số như sau:


- 35 -

- 36 -

(2.27)

với  là một hằng số được chọn để mà lỗi el(k) sẽ ổn định tiệm cận:
(2.32)
Như vậy ta có được:
(2.33)
Nhân cả hai vế của phương trình này với xa(k) ta được

(2.34)
Vì thế ,cuối cùng ta có được:

Do đó

Hình 2.10.Thành phần tuyến tính thích nghi (ADALINE)
2.4.6 Giải thuật   LMS (Bình phương trung bình nhỏ nhất)
Giải thuật   LMS cung cấp một công thức thích nghi hiệu quả và đơn giản cho
những trọng số của bộ kết hợp tuyến tính trong hình 2.10. Giải thuật này có
được dùng nguyên tắc nhiễu nhỏ nhất và được đề xuất bởi Widrow và
Hoff(1960).
Cho wa(k)=[w0(k),…,wn(k)]T là một ước lượng của véctơ trọng số wa tại thời
điểm k. Lỗi tuyến tính giữa đáp ứng mong muốn d(k) và ngõ ra tuyến tính s(k)
với ước lượng hiện thời của những trọng số wa(k) được định nghĩa như sau:
(2.28)
Lỗi kế tiếp được định nghĩa là khác biệt giữa đáp ứng mong muốn d(k) và ngõ
ra tuyến tính s(k) với những ước lượng kế tiếp của những trọng số wa(k+1) là:
(2.29)
Có thể thấy rằng tại thời điểm k thay đổi trọng số sẽ dẫn đến những thay đổi
tương ứng của lỗi:

(2.30)
Công việc kế tiếp là tìm một luật cập nhật để mà lỗi el(k) sẽ hội tụ tiệm cận đến
0. Để bảo đảm rằng sự hội tụ của lỗi phụ thuộc vào cập nhật trọng số, ta giả sử
(2.31)
Nghĩa là:

(2.35)
Đây là một số gia. Phương trình (2.52) là luật Widrow-Hoff delta. Với một giá
trị ban đầu bất kỳ của el(0),el(k) có thể được diễn tả như sau:

(2.36)
Để bảo đảm độ hội tụ của el(k),điều kiện sau cần được thoả mãn:
Nghĩa là:
Vì thế lỗi là ổn định tiệm cận nếu hằng số  được chọn như sau:
0   2

(2.37)

Để tránh sự điều chỉnh quá mức, thực tế  được chọn trong khoảng
(2.38)
0.1    1.0
Không giống như luật perceptron, ngõ vào của một Adaline có thể là nhị phân
hay tương tự. Một Adaline có thể được dùng để nhận ra những hàm ngưỡng
bằng cách hiệu chỉnh thích hợp những trọng số. Thậm chí nếu cả hai luật học
perceptron và   LMS được dùng trong những chương trình sữa lỗi và có những
công thức cập nhật tương tự, chúng vẫn có những ứng xử khá khác biệt(Widrow
and Lehr 1990). Khác biệt chính giữa hai thuật toán này là luật của Rosenblatt
khai thác một lỗi lượng tử e=(d-sgn(s)) trong khi giải thuật   LMS khai thác lỗi
tuyến tính e l=d-s. Điều này có nghĩa là giải thuật perceptron gồm một hàm phi
tuyến của những tín hiệu qua hàm truyền bước, ngược lại giải thuật   LMS là
một quá trình tuyến tính.


- 37 -

- 38 -

2.4.7 Phương pháp lỗi bình phương trung bình
2.4.7.1 Công thức không lặp lại

Theo Widrow và Lehr, khái niệm lỗi bình phương trung bình có thể được dùng
để xác định véctơ trọng số cho một ngõ vào và những đặc tính dữ liệu mong
muốn dùng giải thuật lặp hay không lặp. Không mất tính tổng quát, giả sử rằng
ngõ vào x(k) và ngõ ra mong muốn d(k) được rút từ việc thống kê. Bình phương
của lỗi giữa ngõ ra của bộ kết hợp tuyến tính và ngõ ra mong muốn tại thời
điểm k được mở rộng như sau:

Đây là một phương trình véctơ tuyến tính của véctơ trọng số. Véctơ trọng số tối
ưu w* cũng được gọi là véctơ trọng số Wiener đạt được bằng cách đặt gradient
là 0. Vì thế trọng số tối ưu là:
wa*=R-1p
(2.42)
Cách giải này gồm một chương trình tính toán nghịch đảo ma trận R. Với số
lượng lớn những ngõ vào, điều này có thể dẫn đến việc tốn rất nhiều thời gian,
thậm chí một vài giải thuật tính ma trận cải tiến chẳng hạn phân rã giá trị suy
biến(SVD) được dùng để tránh tính nghịch đảo ma trận trực tiếp. Vì thế, một
phương pháp giảm gradient lặp sẽ được giới thiệu để giải quyết việc tín toán
phức tạp này.

(2.39)
Vì bộ kết hợp tuyến tính sẽ tạo ra một lỗi el(k) tại mỗi thời điểm k, trung bình
toán bộ của bình phương lỗi trong (2.39) là:

2.4.7.2 Gải thuật bình phương tring bình nhỏ nhất   LMS

(2.40)
Thuật ngữ bên trái được gọi là lỗi bình phương trung bình (MSE). Đặt:

  LMS có thể được phát triển từ phương pháp giảm gradient truyền thống, nơi
mà việc tìm kiếm véctơ trọng số tối ưu được tím kiếm trong không gian trọng

số dọc theo hướng được cung cấp bởi gradient của một lỗi bình phương tức thời
giữa ngõ ra hiện thời và ngõ ra mong muốn. Vì nó là một hàm bình phương cùa
những trọng số, bề mặt này là lồi và có một tối thiểu toàn cục duy nhất. Từ
(2.57) gradient tức thời có thể đạt được dựa trên hàm lỗi tuyến tính tức thời như
sau:

là véctơ tương quan chéo giữa ngõ ra mong muốn d(k) và véctơ ngõ vào nơron
xa(k).
Tương tự, định nghĩa ma trận tương quan ngõ vào R

(2.43)
Là một ma trận xác định dương,đối xứng và thực hay trong những trường hợp ít
gặp hơn là ma trận bán xác định dương. Vì thế lỗi bình phương được viết lại
như sau:
(2.41)
Gradient a của hàm MSE tương ứng với véctơ trọng số wa có được bằng
cách đạo hàm (2.41) như sau:

Vì thế, giải thuật học giảm gradient được viết như sau:

(2.44)
Đây là giải thuật   LMS của Widrow, với tốc độ học   0 quyết định độ hội tụ
của chương trình học. Theo Widrow và Lehr ,  phải thoả:

(2.45)
Giải thuật   LMS hội tụ trung bình đến w*, là cách giải Wiener tối ưu được
cho bởi (2.43).
Thể hiện hình học của luật   LMS được cho trong hình 2.11. Theo (2.44)
wa(k+1) bằng với wa(k) cộng với một số gia  a k  mà tương ứng với véctơ đặc

- 39 -

- 40 -

tính ngõ vào xa(k). Nói cách khác, biến đổi của lỗi phụ thuộc vào biến đổi của
véctơ trọng số bằng với tích âm của x a(k) và a k  . Vì giải thuật   LMS chọn
 a k  cộng tuyến với xa(k), tương quan lỗi mong muốn đạt được với biến đổi
véctơ trọng số có biên độ ổn định. Khi việc cập nhật tương ứng hoàn hảo với
đặc tính ngõ vào mới, những đáp ứng với những đặc tính huấn luyện trước đây
sẽ được cập nhật tối thiểu.

Một phiên bản thời gian liên tục của giải thuật   LMS ở trên có thể dễ dàng
đạt được bằng cách tối thiểu hàm lỗi
(2.48)
là ước lượng tức thời của lỗi bình phương trung bình và wa(t) là một ước lượng
của véctơ trọng số wa tại thời điểm t. Áp dụng phương pháp giảm gradient độ
dốc lớn nhất ta được:

(2.49)
Sơ đồ khối của việc thực thi giải thuật   LMS thời gian liên tục dùng những
bộ nhân và tích phân tương tự được cho trong hình 2.12
2.5 Giải thuật lan truyền ngược cho mạng nơron truyền thẳng nhiều
lớp(MFNN)

Hình 2.11. Giải thích hình học của những giải thuật   LMS và   LMS
Khi so sánh hai thuật toán   LMS và   LMS , điều thú vị là luật   LMS là
một phiên bản tự chuẩn hoá của luật   LMS vì luật   LMS dễ dàng được viết
như sau:

Bây giờ chúng ta sẽ nói về những giải thuật lan truyển ngược(BP) một cách chi
tiết.
Một mạng truyền thẳng nhiều lớp có khả năng xấp xỉ rất nhiều hàm phi tuyến
với độ chính xác mong muốn, nó được khai thác rộng rãi trong các ứng dụng
như những bài toán nhận dạng và điều khiển hệ thống, nhận dạng đặc tính. Bây
giờ chúng ta sẽ đề cập đến mô hình tổng quát và giải thuật học BP của MFNN.

(2.46)
với

(2.47)
tương ứng là lỗi chuẩn hoá, đáp ứng mong muốn chuẩn hoá và những đặc tính
ngõ vào chuẩn hoá. Phương trình (2.65) là luật học   LMS với 2 được thay
bởi  . Vì thế, cập nhật trọng số được thiết kế bởi luật   LMS tương đương với
giải thuật   LMS với sự hiện diện của một tập huấn luyện khác là tập huấn
luyện được chuẩn hoá định nghĩa bởi phương trình (2.66).

Hình 2.12. Sơ đồ khối của giải thuật   LMS thời gian liên tục


- 41 -

2.5.1 Cấu trúc nơron tổng quát cho MFNN
Trong một MFNN những nơron được tổ chức trong những lớp mà không có
đường hồi tiếp hay liên kết chéo. Lớp thấp nhất của MFNN là lớp ngõ vào trong
đó những thành phần xử lý nhận tất cả những ngõ vào và ngõ ra cung cấp cho
những thành phần xử lý của lớp ẩn thứ nhất. Lớp cao nhất của MFNN là lớp
ngõ ra. Những ngõ ra từ một lớp bất kỳ sẽ chỉ truyền đến lớp cao hơn. Mỗi cấu
trúc cơ bản của những MFNN với những kết nối truyền thẳng được thể hiện
trong hình 2.13.

Chúng ta sẽ đánh số những lớp nơron từ lớp thứ nhất và gọi M là tổng số lớp
của MFNN gồm lớp ngõ vào, ngõ ra và lớp ẩn.
Gọi nơron thứ I trong lớp thứ s được biểu thị bởi neuron(s,i) và ns là tổng số
nơron trong lớp thứ s. Ngõ vào lớp thứ nhất ( lớp ngõ vào) là x  R n . Ngõ ra của
lớp đầu tiên là một hàm phi tuyến của tổng những ngõ vào nhân hệ số, và
những ngõ ra này sẽ được truyền đến tất cả những đơn vị nơron trong lớp thứ
hai. Quá trình này tiếp tục cho những lớp kế. Những định nghĩa cơ bản cùng với
ý nghĩa được dùng trong MFNN được lập danh sách trong bảng 2.1. Xử lý tín
hiệu trong mỗi nơron đơn được cho trong hình 2.14

- 42 -

wjl
xj
yi
ni
M

(i)

trọng số giữa neuron(i,j) và neuron(i-1,l)
ngõ vào bên ngoài thứ j của mạng
ngõ ra thứ i của mạng
Số lượng nơron trong lớp thứ i
Số lớp trong mạng

Hình 2.14. Thể hiện sơ đồ khối của neuron(i,j) trong lớp thứ i

Hình 2.15. Những hoạt động nhân trọng số và kết hợp trong neuron(i,j)
Về mặt toán học, những hoạt động này được xác định như sau:

(a) Hoạt động nhân trọng số:

(b) Hoạt động kết hợp
Hình 2.13. Một mạng nơron truyền thẳng nhiều lớp với lớp ngõ vào, ngõ ra và
(M-2) lớp ẩn.
Bảng 2.1. Ý nghĩa của các ký hiệu
Ký hiệu
Ý nghĩa
Neuron(i,j)
nơron thứ j trong lớp i
sj(i)
ngõ ra của bộ kết hợp tuyến tính trong neuron(i,j)
(i)
xj
Ngõ ra của neuron(i,j)

Phương trình thứ nhất thể hiện hoạt động nhân trong đó những tín hiệu sẽ
được nhân bởi những trọng số trên đường kết nối và những phương trình thứ


- 43 -

- 44 -

hao và thứ ba thực thi hoạt động kết hợp gồm tổng của tất cả ngõ ra và ngưỡng.
Hoạt động phi tuyến này được viết lại như sau:
(2.51)

với
Và

với những ký hiệu cho trong bảng 1. Và  . là hàm kích hoạt phi tuyến. Ta
đặt xl 0   xl l  1,..., n0  n  là ngõ vào thứ l của mạng và xl  M  l  1,..., nM  m là ngõ
ra thứ l của mạng. Véctơ ngõ ra nhiều chiều từ lớp (i-1) sau đó được dùng trực
tiếp như véctơ ngõ vào của lớp thứ i.
Những dạng đối số của những ngõ vào nơron và những trọng số nơron được
viết như sau:

Thể hiện trên sơ đồ cùa ánh xạ tuyến tính này được cho ở hình 2.16.

Việc giới thiệu những véctơ ngõ ra đối số và những ma trận trọng số phụ
thuộc vào sự tồn tại của ngưỡng trong hàm kích hoạt nơron phi tuyến. Với
những ký hiệu này, phương trình hoạt động và hàm truyền của mạng được viết
như sau:

(2.50)
Hình 2.16. Ánh xạ tuyến tính được thực thi bởi mạng nơron truyền thẳng M lớp

Tổng trọng số nT trong một mạng MFNN được cho bởi:

với số hạng thứ nhất là số lượng của tất cả những trọng số kết nối và số hạng
thứ hai là số lượng của tất cả ngưỡng.
Một thể hiện tường minh của mối liên hệ vào-ra của mạng với véctơ ngõ vào
n chiều x  R n và véctơ ngõ ra m chiều y   1,1m được cho như sau:

Vì hàm kích hoạt phi tuyến  . là liên tục và đạo hàm được hàm ánh xạ f(.)
trong phương trình (2.41) là một hàm phi tuyến liên tục và đạo hàm được từ
không gian vào đến không gian ra. Vì thế, hàm ánh xạ phi tuyến f(.) chứa
những trọng số kết nối có thể được xem như hàm ánh xạ nơron phi tuyến từ
không gian đặc tính ngõ vào đến không gian đặc tính ngõ ra, nơi mà hàm ánh xạ

này được hình thành thông qua quá trình học ngược với lập trình trước trong
những phương pháp truyền thống. Nói cách khác, trong cấu trúc MFNN, thông
tin ngõ vào được truyền thẳng đệ quy đến những lớp ẩn cao hơn và cuối cùng là
lớp ngõ ra. Vì lý do này mà mạng được gọi là mạng lan truyền. Vì quan hệ vàora của một MFNN được mô tả bởi những phương trình đại số tĩnh, những ngõ


- 45 -

- 46 -

ra mạng được tính khá dễ. Những mạng MFNN là những mạng nơron tĩnh và
không có bất kỳ bản chất động nào. Mặc dù phiên bản mở rộng của MFNN có
thể có tính động.
2.5.2 Thiết lập giải thuật lan truyền ngược
Giả sử rằng ta đã có véctơ ngõ ra mong muốn d(k), thuật toán BP cho mang
MFNN sẽ tối thiểu hàm lỗi E là tổng bình phương của các sai lệch giữa ngõ
mong muốn d(k) và những ngõ ra mạng nơron thực sự y(k) đã đề cập ở trên,
được cho như sau:

(2.55)
với
(2.56)
với một nơron thì giải thuật học trọng số ở trên được cho trong hình 2.17. Và xử
lý tín hiệu thuận và ngược trong hình 2.18. Ở đây, đường thuận được dùng để
lan truyền tín hiệu hàm ngõ vào trong khi những đường ngược được thiết kế để
truyền những tín hiệu ngõ ra.

(2.52)
với
(2.53)

(2.54)

Hình 2.18. Sơ đồ của quá trình lan truyền thuận của tín hiệu vào và ngược của
tín hiệu lỗi giữa lớp thứ i và lớp thứ (i+1)
Hình 2.17. Giải thuật BP để thích nghi những trọng số wj(i) của nơron(i,j)
Điều kiện ban đầu để tính toán đệ quy là từ lớp ngõ ra như sau:

2.5.3 Tính toán đệ quy cho s


- 47 -

Những công thức cập nhật được cho trong (2.52) - (2.56) gồm tính toán đệ quy
cho s dần dần từ lớp ngõ ra cho đến những lớp ẩn thấp hơn. Khai triển những
phương trình trên bằng cách đạo hàm riêng phần s ta được:

- 48 -

Gradient của E tương ứng với những véctơ trọng số là:

Trong đó toán hạng thứ hai bên tay phải chỉ phụ thuộc vào đặc tính của nơron
và không liên quan đến hệ số đo lỗi E. Vì thế, từ:

Ta có được

với

Vì thế

Không mất tính tổng quát ta thay li+1 bởi l. Liên hệ giữa sl(i+1) và sj(i) trong
phương trình sau:

Ta được

Vì thế,

với

(2.57)
Điều này cho thấy đã rút được BP từ những phương trình (2.52)-(2.56).
Trong suốt pha học BP như thế, mỗi thể hiện đặc tính trong những thành phần
ngõ ra khác với những thành phần mong muốn. Sau thể hiện toàn tập dữ liệu,
những thông số mạng được sữa đổi được mô tả bởi những trọng số và ngưỡng
mà tối thiểu lỗi bình phương trung bình E.
Thuật ngữ lan truyền ngược được dùng để thể hiện một giải thuật học có
giám sát hoàn toàn với việc chọn lựa cụ thể hàm truyền nơron và luật cập nhật
trọng số. Nói cách khác, thật là tiện lợi để dùng nó khi thể hiện những thành
phần đơn của giải thuật này mà xác định những đạo hàm riêng phần liên quan
bằng lan truyền ngược. Điều này đơn giản là một chuỗi những tính toán. Vì thế,
giải thuật lan truyền ngược là một giải thuật học có giám sát mà dùng lan truyền
ngược để tính những đạo hàm riêng phần.
2.6. Thiết lập giải thuật BP dùng nguyên tắc sai phân
Giải thuật học BP được xem như là một trong những chương trình học hiệu
quả nhất cho MFNN. Một lý do cho việc thành công của giải thuật này là tính
đơn giản của nó. Thực tế, giải thuật BP có nhiều ứng dụng hơn là chỉ trong
chuỗi mắc xích và phương pháp giảm gradient.
Có nhiều phương pháp để thiết lập giải thuật BP. Cách đơn giản nhất được
thể hiện ở phần trên. Bên cạnh đó nguyên tắc sai phân cũng được dùng để đạt
được những công thức giải thuật BP. Phương pháp này lấy ý tưởng từ lý thuyết

điều khiển tối ưu, mà dùng những bộ nhân Lagrange để tìm những giá trị tối ưu
cho những biến điều khiển. Tính toán sai phân có thể giúp chúng ta tìm một
hàm mà tối thiểu hàm mục tiêu có những ràng buộc. Một chương trình để đạt
được giải thuật BP được thể hiện ở ngay phần sau.


- 49 -

- 50 -

2.6.1 Những điều kiện tối ưu
Một MFNN có M lớp nơron, những phương trình mạng hay hàm truyền của
những nơron trong những lớp khác nhau là:

Mỗi phương trình này thể hiện một trong ba thành phần của mạng lan truyền
ngược. Phương trình đầu tiên định nghĩa đường thuận của mạng được thể hiện
bởi những phương trình mạng và phương trình thứ hai, đường lan truyền ngược
là những toán hạng gradient. Phương trình thứ ba không thể hiện cập nhật trực
tiếp trọng số, nhưng nó thể hiện điều kiện tối ưu cần phải thoả mãn.
Dễ dàng thấy rằng (2.61) thể hiện những phương trình mạng. Từ (2.62) ta có:

(2.64)
Bài toán tối ưu thông số cho một công việc cụ thể được mô tả như sau:
(2.58)
Để giải bài toán trên, ta dùng phương pháp Lagrange

Và

(2.59)
với  j i   R là những hệ số nhân Lagrange. Như ta thấy L gồm hai toán hạng.

Toán hạng đầu tiên là lỗi ngõ ra bình phương và toán hạng thứ hai phụ thuộc
vào những phương trình mạng mà cung cấp những ràng buộc cho những thông
số của MFNN. Sai phân lần đầu ta được:

Phương trình tối ưu thứ ba (2.56) thể hiện:

(2.65)

(2.60)
Điều kiện cần là cho L  0 sẽ xác định tối thiểu cục bộ cho hàm lỗi E tương
ứng với những phương trình ràng buộc mạng. Điều kiện này mô tả hoàn toàn
ứng xử của mạng, suy ra những điều kiện tối ưu sau:

(2.61)

(2.66)
Nghĩa là
(2.67)
Điều kiện này nói rằng những véctơ trọng số waj(i) tương ứng với điểm tĩnh L là
một tối thiểu cục bộ hay một điểm yên ngựa.
2.6.2 Cập nhật trọng số
Tìm một điểm cực tiểu của hàm lỗi tương ứng với những véctơ trọng số
tương đương với tìm cực tiểu của L trong khi thoả mãn những phương trình
mạng và phương trình (2.60). Những phương trình mạng (2.64) và (2.67) tạo
thành một hệ thống hoàn chỉnh cho bài toán được thể hiện bởi một bài toán giá
trị biên hai điểm. Không có cách giải nào. May mắn thay, phương pháp giảm
gradient cung cấp giải thuật lặp trọng số sau:

(2.62)

(2.63)

(2.68)
Thế kết quả này vào (2.59) và (2.60) ta được:
(2.69)