Điều khiển nhiệt độ bao hơi cho nhà máy nhiệt điện trên cơ sở điều khiển dự báo dựa mô hình mờ

Đại Học Bách Khoa Hà Nội

Luận Văn Thạc Sỹ Khoa Học

LỜI CAM ĐOAN
Tôi xin cam đoan bản luận văn tốt nghiệp này là công trình nghiên cứu
thực sự của cá nhân, được thực hiện trên cơ sở nghiên cứu lý thuyết, kiến thức
kinh điển, nghiên cứu khảo sát tình hình thực tiễn và dưới sự hướng dẫn khoa
học của PGS.TS Phan Xuân Minh
Các số liệu, mô hình toán và những kết quả trong luận văn là trung thực
và chưa từng được công bố trong bất kỳ công trình khoa học nào.
Tác giả luận văn

Lương Văn Kiên

Điều Khiển và Tự Động Hóa

1

Tác Giả Lương VănKiên


Đại Học Bách Khoa Hà Nội

Luận Văn Thạc Sỹ Khoa Học

MỤC LỤC
LỜI CAM ĐOAN ....................................................................................................................... 1 
MỤC LỤC .................................................................................................................................. 2 
DANH MỤC CÁC KÝ HIỆU VÀ CHỮ VIẾT TẮT................................................................. 4 
DANH MỤC CÁC BẢNG BIỂU............................................................................................... 5 

DANH MỤC CÁC HÌNH VẼ, ĐỒ THỊ .................................................................................... 6 
LỜI MỞ ĐẦU ............................................................................................................................ 7 
CHƯƠNG 1 TỔNG QUAN VỀ ĐIỀU KHIỂN DỰ BÁO DỰA MÔ HÌNH ............................ 9 
1.1 

GIỚI THIỆU CHUNG ................................................................................................. 9 

1.2 PHƯƠNG PHÁP LUẬN CỦA MPC ........................................................................... 12 
1.3 CÁC YẾU TỐ CỦA MPC ........................................................................................... 13 
1.3.1 Mô hình dự báo........................................................................................................ 13 
1.3.2 Phiếm hàm mục tiêu ................................................................................................ 14 
1.3.3 Luật điều khiển ........................................................................................................ 17 
1.4 MỘT SỐ THUẬT TOÁN MPC ..................................................................................... 17 
CHƯƠNG 2 MÔ HÌNH HÓA ĐỐI TƯỢNG ĐIỀU KHIỂN BẰNG MÔ HÌNH MỜ ............ 20 
2.1. Mô hình mờ ................................................................................................................... 20 
2.1.1. Mờ hóa (fuzzifier) .................................................................................................. 22 
2.1.2 Cơ chế suy diễn mờ ................................................................................................. 23 
2.1.3 Giải mờ (rõ hóa tập mờ) .......................................................................................... 30 
2.2 

Mô hình hóa hệ động học bằng mô hình mờ ............................................................. 32 

2.2.1 Lựa chọn thành phần vector hồi quy ....................................................................... 32 
2.2.2 Biểu diễn luật suy diễn cơ sở ................................................................................... 34 
2.2.3 Phương pháp huấn luyện mô hình ........................................................................... 34 
CHƯƠNG 3 THIẾT KẾ THUẬT TOÁN ĐIỀU KHIỂN MPC TRÊN CƠ SỞ MÔ HÌNH MỜ
.................................................................................................................................................. 42 
3.1. XÂY DỰNG MÔ HÌNH DỰ BÁO MỜ. ...................................................................... 42 
3.2 CÁC PHƯƠNG PHÁP GIẢI BÀI TOÁN TỐI ƯU MPC ............................................. 43 
3.2.1 Các phương pháp thông thường .............................................................................. 43 

3.2.2 Phương pháp giải thuật di truyền (Genetic Algorithm) ........................................... 44 
3.2.3 Phương pháp Giới hạn và rẽ nhánh (Branch and Bound)........................................ 53 

Điều Khiển và Tự Động Hóa

2

Tác Giả Lương VănKiên


Đại Học Bách Khoa Hà Nội

Luận Văn Thạc Sỹ Khoa Học

CHƯƠNG 4 ỨNG DỤNG PHƯƠNG PHÁP ĐIỀU KHIỂN DỰ BÁO TỰA MÔ HÌNH MỜ
CHO HỆ THỐNG ĐIỀU KHIỂN NHIỆT ĐỘ BAO HƠI NHÀ MÁY NHIỆT ĐIỆN VÀ MÔ
PHỎNG KIỂM CHỨNG

………………………………………………………………..60

4.1 GIỚI THIỆU TỔNG QUAN VỀ CHU TRÌNH NHÀ MÁY NHIỆT ĐIỆN ................. 60 
4.1.1. Giới thiệu tổng quan nhà máy nhiệt điện Phả Lại .................................................. 60 
4.1.2. Chu trình chính của nhà máy nhiệt điện ................................................................. 62 
4.2.XÂY DỰNG MÔ HÌNH MỜ CHO BAO HƠI .............................................................. 65 
4.2.1. Tổng quan về lò ...................................................................................................... 65 
4.2.2. Thu thập bộ dữ liệu vào ra ...................................................................................... 71 
4.2.3. Xây dựng mô hình dự báo mờ cho đối tượng bao hơi. ........................................... 72 
4.3. THIẾT KẾ BỘ ĐIỀU KHIỂN DỰ BÁO NHIỆT ĐỘ BAO HƠI ................................. 81 
4.3.1. Thiết kế bộ điều khiển dự báo nhiệt độ bao hơi trên cơ sở giải bài toán tối ưu bằng
phương pháp Giải thuật di truyền (Genetic Algorithm). .................................................. 81 

4.3.2. Thiết kế bộ điều khiển dự báo nhiệt độ bao hơi trên cơ sở giải bài toán tối ưu bằng
phương pháp Giới hạn và rẽ nhánh (Branch and Bound) ................................................. 83 
4.4. Mô phỏng và kiểm chứng trên nền Matlab-Simulink.................................................... 84 
4.4.1. Mô phỏng và kiểm chứng ảnh hưởng của các trọng số lên chất lượng đầu ra. ...... 84 
4.4.2. So sánh chất lượng hệ thống điều khiển khi sử dụng các giải thuật tối ưu. ........... 85 
4.5. Nhận xét và đánh giá. .................................................................................................... 90 
KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN ................................................................................ 91 
TÀI LIỆU THAM KHẢO ........................................................................................................ 93 

Điều Khiển và Tự Động Hóa

3

Tác Giả Lương VănKiên


Đại Học Bách Khoa Hà Nội

Luận Văn Thạc Sỹ Khoa Học

DANH MỤC CÁC KÝ HIỆU VÀ CHỮ VIẾT TẮT
MPC

: Điều khiển dự báo theo mô hình

FMPC

: Điều khiển dự báo theo mô hình mờ

GPC

: Điều khiển dự báo tổng quát

FIS

: Hệ thống suy luận mờ

MIMO

: Nhiều vào, nhiều ra

SISO

: Một vào, một ra.

MISO

: Nhiều vào, một ra

SIMO

: Một vào, nhiều ra

y

: Tín hiệu ra tương lai

w

: Tín hiệu đặt

u

: Tín hiệu điều khiển

h1

: Giới hạn dưới miền dự báo

Hp

: Giới hạn trên miền dự báo

Hc

: Giới hạn miền điều khiển

Gas

: Giải thuật di truyền

B&B

: Phương pháp giới hạn và rẽ nhánh (Branch and Bound)

δ ( j) ,λ ( j)

: Chuỗi các trọng số điều chỉnh

F

: Tập mờ

X

: Tập nền

L

: Số luật hợp thành

M

: Số hàm thành viên

Điều Khiển và Tự Động Hóa

4

Tác Giả Lương VănKiên


Đại Học Bách Khoa Hà Nội

Luận Văn Thạc Sỹ Khoa Học

DANH MỤC CÁC BẢNG BIỂU
Bảng 2.1.Phương pháp xây dựng mô hình mờ ......................................................................... 34 
Bảng 4.1 Đặc tính kỹ thuật của lò hơi ở phụ tải cực đại và định mức ..................................... 66 
Bảng 4.2. Thông số lò hơi......................................................................................................... 70 

Bảng 4.3. Bộ dữ liệu vào ra ...................................................................................................... 71 

Điều Khiển và Tự Động Hóa

5

Tác Giả Lương VănKiên


Đại Học Bách Khoa Hà Nội

Luận Văn Thạc Sỹ Khoa Học

DANH MỤC CÁC HÌNH VẼ, ĐỒ THỊ
Hình 1.1.Sơ đồ khối hệ thống điều khiển dự báo...................................................................... 10 
Hình 1.2. Chiến lược điều khiển dự báo ................................................................................... 12 
Hình 1.3 : Quỹ đạo quy chiếu ................................................................................................... 16 
Hình 2.1. Phương pháp giải mờ cực đại .................................................................................. 31 
Hình 2.2. Miền t ........................................................................................................................ 32 
Hình 2.3. Sơ đồ hình cây .......................................................................................................... 33 
Hình 3.1. Cấu trúc bộ điều khiển MPC với Mô hình đối tượng là Mô hình mờ ...................... 42 
Hình 3.2. Bánh xe quay Roulette .............................................................................................. 49 
Hình 3.3. Sơ đồ thực thi giải thuật di truyền ............................................................................ 52 
Hình 3.4. Sơ đồ minh họa Branch and Bound ......................................................................... 53 
Hình 4.1. Tổng quan chu trình chính của hơi và nước 
nhà máy nhiệt điện Phả Lại 2 ................................................................................................... 62 
Hình 4.2 Hệ thống nước tuần hoàn chữ U trong bình ngưng .................................................. 63 
Hình 4.3. Chu trình gia nhiệt hạ áp .......................................................................................... 63 
Hình 4.4.Chu trình gia nhiệt cao áp ......................................................................................... 64 
Hình 4.5. Cấu tạo lò hơi BZK-220-100-10C ............................................................................ 65 

Hình 4.6. Bộ dữ liệu vào ra ...................................................................................................... 72 
Hình 4.7. Kết quả nhận dạng đối tượng ................................................................................... 75 
Hình 4.8. Kết quả sau khi xác định cấu trúc của mô hình mờ ................................................. 77 
Hình 4.9. Kết quả huấn luyện và kiểm chứng mô hình. ............................................................ 80 
Hình 4.10. Đặc tính động của hệ thống.................................................................................... 80 
Hình 4.11. Đáp ứng với λ =0.001 ........................................................................................... 85 
Hình 4.12. Đáp ứng với λ =0.1 ............................................................................................... 85 
Hình 4.13. Đáp ứng với num_bit =10 ...................................................................................... 86 
Hình 4.14. Đáp ứng khi tăng khoảng dự báo Hp=8................................................................. 87 
Hình 4.15. Đáp ứng theo phương pháo B&B. .......................................................................... 87 
Hình 4.16. Bộ điều khiển MPC sử dụng giải thuật di truyền. .................................................. 88 
Hình 4.17. Bộ điều khiển MPC sử dụng giải B&B. .................................................................. 89 

Điều Khiển và Tự Động Hóa

6

Tác Giả Lương VănKiên


Đại Học Bách Khoa Hà Nội

Luận Văn Thạc Sỹ Khoa Học

LỜI MỞ ĐẦU
Điều khiển dự báo theo mô hình (MPC – Model Predictive Control) khởi
đầu vào cuối những năm 70 và kể từ đó phương pháp này đã phát triển đáng kể
trong lĩnh vực nghiên cứu về điều khiển cũng như ứng dụng trong các quá trình
công nghiệp. Nó được xem như là một công cụ mạnh cho điều khiển các quá
trình công nghiệp, đặc biệt là các quá trình phi tuyến, nhiều đầu vào – nhiều đầu

ra. Thuật ngữ MPC không chỉ rõ một chiến lược điều khiển cụ thể mà chỉ một
dải rộng các phương pháp điều khiển sử dụng mô hình toán học của đối
tượng/quá trình để tìm tín hiệu điều khiển nhờ việc tối thiểu hoá một phiếm hàm
mục tiêu.
Vì phải sử dụng một mô hình toán học để dự báo đầu ra của đối tượng tại
các thời điểm trong tương lai nên đối với phương pháp này thì mô hình đối
tượng đóng vai trò quan trọng. Tuy nhiên đối với hệ phi tuyến thì việc xây dựng
được mô hình toán học là một bài toán khó vì đặc tính phi tuyến rất đa dạng.
Một hướng nghiên cứu mới trong khoảng một thập kỷ trở lại đây là áp dụng
lý thuyết mờ vào bài toán nhận dạng hệ phi tuyến. Các kết quả nghiên cứu
đã chỉ ra rằng đây là một giải pháp khá hiệu quả (Espinosa và các đồng tác
giả,1999; Hadjili và Wertz, 1999; Roubos và các đồng tác giả,1999;…)
Hơn thế, sự phát triển mạnh mẽ của công nghệ và các công cụ phần mềm
đã mở ra khả năng ứng dụng có hiệu quả phương pháp điều khiển dự báo cho
các quá trình công nghệ. Mặc dù không thể khẳng định MPC là sự lựa chọn tốt
nhất để điều khiển mọi đối tượng công nghiệp nhưng thực sự kỹ thuật này có rất
nhiều ưu điểm.
Lò hơi là thiết bị quan trọng nhất của các quá trình sản xuất trong công
nghiệp như quá trình sản xuất điện, sản xuất giấy,... Trong nhà máy nhiệt điện,
lò hơi là thiết bị lớn nhất và vận hành phức tạp nhất, là một hệ thống có nhiều

Điều Khiển và Tự Động Hóa

7

Tác Giả Lương VănKiên


Đại Học Bách Khoa Hà Nội

Luận Văn Thạc Sỹ Khoa Học

đầu vào và nhiều đầu ra. Hệ thống điều khiển lò hơi là một hệ thống điều khiển
phức tạp, giám sát và điều khiển hàng trăm tham số. Hệ thống có cấu trúc phức
tạp với hàng trăm mạch vòng điều khiển khác nhau. Trong đó hệ thống điều
chỉnh nhiệt độ bao hơi là một trong những khâu quan trọng của hệ thống điều
khiển lò hơi. Nhiệm vụ của hệ thống này là đảm bảo tương quan lượng nước đưa
vào lò hơi và nhiệt độ bao hơi. Khi tương quan này bị phá vỡ thì mức nước
trong bao hơi sẽ không được kiểm soát và sẽ dẫn tới sự cố ở tuabin hay lò hơi,
có thể sẽ làm giảm năng suất bốc hơi của bao hơi, giảm nhiệt độ bao hơi ảnh
hưởng tới sự vận hành của tuabin, hoặc có thể gây nổ hệ thống ống sinh hơi.
Việc tự động điều chỉnh nhiệt độ bao hơi là một trong những khâu trọng yếu của
các hệ thống điều chỉnh tự động lò hơi, đóng vai trò quan trọng trong việc nâng
cao chất lượng hệ thống điều khiển lò hơi.
Chính vì vậy, em đã chọn đề tài tốt nghiệp là: “Điều khiển nhiệt độ bao
hơi cho nhà máy nhiệt điện trên cơ sở điều khiển dự báo tựa mô hình mờ ”
(Temperature Control for Steam Tank of Thermal Powerplant based on Fuzzy
Model Predictive Controller )
Sau thời gian miệt mài với sự cố gắng của bản thân cùng với sự giúp đỡ
tận tình của các thầy cô giáo trong bộ môn Điều Khiển Tự Động, đặc biệt là sự
hướng dẫn trực tiếp của cô giáo PGS.TS Phan Xuân Minh, em đã hoàn thành
xong luận văn tốt nghiệp của mình. Tuy nhiên do trình độ còn hạn chế nên
không thể tránh khỏi những thiếu sót trong luận văn của mình em rất mong nhận
được sự góp ý, phê bình của thầy cô để luận văn của em được hoàn thiện hơn.
Em xin chân thành cảm ơn!
Hà Nội ngày 15 tháng 06 năm 2012

Lương Văn Kiên

Điều Khiển và Tự Động Hóa

8

Tác Giả Lương VănKiên


Đại Học Bách Khoa Hà Nội

Luận Văn Thạc Sỹ Khoa Học

CHƯƠNG 1
TỔNG QUAN VỀ ĐIỀU KHIỂN DỰ BÁOTỰA MÔ HÌNH
1.1

GIỚI THIỆU CHUNG
Điều khiển dự báo theo mô hình (MPC – Model Predictive Control) là

một công cụ mạnh cho điều khiển các quá trình công nghiệp, đặc biệt là các quá
trình phi tuyến, nhiều vào – nhiều ra. Kể từ khi ra đời cách nay khoảng bốn thập
kỷ, phương pháp này đã phát triển đáng kể trong lĩnh vực nghiên cứu về điều
khiển cũng như ứng dụng trong quá trình công nghiệp. MPC có lẽ là giải pháp
tổng quát nhất cho thiết kế bộ điều khiển trong miền thời gian, có thể áp dụng
cho hệ tuyến tính cũng như phi tuyến, đặc biệt là khi mà tín hiệu đặt là biết
trước. Ngoài ra MPC cũng có thể điều khiển các quá tr ình có tín hiệu điều khiển
bị chặn, có các điều kiện ràng buộc. Tuy nhiên, do sử dụng các điều kiện hạn
chế, rất khó chứng minh được tính ổn định và bền vững về mặt lý thuyết của hệ
MPC, mặc dù hầu hết các ứng dụng được tổng kết đều cho thấy độ ổn định nhất
định. Đây có thể nói là một trở ngại để MPC được phổ biến rộng rãi hơn trong
lĩnh vực nghiên cứu về điều khiển. Mặc dù vậy, những kết quả mới đầy hứa hẹn
hiện nay cho phép chúng ta nghĩ đến việc mở rộng hơn nữa kỹ thuật điều khiển

này trong tương lai.
Tư tưởng chính của bộ điều khiển dự báo theo mô hình là:
- Luật điều khiển phụ thuộc vào những hành vi được dự báo.
- Sử dụng một mô hình toán học để dự báo đầu ra của đối tượng/quá trình
tại các thời điểm trong tương lai (gọi là miền giới hạn dự báo – prediction
horizon).
- Chuỗi tín hiệu điều khiển tương lai trong giới hạn điều khiển (control
horizon) sẽ được tính toán thông qua việc tối thiểu hóa một phiếm hàm mục
tiêu (cost function).

Điều Khiển và Tự Động Hóa

9

Tác Giả Lương VănKiên


Đại Học Bách Khoa Hà Nội

Luận Văn Thạc Sỹ Khoa Học

- Sử dụng sách lược lùi xa (receding strategy), tức là tại mỗi thời điểm chỉ tín
hiệu điều khiển đầu tiên trong chuỗi tín hiệu điều khiển đã tính toán được sử
dụng, sau đó giới hạn dự báo lại được dịch đi một bước về phía tương lai.

Hình 1.1.Sơ đồ khối hệ thống điều khiển dự báo
Các thuật toán MPC khác nhau chỉ không giống nhau ở mô hình toán học
mô tả đối tượng/quá trình, ồn nhiễu và phiếm hàm mục tiêu cần tối thiểu hóa.
Do tính khả mở của phương pháp MPC, nhiều công trình đã được phát triển và
được thừa nhận rộng rãi trong công nghiệp và nghiên cứu. Thành công của các

ứng dụng điều khiển dự báo không chỉ trong công nghiệp chế biến mà còn trong
rất nhiều quá trình đa dạng khác, từ điều khiển robot cho tới gây mê lâm sàng (y
học). Các ứng dụng MPC trong công nghiệp xi măng, tháp sấy, tháp chưng cất,
công nghiệp PVC, máy phát h ơi nước hay động cơ servo cũng đã được giới
thiệu trong nhiều t ài liệu khác nhau. Chất lượng tốt của những ứng dụng này
cho thấy MPC có khả năng đạt được những hệ thống điều khiển hiệu quả cao,
vận hành lâu dài và bền vững.
MPC thể hiện một loạt các ưu điểm so với các phương pháp điều khiển
khác, trong đó nổi bật là:

Điều Khiển và Tự Động Hóa

10

Tác Giả Lương VănKiên


Đại Học Bách Khoa Hà Nội

Luận Văn Thạc Sỹ Khoa Học

- Nó đặc biệt hấp dẫn với những người sử dụng có kiến thức hạn chế về
lý thuyết điều khiển bởi vì những khái niệm đưa ra đều rất trực quan, đồng thời
việc điều chỉnh tương đối dễ dàng.
- Nó có thể được sử dụng để điều khiển rất nhiều quá trình, từ những quá
trình có đặc tính động học đơn giản cho tới những quá trình phức tạp hơn, kể cả
những hệ thống có thời gian trễ lớn hoặc hệ pha không cực tiểu, hệ không ổn
định.
- Nó thích hợp cho điều khiển các hệ nhiều vào nhiều ra (MIMO)
- Có khả năng tự bù thời gian trễ.

- Dễ dàng thực hiện luật điều khiển tuyến tính cho bộ điều khiển trong
trường hợp không hạn chế đầu vào/ ra.
- Nó rất hiệu quả khi quỹ đạo tín hiệu đặt (trong điều khiển robot hay quá
tr ình mẻ) đã biết trước.
- Nó hoàn toàn là một phương pháp luận “mở” dựa trên những nguyên
tắc cơ bản nhất định, cho phép những mở rộng trong tương lai.
Tuy nhiên, kỹ thuật MPC cũng có một số hạn chế. Một trong những hạn
chế đó là mặc dù luật điều khiển được tạo ra đòi hỏi ít tính toán và dễ dàng thực
hiện, song trong tường hợp điều khiển thích nghi, những tính toán đó phải được
thực hiện liên tục tại mỗi thời điểm lấy mẫu. Khi xem xét đến những điều kiện
ràng buộc (constraints) thì khối lượng tính toán thậm chí còn lớn hơn. Tất
nhiên, với năng lực tính toán sẵn có của máy tính như hiện nay, vấn đề này đã
không còn trở nên thiết yếu. Chúng ta biết rằng, rất nhiều máy tính điều khiển
các quá trình công nghiệp không sửdụng hếthiệu suất tính toán của chúng và
thời gian sử dụng của máy tính thường dành cho những mục đích khác hơn là
dành cho thuật toán điều khiển (như truyền thông, hội thoại với người vận
hành, cảnh báo, ghi chép,...). Mặc dù vậy, hạn chế lớn nhất của MPC là sự cần
thiết một mô hình thích hợp cho đối tượng/quá trình bởi vì rõ ràng, sai lệch giữa

Điều Khiển và Tự Động Hóa

11

Tác Giả Lương VănKiên


Đại Học Bách Khoa Hà Nội

Luận Văn Thạc Sỹ Khoa Học

đối tượng/quá trình thực với mô hình sử dụng ảnh hưởng rất nhiều đến kết quả
đạt được. Thực tế, MPC đã chứng tỏ là một giải pháp có thể chấp nhận trong
điều khiển các quá trình công nghiệp, mặc dù nó vẫn còn thiếu những kết quả lý
thuyết ở những điểm quan trọng như tính ổn định và bền vững.
1.2 PHƯƠNG PHÁP LUẬN CỦA MPC

Hình 1.2. Chiến lược điều khiển dự báo
Sử dụng một mô hình toán học để dự báo đầu ra của đối tượng/quá trình
trong tương lai: y(t + k|t  với k = 1..H p , H p được gọi là miền giới hạn dự báo
(prediction horizon). Chuỗi tín hiệu điều khiển tối ưu {u(t),..u(t)+H c } được
tính toán thông qua việc tối thiểu hóa một phiếm hàm mục tiêu. Phiếm hàm này
thường có dạng một hàm bậc hai bao gồm bình phương của sai lệch giữa tín
hiệu đầu ra dự báo và quỹ đạo quy chiếu mong muốn cộng với bình phương
chuỗi biến thiên tín hiều điều khiển:
2

HP

HC

J = ∑ δ ( k ) ⎡ $y ( t + k ) − w ( t + k ) ⎤ + ∑ λ ( k ) ⎡⎣ ∆u ( t + k − 1) ⎤⎦
⎣
⎦ k =1
k =h

2

1

Điều Khiển và Tự Động Hóa

12

Tác Giả Lương VănKiên


Đại Học Bách Khoa Hà Nội

Luận Văn Thạc Sỹ Khoa Học

Tín hiệu điều khiển u(t) được đưa tới đối tượng / quá trình trong khi các tín
hiệu điều khiển còn lại trong chuỗi bị bỏ qua, bởi v ì ở thời điểm lấy mẫu tiếp
theo y(t + 1) đã biết và bước 1 được lặp lại với giá trị mới này và toàn bộ các dữ
liệu được cập nhật.
1.3 CÁC YẾU TỐ CỦA MPC
Phần này nói kỹ về các yếu tố chung của tất cả các bộ điều khiển dự báo
dựa theo mô hình. Mỗi yếu tố có nhiều lựa chọn khác nhau và kết hợp các lựa
chọn dẫn tới các thuật toán MPC khác nhau.
Các yếu tố MPC bao gồm:
- Mô hình dự báo
- Phiếm hàm mục tiêu
- Luật điều khiển
1.3.1 Mô hình dự báo
Mô hình đối tượng/quá trình đóng vai trò quyết định trong bộ điều khiển.
Mô hình phải phản ánh đúng động học của quá trình để có thể dự báo chính xác
đầu ra tương lai cũng như phải đủ đơn giản để thực hiện.
Hệ thống suy luận mờ (Fuzzy Inference System) có thể nói là một
công cụ xấp xỉ toàn năng. Điều này cho phép các hệ thống suy luận mờ có thể
xấp xỉ đặc tính tĩnh của bất cứ một hàm phi tuyến liên tục nào trong một miền
xác định với độ chính xác cao. Đặc biệt là với những hệ phi tuyến mạnh mô hình

mờ tỏ ra chiếm ưu thế hơn so với những mô hình khác. Bằng việc kết hợp với
các khâu động học (đường dây trễ - TDL) ta có thể mô hình hóa đối tượng
động học phi tuyến (mạnh) với độ chính xác tùy ý. Có hai loại mô hình mờ phổ
biến là mô hình mờ Mamdani và mô hình mờ Takagi – Sugeno. Ứng với mỗi
loại mô hình đầu ra dự báo được tính toán như sau:

Điều Khiển và Tự Động Hóa

13

Tác Giả Lương VănKiên


Đại Học Bách Khoa Hà Nội

Luận Văn Thạc Sỹ Khoa Học

Đối với mô hình Mamdani:
L

$y ( t + k | t ) =

∑ b µ (ϕ ( t + k | t ) )
l

l

l =1
L

∑ µ (ϕ ( t + k | t ) )
l =1

l

Đối với mô hình Takagi – Sugeno:
L

$y ( t + k | t ) =

∑ θ ϕ ( t + k | t ) µ (ϕ ( t + k | t ) )
l

l

l =1

L

∑ µ (ϕ ( t + k | t ) )
l =1

l

Ở đây ϕ ( t + k | t ) = ⎡⎣ y ( t + k − 1) ,..., y ( t + k − N y ) , u ( t + k − 1) ,..., u ( t + k − N y )⎤⎦ được gọi là
vector hồi quy (regression vector).
1.3.2 Phiếm hàm mục tiêu
Các thuật toán MPC khác nhau đặt ra các phiếm hàm đánh giá khác nhau
để đạt được luật điều khiển, mục tiêu chung là tín hiệu ra tương lai ( y ) (trong
giới hạn dự báo) phải bám theo tín hiệu đặt nhất định nào đó ( w), đồng thời phải

tìm được tác động điều khiển ( ∆u ) tối ưu. Biểu thức tổng quát của phiếm hàm
mục tiêu là:
Hp

2

Hc

2
J = ∑ δ ( k ) ⎡ $y ( t + k ) − w(t + k ) ⎤ + ∑ δ ( k ) [ ∆u (t + k − 1) ]
⎣
⎦
k =h
k =1
1

Trong phiếm hàm mục tiêu trên cần quan tâm tới các thông số và khái
niệm sau:
- Các thông số: h1 và H p là giới hạn trên và dưới của miền dự báo và H C
là giới hạn điều khiển. Ý nghĩa của h1 và H p là khá rõ ràng, chúng giới hạn các
thời điểm tương lai mà tín hiệu ra mong muốn “bám” được quỹ đạo quy chiếu.
Do đó nếu h1 lớn thì có nghĩa là sai lệch giữa tín hiệu vào và quỹ đạo quy chiếu
ở những thời điểm đầu tiên là không quan trọng. Với những quá trình có thời
gian trễ d, tín hiệu ra chỉ thực sự bắt đầu từ thời điểm t+d trở đi, dễ thấy h1

Điều Khiển và Tự Động Hóa

14

Tác Giả Lương VănKiên

Đại Học Bách Khoa Hà Nội

Luận Văn Thạc Sỹ Khoa Học

không nên chọn nhỏ hơn d . Các hệ số δ ( j ) và λ ( j ) là chuỗi các trọng số điều
chỉnh, tạo sự linh hoạt trong việc lựa chọn luật điều khiển. δ ( j ) và λ ( j ) có thể
là hằng số hoặc thay đổi theo hàm mũ, ví dụ: δ ( j ) = α N − j
2

- Quỹ đạo quy chiếu: Một ưu điểm của điều khiển dự báo là nếu tín hiệu
chủ đạo ở tương lai đã biết trước, hệ thống có thể phản ứng trước khi những thay
đổi bắt đầu xảy ra, do đó tránh được ảnh hưởng của trễ lên đáp ứng của đối
tượng/quá trình. Trong nhiều ứng dụng, tín hiệu chủ đạo tương lai r ( t + k ) là
biết trước, như điều khiển robot, động cơ servo hoặc điều khiển mẻ. Ngay cả
trong những ứng dụng mà tín hiệu chủ đạo là hằng số, chất lượng hệ thống vẫn
được cải thiện đáng kể nhờ biết trước các thời điểm thay đổi của giá trị đặt để
có sự điều chỉnh phù hợp. Trong phiếm hàm cực tiểu hóa các thuật toán MPC
thường sử dụng một quỹ đạo quy chiếu w ( t + k ) . w ( t + k )  không nhất thiết phải
bằng tín hiệu chủ đạo thực mà thường là xấp xỉ gần đúng của nó, bắt đầu từ giá
trị đầu ra hiện tại y ( t ) tiến đến tín hiệu chủ đạo đã biết thông qua một hệ bậc
một.
w (t ) = y (t )

w ( t + k ) = β w ( t + k − 1) + (1 − α ) r ( t + k )

k =1…N

α là hệ số điều chỉnh ( 0 ≤ α < 1) có ảnh hưởng đến đáp ứng động học của hệ

thống, α càng gần 1, đáp ứng càng “trơn”. Trên hình () là dạng của quỹ đạo quy
chiếu ứng với hai giá trị α khác nhau trong trường hợp tín hiệu chủ đạo
r ( t + k ) không đổi, giá trị α nhỏ sẽ tạo ra quỹ đạo w1 “bám” nhanh vào tín hiệu

chủ đạo, khi α tăng dần, quỹ đạo quy chiếu w2 bám chậm hơn nhưng “trơn” hơn.

Điều Khiển và Tự Động Hóa

15

Tác Giả Lương VănKiên


Đại Học Bách Khoa Hà Nội

Luận Văn Thạc Sỹ Khoa Học

Hình 1.3 : Quỹ đạo quy chiếu
- Điều kiện ràng buộc: Trên thực tế, tất cả các quá tr ình công nghiệp đều
khó tránh khỏi các điều kiện ràng buộc (còn gọi là điều kiện biên). Các cơ cấu
chấp hành có phạm vi hành động bị hạn chế cũng như có tốc độ xác định, các
van bị giới hạn bởi vị trí đóng/mở hoàn toàn và bởi tốc độ đáp ứng... Các điều
kiện môi trường, lý do an toàn hoặc thậm chí giới hạn đo của sensor cũng có thể
tạo ra các r àng buộc đối với các biến quá tr ình như mức chất lỏng trong bể
chứa, lưu lượng dòng chảy trong ống dẫn, hay nhiệt độ và áp suất tối đa. Tất
cả các yếu tố này khiến cho sự có mặt của điều kiện ràng buộc trong phiếm
hàm cực tiểu hóa

là cần thiết. Thông thường, người ta quan tâm đến các hạn

chế biên độ và tốc độ của tín hiệu điều khiển và các hạn chế đầu ra:
umin ≤ u ( t ) ≤ umax

∀t

∆umin ≤ u ( t ) − u ( t − 1) ≤ umax

∀t

ymin ≤ y ( t ) ≤ ymax

∀t

Điều Khiển và Tự Động Hóa

16

Tác Giả Lương VănKiên


Đại Học Bách Khoa Hà Nội

Luận Văn Thạc Sỹ Khoa Học

Việc đưa thêm điều kiện ràng buộc vào phiếm hàm mục tiêu làm cho bài
toán tối ưu hóa trở nên phức tạp hơn và lời giải không thể tường minh như trong
trường hợp không có điều kiện ràng buộc.
1.3.3 Luật điều khiển
Để tìm được các giá trị u ( t + k | t ) ta phải tối thiểu hoá phiếm hàm đánh giá

J ở phương trình (1.14). Cụ thể như sau: dựa vào mô hình của đối tượng/quá
trình để tính toán các giá trị đầu ra dự báo $y ( t + k | t ) theo một hàm của các đầu
vào và đầu ra quá khứ và các tín hiệu điều khiển tương lai; thay thế vào phiếm
hàm mục tiêu và tối thiểu hoá phiếm hàm này sẽ tìm được các giá trị điều khiển
mong muốn. Nếu tiêu chuẩn đánh giá là bậc hai, mô hình tuyến tính và không có
điều kiện ràng buộc thì có thể dùng phương pháp phân tích. Nếu không đạt được
các yêu cầu trên thì phải dùng đến phương pháp tối ưu lặp. Dù là phương pháp
nào, việc giải bài toán tối ưu cũng không dễ dàng vì sẽ có H p − h1 + 1 biến độc
lập, số biến này có thể lớn từ 10 đến 30.
Ngoài ra coi rằng sau khoảng thời gian xác định H C thì không có biến đổi
trong tín hiệu điều khiển đưa ra, tức là:
∆u ( t + k − 1) = 0

j ≥ HC

Trường hợp đặc biệt coi H C bằng 1, khi đó tất cả các tác động điều khiển
tương lai sẽ bằng u ( t ) .
1.4 MỘT SỐ THUẬT TOÁN MPC
Dynamic Matrix Control
Thuật toán này sử dụng đáp ứng bước nhảy để mô hình hóa đối tượng/quá
trình. N giá trị đầu tiên trong dãy {hk } của hàm quá độ được xem xét do đó giả
thiết rằng đối tượng/quá trình là ổn định và không có thành phần tích phân. Nếu
có nhiễu tác động, giá trị của nhiễu được coi là không đổi trong suốt giới hạn dự

Điều Khiển và Tự Động Hóa

17

Tác Giả Lương VănKiên

Đại Học Bách Khoa Hà Nội

Luận Văn Thạc Sỹ Khoa Học

báo và bằng giá trị đo được ở đầu ra ( y

)

m

trừ đi giá trị ước lượng từ mô hình

( $y (t | t )) .
n$ ( t + k | t ) = n$ ( t | t ) = ym ( t ) − $y ( t | t )

Do đó tín hiệu ra dự báo sẽ là:
k

$y ( t + k | t ) = h ∆u ( t + k − i ) +
∑i
i =1

N

∑ h ∆u ( t + k − i ) + n$ ( t + k | t )

i = k +1

i

Trong biểu thức trên, thành phần thứ nhất chứa các tác động điều khiển
tương lai (các tác động này sẽ được tính toán nhờ bộ tối ưu hóa), thành phần thứ
hai chứa các tác động điều khiển quá khứ (thành phần này đã biết) và thành
phần cuối cùng đại diện cho tín hiệu nhiễu. Phiếm hàm mục tiêu có thể chỉ chứa
các sai lệch đầu ra dự báo, cũng có thể bao gồm cả tác động điều khiển như
được biểu diễn ở dạng tổng quát (). Ngoài ra, một trong các đặc tính làm cho
DMC trở nên phổ biến trong công nghiệp là nó quan tâm đến các điều kiện ràng
buộc, bằng cách đưa các bất phương trình:
N

∑ C $y ( t + k | t ) + C u ( t + k − i ) + c
i =1

j
yi

j
ui

j

≤0

j = 1...N c

vào bài toán tối ưu. Việc tối ưu hóa tín hiệu điều khiển được thực hiện liên tục
tại các thời điểm lấy mẫu và giá trị u ( t ) sẽ được đưa tới quá trình như được làm
trong tất cả các thuật toán MPC. Hạn chế của phương pháp là ở kích thước của
mô hình quá trình và không thể áp dụng cho các hệ không ổn định.

Generalized Predictive Control
Tín hiệu ra tương lai của bộ điều khiển GPC được dự báo dựa trên mô
hình CARIMA:

( )

e t
( ) ∆( )

( )

A z −1 y ( t ) = B z −1 z − d u ( t − 1) + C z −1

Điều Khiển và Tự Động Hóa

18

Tác Giả Lương VănKiên


Đại Học Bách Khoa Hà Nội

Luận Văn Thạc Sỹ Khoa Học

trong đó tín hiệu nhiễu không đo được được mô hình hóa bởi đa thức

( )

C z -1

Để tìm ra tín hiệu dự báo tối ưu, ta phải giải phương trình Diophantine
nhờ thuật toán truy hồi.
Cũng như tất cả các thuật toán sử dụng mô hình hàm truyền, GPC dễ dàng
thực hiện điều khiển thích nghi nhờ thuật toán ước lượng trực tuyến (on-line) ví
dụ như bình phương cực tiểu hồi quy.
Phiếm hàm mục tiêu bậc hai được sử dụng trong GPC là:
2

HP

HC

J ( h1 , H P , H C ) = ∑ δ ( k ) ⎡ $y ( t + k | t ) − w ( t + k ) ⎤ + ∑ λ ( k ) ⎡⎣ ∆u ( t + k − 1) ⎤⎦
⎣
⎦ k =1
k =h

2

1

trong đó các trọng số δ ( k ) và λ ( k ) thường được chọn là hằng số hoặc tăng theo
hàm mũ và quỹ đạo quy chiếu w ( t + k ) là đường cong xuất phát từ tín hiệu ra tức
thời đến giá trị đặt (sử dụng một công thức truy hồi đơn giản).
Ngoài ra còn một số phương pháp khác như PFC (Predictive Functional
Control), EPSAC (Extended Prediction Self -Adaptive Control)…

Điều Khiển và Tự Động Hóa

19

Tác Giả Lương VănKiên


Đại Học Bách Khoa Hà Nội

Luận Văn Thạc Sỹ Khoa Học

CHƯƠNG 2
MÔ HÌNH HÓA ĐỐI TƯỢNG ĐIỀU KHIỂN BẰNG MÔ HÌNH MỜ

2.1. Mô hình mờ
Lý thuyết về tập mờ có thể được sử dụng trong việc mô hình hóa hệ
thống. Việc mô hình hóa được thực hiện bởi một hệ thống gọi là hệ thống suy
luận mờ (Fuzzy Inference System). Các hệ thống suy luận mờ là những đơn vị
xử lý:
Chuyển đổi những thông tin dạng số sang dạng ngôn ngữ thông qua
quá trình mờ hóa (fuzzification).
- Xử lý thông tin ngôn ngữ sử dụng một hệ luật cơ bản (rule base).
- Đưa ra kết quả dưới dạng số từ việc kết hợp các luật thông qua quá
trình giải mờ (defuzzification).
Hệ thống suy luận mờ (FIS) có thể nói là một công cụ xấp xỉ toàn năng.
Điều này có nghĩa là các hệ thống suy luận mờ có khả năng xấp xỉ bất cứ một
hàm liên tục nào trong một miền xác định với độ chính xác tùy ý.
Tuy nhiên khả năng xấp xỉ vạn năng của các mô hình mờ không phải là
điều đáng kể duy nhất. Mà thêm vào đó, các mô hình mờ bổ sung vào tập
thông tin của chúng ta một không gian mới – không gian ngôn ngữ. Không
gian đó cung cấp những mô tả d ưới dạng ngôn ngữ về đáp ứng của hệ thống đ
ã được mô hình hóa.
Mô hình mờ có thể là mô hình động hoặc mô hình tĩnh. Có hai loại mô

hình mờ:
- Mô hình mờ Mamdani:
- Mô hình mờ Takagi – Sugeno:
Trong điều khiển dự báo thì mô hình mờ Takagi-Sugeno (TS hoặc TSK)
được nghiên cứu và sử dụng rộng rãi hơn cả. Mô hình này có ưu điểm là có

Điều Khiển và Tự Động Hóa

20

Tác Giả Lương VănKiên


Đại Học Bách Khoa Hà Nội

Luận Văn Thạc Sỹ Khoa Học

thể rút ra từ dữ liệu vào-ra quan sát được bằng cách dùng kỹ thuật phân nhóm.
Hơn thế, mô hình TS còn có ưu điểm là tốc độ tính toán nhanh hơn mô hình
Mamdani đồng thời cho kết quả chính xác hơn.
yˆ (t ) = f ( Z t −1 )

Trong đó yˆ (t ) là đầu ra dự báo. Vấn đề cốt lõi của việc nhận dạng sử dụng
hệ mờ là cố gắng mô tả một hàm toán học f bằng một mô hình mờ. Như ta đã
biết một mô hình mờ có thể coi như một tập các tham số. Do đó:
yˆ (t | θ ) = f ( Z t −1 | θ )

Trong đó θ là vector tham số được chọn lựa (vị trí và hình dạng của tập
mờ, hệ luật, việc kết hợp luật …). Viêc lựa chọn các tham số được quyết định
dựa vào lượng thông tin nhúng trong tập dữ liệu thực nghiệm. Cấu trúc () là một

cấu trúc rất tổng quát và ta có thể thấy ngay sự hạn chế của nó l à tập dữ liệu
như vậy sẽ ngày càng lớn lên. Vì vậy thay vì sử dụng công thức (), chúng ta sẽ
tạo ra một vector ϕ(t ) có kích thước cố định. Từ đó ta có một mô hình tổng quát
mới như sau:
yˆ (t | θ ) = f (ϕ(t ) | θ )

Vector ϕ được gọi là vector hồi quy và bao gồm các phần tử hồi quy.
ϕ (t ) = [ y (t − 1),..., y (t − Ny ), u (t − 1),..., u (t − Nu ) ]

Sử dụng cách miêu tả dưới dạng tham số như trên, vấn đề nhận dạng hệ
thống động học sử dụng hệ mờ được chia thành ba vấn đề nhỏ:
1. Làm thế nào để được các phần tử hồi quy thích hợp từ tập các giá
trị v ào ra quá khứ cho vector hồi quy ϕ .
2. Làm thế nào để tìm được cấu trúc thích hợp của hệ mờ f (.,.) .
3. Làm thế nào để tìm được các tham số thích hợp cho hệ mờ.

Điều Khiển và Tự Động Hóa

21

Tác Giả Lương VănKiên


Đại Học Bách Khoa Hà Nội

Luận Văn Thạc Sỹ Khoa Học

2.1.1. Mờ hóa (fuzzifier)
Mờ hóa được định nghĩa là sự ánh xạ (sự tương ứng) từ tập các giá trị
thực x* ∈U ⊂ R n thành tập các giá trị mờ A' ở trong U. Nguyên tắc chung việc

~

thực hiện mờ hóa là:
- Từ tập giá trị thực x đầu vào sẽ tạo ra tập mờ A' với hàm liên thuộc có giá trị
~

đủ rộng tại các điểm rõ x* .
- Nếu có nhiễu ở đầu vào thì việc mờ hóa sẽ góp phần khử nhiễu.
- Việc mờ hóa phải tạo điều kiện đơn giản cho tính toán sau này.
Thông thường dùng 3 phương pháp mờ hóa sau đây:
1. Mờ hóa giá trị (Singleton fuzzifier). Mờ hóa giá trị là từ cá điểm giá trị
thực x* ∈ U lấy các giá trị đơn trị của tập mờ A' , nghĩa là hàm liên thuộc có
~

dạng:
⎧1
⎩0

µN ( x) = ⎨

+ Bằng 1 nếu x = x*
+ Bằng 0 nếu ở các chỗ khác
2. Mờ hóa Gaus (Gausian fuzzifier). Mờ hóa Gaus là từ cá điểm giá trị
thực x* ∈U lấy các giá trị trong tập mờ A' với hàm liên thộc Gaus.
~
3. Mờ hóa hình tam giác (Triangular fuzzifier). Mờ hóa hình tam giác là
từ các điểm giá trị thực x* ∈ U lấy các giá trị trong tập mờ A' với hàm liên thộc
~

dạng hình tam giác (hoặc hình thang).

Ta thấy mờ hóa đơn trị cho phép tính toán về sau rất đơn giản nhưng
không khử được đầu vào, mờ hóa Gáu hoặc mờ hóa hình tam giác không những
cho phép tính toán về sau tương đối đơn giản mà còn đồng thời có thể khử
nhiễu đầu vào.

Điều Khiển và Tự Động Hóa

22

Tác Giả Lương VănKiên


Đại Học Bách Khoa Hà Nội

Luận Văn Thạc Sỹ Khoa Học

2.1.2 Cơ chế suy diễn mờ
* Mệnh đề hợp thành mờ
Một mệnh đề hợp thành mờ (suy diễn mờ) là một mệnh đề được biểu diễn
dưới dạng NẾU χ = A THÌ γ = B hay µ A ( x ) ⇒ µ B ( x ) ,với µ A , µ B ∈ [ 0,1] hay
A ⇒ B (từ A suy ra B)

Trong đó χ và γ là hai biến ngôn ngữ và A, B là các giá trị mờ với các
hàm liên thuộc tương ứng là µ A ( x ) và µ B ( x ) xác định trên các tập nền X và Y.
Biểu thức χ = A được gọi là mệnh đề điều kiện và γ = B là mệnh đề kết
luận
Mệnh đề hợp thành trên cho phép từ một giá trị đầu vào x0 hay cụ thể hơn
là độ phụ thuộc µ A ( x0 ) đối với tập mờ A của giá trị đầu vào x0 xác định được hệ
số thoả mãn mệnh đề kết luận ( γ = B ) của giá trị đầu ra y. Hệ số thỏa mãn
mệnh đề kết luận này được gọi là giá trị của mệnh đề hợp thành khi đầu vào

bằng A và giá trị của mệnh đề hợp thành trên là một giá trị mờ. Biểu diễn giá
trị mờ đó l à một tập mờ C thì mệnh đề hợp thành trên chính là ánh xạ:
µ A ( x0 ) a µC ( y )

Vậy giá trị của mệnh đề hợp th ành mờ trên là một tập mờ định nghĩa
trên tập nền Y (tập nền của tập mờ B) và có hàm liên thuộc: µ A⇒ B ( y ) : Y → [0,1]
thoả mãn các tính chất cơ bản của mệnh đề logic kinh điển.
Ký hiệu tập mờ kết quả là B ' thì B ' = A ⇒ B
Do hàm liên thuộc µ A⇒ B ( y ) của tập mờ kết quả chỉ phụ thuộc vào µ A ( x )
và µ B ( x ) nên có thể coi như µ A⇒ B ( y ) là một hàm của hai biến µ A và µ B , tức là:
µ A⇒ B ( y ) = µ ( µ A , µ B )

Như vậy định nghĩa trên về mệnh đề hợp thành mờ có thể phát biểu như

Điều Khiển và Tự Động Hóa

23

Tác Giả Lương VănKiên


Đại Học Bách Khoa Hà Nội

Luận Văn Thạc Sỹ Khoa Học

sau: Giá trị của mệnh đề hợp thành mờ nói trên là một tập mờ B ' định nghĩa
trên cùng tập nền Y với tập mờ B và có hàm liên thuộc:
µ ( µ A , µ B ) : [ 0,1] → [ 0,1]
2

Để có được các định nghĩa trên, ta đã sử dụng các nguyên tắc do
Mamdani đề ra. Từ các nguyên tắc đó, ta có thể tính được hàm liên thuộc của
mệnh đề hợp thành mờ B ' = A ⇒ B nhờ áp dụng một số công thức sau:
µ A⇒ B ( y ) = µ ( µ A , µ B ) = min {µ A , µ B } hoặc µ A⇒ B ( y ) = µ ( µ A , µ B ) = µ A µ B

Các công thức trên là hai công thức hay được sử dụng nhiều nhất trong
kỹ thuật điều khiển mờ để mô tả mệnh đề hợp thành B ' = A ⇒ B . Chúng có tên
gọi chung là quy tắc hợp thành. Từ đó ta đi đến việc phát biểu hai quy tắc hợp
th ành rất quan trọng sau:
Quy tắc hợp thành MIN
Giá trị của mệnh đề hợp thành mờ A ⇒ B là một tập mờ B ' định nghĩa
trên cùng tập nền Y

với tập mờ B

và có hàm liên thuộc:

µ B ( y ) = min {µ A ( x ) , µ B ( y )}
'

Quy tắc hợp thành PROD (quy tắc hợp thành DOT)
Giá trị của mệnh đề hợp thành mờ A ⇒ B là một tập mờ B ' định nghĩa
trên cùng tập nền Y với tập mờ B và có hàm liên thuộc: µ B′ ( y ) = µ A ( x ) µ B ( y )
Như vậy ứng với một giá trị rõ x 0 tại đầu vào thì hàm liên thuộc của tập
mờ B ' với quy tắc hợp thành MIN sẽ là:
µ B ( y ) = min {µ A ( x0 ) , µ B ( y )}
'

Gọi



H = µ A ( x0 )

là

độ

thỏa

mãn

mệnh

đề

điều

kiện

µ B ( y ) = min { H , µ B ( y )}
'

Với quy tắc hợp thành PROD thì µ B ( y ) = H µ B ( y )
'

Điều Khiển và Tự Động Hóa

24

Tác Giả Lương VănKiên

thì


Đại Học Bách Khoa Hà Nội

Luận Văn Thạc Sỹ Khoa Học

* Luật hợp thành mờ
Hàm liên thuộc  µ A⇒ B ( y ) của mệnh đề hợp thành A ⇒ B bây giờ sẽ được ký
hiệu ngắn gọn lại thành R .
Luật hợp thành là tên chung gọi mô hình biểu diễn một hay nhiều hàm liên
thuộc cho một hay nhiều mệnh đề hợp thành, nói cách khác luật hợp thành được
hiểu là một tập hợp của nhiều mệnh đề hợp thành.
Một luật hợp thành chỉ có một mệnh đề hợp thành được gọi là luật hợp
thành đơn.
Ngược lại nếu nó có nhiều hơn một mệnh đề hợp thành thì được gọi là luật hợp
thành kép.
Một luật hợp thành có các mệnh đề điều kiện và kết luận là những mệnh đề
đơn, ví dụ như:
R1 : NẾU χ = A1 THÌ γ = C1 hoặc
R2 : NẾU χ = A2 THÌ γ = C2 hoặc
M

RN : NẾU χ = AN THÌ γ = C N

thì được gọi là luật hợp thành có cấu trúc SISO (một vào, một ra - single
input, single output).
Một luật hợp thành có mệnh đề điều kiện là mệnh đề kép và mệnh đề kết

luận là mệnh đề đơn, ví dụ như:
R1 : NẾU χ1 = A1 VÀ χ 2 = B1 THÌ γ = C1 hoặc
R2 : NẾU χ1 = A2 VÀ χ 2 = B2 THÌ γ = C2 hoặc
M

RN : NẾU χ1 = AN VÀ χ 2 = BN THÌ γ = CN

thì được gọi là luật hợp thành có cấu trúc MISO (nhiều vào, một ra - multi
input, single output).

Điều Khiển và Tự Động Hóa

25

Tác Giả Lương VănKiên