Nhận dạng lò hơi sử dụng mô hình phi tuyến

BỘ GIÁO DỤC VÀ ĐÀO TẠO
TRƯỜNG ĐẠI HỌC BÁCH KHOA HÀ NỘI
---------------------------------------

VŨ HUY HỒNG

NHẬN DẠNG LỊ HƠI SỬ DỤNG MƠ HÌNH PHI TUYẾN

LUẬN VĂN THẠC SĨ KỸ THUẬT
KỸ THUẬT ĐIỀU KHIỂN VÀ TỰ ĐỘNG HÓA

Hà Nội – 2017


BỘ GIÁO DỤC VÀ ĐÀO TẠO
TRƯỜNG ĐẠI HỌC BÁCH KHOA HÀ NỘI
---------------------------------------

VŨ HUY HỒNG

NHẬN DẠNG LỊ HƠI SỬ DỤNG MƠ HÌNH PHI TUYẾN

LUẬN VĂN THẠC SĨ KỸ THUẬT
KỸ THUẬT ĐIỀU KHIỂN VÀ TỰ ĐỘNG HÓA

NGƯỜI HƯỚNG DẪN KHOA HỌC :
PGS.TS. HOÀNG MINH SƠN

Hà Nội – 2017

CỘNG HÒA XÃ HỘI CHỦ NGHĨA VIỆT NAM
Độc lập – Tự do – Hạnh phúc

BẢN XÁC NHẬN CHỈNH SỬA LUẬN VĂN THẠC SĨ
Họ và tên tác giả luận văn : Vũ Huy Hồng
Đề tài luận văn: Nhận dạng lị hơi sử dụng mơ hình phi tuyến
Chun ngành: Kỹ thuật điều khiển và tự động hóa
Mã số HV: CB140499
Tác giả, Người hướng dẫn khoa học và Hội đồng chấm luận văn xác nhận tác
giả đã sửa chữa, bổ sung luận văn theo biên bản họp Hội đồng ngày 26/04/2017 với
các nội dung sau:
-

Không sửa chữa
Ngày 11 tháng 05 năm 2017

Giáo viên hướng dẫn

Tác giả luận văn

PGS.TS. Hoàng Minh Sơn

Vũ Huy Hoàng
CHỦ TỊCH HỘI ĐỒNG

GS.TS. Nguyễn Doãn Phước

i

Lời cam đoan
Tôi xin cam đoan bản luận văn: “Nhận dạng lị hơi sử dụng mơ hình phi tuyến”
do tơi tự thực hiện dưới sự hướng dẫn của thầy giáo, PGS. TS Hoàng Minh Sơn.
Các số liệu và kết quả là hoàn toàn đúng với thực tế và chưa từng được cơng bố.
Để hồn thành luận văn này, tơi chỉ sử dụng những tài liệu được ghi trong danh
mục tài liệu tham khảo và không sao chép hay sử dụng bất kỳ tài liệu nào khác. Nếu
phát hiện có sự sao chép tơi xin chịu hồn tồn trách nhiệm.
Hà Nội ngày 10 tháng 3 năm 2017
Học viên

Vũ Huy Hoàng

ii


MỤC LỤC
Trang

Danh sách hình vẽ .......................................................................................................v
Danh sách bảng ........................................................................................................ vii
Danh mục các chữ viết tắt ....................................................................................... viii
Danh mục các kí hiệu .................................................................................................ix
MỞ ĐẦU .....................................................................................................................1
CHƯƠNG 1: TỔNG QUAN VỀ NHẬN DẠNG LÒ HƠI .........................................4
1.1. Sơ lược về vấn đề nhận dạng .........................................................................4
1.1.1. Tổng quan về phương pháp ........................................................................4
1.1.2. Phân loại các phương pháp nhận dạng .......................................................5
1.1.3. Các bước tiến hành nhận dạng ...................................................................7
1.2. Lịch sử nghiên cứu trong lĩnh vực nhận dạng lò hơi .....................................8
CHƯƠNG 2: PHƯƠNG PHÁP SAI SỐ DỰ BÁO ..................................................10

2.1. Phương pháp sai số dự báo (PEM) ..............................................................10
2.2. Thuật toán Newton ......................................................................................12
2.3. Thuật toán di truyền (GA) ...........................................................................13
2.4. Thuật tốn tối ưu bầy đàn (PSO) .................................................................18
CHƯƠNG 3: MƠ HÌNH PHI TUYẾN TRONG NHẬN DẠNG HỆ THỐNG .......22
3.1. Các loại mơ hình phi tuyến trong nhận dạng hệ thống ................................22
3.2. Mơ hình song tuyến tính (Bilinear) .............................................................22
3.3. Mơ hình mạng nơron hồi quy (RNN) ..........................................................23
3.4. Mơ hình Wiener sử dụng mạng nơron (Wiener – Neural Network) ...........33
3.5. Cấu trúc mơ hình trong bài tốn nhận dạng ................................................35
CHƯƠNG 4: ĐỐI TƯỢNG LỊ HƠI .......................................................................41
4.1. Q trình cơng nghệ lị hơi ..........................................................................41
4.2. Giải pháp điều khiển cho lò hơi...................................................................42
4.2.1. Điều khiển mức nước trong bao hơi .........................................................43

iii


4.2.1. Kiểm soát nhiệt độ hơi nước quá nhiệt ....................................................43
4.2.2. Áp suất hơi quá nhiệt ở đầu ra..................................................................44
4.2.3. Chất lượng q trình cháy trong buồng lửa..............................................44
4.3. Mơ hình lý thuyết cho đối tượng lò hơi .......................................................44
CHƯƠNG 5: NHẬN DẠNG NGOẠI TUYẾN ĐỐI TƯỢNG LÒ HƠI ..................49
5.1. Nội dung thực nghiệm .................................................................................49
5.2. Một số lưu ý trong quá trình nhận dạng lị hơi ............................................50
5.3. Mơ hình trạng thái tuyến tính ......................................................................54
5.4. Mơ hình trạng thái song tuyến tính..............................................................63
5.5. Mơ hình Wiener sử dụng mạng nơron (WNN) ...........................................72
5.6. Mơ hình mạng nơron hồi quy (RNN) ..........................................................76
5.7. Tổng kết các mơ hình nhận dạng ngoại tuyến .............................................81

CHƯƠNG 6: NHẬN DẠNG TRỰC TUYẾN ĐỐI TƯỢNG LÒ HƠI ....................84
6.1. Phương pháp sai số dự báo đệ quy cho mơ hình song tuyến tính ...............84
6.2. Nhận dạng trực tuyến lị hơi sử dụng mơ hình song tuyến tính ..................88
KẾT LUẬN ...............................................................................................................96
DANH MỤC CÁC CƠNG TRÌNH ĐÃ CÔNG BỐ.................................................97
TÀI LIỆU THAM KHẢO .........................................................................................98

iv


Danh sách hình vẽ
Nội dung

Trang

Hình 2.1. Lưu đồ thuật tốn di truyền .......................................................................14
Hình 2.2. Minh họa hoạt động của thuật tốn PSO...................................................18
Hình 2.3. Lưu đồ thuật tốn PSO ..............................................................................19
Hình 3.1. Cấu tạo một nơron .....................................................................................24
Hình 3.2. Một số hàm kích hoạt cơ bản trong mạng nơron ......................................26
Hình 3.3. Cấu trúc mạng nơron Elman .....................................................................29
Hình 3.4. Cấu trúc mạng nơron TDNN.....................................................................29
Hình 3.5. Cấu trúc mạng nơron NARX ....................................................................30
Hình 3.6. Minh họa thuật tốn BPTT........................................................................31
Hình 3.7. Minh họa hiện tượng Vanishing gradient .................................................31
Hình 3.8. Mơ hình phi tuyến Wiener - Hammerstein ...............................................33
Hình 3.9. Cấu trúc mơ hình Wiener Neural Network (WNN) ..................................34
Hình 3.10. Minh họa hiện tượng overfitting .............................................................36
Hình 3.11. Quan hệ giữa bậc mơ hình – bias – variance ..........................................37
Hình 3.12. Minh họa quan hệ giữa số lượng mẫu – bias – variance .........................39

Hình 4.1. Sơ đồ cấu tạo lị hơi của một nhà máy nhiệt điện .....................................41
Hình 4.2. Mơ hình lị hơi giản lược ..........................................................................46
Hình 4.3. Các biến vào – ra trong đối tượng lị hơi ..................................................48
Hình 5.1. Dữ liệu vào – ra cho thí nghiệm 1 .............................................................52
Hình 5.2. Dữ liệu vào – ra cho thí nghiệm 2 .............................................................53
Hình 5.3. Kết quả nhận dạng – LLM – Thí nghiệm 1...............................................55
Hình 5.4. Kết quả nhận dạng – LGA – Thí nghiệm 1 ...............................................56
Hình 5.5. Kết quả nhận dạng – LPSO – Thí nghiệm 1 .............................................57
Hình 5.6. Kết quả nhận dạng – LLM – Thí nghiệm 2...............................................58
Hình 5.7. Kết quả nhận dạng – LGA – Thí nghiệm 2 ...............................................59
Hình 5.8. Kết quả nhận dạng – LPSO – Thí nghiệm 2 .............................................60

v


Hình 5.9. Kết quả nhận dạng – BLM – Thí nghiệm 1 ..............................................64
Hình 5.10. Kết quả nhận dạng – BGA – Thí nghiệm 1.............................................65
Hình 5.11. Kết quả nhận dạng – BPSO – Thí nghiệm 1 ...........................................66
Hình 5.12. Kết quả nhận dạng – BLM – Thí nghiệm 2 ............................................67
Hình 5.13. Kết quả nhận dạng – BGA – Thí nghiệm 2.............................................68
Hình 5.14. Kết quả nhận dạng – BPSO – Thí nghiệm 2 ...........................................69
Hình 5.15. Kết quả nhận dạng – WNN – Thí nghiệm 1 ...........................................73
Hình 5.16. Kết quả nhận dạng – WNN – Thí nghiệm 2 ...........................................74
Hình 5.17. Kết quả nhận dạng – RNN – Thí nghiệm 1.............................................77
Hình 5.18. Kết quả nhận dạng – RNN – Thí nghiệm 2.............................................78
Hình 5.19. Hiện tượng overfitting khi huấn luyện RNN ..........................................79
Hình 6.1. Kết quả nhận dạng – BRPEM-0 ................................................................91
Hình 6.2. Kết quả nhận dạng – BRPEM ...................................................................92
Hình 6.3. Kết quả nhận dạng – LRPEM ...................................................................93
Hình 6.4. Sự biến thiên giá trị các tham số theo thời gian - BRPEM .......................94

Hình 6.5. Sự biến thiên giá trị các tham số theo thời gian - LRPEM .......................94

vi


Danh sách bảng
Nội dung

Trang

Bảng 5.1 Kết quả nhận dạng – LLM .........................................................................61
Bảng 5.2 Kết quả nhận dạng – LGA .........................................................................61
Bảng 5.3 Kết quả nhận dạng – LPSO .......................................................................62
Bảng 5.4 Kết quả nhận dạng – BLM ........................................................................70
Bảng 5.5 Kết quả nhận dạng – BGA .........................................................................70
Bảng 5.6 Kết quả nhận dạng – BPSO .......................................................................71
Bảng 5.7 Kết quả nhận dạng – WNN........................................................................75
Bảng 5.8 Kết quả nhận dạng – RNN ........................................................................79
Bảng 5.9 Kết quả nhận dạng ngoại tuyến .................................................................81
Bảng 5.10 Thời gian tính tốn của các mơ hình trong thí nghiệm 2 .........................81
Bảng 6.1 So sánh nhận dạng ngoại tuyến và nhận dạng trực tuyến ..........................84
Bảng 6.2 Kết quả nhận dạng - BRPEM ....................................................................90

vii


Danh mục các chữ viết tắt
AIC

Akaike Information Criterion

AR

Autoregressive

BIC

Bayesian Information Criterion

BP

Backpropagation

BPEM

Bilinear model-based Prediction Error Method

BPTT

Backpropagation Through Time

EC

Evolutionary Computation

FIR

Finite Impulse Response

GA

Genetic Algorithm

IIR

Infinite Impulse Response

LPEM

Linear model-based Prediction Error Method

MA

Moving Average

MSE

Mean Squared Error

NARX

Nonlinear Autoregressive Network with exogenous inputs

PEM

Prediction Error Method

PSO

Particle Swarming Optimization

RNN

Recurrent Neural Network

RPEM

Recursive Prediction Error Method

SNR

Signal to Noise Ration

TDNN

Time Delay Neural Network

WNN

Wiener model-based Neural Network

viii


Danh mục các kí hiệu
V(θ)
N

Hàm mục tiêu
Số lượng mẫu huấn luyện

y(k)

Giá trị (vector) biến đầu ra ở thời điểm thứ k

u (k )

Giá trị (vector) biến đầu vào ở thời điểm thứ k

x(k)

Giá trị (vector) biến trạng thái ở thời điểm thứ k

θ(k)

Giá trị (vector) tham số mơ hình ở thời điểm thứ k

ε( k )

Giá trị (vector) sai số dự báo ở thời điểm thứ k

e(k)

Giá trị (vector) nhiễu đo ở thời điểm thứ k

ψ(k)

Giá trị (vector) gradient của hàm mục tiêu theo tham số

φ(k)

Giá trị (vector) biến hồi quy ở thời điểm thứ k

Λ(k)

Ma trận hiệp phương sai của nhiễu

q

Toán tử giữ trễ

A

Ma trận trạng thái

B

Ma trận vào

C

Ma trận ra

∗

Giá trị tuyến tính hóa của đại lượng (∗)

∆(∗)

Giá trị chênh lệch của đại lượng (∗)

E[∗]

Giá trị kì vọng của đại lượng (∗)

Var[∗]
(∗)

Giá trị phương sai của đại lượng (∗)
Giá trị của đại lượng (∗) theo dải biểu diễn ban đầu

ix


MỞ ĐẦU
Lý do lựa chọn đề tài
Lò hơi là đối tượng đóng vai trị quan trọng trong nhiều q trình cơng nghiệp.
Dù một số giải pháp điều khiển lị hơi đã ra đời và được ứng dụng rộng rãi trong
thực tế, nhu cầu nâng cao chất lượng điều khiển vẫn là yếu tố thu hút sự quan tâm
của các nhà công nghệ. Những năm gần đây, một số phương pháp điều khiển hiện
đại đã và đang được nghiên cứu, ứng dụng cho bài tốn điều khiển lị hơi; trong số
đó, phải kể đến nhóm các phương pháp điều khiển dự báo với nhiều ưu điểm vượt
trội so với các phương pháp truyền thống. Mặt khác, để thiết kế những bộ điều
khiển có chất lượng cao, việc mơ hình hóa đối tượng điều khiển là nhiệm vụ đầu
tiên cần tiến hành.
Trong một số trường hợp, việc mơ hình hóa đối tượng điều khiển có thể được
thực hiện tương đối hiệu quả dựa trên hướng tiếp cận lý thuyết. Bằng cách phân
tách các quá trình diễn ra bên trong đối tượng, áp dụng các quy luật vật lý, hóa
học… các nhà cơng nghệ có thể tìm ra được những mơ hình tốn học phản ánh
tương đối chính xác sự vận động của đối tượng. Dù vậy, với bản chất phức tạp, phi

tuyến, đa biến vào – ra của lò hơi, việc xây dựng mơ hình tốn học dựa hồn tồn
vào lý thuyết trở nên không khả thi hoặc quá phức tạp. Do đó, hướng tiếp cận phổ
biến trong bài tốn nhận dạng lò hơi là thực nghiệm hoặc kết hợp giữa lý thuyết và
thực nghiệm.
Trong giai đoạn từ năm 1950 đến nay, đã có rất nhiều cơng trình nghiên cứu
xoay quanh chủ đề mơ hình hóa đối tượng lị hơi, trong đó bao gồm các cơng trình
thực hiện ở Việt Nam. Mặc dù vậy, đa số các cơng trình nêu trên sử dụng lớp mơ
hình tuyến tính vốn chỉ hiệu quả trong một phạm vi làm việc hạn chế. Khả năng mô
tả chính xác hoạt động của lị hơi tại nhiều điểm làm việc khác nhau vẫn là một vấn
đề phức tạp, đòi hỏi các hướng tiếp cận mới, chẳng hạn như sử dụng các mơ hình

1


phi tuyến. Do đó, em xin được sử dụng đề tài “Nhận dạng lị hơi sử dụng mơ hình
phi tuyến” cho luận văn cao học của mình.
Mục đích, đối tượng, phạm vi nghiên cứu của luận văn
Mục tiêu chính của luận văn đó là: Xây dựng mơ hình trạng thái phi tuyến của
lò hơi sử dụng dữ liệu vận hành thu thập được từ một số nhà máy nhiệt điện, phù
hợp cho việc áp dụng các phương pháp điều khiển nâng cao.
Các nội dung công việc cụ thể cần đạt được bao gồm:
 Nghiên cứu các phương pháp nhận dạng mơ hình trạng thái nói chung và mơ
hình trạng thái phi tuyến nói riêng.
 Nghiên cứu lựa chọn kiểu mơ hình phi tuyến phù hợp cho lị hơi (mơ hình
Hammerstein, Wiener-Hammerstein, mơ hình song tuyến,...)
 Phát triển thuật tốn, cài đặt và nhận dạng mơ hình dựa trên dữ liệu vận hành
thu thập từ một số nhà máy nhiệt điện.
 Đánh giá ưu nhược điểm và khả năng sử dụng của mơ hình nhận được.
Các luận điểm cơ bản và đóng góp mới của tác giả.
 Tìm hiểu q trình cơng nghệ, phân tích cấu trúc điều khiển được sử dụng

trong lò hơi nhà máy nhiệt điện. Làm rõ các biến vào – ra của đối tượng và sử dụng
các biến này làm nền tảng cho việc mơ hình hóa lị hơi.
 Trình bày cơ sở lý thuyết nhận dạng hệ thống dựa trên phương pháp sai số dự
báo. Trình bày qui trình xây dựng mơ hình trạng thái nói chung bằng phương pháp
sai số dự báo sử dụng thuật toán Newton, thuật toán di truyền và thuật toán tối ưu
bầy đàn. Đề xuất mơ hình phi tuyến Wiener sử dụng mạng nơron trong bài tốn
nhận dạng lị hơi. Sử dụng mơ hình song tuyến tính và mơ hình mạng nơron hồi quy
trong bài tốn nhận dạng lị hơi. Phát triển thuật toán sai số dự báo đệ quy cho việc
nhận dạng trực tuyến lị hơi sử dụng mơ hình song tuyến tính.

2


 Tiến hành nhận dạng và kiểm chứng trên đối tượng là một lò hơi thuộc nhà
máy nhiệt điện Phả Lại. Từ đó đưa ra ưu nhược điểm và khả năng ứng dụng của các
mơ hình nêu trên.
Bố cục của luận văn
Luận văn bao gồm 6 chương với các nội dung cơ bản như sau:
Chương 1 (Tổng quan về nhận dạng lị hơi): Trình bày một số khái niệm chung
về nhận dạng hệ thống cũng như một số kết quả nghiên cứu trước đây trong bài tốn
nhận dạng lị hơi.
Chương 2 (Phương pháp sai số dự báo): Giới thiệu về phương pháp sai số dự
báo và đề xuất sử dụng một số thuật toán tối ưu nhằm cải thiện chất lượng phương
pháp sai số dự báo.
Chương 3 (Mơ hình phi tuyến trong nhận dạng hệ thống): Trình bày một số
dạng mơ hình phi tuyến thường dùng trong nhận dạng hệ thống cũng như một số
lưu ý khi lựa chọn cấu trúc mơ hình.
Chương 4 (Đối tượng lị hơi): Trình bày những hiểu biết cơ bản về đối tượng lò
hơi trong nhà máy nhiệt điện, làm rõ các biến vào – ra cần quan tâm trong luận văn.
Chương 5 (Nhận dạng ngoại tuyến đối tượng lò hơi): Áp dụng các thuật tốn và

mơ hình nêu trên trong việc nhận dạng ngoại tuyến lò hơi tại nhà máy nhiệt điện
Phả Lại. Phân tích ưu nhược điểm, phạm vi ứng dụng của từng loại mơ hình.
Chương 6 (Nhận dạng trực tuyến đối tượng lị hơi): Xây dựng thuật tốn nhận
dạng trực tuyến lị hơi sử dụng mơ hình song tuyến tính.
Kết luận: Trình bày các kết quả đã đạt được và hướng phát triển tiếp theo của
luận văn

3


CHƯƠNG 1: TỔNG QUAN VỀ NHẬN DẠNG LÒ HƠI
Phần đầu chương này trình bày khái qt về bài tốn nhận dạng (hệ thống),
phân loại các phương pháp nhận dạng thông dụng cũng như các bước cần tiến hành
khi nhận dạng hệ thống. Phần tiếp theo của chương tóm lược một số kết quả trong
lĩnh vực nhận dạng lò hơi; trên cơ sở đó xác định hướng tiếp cận và phương pháp
nhận dạng sử dụng trong luận văn.
1.1. Sơ lược về vấn đề nhận dạng
1.1.1. Tổng quan về phương pháp
Đại đa số các phương pháp điều khiển đều dựa trên mô hình động học của đối
tượng. Cơng việc xây dựng các mơ hình tốn học mơ tả các hệ động học có sử dụng
các thơng tin thu được từ hệ thống thực được gọi là nhận dạng hệ thống.
Một cách khái qt nhất, việc mơ hình hóa thường được tiếp cận theo một trong
các hướng sau đây:
 Phương pháp lý thuyết (còn được gọi là nhận dạng “hộp trắng”): dựa trên các
quy luật vật lý, hóa học…, cùng với các thơng số kỹ thuật của thiết bị để xác định
cấu trúc mơ hình và giá trị của các tham số. Phương pháp này có ích trong việc
khảo sát đặc tính động học, xác định cấu trúc mơ hình, thiết kế sách lược điều khiển
nhưng ít phù hợp cho việc xác định các tham số mơ hình. Trên thực tế, cách tiếp cận
này ít được sử dụng do mức độ phức tạp, đòi hỏi hiểu biết sâu sắc hệ thống cũng
như việc khó xác định chính xác các thơng số kỹ thuật của thiết bị.

 Phương pháp thực nghiệm (còn được gọi là nhận dạng “hộp đen”): quan sát
tín hiệu vào ra, phân tích số liệu thu được để xác định mơ hình trực tiếp từ thực
nghiệm. Phương pháp này có thể giúp ước lượng tương đối chính xác mơ hình,
nhưng địi hỏi người dùng biết trước cấu trúc của mơ hình cũng như dữ liệu đo phải
đủ tin cậy. Trong nhiều trường hợp dữ liệu đo chịu nhiều ảnh hưởng của nhiễu hoặc

4


mơ hình phức tạp, số lượng tham số cần xác định lớn, phương pháp này tỏ ra kém
chính xác.
 Phương pháp kết hợp lý thuyết và thực nghiệm (còn gọi là nhận dạng “hộp
xám”): kết hợp việc phân tích lý thuyết và phân tích dữ liệu thực nghiệm. Nhờ đó,
phương pháp này kế thừa ưu điểm của cả hai phương pháp nêu trên, giúp thu được
mơ hình có độ chính xác cao nhưng vẫn đảm bảo được tính đơn giản và tin cậy.
1.1.2. Phân loại các phương pháp nhận dạng
Các phương pháp nhận dạng được phân loại dựa trên nhiều tiêu chí, bao gồm:
a. Theo dạng mơ hình được sử dụng
 Mơ hình liên tục (continuous-time model): mối quan hệ giữa các đại lượng
đặc trưng cho q trình được mơ tả bằng một hệ các phương trình vi phân trên miền
thời gian liên tục.
 Mơ hình gián đoạn (discrete-time model): mối quan hệ giữa các đại lượng đặc
trưng cho quá trình được mơ tả bằng một hệ các phương trình sai phân trên miền
thời gian gián đoạn. Do dữ liệu thu được trong thực nghiệm đều là dữ liệu trên miền
gián đoạn, nên mơ hình gián đoạn thường được sử dụng trong thực nghiệm.
 Mơ hình tuyến tính (linear model): mối quan hệ giữa các đại lượng đặc trưng
cho quá trình được mơ tả bằng một hệ phương trình tuyến tính. Mơ hình tuyến tính
được ưa chuộng do sự phát triển của các phương pháp điều khiển tuyến tính.
 Mơ hình phi tuyến (nonlinear model): mối quan hệ giữa các đại lượng đặc
trưng cho q trình được mơ tả bằng một hệ phương trình trong đó có ít nhất một

yếu tố phi tuyến.
 Mơ hình vào ra (input – output model): mô tả mối quan hệ giữa các biến vào –
ra thay vì các liên kết nội tại bên trong hệ thống.
 Mơ hình trạng thái (state – space model): mô tả mối quan hệ giữa các biến vào
– ra thông qua các biến trạng thái.

5


b. Theo điều kiện thực nghiệm
 Nhận dạng chủ động: tác động tín hiệu kích thích ở biến đầu vào hoặc đầu ra
sao cho phù hợp với đặc tính động học của quá trình, làm tăng độ tin cậy và chất
lượng cho dữ liệu. Phương pháp này có thể khá tốn kém và khơng khả thi với các
q trình đang vận hành ổn định.
 Nhận dạng bị động: sử dụng các số liệu thu được trong lúc hệ thống đang vận
hành mà khơng làm ảnh hưởng nhiều đến q trình cơng nghệ. Phương pháp này có
thể khơng đảm bảo tính bền (giàu thơng tin) nếu sự thay đổi của tín hiệu kích thích
là quá nhỏ hoặc quá đơn giản so với đặc tính động học của q trình thực.
 Nhận dạng vòng hở (open-loop identification): thu thập dữ liệu khi hệ thống
bị cách li khỏi vòng điều khiển. Phương pháp này có thể khơng đảm bảo tính ổn
định và chất lượng khi đang vận hành q trình cơng nghệ.
 Nhận dạng vịng kín (closed-loop identification): thu thập dữ liệu trong khi hệ
thống vẫn làm việc ổn dịnh dưới sự điều khiển của các bộ điều khiển. Mặc dù có thể
đảm bảo tính ổn định của q trình cơng nghệ, phương pháp có thể gây khó khăn
khi sử dụng một số thuật toán nhận dạng, do sự tương quan ngược giữa các biến vào
ra thông qua việc phản hồi.
 Nhận dạng trực tiếp (direct identification): sử dụng giá trị các biến vào – ra
của hệ thống, khơng cần thơng tin chính xác về bộ điều khiển. Tuy nhiên, nếu quá
trình nhận dạng được thực hiện trong vịng kín, cần lưu ý đến tính nhất quán và hội
tụ của phương pháp nhận dạng.

 Nhận dạng gián tiếp (indirect identification): sử dụng giá trị các biến vào – ra
của hệ thống và mô hình chính xác của bộ điều khiển. Phương pháp này có thể được
áp dụng cho bài tốn nhận dạng trong vịng kín, nhưng địi hỏi thơng tin về bộ điều
khiển phải chính xác.
 Nhận dạng vào ra cùng nhau (joint input-output identification): sử dụng giá trị
các biến vào – ra của hệ thống lẫn giá trị đặt của bộ điều khiển để nhận dạng cùng
lúc mơ hình hệ kín và mơ hình bộ điều khiển. Từ đó có thể tính được mơ hình của
hệ hở, vì vậy khắc phục được nhược điểm của phương pháp nhận dạng gián tiếp.

6


c. Theo yêu cầu công nghệ:
 Nhận dạng ngoại tuyến (offline identification): tiến hành thu thập toàn bộ dữ
liệu trước, sau đó mới tiến hành nhận dạng, kiểm chứng trên tập dữ liệu đã thu
được.
 Nhận dạng trực tuyến (online identification): thu thập dữ liệu và tiến hành
nhận dạng đồng thời để phục vụ việc chỉnh định trực tuyến, liên tục cho bộ điều
khiển hoặc tối ưu hóa theo thời gian thực.
d. Theo phương pháp ước lượng tham số
 Phương pháp bình phương cực tiểu (least-squares)
 Phương pháp phân tích tương quan (correlation analysis)
 Phương pháp phân tích phổ (spectrum analysis)
 Phương pháp biến phụ (instrumental variable)
 Phương pháp xác suất cực đại (maximum likelihood)
 Phương pháp sai số dự báo (prediction error method)
 Phương pháp không gian con (subspace method)
Về mặt tư tưởng, các phương pháp này có thể độc lập nhưng về bản chất khơng
hồn tồn khác biệt; nhiều khi chúng còn là dẫn xuất của nhau. Mỗi phương pháp
đều có ưu nhược điểm riêng, do đó tùy theo từng đối tượng, yêu cầu và hoàn cảnh

sự dụng cụ thể, chúng ta khó có thể khẳng định sự vượt trội tuyệt đối của riêng một
phương pháp nào.
1.1.3. Các bước tiến hành nhận dạng
i. Thu thập số liệu và khai thác thơng tin ban đầu về q trình: mơ tả các q
trình vật lý, hóa học xảy ra bên trong đối tượng, các thông số vận hành, các giới hạn
trên và dưới của các đại lượng có liên quan… Từ đó xác định các biến vào ra cần
quan tâm, các điều kiện biên và các giả thiết có liên quan.
ii. Lựa chọn phương pháp nhận dạng: tùy theo từng trường hợp cụ thể, lựa chọn
phương pháp nhận dạng phù hợp, chẳng hạn như nhận dạng trực tuyến/ngoại tuyến,

7


nhận dạng vịng hở/vịng kín, nhận dạng chủ động/bị động, thuật toán ước lượng
tham số và tiêu chuẩn đánh giá chất lượng mơ hình.
iii. Thu thập số liệu thực nghiệm: thu thập dữ liệu để thỏa mãn được mối quan
hệ vào ra giữa các biến, xử lý thô các số liệu nhằm loại bỏ những giá trị đo kém tin
cậy, lọc nhiễu, chuẩn hóa.
iv. Xác định dạng và cấu trúc mơ hình: từ u cầu về mục đích sử dụng mơ hình
và khả năng ứng dụng của phương pháp nhận dạng, chọn dạng mơ hình (phi
tuyến/tuyến tính, liên tục /gián đoạn…). Đưa ra các giả thiết ban đầu về cấu trúc mơ
hình (bậc tử số, mẫu số của hàm truyền đạt, có hay khơng có trễ..).
v. Xác định tham số mơ hình: ước lượng giá trị các tham số của mơ hình theo
phương pháp, thuật tốn đã chọn. Nếu tiến hành theo từng mơ hình con (ví dụ từng
kênh vào ra, từng khâu trong q trình) thì sau đó cần kết hợp chúng lại thành một
mơ hình tổng thể.
vi. Mơ phỏng, kiểm chứng và đánh giá mơ hình: thực hiện mơ phỏng để kiểm
chứng độ chính xác. Việc kiểm chứng thơng thường được thực hiện bằng việc sử
dụng mơ hình để mơ phỏng dữ liệu vào ra, sau đó kết quả thu được sẽ đem so với
bộ dữ liệu vào ra thu thập được từ thực nghiệm. Dữ liệu thực tế dùng để kiểm chứng

phải là bộ dữ liệu khác với bộ dữ liệu dùng để tính tốn thiết lập mơ hình.
1.2. Lịch sử nghiên cứu trong lĩnh vực nhận dạng lị hơi
Từ những năm 1950 đến nay, đã có rất nhiều cơng trình bàn về lĩnh vực mơ
hình hóa lị hơi, trong đó phổ biến nhất là hướng tiếp cận nhận dạng hộp đen và hộp
xám. Theo hướng nhận dạng hộp đen, đa phần các cơng trình nghiên cứu xoay
quanh việc sử dụng mơ hình vảo – ra dạng đa thức như ARX, OE hoặc ARMAX
(Vasqueza, 2008 [29] và Inoue, 2002 [15]). Ngồi ra, các cơng trình sử dụng mạng
nơron để mơ phỏng hoạt động của lị hơi cũng đã được ghi nhận (Irwin, 1995 [16]
và Rusinowski , 2007 [28]). Nhìn chung, phương pháp nhận dạng hộp đen tuy mang
tính trực tiếp và có thể chính xác nhưng kéo theo đó là sự phức tạp do số lượng các

8


tham số trong mơ hình lớn cũng như độ tin cậy bị hạn chế theo điều kiện thực
nghiệm.
Theo hướng nhận dạng hộp xám, tiêu biểu có thể kể đến cơng trình của Astrom
(2000) [7], trong đó mơ tả đặc tính của bao hơi tương đối chính xác sử dụng mơ
hình phi tuyến. Ngồi ra, các cơng trình nghiên cứu có sử dụng các khâu phi tuyến
tĩnh như mơ hình Wiener – Hammerstein (Rizvi, 2010 [27] và Jafari, 2012 [17]
cũng đã ra đời, với ưu điểm là sự đơn giản và hiệu quả khi xây dựng mơ hình.
Trong các cơng trình này, phương pháp nhận dạng lò hơi là sử dụng dữ liệu thu
được từ vòng hở.
Ở Việt Nam, hai trong số các cơng trình gần đây bao gồm luận văn của các tác
giả N. H. Q. Đạt [1], T. T. K. Ly và H. M. Sơn [4]. Cơng trình [1] xây dựng mơ
hình động học cho lị hơi tại nhà máy đạm Phú Mỹ, sử dụng các mơ hình đa thức và
phương pháp bình phương tối thiểu. Cơng trình [4] xây dựng mơ hình phi tuyến giả
LPV và phương pháp sai số dự báo cho lò hơi tại một số nhà máy nhiệt điện ở
Quảng Ninh và Phả Lại.
Tựu chung, phần nhiều các cơng trình trước đây đi theo hướng nhận dạng vịng

hở và sử dụng kích thích chủ động. Trên thực tế, hướng tiếp cận này có thể gặp
nhiều khó khăn do vấn đề về chi phí cũng như an toàn khi tiến hành thực nghiệm.
Ngoài ra, số lượng các cơng trình sử dụng mơ hình phi tuyến trong nhận dạng lò hơi
cũng chưa thực sự nhiều, nhất là tại Việt Nam. Hiểu được điều đó, trong khn khổ
luận văn này, em xin tập trung vào trường hợp nhận dạng lị hơi trong vịng kín với
kích thích bị động, sử dụng một số mơ hình phi tuyến trên miền thời gian gián đoạn.
Trong các phương pháp nhận dạng hệ thống được sử dụng phổ biến, phương pháp
sai số dự báo thích hợp cho việc nhận dạng vịng kín do khơng cần giả thiết về sự
độc lập giữa tín hiệu vào – ra, đồng thời có thể áp dụng dễ dàng cho các dạng mơ
hình khác nhau, bao gồm cả các mơ hình phi tuyến. Do đó, nội dung chương tiếp
theo sẽ bàn về phương pháp sai số dự báo, cũng như khả năng ứng dụng của một số
thuật toán tối ưu trong việc nâng cao chất lượng của phương pháp sai số dự báo.

9


CHƯƠNG 2: PHƯƠNG PHÁP SAI SỐ DỰ BÁO
Nội dung của chương này xoay quanh phương pháp sai số dự báo, cũng như khả
năng ứng dụng một số thuật toán tối ưu như thuật toán di truyền (GA), thuật toán tối
ưu bầy đàn (PSO) với mục đích cải thiện chất lượng của phương pháp sai số dự báo
truyền thống.
2.1. Phương pháp sai số dự báo (PEM)
Phương pháp sai số dự báo là một phương pháp kinh điển được sử dụng rất
rộng rãi trong bài toán nhận dạng hệ thống. Ý tưởng của phương pháp này xuất phát
từ việc đánh giá tiêu chuẩn “sai số dự báo” qua một hàm mục tiêu, và nếu tìm được
vector tham số làm cho hàm phí tổn này là nhỏ nhất thì tham số đó cũng là tham số
tối ưu cần tìm.
Xét trường hợp một cấu trúc mơ hình ℳ đã được lựa chọn và đặc trưng bởi
vector tham số θ ∈ D ⊂ ℛ , trong đó d là số phần tử của vector θ. Tập các mơ
hình tương ứng sẽ là ℳ ∗ = {ℳ (θ)|θ ∈ D }. Mỗi mơ hình ℳ (θ) có thể được coi

như một cách dự báo đầu ra tương lai của hệ. Chẳng hạn, nếu mơ hình là tuyến tính
thì bộ dự báo tuyến tính của mơ hình có thể chọn là:
y(k|θ) = W (q, θ). y(k) + W (q, θ). u(k)

(2.1)

Bộ dự báo cũng có thể coi là một bộ lọc phi tuyến:
y(k|θ) = g k, Z

,θ

(2.2)

Với bộ dữ liệu thu thập: Z = {y(1), u(1), y(2), u(2), … , y(N), u(N)}. Bài toán
ước lượng tham số trở thành bài toán xác định ánh xạ từ tập ZN → θ ∈ D . Sai số
dự báo là sai số giữa đầu ra thực và đầu ra dự báo:
ε(k, θ) = y(k) − y(k|θ)

(2.3)

Từ bộ dữ liệu Z đã thu thập được, sai số ε(k, θ)sẽ được tính cho các thời điểm
k=1,…, N. Tiếp theo, chúng ta cần tìm vectơ tham số θ sao cho dãy sai số dự báo
ε(k, θ)thu được “càng nhỏ càng tốt”.

10


Ngồi ra, dãy sai số cũng có thể được lọc bằng một bộ lọc tuyến tính ổn định
L(q) quanh một miền tần số quan tâm.
ε (k, θ) = L(q). ε(k, θ)k = 1, … , N

(2.4)

ε(1, θ)
Nếu gom dãy sai số dự báo ε(k, θ)lại thành vector ε(θ) =
… , thì độ lớn
ε(N, θ)
của vector này có thể được xác định thông qua các chuẩn, chẳng hạn như chuẩn
Euclide, chuẩn bậc nhất hay chuẩn vô cùng:
V(θ, Z ) = ∑

l[ε (k, θ)]

(2.5)

Trong đó l(. ) là hàm vơ hướng. Chúng ta cần tìm vector tham số θ sao cho giá
trị hàm V(θ, Z ) nhỏ nhất:
θ = θ(Z ) = argminV(θ, Z )

(2.6)

Mỗi cách chọn L(q)và l(. ) cho chúng ta một trường hợp đặc biệt của phương
pháp PEM. Để đơn giản, chúng ta có thể chọn L(q) = 1 và l ε(θ) = ε(θ) . Với
hệ đa biến, có thể chọn l ε(θ) =

ε(θ) Λ ε(θ) trong đó Λ là ma trận đối xứng,

xác định dương đóng vai trò là ma trận trọng số đối với từng thành phần của ε(θ) .
So với một số phương pháp khác thường được sử dụng trong việc nhận dạng
như phương pháp bình phương tối thiểu (LSE), phương pháp tương quan, phương

pháp biến phụ… thì phương pháp PEM có ưu điểm là khơng cần tới giả thiết về tính
chất của nhiễu (tạp trắng) hay không tương quan với dãy số liệu trong quá khứ. Đây
chính là lý do khiến cho PEM được u thích trong các bài tốn nhận dạng vịng
kín, khi xuất hiện sự tương quan giữa nhiễu đo và biến đầu vào.
Như vậy, vấn đề còn lại của phương pháp PEM chính là cách thức giải bài tốn
tối ưu. Các phương pháp giải có thể chia ra 2 nhóm chính:
 Phương pháp sử dụng cơng cụ đạo hàm theo hướng (gradient): tiêu biểu là
thuật toán Newton và dẫn xuất khác. Phương pháp sai số dự báo (PEM) do Ljung
[22] đề xuất sử dụng thuật toán Newton để giải bài tốn cực tiểu hóa hàm mục tiêu.

11


 Phương pháp không sử dụng gradient: tiêu biểu là thuật toán simulated
annealing (SA), thuật toán di truyền (GA), thuật toán tối ưu bầy đàn (PSO)…
2.2. Thuật toán Newton
Thuật toán Newton là một thuật tốn lặp giúp tìm điểm dừng của một hàm số,
và thường được áp dụng để giải bài tốn cực tiểu hóa hàm mục tiêu V(θ, Z ). Nội
dung của thuật tốn Newton có thể tóm tắt như sau:
Bước 1: Khởi tạo
 Biến đếm bước lặp (s = 0)
 Tham số θ(s = 0) = θ
Bước 2: Tìm gradient ψ(k, θ) =

( | )

với k = 1,2..N theo cấu trúc mơ hình

Bước 3: Cập nhật vector tham số theo luật:
θ(s + 1) = θ(s) − [V (θ(s))] . V′(θ(s))

(2.7)

Trong đó:
 Ma trận Jacobian:
V (θ) = ∑

( )

=− ∑

ψ(k, θ). ε(k, θ)

(2.8)

 Ma trận Hessian:
( )

V (θ) = ∑

= ∑

ψ(k, θ). ψ (k, θ) −

( , )

. ε(k, θ)

(2.9)

Từ đây, chúng ta có các dẫn xuất của thuật toán Newton như sau:
 Thuật toán suy giảm độ dốc (steepest descent) :
θ(s + 1) = θ(s) −

( )

∑

ψ(k, θ(s)). ε(k, θ(s))

(2.10)

 Thuật toán Gauss – Newton suy giảm:
θ(s + 1) = θ(s)+. ..
…+

( )

∑

ψ k, θ(s) ψ k, θ(s)

∑

ψ k, θ(s) ε(k, θ(s))

Với μ(s) = 1 chúng ta có thuật tốn Gauss – Newton thơng thường.

12

(2.11)


 Thuật toán Levenberg – Marquardt:
θ(s + 1) = θ(s)+. ..
…+

∑

ψ(k, θ(s)). ψ (k, θ(s)) + μ(s). I

∑

ψ(k, θ(s)). ε(k, θ(s))
(2.12)

Trong các thuật toán trên, độ dài bước học μ(s) > 0 được chọn sao cho:
V[θ(s + 1)] < V[θ(s)].

(2.13)

Bước 4: Kiểm tra điều kiện dừng thuật toán:
 Số bước lặp s > s

với s

> 0cho trước.

 Giá trị hàm mục tiêu V[θ(s + 1)] < V
 Bước học μ(s) > μ

với μ

với V

> 0cho trước.

> 0cho trước.

 Giá trị ‖θ(s + 1) − θ(s)‖ < δ với δ > 0cho trước.
 Gradient đạt dưới một ngưỡng nào đó

[ ( )]

< grad

.

Nếu không thỏa mãn một trong các điều kiện trên, đặt s = s+1 và quay trở lại
bước 2.
2.3. Thuật toán di truyền (GA)
Phương pháp sai số dự báo có bản chất là bài tốn tối ưu phi tuyến; cơng cụ để
giải quyết bài tốn này thường là thuật tốn Newton hay điển hình là thuật tốn
Levenberg – Marquardt. Tuy nhiên, trong nhiều trường hợp khi hàm mục tiêu có
dạng phức tạp, dữ liệu bị chịu ảnh hưởng của nhiễu hoặc điểm khởi tạo thuật tốn
tìm kiếm chưa thích hợp thì các thuật tốn tìm kiếm dựa trên gradient có thể bị kẹt
trong một lịng chảo (basin) và vì vậy chỉ tìm được cực trị địa phương thay vì cực trị
tồn cục. Thuật tốn di truyền (GA – Genetic Algorithm) có thể giúp khắc phục vấn
đề này.
Thuật tốn di truyền mơ phỏng q trình chọn lọc tự nhiên và di truyền trong

vấn đề tìm kiếm nghiệm cho bài tốn tối ưu. Tư tưởng chính của thuật tốn là: cá

13


thể nào phù hợp với điều kiện môi trường sẽ tồn tại và truyền lại những đặc tính tốt
cho đời sau. Các cá thể kém phù hợp sẽ bị loại bỏ dần theo thời gian.

Hình 2.1. Lưu đồ thuật tốn di truyền
Trong thuật toán di truyền, khái niệm “quần thể” đóng vai trị như tập các lời
giải của bài tốn. Mỗi “cá thể” trong quần thể đóng vai trị như một lời giải và mỗi
“gen” đóng vai trị như một thành phần trong lời giải đó. Qua nhiều thế hệ chọn lọc,
lai ghép và đột biến, các cá thể sẽ tiến hóa và có thể hội tụ đến nghiệm tối ưu tồn
cục.
a. Các bước tiến hành thuật tốn di truyền:

14