Điều khiển nhiệt độ hơi quá nhiệt nhà máy điện sử dụng bộ điều khiển dự báo trên cơ sở mô hình mạng Neural nhân tạo

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

ĐIỀU KHIỂN NHIỆT ĐỘ HƠI QUÁ NHIỆT
NHÀ MÁY NHIỆT ĐIỆN SỬ DỤNG
BỘ ĐIỀU KHIỂN DỰ BÁO TRÊN CƠ SỞ
MƠ HÌNH MẠNG NEURAL NHÂN TẠO

Chun ngành: Điều khiển tự động

LUẬN VĂN THẠC SĨ KHOA HỌC
ĐIỀU KHIỂN TỰ ĐỘNG

NGƯỜI HƯỚNG DẪN KHOA HỌC
PGS. TS. PHAN XUÂN MINH

Hà Nội, Tháng 10/2010


Lời mở đầu
Nhiệt độ hơi quá nhiệt nhà máy nhiệt điện là đại lượng quan trọng quyết định
đến chất lượng điện của một nhà máy và ảnh hưởng lớn đến tuổi thọ của các thiết bị
vốn có giá trị rất lớn. Hiện nay, nhiệt độ hơi quá nhiệt đang được điều khiển bằng các
bộ điều khiển truyền thống (PID). Vấn đề khó khăn là mơ hình đối tượng hơi q nhiệt
phụ thuộc nhiều vào công suất phụ tải tiêu thụ. Khi mơ hình thay đổi, bộ điều khiển
PID vốn nghèo nàn tham số điều chỉnh và khơng có tính thích nghi sẽ gặp khó khăn
trong việc duy trì chất lượng điều khiển. Nó có thể cho kết quả tốt ở vùng làm việc này
nhưng lại cho kết quả hạn chế ở vùng làm việc khác.
Bộ điều khiển dự báo tựa mơ hình (MPC) đã được nghiên cứu rộng rãi từ những
năm 60 của thế kỷ trước. Ưu điểm của bộ điều khiển dự báo là khơng địi hỏi người

thiết kế phải có kiến thức quá chuyên sâu về điều khiển bởi vì những khái niệm đưa ra

đều rất trực quan, việc điều chỉnh tương đối dễ dàng, có thể được sử dụng để điều

khiển rất nhiều quá trình, rất hiệu quả khi quỹ đạo tín hiệu đặt đã biết trước.

Tuy nhiên ứng dụng của MPC bị hạn chế bởi việc giải bài tốn tối ưu trực tuyến

địi hỏi khối lượng tính tốn lớn, trong khi các thiết bị điều khiển những năm trước đây
bị hạn chế về tốc độ tính toán và dung lượng bộ nhớ. Ngày nay, cùng với sự phát triển
vượt bậc của thiết bị phần cứng, khi tốc độ của các vi xử lý ngày càng được nâng cao
và dung lượng bộ nhớ ngày càng được cải thiện, thuật toán điều khiển dự báo lại được
nghiên cứu nhiều hơn và ứng dụng trong nhiều lĩnh vực.
Ở bộ điều khiển dự báo, mơ hình xấp xỉ của đối tượng đóng vai trị trung tâm.
Mơ hình đối tượng cần phải đủ chính xác để phục vụ việc tính tốn tín hiệu điều khiển
dự báo trong mỗi chu kỳ trích mẫu. Mạng neural nhân tạo, vốn là một khâu xấp xỉ vạn
năng, có khả năng xấp xỉ đối tượng với độ chính xác tuỳ ý.
Từ thực tế này, luận văn với đề tài “Điều khiển nhiệt độ hơi quá nhiệt nhà máy
nhiệt điện trên cơ sở mơ hình mạng neural nhân tạo” nghiên cứu áp dụng thuật toán
điều khiển MPC với mơ hình xấp xỉ đối tượng được xây dựng trên cơ sở mạng neural
nhân tạo cho đối tượng nhiệt độ hơi quá nhiệt nhà máy nhiệt điện như một giải pháp
khắc phục nhược điểm của các bộ điều khiển PID kinh điển để thu được chất lượng

i


điều khiển tốt hơn. Kết quả đạt được với thuật toán điều khiển mới là rất khả quan, mở
ra khả năng áp dụng trong thực tế.
Bố cục luận văn gồm 4 chương:

- Chương 1: Điều khiển dự báo trên cơ sở mơ hình.
- Chương 2: Nhận dạng đối tượng sử dụng mạng neural.
- Chương 3: Thuật toán điều khiển dự báo trên cơ sở cấu trúc mạng neural.
- Chương 4: Điều khiển nhiệt độ hơi quá nhiệt sử dụng bộ điều khiển dự báo
trên cơ sở mơ hình mạng neural.
Dưới sự hướng dẫn của cô giáo PGS. TS. Phan Xuân Minh, tác giả đã hoàn
thành đề tài nghiên cứu đúng thời hạn qui định. Tuy nhiên, do thời gian hạn hẹp, luận
văn chắc chắn khơng tránh khỏi những sai sót. Tác giả rất mong nhận được sự đóng
góp ý kiến của các thầy cơ giáo để hồn thiện kết quả nghiên cứu. Tác giả cảm ơn sâu
sắc cô giáo PGS. TS. Phan Xuân Minh đã tận tình giúp đỡ tác giả trong suốt quá trình
thực hiện đề tài!
Hà Nội, ngày 26 tháng 10 năm 2010

Nguyễn Văn Nam

ii


Mục lục

Mục lục
Trang
Chương 1. Điều khiển dự báo trên cơ sở mơ hình .....................................................1

1.1. Ngun lý điều khiển dự báo......................................................................... 1
1.2. Cấu trúc cơ sở của MPC ................................................................................ 3
1.2.1. Khối tạo tín hiệu chuẩn ...................................................................... 3
1.2.2. Mơ hình dự báo .................................................................................. 4
1.2.3. Hàm mục tiêu ..................................................................................... 9
1.2.4. Khối tối ưu hóa .................................................................................. 9

Chương 2. Nhận dạng đối tượng sử dụng mạng neural ..........................................10

2.1. Giới thiệu vài nét về bài toán nhận dạng .................................................... 10
2.1.1. Một vài nguyên tắc chung ................................................................ 10
2.1.2. Mơ hình phi tuyến NARX ................................................................. 12
2.2. Neural và mạng neural................................................................................. 13
2.2.1. Mạng neural tự nhiên....................................................................... 13
2.2.2. Mạng neural nhân tạo...................................................................... 14
2.2.3. Phương thức làm việc của mạng neural .......................................... 24
2.2.4. Phương pháp huấn luyện mạng neural............................................ 24
2.3. Nhận dạng đối tượng sử dụng mơ hình mạng neural .................................. 30
2.3.1. Phương pháp nhận dạng .................................................................. 30
2.3.2. Ví dụ nhận dạng đối tượng bằng mơ hình mạng neural .................. 32
Chương 3. Thuật toán MPC dựa trên cấu trúc mạng neural .................................35

3.1. Mơ hình mạng neural của đối tượng ........................................................... 35
3.2. Thuật toán tối ưu phi tuyến (Nonlinear Optimization) ............................... 36
3.3. Phương pháp chuyển động ngược hướng gradient...................................... 40
3.4. Thuật toán dự báo phi tuyến kết hợp tuyến tính hóa (MPC-NPL) .............. 41
Chương 4. Điều khiển nhiệt độ hơi quá nhiệt nhà máy nhiệt điện sử dụng bộ điều
khiển NMPC .............................................................................................47

4.1. Tổng quan công nghệ nhà máy nhiệt điện................................................... 47
4.1.1. Công nghệ nhà máy nhiệt điện ........................................................ 47
4.1.2. Lò hơi ............................................................................................... 50
4.1.3. Bộ quá nhiệt ..................................................................................... 51
4.2. Phát biểu bài toán điều khiển....................................................................... 54
iii

Mục lục
4.2.1. Tầm quan trọng của việc đảm bảo ổn định nhiệt độ hơi quá nhiệt . 54
4.2.2. Các nguyên nhân làm thay đổi nhiệt độ hơi quá nhiệt .................... 55
4.2.3. Các phương pháp điều chỉnh nhiệt độ hơi quá nhiệt ...................... 55
4.3. Thiết kế bộ điều khiển ................................................................................. 59
4.4. Kết quả mô phỏng, kiểm chứng .................................................................. 66
4.4.1. Bộ điều khiển PID kinh điển ............................................................ 66
4.4.2. Bộ điều khiển dự báo trên cơ sở mạng neural nhân tạo.................. 71
4.5. Nhận xét, đánh giá ....................................................................................... 78
Kết luận

....................................................................................................................80

Tài liệu tham khảo .......................................................................................................82

iv


Danh mục từ viết tắt

Danh mục từ viết tắt
FIR

Finite Impulse Response

LM

Levenberg - Marquardt

MIMO

Multiple Input Multiple Output

MISO

Multiple Input Single Output

MLP

Multi-Layer Perceptron

MPC

Model Predictive Control

MSE

Mean Squared Error

NARX

Nonlinear Autoregressive Moving Average

NNMPC

MPC based on Neural Network Model

NO

Nonlinear Optimization

NPL

Nonlinear Prediction and Linearization

PID

Proportional Integral Derivative

SISO

Single Input Single Output

v


Danh mục ký hiệu

Danh mục ký hiệu
𝑖𝑖

chỉ số

𝑝𝑝

chỉ số

𝑙𝑙

chỉ số

𝑘𝑘

thời gian, chỉ số

𝑌𝑌

tín hiệu ra

𝜏𝜏

tham số

𝜆𝜆

tham số phiếm hàm mục tiêu

𝐱𝐱

vector trạng thái

𝐽𝐽

phiếm hàm mục tiêu

𝐾𝐾

số neural lớp vào

𝑇𝑇𝑇𝑇𝑇𝑇𝑇𝑇

vector đường dây trễ của y

𝑢𝑢

tín hiệu vào

∇

gradient

𝛿𝛿

tham số phiếm hàm mục tiêu

𝜇𝜇

tham số

𝐈𝐈

ma trận đơn vị

𝐉𝐉

ma trận Jacobian

𝑇𝑇𝑇𝑇𝑇𝑇𝑇𝑇

vector đường dây trễ của u

𝑁𝑁𝑢𝑢

số phần tử trễ tín hiệu vào

𝐇𝐇

Ma trận Hessian

𝐼𝐼𝐼𝐼

vector bias của lớp vào mạng MLP

𝑁𝑁𝑦𝑦

số phần tử trễ tín hiệu ra

𝐈𝐈𝐈𝐈

ma trận trọng lượng lớp vào mạng MLP

𝐿𝐿𝐿𝐿

vector trọng lượng lớp ra mạng MLP

𝑓𝑓𝑓𝑓

hàm phi tuyến của mạng MLP

𝐿𝐿𝐿𝐿

vector bias của lớp ra mạng MLP

𝑁𝑁𝐶𝐶

dải điều khiển

𝑁𝑁𝑃𝑃

𝐲𝐲 𝑠𝑠𝑠𝑠

tầm dự báo
vector giá trị đặt

vi


Danh mục ký hiệu
𝑘𝑘𝑝𝑝
𝑇𝑇𝑖𝑖

𝑇𝑇𝑑𝑑

hệ số khuếch đại của bộ điều khiển PID
hằng số thời gian tích phân của bộ điều khiển PID
hằng số thời gian vi phân của bộ điều khiển PID

vii

Danh mục hình vẽ

Danh mục hình vẽ
Trang
Hình 1.1 - Nguyên lý điều khiển dự báo .........................................................................1
Hình 1.2 - Sơ đồ khối hệ thống điều khiển dự báo ..........................................................4
Hình 1.3 - Minh họa tác dụng của khâu tạo tín hiệu chuẩn ............................................4
Hình 1.4 - Minh họa đáp ứng xung ................................................................................5
Hình 2.1 - Một phần của mạng neural ..........................................................................13
Hình 2.2 - Neural là khâu MISO ...................................................................................14
Hình 2.3 - Neural nhân tạo ............................................................................................15
Hình 2.4 - Minh họa mạng neural .................................................................................18
Hình 2.5 - Cấu trúc mạng neural ...................................................................................19
Hình 2.6 - Mạng neural có đặc tính động học tuyến tính ..............................................20
Hình 2.7 - Mạng neural có đặc tính phi tuyến tĩnh........................................................21
Hình 2.8 - Mạng neural có đặc tính động học phi tuyến ...............................................22
Hình 2.9 - Cấu trúc của các khối TDLu và TDLy .........................................................22
Hình 2.10 - Cấu trúc mạng neural MLP 2 lớp ...............................................................26
Hình 2.11 - Cấu trúc NARX của mạng neural .............................................................31
Hình 2.12 - Sơ đồ cấu trúc trong nhận dạng và kiểm chứng mơ hình...........................31
Hình 2.13 - Mơ hình tay máy robot ...............................................................................32
Hình 2.14 - Lấy dữ liệu nhận dạng cánh tay robot .......................................................33
Hình 2.15 - Thử nghiệm mạng sau khi huấn luyện .......................................................34
Hình 3.1 - Hệ thống điều khiển MPC tối ưu hóa phi tuyến ..........................................38
Hình 3.2 - Minh họa phương pháp chuyển động ngược hướng gradient ......................40
Hình 3.3 - Cấu trúc thuật tốn MPC - NPL ...................................................................44
Hình 4.1 - Chu trình nhiệt chính của nhà máy nhiệt điện .............................................47
Hình 4.2 - Sơ đồ cơng nghệ nhà máy nhiệt điện ...........................................................49
Hình 4.3 - Hoạt động của lị hơi ....................................................................................50
Hình 4.4 - Các dạng ống xoắn của bộ quá nhiệt............................................................52

Hình 4.5 - Cấu tạo bộ q nhiệt .....................................................................................52
Hình 4.6 - Cách bố trí bộ q nhiệt ...............................................................................53
Hình 4.7 - Nối bộ giảm ơn với đường nước lò hoặc đường nước cấp .........................56

viii


Danh mục hình vẽ
Hình 4.8 - Các dạng đường khói đi tắt qua bộ quá nhiệt. .............................................57
Hình 4.9 - Thay đổi vị trí trung tâm ngọn lửa nhờ quay vịi phun ...............................57
Hình 4.10 - Điều chỉnh nhiệt độ hơi quá nhiệt bằng tái tuần hồn khói .......................58
Hình 4.11 - Bố trí các bộ q nhiệt ...............................................................................58
Hình 4.12 - Cấu trúc hệ điều khiển MPC trên cơ sở mơ hình mạng neural ..................60
Hình 4.13 - Các tập mờ cho các biến vào/ ra ................................................................61
Hình 4.14 - Cấu trúc mạng neural .................................................................................61
Hình 4.15 - Tập dữ liệu vào/ ra, đối tượng làm việc ở dải cơng suất 1 .........................62
Hình 4.16 - Kết quả huấn luyện với mơ hình đối tượng ở dải cơng suất 1 ...................63
Hình 4.17 - Tập dữ liệu vào/ ra, đối tượng làm việc ở dải công suất 2 .........................64
Hình 4.18 - Kết quả huấn luyện với mơ hình đối tượng ở dải cơng suất 2 ...................64
Hình 4.19 - Nhận dạng đối tượng, dải cơng suất 3 ........................................................65
Hình 4.20 - Nhận dạng đối tượng, dải cơng suất 4 ........................................................65
Hình 4.21 - Nhận dạng đối tượng, dải cơng suất 5........................................................66
Hình 4.22 - Xác định hệ số khuếch đại tới hạn và chu kỳ tới hạn.................................67
Hình 4.23 - Phương pháp Ziegler - Nichols ..................................................................68
Hình 4.24 - Phương pháp Tyreus & Luyben ................................................................68
Hình 4.25 - Phương pháp Ziegler - Nichols khi có sai lệch mơ hình ............................69
Hình 4.26 - Phương pháp Tyreus - Luyben khi có sai lệch mơ hình ............................69
Hình 4.27 - Phương pháp Ziegler - Nichols tín hiệu điều khiển bị hạn chế ..................70
Hình 4.28 - Đáp ứng với nhiễu khi sử dụng bộ điều khiển PID ....................................71
Hình 4.29 - Phương pháp chuyển động ngược hướng gradient, mơ hình 1 ..................72

Hình 4.30 - Phương pháp chuyển động ngược hướng gradient, mơ hình 2-5 ...............73
Hình 4.31 - Phương pháp MPC - NO, mơ hình 1 ..........................................................74
Hình 4.32 - Phương pháp MPC-NO, mơ hình 2-5 ........................................................74
Hình 4.33 - Phương pháp MPC - NPL, mơ hình 1 ........................................................75
Hình 4.34 - Phương pháp MPC-NPL, mơ hình 2-5.......................................................76
Hình 4.35 - Ảnh hưởng của tầm dự báo đến chất lượng điều khiển .............................77
Hình 4.36 - Ảnh hưởng của hệ số lambda .....................................................................77

ix


Chương 1. Điều khiển dự báo trên cơ sở mô hình

Chương 1.
1.1.

Điều khiển dự báo trên cơ sở mơ hình

Ngun lý điều khiển dự báo
Nguyên lý chung của điều khiển dự báo (MPC) là tại mỗi thời điểm trích mẫu

thứ 𝑘𝑘, tính tốn tín hiệu điều khiển 𝐮𝐮(𝑘𝑘 ) = 𝑢𝑢(𝑘𝑘|𝑘𝑘), 𝑢𝑢(𝑘𝑘 + 1|𝑘𝑘), … 𝑢𝑢(𝑘𝑘 + 𝑁𝑁𝐶𝐶 − 1|𝑘𝑘),
giả thiết 𝑢𝑢(𝑘𝑘 + 𝑝𝑝|𝑘𝑘 ) = 𝑢𝑢(𝑘𝑘 + 𝑁𝑁𝐶𝐶 − 1|𝑘𝑘) với 𝑝𝑝 ≥ 𝑁𝑁𝐶𝐶 , trong đó 𝑁𝑁𝐶𝐶 là dải điều khiển

(control horizon). Ký hiệu “𝑢𝑢(𝑘𝑘 + 𝑝𝑝|𝑘𝑘 )” là giá trị của tín hiệu điều khiển tiên đốn tại
thời điểm 𝑘𝑘 + 𝑝𝑝, được tính tại thời điểm 𝑘𝑘. Vector 𝐮𝐮(𝑘𝑘 ) được tính sao cho tối thiểu

hóa sai lệch giữa đầu ra tiên đoán 𝑦𝑦(𝑘𝑘 + 𝑝𝑝|𝑘𝑘 ) và giá trị đặt tương ứng 𝑦𝑦 𝑠𝑠𝑠𝑠 (𝑘𝑘 + 𝑝𝑝|𝑘𝑘 )

trong suốt dải dự báo 𝑁𝑁𝑃𝑃 (𝑝𝑝 = 1,2, … 𝑁𝑁𝑃𝑃 ) đồng thời tối thiểu hóa thay đổi tín hiệu điều

khiển ∆𝑢𝑢(𝑘𝑘 + 𝑝𝑝|𝑘𝑘) với 𝑝𝑝 = 1,2, … 𝑁𝑁𝐶𝐶 . Trong mỗi lần tính, tín hiệu điều khiển thực

𝑢𝑢(𝑘𝑘) lấy bằng phần tử đầu tiên 𝑢𝑢(𝑘𝑘|𝑘𝑘) của vector 𝐮𝐮(𝑘𝑘 ) (𝑢𝑢(𝑘𝑘 ) = 𝑢𝑢(𝑘𝑘|𝑘𝑘)). Tại thời

điểm trích mẫu tiếp theo (𝑘𝑘 + 1), đầu ra thực được đo và cả quá trình trên được thực

hiện lại, với dải dự báo có cùng độ dài 𝑁𝑁𝑃𝑃 , nhưng dịch đi một bước. Nguyên lý này
được thể hiện trên hình vẽ sau:
Tương lai

y

ysp

Quá khứ
y(k)
y(k|k-1)

k-2

k-1

k

k+1
u

k-2

k-1

k

Dải điều khiển

k+2

k+Nc

k+3

Δu(k+1|k)

k+1

k+2

Tầm dự báo

Hình 1.1 - Nguyên lý điều khiển dự báo

1

t

Δu(k+p|k), với p=0,1,… Np-1

k+Nc

k+3

k+Np

k+Np

t


Chương 1. Điều khiển dự báo trên cơ sở mô hình
Thuật tốn MPC sử dụng mơ hình xấp xỉ của đối tượng thực tế để tính tốn đầu ra
dự báo phục vụ cho việc giải bài tốn tối ưu tìm ra tín hiệu điều khiển. Trong thực tế
cịn tồn tại những tín hiệu đầu vào khơng thể đo chính xác hoặc khơng đo được. Bởi lẽ
đó, những đầu ra dự báo thường sai khác với giá trị đo. Sự sai khác đầu ra thể hiện
trong hình vẽ chính là sai lệch 𝑑𝑑 (𝑘𝑘 ), 𝑑𝑑 (𝑘𝑘 ) = 𝑦𝑦(𝑘𝑘 ) − 𝑦𝑦(𝑘𝑘|𝑘𝑘 − 1), xuất hiện tại thời

điểm trích mẫu thứ 𝑘𝑘 (𝑦𝑦(𝑘𝑘|𝑘𝑘 − 1) là đầu ra dự báo cho thời điểm 𝑘𝑘, tính tại thời điểm
trích mẫu trước đó (thời điểm 𝑘𝑘 − 1)).

Thuật tốn MPC trên cơ sở mơ hình nhằm mục tiêu tối thiểu hóa phiếm hàm mục

tiêu mô tả mong muốn về chất lượng điều khiển trong suốt tầm dự báo (prediction
horizon) 𝑁𝑁𝑃𝑃 và sự thay đổi tín hiệu điều khiển trong dải điều khiển 𝑁𝑁𝐶𝐶 .
𝑁𝑁𝑃𝑃

𝑁𝑁𝑐𝑐 −1

𝑝𝑝=𝑁𝑁1

𝑝𝑝=0

𝐽𝐽(𝑘𝑘 ) = � 𝛿𝛿 (𝑝𝑝)[𝑦𝑦 𝑠𝑠𝑠𝑠 (𝑘𝑘 + 𝑝𝑝|𝑘𝑘 ) − 𝑦𝑦(𝑘𝑘 + 𝑝𝑝|𝑘𝑘 )]2 + � 𝜆𝜆(𝑝𝑝)[Δ𝑢𝑢(𝑘𝑘 + 𝑝𝑝|𝑘𝑘)]2

(1.1)

Trong đó, các vector 𝑦𝑦 𝑠𝑠𝑠𝑠 (𝑘𝑘 + 𝑝𝑝|𝑘𝑘 ) và 𝑦𝑦(𝑘𝑘 + 𝑝𝑝|𝑘𝑘) có chiều 𝑚𝑚𝑦𝑦 = dim (𝑦𝑦) (số

lượng đầu ra), các vector Δ𝑢𝑢(𝑘𝑘 + 𝑝𝑝|𝑘𝑘) có chiều 𝑚𝑚𝑢𝑢 = dim (𝑢𝑢) (số lượng đầu vào) và

1 ≤ 𝑁𝑁1 ≤ 𝑁𝑁𝑝𝑝 (𝑁𝑁1 > 1 nếu tồn tại phần tử trễ không gây một ảnh hưởng nào từ các đầu
ra tại những thời điểm trích mẫu 𝑘𝑘 + 1, 𝑘𝑘 + 2, … 𝑘𝑘 + 𝑁𝑁1 − 1 tới sự thay đổi của tín

hiệu điều khiển tại thời điểm 𝑘𝑘). Độ dài của dải điều khiển 𝑁𝑁𝐶𝐶 phải thỏa mãn điều kiện

0 < 𝑁𝑁𝐶𝐶 ≤ 𝑁𝑁𝑃𝑃 , thông thường 𝑁𝑁𝐶𝐶 < 𝑁𝑁𝑃𝑃 nhằm giảm số chiều trong bài tốn tối ưu hóa

nhằm giảm khối lượng tính tốn. Các hệ số 𝛿𝛿(𝑝𝑝) và 𝜆𝜆(𝑝𝑝) trong phiếm hàm mục tiêu

𝐽𝐽(𝑘𝑘 ) đóng vai trị là các hệ số hiệu chỉnh, tạo sự linh hoạt trong việc lựa chọn luật điều
khiển và chúng có ảnh hưởng khá lớn tới chất lượng điều khiển.

Quỹ đạo tối ưu của tín hiệu điều khiển tính tại mỗi thời điểm trích mẫu là nghiệm

của bài toán:
min

Δ𝑢𝑢�𝑘𝑘 �𝑘𝑘 �,…Δ𝑢𝑢(𝑘𝑘+𝑁𝑁𝑐𝑐 −1)

𝑁𝑁𝑃𝑃

� � 𝛿𝛿 (𝑝𝑝)[𝑦𝑦 𝑠𝑠𝑠𝑠 (𝑘𝑘 + 𝑝𝑝|𝑘𝑘 ) − 𝑦𝑦(𝑘𝑘 + 𝑝𝑝|𝑘𝑘 )]2

𝑁𝑁𝑐𝑐 −1

𝑝𝑝=𝑁𝑁1

+ � 𝜆𝜆(𝑝𝑝)[Δ𝑢𝑢 (𝑘𝑘 + 𝑝𝑝|𝑘𝑘)]2 �
𝑝𝑝=0

2

(1.2)


Chương 1. Điều khiển dự báo trên cơ sở mô hình
Trong đó, giả thiết các điều kiện hạn chế:
𝑦𝑦(𝑘𝑘 + 𝑝𝑝|𝑘𝑘 ) ∈ 𝒀𝒀, 𝑝𝑝 = 1,2, … 𝑁𝑁𝑝𝑝

𝑦𝑦(𝑘𝑘 + 𝑝𝑝|𝑘𝑘 ) ∈ 𝑼𝑼, 𝑝𝑝 = 1,2, … 𝑁𝑁𝑐𝑐 − 1

𝑢𝑢(𝑘𝑘 + 𝑝𝑝|𝑘𝑘 ) = 𝑢𝑢(𝑘𝑘 + 𝑁𝑁𝑐𝑐 − 1|𝑘𝑘 ), 𝑝𝑝 = 𝑁𝑁𝑐𝑐 − 1, … 𝑁𝑁𝑝𝑝

∆𝑢𝑢(𝑘𝑘 + 𝑝𝑝|𝑘𝑘 ) = 𝑢𝑢(𝑘𝑘 + 𝑝𝑝|𝑘𝑘 ) − 𝑢𝑢(𝑘𝑘 + 𝑝𝑝 − 1|𝑘𝑘)

Vai trị của mơ hình xấp xỉ là rất quan trọng, bởi vì các giá trị dự báo có tham gia
trực tiếp trong phiếm hàm mục tiêu. Sự sai lệch của mơ hình lớn hay giá trị dự báo sai
khác nhiều so với đáp ứng thực của đối tượng tại thời điểm tính tốn sẽ có thể dẫn đến
những lời giải cho cực trị địa phương trong thuật toán tối ưu phiếm hàm mục tiêu 𝐽𝐽(𝑘𝑘 ),

đồng nghĩa với chất lượng điều khiển khơng tốt. Chính vì vậy, bài tốn thiết kế và cài

đặt bộ điều khiển MPC có thể chia thành hai phần chính: nhận dạng đối tượng để đạt
được mơ hình xấp xỉ đủ chính xác và giải quyết bài toán tối ưu.

1.2.

Cấu trúc cơ sở của MPC

Bộ điều khiển gồm 2 đầu vào là tín hiệu đặt 𝑦𝑦 𝑠𝑠𝑠𝑠 và tín hiệu đo đầu ra 𝑦𝑦. Các khối

chức năng trong bộ điều khiển như sau:

1.2.1. Khối tạo tín hiệu chuẩn
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 những thay đổi có thể xảy ra, do đó tránh được
ảnh hưởng của trễ lên đáp ứng của đối tượng. Trong nhiều ứng dụng, tín hiệu chủ đạo
tương lai 𝑦𝑦 𝑠𝑠𝑠𝑠 (𝑘𝑘) là biết trước, như điều khiển robot, động cơ servo hay 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. Thuật tốn MPC thường sử dụng một quỹ đạo quy chiếu 𝑤𝑤(𝑘𝑘)
làm tín hiệu để điều khiển đầu ra của đối tượng bám theo nó. Tín hiệu 𝑤𝑤(𝑘𝑘) khơng
nhất thiết phải bằng tín hiệu chủ đạo thực 𝑦𝑦 𝑠𝑠𝑠𝑠 (𝑘𝑘) mà thường là xấp xỉ gần đúng của

nó, bắt đầu từ giá trị đầu ra hiện tại 𝑦𝑦(𝑘𝑘) tiến đến tín hiệu chủ đạo đã biết thông qua hệ
bậc một:

𝑤𝑤(𝑘𝑘) = 𝑦𝑦(𝑘𝑘)

𝑤𝑤(𝑘𝑘 + 𝑖𝑖) = α(𝑘𝑘 + 𝑖𝑖 − 1) + (1 − α)𝑦𝑦 𝑠𝑠𝑠𝑠 (𝑘𝑘 + 𝑖𝑖); 𝑖𝑖 = 1, … . , 𝑁𝑁

(1.3)

α là hệ số hiệu chỉnh (0 ≤ α ≤ 1) có ảnh hưởng đến đáp ứng động học của hệ thống.

3


Chương 1. Điều khiển dự báo trên cơ sở mô hình
Thuật tốn điều khiển dự báo
Hàm mục tiêu

Mơ hình dự báo

ysp
Tạo tín hiệu chuẩn

w

Tối ưu hóa

u

Đối tượng điều khiển

y

Hình 1.2 - Sơ đồ khối hệ thống điều khiển dự báo

Dạng quỹ đạo quy chiếu ứng với 2 giá trị α khác nhau trong trường hợp tín hiệu

chủ đạo 𝑦𝑦 𝑠𝑠𝑠𝑠 (𝑘𝑘) khơng đổi:

Tương lai

y

ysp

w1(k)

Q khứ

w2(k)

y(k)

k-2

k-1

k

k+1

k+2

k+3

k+N

t

Hình 1.3 - Minh họa tác dụng của khâu tạo tín hiệu chuẩn

Giá trị α càng nhỏ thì quỹ đạo 𝑤𝑤1 càng bám nhanh vào tín hiệu chủ đạo. Ngược lại,

khi α càng lớn thì quỹ đạo quy chiếu 𝑤𝑤2 bám chậm hơn nhưng trơn hơn.

1.2.2. Mơ hình dự báo

Mơ hình dự báo là mơ hình xấp xỉ đối tượng điều khiển được sử dụng để ước lượng
giá trị đầu ra tương lai khi biết trước các dữ liệu đầu vào/ đầu ra ở quá khứ. Trong mỗi
chu kỳ trích mẫu, các đầu ra thuộc tầm dự báo sẽ được tính tốn thơng qua mơ hình
này.
Mơ hình xấp xỉ đối tượng điều khiển đóng vai trị quyết định trong bộ điều khiển
dự báo. Mơ hình phải phản ánh đúng động học của q trình để có thể dự báo chính
xác đầu ra tương lai cũng như phải đủ đơn giản để thực hiện. Có nhiều loại mơ hình
khả dĩ.

4


Chương 1. Điều khiển dự báo trên cơ sở mô hình
1.2.2.1. Mơ hình đáp ứng xung
Với mơ hình đáp ứng xung, đầu ra có quan hệ với đầu vào thơng qua biểu thức
tổng quát sau:
∞

𝑦𝑦(𝑘𝑘 ) = � 𝑔𝑔𝑖𝑖 𝑢𝑢(𝑘𝑘 − 𝑖𝑖)
𝑖𝑖=1

(1.4)

Với 𝑔𝑔𝑖𝑖 là thời điểm lấy mẫu thứ 𝑖𝑖 khi q trình được kích thích bởi một xung đơn

vị (Hình 1.4). Nếu tổng này chỉ lấy hữu hạn 𝑁𝑁 giá trị (do đó chỉ biểu diễn được các

q trình ổn định khơng chứa thành phần tích phân) thì ta có:
𝑁𝑁

𝑦𝑦(𝑘𝑘 ) = � 𝑔𝑔𝑖𝑖 𝑢𝑢(𝑘𝑘 − 𝑖𝑖) = 𝐺𝐺(𝑧𝑧 −1 )𝑢𝑢(𝑘𝑘)
𝑖𝑖=1

(1.5)

với 𝐺𝐺 (𝑧𝑧 −1 ) = 𝑔𝑔1 𝑧𝑧 −1 + 𝑔𝑔2 𝑧𝑧 −2 + ⋯ + 𝑔𝑔𝑁𝑁 𝑧𝑧 −𝑁𝑁 , 𝑧𝑧 = 𝑒𝑒 𝑠𝑠𝑠𝑠 , 𝑇𝑇 là hằng số thời gian lấy

mẫu. Tín hiệu dự báo được tính bởi:

−1
𝑦𝑦�(𝑘𝑘 + 𝑝𝑝|𝑘𝑘 ) = ∑𝑁𝑁
𝑖𝑖=1 𝑔𝑔𝑖𝑖 𝑢𝑢 (𝑘𝑘 + 𝑝𝑝 − 𝑖𝑖 |𝑘𝑘 ) = 𝐺𝐺(𝑧𝑧 )𝑢𝑢(𝑘𝑘 + 𝑝𝑝|𝑘𝑘)

(1.6)

g3
g2
g1
gN
k

k+1

k+2

k+3

k+N

t

Hình 1.4 - Minh họa đáp ứng xung

Thông thường 𝑁𝑁 là khá lớn (khoảng từ 30 đến 120) làm cho số lượng tham số cần thiết

lớn. Đây cũng chính là hạn chế của mơ hình đáp ứng xung. Ngược lại, nó rất trực quan

5


Chương 1. Điều khiển dự báo trên cơ sở mô hình
và phản ánh rõ ảnh hưởng của mỗi biến điều khiển lên một đầu ra xác định. Nếu hệ
thống là nhiều biến có 𝑚𝑚 đầu vào thì đáp ứng của hệ có dạng:
𝑚𝑚

𝑁𝑁

𝑗𝑗𝑗𝑗

𝑦𝑦𝑟𝑟 (𝑘𝑘 ) = � � 𝑔𝑔𝑖𝑖 𝑢𝑢 𝑗𝑗 (𝑘𝑘 − 𝑖𝑖)

𝑗𝑗=1 𝑖𝑖=1

(1.7)

Ưu điểm của phương pháp này là không cần thông tin ban đầu về đối tượng, do đó
bài tốn nhận dạng được đơn giản hố đồng thời cho phép khảo sát dễ dàng các quá
trình động học phức tạp như hệ thống pha không cực tiểu (hay có thể có trễ).

1.2.2.2. Mơ hình đáp ứng bước nhảy
Mơ hình này tương tự như mơ hình trước nhưng tín hiệu vào là tín hiệu bước nhảy
(step). Các hệ thống ổn định có đáp ứng mơ tả bởi:
𝑁𝑁

𝑦𝑦(𝑘𝑘 ) = 𝑦𝑦0 + � ℎ𝑖𝑖 ∆𝑢𝑢(𝑘𝑘 − 𝑖𝑖) = 𝑦𝑦0 + 𝐻𝐻(𝑧𝑧 −1 )(1 − 𝑧𝑧 −1 )𝑢𝑢(𝑘𝑘)
𝑖𝑖=1

(1.8)

Với ℎ𝑖𝑖 là giá trị đầu ra tại thời điểm lấy mẫu thứ 𝑖𝑖 và ∆𝑢𝑢(𝑘𝑘) = 𝑢𝑢(𝑘𝑘) − 𝑢𝑢(𝑘𝑘 − 1).
Không mất tính tổng qt, giá trị 𝑦𝑦0 có thể chọn bằng 0, khi đó tín hiệu ra dự báo :
𝑦𝑦�(𝑘𝑘 + 𝑝𝑝|𝑘𝑘 ) = ∑𝑁𝑁
𝑖𝑖=1 ℎ𝑖𝑖 ∆𝑢𝑢(𝑘𝑘 + 𝑝𝑝 − 𝑖𝑖|𝑘𝑘)

(1.9)

Phương pháp này có những ưu nhược điểm tương tự như phương pháp trên.

1.2.2.3. Mơ hình hàm truyền
Sử dụng khái niệm hàm truyền 𝐺𝐺 = 𝐵𝐵/𝐴𝐴 để biểu diễn đầu ra dưới dạng:
với:

𝐴𝐴(𝑧𝑧 −1 )𝑦𝑦(𝑘𝑘 ) = 𝐵𝐵(𝑧𝑧 −1 )𝑢𝑢(𝑘𝑘)

(1.10)

𝐴𝐴(𝑧𝑧 −1 ) = 1 + 𝑎𝑎1 𝑧𝑧 −1 + 𝑎𝑎2 𝑧𝑧 −2 + ⋯ + 𝑎𝑎𝑛𝑛 𝑧𝑧 −𝑛𝑛

(1.11)

𝐵𝐵(𝑧𝑧 −1 ) = 1 + 𝑏𝑏1 𝑧𝑧 −1 + 𝑏𝑏2 𝑧𝑧 −2 + ⋯ + 𝑏𝑏𝑚𝑚 𝑧𝑧 −𝑚𝑚

(1.12)

Do đó tín hiệu dự báo sẽ là:
𝑦𝑦�(𝑘𝑘 + 𝑝𝑝|𝑘𝑘 ) =

𝐵𝐵�𝑧𝑧 −1 �
𝐴𝐴(𝑧𝑧 −1 )

𝑢𝑢(𝑘𝑘 + 𝑝𝑝|𝑘𝑘)

(1.13)

6


Chương 1. Điều khiển dự báo trên cơ sở mô hình
Cách mơ tả này cũng sử dụng được đối với những q trình khơng ổn định và có
ưu điểm là cần ít tham số, tuy nhiên khơng thể thiếu những thông tin ban đầu về đối
tượng, đặc biệt là bậc của các đa thức 𝐴𝐴 và 𝐵𝐵.

1.2.2.4. Mơ hình trạng thái

Với mơ hình trạng thái, hệ phương trình tốn học mơ tả đối tượng có dạng như sau:
𝑥𝑥 (𝑘𝑘 ) = 𝐴𝐴𝐴𝐴 (𝑘𝑘 − 1) + 𝐵𝐵𝐵𝐵(𝑘𝑘 − 1)
𝑦𝑦(𝑘𝑘 ) = 𝐶𝐶𝐶𝐶(𝑘𝑘)

(1.14)

Trong đó 𝑥𝑥 là biến dạng trạng thái và 𝐴𝐴, 𝐵𝐵, 𝐶𝐶 lần lượt là các ma trận hệ thống, ma

trận đầu vào và ma trận đầu ra. Trường hợp này tín hiệu ra dự đốn được tính bởi:
𝑝𝑝

𝑦𝑦�(𝑘𝑘 + 𝑝𝑝|𝑘𝑘 ) = 𝐶𝐶𝑥𝑥� (𝑘𝑘 + 𝑝𝑝|𝑘𝑘 ) = 𝐶𝐶(𝐴𝐴𝑝𝑝 𝑥𝑥 (𝑘𝑘 ) + � 𝐴𝐴𝑝𝑝−1 𝐵𝐵𝐵𝐵(𝑘𝑘 + 𝑝𝑝 − 𝑖𝑖|𝑘𝑘))
𝑖𝑖=1

(1.15)

Mơ hình khơng gian trạng thái có ưu điểm là rất thuận lợi để mơ tả các q trình đa
biến. Luật điều khiển chỉ đơn giản là phản hồi của một tổ hợp tuyến tính các vector
trạng thái mặc dù đôi khi các biến trạng thái được chọn không có ý nghĩa vật lý.
Trường hợp các biến trạng thái không đo được, hệ thống cần phải thêm bộ quan sát
trạng thái, khi đó các tính tốn sẽ phức tạp hơn.

1.2.2.5. Mơ hình mờ
Hệ thống suy luận mờ (Fuzzy Inference System) là một công cụ xấp xỉ rất mạnh.
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, với những hệ phi tuyến mạnh, mơ hình mờ tỏ ra chiếm ưu thế hơn so với

những mơ hình khác.
Bằng việc kết hợp với các khâu động học (đường dây trễ - Tapped Delay Line), ta
có thể mơ hình hoá đối tượng động học phi tuyến (mạnh) với độ chính xác tuỳ ý.
Có hai loại mơ hình mờ phổ biến là mơ hình mờ Mamdani và mơ hình mờ Takagi Sugeno. Đối với mơ hình Mamdani, đầu ra dự báo được tính tốn như sau:
𝑦𝑦�(𝑘𝑘 + 𝑝𝑝|𝑘𝑘 ) =

∑𝐿𝐿𝑙𝑙=1 𝑏𝑏𝑙𝑙 𝜇𝜇𝑙𝑙 �𝜑𝜑(𝑘𝑘 + 𝑝𝑝|𝑘𝑘 )�
∑𝐿𝐿𝑙𝑙=1 𝜇𝜇𝑙𝑙 �𝜑𝜑(𝑘𝑘 + 𝑝𝑝|𝑘𝑘 )�

Với mơ hình Takagi - Sugeno, đầu ra dự báo tính theo cơng thức:

7

(1.16)


Chương 1. Điều khiển dự báo trên cơ sở mô hình
𝑦𝑦�(𝑘𝑘 + 𝑝𝑝|𝑘𝑘 ) =

∑𝐿𝐿𝑙𝑙=1 𝜃𝜃 𝑙𝑙 𝜑𝜑(𝑘𝑘 + 𝑝𝑝|𝑘𝑘)𝜇𝜇𝑙𝑙 �𝜑𝜑(𝑘𝑘 + 𝑝𝑝|𝑘𝑘 )�
∑𝐿𝐿𝑙𝑙=1 𝜇𝜇𝑙𝑙 �𝜑𝜑(𝑘𝑘 + 𝑝𝑝|𝑘𝑘 )�

(1.17)

ở đây, 𝐿𝐿 là tổng số luật hợp thành, 𝜃𝜃 là vector tham số và

𝜑𝜑(𝑘𝑘 + 𝑝𝑝|𝑘𝑘) = [𝑦𝑦(𝑘𝑘 + 𝑝𝑝 − 1, … 𝑦𝑦�𝑘𝑘 + 𝑝𝑝 − 𝑁𝑁𝑦𝑦 �, 𝑢𝑢(𝑘𝑘 + 𝑝𝑝 − 1), … 𝑢𝑢(𝑘𝑘 + 𝑝𝑝 − 𝑁𝑁𝑢𝑢 )] được gọi

là vector hồi quy.

1.2.2.6. Mơ hình mạng neural
Tương tự như mơ hình mờ, mạng neural cũng là một hệ phi tuyến tĩnh, khi được
kết hợp với các khâu động học, nó cũng có khả năng xấp xỉ mơ hình đối tượng với độ
chính xác tùy ý.
Neural và các loại mạng neural sẽ được trình bày chi tiết ở Chương 2. Với mạng
MLP (Multilayer Perceptrons), đầu ra dự báo được tính theo cơng thức:
𝐾𝐾

𝑦𝑦�(𝑘𝑘 + 𝑝𝑝|𝑘𝑘 ) = 𝐿𝐿𝐿𝐿 + � 𝐿𝐿𝐿𝐿 (𝑖𝑖) × 𝑓𝑓𝑚𝑚 �𝐈𝐈𝐈𝐈(𝑖𝑖, : ) × 𝐱𝐱(𝑘𝑘 + 𝑝𝑝 − 1|𝑘𝑘 ) + 𝐼𝐼𝐼𝐼(𝑖𝑖)�
𝑖𝑖=1

(1.18)

Trong đó, 𝐱𝐱 là vector đầu vào của mạng:

𝐱𝐱(𝑘𝑘 ) = [𝑢𝑢(𝑘𝑘 − 1), … 𝑢𝑢(𝑘𝑘 − 𝑁𝑁𝑢𝑢 ), 𝑦𝑦(𝑘𝑘 − 1), … 𝑦𝑦(𝑘𝑘 − 𝑁𝑁𝑦𝑦 )]
𝐾𝐾 là số neural lớp ẩn;

𝐈𝐈𝐈𝐈 là ma trận trọng số lớp vào;
𝐼𝐼𝐼𝐼: Vector “bias” lớp vào;

𝐿𝐿𝐿𝐿 là vector trọng số của lớp ra;
f m là hàm kích hoạt.

𝐱𝐱(𝑘𝑘 ) = [𝑢𝑢(𝑘𝑘 − 1), … 𝑢𝑢(𝑘𝑘 − 𝑁𝑁𝑢𝑢 ), 𝑦𝑦(𝑘𝑘 − 1), … 𝑦𝑦(𝑘𝑘 − 𝑁𝑁𝑦𝑦 )]𝑇𝑇

𝑁𝑁𝑢𝑢 và 𝑁𝑁𝑦𝑦 là số lượng giá trị quá khứ của tín hiệu vào và tín hiệu ra được lấy làm

đầu vào của mạng neural.

Với u cầu mơ hình xấp xỉ đối tượng có độ chính xác cao, mơ hình mờ và mơ
hình mạng neural ngày càng được nghiên cứu và áp dụng rộng rãi. Tuy nhiên, với mơ
hình mờ, việc cần phải có những hiểu biết nhất định về đối tượng để xây dựng các luật
hợp thành và mờ hóa các giá trị tín hiệu (xác định dạng hàm thuộc, số hàm thuộc…)
đã trở thành một trở ngại. Hơn thế nữa, khi có nhiều đầu vào, số luật hợp thành sẽ tăng

8


Chương 1. Điều khiển dự báo trên cơ sở mô hình
lên nhanh chóng, kéo theo đó là khối lượng tính tốn nhiều thêm đáng kể. Vì các lý do
này, việc nhận dạng đối tượng phục vụ xây dựng bộ điều khiển dự báo trong luận văn
được thực hiện trên cơ sở mạng neural.

1.2.3. Hàm mục tiêu
Như được trình bày ở công thức (1.1) và được viết lại dưới đây, hàm mục tiêu thể
hiện mong muốn về chất lượng điều khiển và đặc tính tín hiệu điều khiển (đầu ra đối
tượng điều khiển bám giá trị đặt và tín hiệu điều khiển là trơn).
𝑁𝑁𝑃𝑃

𝑁𝑁𝑐𝑐 −1

𝑝𝑝=𝑁𝑁1

𝑝𝑝=0

𝐽𝐽(𝑘𝑘 ) = � 𝛿𝛿 (𝑝𝑝)[𝑦𝑦 𝑠𝑠𝑠𝑠 (𝑘𝑘 + 𝑝𝑝|𝑘𝑘 ) − 𝑦𝑦(𝑘𝑘 + 𝑝𝑝|𝑘𝑘 )]2 + � 𝜆𝜆(𝑝𝑝)[Δ𝑢𝑢(𝑘𝑘 + 𝑝𝑝|𝑘𝑘)]2

Dễ nhận thấy rằng 𝛿𝛿 (𝑝𝑝) thể hiện mong muốn về chất lượng điều khiển, nếu 𝛿𝛿 (𝑝𝑝) được

chọn lớn ứng với yêu cầu sai lệch giữa tín hiệu đặt và đầu ra đối tượng nhỏ. 𝜆𝜆(𝑝𝑝) thể

hiện mong muốn về tín hiệu điều khiển, nếu 𝜆𝜆(𝑝𝑝) được chọn lớn thể hiện yêu cầu tín
hiệu điều khiển cần phải trơn. Tuy nhiên, yêu cầu về chất lượng điều khiển và tín hiệu

điều khiển thường khơng dễ đồng thời thỏa mãn, vì vậy nhiệm vụ của người thiết kế là
phải tìm ra bộ tham số hợp lý để thỏa hiệp hai yêu cầu này.

1.2.4. Khối tối ưu hóa
Khối tối ưu hóa thực hiện thuật tốn tối ưu hố phiếm hàm mục tiêu để thu được
chuỗi tín hiệu điều khiển tối ưu trong dải điều khiển từ 1 đến 𝑁𝑁𝐶𝐶 . Sau đó, chỉ tín hiệu
điều khiển đầu tiên 𝑢𝑢(𝑘𝑘) trong chuỗi tín hiệu tính tốn được đưa tới điều khiển đối
R

tượng thực.

Một số phương pháp tính tốn tín hiệu điều khiển tối ưu thường được sử dụng với

bộ điều khiển dự báo đó là phương pháp chuyển động ngược hướng gradient, phương
pháp quasi - Newton, phương pháp Levenberg - Marquardt, giải thuật di truyền
(Genetic Algorithm), phương pháp rẽ nhánh và giới hạn (Branch and Bound)…

9


Chương 2. Nhận dạng đối tượng sử dụng mạng neural

Chương 2.
2.1.

Nhận dạng đối tượng sử dụng mạng neural

Giới thiệu vài nét về bài tốn nhận dạng

Phương pháp xây dựng mơ hình tốn học trên cơ sở các số liệu vào/ra thực nghiệm
được gọi là nhận dạng hệ thống. Mơ hình nhận dạng của đối tượng điều khiển có thể
xem là trung tâm của bộ điều khiển MPC. Mơ hình càng chính xác sẽ càng đảm bảo
việc cung cấp các thơng tin cần thiết cho q trình tối ưu hóa tín hiệu điều khiển nhằm
có được chất lượng điều khiển càng tốt.

2.1.1. Một vài nguyên tắc chung
2.1.1.1. Các bước tiến hành
Các bước cơ bản tiến hành nhận dạng đối tượng bao gồm:
Bước 1: Thu thập, khai thác thông tin ban đầu về q trình, ví dụ các biến q trình
quan tâm, các phương trình mơ hình từ phân tích lý thuyết, các điều kiện biên và các
giả thiết liên quan.
Bước 2: Lựa chọn phương pháp nhận dạng (trực tuyến/ ngoại tuyến, vịng hở/ vịng
kín, chủ động/ bị động), thuật tốn ước lượng tham số và tiêu chuẩn đánh giá chất
lượng mô hình.
Bước 3: Tiến hành lấy số liệu thực nghiệm cho từng cặp biến vào/ ra trên cơ sở
phương pháp nhận dạng đã chọn, xử lý thô các số liệu nhằm loại bỏ những giá trị đo
kém tin cậy.
Bước 4: Kết hợp những u cầu về mục đích sử dụng mơ hình và khả năng ứng
dụng của phương pháp nhận dạng đã chọn, quyết định về 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/ bậc mẫu số của hàm truyền đạt, có trễ hay khơng có trễ…)
Bước 5: Xác định các tham số mơ hình theo phương pháp/ thuật toán 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.
Bước 6: Mơ phỏng, kiểm chứng và đánh giá mơ hình nhận được theo các tiêu

chuẩn đã lựa chọn, tốt nhất là trên cơ sở nhiều tập dữ liệu khác nhau. Nếu chưa đạt yêu
cầu, cần quay lại một trong các bước từ 1 đến 4.

2.1.1.2. Thu thập dữ liệu
10


Chương 2. Nhận dạng đối tượng sử dụng mạng neural
Việc lấy mẫu số liệu có thể phải thực hiện theo nhiều bước.
Đầu tiên, ta cần xác định đầu vào, đầu ra của hệ thống cần nhận dạng, từ đó xác
định tín hiệu kích thích để thực hiện thí nghiệm thu thập số liệu và vị trí đặt cảm biến
để đo tín hiệu ra.
Việc tiếp theo là chọn tín hiệu vào. Dạng tín hiệu vào ảnh hưởng rất lớn đến dữ liệu
quan sát. Tín hiệu vào quyết định điểm làm việc của hệ thống, bộ phận nào và chế độ
làm việc nào của hệ thống được kích thích trong thí nghiệm.
Sau đó, chu kỳ lấy mẫu và số mẫu dữ liệu phải thu thập cần được xác định.
Bước kế tiếp là lấy mẫu dữ liệu. Ta có thể lấy mẫu số liệu từ đối tượng thực, trích
mẫu gửi lên máy tính nhờ tín hiệu phản hồi từ các cảm biến thơng qua các mạch phần
cứng phụ trợ. Khi đó, bộ số liệu cần phải có đầy đủ thơng tin về 3 thành phần cơ bản:
Chu kỳ trích mẫu 𝑇𝑇𝑇𝑇, các giá trị đầu ra cần quan tâm 𝑦𝑦(𝑘𝑘), các giá trị của tín hiệu điều
khiển tương ứng 𝑢𝑢(𝑘𝑘). Với số liệu thực tế, bộ số liệu có thể được ghi trong các file

dạng .txt, .dat,… dưới dạng các hàng/ cột tách biệt từng giá trị trích mẫu để tiện cho
việc đọc số liệu sau này.

Việc chọn chu kỳ trích mẫu là rất quan trọng. Nếu lấy mẫu quá nhanh (chu kỳ trích
mẫu nhỏ) có thể dẫn đến các khó khăn khi ước lượng thơng số. Nếu hệ thống có thời
gian chết thì việc chọn chu kỳ trích mẫu q nhỏ có thể sẽ làm cho hệ thống được mơ
hình hóa với khâu trễ kéo dài trong nhiều chu kỳ trích mẫu, điều này sẽ gây khó khăn
khi sử dụng mơ hình để thiết kế hệ thống điều khiển.

Ngược lại, nếu lấy mẫu quá chậm (chu kỳ lấy mẫu lớn) có thể gây ra méo tần số
làm mất thông tin. Khi chu kỳ lấy mẫu tăng vượt quá hằng số thời gian 𝑇𝑇0 của hệ
thống, phương sai tăng đột ngột.

Chu kỳ lấy mẫu tối ưu trong trường hợp số mẫu dữ liệu cố định xấp xỉ hằng số thời

gian của hệ thống. Nếu không biết trước hằng số thời gian của hệ thống thì ta phải ước
lượng, nếu hằng số thời gian ước lượng cao hơn thực tế thì việc chọn chu kỳ trích mẫu
xấp xỉ 𝑇𝑇0 sẽ dẫn đến kết quả nhận dạng rất xấu.

2.1.1.3. Tiền xử lý dữ liệu

Dữ liệu thu thập khi thí nghiệm thường khơng thể sử dụng ngay trong các thuật
toán nhận dạng hệ thống do các khiếm khuyết sau:
-

Có nhiễu tần số cao trong tập dữ liệu thu thập được.

11


Chương 2. Nhận dạng đối tượng sử dụng mạng neural
-

Tập dữ liệu bị gián đoạn, thiếu dữ liệu, hoặc có các giá trị đo sai.

-

Nhiễu tần số thấp, trôi, độ lệch không (offset).

Do vậy, nếu thực hiện nhận dạng offline trước tiên nên vẽ đồ thị dữ liệu vào ra,
xem xét đồ thị để phát hiện các khiếm khuyết trong tập dữ liệu và tiền xử lý tập dữ liệu
để loại bỏ các khiếm khuyết (nếu có).

2.1.1.4. Chọn bậc mơ hình
Một trong những nguyên tắc cơ bản của lý thuyết nhận dạng hệ thống là xây dựng
mơ hình tốn càng đơn giản càng tốt. Khi bậc mơ hình càng tăng, số thơng số càng
nhiều thì mơ hình càng linh hoạt và sai số xấp xỉ càng giảm, tuy nhiên bậc tăng đến
một mức nào đó thì dù tăng thêm sai số vẫn giảm khơng đáng kể, vì vậy tiêu chuẩn
chọn lựa cấu trúc mơ hình phải tính đến sai số mơ hình và số thơng số của mơ hình.
Đối với đối tượng phi tuyến, vấn đề chọn bậc mơ hình vẫn cịn là một bài tốn mở.
Thơng thường, số thơng số của mơ hình phi tuyến được chọn dựa vào kinh nghiệm
hoặc bằng phương pháp thử sai.
Trong thực tế, do cần nhiều phép tính để tính số thơng số tác động nên người ta
thường dùng các tiêu chuẩn chọn mô hình tuyến tính (theo thơng số) để chọn mơ hình
phi tuyến.

2.1.2. Mơ hình phi tuyến NARX
Với bài tốn nhận dạng đối tượng phi tuyến, loại mơ hình chọn lựa cần phải đảm
bảo một số yếu tố quan trọng như khả năng mơ tả được đặc tính tĩnh cũng như đặc tính
động học của đối tượng một cách chính xác. Trong số rất nhiều mơ hình có thể lựa
chọn như FIR, ARX, SOPDT, NARX,… mơ hình NARX (Nonlinear Autoregressive
Moving Average) có khả năng cung cấp đầy đủ thông tin về đối tượng đặc biệt là đặc
tính động học thơng qua việc sử dụng các đường dây trễ TDL (Taped Delay Line).
Nguyên lý chung của mơ hình NARX:
𝑦𝑦(𝑛𝑛 + 1) = 𝑔𝑔 �𝑢𝑢(𝑛𝑛 − 𝜏𝜏 + 1), 𝑢𝑢(𝑛𝑛 − 𝜏𝜏), … 𝑢𝑢(𝑛𝑛 − 𝑁𝑁𝑢𝑢 + 1); 𝑦𝑦(𝑛𝑛), … 𝑦𝑦�𝑛𝑛 − 𝑁𝑁𝑦𝑦 + 1��

= 𝑔𝑔(𝑇𝑇𝑇𝑇𝑇𝑇𝑇𝑇; 𝑇𝑇𝑇𝑇𝑇𝑇𝑇𝑇)

Trong đó 𝑢𝑢(𝑛𝑛), 𝑦𝑦(𝑛𝑛) là tín hiệu vào/ ra của hệ thống tại thời điểm 𝑛𝑛.

𝑁𝑁𝑢𝑢 ≥ 1, 𝑁𝑁𝑦𝑦 ≥ 1 là độ dài của đường dây trễ đầu vào và đầu ra 𝑇𝑇𝑇𝑇𝑇𝑇𝑇𝑇, 𝑇𝑇𝑇𝑇𝑇𝑇𝑇𝑇.

12


Chương 2. Nhận dạng đối tượng sử dụng mạng neural
Tham số 𝜏𝜏 được đưa vào có ý nghĩa hiệu chỉnh cấu trúc đường dây trễ làm tăng

tính linh hoạt của mơ hình.

2.2.

Neural và mạng neural

2.2.1. Mạng neural tự nhiên
Mạng neural là sự tái tạo bằng kĩ thuật những chức năng của hệ thần kinh con
người. Trong quá trình tái tạo không phải tất cả các chức năng của bộ não con người
có đều có thể/ được tái tạo, mà chỉ có những chức năng cần thiết. Bên cạnh đó, một số
chức năng mới được tạo ra nhằm giải quyết một bài toán điều khiển đã định trước.
Mạng neural bao gồm vô số các neural được liên kết truyền thông với nhau trong
mạng.
Axon được nối với rễ
đầu vào của neural 2

Axon

Nhân
Rễ đầu ra của neural 1
được nối với axon

Rễ đầu ra

Hình 2.1 - Một phần của mạng neural

Một neural bao gồm các thành phần cơ bản:
Thân neural được giới hạn trong một màng membran và trong cùng là nhân. Từ
thân neural cịn có rất nhiều đường rẽ nhánh gọi là rễ.
Đường liên lạc liên kết neural này với neural khác được gọi là axon, trên axon có
các đường rẽ nhánh. Neural có thể liên kết với các neural khác qua các rễ. Chính vì sự
liên kết đa dạng như vậy nên mạng neural có độ bền liên kết cao.
Các rễ của neural được chia thành hai loại: loại nhận thông tin từ neural khác qua
axon, mà ta sẽ gọi là rễ đầu vào và loại đưa thông tin qua axon tới các neural khác gọi
là rễ đầu ra.

13


Chương 2. Nhận dạng đối tượng sử dụng mạng neural
Một neural có thể có nhiều rễ đầu vào, nhưng chỉ có một rễ đầu ra. Như thế, nếu
xem neural như một khâu điều khiển thì đó chính là khâu có nhiều đầu vào, một đầu ra
(Multiple Input Multiple Output - MISO).

x1
x2
xn

Neural

y

Hình 2.2 - Neural là khâu MISO

Quá trình hoạt động của một neural là một q trình điện hóa tự nhiên. Ở trạng thái
cân bằng (trạng thái tĩnh) điện áp của màng membran khoảng 75mV. Khi có tác động
bên ngồi vào neural (mức điện áp khoảng 35mV) trong tế bào neural xảy ra hàng loạt
các phản ứng hóa học tạo thành lực tác động làm neural bị kích hoạt. Thế năng sinh ra
khi neural ở trạng thái bị kích thích hoàn toàn này chỉ tồn tại trong khoảng vài mili
giây sau đó neural lại trở về trạng thái cân bằng cũ, thế năng này được truyền vào
mạng qua axon và có khả năng kích thích hoặc kìm hãm tự nhiên các neural khác trong
mạng. Một neural sẽ ở trạng thái kích thích khi tại đầu vào xuất hiện một tín hiệu tác
động vượt qua ngưỡng cân bằng của neural.
Một tính chất của mạng neural sinh học là các đáp ứng theo kích thích có khả năng
thay đổi theo thời gian. Các đáp ứng có thể tăng lên, giảm đi hoặc hoàn toàn biến mất.
Qua các nhánh axon liên kết tế bào neural này với tế bào neural khác, sự thay đổi trạng
thái của một neural cũng kéo theo sự thay đổi trạng thái của những neural khác và do
đó là sự thay đổi của toàn bộ mạng neural. Việc thay đổi trạng thái của mạng neural có
thể thực hiện qua một quá trình dạy hoặc do khả năng học tự nhiên.

2.2.2. Mạng neural nhân tạo
2.2.2.1. Tổng quan về mạng neural nhân tạo
Khi nói về mạng neural trong khoa học máy tính ta hiểu là đang nói về mạng
neural nhân tạo (ANN - Artificial Neural Network) bởi vì trong thực tế mạng neural
sinh học (BNN - Biological Neural Network) phức tạp và tinh vi hơn rất nhiều so với
mạng neural nhân tạo. Thực chất, mạng neural nhân tạo là những mô hình tốn học mà
con người xây dựng nên. Khơng có một định nghĩa tổng quát nào về mạng neural
nhưng hầu hết mọi người đồng ý với khái niệm về mạng neural như sau:

14

Chương 2. Nhận dạng đối tượng sử dụng mạng neural
Mạng neural là một hệ thống bao gồm rất nhiều phần tử xử lý đơn giản cùng hoạt
động song song. Tính năng hoạt động của hệ thống này phụ thuộc vào cấu trúc của hệ
thống, vào cường độ liên kết giữa các phần tử trong hệ thống và vào quá trình xử lý
bên trong các phần tử đó. Hệ thống này có thể học từ các số liệu và có khả năng khái
quát từ số liệu đó.
Mạng neural nhân tạo có thể được chế tạo bằng nhiều cách khác nhau vì vậy trong
thực tế tồn tại rất nhiều kiểu mạng neural nhân tạo.
p1
p2
p3
pR

w1

wR

Σ

n

c

c

f

a

Hình 2.3 - Neural nhân tạo

Đứng về mặt hệ thống, một neural là một hệ thống MISO quen thuộc với nhiều đầu
vào và một đầu ra. Cấu trúc của một neural gồm ba thành phần cơ bản:
-

Các kích thích (các đầu vào) của tế bào neural có thế năng tác động vào
màng membran khác nhau được biểu diễn qua trọng lượng 𝑤𝑤𝑖𝑖 , 𝑖𝑖 = 1,2 … 𝑅𝑅

tương ứng với cường độ kích thích của từng đầu vào. Tổng giá trị của các

kích thích đầu vào được thực hiện qua một bộ cộng, đó là giá trị đo kích
thích đầu vào tác động vào tế bào neural.

-

Đầu ra của bộ cộng được đưa đến khâu tiền đáp ứng 𝑐𝑐. Khâu này khơng chỉ

có chức năng tạo đáp ứng tức thời mà cịn có khả năng lưu giữ các đáp ứng
theo thời gian. Thành phần này làm việc theo nguyên lý “nhớ động”.
-

Neural bị kích thích trong thời gian thế năng của màng membran vượt q
ngưỡng, mơ hình neural ở trạng thái tích cực. Quan hệ này được thực hiện
nhờ khâu tạo tín hiệu ra 𝑓𝑓, nó có chức năng của khâu tạo tín hiệu ngưỡng,
xác định sự phụ thuộc của tín hiệu ra 𝑎𝑎 vào các kích thích đầu vào.

Cách thành lập neural nhân tạo như vậy tạo ra một độ tự do trong thiết kế. việc lựa
chọn khâu cộng tín hiệu vào, khâu tiền đáp ứng c, và khâu tạo tín hiệu đáp ứng f, sẽ
cho ra các kiểu neural nhân tạo khác nhau và tương ứng là các mơ hình mạng khác
nhau.

15