Điều khiển hệ phi tuyến dùng thuật toán mờ

BỘ CƠNG THƯƠNG
ĐẠI HỌC CƠNG NGHIỆP THÀNH PHỐ HỒ CHÍ MINH

BÁO CÁO TỔNG KẾT ĐỀ TÀI KHOA HỌC
KẾT QUẢ THỰC HIỆN ĐỀ TÀI
NGHIÊN CỨU KHOA HỌC CẤP TRƯỜNG

Tên đề tài: Điều khiển hệ phi tuyến dùng thuật tốn mờ/nơ rơn thích nghi kết
hợp với giải thuật tối ưu hóa nâng cao
Mã số đề tài: 19.3ÐT01
Chủ nhiệm đề tài: ThS. NCS Cao Văn Kiên
Đơn vị thực hiện: Khoa Công nghệ Điện tử

Tp. Hồ Chí Minh, 2020


LỜI CÁM ƠN
Nghiên cứu này được tài trợ bởi Trường Đại học Cơng Nghiêp Tp.HCM với mã số đề tài
19.3ÐT01
Nhóm tác giả trân trọng cảm ơn sự hỗ trợ tạo điều kiện của Phòng Quản lý khoa học và Hợp
tác quốc tế; Cảm ơn sự động viên, hỗ trợ của Lãnh đạo Khoa Công nghệ Điện tử; Cảm ơn
sự giúp đỡ, ủng hộ về tinh thần của quý đồng nghiệp để thực hiện đề tài.
Trân trọng cảm ơn!

Nhóm tác giả

1


PHẦN I. THƠNG TIN CHUNG
I. Thơng tin tổng qt
1.1. Tên đề tài: Điều khiển hệ phi tuyến dùng thuật toán mờ/nơ rơn thích nghi kết hợp
với giải thuật tối ưu hóa nâng cao
1.2. Mã số: 19.3ÐT01
1.3. Danh sách chủ trì, thành viên tham gia thực hiện đề tài
TT

Họ và tên
(học hàm, học vị)

1 Ths.NCS Cao Văn Kiên
2 TS Nguyễn Ngọc Sơn

Đơn vị cơng tác

Vai trị thực hiện đề tài

Khoa CN Điện tử - ĐH
Cơng Nghiệp TP Hồ Chí

Minh
Khoa CN Điện tử - ĐH
Cơng Nghiệp TP Hồ Chí
Minh

Chủ nhiệm đề tài
Tham gia

1.4. Đơn vị chủ trì: Khoa Cơng nghệ Điện tử
1.5. Thời gian thực hiện:
1.5.1. Theo hợp đồng: từ tháng 10 năm 2019 đến tháng 10 năm 2020
1.5.2. Gia hạn (nếu có): đến tháng….. năm…..

1.5.3. Thực hiện thực tế: từ tháng 10 năm 2019 đến tháng 08 năm 2020
1.6. Những thay đổi so với thuyết minh ban đầu (nếu có):
(Về mục tiêu, nội dung, phương pháp, kết quả nghiên cứu và tổ chức thực hiện; Nguyên
nhân; Ý kiến của Cơ quan quản lý)
1.7. Tổng kinh phí được phê duyệt của đề tài: 80 triệu đồng.
II. Kết quả nghiên cứu
1. Đặt vấn đề
Bài toán nhận dạng và điều khiển các hệ phi tuyến đa biến dựa trên mơ hình tốn học
chặt chẽ ngày càng tỏ ra bế tắc, do tính phi tuyến phức tạp của hệ phi tuyến đa biến được
khảo sát, do các yếu tố không ổn định (uncertainties) bên trong và của cả mơi trường ngồi
hệ thống. Vì thế ngày càng có nhiều nghiên cứu tập trung vào các mơ hình và các bộ ước
lượng và điều khiển ứng dụng tính tốn mềm dựa trên mạng nơ rơn hoặc logic mờ.

Phát triển từ các thành tựu gần đây, đề tài này sẽ phát triển và khai thác mơ hình mờ
thích nghi ứng dụng trong điều khiển hệ phi tuyến đa biến nhiều ngõ vào, nhiều ngõ ra
(MIMO). Cấu trúc mô hình mờ thích nghi với các thơng số được tối ưu bởi giải thuật tính
tốn tối ưu mềm, bằng cách cực tiểu hàm chỉ tiêu chất lượng có dạng bình phương sai số
nhỏ nhất (LMSE). Để đảm báo chất lượng, tính ổn định của bộ điều khiển được chứng minh
dựa theo lý thuyết ổn định Lyapunov.
Các hệ phi tuyến đa biến tiêu biểu như robot dạng người, tay máy cơ bắp nhân tạo
(PAM), mơ hình phi tuyến có trễ bồn nước liên kết đôi [15] sẽ được lựa chọn làm mơ hình
2


phi tuyến đa biến MIMO thực chứng để kiểm chứng thực nghiệm tính ưu việt của các giải

thuật được đề xuất.
a) Tình hình nghiên cứu quốc tế
Từ khi Zadeh đề xuất mơ hình mờ Fuzzy năm 1965, đã có rất nhiều nghiên cứu trong
lĩnh vực này. Mơ hình Fuzzy được áp dụng trong rất nhiều lĩnh vực như y học, kỹ thuât, tài
chính, thống kê, v.v. [1]. Trong chuyên ngành điều khiển thông minh, giải thuật Fuzzy đã
ứng dụng thành công trong các mảng điều khiên, nhận dạng, phân lớp, phân nhóm,...
Hiện tại, có rất nhiều nghiên cứu về lĩnh vực nhận dạng với đủ các cách tiếp cận từ kinh
điển tới những phương pháp ứng dụng giải thuật thông minh, như mạng thần kinh Neural
[2], [3] hay mơ hình Fuzzy [4], [5]. Một trong những bài toán lớn trong lĩnh vực nhận dạng
thơng minh chính là nhận dạng mơ hình phi tuyến đa biến nhiều ngõ vào, nhiều ngõ ra
(MIMO-Multiple Inputs Multiple Outputs) bởi sự phức tạp và nhiều yếu tố khơng chắc chắn
(uncertainties) kèm theo.

Mơ hình MIMO phi tuyến đa biến rất khó để nhận dạng dựa vào các quan hệ tốn học.
Để khắc phục nhược điểm đó cũng như lợi dụng khả năng tính tốn của máy tính, các cơng
cụ tính tốn tối ưu tiến hóa như GA, PSO đã được áp dụng trong việc nhận dạng tối ưu các
mơ hình nhận dạng thơng minh như mạng Neural hay mơ hình Fuzzy. Tuy nhiên các giải
thuật GA, PSO đều có những hạn chế như thuật tốn PSO tuy đơn giản, dễ lập trình, nhưng
dễ bị rơi vào cực trị cục bộ; thuật toán GA cho kết quả tồn cục tốt, nhưng mất nhiều thời
gian tính tốn [17]. Gần đây, giải thuật tiến hoá vi sai (Differential Evolution - DE) [6] đang
trở nên phổ biến trong lĩnh vực tính tốn tối ưu. Nó cho kết quả tối ưu tồn cục và có thời
gian tính tốn ít hơn so với thuật toán GA [16], [18]. Trong đề tài này, giải thuật DE sẽ được
ứng dụng để tối ưu mô hình mờ thích nghi dùng cho bài tốn điều khiển các hệ đa biến
MIMO phi tuyến.
Trong những năm gần đây, mơ hình mờ Takagi-Sugeno [7] được ứng dụng rộng rãi

trong nhiều lĩnh vực nhận dạng và điều khiển. Các tác giả trong [8] đã đề xuất một giải thuật
huấn luyện mơ hình Fuzzy T-S dùng phương pháp di truyền phân cấp (Hierarchical Genetic
Algorithm - HGA). Các tác giá trong [9] sử dụng GA để huấn luyện mơ hình mờ áp dụng
vào bài tốn nhận dạng một số mơ hình phi tuyến trong môi trường Matlab/Simulink. Các
tác giả trong bài báo [10], [11] sử dụng giải thuật tối ưu bầy đàn PSO để tối ưu cấu trúc mơ
hình Fuzzy trong bài toán phân lớp.
Giải thuật Fuzzy đang được sử dụng rộng rãi trong nhận dạng hệ phi tuyến SISO và
MIMO, nhưng đó mới chỉ áp dụng cho mơ hình có cấu trúc đơn giản. Đối với các mơ hình
phức tạp thực tế, thiết kế mơ hình mờ u cầu phải có thời gian tính tốn lâu hơn do có
nhiều hàm liên thuộc cùng số lượng luật mờ phức tạp. Các tác giả trong [3] sử dụng giải
thuật MGA huấn luyện mô hình Fuzzy NARX dung nhận dạng sợi cơ khí nén nhân tạo ứng
dụng trong robot dịch vụ. Các tác giả trong [12] giới thiệu sơ đồ Fuzzy nhiều lớp như là một

phần của mảng Fuzzy-Neural.
Mơ hình Fuzzy nhiều lớp là một trong các phân lớp thuộc mảng Fuzzy-Neural [13],
[14]. Không như mơ hình Fuzzy cổ điển, mơ hình Fuzzy nhiều lớp rất khó xây dựng dựa
3


trên kinh nghiệm của người thiết kế, nó thường chỉ có thể được tạo ra hoặc được huấn luyện
với các giải thuật tính tốn tối ưu mềm. Nó có thể được áp dụng hiệu quả để nhận dạng các
hệ MIMO phức tạp và dễ dàng thay đổi cấu trúc, với độ phức tạp mơ hình chỉ tỉ lệ thuận
theo độ phức tạp của đối tượng MIMO phi tuyến. Tác giả của [14] sử dụng mơ hình Fuzzy
nhiều lớp trong điều khiển hệ thống con lắc ngược trên xe đẩy qua mơ phỏng
Matlab/Simulink.

b) Tình hình nghiên cứu trong nước
Trong nước, cũng có nhiều phịng thí nghiệm nghiên cứu mạnh về lĩnh vực điều khiển
ứng dụng mơ hình mờ thích nghi như: V.T. Yen và cộng sự [18], [19] sử dụng mô hình mờ
thích nghi hồi qui và mơ hình nơ ron thích nghi điều khiển hệ robot cơng nghiệp. Nhóm tác
giả Sy Dung Nguyen và cộng sự [20-22] sử dụng mô hình ANFIS trong ứng dụng điều
khiển hệ giảm chấn. Nhóm tác giả Cao Văn Kiên, Nguyễn Ngọc Sơn và Hồ Phạm Huy Ánh
[23-27] cũng đã có những nghiên cứu sơ khởi về hướng đề tài kết hợp giữa các thuật tốn
thích nghi và giải thuật tối ưu được cơng bố trong các năm gần đây như bài báo [23] kết hợp
giải thuật lai giữa thuật tốn LQR kết hợp mơ hình mờ và giải thuật tối ưu. Bài báo [24] áp
dụng giải thuật điều khiển mờ thích nghi kết hợp thuật toán tối ưu DE. Bài báo [25],[27] áp
dụng giải thuật tối ưu nhận dạng tham số mơ hình mờ, nơ ron để mơ tả đặc tính tốn học của
các mơ hình phi tuyến. Bài báo [26] áp dụng kỹ thuật điều khiển nơ ron thích nghi điều

khiển hệ tay máy PAM.
c) Đánh giá kết quả các cơng trình nghiên cứu đã cơng bố
Tuy nghiên các cơng trình nghiên cứu chỉ áp dụng phương pháp điều khiển thích nghi
dựa vào lý thuyết ổn định Lyapunov có cải tiến. Hướng tiếp cận áp dụng cả giải thuật điều
khiển thích nghi kết hợp giải thuật tính tốn mềm tối ưu vẫn cịn chưa được quan tâm
nghiên cứu mạnh.
Nhóm nghiên cứu cũng đã có cơ sở làm thành cơng giải thuật điều khiển thích nghi kết
hợp giải thuật tính tốn tối ưu điều khiển cho hệ SISO. Đây là cơ sở để nhóm tiếp tục
nghiên cứu nâng cao giải thuật áp dụng cho hệ MIMO sắp tới.
d) Tính cấp thiết tiến hành nghiên cứu
Các hệ phi tuyến đa biến luôn ẩn chứa nhiều yếu tố bất định rất khó nhận dạng và điều
khiển. Vì vậy, các hệ thống điều khiển thơng thường được thiết kế dựa trên mơ hình tốn

học của hệ vật lý truyền thống ngày càng tỏ ra hạn chế khi áp dụng cho các hệ phi tuyến đa
biến nói chung.
Bài toán nhận dạng và điều khiển các hệ phi tuyến đa biến, cho đến nay vẫn đang là bài
toán lớn được nhiều nhà khoa học trong nước và thế giới quan tâm. Đặc biệt những năm gần
đây, các mơ hình tính tốn mềm (dùng lơ gic mờ, mạng nơ rơn, thuật tốn tiến hóa DE)
được ứng dụng nhiều để nhận dạng và điều khiển các hệ phi tuyến đa biến. Các kết quả
nghiên cứu vài năm gần đây cho thấy tuy đã có nhiều cơng trình sử dụng các mơ hình mờ
Fuzzy khác nhau để nhận dạng và điều khiển các hệ phi tuyến đa biến MISO và MIMO,
riêng mô hình mờ thích nghi kết hợp giải thuật tính tốn mềm tối ưu, cho đến vài năm gần
đây, vẫn chưa được quan tâm nghiên cứu đầy đủ.
4

Từ thực tế đó, đề tài đề xuất mơ hình mờ thích nghi với các trọng số được tối ưu bởi giải
thuật tối ưu, mang tính cấp thiết và tính mới rất cao, do vừa đáp ứng tính ứng dụng cho việc
điều khiển chính xác hệ cơ phi tuyến đa biến đang được dùng ngày càng nhiều trong mọi
lãnh vực (kinh tế, sản xuất, khoa học cơng nghệ,..), mà cịn vừa có thể đề xuất, thơng qua
các bài báo cơng bố trên các tạp chí quốc tế ISI (SCI/SCIE), các mơ hình, giải thuật và các
phương pháp điều khiển thích nghi nâng cao mới nhất và hiệu quả nhất dựa trên mơ hình
mờ. Qua đó có thể sử dụng rộng rãi trong các ứng dụng điều khiển nâng cao bền vững và
chính xác các hệ phi tuyến MIMO đa biến đang ngày càng phổ cập hiện nay.
Tài liệu tham khảo
[1]

Zadeh, L. A. (1965). Fuzzy sets. Information and control, 8(3), 338-353.

[2]

N. N. Son and H. P. H. Anh, “Adaptive MIMO neural network model optimized by differential
evolution algorithm for manipulator kinematic system identification,” in 2014 International
Conference on Automatic Control Theory and Application (ACTA- 14). Atlantis Press, 2014.

[3]

H. P. H. Anh and K. K. Ahn, “Identification of pneumatic artificial muscle manipulators by a
MGA-based nonlinear NARX fuzzy model,” Mechatronics, vol. 19, pp. 106–133, 2009.

[4]

O. Nelles, Nonlinear system identification: from classical approaches to neural networks and
fuzzy models. Springer Science & Business Media, 2013.

[5]

Y. J. Liu, Y. Gao, S. Tong, and Y. Li, “Fuzzy approximation-based adaptive backstepping
optimal control for a class of nonlinear discrete-time systems with dead-zone,” IEEE
Transactions on Fuzzy Systems, vol. 24, pp. 16–28, Feb 2016.

[6]

R. Storn and K. Price, “Differential evolution–a simple and efficient heuristic for global
optimization over continuous spaces,” Journal of global optimization, vol. 11, no. 4, pp. 341–
359, 1997.

[7]

T. Takagi and M. Sugeno, “Fuzzy identification of systems and its applications to modeling
and control,” IEEE Transactions on Systems Man and Cybernetics, vol. SMC-15, 01 1985.

[8]

J. Mendes, R. Araújo, and F. Souza, “Adaptive fuzzy identification and predictive control for
industrial processes,” Expert Systems with Applications, vol. 40, no. 17, pp. 6964–6975,
2013.

[9]

K. Łapa, K. Cpałka, and P. Koprinkova-Hristova, “New Method for Fuzzy Nonlinear
Modelling Based on Genetic Programming,” Springer International Publishing, pp. 432–449,
2016.

[10] T. Chen, Q. Shen, P. Su, and C. Shang, “Fuzzy rule weight modification with particle swarm

optimisation,” Soft Computing, vol. 20, no. 8, pp. 2923–2937, 2016.
[11] V. Jeyalakshmi and P. Subburaj, “PSO-scaled fuzzy logic to load frequency control in
hydrothermal power system,” Soft Computing, vol. 20, no. 7, pp. 2577–2594, 2016.
[12] J. Vieira, F. M. Dias, and A. Mota, “Neuro-fuzzy systems: a survey,” in 5th WSEAS NNA
International Conference, 2004.

5


[13] C.-T. Lin and C. Lee, “Neural fuzzy systems: a neuro-fuzzy synergism to intelligent systems.”
Prentice-Hall, Inc., 1996.
[14] K.-Y. Tu, T.-T. Lee, and W.-J. Wang, “Design of a multi-layer fuzzy logic controller for

multi-input multi-output systems,” Fuzzy Sets and Systems, vol. 111, 2000.
[15] Quanser, “Coupled tanks.” />[16] Kachitvichyanukul, Voratas. "Comparison of three evolutionary algorithms: GA, PSO, and
DE." Industrial Engineering and Management Systems, Vol. 11, No. 3, pp. 215-223, 2012.
[17] Rania Hassan, Babak Cohanim, Olivier de Weck, and Gerhard Venter. "A Comparison of
Particle Swarm Optimization and the Genetic Algorithm", 46th AIAA/ ASME/ ASCE/ AHS/
ASC Structures, Structural Dynamics and Materials Conference, Structures, Structural
Dynamics, and Materials and Co-located Conferences, />[18] Yen, V. T., Nan, W. Y., & Van Cuong, P. (2018). Recurrent fuzzy wavelet neural networks
based on robust adaptive sliding mode control for industrial robot manipulators. Neural
Computing and Applications, 1-14.
[19] Yen, V. T., Nan, W. Y., & Van Cuong, P. (2019). Robust adaptive sliding mode neural
networks control for industrial robot manipulators. International Journal of Control,
Automation and Systems, 17(3), 783-792.

[20] Nguyen, S. D., Choi, S. B., & Nguyen, Q. H. (2018). A new fuzzy-disturbance observerenhanced sliding controller for vibration control of a train-car suspension with magnetorheological dampers. Mechanical Systems and Signal Processing, 105, 447-466.
[21] Nguyen, S. D., & Seo, T. I. (2018). Establishing ANFIS and the use for predicting sliding
control of active railway suspension systems subjected to uncertainties and disturbances.
International Journal of Machine Learning and Cybernetics, 9(5), 853-865.
[22] Nguyen, S. D., Vo, H. D., & Seo, T. I. (2017). Nonlinear adaptive control based on fuzzy
sliding mode technique and fuzzy-based compensator. ISA transactions, 70, 309-321.
[23] Son, N. N., Kien, C. V., & Anh, H. P. H. (2019). Uncertain nonlinear system control using
hybrid fuzzy LQR-sliding mode technique optimized with evolutionary algorithm.
Engineering Computations.
[24] Van Kien, C., Son, N. N., & Anh, H. P. H. (2019). Adaptive Fuzzy Sliding Mode Control for
Nonlinear Uncertain SISO System Optimized by Differential Evolution Algorithm.
International Journal of Fuzzy Systems, 21(3), 755-768.

[25] Van Kien, C., Anh, H. P. H., & Nam, N. T. (2018). Cascade training multilayer fuzzy model
for nonlinear uncertain system identification optimized by differential evolution algorithm.
International Journal of Fuzzy Systems, 20(5), 1671-1684.
[26] Anh, H. P. H., Son, N. N., & Van Kien, C. (2018). Adaptive neural compliant force-position
control of serial PAM robot. Journal of Intelligent & Robotic Systems, 89(3-4), 351-369.

6


[27] Son, N. N., Anh, H. P. H., & Chau, T. D. (2018). Adaptive neural model optimized by
modified differential evolution for identifying 5-DOF robot manipulator dynamic system. Soft
Computing, 22(3), 979-988.

2. Mục tiêu
a) Mục tiêu tổng quát.
Đề tài nghiên cứu nhằm cố gắng phát triển các mơ hình mờ hoặc nơ ron thích nghi kết
hợp giải thuật tính tốn mềm tối ưu với các thông số được tối ưu bằng các thuật tốn lai tiến
hóa nâng cao (Hybrid Enhanced Evolutionary Algorithms) nhằm giúp điều khiển các hệ phi
tuyến đa biến được khảo sát. Bộ điều khiển đề xuất được chứng minh ổn định dùng lý
thuyết Lyapunov.
b) Mục tiêu cụ thể.
 Khảo sát các nghiên cứu liên quan, đề xuất giải thuật điều khiển dựa vào mơ hình mờ
hoặc nơ ron thích nghi kết hợp giải thuật tính tốn mềm tối ưu.
 Chứng minh tính ổn định, bền vững của bộ điều khiển đề xuất.

 Mô phỏng kiểm chứng chất lượng bộ điều khiển trên các hệ phi tuyến MIMO thông
dụng; so sánh và thống kê với các nghiên cứu khác để chứng tỏ hiệu quả của bộ điều
khiển đề xuất.
3. Phương pháp nghiên cứu
1.1 Nội dung 1: Đề xuất bộ điều khiển thích nghi cho hệ MIMO dựa vào mơ hình mờ/nơ rôn
kết hợp giải thuật tối ưu nâng cao.
 Cách tiếp cận: Dựa trên các bài báo quốc tế có hướng nghiên cứu tương tự.
 Phương pháp nghiên cứu, kỹ thuật sử dụng: Tham khảo các bài báo quốc tế tương tự, từ
đó đưa ra được hàm Lyapunov, chứng minh tốn học được hệ kín ổn định.
 Kết quả dự kiến: Hồn thành chứng minh tốn học tính ổn định của giải thuật dựa trên lý
thuyết ổn định Lyapunov.
1.2 Nội dung 2: Mô phỏng kiểm chứng giải thuật điều khiển đề xuất

 Cách tiếp cận: Mô phỏng trên phần mềm.
 Phương pháp nghiên cứu, kỹ thuật sử dụng: Sử dụng phần mềm Matlab mô phỏng giải
thuật điều khiển áp dụng cho một hệ phi tuyến MIMO phổ biến.
 Kết quả dự kiến: Mô phỏng thành công giải thuật, là tiền đề để áp dụng giải thuật vào
thực nghiệm.
1.3 Nội dung 3: Kiểm chứng thực nghiệm
7


 Cách tiếp cận: Tham khảo các mơ hình đã có trên thế giới, dựa trên đó xây dựng lại mơ
hình thực nghiệm; Áp dụng kết quả mơ phỏng từ phần mềm Matlab, áp dụng vào điều
khiển mơ hình thực.

 Phương pháp nghiên cứu, kỹ thuật sử dụng: Thiết kế mơ hình trên phần mềm, sau đó
làm mơ hình với các chi tiết được hoàn thiện.
 Kết quả dự kiến: Hồn thiện mơ hình phần cứng; Kiểm chứng giải thuật điều khiển đề
xuất; phân tích, thống kê, so sánh chất lượng điều khiển với các nghiên cứu khác.
1.4 Nội dung 4: Viết báo cáo tổng kết và bài báo khoa học
 Cách tiếp cận: Tiếp cận từ lý thuyết, mô phỏng kiểm chứng, phân tích, so sánh với các
nghiên cứu khác.
 Phương pháp nghiên cứu, kỹ thuật sử dụng: Phân tích, viết báo cáo
 Kết quả dự kiến: Bài báo đăng trong danh mục ISI (SCI/SCIE); Quyển báo cáo tổng kết
các nội dung nghiên cứu của đề tài.

4. Tổng kết về kết quả nghiên cứu

4.1 Mơ hình thí nghiệm.
Mơ hình thí nghiệm bồn nước đơi được làm dựa trên thiết kế từ hãng Quanser. Tuy nhiên là
phiên bản cấu hình có 4 bồn nước được kết nối như Hình 1.

Hình 1. Mơ hình bồn nước đơi
Mơ hình thực tế được thi công bằng phương pháp cắt laser với vật liệu là mica dày 0.8cm
(Hình 2).
8


Kích thước mơ hình được gia cơng chính xác đảm bảo các thơng số ban đầu khi thiết kế.

Hình 2. Mơ hình bồn nước đơi thực tế
4.2 Chương trình Matlab
Chương trình điều khiển trên Matlab chạy Realtime với Realtime Windows targer với
Arduino Due (lõi ARM 32 bit) (Hình 3)

Quadrature Tanks

Hình 3. Sơ đồ điều khiển trên Matlab
9


4.3 Kết quả đào tạo

Đề tài có tham gia đào tạo, hướng dẫn 01 nhóm sinh viên làm đề tài khóa luận tốt nghiệp:
1. Nguyễn Hữu Nghĩa
2. Lê Hồng Tồn Thắng
“Đánh giá các phương án thu thập dữ liệu, điều khiển, giám sát hệ bồn nước đôi”
Đã bảo vệ tháng 1 năm 2020

4.4 Tài liệu phục vụ giảng dạy
Một phần trong nội dung đề tài được chuyển thành tài liệu giảng dạy sinh viên trong môn
Thực hành điều khiển thông minh. Cụ thể là các bài: Bài 1, Bài 2, Bài 3, Bài 4 môn thực
hành điều khiển thông minh đã giảng dạy ở học kỳ 2 năm học 2019-2020

4.5 Bài báo khoa học

Kết quả của đề tài còn được cơng bố trên tạp chí ISI có điểm IF là 3.050 (2019)
Van Kien, C., Anh, H.P.H. & Son, N.N. “Inverse–adaptive multilayer T–S fuzzy controller
for uncertain nonlinear system optimized by differential evolution algorithm”. Soft
Computing (2020). IF: 3.050
/> />
5. Đánh giá các kết quả đã đạt được và kết luận
Với các kết quả đạt được về mặt khoa học và thực tiễn, tác giả tin rằng đề tài nghiên cứu
đã đáp ứng được tất cả yêu cầu đặt ra ban đầu của đề tài, cũng như đáp ứng đầy đủ tất cả các
nội dung theo hợp đồng đã ký kết của đề tài.

10

6. Tóm tắt kết quả (tiếng Việt và tiếng Anh)
Đề tài đề xuất giải thuật điều khiển kết hợp giữa thuật toán nhận dạng tối ưu và giải
thuật điều khiển thích nghi áp dụng vào điều khiển mực chất lỏng mơ hình bồn nước đơi.
Kết đạt được một bài báo đăng tạp chí ISI. Khơng những thế, một phần nội dung nghiên cứu
được áp dụng vào giảng dạy ở môn thực hành điều khiển thơng minh và góp phần đào tạo
được 02 sinh viên bảo vệ thành cơng khóa luận tốt nghiệp.
The project proposes a novel control algorithm combining optimal identification
algorithm and adaptive control algorithm applied to liquid level control in double water tank
model. The results of project have been published in a ISI journal. Not only that, a part of
the research content is applied to teaching in intelligent control practice and contributes to
the training of 02 students who successfully defend the graduation thesis.

11


III. Sản phẩm đề tài, công bố và kết quả đào tạo
3.1. Kết quả nghiên cứu ( sản phẩm dạng 1,2,3)
TT

Tên sản phẩm

Yêu cầu khoa học hoặc/và chỉ tiêu
kinh tế - kỹ thuật

Đăng ký

Đạt được

1

Mơ hình phần cứng bồn
nước đơi

Mơ hình hoạt động ổn
định, kết quả đáng tin
cậy

Mơ hình hoạt động ổn
định, kết quả đáng tin
cậy

2

Chương trình mơ phỏng.

3

Kết quả đào tạo đại học

4

Tài liệu phục vụ giảng dạy

- Được xây dựng trên
cơng cụ Simulink của
Matlab.
- Dễ đọc, có giải thích
chi tiết để dễ áp dụng.
Ít nhất 1 sinh viên hồn
thành khóa luận

Tài liệu hướng dẫn 01 bài
thí nghiệm mơn Thí
nghiệm Điều Khiển
Thơng Minh bài
PID/Fuzzy.

- Được xây dựng trên
cơng cụ Simulink của
Matlab.
- Dễ đọc, có giải thích chi
tiết để dễ áp dụng.
Ít nhất 1 sinh viên hồn

thành khóa luận
Tài liệu hướng dẫn 01 bài
thí nghiệm mơn Thí
nghiệm Điều Khiển Thơng
Minh bài PID/Fuzzy.

5

Bài báo khoa học đăng trên 01 bài báo ISI
tạp chí ISI
Ghi chú:

01 bài báo ISI

- Các ấn phẩm khoa học (bài báo, báo cáo KH, sách chuyên khảo…) chỉ được chấp
nhận nếu có ghi nhận địa chỉ và cảm ơn trường ĐH Công Nghiệp Tp. HCM đã cấp kính phí
thực hiện nghiên cứu theo đúng quy định.
- Các ấn phẩm (bản photo) đính kèm trong phần phụ lục minh chứng ở cuối báo cáo.
(đối với ấn phẩm là sách, giáo trình cần có bản photo trang bìa, trang chính và trang cuối
kèm thơng tin quyết định và số hiệu xuất bản)
3.2. Kết quả đào tạo
Thời gian
Tên đề tài
TT Họ và tên

thực hiện đề tài
Tên chuyên đề nếu là NCS
Đã bảo vệ
Tên luận văn nếu là Cao học
Nghiên cứu sinh
Học viên cao học
Sinh viên Đại học
- Nguyễn Hữu
Nghĩa
- Lê Hoàng Toàn
Thắng
Ghi chú:

Đánh giá các phương án thu thập
dữ liệu, điều khiển, giám sát hệ
bồn nước đôi”

Đã bảo vệ
tháng 1
năm 2020

12

- Kèm bản photo trang bìa chuyên đề nghiên cứu sinh/ luận văn/ khóa luận và bằng/giấy
chứng nhận nghiên cứu sinh/thạc sỹ nếu học viên đã bảo vệ thành công luận án/ luận
văn;( thể hiện tại phần cuối trong báo cáo khoa học)
IV. Tình hình sử dụng kinh phí
T
T
A
1
2
3
4
5

6
7
8
B
1
2

Nội dung chi
Chi phí trực tiếp
Th khốn chun mơn
Ngun, nhiên vật liệu, cây con..
Thiết bị, dụng cụ

Cơng tác phí
Dịch vụ th ngồi
Hội nghị, hội thảo,thù lao nghiệm thu giữa kỳ
In ấn, Văn phịng phẩm
Chi phí khác
Chi phí gián tiếp
Quản lý phí
Chi phí điện, nước
Tổng số

Kinh phí
được duyệt

(triệu đồng)

Kinh phí
thực hiện
(triệu đồng)

80.000.000

80.000.000

Ghi
chú

V. Kiến nghị ( về phát triển các kết quả nghiên cứu của đề tài)
Nhân rộng mơ hình phần cứng bồn nước liên kết 06 bộ để triển khai giảng dạy trong thực tế với sĩ
số sinh viên 1 ca học từ 20-30 sinh viên.

VI. Phụ lục sản phẩm ( liệt kê minh chứng các sản phẩm nêu ở Phần III)
 Phụ lục 5.1. Bản vẽ mơ hình phần cứng bồn nước đơi.  Phụ lục 5.2. Tài liệu hướng dẫn
thí nghiệm.  Phụ lục 5.3. Minh chứng bài báo đăng tạp chí ISI

Chủ nhiệm đề tài

Tp. HCM, ngày ........ tháng........ năm .......

Phòng QLKH&HTQT
(ĐƠN VỊ)
Trưởng (đơn vị)
(Họ tên, chữ ký)

13


PHẦN II. BÁO CÁO CHI TIẾT ĐỀ TÀI NGHIÊN CỨU KHOA HỌC
CHƯƠNG 1. TỔNG QUAN
1.1 Đặt vấn đề
Bài toán nhận dạng và điều khiển các hệ phi tuyến đa biến dựa trên mơ hình tốn học

chặt chẽ ngày càng tỏ ra bế tắc, do tính phi tuyến phức tạp của hệ phi tuyến đa biến được
khảo sát, do các yếu tố không ổn định (uncertainties) bên trong và của cả mơi trường ngồi
hệ thống. Vì thế ngày càng có nhiều nghiên cứu tập trung vào các mơ hình và các bộ ước
lượng và điều khiển ứng dụng tính tốn mềm dựa trên mạng nơ rôn hoặc logic mờ.
Phát triển từ các thành tựu gần đây, đề tài này sẽ phát triển và khai thác mơ hình mờ
thích nghi ứng dụng trong điều khiển hệ phi tuyến đa biến nhiều ngõ vào, nhiều ngõ ra
(MIMO). Cấu trúc mơ hình mờ thích nghi với các thông số được tối ưu bởi giải thuật tính
tốn tối ưu mềm, bằng cách cực tiểu hàm chỉ tiêu chất lượng có dạng bình phương sai số
nhỏ nhất (LMSE). Để đảm báo chất lượng, tính ổn định của bộ điều khiển được chứng minh
dựa theo lý thuyết ổn định Lyapunov.
Các hệ phi tuyến đa biến tiêu biểu như robot dạng người, tay máy cơ bắp nhân tạo
(PAM), mơ hình phi tuyến có trễ bồn nước liên kết đơi [15] sẽ được lựa chọn làm mơ hình

phi tuyến đa biến MIMO thực chứng để kiểm chứng thực nghiệm tính ưu việt của các giải
thuật được đề xuất.
a) Tình hình nghiên cứu quốc tế
Từ khi Zadeh đề xuất mơ hình mờ Fuzzy năm 1965, đã có rất nhiều nghiên cứu trong
lĩnh vực này. Mơ hình Fuzzy được áp dụng trong rất nhiều lĩnh vực như y học, kỹ thuât, tài
chính, thống kê, v.v. [1]. Trong chuyên ngành điều khiển thông minh, giải thuật Fuzzy đã
ứng dụng thành công trong các mảng điều khiên, nhận dạng, phân lớp, phân nhóm,...
Hiện tại, có rất nhiều nghiên cứu về lĩnh vực nhận dạng với đủ các cách tiếp cận từ kinh
điển tới những phương pháp ứng dụng giải thuật thông minh, như mạng thần kinh Neural
[2], [3] hay mơ hình Fuzzy [4], [5]. Một trong những bài toán lớn trong lĩnh vực nhận dạng
thơng minh chính là nhận dạng mơ hình phi tuyến đa biến nhiều ngõ vào, nhiều ngõ ra
(MIMO-Multiple Inputs Multiple Outputs) bởi sự phức tạp và nhiều yếu tố không chắc chắn

(uncertainties) kèm theo.

14


Mơ hình MIMO phi tuyến đa biến rất khó để nhận dạng dựa vào các quan hệ toán học.
Để khắc phục nhược điểm đó cũng như lợi dụng khả năng tính tốn của máy tính, các cơng
cụ tính tốn tối ưu tiến hóa như GA, PSO đã được áp dụng trong việc nhận dạng tối ưu các
mơ hình nhận dạng thơng minh như mạng Neural hay mơ hình Fuzzy. Tuy nhiên các giải
thuật GA, PSO đều có những hạn chế như thuật tốn PSO tuy đơn giản, dễ lập trình, nhưng
dễ bị rơi vào cực trị cục bộ; thuật toán GA cho kết quả toàn cục tốt, nhưng mất nhiều thời
gian tính tốn [17]. Gần đây, giải thuật tiến hố vi sai (Differential Evolution - DE) [6] đang

trở nên phổ biến trong lĩnh vực tính tốn tối ưu. Nó cho kết quả tối ưu tồn cục và có thời
gian tính tốn ít hơn so với thuật tốn GA [16], [18]. Trong đề tài này, giải thuật DE sẽ được
ứng dụng để tối ưu mơ hình mờ thích nghi dùng cho bài toán điều khiển các hệ đa biến
MIMO phi tuyến.
Trong những năm gần đây, mơ hình mờ Takagi-Sugeno [7] được ứng dụng rộng rãi
trong nhiều lĩnh vực nhận dạng và điều khiển. Các tác giả trong [8] đã đề xuất một giải thuật
huấn luyện mơ hình Fuzzy T-S dùng phương pháp di truyền phân cấp (Hierarchical Genetic
Algorithm - HGA). Các tác giá trong [9] sử dụng GA để huấn luyện mơ hình mờ áp dụng
vào bài tốn nhận dạng một số mơ hình phi tuyến trong mơi trường Matlab/Simulink. Các
tác giả trong bài báo [10], [11] sử dụng giải thuật tối ưu bầy đàn PSO để tối ưu cấu trúc mơ
hình Fuzzy trong bài tốn phân lớp.
Giải thuật Fuzzy đang được sử dụng rộng rãi trong nhận dạng hệ phi tuyến SISO và

MIMO, nhưng đó mới chỉ áp dụng cho mơ hình có cấu trúc đơn giản. Đối với các mơ hình
phức tạp thực tế, thiết kế mơ hình mờ u cầu phải có thời gian tính tốn lâu hơn do có
nhiều hàm liên thuộc cùng số lượng luật mờ phức tạp. Các tác giả trong [3] sử dụng giải
thuật MGA huấn luyện mơ hình Fuzzy NARX dung nhận dạng sợi cơ khí nén nhân tạo ứng
dụng trong robot dịch vụ. Các tác giả trong [12] giới thiệu sơ đồ Fuzzy nhiều lớp như là một
phần của mảng Fuzzy-Neural.
Mơ hình Fuzzy nhiều lớp là một trong các phân lớp thuộc mảng Fuzzy-Neural [13],
[14]. Khơng như mơ hình Fuzzy cổ điển, mơ hình Fuzzy nhiều lớp rất khó xây dựng dựa
trên kinh nghiệm của người thiết kế, nó thường chỉ có thể được tạo ra hoặc được huấn luyện
với các giải thuật tính tốn tối ưu mềm. Nó có thể được áp dụng hiệu quả để nhận dạng các
hệ MIMO phức tạp và dễ dàng thay đổi cấu trúc, với độ phức tạp mơ hình chỉ tỉ lệ thuận
theo độ phức tạp của đối tượng MIMO phi tuyến. Tác giả của [14] sử dụng mơ hình Fuzzy

15


nhiều lớp trong điều khiển hệ thống con lắc ngược trên xe đẩy qua mô phỏng
Matlab/Simulink.
Từ khi Zadeh đề xuất mơ hình mờ Fuzzy năm 1965, đã có rất nhiều nghiên cứu trong
lĩnh vực này. Mơ hình Fuzzy được áp dụng trong rất nhiều lĩnh vực như y học, kỹ thuât, tài
chính, thống kê, v.v. [1]. Trong chuyên ngành điều khiển thông minh, giải thuật Fuzzy đã
ứng dụng thành công trong các mảng điều khiên, nhận dạng, phân lớp, phân nhóm,...
Hiện tại, có rất nhiều nghiên cứu về lĩnh vực nhận dạng với đủ các cách tiếp cận từ kinh
điển tới những phương pháp ứng dụng giải thuật thông minh, như mạng thần kinh Neural
[2], [3] hay mơ hình Fuzzy [4], [5]. Một trong những bài toán lớn trong lĩnh vực nhận dạng

thơng minh chính là nhận dạng mơ hình phi tuyến đa biến nhiều ngõ vào, nhiều ngõ ra
(MIMO-Multiple Inputs Multiple Outputs) bởi sự phức tạp và nhiều yếu tố khơng chắc chắn
(uncertainties) kèm theo.
Mơ hình MIMO phi tuyến đa biến rất khó để nhận dạng dựa vào các quan hệ tốn học.
Để khắc phục nhược điểm đó cũng như lợi dụng khả năng tính tốn của máy tính, các cơng
cụ tính tốn tối ưu tiến hóa như GA, PSO đã được áp dụng trong việc nhận dạng tối ưu các
mơ hình nhận dạng thơng minh như mạng Neural hay mơ hình Fuzzy. Tuy nhiên các giải
thuật GA, PSO đều có những hạn chế như thuật tốn PSO tuy đơn giản, dễ lập trình, nhưng
dễ bị rơi vào cực trị cục bộ; thuật tốn GA cho kết quả tồn cục tốt, nhưng mất nhiều thời
gian tính tốn [17]. Gần đây, giải thuật tiến hoá vi sai (Differential Evolution - DE) [6] đang
trở nên phổ biến trong lĩnh vực tính tốn tối ưu. Nó cho kết quả tối ưu tồn cục và có thời
gian tính tốn ít hơn so với thuật toán GA [16], [18]. Trong đề tài này, giải thuật DE sẽ được

ứng dụng để tối ưu mơ hình mờ thích nghi dùng cho bài tốn điều khiển các hệ đa biến
MIMO phi tuyến.
Trong những năm gần đây, mô hình mờ Takagi-Sugeno [7] được ứng dụng rộng rãi
trong nhiều lĩnh vực nhận dạng và điều khiển. Các tác giả trong [8] đã đề xuất một giải thuật
huấn luyện mô hình Fuzzy T-S dùng phương pháp di truyền phân cấp (Hierarchical Genetic
Algorithm - HGA). Các tác giá trong [9] sử dụng GA để huấn luyện mơ hình mờ áp dụng
vào bài tốn nhận dạng một số mơ hình phi tuyến trong môi trường Matlab/Simulink. Các
tác giả trong bài báo [10], [11] sử dụng giải thuật tối ưu bầy đàn PSO để tối ưu cấu trúc mơ
hình Fuzzy trong bài tốn phân lớp.

16

Giải thuật Fuzzy đang được sử dụng rộng rãi trong nhận dạng hệ phi tuyến SISO và
MIMO, nhưng đó mới chỉ áp dụng cho mơ hình có cấu trúc đơn giản. Đối với các mơ hình
phức tạp thực tế, thiết kế mơ hình mờ u cầu phải có thời gian tính tốn lâu hơn do có
nhiều hàm liên thuộc cùng số lượng luật mờ phức tạp. Các tác giả trong [3] sử dụng giải
thuật MGA huấn luyện mơ hình Fuzzy NARX dung nhận dạng sợi cơ khí nén nhân tạo ứng
dụng trong robot dịch vụ. Các tác giả trong [12] giới thiệu sơ đồ Fuzzy nhiều lớp như là một
phần của mảng Fuzzy-Neural.
Mơ hình Fuzzy nhiều lớp là một trong các phân lớp thuộc mảng Fuzzy-Neural [13],
[14]. Không như mô hình Fuzzy cổ điển, mơ hình Fuzzy nhiều lớp rất khó xây dựng dựa
trên kinh nghiệm của người thiết kế, nó thường chỉ có thể được tạo ra hoặc được huấn luyện
với các giải thuật tính tốn tối ưu mềm. Nó có thể được áp dụng hiệu quả để nhận dạng các

hệ MIMO phức tạp và dễ dàng thay đổi cấu trúc, với độ phức tạp mơ hình chỉ tỉ lệ thuận
theo độ phức tạp của đối tượng MIMO phi tuyến. Tác giả của [14] sử dụng mơ hình Fuzzy
nhiều lớp trong điều khiển hệ thống con lắc ngược trên xe đẩy qua mơ phỏng
Matlab/Simulink.
b) Tình hình nghiên cứu trong nước
Trong nước, cũng có nhiều phịng thí nghiệm nghiên cứu mạnh về lĩnh vực điều khiển
ứng dụng mơ hình mờ thích nghi như: V.T. Yen và cộng sự [18], [19] sử dụng mơ hình mờ
thích nghi hồi qui và mơ hình nơ ron thích nghi điều khiển hệ robot cơng nghiệp. Nhóm tác
giả Sy Dung Nguyen và cộng sự [20-22] sử dụng mơ hình ANFIS trong ứng dụng điều
khiển hệ giảm chấn. Nhóm tác giả Cao Văn Kiên, Nguyễn Ngọc Sơn và Hồ Phạm Huy Ánh
[23-27] cũng đã có những nghiên cứu sơ khởi về hướng đề tài kết hợp giữa các thuật tốn
thích nghi và giải thuật tối ưu được công bố trong các năm gần đây như bài báo [23] kết hợp

giải thuật lai giữa thuật toán LQR kết hợp mơ hình mờ và giải thuật tối ưu. Bài báo [24] áp
dụng giải thuật điều khiển mờ thích nghi kết hợp thuật toán tối ưu DE. Bài báo [25],[27] áp
dụng giải thuật tối ưu nhận dạng tham số mơ hình mờ, nơ ron để mơ tả đặc tính tốn học của
các mơ hình phi tuyến. Bài báo [26] áp dụng kỹ thuật điều khiển nơ ron thích nghi điều
khiển hệ tay máy PAM.
c) Đánh giá kết quả các cơng trình nghiên cứu đã cơng bố
Tuy nghiên các cơng trình nghiên cứu chỉ áp dụng phương pháp điều khiển thích nghi
dựa vào lý thuyết ổn định Lyapunov có cải tiến. Hướng tiếp cận áp dụng cả giải thuật điều
17


khiển thích nghi kết hợp giải thuật tính tốn mềm tối ưu vẫn cịn chưa được quan tâm

nghiên cứu mạnh.
Nhóm nghiên cứu cũng đã có cơ sở làm thành cơng giải thuật điều khiển thích nghi kết
hợp giải thuật tính toán tối ưu điều khiển cho hệ SISO. Đây là cơ sở để nhóm tiếp tục
nghiên cứu nâng cao giải thuật áp dụng cho hệ MIMO sắp tới.
d) Tính cấp thiết tiến hành nghiên cứu
Các hệ phi tuyến đa biến ln ẩn chứa nhiều yếu tố bất định rất khó nhận dạng và điều
khiển. Vì vậy, các hệ thống điều khiển thơng thường được thiết kế dựa trên mơ hình toán
học của hệ vật lý truyền thống ngày càng tỏ ra hạn chế khi áp dụng cho các hệ phi tuyến đa
biến nói chung.
Bài tốn nhận dạng và điều khiển các hệ phi tuyến đa biến, cho đến nay vẫn đang là bài
toán lớn được nhiều nhà khoa học trong nước và thế giới quan tâm. Đặc biệt những năm gần
đây, các mơ hình tính tốn mềm (dùng lơ gic mờ, mạng nơ rơn, thuật tốn tiến hóa DE)

được ứng dụng nhiều để nhận dạng và điều khiển các hệ phi tuyến đa biến. Các kết quả
nghiên cứu vài năm gần đây cho thấy tuy đã có nhiều cơng trình sử dụng các mơ hình mờ
Fuzzy khác nhau để nhận dạng và điều khiển các hệ phi tuyến đa biến MISO và MIMO,
riêng mơ hình mờ thích nghi kết hợp giải thuật tính tốn mềm tối ưu, cho đến vài năm gần
đây, vẫn chưa được quan tâm nghiên cứu đầy đủ.
Từ thực tế đó, đề tài đề xuất mơ hình mờ thích nghi với các trọng số được tối ưu bởi giải
thuật tối ưu, mang tính cấp thiết và tính mới rất cao, do vừa đáp ứng tính ứng dụng cho việc
điều khiển chính xác hệ cơ phi tuyến đa biến đang được dùng ngày càng nhiều trong mọi
lãnh vực (kinh tế, sản xuất, khoa học cơng nghệ,..), mà cịn vừa có thể đề xuất, thơng qua
các bài báo cơng bố trên các tạp chí quốc tế ISI (SCI/SCIE), các mơ hình, giải thuật và các
phương pháp điều khiển thích nghi nâng cao mới nhất và hiệu quả nhất dựa trên mơ hình
mờ. Qua đó có thể sử dụng rộng rãi trong các ứng dụng điều khiển nâng cao bền vững và

chính xác các hệ phi tuyến MIMO đa biến đang ngày càng phổ cập hiện nay.
1.2 Mục tiêu
c) Mục tiêu tổng quát.
Đề tài nghiên cứu nhằm cố gắng phát triển các mơ hình mờ hoặc nơ ron thích nghi kết hợp
giải thuật tính tốn mềm tối ưu với các thơng số được tối ưu bằng các thuật tốn lai tiến hóa
nâng cao (Hybrid Enhanced Evolutionary Algorithms) nhằm giúp điều khiển các hệ phi
18


tuyến đa biến được khảo sát. Bộ điều khiển đề xuất được chứng minh ổn định dùng lý
thuyết Lyapunov.
d) Mục tiêu cụ thể.

 Khảo sát các nghiên cứu liên quan, đề xuất giải thuật điều khiển dựa vào mơ hình mờ
hoặc nơ ron thích nghi kết hợp giải thuật tính tốn mềm tối ưu.
 Chứng minh tính ổn định, bền vững của bộ điều khiển đề xuất.
 Mô phỏng kiểm chứng chất lượng bộ điều khiển trên các hệ phi tuyến MIMO thông
dụng; so sánh và thống kê với các nghiên cứu khác để chứng tỏ hiệu quả của bộ điều
khiển đề xuất.
1.3 Nội dung và phương pháp nghiên cứu
Nội dung 1: Đề xuất bộ điều khiển thích nghi cho hệ MIMO dựa vào mơ hình mờ/nơ rơn
kết hợp giải thuật tối ưu nâng cao.
 Cách tiếp cận: Dựa trên các bài báo quốc tế có hướng nghiên cứu tương tự.
 Phương pháp nghiên cứu, kỹ thuật sử dụng: Tham khảo các bài báo quốc tế tương tự, từ
đó đưa ra được hàm Lyapunov, chứng minh toán học được hệ kín ổn định.

 Kết quả dự kiến: Hồn thành chứng minh tốn học tính ổn định của giải thuật dựa trên lý
thuyết ổn định Lyapunov.
Nội dung 2: Mô phỏng kiểm chứng giải thuật điều khiển đề xuất
 Cách tiếp cận: Mô phỏng trên phần mềm.
 Phương pháp nghiên cứu, kỹ thuật sử dụng: Sử dụng phần mềm Matlab mô phỏng giải
thuật điều khiển áp dụng cho một hệ phi tuyến MIMO phổ biến.
 Kết quả dự kiến: Mô phỏng thành công giải thuật, là tiền đề để áp dụng giải thuật vào
thực nghiệm.
Nội dung 3: Kiểm chứng thực nghiệm
 Cách tiếp cận: Tham khảo các mơ hình đã có trên thế giới, dựa trên đó xây dựng lại mơ
hình thực nghiệm; Áp dụng kết quả mô phỏng từ phần mềm Matlab, áp dụng vào điều
khiển mơ hình thực.

 Phương pháp nghiên cứu, kỹ thuật sử dụng: Thiết kế mơ hình trên phần mềm, sau đó
làm mơ hình với các chi tiết được hoàn thiện.
19


 Kết quả dự kiến: Hồn thiện mơ hình phần cứng; Kiểm chứng giải thuật điều khiển đề
xuất; phân tích, thống kê, so sánh chất lượng điều khiển với các nghiên cứu khác.
Nội dung 4: Viết báo cáo tổng kết và bài báo khoa học
 Cách tiếp cận: Tiếp cận từ lý thuyết, mơ phỏng kiểm chứng, phân tích, so sánh với các
nghiên cứu khác.
 Phương pháp nghiên cứu, kỹ thuật sử dụng: Phân tích, viết báo cáo
 Kết quả dự kiến: Bài báo đăng trong danh mục ISI (SCI/SCIE); Quyển báo cáo tổng kết

các nội dung nghiên cứu của đề tài.

20


CHƯƠNG 2. THIẾT KẾ MƠ HÌNH THÍ NGHIỆM
2.1. Thiết kế mơ hình thí nghiệm.
Chương 2 tập trung vào việc thiết kế mơ hình phần cứng bồn nước đơi phịng theo thiết kế
mơ hình Coupled Tank của Quanser.
Kết quả mơ hình 3D được thể hiện ở Hinh 1. Và Bản vẽ để cắt laser được thể hiện ở Hình 2

Hình 1. Mơ hình thiết kế 3D

21


Hình 2. Bản cắt laser
Hình 2 thể hiện bản cắt laser trên vật liệu MICA day 0.8cm của toàn bộ mơ hình phần cứng
bồn nước đơi. Sau khi cắt xong, có thể ghép lại thành mơ hình hồn chỉnh.
Hình 3 thể hiện sơ đồ kết nối của mơ hình bồn nước đôi.

22

Hình 3. Sơ đồ mơ hình bồn nước đơi

Phương trình phi truyến của bồn nước liên kết đôi được thể hiện qua hệ phương trình biến
trạng thái


dx1




dt





dx2



dt






dx3



dt




dx4






 dt



K 1u1 (t ) b1C 2 gx1

A1

A1



K (1  2 )u2 (t ) b1C 2 gx1 b2 C 2 gx2


A2
A2
A2



K  2 u2 (t ) b3C 2 gx3

A3
A3



K (1 1 )u1 (t ) b3C 2 gx3 b4 C 2 gx4


A4

A4
A4

Bảng thông số mô hình:
Ký hiệu Ý nghĩa vật lý
A1,2,3,4
Đường kính lịng trong của Bể 1,2,3,4
b1,3
Đường kính ống thốt của Bể 1,3
b2,4
Đường kính ống thoát của Bể 2,4
H

Độ cao bồn chứa
K
Hằng số bơm

Giá trị [đơn vị]
16.619(cm2)
0.5027(cm2)
0.3318(cm2)
30 (cm)
6.94(cm3/(s.V))

23

Thơng số mơ hình bồn nước Quanser (Hình 4)

Hình 4. Mơ hình bồn nước của Quanser

24