Ứng dụng mạng noron để thiết kế bộ điều khiển theo mô hình mẫu cho một số đối tượng trong công nghiệp

Lê Thu Thủy<br /> <br /> Tạp chí KHOA HỌC & CÔNG NGHỆ<br /> <br /> 102(02): 105 - 109<br /> <br /> ỨNG DỤNG MẠNG NORON ĐỂ THIẾT KẾ BỘ ĐIỀU KHIỂN THEO MÔ HÌNH<br /> MẪU CHO MỘT SỐ ĐỐI TƯỢNG TRONG CÔNG NGHIỆP<br /> Lê Thu Thủy*<br /> Trường Đại học Kỹ thuật Công nghiệp - ĐH Thái Nguyên<br /> <br /> TÓM TẮT<br /> Bài báo này trình bày một phương pháp để thiết kế bộ điều khiển cho một số đối tượng tuyến tính<br /> và phi tuyến theo mô hình mẫu để cải thiện nâng cao chất lượng điều khiển. Hệ thống nhận dạng<br /> và điều khiển dùng mạng nơron này có thể áp dụng cho một số đối tượng trong công nghiệp như:<br /> hệ thống xử lý nước thải và một số đối tượng động học phi tuyến khác.<br /> Từ khóa:<br /> <br /> ĐẶT VẤN ĐỀ*<br /> Trong những năm gần đây mạng nơron nhân<br /> tạo ANN (Artificial Neural Network) ngày<br /> càng được ứng dụng rộng rãi trong nhận<br /> dạng, điều khiển. Đặc biệt trong lĩnh vực kỹ<br /> thuật môi trường, ANN ngày càng chứng tỏ<br /> được vai trò trong nhận dạng và điều khiển<br /> các quá trình xử lý phức tạp mà tỏ ra ưu điểm<br /> hơn so với phương pháp khác.<br /> NỘI DUNG NGHIÊN CỨU<br /> Sử dụng mạng nơron để nhận dạng, điều khiển<br /> đối tượng tuyến tính và đối tượng phi tuyến.<br /> <br /> Bộ điều<br /> khiển bằng<br /> mạng nơron<br /> <br /> u<br /> <br /> y<br /> <br /> ĐTĐK<br /> <br /> x<br /> <br /> e<br /> <br /> Hình 1. Bộ điều khiển thể hiện bằng mạng nơ-ron<br /> trong cấu trúc điều khiển theo vòng hở<br /> <br /> - Điều khiển theo vòng kín<br /> <br /> x<br /> <br /> e<br /> <br /> Đưa ra một phương pháp ứng dụng mạng Nơ<br /> ron để thiết kế bộ điều khiển theo mô hình mẫu<br /> cho một số đối tượng tuyến tính và phi tuyến.<br /> <br /> _<br /> <br /> Bộ điều<br /> khiển bằng<br /> mạng<br /> nơron<br /> <br /> y<br /> <br /> u<br /> <br /> ĐT<br /> ĐK<br /> <br /> PHƯƠNG PHÁP NGHIÊN CỨU<br /> Cơ sở việc thiết kế bộ điều khiển bằng<br /> mạng Noron<br /> Khi thiết kế bộ điều khiển bằng mạng noron,<br /> gồm 2 bước:<br /> <br /> Hình 2. Bộ điều khiển bằng mạng nơron trong<br /> cấu trúc điều khiển theo vòng kín<br /> <br /> - Điều khiển với mô hình tham chiếu<br /> <br /> - Nhận dạng đối tượng;<br /> Bộ điều<br /> khiển<br /> bằng<br /> <br /> - Thiết kế bộ điều khiển nơron;<br /> Nhận dạng đối tượng<br /> <br /> mạng<br /> <br /> Nhận dạng tham số<br /> <br /> e<br /> <br /> -<br /> <br /> Nhận dạng mô hình<br /> Nhận dạng hệ thống (Mô hình nhận dạng<br /> song song và nối tiếp - song song)<br /> Thiết kế bộ điều khiển nơron<br /> <br /> x<br /> <br /> Bộ điều<br /> khiển<br /> bằng<br /> <br /> u<br /> <br /> y<br /> <br /> ĐTĐ<br /> K<br /> <br /> - Điều khiển theo vòng hở<br /> Hình 3. Mạng nơ ron được luyện bắt chước<br /> bộ điều khiển<br /> *<br /> <br /> Tel: 0988 109808, Email: lethuthuy@tnut.edu.vn<br /> <br /> 105<br /> <br /> Lê Thu Thủy<br /> <br /> Tạp chí KHOA HỌC & CÔNG NGHỆ<br /> <br /> Thiết kế điều khiển bằng mạng Nơron theo<br /> mô hình mẫu<br /> <br /> ym<br /> <br /> e<br /> <br /> Mô hình mẫu<br /> <br /> Reference input and target output<br /> <br /> Model output<br /> <br /> 1.5<br /> <br /> 1.5<br /> <br /> 1<br /> <br /> 1<br /> <br /> 0.5<br /> <br /> 0.5<br /> <br /> -<br /> <br /> W<br /> e<br /> <br /> NN<br /> <br /> -<br /> <br /> W<br /> <br /> 0<br /> <br /> NN controller<br /> <br /> x<br /> <br /> 102(02): 105 - 109<br /> <br /> Đối<br /> <br /> u<br /> <br /> -<br /> <br /> y<br /> <br /> 10<br /> <br /> 20<br /> <br /> 0<br /> <br /> 30<br /> <br /> -15<br /> <br /> 1.5<br /> <br /> 0<br /> <br /> 10<br /> <br /> 20<br /> <br /> Tạo 1 tập mẫu P,T<br /> Chọn cấu trúc mạng nơron NN controller.<br /> Kết hợp 2 mạng NN controller và mạng NN<br /> plant tạo thành mạng NN system sau đó dùng<br /> tập mẫu P,T huấn luyện mạng NN system sao<br /> cho hàm mục tiêu:<br /> N<br /> J = 1 ∑ e 2 ( k ) là bé nhất<br /> N k =1<br /> ỨNG DỤNG MẠNG NORON THEO MÔ<br /> HÌNH MẪU CHO MỘT SỐ ĐỐI TƯỢNG<br /> TUYẾN TÍNH VÀ PHI TUYẾN<br /> Với các đối tượng tuyến tính<br /> Nhận dạng đối tượng có hàm truyền:<br /> 1<br /> (1)<br /> G (s) = 2<br /> s + 0.4s + 1<br /> Sử dụng mạng NN động học tuyến tính để<br /> nhận dạng: với các tập mẫu vào (P), ra (T) để<br /> luyện mạng như sau:<br /> <br /> Error of model and plant<br /> <br /> x 10<br /> <br /> 0.5<br /> 0<br /> -0.5<br /> -1<br /> <br /> 0<br /> <br /> 5<br /> <br /> 10<br /> <br /> 15<br /> <br /> 20<br /> <br /> 25<br /> <br /> T<br /> <br /> 1.4<br /> <br /> 1.6<br /> 1.2<br /> <br /> 1.4<br /> <br /> Hình 7. Các kết quả luyện mạng<br /> <br /> Dùng sơ đồ Simulink để kiểm tra lại kết quả.<br /> <br /> Kết quả kiểm tra bằng Simulink:<br /> p{1}<br /> y {1}<br /> <br /> Step<br /> <br /> Ket xuat thuc<br /> <br /> p{2}<br /> <br /> Neural Network<br /> Sai so<br /> 1<br /> s2 +0.4s+1<br /> <br /> 1<br /> <br /> 1.2<br /> <br /> Mo hinh doi tuong<br /> <br /> 1<br /> <br /> Ket xuat dich<br /> <br /> 0.8<br /> <br /> 0.8<br /> 0.6<br /> <br /> Hình 8. Sơ đồ mô phỏng<br /> <br /> 0.6<br /> 0.4<br /> <br /> 0.4<br /> 0.2<br /> <br /> 0.2<br /> <br /> 0<br /> <br /> 5<br /> <br /> 10<br /> <br /> 15<br /> <br /> 20<br /> <br /> 25<br /> <br /> 0<br /> <br /> 30<br /> <br /> 0<br /> <br /> 5<br /> <br /> 10<br /> <br /> 15<br /> <br /> 20<br /> <br /> 25<br /> <br /> 30<br /> <br /> Hình 5. Các tập mẫu (P) và (T)<br /> <br /> Tiến hành luyện mạng ta có được kết quả:<br /> Performanc e is 2.79546e-032, Goal is 1e-032<br /> <br /> 0<br /> <br /> 10<br /> <br /> -5<br /> <br /> 10<br /> <br /> -10<br /> <br /> 10<br /> Training-Blue G<br /> oal-Black<br /> <br /> 30<br /> <br /> 1.6<br /> <br /> 1.8<br /> <br /> 0<br /> <br /> 30<br /> <br /> 1<br /> <br /> Hình 4. Mạng nơ ron theo mô hình mẫu<br /> <br /> 2<br /> <br /> 0<br /> <br /> -15<br /> <br /> 10<br /> <br /> -20<br /> <br /> 10<br /> <br /> -25<br /> <br /> 10<br /> <br /> -30<br /> <br /> 10<br /> <br /> 0<br /> <br /> 1<br /> <br /> 2<br /> <br /> 3<br /> <br /> 4<br /> <br /> 5<br /> <br /> 6<br /> <br /> 7<br /> <br /> 7 Epoc hs<br /> <br /> Hình 6. Các kỉ nguyên luyện mạng<br /> <br /> 106<br /> <br /> Hình 9. Kết quả kiểm chứng<br /> <br /> Lê Thu Thủy<br /> <br /> Tạp chí KHOA HỌC & CÔNG NGHỆ<br /> <br /> Với các đối tượng phi tuyến.<br /> Bài toán : Bể xử lý nước thải.<br /> *. Nhận dạng hệ thống xử lý nước thải<br /> Sơ đồ hệ thống xử lý nước thải.<br /> nước thải có tính<br /> acid<br /> <br /> u<br /> nước thải<br /> trung tính<br /> <br /> Máy trộn<br /> Hình 10. Sơ đồ xử lý hệ thống nước thải<br /> <br /> Phương trình hệ thống là:<br /> - Mô hình toán học của quá trình xử lý nước<br /> thải như sau [1]:<br /> V y& = Fa - Fy - ub – uy<br /> + V là thể tích của bể chứa (L)<br /> + F là tốc độ dòng chảy của chất thải có axít<br /> (L/sec)<br /> + a nồng độ mol/l của nước thải có tính axít<br /> (moles/L)<br /> + b nồng độ mol/l của ba zơ (moles/L)<br /> + u là tốc độ dòng chảy của bazơ(L/sec)<br /> Thay các thông số của hệ thống xử lý nước<br /> thải vào phương trình ta được:<br /> y& = 0.00005 - 0.05y - 0.0005u - 0.5uy (2)<br /> Để nhận dạng được hệ thống xử lý nước thải,<br /> tác giả sử dụng một mạng nơron gọi tên<br /> làNN1 model. Mạng này có sơ đồ khối như<br /> hình sau:<br /> <br /> P<br /> <br /> Hệ<br /> thống<br /> xử lý<br /> w,<br /> b<br /> NN<br /> Plant<br /> <br /> T<br /> <br /> 102(02): 105 - 109<br /> <br /> Bộ thông số (P,T) được dùng để huấn luyện<br /> mạng nơron của mô hình đối tượng.<br /> Sau khi huấn luyện mạng nơron, các thông số<br /> của mạng nơron như sau.<br /> net.iw{1,1} = [-2.6255<br /> 0.2811 -0.6148<br /> 0.5481]'<br /> net.b{1} = [5.4580 -1.5426<br /> 1.3953 0.0441]'<br /> net.b{2} = 0.5309<br /> net.lw{1,2} = [-1.4697<br /> 2.7814<br /> 1.9926<br /> 1.1968]'<br /> net.lw{2,1} = [0.0035 0.6984 0.1139 0.0320]<br /> Khi đó chương trình sẽ mô phỏng và cho kết<br /> quả như sau<br /> <br /> Hình 12. Đồ thị sai lệch giữa mô hình nơron và<br /> mô hình đối tượng.<br /> <br /> G (s) =<br /> <br /> 0 . 001<br /> ( 25 s + 1)( 30 s + 1)<br /> <br /> (3)<br /> <br /> Ứng dụng thiết kế bộ điều khiển theo mô<br /> hình mẫu<br /> - Hàm truyền đạt của mô hình mẫu được chọn<br /> như sau:<br /> <br /> e(k<br /> )<br /> <br /> Hình11. Mô hình mạng nơron của đối tượng<br /> <br /> Hình 13: Hàm trọng lượng của mô hình mẫu<br /> <br /> -Sau 250 giây thì hệ thống đạt được trạng thái<br /> xác lập với tín hiệu ra bằng không.<br /> 107<br /> <br /> Lê Thu Thủy<br /> <br /> Tạp chí KHOA HỌC & CÔNG NGHỆ<br /> <br /> 102(02): 105 - 109<br /> <br /> Mô hình mẫu trong simulink.<br /> <br /> Hình 14. Mô hình mẫu trong Simulink<br /> <br /> - Kết quả mô phỏng với tín hiệu đặt<br /> ref = 0.000001, a = 0.0005 và sơ kiện y(0) =<br /> 0.05<br /> <br /> Thiết kế bộ điều khiển nơ-ron<br /> TD<br /> L<br /> LW1,3<br /> <br /> IW1,1<br /> <br /> 1<br /> <br /> b1<br /> <br /> 1<br /> <br /> Hình 17. Kết quả mô phỏng với tín hiệu đặt; y(o)<br /> = 0.005.<br /> <br /> b2<br /> LW2<br /> <br /> LW<br /> <br /> 1<br /> <br /> b3<br /> <br /> LW1,5<br /> TDL<br /> Hình 15. Cấu trúc mạng nơ ron của bộ điều<br /> khiển được chọn<br /> <br /> Hình 18. Kết quả mô phỏng với tín hiệu đặt;<br /> y(o) = 0.05<br /> <br /> Kết quả mô phỏng với tín hiệu đặt<br /> ref = 0.000001, a = 0.0005 và sơ kiện y(0) =<br /> 0.02.<br /> <br /> Đồ thị sai lệch giữa tín hiệu đầu ra của mô<br /> hình đối tượng với đầu ra của mô hình mẫu.<br /> Kết quả sai lệch rất nhỏ.<br /> <br /> Hình 19. Kết quả mô phỏng với tín hiệu đặt;<br /> y(o) = 0.02<br /> <br /> Hình 16. Đồ thị sai lệch giữa tín hiệu ra của đối<br /> tượng với mô hình mẫu.<br /> <br /> Mô phỏng kết quả<br /> - Kết quả mô phỏng với tín hiệu đặt<br /> ref = 0.000001, a = 0.0015 và sơ kiện<br /> y(0)=0.005<br /> 108<br /> <br /> KẾT QUẢ NGHIÊN CỨU<br /> Bộ điều khiển nơron cho chất lượng của hệ<br /> thống tốt, đảm bảo tín hiệu đầu ra của đối<br /> tượng bám theo đầu ra mô hình mẫu với sai<br /> lệch nhỏ 5*10-3.<br /> Đặc điểm nổi bật của hệ thống điều khiển này<br /> là: Bộ điều khiển nơron và đối tượng điều<br /> khiển đều là hệ thống phi tuyến, nhưng khi<br /> kết hợp cả bộ điều khiển và đối tượng lại thì<br /> đây lại là một hệ thống tuyến tính.<br /> Hạn chế của phương pháp thiết kế bộ điều<br /> khiển nơron theo mô hình mẫu chính là khả<br /> <br /> Lê Thu Thủy<br /> <br /> Tạp chí KHOA HỌC & CÔNG NGHỆ<br /> <br /> năng huấn luyện mạng, nên việc xác định các<br /> tham số này không hề đơn giản, đòi hỏi phải<br /> huấn luyện mạng nhiều lần và khả năng tính<br /> toán, xử lý của máy tính với tốc độ cao.<br /> KẾT LUẬN<br /> Với ý tưởng của bài báo là đưa ra một phương<br /> pháp về việc thiết kế bộ điều khiển trên cơ sở<br /> mạng nơron cho một số đối tượng tuyến tính<br /> và phi tuyến. Sau khi thiết kế hoàn chỉnh<br /> trong những bài toán nhận dạng và điều khiển<br /> một số đối tượng tuyến tính và phi tuyến cho<br /> kết quả là mô hình toán học thể hiện dưới<br /> dạng nơron với sai lệch giữa đầu ra của đối<br /> tượng và đầu ra của mạng nơron rất nhỏ, cho<br /> nên mạng nơron sau khi huấn luyện có thể<br /> được sử dụng làm mô hình thay thế cho đối<br /> tượng trong quá trình thiết kế bộ điều khiển<br /> cũng như nghiên cứu đặc tính động học và mô<br /> phỏng đối tượng.<br /> <br /> 102(02): 105 - 109<br /> <br /> TÀI LIỆU THAM KHẢO<br /> [1]. Nguyễn Hữu Công. Nghiên cứu ứng dụng<br /> mạng noron để nhận dạng và điều khiển đối tượng<br /> phi tuyến. Đề tài NCKH cấp Bộ 2007.<br /> [2]. Bùi Công Cường, Nguyến Doãn Phước. Hệ<br /> mờ, mạng nơron và ứng dụng. Nhà xuất bản Khoa<br /> học và kỹ thuật. Hà Nội 2001.<br /> [3]. Nguyễn Duy Hưng. Về một phương pháp tổng<br /> hợp hệ điều khiển Mờ dung mạng Nơron ứng dụng<br /> trong công nghiệp. Luận án Tiến sỹ kỹ thuật. 2009.<br /> [4]. Đỗ Trung Hải, Ứng dụng lý thuyết mờ và<br /> mạng nơron để điều khiển hệ chuyển động. Luận án<br /> tiến sỹ kỹ thuật, Đại học Bách Khoa Hà Nội. 2008.<br /> [5]. Vũ Thanh Du. Nghiên cứu ứng dụng mạng<br /> nơron trong nhận dạng và điều khiển đối tượng<br /> phi tuyến. 2008<br /> [6]. M.Norgaard, O.Ravn, N.K. Poulsen and L.K.<br /> Hansen. Neural Network for Modelling and<br /> Control of Dynamic System. Springer 2000.<br /> [7]. Jaroslava Žilková, Jaroslav Timko, Peter<br /> Girovský. Nonlinear System Control Using Neural<br /> Networks. Department of Electrical Drives and<br /> Mechatronic, Technical University of Kosice,<br /> Hungary.<br /> <br /> SUMMARY<br /> AN APPLICATION OF NEURAL NETWORK TO DESIGN MODEL<br /> REFERENCE CONTROLLER FOR SOME INDUSTRIAL PLANTS<br /> Le Thu Thuy*<br /> College of Technology - TNU<br /> <br /> This paper presents one method to design a new controller for linear and non-linear systems in<br /> order to improve the control quality. This proposed identification and control model using neural<br /> network method can be applied to some industrial plants, such as: sewage treament systems and<br /> other non-linear systems.<br /> Key words: neural, linear and non-linear<br /> <br /> Ngày nhận bài:30/11/2012, ngày phản biện: 19/12/2012, ngày duyệt đăng:26/3/2013<br /> *<br /> <br /> Tel: 0988 109808, Email: lethuthuy@tnut.edu.vn<br /> <br /> 109<br /> <br />