Nghiên cứu ứng dụng mạng nơron truyền thẳng nhiều lớp trong điều khiển thích nghi vị trí động cơ điện một chiều khi có thông số và tải thay đổi

hợp. Thuật toán có dạng: 𝜃 𝑡 + 1 = 𝜃 𝑡 + Γ 𝑡 . e t 2.33 Với e(t) là sai lệch tại thời điểm t; Γ 𝑡 là số phụ thuộc vào đối tượng nhận dạng tại thời điểm t. 38 Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên Phương pháp nhận dạng đối tượng theo đặc tính vào-ra, là điểm mạnh về ứng dụng của mạng nơron. Sử dụng mạng nơron để nhận dạng đối tượng có nhiều ưu điểm hơn so với phương pháp nhận dạng truyền thống vì: Mạng nơron là hệ học và thích nghi có khả năng học on-line từ các số liệu quá khứ, do đó kết quả nhận dạng có thể đạt được độ chính xác rất cao. Mạng nơron là hệ xử lý song song do đó tốc độ tính toán cao, mà các phương pháp nhận dạng truyền thống khó có thể đạt được. Mặt khác mạng nơron là hệ MIMO (Many Input, Many Output), do đó rất tiện dùng khi nhận dạng cho đối tượng nhiều biến. Tóm lại bản chất “HỌC” mạng nơron có một trong những ứng dụng rất đặc trưng đó là nhận dạng đối tượng căn cứ vào đặc tính vào-ra của nó. Luận văn này quan tâm đến điều khiển thích nghi hệ thống, do đó chúng tôi sử dụng phương pháp nhận dạng quỹ đạo theo thời gian thực, theo đặc điểm vào-ra của đối tượng. 2.1.3 Mô tả toán học của đối tƣợng ở rời rạc Phương trình không gian trạng thái của đối tượng được biểu diễn ở dạng: 𝑑𝑥 𝑡 𝑑𝑡 = 𝑥 𝑡 ,𝑢 𝑡 2.34 𝑦 𝑡 = 𝑥 𝑡 ; Trong đó: 𝑥 𝑡 = 𝑥1 𝑡 , 𝑥2 𝑡 ,… , 𝑥𝑛 𝑡 𝑇 ; 𝑢 𝑡 = 𝑢1 𝑡 ,𝑢2 𝑡 ,… , 𝑢𝑛 𝑡 𝑇; 𝑦 𝑡 = 𝑦1 𝑡 ,𝑦2 𝑡 ,… ,𝑦𝑛 𝑡 𝑇; Tương ứng với hệ có p đầu vào, m đầu ra có bậc n với ui(t) là các đầu vào, xi(t) là các biến trạng thái và yi(t) là các đầu ra của hệ.  véc tơ bậc R n xR p và  bậc R m. Véc tơ x(t) biểu thị trạng thái của hệ thống theo thời gian t và được xác định tại thời điểm t0<t và đầu vào u được định nghĩa trong khoảng [t0, t]. Đầu ra y(t) là hàm phụ thuộc trạng thái x(t). Phương trình trạng thái viết ở dạng rời rạc: 𝑥 𝑘 + 1 = 𝜙 𝑥 𝑘 ,𝑢 𝑘 ; 𝑦 𝑘 = Ψ 𝑥 𝑘 ; 2.35 Trong đó: u(.), x(.), y(.) là các biến ở dạng rời rạc. Nếu (2.35) là dạng tuyến tính ta được: 𝑥 𝑘 + 1 = 𝐴𝑥 𝑘 + 𝐵𝑢 𝑘 ; 𝑦 𝑘 = 𝐶𝑥 𝑘 ; Với A, B, C là các ma trận tương ứng với cấp (nxn), (nxp), (mxn). * Đối tượng tuyến tính 39 Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên Cho hệ tuyến tính bất biến thời gian với thông số chưa biết, đối với hệ một đầu vào, một đầu ra (Single Input, Sing Output – SISO) để điều khiển và quan sát đối tượng, ma trận A, B và C của đối tượng ở dạng rời rạc được cho ở dạng. 𝑦𝑝 𝑘 + 1 = 𝛼𝑖𝑦𝑝 𝑘 − 𝑖 + 𝛽𝑗𝑢 𝑘 − 𝑗 2.36 𝑚−1 𝑗=0 𝑛−1 𝑖=1 Trong đó i, j là các hằng số chưa biết; mn. Tín hiệu ra yp(k+1) là tổ hợp tuyến tính của các giá trị quá khứ của cả tín hiệu đầu vào u(k-j) (j = 0, 1, 2,…, m-1) và tín hiệu đầu ra yp(k-i) (i = 1, 2, …, n) * Đối tượng phi tuyến Có 4 dạng đối tượng phi tuyến rời rạc biểu diễn như sau: - Dạng 1: 𝑦𝑝 𝑘 + 1 = 𝛼𝑖 𝑛−1 1 𝑦𝑝 𝑘 − 𝑖 + 𝑔 𝑢 𝑘 ,𝑢 𝑘 − 1 ,… ,𝑢 𝑘 −𝑚 + 1 ; 2.37 yp(k+1) phụ thuộc tuyến tính vào giá trị quá khứ yp(k-1) (i = 0, 1, …, n-1) và phụ thuộc phi tuyến vào giá trị quá khứ đầu vào u(k),…, u(k-m+1). - Dạng 2: yp k+1 =f yp k , yp k-1 ,…,yp k-n+1 + βi m-1 i=0 up k-i ; 2.38 g(.) Z -1 Z -1  Z -1  Z -1 Z -1 u(k) u(k-1) u(k-m+1) yp(k+1) yp(k) yp(k) yp(k-1) yp(k-n+1) Hình 2.5 Mô hình dạng 1 40 Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên yp(k+1) phụ thuộc tuyến tính vào giá trị quá khứ đầu vào u(k-i) (i = 0,1,…, m-1), phụ thuộc phi tuyến vào giá trị quá khứ ra yp(k), …, yp(k-n+1). - Dạng 3: yp k+1 =f yp k ,yp k-1 ,…,yp k-n+1 , +g u k ,u k-1 ,…,u k-m+1 , ; 2.39 yp(k+1) phụ thuộc phi tuyến vào các giá trị quá khứ đầu vào u(k),..u(k-m+1), phụ thuộc phi tuyến vào giá trị quá khứ ra yp(k), yp(k-1),…,yp(k-n+1). - Dạng 4: yp k+1 =f yp k ,yp k-1 ,…,yp k-n+1 , ; u k ,u k-1 ,…,u k-m+1 , ; 2.40 g(.) Z -1 Z -1  Z -1 Z -1 Z -1 u(k) u(k-1) u(k-m+1) yp(k+1) yp(k) yp(k) yp(k-1) Hình 2.7 Mô hình dạng 3 g(.) yp(k-n+1) g(.) Z -1 Z -1  Z -1  Z -1 Z -1 u(k) u(k-1) u(k-m+1) yp(k+1 ) yp(k) yp(k) yp(k-1) yp(k-n+1) Hình 2.6 Mô hình dạng 2 41 Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên yp(k+1) phụ thuộc phi tuyến vào giá trị đầu ra quá khứ và phụ thuộc các giá trị đầu vào cùng các giá trị quá khứ của nó. Với u(k), yp(k) là các cặp tín hiệu vào-ra của đối tượng tại thời điểm k; m ≤ n. Các phi tuyến f(.), g(.) chưa biết của đối tượng, cần được tính toán gần đúng bởi mạng nơron có độ chính xác mong muốn. Số lượng các lớp, số nơron ở mỗi lớp và các mối liên kết giữa các nơron mỗi lớp với nhau của mạng nơron nhận dạng được chọn cần phù hợp với độ chính xác và đặc tính vào-ra của hàm phi tuyến tương ứng của đối tượng đã cho. 2.1.4 Mô hình dùng mạng nơron 2.1.4.1 Mô hình nhận dạng kiểu truyền thẳng (Forward Modelling) Mạng nơron nhận dạng nối song song với đối tượng, sai lệch e giữa đầu ra của đối tượng yp và đầu ra của mạng nơron 𝑦 𝑝 được sử dụng làm tín hiệu học sửa trọng số cho mạng nơron (hình 2.9) có dạng sau: Mạng Nơron Đối tượng u Nhiễu y p - + e Hình 2.9 Mô hình nhận dạng kiểu truyền thẳng f(.) Z -1 Z -1 Z -1 yp(k- 1) yp(k-n+1) yp(k+1) yp(k) Hình 2.8 Mô hình dạng 4 Z -1 Z -1 u(k) u(k-1) u(k-m+1) 42 Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên * Mô hình dạng song song - Với đối tượng tuyến tính: 𝑦 𝑝 𝑘 + 1 = 𝛼 𝑖 𝑘 𝑦 𝑝 𝑘 − 𝑖 + 𝑛−1 𝑖=1 𝛽 𝑗 𝑘 𝑢 𝑘 − 𝑗 𝑚−1 𝑗=0 2.41 Trong đó:𝛼 𝑖 𝑘 𝑖 = 0, 1,… ,𝑛 − 1 ; 𝛽 𝑗 𝑘 𝑗 = 0, 1,… ,𝑚− 1 ; 𝑦 𝑝 𝑘 + 1 là các thông số nhận dạng của (2.36). - Với đối tượng phi tuyến: + Dạng 1: 𝑦 𝑝 𝑘 + 1 = 𝛼 𝑖 𝑘 𝑦 𝑝 𝑘 − 𝑖 + 𝑛−1 𝑖=1 𝑔 𝑢 𝑘 ,𝑢 𝑘 − 1 ,… ,𝑢 𝑘 −𝑚 + 1 2.42 + Dạng 2: 𝑦 𝑝 𝑘 + 1 = 𝑓 𝑦 𝑝 ,𝑦 𝑝 𝑘 − 1 ,… , 𝑦 𝑝 𝑘 − 𝑛 + 1 + 𝛽 𝑗𝑢 𝑘 − 𝑗 𝑚−1 𝑗=0 2.43 + Dạng 3: 𝑦 𝑝 𝑘 + 1 = 𝑓 𝑦 𝑝 ,𝑦 𝑝 𝑘 − 1 ,… , 𝑦 𝑝 𝑘 − 𝑛 + 1 + 𝑢 𝑘 − 𝑚 + 1 ; 2.44 + Dạng 4: y p k+1 =f y p(k),y p k-1 ,…,y p k-n+1 ;u k ,…,u k-m+1 2.45 43 Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên Hình 2.10 là mô hình nhận dạng kiểu song song. Ở đây mô hình nhận dạng đặt song song với mẫu. Việc nhận dạng ở đây là ước lượng các tham số 𝛼 𝑖 cũng như các trọng số của mạng nơron sử dụng thuật toán lan truyền ngược động dựa vào sai lệch e(k) giữa lượng ra của mô hình 𝑦 𝑝(𝑘) và lượng ra thực yp(k). Trong cấu trúc này, vấn đề ổn định của hệ nhận dạng sử dụng mạng nơron như đã nói chưa đảm bảo chắc chắn và chưa được chứng minh. Vì vậy khi sử dụng mô hình song song sẽ không đảm bảo chắc chắn rằng các tham số sẽ hội tụ hoặc là sai lệch đầu ra sẽ tiến tới không. * Mô hình nối tiếp – song song - Đối tượng tuyến tính: 𝑦 𝑝 𝑘 + 1 = 𝛼 𝑖 𝑘 𝑦 𝑝 𝑘 − 𝑖 + 𝑛−1 𝑖=1 𝛽 𝑗 𝑘 𝑢 𝑘 − 𝑗 𝑚−1 𝑗=0 2.46 - Đối với dạng phi tuyến: + Dạng 1: 𝑦 𝑝 𝑘 + 1 = 𝑓 𝑦 𝑝 ,𝑦 𝑝 𝑘 − 1 ,… , 𝑦 𝑝 𝑘 − 𝑛 + 1 + 𝛽 𝑗𝑢 𝑘 − 𝑗 𝑚−1 𝑗=0 2.47 + Dạng 2: g N 0 1 Z -1 Z -1 0 1 Z -1 Z -1 + + + + + + + + - + e yp(k+1) e(k+1) y p(k+1) u(k) Hình 2.10 Mô hình nhận dạng kiểu song song 44 Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên 𝑦 𝑝 𝑘 + 1 = 𝑓 𝑦 𝑝 ,𝑦 𝑝 𝑘 − 1 ,… , 𝑦 𝑝 𝑘 − 𝑛 + 1 + 𝛽 𝑗𝑢 𝑘 − 𝑗 𝑚−1 𝑗=0 2.48 + Dạng 3: y p k+1 =f yp,yp k-1 ,…,yp k-n+1 +y u k ,u k-1 ,…,u k-m+1 ; 2.49 + Dạng 4: y p k+1 =f yp(k),yp k-1 ,…,yp k-n+1 ;u k ,u(k-1)…,u k-m+1 2.50 Hình 2.11 là mô hình nhận dạng nối tiếp-song song. Nó có nhiều ưu điểm hơn mô hình song song. Có tốc độ hội tụ cao, từ giả thuyết hệ ổn định BIBO nên tất cả các tín hiệu của quá trình nhận dạng (như các tín hiệu vào của mạng nơron) cũng bị giới hạn. Trong mô hình không tồn tại mạch vòng phản hồi, nhưng có thể dung thuật toán lan truyền ngược để điều chỉnh các tham số của hệ để làm giảm các phép tính toán. Kết thúc quá trình sẽ dẫn tới sai số đầu ra tiến tới giá trị rất nhỏ, vì vậy 𝑦𝑝 𝑘 = 𝑦 𝑝(𝑘). Mô hình nhận dạng nối tiếp-song song có thể thay thế bằng mô hình song song mà không ảnh hưởng lớn. Mô hình nối tiếp-song song được chú trọng hơn trong nghiên cứu. g N 0 1 Z -1 Z -1 0 1 Z -1 Z -1 + + + + + + + + - + e yp(k+1) e(k+1) y p(k+1) u(k) Hình 2.11 Mô hình nhận dạng kiểu nối tiếp-song song 45 Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên 2.1.4.2 Mô hình ngược trực tiếp (Direct Inverse Modelling) Tín hiệu ra của đối tượng yp là tín hiệu vào của mạng nơron. Tín hiệu ra ngược được so sánh với tín hiệu đặt ở đầu vào và sai lệch e được sử dụng là tín hiệu luyện mạng nơron hình 2.12. 2.1.5 Tính gần đúng hàm số dùng mạng nơron. Theo định lý Weierstrass có thể sử dụng các đa thức trong các sơ đồ khác nhau để tính toán gần đúng với độ chính xác tùy ý các hàm liên tục. Đã có một số kết quả về việc sử dụng mạng nơron truyền thẳng nhiều lớp có một hay nhiều lớp ẩn, với a(,) dạng sigmoid để tính toán gần đúng các hàm liên tục. Có thể thay thế hàm f(x) liên tục thuộc Rn bằng mạng nơron đủ rộng: 𝑓 𝑥 ≅ 𝑓 𝑥 =𝑊𝑇𝑎 𝑉𝑇𝑥 + 𝑒 2.51 Với W, V là véc tơ trọng số của tầng vào và tầng ẩn của mạng nơron; Sai lệch: 𝑒 = 𝑓 𝑥 − 𝑓 𝑥 2.51 Định nghĩa 1: Hàm 𝑓 𝑥 gọi là hàm mục tiêu của mạng nơron để mô tả đối tượng f(x) nếu thỏa mãn điều kiện e = 0 với mọi x thuộc Rn. - Hàm 𝑓 𝑥 được gọi là hàm mục tiêu gần đúng của mạng nơron nếu thỏa mãn điều kiện e ≤  với mọi x thuộc Rn;  là sai số cho phép. Định nghĩa 2: Các véc tơ N, W, V thuộc Rn được gọi là số nơron và trọng số lý tưởng của mạng nơron nếu thỏa mãn hàm mục tiêu 𝑓 𝑥 . Định lý: Cho (x) là hàm số đơn điệu, liên tục. Cho S thuộc Rn và 𝑓 (𝑥1,… , 𝑥𝑛) là các giá trị thực trong S. Cho  > 0. Sẽ tồn tại các số nguyên dương N và các hằng số thuộc Rn là: ci, I (i = 1, 2,…,N); wij (i = 1, 2,…,N; j = 1, 2,…,N) sao cho: 𝑓 𝑥1,… , 𝑥𝑛 = 𝑐𝑖𝑎 𝑤𝑖𝑗 𝑥𝑗 − 𝜃𝑖 𝑁 𝑗=1 𝑁 𝑖=1 2.52 Thỏa mãn: 𝑓 𝑥1, 𝑥2,… , 𝑥𝑛 − 𝑓 𝑥1, 𝑥2,… , 𝑥𝑛 ≤ 𝜀 Đối tượng Mạng nơron e - + u r yp Hình 2.12 Mô hình nhận dạng ngược trực tiếp 46 Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên Mạng (2.52) có 1 lớp ẩn, kết quả tương tự cho mạng nhiều lớp ẩn. 2.1.6 Mô hình mạng nơron trong nhận dạng và điều khiển. Giả thuyết rằng mạng nơron đủ rộng để có thể biểu diễn hàm số với độ chính xác cần thiết. 4 loại mô hình mạng sau đây được dùng để nhận dạng và điều khiển hệ phi tuyến, trong đó N, N1, N2 là các mạng nơron. W(z) có dạng: - Khâu trễ d bước: W(z) = z-d - Tổng hạn chế trong thời gian d: 𝑊 𝑧 = 𝛼𝑖𝑧 −1 𝑑 𝑖=1 - Hàm hữu tỉ: 𝑊 𝑧 = 𝑧 + 𝑎 𝑧2 + 𝑏𝑧 + 𝑐 + Mô hình 1 (Hình 2.13): Tín hiệu ra: y = W(z).v = W(z).N(u) 𝜕𝑒 𝑡 𝜕𝑤𝑖𝑗 = 𝜕𝑦 𝑡 𝜕𝑤𝑖𝑗 =𝑊 𝑧 𝜕𝑣 𝜕𝑤𝑖𝑗 wij là trọng số; v là tín hiệu ra của mạng N; Sai lệch: e(t) = y(t) – yd(t) + Mô hình 2: (Hình 2.14) 𝑦 = 𝑁1𝑣 = 𝑁1 𝑊 𝑧 .𝑁2𝑢 Với mạng N2 ta có: 𝜕𝑦 𝑡 𝜕𝑤𝑖𝑗 = 𝜕𝑦1 𝜕𝑣1 1 𝜕𝑣1 𝜕𝑤𝑖𝑗 wij là trọng số của mạng N 1; v là tín hiệu vào của mạng N1. Mô hình 3 (Hình 2.15): y = Nv = N(u + W(z)) 𝜕 𝑓 𝜕 𝑤𝑖𝑗 = 𝜕𝑓 𝜕𝑥 𝜕𝑥 𝜕𝑤𝑖𝑗 + 𝜕𝑓 𝜕𝑤𝑖𝑗 𝜕 𝑓 𝜕 𝑤𝑖𝑗 = 𝜕𝑁 𝑣 𝜕𝑣 𝜕𝑣 𝜕𝑤𝑖𝑗 + 𝜕𝑁 𝑣 𝜕𝑤𝑖𝑗 = 𝜕𝑁 𝑣 𝜕𝑣 𝑊 𝑧 𝜕 𝑦 𝜕 𝑤𝑖𝑗 + 𝜕𝑁 𝑣 𝜕𝑤𝑖𝑗 ∂ f ∂ wij là tổng các đạo hàm; ∂N v ∂v và ∂N v ∂wij là các ma trận Jacobian. + Mô hình 4 (Hình 2.16): 47 Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên y = N 1 v = N 1 [N 2 u + W(z)y] Mô hình giống như mô hình 2.15 nhưng phía trước có thêm mạng nơron N2, nhưng không làm ảnh hưởng đến sự tính toán xác định các thông số của mạng N1: 𝜕𝑦 𝜕𝑤𝑖𝑗 = 𝜕𝑁1 𝑣 𝜕𝑣 𝜕𝑣 𝜕𝑤𝑖𝑗 = 𝜕𝑁1 𝑣 𝜕𝑣 𝜕𝑁2 𝑢 𝜕𝑤𝑖𝑗 +𝑊 𝑧 𝜕𝑦 𝜕𝑤𝑖𝑗 2.2 Các phƣơng pháp ứng dụng mạng nơron trong điều khiển 2.2.1 Các phƣơng pháp ứng dụng mạng nơron trong điều khiển. 2.2.1.1 Điều khiển thích nghi sử dụng nguyên tắc chung. Sử dụng điều khiển cho các hệ thiếu thông tin, mạng làm việc với tín hiệu phản hồi có chất lượng thấp, có ưu điểm chỉ cần có một số lượng thông tin vừa đủ về đối tượng nên hạn chế được số lượng phép đo, phù hợp với phương pháp học củng cố. Các tài liệu ứng dụng phương pháp này thường sử dụng mạng 3 lớp truyền thẳng. 2.2.1.2 Điều khiển có tín hiệu chỉ đạo. Bộ điều khiển tự động được thiết kế bắt chước giống như hoạt động của con người. Mạng nơron có khả năng này: lựa chọn các hệ chuyên dùng sử dụng để cung cấp các nhận biết và dạng điều khiển tương ứng. Đầu vào của mạng tương ứng với các sen sơ cung cấp thông tin đầu vào của con người. Các tín hiệu mong muốn đầu ra cho quá trình học tương ứng với mục đích điều khiển. 2.2.1.3 Điều khiển theo mô hình. Tín hiệu mong muốn được mô tả bởi mô hình mẫu, định nghĩa bởi các cặp tín hiệu vào-ra (r(t), yr(t)). Hệ thống điều khiển cố gắng tạo ra tín hiệu ra của đối tượng yp(t) thỏa mãn: N W(z) Hình 2.13 u v N 2 W(z) Hình 2.14 u v N 1 y N W(z) Hình 2.15 u v y + + N 1 W(z) Hình 2.16 u v y + + N 2 48 Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên 𝑙𝑖𝑚 𝑦𝑟 𝑡 − 𝑦𝑝 𝑡 ≤ 𝜀 2.53 - Điều khiển trực tiếp: (Hình 2.17) Mạng nơron có nhiệm vụ tạo tín hiệu điều khiển u điều khiển đối tượng, sao cho sai lệch e = ym – yp ≤  (2.54) - Điều khiển gián tiếp: Sử dụng 2 mạng nơron 1 và 2 (Hình 2.18) + Mạng nơron 1: dùng để nhận dạng đối tượng, sai lệch được định nghĩa: 𝑒𝑝 = 𝑦 𝑝 − 𝑦𝑝 ≤ 𝜀𝑝 2.55 + Mạng nơron 2: tạo tín hiệu điều khiển u, sai lệch được định nghĩa: 𝑒 = 𝑦𝑚 − 𝑦𝑝 ≤ 𝜀 2.56 Phương pháp này có nhiều ưu điểm, trong luận văn này đã sử dụng điều khiển thích nghi đối tượng có tải thay đổi. Mô hình mẫu Đối tượng Mạng nơron 2 Nhiễu r e ym - e Hình 2.18 Mô hình điều khiển gián tiếp Mạng nơron 1 ep + Mô hình mẫu Đối tượng Mạng nơron Nhiễu r e u ym yp - e Hình 2.17 Mô hình điều khiển trực tiếp 49 Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên 2.2.1.4 Điều khiển ngược trực tiếp Là mô hình hệ thống ngược. Đó là hệ đơn giản với hệ thống điều khiển gồm kết quả nhận dạng giữa đáp ứng mong muốn như các đầu vào mạng và đầu ra hệ thống điều khiển. Như vậy mạng hoạt động như bộ điều khiển. 2.2.1.5 Điều khiển mô hình trong Hình 2.19 mô tả sơ đồ điều khiển mô hình trong sử dụng mạng nơron 1 đặt song song với đối tượng P có nhiệm vụ nhận dạng đối tượng. Sai lệch của đầu ra đối tượng P và mạng nơron 1 được sử dụng điều khiển bởi mạch vòng phản hồi. Tín hiệu phản hồi và tín hiệu đặt đầu vào được chế biến bởi bộ điều khiển C là mạng nơron 2 có mô hình truyền thẳng tạo tín hiệu điều khiển u; sử dụng bộ lọc tuyến tính được thiết kế thỏa mãn yêu cầu về độ bất biến của hệ thống. Điều khiển mô hình trong có thể điều khiển hệ phi tuyến. Trong dạng điều khiển này, vai trò của hệ thống đã được xem xét về việc phân tích ổn định và độ bất biến. 2.2.1.6 Điều khiển tối ưu Không gian trạng thái được chia thành các vùng đặc trưng tương ứng với các trạng thái điều khiển khác nhau. Sự nhận biết về bề mặt điều khiển thực hiện qua các thủ tục học. Từ đó bề mặt tối ưu thời gian, nhìn chung là phi tuyến, nó cần được sử dụng vào khả năng tính gần đúng bề mặt phi tuyến. Một khả năng cơ bản là lượng hóa không gian trạng thái vào các phần tử Hypercuber cơ bản, ở đó hoạt động điều khiển được giả thuyết không đổi. Quá trình này có thể sử dụng mạng liên kết Leteral. Bề mặt thay đổi không được biết trước, nhưng chúng được định nghĩa hoàn toàn bởi quá trình học của các điểm trong không gian trạng thái với điều khiển thích nghi đã được cho trước. Trong quá trình học, các luật học điều chỉnh trọng số của mạng trên cơ sở đưa véc tơ điều khiển về trạng thái mong muốn. Quá trình học của Đối tượng Mạng nơron 2 Nhiễu 2 r e yp - Hình 2.19 Sơ đồ điều khiển mô hình trong Mạng nơron 1 u + Lọc Nhiễu 1 - + 50 Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên véc tơ mẫu hiện có những điều khiển liên tục ở những thời điểm cho tới khi các véc tơ mẫu hoàn toàn được phân loại chính xác, hoặc cho đến khi các dạng sai lệch có giá trị không đổi. 2.2.1.7 Điều khiển tuyến tính thích nghi Mạng Hopfield được sử dụng làm bộ điều khiển cho hệ tuyến tính, các phần tử của các biến được sử dụng để xây dựng bộ điều khiển, kết quả xây dựng được bộ điều khiển có tính bền vững. Mạng Hopfield sử dụng là bộ điều khiển thích nghi hệ thống. Ở đây mạng thực hiện thuật toán thích nghi với tiêu chuẩn sai lệch bình phương cực tiểu. Phương pháp này có thể dùng cho hệ thống thời gian bất định và hệ thống thời gian không bất định. 2.2.1.8 Phương pháp bảng tra Mạng nơron được sử dụng như một liên kết bộ nhớ, lưu giữ mối quan hệ giữa thông số của bộ điều khiển với trạng thái của đối tượng. Mạng Hopfield và mạng CMAC được sử dụng trong trường hợp này. Bộ thông số của bộ điều khiển được thiết kết thỏa mãn các luật điều khiển tối ưu. 2.2.1.9 Điều khiển lọc Lọc là lĩnh vực rút ra được tín hiệu từ nhiễu. Như vậy phương pháp này có tác dụng loại bỏ tác dụng nhiễu. Cơ sở của phương pháp tính gần đúng bình phương nhỏ nhất, bỏ đi một số phần tử của dãy Wiener-Volterra. Các dãy này mô tả cho hệ phi tuyến, có ưu điểm thiết lập được quan hệ tuyến tính giữa các đầu ra và trọng số của mạng. Phương pháp có nhược điểm độ phức tạp và số lượng phép tính lớn, do đó nó chỉ được sử dụng vào hệ thống có mức độ phi tuyến yếu. Trường hợp đặc biệt của nhiễu là dạng hỗn loạn (Chaotic system) có thể tìm được biểu thức tuyến tính tương đương thỏa mãn lọc sai số cực tiểu, sử dụng mạng nơron theo luật lan truyền ngược theo sai lệch BP. 2.2.1.10 Điều khiển dự báo Là phương pháp ngoại suy, cung cấp các dãy phụ thuộc thời gian cho tương lai. Về phần lọc, nếu các dãy thời gian cớ bản đã biết nó có thể là nguyên tắc thiết kế các giá trị dự báo cho tương lai. Cơ sở thiết kế của trường hợp này là sự liên kết của nhiều dạng mẫu. Nó sử dụng mạng nơron như hình 2.20 tín hiệu điều khiển u’ được chọn sao cho thỏa mãn tiêu chuẩn bình phương cực tiểu. 51 Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên 2.2.2 Điều khiển thích nghi 2.2.2.1 Điều khiển thích nghi Điều khiển thích nghi là tổng hợp các kỹ thuật điều khiển nhằm tự động chỉnh định các bộ điều chỉnh trong mạch điều khiển nhằm thực hiện hay duy trì ở một mức độ nhất định, chất lượng của hệ khi thông số của quá trình được điều khiển không biết trước hay thay đổi theo thời gian. Từ khoảng 40 năm trở lại đây, lý thuyết điều khiển thích nghi đã thành một môn khoa học, được áp dụng nhiều trong kỹ thuật làm cải thiện chất lượng, tăng năng suất, hạ giá thành sản phẩm, giảm chi phí năng lượng… * Phân loại hệ thích nghi: Căn cứ vào các tiêu chuẩn - Căn cứ vào đặc tính đối tượng mà phân ra các loại: + Hệ cực trị: bản thân đối tượng có đặc tính cực đại hay cực tiểu. + Hệ giải tích: cực trị được hình thành một cách gián tiếp. - Tùy thuộc vào nguồn thông tin về đối tượng mà phân ra các loại: + Điều khiển trực tiếp: Điều khiển không thông qua nhận dạng. + Điều khiển gián tiếp: Điều khiển thông qua nhận dạng. - Căn cứ vào có hay không có mô hình mẫu trong hệ thống mà phân ra các loại: Hệ học; Hệ tự học. - Căn cứ vào dạng của mạch thích nghi mà phân ra các loại: Hệ có mạch thích nghi hở; Hệ có mạch thích nghi kín. - Căn cứ vào độ phức tạp của mạch tự chỉnh mà phân ra các loại: + Hệ tự chỉnh: Mạch tự chỉnh chỉ thay đổi thông số. Đối tượng Mạng nơron 1 yp Hình 2.20 Sơ đồ điều khiển theo phương pháp dự báo Mạng nơron 2 Nhiễu Luật tối ưu Mô hình mẫu u r y r 52 Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên + Hệ tự tổ chức: Mạch tự chỉnh thay đổi cả thông số và cấu trúc. Ngoài ra còn có nhiều tiêu chuẩn phân loại khác. Sau đây luận văn đi sâu nghiên cứu phương án điều khiển thích nghi theo mô hình mẫu (MRAC). 2.2.2.2 Phương pháp điều khiển thích nghi theo mô hình mẫu (MRAC) Hình 2.21 là sơ đồ nguyên lý của phương pháp điều khiển thích nghi theo phương pháp mô hình mẫu (MRAC). Tín hiệu hiệu chỉnh g*(t) và các tín hiệu điều khiển thông thường có tác dụng bù cho các nhiễu bên ngoài tạo cho tín hiệu ra đạt dạng đặc tính mẫu của mô hình hiệu chỉnh. Sử dụng phương pháp áp dụng trực tiếp định luật Liappunop. Tín hiệu vào u(t) cho trước được đưa đồng thời vào mô hình và hệ thống cần điều khiển. Tín hiệu ra của mô hình y(t) được so sánh với tín hiệu ra của hệ thống cần điều khiển ym(t) tạo sai lệch e(t). Sai lệch e(t) được đưa tới khối tính toán điều khiển thích nghi, cùng với một số tín hiệu thích hợp khác tham gia tạo tín hiệu hiệu chỉnh thích nghi g*(t) có tác dụng bù đắp cho các ảnh hưởng không mong muốn đưa tín hiệu ra của hệ thống y(t) bám được tín hiệu ra của mô hình mẫu ym(t). Có hai phương pháp điều khiển thích nghi theo mô hình mẫu là: điều khiển trực tiếp (Direct MRAC) và điều khiển gián tiếp (Indirect MRAC) (hình 2.22 và hình 2.23). - Điều khiển trực tiếp: Thông số điều khiển được xác định on-line có tác dụng làm giảm độ sai lệch giữa tín hiệu ra của mô hình với tín hiệu ra của đối tượng là: e(t) = ym(t) – yp(t). ( Hình 2.22). Mô hình mẫu Đối tượng cần điều khiển Tính toán điều khiển thích nghi u(t) g * (t) + ym (t) + - y (t) e(t) Hình 2.21 Sơ đồ nguyên lý của phương pháp điểu khiển thích nghi theo phương pháp mô hình mẫu 53 Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên - Điều khiển gián tiếp (Hình 2.23) Thông số của đối tượng * được nhận dạng trực tiếp bởi mô hình nhận dạng là mỗi thời điểm k và thông số véc tơ điều khiển c là đầu ra của khối tính toán. Ngay cả trường hợp đối tượng được giả thuyết là tuyến tính bất biến thời gian và hệ phi tuyến với các phương pháp điều khiển trực tiếp và điều khiển gián tiếp cũng có kết quả tốt. Bộ điều khiển C(c) Mô hình mẫu Wm(s) Đối tượng Gp(s, * ) Xác định trực tiếp (on-line) thông số * Tính toán c(t)=F((t)) ym e1 + - yp r up c r Hình 2.23 Sơ đồ điều khiển gián tiếp Bộ điều khiển C(c) Mô hình mẫu Wm(s) Đối tượng Gp(s, * ) Xác định trực tiếp (on-line) thông số * Tính toán c(t)=F((t)) ym e1 + - yp r up c r Hình 2.22 Sơ đồ điều khiển trực tiếp 54 Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên 2.3 Kết luận chƣơng 2 - Chương 2 đã tóm tắt một số phương pháp ứng dụng mạng nơron để nhận dạng đối tượng. Nổi lên là hai phương pháp nhận dạng on-line và nhận dạng off- line. Trong đó phương pháp nhận dạng off-line có nhiều ưu điểm, nó có thể sử dụng đồng thời tất cả các dữ liệu. Nhận dạng off-line sử dụng khi cần thiết phải sử lý rất nhiều tín hiệu cùng một lúc. - Sử dụng mạng nơron nhận dạng đối tượng có nhiều ưu điểm hơn so với phương pháp nhận dạng truyền thống. Mạng nơron là hệ học và thích nghi có khả năng học on-line hoặc off-line từ các số liệu quá khứ, do đó kết quả nhận dạng có thể đạt độ chính xác cao. Mạng nơron là hệ sử lý song song, nên tốc độ tính toán cao, mà phương pháp nhận dạng truyền thống khó có thể đạt được. Hơn nữa mạng nơron còn là hệ nhiều đầu vào, nhiều đầu ra, do đó rất tiện dung khi nhận dạng cho đối tượng nhiều biến. Còn với phương pháp nhận dạng truyền thống thì thời gian xử lý chậm, không có cấu trúc xử lý song song, không có khả năng học và ghi nhớ. - Mạng nơron hồi quy nhiều lớp có thêm các liên kết phản hồi do đó số lượng thông số cần điều chỉnh trong quá trình học nhiều hơn do đó thời gian học bị kéo dài phù hợp với thực hiện quá trình học cho đối tượng phi tuyến. - Có rất nhiều tài liệu nghiên cứu ứng dụng mạng nơron truyền thẳng nhiều lớp để nhận dạng và điều khiển thích nghi hệ thống có thông số và tải thay đổi. Mạng nơron truyền thẳng nhiều lớp có cấu tạo đơn giản và luật học lan truyền ngược rất nổi tiếng, nó tương đối dễ thực hiện và có hiệu quả cao phù hợp với thực hiện quá trình học cho các đối tượng tuyến tính. 55 Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên CHƢƠNG 3 ỨNG DỤNG MẠNG NƠRON TRUYỀN THẲNG NHIỀU LỚP ĐIỀU KHIỂN THÍCH NGHI VỊ TRÍ ĐỘNG CƠ ĐIỆN MỘT CHIỀU KHI CÓ THÔNG SỐ VÀ TẢI THAY ĐỔI - Để phân tích một hệ thống, ta phải biết nguyên tắc làm việc của các phần tử trong sơ đồ, bản chất vật lý, các quan hệ vật lý… - Các tính chất của các phần tử, hệ thống được biểu diễn qua các phương trình động học, thường là phương trình vi phân. - Để thuận tiện hơn trong quá trình phân tích, giải quyết các bài toán điều khiển, người ta mô tả toán học các phần tử và hệ thống bằng hàm truyền đạt (transfer fuction), phương trình trạng thái (state space)… 3.1 Mô tả động lực học của động cơ một chiều 3.1.1. Tổng hợp mạch vòng dòng điện khi bỏ qua sức điện động của động cơ Sơ đồ khối của mạch vòng điều chỉnh dòng điện như hình 3.1 trong đó F là mạch lọc tín hiệu, Ri là bộ điều chỉnh dòng điện, BĐ là bộ biến đổi một chiều, Si là xenxơ dòng điện. Xenxơ dòng điện có thể thực hiện bằng các biến dòng ở mạch xoay chiều hoặc bằng điện trở sun hoặc các mạch do cách ly trong mạch một chiều. Tf, Tđk, Tvo, Tư, Ti – các hằng số thời gian của mạch lọc, mạch điều khiển chỉnh lưu, sự chuyển mạch chỉnh lưu, phần ứng và xenxơ dòng điện. Rư – điện trở mạch phần ứng. 𝜕𝑈𝑑 𝜕𝛼 − hệ số khuếch đại của chỉnh lưu. Trong trường hợp hệ thống truyền động điện có hằng số thời gian cơ học rất lớn hơn hằng số thời gian điện từ của mạch phần ứng thì ta có thể coi sức điện động 1 1+pTf Ri 1 1+pTđk (1+pTvo) ∂Ud ∂α 1 Rư 1+pTư 𝐾i 1+pTi Uiđ - Ui Si -E I F BĐ Hình 3.1 Sơ đồ khối của mạch vòng dòng điện 56 Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên Ck Uiđ R1 R2 R3 Uđk C Ui - + của động cơ không ảnh hưởng đến quá trình điều chỉnh của mạch vòng dòng điện (tức là coi ∆E = 0 hoặc E = 0). Hàm truyền của mạch vòng dòng điện (hàm truyền của đối tượng điều chỉnh) là như sau: 𝑆𝑜𝑖 (𝑝) = 𝐾𝑐𝑙 .𝐾𝑖 𝑅ư (1 + 𝑃𝑇𝑓)(1 + 𝑃𝑇đ𝑘)(1 + 𝑃𝑇𝑣𝑜)(1 + 𝑃𝑇ư)(1 + 𝑃𝑇𝑖) (3.1) Trong đó các hằng số thời gian Tf, Tđk, Tvo, Ti là rất nhỏ so với hằng số thời gian điện từ Tư. Đặt Ts = Tf + Tđk + Tvo + Ti thì có thể viết lại (3.1) ở dạng gần đúng như sau: 𝑆𝑜𝑖 (𝑝) = 𝐾𝑐𝑙 .𝐾𝑖 𝑅ư (1 + 𝑇𝑠𝑝)(1 + 𝑇ư𝑝) (3.2) Trong đó Ts << Tư. Áp dụng tiêu chuẩn tối ưu mô đun ta tìm được hàm truyền của bộ điều chỉnh dòng điện có dạng khâu PI. 𝑅𝑖 𝑝 = 1 + 𝑇ư𝑝 𝐾𝑐𝑙 .𝐾𝑖 𝑅ư 𝑎𝑇𝑠𝑝 Trong đó đã chọn Tσ = Ts và hằng số a có thể lấy a = 2 𝐾𝑐𝑙𝐾𝑖 𝑅ư 2𝑇𝑠 = 𝑅1𝐶 𝑇ư = 𝑅3𝐶 𝐾1 = 𝑅1 𝑅2 𝐾𝑖 ′ Trong đó 𝐾𝑖 ′ là hệ số truyền của bản thân xenxơ dòng điện. Từ đó có thể tính được: 𝑅2 = 2𝑇𝑠 𝐾𝑐𝑙 .𝐾𝑖 ′ 𝑅ư.𝐶 Để tạo lọc F, thường nối thêm tụ Ck song song với điện trở R3 sao cho R3Ck = Tf và R3(C + Ck) = Tư Cuối cùng hàm truyền của mạch vòng là 𝐼 𝑝 𝑈𝑖đ 𝑝 = 1 𝐾𝑖 ∙ 1 2𝑇𝑠𝑝 1 + 𝑇𝑠𝑝 + 1 = 1 𝐾𝑖 ∙ 1 2𝑇𝑠 2𝑝2 + 2𝑇𝑠𝑝 + 1 (3.3) 57 Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên 3.1.2. Tổng hợp hệ thống truyền động điều khiển tốc độ Hệ thống điều khiển tốc độ là hệ thống mà đại lượng được điều khiển là tốc độ góc của động cơ điện, các hệ này rất thường gặp trong thực tế kỹ thuật. Hệ thống điều khiển tốc độ được hình thành từ hệ thống điều khiển dòng điện. Các hệ thống này có thể đảo chiều hoặc không đảo chiều. Do các yêu cầu công nghệ mà hệ cần đạt vô sai cấp 1 hoặc vô sai cấp 2. Nhiễu chính của hệ là mô men tải Mc. Tùy theo yêu cầu công nghệ mà các bộ điều chỉnh tốc độ R có thể được tổng hợp theo hai tín hiệu điều khiển hoặc theo nhiễu tải Mc. Trong trường hợp chung hệ phải có đặc tính điều chỉnh tốt cả từ phía tín hiệu điều khiển lẫn từ phía tín hiệu nhiễu loạn. Sơ đồ khối chức năng được trình bày trên hình 3.2 Phần tử phi tuyến HCD là phần tử hạn chế dòng điện trong quá trình quá độ. Xenxơ tốc độ S đóng vai trò khâu phản hồi tốc độ. 3.1.3. Hệ thống điều chỉnh tốc độ dùng bộ điều chỉnh tốc độ tỷ lệ Để thuận tiện trong tính toán tiếp theo, ta có thể thay (3.3) bởi biểu thức gần đúng tính hàm truyền của mạch vòng dòng điện: 𝐼 𝑝 𝑈𝑖đ 𝑝 = 1 𝐾𝑖 ∙ 1 1 + 2𝑇𝑠𝑝 3.4 Hoặc nếu mạch vòng dòng điện được tổng hợp theo tiêu chuẩn tối ưu đối xứng thì: 𝐼 𝑝 𝑈𝑖đ 𝑝 = 1 𝐾𝑖 ∙ 1 1 + 4𝑇𝑠𝑝 3.5 Ri Đ Sw Uwđ - Uw Sw Mc HCD Hình 3.2 Sơ đồ khối Rw FX BĐ UK Si - Ui I w 58 Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên Sơ đồ cấu trúc của hệ điều chỉnh tốc độ như trên hình 3.2, trong đó Sw là xenxơ tốc độ có hàm truyền là khâu quán tính với hệ số truyền Kw và hằng số thời gian (lọc) Tw. Thường Tw có giá trị nhỏ, khi đó đặt 2T’s = 2Ts + Tw, đối tượng điều chỉnh có hàm truyền: 𝑆𝑜2 𝑝 = 𝑅ư.𝐾𝑤 𝐾𝑖𝐾𝜙𝑇𝑐 ∙ 1 𝑃(1 + 2𝑇𝑠 ′𝑝) 3.6 Theo tiêu chuẩn tối ưu môđun, có thể xác định được hàm truyền của bộ điều chỉnh tốc độ là khâu tỷ lệ: 𝑅𝑤 𝑝 = 𝐾𝑖𝐾𝜙𝑇𝑐 𝑅ư.𝐾𝑤 ∙ 1 2𝑇𝑠 ′ .𝑎2 = 𝐾𝑝 3.7 Trong đó thường lấy a2 = 2 𝐾𝑝 = 𝑅3 𝑅1 ; 𝐾𝑤 = 𝐾𝑤 ′ 𝑅1 𝑅2 K’w là hệ số truyền của bản thân xenxơ tốc độ 4𝑇𝑠 ′ = 𝐾𝜙𝑇𝑐 𝑅ư 𝐾𝑖 𝐾𝑝𝐾𝑤 = 𝐾𝜙𝑇𝑐 𝑅ư 𝐾𝑖 ′𝑅4𝑅2 𝐾𝑤 ′ 𝑅2 ′ 𝑅3 𝐾𝑖 = 𝐾𝑖 ′ 𝑅4 𝑅2 ′ K’I là hệ số truyền của bản thân xenxơ dòng điện. 1 Ki 1+2pTs Rư KϕT𝑐𝑝 𝐾𝑤 1+pTw Uwđ - Uw Sw Mc w HCD Hình 3.3. Sơ đồ khối của hệ điều chỉnh tốc độ Rw 1 Kϕ I E 59 Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên Uwđ R1 R2 R3 C Uw - + Uiđ R4 R’2 Uđk Ui - + Hình 3.4 Cấu trúc bộ điều chỉnh Hàm truyền của mạch vòng điều chỉnh tốc độ là 𝑤(𝑝) 𝑈𝑣đ(𝑝) = 1 𝐾𝑤 1 4𝑇𝑠 ′𝑝 2𝑇𝑠𝑝+ 1 + 1 (3.8) Sau đây ta kiểm tra ảnh hưởng của nhiễu phụ tải đến độ quá điều chỉnh và độ chính xác tĩnh của hệ thống vừa nêu. Theo sơ đồ khối hình 3.2. Tính được ∆𝜔 𝑝 = 𝐼 𝑝 − 𝐼𝑐 𝑝 𝑅ư 𝐾Φ𝑇𝑐𝑝 = − 𝑅ư𝐼𝑐 𝑝 𝐾Φ𝑇𝑐𝑝 1− 𝐼 𝑝 𝐼𝑐 𝑝 3.9 Mặt khác 𝐼 𝑝 − 𝐼𝑐 𝑝 .𝐹0 𝑝 = −𝐼 𝑝 Do đó: 𝐼 𝑝 𝐼𝑐 𝑝 = 𝐹0 𝑝 1 + 𝐹0 𝑝 Trong đó F0(p) là hàm truyền mạch vòng của hệ điều chỉnh tốc độ. Khi Ic = 1[t], thì: ∆𝜔 𝑝 = − 𝑅ư𝐼𝑐 𝑝 𝐾Φ𝑇𝑐𝑝 ∙ 1 1 + 𝐹0 𝑝 = 4𝑇𝑠 ′ 𝐼𝑐𝑅ư 𝐾Φ𝑇𝑐 ∙ 2𝑇𝑠 ′𝑝 + 1 4𝑇𝑠 ′𝑝 2𝑇𝑠 ′𝑝 + 1 + 1 3.10 Từ biểu thức 3.10 thấy rằng độ sụt tốc độ tĩnh =IcRư/K trong hệ thống hở sẽ giảm đi Tc/4𝑇𝑠 ′ lần trong hệ kín. 3.1.4. Cấu trúc hệ điều chỉnh vị trí Hệ điều chỉnh vị trí tuyến tính mà ta nghiên cứu ở đây có bộ điều chỉnh vị trí Rφ là tuyến tính. Với mạch vòng trong đã được tổng hợp theo phương pháp môđun 60 Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên tối ưu dạng chuẩn ở mục trên ta có hàm truyền kín của mạch vòng là dòng điện và tốc độ là: 𝐹𝐾𝑤 𝑝 = 𝑤 𝑝 𝑈𝑣đ 𝑝 = 1 𝐾𝑤 1 4𝑇𝑠 ′𝑝 2𝑇𝑠𝑝 + 1 + 1 3.11 𝐹𝐾𝑤 𝑝 = 𝑤 𝑝 𝑈𝑣đ 𝑝 = 1 𝐾𝑤 1 8𝑇𝑠 ′𝑇𝑠𝑝 2 + 4𝑇𝑠 ′𝑝 + 1 3.12 Hàm truyền của xenxơ vị trí là khâu tích phân 𝐹𝑠𝜑 𝑝 = 1 𝑝𝜏𝜑 3.13 Trong đó 𝜏𝜑 = 𝑖 6 Ta có cấu trúc của hệ như hình 3.4 3.1.5. Tìm hàm truyền của hệ thống Muốn đơn giản sơ đồ cấu trúc hình 3.2 ta phải dịch chuyển tín hiệu giữa các khối như hình 3.6 1 Ki 1+2pTs Rư KϕT𝑐𝑝 𝐾𝑤 1+pTw u - Uw Sw Mc w HCD Hình 3.6 Sơ đồ khối của hệ điều chỉnh tốc độ Rw 1 + 2Tsp Kϕ𝑅𝑤 1 Ki I - E Rφ 1 𝐾𝑤 1 8𝑇𝑠 ′𝑇𝑠𝑝 2 + 4𝑇𝑠 ′𝑝 + 1 1 𝑝𝜏𝜑 φw - + w φ Hình 3.5 Cấu trúc hệ điều chỉnh vị trí tuyến tính 61 Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên Từ mạch vòng tốc độ hình 3.8 ta có cấu trúc mạch vòng điều chỉnh vị trí như hình 3.9. Hình 3.9 Sơ đồ khối của hệ điều chỉnh vị trí u Mc 1 Kw 1 8Ts ′Tsp 2 + 4Ts ′p + 1 w 1 + 2Tsp Kϕ𝑅𝑤 1 Ki 𝐹𝐾𝑤(𝑝) 1 pτφ φ Hình 3.8 Sơ đồ khối tương đương 2 của hệ điều chỉnh tốc độ u Mc 1 Kw 1 8Ts ′Tsp 2 + 4Ts ′p + 1 w 1 + 2Tsp Kϕ𝑅𝑤 1 Ki 𝐹𝐾𝑤(𝑝) - Hình 3.7 Sơ đồ khối tương đương 1 của hệ điều chỉnh tốc độ u Mc 1 Kw 1 8Ts ′Tsp 2 + 4Ts ′p + 1 w 1 + 2Tsp Kϕ𝑅𝑤 1 Ki - 62 Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên Từ sơ đồ hình 3.10 ta tính được hàm tương đương của mạch vòng vị trí Fφ(p) là: 𝐹𝜑 𝑝 = 1 Kw 1 8Ts ′Tsp 2 + 4Ts ′p + 1 ∙ 1 pτφ − 1 + 2Tsp Kϕ𝑅𝑤 1 Ki 𝐹𝐾𝑤 𝑝 1 pτφ 𝑀𝑐 (3.14) 3.2 Ứng dụng mạng nơron truyền thẳng nhiều lớp trong điều khiển thích nghi vị trị động cơ điện một chiều khi có thông số và tải thay đổi 3.2.1. Bộ điều khiển tuyến tính hóa phản hồi (NARMA-L2) Các bộ điều khiển nơron mô tả trong phần này giới thiệu đến sự khác nhau của hai tên: bộ điều khiển phản hồi và bộ điều khiển NARMA-L2. Nó được giới thiệu đến như thông tin phản hồi tuyến tính khi mô hình đối tượng có một mô hình cụ thể (theo mẫu). Nó được gọi là bộ điều khiển NARMA-L2 khi mô hình đối tượng có thể được xấp xỉ gần đúng của cùng một dạng mẫu. Ý tưởng của loại bộ điều khiển là chuyển đổi hệ thống động lực học phi tuyến thành hệ thống động lực học tuyến tính bởi việc xóa bỏ tính chất phi tuyến. Phần này bắt đầu bởi sự có mặt của mô hình hệ thống và chứng minh làm thế nào bạn có thể sử dụng một mô hình mạng nơron theo hướng nhận dạng mô hình này. Sau đó, nó mô tả cách thức xác định mô hình mạng nơron có thể được sử dụng để phát triển một bộ điều khiển. Điều này được theo một biểu về cách sử dụng các khối điều khiển NARMA-L2, mà nó chứa trong Neural Network Toolbox blockse. 3.2.2. Nhận dạng của mô hình NARMA-L2 Như với bộ điều khiển mô hình dự báo, bước đầu tiên để sử dụng các thông tin phản hồi tuyến tính (hoặc bộ điều khiển NARMA-L2) là nhận dạng hệ thống điều khiển tương lai. Bạn huấn luyện mạng nơron từ mô tả hệ thống động lực học tương lai. Bước đầu tiên là chọn một cấu trúc mô hình theo mục đích. Một mô hình tiêu chuẩn mà nó đã được sử dụng để mô tả hệ thống phi tuyến rời rạc là mô hình hệ thống Nonlinear Autoregressive-Moving Average (NARMA): Hình 3.10 Sơ đồ khối tương đương của hệ điều chỉnh vị trí u Mc 1 Kw 1 8Ts ′Tsp 2 + 4Ts ′p + 1 1 + 2Tsp Kϕ𝑅𝑤 1 Ki 𝐹𝐾𝑤(𝑝) 1 pτφ - 1 pτφ φ 63 Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên y k+d =N[y k , y k-1 ,…,y k-n+1 , u k , u k-1 ,…,u k-n+1 Trong đó u(k) là dữ liệu vào hệ thống, và y(k) là dữ liệu ra hệ thống. Phương thức nhận dạng là, bạn có thể huấn luyện mạng nơron theo xấp xỉ hàm phi tuyến N. Đây là thủ tục nhận dạng được sử dụng cho bộ điều khiển dự báo mạng nơron. Nếu bạn muốn đầu ra hệ thống bám theo một đường, y(k + d) = yr(k + d) Bước tiếp theo là phát triển bộ điều khiển phi tuyến từ: u k =G[y k , y k-1 ,…,y k-n+1 , yr k+d , u k-1 ,…,u(k-m+1)] Các vấn đề với sử dụng bộ điều khiển này là nếu bạn muốn huấn luyện một mạng nơron từ hàm G mà sẽ giảm thiểu sai lệch, bạn cần phải sử dụng truyền ngược động lực học. Điều này có thể khá chậm. Một trong những giải pháp và đề xuất của Narendra Mukhopadhyay là sử dụng mô hình gần đúng từ mô tả hệ thống. Bộ điều khiển sử dụng ở đây là mô hình gần đúng NARMA-L2 y k+d =f y k , y k-1 ,…,y k-n+1 , u k , u k-1 ,…,u k-m+1 +g y k , y k-1 ,…,y k-n+1 , u k , u k-1 ,…,u k-m+1 u k Mô hình này đi theo hình thức, nơi đầu vào điều khiển tiếp theo u(k) không phải là chứa bên trong tính chất phi tuyến. Lợi thế của mẫu này là bạn có thể giải quyết nguyên nhân đầu vào điều khiển đầu ra hệ thống để thực hiện theo y(k + d) = yr(k + d). Các kết quả điều khiển sẽ có dạng u k = yr k+d -f[y k , y k-1 ,…, y k-n+1 ,u k , u k-1 ,…u k-m+1 ] g[y k ,y k-1 ,…, y k-n+1 , u k , u k-1 ,…,u(k-m+1)] Việc sử dụng này có thể gây ra hiểu không rõ những vấn đề, bởi vì bạn phải xác định đầu vào điều khiển u(k), dựa vào các đầu ra tại cùng một thời điểm, y(k). Vì vậy, thay vì, sử dụng mô hình y k+d =f y k , y k-1 ,…,y k-n+1 , u k , u k-1 ,…,u k-m+1 +g y k , y k-1 ,…,y k-n+1 , u k , u k-1 ,…,u k-m+1 u k+1 Trong đó d ≥ 2. Dưới đây là những con số cho thấy cấu trúc của một mạng nơron đại diện. 64 Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên 3.2.3. Bộ điều khiển NARMA-L2 Sử dụng mô hình NARMA-L2, ban có thể thu được bộ điều khiển u k+1 = yr k+d -f[y k , y k-1 ,…, y k-n+1 ,u k , u k-1 ,…u k-n+1 ] g[y k ,y k-1 ,…, y k-n+1 , u k , u k-1 ,…,u(k-n+1)] Mà có thể cho d ≥ 2. Hình tiếp theo là sơ đồ khối của bộ điều khiển NARMA-L2. IW1,1 b 1 n-1 T D L IW1,2 n-1 T D L IW3,1 n-1 T D L IW3,2 n-1 T D L b 3 1 1 LW2,1 b 2 1 LW4,3 b 4 1 a 1 (t) a 3 (t) a 2 (t) a 4 (t) y(t+2) Gần đúng mạng nơron g() Gần đúng mạng nơron f() u(t+1) y(t+1) Hình 3.11Cấu trúc một mạng nơron 65 Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên Đây là bộ điều khiển có thể thực hiện với mô hình nhận dạng NARMA-L2, như trong hình sau. Mô hình mẫu Đối tượng f f g g + + - - Bộ điều khiển Bộ điều khiển T D L T D L T D L T D L + + - - ec ec y y u u yr yr r r Hình 3.12 Sơ đồ khối của bộ điều khiển NARMA-L2 66 Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên 3.2.4. Bài toán ví dụ sử dụng khối điều khiển NARMA-L2 Mục này chứng minh bộ điều khiển NARMA-L2 huấn luyện như thế nào. Bước đầu tiên là sao chép bộ điều khiển NARMA-L2 từ mạng nơron Toolbox đến của sổ mô hình của bạn. Mô hình demo là điều kiện bao gồm cả phần chứng minh bộ điều khiển NARMA-L2 với mạng nơron Toobox. Trong demo này, mục tiêu là điều khiển vị trí của một nam châm vĩnh cửu treo trên một nam châm điện, là nơi mà nam châm vĩnh cửu chỉ có thể di chuyển trong dọc hướng, như hình. IW1,1 IW1,1 b 1 b 1 n-1 n-1 T D L T D L IW1,2 IW1,2 n-1 n-1 T D L T D L IW3,1 IW3,1 n-1 n-1 T D L T D L IW3,2 IW3,2 n-1 n-1 T D L T D L b 3 b 3 1 1 1 1 LW2,1 LW2,1 b 2 b 2 1 1 LW4,3 LW4,3 b 4 b 4 1 1 a 1 (t) a 1 (t) a 3 (t) a 3 (t) a 2 (t) a 2 (t) a 4 (t) a 4 (t) yr(t+2) yr(t+2) Gần đúng mạng nơron g() Gần đúng mạng nơron g() Gần đúng mạng nơron f() Gần đúng mạng nơron f() u(t+1) u(t+1) y(t+1) y(t+1) - - + + Hình 3.13 Bộ điều khiển thực hiện với mô hình nhận dạng NARMA-L2 Gần đúng mạng nơron f() 67 Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên Hình 3.14 Sơ đồ điều khiển vị trí nam châm vĩnh cửu Phương trình của chuyển động cho hệ thống là 𝑑2𝑦(𝑡) 𝑑𝑡2 = −𝑔 + 𝛼 𝑀 𝑖2(𝑡) 𝑦(𝑡) − 𝛽 𝑀 𝑑𝑦(𝑡) 𝑑𝑡 Trong đó y(t) là khoảng cách của các nam châm vĩnh cửu và nam châm điện, i(t) là dòng điện chạy trong nam châm điện, M là khối lượng của nam châm vĩnh cửu, và g là hằng số lực hút. Tham số β là một hệ số ma sát nhớt được xác định bởi các vật liệu mà nam châm vĩnh cửu dịch chuyển trong nó, và α là một hằng số điện trường, được xác định bởi số vòng dây của nam châm điện và sức mạnh của nam châm vĩnh cửu. Để chạy thử demo, hãy làm theo các bƣớc sau. 1. Bắt đầu MATLAB. 2. Chạy mô hình demo bằng cách gõ narmamaglev trong cửa sổ MATLAB Command. Đây là lệnh Simulink bắt đầu và tạo ra cửa sổ mô hình. Khối điều khiển NARMA-L2 luôn luôn có trong mô hình. 3. Kích đúp vào khối điều khiển NARMA-L2. Điều này sẽ đưa đến 1 cửa sổ. Chú ý rằng, cửa sổ này cho phép bạn huấn luyện mô hình NARMA-L2. Không có cửa sổ riêng biệt cho bộ điều khiển, từ bộ điều khiển được xác định trực tiếp từ các mô hình, không giống như mô hình bộ điều khiển dự báo. 4. Cửa sổ này hoạt động giống như cửa sổ nhận dạng đối tượng, chúng tôi sẽ không đi vào quá trình huấn luyện ngay bây giờ. Thay vào đó, hãy mô phỏng bộ điều khiển NARMA-L2. 5. Trở lại mô hình Simulink và bắt đầu mô phỏng bằng cách chọn Bắt đầu (Start) từ menu Simulation. Khi chạy mô phỏng, đầu ra đối tượng và các tín hiệu tham khảo được hiển thị, như trong hình. 68 Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên Hình 3.15 Đồ thị vị trí mẫu và vị trí sau khi đã điều khiển 3.2.5. Kết quả thực nghiệm trên MATLAB 3.2.5.1. Số liệu Chọn động cơ một chiều kích từ độc lập có số liệu như sau: Pđm = 32(KW), Uđm = 220(V), Iđm = 170(A), wđm = 1500(v/ph), Rư∑ = 0,0779(Ω), Lư∑ = 0,0049(H), GD 2 = 2,8(kgm 2), làm việc với phụ tải Mc(Nm) và J(Kgm 2) thay đổi trong vùng phụ tải nhỏ. Máy phát tốc mã hiệu 7-100 có đm =1500(V/P), Uđm=100(V), Iđm=0,08(A), RH=200(). Máy biến dòng loại 100/5(A). Bộ chỉnh lưu sơ đồ cầu ba pha. 3.2.5.2. Kết quả mô phỏng khi có tải thay đổi Dựa trên những mô tả động lực học của động cơ điện một chiều và số liệu trên ta tính toán được thông số của đối tượng và tổng hợp trong sơ đồ khối sau và được ghi vào phai có tên “doituong”. 0 5 10 15 20 25 30 -1 0 1 2 3 4 X Axis Y A xi s X Y Plot 69 Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên Hình 3.16. Sơ đồ khối mô tả động cơ điện một chiều Từ đó tiến hành nhận dạng và huấn luyện đối tượng thông qua bộ điều khiển NARMA-L2 như trong hình 3.17 Hình 3.17. Sơ đồ mạng nơron truyền thẳng nhiều lớp điều khiển thích nghi vị trí động cơ điện một chiều khi có tải thay đổi 70 Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên Hình 3.18. Bảng điều khiển nhận dạng tín hiệu vị trí động cơ một chiều NARMA-L2 Hình 3.19. Dữ liệu vào ra của tín hiệu vị trí động cơ một chiều 71 Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên Hình 3.20. Xuất dữ liệu làm việc Hình 3.21. Nhập dữ liệu vào bộ điều khiển Hình 3.22. Huấn luyện đối tượng với dư liệu đã nhập vào 72 Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên Hình 3.23. Dữ liệu huấn luyện cho bộ điều khiển NN NARMA-L2 Hình 3.24. Dữ liệu xác nhận cho bộ điều khiển NN NARMA-L2 73 Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên Hình 3.25. Dữ liệu kiểm tra cho bộ điều khiển NN NARMA-L2 Hình 3.26 Đồ thị vị trí mẫu qd (nét mảnh) và vị trí sau khi đã điều khiển q (nét đậm) Hình 3.27 Đồ thị điện áp điều khiển 0 5 10 15 20 25 30 -1 0 1 2 3 4 5 X Axis Y Ax is Do thi vi tri mau qd va vi tri sau khi dieu khien q 74 Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên Hình 3.28 Đồ thị mômen tải MC (Nm) 3.2.5.3. Kết quả mô phỏng khi có thông số và tải thay đổi Động cơ điện một chiều khi làm việc với tải thay đổi, làm dòng điện phần ứng thay đổi theo yêu cầu của tải, dẫn đến nhiệt độ động cơ và mức độ từ hóa của lõi thép thay đổi, do đó làm cho điện trở phần ứng R, điện cảm L của động cơ thay đổi theo. Từ đó một vấn đề đặt ra là cần có một giải pháp nào đó để tạo ra một bộ điều chỉnh thông minh có khả năng điều chỉnh thích nghi vị trí của động cơ điện một chiều khi làm việc với tải và các thông số điện trở phần ứng R và điện cảm L thay đổi. Trong luận văn này nghiên cứu bộ điều khiển thích nghi vị trí động cơ một chiều khi có điện trở phần ứng R và mô men tải MC thay đổi. 75 Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên Hình 3.29. Sơ đồ khối mô tả động cơ điện một chiều khi có R, MC thay đổi 76 Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên Hình 3.30. Dữ liệu vào ra của tín hiệu vị trí động cơ một chiều Hình 3.31. Bảng điều khiển nhận dạng tín hiệu vị trí động cơ một chiều NARMA-L2 77 Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên Hình 3.32. Huấn luyện đối tượng với dư liệu đã nhập vào Hình 3.33. Dữ liệu huấn luyện cho bộ điều khiển NN NARMA-L2 78 Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên Hình 3.34. Dữ liệu xác nhận cho bộ điều khiển NN NARMA-L2 Hình 3.35. Dữ liệu kiểm tra cho bộ điều khiển NN NARMA-L2 Hình 3.36 Đồ thị điện áp điều chỉnh u 79 Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên Hình 3.37 Đồ thị điện trở R () Hình 3.38 Đồ thị mômen tải MC (Nm) 80 Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên Hình 3.39 Đồ thị vị trí mẫu qd (nét mảnh) và vị trí sau khi đã điều khiển q (nét đậm) 3.3. Kết luận chƣơng 3 * Dựa trên kết quả nghiên cứu của các tài liệu, luận văn đã đi sâu phân tích được sự đúng đắn của việc sử dụng khối điều khiển NARMA-L2 với luật học thích nghi tạo ra tín hiệu điều khiển để đạt được sai lệch trung bình bình phương trong giới hạn cho phép. Nghĩa là tín hiệu ra của đối tượng bám sát theo tín hiệu điều khiển vị trí của sơ đồ điều khiển thích nghi vị trí động cơ điện một chiều khi có thông số và tải thay đổi. 0 5 10 15 20 25 30 -1 0 1 2 3 4 5 X Axis Y Ax is Do thi vi tri mau qd (net manh) va vi tri da dieu khien q (net dam) 81 Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên CHƢƠNG 4 KẾT LUẬN CHUNG VÀ KIẾN NGHỊ - Kết quả mô phỏng cho thấy sai lệch điều chỉnh giữa vị trí mẫu qd và vị trí q của mô hình điều chỉnh là rất nhỏ, điều đó chứng tỏ rằng sử dụng mạng nơron truyền thẳng nhiều lớp (9 lớp) trong điều khiển thích nghi vị trí động cơ điện một chiều khi có thông số R, L và tải thay đổi trong vùng tải nhỏ là một giải pháp rất hiệu quả và có độ chính xác mong muốn. Giải pháp này còn có ưu điểm là mạng nơron truyền thẳng nhiều lớp là hệ MIMO, nên cũng có thể ứng dụng nó trong điều khiển đối tượng là hệ MIMO phi tuyến. - Ở luận văn này mới chỉ tìm hiểu được ứng dụng của mạng nơron truyền thẳng nhiều lớp trong điều khiển thích nghi vị trí động cơ điện một chiều khi có thông số và tải thay đổi. Kết quả mô phỏng thu được khá tôt, vì vậy ta có thể ứng dụng vào việc xây dựng mô hình thực và áp dụng vào thực tế sản xuất. Làm được như vậy thì đề án sẽ có tính khả thi ứng dụng vào thực tế. Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên GIẢI THÍCH KÝ HIỆU, CÔNG THỨC STT Ký hiệu Diễn giải 1 neti(t) Tổng trọng 2 yj Các đầu ra của các nơron 3 ui (t) Các đầu vào từ bên ngoài tương ứng với trong số Wij và W * ik 4 i Ngưỡng của nơron thứ i 5 a(.) Hàm chuyển đổi 6 Wij Ma trận trọng số 7 R Tín hiệu học 8 ui(t) Các đầu vào 9 xi(t) Các biến trạng thái 10 yi(t) Các đầu ra của hệ thống 11 u(.), x(.), y(.) Các biến ở dạng rời rạc 12 i, j Các hằng số chưa biết 13 𝛼𝑖 𝑘 𝑖 = 0, 1,… , 𝑛 − 1 ; 𝛽𝑗 𝑘 𝑗 = 0, 1,… ,𝑚1 ; 𝑦𝑝 𝑘 + 1 Các thông số nhận dạng 14 Wi Gia số của véc tơ wi 15 r Tín hiệu học 16 x(t) Tín hiệu đầu vào 17  Hằng số học 18  Véc tơ bậc R n xR p 19  Véc tơ bậc R m 20 A, B, C Các ma trận tương ứng cấp (nxn), (nxp), (mxn) 21 x (k) Véc tơ mẫu đầu vào 22 y (k) Véc tơ mẫu đầu ra 23 e (k) Tín hiệu sai lệch giữa bộ mẫu đầu ra d(k) và tín hiệu ra thực tế y(k) Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên STT Ký hiệu Diễn giải 24 q neti Là tổng trọng lượng mạng đầu vào của phần tử thứ i của lớp thứ q 25 q yi Là tín hiệu đầu ra của phần tử thứ i của lớp thứ q 26 q wij Là các trọng số nối từ phần tử q-1 yj đến phần tử q yi 27 Emax Sai lệch cực đại 28 Qi Tín hiệu sai lệch của nơron thứ i của lớp đầu ra thứ Q 29 a’( Q neti) Đạo hàm của hàm hoạt hóa a(.) theo tổng trọng lượng của phần tử thứ i của lớp đầu ra (q=Q) 30 qwij Sai lệch tại thời điểm tính của giá trị trọng số liên kết từ phần tử thứ j của lớp thứ (q-1) đến phần tử thứ i của lớp thứ q 31 𝑞𝑤𝑖𝑗 𝑛𝑒𝑡 Giá trị trọng số lien kết cập nhật mới liên kết từ phần tử thứ j của lớp thứ (q-1) đến phần tử thứ i của lớp thứ q 32 𝑞𝑤𝑖𝑗 𝑜𝑙𝑑 Giá trị trọng số liên kết cũ liên kết từ phần tử thứ j của lớp thứ (q-1) đến phần tử thứ i của lớp thứ q 33 q-1 yj Tín hiệu ra của phần tử thứ j của lớp thứ q-1 34 Mc Mô men tải (Nm) 35 J Mô men quán tính 36  Tốc độ của động cơ một chiều (rad/s) 37 w Lượng điều khiển 38  Vị trí 39 e Sai lệch giữa tín hiệu ra của mạng nơron với tín hiệu ra của động cơ 1 chiều 40 q bij Bias của mỗi nơron 41 (x(k), d(k)) Bộ mẫu thông số vào-ra 42 Qtư Số lớp nơron tối ưu 43 n2tư Số lượng nơron tối ưu ở lớp ẩn 44 mh(i) Tín hiệu ra của mô hình mạng nơ ron ở thời điểm học thứ i 45 (i) Tín hiệu tốc độ của động cơ điện 1 chiều tại thời điểm thứ i Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên TÀI LIỆU THAM KHẢO Tiếng Việt [1]. Phạm Hữu Đức Dục, (1999), Nghiên cứu ứng dụng mạng nơron trong điều khiển thích nghi hệ thống có thông số biến thiên, Luận án Tiến sĩ Kỹ thuật. [2]. Phạm Hữu Đức Dục, Nguyễn Công Hiền, (2005), Ứng dụng của bộ điều khiển nơron mờ trong điều khiển thích nghi vị trí động cơ điện một chiều, Tuyển tập các báo cáo Khoa học tại hội nghị Toàn quốc lần thứ VI về tự động hóa, 101-106. [3]. Phạm Hữu Đức Dục, Nguyễn Công Hiền, (2005), Nghiên cứu ứng dụng mạng nơron mờ điều khiển thích nghi rôbốt hai khâu, Tuyển tập các báo cáo Khoa học tại hội nghị Toàn quốc lần thứ VI về tự động hóa, 107-112. [4]. Phạm Hữu Đức Dục, Nguyễn Công Hiền, (2005), Điều khiển thích nghi hệ có cấu trúc mềm, Tuyển tập các báo cáo Khoa học tại hội nghị Toàn quốc lần thứ VI về tự động hóa, 2005, 209-214. [5]. Bùi Quốc Khánh, Nguyễn Văn Liễn, Phạm Quốc Hải, Dương Văn Nghi, Điều chỉnh tự động truyền động điện, Nhà xuất bản Khoa học và kỹ thuật, Hà nội 2008. [6]. Nguyễn Doãn Phước, Phan Xuân Minh, Nhận dạng hệ thống điều khiển, Nhà xuất bản Khoa học và kỹ thuật, Hà nội 2001. Tiếng Anh [7]. M.Norgaard, O.Ravn, N.K. Poulsen and L.K. Hansen. Neural Network for Modelling and Control of Dynamic System. Springer 2000. [8]. CHIN TENG LIN, C.S. GEORGE LEE, (1996), Neural fuzzy systems, Prentice Hall Internatinal, Inc. [9]. SOMLO J., LANTOS B., PHAM THUONG CAT, (1997), Advance Robot Control, Akademiai Kiado - Budapest