BỘ GIÁO DỤC VÀ ĐÀO TẠO
TRƯỜNG ĐẠI HỌC BÁCH KHOA HÀ NỘI NGUYỄN NGỌC KIÊN

ỨNG DỤNG PHƯƠNG PHÁP TRÍ TUỆ NHÂN TẠO VÀ PHÂN TÍCH
TAGUCHI ĐỂ XÁC ĐỊNH CHẾ ĐỘ CẮT TỐI ƯU KHI GIA CÔNG
TRÊN MÁY PHAY CNC LUẬN ÁN TIẾN SĨ KỸ THUẬT CƠ KHÍ
ỨNG DỤNG PHƯƠNG PHÁP TRÍ TUỆ NHÂN TẠO VÀ PHÂN TÍCH
TAGUCHI ĐỂ XÁC ĐỊNH CHẾ ĐỘ CẮT TỐI ƯU KHI GIA CÔNG
TRÊN MÁY PHAY CNC Chuyên ngành: Kỹ thuật Cơ khí
Mã số: 62520103

LUẬN ÁN TIẾN SĨ KỸ THUẬT CƠ KHÍ
NGƯỜI HƯỚNG DẪN KHOA HỌC:
1. GS. TS Trần Văn Địch
2. PGS.TS Vũ Toàn Thắng


nghệ gia công, chế tạo thiết bị có những bước phát triển vượt bậc với những máy CNC có
khả năng gia công đạt độ chính xác rất cao đáp ứng nhu cầu gia tăng độ chính xác. Với một
hệ thống công nghệ nhất định, năng suất hay chất lượng bề mặt phụ thuộc chủ yếu vào chế
độ cắt được cài đặt [2], [7], vì vậy điều khiển các thông số chế độ cắt là phương pháp cơ
bản và hiệu quả để kiểm soát chất lượng gia công cũng như nâng cao hiệu quả sử dụng
thiết bị. Do đó cài đặt chế độ cắt hợp lý hay tối ưu là điều kiện cần cho quá trình gia công
cơ khí [3], [5].
Thực tế trong một môi trường gia công luôn tồn tại các yếu tố không điều khiển được
(yếu tố nhiễu) làm giảm chất lượng gia công. Quá trình cài đặt các thông số công nghệ
không phải lúc nào cũng cài đặt chính xác như mong muốn hay quá trình thu nhận các
thông tin trong và sau khi gia công cũng bị ảnh hưởng bởi các yếu tố nhiễu làm những
thông tin có được gần với giá trị thực ở một mức độ tin cậy nhất định [4], [16], [17]. Mặt
khác mô hình cơ bản và phổ biến hiện nay đang sử dụng xác định các thông số công nghệ
hợp lý càng bị hạn chế bởi nhu cầu gia tăng độ chính xác và sử dụng hiệu quả thiết bị [20],
[21], [22]. Do vậy cần thiết phải có một phương pháp tiếp cận dự đoán mối quan hệ thực
nghiệm mới, đánh giá mức độ ảnh hưởng của các yếu tố vào và nhiễu đến kết quả đầu ra
cũng như giải bài toán tối ưu cho độ chính xác cao hơn và tiến dần đến kỹ thuật điều khiển
chất lượng trực tuyến trong tương lai.
Ngày nay, ứng dụng phát triển khoa học máy tính, con người đã tiếp cận và mô phỏng
quá trình thu nhận và xử lý thông tin trong bộ não của mình và tìm hiểu các cơ chế tối ưu
trong tự nhiên. Khoa học trí tuệ nhân tạo là một ngành nghiên cứu để tiếp cận khả năng tư
duy và học của bộ não [8], [9], [10], [11], [15], [27]. Ứng dụng khoa học trí tuệ nhân tạo
trong lĩnh vực điều khiển tối ưu là xu hướng và tất yếu trong tương lai.
Từ những phân tích trên làm tiền đề cho tác giả nghiên cứu và chọn lĩnh vực tối ưu quá
trình công nghệ gia công cơ khí làm đề tài luận án. Bài toán tối ưu trong gia công không
phải là bài toán mới nhưng cần tìm ra một phương pháp tiếp cận mới để giải quyết lớp các
bài toán tối ưu trong công nghệ gia công cơ khí là cần thiết, thực tiễn và tất yếu để giải
quyết yêu cầu công nghệ ngày càng chính xác và khắt khe trong tương lai.

3

Những đóng góp mới
- Ứng dụng giải pháp trí tuệ nhân tạo và phân tích Taguchi thiết lập mối quan hệ thực
nghiệm giữa chế độ cắt với chất lượng bề mặt, năng suất gia công, lực cắt, độ mòn dụng
cụ và xác định chế độ cắt tối ưu khi phay thép SKD11 và SKD61.
- Xây dựng phần mềm BK-CTMNET dự đoán mối quan hệ thực nghiệm cho độ chính xác
cao và tính toán các thông số công nghệ tối ưu phục vụ trong nghiên cứu và sản xuất.
Cấu trúc luận án
Luận án trình bày trong 151 trang, ngoài phần mở đầu, kết luận, kiến nghị, luận án gồm
4 chương: Chương 1. Tổng quan về ảnh hưởng một số yếu tố công nghệ đến năng suất và
chất lượng bề mặt, phương pháp xác định chế độ cắt tối ưu khi gia công trên máy phay
CNC; Chương 2. Giải pháp trí tuệ nhân tạo và ứng dụng; Chương 3. Phương pháp xác định
chế độ cắt tối ưu khi gia công trên máy phay CNC; Chương 4. Xây dựng mô hình toán học
bằng thực nghiệm giữa chế độ cắt với các thông số công nghệ và xác định chế độ cắt tối ưu
trên máy phay CNC. 5

Chương 1: TỔNG QUAN ẢNH HƯỞNG MỘT SỐ YẾU TỐ
CÔNG NGHỆ ĐẾN NĂNG SUẤT VÀ CHẤT LƯỢNG BỀ
MẶT, PHƯƠNG PHÁP XÁC ĐỊNH CHẾ ĐỘ CẮT TỐI ƯU
KHI GIA CÔNG TRÊN MÁY PHAY CNC
1.1 Các chỉ tiêu chất lượng bề mặt khi gia công [1]
Chất lượng bề mặt gia công là tập hợp các chỉ tiêu về các yếu tố hình học, tính chất cơ

qua đồ thị thấy rằng giá thành sản phẩm sẽ
0,025
0,05
0,1
0,2
0,4
0,8
1,6
3,2 6,3
12,5
25
50
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18

Độ sóng bề mặt là chu kỳ không bằng phẳng của bề mặt chi tiết máy được quan sát
trong phạm vi lớn hơn độ nhám bề mặt. Ngoài ra bước nhấp nhô tế vi S
m
(R
Sm
) được đo
với trung bình các khoảng cách của các đỉnh nhấp nhô liên tiếp trên phạm vi chiều dài
chuẩn đo. Bước nhấp nhô tế vi phản ánh tần suất xuất hiện những mô nhám trên một đơn
vị diện tích. Khi bước nhám nhỏ thì số đỉnh nhám sẽ nhiều hơn trên một đơn vị diện tích
nó sẽ làm tăng số điểm tiếp xúc trên bề mặt và như vậy sẽ làm tăng các tính chất sử dụng
cho chi tiết máy.
1.1.1.3 Các yếu tố ảnh hưởng đến tính chất hình học của bề mặt khi gia công

Từ bản chất quá trình cắt gọt hình thành bề mặt gia công có thể thấy rằng các yếu tố ảnh
hưởng tới độ nhám cũng như độ sóng và bước nhám bề mặt bao gồm:
- Các thông số hình học của dụng cụ cắt như bán kính mũi dao và các góc độ dao khi
cắt.
- Các yếu tố rung động của hệ thống công nghệ: máy, dụng cụ cắt, đồ gá, chi tiết gia
công.
- Vật liệu gia công mà chủ yếu là khả năng biến dạng dẻo của vật liệu
- Các thông số chế độ cắt bao gồm: vận tốc cắt, chiều sâu cắt, lượng tiến dao. Thông
thường vận tốc cắt cao, chiều sâu cắt nhỏ, lượng tiến dao bé sẽ làm giảm chiều cao
nhấp nhô tế vi và ngược lại. Ngoài ra còn một số các yếu tố khác như dung dịch trơn
lạnh hay những yếu tố không điều khiển được (yếu tố nhiễu) cũng gây ảnh hưởng tới
tính chất hình học bề mặt.
Trong một hệ thống công nghệ xác định, tính chất hình học của bề mặt gia công sẽ
phụ thuộc chủ yếu vào chế độ cắt được cài đặt vì vậy điều khiển các thông số chế độ cắt
hợp lý là cách tiếp cận cơ bản và hiệu quả để kiểm soát tính chất hình học bề mặt theo
yêu cầu. Với các hệ máy sử dụng công nghệ điều khiển số (CNC) việc cài đặt chế độ cắt
mềm dẻo là thuộc tính cơ bản của máy nên ứng dụng các máy CNC trong kỹ thuật gia

Từ những phân tích trên thấy rằng chất lượng bề mặt và năng suất cắt khi gia công là
hai yếu tố quan trọng trong chuỗi quá trình sản xuất. Đối với một hệ thống công nghệ được
đầu tư xác định, cả hai yếu tố bị quyết định rất lớn từ chế độ công nghệ được cài đặt trong
đó chế độ cắt là yếu tố được điều khiển linh hoạt. Thay đổi chế độ cắt là một phương pháp
cơ bản và hiệu quả nhất để kiểm soát chất lượng bề mặt và tăng năng suất gia công.
1.3 Phương pháp truyền thống xác định chế độ công nghệ [4], [6]
Gia công với chế độ hợp lý hay tối ưu là điều kiện cần cho mọi quá trình công nghệ.
Hiện nay xác định chế độ cắt hợp lý cho mỗi loại vật liệu trên một hệ thống công nghệ cụ
thể được thực hiện theo tiến trình trong hình 1.2 gồm 6 bước cơ bản.
- Bước 1: xây dựng bảng qui hoạch thực nghiệm. Bước này đưa ra một ma trận thí
nghiệm xây dựng theo các phương pháp khác nhau. Hiện nay thường sử dụng
phương pháp đáp ứng bề mặt (CCI hoặc CCF), phương pháp qui hoạch thực nghiệm
trực giao, phương pháp qui hoạch hợp Box-willson [3].
- Bước 2: thực nghiệm và thu thập số liệu. Tiến hành thực nghiệm theo số liệu vạch ra
từ bước 1 và đo đạc các số liệu đầu ra cần quan tâm: độ nhám bề mặt Rz, bước nhám
Sn, lực cắt F, độ mòn dụng cụ hs, tần số rung động f, nhiệt cắt
- Bước 3: xác định mối quan hệ thực nghiệm. Từ bộ dữ liệu đầu vào trong bước một
và dữ liệu đo đạc đầu ra trong bước 2 lập được bảng thực nghiệm sau đó dựa vào
phương pháp bình phương cực tiểu hay hồi qui thực nghiệm xác định được hàm quan
hệ toán học. Hàm quan hệ toán học thu được hoàn toàn dưới dạng hàm tường minh,
rõ ràng.
- Bước 4: thành lập bài toán tối ưu. Xác định hàm mục tiêu mà thông thường là hàm
năng suất gia công hay thời gian gia công. Các điều kiện biên bao gồm các giới hạn
về chất lượng bề mặt, giới hạn công suất cắt lớn nhất, giới hạn độ mòn dao, giới hạn
không gian các thông số chế độ cắt
- Bước 5: giải bài toán tối ưu. Sử dụng các phương pháp truyền thống hay lặp số xác
định chế độ tối ưu

8



Thực nghiệm và kiểm tra

Kết thúc

Hình 1.2 Quá trình xác định chế độ cắt tối ưu thực nghiệm 9 Các thông số đầu vào x=[x
1
,x
2
, x
n
] qua mô hình quan hệ f(x) biến đổi đến đầu ra d
i
.
Một mô hình toán học f(x) được chọn nếu tổng bình phương sai lệch giữa các điểm dự
đoán và điểm thực là nhỏ nhất. Độ chính xác mô hình phụ thuộc nhiều vào kinh nghiệm
chọn dạng mô hình quan hệ.
1.3.1.1 Phương pháp bình phương cực tiểu
Sử dụng để xác định mối quan hệ toán học của những đại lượng có mối quan hệ với
nhau ở một dạng nào đó đã biết qui luật: tuyến tính, tuần hoàn, hàm mũ, hàm logarít…các
dạng hàm này đều chưa biết các giá trị cụ thể của các tham số, để xác định các tham số đó
sử dụng thí nghiệm, đo đạc…các cặp giá trị tương ứng và chọn một mô hình toán học cụ
thể để tính toán tổng giá trị sai lệch bình phương các điểm. Tổng sai lệch này là hàm của
các giá trị hệ số cần xác định. Các hệ số phù hợp với mô hình là giá trị của nghiệm để giá

x
2
(i)
x
m
(i)
.
.
.
Đầu ra
d(i)

Hình 1.3 Sơ đồ xác định mối quan hệ thực nghiệm

10

 Nguyên tắc cơ bản của quy hoạch thực nghiệm là tốn ít thời gian nhất để nhận thông
tin nhiều nhất. Do vậy có thể nhận thấy rằng phương pháp quy hoạch thực nghiệm là
phương pháp đơn giản và đòi hỏi ít số liệu thí nghiệm và ít xử lý toán học phức tạp
(Chẳng hạn chỉ có hai yếu tố đầu vào thì chỉ cần thí nghiệm 4 mẫu). Do sử dụng ít
tính toán nên phương pháp này hầu như loại bỏ được sai số tính toán.
 Tuy sử dụng ít thí nghiệm nhưng ở một giới hạn thì kết quả là chấp nhận được nếu đã
biết trước hàm phụ thuộc.
 Phương pháp quy hoạch thực nghiệm sử dụng chính xác dữ liệu thí nghiệm vào trong
công thức mong muốn, nên phương pháp này sẽ tránh được sai số phương pháp.
 Nhược điểm:
 Tuy đòi hỏi ít dữ liệu thí nghiệm nhưng phương pháp này cũng đòi hỏi tiến hành một
lượng không nhỏ thí nghiệm để kiểm tra tính đồng nhất của nó, sau khi tiến hành
nhiều thí nghiệm như vậy những kết quả này lại không đưa vào trong công thức cuối
cùng cần đạt được. Như vậy vừa mất công mà lại làm giảm tính chính xác của


g
2
(x)

g
m
(x)

.
.
.

Đầu ra tối
ưu x
*

Hình 1.4 Sơ đồ xác định chế độ cắt tối ưu

Phương pháp giải 11

- Giới hạn biên được thành lập để đảm bảo các chỉ tiêu về chất lượng gia công (độ
nhám bề mặt, bước nhám, ), các giới hạn do các yếu tố cố định (công suất cắt, độ
uốn trục dao, độ bền răng dao ), các giới hạn dẫn xuất khác (nhiệt cắt, độ mòn
dụng cụ, rung động ). Các giới hạn biên xác định vùng không gian giới hạn cho các
biến.
- Phát biểu bài toán tối ưu: viết bài toán dưới dạng các ký hiệu toán học và cũng để

một số mô hình toán học xác định
trước nên sẽ mất nhiều thời gian
cho việc tính toán, lựa chọn mô hình thích hợp cho bộ dữ liệu. Với mỗi mô hình đều xác
định các hệ số tính toán nên có tính cứng nhắc khi thay đổi một mô hình nào đó, do vậy sẽ
khó đạt độ chính xác dự đoán mối quan hệ thực nghiệm cao. Mặt khác tiêu chuẩn để xác
định một hàm toán học quan hệ thực nghiệm theo hai phương pháp trên là tổng độ lệch
bình phương khoảng cách giữa điểm thực nghiệm và điểm dự đoán E là nhỏ nhất. Hình 1.5
thể hiện đường quan hệ thực đo và đường quan hệ dự đoán bởi phương pháp.
Hình 1.5 Đường quan hệ thực nghiệm và dự đoán

y
A1do
x
Aido
Ando
A1tt
Antt
Aitt
yitt
yido
xi
E
1E
iE

và điểm dự đoán bởi phương pháp A
itt

là 
i
:
%100.
ido
ittido
i
y
yy 


(1.2)
Trong đó y
ido
và y
itt
là các giá trị tương ứng của điểm A
i
ứng với giá trị thực đo và giá trị
tính toán bởi phương pháp. Gọi giá trị trung bình sai số dự đoán bởi phương pháp là 
tb
và
độ phân tán sai số dự đoán là : 


và độ phân tán của các sai số  càng nhỏ càng tốt.
Nhược điểm đối với 2 phương pháp trên sử dụng tiêu chuẩn độ lệch E càng nhỏ cảng tốt
sẽ dẫn đến sai lệch tương đối tại các điểm có thể rất lớn và độ phân tán lớn trong khi vẫn
đảm bảo tiêu chuẩn lệch E. Cách tiếp cận theo tiêu chuẩn độ lệch E chưa thể đảm bảo tìm
được một mối quan hệ tốt nhất cho tập dữ liệu thực nghiệm. Vì vậy cách tiếp cận để nâng
cao khả năng dự đoán chính xác mối quan hệ thực nghiệm là thay vì sử dụng tiêu chuẩn độ
lệch E thì sử dụng tiêu chuẩn sai lệch trung bình tại các điểm 
tb
và độ phân tán các sai số
. Một hàm quan hệ thực nghiệm dự đoán chính xác cao phải đảm bảo 
tb
và  càng nhỏ
càng tốt.
Mặt khác trong quá trình gia công hay thu thập các thông tin trong và sau gia công luôn
tồn tại các yếu tố không kiểm soát được (yếu tố nhiễu) do vậy một phương pháp xác định
mối quan hệ thực nghiệm mà không ước lượng được mức độ ảnh hưởng của nhiễu sẽ khó
xác định được mối quan hệ thực nghiệm đó có phản ánh được bản chất của mối quan hệ
giữa các thông số công nghệ đến yếu tố đầu ra hay không. Nếu ước lượng được mức độ
của nhiễu lên kết quả đầu ra thì có thể quyết định tiếp tục thực hiện tìm hàm hồi qui thực
nghiệm hay dừng lại để tiến hành thí nghiệm lại với việc cải thiện điều kiện thí nghiệm.
Các phương pháp truyền thống hiện nay ít quan tâm đến vấn đề này và do đó đã làm hạn
chế khả năng dự đoán chính xác và phản ánh bản chất của mối quan hệ thực nghiệm.
Quá trình giải bài toán tối ưu hiện nay với các phương pháp cải tiến về cơ bản cũng đã
đáp ứng nhưng xét về chiến lược thời gian thì còn hạn chế. Qúa trình xác định chế độ công
nghệ tối ưu là đưa ra được bộ thông số công nghệ cụ thể với đầy đủ các biến. Thực chất đối
với người làm công nghệ cơ khí không nhất thiết lúc nào cũng phải tối ưu cả 3 biến V, S, t
mà các biến này phụ thuộc vào từng giai đoạn công nghệ cụ thể (gia công thô, tinh). Nếu
biết mức độ ảnh hưởng của từng thông số đó đến yếu tố đầu ra: V, S, t ảnh hưởng như thế
nào đến Rz và mức độ ảnh hưởng bao nhiêu điều này rất quan trọng với người làm công
nghệ. Cách tiếp cận hiện nay kế thừa kinh nghiệm thực tế: gia công tinh thì nên đặt chế độ

quan tâm và phát triển. Tuy nhiên ứng dụng khoa học trí tuệ nhân tạo trong lĩnh vực tối ưu
quá trình gia công cơ khí đang được nghiên cứu mạnh mẽ tại các nước phát triển. Tác giả
M.F.F. Ab. Rashid and M.R. Abdul Lani [29] đã sử dụng mạng nơ ron nhân tạo (ANN) để
thiết lập mối quan hệ thực nghiệm giữa chế độ cắt và độ nhám bề mặt khi phay. Tác giả
Chakguy Prakasvudhisarn, Siwaporn Kunnapapdeelert và Pisal Yenradee [30] đã sử dụng
phương pháp ANN và cải tiến khi tìm chế độ cắt tối ưu để đáp ứng độ nhám bề mặt khi
phay với dao phay ngón. Tác giả Hazim El-Mounayri, Zakir Dugla, and Haiyan Deng [31]
sử dụng trí tuệ nhân tạo bầy đàn dự đoán độ nhám bề mặt khi phay. Tác giả H. AI-Wedyan
K. Demirli R. Bhat [32] và tác giả M. Hanna [33] sử dụng mô hình Logic mờ để dự đoán
mối quan hệ giữa chế độ cắt với độ nhám bề mặt trên trung tâm gia công. Các tác giả trên
sử dụng mạng nơ ron nhân tạo và trí tuệ bầy đàn hay kỹ thuật Logic mờ để thiết lập mối
quan hệ thực nghiệm, các giải pháp này đã cho kết qủa dự đoán tốt hơn các phương pháp
truyền thống nhưng vẫn dựa trên tiêu chuẩn dừng độ lệch E nên hạn chế khả năng tăng độ
chính xác dự đoán. Ngoài ra tác giả Sanjit Moshat, Saurav Datta, Asish Bandyopadhyay và
Pradip Kumar Pal [34] sử dụng phân tích Taguchi kết hợp với phân tích PCA xác định chế
độ cắt tối ưu cho quá trình phay CNC. Qua những phân trên thấy rằng với cách tiếp cận
ứng dụng trí tuệ nhân tạo thiết lập mối quan hệ thực nghiệm sẽ cho độ chính xác dự đoán
cao hơn nhưng các tác giả vẫn tiếp cận hàm thực nghiệm từ góc độ tiêu chuẩn độ lệch bình
phương E do đó sẽ làm hạn chế khả năng nâng cao độ chính xác dự đoán quan hệ thực
nghiệm. Một số tác giả đã sử dụng phân tích Taguchi xác định mức độ ảnh hưởng của các
yếu tố chế độ cắt đến hàm mục tiêu nhưng các hàm mục tiêu và hàm biên lại được xây

14

dựng bằng các phương pháp truyền thống. Nhược điểm khi sử dụng phương pháp trí tuệ
nhân tạo thiết lập hàm quan hệ thực nghiệm là sự không tường minh trong quan hệ toán
học nên khó giải thích cơ chế tác động của chế độ cắt với đầu ra (tỷ lệ thuận hay tỷ lệ
nghịch ). Mặt khác các giải thuật trí tuệ nhân tạo tiến hóa hay bầy đàn được các tác giả sử
dụng giải bài toán tối ưu có tính ưu việt tìm chính xác nghiệm tối ưu nhưng lại dựa trên các
hàm mục tiêu và hàm biên tường minh do vậy chưa có sự kết nối tính ưu việt của trí tuệ

truyền thống và trí tuệ nhân tạo tính toán.
Trí tuệ nhân tạo truyền thống bao gồm các phương pháp hiện được phân loại là các
phương pháp học máy (machine learning), hệ hình thức (formalism) và phân tích thống kê.
Các phương pháp gồm có:
- Hệ chuyên gia: áp dụng các khả năng suy luận để đạt tới một kết luận. Một hệ
chuyên gia có thể xử lý các lượng lớn thông tin đã biết và đưa ra các kết luận dựa
trên các thông tin đó.
- Lập luận theo tình huống.
- Mạng Bayes.
Trí tuệ nhân tạo tính toán là một trong những hướng nghiên cứu, tiếp cận của trí tuệ
nhân tạo mà chủ yếu là nghiên cứu việc học và phát triển lặp. Việc học dựa trên dữ liệu
kinh nghiệm và có quan hệ với trí tuệ nhân tạo phi ký hiệu, có nhiều trường phái khác
nhau. Các phương pháp chính gồm có:
- Mạng neuron (Neural network): các hệ thống mạnh về nhận dạng mẫu
- Hệ mờ (Fuzzy system): các kỹ thuật suy luận không chắc chắn, đã được sử dụng
rộng rãi trong các hệ thống công nghiệp hiện đại và các hệ thống quản lý sản phẩm
tiêu dùng.
- Tính toán tiến hóa (Evolutionary computation): ứng dụng các khái niệm sinh học như
quần thể, biến dị và đấu tranh sinh tồn để sinh các lời giải ngày càng tốt hơn cho bài
toán. Các phương pháp này thường được chia thành các thuật toán tiến hóa (thuật
toán gen) và trí tuệ bầy đàn (swarm intelligence).
- Trí tuệ nhân tạo dựa hành vi (Behavior based AI): phương pháp mô-đun để xây dựng
các hệ thống trí tuệ nhân tạo bằng tay.
Ngoài ra hiện nay còn phát triển các hệ thống trí tuệ nhân tạo lai (hybrid intelligent
system), trong đó kết hợp hai trường phái này. Các luật suy diễn của hệ chuyên gia có thể
được sinh ra bởi mạng nơron hoặc các luật dẫn xuất từ việc học.
Các phương pháp trí tuệ nhân tạo thường được dùng trong các công trình nghiên cứu
khoa học nhận thức, mô phỏng, dự đoán…
16
2.2 Mạng nơron nhân tạo

trong bộ não người. Hình 2.2 thể hiện sự liên kết trong xử lý thông tin giữa 2 nơron. Thông
tin sau khi kết xuất tại đầu ra của nơron này sẽ được chuyển lên nơron cao hơn để xử lý.
Dựa trên cơ sở tiếp nhận thông tin, xử lý thông tin và cấu trúc mạng nơron sinh học
thiết lập mạng nơron nhân tạo nhằm có được cách tiếp cận xử lý thông tin của mạng nơron
sinh học.
2.2.2 Mô hình mạng nơron nhân tạo [8]
2.2.1.1 Mô hình toán học
Với bài toán thực nghiệm cần dự đoán một mối quan hệ giữa các yếu tố đầu vào và yếu
tố đầu ra như hình 2.3. Trong đó, đầu vào có thể là một hay nhiều tín hiệu vào và đầu ra
Hình 2.1 Hoạt động một nơron
sinh học
Hình 2.2 Liên kết giữa các nơron
17
cũng có một hay nhiều tín hiệu ra. Vậy cần xác định các thông số hệ thống để đảm bảo mối
quan hệ có mức độ chính xác mong muốn.

Trên cơ sở cấu trúc, tiếp nhận và xử lý thông tin của mạng nơron sinh học thiết lập mô
hình mạng nơron nhân tạo. Hình 2.4 là một mô hình mạng nơron nhân tạo với 2 lớp ẩn

Trong đó:
- Lớp vào gồm một hay nhiều tín hiệu vào, trong đó mỗi tín hiệu đặc trưng cho một
loại tín hiệu chứa đựng một loạt các thông tin về một đại lượng vào: tốc độ cắt V,
lượng tiến dao S, chiều sâu cắt t, tần số rung động bên ngoài f,…Các tín hiệu vào
được thể hiện bởi một vector đầu vào x gồm nhiều thành phần, mỗi thành phần là
một loại tín hiệu đặc trưng. Tại thời điểm i vector đầu vào được thể hiện:
T
m
ixixixix )](), (),([)(
21


Lớp vào Lớp ẩn 1 u
11 u
1i u
1j u
1m Lớp ẩn 2 u
2n u

Bias lớp ẩn 1 Bias lớp ẩn 2 Bias lớp ra Hình 2.4 Mô hình mạng nơ ron nhân tạo Đầu vào
Thông số
hệ thống?
x
1
(i) x
2
(i)


xuất của mỗi nơron này lại là đầu vào cho lớp nơron tiếp theo…tại thời điểm i vector
trọng số được thể hiện:
T
m
iwiwiwiw )](), (),([)(
21

(2.3)
- Trên mỗi nơron đặt một bias đánh giá mức độ ảnh hưởng của tổng tất cả các yếu tố
vào. Hàm tác động vào mỗi nơron là f(u). Hàm tác động ở mỗi lớp có thể giống nhau
hoặc khác nhau.

Giá trị u
1i
tại lớp ẩn 1 là:
1 ij 1
1
11
w.
()
m
i j i
j
ii
ux
y f u






(2.5)
Giá trị kết xuất tại đầu ra của lớp ra y:









)(
.
1
2
d
n
j
djijd
ufdy
yru

(2.6)
Khi có n bộ dữ liệu đầu vào x
i
và tương ứng có n giá trị ra mong muốn y
i
. Vì vậy cần
phải xác định các bộ trọng số w

m
i
ii
m
i
i
nyndnenE
(2.8)
Tổng trung bình bình phương của N mẫu đưa vào học tại vòng lặp thứ n sẽ là:
 U
i W
1j
f(u)y
j W
2j

ij
. Vì vậy các giá trị trọng số w chính
là các tham số động của mô hình mạng. Cần thay đổi các giá trị trọng số để giảm giá trị
cho hàm sai lệch nghĩa là để giá trị kết xuất tại đầu ra của mạng luôn bám sát được giá trị
đầu vào cần. Hình 2.6 thể hiện mối quan hệ cho sự thay đổi trọng số để giảm giá trị sai
lệch.

Cần tìm trong không gian các lời giải một bộ trọng số w* để hàm sai lệch E đạt giá trị
nhỏ nhất có thể vì vậy giá trị hàm sai lệch e
i
là cơ sở để điều chỉnh cho giá trị trọng số. Bản
chất của quá trình giải tìm bộ trọng số cũng là bài toán tối ưu. Hiện nay có nhiều phương
pháp tìm kiếm nhưng phổ biến là phương pháp phương pháp giảm dốc Gradient
Quá trình điều chỉnh trọng số nhằm mục đích để giá trị ra kết xuất bởi mạng nơron y(i)
luôn bám theo giá trị cần mong muốn d(i) tương ứng với mỗi cặp đầu vào x(i). Nghĩa là
trong không gian các lời giải của các vector trọng số w(1), w(2),…,w(n) tìm ra bộ trọng số
tốt nhất w* để giá trị hàm sai lệch nhỏ nhất (giá trị đầu ra kết xuất bởi mạng bám theo
được giá trị đầu ra mong muốn)
)()(
*
wEwE 
(2.10)
Quá trình thí nghiệm thu được các cặp mẫu tín hiệu vào-ra là:
 
))(),( idix
với k=1,2…n (2.11)
Trong đó:
x là bộ giá trị đầu vào:
 
T


x
1
(i) w
1
(i) .
. x
n
(i) w
2
(i) w
n
(i)
hình tính toán bằng logic mờ các đại lượng sẽ được mờ hóa, việc tính toán dựa trên các
hàm liên thuộc và đươc xác định dựa trên kinh nghiệm của người điều khiển. Tập mờ và
lôgic mờ đã dựa trên các thông tin không đầy đủ về đối tượng để điều khiển đầy đủ về đối
tượng một cách chính xác.
Lôgic mờ và xác xuất thông kê đều nói về sự không chắn chắn. Tuy nhiên mỗi lĩnh vực
định nghĩa một khái niệm khác nhau về đối tượng. Trong xác suất thống kê sự không chắc
chắn liên quan đến sự xuất hiện của một sự kiện chắc chắn nào đó. Sự không chắc chắn
trong ngữ nghĩa, liên quan đến ngôn ngữ của con người, đó là sự không chính xác trong
các từ ngữ mà con người dùng để ước lượng vấn đề và rút ra kết luận. Mặc dù các khái
niệm không được định nghĩa chính xác nhưng con người vẫn có thể sử dụng chúng cho các
ước lượng và quyết định phức tạp. Bằng sự trừu tượng và óc suy nghĩ, con người có thể
giải quyết câu nói mang ngữ cảnh phức tạp mà rất khó có thể mô hình bởi toán học chính
xác. Sự không chắc chắn theo ngữ vựng như đã nói trên, mặc dù dùng những phát biểu
không mang tính định lượng nhưng con người vẫn có thể thành công trong các ước lượng
phức tạp. Trong nhiều trường hợp, con người dùng sự không chắc chắn này để tăng thêm
độ linh hoạt.
Trong thực tế, không định nghĩa một luật cho một trường hợp mà định nghĩa một số luật
cho các trường hợp nhất định. Khi đó những luật này là những điểm rời rạc của một tập
các trường hợp liên tục và con người xấp xỉ chúng. Gặp một tình huống cụ thể, con người
sẽ kết hợp những luật mô tả các tình huống tương tự. Sự xấp xỉ này dựa trên sự linh hoạt
của các từ ngữ cấu tạo nên luật, cũng như sự trừu tượng và sự suy nghĩ dựa trên sự linh
hoạt trong Lôgic của con người. Để thực thi lôgic của con người trong kỹ thuật cần phải có
một mô hình toán học của nó. Từ đó lôgic mờ ra đời như một mô hình toán học cho phép
mô tả các quá trình quyết định và ước lượng của con người theo dạng giải thuật. Dĩ nhiên
cũng có giới hạn, đó là lôgic mờ không thể bắt trước trí tưởng tượng và khả năng sáng tạo
của con người. Tuy nhiên, lôgic mờ cho phép rút ra kết luận khi gặp những tình huống
không có mô tả trong luật nhưng có sự tương đương. Vì vậy, nếu mô tả những mong muốn
của mình đối với hệ thống trong những trường hợp cụ thể vào luật thì lôgic mờ sẽ tạo ra
giải pháp dựa trên tất cả những mong muốn đó.
21

được các ưu điểm của hai mô hình.
2.4 Mạng mờ nơron [8], [9]
Mạng nơron với sự mô phỏng thu nhận tín hiệu và xử lý tín hiệu của bộ não người với
những ưu điểm nổi bật:
Hình 2.7 Mô hình toán học của Logic mờ
22
- Khả năng của các quá trình xử lý song song và phân tán: có thể đưa vào mạng một
lượng lớn các nơron liên kết với nhau theo những lược đồ và các kiến trúc khác
nhau.
- Khả năng thích nghi và tự tổ chức: mạng có thể xử lý thích nghi và điều chỉnh bền
vững dựa vào các thuật toán học thích nghi và qui tắc tự tổ chức.
- Khả năng dung thứ lỗi: mạng bắt trước khả năng dung thứ lỗi của não theo nghĩa hệ
thống, có thể tiếp tục làm việc và điều chỉnh khi nhận tín hiệu vào một phần thông tin
bị sai lệch hoặc bị thiếu.
- Xử lý các quá trình phi tuyến: đây là đặc điểm nổi bật quan trọng nhất của mạng
nơron. Mạng có thể xấp xỉ các hàm phi tuyến phức tạp, miễn nhiễm (chấp nhận
nhiễu) và có khả năng phân lớp.
Với các ưu điểm nổi bật như vậy mạng nơron được ứng dụng ngày càng nhiều đặc biệt
trong các lĩnh vực
- Lĩnh vực phân lớp, tách cụm, dự đoán và liên kết: mạng nhận tín hiệu vào tĩnh hay
tín hiệu vào theo thời gian và nhận dạng, phân lớp chúng.
- Lĩnh vực các bài toán tối ưu: ở lĩnh vực này thường tìm những thuật toán huấn
luyện mạng sao cho góp phần tìm nghiệm cho nhiều lớp bài toán tối ưu toàn cục,
thường sử dụng kết hợp mạng với các giải thuật tiến hóa.
- Lĩnh vực ứng dụng trong hồi qui: sử dụng mô hình toán học mềm dẻo của mạng
nơron để tìm mô hình hồi qui tuyến tính và phi tuyến chính xác khớp với mẫu. trong
các bài toán hồi qui thường sử dụng các thuật học có giám sát

năng suất cắt.
2.4.1 Mô hình mạng mờ nơron
Dựa trên cơ sở hệ suy luận mờ được Jang đề xuất (1992) [9], [10], [11], [14], [15]. Sử
dụng các luật học mờ dạng TSK (Takagi, Sugeno). Mạng mờ nơ ron là sự kết hợp các ưu
điểm của mạng nơ ron và Logic mờ. Mô hình toán học mạng mờ nơ ron được trình bày
trong hình 2.8. Xây dựng mô hình mạng mờ nơron học thông số với cải tiến mới khi tìm
các thông số của mạng.

Tại luật học thứ j là R
j
là sự suy luận:
Nếu x
1
là A
1
j
và x
2
là A
2
j
và x
i
là A
i
j
và x
n
là A
n

- μ
Ai
j
(x
i
) là hàm liên thuộc của mỗi biến ngôn ngữ ở đầu vào (j=1,2,3,…,M)
- p
i
j
R là các trọng số đánh giá mức độ ảnh hưởng của mỗi biến x
i
đến luật học thứ j
Cấu trúc mạng mờ nơron gồm 3 phần chính: bộ phận mờ hóa giữ liệu đầu vào, bộ phận
suy diễn mờ, bộ phận giải mờ bao gồm các lớp sau:
Lớp 1: là lớp dữ liệu đầu vào, mỗi nơron thứ i có một tín hiệu vào x
i
(x
1
là vận tốc cắt V,
x
2
là lượng tiến dao S, x
3
là chiều sâu cắt t)
Lớp 2: là lớp mờ hóa dữ liệu đầu vào, mỗi giá trị đầu vào được mờ hóa. Mỗi phần tử là
một hàm liên thuộc
)(
i
A
x