Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên http://www.lrc-tnu.edu.vn
GÓC BAY CỦA MÁY BAY BOEING BÙI THỊ THU PHƢƠNG

THÁI NGUYÊN - 2010

Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên http://www.lrc-tnu.edu.vn

NGHIÊN CỨU ỨNG DỤNG BỘ ĐIỀU KHIỂN
NARMA-L2 VÀO THIẾT BỊ LÁI TỰ ĐỘNG
GÓC BAY CỦA MÁY BAY BOEING

Ngành : TỰ ĐỘNG HÓA
Học viên : BÙI THỊ THU PHƢƠNG
Cán bộ hƣớng dẫn khoa học: TS. PHẠM HỮU ĐỨC DỤC
THÁI NGUYÊN - 2010

Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên http://www.lrc-tnu.edu.vn

Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên http://www.lrc-tnu.edu.vn

LỜI NÓI ĐẦU

Trong hệ thống điều khiển hiện đại, có rất nhiều phương pháp điều khiển
đảm bảo tốt chất lượng điều khiển. Trong điều khiển tự động, để điều khiển
chính xác đối tượng khi chưa biết rõ được thông số, trước tiên ta phải hiểu rõ đối
tượng đó. Đặc biệt đối với các đối tượng phi tuyến ta cần nhận dạng được đặc
tính vào - ra của nó để đảm bảo tạo ra tín hiệu điều khiển thích nghi được lựa
chọn chính xác hơn. Những bộ điều khiển hiện đại thường được sử dụng như
lôgic mờ, mạng nơron, mạng nơron mờ để nhận dạng và điều khiển thích nghi hệ
thống phi tuyến. Ngày nay trên thế giới người ta dựa vào cấu trúc mạng nơron
sinh vật để làm mạng nơron nhân tạo áp dụng vào các ngành khoa học kỹ thuật.
Trong thời gian của khoá học cao học, chuyên ngành Tự động hoá tại
trường Đại học Kỹ thuật Công nghiệp Thái Nguyên, được sự tạo điều kiện giúp
đỡ của nhà trường và Tiến sĩ Phạm Hữu Đức Dục em đã lựa chọn đề tài của
mình là: “Nghiên cứu ứng dụng bộ điều khiển Narma - L2 vào thiết bị lái tự
động góc bay của máy bay BOEING”. Trong quá trình thực hiện đề tài, được

1.3.2. Học củng cố 6
1.3.3. Học không có giám sát 7
1.4. Ứng dụng của mạng nơron trong nhận dạng và điều khiển 11
1.4.1. Các vấn đề chung 11
1.4.2. Mô tả toán học của đối tượng ở rời rạc 11
1.4.3. Ứng dụng của mạng nơ ron trong nhận dạng 13
1.4.3.1. Mô hình nhận dạng song song 14
1.4.3.2. Mô hình nhận dạng nối tiếp - song song 16
1.4.4. Ứng dụng của mạng nơron trong điều khiển 17
1.4.4.1. Bộ điều khiển ổn định 18
1.4.4.2. Điều khiển ngược thích nghi 18
1.4.4.3. Mô hình điều khiển phi tuyến 19
1.4.4.4. Mô hình điều khiển dự báo 20

Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên http://www.lrc-tnu.edu.vn

1.4.4.5. Điều khiển thích nghi theo mô hình mẫu hoặc điều khiển 21
nơron thích nghi.
1.4.4.6. Đánh giá thích nghi 22
1.4.4.7. Phản hồi tuyến tính hóa phản hồi thích nghi dùng mạng nơron 23
1.4.4.8. Điều khiển thích nghi trực tiếp ổn định 24
CHƢƠNG II. CÁC MÔ HÌNH CỦA MẠNG MỜ NƠRON TRONG 29
MATLAB VÀ ỨNG DỤNG TRONG NHẬN DẠNG VÀ ĐIỀU KHIỂN
2.1. Giới thiệu Simulink neural toolbox của matlab 29
2.1.1. Khối các hàm chuyển đổi 29
2.1.2. Khối đầu vào 30
2.1.3. Khối các hàm trọng số 30

TÀI LIỆU THAM KHẢO 74
Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên http://www.lrc-tnu.edu.vn

DANH MỤC CÁC CHỮ VIẾT TẮT, TIẾNG NƢỚC NGOÀI

STT

Ký hiệu
Diễn giải
1
Neural
Nơron

12
Laterat feedback network
Mạng phản hồi bên
13
Recurrent Networks
Mạng hồi quy
14
Lateral-inhibition network
Mạng cấu trúc ngang - hạn chế
15
Exitatory inputs
Đầu vào kích thích
16
Inhibition inputs
Đầu vào hạn chế
17
Parameter learning rules
Luật học thông số
18
Structure learning rules
Luật học cấu trúc
19
Hybrid learning rules
Luật học lai
20
Self-organizing
Tự tổ chức
21
Transfer Function
Khối các hàm chuyển đổi

Ký hiệu
Diễn giải tên hình vẽ
1
Hình 1.1a
Mạng nơron truyền thẳng một lớp
2
Hình 1.1b
Mạng nơron truyền thẳng nhiều lớp
3
Hình 1.1c
Mạng nơron chỉ có một nơron tự hồi quy
4
Hình 1.1d
Mạng nơron hồi quy một lớp
5
Hình 1.1e
Mạng có cấu trúc ngang - hạn chế
6
Hình 1.1f
Mạng nơron hồi quy nhiều lớp
7
Hình 1.2a
Học có giám sát
8
Hình 1.2b
Học củng cố
9
Hình 1.2c
Học không có giám sát
10

Mô hình điều khiển dự báo
19
Hình 1.12
Điều khiển thích nghi theo mô hình mẫu
20
Hình 1.13
Mô hình đánh giá thích nghi

Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên http://www.lrc-tnu.edu.vn

21
Hình 1.14
Phương pháp phản hồi tuyến tính hoá thích nghi dùng
mạng nơron
22
Hình 1.15
Điều khiển thích nghi trực tiếp ổn định
23
Hình 1.16
Các vùng điều khiển
24
Hình 2.1
Các khối trong Neural Network Toolbox của Matlab
25
Hình 2.2
Khối các hàm chuyển đổi
26

36
Hình 2.13
Bộ dữ liệu huấn luyện
37
Hình 2.14
Đáp ứng của mô hình đối tượng sau quá trình huấn luyện
38
Hình 2.15
Đồ thị tín hiệu đầu ra đối tượng và tín hiệu mẫu
39
Hình 2.16
Cấu trúc của mạng nơron nhận dạng
40
Hình 2.17
Mô hình NARMA-L2
41
Hình 2.18
Mô hình NARMA-L2sau khi đã nhận dạng được đối
tượng, sử dụng trong bước điều khiển tìm tín hiệu điều

Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên http://www.lrc-tnu.edu.vn

khiển u
42
Hình 2.19
Mô hình nam châm điện
43

luyện
52
Hình 2.29
Đồ thị tín hiệu đầu ra của đối tượng và tín hiệu mẫu
53
Hình 3.1
Mô hình động học của máy bay
54
Hình 3.2
Sơ đồ ứng dụng bộ điều khiển NARMA-L2 là thiết bị lái
tự động điều khiển đối tượng là góc bay

.
55
Hình 3.3
Cấu trúc của hai mạng nơron nhận dạng hàm f(.) và hàm
g(.).
56
Hình3. 4
Mô hình NARMA-L2sau khi đã nhận dạng được đối
tượng, tính toán tín hiệu điều khiển

trong giai đoạn điều
khiển.

Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên http://www.lrc-tnu.edu.vn


Đồ thị góc tấn

(rad)
63
Hình3. 11
Góc bay


(rad) (nét liền) và góc bay mong muốn
m

(rad)(nét đứt)

Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên http://www.lrc-tnu.edu.vn PHẦN MỞ ĐẦU
1. Tính cấp thiết của đề tài:

và ngay cả trong đời sống hàng ngày: điều khiển nhiệt độ, độ ẩm… Phần lớn
việc thiết kế điều khiển góc bay cho máy bay từ trước tới nay thường được dựa
trên lý thuyết điều khiển tuyến tính. Theo đó, các yếu tố phi tuyến, bất định trong
mô hình động học của máy bay được bỏ qua và động học của máy bay được xấp
xỉ bằng các mô hình tuyến tính. Sự phát triển của không quân ngày nay, với tốc
độ bay lớn, sức động cơ mạnh .v.v đã tạo ra thách thức trong vấn đề nâng cao
độ chính xác thiết kế bộ phận điều khiển tự động góc bay của máy bay. Do đó đề
tài sẽ đề cập tới việc ứng dụng bộ điều khiển Narma -L2, bộ điều khiển trung
bình trượt, phi tuyến tự hồi quy L2 vào trong thiết bị lái tự động điều khiển góc
bay của máy bay Boeing.
b.Ý nghĩa thực tiễn
Kết quả nghiên cứu của đề tài có thể làm cơ sở cho việc thiết kế các hệ
thống điều khiển máy bay trong nước, đặc biệt làm tài liệu hỗ trợ cho việc học
tập của sinh viên.
3. Mục đích của đề tài
Nghiên cứu ứng dụng mạng nơron trong quá trình nhận dạng và điều
khiển hệ thống phi tuyến nói chung. Đặc biệt nghiên cứu sâu hơn về việc ứng
dụng bộ điều khiển NARMA - L2 nhận dạng hệ thống được điều khiển, làm cơ
sở cho việc tạo ra tín hiệu điều khiển thích nghi được lựa chọn chính xác.
Luận văn này được chia làm bốn chương:
Chương1. Tổng quan về ứng dụng của mạng nơron trong nhận dạng và
điều khiển.

Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên http://www.lrc-tnu.edu.vn

Chương 2. Các mô hình của mạng mờ nơron trong Matlab và ứng dụng
trong nhận dạng và điều khiển.

có thể không có hoặc có nhiều lớp ẩn. Một mạng được gọi là liên kết đầy đủ nếu
mỗi nơron ở các lớp trước liên kết với tất cả các nơron ở lớp ngay sau nó. Mạng
nơron ở (hình 1.1b) là loại mạng nơron truyền thẳng có 3 lớp, có liên kết không
đầy đủ.

Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên http://www.lrc-tnu.edu.vn

Nếu mạng nơron có các tín hiệu đầu ra được đưa ngược trở lại đầu vào của
các nơron ở các lớp trước nó hoặc chính nó thì mạng đó được gọi là mạng phản
hồi (Feedback network).
Mạng phản hồi ở các vòng kín được gọi là mạng hồi quy (recurrent
network). Hình 1.1c mô tả một loại mạng hồi quy đơn giản nhất, chỉ có một
nơron có tín hiệu ra tự phản hồi về đầu vào của chính nó.
Mạng một lớp có liên kết phản hồi như hình 1.1d có đặc điểm tín hiệu đầu
ra của mỗi nơron được đưa ngược trở lại đầu vào của chính nó hoặc của các
nơron khác được gọi là mạng hồi quy một lớp.
Hình 1.1e mô tả mạng cấu trúc ngang - hạn chế (Lateral-inhibition
network), mạng này có 2 loại tín hiệu đầu vào khác nhau: các đầu vào kích thích
(Exitatory inputs) ứng với các tín hiệu vào có gắn kí hiệu vòng rỗng (0) và đầu
vào hạn chế (Inhibition inputs) với các tín hiệu vào có gắn kí hiệu vòng đặc (

).
Hình 1.1 f mô tả mạng hồi quy nhiều lớp.
x
1
(c)
x
1
y
1

x
2
y
2

x
m
y
n
(d) x
1
y
1

x
2
y
2

x
m


x
m (f)
(e)

(a) Mạng nơron truyền thẳng một lớp
(b) Mạng nơron truyền thẳng nhiều lớp
(c) Mạng nơron chỉ có một nơron tự hồi quy
(d) Mạng nơron hồi quy một lớp
(e) Mạng có cấu trúc ngang - hạn chế
(f) Mạng nơron hồi quy nhiều lớp.
1.2. Các tính chất của mạng nơron
Mạng nơron có một số tính chất sau đây:
- Là hệ phi tuyến
- Là hệ xử lý song song: mạng nơron có cấu trúc song song, do đó có tốc
độ tính toán rất cao, rất phù hợp với lĩnh vực nhận dạng và điều khiển.
- Là hệ học và thích nghi: Mạng được luyện từ các số liệu quá khứ, có khả
năng tự điều chỉnh khi số liệu đầu vào bị mất, có thể điều khiển on-line.


Các luật học trong nhóm học thông số có nhiệm vụ tính toán cập nhập giá
trị của trọng số liên kết các nơron trong mạng .
Các luật học trong nhóm học cấu trúc có nhiệm vụ đưa ra cấu trúc hợp lý
của mạng như thay đổi số lượng nơron hay thay đổi số lượng liên kết của các
nơron có trong mạng
Hai nhóm luật học trên có thể được áp dụng đồng thời (khi đó gọi là các
luật học lai - hybrid learning rules) học cả cấu trúc và thông số, hoặc được áp
dụng riêng rẽ.
Sau đây trình bày các luật học thông số với các giả thiết:
Cấu trúc của mạng nơron gồm số lượng lớp nơron, số lượng nơron và cách
thức liên kết của các trọng số có trong mạng đã hợp lý
Ma trận trọng số đã bao gồm tất cả các phần tử thích ứng
Nhiệm vụ của học thống số là đưa ra phương pháp nào đó để tìm ra ma
trận trọng số điều chỉnh từ ma trận trọng số tùy chọn ban đầu với cấu trúc của
mạng nơron đã được xác định từ trước, thỏa mãn điều kiện sai lệch trong phạm
vi cho phép.
Để làm được việc đó, mạng nơron sử dụng các phương pháp học thích ứng
để tính toán được các ma trận trọng số điều chỉnh w đặc trưng cho mạng. Có 3
kiểu học là: Học có giám sát, học củng cố và học không có giám sát.
1.3.1. Học có giám sát:
Cho trước p cặp mẫu tín hiệu vào - ra sau đây:
(x
(1)
,d
(1)
),…,(x
(k)
,d
(k)

vào đầu vào của mạng nơron, ở đầu ra có
một tín hiệu ra tương ứng là y
(k)
. Sai lệnh giữa hai véc tơ tín hiệu d, y có nhiệm
vụ điều chỉnh véc tơ trọng số w của mạng nơron sao cho véc tơ tín hiệu ra y của
mạng bám theo được véc tơ tín hiệu ra mong muốn d, nói cách khác là để giảm
thiểu sai lệch giữa chúng. Như vậy kiểu học có giám sát (hình 1.2a) có đặc điểm
là cần có tín hiệu đầu ra mong muốn d được lấy từ bên ngoài.
1.3.2. Học củng cố
Trong quá trình học giám sát, giả thiết rằng đáp ứng đầu ra của mạng đã
đạt được giá trị mong muốn nhưng ở một mẫu vào – ra nào đó bị cho rằng có kết
quả không đáng tin cậy, vì vậy cần phải tiến hành kiểm tra lại mẫu nói trên. Khi
đó chỉ có một bit tín hiệu của mẫu cần kiểm tra đóng vai trò là tín hiệu củng cố
được đưa vào mạng để góp phần khẳng định kết quả quá trình học có giám sát
đúng hay sai. Kiểu học này được gọi là kiểu học củng cố (hình 1.2b). Kiểu học
này cũng có tín hiệu củng cố được lấy từ bên ngoài nên nó chỉ là một trường hợp
đặc biệt của kiểu học có giám sát.
1.3.3. Học không có giám sát
Kiểu học này có đặc điểm là không có tín hiệu lấy từ bên ngoài. Mạng cần
phải tự mình tìm ra các mẫu, nét đặc trưng, sự tương thích, phân loại trong dữ
liệu đầu vào và mã hóa thành các mẫu ở đầu ra. Trong quá trình học không giám
sát (hình 1.2c) nếu mạng không thay đổi thông số của nó thì được gọi là tự tổ
chức (self-organizing)
Hình 1.3 trình bày luật học trong số ở dạng cơ bản nhất cho nơron thứ i.
Trong đó véc tơ tín hiệu vào: x =[(x
1
,x
2
,…, x
j

Hình 1.2. Sơ đồ ba kiểu học của mạng nơron
(a). Học có giám sát
(b). Học củng cố
(c). Học không có giám

đánh giá
(b)

Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên http://www.lrc-tnu.edu.vn x
1
w
i1

x
2
w
i2

y
i
w
ij
x
j
w
i

vectơ trọng số w
i
sao cho các tín hiệu đầu ra của nơron thứ i là y
i
bám theo được
tín hiệu đầu ra mong muốn d
i
(hình 1.3).
- Yêu cầu đối với kiểu học không có giám sát
Trọng số của nơron thứ i chỉ phụ thuộc vào giá trị của sự kết hợp của tín
hiệu đầu vào and/or với tín hiệu đầu ra.
Nơron
thứ i
Máy phát
tín hiệu học
w
im
=b
i

Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên http://www.lrc-tnu.edu.vn

Nói chung các luật học trọng số đều có sự thay đổi giá trị của véctơ trọng
số liên kết của nơron thứ i là w
i
tại thời điểm t phù hợp với tín hiệu học r và tín
hiệu vào x(t):



dt
)t(dw
i
rx(t) (1.4)
Từ các biểu thức trên ta thấy rằng ở các luật học trọng số nói chung đều
tập trung vào xác định tín hiệu học r trong biểu thức cập nhật trọng số của mạng
nơron.
* Nhận xét:
Trong hai loại mạng nơron truyền thẳng nhiều lớp và mạng nơron hồi quy
thì mạng nơron truyền thẳng nhiều lớp có:
- Cấu trúc đơn giản vì có các phần tử truyền tín hiệu từ lớp vào đến lớp ra,
không có các tín hiệu phản hồi giữa các nơron.
- Luật học lan truyền ngược của sai lệch rất hiệu quả.
So với mạng nơron hồi quy thì mạng nơron hồi quy có:
- Cấu trúc phức tạp vì có các phần tử truyền tín hiệu ở đầu ra của nơron
lớp ra ngược tín hiệu ở đầu vào.

Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên http://www.lrc-tnu.edu.vn

Vì vậy trong luận văn này chọn mạng nơron truyền thẳng nhiều lớp đóng
vai trò là thiết bị lái tự động điều khiển góc bay của máy bay.
1.4. Ứng dụng của mạng nơron trong nhận dạng và điều khiển


u(t) = [u
1
(t), u
2
(t), u
p
(t)]
T