- 1 - MỞ ĐẦU
Những kỹ thuật điều khiển truyền thống như điều khiển Tích phân tỉ lệ(PI)
hay điều khiển Vi tích phân tỉ lệ(PID) được ứng dụng thành công trong điều
khiển những quá trình tuyến tính. Gần đây, điều khiển tiên đoán mô hình
(MPC) cũng thực hiện thành công trong điều khiển những hệ thống tuyến tính.
Tuy nhiên, khoảng 90% những quá trình sinh học và hoá học là phi tuyến cao
và hầu hết chúng là những hệ MIMO.Khi hệ thống là phi tuyến và/hoặc MIMO,
những kỹ thuật truyền thống trên thường mắc phải sai sót khi điều khiển những
hệ thống như thế. Ngày nay, những hệ thống được dùng trong công nghiệp đòi
hỏi độ tự quản cao và những kỹ thuật trên không có khả năng để đạt được điều
này.
Cần phải đạt được những đòi hỏi điều khiển tăng nhanh trong những hệ thống
điều khiển động phức tạp dưới những thay đổi quan trọng đã làm cho việc dùng
những kỹ thuật thông minh như mạng nơron, lôgic mờ và thuật giải di truyền
trong những hệ thống điều khiển trở nên hấp dẫn. Những lý do chính đằng sau
điều này là khả năng của chúng có thể “học” để xấp xỉ hàm và phân loại mẫu và
tiềm năng của chúng trong thực thi phần cứng song song đồ sộ, phương pháp
điều khiển thông minh phỏng theo quá trình xử lý thông tin không rõ ràng và ra
quyết định điều khiển của con người cũng như bắt chước quá trình tiến hoá sinh
học để tạo ra giải pháp tối ưu. Nói cách khác, chúng có khả năng thực thi (cả
phần mềm và phần cứng) nhiều chức năng cần thiết để điều khiển hệ thống với
độ tự quản cao.
Sơ đồ hệ thống điều khiển được mô tả như sau:
Hình i. Sơ đồ điều khiển đối tượng phi tuyến
Như vậy, ở đây có hai bộ điều khiển:
- 2 -
biến đổi tải có thể đến từ những chiến lược kinh tế được tính toán tại
những trung tâm năng lượng hay từ những dao động tải hệ thống. Vận
hành theo tải tin cậy và hiệu quả sẽ đảm bảo việc thoả mãn hàng ngày,
hàng tuần và theo mùa của yêu cầu năng lượng điện và những thay đổi tải
ngẫu nhiên không đoán trước cho đến những giới hạn vật lý của tổ hợp.
Việc kéo dài tuổi thọ thiết bị là quan trọng vì nó tối đa việc dùng tài sản,
giới hạn thời gian chết và tối thiểu những chi phí vận hành và bảo trì.
Nguyên nhân chính của vòng đời ngắn của bất kỳ hệ thống nào là vận
hành ứng suất cao. Trong NLNLT, những ứng suất nhiệt phụ thuộc vào
những dao động áp suất và nhiệt độ hơi là đặc biệt quan trọng. Hầu hết
ứng suất nghiêm trọng xảy ra trong suốt quá trình khởi động và những
biến đổi tải lớn đột ngột.
- 3 -
Một NLNLT có hiệu suất trong khoảng 30 đến 35%, nghĩa là tốc độ nhiệt
trong khoảng 11400-9800 Btu/KWh. Tốc độ nhiệt chịu ảnh hưởng bởi
nhiều hệ số, chẳng hạn những điều kiện hơi, áp suất bộ ngưng tụ, nhiệt độ
nước làm mát, nhiệt độ môi trường, khí áp,…Tốc độ nhiệt tăng khi làm
việc tại những tải khác với tải cơ sở. Việc tiêu tốn nhiên liệu và giá cả
làm cho việc cải tiến tốc độ nhiệt như là một tiêu chuẩn về mặc kinh tế.
Việc trộn không hoàn hảo giữa không khí và nhiên liệu sẽ làm vượt quá
lượng không khí để tránh việc nhiên liệu không được đốt hết, mà sẽ dẫn
đến việc tạo khói đen và khí CO độc cũng như những lượng nhiên liệu dư
khá nguy hiểm. Bên cạnh đó lượng không khí dư sẽ dễ hình thành những
chất không mong muốn khác như sunfua dioxit, nitrogen oxit và làm
giãm hiệu suất boiler do nhiệt bị tiêu phí trong khí nhiên liệu.
Tấ cả những yêu cầu được đề cập ở trên đã dẫn đến việc phát triển những
phương pháp điều khiển linh hoạt và toàn diện hơn. Chúng cũng cung cấp
những chức năng cần thiết cho việc vận hành theo tải diện rộng chất lượng cao
và kỹ thuật quá trình. Trong đó kỹ thuật phần mềm được xem là rất quan trọng
để thiết kế hệ thống điều khiển cho NLNLT.
dụ phải làm với sự am hiểu sáng sưốt và các dữ liệu khách quan như thị giác,
thính giác và các tín hiệu khác. Nhìn chung, các ví dụ chứng tỏ cách chạy này
có nhiều đặc tính của con người hơn là các máy tính được lập trình sẵn.
Ngày nay, trí tuệ nhân tạo đang phát triển mạnh mẽ nhằm tạo ra cơ sở xây
dựng các hệ chuyên gia, hệ trợ giúp quyết định. Trí tuệ nhân tạo được xây dựng
trên cơ sở mạng nơron nhân tạo và ứng dụng trong thiết kế hệ thống điều khiển
thông minh mà trong đó bộ điều khiển có khả năng tư duy như bộ não của con
người đang là xu hướng mới trong điều khiển tự động. Mạng nơron là sự tái tạo
bằng kỹ thuật những chức năng của hệ thần kinh con người với vô số các nơron
được liên kết truyền thông với nhau trong mạng.
Điều khiển mờ là một phương pháp điều khiển thông minh phỏng theo quá
trình xử lý thông tin không rõ ràng và ra quyết định điều khiển của con người.
Phương pháp này rất thích hợp để điều khiển các đối tượng phức tạp, không xác
định được mô hình toán và các đối tượng phi tuyến. Tuy nhiên, bộ điều khiển
mờ thường được thiết kế bởi quan điểm, cách nhìn riêng của người thiết kế.
Người thiết kế biến sự hiểu biết, kinh nghiệm của mình về quá trình cần điều
khiển thành các biến ngôn ngữ và các qui tắc mờ mô tả mối quan hệ giữa
chúng. Do đó công việc thiết kế thường mang nặng tính “thử sai”, khi gặp các
đối tượng phức tạp người thiết kế sẽ mất rất nhiều thời gian mà kết quả có được
có thể sẽ không tối ưu. Vấn đề tự chỉnh bộ điều khiển mờ là một trong những
vấn đề đã được quan tâm nghiên cứu rất nhiều từ khi điều khiển mờ khẳng định
được là một phương pháp hiệu quả để điều khiển các đối tượng phức tạp.
- 6 -
Do đó để giảm đi việc tính toán thủ công và rút ngắn thời gian thiết kế,người
ta kết hợp logic mờ và mạng nơron tạo ra khả năng tự chỉnh cho các tập mờ. Và
hệ thống này được gọi là hệ neuro-mờ.
Hầu hết những quá trình công nghiệp là phi tuyến và biến đổi theo thời gian.
Nhận dạng hệ thống phi tuyến đang trở thành một công cụ quan trọng mà có thể
được dùng để cải tiến quá trình điều khiển và đạt được độ bền vững cao. Có
thức thuộc MIT,NeuoDyne Ins, Cambridge.
Bang Washington có Phòng Thí nghiệm ứng dụng,Trí tuệ Tính toán thuộc
Đại học Washington,Nhóm Nghiên cứu Nơron tại Phòng thí nghiệm Xử lý
Thông tin. Nhóm nghiên cứu Nơron thuộc Phòng thí nghiệm Pacific Northwest
tại Washington.
- 7 -
Bang Texas có Phòng thí nghiệm Kỹ thuật Nơron R&D thuộc Đại học Texas ở
Austin.Phòng thí nghiệm Tính toán Ứng dụng tại đại học Kỹ thuật Texas.
Bang Pensylvania có Trung tâm Cơ sở Nơron của Nhận thức tại Carnegie
Melon.
Bang Ohio có Phòng Thí nghiệm Hệ thống Nơron Nhân tạo thuộc Đại học
Cincinnati.
Bang New Mexico có Nhóm Tính toán Thích nghi thuộc Đại học New
Mexico. Nhóm Tính toán Thích nghi Phi tuyến thuộc Phòng thí nghiệm Quốc
gia Los Alamos.
Bang New Jersey có Nhóm Nghiên cứu Nơron Nhân tạo ở Viện nghiên cứu
NEC,Princeton. Nhóm Nhận thức,Trí tuệ và Tính toán dựa trên DNA,ở Viện
nghiên cứu NEC,Princeton v.v…
Anh: có Trung tâm Mạng Nơron tại trường Hoàng gia London. Trung tâm
Hệ thống Nơron tại Đại học Edinburgh. Nhóm Nghe,Nhìn và Robot Đại học
Cambridge. Nhóm Nghe,Nhìn và Hệ thống Thông minh Đại học
Southhampton.Nhóm Nghiên cứu Trí tuệ Nhân tạo thuộc Đại học Nottingham.
Nhóm nghiên cứu Hệ thống Thông minh, khoa Khoa Học Máy tính thuộc Đại
học London v.v…
Nhật: có Phòng Thí nghiệm Robot và Cơ -Điện tử thuộc Đại học Nagoya.
Phòng thí nghiệm Okabe và Hirose thuộc Đại học Tokyo. Phòng thí nghiệm
Sinh-Điện tử thuộc Đại học Nagoya.Phòng thí nghiệm Nghiên cứu Xử lý Thông
tin Người ở Kyoto v.v…
Đức: có Viện Tin học Nơron ở Đại học Ruhr,Bochum. Nhóm nghiên cứu Mờ
trong việc ra quyết định. Động cơ chủ yếu cho việc sử dụng Trí tuệ Tính toán
là khai thác khả năng xử lý thông tin không chính xác, không chắc chắn, chỉ
đúng một phần và kết quả đạt được là tính dễ áp dụng,sự năng động và các giải
pháp chi phí thấp cho các vấn đề phức tạp. Đây cũng là mục tiêu do giáo sư
Lofti A Zadeh , Đại học California Berkeley (người sáng tạo Lý thuyết Tập Mờ
1965) đưa ra vào đầu những năm 1990 đối với sự phát triển của các Hệ Thông
minh.
Hai dạng của Mạng Nơron thường được sử dụng trong Kỹ thuật Robot là
Mạng Hopfield và Mạng Perceptron nhiều lớp do Hopfied đa ra 1982, Kohonen
1984, Rumelhart 1986. Những mạng khác bao gồm Mạng Cạnh tranh & Hợp
tác do Amari &Arbib nghiên cứu năm 1977 và Mạng Thưởng phạt do
A.G.Barto&C.W.Anderson 1983.
Hệ thống Robot bao gồm 3 hệ thống phụ là : Hệ thống truyền động, Hệ thống
Nhận dạng và Hệ thống Điều khiển. Những vấn đề chính của Điều khiển Robot
bao gồm Động học, Động lực học, Lập kế hoạch đường đi (Thiết lập quĩ đạo ),
Điều khiển, Cảm biến, Lập trình và Trí tuệ (Thông minh).
Mạng Nơron có thể giảm tổ hợp tính toán và giải những bài toán robot được
đưa ra “yếu”. Lời giải giải tích của động học ngược làm chính xác kết quả số,
trong khi lời giải Mạng Nơron nói chung không làm chính xác.Công việc phát
triển Động học ngược Nơron được T.Iberall phát triển năm 1987, A.Guez
năm1988.
Trong Động lực học Robot Nơron , M.Kawato,Furukawa,Sưzuki phát triển
năm 1987. Y.Uno &M.Isobe 1988. S.G.Tzafestas1986,
M.Kawato,Y.Maeda,Y.Uno &Sưzuki 1990.
Mạng Nơron sử dụng nhằm thiết lập quĩ đạo được K.Tsưtsưmi 1988,
H.liu1988, R.Ecmiller 1987.
Bài toán lập quĩ đạo tránh vật cản sử dụng Mạng Hopfield được
H.matsưmoto& K.Tsưtsưmi phát triển.
Trường hợp Robot Di động, Thiết lập quĩ đạo với Mạng Nơron được nghiên
cứu bởi V.Seshadri1988.Ở đây Mạng Nơron cố gắng cực tiểu hoá độ dài đường
Giáo sư, Viện sĩ, Vámos Tibor, nguyên Viện trưởng Viện Tin học và Tự động
hoá- Hungary, - nguyên chủ tịch Hội Máy tính Neyman János (Von Neyman),
nguyên chủ tịch Hội Điều khiển Tự động Quốc tế IFAC đã nghiên cứu kỹ thuật
Nhận dạng –Trí tuệ Nhân tạo cho robot.
Giáo sư,Viện sĩ Hyungsưck Cho, Khoa Chế tạo máy,Viện Khoa học &Công
nghệ Cao cấp Hàn quốc- KAIST, Hãng Thép và Kim loại Pohang-POSCO,
Viện trưởng Viện Điều khiển,Tự động hoá và Kỹ thuật Hệ thống, đã nghiên cứu
điều khiển và cảm biến nano cho robot,2001.
Giáo sư T.Fukuda, Khoa Kỹ thuật Vi Hệ thống,Trung tâm Hợp tác Khoa học
&Công nghệ Cấp cao, Đại học Nagoya- Nhật bản, nguyên Chủ tịch Hội Robot
và Tự động hóa Quốc tế, Chủ tịch Hội đồng Công nghệ Nano Quốc tế, đã
nghiên cứu Mạng Mờ-Nơron -Thuật giải AND để điều khiển robot, 2000. Công
nghệ Nano đang mở ra những triển vọng to lớn. Việc chế tạo ra những robot
- 10 -
nhỏ cỡ Nano 10-9mm đòi hỏi những nghiên cứu mới về cơ sở lý thuyết cũng
như công nghệ. Giáo sư Toshio Fukuda, đặc biệt nhấn mạnh tầm quan trọng của
Robot Micro-Nano trong Kỹ thuật Robot và Tự động hoá tương lai.
Giáo sư,Viện sĩ G.M.Edelman,giải thưởng Nobel, Viện trưởng Viện Khoa học
Nơron - USA,Chủ tịch Hội nghiên cứu Khoa học Nơron Quốc tế, đã mô phỏng
Nơron hệ thống Nghe-Nhìn của loài chim để điều khiển robot,1999. Giáo sư đã
khẳng định, việc nghiên cứu này đặc biệt quan trọng dưới ánh sáng của lý
thuyết Não Hiện đại, nhấn mạnh tầm quan trọng của môi trường và thực nghiệm
Motor-Cảm biến Nơron. Sự hiểu biết những nguyên tắc cơ bản của não sẽ có
ảnh hưởng mạnh mẽ đến thiết kế Hệ thống Nhân tạo hoạt động trong thế giới
thực.Chúng ta tin tưởng rằng những nghiên cứu mô hình Nơron tổng hợp sẽ
tham gia một cách có ý nghĩa bởi sự thiết lập mối liên hệ trực tiếp giữa khoa
học Tự nhiên và Khoa học Kỹ thuật, đưa ra tư tưởng mới trong lĩnh vực Robot
và Trí tuệ Nhân tạo.
qua những vòng điều khiển năng lượng và áp suất. Việc phát triển từ những cấu
hình vòng điều khiển SISO dựa trên thuật toán điều khiển PID, những chiến
lược này có thể phân loại thành ba lớp: điều khiển theo boiler, điều khiển theo
tuabin và điều khiển boiler-tuabin.
Sơ đồ theo boiler được dùng đầu tiên . Trong sơ đồ này, boiler sẽ chờ đợi
hành động của tuabin để sản xuất năng lượng. Những van điều khiển tuabin
điều chỉnh lưu lượng hơi vào trong tuabin với đối số là công suất yêu cầu. Sau
đó, điều khiển boiler tương ứng với những thay đổi trong lưu lượng hơi và áp
suất. Sai lệch áp suất tiết lưu so với setpoint được dùng bởi điều khiển quá trình
đốt nhiên liệu để điều chỉnh lượng nhiên liệu và không khí vào trong buồng đốt,
và việc tạo hơi được hiệu chỉnh theo yêu cầu của tuabin. Thuận lợi của phương
pháp này là đáp ứng nhanh với thay đổi tải: tuabin là một dụng cụ hoạt động
nhanh có thể đáp ứng rất nhanh với những yêu cầu tải sử dụng năng lượng nhiệt
được lưu trữ trong boiler. Điều bất lợi là phương pháp này thể hiện việc điều
khiển áp suất tiết lưu ít ổn định vì boiler có xu hướng vượt quá vì nó đòi hỏi
thời gian để hoà hợp với tuabin.
Sơ đồ điều khiển theo tuabin được dùng trong những năm 60-70. Trong sơ
đồ này, tuabin sẽ theo những hoạt động của boiler. Yêu cầu công suất được
dùng bởi điều khiển đốt tại boiler để điều chỉnh lượng nhiên liệu và không khí
vào trong buồng đốt để điều chỉnh việc sản xuất hơi. Sau đó điều khiển tuabin
đáp ứng bằng cách hiệu chỉnh những van tiết lưu để giữ áp suất tại setpoint.
Tuabin chịu trách nhiệm hoàn toàn trong việc điều khiển áp suất tiết lưu. Thuận
lợi của phương pháp này là đáp ứng rất ổn định với những thay đổi tải với sự
dao động áp suất hơi và nhiệt độ tối thiểu, vì những thay đổi tải phụ thuộc vào
hoạt động của boiler là thiết bị chậm hơn so với tuabin. Bất lợi chính của
phương pháp là không sử dụng khả năng lưu trữ năng lượng của boiler, vì thế
tạo ra đáp ứng chậm hơn.
Được sử dùng nhiều nhất trong thập kỷ 50 là sơ đồ điều khiển phù
hợp(coordinated control (CC)). Trong sơ đồ này, công suất được đưa đồng thời
đến boiler và tuabin. Phụ thuộc vào các cặp biến được điều khiển và điều
nhiều vòng lặp bằng cách giảm những hiệu ứng tương tác giữa các vòng điều
khiển. Rất nhiều nghiên cứu đã được thực hiện trong nhiều thập kỷ qua nhưng
hầu hết các kết quả đều là những sản phẩm riêng của những nhà phát triển và
không có một phương pháp được chấp nhận rộng rãi hay tổng quát để thực thi
chúng, vì thế cần thiết những phương pháp thiết kế mang tính hệ thống và tổng
quát hơn. Điểm cốt yếu là việc thiết kế bộ bù tương tác dựa trên mô hình toán
học là gần như không thể thực hiện và trở nên quá phức tạp sẽ loại bỏ ứng dụng
của nó.
Hình 1.1. Sơ đồ điều khiển theo boiler
- 13 -
Hình 1.2. Sơ đồ điều khiển theo tuabin
1.5.1. Những hệ thống điều khiển tiên tiến
Mặc dù không có định nghĩa chung cho điều khiển tiên tiến, nhiều phương pháp
đã dùng những mô hình toán học của quá trình, hoặc là ở quá trình thiết kế hay
trong suốt quá trình vận hành, hiện thời được gọi là tiên tiến. Hầu hết sự chú ý
tập trung vào chỉ số hiệu suất toàn phương. Ứng dụng thực tế của kỹ thuật này
cho điều khiển toàn bộ bị giới hạn bởi tính phức tạp của việc thực thi, dễ bị ảnh
hưởng bởi sự không chắc chắn của mô hình, cần phải reset lại hoạt động của
các bộ điều khiển, và việc dùng những kỹ thuật điều khiển tuyến tính trong
những hệ thống phi tuyến cao độ. Mặc dù không phải là một chiến lược điều
khiển tổ hợp toàn bộ, ứng dụng liên quan nhất của những kỹ thuật điều khiển tối
ưu nhiều biến mà [Nakamura và Uchida 1989] đã đưa vào vận hành một bộ
điều chỉnh toàn phương tuyến tính cho những nhiệt độ hơi trong boiler của một
khiển thích nghi cho máy phát hơi 250 MW được xem xét. Trong [Mabius, et
al. 1980] một cơ cấu thích nghi tham khảo mô hình được đề nghị để cung cấp
những tín hiệu điều khiển tăng cường cộng vào những tín hiệu điều khiển của
điều khiển vòng mở. Giả sử vận hành xung quanh một điểm vận hành cố định,
lý thuyết điều khiển tuyến tính được dùng để thiết kế bộ điều khiển, những
thông số luật điều khiển được điều chỉnh dùng sơ đồ dựa trên Lyapunov để bảo
đảm sự ổn định của vòng kín. Không may, chỉ có thiết kế được thể hiện mà
không có kết quả về hiệu suất hệ thống điều khiển.
Những phuơng pháp điều khiển bền vững cũng được đề nghị cho điều khiển
tổ hợp. Trong [Weng and Ray 1997] một chiến lược điều khiển truyền thẳng-
hồi tiếp được đề xuất cho điều khiển theo tải bền vững diện rộng. Điều khiển
truyền thẳng tối ưu những ngõ vào điều khiển, nhận những ràng buộc của
chúng, dọc theo khoảng vận hành diện rộng và điều khiển hồi tiếp được dùng để
khắc phục những bất định mô hình máy và nhiễu ngoại sinh đảm bảo ổn định và
hiệu suất bền vững. Điều khiển truyền thẳng giải quyết bài toán lập trình phi
tuyến cho hàm tối ưu và những ràng buộc dọc theo đặc tính tải đã cho. Điều
khiển hồi tiếp được thiết kế dùng kỹ thuật
H
. Phương pháp này thoả mãn yêu
cầu hiệu suất trong khoảng 40-100% khoảng tải và loại bỏ tốt nhiễu biết trước.
Một vài nhược điểm là những yêu cầu tính toán quá nhiều, cùng với thông tin
đáp ứng tần số và mô hình tuyến tính của máy.
Mặc dù có tiến bộ lớn trong lý thuyết hệ thống điều khiển, những thực thi
những sơ đồ tiên tiến cho NLNLT vẫn còn hiếm. Do những sơ đồ đề xuất
không thể hiện tốt dưới những yêu cầu thế giới thực chẳng hạn hiệu suất thời
gian thực, khoảng vận hành diện rộng, động quá trình phức tạp và nhiều chiều
hay những điều kiện giả sử hiếm khi xảy ra trong thực tế là nhiễu Gauss, thông
số quá trình hằng số, đo đúng và chính xác, động quá trình được biết. Có lẽ, bất
- 15 -
biến đổi thông số ngẫu nhiên và từng phần, thay đổi setpoint, nhạy thông
số,tách rời không hoàn hảo và thiếu tách rời.
Trong [Marcelle, et al. 1994] một sơ đồ điều khiển kết hợp logic mờ và điều
khiển tối ưu cho vận hành chu trình của những tuabin hơi lớn được thể hiện.
Ứng suất tua bin tổng và lỗi tải được tối thiểu bằng cách gắn kết điều khiển van
điều chỉnh tuabin và áp suất hơi boiler. Một hệ thống mờ ưu tiên những đối
tượng hiệu suất và cung cấp những trọng số trong hàm gía trị mà được dùng bởi
bộ điều khiển tối ưu. Sau đó, một thuật toán điều khiển dự đoán mô hình được
dùng để tính van tối ưu và những giá trị setpoint áp suất để cân bằng giữa theo
tải tốt và tối thiểu ứng suất. Hiệu suất tốt hơn khi so sánh với bộ điều khiển áp
suất biến đổi và áp suất hằng số và cũng với một bộ điều khiển dự đoán mô
hình với những độ lợi cố định và thời gian dự đoán cố định.
Trong [Dimeo and Lee 1995] giải thuật di truyền được dùng để tinh chỉnh tối
ưu sơ đồ điều khiển kết hợp dựa trên PI và bộ điều khiển hồi tiếp trạng thái cho
- 16 -
một tổ hợp phi tuyến bậc ba. Đối tượng điều khiển là theo đáp ứng bước ở ngõ
ra áp suất và công suất. Trong khi nững ứng dụng khả thi của giải thuật di
truyền là cơ cấu tinh chỉnh hoàn hảo, vẫn có một vài sai xót trong những cấu
trúc điều khiển được đề xuất. Vị trí của những độ lợi kết hợp chéo trong sơ đồ
điều khiển kết hợp dựa trên PI là không thuận tiện, vì nó tạo ra đáp ứng dao
động và sơ đồ điều khiển tối ưu giả sử rằng tất cả các biến trạng thái sẵn sàng
cho mô phỏng.
Trong [Tevera 1995] một sơ đồ tổ hợp có thể cấu hình lại có thể chuyển giữa
những chiến lược điều khiển khác nhau( ví dụ, theo boiler, theo tuabin và điều
khiển hoà hợp). Cấu hình lại hệ thống được thực hiện trực tuyến bởi bốn hệ
chuyên gia làm việc cùng nhau tại mức giám sát. Hệ đầu tiên nhận định trạng
thái vận hành và những yêu cầu cho tổ hợp. Hệ thứ hai tính toán hiệu suất của
sơ đồ điều khiển khi vận hành. Hệ thứ ba tính toán hiệu suất của những sơ đồ
khác dưới những điều kiện hiện thời. Cuối cùng, hệ thứ tư sơ đồ nào là tiện lợi
trình tin cậy cho việc thiết kế và phát triển những hệ thống thông minh và thích
nghi. Một vài phương pháp điều khiển thông minh được đầu tư là:1) lập kế
hoạch giám sát off-line và on-line bằng lập luận tự động hay học từ những ví dụ
của con người, 2) mô hình định tính dùng những hệ chuyên gia và lôgic mờ và
3)trí tuệ nhân tạo và học máy dùng những phương pháp mạng nơron, giải thuật
di truyền, tiến hoá và học cưỡng bức, đôi khi kết hợp với những kỹ thuật tối ưu
toán học.
1.5.3. Phát biểu vấn đề
Luận văn này sẽ trình bày ý tưởng cho việc phát triển những hệ thống điều
khiển thông minh cho đối tượng phi tuyến mà cụ thể là tổ hợp năng lượng,
nghĩa là phát triển những hệ thống quản lý năng lượng nhân tạo được thiết kế
điều khiển thông minh bởi hệ thống máy tính giống như bộ não con người.
Những những yêu cầu chính cho hệ thống điều khiển là:
Thiết kế mở cung cấp những yêu cầu chức năng và vận hành để đạt được
độ linh hoạt, cho ứng dụng trong môi trường thị trường biến đổi cao.
Vận hành người dùng cuối đơn giản và hiệu suất cao, liên kết với tự
động hoá và kỹ thuật điều khiển.
Kiến trúc hệ thống có cấu trúc, điều này sẽ dẫn đến việc phát triển phần
mềm điều khiển và tự động hoá tương ứng.
Từ những kết quả đạt được, có thể thấy rằng những chiến lược điều khiển phù
hợp cấu thành mức điều khiển cao nhất trong NLNLT hiện thời và chúng cũng
chịu trách nhiệm cho việc điều khiển boiler-tuabin-máy phát như một đối tượng
đơn. Kế đến, NLNLT là một quá trình phức tạp, chịu nhiều thay đổi điều kiện
vận hành mà sẽ thể hiện như một hệ thống thông minh mà với nó khái niệm
điều khiển tích hợp tiên tiến là cần thiết.
Việc phát triển kỹ thuật khi thiết kế hệ thống điều khiển tổ hợp năng lượng để
quan đến báo động, khẩn cấp, quá mức, hồi phục trạng thái. Cần lưu ý
rằng trạng thái bình thường không phải là trạng thái xác lập vì trong thực
tế nhà máy điện không bao giờ vận hành ở trạng thái xác lập.
Thiết kế hệ thống điều khiển sẽ bao hàm chỉ chiến lược điều khiển nền
tảng. Việc phát triển những chiến lược tự động hoá, khoá liên động và
bảo vệ như được cho trong bất kỳ hệ thống điều khiển nào sẽ không được
thực hiện. Cũng thế, đề tài chỉ đề cập đến những chức năng điều khiển cơ
bản để lái quá trình trong suốt pha vận hành tải, không có chức năng khởi
động và shutdown .
Việc phát triển hệ thống điều khiển sẽ được giới hạn ở vấn đề hệ thống và
tính khả thi của nó. Tất cả chương trình sẽ được mô phỏng trên máy tính
cá nhân dùng môi trường phần mềm phòng thí nghiệm. Không có việc
thực thi hệ thống ở môi trường thực. Đây cũng là bản chất nghiên cứu
của đề tài.
Đề tài sẽ chỉ phát triển tập hàm tối thiểu cần thiết cho điều chỉnh và tự
động hoá hệ thống năng lượng toàn bộ, đề xuất tính linh hoạt tối đa để hổ
trợ điều khiển tải và điều khiển nhiều tổ hợp trong những sơ đồ nhà máy
điện.
Phương pháp đề xuất sẽ được tính toán và so sánh với những phương
pháp truyền thống. Thậm chí loại hệ thống điều khiển này không tồn tại,
việc tính toán sẽ được thực hiện với hiệu suất theo tải là yêu cầu quan
trọng nhất cần được thoả mãn.
1.5.5 Tổng quan đề tài
Việc phát triển hệ thống điều khiển phù hợp thông minh(ICCS) gồm bộ giám
sát nhiều đại diện thông minh sẽ tính toán điều khiển ở mức trực tiếp. Những
chức năng giám sát gồm tạo lệnh và tối ưu, học và thích nghi, giám sát trạng
- 19 -
thái và hiệu suất(Hình 1.3). Mức trực tiếp gồm những sơ đồ điều khiển truyền
do chính đằng sau điều này là khả năng của chúng có thể “học” để xấp xỉ hàm
và phân loại mẫu và tiềm năng của chúng trong thực thi phần cứng song song
đồ sộ. Nói cách khác, chúng có khả năng thực thi (cả phần mềm và phần cứng)
nhiều chức năng cần thiết để điều khiển hệ thống với một độ tự quản cao.
Do có khả năng học những liên hệ hàm số phi tuyến phức tạp, mạng nơron
được dùng trong điều khiển những quá trình phi tuyến và/hoặc MIMO. Trong
thập kỷ qua,ứng dụng mạng nơron trong nhận dạng và điều khiển đã tăng theo
hàm mũ.
Những ứng dụng rộng rãi này là do những đặc tính hấp dẫn sau:
1. Mạng nơron có khả năng xấp xỉ bất kỳ hàm số phi tuyến nào;
2. Chúng có thể được huấn luyện dễ dàng bằng cách dùng những bản ghi dữ
liệu từ hệ thống;
3. Chúng thích hợp cho những hệ thống nhiều biến;
- 22 -
4. Chúng không yêu cầu quan hệ đặc tính cấu trúc giữa dữ liệu vào và ra.
Trước hết chúng ta xem điều khiển quá trình là gì?
2.2.Điều khiển quá trình
Trong phát triển, thiết kế và vận hành những máy móc quá trình, những kỹ sư
quá trình luôn gắn liền với năm khái niệm cơ bản:trạng thái,trạng thái cân bằng,
bảo toàn,tốc độ và điều khiển.
Nhận dạng một hệ thống đòi hỏi xác định trạng thái nhiệt động theo đó tất
cả thuộc tính của một hệ thống là cố định. Những hệ thống sinh học,vật lý và
hoá học không thể vận hành ngoài khoảng giới hạn của trạng thái cân bằng
nhiệt động, mà giới hạn khoảng cho phép của những điều kiện vật lý và hoá học
để quá trình diễn ra trong hệ thống.
trường của nó như một thực thể là quan trọng.
Hầu hết hệ thống điều khiển quá trình là những hệ thống hồi tiếp trong đó
thông tin được tạo bởi hệ thống được xử lý lần nữa để điều chỉnh đáp ứng
của hệ thống.
Cuối cùng, tính kinh tế luôn liên kết với những đối tượng hiệu suất của hệ
thống điều khiển quá trình.
Những hệ thống điều khiển quá trình trong công nghiệp như quá trình vật lý,
sinh học và hoá học được mô tả bởi những chuẩn hiệu suất và những thay đổi
của yêu cầu thị trường. Cũng thế, những quá trình này là phi tuyến cao và
không thể được mô hình hoá thật tốt. Vì thế, điều khiển phải được thực hiện
bằng cách cập nhật những biến được thao tác trực tuyến để thoả mãn thay đổi
chuẩn hiệu suất khi gặp phải thay đổi đặc tính của thiết bị. Nhiều kỹ thuật điều
khiển dựa trên khác biệt chuẩn hiệu suất và miêu tả quá trình được dùng để giải
quyết những vấn đề này.
Trong quá trình vận hành của một thiết bị, một vài yêu cầu cần được thoả
mãn và có thể được xem xét như những tiêu chuẩn hiệu suất. Một vài chuẩn
được liệt kê ở đây:
1. Luật an toàn và môi trường,
2. Đặc tính sản phẩm,
3. Điều kiện vận hành,
4. Tính kinh tế.
Những tiêu chuẩn này cần được chuyển dịch thành những biểu thức toán học
để viết luật điều khiển. Chúng có thể được phân loại như những đối tượng(hàm
của những biến cần được tối ưu động) và hạn chế ((hàm của những biến cần
được giữ trong khoảng cần thiết).
Chuyển đổi chuẩn hiệu suất thành những biểu thức toán học có thể yêu cầu
vài giả định. Những giả định này không những làm đơn giản cách giải quyết
vấn đề mà còn làm cho vấn đề có thể thực thi trong những phần cứng đang có.
dạng có thể không phù hợp với thiết bị khi bắt đầu,nhưng nó sẽ trở nên tốt hơn
khi tiến trình huấn luyện trực tuyến diễn ra. Vì thế, huấn luyện trực tuyến làm
cho mạng nơron nắm giữ những thông số thay đổi theo thời gian trong thiết bị
một cách trực tiếp.
Bằng cách huấn luyện mạng nơron để học “mô hình ngược” của một thiết
bị,nó có thể được dùng như một “bộ điều khiển “ cho thiết bị này. Những bộ
điều khiển mạng nơron cũng có thể được dùng trong những cấu trúc MPC như
là những bộ đánh giá hay/và bộ điều khiển.
Vì những quá trình sinh học và hoá học thường phức tạp, thay vì dùng mạng
nơron một mình trong điều khiển những quá trình này, nên dùng chúng kết hợp
với những phương pháp truyền thống như những kỹ thuật điều khiển PI hay
PID hay những kỹ thuật gần đây như những hệ thống chuyên gia dựa trên quy
luật hay lôgic mờ, theo cách lai ghép, sẽ cải tiến hiệu suất của toàn bộ điều
khiển.
2.3.Dùng Mạng nơron trong Điều khiển
Trong những ứng dụng hệ thống điều khiển, mạng nơron nhiều lớp
feedforward với huấn luyện có giám sát thường được dùng nhất. Một đặc tính
chính của những mạng này là chúng có thể tạo những ánh xạ vào-ra mà có thể
xấp xỉ bất kỳ hàm nào với độ chính xác mong muốn. Mạng nơron được dùng
trong những hệ thống điều khiển chủ yếu là nhận dạng và điều khiển hệ thống.
Trong nhận dạng hệ thống, để mô hình đáp ứng vào-ra của một hệ thống
động, mạng được huấn luyện dùng dữ liệu vào-ra và trọng số mạng được điều
- 25 -
chỉnh thường dùng thuật toán backpropagation(lan truyền ngược). Giả định duy
nhất là ánh xạ tĩnh phi tuyến được tạo bởi mạng có thể đại diện đầy đủ đáp ứng
động của hệ thống trong khoảng khảo sát của một ứng dụng cụ thể. Mạng nơron
muốn và ngõ ra của nó là ngõ vào điều khiển mong muốn của thiết bị.
Vấn đề chính với nhận dạng ngược là mô hình ngược của một thiết bị
không phải luôn luôn được xác định tốt.
Bộ điều khiển tiên đoán mô hình : Đầu tiên một mạng nơron nhiều lớp
được huấn luyện để nhận dạng mô hình thuận của thiết bị, sau đó một
mạng khác,ví dụ bộ điều khiển,sử dụng bộ nhận dạng này như một bộ
quan sát thiết bị trong một cấu trúc MPC. Mô hình này có ưu điểm của
một bộ điều khiển thích nghi, nhưng nó đòi hỏi phải tính Jacobian của
mạng nơron nhận dạng.
Copyright: Tài liệu đại học ©