1
ĐẠI HỌC THÁI NGUYÊN
TRƯỜNG ĐẠI HỌC KỸ THUẬT CÔNG NGHIỆP

LÊ THU THỦY
THIẾT KẾ BỘ ĐIỀU KHIỂN TRÊN CƠ SỞ MẠNG NƠRON
Chuyên ngành : Tự Động Hóa
Mã số :
TÓM TẮT LUẬN VĂN THẠC SỸ KỸ THUẬT
THÁI NGUYÊN - 2011
Luận văn được hoàn thành tại Trường Đại học Kỹ thuật Công nghiệp Thái
Nguyên.
Cán bộ HDKH : PGS.TS. Nguyễn Hữu Công
Phản biện 1 : PGS.TS. Lại Khắc Lãi
Phản biện 2 : PGS.TS. Phạm Hữu Đức Dục
Luận văn đã được bảo vệ trước hội đồng chấm luận văn, họp tại: Phòng cao
học số 2, trường Đại học Kỹ thuật Công nghiệp Thái Nguyên. Vào 10 giờ 00 phút
ngày 08 tháng 12 năm 2011.
Có thể tìm hiểu luận văn tại Trung tâm Học liệu tại Đại học Thái Nguyên và
Thư viện Trường Đại học Kỹ thuật Công nghiệp Thái Nguyên.
MỞ ĐẦU
Trong những năm gần đây mạng nơron nhân tạo ANN (Artificial Neural
Network) ngày càng được ứng dụng rộng rãi trong nhận dạng, điều khiển và tính
toán mềm vì những ưu điểm như khả năng xử lý song song, tốc độ cao … nên
được ứng dụng trong nhiều lĩnh vực như: công nhiệp, năng lượng, y học, tài
nguyên nước và khoa học môi trường. Đặc biệt trong lĩnh vực kỹ thuật môi trường,
ANN ngày càng chứng tỏ được vai trò trong nhận dạng và điều khiển các quá trình
xử lý phức tạp mà các phương pháp khác không có được.
Tuy nhiên các tác giả đã nghiên cứu ở trên khi luyện mạng nơron sử dụng các
Toolbox của Matlab, thường ta sẽ không loại bỏ được những mẫu học bị nhiễu. Đề
tài sẽ đưa ra một thuật toán loại bỏ những mẫu học bị nhiễu và sẽ làm giảm sai số

trong mạng. Hình 1.1 là một phần của mạng nơron bao gồm hai nơron.
Thân nơron được giới hạn trong một màng membrane và trong cùng là nhân.
Từ thân nơron còn có rất nhiều đường rẽ nhánh gọi là rễ.
Đường liên lạc liên kết nơron này với nơron khác được gọi là axon, trên
axon có các đường rẽ nhánh. Nơron có thể liên kết với các nơron khác qua các rễ.
Sự liên kết đa dạng như vậy nên mạng nơ-ron có độ liên kết cao.
1.1.2. Mạng nơron nhân tạo (Artificial Neural network - ANN)
Mô hình của Nơron có thể được cấu tạo từ 3 thành phần chính: Phần tổng
các liên kết đầu vào, phần động tuyến tính, phần phi tuyến không động học.
Cấu trúc một nơron bao gồm:
p
1
, p
2
, …. p
n
: n đầu vào
w
1
, w
2
… w
n
: n trọng số
b: tham số bù
a = f(n): hàm truyền
4
Quan hệ giữa các đầu vào và ra của một nơron được biểu diễn bằng phương
trình toán học như sau:
[ ]


=+=
∑
=
*
.
.
.
21
2
1
1
(1-1)
1.1.3.Cấu trúc mạng nơron nhân tạo
Có thể phân thành 3 loại như sau:
-Mạng nơron động học tuyến tính
-Mạng nơron phi tuyến tĩnh
-Mạng nơron động học phi tuyến
1.1.4. Luyện mạng Nơron
Khi xây dựng mạng để mạng có thể thực hiện được các công việc mà người
sử dụng mạng yêu cầu thì mạng nơron cần phải được học, việc học bao gồm:
- Học cấu trúc
- Học tham số
5
w
1
p
1
+
f

. Nguyên lý Hebb được phát biểu: “Nếu hai nơron đồng thời được kích thích
thì tăng mối liên hệ giữa chúng”, cụ thể: ∆w
i
= ηy
i
x (1-2)
Cách phát biểu khác của luật Hebb: Lực khớp trong não thay đổi tỷ lệ với
tương quan giữa sự phát hỏa của các nơron trước.
1.1.4.2.2.Luật học Perceptron (Rosenblatt)
Tín hiệu học r ở đây là sai số giữa đích (đầu ra thực) và đầu ra mong muốn
r = d
i
– y
i
. (1-6)
thay vào (1-29) ta có:

( )
[ ]



=
≠
=−=∆

i
iji
j
T

i
y khi 0
y khi 2
.
η
η
(1-8)
1.2. Kết luận chương 1
Đã giới thiệu tóm tắt về kiến thức cơ bản của mạng nơron. Đồng thời giới
thiệu các dạng mô hình của mạng nơron, các thuật toán huấn luyện mạng và các
bài toán với mạng nơron làm tiền đề cho việc thiết kế bộ điều khiển trên cơ sở
mạng nơron.
6
CHƯƠNG 2
CƠ SỞ VIỆC THIẾT KẾ BỘ ĐIỀU KHIỂN BẰNG MẠNG NƠ-RON
2.1. Cấu trúc chung của một hệ thống điều khiển
2.1.1. Khái niệm chung về một hệ thống điều khiển
Trong kĩ thuật thường sử dụng phương thức điều khiển sai lệch. Tín hiệu
điều khiển ở đây được hình thành do có sự sai lệch giữa giá trị mong muốn và giá
trị đo được của đại lượng cần điều chỉnh. Sơ đồ cấu trúc hệ thống điều chỉnh tự
động tác động theo phương thức sai lệch được mô tả như hình 2.1
Hình 2.1 Sơ đồ cấu trúc hệ thống điều chỉnh tự động
2.1.2. Cấu trúc chung của bộ điều khiển có phản hồi
Hình 2.2 Sơ đồ cấu trúc chung một hệ thống điều khiển
e(t) = r(t) − y(t), một bộ điều khiển PID có dạng tổng quát như sau:
∫
++= )()()()( te
dt
d
KdtteKteKtu

hình hồi quy được sử dụng. Ở đây động học đối tượng điều khiển được xét dưới
dạng hệ rời rạc với véc tơ đầu vào bao gồm:
x = ( y
t-1
, y
t-2
, , u
t-1
, u
t-2
, ) (2.2)
Trong đó: y
t-1
, u
t-1
là các giá trị đầu ra và đầu vào tương ứng ở chu
kỳ trước.
Để nhận dạng mô hình hệ phi tuyến
người ta có thể sử dụng mạng nơron nhiều lớp
theo hai quan điểm sau:
8
Đối tượng
điều khiển
Mạng
nơron
u
y
y
~
e

kuNkykyky
ppp
+++=+
αα
(2.4)
b. Mô hình nhận dạng nối tiếp - song song
Mô hình nhận dạng có dạng như sau:
[ ]
)()1(
ˆ
ˆ
)(
ˆ
ˆ
)1(
ˆ
10
kuNkykyky
ppp
+−+=+
αα
(2.5)
2.2.3. Thiết kế bộ điều khiển sử dụng mạng Nơ-ron
2.2.3.1.Điều khiển theo vòng hở
Hình 2.11 Bộ điều khiển thể hiện bằng mạng nơ-ron trong cấu trúc điều khiển theo
vòng hở.
2.2.3.2 Điều khiển theo vòng kín
Mạng nơ-ron trong cấu trúc điều khiển theo vòng kín đóng vai trò bộ điều
khiển với phản hồi như hình 2.12.
9

-Sử dụng giá trị tới hạn thích nghi và các phương pháp học củng cố.
2.3.Nhận dạng đối tượng điều khiển sử dụng mạng Nơ-ron
2.3.1. Lý luận chung
Để xây dựng mô hình toán học của đối tượng có thể sử dụng các phương
pháp sau:
10
Bộ điều khiển
bằng mạng
nơron
ĐTĐK
y
d
y
u
e
_
Bộ điều khiển
bằng mạng
nơron
Bộ điều khiển
bằng mạng
nơron
ĐTĐK
-
y
e
y
d
u
-Phương pháp lý thuyết

2.3.1.2. Ứng dụng mạng nơron nhận dạng đối tượng tuyến tính
Các bước để tiến hành luyện mạng :
Bước 1: Chọn mạng NN và cấu trúc của nó
Hàm truyền của đối tượng cần nhận dạng :
1 2
0 1 2
1 2
1 2
b b z b z
G(z)
1 a z a z
− −
− −
+ +
=
+ +
(2-9)
Bước 2: Chọn các tập mẫu vào / ra để luyện mạng
Bước 3: Khi đã đủ các yếu tố cần thiết ta tiến hành luyện mạng.
2.3.3. Nhận dạng đối tượng phi tuyến sử dụng mạng Nơ-ron
Mô hình I:
Biểu thức mô tả đối tượng
[ ]
))1((), ,1(),()()1(
1
0
−−−+−=+
∑
−
=

(2-12)
Mô hình IV:
Phương trình mô tả đối tượng:
p p p p
y (k 1) f y (k),y (k 1), ,y (k (n 1)); u(k), u(k 1), ,u(k m 1)
 
+ = − − − − − +
 
(2-13)
2.4. Thiết kế điều khiển bằng mạng Nơron theo mô hình mẫu
2.4.1.Hệ thống điều khiển theo mô hình mẫu
Bài toán đặt ra như sau: Cho một đối tượng và chọn trước một mô
hình mẫu, ta phải thiết kế bộ điều khiển sao cho đầu ra của đối tượng bám theo đầu
ra của mô hình mẫu với sai lệch là nhỏ nhất.
Sơ đồ hệ thống điều khiển theo mô hình mẫu như hình 2.19.
Hình 2.19 Sơ đồ hệ thống điều khiển theo mô hình mẫu
2.4.2. Thiết kế bộ điều khiển nơron theo mô hình mẫu
Sơ đồ khối hệ thống điều khiển theo mô hình mẫu sử dụng mạng Nơron có
dạng như hình 2.20.
12
Mô hình
mẫu
Bộ
điều khiển
Đối tượng
x
y
m
y
e

NN
controller
Đối tượng
W,b
y
m
-
y
e
1
-
u
-
W,b
CHƯƠNG 3
ỨNG DỤNG MẠNG NƠ-RON THIẾT KẾ BỘ ĐIỀU KHIỂN THEO MÔ HÌNH MẪU
3.1. Với các đối tượng tuyến tính
3.1.1. Bài toán 1. Nhận dạng đối tượng có hàm truyền:
2
1
G(s)
s 0.4s 1
=
+ +
(3-1)
Sử dụng mạng NN động học tuyến tính để nhận dạng: với các tập mẫu vào
(P), ra (T) để luyện mạng như sau:
Tiến hành luyện mạng ta có được kết quả sau
Hình 3.2 Các kỉ nguyên luyện mạng.
14

10
-20
10
-15
10
-10
10
-5
10
0
7 Epochs
Training-Blue Goal-Black
Performance is 2.79546e-032, Goal is 1e-032
0 5 10 15 20 25 30
-1
-0.5
0
0.5
1
1.5
x 10
-15
Error of model and plant
0 10 20 30
0
0.5
1
1.5
Reference input and target output
0 10 20 30

-30
. Qua đây ta có thể thấy được sự vượt trội
về độ chính xác của việc nhận dạng bằng mạng nơron so với các phương pháp
khác. Từ kết quả mô phỏng cho đối tượng là khâu quán tính bậc nhất có trễ ta có
thể thấy được sự sai số lớn do việc xấp xỉ khâu có trễ thành khâu quán tính bậc
nhất
3.2. Với các đối tượng phi tuyến
3.2.3. Bài toán 6: Bể xử lý nước thải
3.2.3.1. Nhận dạng hệ thống xử lý nước thải
Sơ đồ nhận dạng hệ thống xử lý nước thải trên cơ sở mạng Nơron như sau:
16
T
Hệ thống xử
lý nước thải
NN Plant
e(k)
P
w, b
Hình 3.28 Sơ đồ nhận dạng hệ thống xử lý nước thải bằng mạng nơron.
Sơ đồ hệ thống xử lý nước thải như hình 3.29.
Hình 3.29 Sơ đồ xử lý hệ thống nước thải.
Phương trình hệ thống là: V
y

= Fa - Fy - ub – uy
Các thông số của hệ thống xử lý nước thải được mô hình hoá như sau.
Thông số Giá trị Đơn vị
a 0.001 moles/L
b 0.001 moles/L
F 0.1 L/sec

>> b7↵
Sau khi huấn luyện mạng nơron, các thông số của mạng nơron như sau.
net.iw{1,1} = [-2.6255 0.2811 -0.6148 0.5481]'
net.b{1} = [5.4580 -1.5426 1.3953 -0.0441]'
net.b{2} = 0.5309
net.lw{1,2} = [-1.4697 2.7814 1.9926 1.1968]'
net.lw{2,1} = [0.0035 0.6984 0.1139 -0.0320]
Khi đó chương trình sẽ mô phỏng và cho kết quả như sau.
Hình 3.32 Đồ thị sai lệch giữa mô hình nơron và mô hình đối tượng.
3.2.3.2.Ứng dụng thiết kế bộ điều khiển theo mô hình mẫu
18
*. Mô hình mẫu của hệ thống xử lý nước thải
- Hàm truyền đạt của mô hình mẫu được chọn như sau:
)130)(125(
001.0
)(
++
=
ss
sG
(3-17)
Hình 3.33 Hàm trọng lượng của mô hình mẫu
- Sau 250 giây thì hệ thống đạt được trạng thái xác lập với tín hiệu ra bằng
không.
Mô hình mẫu trong simulink.
Hình3.34 Mô hình mẫu trong Simulink.
19
*. Thiết kế bộ điều khiển nơ-ron
Hình 3.35 Cấu trúc mạng nơ ron của bộ điều khiển được chọn
Mạng NN controller được chọn có 3 lớp: lớp vào có 4 nơron, sử dụng hàm

3
,2
b
3
1
LW
1
,5
TD
L
Hình 3.36 Đồ thị sai lệch giữa tín hiệu ra của đối tượng với mô hình mẫu.
3.2.3.4. Mô phỏng kết quả
Sơ đồ mô phỏng hệ thống điều khiển như hình sau:
Hình 3.37 Sơ đồ mô phỏng.
Cấu trúc một số nơron của các lớp vào, lớp ẩn và lớp ra như hình sau:
Hình 3.38 Cấu trúc một số nơron của các lớp vào, lớp ẩn và lớp ra.
21
- Kết quả mô phỏng với tín hiệu đặt ref = 0.000001, a = 0.0015 và sơ kiện y(0)
khác nhau.
+ y(0) = 0.005
Hình 3.39 Kết quả mô phỏng với tín hiệu đặt; y(o) = 0,005.
- Kết quả mô phỏng với tín hiệu đặt ref = 0.000001, a = 0.0005 và sơ kiện y(0) =
0.05.
Hình 3.40 Kết quả mô phỏng với tín hiệu đặt; y(o) = 0,05.
- Kết quả mô phỏng với tín hiệu đặt ref = 0.000001, a = 0.0005 và sơ kiện
y(0) = 0.02.
Hình 3.41 Kết quả mô phỏng với tín hiệu đặt; y(o) = 0,02.
22
- Kết quả mô phỏng với tín hiệu đặt ref = 0.000001, a = 0.0005 và sơ kiện y(0)
= -0.02

T
Cánh tay rô
bốt
NN Plant
e(k)
P
w, b
LW
12
IW
1,1
b
1
1
TDL-2
1 2 3
LW
21

2,1
b
2
1
p
t
TDL-1
0 1 2
Hình 3.45 Tín hiệu vào và ra của mẫu
Hình 3.46 Đầu ra của model, sai lệch giữa đầu ra của model và đối tượng
Hình 3.47 Sai lệch mse giữa đầu ra của NN model và đối tượng.