-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-
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
thống này sẽ kết hợp giữa các lĩnh vực kỹ thuật điều khiển, kỹ thuật phần mềm
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.
-5-
CHƯƠNG I.
TỔNG QUAN
1.1 Giới thiệu về mạng nơron và logic mờ
Vào cuối thập kỷ 80 công ty Addison Wesley Publishing Company đã gây
xôn xao dư luận khi tung ra thị trường Neural Network (Mạng trí tuệ thần kinh)
được ví như là một kỹ xảo kỹ thuật gia công các thông tin mới, nhanh và chính
xác. Chúng là các máy tính bắt chước cách sống giống hệ thống thần kinh, các
máy tính này làm việc khá khác biệt so với các máy tính thông thường. Nơron
Network xử lý nhiều dữ liệu song song tại cùng một thời điểm, không phải là
xử lý từng dữ liệu một. Chúng xử lý rất nhiều dữ liệu đầu vào cùng một lúc,
củng cố tăng cường một vài cái này, thu nhỏ giảm bớt những cái khác. Đa số
chúng đều phải làm theo một khuôn mẫu cho trước. Chúng tìm kiếm mẫu trong
hàng loạt các thí dụ, nhận dạng mẫu, tìm kiếm các mẫu đầy đủ từ nguồn dữ liệu
trong hệ thống, hoặc xây dựng lại mẫu đúng từ cái bị bóp méo. Rất nhiều các ví
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
chính xác của mạng nơron và tính diễn giải được.
1.2.Tình hình nghiên cứu mạng nơron và logic mờ trên toàn cầu:
Nghiên cứu về mạng Nơron đã được quan tâm từ những năm 40 của thế kỷ
20. Khoảng những năm 90 Nơron được đặc biệt chú ý bởi khả năng ứng dụng
rộng lớn của nó.
Chương trình nghiên cứu về Nơron tập chung nghiên cứu ở Mỹ (50 tổ chức
trong các viện nghiên cứu và trường đại học,riêng California đã có 15 tổ chức
nghiên cứu). Ở Anh có 20 tổ chức,Đức (7),Nhật (7), Pháp (6), Thụy sỹ(4),Thụy
điển (4),Hà lan (4),Australia (3), Ytalia (3),Canađa (3), Nga(1),Czech
(1),Balan(1),Hungary(1), Hàn quốc (1),Singapor (1),Hong kong (1)v.v…Ơ Mỹ,
tại bang California,Trường Đại học California San diego có Chương trình tính
toán và Hệ thống Nơron của Caltech, Viện tính toán Nơron, Nhóm nghiên cứu
khoa học Máy tính Nhận thức,Trung tâm nghiên cứu Ngôn ngữ,Phòng thí
nghiệm Kỹ thuật Nơron,Trung tâm Sloan Sinh học Nơron Lý thuyết. Đại học
California Santa Cruz có Nhóm Máy Dạy học, Nhóm Sinh học tính toán. Đại
học Nam California có Phòng thí nghiệm Tính toán Nơron. Đại học Stanford có
nhóm Lập trình Gen. Ở Carlsbad có Động lực học Nơron ứng dụng. Ở Moffett
Field có Nhóm Kỹ thuật Nơron NASA.
Bang Massachusetts, có Trung tâm Dạy học Tính toán và Sinh học tại Viện
Công nghệ Massachusetts -MIT,Nhóm tính toán ở khoa Não và khoa học Nhận
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-
-8-
toán Nơron thuộc Phòng Tin học Pari Nord. Nhóm nghiên cứu Nơron ở
LEIBNIZ, Grenoble. Nhóm nghiên cứu Laplace,Mô hình gần đúng trong Robot
và Trí tuệ Nhân tạo ở LEIBNIZ, Grenoble.
Hungary: có Nhóm Xử lý thông tin Nơron thuộc Đại học Eotvos Lorand,
Budapest.
diễn các kỹ thuật cho việc ra quyết định dựa trên việc xử lý thông tin không
chắc chắn. Về cơ bản, Trí tuệ Tính toán bao gồm Logic Mờ, Mạng Nơron ,
Thuật giải Di truyền, Lập luận Xác xuất,các Phương pháp Học, Lý thuyết Hỗn
độn, các Hệ chuyên gia. Một điều quan trọng cần nhấn mạnh là Trí tuệ Nhân tạo
không chỉ là một tập hợp các phương pháp luận cho lập luận dựa trên thông tin
không chắc chắn mà là sự liên kết các phương pháp trong đó mỗi phương pháp
đều có lợi thế riêng để tiến tới đạt mục tiêu chung. Bởi vậy, các thành phần của
Trí tuệ Tính toán phải được xem như các phần bổ xung cho nhau chứ không
phải tương đương. Tất cả các kỹ thuật đó nhằm mục đích đưa ra một dạng “
Máy Thông minh “nào đó mà nó có thể bắt chước sự sưy nghĩ của con người
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
-9-
- 10 -
2000. L.M.Reyneri, M.Chiaberge Khoa điện tử, Đại học Bách khoa TorinoItaly nghiên cứu phần cứng-Mạng Mờ-Nơron điều khiển Hexapod Di động,
1993-2000.
Điều khiển Robot bằng Mạng Nơron được gọi là Điều khiển khớp bằng mô
hình tiểu não CMAC do Albus 1975 –1979. Giáo s F.L.Lewis,Viện nghiên cứu
Robot và Tự động hoá, Đại học Texas –Arlington USA đã ứng dụng CMAC để
điều khiển hệ động lực phi tuyến, 1997.
Nhận dạng hệ động lực phi tuyến sử dụng mạng Nơron
được
S.J.Jagannathan, Liên hợp Phân tích Tự động hoá, USA nghiên cứu năm 1996.
Y.Pao&D.Sobasic 1987 thực hiện hệ thống điều khiển vị trí robot hai bậc tự do
sử dụng Mạng Nơron Perceptron.
A.Guez sử dụng mô hình thích nghi (MRAC). W.T. Miler sử dụng kỹ thuật
CMAC trong liên kết với phương pháp điều khiển mô men. R.Elsley thực hiện
điều khiển Jacobi ngược,sử dụng Mạng Perceptron nhiều lớp.
Mạng Nơron Được sử dụng trong cảm biến và điều khiển Robot nhiều lớp, liên
tục bởi R.Esley, &Y.Pati 1988.
Điều khiển thích nghi hệ động lực học phi tuyến sử dụng mạng Nơron được
giáo sư A.M.Annaswamy, Phòng thí nghiệm Điều khiển thích nghi - Khoa Chế
tạo Máy – Viện Công nghệ Massachusetts –MIT nghiên cứu, 1997.
Ứng dụng Mạng Nơron điều khiển ngược theo vết được giáo sư K. S.
Narendra, Trung tâm Khoa học Hệ thống, Đại học Yale,USA nghiên cứu, 1999.
Giáo sư Vukobratovic, Trung tâm Robot, Viện Mikhailo Pupin, Nam tư (cũ
), phó chủ tịch Viện Hàn lâm Khoa học, đã nghiên cứu phân loại mô hình động
lực học môi trường trên cơ sở Nơron để điều khiển robot,1998.
Bộ điều khiển Mờ-Nơron để dẫn huớng Robot Di động và hộ tống đội robot
1.4.Một số công trình nghiên cứu mạng Nơron đã công bố ở trong nước:
Ở Việt nam bắt đầu nghiên cứu Nơron từ năm 1992 tại Viện Cơ học và Viện
Tin học trong khuôn khổ đề tài cấp Nhà nuớc KC-02 Điều khiển thời gian thực.
Hiện nay một số cơ sở đang nghiên cứu như Trung tâm Tự động hoá-Viện tin
học, Khoa Công nghệ Thông tin - ĐHBK.HN, Bộ môn Điều khiển Tự động
ĐHBK.HN, Học viện Bưu chính Viễn thông, Khoa Công nghệ Thông tin
ĐHBK.HCM,Đại học Giao thông Vận tải, Viện Vật lý, Viện toán học,
VietcomBank, Viện Năng lượng Nguyên tử, Học viện Kỹ thuật Quân sự, Đại
học Quốc gia - HCM. Công tác đào tạo được triển khai, đã có những luận án
Tiến sĩ (2), Thạc sĩ và buớc đầu được giảng dạy cho sinh viên. Tuy nhiên những
nghiên cứu thường rải rác,chưa tập trung thành những nhóm nghiên cứu mạnh
để có thể bước đầu đưa vào ứng dụng và có thể hợp tác với các tổ chức quốc tế.
1.5 Tổng quan về tình hình nghiên cứu tổ hợp năng lượng nhiên liệu than
Một NLNLT cung cấp năng lượng điện là kết quả của những quá trình
chuyển đổi năng lượng. Cụ thể, những chuyển đổi chính là sự đốt cháy nhiên
liệu đầu vào, tạo hơi, phát triển chuyển động quay, sản xuất năng lượng điện và
ngưng tụ hơi. Tất cả những chuyển đổi này tạo thành một chu trình nhiệt động
lực học lớn và phụ thuộc lẫn nhau cao độ.
Những chiến lược điều khiển hiện thời cho phép tạo ra năng lượng cần thiết
để thoả mãn yêu cầu tải trong khi duy trì sự cân bằng giữa những quá trình
chuyển đổi trong tổ hợp. Chủ yếu, chúng gắn kết ngõ ra năng lượng lưu lượng
hơi của boiler với năng lượng được yêu cầu bởi tuabin-máy phát để đạt được tải
điện ở mọi thời điểm. Sơ đồ điều khiển tổ hợp cấu thành lớp cao nhất của hệ
thống điều khiển và nó chịu trách nhiệm cho việc điều khiển boiler-tuabin-máy
- 11 -
- 12 -
đến boiler và tuabin. Phụ thuộc vào các cặp biến được điều khiển và điều
khiển, có hai sơ đồ cho CC: sơ đồ theo boiler và sơ đồ theo tuabin [Landis and
Wulfsohn 1988]. Với sơ đồ thứ nhất, bộ điều khiển tải tạo lệnh cho van tiết lưu
hơi từ yêu cầu tải tổ hợp và công suất tạo ra, bộ điều khiển áp suất tạo lệnh cho
cho van nhiên liệu/không khí từ áp suất tiết lưu đo được và setpoint áp suất mà
sẽ có được từ yêu cầu tải tổ hợp thông qua ánh xạ phi tuyến (hình 1.1). Trong
sơ đồ thứ hai, bộ điều khiển tải tạo lệnh cho những van nhiên liệu/không khí từ
yêu cầu tải tổ hợp và công suất tạo ra. Lệnh đến van tiết lưu được tính toán từ
áp suất hơi tiết lưu đo được và setpoint áp suất mà sẽ có được từ yêu cầu tải tổ
hợp thông qua ánh xạ phi tuyến (hình 1.2).
Những chiến lược điều khiển phù hợp sẽ kết hợp những thuận lợi của hai
chiến lược trên và tối thiểu những bất lợi cuả chúng, nghĩa là , chúng cố gắng
giữ đặc tính đáp ứng ổn định của sơ đồ theo tuabin và đặc tính đáp ứng nhanh
của sơ đồ theo boiler. Để đạt được đáp ứng nhanh,tuabin-máy phát được phép
sử dụng năng lượng được lưu trữ trong boiler. Để đạt được ổn định, điều khiển
boiler hiệu chỉnh tốc độ đánh lửa theo tải yêu cầu, trong khi giữ cho tuabin
không vượt quá năng lượng được cung cấp bởi boiler. Đáp ứng tổ hợp ở CC
phải nhanh hơn sơ đồ theo tuabin nhưng không nhanh bằng sơ đồ theo boiler.
Những ưu điểm khác của phương pháp điều khiển phù hợp là khả năng dễ dàng
thực hiện giảm tải và biến đổi áp suất với điều khiển tải chính xác.
Từ quan điểm thực tế, người ta mong muốn có một cấu trúc tổng quát cho
điều khiển phù hợp mà có thể cấu hình lại với bất kỳ sơ đồ hoạt vận hành nào,
hoặc có thể được điều chỉnh để thể hiện bất kỳ ứng xử nào giữa các sơ đồ điều
khiển. Những cấu trúc này chứa những cấu hình nhiều vòng lặp phân tán của
những bộ điều khiển SISO dùng những thuật toán cổ điển PI hay PID. Những
sơ đồ này đối mặt với những thách thức nghiêm trọng bởi những yêu cầu vận
hành theo tải diện rộng. Trong những điều kiện này, hiệu suất có thể giảm do
những biến đổi phi tuyến lớn và những hiệu ứng kết hợp của những quá trình
động. Người ta đã dùng những bộ bù để tăng cường sơ đồ điều khiển phù hợp
thích nghi tham khảo mô hình và tối ưu đã trở thành chuẩn cho những tổ hợp
năng lượng than của người Nhật trong suốt 25 năm qua, cho phép họ vận hành
với những mức cao nhất của hiệu suất nhiệt.
Người ta cũng thực hiện nhiều nghiên cứu để áp dụng những phương pháp
tách riêng ra(decoupling) để làm giảm hay loại bỏ những ảnh hưởng tương tác
giữa các vòng điều khiển. Trong sơ đồ điều khiển tổ hợp theo boiler dùng bộ bù
dựa trên hồi tiếp trạng thái để giảm ảnh hưởng tương tác của hệ thống cho tổ
hợp 150 MW ở Ontario Hydro, Canada. Bộ bù tạo ra những tín hiệu bù cho bốn
ngõ vào điều khiển chính là tổng của những tín hiệu điều khiển chính và vectơ
- 14 -
trạng thái quá trình sử dụng những ma trận độ lợi hằng số, được tính từ mô hình
tuyến tính không gian trạng thái bậc 9 của máy. Vectơ trạng thái được dự đoán
dùng bộ lọc Kalman. Những kết quả mô phỏng cho thấy tải có khả năng vận
hành trong khoảng 75% đến 100% khoảng vận hành tải với lỗi biến quá trình và
ảnh hưởng tương tác giảm. Không có chi tiết về số lượng mô hình tuyến tính
được dùng trong khoảng tải cũng như những ma trận độ lợi trong khoảng đó.
Những bộ điều khiển tách rời dựa trên mô hình bậc 12 được thực thi trong máy
thực. So với điều khiển truyền thống, sơ đồ tách riêng xấp xỉ làm cho lỗi điều
khiển giảm, tăng độ ổn định tải thấp, hiệu chỉnh thông số đơn giản và không
nhạy với những biến đổi máy. Khó khăn chính với phương pháp tách riêng là
thiết kế bộ bù tách riêng. Thiết kế bộ bù động là quá nặng nề và sự phức tạp
ngăn cản ứng dụng của chúng.
Về nguyên tắc, điều khiển thích nghi dường như rất phù hợp cho điều khiển
toàn bộ nhà máy điện. Khả năng của hệ thống điều khiển liên quan với những
thay đổi động của quá trình rất hấp dẫn cho vận hành diện rộng. Trong [Marc, et
al. 1980] ảnh hưởng của nhiễu và biến đổi thông số trong thiết kế một bộ điều
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
hình toán học chính xác cho thiết kế và vận hành. Bậc và độ phức tạp cao của
của tổ hợp năng lượng đã ngăn cản việc thực thi những sơ đồ điều khiển tập
trung dựa trên mô hình toán học. Nói cách khác, tính huống này đã thúc đẩy sự
tồn tại lâu dài của những cấu hình nhiều vòng dựa trên những thuật toán điều
khiển PID truyền thống.
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
nhất và chuyển sơ đồ nếu được phép của người vận hành. Điều khiển được thực
hiện thành công trong một hệ thống phát triển và tính toán phần mềm điều
khiển dùng mô hình tổ hợp toàn bộ.
Trong [Garduno and Lee 1997], một sơ đồ điều khiển thứ tự hai mức cho vận
hành diện rộng NLNLT được thể hiện. Tại mức giám sát một bộ quản lý tham
chiếu mờ tạo những quỹ đạo setpoint theo chính sách vận hành áp suất biến đổi
để điều khiển tải theo bất kỳ đặc tính nào.Tại mức điều khiển, thực thi chiến
lược truyền thẳng-hồi tiếp. Điều khiển truyền thẳng gồm một tập những hệ suy
luận mờ MISO được thiết kế từ dữ liệu vào ra trạng thái xác lập. Đường hồi tiếp
gồm những bộ điều khiển PID với cấu hình nhiều vòng. Với chiến lược này,
máy theo một tập những luật ngôn ngữ. Thực nghiệm chỉ ra rằng những kết quả
tương tự hay tốt hơn so với những bộ điều khiển cổ điển. Công việc này minh
hoạ tính khả thi trong việc xây dựng những giải thuật xác định thời gian thực
hiệu quả, mở đầu một lĩnh vực mới trong kỹ thuật điều khiển.
Trong [Ray and Majumder 1985] lý thuết tách rời phi tuyến và lôgic mờ
được dùng để điều chỉnh áp suất bao hơi và mức nước bao hơi trong một tổ hợp
200MW ở những điều kiện vận hành khác nhau. Đầu tiên, một luật điều khiển
tách rời được thiết kế cho mô hình máy phi tuyến bậc ba với giả sử rằng thông
số hệ thống được biết chính xác và là những hệ con SISO không tương tác. Sau
đó, những bộ điều khiển lôgic mờ được dùng cho điều khiển vòng kín trong mỗi
hệ con. Hiệu suất tốt của sơ đồ điều khiển đạt được khi tính với nhiễu trạng thái,
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
- 17 -
trình tin cậy cho việc thiết kế và phát triển những hệ thống thông minh và thích
minh nhân tạo là mạng nơron, logíc mờ và thuật giải di truyền để đưa đối tượng
được điều khiển vào đúng quỹ đạo của nó với những yêu cầu vận hành khác
nhau. Để làm được điều này, hệ thống điều khiển trên tích hợp những chức
năng học máy, quan sát ứng xử, cơ cấu thích nghi, tạo lệnh và tính toán điều
khiển, tất cả chúng đều cần thiết cho những đặc tính vận hành tự quản hiệu quả
và linh hoạt.
1.5.4 Đối tượng và phạm vi
- 18 -
Đối tượng chính của đề tài nghiên cứu này là tăng cường mức điều khiển tự
động những máy năng lượng thông qua việc mở rộng khái niệm điều khiển phù
hợp cho NLNLT và tính hiện thực của nó qua những kỹ thuật thông minh nhân
tạo.
Phạm vi của đề tài sẽ tập trung vào những điểm sau:
Tất cả những nghiên cứu và phát triển trong đề tài này sẽ tập trung ở tổ
hợp máy điện nhiên liệu than loại bao hơi truyền thống(NLNLT), vì
chúng thể hiện kỹ thuật được dùng nhiều nhất để tạo năng lượng điện và
cấu thành cách chính để điều chỉnh những thông số quan trọng nhất (công
suất, tần số và điện áp) ảnh hưởng đến chất lượng năng lượng điện trong
những hệ thống năng lượng liên kết.
Chỉ những điều kiện động bình thường cùa NLNLT được xem xét. Đề tài
tập trung trong hệ thống điều khiển cần thiết cho trạng thái vận hành bình
thường mà chiếm đến 99% thời gian vận hành. Không nổ lực nào liên
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
thích nghi được thực thi hoặc là ở dạng off-line hoặc bao gồm hoàn toàn trong
môđun chính.
có thể là bất kỳ. Phương pháp này cho phép tối ưu quá trình và cung cấp những
phương pháp chỉ định chính sách vận hành cung cấp độ phân tán lớn những tình
huống vận hành theo nhiều đối tượng vận hành. Sơ đồ điều khiển truyền thẳnghồi tiếp hai bậc tự do được đề xuất là một mở rộng của sơ đồ điều khiển hồi tiếp
SISO tuyến tính với cả hai điều khiển truyền thẳng tham chiếu và nhiễu, cho
trường hợp nhiều biến phi tuyến để đạt được vận hành diện rộng. Bộ xử lý điều
khiển truyền thẳng được thực thi dùng những hệ thống suy luận mờ MISO,
được thiết kế từ dữ liệu vào ra xác lập, dùng kỹ thuật học mạng nơron. Đường
điều khiển hồi tiếp được thực thi như một sơ đồ điều khiển nhiều vòng phân tán
dựa trên bộ điều khiển PID mờ và bù tương tác. Những bộ điều khiển PID mờ
kết hợp những kỹ thuật điều khiển gain-scheduling và multimode dùng hệ thống
suy luận mờ loại Sugeno.
Hình 1.3. Hệ thống điều khiển phù hợp thông minh
Hình 1.4.Sơ đồ khối điều khiển
Với bất kỳ quỹ đạo lệnh tải nào, bộ tạo setpoint sẽ tạo những quỹ đạo
setpoint cho những vòng điều khiển mức thấp hơn thông qua nhóm những ánh
xạ được thiết kế tối ưu. Ánh xạ setpoint được thiết kế bằng cách giải bài toán tối
ưu nhiều đối tượng, trong đó những hàm đối tượng và hàm phù hợp của chúng
- 21 -
- 22 -
CHƯƠNG 2.
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;
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.
Bảo toàn khối lượng,động lượng và năng lượng yêu cầu những số lượng nào
đó cần được bảo toàn trong quá trình vì khối lượng, năng lượng và động lựơng
cân bằng. Đặc tính loại và kích thước của thiết bị quá trình của một hệ thống
phụ thuộc vào lượng vật liệu đưa vào quá trình và tốc độ tại đó những quá trình
sinh học, hoá học và vật lý diễn ra trong thiết bị. Khái niệm này được bao trùm
trong lĩnh vực động lực sinh học và hoá học.
Một quá trình có thể khả thi cả về mặt nhiệt động và động lực nhưng vẫn
không hoạt động vì hiệu suất vận hành kém. Điều này có thể là kết quả của việc
không điều khiển được của quá trình và vì những điều kiện không kinh tế. Vì
thế,điều khiển hệ thống để thoả mãn hiệu suất vận hành, vật lý và kinh tế là rất
quan trọng trong thiết kế và vận hành một hệ thống quá trình cũng như khái
niệm trạng thái cân bằng và tốc độ của quá trình.
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.
Tất cả những bộ điều khiển dùng một mô tả hay một mô hình của quá trình.
Nói chung, trong những quá trình sinh học và hoá học, những mô hình là phi
tuyến và những thông số mô hình thường không biết được. Vì thế, luôn luôn có
sự không phù hợp giữa tiên đoán mô hình và ngõ ra quá trình thật. Những lý do
khác của sự khác biệt này là do những thay đổi trong những điểm vận hành và
thiết bị.
Những khác biệt giữa một thiết bị và mô hình của nó tạo ra sự không thoả
mãn để cân bằng tiêu chuẩn hiệu suất. Những thông số điều chỉnh được có thể
giúp cân bằng giữa theo dõi điểm đặt nhanh và đáp ứng biến thao tác trơn.
Người ta luôn mong muốn tối thiểu lượng điều chỉnh trực tuyến bằng cách dùng
- 24 -
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
cần được cung cấp thông tin về lịch sử hệ thống : những ngõ vào và ra ở những
lần trước. Bao nhiêu thông tin được yêu cầu phụ thuộc vào độ chính xác mong
muốn và ứng dụng cụ thể.
Khi một mạng nhiều lớp được huấn luyện như một bộ điều khiển,hoặc như
một vòng lặp kín hay mở, hầu hết những vấn đề này đều tương tự trường hợp
nhận dạng. Khác biệt cơ bản là ngõ ra mong muốn của mạng là ngõ vào điều
khiển thích hợp được dẫn đến thiết bị, là không có được nhưng phải được sưy ra
từ ngõ ra mong muốn của thiết bị. Để đạt được điều này, người ta dùng hoặc là
xấp xỉ dựa trên mô hình toán học của thiết bị(nếu có được),hay mô hình mạng
nơron động của thiết bị hay thậm chí mô hình động đảo ngược của thiết bị.
Mạng nơron có thể được kết hợp để nhận dạng và điều khiển thiết bị, vì thế
hình thành cấu trúc điều khiển thích nghi.
Có nhiều mạng cải tiến để nhận dạng hệ thống phức tạp hơn cho bài toán
điều khiển.
Phần nhận dạng hệ thống là sương sống của hầu hết tất cả những kiến trúc
điều khiển nơron. Để có được kiến trúc điều khiển,trước hết chúng ta phải có
mô hình thiết bị. Ví dụ, những mô hình thiết bị có thể được mô tả bởi những
phương trình sai phân sau:
Mô hình I:
(2.1)
Mô hình II:
(2.2)
Mô hình III:
(2.3)
Mô hình IV:
(2.4)
với (u(k), yp(k)) thể hiện cặp vào-ra của thiết bị tại thời điểm k và f:RnR,
g:RmR được giả sử là những hàm khả vi theo những đối số của chúng. Người
ta giả thiết rằng f và g có thể được xấp xỉ đến một độ chính xác mong muốn bất
kỳ trên những tập đóng bởi mạng nơron nhiều lớp. Do giả thiết này, bất kỳ thiết
bị nào cũng có thể được đại diện bởi một mô hình mạng nơron tổng quát hoá.
Để nhận dạng một thiết bị,một mô hình nhận dạng được chọn dựa trên thông
tin liên quan đến lớp mà nó thuộc. Ví dụ, giả sử thiết bị có cấu trúc được mô tả
bởi mô hình III, chúng ta có hai loại bộ nhận dạng:
2.3.1 Mô hình song song: Trong trường hợp này, cấu trúc của bộ nhận dạng
giống hệt thiết bị với f và g được thay thế bởi những mạng nơron N 1 và N2
tương ứng. Mô hình này được mô tả bởi phương trình:
(2.5)
2.3.2. Mô hình song song-nối tiếp: Mô hình này được mô tả bởi phương trình:
(2.6)
Khi một thiết bị được nhận dạng, một bộ điều khiển thích hợp có thể được
kết hợp trên những ngõ vào được trọng số của nó và tạo ra một ngõ vào thông
qua hàm kích hoạt phi tuyến với một ngưỡng.
Ngay từ đầu lấy ý tưởng từ những nơron trong bộ não con người, những
nơron thông minh là những đơn vị xử lý tín hiệu được sắp xếp thành những
mạng được kết nối để thực hiện những công việc xử lý thông tin phức tạp chẳng
hạn nhận dạng đặc tính, nhóm dữ liệu và phân loại, xấp xỉ hàm,… Một mô hình
tổng quát của một nơron thông monh được xem như một hàm xử lý ngõ vào và
một hàm xử lý ngõ ra.
- 28 -
Hàm ngõ vào f(.), kết hợp tất cả những tín hiệu vào thành một ngõ vào mạng
đơn.Thông thường, một hàm ngõ vào là một kết hợp tuyến tính của những ngõ
vào xi:
(2.7)
với wi i=1,…,n được gọi là những trọng số liên kết. Hàm ngõ ra g(.) cung cấp
tín hiệu ngõ ra của nơron với toán hạng ngõ vào mạng được cho bởi f. Hàm ngõ
ra thường dùng là hàm sigmod:
(2.8)
Một mạng nơron thông minh là một mảng gồm những nơron liên kết với nhau.
Giữa nhiều cấu hình kết nối khác nhau, một cấu hình thông thường và hữu dụng
nhất là mạng truyền thẳng nhiều lớp, trong đó không có nơron ngõ ra nào là ngõ
vào cho một nơron trong cùng hay thuộc lớp đứng trước. Đây là điểm nổi bật
nhất của loại mạng này.
Hình 2.2.Mạng truyền thẳng nhiều lớp
Lớp nơron nhận ngõ vào mạng được gọi là lớp ngõ vào. Lớp ngõ vào không
thực hiện bất kỳ công việc xử lý tín hiệu nào mà chỉ phân bố những tín hiệu
vào. Những ngõ ra mạng được tạo bởi lớp ngõ ra. Bất kỳ lớp nào nằm giữa lớp
ngõ vào và ngõ ra đều được gọi là lớp ẩn vì nó không có liên hệ trực tiếp với
(2.9)
Định nghĩa những véctơ đối số của những ngõ vào và trọng số nơron , ta có:
Hình 2.4. Hàm truyền tuyến tính
(2.10)
Hình 2.5. Hàm truyền sigmod
Hàm truyền sidmod nhận ngõ vào,có bất kỳ giá trị nào và tạo ngõ ra nằm trong
khoảng 0 và 1.
2.4.2 Thích nghi và học cho những thành phần ngưỡng nơron
Một công việc quan trọng là làm cách nào để thiết kế một thuật toán hiệu quả
để thích nghi những trọng số và ngưỡng của một đơn vị. Lập trình tuyến tính có
thể cung cấp một giải pháp thay thế cho một tập những bất phương trình mà có
thể nhận được từ một hàm chuyển mạch được cho. Vì tất cả những giá trị hợp lý
của hàm này hiện diện trong một chương trình tổng hợp như thế tại cùng thời
điểm, thuật toán này được xem là có bản chất song song. Trong trường hợp này,
một máy tính được lập trình để thực hiện một chương trình mà phải có đủ bộ
Hình 2.6.Sơ đồ khối của một bộ kết hợp tuyến tính
- 31 -
- 32 -
Như trong chương trình được dùng cho giải thuật LMS được mô tả trong
phần sau, cho a k là một ước lượng của véctơ trong số tại thời điểm k. Ta có
thể viết lại lỗi tức thời e(k) như sau:
(2.14)
thích nghi là một chương trình tối thiểu hàm lỗi sẽ được bàn đến sau.
2.4.3. Luật thích nghi Perceptron
(2.20)
Ngược lại, nếu
e(k)=-2
hay tương đương
Ta có được
Luật học perceptron nhị phân của Rosenblatt cho một thành phần ngưỡng được
thể hiện lần đầu tiên vào năm 1958. Cho một đáp ứng mong muốn d(k), việc
thích nghi được cập nhật với với luật perceptron dùng một “lỗi lượng tử hoá”
e(k), được định nghĩa là khác biệt giữa đáp ứng mong muốn và ngõ ra của thành
phần ngưỡng.
(2.21)
Vì thế, ta có thể chọn a k là
(2.22)
Nghĩa là
(2.23)
Và
(2.13)
chỉ có ba giá trị hợp lý cho e(k):
(2.24)
Trong đó 0 được gọi là tốc độ học.
- 33 -
và d(k) là đáp ứng mong muốn tại thời điểm k.
Hiển nhiên là nếu bán kính của vùng chết là 0. Thì luật thích nghi Mays trở
thành luật thích nghi perceptron.
2.4.5 Thành phần tuyến tính thích nghi (ADALINE)
Thành phần tuyến tính thích nghi (ADALINE) được dùng như là khối xây dụng
cơ bản trong nhiều mạng nơron truyền thẳng, được nghiên cứu lần đầu tiên bởi
Widrow và các đồng sự trong thập kỷ 1960. Một bộ kết hợp tuyến tính thích
nghi đơn giản được cho ở hình 2.10, với ngõ ra của đơn vị là tổng trọng số của
tất cả ngõ vào.
Để thực hiện quá trình thích nghi trong miền thời gian rời rạc, người ta giả sử
rằng thành phần này nhận véctơ đặc tính ngõ vào x(k)=[x1(k),…,x n(k)]T và một
đáp ứng mong muốn d(k), là một hàm của thời điểm k. Những thành phần của
véctơ ngõ vào được trọng số bởi một tập những hệ số hay trọng số được biểu thị
bởi véctơ trong số w=[w1,…,wn]T trong đó những thành phần của nó có cả
những giá trị dương và âm. Dùng ký hiệu của những véctơ đối số, một ngõ ra
tuyến tính tại thời điểm k có được bằng tích của véctơ đặc tính ngõ vào và véctơ
trọng số như sau:
- 35 -
- 36 -
(2.27)
với là một hằng số được chọn để mà lỗi el(k) sẽ ổn định tiệm cận:
(2.32)
Như vậy ta có được:
(2.33)
Nhân cả hai vế của phương trình này với xa(k) ta được
(2.36)
Để bảo đảm độ hội tụ của el(k),điều kiện sau cần được thoả mãn:
Nghĩa là:
Vì thế lỗi là ổn định tiệm cận nếu hằng số được chọn như sau:
0 2
(2.37)
Để tránh sự điều chỉnh quá mức, thực tế được chọn trong khoảng
(2.38)
0.1 1.0
Không giống như luật perceptron, ngõ vào của một Adaline có thể là nhị phân
hay tương tự. Một Adaline có thể được dùng để nhận ra những hàm ngưỡng
bằng cách hiệu chỉnh thích hợp những trọng số. Thậm chí nếu cả hai luật học
perceptron và LMS được dùng trong những chương trình sữa lỗi và có những
công thức cập nhật tương tự, chúng vẫn có những ứng xử khá khác biệt(Widrow
and Lehr 1990). Khác biệt chính giữa hai thuật toán này là luật của Rosenblatt
khai thác một lỗi lượng tử e=(d-sgn(s)) trong khi giải thuật LMS khai thác lỗi
tuyến tính e l=d-s. Điều này có nghĩa là giải thuật perceptron gồm một hàm phi
tuyến của những tín hiệu qua hàm truyền bước, ngược lại giải thuật LMS là
một quá trình tuyến tính.
- 37 -
- 38 -
2.4.7 Phương pháp lỗi bình phương trung bình
2.4.7.1 Công thức không lặp lại
số dọc theo hướng được cung cấp bởi gradient của một lỗi bình phương tức thời
giữa ngõ ra hiện thời và ngõ ra mong muốn. Vì nó là một hàm bình phương cùa
những trọng số, bề mặt này là lồi và có một tối thiểu toàn cục duy nhất. Từ
(2.57) gradient tức thời có thể đạt được dựa trên hàm lỗi tuyến tính tức thời như
sau:
là véctơ tương quan chéo giữa ngõ ra mong muốn d(k) và véctơ ngõ vào nơron
xa(k).
Tương tự, định nghĩa ma trận tương quan ngõ vào R
(2.43)
Là một ma trận xác định dương,đối xứng và thực hay trong những trường hợp ít
gặp hơn là ma trận bán xác định dương. Vì thế lỗi bình phương được viết lại
như sau:
(2.41)
Gradient a của hàm MSE tương ứng với véctơ trọng số wa có được bằng
cách đạo hàm (2.41) như sau:
Vì thế, giải thuật học giảm gradient được viết như sau:
(2.44)
Đây là giải thuật LMS của Widrow, với tốc độ học 0 quyết định độ hội tụ
của chương trình học. Theo Widrow và Lehr , phải thoả:
(2.45)
Giải thuật LMS hội tụ trung bình đến w*, là cách giải Wiener tối ưu được
cho bởi (2.43).
Thể hiện hình học của luật LMS được cho trong hình 2.11. Theo (2.44)
wa(k+1) bằng với wa(k) cộng với một số gia a k mà tương ứng với véctơ đặc
Bây giờ chúng ta sẽ nói về những giải thuật lan truyển ngược(BP) một cách chi
tiết.
Một mạng truyền thẳng nhiều lớp có khả năng xấp xỉ rất nhiều hàm phi tuyến
với độ chính xác mong muốn, nó được khai thác rộng rãi trong các ứng dụng
như những bài toán nhận dạng và điều khiển hệ thống, nhận dạng đặc tính. Bây
giờ chúng ta sẽ đề cập đến mô hình tổng quát và giải thuật học BP của MFNN.
(2.46)
với
(2.47)
tương ứng là lỗi chuẩn hoá, đáp ứng mong muốn chuẩn hoá và những đặc tính
ngõ vào chuẩn hoá. Phương trình (2.65) là luật học LMS với 2 được thay
bởi . Vì thế, cập nhật trọng số được thiết kế bởi luật LMS tương đương với
giải thuật LMS với sự hiện diện của một tập huấn luyện khác là tập huấn
luyện được chuẩn hoá định nghĩa bởi phương trình (2.66).
Hình 2.12. Sơ đồ khối của giải thuật LMS thời gian liên tục
- 41 -
2.5.1 Cấu trúc nơron tổng quát cho MFNN
Trong một MFNN những nơron được tổ chức trong những lớp mà không có
đường hồi tiếp hay liên kết chéo. Lớp thấp nhất của MFNN là lớp ngõ vào trong
đó những thành phần xử lý nhận tất cả những ngõ vào và ngõ ra cung cấp cho
những thành phần xử lý của lớp ẩn thứ nhất. Lớp cao nhất của MFNN là lớp
ngõ ra. Những ngõ ra từ một lớp bất kỳ sẽ chỉ truyền đến lớp cao hơn. Mỗi cấu
trúc cơ bản của những MFNN với những kết nối truyền thẳng được thể hiện
trong hình 2.13.
(a) Hoạt động nhân trọng số:
(b) Hoạt động kết hợp
Hình 2.13. Một mạng nơron truyền thẳng nhiều lớp với lớp ngõ vào, ngõ ra và
(M-2) lớp ẩn.
Bảng 2.1. Ý nghĩa của các ký hiệu
Ký hiệu
Ý nghĩa
Neuron(i,j)
nơron thứ j trong lớp i
sj(i)
ngõ ra của bộ kết hợp tuyến tính trong neuron(i,j)
(i)
xj
Ngõ ra của neuron(i,j)
Phương trình thứ nhất thể hiện hoạt động nhân trong đó những tín hiệu sẽ
được nhân bởi những trọng số trên đường kết nối và những phương trình thứ
- 43 -
- 44 -
hao và thứ ba thực thi hoạt động kết hợp gồm tổng của tất cả ngõ ra và ngưỡng.
Hoạt động phi tuyến này được viết lại như sau:
(2.51)
với
Và
này được hình thành thông qua quá trình học ngược với lập trình trước trong
những phương pháp truyền thống. Nói cách khác, trong cấu trúc MFNN, thông
tin ngõ vào được truyền thẳng đệ quy đến những lớp ẩn cao hơn và cuối cùng là
lớp ngõ ra. Vì lý do này mà mạng được gọi là mạng lan truyền. Vì quan hệ vàora của một MFNN được mô tả bởi những phương trình đại số tĩnh, những ngõ
- 45 -
- 46 -
ra mạng được tính khá dễ. Những mạng MFNN là những mạng nơron tĩnh và
không có bất kỳ bản chất động nào. Mặc dù phiên bản mở rộng của MFNN có
thể có tính động.
2.5.2 Thiết lập giải thuật lan truyền ngược
Giả sử rằng ta đã có véctơ ngõ ra mong muốn d(k), thuật toán BP cho mang
MFNN sẽ tối thiểu hàm lỗi E là tổng bình phương của các sai lệch giữa ngõ
mong muốn d(k) và những ngõ ra mạng nơron thực sự y(k) đã đề cập ở trên,
được cho như sau:
(2.55)
với
(2.56)
với một nơron thì giải thuật học trọng số ở trên được cho trong hình 2.17. Và xử
lý tín hiệu thuận và ngược trong hình 2.18. Ở đây, đường thuận được dùng để
lan truyền tín hiệu hàm ngõ vào trong khi những đường ngược được thiết kế để
truyền những tín hiệu ngõ ra.
(2.52)
với
(2.53)
Không mất tính tổng quát ta thay li+1 bởi l. Liên hệ giữa sl(i+1) và sj(i) trong
phương trình sau:
Ta được
Vì thế,
với
(2.57)
Điều này cho thấy đã rút được BP từ những phương trình (2.52)-(2.56).
Trong suốt pha học BP như thế, mỗi thể hiện đặc tính trong những thành phần
ngõ ra khác với những thành phần mong muốn. Sau thể hiện toàn tập dữ liệu,
những thông số mạng được sữa đổi được mô tả bởi những trọng số và ngưỡng
mà tối thiểu lỗi bình phương trung bình E.
Thuật ngữ lan truyền ngược được dùng để thể hiện một giải thuật học có
giám sát hoàn toàn với việc chọn lựa cụ thể hàm truyền nơron và luật cập nhật
trọng số. Nói cách khác, thật là tiện lợi để dùng nó khi thể hiện những thành
phần đơn của giải thuật này mà xác định những đạo hàm riêng phần liên quan
bằng lan truyền ngược. Điều này đơn giản là một chuỗi những tính toán. Vì thế,
giải thuật lan truyền ngược là một giải thuật học có giám sát mà dùng lan truyền
ngược để tính những đạo hàm riêng phần.
2.6. Thiết lập giải thuật BP dùng nguyên tắc sai phân
Giải thuật học BP được xem như là một trong những chương trình học hiệu
quả nhất cho MFNN. Một lý do cho việc thành công của giải thuật này là tính
đơn giản của nó. Thực tế, giải thuật BP có nhiều ứng dụng hơn là chỉ trong
chuỗi mắc xích và phương pháp giảm gradient.
Có nhiều phương pháp để thiết lập giải thuật BP. Cách đơn giản nhất được
thể hiện ở phần trên. Bên cạnh đó nguyên tắc sai phân cũng được dùng để đạt
được những công thức giải thuật BP. Phương pháp này lấy ý tưởng từ lý thuyết
Toán hạng đầu tiên là lỗi ngõ ra bình phương và toán hạng thứ hai phụ thuộc
vào những phương trình mạng mà cung cấp những ràng buộc cho những thông
số của MFNN. Sai phân lần đầu ta được:
Phương trình tối ưu thứ ba (2.56) thể hiện:
(2.65)
(2.60)
Điều kiện cần là cho L 0 sẽ xác định tối thiểu cục bộ cho hàm lỗi E tương
ứng với những phương trình ràng buộc mạng. Điều kiện này mô tả hoàn toàn
ứng xử của mạng, suy ra những điều kiện tối ưu sau:
(2.61)
(2.66)
Nghĩa là
(2.67)
Điều kiện này nói rằng những véctơ trọng số waj(i) tương ứng với điểm tĩnh L là
một tối thiểu cục bộ hay một điểm yên ngựa.
2.6.2 Cập nhật trọng số
Tìm một điểm cực tiểu của hàm lỗi tương ứng với những véctơ trọng số
tương đương với tìm cực tiểu của L trong khi thoả mãn những phương trình
mạng và phương trình (2.60). Những phương trình mạng (2.64) và (2.67) tạo
thành một hệ thống hoàn chỉnh cho bài toán được thể hiện bởi một bài toán giá
trị biên hai điểm. Không có cách giải nào. May mắn thay, phương pháp giảm
gradient cung cấp giải thuật lặp trọng số sau:
(2.62)
Copyright: Tài liệu đại học ©