1
THIẾT KẾ BỘ ĐIỀU KHIỂN BẰNG MẠNG NƠRON TRUYỀN THẲNG
THEO MÔ HÌNH MẪU LÀ MỘT KHÂU DAO ĐỘNG BẬC 2
KS. Phạm Ngọc Minh, PGS-TSKH. Phạm Thượng Cát
Phòng Công Nghệ Tự Động Hóa - Viện Công Nghệ Thông Tin
Viện Khoa Học và Công Nghệ Việt Nam
Tel. 84-4-8363484, Fax: 84-4-8363485, E-mail: Tóm tắt : Bài báo này trình bày kết quả nghiên cúu thiết kế bộ điều khiển bằng mạng nơron truyền
thẳng được huấn luyện bằng giải thuật học lan truyền ngược lỗi BP và được cài đặt trên thiết bị điều
khiển thông minh ĐKTM, một sản phẩm công nghệ cao của phòng Công nghệ Tự động hoá - Viện
Công nghệ Thông tin. DESIGN AND IMPLEMENTATION OF A NEURO CONTROLLER USING
SECOND ORDER REFERENCE MODEL
Dipl.Eng. Pham Ngoc Minh, Prof.DSC. Pham Thuong Cat
Department for Automation Technology, Institute of Infomation Technology.
Viet Nam Academy of Science and Technology
Tel. 84-4-8363484, Fax: 84-4-8363485, E-mail: Abstract: This paper presents research results in design and implementation of a neural controller
using Error Back-Propagation Algorithm. This controller has been installed in an intelligent control
ĐKTM device, a high-tech product of Department for Automation Technology - Institute of
Information Technology.

Trong đó:
• Các nơron trong mạng là nơron Fermi
• Input Layer gồm 1 nơron có trọng số bằng 1.
Tín hiệu vào x được đưa tới nơron của Input
Layer, khi đó tín hiệu ra của nơron là x
• Vector trọng số giữa Input Layer và Hidden

Layer
Output
Layer
x
y
Hình 1 : Cấu trúc m
ạ
n
g
nơron

2
)1(
1
1
)(
ii
i
netV
i
OO
dnetV
df
e
netVf
i
−=⇒
+
=
−

∑
=
=
3
1
i
)*W(
i
i
OnetY
Sơ đồ giải thuật tính tín hiệu ra y được mô tả như
hình 2

[k] , W
i
[k] của mạng, ta xác định được đầu ra
thực
][
~
ky . Trên cơ sơ so sánh với mẫu học y[k],
các trọng số W
i
[k] được hiệu chỉnh thành W
i
[k+1] .
Tiếp tục từ W
i
[k+1] sẽ hiệu chỉnh các trọng số
V
i
[k] .
• Với sai lệch cho mẫu học thứ k là
)()(
~
kyky − , giá trị gia tăng ][kW
i
∆ được
xác định theo công thức cải biên của Widnow
như sau:

)(
][][][
][

df
kyky








−=
δ

là tín hiệu sai lệch của nơron đầu ra.
Tham số s gọi là bước học,

9.01.0 ÷=s
Có thể xác định O
i
theo công thức 2.1.
Sau khi tính được
][kW
i
∆
, ta xác định được
trọng số mới
]1[
+
kW
i

i
3
1
][
+=
∑
=
k
netVd
df
i
V
knetV
i
Vi
i
δδ

Sau khi tính được
][kV
i
∆ , ta xác định được
trọng số mới
]1[ +kV
i
theo công thức sau:

][][]1[ kVkVkV
iii
∆

x
[
k
]

NetV
i
= V
i
*x[k]

+ b
i
netV
ii
e
netVfO
−

=
=
1
1

)(][
~

Hình 2: Lưu đồ tính tín hiệu ra y của mạng nơron

3



mạng nơron để tín hiệu ra của đối tượng điều khiển
bám lấy tín hiệu ra của mô hình mẫu khi đối tượng
có tham số không biết trước hoặc bị thay đổi trong
quá trình hoạt động. Xét mô hình mẫu là khâu dao
động bậc 2:
01
2
M
)(W
asas
K
s
M
++
=
(4.1)
với thông số K
M ,
a
1
và a
2
được chọn phù hợp với
các chỉ tiêu chất lượng mong muốn, a
1
, a
0
có thể
ước lượng được. Phương trình vi phân tương ứng
là:

E < ε
Thuật toán lan truyền ngược BP
hiệu chỉnh các trọng số
][][]1[ kWkWkW
iii
∆+=
+

][][]1[ kVkVkV
iii
∆+=
+

k = k + 1
Sto
p
Yes
I
II
N
o
Hình 3: Lưu đồ giải thuật huấn luyện mạng nơron
][][]1[
**][
)(
*])[][(
][
~
kWkWkW
OskW

Vi
∆+=+
=∆
+=
∑
=
δ
δδ
i = i + 1
i > 3
I
II
N
o
Yes
Hình 4: Thuật toán lan truyền ngược BP hiệu
chỉnh các trọng số W
i
[k+1], V
i
[k+1]

4
Mạng nơron trong cấu trúc điều khiển theo vòng
kín đóng vai trò bộ điều khiển
U
p
: tín hiệu điều khiển

Các bước thiết kế bộ điều khiển dùng mạng Nơron

Bước 1: Huấn luyện mạng NN Inverse Model
ĐTĐK để nhận dạng động học nghịch mô hình đối
tượng điều khiển thực
U
p
- tín hiệu thử là một hàm f(t) tạo ra nhiều giá trị
mẫu đầu vào để huấn luyện điều chỉnh (W,b) của
mạng Nơron sao cho
min


Y
P
Y
M
E
P
ĐTĐK
U
P
SP
NN Controller
(điều chỉnh W,b)

Hình 5: Sơ đồ cấu trúc điều khiển mạch kín theo
mô hình mẫu W
M
(s)
ĐTĐK
E
p
+
-
Y
p
U
NN
U
p
NN Inverse
Model ĐTĐK


N
o
Yes
U
NN
U
p
Hình 7: Lưu đồ thuật toán nhận dạng động học
nghịch mô hình đối tượng điều khiển
NN Inverse
Model
ĐTĐ
K
Mô hình mẫu
W
M
(s)
+
-
U
NN
U
P
E
M
Y
M
X
NN Controller

Thông tin về sai số được lan truyền ngược qua
mạng NN Model ĐTĐK mô phỏng động học
nghịch của đối tượng điểu khiển và mạng NN
Controller để hiệu chỉnh lại (W,b) của mạng.
nơron trên thiết bị ĐKTM với đối tượng là khâu
dao động được mô phỏng trên thiết bị mô phỏng
MPĐT.

Tín hiệu ra AO1 của thiết bị điều khiển thông minh
là tín hiệu điều khiển và cũng là tín hiệu vào của
đối tượng, tín hiệu ra của đối tượng AO1 chính là
tín hiệu vào của thiết bị điều khiển thông minh.
Khi thiết bị điều khiển thông minh ở trạng thái
Prog, đặt SP =1500, ac1=1, ac0=1,

Đối tượng điều khiển được chọn trên thiết bị mô
phỏng MPĐT là khâu dao động (chọn trong hệ
tuyến tính) có hàm truyền đạt:1
5.0

học đối tượng để chỉnh các trọng số của mạng
nơron, sau 30s tín hiệu ra của đối tượng bám được
tín hiệu ra của mô hình mẫu, sai số ε ->0 Star
t

Setpoint
Hiệu chỉnh các
trọng số V
i
, W
i
của
NN Contronller
theo thuật toán lan
truyền ngược BP
[
]
2
*
2
1
pNNp
UUE −=
E

nơron điều khiển theo mô hình mẫu
AO1
AI1
(AI1)
MPDT
(AO1)
MPDT
Hình 10 : Sơ đồ
g
hé
p
nối 2 thiết b
ị
ĐKTM với MPĐT
Hình 11: Màn hình
g
iao di
ệ
n thiết b
ị
MPĐT

6
Nếu thay đổi hệ số K của khâu dao động trên thiết
bị mô phỏng MPĐT như K=0.75,K=1, K =2 ta vẫn
thu được kết quả tương tự.


khiển thông minh có khả năng thích nghi với một
số ứng dụng thực tế như hệ thống điều khiển lò
nhiệt, điều khiển mức nước, điều khiển độ PH
…v.v .

Kết quả nghiên cứu này chỉ là bước đầu tiếp cận
với lĩnh vực ứng dụng trí tuệ nhân tạo trong điều
khiển tự động. Trong thời gian tới, chúng tôi sẽ
nghiên cứu để nâng cao khả năng thông minh cho
thiết bị ĐKTM với một số mô hình mạng nơron và
giải thuật học khác. TÀI LIỆU THAM KHẢO

[1] CHIN-TENG LIN and C.S GEORGE LEE

Neural Fuzzy Systems. A Neuro-Fuzzy

Tuyển tập Hội nghị khoa học toàn quốc
VICA5, Vol.1, pp 259-264. Hà nộI 2002.