Nhận dạng và điều khiển hệ phi tuyến có trễ dùng mô hình Fuzzy nhiều lớp - Luận án Cao Văn Kiên

ĐẠI HỌC QUÓC GIA TP. HCM TRƯỜNG ĐẠI HỌC BÁCH KHOA CAO VĂN KIÊN NHẬN DẠNG VÀ ĐIỀU KHIỂN HỆ PHI TUYẾN CÓ TRỄ DUNG mô hình fuzzy nhiêu lớp két hợp giải THUẬT TÍNH toán mèm Chuyên ngành: Kỹ Thuật Diều Khiến & Tự Dộng Hóa Mã số chuyên ngành: 62520216 Phan biện độc lập: PGS. Đặng Xuân Kiên Phan biện độc lập: PGS. Trương Đình Nhơn Phan biện: PGS.

Nguyễn Chí Ngôn Phan biện: PGS. Nguyễn Thanh Phương Phan biện: PGS. Nguyền Quổc Hưng NGƯỜI HƯỚNG DẦN: 1. Hồ Phạm Huy Ánh LỜI CAM ĐOAN Nghiên cứu sinh xin cam đoan đây là công trình nghiên cứu cúa bản thân nghiên cứu sinh.

Các ket qua nghiên cứu và các kểt luận trong luận án này là trung thực, và không sao chép từ bất kỳ một nguồn nào và dưới bất kỳ hình thức nào. Việc tham khảo các nguồn tài liệu đã được thực hiện trích dần và ghi nguồn tài liệu tham kháo đủng quy định. Nghiên cứu sinh luận án Cao Văn Kiên ĩ TÓM TÁT LUẬN ÁN Hệ thống phi tuyển với các yếu tố bất định và nhiều động rẩt khó dể xác dịnh chính xác mô hình toán học của hệ thống đặc biệt đối với các hệ có đặc tính trễ. Do đó các hướng tiếp cận điều khiển thông thường dựa trên mô hình toán học gần như không đáp ứng được yêu cầu.

Vì the ngày càng có nhiều nghiên cứu tập trung vào các mô hình và các bộ điều khiển thông minh ứng dụng kỳ thuật tính toán mềm dựa trên mạng nơ-ron nhân tạo, logic mờ và các thuật toán tối ưu tiến hóa. Trong luận án này, nghiên cứu sinh đồ xuất mô hình Fuzzy nhiều lớp kết hợp với giải thuật tiến hóa vi sai đe nhận dạng và diều khiến hệ phi tuyến. Các nội dung chính cùa luận án dược tóm tẳt như sau: Đe xuất đầu tiên là mô hình Fuzzy nhiều lớp dùng trong nhận dạng và điều khiên hệ phi tuyến. Mô hình Fuzzy nhiều lớp được tạo thành bang cách kết hợp nhiều mô hình Fuzzy Multi-Input, Single-Output (MISO).

Mỗi mô hình Fuzzy MISO nhiều kVp được tạo thành bởi nhiều mô hình Fuzzy Takagi-Sugeno (T-S) truyền thống, cấu trúc và luật mờ cũa mô hình Fuzzy nhiều lớp được tính toán tối ưu bằng giái thuật tiến hoá vi sai. Ket quả cho thay mô hình Fuzzy nhiều lớp có thê dùng trong nhận dạng mô hình Multi-Inpul Multi-Output (MIMO) và tính linh hoạt cùa mô hình dược thề hiện trong các thí nghiệm. Đe xuất thử hai là giai thuật huấn luyện ghép tang, dùng đề huân luyện mô hình Fuzzy nhiều lớp một cách tuần tự. Qua ket qua thực nghiệm chứng minh được phương pháp làm tăng độ chính xác, giảm thời gian tính toán so với phương pháp huấn luyện thông thường.

Ve bài toán điều khiển, luận án có hai đồ xuất giải thuật điều khicn kết hợp giãi thuật tính toán mềm tối ưu và giái thuật diều khiến thích nghi. Đầu tiên là giái thuật trượt mờ thích nghi với hàm thích nghi được thiết kế mới gọn hơn và tận dụng khả năng của các giải thuật tính toán tối ưu vào nhận dạng các tham sổ ban đầu cùa bộ điều khiển. Đe xuất cho bài toán điều khiển thứ hai là giài thuật điều khiển mô hình ngược thích nghi áp dụng mô hình Fuzzy nhiều lớp tối ưu bằng giải thuật tiến hóa vi sai kết hợp với giải thuật điều khiển trượt mờ thích nghi. Cá hai hướng đề xuất đều có các đặc điểm là kết hợp giừa giải thuật tối ưu với giải thuật điều khiển thích nghi làm tàng chất lượng bộ điều khiến lúc khời động và đám bảo lý thuyết ồn định Lyapunov.

ii ABSTRACT Nonlinear systems with uncertainties and disturbances make it difficult to accurately identify the mathematical model of the system. Therefore, the conventional control approaches based on the mathematical model almost do not meet the quality requirements. Therefore, more and more research is focused on intelligent models and controllers applying soft computing techniques based on artificial neural networks, fuzzy logic, and evolutionary optimization algorithms. In this thesis, the author proposes multilayer fuzzy model trained by the differential evolution algorithm to identify and control the nonlinear system.

The main contributions of the thesis are summarized as follows: The first contribution is a multilayer Fuzzy model used in the identification and control nonlinear systems. Multilayer Fuzzy models are created by combining multiple Fuzzy MISO models. Each multilayer Fuzzy MISO model is made up of many traditional Takagi-Sugeno Fuzzy models. The structure and laws of the multilayer Fuzzy model are optimally identified using the differential evolution (DE) algorithm.

The results show that multilayer fuzzy model can be used in MIMO model identification and the flexibility of the model has been shown in experiments. The second contribution is a cascade training algorithm, which uses to train a multi-layered fuzzy model sequentially. The experimental results show that the method increases accuracy and reduces calculation time compared to conventional methods. Regarding the control problem, the author has two contribution that combining the optimal soft computing algorithm and adaptive control algorithm.

The first is a novel adaptive fuzzy sliding mode algorithm that is the adaptive law has been newly designed and takes advantage of the ability of optimal computing algorithms to identify the initial parameters of the controller. The second control problem is an adaptive inversed model control algorithm that applies the optimal multilayer Fuzzy model by DE algorithm combined with an adaptive fuzzy control algorithm. Both proposed controllers have the characteristics of combining optimization algorithm with an adaptive control algorithm to increase controller quality at startup and guarantee the system meets Lyapunov's stability theory. ••• ill ĐẠI HỌC QUÓC GIA TP.

HÒ CHÍ MINH TRƯỜNG ĐẠI HỌC BÁCH KHOA CAO VĂN KIÊN NHẬN DẠNG VÀ ĐIỀU KHIỂN HỆ PHI TUYÉN CÓ TRẺ DÙNG MÔ HÌNH FUZZY NHIÈU LỚP KÉT HỌP GIÁI THUẬT TÍNH TOÁN MÈM LUẬN ÁN TIẾN Sĩ TP. HỔ CHÍ MINH - NĂM 2022 LỜI CÃM ƠN Đổ hoàn thành luận án này, tôi xin gửi lời cảm ơn đen GS. Hồ Phạm Huy Ánh, thầy đã hướng dần tôi trong suốt quá trình thực hiện đề tài. Tôi xin gửi lời cảm ơn đến tất cà thầy cô Khoa Điện - Điện từ, Đại học Bách Khoa Tp.HCM đã truyền đạt các kiến thức nền tâng quý báu từ khi tôi học ở bậc Cao học cho đến các học phần Tiến sì, nhờ những kiến thức nền tảng này mà tôi mới có thế thực hiện được công việc nghiên cứu.

Xin gửi lời cảm ơn đến các thầy cô trong các Hội đồng đánh giá các chuyên đề Tiến sĩ, luận án Tiến sĩ cấp Khoa, những ý kiến phản biện và góp ý thật sự đã giúp tôi rất nhiều trong việc chinh sửa và hoàn chính luận án cúa mình. Xin gửi lời cam ơn đến lành đạo Trường Đại học Công nghiệp Tp.HCM, lãnh đạo và toàn the cán bộ, giảng viên Khoa Công nghệ Điện tư vì đã có những chính sách hồ trự, tạo điều kiện rất tốt cho tôi học tập và làm việc. Cuối cùng xin chân thành cam ơn gia đình và người thân luôn chia sẻ mọi khó khăn và là chỗ dựa vững chắc vồ vật chất và tinh than trong suốt thời gian thực hiện và hoàn thành luận án. iv MỤC LỤC DANH MỤC BẢNG BIẾU.

xi DANH MỤC CÁC TỪ VIẾT TẤT. xii DANH MỤC CÁC KÝ HIỆU. xiii MỞ ĐẦU. 1 TÍNH cáp thiét cúa đè tài.

1 Mục ĐÍCH NGHIÊN cứu. 3 ĐỐI TƯỢNG VÀ PHẠM VI NGHIÊN CỨU. 3 Phương pháp NGHIÊN cửu. 4 Đóng góp mới về mật khoa học và THực TIÊN.

4 Bó cục CỦA LUẬN ÁN. 6 CHƯƠNG 1 GIỚI THIỆU. Giới THIỆU ĐẺ TÀI. TÔNG quan tình hình nghiên CỬU.

về lĩnh vực nhận dựng hệ thông dùng mô hình logic mờ. Vê lĩnh vực điêu khiên dùng /nô hình logic mờ. Phạm VI NGHIÊN CỨU. NỘI DUNG QUYÊN LUẬN ÁN.

14 CHƯƠNG 2 Cơ SỞ LÝ THUYẾT. THUẬT TOÁN TIÊN HÓA VI SAI. Bộ ĐlÈU KH1ÉN TRƯỢT. Mô HÌNH Fuzzy NHIEU lớp TRONG NHẬN DẠNG HẸ PHI TUYÉN.

Mô hình Fuzzy trong nhận dạng hệ phi tuyến. Mô hình Fuzzy nhiều lớp. 24 CHƯƠNG 3 NHẬN DẠNG HỆ PHI TUYÉN DÙNG MÔ HÌNH FUZZY NHIÈU LỚP. Mô HÌNH HỆ BÔN NƯỚC ĐÔI LIÊN KÉT.

Thu thập dữ liệu vào ra. Két qua nlìận dạng mô hình thuận. Ket quà nhận dạng mô hình ngược. MÔ HÌNH PAM SONG SONG.

Mô hình PAM song song. Thu thập dữ liệu vào - ra. Huan luyện mô hình thuận - ngược. Huân lưyện ghép tàng mó HÌNH Fuzzy nhiéư lớp ủng dụng nhận dạng hệ phi TUYẾN ĐA BIỂN.

nhận dạng tham sô mô hình Fuzzy nhiêu lớp bủng phương pháp ghép tang. Thu thập dừ liệu. Huấn luyện * • mô hình. Kết quà huấn luyện.55 CHƯƠNG 4 ĐIỀU KHIÉN THÍCH NGHI HỆ PHI TUYẾN DỪNG MÔ HÌNH FUZZY NHIỀU LỚP KẾT HỢP GIẢI THUẬT TÓI ưu.

Giai thuật điều khiên trượt mờ nâng cao két hợp giai thuật tói UƯ. Mô hình PAM ldof thực nghiệm. Kết quà điêu khiên. Giai thuật ĐIỀU KH1ÉN ngược thích nghi nâng cao két hợp giai thuật tói ưu.

Gìâì thuật điều khiển ngược thích nghi nâng cao kết hợp giải thuật tồi ưu. Mô hình Spring-mass-damper. Mỏ hình bồn nước liên kết. 96 CHƯƠNG 5 KÉT LUẬN VÀ KIÉN NGHỊ.

99 DANH MỤC CÔNG TRÌNH LIÊN QUAN LUẬN ÁN. 101 TÀI LIỆU THAM KHẢO.120 vi DANH MỤC CÁC HÌNH ẢNH Hình 2.1 Lưu đồ giải thuật tổi ưu DE. Mô hình Fuzzy dùng nhận dạng hệ phi tuyến MISO. Mô hình Hierachical Fuzzy.

Mô hình Fuzzy nhiều lớp áp dụng trong nhận dạng. Hàm liên thuộc ngõ vào cúa mô hình Fuzzy T-S dạng tamgiác. Hàm liên thuộc ngõ vào cúa mô hình Fuzzy T-S dạng Gauss. Cấu trúc mô hình bồn nước liên kết đôi.

Dừ liệu huấn luyện mô hình. Dừ liệu đánh giá mô hình. Mô hình Fuzzy trong nhận dạng hệ bồn nước. Kết quả huấn luyện nhận dạng ngõ ra bồn 2.

Kct quá đánh giá chất lượng nhậndạng ngõ ra bon 2. Giá trị hàm mục tiêu qua các the hệ. Ket quả nhận dạng mô hình Fuzzy với ngõ ra x4. Kct quá đánh giá mô hình Fuzzy với ngõ ra x4.

Giá trị hàm mục tiêu khi huấn luyện mô hình Fuzzy cho ngõ ra x4. Kct quả huấn luyệnmô hình Fuzzy ngõ ra là điện áp bơm. Kết quã huấn luyệnmô hình Fuzzy ngõ ra là điện áp bơm. Giá trị hàm mục tiêu qua thế hệ huấn luyện mô hình Fuzzy nhiều lớp cho ngõ ra ul.

Ket quả huấn luyện mô hình Fuzzy ngõ ra là điện áp bơm 2. Ket quả đánh giá mô hình Fuzzy ngõ ra là điện áp bơm 2. Giá trị hàm mục tiêu qua các thế hệ huấn luyện mô hình Fuzzy nhiều lớp cho ngõ ra u2. Hình ảnh mô hình thực tế.

Sơ đồ khối mô hình PAM song song thực tế. Dữ liệu huấn luyện mô hình PAM. Dừ liệu đánh giá mô hình PAM. Sơ đồ mô hình Fuzzy nhiều lớp nhận dạng hệ PAM song song.

Kết quả 10 lần huấn luyện mô hình. Kết quả 10 lần đánh giá mô hình. Hàm mục tiêu trong 10 lần huấn luyện. Ket quả 10 lần huấn luyện mô hình.

Ket quả đánh giá trong 10 lần thí nghiệm.