Professional Documents
Culture Documents
Chuong04 DKTM
Chuong04 DKTM
Giới thiệu
hiệ
Nhắc lại về mô hình của hệ phi tuyến
Điều khiển dùng mô hình ngược
Điều khiển mô hình nội
Điều
ều khiển
ể theo
eo môô hình chuẩn
c u
Điều khiển dự báo dựa vào mô hình
Điều khiển
Điề khiể dựa
d vào à môô hình
hì h là phương
h pháp
há điều
điề khiể
khiển trong
t đó
có sử dụng tường minh mô hình của đối tượng để tính toán tín hiệu
điều khiển.
Các phương pháp điều khiển dựa vào mô hình phổ biến:
Điều khiển dùng mô hình ngược (Inverse Control).
Điều
ề khiển
ể mô hình nội (Internal Model Control).
Điều khiển theo mô hình chuẩn (Model Reference Control).
Điều
Điề khiển
khiể dự
d báo
bá (P
(Predictive
di ti Control)
C t l)
Các phương pháp điều khiển dựa vào mô hình phi tuyến đã áp
dụng
ụ g thành công g vào nhiều lĩnh vực,
ự , nhưngg lĩnh vực
ự ápp dụng
ụ g chủ
yếu là các quá trình công nghệ hóa học (thí dụ như trong công
nghiệp hóa dầu, chế biến thực phẩm, nước giải khát...).
Xö ly
Xöû lyù sô
eåu ngoân ng
moâ hình
Ñaùnh giaù
moâ hình Khoâng toát ⇒ laëp laïi
Khoâng toát ⇒ xeùt laïïi
thoâng tin bieát tröôùc Toát ⇒ chaáp nhaän moâ hình
Đối tượng:
t
y (k ) = f 0 [u (k − 1),K, u (k − nu ), y (k − 1),K, y (k − n y )] + v(k )
Dữ liệu:
ệ Z N = {y (1), u (1); y (2), u (2);K; y ( N ), u ( N )}
Mô hình: yˆ (k ,θ ) = f (ϕ (k ),θ )
yˆ (k , θ ) Bộ dự báo
ϕ (k ) V
Vector hồi quii
θ Vector tham số
Phâ loại
Phân l i theo
th các
á phần
hầ tử hồi qui:
i
Qui tắc mờ mô tả đặc tính động học của đối tượng phi tuyến:
nr nϕ
Bộ dự báo: yˆ (k , θ ) = ∑ α i .∏ μ Aij (ϕ j (k ), β ij , γ ij )
i =1 j =1
l l ⎛ nϕ ⎞
Bộ dự báo: yˆ (k , θ ) = ∑ wi zi (k ) = ∑ wi g i ⎜ ∑ vijϕ j (k ) ⎟⎟
⎜
i =1 i =1 ⎝ j =1 ⎠
Mô hình
yˆ (k , θ )
Tiêu chuẩn
Tối ưu hóa
ước lượng
Tiêu chuẩn ước lượng:
1 N
1 N
VN (θ , Z ) =
N
∑ ε
2
( k ) = ∑ [ y ( k ) − ˆ
y ( k , θ ) ]2
N k =1 N k =1
Thuật toán tối ưu hóa: thuật toán Newton, giải thuật di truyền,…
28 May 2010 © H. T. Hoàng - ÐHBK TPHCM 12
Điều khiển dùng mô hình ngược
Thực tế rất khó rút ra mô hình ngược giải tích của đối tượng, nhất là
trong trường hợp đối tượng phi tuyến
28 May 2010 © H. T. Hoàng - ÐHBK TPHCM 14
Mô hình ngược
Mô hình ngược
Sử dụng FM/NN đểể nhận dạng đặc tính động học ngược của đối
ố
tượng:
uˆ ( k ,θ ) = fˆ −1 ( y ( k + 1), ) y ( k − n + 1),
) y ( k ),..., ) u (k − 1),...,
) u ( k − m + 1))
Ước lượng
ợ g online:
Thông số mô hình ngược được cập nhật trực tuyến sao cho sai
lệch giữa tín hiệu ra của đối tượng và tín hiệu đặt là tối thiểu
Tiêu chuẩn
ẩ ước lượng tham số: ố
J (θ ) = ∑ [r (k ) − y (k ))]2 → min
k
Mô hình ngược sau khi nhận dạng sẽ được sử dụng để điều khiển đối
tượng
h&(t ) =
1
A(h)
(k (t ) − C D a 2 ghh(t )
ku )
Amax − Amin
A(h) = h + Amin
hmax
28 May 2010 © H. T. Hoàng - ÐHBK TPHCM 19
Nhận dạng đặc tính động học hệ bồn đơn
Mô hì
hìnhh thuận
th ậ của
ủ hệ bồn
bồ đơn
đ cóó thể biểu
biể diễn
diễ như
h sau:
h(k + 1) = f (h(k ), u (k ))
Sử dụng mạng thầnầ kinh đểể nhận dạng mô hình ngược của hệ bồn
ồ
chứa. Cấu trúc mạng thần kinh:
ệ vào: h(k + 1), h(k )
Tín hiệu
Tín hiệu ra: uˆ (k )
Số tế bào thần kinh ở lớp ẩn là 6.
Hàm kích
k h hoạt
h ở llớp ẩn
ẩ llà hàm
h sigmoid;
i id
Hàm kích hoạt ở lớp ra là hàm tuyến tính.
Si l ttank
Single k iinputt - output
t t data
d t
12
u(t) 9
40
0
30
h(t)
20
h
10
0
0 200 400 600 800 1000
Time
40
r(t)
()
30 h(t)
20
10
0
0 100 200 300 400
Phương pháp
Ph há điề
điều khiển
khiể dù
dùng mô ô hì
hìnhh ngược chỉ
hỉ cóó thể
hể ááp dụng
d
khi đối tượng cần điều khiển là ổn định với pha cực tiểu.
Nếu mô hình ngược không nhận dạng đúng đặc tính động học
ngược của đối tượng thì kết quả điều khiển sẽ có sai số.
Giải pháp để loại trừ ảnh hưởng của sai số mô hình:
dùng sơ đồ điều khiển thuận (Feed Forward Control)
hoặc điều khiển mô hình nội (Internal Model Control).
0.01
Bộ điều
điề khiển
khiể PI:
PI GPID ( s ) = 10 +
s
28 May 2010 © H. T. Hoàng - ÐHBK TPHCM 26
Kết quả điều khiển
40
r(t)
30 h(t)
20
10
0
0 100
00 200
00 300 400
00
40
r(t)
h(t)
30
20
10
0
0 100 200 300 400
Đối tượng
Mô hình ngược
Mô hình thuận
Si l ttank
Single k iinputt - output
t t data
d t
12
u(t) 9
40
0
30
h(t)
20
h
10
0
0 200 400 600 800 1000
Time
Mô hình thuận của hệ bồn đơn có thể biểu diễn như sau:
h(k + 1) = f (h(k ), u (k ))
Cấu trúc
Cấ t ú mạng thần
thầ kinh
ki h nhận
hậ dạng
d môô hình
hì h ngược
Tín hiệu vào: h( k − 1), u ( k − 1) Tín hiệu ra: hˆ( k )
Số tế bào thần kinh ở lớp p ẩn là 6.
Hàm kích hoạt lớp ẩn là hàm sigmoid; lớp ra là hàm tuyến tính.
Cấu trúc
Cấ ú mạng thần
hầ kinh
ki h nhận
hậ dạng
d môô hình
hì h ngược
Tín hiệu vào: h(k + 1), h(k ) Tín hiệu ra: uˆ (k )
Số tế bào thần kinh ở lớp ẩn là 6.
6
Hàm kích hoạt lớp ẩn là hàm sigmoid; lớp ra là hàm tuyến tính.
28 May 2010 © H. T. Hoàng - ÐHBK TPHCM 33
Kết quả điều khiển
40 40
r(t)
() r(t)
h(t) h(t)
30 30
20 20
10 10
0 0
0 100 200 300 400 0 100 200 300 400
ề khiển
Điều ể mô hình nội Điều khiển ngược
40
r(t)
h(t)
30
20
10
0
0 100 200 300 400
Mô hình NN/FL: dùng đểể ước lượng ∂y (k ) / ∂θ khi tìm cực trị J (θ )
Phương
h trình
ì h vii phân
h mô tả đặc
đ tính
í h động
đ h hệ
học h tay máy:
á
φ&&(t ) + 2φ&(t ) + 10 sin φ (t ) = u (t )
Điều khiển cánh tay máy bám tín hiệu đặt theo mô hình chuẩn:
Φ m ( s) 9
Gm ( s ) = = 2
R( s) s + 6s + 9
28 May 2010 © H. T. Hoàng - ÐHBK TPHCM 37
Sơ đồ mô phỏng điều khiển cánh tay máy theo mô hình chuẩn
Cấu trúc mạng thần kinh nhận dạng đặc tính động học tay máy:
Tín hiệu vào:φ(k−1), φ(k−2), u(k−1), u(k−2)
Tín hiệu ra: φˆ(k
(k )
Số tế bào thần kinh ở lớp ẩn là 10
Cấu trúc mạng thần kinh thực hiện chức năng điều khiển:
Tín hiệu vào: φ(k−1), φ(k−2), r(k−1), r(k−2), u(k−1)
Tín hiệu ra: u(k)
Số tế bào thần kinh ở lớp ẩn là 13.
Chú ý: Chất lượng điều khiển phụ thuộc rất nhiều vào kết quả huấn
luyện các mạng thần kinh.
28 May 2010 © H. T. Hoàng - ÐHBK TPHCM 42
Điều khiển dự báo dựa vào mô hình
Mô hình để dự báo đáp ứng của đối tượng trong tương lai
Thuật toán tối ưu hóa: tính toán chuổi tín hiệu điều khiển tương lai
bằng cách tối thiểu hóa một hàm mục tiêu.
Dời phạm vi dự báo theo thời gian sau mỗi chu kỳ lấy ấ mẫu
Dùng một
Dù ộ mô ô hì
hìnhh để dự
d bá
báo đáp
đá ứng
ứ của
ủ đối tượng tạii các
á thời
hời
điểm rời rạc trong tương lai trong một phạm vi dự báo (prediction
horizon)) nhất định.
ị
Tính toán chuổi tín hiệu điều khiển tương lai trong phạm vi điều
khiển (control horizon) bằng cách tối thiểu hóa một hàm mục tiêu.
Hà mục tiê
Hàm tiêu thường
thườ dùngdù là yêu
ê cầu
ầ làm
là cho
h tín
tí hiệu
hiệ dự báo
bá đáp
đá
ứng của đối tượng phải càng gần quỹ đạo đáp ứng mong muốn
càng tốt, trong điều kiện ràng buộc cho trước.
Dời phạm vi dự báo theo thời gian, sao cho tại mỗi thời điểm lấy
mẫu quá trình tối ưu hóa được lặp lại với tín hiệu đo vừa thu được,
và chỉ có tác động điều khiển đầu tiên trong chuổi tác động điều
khiển đã tính toán được xuất ra để điều khiển đối tượng.
Nhận dạng
Nhậ d môô hì
hìnhh của
ủ đối tượng (dùng
(dù NN hhoặc
ặ FM)
Chọn phạm vi dự báo HP
Chọn phạm vi điều khiển HC, (HC ≤ HP)
Chọn hàm mục tiêu:
HP HC
J (u) = ∑ σ i [ w(k + i ) − yˆ (k + i )]2 + ∑ ρ i [u (k + i − 1)]2
i =1 i =1
HP HC
J (u) = ∑ σ i [ w(k + i ) − yˆ (k + i )]2 + ∑ ρ i [u (k + i ) − u (k + i − 1)]2
i =1 i =1
u = [u ( k ) u ( k + 1) K u ( k + H C − 1)]T
w(k + i) = αw(k ) + (1 − α )r (k + i)
HP
J ′(u
ˆ ( j) ) = − ∑ 2σ kψ (k + i, uˆ ( j ) )ε ( j ) (k + i ) + 2diagg( ρ1 ,K , ρ H C )uˆ ( j )
i =1
ε ( j ) (k + i ) = w(k + i ) − yˆ (k + i, uˆ ( j ) )
⎡ ∂yˆ (k + i ) ⎤
ψ ( k + i, u ˆ ( j) )=⎢
⎣ ∂u ⎥⎦ u = uˆ ( j )
HP
⎡ ∂ψ (k + i, uˆ ( j ) ) ( j ) ⎤
J ′′(u
ˆ ( j) ) = ∑ 2σ k ⎢ψ (k + i, u )ψ (k + i, u ) −
ˆ ( j ) T ˆ ( j )
ε (k + i )⎥ +
i =1 ⎣ ∂u ⎦
+ 2diagdi ( ρ1 , K , ρ H C )
HP
J ′(uˆ ( j) ) = − ∑ 2σ kψ (k + i, uˆ ( j ) )ε ( j ) (k + i ) + 2diag( ρ1 ,K , ρ H C )uˆ ( j )
i =1
ε ( j ) (k + i ) = w(k + i ) − yˆ (k + i, uˆ ( j ) )
⎡ ∂yˆ (k + i ) ⎤
ψ (k + i, uˆ ( j ) ) = ⎢
⎣ ∂u ⎥⎦ u = uˆ ( j )
[ ]
HP
J ′′(u
ˆ ( j) ) = ∑ 2σ k ψ (k + i, uˆ ( j ) )ψ T (k + i, uˆ ( j ) ) + 2diag( ρ 0 , ρ 2 ,K , ρ H C ) + μ ( j ) I
i =1
Đặc tính động học của hệ thống mô tả bởi các phương trình sau:
dh(t )
= w1 (t ) + w2 (t ) − 0.2 h(t )
dt
dCb (t ) w (t ) w (t ) k1Cb (t )
= (Cb1 − Cb (t )) 1 + (Cb 2 − Cb (t )) 2 −
dt h(t ) h(t ) (1 + k 2 Cb (t )) 2
Bài toán đặt ra là điều khiển nồng độ sản phẩm ở đầu ra theo giá trị
đặt bằng
bằ cách
á h điều
điề chỉnh
hỉ h lưu
l lượng
l vào
à w1(t)
()
Cấu trúc mạng thần kinh nhận dạng đặc tính động học hệ bồn phản
ứng:
Tín hiệu
ệ vào: w1((k−1), ), w1((k−2),
), Cb((k−1),
), Cb((k−2))
Tín hiệu ra: Cˆ b ( k )
Số tế bào thần kinh ở lớp ẩn là 7
Đặc tính động học của hệ thống mô tả bởi các phương trình sau:
h&1 (t ) =
1
A1 (h1 )
(ku (t ) − sgn(h1 (t ) − h2 (t ))C D a1 2 g | h1 (t ) − h2 (t ) | )
h&2 (t ) =
1
A2 (h2 )
(
sgn((h1 (t ) − h2 (t ))CD a1 2 g | h1 (t ) − h2 (t ) | − C D a2 2 gh
h2 (t ) )
Amax − Amin
Ai (hi ) = hi + Amin
i
hmax
Bộ dự báo mờ: