Chuong04 DKTM

Moân hoïc
HEÄ THOÁNG ÑIEÀU KHIEÅN THOÂNG MINH
Giaûng vieân: TS. Huyønh Thaùi Hoaøng

B ä moâân Ñieà
Boä Ñi àu Khieå
Khi ån Töï
Tö Ñoä
Ñ äng
Khoa Ñieän – Ñieän Töû
Ñaïi hoïc Baùch Khoa TP.HCM
Email: hthoang@hcmut.edu.vn
hthoang@hcmut edu vn
Homepage: http://www4.hcmut.edu.vn/~hthoang
28 May 2010 © H. T. Hoàng - ÐHBK TPHCM 1

Chöông 4
ĐIỀU KHIỂN DỰA VÀO MÔ HÌNH

Noäi dung chöông 3
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

Giới thiệu

Giới thiệu
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...).

Nhận dạng mô hình hệ phi tuyến

Vòng lặp nhận dạng hệ thống
Thí nghieäm thu

heä thoáng: ccaùc qui thaäp döõ lieäu
göõ, …
Xö ly
Xöû lyù sô
eåu ngoân ng
boä döõ lieäu
Choïn caáu truùc

luaät vaät lyù, ccaùc phaùt bie
oâng tin bieát tröôùc veà h
moâ hình
Choïn tieâu chuaån

öôùc löông
öôc löôïng
Öôùc löôïng thoâng soá

Thoâ
Ñaùnh giaù
moâ hình Khoâng toát ⇒ laëp laïi
Khoâng toát ⇒ xeùt laïïi
thoâng tin bieát tröôùc Toát ⇒ chaáp nhaän moâ hình

Cấu trúc mô hình phi tuyến
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

Phân loại mô hình phi tuyến
Phâ loại
Phân l i theo
th các
á phần
hầ tử hồi qui:
i
Phân loại theo bộ cấu trúc hàm phi tuyến:

Mô hì
hìnhh mờ:
ờ Mamdani,
M d i Sugeno
S
Mô hình mạng thần kinh: MLP, RBF
Mô hình lai mạng thần kinh mờ: ANFIS

Sơ đồ khối bộ dự báo mờ
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
Vector tham số: θ = [α1 ,..., α nr , β11 ,..., β nr nϕ , γ 11 ,..., γ nr nϕ ]T

Sơ đồ khối bộ dự báo dùng mạng thần kinh
l l ⎛ nϕ ⎞
Bộ dự báo: yˆ (k , θ ) = ∑ wi zi (k ) = ∑ wi g i ⎜ ∑ vijϕ j (k ) ⎟⎟
⎜
i =1 i =1 ⎝ j =1 ⎠
Vector tham số: θ = [v11 , K , v1r , K , vl1 , K , vlrl , w1 ,..., wl ]T

Ước lượng tham số
v(k)
u(k) y(k)
Đối tượng
ε (k ,θ )
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,…
Điều khiển dùng mô hình ngược

Điều khiển ngược trực tiếp (Direct Inverse Control)
Nguyên tắc điều khiển ngược trực tiếp
Phương pháp điều khiển vòng hở,

hở trong đó bộ điều khiển là mô hình
ngược của đối tượng.
Đối tượng:
y (k + 1) = f ( y (k ),..., y (k − n + 1), u (k ),..., u (k − m + 1))
Luật điều khiển:

u (k ) = f −1 (r (k + 1), r (k ),..., r (k − n + 1), u (k − 1),..., u (k − m + 1))
Thực tế rất khó rút ra mô hình ngược giải tích của đối tượng, nhất là
trong trường hợp đối tượng phi tuyến
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 thông số mô hình ngược
Sơ đồ ước lượng tham số mô hình ngược offline
Ước lượng offline:

Thu thập N mẫu dữ liệu vào ra của đối tượng
Tiêu chuẩn ước lượng tham số:
N
J (θ ) = ∑ [u (k ) − uˆ (k ,θ )]2 → min
k =1

Ước lượng thông số mô hình ngược
Sơ đồ ước lượng tham số mô hình ngược online
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

Điều khiển dùng mô hình ngược trực tiếp
Mô hình ngược sau khi nhận dạng sẽ được sử dụng để điều khiển đối
tượng

Thí dụ: Điều khiển hệ bồn chứa dùng mô hình ngược trực tiếp
Phương trình vi phân mô tả đặc tính động học hệ bồn chứa:
h&(t ) =
1
A(h)
(k (t ) − C D a 2 ghh(t )
ku )
Amax − Amin
A(h) = h + Amin
hmax
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 ))
Mô hình ngược: uˆ (k ) = fˆ −1 (h(k + 1), h(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.

Dữ liệu vào ra hệ bồn đơn
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

Sơ đồ điều khiển hệ bồn đơn dùng mô hình ngược

Kết quả điều khiển hệ bồn đơn dùng mô hình ngược
40
r(t)
()
30 h(t)
20
10
0
0 100 200 300 400

Nhận xét
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).

Điều khiển thuận (Feed Forward Control)
Sơ đồ điều khiển thuận
Trongg trườngg hợp

ợp mô hình NN/FM khôngg thể nhận ậ dạng
ạ g hoàn
toàn chính xác đặc tính động học ngược của đối tượng thể sử dụng
thêm bộ điều khiển PID kinh điển để triệt tiêu sai số do mô hình

Thí dụ điều khiển thuận hệ bồn đơn
Mô hình ngược: mạng NN (đã trình bày ở thí dụ trước)
0.01
Bộ điều
điề khiển
khiể PI:
PI GPID ( s ) = 10 +
s
Kết quả điều khiển
40
r(t)
30 h(t)
20
10
0
0 100
00 200
00 300 400
00
Điều khiển ngược (Inverse Control)
40
r(t)
h(t)
30
20
10
0
0 100 200 300 400
Điều khiển thuận (Feed forward Control)

Điều khiển mô hình nội

Điều khiển mô hình nội tuyến tính
Đối tượng
Mô hình ngược
Mô hình thuận
Sơ đồ điều khiển mô hình nội

ộ tuyến
y tính
Tín hiệu ra của hệ thống: Y ( s ) = R ( s )G R ( s ) + N ( s )G N ( s )
Y ( s) GC ( s )G P ( s )
GR ( s) = =
R( s) N ( s ) =0 1 + GC ( s )G P ( s ) − GC ( s )Gˆ P ( s )
Y ( s) 1 − GC ( s )Gˆ P ( s)
G N ( s) = =
N ( s) R( s )=0 1 + GC ( s )G P ( s ) − GC ( s)Gˆ P ( s )

Điều khiển mô hình nội phi tuyến
Sơ đồ điều khiển mô hình nội tuyến tính
Nếu đối tượng ổn định, mô hình ngược ổn định và mô hình ngược

chính xác bằngg nghịch
g đảo đặc tính độngg học mô hình thuận thì tín
hiệu ra đúng bằng tín hiệu vào, bất chấp nhiễu.

Thí dụ điều khiển mô hình nội hệ bồn đơn

Dữ liệu vào ra hệ bồn đơn
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

Nhận dạng đặc tính động học hệ bồn đơn
Mô hình thuận của hệ bồn đơn có thể biểu diễn như sau:
h(k + 1) = f (h(k ), u (k ))
Mô hình ngược: uˆ (k ) = fˆ −1 (h(k + 1), h(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 )
6
Hàm kích hoạt lớp ẩn là hàm sigmoid; lớp ra là hàm tuyến tính.
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
Điều khiển thuận

Điều khiển theo mô hình chuẩn

Nguyên tắc điều khiển theo mô hình chuẩn
Tiêu chuẩn huấn luyện bộ điều khiển: J (θ ) = ∑ [ y m (k ) − y (k )]2 → min

k
Mô hình NN/FL: dùng đểể ước lượng ∂y (k ) / ∂θ khi tìm cực trị J (θ )

Thí dụ: Điều khiển cánh tay máy theo mô hình chuẩn
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
Sơ đồ mô phỏng điều khiển cánh tay máy theo mô hình chuẩn

Cấu trúc các mạng thần kinh
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)

Dữ liệu huấn luyện mạng thần kinh nhận dạng mô hình tay máy

Dữ liệu huấn luyện mạng thần kinh điều khiển theo mô hình chuẩn

Kết quả điều khiển cánh tay máy theo mô hình chuẩn
Chú ý: Chất lượng điều khiển phụ thuộc rất nhiều vào kết quả huấn
luyện các mạng thần kinh.
Điều khiển dự báo dựa vào mô hình

Sơ đồ khối hệ thống điều khiển dự báo
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

Nguyên tắc điều khiển dự báo
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.

Nguyên tắc điều khiển dự báo

Trình tự thiết kế hệ thống điều khiển dự báo
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)
Chọn thuật toán tối ưu hóa: thuật toán Newton,

Newton giải thuật di truyền

Thuật toán Newton trong điều khiển dự báo
HP HC
Hàm iê J (u) = ∑ σ i [ w(k + i ) − yˆ (k + i )]2 + ∑ ρ i [u (k + i − 1)]2
Hà mục tiêu:
i =1 i =1
Thuật toán Newton: uˆ ( j +1) = uˆ ( j ) − [J ′′(uˆ ( j ) )] J ′(uˆ ( j ) )

−1

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 )

Thuật toán Levenberg-
Levenberg-Marquardt trong điều khiển dự báo
HP HC
Hàm iê J (u) = ∑ σ i [ w(k + i ) − yˆ (k + i )]2 + ∑ ρ i [u (k + i − 1)]2
Hà mục tiêu:
i =1 i =1
Thuật toán Levenberg-Marquardt:

Levenberg Marquardt:
[
uˆ ( j +1) = uˆ ( j ) − J ′′(uˆ ( j ) ) ]
−1
J ′(uˆ ( j ) )
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

Điều khiển dự báo mô hình nội

Thí dụ: Điều khiển dự báo hệ bồn phản ứng dùng mô hình NN
) độ cao mực chất

h(t):
h( hất lỏng
lỏ
Cb(t): nồng độ sản phẩm ở đầu ra của quá trình
w1(t): lưu lượng vào bồn của dòng sản phẩm có
nồng độ cao Cb1=24.9
=24 9
w2(t) = 0.1: lưu lượng vào bồn của dòng sản
phẩm có nồng độ thấp Cb2=0.1
k1=1;; k2=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)
()

Sơ đồ mô phỏng điều khiển dự báo hệ bồn phản ứng

Thiết kế bộ điều khiển dự báo
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
Các tùy chọn của thuật toán điều khiển dự báo:

Phạm vi điều khiển: H C = 2
Phạm vi dự báo: H P = 7
Trọng
ọ g số hàm mụcụ tiêu: σ = 1 ρ = 0.05
Thuật toán tối ưu hóa: suy giảm độ dốc

Dữ liệu huấn luyện mạng thần kinh nhận dạng mô hình hệ bồn phản ứng

Kết quả điều khiển dự báo hệ bồn phản ứng dùng mạng thần kinh

Thí dụ: Điều khiển dự báo hệ bồn kép dùng mô hình mờ
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

Sơ đồ mô phỏng điều khiển dự báo hệ bồn kép

Cấu trúc mô hình mờ Takagi-
Takagi-Sugeno nhận dạng đặc tính động học hệ bồn kép
Hệ qui tắc mờ:
Hàm liên thuộc của các tập mờ:

Biểu thức bộ dự báo
Bộ dự báo mờ:
yˆ (t , θ ) = μ Rat _ thapp ( y (t − 1), θ17 , θ18 )[θ1 y (t − 1) + θ 2 y (t − 2) + θ 3u (t − 1) + θ 4u (t − 2)]

+ μThap ( y (t − 1), θ17 , θ18 , θ19 )[θ 5 y (t − 1) + θ 6 y (t − 2) + θ 7 u (t − 1) + θ 8u (t − 2)]
+ μTB ( y (t − 1), θ18 , θ19 , θ 20 )[θ 9 y (t − 1) + θ10 y (t − 2) + θ11u (t − 1) + θ12u (t − 2)]
+ μCao ( y (t − 1), θ19 , θ 20 )[θ13 y (t − 1) + θ14 y (t − 2) + θ15u (t − 1) + θ16u (t − 2)]

Sơ đồ thu thập dữ liệu

Dữ liệu vào ra hệ bồn kép

Kết quả nhận dạng mô hình Takagi
Takagi--Sugeno

Thiết kế bộ điều khiển dự báo
Mô hình dự báo đáp ứng của hệ bồn kép: mô hình mờ Takagi-Sugeno

Takagi Sugeno
Các tùy chọn của thuật toán điều khiển dự báo:

Phạm vi điều khiển: H C = 3
Phạm vi dự báo: H P = 10
Trọng
T sốố hàm tiê σ = 1 ρ = 400
hà mục tiêu:
Thuật toán tối ưu hóa: Levenberg-Marquadt

Kết quả điều khiển dự báo hệ kép dùng mô hình mờ Takagi-
Takagi-Sugeno

Chuong04 DKTM

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Chuong04 DKTM

Uploaded by

Copyright:

Available Formats

Moân hoïc

HEÄ THOÁNG ÑIEÀU KHIEÅN THOÂNG MINH

Giaûng vieân: TS. Huyønh Thaùi Hoaøng

28 May 2010 © H. T. Hoàng - ÐHBK TPHCM 1

ĐIỀU KHIỂN DỰA VÀO MÔ HÌNH

28 May 2010 © H. T. Hoàng - ÐHBK TPHCM 2

28 May 2010 © H. T. Hoàng - ÐHBK TPHCM 3

28 May 2010 © H. T. Hoàng - ÐHBK TPHCM 4

28 May 2010 © H. T. Hoàng - ÐHBK TPHCM 5

28 May 2010 © H. T. Hoàng - ÐHBK TPHCM 6

Thí nghieäm thu

boä döõ lieäu

Choïn caáu truùc

Choïn tieâu chuaån

Öôùc löôïng thoâng soá

28 May 2010 © H. T. Hoàng - ÐHBK TPHCM 7

28 May 2010 © H. T. Hoàng - ÐHBK TPHCM 8

 Phân loại theo bộ cấu trúc hàm phi tuyến:

28 May 2010 © H. T. Hoàng - ÐHBK TPHCM 9

 Vector tham số: θ = [α1 ,..., α nr , β11 ,..., β nr nϕ , γ 11 ,..., γ nr nϕ ]T

 Vector tham số: θ = [v11 , K , v1r , K , vl1 , K , vlrl , w1 ,..., wl ]T

28 May 2010 © H. T. Hoàng - ÐHBK TPHCM 11

28 May 2010 © H. T. Hoàng - ÐHBK TPHCM 13

Nguyên tắc điều khiển ngược trực tiếp

 Phương pháp điều khiển vòng hở,

 Luật điều khiển:

28 May 2010 © H. T. Hoàng - ÐHBK TPHCM 15

Sơ đồ ước lượng tham số mô hình ngược offline

 Ước lượng offline:

28 May 2010 © H. T. Hoàng - ÐHBK TPHCM 16

Sơ đồ ước lượng tham số mô hình ngược online

28 May 2010 © H. T. Hoàng - ÐHBK TPHCM 17

28 May 2010 © H. T. Hoàng - ÐHBK TPHCM 18

 Phương trình vi phân mô tả đặc tính động học hệ bồn chứa:

 Mô hình ngược: uˆ (k ) = fˆ −1 (h(k + 1), h(k ))

28 May 2010 © H. T. Hoàng - ÐHBK TPHCM 20

28 May 2010 © H. T. Hoàng - ÐHBK TPHCM 21

28 May 2010 © H. T. Hoàng - ÐHBK TPHCM 22

28 May 2010 © H. T. Hoàng - ÐHBK TPHCM 23

28 May 2010 © H. T. Hoàng - ÐHBK TPHCM 24

Sơ đồ điều khiển thuận

 Trongg trườngg hợp

28 May 2010 © H. T. Hoàng - ÐHBK TPHCM 25

 Mô hình ngược: mạng NN (đã trình bày ở thí dụ trước)

Điều khiển ngược (Inverse Control)

Điều khiển thuận (Feed forward Control)

28 May 2010 © H. T. Hoàng - ÐHBK TPHCM 28

Sơ đồ điều khiển mô hình nội

28 May 2010 © H. T. Hoàng - ÐHBK TPHCM 29

Sơ đồ điều khiển mô hình nội tuyến tính

 Nếu đối tượng ổn định, mô hình ngược ổn định và mô hình ngược

28 May 2010 © H. T. Hoàng - ÐHBK TPHCM 30

28 May 2010 © H. T. Hoàng - ÐHBK TPHCM 31

28 May 2010 © H. T. Hoàng - ÐHBK TPHCM 32

 Mô hình ngược: uˆ (k ) = fˆ −1 (h(k + 1), h(k ))

Điều khiển thuận

28 May 2010 © H. T. Hoàng - ÐHBK TPHCM 35

 Tiêu chuẩn huấn luyện bộ điều khiển: J (θ ) = ∑ [ y m (k ) − y (k )]2 → min

28 May 2010 © H. T. Hoàng - ÐHBK TPHCM 36

28 May 2010 © H. T. Hoàng - ÐHBK TPHCM 38

28 May 2010 © H. T. Hoàng - ÐHBK TPHCM 39

28 May 2010 © H. T. Hoàng - ÐHBK TPHCM 40

28 May 2010 © H. T. Hoàng - ÐHBK TPHCM 41

Phân loại theo bộ cấu trúc hàm phi tuyến:

Vector tham số: θ = [α1 ,..., α nr , β11 ,..., β nr nϕ , γ 11 ,..., γ nr nϕ ]T

Vector tham số: θ = [v11 , K , v1r , K , vl1 , K , vlrl , w1 ,..., wl ]T

Phương pháp điều khiển vòng hở,

Luật điều khiển:

Ước lượng offline:

Phương trình vi phân mô tả đặc tính động học hệ bồn chứa:

Mô hình ngược: uˆ (k ) = fˆ −1 (h(k + 1), h(k ))

Trongg trườngg hợp

Mô hình ngược: mạng NN (đã trình bày ở thí dụ trước)

Nếu đối tượng ổn định, mô hình ngược ổn định và mô hình ngược

Mô hình ngược: uˆ (k ) = fˆ −1 (h(k + 1), h(k ))

Tiêu chuẩn huấn luyện bộ điều khiển: J (θ ) = ∑ [ y m (k ) − y (k )]2 → min

Chọn thuật toán tối ưu hóa: thuật toán Newton,

Thuật toán Levenberg-Marquardt:

Các tùy chọn của thuật toán điều khiển dự báo:

Hệ qui tắc mờ:

Hàm liên thuộc của các tập mờ:

Mô hình dự báo đáp ứng của hệ bồn kép: mô hình mờ Takagi-Sugeno

Các tùy chọn của thuật toán điều khiển dự báo: