i BỘ GIÁO DỤC VÀ ĐÀO TẠO ĐẠI HỌC THÁI NGUYÊN LÊ THỊ HUYỀN LINH NGHIÊN CỨU ỨNG DỤNG LÝ THUYẾT ĐIỀU KHIỂN HIỆN ĐẠI XÂY DỰNG MÔ HÌNH TRONG ĐIỀU KHIỂN DỰ BÁO PHI TUYỄN LUẬN ÁN TIẾN SĨ KĨ THUẬT Chuyên ngành: Kỹ thuật điều khiển Tự động hóa THÁI NGUYÊN 2015 Số hóa Trung tâm Học liệu - ĐHTN http://www.lrc-tnu.edu.vn/ ii LỜI CAM ĐOAN Tôi tên Lê thị Huyền Linh, xin cam đoan công trình nghiên cứu cá nhân dƣới hƣớng dẫn tập thể nhà khoa học tài liệu tham khảo trích dẫn Kết nghiên cứu trung thực chƣa đƣợc công bố công trình khác Thái Nguyên, ngày tháng năm 2015 Tác giả luận án Lê Thị Huyền Linh Số hóa Trung tâm Học liệu - ĐHTN http://www.lrc-tnu.edu.vn/ iii LỜI CẢM ƠN Trong suốt trình làm luận án, thực có lúc khó khăn, tƣởng chừng nhƣ tiếp tục, nhờ nhận đƣợc động viên, giúp đỡ ngƣời thân, bạn bè đồng nghiệp, thầy giáo hƣớng dẫn tập thể nhà khoa học, có đƣợc kết hôm Từ sâu thẳm, xin đƣợc trân trọng gửi lời cảm ơn đến tất Cảm ơn ngƣời thầy, ngƣời bạn đồng hành, giúp đỡ, chia giai đoạn khó khăn, vất vả chặng đƣờng luận án Cũng qua đây, xin đƣợc bày tỏ lòng biết ơn chân thành đến thầy giáo hƣớng dẫn PGS TS Lại Khắc Lãi tận tình, dìu dắt định hƣớng cho suốt thời gian qua Tôi xin đƣợc gửi lời cảm ơn sâu sắc kính trọng đến thầy cô giáo, đồng nghiệp Khoa Điện, tập thể nhà khoa học, đóng góp ý kiến quý báu chuyên môn, quan tâm, tạo điều kiện thuận lợi, giúp đỡ công việc thời gian Cảm ơn Bộ môn Kỹ thuật Điện, Khoa Điện, Phòng ban Trƣờng Đại học Kỹ thuật Công nghiệp, Đại học Thái Nguyên nhiệt tình, tạo điều kiện suốt trình thực luận án Từ sâu tận đáy lòng, muốn đƣợc nói lời cảm tạ đến bố mẹ, chị gái, chồng gái bé bỏng luôn bên tôi, hết lòng thƣơng yêu, quan tâm, sẻ chia, ủng hộ, động viên tinh thần, tình cảm, tạo điều kiện giúp có nghị lực để hoàn thành luận án Tác giả luận án Lê Thị Huyền Linh Số hóa Trung tâm Học liệu - ĐHTN http://www.lrc-tnu.edu.vn/ iv MỤC LỤC LỜI CAM ĐOAN i LỜI CẢM ƠN iii MỤC LỤC iv DANH MỤC CÁC KÝ HIỆU, CÁC CHỮ VIẾT TẮT vii DANH MỤC CÁC BẢNG BIỂU x DANH MỤC CÁC HÌNH VẼ xi MỞ ĐẦU 1 Tính cấp thiết đề tài luận án Phạm vi, đối tƣợng nghiên cứu phƣơng pháp nghiên cứu 3 Mục tiêu luận án 4 Những đóng góp lý luận thực tiễn luận án Bố cục luận án CHƢƠNG TỔNG QUAN VẤN ĐỀ NGHIÊN CỨU 1.1 Giới thiệu tổng quan điều khiển dự báo theo mô hình 1.1.1 Khái niệm 1.1.2 Nguyên lý điều khiển dự báo theo mô hình 1.1.3 Các thành phần điều khiển dự báo dựa mô hình 10 1.2 Những vấn đề liên quan điều khiển dự báo hệ tuyến tính 15 1.3 Các ƣu nhƣợc điểm điều khiển dự báo so với phƣơng pháp khác 20 1.4 Những vấn đề liên quan điều khiển dự báo hệ phi tuyến 21 1.5 Đề xuất hƣớng nghiên cứu giải luận án 25 1.6 Kết luận Chƣơng 26 CHƢƠNG NHẬN DẠNG NHIỄU VÀ BÙ NHIỄU CHO LỚP HỆ PHI TUYẾN CÓ TRỄ 2.1 27 Tổng quát chung nhận dạng mạng nơron 27 2.1.1 Khái niệm nhận dạng 27 2.1.2 Khái quát cấu trúc mạng nơron 28 2.1.3 Giới thiệu mạng nơron RBF 30 Số hóa Trung tâm Học liệu - ĐHTN http://www.lrc-tnu.edu.vn/ v 2.1.4 Tóm lƣợc nhận dạng trực tuyến hệ phi tuyến sử dụng mạng nơron nhân tạo 31 2.2 Bài toán nhận dạng nhiễu cho lớp hệ phi tuyến có trễ 32 2.3 Thuật toán nhận dạng nhiễu hệ phi tuyến có trễ sở sử dụng mạng nơron RBF có thành phần nhiễu 33 2.3.1 Xây dựng thuật toán nhận dạng nhiễu 33 2.3.2 Ví dụ minh họa 42 2.4 Tổng hợp tin hiệu bù nhiễu cho hệ thống có trễ với kênh điều khiển 45 2.5 Thuật toán nhận dạng nhiễu hệ phi tuyến có trễ sở sử dụng mạng nơron RBF có nhiều thành phần nhiễu 46 2.5.1 Xây dựng thuật toán nhận dạng 47 2.5.2 Ví dụ minh họa 54 2.6 Xác định điều kiện ứng đối cho việc bù nhiễu hệ thống có trễ với nhiều thành phần nhiễu tác động 57 2.7 Kết luận Chƣơng 59 CHƢƠNG TỔNG HỢP BỘ ĐIỀU KHIỂN DỰ BÁO DỰA THEO MÔ HÌNH NỘI CHO ĐỐI TƢỢNG CÓ TRỄ VÀ XÂY DỰNG HỆ THỐNG ĐIỀU KHIỂN CHO ĐỐI TƢỢNG CSTR 61 3.1 Đặt vấn đề 61 3.2 Xây dựng tiêu chuẩn tối ƣu cho toán điều khiển tối ƣu điều khiển dự báo 62 3.3 Xây dựng thuật toán điều khiển dự báo dựa mô hình nội cho lớp đối tƣợng phi tuyến có trễ sở nhận dạng bù nhiễu 66 3.4 Xây dựng mô hình toán cho đối tƣợng CSTR 71 3.4.1 Xây dựng mô hình toán cho đối tƣợng CSTR với tín hiệu điều khiển 76 3.4.2 Xây dựng mô hình toán cho đối tƣợng CSTR với hai tín hiệu điều khiển 80 3.5 Thiết kế mô hình nhận dạng nhiễu cho đối tƣợng CSTR 82 3.5.1 Thiết kế mô hình nhận dạng nhiễu hai kênh h Cb với tín hiệu điều khiển 82 Số hóa Trung tâm Học liệu - ĐHTN http://www.lrc-tnu.edu.vn/ vi 3.5.2 Thiết kế mô hình nhận dạng nhiễu hai kênh h Cb với hai tín hiệu điều khiển 88 3.6 Xây dựng hệ thống điều khiển dự báo dựa mô hình nội cho đối tƣợng CSTR sở nhận dạng bù nhiễu 93 3.6.1 Xây dựng IMPC điều khiển kênh Cb với tín hiệu điều khiển 93 3.6.2 Xây dựng IMPC điều khiển đồng thời hai kênh Cb h với hai tín hiệu điều khiển 95 3.7 So sánh điều khiển PID với điều khiển IMPC đƣợc nhận dạng bù nhiễu để điều khiển cho đối tƣợng CSTR 97 3.7.1 So sánh điều khiển PID với điều khiển IMPC điều khiển kênh Cb với tín hiệu điều khiển 97 3.7.2 So sánh điều khiển PID điều khiển IMPC điều khiển đồng thời hai kênh Cb h với hai tín hiệu điều khiển 101 3.8 Kết luận Chƣơng 107 KẾT LUẬN VÀ KIẾN NGHỊ 108 DANH MỤC CÔNG TRÌNH KHOA HỌC CÓ LIÊN QUAN ĐẾN LUẬN ÁN 110 TÀI LIỆU THAM KHẢO 112 Số hóa Trung tâm Học liệu - ĐHTN http://www.lrc-tnu.edu.vn/ vii DANH MỤC CÁC KÝ HIỆU, CÁC CHỮ VIẾT TẮT Danh mục ký hiệu DT thời gian trích mẫu X (tk ) trạng thái thời điểm tk X(tk+ 1), X(tk+ ), trạng thái thại thời điểm tk+1, tk+2 x(t ) đầu đối tƣợng điều khiển u(t ) , U(t ) tác động điều khiển τ thời gian trễ thông số đặc trƣng cho động học đối tƣợng f ( ) , F(X, U) vectơ tác động nhiễu fˆ ( X, U) , Fˆ ( X, U) hàm đánh giá f (X, U) wi* , wij trọng số lý tƣởng ε , εi sai số xấp xỉ εM số nhỏ cho trƣớc ε* , ε*i wˆ i , wˆ ij sai số xấp xỉ lý tƣởng %ij %i , w w sai lệch trọng số đánh giá A , B, D ma trận thông số đặc trƣng đối tƣợng O Im ma trận với tất thành phần không f i (X ) hàm sở C i , Cij tâm hàm sở s i , s ij độ trải rộng hàm sở e(t ) , E(t ) % f (X) sai số trạng thái đầu P,Q ma trận đối xứng xác định dƣơng rmin (Q) , rmax (Q ) giá trị riêng nhỏ nhất, lớn ma trận Q λ , λ0 hệ số dƣơng λ > , λ0 > * trọng số đánh giá ma trận đơn vị sai số nhiễu đối tƣợng thực nhiễu đánh giá Số hóa Trung tâm Học liệu - ĐHTN http://www.lrc-tnu.edu.vn/ viii Pn , Pn- m + i dòng thứ n n - m2 + i ma trận P udk (t ), U dk (t ) tín hiệu điều khiển ub (t ), Ub (t ) tín hiệu điều khiển bù R (B) , R (D) không gian hạng ma trận B, D X, U tập Compact h mức dung dịch Cb nồng độ dung dịch l khoảng cách từ van đến thành bình T1, T2, T3 van điện T số thời gian mv1, mv2, mv3 lƣu lƣợng dung dịch K hệ số truyền van điện góc mở van Danh mục chữ viết tắt ARMAX Autoregressive Moving Average with Exogenous CSTR Continuous Stirred Tank Reactor DMC Dynamic matrix control DLP Double-Layer Perceptron feedforward neural network EHAC Extended Horizon Adaptive Control FIR Finite Impulse Response HEICON Hierarchical Constraint Control IMPC Internal Model Predictive Control GPC Generalized Predictive Control LS Least Squares MAC Model Algorithmic Control MIMO Multiple Input Multiple Output MPC Model Predictive Control NAV Nonlinear Absolute Values Số hóa Trung tâm Học liệu - ĐHTN http://www.lrc-tnu.edu.vn/ ix OPC Optimum Predictive Control PFC Predictive Functional Control PID Proportional Integral Derivative RMPCT Robust MPC Technology RBF Radial Basic Funtions SMC Sequential Monte Carlo SISO Single Input Single Output Số hóa Trung tâm Học liệu - ĐHTN http://www.lrc-tnu.edu.vn/ x DANH MỤC CÁC BẢNG BIỂU Bảng 1.1 Bảng phân loại số phƣơng pháp sử dụng cho xây dựng mô hình, giải toán tối ƣu cho đối tƣợng tuyến tính, phi tuyến MPC 14 Bảng 1.2 Bảng tóm lƣợc số phƣơng pháp nhận dạng mô hình dự báo số phƣơng pháp MPC 17 Bảng 1.3 Bảng tóm lƣợc số kỹ thuật MPC số hãng giới 17 Số hóa Trung tâm Học liệu - ĐHTN http://www.lrc-tnu.edu.vn/ 105 bù nhiễu điều khiển hai kênh mức dung dịch h nồng độ dung dịch Cb đƣợc thể nhƣ Hình 3.33 Hình 3.33 Sơ đồ mô cấu trúc so sánh điều khiển IMPC PID có tích hợp nhận dạng bù nhiễu điều khiển hai kênh mức dung dịch h nồng độ dung dịch Cb Hình 3.34 Đáp ứng tín hiệu mức dung dịch h nồng độ dung dịch Cb điều khiển IMPC PID có tích hợp nhận dạng bù nhiễu sử dụng hai tín hiệu điều khiển cho đối tượng không trễ Số hóa Trung tâm Học liệu - ĐHTN 0s http://www.lrc-tnu.edu.vn/ 106 Hình 3.35 Đáp ứng tín hiệu mức dung dịch h nồng độ dung dịch Cb điều khiển IMPC PID có tích hợp nhận dạng bù nhiễu sử dụng hai tín hiệu điều khiển cho đối tượng có trễ 5s Hình 3.34., Hình 3.35 biểu diễn đặc tính đáp ứng đầu mức dung dịch h nồng độ dung dịch Cb đối tƣợng có trễ kênh điều khiển 0s , 5s Kết mô cho thấy trƣờng hợp trễ điều khiển PID IMPC cho đặc tính đáp ứng đầu tốt: lƣợng điều chỉnh sai số xác lập không Tuy nhiên tín hiệu kênh điều khiển có trễ điều khiển PID nhanh chóng bị ổn định điều khiển IMPC đảm bảo tốt chất lƣợng điều khiển Nhận xét: Từ kết mô Matlab/Simulink ta thấy rõ tính ưu việt hiệu hệ thống IMPC có tích hợp nhận dạng bù nhiễu cho đối tượng có trễ Điều tạo khác biệt trội: nhiễu phụ thuộc trạng thái bù trừ, đáp ứng hệ thống tốt hơn, rút ngắn thời gian trình độ hoàn toàn tránh tượng điều chỉnh Số hóa Trung tâm Học liệu - ĐHTN http://www.lrc-tnu.edu.vn/ 107 3.8 Kết luận Chƣơng Với việc áp dụng kết Chƣơng liên quan đến nhận dạng bù trừ thành phần nhiễu phi tuyến bất định, đối tƣợng phi tuyến bất định có trễ đƣợc xem đối tƣợng tuyến tính có trễ không chịu tác động nhiễu Khi vấn đề thiết đặt tổng hợp điều khiển sử dụng mô hình dự báo, đảm bảo chất lƣợng cao Chƣơng luận án tập trung giải vấn đề thiết nêu đạt đƣợc kết sau đây: Đã đề xuất đƣợc phƣơng pháp tổng hợp hệ thống điều khiển IMPC cho lớp đối tƣợng có trễ điều khiển Đã tích hợp điều khiển IMPC với nhận dạng nhiễu sở mạng nơron RBF với kênh bù trừ nhiễu, làm cho hệ thống vừa đáp ứng tiêu chuẩn tối ƣu, vừa có tính thích nghi, kháng nhiễu Đã tổng hợp đƣợc nhận dạng nhiễu kênh bù nhiễu, xây dựng thành công hệ thống IMPC, vừa tối ƣu vừa có khả thích nghi kháng nhiễu cho tháp (bình) phản ứng khuấy trộn liên tục CSTR Bằng công cụ Matlab/Simulink tiến hành mô minh họa nhằm đánh giá tính hiệu đề xuất luận án Các kết mô khẳng định tính đắn, hiệu toàn hệ thống điều khiển sở IMPC, nhận dạng nhiễu kênh bù nhiễu đề xuất đặc biệt ƣu việt cho lớp đối tƣợng có trễ Số hóa Trung tâm Học liệu - ĐHTN http://www.lrc-tnu.edu.vn/ 108 KẾT LUẬN VÀ KIẾN NGHỊ  Kết luận Điều khiển dựa mô hình dự báo có nhiều ƣu điểm trội, phát huy hiệu cao đối tƣợng có trễ, đối tƣợng có động học chậm, đối tƣợng có ràng buộc Điều khiển dự báo phát triển nhanh vài thập niên trở lại đạt đƣợc kết quan trọng, song nhiều vấn đề cấp thiết chƣa đƣợc giải chƣa có lời giải thỏa đáng Một vấn đề xây dựng phƣơng pháp tổng hợp hệ điều khiển dự báo cho đối tƣợng phi tuyến bất định (hoặc phần bất định), chịu tác động nhiễu có hiệu ứng trễ Đây lớp đối tƣợng phổ biến công nghiệp, ngày đòi hỏi chất lƣợng điều khiển cao hơn, hiệu Vì vậy, vấn đề nêu trở nên thiết mặt khoa học, mặt ứng dụng cho thực tế Luận án sâu nghiên cứu nhằm góp phần giải vấn đề thiết đạt đƣợc đóng góp chủ yếu sau đây:  Đã đề xuất phương pháp nhận dạng nhiễu cho hệ thống có trễ điều khiển sở mô hình song song, mạng nơron RBF sử dụng để xấp xỉ hàm nhiễu phi tuyến bất định mạng có cấu trúc đơn giản có khả xấp xỉ hầu hết hàm phi tuyến với độ xác tùy ý  Đã phát biểu chứng minh hai định lý điều kiện đủ, đảm bảo trình nhận dạng hội tụ cho hai trường hợp riêng biệt: trường hợp hệ thống có nhiễu tác động trường hợp hệ thống đồng thời chịu nhiều nhiễu tác động vào vị trí khác Đã thu luật cập nhật trọng số cho mạng nơron RBF, vừa đảm bảo hội tụ vừa có tính khả thi cao tốc độ hiệu chỉnh trọng số phụ thuộc vào vectơ sai lệch trạng thái đối tượng điều khiển vectơ trạng thái mô hình  Đã đề xuất giải pháp bù trừ nhiễu cho lớp đối tượng có trễ sở kết nhận dạng Đã xây dựng cấu trúc kênh bù trừ nhiễu Đã thu điều kiện ứng đối đảm bảo bù nhiễu tác động đồng thời lên hệ thống Các kết nhận dạng nhiễu bù nhiễu áp dụng không Số hóa Trung tâm Học liệu - ĐHTN http://www.lrc-tnu.edu.vn/ 109 cho hệ thống IMPC mà áp dụng cho hệ thống với luật điều khiển khác  Đã đề xuất phương pháp tổng hợp hệ thống điều khiển IMPC cho lớp đối tượng có trễ điều khiển Đã tích hợp điều khiển IMPC với nhận dạng nhiễu sở mạng nơron RBF với kênh bù trừ nhiễu, làm cho hệ thống vừa đáp ứng tiêu chuẩn tối ưu, vừa có tính thích nghi, kháng nhiễu  Đã tổng hợp nhận dạng nhiễu kênh bù nhiễu, xây dựng thành công hệ thống IMPC vừa tối ưu vừa có khả thích nghi kháng nhiễu cho tháp (bình) phản ứng khuấy trộn liên tục CSTR Bằng công cụ Matlab/Simulink tiến hành mô minh họa nhằm đánh giá tính hiệu đề xuất luận án Các kết mô khẳng định tính đắn, hiệu toàn hệ thống điều khiển sở IMPC, nhận dạng nhiễu kênh bù nhiễu đề xuất đặc biệt ƣu việt cho lớp đối tƣợng có trễ  Hƣớng nghiên cứu luận án kiến nghị  Triển khai áp dụng kết nghiên cứu cho đối tƣợng thực tế  Luận án đề cập đến phân tích tổng hợp hệ thống IMPC cho lớp đối tƣợng có trễ kênh điều khiển dƣới tác động nhiễu nội sinh (phát sinh tính phi tuyến đối tƣợng nhiễu phụ thuộc trạng thái) Cần tiếp tục nghiên cứu cho trƣờng hợp có dạng nhiễu khác, đối tƣợng phi tuyến có trễ khác có ràng buộc Số hóa Trung tâm Học liệu - ĐHTN http://www.lrc-tnu.edu.vn/ 110 DANH MỤC CÔNG TRÌNH KHOA HỌC CÓ LIÊN QUAN ĐẾN LUẬN ÁN Lê Thị Huyền Linh, Nguyễn Thị Mai Hƣơng (2011), "Một phƣơng pháp xây dựng điều khiển dự báo dựa mô hình Gauss", Tạp chí Khoa học Công nghệ - Đại học Thái Nguyên, Tập 86, số 10, ISSN 1859 - 2171, tr 195 - 200 Lê Thị Huyền Linh, Nguyễn Thị mai Hƣơng (2013), "Sử dụng mô hình mờ Takagi - Sugano để xây dựng mô hình dự báo cho hệ động học phi tuyến", Tạp chí Khoa học Công nghệ - Đại học Thái Nguyên; Tập 102, số 02, ISSN 1859 2171, tr 161 - 167 Lê Thị Huyền Linh, Lại Khắc Lãi, Nguyễn Thị Mai Hƣơng (2013), "Điều khiển dự báo dựa mô hình với tầm dự báo 1", Tạp chí Khoa học Công nghệ Đại học Thái Nguyên, Tập 112, số 12/2, ISSN 1859 - 2171, tr 55 - 62 Nguyễn Thị Mai Hƣơng, Lại Khắc Lãi, Mai Trung Thái, Lê Thị Huyền Linh (2013), "Điều khiển dự báo dựa ma trận động ứng dụng điều khiển bình phản ứng hóa học có bao làm lạnh (chemical reactor)", Tạp chí Khoa học Công nghệ - Đại học Thái Nguyên, Tập 112, số 12/2, ISSN 1859 - 2171, tr 49 - 54 N.T Mai Hƣơng, Mai Trung Thái, Lê Thị Huyền Linh, Lại Khắc Lãi (2013), "Nghiên cứu chiến lƣợc tối ƣu hóa điều khiển dự báo", Tạp chí Khoa học Công nghệ - Đại học Thái Nguyên, Tập 113, số 13, ISSN 1859 - 2171, tr 115 - 122 Le Thi Huyen Linh, Lai Khac Lai, Cao Tien Huynh (2014), "A disturbance identification method based on Neural network for a class predictive control system with delay", Tạp chí Khoa học Công nghệ trường Đại học Kỹ thuật, Tập 101 - ISSN 0868 - 3980, tr 20 - 24 Lê Thị Huyền Linh, Đặng Ngọc Trung (2014), “Ứng dụng nhận dạng nhiễu sở mạng nơron cho bình phản ứng khuấy trộn liên tục”, Tạp chí Khoa học Công nghệ Đại học Thái Nguyên, Tập 122 - số 08, ISSN 1859 - 2171, tr 137 - 141 Lê Thị Huyền Linh, Lại Khắc Lãi (2014), “Điều khiển dựa mô hình dự báo cho lớp đối tƣợng có trễ”, Tạp chí Khoa học Công nghệ - Đại học Thái Nguyên, Tập 128 - số 11, ISSN 1859 - 2171, tr 149 - 154 Lê Thị Huyền Linh, Lại Khắc Lãi (2014), “Phƣơng pháp nhận dạng nhiễu phụ thuộc trạng thái hệ phi tuyến có trễ”, Chuyên san Điều khiển & Tự động hóa, số 11, tr 53 - 57 Số hóa Trung tâm Học liệu - ĐHTN http://www.lrc-tnu.edu.vn/ 111 Số hóa Trung tâm Học liệu - ĐHTN http://www.lrc-tnu.edu.vn/ 112 TÀI LIỆU THAM KHẢO Tiếng Việt Đỗ Thị Tú Anh, Nguyễn Doãn Phƣớc (2013), “Giới thiệu điều khiển dự báo, Phần I: Hệ tuyến tính”, Tuyển tập báo cáo hội nghị khoa học Khoa Điện tử, Trƣờng Đại học Kỹ thuật Công nghiệp Thái Nguyên, tr 129 -138 Đỗ Thị Tú Anh, Nguyễn Doãn Phƣớc (2014), “Ổn định hóa hệ song tuyến liên tục với điều khiển dự báo”, Tạp chí Khoa học Công nghệ - Đại học Thái Nguyên, 20(6), tr 73 - 79 Phạm Hữu Đức Dục (2009), Mạng nơron & ứng dụng điều khiển tự động, Nhà xuất Khoa học Kỹ thuật Nguyễn Công Định, Nguyễn Thanh Hải (2012), Điều khiển phi tuyến sở mạng nơron nhân tạo, Nhà xuất Khoa học Kỹ thuật Cao Tiến Huỳnh (2002), “Tổng hợp hệ điều khiển trƣợt, thích nghi cho đối tƣợng có trễ”, Tuyển tập báo cáo khoa học Hội nghị toàn quốc lần thứ V Tự động hóa, Hà Nội, tr 181 - 186 Cao Tiến Huỳnh (2005), “Tổng hợp hệ điều khiển thích nghi cho đối tƣợng có trễ”, Tuyển tập báo cáo khoa học hội nghị toàn quốc lần thứ VI Tự động hóa, Hà Nội, tr 288 - 293 Bùi Quốc Khánh, Phạm Quang Đăng, Nguyễn Huy Phƣơng, Vũ Thụy Nguyên (2014), Điều khiển trình, Nhà xuất Khoa học Kỹ thuật Nguyễn Thúc Loan, Nguyễn Thị Phƣơng Hà, Huỳnh Thái Hoàng (2002), “Điều khiển dự báo hệ phi tuyến dựa vào mô hình mờ”, Tuyển tập báo cáo khoa học Hội nghị toàn quốc lần thứ V Tự động hóa, Hà Nội, tr 95 - 100 Nguyễn Doãn Phƣớc (2009), Lý thuyết điều khiển nâng cao, Nhà xuất Khoa học Kỹ thuật 10 Nguyễn Doãn Phƣớc, Phan Xuân Minh (2005), Nhận dạng hệ thống điều khiển, Nhà xuất Khoa học Kỹ thuật Số hóa Trung tâm Học liệu - ĐHTN http://www.lrc-tnu.edu.vn/ 113 11 Trần Quang Tuấn (2012), Về phương pháp điều khiển thích nghi mờ cho đối tượng phi tuyến bất định, Luận án tiến sĩ, Trƣờng Đại học Bách khoa Hà Nội Tiếng Anh 12 Ai Wu, Peter K., Tam S (2002), “Stable Fuzzy Neural Tracking control of a class of unknown Nonlinear Systems Based on Fuzzy Hierarchy Error Approach”, IEEE Trans on Fuzzy Systems, Vol 10, No 6, pp 779 - 789 13 Angrick C (2007), Nonlinear model predictive control of time-delay systems, Student thesis, University of Stuttgart 14 Atkeson C G., Moore A W., Shaal S (1996), “Locally weighted learning for control”, Artificial Intelligence Review, Vol 11, No 5, pp 75 - 113 15 Bemporad A., Morari M (2004), “Robust model predictive control: A survey”, In Proc of European Control Conference, Porto, Portugal, pp 939 - 944 16 Cahse A J., Hovakimyan N., Idan M (2001), “Adaptive output feedback control of Nonlinear Systems using neural networks”, Automatica, Vol 37, No 8, pp 1201 - 1211 17 Camacho, Bordons (2007), Model Predictive Control, Springer Venlag 18 Cannon M R., Slotine J J E (1995), Space - frequency localized basis function and Control neuro computing, Vol 9, pp 293 - 342 19 Chang Boon Low, Khuan Holm Nah, Meng Joo Er (2004), Real-time implimentation of a dynamic fuzzy neural networks controller for a SCARA, Journal of the Institution of Engineers, Singapore, Vol 26, pp 449 - 461 20 Chen H., Allgower F (1998), “A quasi-infinite horizon nonlinear model predictive control scheme with guaranteed stability”, Automatica 34(10), De Souza, Delay-dependent stab, pp 1205 - 1218 21 Chen F C., Liu C C (1994), “Adaptively cotrolling nonlinear continuous-time systems using multilayer neural networks”, IEEE Transaction on Automatic Control, AC 39, pp 1306 - 1310 Số hóa Trung tâm Học liệu - ĐHTN http://www.lrc-tnu.edu.vn/ 114 22 Chiman Kwan, Lewis L., Darren M (1998), “Robust Neural Networks Control of Rigid-Link Electrically Driven Robots”, IEEE Trans On Neural Networks, Vol 9, No 4, pp 581 - 588 23 Choi J Y., Farrell J A (2001), “Nonlinear adaptive control using networks of piecewise linear appproximators”, IEEE Trans On Neural Networks, Vol 11, No 2, pp 390 - 401 24 Christopher E., Sarah K (1998), Sliding Model Control Theory and Applications, Taylor & Francis, UK 25 Cutler C R., Ramaker B C (1980), Dynamic matrix control a computer control algorithm, in Automatic Control Conference, San Francisco 26 Daniel E Rivera (1999), Internal model control: A comprehensive view, Dept of Chemical, Bio and Materials Eng., Arizona State University, Tempe, USA 27 Eric Coulibaly, Sandip Maitis, Coleman Brosilow W (1995), “Internal Model Predictive Control (IMPC)”, Automacticka, Vol 31, No 10, pp 1471 - 1482 28 Farrell J A., Zhao Y (2006), “Self - organizing approximation based control”, In Proc Amer Control Conf Minneapolis, MN, pp 3378 - 3384 29 Farrell J A., Polycarpou M M (2006), Adaptive Approximation Base Control Unifying Neural, Fuzzy and Traditional Adaptive Approximation Approaches, Hoboken, Wiley 30 Frank Allgower, Rolf Findeisen, Christian Ebenbauer (2010), Nolinear Model Predictive Control, Stuttgart 31 Froisy J (1994), “Model predictive control: Past, present and future”, In ISA Transactions, Vol 33, pp 235 - 243 32 Gantmakker Ph R (1977), Matrix Theory, Nauka, Moscow 33 Han C., Liu X., Zhang H (2008), “Robust model predictive control for continuous uncertain systems with state delay”, Journal of Control Theory and Applications, (2), pp 189-194 Số hóa Trung tâm Học liệu - ĐHTN http://www.lrc-tnu.edu.vn/ 115 34 Haralambos Sarimveis, George Bafas (2003), “Fuzzy model predictive control ofnon-linear processes using genetic algorithms”, Fuzzy Sets and Systems 139, Elsevier B.V All rights reserved, pp 59 - 80 35 Hartman E J., Keeler J D., Kowalski J M (1990), “Layered neural networks with Gaussian hidden units as universal approximations”, Neural Comput, 2(2), pp 210 -2 15 36 Heinrich Rake, Matthias Wellers (2000), “Nonlinear Model Predictive Control Based on Stable Wiener and Hammerstein Models”, Nonlinear Model Predictive Control Progress in Systems and Control Theory, Vol 26, pp 357 - 366 37 Hu X B and Chen W H (2004), “Model predictive control for constrained systems with uncertain state-delays”, International Journal of Robust and Nonlinear Control, 14(17), pp 1421 - 1432 38 Huang S N., Tan K K., Lee T H (2001), “A combined PID/ Adaptive controller for a class of nonlinear systems”, Automatica, (37) pp 611 - 618 39 Jin L., Nikiforuk P N, Gupta M M (2005), “Direct adaptive output tracking control using multilayered neural networks”, IEE Proceedings D., No 140, pp 393 - 398 40 Jinkun Liu (2013), Radial Basis Function (RBF) Neural Network Control for Mechanical Systems, Springer Venlag 41 Junhong N., Derek L (1995), Fuzzy - Neural Control Principles Algorithm and Applications, Prentice Hall, Europe 42 Kantner M (1997), Nonlinear MPC lower bounds via robust simulation, American Control Conference, Vol 3, pp 1633 - 1644 43 Kwon W H., Lee Y S., Han S H (2001), “Receding horizon predictive control for nonlinear time-delay systems”, In International Conference on Control, Automation and Systems, Cheju National University Jeju, Korea, pp 107 - 111 44 Li D., Xi Y (2011), “Nonstrained feedback robust model predictive control for polytopic uncertain systems with time delays”, International Journal of Systems Science, 42 (10), pp 1651 - 1660 Số hóa Trung tâm Học liệu - ĐHTN http://www.lrc-tnu.edu.vn/ 116 45 Li C., Shi G (2013), “Weights optimization for multi-instance multi-label RBF neural networks using steepest descent method”, Neural Computing and Applications, Vol 22, No 7- 8, pp 1563 - 1569 46 Lin J., Liu Y (2002), “Efficient gradient descent method of RBF neural networks with adaptive learning rate”, Journal of Electronics, Vol 19, No 3, pp 255 - 258 47 Liuping Wang (2008), Model Predictive Control System Design and Implementation Using MATLAB, Springer Venlag 48 Lyu S., Wu C., Zhang S (2013), “Application of the RBF method to the estimation of temperature on the external surface in laminar pipe flow”, Mathematical Problems in Engineering, Vol 2013, Article ID 205169, 11 pages 49 Marcus Reble (2013), Model Predictive Control for Nonlinear Continuous-Time Systems with and without Time-Delays, University Stuttgart 50 Mayne D Q., Rawlings J B., Rao C.V., Seokaert P O M (2000), “Constrained model predictive control: stability and optimality”, Automatica, Vol 36, pp 789 - 814 51 Maciej Lawrynczuk (2014), Computationally Efficient Model Predictive Control Algorithms A Neural Network Approach, Springer International Publishing Switzerland 52 Marcus Reble, Frank Allgower (2013), Stabilizing design parameters for model predictive control of constrained nonlinear time-delay systems, Institute for Systems Theory and Automatic Control (IST), University of Stuttgart, Germany 53 Martin T Hagan, Howard B Demuth, Orlando De Jes (2002), “An introduction to the use of neural networks incontrol systems”, International Journal of Robust and Nonlinear Control, Int J Robust Nonlinear Control, pp 959 - 985 54 Meng Joo Er., Yang Gao (2003), “Robust Adaptive Control of Robort Manipulators Using Generalized Fuzzy Neural networks”, IEEE Transactions on Industrial Electronics, Vol 50, No 3, pp 620 - 628 Số hóa Trung tâm Học liệu - ĐHTN http://www.lrc-tnu.edu.vn/ 117 55 Ming T Tham (2002), Internal model control, Chemical and Process Eng., University of Newcaslte upon Tyne 56 Michael Athans, Peter L Falb (1966), Optimal Control, Mc Graw - Hill Book Company 57 Morari M , Lee J H (1991), “Model Predictive control: the good, the bad and the ugly” In Proc Conf On Chemical Process Control, CPC - IV AIChE, New York, pp 419 - 444 58 Moshe Sniedovich (2011), Dynamic Programming Foundations and Principles, Second Edition, Taylor and Francis Group 59 Narendra K S., Parthasarathy K (1990), “Identification and control for differential Systems using Neural networks”, Trans On Neural Networks, No 1, pp - 27 60 Nakanishi J., Farrell J A., Shall S (2005), “Composite adaptive control with locally weighted Statistical learning”, Neural Networks, Vol 18, No.1, pp - 90 61 Nelles O (2001), Nonlinear system identification from classical approaches to Neural networks and fuzzy models, Springer, Berlin 62 Neil Cotter (1990), “The Stone - Weierstrass Theorem and Application to Neural Networks”, IEEE Vol 1, No 4, pp 290 - 295 63 Ortega J M (1987), Matrix Theory, Plenum Press, New York 64 Park J., Sandberg L W (1991), “Universal approximation using radial basis function networks”, Neural Comput, 3(2), pp 246 - 257 65 Park J H., Huh S H., Kim S H, Seo S J (2005), “Direct adaptive controller for non-affine nonlinear systems using self-structuring neural networks”, IEEE Trans Neural Netw., Vol 16, No 2, pp 414 - 422 66 Pieter Eykhoff (1974), System Identification, John Wiley and Sons Ltd 67 Piyush Shrivastava (2011), Modeling and Control of CSTR using Model based Neural Network Predictive Control, Takshshila Institute of Engineering & Technology, Jabalpur, Madhya Pradesh, India Số hóa Trung tâm Học liệu - ĐHTN http://www.lrc-tnu.edu.vn/ 118 68 Poznyak A S., Sanchez E N., Yu W (2001), Differential Neural networks for Robust Nonlinear Control Identification, State Estimation and Trajectory Tracking, World Scientific publisling co., Singapore 69 Psichogios D C., Ungar L H (1990), “Nonlinear Internal Model Control and Model Predictive Control using Neural Networks”, Department of Chemical Engineering University of Pennsylvania, IEEE, pp 1082 - 1087 70 Qin S., Badgwell T (2003), “A Survey of industrial model prediction control technology”, Control Engineering Practice, Vol 11, pp 733 - 764 71 Qin S., Badgwell T (2000), “An overview of nonlinear model predictive control applications”, Nonlinear Predictive Control, Birkhauser, pp 369 - 393 72 Raff T., Angrick C., Findeisen R., Kim J S., Allgower F (2007), Model predictive control for nonlinear time-delay systems, Proc 7th IFAC Symposium on Nonlinear Systems, Pretoria, South Africa 73 Ramdane Hedjar (2013), “Adaptive Neural network model predictive control”, International Journal of Innovative Computing, Information and Control, Vol 9, No 3, pp 1245 - 1257 74 Richalet J., Rault A., Testud J L (1976), Algorithm control of industrial process, in 4th IFAC symposium of identification and system parameter estimation, Tbilisi 75 Rolf Findeisen, Frank Allgower (2013), An Introduction to Nonlinear Model Predictive Control, Institute for Systems Theory in Engineering, University of Stuttgart, Germany 76 Seyed E S., Mohammad R S (2011), Neural Network Sliding Mode PID cotroller design for Electrically Driven Robot Manipulators, International Joural of Innovative Computing, Information and Control, Vol 7, No 2, pp 465 - 476 77 Tobias Gybel Hovgard (2012), “Fast Nonconvex Model Predictive Control for Commercial Refrigeration”, International Federation of Automatic Control Noordwijkerhout, NL August, pp 23 - 27 Số hóa Trung tâm Học liệu - ĐHTN http://www.lrc-tnu.edu.vn/ 119 78 Wei Sun, Yaonan Wang (2004), “A recurrent Fuzzy Neural Network based Adaptive Control and its Application on Robotic Tracking Control”, Neural Information Processing - Letters and Review, Vol 5, No 1, pp 19 - 26 79 Wenjie Dong, Yuanyan, Yiming Chen, Jay A Farrel (2012), Tracking Control for Nonaffine Systems, A self organizing Approximation Approach, IEEE Trans on Neural Networks and Learning Systems,Vol 23, No 2, pp 223 - 235 80 Wen Yu, Xiaoou Li, Yin F., Wang Y (2004), “System Identification Using Adjustable RBF Neural Network with Stable Learning”, @Springer-Verlag, LNCS 3174, pp 212 - 217 81 Within C., Peter Meckl H (2004), “Model-Free observer Backstepping Control Design for Nonlinear Systems in Strict Feedback Form”, Conference on Decision and Control, Proc Of 43rd IEEE, pp 14 - 17 82 Xiaoou Li, Wen Yu (2004), “Robust Adaptive control using Neural Networks and Projection”, @Springer-Verlag, LNCS 3174, Berlin Heidelberg, pp 77 - 82 83 Yu W.; Li X (2001), “Some new results on system Identification with differential Neural Networks”, Trans Neural Networks, No 12, pp 412 - 417 Số hóa Trung tâm Học liệu - ĐHTN http://www.lrc-tnu.edu.vn/ [...]... lên rất nhiều Do đó ứng với một lớp đối tƣợng điều khiển cụ thể, điều khiển dự báo dựa trên mô hình lại có những hƣớng giải quyết khác nhau vì sử dụng phƣơng pháp xây dựng mô hình dự báo và bộ điều khiển dự báo khác nhau 1.2 Những vấn đề liên quan về điều khiển dự báo hệ tuyến tính Điều khiển dự báo cho hệ tuyến tính MPC là bộ điều khiển sử dụng mô hình tuyến tính hay mô hình đã đƣợc tuyến tính hóa để... pháp sử dụng cho xây dựng mô hình, giải bài toán tối ưu cho đối tượng tuyến tính, phi tuyến trong MPC Phƣơng pháp Đối tƣợng tuyến tính Đối tƣợng phi tuyến Phụ thuộc vào phƣơng Sử dụng mô hình không Sử dụng mô hình phi tuyến pháp xây dựng mô hình gian trạng thái, mô hình Volterra, dự báo Wiener, hàm truyền, đáp ứng bƣớc Hammerstein, mô hình mờ, nhảy, đáp ứng xung, mô mô hình sử dụng mạng nơron, hình hồi... CÁC HÌNH VẼ Hình 1.1 Hình ảnh về ứng dụng điều khiển trong công nghệ xử lý hóa chất 8 Hình 1.2 Nguyên lý cơ bản của điều khiển dự báo dựa trên mô hình 9 Hình 1.3 Sơ đồ khối hệ thống điều khiển dự báo dựa trên mô hình 11 Hình 1.4 Cấu trúc mô hình lớp đối tƣợng phi tuyến có trễ 25 Hình 2.1 Sai số đầu ra của đối tƣợng thực và mô hình 27 Hình 2.2 Cấu trúc hệ thống phi tuyến 28 Hình. .. là thực hiện khâu điều khiển dự báo) Bài toán điều khiển dự báo dựa trên mô hình có mức độ phức tạp sẽ phụ thuộc vào tính chất và đặc điểm của đối tƣợng điều khiển, tùy theo lớp các đối tƣợng cụ thể mà ngƣời ta sẽ sử dụng các phƣơng pháp xây dựng mô hình dự báo khác nhau, việc xây dựng mô hình dự báo chính là bài toán nhận dạng mô hình của đối tƣợng điều khiển Mặc dù là một phƣơng pháp điều khiển mạnh... Trong số đó phải kể tới phƣơng pháp điều khiển dự báo theo mô hình (MPC - Model Predictive Control) Điều khiển dự báo dựa trên mô hình là sự kết hợp của một số lĩnh vực đã đƣợc ứng dụng trong kỹ thuật điều khiển, điển hình đó là hai lĩnh vực điều khiển tối ƣu và nhận dạng hệ thống Ngay nhƣ tên của nó điều khiển dự báo dựa trên mô hình có nghĩa là phƣơng pháp này cần phải sử dụng một mô hình dự báo. .. http://www.lrc-tnu.edu.vn/ 11 Hình 1.3 Sơ đồ khối hệ thống điều khiển dự báo dựa trên mô hình Mô hình dự báo a Là thành phần quan trọng nhất trong điều khiển dự báo Mô hình dự báo phải phản ánh đƣợc một cách đầy đủ động học của đối tƣợng điều khiển Để dự báo đƣợc đầu ra tƣơng lai của đối tƣợng đƣợc chính xác thì mô hình dự báo phải đƣợc xác định một cách chính xác Giả thiết thời điểm hiện tại là t k , thì mô hình dự báo ˆ... thuộc vào đối tƣợng điều khiển phi tuyến Một cách khác để xây dựng mô hình dự báo phi tuyến là sử dụng các định luật, định lý về năng lƣợng, động năng và khối lƣợng trong hệ thống Tuy nhiên trong thực tế, các hành vi động học của hệ rất phức tạp cho nên không dễ dàng xây dựng đƣợc mô hình từ các định luật này Cách tiếp cận khác để xây dựng mô hình dự báo là sử dụng mô hình hộp đen, mô hình này đƣợc xác... quan về vấn đề nghiên cứu Chƣơng này nghiên cứu tổng quan về lý thuyết điều khiển dự báo theo mô hình tuyến tính và phi tuyến, tập trung cho lớp đối tƣợng có trễ Thống kê một số thuật toán, phƣơng pháp xây dựng mô hình dự báo và các ứng dụng thực tế thƣơng mại Những khó khăn đặc thù của lớp đối tƣợng có trễ và có nhiễu phi tuyến bất định Những hạn chế của bài toán tối ƣu và xây dựng mô hình khi phải... và đã có nhiều ứng dụng thành công tuy nhiên trong thực tế việc áp dụng điều khiển dự báo đặc biệt là cho đối tƣợng phi tuyến vẫn còn gặp những hạn chế, khó khăn: - Thứ nhất, phải xây dựng mô hình toán học để dự báo chính xác trạng thái của đối tƣợng cần điều khiển trong phạm vi dự báo Đối với hệ phi tuyến thì xây dựng đƣợc mô hình chính xác vẫn còn là một bài toán khó vì đặc tính phi tuyến rất đa dạng... thể 3 Mục tiêu của luận án Mục tiêu của luận án là xây dựng phƣơng pháp mới để nhận dạng mô hình trực tuyến cho một lớp đối tƣợng phi tuyến có trễ trong hệ thống điều khiển dự báo theo mô hình; đồng thời xây dựng cấu trúc điều khiển dự báo theo mô hình nội, áp dụng các kết quả thu đƣợc cho một đối tƣợng cụ thể trong công nghiệp 4 Những đóng góp mới về lý luận và thực tiễn của luận án Luận án đã có những