điều khiển dự báo mô hình dùng mạng nơron rbf

96 491 0
điều khiển dự báo mô hình dùng mạng nơron rbf

Đang tải... (xem toàn văn)

Tài liệu hạn chế xem trước, để xem đầy đủ mời bạn chọn Tải xuống

Thông tin tài liệu

BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT THÀNH PHỐ HỒ CHÍ MINH LUẬN VĂN THẠC SĨ LƯƠNG HOÀI THƯƠNG ĐIỀU KHIỂN DỰ BÁO MÔ HÌNH DÙNG MẠNG NƠRON RBF NGÀNH: KỸ THUẬT ĐIỆN TỬ - 60520203 S K C0 Tp Hồ Chí Minh, tháng 04/2015 BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT THÀNH PHỐ HỒ CHÍ MINH LUẬN VĂN THẠC SĨ LƯƠNG HOÀI THƯƠNG ĐIỀU KHIỂN DỰ BÁO MÔ HÌNH DÙNG MẠNG NƠRON RBF NGÀNH: KỸ THUẬT ĐIỆN TỬ - 60520203 Hướng dẫn khoa học: PGS.TS NGUYỄN CHÍ NGÔN Tp Hồ Chí Minh, tháng 04/2015 Luâ ̣n Văn Tha ̣c Sĩ GVHD: PGS.TS Nguyễn Chí Ngôn LỜI CẢM ƠN Trong suốt thời gian thực đề tài luận văn thạc sĩ, cố gắng nổ lực thân, tác giả nhận nhiều nguồn giúp đỡ quý báu Tôi xin chân thành biết ơn: PGS.TS NGUYỄN CHÍ NGÔN Trưởng Khoa Công nghệ, Giảng viên thuộc Trường Đại học Cần Thơ Người Thầy truyền đạt cho nhiều kiến thức chuyên môn kinh nghiệm nghiên cứu quý báu suốt thời gian thực đề tài, người tận tình hướng dẫn đầy tâm huyết trình thực công trình nghiên cứu hoàn tất luận văn Quý Thầy Cô giảng dạy suốt khóa học qua, kiến thức mà nhận giảng đường cao học hành trang giúp vững bước tương lai Xin gửi lời cảm ơn sâu sắc đến tất bạn bè tập thể lớp Kỹ thuật điện tử khóa 13A, người bên suốt khóa học Được hoàn thành thời gian hạn hẹp, luận văn chắn nhiều thiếu sót Xin cảm ơn thầy cô, bạn bè có ý kiến đóng góp chân thành cho nội dung luận văn để tiếp tục sâu vào tìm hiểu ứng dụng vào thực tiễn công tác Lƣơng Hoài Thƣơng Tp Hồ Chí Minh, tháng 04 năm 2015 HVTH: Lương Hoài Thương Trang iii Luâ ̣n Văn Tha ̣c Sĩ GVHD: PGS.TS Nguyễn Chí Ngôn LỜI CAM ĐOAN Tôi xin cam đoan luận văn công trình nghiên cứu không trùng lặp với công trình nghiên cứu khác, chưa công bố tạp chí Tp Hồ Chí Minh, ngày 24 tháng 04 năm 2015 (Ký tên ghi rõ họ tên) HVTH: Lương Hoài Thương Trang iv Luâ ̣n Văn Tha ̣c Sĩ GVHD: PGS.TS Nguyễn Chí Ngôn TÓM TẮT Các hệ thống điều khiển thực tế thường phi tuyến nên việc thiết kế điều khiển trở nên khó khăn Các kỹ thuật điều khiển truyền thống tỏ hiệu Do đó, người ta thường tìm kiếm giải pháp điều khiển đại, thông minh, có kỹ thuật điều khiển dự báo mô hình (Model Predictive Control MPC) Tuy nhiên, áp dụng điều khiển dự báo mô hình, vấn đề khó khăn việc nhận dạng hành vi đối tượng tương lai, đặc biệt chưa biết tham số đối tượng Nghiên cứu tiếp cận việc ứng dụng mạng nơron hàm sở xuyên tâm RBF (Radial Basic Functions neural networks - RBFNN) để khắc phục hạn chế Ngoài ra, ưu điểm mạng nơron dùng kỹ thuật huấn luyện online, nghĩa không cần phải thu thập liệu trước - điều mà lúc đạt thực tế Giải thuật điều khiển kiểm chứng hệ nâng vật từ trường Kết mô MATLAB/Simulink cho thấy: Đáp ứng hệ nâng vật từ trường bám theo tín hiệu mong muốn, với thời gian xác lập khoảng giây, độ vọt lố sai số xác lập không đáng kể Mặt khác hệ thống hoạt động ổn định với tác động nhiễu 1%, vị trí đặt tăng gấp lần, khối lượng thay đổi ±20% khối lượng ban đầu hệ thống bám tốt với vị trí đặt HVTH: Lương Hoài Thương Trang v Luâ ̣n Văn Tha ̣c Sĩ GVHD: PGS.TS Nguyễn Chí Ngôn ABSTRACT The control system in practice is often nonlinear so controller design becomes difficult The traditional methods of controlling techniques proved ineffective Therefore, people often seek modern control solutions, intelligence, including model predictive control (MPC) However, when applied to the model predictive control, the problem is difficult to identify the behavior of objects in the future, especially when the unknown parameters of the object This research approach the application of radial basis function neural networks (RBFNN) to overcome such limitations In addition, the advantages of this neural network is trained using online techniques, i.e is not required to collect training data - which is not always achieved in practice Control algorithm is tested on the lifting system in a magnetic field The simulation results on MATLAB Simulink software as follows: The response of the magnetic lifting system follows the desired signal, the setting time is about seconds, without the overshoot and steady-state error negligible On the other hand, the system has stable operation with noise impact of 1%, position set increased times, the volume change ± 20% of the original volume, the system keeps working well with the position set HVTH: Lương Hoài Thương Trang vi Luâ ̣n Văn Tha ̣c Sĩ GVHD: PGS.TS Nguyễn Chí Ngôn MỤC LỤC Trang tựa Quyết định giao đề tài Lý lịch cá nhân Lời cảm ơn iii Lời cam đoan iv Tóm tắt tiếng việt v Tóm tắt tiếng anh vi Mục lục .vii Danh sách chữ viết tắt x Danh sách bảng xii Danh sách hình vẽ đồ thị xiii CHƢƠNG 1: TỔNG QUAN 1.1 Giới thiệu đề tài 1.2 Mục đích đề tài 1.3 Đối tượng phạm vi nghiên cứu 1.4 Phương pháp nghiên cứu 1.5 Ý nghĩa thực tiễn luận văn 1.6 Cấu trúc luận văn CHƢƠNG 2: CƠ SỞ LÝ THUYẾT ĐIỀU KHIỂN DỰ BÁO MÔ HÌNH 2.1 Điều khiển dự báo mô hình tuyến tính .6 2.1.1 Điều khiển dự báo 2.1.2 Hàm mục tiêu 2.1.3 Quỹ đạo tham khảo 2.1.4 Những ràng buộc .9 2.1.5 Sử dụng luật điều khiển 10 2.2 Một vài thuật toán điều khiển dự báo mô hình .11 2.2.1 Điều khiển ma trận động học 11 2.2.2 Điều khiển thuật toán mô hình 12 2.2.3 Điều khiển chức dự báo 12 2.2.4 Điều khiển tự thích nghi dự báo mở rộng .13 HVTH: Lương Hoài Thương Trang vii Luâ ̣n Văn Tha ̣c Sĩ GVHD: PGS.TS Nguyễn Chí Ngôn 2.2.5 Điều khiển thích nghi phạm vi mở rộng 14 2.2.6 Điều khiển dự báo tổng quát 15 2.3 Điều khiển dự báo hệ phi tuyến 16 2.3.1 Các mô hình phi tuyến 16 2.3.2 Các kỹ thuật điều khiển dự báo mô hình phi tuyến .17 2.4 Mạng nơrron nhân tạo 19 2.4.1 Giới thiệu .20 2.4.2 Mô hình toán học 21 2.4.3 Các phương pháp huấn luyện mạng nơron 23 2.5 Xây dựng mô hình dự báo 29 CHƢƠNG 3: THIẾT KẾ BỘ ĐIỀU KHIỂN .33 3.1 Thiết kế điều khiển dự báo mô hình phi tuyến 33 3.2 Mô hình dự báo 34 3.3 Hàm mục tiêu 39 3.4 Thực luật điều khiển 41 3.5 Bài toán tối ưu hoá hàm mục tiêu 42 3.6 Thiết kế điều khiển dự báo mô hình phi tuyến dùng mạng nơron hàm sở xuyên tâm RBF 44 CHƢƠNG 4: KẾT QUẢ KẾT LUẬN VÀ PHÁT TRIỂN 46 4.1 Khảo sát đối tượng 46 4.1.1 Giới thiệu hệ nâng vật từ trường .46 4.1.2 Mô hình hệ nâng vật từ trường 46 4.1.2 Mô mô hình đối tượng hệ nâng vật từ trường 48 4.2 Thiết kế điều khiển dự báo mô hình phi tuyến cho đối tượng hệ nâng vật từ trường 49 4.3 Kết mô 52 4.3.1 Trường hợp hệ thống nhiễu 52 4.3.2 Trường hợp hệ thống có tác động nhiễu đưa vào 53 4.3.3 Trường hợp hệ thống có thay đổi tải 54 4.3.4 Trường hợp hệ thống có thay đổi khoảng cách tín hiệu tham khảo 60 4.3.5 Trường hợp hệ thống có thay đổi khoảng cách tín hiệu tham khảo khối lượng bi 66 4.3.6 So sánh hoạt động hệ nâng vật từ trường sử dụng điều khiển khác 70 HVTH: Lương Hoài Thương Trang viii Luâ ̣n Văn Tha ̣c Sĩ GVHD: PGS.TS Nguyễn Chí Ngôn 4.4 Kết luận 72 4.4.1 Kết đạt 72 4.4.2.Kiến nghị hướng phát triển .73 TÀI LIỆU THAM KHẢO 74 PHỤ LỤC 77 HVTH: Lương Hoài Thương Trang ix Luâ ̣n Văn Tha ̣c Sĩ GVHD: PGS.TS Nguyễn Chí Ngôn DANH MỤC CÁC CHỮ VIẾT TẮT BP : Back Propagation - thuật toán lan truyền ngược CRHPC : Constrained Receding Horizon Predictive Control - Điều khiển dự báo có ràng buộc DMC : Dynamic Matrix Control - điều khiển ma trận động học EHAC : Extended Horizon Adaptive Control - điều khiển thích nghi phạm vi mở rộng EPSAC : Extended Prediction Self Adaptive Control - điều khiển tự thích nghi dự báo mở rộng GPC : Generalized Predictive Control - điều khiển dự báo tổng quát LMPC : Linear Model Predictive Control- điều khiển dự báo mô hình tuyến tính MAC : Model Algorithmic Control - điều khiển thuật toán mô hình MIMO : Multi-Input Multi-Output - Hệ nhiều ngõ vào nhiều ngõ MPC : Model Predictive Control - điều khiển dự báo mô hình NLP : Nonlinear Programming - thuật toán lập trình phi tuyến NMPC : Nonlinear Model Predictive Control - điều khiển dự báo mô hình phi tuyến PFC : Predictive Functional Control - điều khiển chức dự báo QP : Quadratic Programming - thuật toán lập trình toàn phương RBFNN : Radial Basis Functions Neural Network - mạng nơron hàm sở xuyên tâm HVTH: Lương Hoài Thương Trang x Luâ ̣n Văn Tha ̣c Sĩ GVHD: PGS.TS Nguyễn Chí Ngôn Trong trường hợp khoảng cách tín hiệu tham khảo tăng đến 0.26m điều khiển hai trường hợp có nhiễu nhiễu đáp ứng hệ nâng vật từ trường bám theo tín hiệu tham khảo Nhận xét: Khi thay đổi khoảng cách tín hiệu tham khảo từ 0.03m đến 0.26m hệ ổn định, tức tín hiệu dự báo bám sát tín hiệu tham khảo, trường hợp có nhiễu chưa có nhiễu 4.3.5 Trƣờng hợp hệ thống có thay đổi khoảng cách tín hiệu tham khảo (h_ref) khối lƣợng bi m=0.014244kg (tăng 120% khối lƣợng ban đầu) Xét tín hiệu tham khảo hàm Constant có biên độ 0.06 Độ vọt lố 8.3% Hình 4.18.a: Đáp ứng ngõ h_out chưa có nhiễu HVTH: Lương Hoài Thương Trang 66 Luâ ̣n Văn Tha ̣c Sĩ GVHD: PGS.TS Nguyễn Chí Ngôn Độ vọt lố 8.3% Hình 4.18.b: Đáp ứng ngõ h_out có nhiễu Khi tăng khoảng cách đặt h_ref lên 0.06m khối lượng bi tăng 120%, trường hợp nhiễu có nhiễu tác động đáp ứng hệ nâng vật từ trường bám theo tín hiệu mong muốn với thời gian xác lập giây, sai số xác lập không đáng kể có độ vọt lố 8.3% HVTH: Lương Hoài Thương Trang 67 Luâ ̣n Văn Tha ̣c Sĩ GVHD: PGS.TS Nguyễn Chí Ngôn Xét tín hiệu tham khảo hàm Constant có biên độ 0.1 Độ vọt lố 10% Hình 4.19.a: Đáp ứng ngõ h_out chưa có nhiễu Độ vọt lố 10% Hình 4.19.b: Đáp ứng ngõ h_out có nhiễu HVTH: Lương Hoài Thương Trang 68 Luâ ̣n Văn Tha ̣c Sĩ GVHD: PGS.TS Nguyễn Chí Ngôn Khi tăng khoảng cách đặt h_ref lên 0.1m khối lượng bi tăng 120%, trường hợp nhiễu có nhiễu tác động đáp ứng hệ nâng vật từ trường bám theo tín hiệu mong muốn với thời gian xác lập 3.2 giây, sai số xác lập không đáng kể có độ vọt lố 10% Xét tín hiệu tham khảo hàm Constant có biên độ 0.15 Độ vọt lố 13% Hình 4.20.a: Đáp ứng ngõ h_out chưa có nhiễu HVTH: Lương Hoài Thương Trang 69 Luâ ̣n Văn Tha ̣c Sĩ GVHD: PGS.TS Nguyễn Chí Ngôn Độ vọt lố 13% Hình 4.20.b: Đáp ứng ngõ h_out có nhiễu Qua khảo sát kết mô ứng với trường hợp nhiễu, kết thu cho ngõ dự báo giống trường hợp có nhiễu tác động Nhận xét: Từ kết mô cho thấy, có thay đổi tải đến 120% thay đổi khoảng cách tín hiệu tham khảo đến 0.15m hệ bám ổn định có nhiễu đặt vào điều khiển Điều chứng tỏ điều khiển dự báo mô hình hệ phi tuyến thiết kế có tính ổn định bền vững 4.3.6 So sánh hoạt động hệ nâng vật từ trƣờng sử dụng điều khiển khác Các kết tham chiếu từ [32] Bao gồm: m= 10000kg, C= 0.001 Nm2/A2, h_ref= 1mm, i= 99A HVTH: Lương Hoài Thương Trang 70 Luâ ̣n Văn Tha ̣c Sĩ GVHD: PGS.TS Nguyễn Chí Ngôn Hình 4.21: Điều khiển phương pháp mô hình nội (Internal Model Control) Hình 4.22: Điều khiển phương pháp PID (Proportional Integral Derivative) Hình 4.23: Điều khiển phương pháp MPC (Model Preditive Control) HVTH: Lương Hoài Thương Trang 71 Luâ ̣n Văn Tha ̣c Sĩ GVHD: PGS.TS Nguyễn Chí Ngôn Hình 4.24: Điều khiển phương pháp MPC_RBF (Model Preditive Control Radial Basis Functions) Nhận xét: Ta thấy ngõ điều khiển MPC_RBF ổn định so với điều khiển trên, đồng thời có thời gian xác lập nhanh 4.4 Kết luận 4.4.1 Kết đạt đƣợc Qua thời gian nghiên cứu sở lý thuyết mô đối tượng, phạm vi đề tài “Điều khiển dự báo mô hình dùng mạng nơron RBF”, tác giả đề tài đạt số kết cụ thể sau đây: Nắm kiến thức điều khiển dự báo mô hình, cho mô hình hệ tuyến tính cho hệ phi tuyến Việc điều khiển mô hình hệ phi tuyến phần mở rộng từ hệ tuyến tính Các kỹ thuật điều khiển dự báo mô hình cho hệ thống quy tắc quy rõ ràng Điều thể tính mềm dẻo thiết kế điều khiển lập trình tối ưu hoá cho hệ Triển khai ứng dụng mạng nơron hàm sở xuyên tâm RBF điều khiển dự báo mô hình hệ phi tuyến, cụ thể điều khiển cho đối tượng hệ nâng vật từ trường Việc huấn luyện mạng dựa huấn luyện online Ngõ dự báo đưa vào tính toán thông qua hàm optim, fmincon, hàm costfunc,… nhằm chọn lựa giá trị tối ưu để điều khiển hệ thống cho HVTH: Lương Hoài Thương Trang 72 Luâ ̣n Văn Tha ̣c Sĩ GVHD: PGS.TS Nguyễn Chí Ngôn ngõ cuối đối tượng giống với tín hiệu tham khảo chọn trước Bộ điều khiển dự báo mô hình phi tuyến không cần biết trước thông số hay cấu trúc đối tượng Các kết mô đạt với mục tiêu mà đề tài đặt ra, với số tín hiệu tham khảo chọn trước Ngay có nhiễu 1% tác động lên hệ mà không làm ảnh hưởng đến ngõ dự báo Tính bền vững hệ thống thể rõ ta thay khối lượng tải m Với tải thay đổi ±20% so với thiết kế ban đầu vị trí đặt tín hiệu tham chiếu đến 0.26m mà tín hiệu dự báo ngõ đáp ứng tốt, tức ngõ dự báo bám theo tín hiệu tham khảo 4.4.2 Kiến nghị hƣớng phát triển Do hạn chế thời gian thực đề tài, nên tác giả khảo sát mô hệ thống quỹ đạo tham chiếu định Điều cần mở rộng thêm thấy hệ thống “thích nghi” với tất quỹ đạo tham chiếu khác có phạm vi hoạt động hệ nâng vật từ trường Mặc khác, ta cải tiến chương trình mô thông số học mạng nơron hàm sở xuyên tâm RBF hay mở rộng số nơron lớp ra, để ngõ dự báo bám tốt tín hiệu đặt thời gian đáp ứng điều khiển nhanh HVTH: Lương Hoài Thương Trang 73 Luâ ̣n Văn Tha ̣c Sĩ GVHD: PGS.TS Nguyễn Chí Ngôn TÀI LIỆU THAM KHẢO I Tài liệu tiếng việt: [1] Huỳnh Thái Hoàng (2006), Hệ Thống Điều Khiển Thông Minh, NXB Đại Học Quốc Gia TPHCM, trang 60-75; 307-336 [2] Nguyễn Hoàng Dũng (2008), Điều Khiển Trượt Thích Nghi Dùng Mô Hình Nơron Mờ, Luận văn thạc sỹ ngành tự động hóa, Trường Đại Học Bách Khoa Tp.HCM, trang 18-22 [3] Nguyễn Nhật Lệ & Phan Mạnh Dần (2005), Giải Bài Toán Tối Ưu Hoá ứng Dụng, NXB Khoa học Kỹ thuật, trang 32 - 43, 135 - 143 [4] Nguyễn Phùng Quang (2006), MATLAB & Simulink Dành Cho Kỹ Sư Điều Khiển Tự Động, NXB Khoa học Kỹ thuật [5] Nguyễn Thị Phương Hà (2007), Lý Thuyết Điều Khiển Hiện Đại, Trường Đại học Bách Khoa Tp.HCM, Chương - Công nghệ tính toán mềm, trang 6-14; 61-79; 108-118 [6] Nguyễn Thị Phương Hà (2007), Lý Thuyết Điều Khiển Hiện Đại, Trường Đại học Bách Khoa Tp.HCM, Chương - Điều khiển tối ưu, trang 125-144 [7] Nguyễn Thị Phương Hà (2007), Lý Thuyết Điều Khiển Hiện Đại, Trường Đại học Bách Khoa Tp.HCM, Chương - Điều khiển thích nghi [8] Nguyễn Thiện Thành (2007), Bài Giảng Lý Thuyết Điều Khiển Tối Ưu Bền Vững, Trường Đại học Bách khoa Tp.HCM [9] Nguyễn Thúc Loan, Nguyễn Thị Phương Hà, Huỳnh Thái Hoàng (2002), Bài báo Điều Khiển Dự Báo Hệ Phi Tuyến Dựa Vào Mô Hình Mờ, Trường Đại học Bách Khoa TP.HCM [10] Nguyễn Vinh Quan (2004), Giáo Trình MATLAB7, Trường Đại học Sư phạm kỹ thuật TP.HCM [11] Nguyễn Chí Ngôn, Phạm Thanh Tùng Dương Hoài Nghĩa, Điều khiển trược dùng mạng noron hệ nâng vật từ trường [12] Trần Hoài An (2006), Bài giảng Lý thuyết điều khiển đại, Trường Đại học Giao thông vận tải TP.HCM HVTH: Lương Hoài Thương Trang 74 Luâ ̣n Văn Tha ̣c Sĩ GVHD: PGS.TS Nguyễn Chí Ngôn II Tài liệu tiếng nước ngoài: [13] Bart Kosko (1992), Neural Networks for Signal Processing, Prentice Hall [14] C.E García, D.M Prett, and M Morari (1989), Model Predictive Control: Theory and Pratice-a Survey, Automatica, 25(3): pages 335-348 [15] Zi-Jiang Yang, Kouichi Miyazaki, Shunshoku Kanae, Kiyoshi Wada (2003), Adaptive Robust Dynamic Surface Control for a Magnetic Levitation System [16] Duc Truong Pham & Liu Xing (1997), Neural networks for Identification, Prediction and Control, Springer-Verlag London Limited, 3rd printing [17] D.W Clarke and C Mohtadi (1989), Properties of Generalized Predictive Control, Automatica, 25(26): pages 859-875.14] [18] D.W Clarke and R Scattolini (1991), Constrained Receding-horizon Predictive Control, Proceeding IEE, 138: pages 347-354 [19] E.F Camacho (1993), Constrained Generalized Predictive Control, IEEE Trans On Automatic Control, 38(2): pages 327-332 [20] E.F Camacho, M Berenguel, and F.R Rubio (1997), Advanced Control of Solar Power Plants, Springer-Verlag, London [21] E.F Camacho and Carlos Bordons (1999), Model Predictive Control, Springer - Verlag, London Limited, ISBN 3540762418 [22] J.Richalet (1992), Practique de la Commande Predictive, Hermes [23] Khairiyah Mohd Yusof, Boo Chin Eng, Hong Mei Kwee, Amy Tan Siew Wern (2006), Formulation of Model Predictive Control Algorithm For Nonlinear Processes, Reseach Vote No 71992, University of Technology Malaysia [24] M Onder Efe, Okyay Kaynak and Bogdan M Wilamowski (2000), Creating a Sliding Mode in a Motion Control System by Adopting a Dynamic Defuzzification Strategy in an Adaptive Neuro Fuzzy Inference System, The 26th Annual Confjerence of the IEEE on Industrial Electronics Society, vol.2, pages 894-899 [25] MATLAB Help (2007), The Language of Technical Computing, version 7.4.0.287, The Matworks, Inc USA HVTH: Lương Hoài Thương Trang 75 Luâ ̣n Văn Tha ̣c Sĩ [26] GVHD: PGS.TS Nguyễn Chí Ngôn Madan M Gupta, Liang Jin, and Noriyasu Homma (2003), Static and Dynamic Neural Networks, A John Wiley & Sons, Inc., Publication, pages 223-245 [27] R Rouhani and R.K Mehra (1982), Model Algorithmic Control: Basic Theoretical Properties, Automatica, 18(4): pages 401-414 [28] Rolf Findeisen, Frank Allgöwer (2002), An Introduction to Nonlinear Model Predictive Control, Institute for Systems Theory in Engineering, University of Stuttgart, Germany [29] Shuanghe Yu, Xinghuo Yu and Mehmet Önder Efe (2003), Modeling-Error Based Adaptive Fuzzy Sliding Mode Control for Trajectory-Tracking of Nonlinear Systems, The 29th Annual Conference of the IEEE, vol.3, pages 3001-3006 [30] YING-SHING SHIAO, “Design and Implementation of a Controller for a Magnetic Levitation System” Proc Natl Sci Counc ROC(D) Vol 11, No 2, 2001 pp 88-94 [31] Jinkun Liu (2013), Radial Basis Function (RBF) Noron Network Control for Mechanical Systems, Tsinghua University Press [32] Robin DE KEYSER (2014), Fractional order control of unstable processes: the magnetic levitation study case, Ghent University EeSA Department of Electrical energy, Systems & Automation HVTH: Lương Hoài Thương Trang 76 Luâ ̣n Văn Tha ̣c Sĩ GVHD: PGS.TS Nguyễn Chí Ngôn PHỤ LỤC CÁC HÀM VÀ CHƢƠNG TRÌNH PL.1 hàm tối ƣu MATLAB có sử dụng mô Hàm fminbnd: Chức năng: Tìm cực tiểu hàm phi tuyến biến số khoảng cho trước x, Giả sử x giới hạn khoảng (x x, x2) Hàm fminbnd trả giá trị x giá trị cực tiểu hàm mô tả thẻ hàm (fun) Cú pháp:  x = fminbnd(fun,x1,x2) (Trả giá trị cực tiểu cục x hàm fun.)  x = fminbnd(fun,x1,x2,options) (Tìm giá trị cực tiểu hàm fun với tham số cho “options”)  [x,fval,exitflag] = fminbnd( ) (Trả giá trị hàm mục tiêu fun tính nghiệm x) Các tuỳ chọn “options” là: - Display: “off”: hiển thị ngõ “iter”: hiển thị ngõ chu kỳ “final”: thị ngõ cuối “notify” (mặc định): hiển thị ngõ hàm không hội tụ - MaxIter: số lớn chu kỳ lặp Hàm fminunc Chức năng: HVTH: Lương Hoài Thương Trang 77 Luâ ̣n Văn Tha ̣c Sĩ GVHD: PGS.TS Nguyễn Chí Ngôn Tìm cực tiểu hàm phi tuyến nhiều biến ràng buộc, từ giá trị khởi đầu cho trước Cú pháp:  x = fminnunc (fun, x0) Bắt đầu từ x0 tìm cực tiểu cục hàm fun  x = fminnunc (fun, x0, options) Tìm giá trị cực tiểu hàm fun với tham số cho “options”  [x, fval, exitflag] = fminunc( ) Trả giá trị fval hàm mục tiêu fun tính nghiệm x Hàm fminsearch Chức năng: Tìm giá trị nhỏ hàm phi tuyến nhiều biến ràng buộc Cú pháp:  x = fminsearch (fun, x0) Bắt đầu từ x0 tìm cực tiểu cục hàm fun  x = fminsearch (fun, x0, options) Tìm giá trị cực tiểu hàm fun với tham số cho “options”  [x, fval, exitflag] = fminsearch( ) Trả giá trị fval hàm mục tiêu fun tính nghiệm x Hàm fmincon Chức năng: Tìm cực tiểu hàm phi tuyến nhiều biến có ràng buộc, từ giá trị khởi đầu cho trước Cú pháp:  x = fmincon (fun, x0, A, b) HVTH: Lương Hoài Thương Trang 78 Luâ ̣n Văn Tha ̣c Sĩ GVHD: PGS.TS Nguyễn Chí Ngôn Bắt đầu từ x0 tìm cực tiểu cục hàm fun với ràng buộc bất đẳng thức A*x[...]... Ngôn DANH MỤC CÁC HÌNH VẼ - ĐỒ THỊ HÌNH TRANG Hình 1.1: Sơ đồ khối hệ điều khiển dự báo mô hình 2 Hình 2.1: Sơ đồ khối bộ điều khiển dự báo mô hình 5 Hình 2.2: Chiến lược dự báo các tín hiệu và - ra 6 Hình 2.3: Quỹ đạo tham chiếu 9 Hình 2.4: Cấu trúc một nơron sinh học 20 Hình 2.5: Cấu tạo mạng nơron nhân tạo 21 Hình 2.6.a: Hàm nấc 22 Hình 2.6.b: Hàm dấu 22 Hình 2.6.c: Hàm tuyến tính 22 Hình 2.6.d: Hàm... rộng dựa trên hệ điều khiển dự báo mô hình tuyến tính [28] Bộ điều khiển dự báo dùng một mô hình để đoán trước đáp ứng tương lai của đối tượng điều khiển tại những thời điểm khác nhau trong phạm vi dự báo nhất định Dựa vào đáp ứng dự báo này, một thuật toán tối ưu hóa được sử dụng để tính toán chuỗi tín hiệu điều khiển tương lai trong phạm vi điều khiển sao cho sai lệch giữa đáp ứng dự báo bởi mô hình. .. tự do 39 Hình 3.5: Quỹ đạo tham chiếu 40 Hình 3.6: Sơ đồ khối hệ NMPC dùng mạng nơron - RBF 45 Hình 4.1: Mô hình hệ nâng vật trong từ trường 46 Hình 4.2: Mô hình đối tượng hệ nâng vật trong từ trường 48 Hình 4.3: Sơ đồ mô phỏng hệ nâng vật trong từ trường 49 Hình 4.4: Sơ đồ tổng quát điều khiển hệ nâng vật trong từ trường 50 Hình 4.5: Sơ đồ mô phỏng hệ điều khiển dự báo mô hình phi tuyến 51 Hình 4.6:... GVHD: PGS.TS Nguyễn Chí Ngôn Hình 2.15: Dự báo ngõ ra y(k+2) 31 Hình 2.16: Dự báo ngõ ra y(k+3) 31 Hình 2.17: Dự báo ngõ ra y(k+4) 32 Hình 2.18: Dự báo ngõ ra y(k+5) 32 Hình 2.19: Dự báo ngõ ra y(k+6) 32 Hình 3.1: Sơ đồ khối tổng quát hệ điều khiển dự báo mô hình 33 Hình 3.2: Ngõ ra được lấy mẫu ứng với đáp ứng xung 34 Hình 3.3: Ngõ ra được lấy mẫu ứng với đáp ứng bước 36 Hình 3.4: Biểu diễn của đáp... phương pháp điều khiển dự báo mô hình tuyến tính mở rộng từ mô hình tuyến tính cơ bản kết hợp với mô hình phi tuyến cụ thể để thực hiện vấn đề phi tuyến Ngoài ra, với những quá trình phi tuyến phức tạp hơn thì có thể áp dụng các phương pháp khác nhau như: mô hình Wiener, mạng nơron nhân tạo, mô hình Volterra, Hammerstein, mô hình mờ, hay nơron - mờ, 2.3.2 Các kỹ thuật điều khiển dự báo mô hình phi tuyến... số dự báo giữa tín hiệu ngõ ra đo được ym(k) và ngõ ra dự báo yˆ (k ) - thường được dùng để cập nhật cho việc dự báo kế tiếp Hình 2.2: Chiến lược dự báo các tín hiệu vào- ra 2.1 Điều khiển dự báo mô hình tuyến tính Ngày nay, phần lớn các phần mềm sử dụng MPC trên thị trường đều là những mô hình tuyến tính mặc dù hầu hết các quá trình là phi tuyến [23] Có nhiều lý do khiến bộ điều khiển dự báo mô hình. .. MPC là một bộ điều khiển tối ưu với những thông số ràng buộc, trong khi những ràng buộc này thường bị bỏ qua trong hầu hết các bộ điều khiển khác Hình 1.1 mô tả hoạt động điều khiển của hệ thống sử dụng bộ điều khiển dự báo mô hình [28] HVTH: Lương Hoài Thương Trang 1 Luâ ̣n Văn Tha ̣c Sĩ GVHD: PGS.TS Nguyễn Chí Ngôn Hình 1.1: Sơ đồ khối hệ điều khiển dự báo mô hình Điều khiển dự báo cho hệ phi tuyến... (MAC), điều khiển chức năng dự báo (PFC), điều khiển tự thích nghi dự báo mở rộng (EPSAC), điều khiển thích nghi phạm vi mở rộng (EHAC) và điều khiển dự báo tổng quát (GPC) 2.2.1 Điều khiển ma trận động học Điều khiển ma trận động học (Dynamic Matrix Control - DMC) dùng đáp ứng bước để mô hình hoá quá trình, với N mẫu đầu tiên Giả sử nhiễu là giống nhau ở thời điểm t tức thì trong phạm vi dự báo bằng... đưa ra là: Điều khiển dự báo mô hình dùng mạng nơron RBF Vấn đề quan trọng mà đề tài cần phải giải quyết là xây dựng dự báo mô hình huấn luyện online mà không cần quan tâm đến cấu trúc cũng như các tham số của đối tượng 1.2 Mục đích của đề tài Với nội dung của đề tài như trên, thì mục đích của đề tài đặt ra bao gồm: Nghiên cứu cơ sở lý thuyết về điều khiển dự báo mô hình Áp dụng mạng nơron hàm cơ... là điều khiển dự báo trong phạm vi có ràng buộc (CRHPC) [18], tương tự trong điều khiển dự báo tổng quát (GPC) để đảm bảo giữ hệ thống ổn định HVTH: Lương Hoài Thương Trang 10 Luâ ̣n Văn Tha ̣c Sĩ GVHD: PGS.TS Nguyễn Chí Ngôn 2.2 Một vài thuật toán điều khiển dự báo mô hình Một số phương pháp điều khiển sau đây thường được sử dụng như: điều khiển ma trận động học (DMC), điều khiển thuật toán mô hình

Ngày đăng: 20/08/2016, 23:49

Từ khóa liên quan

Mục lục

  • 1.pdf

    • Page 1

    • 2 1.pdf

    • 2 2.pdf

    • 3.pdf

    • 4 BIA SAU A4.pdf

      • Page 1

Tài liệu cùng người dùng

  • Đang cập nhật ...

Tài liệu liên quan