Thông tin tài liệu
- 1 -
MỞ ĐẦU
Những kỹ thuật điều khiển truyền thống như điều khiển Tích phân tỉ lệ(PI)
hay điều khiển Vi tích phân tỉ lệ(PID) được ứng dụng thành công trong điều
khiển những quá trình tuyến tính. Gần đây, điều khiển tiên đoán mô hình
(MPC) cũng thực hiện thành công trong điều khiển những hệ thống tuyến tính.
Tuy nhiên, khoảng 90% những quá trình sinh học và hoá học là phi tuyến cao
và hầu hết chúng là những hệ MIMO.Khi hệ thống là phi tuyến và/hoặc MIMO,
những kỹ thuật truyền thống trên thường mắc phải sai sót khi điều khiển những
hệ thống như thế. Ngày nay, những hệ thống được dùng trong công nghiệp đòi
hỏi độ tự quản cao và những kỹ thuật trên không có khả năng để đạt được điều
này.
Cần phải đạt được những đòi hỏi điều khiển tăng nhanh trong những hệ
thống điều khiển động phức tạp dưới những thay đổi quan trọng đã làm cho
việc dùng những kỹ thuật thông minh như mạng nơron, lôgic mờ và thuật giải
di truyền trong những hệ thống điều khiển trở nên hấp dẫn. Những lý do chính
đằng sau điều này là khả năng của chúng có thể “học” để xấp xỉ hàm và phân
loại mẫu và tiềm năng của chúng trong thực thi phần cứng song song đồ sộ,
phương pháp điều khiển thông minh phỏng theo quá trình xử lý thông tin không
rõ ràng và ra quyết định điều khiển của con người cũng như bắt chước quá trình
tiến hoá sinh học để tạo ra giải pháp tối ưu. Nói cách khác, chúng có khả năng
thực thi (cả phần mềm và phần cứng) nhiều chức năng cần thiết để điều khiển
hệ thống với độ tự quản cao.
Sơ đồ hệ thống điều khiển được mô tả như sau:
Hình i. Sơ đồ điều khiển đối tượng phi tuyến
Như vậy, ở đây có hai bộ điều khiển:
- 2 -
• Điều khiển Feedforward : là bộ điều khiển neuro-mờ cung cấp những tín
hiệu điều khiển chính để lái đối tượng phi tuyến theo đúng quỹ đạo setpoint.
Bộ điều khiển này là bộ điều khiển mờ ứng dụng khả năng học của mạng
nơron để tinh chỉnh những thông số của nó.
• Điều khiển Feedback: bù tín hiệu, nó cung cấp những tín hiệu điều khiển
hiệu chỉnh cần thiết để điều chỉnh và loại nhiễu trong những lân cận nhỏ
xung quanh quỹ đạo điều khiển. Bộ điều khiển này cũng là bộ điều khiển mờ
nhưng ứng dụng thuật giải di truyền để tinh chỉnh thông số của nó.
Kết quả mô phỏng cho thấy sơ đồ điều khiển trên đã lái đối tượng phi tuyến đi
xuyên suốt khoảng công tác của nó với độ chính xác cao.
Phần sau đây sẽ đề cập đến đối tượng phi tuyến và những kỹ thuật điều khiển
được thiết lập trong luận văn.
Trong bối cảnh hiện thời, việc sản xuất năng lượng đối mặt với rất nhiều vấn
đề khó khăn. Trong số đó, điều quan trọng nhất là: tuổi thọ của thiết bị chính tại
những tổ hợp năng lượng, đầu tư tài chính không chắc chắn cho những tổ hợp
mới, việc cạnh tranh giữa những nhà sản xuất năng lượng độc lập để thoả mãn
đòi hỏi năng lượng của người dùng và những áp lực để đạt được những yêu cầu
quản lý nghiêm ngặt để sử dụng tối đa nguồn tài nguyên thiên nhiên và tối thiểu
ảnh hưởng đến môi trường.
Việc vận hành của tổ hợp năng lượng nhiên liệu than (NLNLT), loại tổ hợp
được dùng rộng rãi nhất cho việc sản xuất năng lượng, đã bị tác động mạnh.
Đầu tiên, một NLNLT phải hổ trợ mục tiêu chính của hệ thống năng lượng là
đáp ứng yêu cầu tải cho năng lượng điện ở mọi thời điểm, ở điện áp không đổi
và tần số không đổi. Sau đó là việc cạnh tranh giữa tính thiết thực và yêu cầu thị
trường khác đã tăng cường việc dùng NLNLT [Armor 1985]. Cuối cùng, những
yêu cầu nghiêm ngặt trong việc bảo trì và kéo dài tuổi thọ của thiết bị chính và
những luật giảm ảnh hưởng đến môi trường cần phải được tuân thủ. Trong đó:
• Những yêu cầu vận hành chu kỳ của NLNLT trong khoảng tải rộng mặc
dù chúng được thiết kế cho vận hành ở tải không đổi. Những yêu cầu
biến đổi tải có thể đến từ những chiến lược kinh tế được tính toán tại
những trung tâm năng lượng hay từ những dao động tải hệ thống. Vận
hành theo tải tin cậy và hiệu quả sẽ đảm bảo việc thoả mãn hàng ngày,
hàng tuần và theo mùa của yêu cầu năng lượng điện và những thay đổi tải
ngẫu nhiên không đoán trước cho đến những giới hạn vật lý của tổ hợp.
• Việc kéo dài tuổi thọ thiết bị là quan trọng vì nó tối đa việc dùng tài sản,
giới hạn thời gian chết và tối thiểu những chi phí vận hành và bảo trì.
Nguyên nhân chính của vòng đời ngắn của bất kỳ hệ thống nào là vận
hành ứng suất cao. Trong NLNLT, những ứng suất nhiệt phụ thuộc vào
những dao động áp suất và nhiệt độ hơi là đặc biệt quan trọng. Hầu hết
ứng suất nghiêm trọng xảy ra trong suốt quá trình khởi động và những
biến đổi tải lớn đột ngột.
- 3 -
• Một NLNLT có hiệu suất trong khoảng 30 đến 35%, nghĩa là tốc độ nhiệt
trong khoảng 11400-9800 Btu/KWh. Tốc độ nhiệt chịu ảnh hưởng bởi
nhiều hệ số, chẳng hạn những điều kiện hơi, áp suất bộ ngưng tụ, nhiệt độ
nước làm mát, nhiệt độ môi trường, khí áp,…Tốc độ nhiệt tăng khi làm
việc tại những tải khác với tải cơ sở. Việc tiêu tốn nhiên liệu và giá cả
làm cho việc cải tiến tốc độ nhiệt như là một tiêu chuẩn về mặc kinh tế.
• Việc trộn không hoàn hảo giữa không khí và nhiên liệu sẽ làm vượt quá
lượng không khí để tránh việc nhiên liệu không được đốt hết, mà sẽ dẫn
đến việc tạo khói đen và khí CO độc cũng như những lượng nhiên liệu dư
khá nguy hiểm. Bên cạnh đó lượng không khí dư sẽ dễ hình thành những
chất không mong muốn khác như sunfua dioxit, nitrogen oxit và làm
giãm hiệu suất boiler do nhiệt bị tiêu phí trong khí nhiên liệu.
Tấ cả những yêu cầu được đề cập ở trên đã dẫn đến việc phát triển những
phương pháp điều khiển linh hoạt và toàn diện hơn. Chúng cũng cung cấp
những chức năng cần thiết cho việc vận hành theo tải diện rộng chất lượng cao
và đồng thời cũng thoả mãn những ràng buộc trong việc bảo quản và kéo dài
tuổi thọ của thiết bị chính, giải phóng chất ô nhiễm và tiêu tốn nhiên liệu dưới
những thay đổi vật lý và những điều kiện kinh tế. Do đó, ngay cả khi theo tải
cũng cần xem xét việc ổn định tần số và điện áp, những hệ thống điều khiển
hiệu quả hơn cũng cần được thiết kế để thoả mãn tối ưu những mục tiêu vận
hành, những xung đột tổng quát để mà NLNLT có thể vận hành thành công
dưới bất kỳ tình huống hoạt động nào.
Bên cạnh đó, dưới những đòi hỏi của thị trường hiện thời, một phương pháp
toàn bộ cho vận hành và điều khiển những tổ hợp năng lượng là rất quan trọng
cho sự tồn tại của bất kỳ hệ thống điện nào. Khi được ứng dụng hoàn hảo,
những hệ thống điều khiển và những thiết bị có thể tăng cường hiệu suất vận
hành máy, tính ổn định và tin cậy cũng như sự sẵn sàng, vì thế làm giảm việc
tiêu tốn nhiên liệu, chi phí vận hành và bảo trì mà hầu như rất tốn kém trong
một tổ hợp năng lượng. Vì vậy, thật cần thiết để phát triển những hệ thống tự
động hiệu quả và liên quan mật thiết đến toàn bộ chiến lược và hệ thống điều
khiển của tổ hợp để giữ chúng vận hành hiệu quả và có lợi.
Cũng cần lưu ý rằng việc sử dụng rất nhiều hệ thống điều khiển và thiết bị
dựa trên máy tính với những dụng cụ kỹ thuật số xử lý thông tin mạnh mẽ và tin
cậy hơn cho phép những nhà thiết kế tập trung nhiều hơn trên việc thực thi
những ứng dụng phần mềm đáp ứng những thử thách được đề cập ở phần trên.
Vì tính linh hoạt của phần mềm, và những chi phí cho việc phát triển và bảo trì
có thể dễ dàng cài đặt vào những phần cứng mà nó chạy trong đó, những nổ lực
lớn trong việc thiết kế và phát triển những hệ thống phần mềm toàn diện và
tổng quát để dễ dàng kết hợp những ứng dụng vận hành tiện lợi( ví dụ, bảo vệ,
điều khiển và tự động hoá) để tăng cường hiệu suất của những tổ hợp năng
lượng [Garduno and Sanchez 1995, Garcia and Garduno 1998].
- 4 -
Trong luận văn này tác giả sẽ thiết kế một hệ thống điều khiển toàn bộ. Hệ
thống này sẽ kết hợp giữa các lĩnh vực kỹ thuật điều khiển, kỹ thuật phần mềm
và kỹ thuật quá trình. Trong đó kỹ thuật phần mềm được xem là rất quan trọng
để thiết kế hệ thống điều khiển cho NLNLT.
- 5 -
CHƯƠNG I.
TỔNG QUAN
1.1 Giới thiệu về mạng nơron và logic mờ
Vào cuối thập kỷ 80 công ty Addison Wesley Publishing Company đã gây
xôn xao dư luận khi tung ra thị trường Neural Network (Mạng trí tuệ thần kinh)
được ví như là một kỹ xảo kỹ thuật gia công các thông tin mới, nhanh và chính
xác. Chúng là các máy tính bắt chước cách sống giống hệ thống thần kinh, các
máy tính này làm việc khá khác biệt so với các máy tính thông thường. Nơron
Network xử lý nhiều dữ liệu song song tại cùng một thời điểm, không phải là
xử lý từng dữ liệu một. Chúng xử lý rất nhiều dữ liệu đầu vào cùng một lúc,
củng cố tăng cường một vài cái này, thu nhỏ giảm bớt những cái khác. Đa số
chúng đều phải làm theo một khuôn mẫu cho trước. Chúng tìm kiếm mẫu trong
hàng loạt các thí dụ, nhận dạng mẫu, tìm kiếm các mẫu đầy đủ từ nguồn dữ liệu
trong hệ thống, hoặc xây dựng lại mẫu đúng từ cái bị bóp méo. Rất nhiều các ví
dụ phải làm với sự am hiểu sáng sưốt và các dữ liệu khách quan như thị giác,
thính giác và các tín hiệu khác. Nhìn chung, các ví dụ chứng tỏ cách chạy này
có nhiều đặc tính của con người hơn là các máy tính được lập trình sẵn.
Ngày nay, trí tuệ nhân tạo đang phát triển mạnh mẽ nhằm tạo ra cơ sở xây
dựng các hệ chuyên gia, hệ trợ giúp quyết định. Trí tuệ nhân tạo được xây dựng
trên cơ sở mạng nơron nhân tạo và ứng dụng trong thiết kế hệ thống điều khiển
thông minh mà trong đó bộ điều khiển có khả năng tư duy như bộ não của con
người đang là xu hướng mới trong điều khiển tự động. Mạng nơron là sự tái tạo
bằng kỹ thuật những chức năng của hệ thần kinh con người với vô số các nơron
được liên kết truyền thông với nhau trong mạng.
Điều khiển mờ là một phương pháp điều khiển thông minh phỏng theo quá
trình xử lý thông tin không rõ ràng và ra quyết định điều khiển của con người.
Phương pháp này rất thích hợp để điều khiển các đối tượng phức tạp, không xác
định được mô hình toán và các đối tượng phi tuyến. Tuy nhiên, bộ điều khiển
mờ thường được thiết kế bởi quan điểm, cách nhìn riêng của người thiết kế.
Người thiết kế biến sự hiểu biết, kinh nghiệm của mình về quá trình cần điều
khiển thành các biến ngôn ngữ và các qui tắc mờ mô tả mối quan hệ giữa
chúng. Do đó công việc thiết kế thường mang nặng tính “thử sai”, khi gặp các
đối tượng phức tạp người thiết kế sẽ mất rất nhiều thời gian mà kết quả có được
có thể sẽ không tối ưu. Vấn đề tự chỉnh bộ điều khiển mờ là một trong những
vấn đề đã được quan tâm nghiên cứu rất nhiều từ khi điều khiển mờ khẳng định
được là một phương pháp hiệu quả để điều khiển các đối tượng phức tạp.
- 6 -
Do đó để giảm đi việc tính toán thủ công và rút ngắn thời gian thiết kế,người
ta kết hợp logic mờ và mạng nơron tạo ra khả năng tự chỉnh cho các tập mờ. Và
hệ thống này được gọi là hệ neuro-mờ.
Hầu hết những quá trình công nghiệp là phi tuyến và biến đổi theo thời gian.
Nhận dạng hệ thống phi tuyến đang trở thành một công cụ quan trọng mà có thể
được dùng để cải tiến quá trình điều khiển và đạt được độ bền vững cao. Có
nhiều kỹ thuật nhận dạng phi tuyến khác nhau,trong đó có nhận dạng bằng
mạng nơron ,nhận dạng bằng mô hình mờ và những phương pháp dựa trên mô
hình neuro-mờ đang dần được thiết lập không những trong giáo trình mà cả
trong những ứng dụng công nghiệp. Mô hình neuro-mờ được xem như là một
kỹ thuật hộp xám nằm giữa mạng nơron và mô hình mờ định tính. Những công
cụ để xây dựng những mô hình neuro-mờ dựa trên sự kết hợp những thuật toán
từ lĩnh vực mạng nơron,xác nhận đặc tính và phân tích hồi quy. Phương pháp
neuro-mờ cho nhận dạng hệ thống phi tuyến có ưu điểm là cân bằng giữa sự
chính xác của mạng nơron và tính diễn giải được.
1.2.Tình hình nghiên cứu mạng nơron và logic mờ trên toàn cầu:
Nghiên cứu về mạng Nơron đã được quan tâm từ những năm 40 của thế kỷ
20. Khoảng những năm 90 Nơron được đặc biệt chú ý bởi khả năng ứng dụng
rộng lớn của nó.
Chương trình nghiên cứu về Nơron tập chung nghiên cứu ở Mỹ (50 tổ chức
trong các viện nghiên cứu và trường đại học,riêng California đã có 15 tổ chức
nghiên cứu). Ở Anh có 20 tổ chức,Đức (7),Nhật (7), Pháp (6), Thụy sỹ(4),Thụy
điển (4),Hà lan (4),Australia (3), Ytalia (3),Canađa (3), Nga(1),Czech
(1),Balan(1),Hungary(1), Hàn quốc (1),Singapor (1),Hong kong (1)v.v…Ơ Mỹ,
tại bang California,Trường Đại học California San diego có Chương trình tính
toán và Hệ thống Nơron của Caltech, Viện tính toán Nơron, Nhóm nghiên cứu
khoa học Máy tính Nhận thức,Trung tâm nghiên cứu Ngôn ngữ,Phòng thí
nghiệm Kỹ thuật Nơron,Trung tâm Sloan Sinh học Nơron Lý thuyết. Đại học
California Santa Cruz có Nhóm Máy Dạy học, Nhóm Sinh học tính toán. Đại
học Nam California có Phòng thí nghiệm Tính toán Nơron. Đại học Stanford có
nhóm Lập trình Gen. Ở Carlsbad có Động lực học Nơron ứng dụng. Ở Moffett
Field có Nhóm Kỹ thuật Nơron NASA.
Bang Massachusetts, có Trung tâm Dạy học Tính toán và Sinh học tại Viện
Công nghệ Massachusetts -MIT,Nhóm tính toán ở khoa Não và khoa học Nhận
thức thuộc MIT,NeuoDyne Ins, Cambridge.
Bang Washington có Phòng Thí nghiệm ứng dụng,Trí tuệ Tính toán thuộc
Đại học Washington,Nhóm Nghiên cứu Nơron tại Phòng thí nghiệm Xử lý
Thông tin. Nhóm nghiên cứu Nơron thuộc Phòng thí nghiệm Pacific Northwest
tại Washington.
- 7 -
Bang Texas có Phòng thí nghiệm Kỹ thuật Nơron R&D thuộc Đại học Texas ở
Austin.Phòng thí nghiệm Tính toán Ứng dụng tại đại học Kỹ thuật Texas.
Bang Pensylvania có Trung tâm Cơ sở Nơron của Nhận thức tại Carnegie
Melon.
Bang Ohio có Phòng Thí nghiệm Hệ thống Nơron Nhân tạo thuộc Đại học
Cincinnati.
Bang New Mexico có Nhóm Tính toán Thích nghi thuộc Đại học New
Mexico. Nhóm Tính toán Thích nghi Phi tuyến thuộc Phòng thí nghiệm Quốc
gia Los Alamos.
Bang New Jersey có Nhóm Nghiên cứu Nơron Nhân tạo ở Viện nghiên cứu
NEC,Princeton. Nhóm Nhận thức,Trí tuệ và Tính toán dựa trên DNA,ở Viện
nghiên cứu NEC,Princeton v.v…
Anh: có Trung tâm Mạng Nơron tại trường Hoàng gia London. Trung tâm
Hệ thống Nơron tại Đại học Edinburgh. Nhóm Nghe,Nhìn và Robot Đại học
Cambridge. Nhóm Nghe,Nhìn và Hệ thống Thông minh Đại học
Southhampton.Nhóm Nghiên cứu Trí tuệ Nhân tạo thuộc Đại học Nottingham.
Nhóm nghiên cứu Hệ thống Thông minh, khoa Khoa Học Máy tính thuộc Đại
học London v.v…
Nhật: có Phòng Thí nghiệm Robot và Cơ -Điện tử thuộc Đại học Nagoya.
Phòng thí nghiệm Okabe và Hirose thuộc Đại học Tokyo. Phòng thí nghiệm
Sinh-Điện tử thuộc Đại học Nagoya.Phòng thí nghiệm Nghiên cứu Xử lý Thông
tin Người ở Kyoto v.v…
Đức: có Viện Tin học Nơron ở Đại học Ruhr,Bochum. Nhóm nghiên cứu Mờ
và Tính toán Mềm tại Đại học Braunschweig. Nhóm Nhiên cứu Mờ và Nơron
tại Đại học Công nghệ Damstardt. Nhóm Nhìn- Máy tính và Nhận dạng thuộc
Đại học Bon. Trung tâm nghiên cứu Trí tuệ Nhân tạo Đức DFKI thuộc
Kaiserlautern. Nhóm Nghiên cứu Nơron của GMD FIRST tại Berlin.Viện
Logic, Tổ hợp và Hệ thống Suy diễn tại Đại học Karlsruhe.
Pháp: có Nhóm nghiên cứu Tin-Sinh học Trường Cao cấp,Pari. Nhóm tính
toán Nơron thuộc Phòng Tin học Pari Nord. Nhóm nghiên cứu Nơron ở
LEIBNIZ, Grenoble. Nhóm nghiên cứu Laplace,Mô hình gần đúng trong Robot
và Trí tuệ Nhân tạo ở LEIBNIZ, Grenoble.
Hungary: có Nhóm Xử lý thông tin Nơron thuộc Đại học Eotvos Lorand,
Budapest.
1.3.Một số công trình nghiên cứu mạng Nơron đã công bố ở nước ngoài:
Đa số các nhà nghiên cứu các Hệ thống Thông minh chấp nhận rằng : Trí tuệ
Tính toán (Computational Intelligence) do Hội đồng Mạng Nơron Thế giới đưa
ra vào năm 1991 và Tính toán mềm (Soft computing) do Lofti A Zadeh, giáo
sư đại học California Berkeley đua ra năm 1990 là đồng nghĩa và được sử dụng
thay thế lẫn nhau. Trí tuệ Tính toán được chấp nhận là một thuật ngữ để biểu
- 8 -
diễn các kỹ thuật cho việc ra quyết định dựa trên việc xử lý thông tin không
chắc chắn. Về cơ bản, Trí tuệ Tính toán bao gồm Logic Mờ, Mạng Nơron ,
Thuật giải Di truyền, Lập luận Xác xuất,các Phương pháp Học, Lý thuyết Hỗn
độn, các Hệ chuyên gia. Một điều quan trọng cần nhấn mạnh là Trí tuệ Nhân
tạo không chỉ là một tập hợp các phương pháp luận cho lập luận dựa trên thông
tin không chắc chắn mà là sự liên kết các phương pháp trong đó mỗi phương
pháp đều có lợi thế riêng để tiến tới đạt mục tiêu chung. Bởi vậy, các thành
phần của Trí tuệ Tính toán phải được xem như các phần bổ xung cho nhau chứ
không phải tương đương. Tất cả các kỹ thuật đó nhằm mục đích đưa ra một
dạng “ Máy Thông minh “nào đó mà nó có thể bắt chước sự sưy nghĩ của con
người trong việc ra quyết định. Động cơ chủ yếu cho việc sử dụng Trí tuệ Tính
toán là khai thác khả năng xử lý thông tin không chính xác, không chắc chắn,
chỉ đúng một phần và kết quả đạt được là tính dễ áp dụng,sự năng động và các
giải pháp chi phí thấp cho các vấn đề phức tạp. Đây cũng là mục tiêu do giáo sư
Lofti A Zadeh , Đại học California Berkeley (người sáng tạo Lý thuyết Tập Mờ
1965) đưa ra vào đầu những năm 1990 đối với sự phát triển của các Hệ Thông
minh.
Hai dạng của Mạng Nơron thường được sử dụng trong Kỹ thuật Robot là
Mạng Hopfield và Mạng Perceptron nhiều lớp do Hopfied đa ra 1982, Kohonen
1984, Rumelhart 1986. Những mạng khác bao gồm Mạng Cạnh tranh & Hợp
tác do Amari &Arbib nghiên cứu năm 1977 và Mạng Thưởng phạt do
A.G.Barto&C.W.Anderson 1983.
Hệ thống Robot bao gồm 3 hệ thống phụ là : Hệ thống truyền động, Hệ thống
Nhận dạng và Hệ thống Điều khiển. Những vấn đề chính của Điều khiển Robot
bao gồm Động học, Động lực học, Lập kế hoạch đường đi (Thiết lập quĩ đạo ),
Điều khiển, Cảm biến, Lập trình và Trí tuệ (Thông minh).
Mạng Nơron có thể giảm tổ hợp tính toán và giải những bài toán robot được
đưa ra “yếu”. Lời giải giải tích của động học ngược làm chính xác kết quả số,
trong khi lời giải Mạng Nơron nói chung không làm chính xác.Công việc phát
triển Động học ngược Nơron được T.Iberall phát triển năm 1987, A.Guez
năm1988.
Trong Động lực học Robot Nơron , M.Kawato,Furukawa,Sưzuki phát triển
năm 1987. Y.Uno &M.Isobe 1988. S.G.Tzafestas1986,
M.Kawato,Y.Maeda,Y.Uno &Sưzuki 1990.
Mạng Nơron sử dụng nhằm thiết lập quĩ đạo được K.Tsưtsưmi 1988,
H.liu1988, R.Ecmiller 1987.
Bài toán lập quĩ đạo tránh vật cản sử dụng Mạng Hopfield được
H.matsưmoto& K.Tsưtsưmi phát triển.
Trường hợp Robot Di động, Thiết lập quĩ đạo với Mạng Nơron được nghiên
cứu bởi V.Seshadri1988.Ở đây Mạng Nơron cố gắng cực tiểu hoá độ dài đường
đi. Nick Vallidis đã nghiên cứu điều khiển Hexapod di động bằng mạng Nơron ,
- 9 -
2000. L.M.Reyneri, M.Chiaberge Khoa điện tử, Đại học Bách khoa Torino-
Italy nghiên cứu phần cứng-Mạng Mờ-Nơron điều khiển Hexapod Di động,
1993-2000.
Điều khiển Robot bằng Mạng Nơron được gọi là Điều khiển khớp bằng mô
hình tiểu não CMAC do Albus 1975 –1979. Giáo s F.L.Lewis,Viện nghiên cứu
Robot và Tự động hoá, Đại học Texas –Arlington USA đã ứng dụng CMAC để
điều khiển hệ động lực phi tuyến, 1997.
Nhận dạng hệ động lực phi tuyến sử dụng mạng Nơron được
S.J.Jagannathan, Liên hợp Phân tích Tự động hoá, USA nghiên cứu năm 1996.
Y.Pao&D.Sobasic 1987 thực hiện hệ thống điều khiển vị trí robot hai bậc tự do
sử dụng Mạng Nơron Perceptron.
A.Guez sử dụng mô hình thích nghi (MRAC). W.T. Miler sử dụng kỹ thuật
CMAC trong liên kết với phương pháp điều khiển mô men. R.Elsley thực hiện
điều khiển Jacobi ngược,sử dụng Mạng Perceptron nhiều lớp.
Mạng Nơron Được sử dụng trong cảm biến và điều khiển Robot nhiều lớp, liên
tục bởi R.Esley, &Y.Pati 1988.
Điều khiển thích nghi hệ động lực học phi tuyến sử dụng mạng Nơron được
giáo sư A.M.Annaswamy, Phòng thí nghiệm Điều khiển thích nghi - Khoa Chế
tạo Máy – Viện Công nghệ Massachusetts –MIT nghiên cứu, 1997.
Ứng dụng Mạng Nơron điều khiển ngược theo vết được giáo sư K. S.
Narendra, Trung tâm Khoa học Hệ thống, Đại học Yale,USA nghiên cứu, 1999.
Giáo sư Vukobratovic, Trung tâm Robot, Viện Mikhailo Pupin, Nam tư
(cũ ), phó chủ tịch Viện Hàn lâm Khoa học, đã nghiên cứu phân loại mô hình
động lực học môi trường trên cơ sở Nơron để điều khiển robot,1998.
Bộ điều khiển Mờ-Nơron để dẫn huớng Robot Di động và hộ tống đội robot
được giáo sư M.M.Trivedi Khoa Kỹ thuật Điện và Máy tính, Đại học California
San Diego,USA nghiên cứu,1998.
Giáo sư, Viện sĩ, Vámos Tibor, nguyên Viện trưởng Viện Tin học và Tự động
hoá- Hungary, - nguyên chủ tịch Hội Máy tính Neyman János (Von Neyman),
nguyên chủ tịch Hội Điều khiển Tự động Quốc tế IFAC đã nghiên cứu kỹ thuật
Nhận dạng –Trí tuệ Nhân tạo cho robot.
Giáo sư,Viện sĩ Hyungsưck Cho, Khoa Chế tạo máy,Viện Khoa học &Công
nghệ Cao cấp Hàn quốc- KAIST, Hãng Thép và Kim loại Pohang-POSCO,
Viện trưởng Viện Điều khiển,Tự động hoá và Kỹ thuật Hệ thống, đã nghiên cứu
điều khiển và cảm biến nano cho robot,2001.
Giáo sư T.Fukuda, Khoa Kỹ thuật Vi Hệ thống,Trung tâm Hợp tác Khoa học
&Công nghệ Cấp cao, Đại học Nagoya- Nhật bản, nguyên Chủ tịch Hội Robot
và Tự động hóa Quốc tế, Chủ tịch Hội đồng Công nghệ Nano Quốc tế, đã
nghiên cứu Mạng Mờ-Nơron -Thuật giải AND để điều khiển robot, 2000. Công
nghệ Nano đang mở ra những triển vọng to lớn. Việc chế tạo ra những robot
- 10 -
nhỏ cỡ Nano 10-9mm đòi hỏi những nghiên cứu mới về cơ sở lý thuyết cũng
như công nghệ. Giáo sư Toshio Fukuda, đặc biệt nhấn mạnh tầm quan trọng của
Robot Micro-Nano trong Kỹ thuật Robot và Tự động hoá tương lai.
Giáo sư,Viện sĩ G.M.Edelman,giải thưởng Nobel, Viện trưởng Viện Khoa học
Nơron - USA,Chủ tịch Hội nghiên cứu Khoa học Nơron Quốc tế, đã mô phỏng
Nơron hệ thống Nghe-Nhìn của loài chim để điều khiển robot,1999. Giáo sư đã
khẳng định, việc nghiên cứu này đặc biệt quan trọng dưới ánh sáng của lý
thuyết Não Hiện đại, nhấn mạnh tầm quan trọng của môi trường và thực nghiệm
Motor-Cảm biến Nơron. Sự hiểu biết những nguyên tắc cơ bản của não sẽ có
ảnh hưởng mạnh mẽ đến thiết kế Hệ thống Nhân tạo hoạt động trong thế giới
thực.Chúng ta tin tưởng rằng những nghiên cứu mô hình Nơron tổng hợp sẽ
tham gia một cách có ý nghĩa bởi sự thiết lập mối liên hệ trực tiếp giữa khoa
học Tự nhiên và Khoa học Kỹ thuật, đưa ra tư tưởng mới trong lĩnh vực Robot
và Trí tuệ Nhân tạo.
1.4.Một số công trình nghiên cứu mạng Nơron đã công bố ở trong nước:
Ở Việt nam bắt đầu nghiên cứu Nơron từ năm 1992 tại Viện Cơ học và Viện
Tin học trong khuôn khổ đề tài cấp Nhà nuớc KC-02 Điều khiển thời gian thực.
Hiện nay một số cơ sở đang nghiên cứu như Trung tâm Tự động hoá-Viện tin
học, Khoa Công nghệ Thông tin - ĐHBK.HN, Bộ môn Điều khiển Tự động
ĐHBK.HN, Học viện Bưu chính Viễn thông, Khoa Công nghệ Thông tin
ĐHBK.HCM,Đại học Giao thông Vận tải, Viện Vật lý, Viện toán học,
VietcomBank, Viện Năng lượng Nguyên tử, Học viện Kỹ thuật Quân sự, Đại
học Quốc gia - HCM. Công tác đào tạo được triển khai, đã có những luận án
Tiến sĩ (2), Thạc sĩ và buớc đầu được giảng dạy cho sinh viên. Tuy nhiên những
nghiên cứu thường rải rác,chưa tập trung thành những nhóm nghiên cứu mạnh
để có thể bước đầu đưa vào ứng dụng và có thể hợp tác với các tổ chức quốc tế.
1.5 Tổng quan về tình hình nghiên cứu tổ hợp năng lượng nhiên liệu than
Một NLNLT cung cấp năng lượng điện là kết quả của những quá trình
chuyển đổi năng lượng. Cụ thể, những chuyển đổi chính là sự đốt cháy nhiên
liệu đầu vào, tạo hơi, phát triển chuyển động quay, sản xuất năng lượng điện và
ngưng tụ hơi. Tất cả những chuyển đổi này tạo thành một chu trình nhiệt động
lực học lớn và phụ thuộc lẫn nhau cao độ.
Những chiến lược điều khiển hiện thời cho phép tạo ra năng lượng cần thiết
để thoả mãn yêu cầu tải trong khi duy trì sự cân bằng giữa những quá trình
chuyển đổi trong tổ hợp. Chủ yếu, chúng gắn kết ngõ ra năng lượng lưu lượng
hơi của boiler với năng lượng được yêu cầu bởi tuabin-máy phát để đạt được tải
điện ở mọi thời điểm. Sơ đồ điều khiển tổ hợp cấu thành lớp cao nhất của hệ
thống điều khiển và nó chịu trách nhiệm cho việc điều khiển boiler-tuabin-máy
[...]... trên bộ điều khiển PID mờ và bù tương tác Những bộ điều khiển PID mờ kết hợp những kỹ thuật điều khiển gain-scheduling và multimode dùng hệ thống suy luận mờ loại Sugeno - 21 - CHƯƠNG 2 MẠNG NƠRON, LÔGIC MỜ VÀ NHỮNG ỨNG DỤNG CỦA CHÚNG TRONG ĐIỀU KHIỂN QUÁ TRÌNH Chương này sẽ thể hiện những ứng dụng nổi bật của mạng nơron trong điều khiển quá trình Người ta nhận thấy rằng những phương pháp lai dùng mạng. .. đề Luận văn này sẽ trình bày ý tưởng cho việc phát triển những hệ thống điều khiển thông minh cho đối tượng phi tuyến mà cụ thể là tổ hợp năng lượng, nghĩa là phát triển những hệ thống quản lý năng lượng nhân tạo được thiết kế điều khiển thông minh bởi hệ thống máy tính giống như bộ não con người Những những yêu cầu chính cho hệ thống điều khiển là: • Thiết kế mở cung cấp những yêu cầu chức năng và. .. của quá trình • Những hệ thống điều khiển quá trình là những hệ thống xử lý thông tin Chúng nhận thông tin, xử lý nó, tương tác với nó và tạo thông tin như những tín hiệu • Tất cả những hệ thống điều khiển quá trình là những hệ thống tích hợp những bộ phận, trong đó mỗi bộ phận ảnh hưởng hiệu suất toàn bộ của hệ - 23 thống Vì thế, phương pháp tổng quát xem xét toàn bộ hệ thống và môi trường của nó như... Hầu hết hệ thống điều khiển quá trình là những hệ thống hồi tiếp trong đó thông tin được tạo bởi hệ thống được xử lý lần nữa để điều chỉnh đáp ứng của hệ thống • Cuối cùng, tính kinh tế luôn liên kết với những đối tượng hiệu suất của hệ thống điều khiển quá trình Những hệ thống điều khiển quá trình trong công nghiệp như quá trình vật lý, sinh học và hoá học được mô tả bởi những chuẩn hiệu suất và những... Một đặc tính chính của những mạng này là chúng có thể tạo những ánh xạ vào-ra mà có thể xấp xỉ bất kỳ hàm nào với độ chính xác mong muốn Mạng nơron được dùng trong những hệ thống điều khiển chủ yếu là nhận dạng và điều khiển hệ thống Trong nhận dạng hệ thống, để mô hình đáp ứng vào-ra của một hệ thống động, mạng được huấn luyện dùng dữ liệu vào-ra và trọng số mạng được điều - 25 chỉnh thường dùng thuật... ứng vào-ra của một thiết bị Trong những trường hợp phức tạp hơn, ngõ vào mô hình có thể chứa vài giá trị trễ của những ngõ vào thiết bị và mô hình mạng có thể là đệ quy • Nhận dạng hệ thống ngược: Trong trường hợp này,ngõ vào mạng là ngõ ra của thiết bị và ngõ ra của mạng là ngõ vào thiết bị Khi thu được mạng nơron ngược của thiết bị,nó được cung cấp ngõ ra thiết bị mong muốn và ngõ ra của nó là ngõ vào... điều khiển hồi tiếp SISO tuyến tính với cả hai điều khiển truyền thẳng tham chiếu và nhiễu, cho trường hợp nhiều biến phi tuyến để đạt được vận hành diện rộng Bộ xử lý điều khiển truyền thẳng được thực thi dùng những hệ thống suy luận mờ MISO, được thiết kế từ dữ liệu vào ra xác lập, dùng kỹ thuật học mạng nơron Đường điều khiển hồi tiếp được thực thi như một sơ đồ điều khiển nhiều vòng phân tán dựa trên. .. liên kết tính hệ thống với sự phức tạp của quá trình và những yêu cầu vận hành của nó Trong luận văn này sẽ thiết lập một sơ đồ điều khiển tổng quát gọi là hệ thống điều khiển phù hợp thông minh ứng dụng những kỹ thuật thông minh nhân tạo là mạng nơron, logíc mờ và thuật giải di truyền để đưa đối tượng được điều khiển vào đúng quỹ đạo của nó với những yêu cầu vận hành khác nhau Để làm được điều này, hệ. .. cho điều khiển những hệ thống phi tuyến và/ hoặc MIMO mà không thể điều khiển thành công bằng những kỹ thuật truyền thống 2.1.Giới thiệu Những kỹ thuật điều khiển truyền thống như điều khiển Tích phân tỉ lệ(PI) hay điều khiển Vi tích phân tỉ lệ(PID) được ứng dụng thành công trong điều khiển những quá trình tuyến tính Gần đây, Điều khiển tiên đoán mô hình (MPC) cũng thực hiện thành công trong điều khiển. .. hành kém Điều này có thể là kết quả của việc không điều khiển được của quá trình và vì những điều kiện không kinh tế Vì thế ,điều khiển hệ thống để thoả mãn hiệu suất vận hành, vật lý và kinh tế là rất quan trọng trong thiết kế và vận hành một hệ thống quá trình cũng như khái niệm trạng thái cân bằng và tốc độ của quá trình Điều khiển quá trình là sự điều chỉnh các quá trình sinh học, vật lý và hoá học . tán
dựa trên bộ điều khiển PID mờ và bù tương tác. Những bộ điều khiển PID mờ
kết hợp những kỹ thuật điều khiển gain-scheduling và multimode dùng hệ thống. Trong luận văn này tác giả sẽ thiết kế một hệ thống điều khiển toàn bộ. Hệ
thống này sẽ kết hợp giữa các lĩnh vực kỹ thuật điều khiển, kỹ thuật phần mềm
và
Ngày đăng: 05/03/2014, 19:20
Xem thêm: Luận văn Thạc sỹ: Thiết kế hệ thống điều khiển đồng bộ dựa trên điều khiển mờ Fuzzy và mạng Neuron pptx, Luận văn Thạc sỹ: Thiết kế hệ thống điều khiển đồng bộ dựa trên điều khiển mờ Fuzzy và mạng Neuron pptx, Hình 3.10 Các thành phần của thuật giải di truyền