Tài liệu THIẾT KẾ BỘ ĐIỀU KHIỂN BẰNG MẠNG NƠRON TRUYỀN THẲNG THEO MÔ HÌNH MẪU LÀ MỘT KHÂU DAO ĐỘNG BẬC 2 docx

7 481 3
  • Loading ...
1/7 trang

Thông tin tài liệu

Ngày đăng: 17/01/2014, 06:20

1THIẾT KẾ BỘ ĐIỀU KHIỂN BẰNG MẠNG NƠRON TRUYỀN THẲNG THEO HÌNH MẪU MỘT KHÂU DAO ĐỘNG BẬC 2 KS. Phạm Ngọc Minh, PGS-TSKH. Phạm Thượng Cát Phòng Công Nghệ Tự Động Hóa - Viện Công Nghệ Thông Tin Viện Khoa Học và Công Nghệ Việt Nam Tel. 84-4-8363484, Fax: 84-4-8363485, E-mail: ptcat@ioit.ncst.ac.vn Tóm tắt : Bài báo này trình bày kết quả nghiên cúu thiết kế bộ điều khiển bằng mạng nơron truyền thẳng được huấn luyện bằng giải thuật học lan truyền ngược lỗi BP và được cài đặt trên thiết bị điều khiển thông minh ĐKTM, một sản phẩm công nghệ cao của phòng Công nghệ Tự động hoá - Viện Công nghệ Thông tin. DESIGN AND IMPLEMENTATION OF A NEURO CONTROLLER USING SECOND ORDER REFERENCE MODEL Dipl.Eng. Pham Ngoc Minh, Prof.DSC. Pham Thuong Cat Department for Automation Technology, Institute of Infomation Technology. Viet Nam Academy of Science and Technology Tel. 84-4-8363484, Fax: 84-4-8363485, E-mail: ptcat@ioit.ncst.ac.vn Abstract: This paper presents research results in design and implementation of a neural controller using Error Back-Propagation Algorithm. This controller has been installed in an intelligent control ĐKTM device, a high-tech product of Department for Automation Technology - Institute of Information Technology. 1. ĐẶT VẤN ĐỀ 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 xu hướng mới trong điều khiển tự động. Mạng nơron 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. Trong bài báo này, chúng tôi sẽ trình bày kết quả ứng dụng mạng nơron trong chế tạo thiết bị điều khiển thông minh. 2. HÌNH MẠNG NƠRON LAN TRUYỀN THẲNG NHIỀU LỚP Trong báo cáo này, chúng tôi sử dụng hình mạng nơron lan truyền thẳng nhiều lớp áp dụng cho hệ thống SISO (single-input single-output). Mạng nơron nhiều lớp lan truyền thẳng được tả như hình 1 với 3 lớp – Input Layer (lớp vào), Hidden Layer (lớp ẩn), Output Layer (lớp ra). Trong đó: • Các nơron trong mạng nơron Fermi • Input Layer gồm 1 nơron có trọng số bằng 1. Tín hiệu vào x được đưa tới nơron của Input Layer, khi đó tín hiệu ra của nơron x • Vector trọng số giữa Input Layer và Hidden Layer Vi . Tín hiệu ra của các nơron Input Layer được đưa vào các nơron của Hidden Layer, khi đó tín hiệu ra được tính theo công thức: )()*(i iinetVfbxVfO =+= (2.1) trong đó bxVnetVii+=* Vi W i b Input Output Input Layer Hidden Layer Output Layer x y Hình 1 : Cấu trúc mạng nơron 2)1(11)(iiinetViOOdnetVdfenetVfi−=⇒+=− • Vector trọng số giữa Hidden Layer và Output Layer Wi .Tín hiệu ra của các nơron Hidden Layer được đưa vào nơron của Output Layer, khi đó tín hiệu ra y được tính theo công thức: (2.2) )1(11)())*W((31iiyydnetYdfenetYfOfynetYi−=⇒+===−=∑ Trong đó ∑==31i)*W(iiOnetY Sơ đồ giải thuật tính tín hiệu ra y được tả như hình 2 3. HUẤN LUYỆN MẠNG NƠRON VỚI GIẢI THUẬT HỌC LAN TRUYỀN NGƯỢC LỖI BP Trước khi sử dụng mạng Nơron, ta cần phải dạy học cho mạng với nhiệm vụ xác định các trọng số Vi , Wi .Giải thuật học lan truyền ngược BP được dùng để dạy mạng nhiều lớp. Ta có tập các mẫu học {x[k] , y[k] }. Từ tập mẫu học x[k] và các trọng số Vi[k] , Wi[k] của mạng, ta xác định được đầu ra thực ][~ky . Trên cơ sơ so sánh với mẫu học y[k], các trọng số Wi[k] được hiệu chỉnh thành Wi[k+1] . Tiếp tục từ Wi[k+1] sẽ hiệu chỉnh các trọng số Vi[k] . • Với sai lệch cho mẫu học thứ k )()(~kyky − , giá trị gia tăng ][kWi∆ được xác định theo công thức cải biên của Widnow như sau: )(][][][][~iYiknetYiOsOnetYddfkykyskWδ=−=∆ (3.1) Trong đó ][~)(][][knetYYnetYddfkyky−=δ tín hiệu sai lệch của nơron đầu ra. Tham số s gọi bước học, 9.01.0 ÷=s Có thể xác định Oi theo công thức 2.1. Sau khi tính được ][kWi∆, ta xác định được trọng số mới ]1[+kWi theo công thức sau: ][][]1[ kWkWkWiii∆+=+ (3.2) • Sau khi đã có ]1[W +ki ta xác định giá trị gia tăng ][kVi∆ theo công thức cải biên của Widnow như sau: xskVVii ][δ==∆ (3.3) ]1[W)(i31][+=∑=knetVddfiVknetViViiδδ Sau khi tính được ][kVi∆ , ta xác định được trọng số mới ]1[ +kVi theo công thức sau: ][][]1[ kVkVkViii∆+=+ (3.4) Thuật toán hiệu chỉnh các trọng số sẽ dừng đến khi sai lệch E < ε cho trước: ε<−=∑2~)()(21kykyE (3.5) Sơ đồ giải thuật huấn luyện mạng được tả trong hình 3,4. x[k] NetVi = Vi*x[k] + b inetViienetVfO−+==11 )( ∑==31i)*(WiiOnetY i = i + 1 i = 1 i > 3 Yes No netYenetYfky−+==11 )(][~ Hình 2: Lưu đồ tính tín hiệu ra y của mạng nơron 3 4. XÂY DỰNG BỘ ĐIỀU KHIỂN DÙNG MẠNG NƠRON THEO HÌNH MẪU MỘT KHÂU DAO ĐỘNG BẬC 2 Bài toán đặt ra cần phải thiết kế bộ điều khiển bằng mạng nơron để tín hiệu ra của đối tượng điều khiển bám lấy tín hiệu ra của hình mẫu khi đối tượng có tham số không biết trước hoặc bị thay đổi trong quá trình hoạt động. Xét hình mẫu khâu dao động bậc 2: 012M)(WasasKsM++= (4.1) với thông số KM , a1 và a2 được chọn phù hợp với các chỉ tiêu chất lượng mong muốn, a1 , a0 có thể ước lượng được. Phương trình vi phân tương ứng là: uKyayayMMMM=++01 (4.2) Start k = 1 x[k] Create NN ~y[k] y[k] 2~][][*21−= kykyEE < ε Thuật toán lan truyền ngược BP hiệu chỉnh các trọng số ][][]1[ kWkWkWiii∆+=+ ][][]1[ kVkVkViii∆+=+ k = k + 1 StopYesI II No Hình 3: Lưu đồ giải thuật huấn luyện mạng nơron ][][]1[**][)(*])[][(][~kWkWkWOskWnetYddfkykyiiiiyiknetYy∆+=+=∆−=δδi = 1 ][][]1[**][]1[*)(31][kVkVkVxskVkWnetViddfiiiViijjyknetViVi∆+=+=∆+=∑=δδδi = i + 1 i > 3 I II No Yes Hình 4: Thuật toán lan truyền ngược BP hiệu chỉnh các trọng số Wi[k+1], Vi[k+1] 4Mạng nơron trong cấu trúc điều khiển theo vòng kín đóng vai trò bộ điều khiển Trong đó: - SP : giá trị đặt Setpoint - Yp : tín hiệu ra của đối tượng điều khiển - Ep : sai lệch tín hiệu ra của đối tượng điều khiển với tín hiệu ra mẫu Ep = YM – Yp - Up : tín hiệu điều khiển Các bước thiết kế bộ điều khiển dùng mạng Nơron Bước 1: Huấn luyện mạng NN Inverse Model ĐTĐK để nhận dạng động học nghịch hình đối tượng điều khiển thực Up - tín hiệu thử một hàm f(t) tạo ra nhiều giá trị mẫu đầu vào để huấn luyện điều chỉnh (W,b) của mạng Nơron sao cho min2→pE . Sai số Ep = Up - UNN được sử dụng để huấn luyện mạng, thông tin về sai số được lan truyền ngược qua mạng nơron để hiệu chỉnh lại (W,b) theo giải thuật học lan truyền ngược lỗi BP. Bước 2: Sau khi đã có bộ NN Inverse Model ĐTĐK , ta lắp bộ đó vào hệ thống để xác định bộ NN Controller sao cho hệ thống giống hình mẫumột khâu dao động bậc 2hình mẫu WM(s) +-YP YM EP ĐTĐK UP SP NN Controller (điều chỉnh W,b) Hình 5: Sơ đồ cấu trúc điều khiển mạch kín theo hình mẫu WM (s) ĐTĐK Ep +-Yp UNN Up NN Inverse Model ĐTĐK Hình 6 : Sơ đồ huấn luyện mạng nơron nhận dạng động học nghịch hình đối tượng điều khiển Start Up = f(t) Chuyển đổi D/A Analog Output ĐTĐK Analog Input Chuyển đổi A/D Nhận dạng hình ĐTĐK bằng mạng nơron theo thuật toán lan truyền ngược BP []2*21NNppUUE −= Ep < ε Stop No Yes UNNUp Hình 7: Lưu đồ thuật toán nhận dạng động học nghịch hình đối tượng điều khiển NN Inverse Model ĐTĐKMô hình mẫu WM(s) +-UNN UP EM YM X NN Controller (điều chỉnh W,b) Hình 8: Sơ đồ huấn luyện mạng nơron điều khiển theo hình mẫu 5Sẽ huấn luyện điều chỉnh (W,b) của mạng Nơron sao cho min2→ME . Tính tín hiệu ra YM của hình mẫu WM(s) bằng phương pháp số Runge-Kuta tại các thời điểm t , từ giá trị YM ta cho lan truyền ngược qua NN Model ĐTĐK được giá trị UNN , sai số EM = UNN – UP được sử dụng để luyện mạng. Thông tin về sai số được lan truyền ngược qua mạng NN Model ĐTĐK phỏng động học nghịch của đối tượng điểu khiểnmạng NN Controller để hiệu chỉnh lại (W,b) của mạng. Thuật toán điều khiển dùng mạng nơron trên đã được lập trình và cài đặt vào thiết bị điều khiển thông minh ĐKTM của phòng Công nghệ Tự động hoá - Viện Công nghệ Thông tin. 5. MỘT SỐ KẾT QUẢ THỰC NGHIỆM KHI SỬ DỤNG BỘ ĐIỀU KHIỂN BẰNG MẠNG NƠRON TRÊN THIẾT BỊ ĐKTM Chúng tôi đã sử dụng thuật điều khiển bằng mạng nơron trên thiết bị ĐKTM với đối tượng khâu dao động được phỏng trên thiết bị phỏng MPĐT. Tín hiệu ra AO1 của thiết bị điều khiển thông minh là tín hiệu điều khiển và cũng tín hiệu vào của đối tượng, tín hiệu ra của đối tượng AO1 chính tín hiệu vào của thiết bị điều khiển thông minh. Khi thiết bị điều khiển thông minh ở trạng thái Prog, đặt SP =1500, ac1=1, ac0=1, Đối tượng điều khiển được chọn trên thiết bị phỏng MPĐT khâu dao động (chọn trong hệ tuyến tính) có hàm truyền đạt: 15.0)(2++=sssWP (5.1) Đặt thiết bị điều khiển ở trạng thái RUN, cho phép điều khiển đối tượng ta thu được kết đáp ứng thời gian của đối tượng trên thiết bị phỏng MPĐT Khi chạy ở mode RUN, chương trình sẽ tự động học đối tượng để chỉnh các trọng số của mạng nơron, sau 30s tín hiệu ra của đối tượng bám được tín hiệu ra của hình mẫu, sai số ε ->0 Start Setpoint Hiệu chỉnh các trọng số Vi , Wi của NN Contronller theo thuật toán lan truyền ngược BP []2 *21pNNpUUE −= Ep < ε Stop No Yes UNN Up Tính đầu ra YM của hình mẫu WM (s) Tính UNN qua mô hình NN Inverse Model ĐTĐK Hình 9: Lưu đồ thuật toán huấn luyện mạng nơron điều khiển theo hình mẫu AO1 AI1 (AI1) MPDT (AO1) MPDT Hình 10 : Sơ đồ ghép nối 2 thiết bị ĐKTM với MPĐTHình 11: Màn hình giao diện thiết bị MPĐT 6Nếu thay đổi hệ số K của khâu dao động trên thiết bị phỏng MPĐT như K=0.75,K=1, K =2 ta vẫn thu được kết quả tương tự. Quá trình huấn luyện mạng NN Controller trong khoảng 22s , sau đó bắt đầu quá trình điều khiển đối tượng. 6. KẾT LUẬN Phòng Công nghệ Tự động hoá - Viện Công nghệ Thông tin đã nghiên cứu thiết kế bộ điều khiển trên cơ sở mạng nơron nhân tạo cài đặt trong thiết bị ĐKTM với mong muốn tạo ra một thiết bị điều khiển thông minh có khả năng thích nghi với một số ứng dụng thực tế như hệ thống điều khiển lò nhiệt, điều khiển mức nước, điều khiển độ PH …v.v . Kết quả nghiên cứu này chỉ bước đầu tiếp cận với lĩnh vực ứng dụng trí tuệ nhân tạo trong điều khiển tự động. Trong thời gian tới, chúng tôi sẽ nghiên cứu để nâng cao khả năng thông minh cho thiết bị ĐKTM với một số hình mạng nơron và giải thuật học khác. TÀI LIỆU THAM KHẢO [1] CHIN-TENG LIN and C.S GEORGE LEE Neural Fuzzy Systems. A Neuro-Fuzzy Synergism to Intelligent Systems, Prentice Hall International, Inc, 1996 [2] SIMON HAYKIN, Neural Networks a Comprehensive Foundation Prentice Hall International, Inc, 1999 [3] BÙI CÔNG CƯỜNG, NGUYỄN DOÃN PHƯỚC Hệ mờ mạng nơron và ứng dụng, Nhà xuất bản khoa học và kỹ thuật, 2002 [4] PHAN XUÂN MINH, NGUYỄN DOÃN PHƯỚC Lý thuyết điều khiển mờ, Nhà xuất bản khoa học và kỹ thuật, 2002 [5] PHAN MINH TÂN, TRẦN VIỆT PHONG, BÙI THANH QUYÊN, PHẠM THƯỢNG CÁT. Báo cáo “Nghiên cứu phát triển thiết bị MPĐT phỏng thời gian thực các đối tượng điều khiển”. Tuyển tập Hội nghị khoa học toàn quốc VICA5, Vol.1, pp 259-264. Hà nộI 2002. Hình 12: Đồ thị quá trình điều khiển đối tượng trên thiết bị MPĐT với bộ điều khiển mạng nơron cài đặt trên thiết bị ĐKTM Quá trình huấn luyện NN Controller Quá trình điều khiển đối tượng 7 . XÂY DỰNG BỘ ĐIỀU KHIỂN DÙNG MẠNG NƠRON THEO MÔ HÌNH MẪU LÀ MỘT KHÂU DAO ĐỘNG BẬC 2 Bài toán đặt ra cần phải thiết kế bộ điều khiển bằng mạng nơron để. 1THIẾT KẾ BỘ ĐIỀU KHIỂN BẰNG MẠNG NƠRON TRUYỀN THẲNG THEO MÔ HÌNH MẪU LÀ MỘT KHÂU DAO ĐỘNG BẬC 2 KS. Phạm Ngọc Minh, PGS-TSKH.
- Xem thêm -

Xem thêm: Tài liệu THIẾT KẾ BỘ ĐIỀU KHIỂN BẰNG MẠNG NƠRON TRUYỀN THẲNG THEO MÔ HÌNH MẪU LÀ MỘT KHÂU DAO ĐỘNG BẬC 2 docx, Tài liệu THIẾT KẾ BỘ ĐIỀU KHIỂN BẰNG MẠNG NƠRON TRUYỀN THẲNG THEO MÔ HÌNH MẪU LÀ MỘT KHÂU DAO ĐỘNG BẬC 2 docx, Tài liệu THIẾT KẾ BỘ ĐIỀU KHIỂN BẰNG MẠNG NƠRON TRUYỀN THẲNG THEO MÔ HÌNH MẪU LÀ MỘT KHÂU DAO ĐỘNG BẬC 2 docx

Từ khóa liên quan

Gợi ý tài liệu liên quan cho bạn

Nhận lời giải ngay chưa đến 10 phút Đăng bài tập ngay