Điều khiển cân bằng con nêm ngược dùng phương pháp nơron mờ

Nội dung text: Điều khiển cân bằng con nêm ngược dùng phương pháp nơron mờ

1. Hội nghị toàn quốc lần thứ 3 về Điều khiển và Tự động hoá - VCCA-2015 Điều khiển cân bằng con nêm ngược dùng phương pháp nơron mờ Balancing control of inverted wedge system using neuro fuzzy method Nguyễn Thanh Tần Trường Đại học Trà Vinh e-Mail: thanhtantvu@gmail.com Nguyễn Minh Tâm Trường Đại học Sư Phạm Kỹ Thuật TP. HCM e-Mail: tamnm@hcmute.edu.vn Nguyễn Văn Đông Hải Trường Đại học Sư Phạm Kỹ Thuật TP. HCM e-Mail: hainvd@hcmute.edu.vn Tóm tắt x m Vị trí vật nặng Trong bài viết này, tác giả đã sử dụng ba phương x m/s Vận tốc vật nặng pháp điều khiển trên hệ con nêm ngược là: phương K Tổng động năng pháp LQR (Linear Quadratic Regulator), phương P Tổng thế năng pháp điều khiển mờ và phương pháp nơron-mờ T Môment (ANFIS). Kết quả mô phỏng cho thấy cả ba phương q Biến trạng thái pháp điều khiển trên đều có khả năng cân bằng ổn A,B,Q,R Các ma trận trạng thái định hệ con nêm ngược. Bên cạnh đó, tác giả đã xây Ku Ma trận tối ưu dựng thành công mô hình thực nghiệm hệ con nêm α,β Các hệ số mạng ANFIS ngược thông qua giao tiếp máy tính giữa phần mềm f Ngõ ra của mạng ANFIS Matlab với card DSP TMS320F28335. Kết quả thực M Kg Khối lượng hệ con nêm nghiệm cho thấy phương pháp điều khiển nơron mờ m Kg Khối lượng vật nặng hoàn toàn có thể điều khiển cân bằng hệ con nêm c m Khoảng cách giữa trục ngược theo phương thẳng đứng. Giá trị góc nghiêng quay với trọng tâm và vị trí vật nặng thu được luôn dao động xung quanh d m Khoảng cách giữa trục vị trí cân bằng mong muốn. quay với mặt trượt Từ khóa: Cân bằng, con nêm ngược, điều khiển mờ, b1 N/m/s Hệ số ma sát ở trục quay nơron mờ. b2 N/m/s Hệ số ma sát ở mặt trượt 2 g m/s Gia tốc trọng trường Abstract: Km Nm/A Hệ số cảm ứng động cơ In this project, the authors have used three control U Volt Điện áp cấp cho động cơ algorithms on the inverted wedge, including: LQR F N Lực tác động vào vật nặng control method, Fuzzy Control method and neuro- fuzzy control method. Simulation results show that: Chữ viết tắt all methods are likely on balance stabilizing the LQR Linear Quadratic Regulator inverted wedge. Besides that, the authors have built DSP Digital Signal Processor successfully the experimental inverted wedge model DC Direct Current Motors associated with computer communication between MISO Multi Input Single Output Matlab software with DSP TMS320F28335 card. ANFIS Adaptive Neuro Fuzzy Inference System Experimental results show that neuro-fuzzy control PWM Pulse Width Modulation method can completely control the balance of inverted wedge vertical. The values of angle and position loads 1. Phần mở đầu obtained fluctuated around the desired equilibrium Ngày nay có rất nhiều phương pháp được sử dụng để position. điều khiển hệ phi tuyến như: phương pháp tuyến tính hóa, điều khiển trượt, điều khiển dùng mạng thần kinh Keywords: Balance, inverted wedge, fuzzy control, nhân tạo, điều khiển mờ, điều khiển thích nghi hoặc neuro fuzzy. các thuật toán tối ưu bầy đàn, giải thuật di truyền, Việc lựa chọn ra một phương pháp điều khiển phù Ký hiệu hợp với một đối tượng phi tuyến nhất định nào đó đòi Ký hiệu Đơn vị Ý nghĩa hỏi nhiều thời gian và thực nghiệm lâu dài.  Rad Vị trí góc lệch Xuất phát từ ý tưởng áp dụng các phương pháp điều  rad/s Vận tốc góc lệch khiển hiện đại vào điều khiển đối tượng thật trong VCCA-2015
2. thực tế và việc tiếp cận được một số tài liệu về hệ con Đề tài “Balancing Control of Sliding Inverted Wedge nêm ngược - là một hệ thống phi tuyến, được ứng System: classical-method-based compensation” [6] do dụng trong cân bằng mô hình chiếc tàu trong lĩnh vực các tác giả Shinq-Jen Wu, Cheng-Tao Wu, Yung-Yi hàng hải - đã thúc đẩy tác giả thực hiện đề tài này. Hệ chiou, Chin-Teng Lin, Yi-Nung Chung nghiên cứu thống dùng trọng lực của vật nặng thông qua lực kéo vào năm 2006 sử dụng hệ thống dây đai kéo hai vật của motor để cân bằng trọng tâm của toàn hệ thống nặng ở hai cạnh của hệ con nêm ngược giúp hệ thống con nêm. Vì hệ con nêm ngược có tính chất phi tuyến cân bằng. Phương pháp điều khiển chính của đề tài là rất phức tạp nên rất khó xác định mô hình toán học thiết kế bộ điều khiển tối ưu tuyến tính dạng toàn một cách chính xác, đồng thời các thông số hệ thống phương LQR ho kết quả hệ thống cân bằng ổn định phải có độ chính xác tuyệt đối và đáp ứng phải nhanh. trong 2,5s với góc nghiêng nhỏ. Tuy nhiên vấn đề là cần phải thiết kế một bộ điều khiển phù hợp để điều khiển hệ thống cân bằng và 2. Nội dung chính đây cũng là mục đính chính của đề tài. 2.1 Khảo sát mô hình hóa con nêm ngược Một số công trình nghiên cứu liên quan đến đề tài Khảo sát mô hình con nêm ngược như hình (1): điều khiển cân bằng con nêm ngược đã được công bố như sau: Đề tài “Thiết kế, thi công điều khiển mờ hệ con nêm ngược” (2012) cũng được thực hiện trong luận văn cao học của tác giả Đặng Hữu Phúc, Trường Đại học Giao Thông Vận Tải TP. Hồ Chí Minh [1]. Trong đề tài này đã sử dụng phương pháp điều khiển trượt-mờ- PID để cân bằng hệ con nêm ngược. Mô hình được thực hiện bằng cách cân bằng hệ thống dựa vào sức nặng của con chạy trên mặt phẳng trượt. Kết quả mô H. 1 Mô hình con nêm ngược [1] phỏng đạt được cân bằng ổn định với góc nghiêng lớn Trong đó, các ký hiệu và thông số mô phỏng hệ thống đến ±π/2, thời gian đáp ứng khoảng 2.5s. được cho trong bảng (1). Đề tài “Neuro-Sliding Mode Control With Its Bảng 1. Thông số mô phỏng hệ con nêm ngược [1] Applications to Seesaw Systems” [3] của nhóm tác Ký hiệu Ý nghĩa Giá trị giả Chun-Hsien Tsai, Hung-Yuan Chung, Fang-Ming M Khối lượng hệ con nêm 3,0 kg Yu, Jan (2004), đề tài sử dụng phương pháp nơron – m Khối lượng vật nặng 0,65 kg trượt mô phỏng hệ thống cân bằng ổn định ở thời gian c Khoảng cách giữa trục 0,06 m 0,53s và góc nghiêng dao động trong khoảng 50. quay với trọng tâm Nhóm tác giả Jeng-Hann Li, Tzuu-Hseng S. Li, Ting- d Khoảng cách giữa trục 0,12 m Han Ou, July đã nghiên cứu đề tài “Design and quay với mặt trượt Implementation of Fuzzy Sliding-Mode Controller for b1 Hệ số ma sát ở trục quay 0,4 N/m/s a Wedge Balancing System” [4] năm 2003, đề tài sử b2 Hệ số ma sát ở mặt trượt 10 N/m/s dụng phương pháp điều khiển mờ - trượt để cân bằng g Gia tốc trọng trường 9,81 m/s2 hệ con nêm ngược. Mô hình sử dụng vật nặng di Km Hệ số cảm ứng động cơ 5 Nm/A chuyển trên mặt phẳng ngang và dùng dây đai kéo vật nặng. Kết quả mô phỏng cho thấy hệ thống cân bằng Áp dụng phương pháp Euler – Lagrange ta có: ổn định với thời gian xác lập khoảng 7s. Năm 2002, đề tài “Genetic Adaptive Control for an d K K P Ti (1) Inverted Wedge: Experiments and Comparative dt qi q i q i Analyses” [5] do các tác giả Moore M.L, Musacchio Trong đó: K là tổng động năng; P là tổng thế năng; T J.T, PassinoK.M nghiên cứu. Hệ thống sử dụng dây là môment; q là biến trạng thái. xích nằm ở trung tâm để kéo vật nặng di chuyển trên Đối với hệ thống con nêm ngược ta có q1 =θ ; q2 = x mặt phẳng ngang. Giải thuật điều khiển đã nghiên cứu Từ phương trình (1) và tuyến tính hóa tại điểm cân trong đề tài là giải thuật di truyền. Kết quả cho thấy bằng 0; 0;xx 0; 0 ta được: hệ thống cân bằng ổn định trong khoảng thời gian 3s 0 0 0 0 và độ dao động góc nghiêng lớn nhất là 50% so với trạng thái cài đặt ban đầu. gb mg b d 2 d 12xF c Mc2 Mc 2 Mc 2 Mc 2 (2) gdb d mgd b d2 b 21d 2 x g1 x 2 2 x F cmMc2 Mc 2 Mc 2 Mc2 m T T Đặt biến trạng thái: và lực điều khiển động cơ F=KmU X  x x x1 x 2 x 3 x 4  VCCA-2015
3. Suy ra phương trình tuyến tính hoá hệ thống: 0 1 0 0 0  g b mg b d  2d 12 K 2 2 2 m 2  c Mc Mc Mc  Mc (3) U x 0 0 0 1 x 0 22 x gd bd mgd b d bx 2 d 1 g 1 2 2 K 2 2 2 m 2 c Mc Mc Mc m Mc m 2.2 Phương pháp LQR LQR (Linear Quadratic Regulator) là thuật toán điều 0 khiển được xây dựng dựa trên cơ sở nguyên lý phản 0 1 0 0 160 hồi trạng thái. Bộ điều khiển nhận tín hiệu vào là A 196.2 6.67 784.8 720 ;B ; trạng thái của hệ thống và được tính toán và chuyển 0 thành tín hiệu điều khiển cho quá trình. 0 0 0 1 27.533 13.734 0.8 94.176 161.4 10 0 0 0 0 1 0 0 QR ; 10 0 0 1 0 H. 2 Cấu trúc bộ điều khiển LQR 0 0 0 1 Xét hệ thống có tác động ngoài như sau: Khi đó ma trận tối ưu K có giá trị là: (4) u x Ax Bu K = [15.797 1.373 -55.214 -4.295] Ta cần tìm ma trận K của vector điều khiển tối ưu: u u u()() t Ku x t (5) 2.3 Bộ điều khiển mờ trực tiếp Sao cho chỉ tiêu chất lượng J đạt cực tiểu: Sơ đồ cấu trúc bộ điều khiển mờ trực tiếp: J xTT Qx u Ru dt (6) 0 Trong đó, Q là ma trận xác định dương (hoặc bán xác định dương), R là ma trận xác định dương. H. 3 Cấu trúc bộ điều khiển mờ trực tiếp Ma trận tối ưu Ku được xác định từ phương trình Bộ điều khiển mờ trực tiếp được thiết kế là bộ điều Riccati có dạng như phương trình (7): khiển MISO với 4 ngõ vào là: góc nghiêng, gia tốc 1 T góc nghiêng, vị trí vật nặng, vận tốc vật nặng và 1 ngõ KRBP (7) u ra là giá trị điện áp cấp cho động cơ. Trong đó: Thế (7) vào (5) ta được luật điều khiển như sau: Vị trí góc lệch θ(t): [-pi/2,pi/2] (rad) 1 T u()()() t Ku x t R B Px t (8) Vận tốc góc ()t : [-1,1] (rad/s) Khi đó, ma trận P phải thỏa mãn phương trình Riccati: Vị trí vật nặng x(t): [-0.3,0.3] (m) PA APTT Q PBRBP 1 P (9) Vận tốc vật nặng xt() : [-1,1] (m/s) Khi S không thay đổi theo thời gian, tức P 0 ta Điện áp cấp cho động cơ DC:[-24,24] (V) Luật mờ được xây dựng dựa trên kinh nghiệm và hoạt được phương trình đại số Riccati như sau: TT 1 động của hệ con nêm ngược. Ta chọn số tập mờ cho PA A P Q PBR B P 0 (10) mỗi ngõ vào là 3 để có số luật mờ vừa phải là 34=81 Xét tại điểm làm việc xác lập của hệ con nêm ngược luật và số tập mờ ngõ ra là 7. Các biến ngôn ngữ và đã được tuyến tính hóa ( hàm liên thuộc ngõ vào/ra như hình (4).  0, 0,xx 0, 0 và u=0), dựa vào phần mềm Matlab ta tìm được các ma trận trạng thái A, B và chọn ma trận Q, R trong hàm mục tiêu J như sau: H. 4 Biến ngôn ngữ và hàm liên thuộc vào/ra bộ điều khiển mờ trực tiếp Trong đó, các biến ngôn ngữ hàm liên thuộc ngõ vào/ra được định nghĩa như sau: {NE (âm), ZE(zero) và PO (dương)} và {NB (âm lớn), NM (âm vừa), NS VCCA-2011
4. (âm nhỏ), ZE (zero), PS (dương nhỏ), PM (dương Bước 3: Lựa chọn hàm liên thuộc ban đầu là vừa), PB (dương lớn)} hàm Gauss, số lượng biến ngôn ngữ ngõ vào Ta xây dựng các luật điều khiển mờ theo: là 4 nên ta chọn số hàm liên thuộc vừa phải Phương pháp suy diễn mờ MAX – MIN. cho mỗi biến đầu vào là 3. Phương pháp giải mờ tổng có trọng số. Bước 4: Nhập sai số huấn luyện mong muốn và số lần lặp cho quá trình huấn luyện là 50, 2.4 Bộ điều khiển nơron-mờ [2] thuật toán huấn luyện là lan truyền ngược lai ANFIS (Adaptive Neuro Fuzzy Inference System) là sai số bình phương nhỏ nhất. mạng nơron thích nghi dựa trên cơ sở hệ suy luận mờ. Bước 5: Kiểm tra giá trị huấn luyện sau khi Mạng nơron mờ cơ bản gồm có 5 lớp, 2 ngõ vào và 1 quá trình huấn luyện hoàn tất và lưu lại hệ ngõ ra như sơ đồ hình (5), tuy nhiên ta vẫn có thể thiết suy luận mờ vừa huấn luyện được. kế thêm nhiều dạng mạng nơron mờ khác. Bước 6: Mô phỏng, kiểm tra kết quả. Sơ đồ cấu trúc huấn luyện mạng nơron mờ và dữ liệu sau khi huấn luyện được hiển thị trong hình (6) và hình (7). H. 5 Cấu trúc mạng nơron mờ 2 ngõ vào, 1 ngõ ra Lớp 1: Là lớp đầu vào, mỗi nơron thứ i có tín hiệu đầu vào tương ứng. Đầu ra của các nút là các hàm liên thuộc biến đổi cùng với tập mờ. H. 6 Cấu trúc mạng nơron mờ đã huấn luyện Lớp 2: Mỗi nút là giá trị đầu ra của luật mờ. Chúng được gán nhãn là П vì tại mỗi nút ta có thể nhiều phép toán t-norm khác nhau. Giá trị các hệ số ra của luật được tính như sau: 1minAA 1 ,B 1 ; 2 min 2 ,B 2 (11) Lớp 3: Các nút thứ i được tính là tỉ lệ giá trị hệ số ra của luật tại nút đó trong tổng giá trị các hệ số trước đó. H. 7 Dữ liệu sau quá trình huấn luyện 1 2 Trong đó, sơ đồ cấu trúc huấn luyện mạng nơron mờ 1 và 2 (12) 12 12 được hiển thị trong hình (6), số lượng hàm liên thuộc Lớp 4: Giá trị của mỗi nơron được tính như ngõ vào là 3. Dữ liệu sau khi huấn luyện trong hình -3 sau: (7), sai số huấn luyện là 1,17.10 , giá trị này có thể 2 chấp nhận được. fi i(P0 Px i i );i 1 2 (13) i 1 2.5 Kết quả mô phỏng Trong đó, Pi là các thông số điều chỉnh. Sau đây là kết quả mô phỏng hệ con nêm ngược với Lớp 5: Ngõ ra của mạng là tổng các giá trị các phương pháp điều khiển nêu trên với phần mềm đầu ra nơron trước đó. Matlab. 2 iif 2 i 1 f2 ii f; i 1 2 (14) i 1 i i 1 Các bước thiết kế bộ điều khiển nơron mờ dựa trên hỗ trợ của ANFIS trong Toolbox Matlab cho hệ con nêm ngược. Bước 1: Xây dựng tập dữ liệu huấn luyện của mạng dựa trên cơ sở bộ điều khiển mờ và thực hiện một số thao tác gia công dữ liệu khác. Bước 2: Load tập dữ liệu huấn luyện và tập H. 8 Kết quả mô phỏng với góc θ=300, x=0,2m dữ liệu kiểm tra vào giao diện ANFIS Editor. VCCA-2015
5. 1 3 5 2 4 6 0 H. 9 Kết quả mô phỏng với góc θ=60 , x=0,3m và có nhiễu tác động H. 11 Mô hình con nêm ngược đã thi công Trong đó, 1: Thanh trượt; 2: Ray trượt; 3: Vật nặng Kết quả so sánh cho thấy cả ba bộ điều khiển đều có (động cơ và cảm biến đo vị trí); 4: Cảm biến đo góc khả năng điều khiển cân bằng hệ con nêm ngược. quay; 5: Trục quay; 6: Card DSP và các mạch điện. Trong đó, phương pháp điều khiển nơron mờ cho kết quả là tốt nhất, ngõ ra hệ thống cân bằng ổn định, có khả năng điều khiển góc nghiêng ban đầu lớn, thời gian xác lập ngắn. 2.6 Kết quả thực nghiệm Sơ đồ khối mô hình thực nghiệm điều khiển cân bằng con nêm ngược giao tiếp máy tính: H. 12 Giá trị đáp ứng góc nghiêng con nêm thực nghiệm H. 10 Sơ đồ khối mô hình thực nghiệm cân bằng con nêm ngược H. 13 Giá trị đáp ứng vị trí vật nặng con nêm thực nghiệm Máy tính có chức năng thu thập, xử lí các thông tin thu thập được từ các cảm biến thông qua bộ điều khiển là card DSP TMS320F28335. Trong đó, thuật toán và chương trình điều khiển được lập trình hoàn toàn trên phần mềm Matlab/Simulink và giao diện Code Composer Studio v3.3. Từ các tín hiệu thu thập được thông qua hệ thống nhúng thời gian thực, máy tính sẽ xử lí và đưa ra tín hiệu điều khiển đến hệ truyền động là một động cơ DC thông qua card DSP để tạo tín hiệu phát xung PWM đến mạch cầu H điều H. 14 Giá trị điện áp cấp cho động cơ DC thực nghiệm khiển độ rộng xung và chiều quay của động cơ. Trong đó, tín hiệu phản hồi giá trị góc nghiêng và vị trí vật nặng được thu thập bởi 2 Encoder đo vị trí và góc 3. Kết luận quay. Quá trình cứ diễn ra liên tục với thời gian lấy Kết quả điều khiển cho thấy sử dụng các bộ điều mẫu là 0,01 giây với mục tiêu chính là giúp hệ con khiển thông minh hiện đại vào các hệ phi tuyến nói nêm giữ cân bằng theo phương thẳng đứng (tức góc chung và hệ con nêm ngược nói riêng đã mang lại kết quay con nêm dao động ở vị trí là 00). quả rất khả quan. Trong đó, hệ nơron mờ (dùng Hình (11) là mô hình con niêm ngược đã thi công và ANFIS) giúp hệ thống cân bằng ổn định theo phương kết quả thực nghiệm thu được bằng phương pháp điều thẳng đứng với những ưu điểm vượt trội. Đó là sự thể khiển nơron mờ được thể hiện trong hình (12), hình hiện tri thức rất tường minh, dễ kiểm tra, dễ sửa chữa (13) và hình (14). và có khả năng học thông qua các tập dữ liệu của hệ. VCCA-2011
6. Tài liệu tham khảo Nguyễn Văn Đông Hải sinh năm [1] Đặng Hữu Phúc, Thiết kế, thi công và điều khiển 1986. Anh nhận bằng kỹ sư và mờ hệ con nêm ngược, Luận văn tốt nghiệp Thạc sỹ ngành Điều Khiển Tự Thạc sĩ, Đại học Giao Thông Vận Tải, TP. Hồ Động tại Trường Đại Học Bách Chí Minh (2012). Khoa Tp. Hồ Chí Minh vào các [2] Ts. Nguyễn Như Hiền, Ts. Lại Khắc Lãi, Hệ mờ năm 2009 và 2011, công tác tại và nơron trong kỹ thuật điều khiển, NXB Khoa Đại học Sư phạm Kỹ thuật TP. học Tự nhiên và Công nghệ Hà Nội, 2007. HCM từ năm 2010. Hiện anh đang [3] Chun-Hsien Tsai, Hung-Yuan Chung, Fang- là Nghiên cứu sinh Tiến sỹ tại Trường Đại Học Ming Yu, Jan (2004), Neuro-Sliding Mode Craiova, Rumani. Hướng nghiên cứu chính: Ứng Control With Its Applications to Seesaw dụng điều khiển thông minh cho các hệ robot cân Systems, Neural Networks, IEEE Transactions bằng. on, pp. 124 – 134. [4] Jeng-Hann Li, Tzuu-Hseng S. Li, Ting-Han Ou, July (2003), Design and Implementation of Fuzzy Sliding-Mode Controller for a Wedge Balancing System, Journal of Intelligent and Robotic Systems, Volume 37 Issue 3, pp. 285- 306. [5] Moore M.L., Musacchio J.T., PassinoK.M. (2002), Genetic Adaptive Control for an Inverted Wedge: Experiments and Comparative Analyses, IEEE - American Control Conference, Proceedings of the 1999 (vol 1), pp. 400 – 404. [6] Shinq-Jen Wu, Cheng-Tao Wu, Yung-Yi chiou, Chin-Teng Lin, Yi-Nung Chung (2006), Balancing Control of Sliding Inverted-Wedge System:classical-method-based compensation, IEEE International Conference on SMC '06, pp. 1349 – 1354. Nguyễn Thanh Tần tốt nghiệp đại học chuyên ngành Kỹ sư Điện Tử tại Trường Đại học Cần Thơ năm 2008. Kể từ năm 2008 cho đến nay là giảng viên tại Khoa Kỹ thuật và Công nghệ, Trường Đại học Trà Vinh và hiện đang học Cao học tại Trường Đại học Sư Phạm Kỹ Thuật TP. HCM, chuyên ngành Kỹ thuật Điện tử. Hướng nghiên cứu chính là thiết kế và điều khiển hệ thống tự động hóa, lập trình giao tiếp máy tính. Nguyễn Minh Tâm sinh năm 1971. Anh nhận bằng Kỹ sư Điện Khí Hoá và Cung Cấp Điện tại Trường Đại Học Sư Phạm Kỹ Thuật Tp. Hồ Chí Minh năm 1995, bằng Thạc sỹ Kỹ thuật Điện tại Trường Đại Học Bách Khoa, Đại Học Quốc Gia Tp. Hồ Chí Minh năm 2003, và nhận bằng Tiến sỹ Kỹ thuật tại Trường Đại Học Công Nghệ Sydney, Úc năm 2010. Tiến sỹ Nguyễn Minh Tâm tham gia giảng dạy tại Khoa Điện – Điện Tử, Trường Đại Học Sư Phạm Kỹ Thuật Tp. Hồ Chí Minh từ năm 1995 đến nay. Hướng nghiên cứu chính là áp dụng kỹ thuật tính toán mềm trong xây dựng mô hình và điều khiển. VCCA-2015
7. BÀI BÁO KHOA HỌC THỰC HIỆN CÔNG BỐ THEO QUY CHẾ ĐÀO TẠO THẠC SỸ Bài báo khoa học của học viên có xác nhận và đề xuất cho đăng của Giảng viên hướng dẫn Bản tiếng Việt ©, TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT TP. HỒ CHÍ MINH và TÁC GIẢ Bản quyền tác phẩm đã được bảo hộ bởi Luật xuất bản và Luật Sở hữu trí tuệ Việt Nam. Nghiêm cấm mọi hình thức xuất bản, sao chụp, phát tán nội dung khi chưa có sự đồng ý của tác giả và Trường Đại học Sư phạm Kỹ thuật TP. Hồ Chí Minh. ĐỂ CÓ BÀI BÁO KHOA HỌC TỐT, CẦN CHUNG TAY BẢO VỆ TÁC QUYỀN! Thực hiện theo MTCL & KHTHMTCL Năm học 2016-2017 của Thư viện Trường Đại học Sư phạm Kỹ thuật Tp. Hồ Chí Minh.