Điều khiển giảm dao động cầu trục

Nội dung text: Điều khiển giảm dao động cầu trục

1. ĐIỀU KHIỂN GIẢM DAO ĐỘNG CẦU TRỤC CONTROL REDUCE OSCILLATIONS CRANE Ngô Văn Thuyên 1, Nguyễn Duy Khăm2 1Trường Đại học Sư phạm Kỹ thuật TP. Hồ Chí Minh; Email: thuyen.ngo@hcmute.edu.vn 2Trường cao đẳng nghề Vĩnh Long; Email: kham0909115368@gmail.com Tóm tắt: Hệ thống cầu trục hoạt động di chuyển tải đến Abstract: the system crane to move load there are angle vị trí đặt có góc dao động lớn gây nguy hiểm. Do đó khi oscillations large and dangerous. Therfore when control điều khiển tải đến đúng vị trí càng nhanh càng tốt với have to driver load the correct location as quickly as góc dao động phải thấp. Trong bài báo này giải pháp là possition with low oscillation angle. In this paper the dùng mạng Neuron truyền thẳng nhiều lớp với thuật toán solution is to use Neural network with back - lan truyền ngược để huấn luyện thay thế cho bộ điều propagation algorithm to train replacement for angle khiển góc lệch, bộ điều khiển dòng điện. Kết quả khi controller, current controller. Results when using neural dùng mạng Neuron điều khiển tải đến đúng vị trí yêu cầu network control crane to the correct position and angle và góc dao động thấp hơn so với phương pháp PID. of oscillation is lower than PID method. 1. Giới thiệu sai số tối thiểu. Wahyudi và cộng sự [2] dùng phương Trong thực tế có nhiều bãi vận chuyển, địa điểm pháp thông minh dựa trên tập mờ và hệ thống vòng kín, xây dựng, các nhà máy thép, nhà kho, các cơ sở lưu trữ kết quả cho thấy hiệu suất tốt hơn. Song song đó Hanafy chất thải và cụm công nghiệp nhu cầu vận chuyển các M. Omar [3] cũng dùng bộ điều khiển mờ điều khiển cho vật nặng từ vị trí này đến vị trí khác. Thông thường sử cầu trục tháp, kết quả cho thấy đạt yêu cầu tải trọng đến dụng cầu trục do người có nhiều kinh nghiệm để điều vị trí mong muốn. Một phương pháp mới Francisco khiển nhưng nếu một người chưa có kinh nghiệm thì gặp Panuncio và cộng sự [4] đề xuất kiểm soát chống lắc kết nhiều khó khăn và có thể gây nguy hiểm. Các nhà nghiên hợp điều khiển PID với bù Neural thì kết quả cho thấy cứu đã tìm cách cải thiện tính dễ sử dụng, tăng hiệu quả kết hợp điều khiển PID với bù neural có nhiều ưu điểm hoạt động và giảm vấn đề không an toàn bằng cách giải hơn so với điều khiển PD/PID cổ điển. Song song đó quyết các vấn đề của hệ thống cầu trục như sau: Ding-Li Yu và cộng sự [5] sử dụng phương pháp điều Nỗ lực khác nhau của các kỹ sư để kiểm soát giàn cầu chỉnh thông số PID tự động dựa trên mô hình neural trục đã đề xuất. Tuy nhiên, điều khiển PID vẫn là một network, kết quả cho thấy độ lỗi bù trong phạm vi thời trong những bộ điều khiển thuật toán được sử dụng rộng gian 10 mẫu và hệ thống ổn định được di trì. Haruo rãi điều khiển trong công nghiệp, Rajkumar và cộng sự Takami Matsuo và cộng sự [6] cũng có đề nghị mới cho [1] dùng bộ điều khiển PID thông thường được thay thế bộ điều khiển PID + Q có thể cải thiện sự ổn định tham bởi điều khiển Ziegler Nichols điều chỉnh PID để làm số ngõ ra và hiệu suất của hệ thống điều khiển. Ho-Hoon cho nó tổng quát hơn và để đạt được độ ổn định với các Lee and Sung-Kun Cho [7] điều khiển mờ chống lắc lư
2. trên cần trục cho không gian 3 chiều, sử dụng phương toán điều chỉnh các hệ số của các bộ điều khiển PID vị pháp điều khiển Fuzzy logic kết quả thực nghiệm đã chỉ trí và PID góc lệch. ra rằng bảo đảm kiểm soát điều khiển vị trí chính xác và 2. Mô hình toán học cầu trục tải lắc lư là đồng thời. Trong lúc tìm ra sự hội tụ nhanh Một mô hình làm việc của cầu trục gồm có một các thông số PID thì Turki Y. Abdalla and xe con có khối lượng mx chạy trên đường ray, khối lượng Abdulkareem. A. A [8] sử dụng một phương pháp tối ưu tải trọng mt, dây kéo có chiều dài l, góc lệch θ được động hóa bầy đàn (PSO) để xác định thông số PID tối ưu điều cơ kéo với lực F [9, 15] khiển robot di động theo dõi để kiểm soát tốc độ và góc. Còn Hazriq Izzuan Jaafar và cộng sự [9] làm bộ điều khiển PID tối ưu bằng cách đưa MOPSO vào phân tích để cân bằng tác động của quá trình điều chỉnh PID đến hệ thống giàn cần trục. Masilamani Muruganandam và cộng sự [10] đưa ra cách điều khiển vòng kính motor DC Hình 2.1: Sơ đồ của một hệ thống cầu trục của PID với điều khiển thông minh ANN (artificial Neural network) phương pháp này tác giả cũng so sánh Ký hiệu: với PID thông thường cho thấy việc sử dụng PID - ANN mx: Khối lượng của xe con (đơn vị là kg) giảm được thời gian tính toán, giảm được các bộ nhớ cần mt: Khối lượng của tải trọng (đơn vị là kg) thiết cho chương trình. Danijel Jolevski và cộng sự [11] l: Chiều dài của dây kéo (đơn vị là m) đưa ra phương pháp điều khiển mô hình dự báo MPC F: Lực kéo của động cơ (đơn vị là N) (Model predictive control) điều khiển cầu trục kết qủa θ: Góc lệch của dây kéo so với phương thẳng đứng cho thấy rằng MPC mang tải đến vị trí nhanh hơn, dao x: Vị trí của xe con theo phương ngang (đơn vị là m) động giảm hơn và đến đúng vị trí yêu cầu. Sách Hệ thống Một hệ thống giàn cầu trục được sử dụng từ phương điều khiển thông minh Huỳnh Thái Hoàng [12] chương trình Lagrange’s để tìm ra mô hình toán học cho hệ 3 Mạng thần kinh. Chương này nói về các phương pháp thống [16]. huấn luyện mạng thần kinh nhân tạo, mạng truyền thẳng d L L 1 lớp, mạng truyền thẳng nhiều lớp, mạng hàm cơ sở . Q1 (2.1.1) dt qi xuyên tâm. Luận văn thạc sĩ Mai Nhật Thiên [13] dùng  q1 L, Q và q tiêu biểu cho chức năng Lagragian. Chức phương pháp điều khiển chống lắc dùng cảm biến góc 1 1 năng Lagragian được viết như sau: thực và điều khiển chống lắc không dùng cảm biến góc. L = T – P (2.1.2) Luận văn thạc sĩ Đặng Viết Phương Nam [14] trình bày T: là động năng, P: là thế năng điều khiển giảm dao động cầu trục sử dụng phương pháp Thế năng của tải trọng và thế năng của xe con: điều khiển PID cổ điển và phương pháp điều khiển sử P = -mt.g.l.cosθ + 0 (2.1.3) dụng mạng noron nhân tạo. kết quả nhận dạng để tính Động năng của tải trọng và động năng của xe con:
3. 1 2 1 2 1 2 1 2 2 T m .V m .V m .V m (V V ) (2.1.4) mx mt . x mx t mt x mx t mt x mt y x 2 mt .l.cos (2.1.16) 2 2 2 2 mt .l. .sin F mt cos Trong đó: mt .l  mt .g.sin + Tọa độ vận tốc của tải theo phương ngang (trục x): Khi cầu trục chuyển động thì được xem góc lệch nhỏ và X x l.sin (2.1.5) mt tốc độ góc nhỏ do đó: Đạo hàm 2 vế: . 2 2 . . . cos 1,sin ,sin  0, 0 (2.1.17) V X m x l .cos (2.1.6) mt x t Thay (2.1.17) vào (2.1.16) ta được: + Tọa độ vận tốc của tải theo phương đứng (trục y): Y l.cos (2.1.7) mt mx mt x mt .l. F (2.1.18) Lấy đạo hàm 2 vế: mt m .l m .g. . . t  t V y l sin (2.1.8) mt y mt + Vận tốc của xe con theo phương ngang: 2.2. Mạng Neuron nhân tạo. . V x (2.1.9) Bộ não con người là một hệ thống xử lý thông tin phức mx Từ (2.1.6), (2.1.8), (2.1.9) thay vào (2.1.4) ta có: hợp có khả năng học, ghi nhớ, khái quát hóa và xử lý lỗi . . . 2 . 2 1 2 1 (2.1.10) [12] còn mạng Neuron nhân tạo là một mô hình toán học T mx.x mt . x l .cos l. sin 2 2 đơn giản của bộ não con người. Trong thực tế có nhiều Thay (2.1.3), (2.10) vào (2.1.2) ta có: . . . 2 . 2 1 2 1 cấu hình mạng neuron và các thuật toán đã được nghiên L mx.x mt . x l. .cos l..sin mt .l.g.cos 2 2 . . . . . cứu ứng dụng mà chúng ta thường gặp là: mạng truyền 1 2 1 2 2 2 mx.x mt x 2.x.l. .cos l . mt .l.g.cos 2 2 thẳng một lớp, mạng truyền thẳng nhiều lớp, mạng hàm . . . . . (2.1.11) 1 2 2 2 2 mx .x mt .x mt .2.x.l. .cos mt .l . mt .l.g.cos cơ sở xuyên tâm. Cấu trúc của mạng truyền thẳng có 2 Sử dụng từ phương trình Lagrange’s theo biến x dạng như hình 2.2 d L L . F (2.1.12) dt x  x Thay (2.1.11) vào (2.1.12) ta có phương trình: . 2 (2.1.13) mx mt .x mt .l.  cos  .sin F Hình 2.2: Cấu trúc mạng truyền thẳng nhiều lớp Sử dụng từ phương trình Lagrange’s theo biến θ Thuật toán mạng truyền thẳng nhiều lớp là thuật toán lan truyền ngược. Ta có: d L L 0 (2.1.14) . n dt   netq vqjx j ( 2.2.1) j 1 Thay (2.1.11) vào (2.1.14) ta có phương trình: mt .l. mt .x.cos mt .g.sin (2.1.15) vq: là trọng số của tế báo thần kinh thứ q của lớp ẩn Từ (2.1.13), (2.1.15) viết dưới dạng ma trận: xj: Mẫu dữ liệu vào. Tín hiệu ra của tế bào thần kinh thứ q ở lớp ẩn là:
4. n Thuật toán Kalman cho hệ thống rời rạc [18]: z a net a v x (2.2.2) q h q h  qj j j 1 ah: là hàm tác động của tế bào ở lớp ẩn. n: Số ngõ vào Tín hiệu ra của tế bào thần kinh thứ i ở lớp ra: l neti  wiq.zq (2.2.3) q 1  Yi = a0.(neti) (2.2.4) a0: là hàm tác động của tế bào ở lớp ra. 3. Điều khiển dùng mạng neuron l: Số nơron lớp ẩn Mạng neuron được sử dụng theo kiểu mạng học có giám Tín hiệu lan truyền ngược ở lớp ra: sát là mạng truyền thẳng nhiều lớp. Mô hình cầu trục ’ δy = [d – y].a 0(neti) (2.2.5) được điều khiển bởi bộ điều khiển PID để điều khiển đến vị trí. Một mạng neuron truyền thẳng được sử dụng để Tín hiệu lan truyền ngược ở lớp ẩn điều khiển góc dao động. Vì vậy, bộ điều khiển neuron m ' (2.2.6) sẽ được thiết lập lấy tín hiệu vào - ra từ bộ điều khiển hq  yi (k).wiq (k) .an (netq (k)) i 1 PID để huấn luyện mạng. vqj (k 1) vqj (k)  hq(k).x j (k) j 1,n , n: số ngõ vào (2.2.7) ղ: đại lượng ngẫu nhiên 2.3. Bộ lọc Kalman Các bộ lọc Kalman nổi tiếng bắt nguồn từ việc xây dựng không gian trạng thái hệ thống động tuyến tính nhằm Hình 3.1: Sơ đồ khối neuron điều khiển cầu trục cung cấp một giải pháp tối ưu tuyến tính hóa về lọc. Giải Bộ điều khiển PID là sự kết hợp của 3 thành phần: Thành pháp là ước lượng cập nhật trạng thái được tính toán từ phần tỉ lệ (P) đưa ra giá trị Pout dựa trên giá trị sai lệch các số liệu trước đó và dữ liệu đầu vào mới [17, 18] được tại thời điểm hiện tại; thành phần tích phân (I) đưa ra giá thực hiện như hình 2.3 trị Iout dựa trên tích lũy các giá trị sai lệch từ quá khứ đến thời điểm hiện tại; thành phần vi phân (D) tính toán giá trị Dout dựa trên tốc độ thay đổi của sai lệch. Sơ đồ Hình 2.3: Chu kỳ của bộ lọc Kalman rời rạc khối của bộ điều khiển PID được thể hiện ở Hình 3.2.
5. BIEU DO GOC DAO DONG DIEU KHIEN CAU TRUC DUNG MANG NEURON 20 PID 15 Neuron 10 5 0 -5 Goc dao dong (do) Goc dong dao -10 -15 -20 0 1 2 3 4 5 6 7 8 9 10 Time (s) Hình 3.2: Sơ đồ khối bộ điều khiển PID Hình 3.16: Biều đồ kết quả góc dao động dùng Trong đó: - Setpoint: là giá trị mong muốn đạt được tại mạng neuron điều khiển cầu trục tải 10 kg BIEU DO DONG DIEN DIEU KHIEN CAU TRUC DUNG MANG NEURON ngõ ra của đối tượng điều khiển. 25 PID Neuron - Process variable: tín hiệu hồi tiếp mà bộ điều 20 15 khiển nhận được từ đối tượng điều khiển. 10 5 (A) dien Dong - Control variable: giá trị ngõ ra của bộ điều 0 khiển. -5 -10 0 1 2 3 4 5 6 7 8 9 10 - Error: giá trị sai lệch giữa giá trị đặt và giá trị Time (s) Hình 3.17: Biều đồ kết quả dòng điện dùng hiện tại ở ngõ ra của đối tượng điều khiển. mạng neuron điều khiển cầu trục tải 10 kg - Output: đại lượng vật lý cần điều khiển. 4. ĐIỀU KHIỂN HỆ THỐNG THỰC + Kết quả mạng Neuron điều khiển cầu trục Mô hình thực nghiệm bao gồm 1 động cơ DC (1) dùng Qua nhiều lần thực hiện huấn luyện mạng tác giả đã để chuyền động qua hệ thống bánh răng và dây đai, một chọn mạng có 5 đầu vào, 1 đầu ra, trong lớp ẩn có 4 xe dịch chuyển (2), một thanh ngang có lắp tải (3), một neuron, số lần học là 1000 lần. Kết quả ngõ ra góc dao encoder dùng để đo góc (4) và 1 encoder để đo vị trí (5), động giảm tốt khi sử dụng mạng neuron truyền thẳng một board mạch điều khiển (6) và một máy tính (7). nhiều lớp thể hiện như Hình 3.15, Hình 3.16, Hình 3.17 như sau: BIEU DO VI TRI DIEU KHIEN CAU TRUC DUNG MANG NEURON 1.4 PID Neuron 1.2 1 0.8 Vi tri (m) 0.6 Hình 4.1: Mô hình cầu trục thực nghiệm 0.4 4.1. Mô hình thực nghiệm dùng phương pháp Neuron 0.2 0 0 1 2 3 4 5 6 7 8 9 10 Từ kết quả thực nghiệm PID tác giả tiến hành lấy thông Time (s) số cho mạng neuron học với 5 ngõ vào, 1 ngõ ra số Hình 3.15: Biều đồ kết quả vị trí dùng mạng neuron điều khiển cầu trục tải 10 kg
6. neuron trong lớp ẩn là 20 neuron sau 1000 lần học sau Điện áp DC 8 – 30V, dải đo 0 – 3600 ngõ ra 0 – 5V. Có đó sử dụng khối neuron điều khiển cầu trục như hình 4.2 sơ đồ khối như Hình 4.5. Hình 4.2: Sơ đồ khối thực nghiệm dùng mạng Neuron Hình 4.5: Sơ đồ khối thực nghiệm mạng neuron + Kết quả thực nghiệm dùng phương pháp Neuron điều khiển dùng cảm biến áp Qua quá trình nhiều lần thực nghiệm tác giả thu thập dữ + Kết quả thực nghiệm dùng cảm biến áp với tải 10 kg liệu dùng mạng Neuron kết quả được thể hiện trong Tác giả tiến hành thu thập dữ liệu thực nghiệm dùng Hình 4.3, Hình 4.4 như sau: mạng Neuron điều khiển cầu trục kết quả được thể hiện BIEU DO VI TRI DIEU KHIEN CAU TRUC DUNG MANG NEURON 120 PID Neuron 100 trong Hình 4.6, Hình 4.7 như sau: 80 60 BIEU DO VI TRI DIEU KHIEN CAU TRUC 140 Vi tri (cm) PID Cam bien encoder 1 40 Cam bien encoder 2 120 20 100 0 0 2 4 6 8 10 12 14 80 Time (s) Hình 4.3: Biều đồ kết quả thực nghiệm vị trí Vi tri (cm) 60 40 dùng phương pháp Neuron 20 0 0 2 4 6 8 10 12 14 16 Time (s) BIEU DO GOC DAO DONG DIEU KHIEN CAU TRUC DUNG MANG NEURON 4 PID Hình 4.6: Biểu đồ so sánh kết quả thực nghiệm vị 2 Neuron trí dùng PID, Neuron có cảm biến encoder 1 và cảm 0 biến encoder 2 với tải 10kg -2 -4 BIEU DO GOC DAO DONG DIEU KHIEN CAU TRUC 15 (do) Gocdong dao -6 PID 10 Cam bien encoder Cam bien dien ap -8 5 Cam bien dien ap qua bo loc Kalman -10 0 0 2 4 6 8 10 12 14 Time (s) -5 Hình 4.4: Biểu đồ kết quả thực nghiệm góc dao -10 Goc dao dong (do) Gocdong dao động dùng phương pháp neuron -15 -20 -25 4.2. Phương pháp neuron điều khiển cầu trục dùng cảm 0 2 4 6 8 10 12 14 16 Time (s) biến áp. Hình 4.7: Biểu đồ so sánh góc dao động dùng Mạng Neuron điều khiển cầu trục sử dụng cảm biến áp PID, Neuron có cảm biến encoder và cảm biến áp loại XYK – BMJ – 38Z6 - v5 có độ phân giải 12 bit. với tải 10 kg
7. Tác giả tiến hành thử nghiệm với tải 20 kg trong trường Emerging Technology and Advanced hợp Neuron có sử dụng cảm biến áp cho kết quả như Engineering, Gwalior, April 2012. Volume 2: p. 312-315. hình 4.8 và hình 4.9 2. Wahyudi, et al., “Control Strategy for BIEU DO VI TRI DIEU KHIEN CAU TRUC Automatic Gantry Crane Systems: A 120 Practical and Intelligent Approach”. 100 International Journal of Advanced Robotic 80 Systems, Malaysia, 2007. Vol. 4, No. 4: p. 60 447-456. Vi tri (cm) 3. Omar, H.M., "Control of Gantry and 40 PID Cam bien encoder 1 Tower Cranes". 2003, Virginia Cam bien encoder 2 20 Polytechnic Institute and State University. 0 0 2 4 6 8 10 12 14 p. 114. Time (s) 4. Panuncio, F., W. Yu, and X. Li, “Stable Hình 4.8: Biểu đồ so sánh kết quả thực nghiệm vị Neural PID Anti-Swing Control for an trí dùng PID, Neuron có cảm biến encoder 1 và Overhead Crane” IEEE International cảm biến encoder 2 với tải 20 kg Symposium on Intelligent Control (ISIC) Part of 2013 IEEE Multi-Conference on BIEU DO GOC DAO DONG DIEU KHIEN CAU TRUC Systems and Control Hyderabad, India, 20 PID 15 Cam bien encoder August 28-30, 2013: p. 53- 58. Cam bien dien ap 10 Cam bien dien ap qua bo loc Kalman 5. Yu, D.-L., T.K. Chang, and D.-W. Yu, 5 “Fault Tolerant Control of Multivariable 0 Processes Using Auto-Tuning PID -5 Goc dao dong (do) Gocdong dao Controller”. IEEE Transactions On -10 Systems, Man, and Cybernetics – Part B: -15 -20 0 2 4 6 8 10 12 14 Cybernetics, February 2005. VOL. 35, Time(s) NO. 1. Hình 4.9: Biểu đồ so sánh góc dao động dùng 6. Matsuo, T., et al., “Nominal Performance PID, Neuron có cảm biến encoder và cảm biến áp Recovery by PID + Q Controller and Its với tải 20 kg Application to Antisway Control of Crane Lifter With Visual Feedback” IEEE 5. KẾT LUẬN Transactions On Control Systems Trong bài báo này kết quả mô phỏng và thực nghiệm cho Technoloy, January 2004. Vol. 12, No. 1: thấy rằng việc giảm dao động cầu trục bằng phương p. 156-166. 7. Lee, H.-H. and S.-K. Cho, “A New Fuzzy- pháp dùng mạng neuron cho kết quả tốt. So sánh với Logic Anti-Swing Control for Industrial phương pháp PID thì mạng neuron kết quả điều khiển Three - imensional Overhead Crane”. chính xác hơn và thời gian xác lập nhanh hơn. Proceedings of the 2001 IEEE International Conference on Robotics & TÀI LIỆU THAM KHẢO Automation Seoul, Korea May 21-26, 2001: p. 2956 – 2961. 1. Rajkumar Bansal, A.P., Vijay Bhuria, ,, , 8. Abdalla, T.Y. and Abdulkareem, "PSO- Issue 4, , pp. , “Design of PID Controller based Optimum Design of PID Controller for Plant Control and Comparison with Z-N for Mobile Robot Trajectory Tracking". PID Controller”. International Journal of International Journal of Computer
8. Applications (0975 – 8887) Basrah,Iraq, Research Laboratory, Hamilton, Ontario, June 2012. Vol 47 - No.23: p. 30-35. Canada. 2001: WILEY- 9. Jaafar, H.I., et al., “Optimal PID Controller INTERSCIENCE Parameters for Nonlinear Gantry Crane 18. Welch, G. and G. Bishop, "An System via MOPSO Technique” IEEE Introduction to the Kalman Filter". Conference on Sustainable Utilization and University of North Carolina at Chapel Hill, Development in Engineering and 2006. Technology, Malaysia, 2013: p. 86-91. 10. Muruganandam, M. and M. Madheswaran, "Stability Analysis and Implementation of Chopper fed DC Series Motor with Hybrid PID-ANN Controller" International Journal of Control, Automation, and Systems, 2013: p. 967-975. 11. Jolevski, D. and O. Bego, "Model predictive control of gantry/bridge crane with anti-sway algorithm". Journal of Mechanical Science and Technology, 2015: p. 827-834. 12. Huỳnh Thái Hoàng, Hệ Thống Điều Khiển Thông Minh. 2006: Nhà xuất bản ĐHQG TP.HCM. 421. 13. Mai Nhật Thiên, Điều khiển chống lắc không dùng cảm biến góc trong hệ thống cần trục tự động. 2013, Trường Đại học Sư phạm Kỹ Thuật TP HCM. 14. Đặng Viết Phương Nam, Nhận Dạng Và Điều Khiển Giảm Dao động Cầu Trục. 2012, Trường Đại học Sư phạm Kỹ Thuật TP HCM. 15. Hussien, S.Y.S. and H.I. Jaafar, "The Effects of Auto-Tuned Method in PID and PD Control Scheme for Gantry Crane System". International Journal of Soft Computing and Engineering (IJSCE), January 2015 4: p. 121-125. 16. Jaafar, H.I., et al., "PSO-Tuned PID Controller for a Nonlinear Gantry Crane System". IEEE International Conference on Control System, Computing and Engineering,Penang, Malaysia, 23 - 25 Nov. 2012: p. 515-519. 17. Haykin, S., "Kalman Filtering and Neural Networks", ed. M.U. Communications
9. 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 B n ti ng Vi t ©, T NG I H C S PH M K THU T TP. H CHÍ MINH và TÁC GI Bản quếy n táệc ph mRƯ ãỜ cĐ bẠ o hỌ b Ưi Lu tẠ xu t Ỹb n vàẬ Lu t S hỒ u trí tu Vi t Nam. NgẢhiêm c m m i hình th c xu t b n, sao ch p, phát tán n i dung khi c a có s ng ý c a tác gi và ả ng ề i h ẩ pđh đưm ợK thuả tộ TP.ở H ậChí Mấinh.ả ậ ở ữ ệ ệ ấ ọ ứ ấ ả ụ ộ hư ự đồ ủ ả Trườ Đạ ọCcÓ Sư BÀI BạÁO KHỹ OA ậH C T ồT, C N CHUNG TAY B O V TÁC QUY N! ĐỂ Ọ Ố Ầ Ả Ệ Ề Th c hi n theo MTCL & KHTHMTCL h c 2017-2018 c a T vi n ng i h c S ph m K thu t Tp. H Chí Minh. ự ệ Năm ọ ủ hư ệ Trườ Đạ ọ ư ạ ỹ ậ ồ