Điều khiển PID một nơ-ron thích nghi dựa trên bộ nhận dạng mạng nơ-ron RBF

Nội dung text: Điều khiển PID một nơ-ron thích nghi dựa trên bộ nhận dạng mạng nơ-ron RBF

1. ĐIỀU KHIỂN PID MỘT NƠ-RON THÍCH NGHI DỰA TRÊN BỘ NHẬN DẠNG MẠNG NƠ-RON RBF ADAPTIVE SINGLE NEURAL PID CONTROL BASED ON RBF NEURAL NETWORK IDENTIFICATION TS Nguyễn Chí Ngôn (1) & Trần Thanh Tú (2) (1) Khoa Công nghệ - trường Đại học Cần Thơ ncngon@ctu.edu.vn (2) Học viên cao học trường ĐHSPKTTPHCM tran.thanh.tu.thtpct@gmail.com.vn TÓM TẮT Nghiên cứu này nhằm mục tiêu xây dựng bộ điều khiển PID một nơ-ron thích nghi để điều khiển đối tượng phi tuyến chưa biết trước tham số và cấu trúc. Bộ điều khiển PID được tổ chức dưới dạng một nơ-ron tuyến tính mà ở đó ba trọng số kết nối của ba ngõ vào nơ-ron tương ứng với ba thông số Kp, Ki, và Kd của bộ điều khiển. Áp dụng giải thuật huấn luyện trực truyến (online) nơ-ron cho phép tự điều chỉnh thông số bộ điều khiển thích nghi theo sự biến đổi đặc tính động của đối tượng. Bộ nhận dạng mạng nơ-ron RBF làm nhiệm vụ nhận dạng không tham số mô hình đối tượng, từ đó đưa ra thông tin Jacobian còn gọi là độ nhạy của đối tượng. Bộ nhận dạng này được huấn luyện trực tuyến bằng phương pháp gradient descent. Giải thuật huấn luyện bộ điều khiển PID một nơ-ron cần thông tin Jacobian từ bộ nhận dạng, để tính toán các giá trị gradient dùng để cập nhật các trọng số kết nối của nơ-ron PID. Kiểm nghiệm qua mô phỏng trên MATLAB và tiến tới thực nghiệm trên hệ ổn định áp suất RT030 của hãng Gunt-Hamburg, Đức. Kết quả cho thấy đáp ứng của đối tượng thỏa mãn các yêu cầu điều khiển khắc khe, triệt tiêu được sai số xác lập và độ vọt lố nằm trong phạm vi cho phép. Từ khóa: Điều khiển PID một nơ-ron; Mạng nơ-ron RBF; Bộ nhận dạng; ABSTRACT This study aims to develop a single neuron adaptive PID controller for unknown systems. A PID controller is constructed as a linear neuron that three input weights of neuron work as three parameters Kp, Ki and Kd of the PID controller. Applying an online learning algorithm for this neuron allows self-tuning the PID controller adapting to behaviors of system dynamics. A RBF neural network - based non-parametric model identifier provides Jacobian information, also known as the sensitivity of the subject. This neural network identifier is online trained by using gradient descent method. The PID training algorithm needs Jacobian information from the identifier to calculate gradient values used to update weights of PID neuron. The controller was tested by simulation on MATLAB and experiment on RT030 Air Pressure Control Unit of Gunt-Hamburg, Germany. The results show that the system responses satisfy the requirements of control performance, eliminating steady-state error, and achieving safe overshoot. quan tâm nghiên cứu của các nhà khoa học[1-3]. 1. Đặt vấn đề: Các bộ điều khiển PID sử dụng nhiều Các bộ điều khiển PID được sử dụng rộng trong các vòng kiểm soát của các quá trình công rãi trong việc kiểm soát quá trình công nghiệp nghiệp. Các thông số của nó là cần phải được bởi vì đơn giản và mạnh mẽ. Tuy nhiên, thông điều chỉnh chức năng của quy trình kiểm soát và thường bộ điều khiển PID với các thông số cố không thay đổi trong quá trình hoạt động thường định khó có thể thích ứng với thời gian khác xuyên của nó. nhau của các đối tượng có đặc tính động trong phạm vi rộng[1-5]. Để cải thiện hiệu suất điều Bộ điều khiển PID truyền thống có những khiển, bộ điều khiển PID tự điều chỉnh được ưu điểm của nó, tuy nhiên bộ điều khiển PID 1
2. truyền thống không có khả năng thích ứng, các 2.2. Bộ nhận dạng đối tượng điều khiển. thông số của nó phải liên quan đến một hệ thống nhất định với mô hình và thông số cụ thể. Một x1 h1 w khi các thông số được thiết lập, chúng chỉ được 1 sử dụng cho một điều kiện duy nhất vì vậy rất x w2 khó cho để điều chỉnh các thông số on-line khi 2 h2 ∑ đối tượng điều khiển bị thay đổi. w Vì vậy, bộ điều khiển PID một nơ-ron 3 x3 h3 thích nghi được thiết kế bởi sự kết hợp cấu trúc một nơ-ron với giải thuật PID. Nó có hiệu suất Hình 2. Mạng nơ-ron RBF 3 ngõ vào. mạnh mẽ trong điều khiển PID và có khả năng tự học và thích nghi. Khi hệ thống có thay đổi Một mạng nơ-ron RBF điển hình, đó là không thể chấp nhận trong hoạt động do thay đổi cấu trúc mạng ba lớp, thể hiện trong Hình 2. Các mô hình hoặc không chính xác, bộ điều khiển có nơ-ron trong lớp ẩn chứa các hàm chuyển đổi thể điều chỉnh các thông số trọng số của PID tự Gaussian có kết quả đầu ra được tỉ lệ nghịch với động giữ được hiệu quả mong muốn. khoảng cách từ trung tâm của các nơ-ron. Một 2. Phương pháp thiết kế. ánh xạ phi tuyến từ đầu vào đến đầu ra, trong khi 2.1. Sơ đồ điều khiển. tuyến tính từ lớp ẩn lớp đầu ra trong mạng nơ- ron RBF có thể nâng cao tỷ lệ việc học và tránh tối thiểu cục bộ. - e r + Điều khiển u Đối tượng PID 1 nơ-ron điều khiển y 2.2.1. Bộ nhận dạng dựa trên mạng nơ-ron RBF. + Giả sử véc-tơ xuyên tâm của mạng RBF Jacobian Bộ nhận thông qua hàm Gaussian đa biến[5]. dạng mạng ym - RBF Hình 1. Cấu trúc điều khiển PID một nơ-ron thích nghi dựa trên mạng nơ-ron RBF. ℎ = (1) Véc-tơ trọng số của mạng là W: Mạng nơron RBF đóng vai trò nhận dạng mô hình không tham số của đối tượng, từ đó xác = , , , . định được độ nhạy của đáp ứng đối với tín hiệu Ngõ ra ym của mạng được viết: điều khiển, còn gọi là thông tin Jacobian. Từ thông tin Jacobian, một nơron tuyến tính với 3 () = + ℎ + ℎ + ⋯ + ℎ ngõ vào sẽ được huấn luyện trực tuyến. Nơ-ron này được tổ chức như một bộ điều khiển PID mà = + ℎ (2) ở đó bộ trọng số của nơ-ron chính là 3 tham số K , K và K của bộ điều khiển PID. Từ đó, bộ p d i điều khiển PID được tự chỉnh thích nghi với sự thay đổi của đặc tính động của hệ thống. 2.2.2. Giải thuật huấn luyện trực tuyến bộ nhận dạng. Hiệu suất của bộ điều khiển được định nghĩa đánh giá thông qua hàm chi phí (cost function) sau: 2
3. () = ( − 1) − ∆1 + ∆2 + 1 = () − () (3) ∆3 (10) 2 Với sai biệt giữa tín hiệu tham khảo với Theo phương pháp gradient descent, lặp đáp ứng của hệ thống: lại thuật toán của trọng lượng, nút trung tâm và các thông số xuyên tâm nút như sau: () = () − () (11) ()=( − 1)+η() − ()ℎ + Ba ngõ vào của bộ PID một nơ-ron được ( − 1) − ( − 2) (4) xác định: ∆1 = () − ( − 1) ∆ = () − () ℎ (5) ∆2 = () (12) = ( − 1) − ∆ + ( − 1) − ∆3 = () − 2( − 1) + ( − 2) Cấu trúc bộ điều khiển PID một nơ-ron ( − 2) (6) tuyến tính trên hình 3 áp dụng trong nghiên cứu ∆ = () − () (7) này là: = ∆1 + ∆2 + ∆3 () = ( − 1) + ∆ + ( − 1) () = () = (13) − ( − 2) (8) () = ( − 1) + () Trong đó:  là tốc độ học, α là momentgen. ma trận Jacobian (độ nhạy của đầu Trong đó: w11, w12, w13 là các trọng số nối ra thiết bị với đầu vào được điều khiển) giải kết của nơ-ron, chính là bộ ba thông số Kp, Ki, thuật như sau: Kd của bộ điều khiển PID và chúng được cập nhật trực tuyến trong quá trình điều khiển. 2.3.2. Giải thuật huấn luyện bộ điều khiển PID () () − ≈ = ℎ (9) một nơ-ron. () () Trong đó: Các thuật toán điều khiển PID cơ bản được biết đến các tài liệu[34] như sau: = (). () = () + ∑ () + ( ) ( ) 2.3. Bộ điều khiển PID một nơ-ron. − − 1 (14) 2.3.1. Cấu trúc bộ điều khiển PID một nơ- Lỗi hệ thống e(k) như sau: ron () = () − () (15) Ba đầu vào PID như sau: () = () − ( − 1) = ∆(), Jacobian từ bộ nhận dạng mạng nơ-ron RBF () = () Hình 3. Cấu trúc bộ điều khiển PID một nơ- ron. () = () − 2( − 1) Phương trình mô tả được thiết lập: + ( − 2) (16) 3
4. Vì vậy ngõ ra điều khiển như sau: (Hình 4) sản xuất là một mô hình thí nghiệm nhỏ cung cấp cho chúng ta cơ hội tiếp cận các kỹ thuật điều khiển hiện đại. Với những hỗ trợ phần () = () + () + cứng lẫn phần mềm được tích hợp trong thiết bị () (17) giúp chúng ta có thể học tập, nghiên cứu sâu hơn lý thuyết đã được học. Trong đó wi là trọng số của mạng nơ-ron Hệ thống thử nghiệm được thiết đặt trên RBF. một khối với các thiết bị điện tử tương thích bên trong. Bình chịu áp được nạp bằng khí nén thông Mức trung bình của bình phương lỗi qua màng bơm khí. Ưu điểm của máy đo áp kế E(k) của hệ thống xác định bởi: dạng đồng hồ là áp suất trong bình chịu áp có thể được quan sát bất cứ lúc nào. Áp suất được đo 1 () = () (18) bằng cảm biến áp suất. Tín hiệu ngõ ra của cảm 2 biến được gởi đến phần mềm điều khiển trên máy tính. Tín hiệu ngõ ra của bộ điều khiển sẽ Việc điều chỉnh các thông số kp, ki, kd ảnh hưởng đến tốc độ của màng bơm khí và tốc thông qua phương pháp gradient descent. độ bơm khí. Khí nén được giải phóng bằng cách sử dụng van điều tiết. Một cái van từ để giải phóng khí nén được kích hoạt bằng phần mềm điều khiển để kiểm tra ảnh hưởng của biến ∆ = − = − nhiễu. = () () (19) ∆ = − = − Hình 4. Hệ điều khiển áp suất RT030 = () () (20) 1. Máy bơm; 2. Hiển thị và điều khiển; 3.Van xả; 4. Van từ; 5. Cảm biến áp suất; 6. Áp kế; 7. ∆ = − = − Bình chứa = () () (21) Bộ phần mềm tiên tiến là một phần của hệ thống, được thể hiện theo nguyên tắc tích hợp phần cứng – phần mềm (HSI). Nó cho phép các Trong đó ∂y/∂u là thông tin Jacobian của thí nghiệm được tiến hành và đánh giá một cách đối tượng điểu khiển. Nó nhận được từ bộ nhận thân thiện với người sử dụng. Ngoài ra phần mềm còn có khả năng liên kết mạng. Kết nối dạng mạng nơ-ron RBF. giữa bộ kit thí nghiệm với máy tính thông qua cổng USB. 2.4. Đối tượng điều khiển hệ ổn áp RT030. Thông số kỹ thuật: Nghiên cứu này hướng đến việc kiểm Công suất tối đa của máy bơm: nghiệm giải thuật điều khiển trên thiết bị RT030. 3bar/phút. Hệ ổn định áp suất RT030 do Gunt Hamburg 4
5. Áp suất tối đa của máy bơm: sản xuất. 1bar Áp suất tối thiểu của máy bơm: 250mbar. Sức chứa của bình: 0.4L. Áp suất làm việc: 1bar. Áp suất tối đa của bình: 10bar. Áp suất điều khiển trong khoảng: 0 – 1bar. Van từ: 0.11m3/h. Bộ chuyển đổi áp suất: 0 – 1bar. Áp kế: 0 – 1bar. Hình 6. Ngõ ra của mô hình và thông tin Phần mềm điều khiển hỗ trợ: bộ Jacobian xác định từ bộ nhận dạng mạng nơ-ron điều khiển P, PI, PID và điều RBF. khiển đóng ngắt. Tính năng của thiết bị: Kit thí nghiệm với màng bơm khí và bình chịu áp. Mở rộng phạm vi thí nghiệm với các nguyên tắc cơ bản của kỹ thuật điều khiển. Phần mềm tiên tiến với nhiều hỗ trợ. Mô phỏng dựa trên phần mềm của hệ thống điều khiển. Hình 7. Tham số bộ điều khiển PID một nơ- 3. Kết quả và thảo luận. ron thay đổi trong quá trình điều khiển. Kết quả thực nghiệm kiểm chứng lại giải Qua thực nghiệm cho thấy giải thuật thuật đã thiết kế trên đối tượng điều khiển hệ ổn huấn luyện PID một nơ-ron thích nghi tự điều áp RT030, ở đây chúng ta có sự so sánh giữa chỉnh cho ra đáp ứng tốt hơn so với đáp ứng của đáp ứng của hệ thống của bộ điều khiển PID kinh điển do nhà sản xuất cung cấp với đáp ứng PID kinh điển (hình 5). Từ thực nghiệm cho kết hệ thống của bộ điều khiển PID một nơ-ron thích quả ổn định hội tụ tốt, triệt tiêu sai số xác lập và nghi đã thiết kế trên hình 5. Ngõ ra của mô hình vọt lố cho phép. và thông tin Jacobian xác định từ bộ nhận dạng So với những phương pháp thiết kế và mạng nơ-ron RBF trên hình 6. Tham số bộ điều khiển PID một nơ-ron thay đổi trong quá trình hiệu chỉnh off-line, ưu điểm nổi bật của phương điều khiển trên hình 7. pháp này là thiết kế và tự chỉnh bộ điều khiển một cách trực tuyến và không cần biết tham số của đối tượng điều khiển. 4. Kết luận: Nghiên cứu này đã đề xuất một bộ điều khiển thông minh, đối tượng điều khiển được nhận dạng trực tuyến bởi mạng nơ-ron RBF. Các Hình 5. Đáp ứng hệ thống của PID một nơ- tham số của bộ điều khiển PID được tổ chức ron thích nghi và đáp ứng hệ thống kinh điển do nhà dưới dạng bộ trọng số của một nơ-ron tuyến tính 5
6. ba ngõ vào và được điều chỉnh thích nghi trong khiển này. Hướng phát triển của nghiên cứu này quá trình điều khiển. Hướng phát triển đề tài là tiến đến áp dụng bộ điều khiển đã đề xuất vào dùng giải cập nhật trọng số nào đó để đạt tốc độ các mô hình thực, đồng thời khảo sát khi có tác hội tụ bậc hai. Các kết quả từ phòng thí nghiệm động của nhiễu từ bên ngoài. cũng chính là sự hạn chế khi khảo sát bộ điều TÀI LIỆU THAM KHẢO [1] Nguyen Chi Ngon, 2011. Bộ điều khiển PI mờ: Từ thiết kế đến ứng dụng, Tạp chí Khoa học, Đại Học Cần Thơ, Số18a-2011, trang 82-92. ISSN: 1859-2333. [2] K. J. Astrom, T. Hagglund, C. C. Hang, and W. K. Ho, Automatic tuning and adaptation for PID controllers A survey, IFAC J. Contr. Eng. Practice, vol. 1, no. 4, pp. 699–714, 1993. [3] Junghui Chen, Tien-Chih Huang.Applying neural network to on-line updated PID controllers for nonlinear process control. Journal of Process Control ,No.14 (2004), P211–230. [4] Ching-hung Lee,Yi-Hshiung Lee.A Novel robust PID controller design by fuzzy nơ-ron network. Proceedings of the American Control conference.May 8-10,2002, pp1561-1566. [5] Zhang, M., X. Wang, M. Liu, 2005. Adaptive PID Control Based on RBF Neural Network Identification. Proc. 17thIEEE Inter. Conf. on Tools with Artificial Intell., ICTAI'05, pp. 681-683. 6
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.