Luận văn: NGHIÊN CỨU ỨNG DỤNG MẠNG NƠRON TRUYỀN THẲNG NHIỀU LỚP TRONG ĐIỀU KHIỂN THÍCH NGHI VỊ TRÍ ĐỘNG CƠ ĐIỆN MỘT CHIỀU KHI CÓ THÔNG SỐ VÀ TẢI THAY ĐỔI

Chia sẻ: Nguyen Bao Ngoc | Ngày: | Loại File: PDF | Số trang:95

Thêm vào BST

Báo xấu

267
lượt xem 99
download

Download Vui lòng tải xuống để xem tài liệu đầy đủ

Để điều khiển chính xác đối tượng khi chưa biết rõ được thông số, trước tiên ta phải hiểu rõ đối tượng đó. Đối với đối tượng có thông số thay đổi như động cơ một chiều và có tải thay đổi, ta cần thực hiện nhận dạng đặc tính vào ra của nó để đảm bảo tạo ra tín hiệu điều khiển thích nghi được lựa chọn chính xác hơn. Hiện nay thường dùng lôgíc mờ (Fuzzy Logic), mạng nơron (Neural Networks), và mạng nơron mờ (Fuzzy Neural Networks) để nhận dạng và điều khiển thích nghi hệ thống có thông số thay đổi....

Chủ đề:

Bình luận(0) Đăng nhập để gửi bình luận!

Lưu

Nội dung Text: Luận văn: NGHIÊN CỨU ỨNG DỤNG MẠNG NƠRON TRUYỀN THẲNG NHIỀU LỚP TRONG ĐIỀU KHIỂN THÍCH NGHI VỊ TRÍ ĐỘNG CƠ ĐIỆN MỘT CHIỀU KHI CÓ THÔNG SỐ VÀ TẢI THAY ĐỔI

ĐẠI HỌC THÁI NGUYÊN TRƯỜNG ĐẠI HỌC KỸ THUẬT CÔNG NGHIỆP VŨ MẠNH THỦY NGHIÊN CỨU ỨNG DỤNG MẠNG NƠRON TRUYỀN THẲNG NHIỀU LỚP TRONG ĐIỀU KHIỂN THÍCH NGHI VỊ TRÍ ĐỘNG CƠ ĐIỆN MỘT CHIỀU KHI CÓ THÔNG SỐ VÀ TẢI THAY ĐỔI LUẬN VĂN THẠC SĨ TỰ ĐỘNG HÓA THÁI NGUYÊN - 2009 Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên http://www.Lrc-tnu.edu.vn
ĐẠI HỌC THÁI NGUYÊN CỘNG HÒA XÃ HỘI CHỦ NGHĨA VIỆT NAM TRƯỜNG ĐHKT CÔNG NGHIỆP Độc lập - Tự do - Hạnh phúc *** ---------o0o--------- THUYẾT MINH LUẬN VĂN THẠC SĨ TỰ ĐỘNG HÓA ĐỀ TÀI: NGHIÊN CỨU ỨNG DỤNG MẠNG NƠRON TRUYỀN THẲNG NHIỀU LỚP TRONG ĐIỀU KHIỂN THÍCH NGHI VỊ TRÍ ĐỘNG CƠ ĐIỆN MỘT CHIỀU KHI CÓ THÔNG SỐ VÀ TẢI THAY ĐỔI Học viên: Vũ Mạnh Thủy Lớp: CHK10 Chuyên ngành: Tự động hóa Người HD khoa học: TS. Phạm Hữu Đức Dục Ngày giao đề tài: 01/02/2009 Ngày hoàn thành: 30/07/2009 KHOA ĐT SAU ĐẠI HỌC NGƯỜI HƯỚNG DẪN HỌC VIÊN KHOA HỌC T.S Phạm Hữu Đức Dục Vũ Mạnh Thủy THÁI NGUYÊN – Năm 2009 Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên http://www.Lrc-tnu.edu.vn
M ỤC L ỤC Lời cam đoan Trang Danh mục các ký hiệu, bảng, các chữ viết tắt Danh mục các hình vẽ, đồ thị Phần mở đầu 1 Chƣơng 1: TỔNG QUAN VỀ MẠNG NƠRON NHÂN TẠO 4 1.1 Lịch sử phát triển của mạng nơron nhân tạo 4 1.2 Các tính chất của mạng nơron nhân tạo 5 1.3 Mô hình nơron 5 1.3.1 Mô hình nơron sinh học 5 1.3.2 Nơron nhân tạo 7 1.4 Cấu tạo mạng nơron 10 1.5 Cấu trúc mạng nơron 11 1.6 Phƣơng thức làm việc của mạng nơron 13 1.7 Các luật học 14 1.8 Mạng nơron truyền thẳng và mạng nơron hồi quy 18 1.8.1 Mạng nơron truyền thẳng 18 1.8.1.1 Mạng nơron truyền thẳng một lớp nơron 18 1.8.1.2 Mạng nơron truyền thẳng nhiều lớp nơron 18 1.8.2 Mạng nơron hồi quy 19 1.8.2.1 Mạng hồi quy không hoàn toàn 19 1.8.2.2 Mạng các dãy của Jordan 20 1.8.2.3 Mạng hồi quy đơn giản 21 1.8.2.4 Mạng hồi quy hoàn toàn 21 1.9 Ứng dụng mạng nơron trong điều khiển tự động 22 1.10 Công nghệ phần cứng sử dụng mạng nơron 24 Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên http://www.Lrc-tnu.edu.vn
1.11 So sánh khả năng của mạng nơron với mạch logic 25 1.12 Kết luận chƣơng 1 25 Chƣơng 2: CÁC PHƢƠNG PHÁP ỨNG DỤNG MẠNG NƠRON TRONG NHẬN DẠNG VÀ ĐIỀU KHIỂN 26 2.1 Các phƣơng pháp ứng dụng mạng nơron trong nhận dạng 26 2.1.1 Khái quát chung 26 2.1.1.1 Đặt vấn đề 26 2.1.1.2 Định nghĩa 27 2.1.1.3 Sơ lược về sự phát triển của các phương pháp nhận dạng 27 2.1.1.4 Các bước cơ bản để nhận dạng hệ thống 28 2.1.2 Các phương pháp nhận dạng 29 2.1.2.1 Nhận dạng On-line 30 2.1.2.1.1 Phương pháp lặp bình phương cực tiểu 30 2.1.2.1.2 Phương pháp xấp xỉ ngẫu nhiên 31 2.1.2.1.3 Phương pháp lọc Kalman mở rộng 31 2.1.2.2 Nhận dạng Off-line 33 2.1.2.2.1 Phương pháp xấp xỉ vi phân 34 2.1.2.2.2 Phương pháp gradient 34 2.1.2.2.3 Phương pháp tìm kiếm trực tiếp 36 2.1.2.2.4 Phương pháp tựa tuyến tính 36 2.1.2.2.5 Phương pháp sử dụng hàm nhạy 37 2.1.2.3 Nhận dạng theo thời gian thực 37 2.1.3 Mô tả toán học của đối tượng ở rời rạc 38 2.1.4 Mô hình dùng mạng nơron 41 2.1.4.1 Mô hình nhận dạng kiểu truyền thẳng 41 2.1.4.2 Mô hình ngược trực tiếp 45 Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên http://www.Lrc-tnu.edu.vn
2.1.5 Tính gần đúng hàm số dung mạng nơron 45 2.1.6 Mô hình mạng nơron trong nhận dạng và điều khiển 46 2.2 Các phƣơng pháp ứng dụng mạng nơron trong điều khiển 47 2.2.1 Các phương pháp ứng dụng mạng nơron trong điều khiển 47 2.2.1.1 Điều khiển thích nghi sử dụng nguyên tắc chung 47 2.2.1.2 Điều khiển có tín hiệu chỉ đạo 47 2.2.1.3 Điều khiển theo mô hình 47 2.2.1.4 Điều khiển ngược trực tiếp 49 2.2.1.5 Điều khiển mô hình trong 49 2.2.1.6 Điều khiển tối ưu 49 2.2.1.7 Điều khiển tuyến tính thích nghi 50 2.2.1.8 Phương pháp bảng tra 50 2.2.1.9 Điều khiển lọc 50 2.2.1.10 Điều khiển dự báo 50 2.2.2 Điều khiển thích nghi 51 2.2.2.1 Điều khiển thích nghi 51 2.2.2.2 Phương pháp điều khiển thích nghi theo mô hình mẫu (MRAC) 52 2.3 Kết luận chƣơng 2 54 Chƣơng 3: ỨNG DỤNG MẠNG NƠRON TRUYỀN THẲNG NHIỀU LỚP ĐIỀU KHIỂN THÍCH NGHI VỊ TRÍ ĐỘNG CƠ ĐIỆN MỘT CHIỀU KHI CÓ THÔNG SỐ VÀ TẢI THAY ĐỔI 55 3.1 Mô tả động lực học của động cơ một chiều 55 3.1.1. Tổng hợp mạch vòng dòng điện khi bỏ qua sức điện động của động cơ 55 3.1.2. Tổng hợp hệ thống truyền động điều khiển tốc độ 57 3.1.3. Hệ thống điều chỉnh tốc độ dùng bộ điều chỉnh tốc độ tỷ lệ 57 3.1.4. Cấu trúc hệ điều chỉnh vị trí 59 Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên http://www.Lrc-tnu.edu.vn
3.1.5. Tìm hàm truyền của hệ thống 60 3.2 Ứng dụng mạng nơron truyền thẳng nhiều lớp trong điều khiển thích nghi vị trị động cơ điện một chiều khi có thông số thay đổi 62 3.2.1. Bộ điều khiển phản hồi tuyến tính (NARMA-L2) 62 3.2.2. Nhận dạng của mô hình NARMA-L2 62 3.2.3. Bộ điều khiển NARMA-L2 64 3.2.4. Bài toán ví dụ sử dụng khối điều khiển NARMA-L2 66 3.2.5. Kết quả thực nghiệm trên MATLAB 68 3.2.5.1. Số liệu 68 3.2.5.2. Kết quả mô phỏng khi có tải thay đổi 68 3.2.5.3. Kết quả mô phỏng khi có thông số và tải thay đổi 74 3.3. Kết luận chƣơng 3 80 Chƣơng4: KẾT LUẬN CHUNG VÀ KIẾN NGHỊ 81 Tài liệu tham khảo Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên http://www.Lrc-tnu.edu.vn
DANH MỤC CÁC CHỮ VIẾT TẮT, TIẾNG NƯỚC NGOÀI Ký hiệu Diễn giải STT Nơron nhân tạo 1 Artificial Neural Mạng nơron nhân tạo 2 Artificial Neural Networks Luật học lan truyền ngược 3 Back Propagation Learaning Rule Hàm sigmoid 2 cực 4 Bipolar Sigmoid Function Loogic mờ 5 Fuzzy Mạng nơron mờ 6 Fuzzy Neural Networks Học 7 Learing Phần tử graded tuyến tính 8 Linear Graded Unit-LGU Phần tử ngưỡng tuyến tính 9 Linear Threshold Unit-LTU Mạng nhiều lớp truyền thẳng 10 Myltilayer Layer Feedforward NetWord Nơron 11 Neural Mạng nơron 12 Neural Networks Lớp ra 13 Output Layer Học thông số 14 Paramater Learning Gọi lại 15 Recall Mạng nơron hồi quy 16 Recurrent Neural Networks Tín hiệu củng cố 17 Reinforcement Signal Học củng cố 18 Reinforcement Learning 19 Rump Function Hàm Rump Tự tổ chức 20 Self Organizing Mạng một lớp truyền thẳng 21 Single Layer Feedforward NetWord Hàm bước nhảy 22 Step Function Học cấu trúc 23 Structure Learning Học giám sát 24 Supervised Learning Hàm giới hạn cứng 25 Threshold Function Hàm sigmoid 1 cực 26 Unipolar Sigmoid Function Học không có giám sát 27 Unsupervised Learning Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên http://www.Lrc-tnu.edu.vn
DANH MỤC CÁC HÌNH VẼ, ĐỒ THỊ Ký hiệu Diễn giải tên hình vẽ STT Mô hình nơron sinh học 1 Hình 1.1 Mô hình nơron nhân tạo 2 Hình 1.2 Đồ thị các loại hàm chuyển đổi 3 Hình 1.3 Mạng nơron 3 lớp 4 Hình 1.4 Sơ đồ cấu trúc các loại mạng nơron 5 Hình 1.5 Mô hình học có giám sát và học củng cố 6 Hình 1.6 Mô hình học không có giám sát 7 Hình 1.7 Sơ đồ cấu trúc chung của quá trình học 8 Hình 1.8 Mạng nơron truyền thẳng một lớp 9 Hình 1.9 Mạng nơron truyền thẳng nhiều lớp 10 Hình 1.10 Sơ đồ cấu trúc của mạng Jordan 11 Hình 1.11 Sơ đồ cấu trúc mạng nơron hồi quy đơn giản 12 Hình 1.12 Điều khiển theo nguyên tắc phản hồi đầu ra 13 Hình 2.1 Quy trình nhận dạng hệ thống 14 Hình 2.2 Sơ đồ tổng quát nhận dạng thong số mô hình 15 Hình 2.3 Nhận dạng theo phương pháp gradient 16 Hình 2.4 Mô hình dạng 1 17 Hình 2.5 Mô hình dạng 2 18 Hình 2.6 Mô hình dạng 3 19 Hình 2.7 Mô hình dạng 4 20 Hình 2.8 Mô hình nhận dạng kiểu truyền thẳng 21 Hình 2.9 Mô hình nhận dạng kiểu song song 22 Hình 2.10 Mô hình nhận dạng kiểu nối tiếp-song song 23 Hình 2.11 Mô hình nhận dạng ngược trực tiếp 24 Hình 2.12 25 Hình 2.13 Mô hình 1 26 Hình 2.14 Mô hình 2 27 Hình 2.15 Mô hình 3 28 Hình 2.16 Mô hình 4 Mô hình điều khiển trực tiếp 29 Hình 2.17 Ký hiệu Diễn giải tên hình vẽ STT Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên http://www.Lrc-tnu.edu.vn
Mô hình điều khiển gián tiếp 30 Hình 2.18 Sơ đồ điều khiển mô hình trong 31 Hình 2.19 Sơ đồ điều khiển theo phương pháp dự báo 32 Hình 2.20 Sơ đồ nguyên lý của phương pháp điểu khiển thích nghi theo 33 Hình 2.21 phương pháp mô hình mẫu Sơ đồ điều khiển trực tiếp 34 Hình 2.22 Sơ đồ điều khiển gián tiếp 35 Hình 2.23 Sơ đồ khối của mạch vòng dòng điện 36 Hình 3.1 Sơ đồ khối 37 Hình 3.2 Sơ đồ khối của hệ điều chỉnh tốc độ 38 Hình 3.3 Cấu trúc bộ điều chỉnh 39 Hình 3.4 Cấu trúc hệ điều chỉnh vị trí tuyến tính 40 Hình 3.5 Sơ đồ khối của hệ điều chỉnh tốc độ 41 Hình 3.6 Sơ đồ khối tương đương 1 của hệ điều chỉnh tốc độ 42 Hình 3.7 Sơ đồ khối tương đương 2 của hệ điều chỉnh tốc độ 43 Hình 3.8 Sơ đồ khối của hệ điều chỉnh vị trí 1 44 Hình 3.9 Sơ đồ khối tương đương của hệ điều chỉnh vị trí 45 Hình 3.10 Cấu trúc một mạng nơron 46 Hình 3.11 Sơ đồ khối của bộ điều khiển NARMA-L2 47 Hình 3.12 Bộ điều khiển thực hiện với mô hình nhận dạng NARMA-L2 48 Hình 3.13 Sơ đồ điều khiển vị trí nam châm vĩnh cửu 49 Hình 3.14 Đồ thị vị trí mẫu và vị trí sau khi đã điều khiển 50 Hình 3.15 Sơ đồ khối mô tả động cơ một chiều 51 Hình 3.16 Sơ đồ mạng nơron truyền thẳng nhiều lớp điều khiển thích 52 Hình 3.17 nghi vị trí động cơ điện một chiều khi có tải thay đổi Bảng điều khiển nhận dạng tín hiệu vị trí động cơ một chiều 53 Hình 3.18 NARMA-L2 Dữ liệu vào ra của tín hiệu vị trí động cơ một chiều 54 Hình 3.19 Xuất dữ liệu làm việc 55 Hình 3.20 Nhập dữ liệu vào bộ điều khiển 56 Hình 3.21 Huấn luyện đối tượng với dư liệu đã nhập vào 57 Hình 3.22 Dữ liệu huấn luyện cho bộ điều khiển NN NARMA-L2 58 Hình 3.23 Ký hiệu Diễn giải tên hình vẽ STT Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên http://www.Lrc-tnu.edu.vn
Dữ liệu xác nhận cho bộ điều khiển NN NARMA-L2 59 Hình 3.24 Dữ liệu kiểm tra cho bộ điều khiển NN NARMA-L2 60 Hình 3.25 Đồ thị vị trí mẫu qd (nét mảnh) và vị trí sau khi đã điều khiển 61 Hình 3.26 q (nét đậm) Đồ thị điện áp điều khiển 62 Hình 3.27 Đồ thị mômen tải MC (Nm) 63 Hình 3.28 Sơ đồ khối mô tả động cơ điện một chiều khi có R, MC thay 64 Hình 3.29 đổi Dữ liệu vào ra của tín hiệu vị trí động cơ một chiều 65 Hình 3.30 Bảng điều khiển nhận dạng tín hiệu vị trí động cơ một chiều 66 Hình 3.31 NARMA-L2 Huấn luyện đối tượng với dư liệu đã nhập vào 67 Hình 3.32 Dữ liệu huấn luyện cho bộ điều khiển NN NARMA-L2 68 Hình 3.33 Dữ liệu xác nhận cho bộ điều khiển NN NARMA-L2 69 Hình 3.34 Dữ liệu kiểm tra cho bộ điều khiển NN NARMA-L2 70 Hình 3.35 Đồ thị điện áp điều chỉnh u 71 Hình 3.36 Đồ thị điện trở R () 72 Hình 3.37 Đồ thị mômen tải MC (Nm) 73 Hình 3.38 Đồ thị vị trí mẫu qd (nét mảnh) và vị trí sau khi đã điều khiển 74 Hình 3.39 q (nét đậm) Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên http://www.Lrc-tnu.edu.vn
LỜI CAM ĐOAN Tôi xin cam đoan Luận văn này là công trình do tôi tổng hợp và nghiên cứu. Trong luận văn có sử dụng một số tài liệu tham khảo như đã nêu trong phần tài liệu tham khảo. Tác giả luận văn VŨ MẠNH THỦY Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên http://www.Lrc-tnu.edu.vn
1 PHẦN MỞ ĐẦU 1. Lý do chọn đề tài: Để điều khiển chính xác đối tượng khi chưa biết rõ được thông số, trước tiên ta phải hiểu rõ đối tượng đó. Đối với đối tượng có thông số thay đổi như đ ộng cơ một chiều và có tải thay đổi, ta cần thực hiện nhận dạng đặc tính vào ra của nó để đảm bảo tạo ra tín hiệu điều khiển thích nghi được lựa chọn chính xác hơn. Hiện nay thường dùng lôgíc mờ (Fuzzy Logic), mạng nơron (Neural Networks), và mạng nơron mờ (Fuzzy Neural Networks) để nhận dạng và điều khiển thích nghi hệ thống có thông số thay đổi. Trong khuôn khổ của khóa học Cao học, chuyên ngành Tự động hóa tại trường Đại học Kỹ thuật Công nghiệp, được sự tạo điều kiện giúp đỡ của nhà trường và Tiến sĩ Phạm Hữu Đức Dục, em đã lựa chọn đề tài tốt nghiệp của mình là “Nghiên cứu ứng dụng mạng nơron truyền thẳng nhiều lớp trong điều khiển thích nghi vị trí động cơ điện một chiều khi có thông số và tải thay đổi”. Trong quá trình thực hiện đề tài, tác giả đã cố gắng hạn chế tối đa các khiếm khuyết, xong không thể tránh được tất cả, kính mong Hội đồng Khoa học và độc giả bổ xung đóng góp ý kiến để đề tài được hoàn thiện hơn. 2. Cơ sở khoa học và thực tiễn của đề tài Ngày nay do tiến bộ của khoa học kỹ thuật trong điện tử và tin học các hệ thống điều khiển tự động được phát triển và có sự thay đổi lớn. Công nghệ vi mạch phát triển khiến cho việc sản xuất các thiết bị điện tử ngày càng hoàn thiện. Các bộ biến đổi điện tử trong các hệ thống không những đáp ứng được khả năng tác động nhanh, độ chính xác cao mà còn góp phần giảm kích thước và hạ giá thành của hệ thống. Đặc biệt trong những thập kỷ gần đây trước sự phát triển mạnh mẽ và ngày càng hoàn thiện của lý thuyết mạng nơron truyền thẳng nhiều lớp, hàng loạt các ứ ng dụng của lý thuyết mạng nơron truyền thẳng nhiều lớp đã và đang mở ra một kỷ nguyên mới ngành điều khiển. Tuy là ngành kỹ thuật điều khiển non trẻ nhưng những ứng dụng trong công nghiệp của điều khiển mạng nơron thật rộng rãi như trong nhận dạng, phân loại sản phẩm, xử lý tiếng nói, chữ viết và điều khiển hệ thống, điều khiển robot. Tới nay đã có rất nhiều sản phẩm công nghiệp được tạo ra và nhờ kỹ thuật điều khiển mạng nơron, rất nhiều nước trên thế giới đã thành công. Chính vì thế mà việc đi sâu nghiên cứu và áp dụng lý thuyết điều khiển nơron truyền thẳng nhiều lớp trong điều khiển thích nghi vị trí động cơ một chiều khi có thông số và tải thay đổi có ý nghĩa khoa học. Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên http://www.Lrc-tnu.edu.vn
2 Khác hẳn với kỹ thuật điều khiển kinh điển là hoàn toàn dựa vào sự chính xác tuyệt đối của thông tin mà trong nhiều ứng dụng không cần thiết hoặc không thể có được, điều khiển nơron truyền thẳng nhiều lớp chỉ cần sử lý những thông tin (không chính xác) hay không đầy đủ, những thông tin mà sự chính xác của nó chỉ nhận thấy được giữa các quan hệ của chúng với nhau và chỉ có thể mô tả được bằng ngôn ngữ, đã có thể cho ra những quyết định chính xác. Chính khả năng này đã làm cho điều khiển nơron truyền thẳng sao chụp được phương thức xử lý thông tin và điều khiển của con người. Do đó việc áp dụng điều khiển nơron truyền thẳng nhiều lớp vào hệ thống điều khiển thích nghi vị trí động cơ một chiều khi có tải và thông số thay đổi là việc cần phải làm. 3. Mục đích của đề tài Đối với đối tượng có thông số thay đổi như động cơ một chiều khi có phụ tải thay đổi, ta cần nhận dạng đặc tính vào ra của nó để bảo đảm tạo ra tín hiệu điều khiển thích nghi được chính xác hơn. Hiện nay thường sử dụng logic mờ (Fuzzy Logic), mạng nơron mờ (Fuzzy Neural Networks), mạng nơron (Neural Networks) để nhận dạng và điều khiển thích nghi vị trí động cơ điện một chiều. Đề tài này nghiên cứu ứng dụng mạng nơron truyền thẳng nhiều lớp (bộ điều khiển NARMA-L2) trong điều khiển thích nghi vị trí động cơ điện một chiều khi có thông số và tải thay đổi. 4. Đối tƣợng và phạm vi nghiên cứu của đề tài: Phần mở đầu Chương 1. Tổng quan về mạng nơron nhân tạo Phân tích tổng quan về mạng nơron bao gồm: phần lịch sử phát triển, kết cấu của mạng các nơron, ứng dụng của chúng… Chương 2. Các phương pháp ứng dụng mạng nơron trong nhận dạng và điều khiển. Phần này tập trung trình bày các phương pháp ứng dụng mô hình mạng nơron trong nhận dạng và điều khiển. Chương 3. Ứng dụng mạng nơron truyền thẳng nhiều lớp điều khiển thích nghi vị trí động cơ điện một chiều khi có thông số và tải thay đổi. 3.1. Mô tả động lực học của động cơ một chiều. 3.2. Ứng dụng mạng nơron truyền thẳng nhiều lớp trong điều khiển thích nghi vị trí động cơ điện một chiều khi có thông số và tải thay đổi. Chương 4. Kết luận chung và kiến nghị. Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên http://www.Lrc-tnu.edu.vn
3 5. Ý nghĩa khoa học và thực tiễn của đề tài Với ứng dụng của mạng nơron truyền thẳng nhiều lớp điều khiển vị trí động cơ điện một chiều khi có thông sô và phụ tải thay đổi , sau khi đã nhận dạng được vị trí động cơ một chiều, ta có thể thay thế gần đúng mô hình động cơ một chiều bằng mạng nơron truyền thẳng nhiều lớp, từ đó căn cứ trên các thông số mô phỏng của mạng nơron, tính toán được tín hiệu điều khiển nhằm điều khiển thích nghi vị trí động cơ điện một chiều khi có thông số và phụ tải thay đổi phù hợp với yêu cầu cần thiết của điều khiển thích nghi vị trí động cơ điện một chiều. Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên http://www.Lrc-tnu.edu.vn
4 CHƢƠNG 1 TỔNG QUAN VỀ MẠNG NƠRON NHÂN TẠO Nghiên cứu và mô phỏng não người, cụ thể là mô phỏng nơron thần kinh là một ước muốn từ lâu của nhân loại. Từ mơ ước đó, nhiều nhà khoa học đã không ngừng nghiên cứu tìm hiểu về mạng nơron. Trong đó mạng nơron nhân tạo đã được nói đến ở cuốn sách “Điều khiển học, hay điều chỉnh và sự truyền sinh trong cơ thể sống, trong máy móc” của tác giả Nobert Wieners xuất bản năm 1948. Điều khiển học đã đặt ra mục đích nghiên cứu áp dụng nguyên lý làm việc của hệ thống thần kinh động vật vào điều khiển. Công cụ giúp điều khiển học thực hiện được mục đích này là trí tuệ nhân tạo và mạng nơron. Trí tuệ nhân tạo được xây dựng dựa trên mạng nơron. Mạng nơron nhân tạo (Artificial Neural Networks) là hệ thống được xây dựng dựa trên nguyên tắc cấu tạo của bộ não con người. Mạng nơron nhân tạo có một số lượng lớn mối liên kết của các phần tử biến đổi (Processing Elements) có liên kết song song. Nó có hành vi tương tự như bộ não con người với các khả năng học (Learning), gọi lại (Recall) và tổng hợp thông tin từ sự luyện tập của các mẫu và dữ liệu. Các phần tử biến đổi của mạng nơron nhân tạo được gọi là các nơron nhân tạo (Artificial Neural) hoặc gọi tắt là nơron (Neural). Trong thiết kế hệ thống tự động hóa sử dụng mạng nơron là một khuynh hướng hoàn toàn mới, phương hướng thiết kế hệ thống điều khiển thông minh, một hệ thống mà bộ điều khiển có khả năng tư duy như bộ não con người. 1.1 Lịch sử phát triển của mạng nơron nhân tạo Mạng nơron nhân tạo đã có một lịch sử lâu dài. Năm 1943, McCulloch và Pitts đã đưa ra khả năng liên kết và một số liên kết cơ bản, của mạng nơron. Năm 1949, Hebb đã đưa ra các luật thích nghi trong mạng nơron. Năm 1958, Rosenblatt đưa ra cấu trúc Perception. Năm 1969, Minsky và Papert phân tích sự đúng đắn của Perception, họ đã chứng minh các tính chất và chỉ rõ các giới hạn của một số mô hình. Năm 1976, Grossberg dựa vào tích chất sinh học đã đưa ra một số cấu trúc của hệ động học phi tuyến với các tính chất mới. Năm 1982, Hoppfield đã đưa ra mạng học phi tuyến với các tính chất mới. Năm 1982, Rumelhart đưa ra mô hình song song (Parallel Distributer Processing-PDS) và một số kết quả và thuật toán. Thuật toán học lan truyền ngược (Back Propagation learning rule) được Rumelhart, Hinton, Williams (1986) đề xuất luyện mạng nơron nhiều lớp. Những năm gần đây, nhiều tác giả đã đề xuất nhiều loại cấu trúc mạng nơron mới. Mang nơron được ứng Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên http://www.Lrc-tnu.edu.vn
5 dụng trong nhiều lĩnh vực kinh tế, kỹ thuật, khoa học vũ trụ (Hecht - Nielsen, 1988). 1.2 Các tính chất của mạng nơron nhân tạo - Là hệ phi tuyến: Mạng nơron có khả năng to lớn trong lĩnh vực nhận dạng và điều khiển các đối tượng phi tuyến. - Là hệ xử lý song song: Mạng nơron có cấu trúc song song, do đó có tốc độ tính toán rất cao, rất phù hợp với lĩnh vực nhận dạng và điều khiển. - Là hệ học và thích nghi: Mạng được luyện từ các số liệu quá khứ, có khả năng tự chỉnh khi số liệu đầu vào bị mất, có thể điều khiển on-line. - Là hệ nhiều biến, là hệ nhiều đầu vào, nhiều đầu ra (Many Input Many Output - MIMO), rất tiện dụng khi điều khiển đối tượng có nhiều biến số. 1.3 Mô hình mạng nơron 1.3.1 Mô hình nơron sinh học Mô hình của một dạng nơron sinh học được thể hiện ở hình 1.1. Trục Cây Nhân Thân nơron Hình 1.1 Mô hình nơron sinh học Gồm có ba phần chính: Thân (Cell body), bên trong có nhân (Nucleus), cây (Dendrites) và trục (Axon). Cây gồm các dây thần kinh có liên kết với thân. Trục có cấu trúc đơn, dài liên kết với thân có nhiệm vụ truyền tải thông tin từ nơron. Phần cuối của trục có dạng phân nhánh. Trong mỗi nhánh có một cơ cấu nhỏ là khớp thần kinh (Synapse), từ đây nơron liên kết bằng tín hiệu tới các nơron khác. Sự thu nhận thông tin của nơron từ các nơron khác có thể từ cây hoặc cũng có thể từ thân của nó. Tín hiệu thu, nhận ở dạng các xung điện - Màng (Membrane): Mỗi tế bào thần kinh có một màng, có nhiệm vụ giữ các chất nuôi tế bào không tràn ra ngoài. Do đó, các phần tử nội bào và ngoại bào không bằng nhau, giữa chúng có dung dịch Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên http://www.Lrc-tnu.edu.vn
6 muối lỏng làm cho chúng bị phân ra thành các nguyên tử âm (ion) và dương (cation). Các nguyên tử dương trong màng tạo ra điện thế màng (Membrane potential), nó tồn tại trong trạng thái cân bằng lực: lực đẩy các nguyên tử dương ra khỏi tế bào bằng với lực hút của chúng vào trong tế bào. Điện thế màng là phần tử quan trọng trong quá trình truyền tin trong hệ thần kinh. Khi thay đổi khả năng thẩm thấu ion của màng thì điện thế màng của tế bào bị thay đổi và tiến tới một ngưỡng nào đó, đồng thời sinh ra dòng điện, d òng điện này gây ra phản ứng kích thích làm thay đổi khả năng thẩm thấu ion của tế bào thần kinh tiếp theo. Bộ não con người gồm có gần 1011 nơron của nhiều loại khác nhau. Mạng nơron là sự tái tạo bằng kỹ thuật những chức năng của hệ thần kinh con người. Trong quá trình tái tạo không phải tất cả các chức năng của bộ não con người có đều được tái tạo, mà chỉ có những chức năng cần thiết. Bên cạnh đó còn có những chức năng mới được tạo ra nhằm giải quyết một bài toán điều khiển đã định trước. * Xử lý thông tin trong bộ não: Thông tin được tiếp nhận từ các giác quan và chuyển vào các tế bào thần kinh vận động và các tế bào cơ. Mỗi tế bào thần kinh tiếp nhận thông tin, điện thế sẽ tăng trong thần kinh cảm giác, nếu điện thế này vượt ngưỡng nó tạo dòng điện t rong tế bào thần kinh cảm giác, ý nghĩa dòng điện đó được giải mã và lưu ở thần kinh trung ương, kết quả sử lý thông tin được gửi đến các tế bào cơ. Các khớp tế bào thần kinh đưa ra các tín hiệu giống nhau, do đó không thể phân biệt được đó là của loại động vật nguyên thủy hay của một giáo sư. Các khớp thần kinh chỉ cho các tín hiệu phù hợp qua chúng, còn lại các tín hiệu khác bị cản lại. Lượng tín hiệu được biến đổi được gọi là cường độ khớp thần kinh đó chính là trọng số của nơron trong mạng nơron nhân tạo. Tại sao việc nghiên cứu về mạng thần kinh lại có tầm quan trọng lớn lao? Có thể trả lời ngắn gọn là sự giống nhau của các tín hiệu của các tế bào thần kinh đơn lẻ, do đó chức năng thực sự của bộ não không phụ thuộc vào vai trò của một tế bào thần kinh đơn, mà phụ thuộc vào toàn bộ các tế bào thần kinh hay cách các tế bào thần kinh liên kết với nhau thành một mạng thần kinh hay một mạng nơron (Neural Networks). * Các đặc tính cơ bản của não người: - Tính phân lớp: Các vùng trong bộ não được phân thành các lớp, thông tin được sử lý theo các tầng. Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên http://www.Lrc-tnu.edu.vn