Tóm tắt Luận án Tiến sĩ Kỹ thuật: Nghiên cứu phát triển giải thuật điều khiển thông minh dựa trên mạng nơ ron mờ hồi quy ứng dụng điều khiển hệ phi tuyến

Chia sẻ: _ _ | Ngày: | Loại File: PDF | Số trang:36

Thêm vào BST

Báo xấu

29
lượt xem 2
download

Download Vui lòng tải xuống để xem tài liệu đầy đủ

Tóm tắt Luận án Tiến sĩ Kỹ thuật "Nghiên cứu phát triển giải thuật điều khiển thông minh dựa trên mạng nơ ron mờ hồi quy ứng dụng điều khiển hệ phi tuyến" được nghiên cứu với mục tiêu: Tối ưu cấu trúc của mạng nơ-ron mờ hồi quy, để điều khiển bám quỹ đạo đối tượng phi tuyến - robot Delta, nhằm nâng cao chất lượng điều khiển hệ thống điều khiển vòng kín và thực nghiệm điều khiển bám quỹ đạo đối tượng phi tuyến trên, mô hình robot và hệ ổn định chất lỏng RT020 của Đức.

Chủ đề:

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

Lưu

Nội dung Text: Tóm tắt Luận án Tiến sĩ Kỹ thuật: Nghiên cứu phát triển giải thuật điều khiển thông minh dựa trên mạng nơ ron mờ hồi quy ứng dụng điều khiển hệ phi tuyến

TRƯỜNG ĐẠI HỌC GIAO THÔNG VẬN TẢI THÀNH PHỐ HỒ CHÍ MINH NGHIÊN CỨU PHÁT TRIỂN GIẢI THUẬT ĐIỀU KHIỂN THÔNG MINH DỰA TRÊN MẠNG NƠ-RON MỜ HỒI QUY ỨNG DỤNG ĐIỀU KHIỂN HỆ PHI TUYẾN Ngành: Kỹ thuật điều khiển và tự động hóa Mã số: 9520216 TÓM TẮT LUẬN ÁN TIẾN SĨ TP.HCM – Tháng 3 năm 2024
Công trình được hoàn thành tại Trường Đại học Giao thông vận tải Thành Phố Hồ Chí Minh Người hướng dẫn 1: PGPGSS.TS. Nguyễn Chí Ngôn PGS.TS. Nguyễn Chí Ngôn Người hướng dẫn 2: TS. Nguyễn Quang Sang TS. Nguyễn Quang Sang Phản biện 1: Phản biện 2: Phản biện 3: Luận án sẽ được bảo vệ trước Hội đồng luận án cấp trường tại: Trường Đại học Giao thông vận tải Thành phố Hồ Chí Minh Vào hồi lúc……giờ ngày…….tháng……năm 2024 Có thể tìm hiểu luận án tại thư viện - Thư viện Trường Đại học Giao thông vận tải Thành Phố Hồ Chí Minh
1 TỔNG QUAN 1. Tính cấp thiết của luận án Các bài toán điều khiển trong thực tế, đa phần là sử dụng hệ phi tuyến. Vì thế, nhiều nhà nghiên cứu và nhà thiết kế đã quan tâm tích cực trong việc phát triển và ứng dụng của các phương pháp điều khiển phi tuyến bởi những lý do sau [1]: 1) Cải thiện hệ thống điều khiển hiện có; 2) Phân tích các đặc tính phi tuyến khó; 3) Xử lý sự không chắc chắn của mô hình; 4) Thiết kế đơn giản. Các kỹ thuật học cơ bản về thiết kế và phân tích hệ phi tuyến có thể tăng cường đáng kể khả năng của kỹ thuật điều khiển để đáp ứng bài toán điều khiển thực tế một cách hiệu quả. Các phương pháp để điều khiển hệ phi tuyến [2] bao gồm: điều khiển tuyến tính hóa hồi tiếp, điều khiển trượt và điều khiển thích nghi, điều khiển mờ, điều khiển ứng dụng giải thuật di truyền và điều khiển sử dụng mạng nơ-ron, điều khiển giám sát kết hợp sử dụng mạng nơ-ron và mờ hồi quy. Trong đó nổi bật là bộ điều khiển mạng nơ-ron mờ hồi quy, đây là một trong các phương pháp điều khiển hiệu quả hệ phi tuyến với ưu điểm là tính ổn định bền vững ngay cả khi hệ thống nhiễu hoặc thông số của mô hình thay đổi theo thời gian [3]. Sự phát triển không ngừng của khoa học công nghệ đã cho ra đời một lĩnh vực nghiên cứu mới đầy tiềm năng và cũng nhiều thách thức, đó là điều khiển thông minh [4]. Đây là phương pháp điều khiển phỏng theo các đặc điểm cơ bản của trí thông minh của con người, bao gồm khả năng học, khả năng xử lý thông tin không chắn chắn và khả năng tìm kiếm lời giải tối ưu. Các kỹ thuật điều khiển thông minh được sử dụng phổ biến hiện nay bao gồm mạng nơ-ron nhân tạo, logic mờ và giải thuật di truyền. Các kỹ thuật này phát triển rất mạnh về lý thuyết và được ứng dụng rất rộng rãi trong các lĩnh vực công nghiệp, dân dụng cũng như an ninh quốc phòng, đặc biệt mạng nơ-ron nhân tạo và giải thuật di truyền. Giải thuật di truyền đã được giới thiệu bởi J. Holland, dựa trên thuyết tiến hóa tự nhiên của Darwin [5]. Giải thuật di truyền được phát triển từ sự lựa chọn tự nhiên và các cơ chế tính toán, nó là thuật toán tìm kiếm với các đặc điểm của sự tìm kiếm song song cao, ngẫu nhiên và thích nghi [6]. Bằng cách thực hiện liên tiếp các toán tử di truyền như lựa chọn, lai ghép, đột biến và như thế tạo ra quần thể thế hệ mới, dần dần phát triển cho đến khi nhận được trạng thái tối ưu với giải pháp tối ưu xấp xỉ. Trong những nghiên cứu gần đây, giải thuật di truyền đã trở thành công cụ tối ưu phổ biến cho nhiều lĩnh vực nghiên cứu như: điều khiển hệ thống, thiết kế điều khiển, khoa học và kỹ thuật [7]. Đồng thời bộ điều khiển mờ đã được được L.A. Zadeh [8] nêu ra lần đầu tiên vào năm 1965. Bộ điều khiển này giải quyết các bài toán, rất gần với cách tư duy
2 của con người. Tới nay, bộ điều này đã phát triển và được ứng dụng trong nhiều lĩnh vực kỹ thuật và công nghiệp [9-10]. Trong những năm gần đây, mạng nơ-ron mờ hồi quy (điều khiển thông minh) nổi lên như bộ điều khiển thích nghi, góp phần nâng cao chất lượng điều khiển của bộ điều khiển PID (điều khiển kinh điển). Khó khăn trong huấn luyện mạng nơ-ron mờ hồi quy là lựa chọn phù hợp số nơ-ron, tâm, ngưỡng và trọng số kết nối [27]. Sử dụng nhiều nơ-ron lớp ẩn sẽ gây ra hiện tượng học lâu và tăng sự phức tạp của mạng [28], ngược lại mạng sẽ không thể học đầy đủ các dữ liệu mẫu [29]. Thông số này thường được lựa chọn bằng phương pháp thử và sai [30]. Thông số tâm của mạng cũng ảnh hưởng đến hiệu suất của mạng. Nếu chọn tâm không phù hợp, hiệu quả mạng nơ-ron sẽ rất khó đạt được kết quả mong muốn. Nếu các tâm quá gần, chúng sẽ tạo ra sự tương quan tuyến tính tương đối, ngược lại chúng sẽ không đạt yêu cầu xử lý tuyến tính. Quá nhiều tâm sẽ dẫn đến tràn trong khi khó phân loại hoàn thành nếu số tâm quá ít. Bên cạnh đó, việc lựa chọn các giá trị của ngưỡng và trọng số khởi tạo ban đầu cũng ảnh hưởng đến hiệu quả của mạng. Ngoài ra, giải thuật huấn luyện mạng nơ-ron mờ hồi quy cũng cần được quan tâm để tăng cường hiệu suất của mạng, trong đó giải thuật Gradient Descent [31-32] thường được sử dụng. Tuy nhiên, một vài nghiên cứu chỉ ra rằng để xác định cấu trúc [33] và các thông số của mạng nơ-ron mờ hồi quy [34-35] để đạt được kết quả mong muốn phải phù hợp với từng ứng dụng cụ thể. Nghiên cứu khảo sát sự ảnh hưởng của mạng nơ-ron mờ hồi quy đến chất lượng bộ điều khiển thích nghi SNA-PID để điều khiển hệ phi tuyến, quá trình khảo sát sự ảnh hưởng của mạng nơ-ron mờ hồi quy đến chất lượng bộ điều khiển thích nghi để điều khiển hệ phi tuyến đã thực hiện đạt được mục tiêu đề ra. Tuy nhiên, cũng còn tồn tại một số hạn chế về sự chọn lựa các hệ số của bộ điều khiển và bộ nhận dạng hệ phi tuyến trong quá trình nhận dạng và huấn luyện trực tuyến, chứng tỏ giải thuật huấn luyện còn cần phải cải tiến thêm. Để giải quyết hạn chế này, nghiên cứu đề xuất áp dụng giải thuật điều khiển giám sát RFNN-PID, bộ điều khiển mạng nơ-ron mờ hồi quy RFNNC kết hợp với bộ điều khiển PID thích nghi được sử dụng, nhằm quan sát các thông số sai số đầu ra hệ phi tuyến thông qua bộ nhận dạng RFNNI, cập nhật và điều chỉnh các thông số đầu vào tối ưu để điều khiển hệ phi tuyến, góp phần giảm sai số hệ thống điều khiển vòng kín. Kết quả mô phỏng được thực hiện với MATLAB/Simulink, để điều khiển hệ phi tuyến và thực nghiệm trên hệ phi tuyến thật là mô hình robot Delta và hệ ổn định lưu lượng chất lỏng.
3 2. Giới hạn của luận án Luận án tập trung nghiên cứu hệ thống phi tuyến MIMO - robot Delta 3-DOF và phát triển giải thuật tối ưu cấu trúc, cùng với các thông số của mạng nơ-ron mờ hồi quy, để điều khiển bám theo quỹ đạo đối tượng phi tuyến, nhằm nâng cao chất lượng điều khiển của cả hệ vòng kín. 3. Mục tiêu của luận án  Mục tiêu tổng quát Tối ưu cấu trúc của mạng nơ-ron mờ hồi quy, để điều khiển bám quỹ đạo đối tượng phi tuyến - robot Delta, nhằm nâng cao chất lượng điều khiển hệ thống điều khiển vòng kín và thực nghiệm điều khiển bám quỹ đạo đối tượng phi tuyến trên, mô hình robot và hệ ổn định chất lỏng RT020 của Đức.  Mục tiêu cụ thể - Nghiên cứu xây dựng các phương trình chuyển động của hệ phi tuyến thực nghiệm là robot Delta 3-DOF: xây dựng các phương trình động học thuận, động học ngược và động lực học của robot Delta. - Thiết kế và mô phỏng bộ điều khiển FUZZY-PID và GA-PID để khảo sát trên mô hình hệ phi tuyến thật là robot Delta, điều khiển bám theo quỹ đạo đặt trước để có cơ sở đánh giá chất lượng điều khiển với giải thuật điều khiển đề xuất. - Nghiên cứu xây dựng bộ điều khiển Single Neural Adaptive PID dựa trên bộ nhận dạng mạng nơ-ron mờ hồi quy (SNA-PID) để điều khiển hệ phi tuyến là robot Delta bám theo quỹ đạo đặt trước. - Đề xuất bộ điều khiển giám sát (Supervisory Control) bằng cách sử dụng bộ điều khiển mạng nơ-ron mờ hồi quy (RFNNC), kết hợp với bộ PID để điều khiển hệ phi tuyến bám theo quỹ đạo đặt trước. Đồng thời cải thiện chất lượng điều khiển bằng cách sử dụng bộ nhận dạng mạng nơ-ron mờ hồi quy (RFNNI), để nhận dạng hệ phi tuyến hồi về bộ RFNNC điều khiển tự chỉnh thích nghi với bộ PID, bộ PID làm nhiệm vụ tạo ra điện áp ban đầu lớn để quay các cánh tay của cả hệ phi tuyến, còn bộ RFNNC sẽ tinh chỉnh. Giải thuật nghiên cứu được áp dụng điều khiển bám quỹ đạo robot Delta trên MATLAB/Simulink, để so sánh đánh giá các kết quả đạt được của 4 bộ điều khiển và kiểm chứng giải thuật đề xuất điều khiển giám sát kết hợp RFNN-PID, trong điều khiển bám quỹ đạo robot Delta ở trạng thái danh định và sự thay đổi các thông số của đối tượng. - Thiết kế, chế tạo mô hình robot Delta 3-DOF và thực nghiệm điều khiển thời gian thực các bộ điều khiển đã xây dựng trên MATLAB/Simulink, để điều khiển bám quỹ đạo robot Delta và trên hệ ổn định lưu lượng chất lỏng RT020 của hãng G.U.N.T của Đức [176].
4 4. Phương pháp nghiên cứu, cách tiếp cận Luận án được thực hiện với các phương pháp nghiên cứu sau: - Nghiên cứu tài liệu: thu thập tài liệu từ nguồn tài liệu khoa học trong ngành trên các tạp chí khoa học uy tín trong nước và quốc tế liên quan đến nội dung nghiên cứu của luận án; phân tích, tổng hợp tài liệu từ các nguồn thu thập ở trên, xác định ưu điểm của phương pháp điều khiển hệ phi tuyến để sử dụng làm cơ sở khoa học cho luận án, đồng thời tiến hành cải tiến những tồn tại trong các tài liệu. - Nghiên cứu phần mềm Solidworks, CorelDRAW để thiết kế bản vẽ và cắt khung cơ khí robot Delta 3-DOF. - Nghiên cứu phần mềm Protuse để thiết kế, mô phỏng và thi công mạch điều khiển cho robot Delta 3-DOF. - Thực nghiệm mô hình động lực học hệ phi tuyến là robot Delta 3-DOF. Kết quả mô phỏng được thực hiện trên MATLAB/Simulink. - Xử lý thông tin: quan sát đáp ứng của hệ thống và điều chỉnh các thông số của bộ điều khiển (nếu có) sao cho đáp ứng thỏa mãn các chỉ tiêu chất lượng điều khiển như: sai số xác lập, thời gian quá độ và vọt lố. 5. Đối tượng và phạm vi nghiên cứu  Đối tượng nghiên cứu: hệ thống phi tuyến MIMO và SISO được mô tả toán học bằng mô hình trạng thái phi tuyến.  Phạm vi nghiên cứu: Tập trung nghiên cứu phương pháp mô tả toán học cho hệ thống phi tuyến MIMO là robot Delta 3-DOF. Nghiên cứu các công trình đã được công bố trong và ngoài nước ở lĩnh vực điều khiển phi tuyến, điều khiển thích nghi, giải thuật di truyền và điều khiển mờ làm nền tảng cho việc đánh giá chất lượng nghiên cứu của giải thuật đề xuất là giải thuật điều khiển giám sát kết hợp RFNN-PID. Đồng thời nghiên cứu các công cụ tính toán mềm để kiểm chứng tính đúng đắn của giải thuật được đề xuất trong luận án và thực nghiệm trên mô hình hệ phi tuyến thật, là điều khiển bám quỹ đạo vòng kín robot Delta và điều khiển ổn định lưu lượng chất lỏng trên hệ RT020. 6. Ý nghĩa khoa học và thực tiễn  Ý nghĩa khoa học Nghiên cứu đề xuất giải thuật điều khiển giám sát RFNN-PID: trong đó bộ điều khiển mạng nơ-ron mờ hồi quy RFNNC kết hợp cùng với bộ điều khiển PID và bộ nhận dạng RFNNI được sử dụng để quan sát các thông số sai số đầu ra của hệ phi tuyến để cập nhật, điều chỉnh các thông số đầu vào tối ưu điều khiển hệ phi tuyến bám theo tín hiệu đặt trước sao cho sai số bám tiến về không, giảm vọt lố và ít bị ảnh hưởng của nhiễu.
5  Ý nghĩa thực tiễn Kiểm chứng được khả năng ứng dụng thực tế của giải thuật điều khiển giám sát RFNN-PID để điều khiển hệ thống phi tuyến được đề xuất bằng các công cụ tính toán mềm và thực nghiệm trên mô hình hệ phi tuyến thật là điều khiển bám quỹ đạo vòng kín robot Delta và trên hệ ổn định lưu lượng RT020. 7. Những đóng góp của luận án về mặt khoa học  Về mặt lý thuyết - Xây dựng được giải thuật điều khiển thích nghi mạng nơ-ron trên cơ sở bộ nhận dạng mạng nơ-ron mờ hồi quy SNA-PID để điều khiển hệ phi tuyến bám theo quỹ đạo đặt trước. - Xây dựng được giải thuật điều khiển giám sát (Supervisory Control) bằng cách sử dụng mạng nơ-ron mờ hồi quy RFNNC kết hợp với bộ điều khiển PID để điều khiển hệ phi tuyến bám theo quỹ đạo. - Đánh giá và lựa chọn cấu trúc mạng nơ-ron mờ hồi quy thích hợp trong điều khiển hệ phi tuyến.  Về mặt thực tiễn - Mô phỏng bộ điều khiển FUZZY-PID, GA-PID và SNA-PID để điều khiển hệ phi tuyến bám theo quỹ đạo đặt trước đạt các chỉ tiêu chất lượng. - Mô phỏng bộ điều khiển giám sát (Supervisory Control) bằng cách sử dụng mạng nơ-ron mờ hồi quy RFNNC, kết hợp với bộ điều khiển PID để điều khiển hệ phi tuyến bám theo quỹ đạo đặt trước đạt các chỉ tiêu chất lượng. - Cải thiện chất lượng bộ điều khiển giám sát bằng cách sử dụng bộ nhận dạng mạng nơ-ron mờ hồi quy RFNNI, để nhận dạng hệ phi tuyến hồi về bộ điều khiển mạng nơ-ron mờ hồi quy nhằm điều khiển tự chỉnh thích nghi với bộ điều khiển PID làm nhiệm vụ tạo ra điện áp ban đầu lớn để quay các cánh tay của hệ phi tuyến bám theo quỹ đạo đặt trước. - Ứng dụng thực nghiệm trên mô hình hệ phi tuyến thật là điều khiển robot Delta bám theo quỹ đạo đường tròn và số 8, đồng thời thực nghiệm trên mô hình hệ phi tuyến thư hai là điều khiển hệ ổn định lưu lượng chất lỏng RT020. 8. Bố cục của luận án Luận án được tổ chức bao gồm phần Tổng quan; Chương 1 trình bày điều khiển PID thích nghi dựa trên mạng nơ-ron mờ hồi quy để điều khiển hệ phi tuyến; điều khiển giám sát kết hợp RFNN-PID dựa trên bộ nhận dạng mạng nơ- ron mờ hồi quy để điều khiển hệ phi tuyến là Chương 2. Chương 3 trình bày phương pháp nghiên cứu chế tạo và thực nghiệm điều khiển trên hệ phi tuyến đồng thời trình bày kết quả, kết luận và đề nghị hướng nghiên cứu tiếp theo.
6 CHƯƠNG 1: ĐIỀU KHIỂN PID THÍCH NGHI DỰA TRÊN MẠNG NƠ-RON MỜ HỒI QUY ĐỂ ĐIỀU KHIỂN HỆ PHI TUYẾN 1.1. Giới thiệu Đối tượng điều khiển trong luận án là hệ thống phi tuyến, đây là hệ thống được sử dụng nhiều trong ứng dụng thực tế. Sự phức tạp trong điều khiển hệ phi tuyến đã thách thức các nhà nghiên cứu đưa ra các thủ tục thiết kế có hệ thống, để đáp ứng các yêu cầu về mục tiêu điều khiển [34]. Khi làm việc với một ứng dụng cụ thể, người thiết kế cần thực hiện công cụ phù hợp nhất cho bài toán. Để điều khiển hệ phi tuyến, các công cụ cơ bản được sử dụng bao gồm: điều khiển tuyến tính hóa hồi tiếp, điều khiển trượt, kỹ thuật cuốn chiếu, điều khiển thích nghi, điều khiển mờ FUZZY-PID, điều khiển sử dụng giải thuật di truyền GA-PID, điều khiển PID thích nghi mạng nơ-ron, mạng nơ-ron RBF và mạng nơ- ron mờ hồi quy. Trong đó nổi bật là bộ điều khiển thông minh dựa trên mạng nơ- ron mờ hồi quy, đây là một trong các phương pháp điều khiển hiệu quả hệ phi tuyến với ưu điểm là tính ổn định bền vững ngay cả khi hệ thống nhiễu hoặc thông số của mô hình thay đổi theo thời gian [33-35]. Tuy nhiên, đối với biên độ của luật điều khiển thông minh nếu không được lựa chọn phù hợp sẽ gây ra hiện tượng dao động, rất khó cập nhật các trọng số bộ điều khiển và sẽ gây ra lỗi trong quá trình cập nhật các trọng số bộ điều khiển. Để giải quyết khó khăn trên, sử dụng mạng nơ-ron mờ hồi quy để ước lượng các trọng số kết nối của nơ-ron và cập nhật trực tuyến các trọng số đó trong quá trình điều khiển được tính toán dựa trên phương pháp Gradient Descent [34]. Mạng nơ-ron mờ hồi quy, đóng vai trò như một bộ điều khiển ước lượng các trọng số của bộ điều khiển PID thích nghi mạng nơ-ron. Các trọng số của mạng được cập nhật trực tuyến, dựa trên các tín hiệu ở ngõ ra của mô hình hệ phi tuyến. Chương này trình bày phương pháp thiết kế bộ điều khiển PID thích nghi mạng nơ-ron SNA-PID, để điều khiển bám quỹ đạo hệ phi tuyến MIMO là robot Delta 3-DOF. Đây là một loại robot với kết cấu nhẹ và đơn giản, các chuyển động của robot Delta hầu như không tạo ra lực quán tính lớn. Điều này tạo ra thế mạnh cực kỳ lớn cho robot Delta: Tốc độ làm việc cực kỳ cao, mang đến năng suất lớn và robot Delta được sử dụng phổ biến trong công việc gắp thả, đóng gói trong các nhà máy vì chúng di chuyển rất nhanh và linh hoạt. Bộ điều khiển PID thích nghi mạng nơ-ron SNA-PID, được thiết kế để đảm bảo quỹ đạo thực tế của robot bám theo quỹ đạo đặt trước. Mạng nơ-ron mờ hồi quy đóng vai trò như một bộ nhận dạng được huấn luyện trực tuyến, bằng giải thuật Gradient Descent.
7 Đồng thời do mô hình trong các bài báo đã công bố rất khó so sánh, vì những mô hình này khác xa với hệ thực nghiệm robot Delta thật mà nhóm đã thiết kế chế tạo. Vì vậy, trong chương này tác giả xây dựng thêm một số bộ điều khiển khác: FUZZY-PID và GA-PID để đánh giá chất lượng với bộ điều khiển PID thích nghi mạng nơ-ron SNA-PID. Kết quả mô phỏng được kiểm chứng trên MATLAB/Simulink và so sánh, đánh giá kết quả của bộ điều khiển FUZZY-PID, GA-PID so với bộ điều khiển điều khiển PID thích nghi mạng nơ-ron SNA-PID thông qua các chỉ tiêu chất lượng của hệ vòng kín. 1.2. Mục tiêu Chương 2 thực hiện với những mục tiêu tổng quát là xây dựng phương trình chuyển động của robot và thiết kế 3 bộ điều khiển áp dụng khảo sát điều khiển bám quỹ đạo robot đã chế tạo và đánh giá chất lượng điều khiển gồm: Mô hình hóa đối tượng phi tuyến MIMO là robot Delta 3-DOF. Xây dựng bộ điều khiển FUZZY-PID và GA-PID để đánh giá khả năng điều khiển bám quỹ đạo, mô hình động lực học của robot Delta 3-DOF. Xây dựng bộ điều khiển PID thích nghi mạng nơ-ron (SNA-PID), để đánh giá khả năng điều khiển bám quỹ đạo mô hình động lực học của robot Delta. Đồng thời cải thiện chất lượng điều khiển bằng cách sử dụng mạng nơ-ron mờ hồi quy, làm bộ nhận dạng ngõ ra của hệ được huấn luyện trực tuyến bằng giải thuật Gradient Descent, hồi tiếp về thông số Jacobian điều chỉnh trực tuyến các thông số bộ điều khiển PID thích nghi nơ-ron. Giải thuật điều khiển áp dụng điều khiển bám quỹ đạo robot Delta 3-DOF trên phần mềm MATLAB/Simulink và đánh giá chất lượng các bộ điều khiển thông qua các chỉ tiêu chất lượng. 1.3. Mô hình hóa đối tượng phi tuyến MIMO-robot Delta 3-DOF Tác giả đã nghiên cứu, thiết kế bản vẽ và mô phỏng chuyển động của robot Delta bằng phần mềm Solid works được trình bày trong video thực nghiệm [1], đồng thời sử dụng phương trình Lagrange dạng nhân tử để thiết lập phương trình chuyển động của robot Delta được trình bày trong Hình 2.1 (a) (b) Hình 1.1.a) Bản vẽ kỹ thuật robot và (b) mô hình động lực học robot Delta
8 Trong mô hình này, khâu BiDi được mô hình hóa thành hai chất điểm đặt tại Bi và Di, mỗi chất điểm có khối lượng mb và được nối với nhau bằng thanh cứng, không trọng lượng. Như vậy, mô hình động lực học của mô hình này bao gồm 4 vật rắn, trong đó các khâu AiBi (i=1, 2, 3) chuyển động quay quanh các trục vuông góc với mặt phẳng OAiBi tại AiBi có khối lượng m1 (khối lượng cánh tay đòn trên) và 3 chất điểm đặt tại các điểm Bi có khối lượng m = m /2 b 2 và vật rắn còn lại là bàn máy chuyển động (bao gồm ba chất điểm gắn tại Di) chuyển động tịnh tiến có khối lượng (mP+3mb). Trong đó m p là khối lượng của khâu thao tác chuyển động có tâm P. Trên các khâu AiBi đặt các lực phát động  i (i = 1, 2, 3) như Hình 1.1 thành lập mô hình động lực học của robot tác giả sử dụng phương trình Lagrange dạng nhân tử để thiết lập phương trình chuyển động. Tọa độ suy rộng dư được chọn để thiết lập phương trình chuyển động của robot Delta như (1.1): q = 1 2 3 xP yP zP  (1.1) Xây dựng phương trình động lực học của robot Delta Để xây dựng mô hình động lực học của robot Delta 3-DOF tác giả tham khảo trong các tài liệu [12-14] bao gồm các phương trình chuyển động của robot Delta là hệ phương trình vi phân – đại số được trình bày từ (1.2) đến (1.10). (I Iy ) ( + mb L1 1 = gL1 (1/ 2m1 + mb ) cos1 + 1 − 21 L1 sin1 ( R − r ) − cos1sin1 x p − sin1sin1 y p − cos1 z p 2 ) (1.2) (I Iy + m L )2 b 1 2 = gL1 (1/ 2m1 + mb ) cos2 + 2 − 2 L ( sin ( R − r ) − cos sin x 1 1 2 2 2 p − sin 2 sin2 y p − cos z ) (1.3) 2 p (I Iy ) ( + mb L1 3 = gL1 (1/ 2m1 + mb ) cos3 + 3 − 23 L1 sin3 ( R − r ) − cos3 sin3 x p − sin3 sin3 y p − cos3 z p (1.4) 2 ) (m p + 3mb ) x p = − 21 ( cos1 ( R − r ) + L1 cos1 cos1 − x p ) − (1.5) 22 ( cos 2 ( R − r ) + L1 cos 2 cos 2 − x p ) − 23 ( cos 3 ( R − r ) + L1 cos 3 cos 3 − x p ) (m p + 3mb ) y p = − 21 ( sin 1 ( R − r ) + L1 sin 1 cos1 − y p ) (1.6) −22 ( sin  2 ( R − r ) + L1 sin  2 cos 2 − y p ) − 23 ( sin  3 ( R − r ) + L1 sin  3 cos 3 − y p ) (m p + 3mb ) z p = − ( 3mb + m p ) g + 21 ( z p + L1sin1 ) + 22 ( z p + L1sin 2 ) + 23 ( z p + L1sin3 ) (1.7) L2 − ( cos1 ( R − r ) + L1cos1cos1 − x p ) − ( sin1 ( R − r ) + L1sin1cos1 − y p ) − ( L1sin1 + z p ) = 0 (1.8) 2 2 2 2 L22 − ( cos 2 ( R − r ) + L1cos 2 cos 2 − x p ) − ( sin 2 ( R − r ) + L1 sin 2 cos 2 − y p ) − ( L1 sin 2 + z p ) = 0 (1.9) 2 2 2 L2 − ( cos 3 ( R − r ) + L1cos 3cos3 − x p ) − ( sin 3 ( R − r ) + L1 sin 3 cos3 − y p ) − ( L1 sin3 + z p ) = 0 2 2 2 2 (1.10) Các phương trình từ (1.2) đến (1.10) lại dưới dạng ma trận như (1.11):
9 M ( s ) s + g ( s ) +  s ( s ) =  T (1.11) f ( s) = 0 Trong đó: Iy là Ten-xơ quán tính, mb là khối lượng gắn với các khâu BiDi, (i=1,2,3), mp là khối lượng bàn máy động, m1 là khối lượng đặt tại điểm Ai. Các biến trạng thái được định nghĩa trong mô hình: T s = 1  2 3  xp yp zp   (1.12) Các biến ngõ vào và ngõ ra được định nghĩa như (1.13): u =  1  2 3  T (1.13) y = 1  2 3  Từ hệ phương trình chuyển động của robot Delta 3-DOF (1.2) đến (1.10) tác giả đã xây dựng mô hình động lực học của robot trong MATLAB/Simulink và kết cấu cơ khí mô hình robot thật được trình bày như Hình 1.2. Delta Inside 3-DOF Hình 1.2 Mô hình động lực học robot Delta được xây dựng trong MATLAB/Simulink và mô hình robot mà tác giả chế tạo phiên bản 3 1.4. Thiết kế bộ điều khiển tự điều chỉnh FUZZY–PID Điều khiển PID tự điều chỉnh mờ dựa trên điều khiển PID kinh điển và sử dụng các quy tắc suy luận mờ để làm cho các tham số PID tự chỉnh định dựa trên sai lệch e(t) và đạo hàm de(t). Mục đích chính của giải thuật này chính là tìm ra các giá trị Kp, Kd, Ki tối ưu thỏa mãn mô hình toán của bộ điều khiển PID. Nguyên tắc này được minh họa trong Hình 1.3.
10 Hình 1.3. Sơ đồ điều khiển dùng thuật toán FUZZY-PID. Trên hình 1.3 các biến đầu vào của bộ điều khiển mờ là sai lệch e(t) giữa vị trí quỹ đạo mong muốn và vị trí quỹ đạo thực tế và đạo hàm de(t). Trong khi đầu ra của hệ thống điều khiển mờ chính là các tham số chỉnh định cho PID tương ứng với K p , K i , K d . Đồng thời Ke, Ket, k 1 , k2 , k3 là các hệ số tiền xử lí và hậu xử lí cho bộ điều khiển FUZZY-PID để thuận tiện cho việc thiết kế và chỉnh định. Các tham số cuối cùng của FUZZY-PID được tính theo công thức (1.14):  K p = K p 0 + K p .k1  (1.14)  Ki = Ki 0 + Ki .k2  K = K + K .k  d d0 d 3 Trong đó: Kp0, Ki0, Kd0 giá trị ban đầu của bộ điều khiển PID,  K ,  K ,  K p i d đầu ra của bộ điều khiển FUZZY, Kp, Ki, Kd: tham số chỉnh định mong muốn. Việc xây dựng các hàm liên thuộc, các khoảng giá trị của biến vật lí và biến ngôn ngữ dựa trên kinh nghiệm chỉnh định tham khảo như sau: E(t)={âm nhiều, âm vừa, âm ít, zero, dương ít, dương vừa, dương nhiều} E(t)={NB, NM, NS, ZO, PS, PM, PB} De(t)={âm nhiều, âm vừa, âm ít, zero, dương ít, dương vừa, dương nhiều} De(t)={NB, NM, NS, ZO, PS, PM, PB} Tập mờ cho các hệ số đầu vào e(t) và de(t) được trình bày trong Hình 1.4, ngõ ra các K p , K i , K d và cấu trúc của bộ điều khiển mờ trong Hình 1.5. Hình 1.4. Tập mờ cho biến vào e(t) Hình 1.5. Ngõ ra hệ số và de(t) bộ điều khiển mờ K p , K i , K d và
11 Bảng 1.1. Chi tiết các luật hợp thành mờ hệ số e(t), de(t) và K p , K i , K d  KP / Kd / Ki e(t) NB NM NS ZO PS PM PB NB PB/PS/NB PS/PS/NB NB/PM/NM NM/PM/NM NB/ZO/NS NM/ZO/ZO PS/ZO/ZO NM PB/PS/NB PB/PB/NB NB/PM/NM NM/PS/NS NM/ZO/NS NS/ZO/ZO ZO/NS/ZO NS ZO/PM/NB NS/PM/NM NM/PM/NS NM/ZO/NS NS/NS/ZO NS/NS/PS ZO/NS/PS de(t) ZO ZO/PM/NB NS/PM/NB NS/PS/NS NS/NS/ZO NS/NM/PS NS/NM/PM ZO/NM/PM PS ZO/PS/NM ZO/PS/NM ZO/ZO/ZO ZO/NS/PS ZO/NM/PS ZO/NM/PM ZO/NM/PB PM PB/PS/NS NS/ZO/NS PS/NS/PS PS/NM/PS PS/NM/PM PS/NM/PB PB/NB/PB PB PB/ZO/ZO PM/ZO/ZO PM/NM/PS PM/NM/PM PS/NB/PM PS/NB/PB PB/NB/PB Nguyên tắc chung để tìm ra các giá trị K p , K i , K d mong muốn là bắt đầu với các giá trị K p 0 , K i 0 , K d 0 sau đó dựa vào đáp ứng và thay đổi dần. Ảnh hưởng của các tham số PID tác động lên chất lượng điều khiển là cơ sở để xây dựng luật mờ. Để rút ngắn thời gian lên ta cần chọn tín hiệu điều khiển mạnh, do vậy chọn: Kp lớn, KD nhỏ và Ki lớn; để tránh vọt lố lớn khi đáp ứng gần đạt giá trị tham khảo chọn Kp nhỏ, KD lớn và KI nhỏ. Kết quả mô phỏng và đánh giá chất lượng Mô hình bộ điều khiển FUZZY-PID xây dựng trong MATLAB/Simulink để so sánh đánh giá chất lượng của hai bộ điều khiển trên cùng một mô hình robot Delta được trình bày trong Hình 1.6 và các thông số của robot Delta được trình bày trong Bảng 1.2 Hình 1.6. Bộ điều khiển FUZZY-PID trong MATLAB/Simulink Bảng 1.2 Các thông số của robot Delta đã chế tạo phiên bản 3 Ký hiệu Đơn vị Ý nghĩa A1 0 (rad) Góc lệch tay 1 so với trục Ox của tấm cố định A2 2*pi/3 (rad) Góc lệch tay 2 so với trục Ox của tấm cố định A3 4*pi/3 (rad) Góc lệch tay 3 so với trục Ox của tấm cố định
12 m1_1=m1_2= 0.42 kg Khối lượng của 3 chân trên bằng nhau m1_3 m2_1=m2_2 0.1 kg Khối lượng của 3 chân dưới bằng nhau =m2_3=2mb mp 0.15 kg Khối lượng tấm chuyển động f 481 mm Chiều dài cạnh tam giác đều đĩa nền trên e 35 mm Chiều dài cạnh tam giác đều đĩa chuyển động R 138 mm Bán kính tấm nền cố định r 10 mm Bán kính tấm chuyển động L1 0.3 m Chiều dài chân trên L2 0.8 m Chiều dài chân dưới I1y=I2y= 0.084 kg.m2 Ten xơ quán tính 3 tay trên =I3y=Iy [x0 P , y0 P , z0 P ] [0.32;0.36;-0.7] m Vị trí ban đầu của tâm P tấm chuyển động g 9.81 m /s2 Gia tốc trọng trường Các tham số của 3 bộ điều khiển PID được chọn theo như sau: KP = diag (800,800,800), KD = diag (100,100,100), KI = diag (150,150,150). Các tham số của giải thuật FUZZY được chọn lựa thông qua mô phỏng tham khảo [13], [60] như sau: Ke=30, Ket=1, k1=1, k2=50, k3=1, Kp0=800, Ki0=150, Kd0=100. Quỹ đạo tham chiếu được chọn là quỹ đạo đường tròn được mô tả bởi phương trình như (1.15) và đạt các kết quả như Hình 1.7 và Hình 1.8 đồng thời kết quả mô phỏng được trình bày trong video thực nghiệm [2]. x(t ) = 0.17*sin(2* pi *t ) + 0.3 (1.15) y(t ) = 0.17*cos(2* pi *t ) + 0.2 z = −0.7 Hình 1.7. Đáp ứng quỹ đạo Hình 1.8. Đáp ứng quỹ đạo đường đường tròn tròn khi robot mang tải thêm 1.5kg
13 Từ kết quả mô phỏng trên với các quỹ đạo khác nhau cho thấy rằng, quỹ đạo thực bám theo tín hiệu tham chiếu rất tốt, thời gian xác lập là 0.658 (s) và độ vọt lố nhỏ khoảng 3.75 (%). Các chỉ tiêu chất lượng được trình bày ở Bảng 1.3. Bảng 1.3. Chất lượng hệ thống PID và FUZZY-PID Tiêu chuẩn Vọt lố Thời gian Sai số chất lượng (%) xác lập (s) xác lập (rad) PID 5.87 9.5248 0.0186 FUZZY-PID 3.75 0.658 0.0003 1.5. Thiết kế bộ điều khiển GA-PID Giải thuật Z-N được áp dụng để xác định ba thông số của bộ điều khiển PID. Ba thông số này là cơ sở để giới hạn không gian tìm kiếm của giải thuật GA. Nhiệm vụ của giải thuật GA là chọn lọc bộ ba {Kp, Kd, Ki} tối ưu cho bộ điều khiển PID, thỏa mãn hàm mục tiêu IAE được trình bày trong sơ đồ Hình 1.9 và giải thuật GA được hỗ trợ bởi phần mềm MATLAB và được trình bày chi tiết trong ba tài liệu [20-22] với lưu đồ giải thuật được trình bày trong Hình 1.10 Hình 1.9. Bộ điều Hình 1.10. Lưu đồ tiến trình giải thuật duy khiển GA-PID truyền để xác định thông số bộ điều khiển PID Giải thuật di truyền được xác định bởi (1.16) và (1.17) sẽ tiến hành tối ưu hóa dựa theo hàm mục tiêu tham khảo trong [23-28]:
14  IAE : J =  e(t ) dt (1.16) 0 trong đó e(t ) = thetai (1,2,3) ref − thetai (1,2,3) act Giải thuật GA được áp dụng là tìm kiếm các giá trị {Kp_opt, Kd_opt, Ki_opt} tối ưu của bộ điều khiển PID, mà ở đó các hàm J đạt giá trị cực tiểu. Vì vậy hàm mục tiêu của giải thuật GA là: Fitness = 𝑚𝑖𝑛 {𝐽} (1.17) Nhằm giới hạn không gian tìm kiếm của giải thuật GA, ta giả thiết các giá trị tối ưu {Kp_opt, Kd_opt, Ki_opt} nằm quanh giá trị {Kp_Z-N, Kd_ Z-N, Ki_ Z-N} đạt được từ giải thuật Z-N. Các giới hạn tìm kiếm tương ứng cho ba thông số của bộ điều khiển PID như (1.18):  K P _ Z − N  K P _ opt   K P _ Z − N  K d_ Z − N  K d_ opt   K d_ Z − N (1.18)  Ki_ Z − N  K i_ opt   K i_ Z − N Trong đó, các hệ số α và β được chọn sao cho không gian tìm kiếm đủ rộng để chứa được giá trị tối ưu. Kết quả mô phỏng và đánh giá chất lượng Trong mô phỏng này sẽ thực nghiệm trên quỹ đạo đường tròn để đánh giá tính ổn định của hai bộ điều khiển được trình bày trong Hình 1.11. Hình 1.11. Bộ điều khiển GA-PID xây dựng trong MATLAB/Simulink Trong Hình 1.11 gồm hai bộ điều khiển là bộ điều khiển PID với các thông số tham khảo từ [19] và bộ điều khiển GA-PID mà tác giả đã xây dựng để so sánh đánh giá chất lượng của hai bộ điều khiển trên cùng một mô hình Delta robot.
15 Các tham số của 3 bộ điều khiển PID để điều khiển ba cánh tay robot Delta được chọn theo tài liệu tham khảo [19] với: KP = diag (800,800,800) KD = diag (100,100,100) KI = diag (150,150,150) Các tham số của giải thuật GA được chọn như Bảng 1.4 tham khảo [23-28] Bảng 1.4. Các tham số giải thuật di truyền Số cá thể trong quần thể 40 Số nhiễm sắc thể trong cá thể 9 Số gen trong nhiễm sắc thể 10 Xác xuất đột biến 0,001 - 0,01 Xác xuất lai ghép 0,1 Số thế hệ tối đa 100 α 0,02 β 50 Quỹ đạo tham chiếu số là đường tròn như công thức (1.15) ở mục 1.4 trên Kết quả chạy mô phỏng bộ điều khiển GA được trình bày trong video thực nghiệm [3] và [4], đạt các kết quả như Hình 1.12 và Hình 1.13 Hình 1.12. Đáp ứng quỹ đạo Hình 1.13. Đáp ứng quỹ đạo đường đường tròn tròn robot mang thêm tải 0.6 Kg Kết quả mô phỏng cho thấy rằng đáp ứng của thuật toán GA tốt hơn so với bộ điều khiển PID với thời gian xác lập là 0.5(s) và vọt lố nhỏ khoảng 3.14%. Chỉ tiêu chất lượng được trình bày ở Bảng 1.5 Bảng 1.5. So sánh các chỉ tiêu chất lượng hệ thống Tiêu chuẩn chất lượng PID GA Các góc 1act  2act  3act 1act  2act  3act Vọt lố (%) 4.61 2.2 32.33 3.14 3.57 3.233 Thời gian xác lập (s) 0.046 4.0 0.014 1.1777 0.0491 0.2846 Sai số xác lập (rad/s) 0.003 0.006 0.002 0.0005 0.0002 0.0055
16 1.6. Thiết kế bộ điều khiển PID thích nghi trên mạng nơ-ron mờ hồi quy Bộ điều khiển PID thích nghi dựa trên mạng nơ-ron mờ hồi quy được trình bày trong Hình 1.14 và tham khảo trong tài liệu tham khảo [52]: Hình 1.14. Bộ điều khiển PID thích nghi dựa trên mạng nơ-ron mờ hồi quy Tín hiệu tham chiếu yref là góc quay của ba cánh tay trên của robot, được gửi đến ba bộ cộng, tạo ra ba tín hiệu sai số e1, e2, e3 đến ba bộ điều khiển PID thích nghi mạng nơ-ron. Đầu ra của ba bộ điều khiển được đưa vào Tau1, Tau2, Tau3 của robot, đồng thời, ba bộ nhận dạng RFNNI sẽ quan sát ba đầu ra của ba bộ điều khiển PID thích nghi mạng nơ-ron và ba tín hiệu đầu ra y gồm có theta1, theta2, theta3 của robot, mỗi bộ nhận dạng RFNNI sẽ huấn luyện và trả tham số Jacobian về ba bộ điều khiển PID thích nghi mạng nơ-ron, để cập nhật liên tục các tham số KP, KD và KI của ba bộ điều khiển. Tín hiệu ra u để điều khiển robot, bám theo tín hiệu tham chiếu yref, các kết quả đạt được tác giả công bố trong tạp chí quốc tế về kỹ thuật cơ khí và nghiên cứu robot trong tài liệu tham khảo [52]. Kết quả mô phỏng và đánh giá Kết quả mô phỏng sẽ thực nghiệm điều khiển bám quỹ đạo robot Delta, để đánh giá tính ổn định của hai bộ điều khiển được trình bày trong sơ đồ Hình 1.15. Hình 1.15. Sơ đồ mô phỏng bộ điều khiển PID thích nghi trên cơ sở bộ nhận dạng mạng nơ-ron mờ hồi quy
17 Các thông số của robot được trình bày trong Bảng 1.2 ở mục 1.4 và các thông số bộ điều khiển PID thích nghi mạng nơ-ron tham khảo [52]. Quỹ đạo tham chiếu là quỹ đạo đường tròn được mô tả bởi phương trình (1.15) trong mục 1.4. Đáp ứng quỹ đạo ngõ ra của hai bộ điều khiển PID và bộ điều khiển PID thích nghi nơ-ron, được trình bày như Hình 1.16 và khi thay đổi tăng tải trọng của robot Delta 3-DOF được trình bày trong Hình 1.17. Hình 1.16. Đáp ứng quỹ đạo Hình 1.17. Đáp ứng khi tăng tải đường tròn trọng của robot thêm 0,9 Kg Kết quả mô phỏng cho thấy, bộ điều khiển PID thích nghi mạng nơ-ron bám tốt hơn bộ PID, với thời gian xác lập khoảng 0,33 ± 0,001 (s). Sai số ở trạng thái ổn định được loại bỏ và chỉ tiêu chất lượng được trình bày trong Bảng 1.6 Bảng 1.6. Chỉ tiêu chất lượng điều khiển [52] Chỉ tiêu chất lượng PID SNA-PID Thời gian xác lập (s) 5.56±0.001 (s) 0.33±0.001 (s) Vọt lố (%) 1.991 (%) 1.97 (%) Các kết quả được tác giả cùng nhóm nghiên cứu công bố trong [52], cho thấy bộ điều khiển PID thích nghi mạng nơ-ron điều khiển bám tốt các quỹ đạo khác nhau và khi thay đổi tang tải trọng của robot. So sánh chỉ tiêu chất lượng của 3 bộ điều khiển Các kết quả được mô phỏng trên cùng mô hình robot Delta 3-DOF với quỹ đạo đường tròn, cho thấy rằng bộ điều khiển PID thích nghi trên cơ sở mạng nơ- ron mờ hồi quy, tốt hơn giải thuật di truyền GA-PID và bộ điều khiển mờ FUZZY-PID thông qua các chỉ tiêu chất lượng được trình bày ở Bảng 1.7. Bảng 1.7. Chỉ tiêu chất lượng điều khiển của 3 bộ điều khiển Chỉ tiêu chất lượng FUZZY-PID GA-PID SNA-PID Thời gian xác lập (s) 0.658±0.001 (s) 0.504±0.001 (s) 0.33±0.001 (s) Vọt lố (%) 3.75 (%) 3.314 (%) 1.97 (%)
18 CHƯƠNG 2. ĐIỀU KHIỂN GIÁM SÁT KẾT HỢP RFFN-PID DỰA TRÊN BỘ NHẬN DẠNG MẠNG NƠ-RON MỜ HỒI QUY 2.1. Giới thiệu Mạng nơ-ron mờ hồi quy đã được nghiên cứu và sử dụng rộng rãi trong nhiều lĩnh vực như: nhận dạng, phân loại, xấp xỉ [78-84] do cấu trúc đơn giản, hiệu quả tốt, khả năng hội tụ nhanh. Đây là mạng tự học, tự tổ chức, thích nghi, tốc độ huấn luyện nhanh và hội tụ toàn cục [85-92]. Trong mạng nơ-ron mờ hồi quy, ngõ vào của mạng này gồm các nút có nhiệm vụ chuyển tải các giá trị ngõ vào đến lớp kế tiếp và hồi tiếp được thêm vào để tăng khả năng đáp ứng của mạng. Đồng thời ngõ vào của bộ nhận dạng RFNN tương ứng, là tín hiệu điều khiển hiện tại và ngõ ra quá khứ của đáp ứng. Lớp thứ hai là lớp mờ hóa với hàm kích hoạt Gaussian [93], bước này tự động điều chỉnh trong quá trình huấn luyện trực tuyến bộ nhận dạng RFNN, để đưa đến lớp kế tiếp. Lớp thứ ba là lớp luật bao gồm các tham số học, bước này phát triển một thuật toán học đệ quy dựa trên phương pháp Gradient Descent. Cuối cùng là lớp ra, bao gồm các nơ-ron tuyến tính và các trọng số kết nối từ lớp luật lên lớp ra, đồng thời ngõ ra của lớp này cũng là ngõ ra của bộ nhận dạng RFNN. Mục tiêu của giải thuật huấn luyện trực tuyến mạng nơ-ron mờ hồi quy, là điều chỉnh các bộ trọng số của mạng nơ-ron và các tham số của các hàm liên thuộc trên lớp mờ hóa, để đạt giá trị cực tiểu hàm chi phí [94-100]. Khó khăn trong huấn luyện mạng nơ-ron, là lựa chọn phù hợp số nơ-ron, tâm, ngưỡng và trọng số kết nối [101-109]. Số nơ-ron có vai trò rất quan trọng, trong mạng nơ-ron mờ hồi quy. Sử dụng nhiều nơ-ron sẽ gây ra hiện tượng học lâu và tăng sự phức tạp của mạng [26], ngược lại mạng sẽ không thể học đầy đủ các dữ liệu mẫu. Thông số này thường được lựa chọn bằng phương pháp thử và sai [5]. Thông số tâm của mạng cũng ảnh hưởng đến hiệu suất của mạng. Nếu chọn tâm không phù hợp, hiệu quả mạng nơ-ron sẽ rất khó đạt được kết quả mong muốn. Bên cạnh đó, việc lựa chọn các giá trị trọng số khởi tạo ban đầu cũng ảnh hưởng đến hiệu quả của mạng [110-119]. Chính vì vậy mà các tâm và trọng số của mạng được chọn cho phù hợp với từng đối tượng phi tuyến [120- 128], được cập nhật trực tuyến dựa trên các tín hiệu ở ngõ ra của mô hình hệ phi tuyến, để điều khiển đạt được kết quả tốt [129-136]. 2.2. Mục tiêu Chương 2 được thực hiện với những mục tiêu như sau: - Xây dựng bộ điều khiển giám sát kết hợp RFNN-PID, để đánh giá khả năng điều khiển bám quỹ đạo mô hình động lực học robot Delta 3-DOF. - Cải thiện chất lượng điều khiển bằng cách sử dụng mạng nơ-ron mờ hồi quy RFNNI, làm bộ nhận dạng ngõ ra của hệ thống được huấn luyện trực tuyến