Ứng dụng đại số gia tử trong điều khiển dự báo theo mô hình

Chia sẻ: _ _ | Ngày: | Loại File: PDF | Số trang:8

Thêm vào BST

Báo xấu

19
lượt xem 2
download

Download Vui lòng tải xuống để xem tài liệu đầy đủ

Bài viết đề xuất một sự kết hợp giữa mô hình mờ Takagi-Sugeno và đại số gia tử để xây dựng mô hình mờ mới gọi là mô hình mờ Takagi - Sugeno - Hedge Algebras. Mô hình kết hợp này cho phép phát huy được các ưu điểm của tiếp cận theo mô hình mờ Takagi - Sugeno và tiếp cận đại số gia tử.

Chủ đề:

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

Lưu

Nội dung Text: Ứng dụng đại số gia tử trong điều khiển dự báo theo mô hình

Kỷ yếu Hội nghị KHCN Quốc gia lần thứ XI về Nghiên cứu cơ bản và ứng dụng Công nghệ thông tin (FAIR); Hà Nội, ngày 09-10/8/2018 DOI: 10.15625/vap.2018.00068 ỨNG DỤNG ĐẠI SỐ GIA TỬ TRONG ĐIỀU KHIỂN DỰ BÁO THEO MÔ HÌNH Vũ Như Lân2, Trịnh Thúy Hà3, Lại Khắc Lãi1, Nguyễn Tiến Duy1 1 Trường Đại học Kỹ thuật Công nghiệp - Đại học Thái Nguyên; 2 Trường Đại học Thăng Long; 3 Trường Đại học Công nghệ Thông tin và Truyền thông - Đại học Thái Nguyên vnlan@ioit.ac.vn, ttha@ictu.edu.vn, laikhaclai@gmail.com, duy.infor@tnut.edu.vn TÓM TẮT: Trong điều khiển dự báo theo mô hình (MPC), việc xây dựng chính xác mô hình của đối tượng điều khiển là rất quan trọng, quyết định đến chất lượng và độ chính xác điều khiển. Bài báo đề xuất một sự kết hợp giữa mô hình mờ Takagi-Sugeno và đại số gia tử để xây dựng mô hình mờ mới gọi là mô hình mờ Takagi - Sugeno - Hedge Algebras. Mô hình kết hợp này cho phép phát huy được các ưu điểm của tiếp cận theo mô hình mờ Takagi - Sugeno và tiếp cận đại số gia tử. Trong mô hình mờ Takagi-Sugeno, bài toán xác định các tham số tập mờ trong phần IF được thực hiện trước bài toán xác định tham số trong phần THEN của mô hình mờ. Nhưng trong mô hình mờ Takagi - Sugeno- Hedge Algebras, bài toán xác định các tham số tập mờ trong phần IF được thay thế bằng bài toán xác định bộ tham số của đại số gia tử và được thực hiện đồng thời với bài toán xác định các tham số trong phần THEN của mô hình mờ. Kết quả ứng dụng cho bài toán điều khiển dự báo cụ thể đã cho thấy tính ưu việt của mô hình đề xuất. Từ khoá: Điều khiển dự báo, đại số gia tử, mô hình Takagi-Sugeno. I. MỞ ĐẦU Trong những năm gần đây, điều khiển dự báo dựa trên mô hình mờ Takagi - Sugeno [1] ngày càng được phổ biến và ứng dụng rộng rãi trong công nghiệp [2, 3, 4, 5]. Ưu điểm của mô hình Takagi - Sugeno là đơn giản và rất tiện sử dụng để xây dựng mô hình trong điều khiển dự báo, song việc tính toán trong mô hình mờ Takagi - Sugeno còn tốn khá nhiều thời gian do việc xác định các tham số của tập mờ trong phần IF và xác định các tham số trong phần THEN không được thực hiện đồng thời. Đại số gia tử (ĐSGT) là một mô hình suy luận và tính toán hiệu quả trong các bài toán liên quan đến hệ luật mờ [6, 7]. Từ đó, ĐSGT đã chứng tỏ khả năng ứng dụng mạnh mẽ trong nhiều lĩnh vực như công nghệ thông tin và đặc biệt có hiệu quả cao trong lĩnh vực điều khiển [8, 9, 10, 11, 12, 13, 14, 15]. Việc kết hợp đại số gia tử với mô hình mờ Takagi-Sugeno để xây dựng mô hình trong điều khiển nói chung và điều khiển dự báo nói riêng cho phép vẫn phát huy được những ưu điểm của mô hình mờ, đồng thời nâng cao độ chính xác và rút ngắn thời gian tính toán do việc xác định các tham số của đại số gia tử được xác định đồng thời với việc xác định các tham số trong phần THEN của mô hình mờ. Bài báo có bố cục như sau: Sau phần mở đầu, phần II trình bày mô hình dự báo mới theo tiếp cận ĐSGT. Phần III đi sâu vào thiết kế mô hình mới được gọi là mô hình Takagi - Sugeno Hedge Algebras. Phần IV tính toán so sánh hiệu quả điều khiển dự báo của hai mô hình nêu trên qua một ví dụ cụ thể trong [2]. Kết quả nhận được cho thấy khả năng điều khiển dự báo của mô hình mới TSHA tốt hơn so với mô hình TS truyền thống. II. MÔ HÌNH DỰ BÁO THEO TIẾP CẬN ĐẠI SỐ GIA TỬ Đại số gia tử cung cấp một mô hình xử lý các đại lượng không chắc chắn khá hiệu quả cho nhiều bài toán ứng dụng. Có thể thấy rõ rằng các giá trị ngôn ngữ với ngữ nghĩa vốn có thứ tự chặt chẽ trong biến ngôn ngữ, từ đó tạo ra môi trường tính toán tốt cho nhiều ứng dụng. Gọi AX = ( X, G, C, H, ) là một cấu trúc đại số, với X là tập nền của AX; G = {c-, c+} là tập các phần tử sinh; C = {0, W, 1}, trong đó 0, W và 1 tương ứng là những phần tử đặc trưng cận trái (tuyệt đối nhỏ), trung hòa và cận phải (tuyệt đối lớn); H là tập các toán tử một ngôi được gọi là các gia tử; là biểu thị quan hệ thứ tự trên các giá trị ngôn ngữ. Gọi H- là tập hợp các gia tử âm và H+ là tập hợp các gia tử dương của AX. Ký hiệu * +, trong đó và * +, trong đó . Định nghĩa 2.1: Độ đo tính mờ fm: X [0, 1] gọi là độ đo tính mờ nếu thỏa mãn các điều kiện sau: fm(c-) + fm(c+) = 1 và h H fm(hx) = fm(x), với x X. (2.1) Với các phần tử 0, W và 1, fm(0) = fm(W) = fm(1) = 0. (2.2) fm(hx) fm(hy ) Và với x, y X, h H, (2.3) fm( x) fm( y )
522 ỨNG DỤNG ĐẠI SỐ GIA TỬ TRONG ĐIỀU KHIỂN DỰ BÁO THEO MÔ HÌNH Đẳng thức (2.3) không phụ thuộc vào các phần tử x, y và do đó ta có thể ký hiệu là (h) và đây là độ đo tính mờ của gia tử h. Tính chất của fm(x) và (h) như sau: fm(hx) = (h)fm(x), x X (2.4) p fm(hi c) fm(c) , với c {c-, c+} (2.5) i q ,i 0 p fm(hi x) fm( x) (2.6) i q ,i 0 q p (hi ) (hi ) (2.7) i 1 và i 1 , với , > 0 và + = 1 Định nghĩa 2.2: Hàm dấu Hàm Sign: X {-1, 0, 1} là một ánh xạ được gọi là hàm dấu với h, h' H và c {c-, c+} trong đó: Sign(c-) = -1, Sign(c+) = +1; (2.8) Sign(hc) = - Sign(c), nếu h là âm đối với c; (2.9) Sign(hc) = + Sign(c), nếu h là dương đối với c; (2.10) Sign(h'hx) = -Sign(hx), nếu h’hx ≠ hx và h' là âm đối với h; (2.11) Sign(h'hx) = + Sign(hx), nếu h’hx ≠ hx và h' là dương đối với h; (2.12) Sign(h'hx) = 0 nếu h’hx = hx. (2.13) Gọi fm là một độ đo tính mờ trên X, ánh xạ ngữ nghĩa định lượng :X [0,1], được sinh ra bởi fm trên X, được xác định như sau: ( ) ( ) (2.14) v (c ) fm(c ) fm(c ) (2.15) v (c ) fm(c ) 1 fm(c ) (2.16) j v(h j x) v( x) sign(h j x){ fm(hi x) (h j x) fm(h j x )} (2.17) i sign ( j ) 1 (h j x) [1 Sign(h j x) sign(hp h j x)( )] { , } , với j [-q^p], j 0 (2.18) 2 Để thuận tiện cho việc biểu diễn ngữ nghĩa của các giá trị ngôn ngữ, theo [8], giả sử rằng miền tham chiếu thông thường của các biến ngôn ngữ X là đoạn [a, b] còn miền tham chiếu ngữ nghĩa Xs là đoạn [as, bs] (0 ≤. as < bs ≤ 1). Việc chuyển đổi tuyến tính từ [a, b] sang [as, bs] được gọi là phép ngữ nghĩa hóa tuyến tính (linear semantization) còn việc chuyển ngược lại từ đoạn [as, bs] sang [a, b] được gọi là phép giải nghĩa tuyến tính (linear desemantization). Trong nhiều ứng dụng của ĐSGT đã sử dụng miền ngữ nghĩa là đoạn [as = 0, bs = 1], khi đó phép ngữ nghĩa hóa tuyến tính được gọi là phép chuẩn hóa (linear Semantization = Normalization) và phép giải nghĩa tuyến tính được gọi là phép giải chuẩn (Linear Desemantization = Denormalization). Như vậy có thể biểu diễn phép chuẩn hóa và phép giải chuẩn như sau: Normalization (x) = xs = (x - a) / (b - a) (2.19a) Ký hiệu: Norm (x) = Normalization (x) (2.19b)) Denormalization (xs) = x = a + b - a)xs (2.20a) Ký hiệu: Denorm (xs) = Denormalization (xs) (2.20b) Cho trước độ đo tính mờ của các gia tử (h) và các giá trị độ đo tính mờ của các phần tử sinh fm(c-), fm(c+) và là phần tử trung hoà (neutral). Khi đó mô hình tính toán của ĐSGT được xây dựng trên cơ sở các biểu thức từ (2.1) đến (2.20). Bộ tham số của ĐSGT cho phép xác định ngữ nghĩa định lượng của các giá trị ngôn ngữ, khi đó cần chọn trước độ đo tính mờ của các gia tử, ví dụ (gia tử dương), (gia tử âm) và giá trị độ đo tính mờ của phần tử sinh fm(c-) = θ với là phần tử trung hoà. Trong nhiều ứng dụng, chỉ cần 1 gia tử dương và 1 gia tử âm tác động lên các phần tử sinh c+, c-. Ví dụ cho c+ = big, c- = small, sử dụng 1 gia tử dương “very” và 1 gia tử âm “little”, khi đó một số giá trị ngôn ngữ được xác định từ (2.17) có dạng đơn giản sau đây: ν(very small) = θ(1 - α)(1 - α) (2.21)
Vũ Như Lân, Trịnh Thúy Hà, Lại Khắc Lãi, Nguyễn Tiến Duy 523 ν(small) = θ(1 - α) (2.22) ν(little small) = θ(1 - α + α2) (2.23) ν(midle) = θ (2.24) ν(little big) = θ + α(1 - θ)(1 - α) (2.25) ν(big) = θ + (1 - θ)α (2.26) ν(very big) = θ +α (1 - θ)(2 - α) (2.27) Thứ tự ngữ nghĩa là tính chất quan trọng của ĐSGT có khả năng đảm bảo cho nhiều ứng dụng có hiệu quả. Giả sử, Xi và Xk là hai giá trị ngôn ngữ nào đó có thứ tự về ngữ nghĩa của biến ngôn ngữ x với hai giá trị ngữ nghĩa định lượng tương ứng SXi và SXk, trong đó: SXi < SXk; Giả sử SX0 là giá trị ngữ nghĩa định lượng nào đó với SXi ≤ SX0 ≤ SXk (Hình 1). Đặt ƞi là giá trị thể hiện mức độ SX0 gần SXi; ƞk là giá trị thể hiện mức độ SX0 gần SXk, khi đó ƞi và ƞk được xác định như sau: ƞi = [SXk - SX0] / [SXk - SXi] (2.28) ƞk = [SX0 - SXi] / [SXk - SXi] (2.29) Lưu ý rằng: ƞi + ƞk = 1 và 0 ≤ ƞi ≤ 1 và 0 ≤ ƞk ≤ 1 0 SXi SX0 SXk 1 | x x x | Hình 1. Giá trị ngữ nghĩa định lượng SX0 trong đoạn ngữ nghĩa [SXi SXk] tương ứng với hai giá trị ngôn ngữ Xi và Xk III. MÔ HÌNH MỜ TAKAGI - SUGENO - HEDGE ALGEBRAS Mô hình mờ Takagi - Sugeno (TS) là mô hình được sử dụng phổ biến trong nhiều lĩnh vực ứng dụng khác nhau. Mô hình này được mô tả dưới dạng hệ luật IF - THEN biểu diễn các quan hệ Vào - Ra (thường là tuyến tính) địa phương của hệ phi tuyến. Đặc trưng cơ bản của mô hình mờ Takagi - Sugeno là biểu diễn tính chất địa phương của mỗi luật mờ bằng một mô hình địa phương. Mô hình tổng thể của toàn bộ hệ thống là kết quả liên kết (combination) các mô hình địa phương. Trước hết xét mô hình mờ Takagi-Sugeno dưới dạng hệ luật Rj sau đây: Rj: NẾU x1 là X(k1)j và x2 là X(k2)j…và xn là X(kn)j THÌ yj = φj (x1,x2,…,xn,,p1j,p2j,…pnj) Trong đó: x1, x2, …, xn là các biến ngôn ngữ đầu vào; p1, p2, …, pn là các tham số; X(ki)j, i = 1, 2, …, n là các giá trị ngôn ngữ với các hàm thuộc μ ki(xi) tương ứng; k1 = 1, 2, …, K1; k2 = 1,2, …, K2; …; kn = 1, 2, …, Kn với Ki là số tập mờ của biến ngôn ngữ xi có các giá trị ngôn ngữ X(ki); ki = 1, 2, …, Ki; j = 1, 2, …, K là số lượng luật, K = K1*K2*…. *Kn; φj (.) là hàm trơn và trong các ứng dụng thường là hàm tuyến tính. Giá trị đầu ra yTS của mô hình mờ Takagi-Sugeno như sau: K n ( ki ( xi )) j ( x1 , x 2 ,...x n ; p1 j , p 2 j ,... p nj ) j 1 i 1 yTS (3.1) .K n ( ki ( xi ) j 1 i 1 Mô hình (3.1) là mô hình ứng dụng có hiệu quả trong nhiều lĩnh vực như mô hình mờ, điều khiển dự báo mờ,... Để có thể tạo ra khả năng kết hợp sử dụng mô hình mờ Takagi-Sugeno và ĐSGT cần đưa bộ tham số của ĐSGT vào mô hình mờ Takagi-Sugeno (3.1). Thay vì sử dụng tập mờ độc lập μki(xi), i = 1, 2,…, n, mô tả giá trị ngôn ngữ X(ki), ĐSGT sử dụng ƞi với biểu diễn (2.28) và ƞk với biểu diễn (2.29) chứa bộ tham số của ĐSGT. Điều này cho phép thể hiện mối liên hệ chặt chẽ giữa các tham số của phần IF và phần THEN trong hệ luật. Từ đó tạo ra khả năng tối ưu hóa đồng thời phần IF và phần THEN trên cơ sở các tham số nêu trên. Như vậy, khi xi nhận giá trị cụ thể xi = xio, i = 1, 2, …, n, các giá trị cụ thể của hàm thuộc μki(xi0) được thay thế bằng giá trị ƞ(ki), trong đó, ƞ(ki) chứa bộ tham số của ĐSGT. Mô hình mới này được gọi là mô hình mờ Takagi -
524 ỨNG DỤNG ĐẠI SỐ GIA TỬ TRONG ĐIỀU KHIỂN DỰ BÁO THEO MÔ HÌNH Sugeno - Hedge Algebras (TSHA). Một cách tổng quát, có thể mô tả mô hình mờ Takagi-Sugeno - Hedge Algebras dưới dạng hệ luật như sau: Luật Rj: NẾU x1 là X(k1)j và x2 là X(k2)j…và xn là X(kn)j THÌ yjHA = φj (x1,x2,…,xn,; p1jHA, p2jHA,…pnjHA) Trong đó: x1, x2, …xn là các các biến ngôn ngữ đầu vào; p1jHA, p2jHA,…pnjHA là bộ tham số của mô hình Takagi- Sugeno Hedge Algebras . X(k1)j, X(k2)j …X(kn)j là các giá trị ngôn ngữ của các biến ngôn ngữ x1, x2, …xn tương ứng. Ở đây: k1 = 1, 2, …, K1 là số lượng giá trị ngôn ngữ trong biến ngôn ngữ x1; k2 = 1, 2, …, K2 là số lượng giá trị ngôn ngữ trong biến ngôn ngữ x2; kn = 1, 2, …, Kn là số lượng giá trị ngôn ngữ trong biến ngôn ngữ xn. Từ X(k1)j, X(k2)j,…X(kn)j theo (2.19b) tính được các giá trị ngữ nghĩa tương ứng : Norm(X(k1)j) = SX(k)j; Norm(X(k2)j) = SX(k2)j; …; Norm(X(kn)j) = SX(kn)j. Lưu ý rằng: SX(k1)j, SX(k2)j, … SX(kn)j là các giá trị ngữ nghĩa định lượng chứa bộ tham số của ĐSGT tương ứng với các giá trị ngôn ngữ X(k1)j, X(k2)j …X(kn)j. j = 1, 2, …, K với K = K1*K2*…*Kn là số lượng luật, φj (.) là hàm trơn và trong các ứng dụng thường là hàm tuyến tính. Giá trị đầu ra yTSHA của mô hình mờ Takagi - Sugeno - Hedge Algebras có dạng sau: K n ( (ki) j ) j ( x1 , x 2 ,...x n ; p1 jHA , p 2 jHA ,... p njHA ) j 1 i 1 yTSHA (3.2) .K n (ki) j j 1 i 1 Cho trước điều kiện ban đầu: xr = xr0, r = 1, 2…, n. Trên cơ sở hệ luật Rj, j = 1, 2, …, K; đầu ra của mô hình Takagi - Sugeno - Hedge Algebras yTSHA được xác định trên cơ sở (3.2). Nếu chỉ sử dụng 1 gia tử âm và 1 gia tử dương thì mô hình mờ Takagi - Sugeno - Hedge Algebras là mô hình có số lượng tham số nhiều hơn 2n tham số so với mô hình mờ Takagi - Sugeno truyền thống. IV. ỨNG DỤNG MÔ HÌNH TSHA TRONG ĐIỀU KHIỂN DỰ BÁO THEO MÔ HÌNH Trong phần này chúng tôi sẽ sử dụng mô hình TS và mô hình TSHA cho bài toán điều khiển dự báo cụ thể để so sánh và minh chứng hiệu quả của mô hình TSHA đề xuất. Xét một mô hình điều khiển dự báo đơn giản với mô hình đối tượng điều khiển được thể hiện bằng phương trình sau đây [2]: y(k+1) = y(k) / (1+y2(k)) + u(k) (4.1) Trong đó, y(k+1) là đầu ra tại thời điểm (k+1). y(k) là các đầu vào tại thời điểm k và u(k) là tác động điều khiển tại thời điểm k. u(k) ϵ [-5 5]; y(k) ϵ [-5 5] (4.1a) Đối với cả hai mô hình Takagi - Sugeno (TS) và Takagi - Sugeno - Hedge Algebras (TSHA), cùng sử dụng hai giá trị ngôn ngữ: Small và Big cho các biến ngôn ngữ u và y. Do có 2 biến đầu vào và mỗi biến đầu vào có 2 giá trị ngôn ngữ, nên có thể xây dựng hệ gồm 4 luật. Hệ luật cho mô hình TS có dạng: R1: IF u(k) is Small and y(k) is Small THEN y(k+1) = p01 + p11u(k) + p21y(k) R2: IF u(k) is Small and y(k) is Big THEN y(k+1) = p02 + p12u(k) + p22y(k) R3: IF u(k) is Big and y(k) is Small THEN y(k+1) = p03 + p13u(k) + p23y(k) R4: IF u(k) is Big and y(k) is Big THEN y(k+1) = p04 + p14u(k) + p24y(k) Để phân biệt với các tham số trong mô hình TS, hệ luật cho mô hình TSHA có dạng: R1: IF u(k) is Small and y(k) is Small THEN y(k+1) = p01HA + p11HAu(k) + p21HAy(k) R2: IF u(k) is Small and y(k) is Big THEN y(k+1) = p02HA + p12HAu(k) + p22HAy(k)
Vũ Như Lân, Trịnh Thúy Hà, Lại Khắc Lãi, Nguyễn Tiến Duy 525 R3: IF u(k) is Big and y(k) is Small THEN y(k+1) = p03HA + p13HAu(k) + p23HAy(k) R4: IF u(k) is Big and y(k) is Big THEN y(k+1) = p04HA + p14HAu(k) + p24HAy(k) Mô hình TS sử dụng 2 tập mờ Small và Big cho biến hai ngôn ngữ u và y được mô tả như Hình 2a và Hình 2b sau đây: μ(u) Small Big 1 μSmall(u(k)) μBig (u(k)) - 1.5 u(k) 1.5 u Hình 2a. Phân hoạch hàm thuộc của biến ngôn ngữ u μ(y) Small Big 1 μBig (y(k)) μSmall(y(k)) - 1.5 y(k) 1.5 y Hình 2b. Phân hoạch hàm thuộc của biến ngôn ngữ y Đầu ra mô hình TS tại thời điểm k đối với từng cặp Vào - Ra theo (3.1) có dạng: 4 2 ( ki ( x i ))( p 0 j p1 j x1 , p 2 j x 2 ) j 1 i 1 y TS (k ) (4.2) .4 2 ( ki ( xi ) j 1 i 1 Tiêu chuẩn tối ưu theo các tham số của mô hình TS có dạng: 21 JTS = (1 / 21) ( y (k ) y TS (k )) 2  min (4.3) i 1 Mô hình TSHA sử dụng 2 giá trị ngữ nghĩa định lượng ν(Small) với (2.22) và ν(Big) với (2.28). Đầu ra mô hình TSHA tại thời điểm k đối với từng cặp Vào - Ra theo (3.2) có dạng: 4 2 ( ki ( xi ))( p 0 jHA p1 jHA x1 , p 2 jHA x 2 ) j 1 i 1 yTSHA (k ) (4.4) .4 2 ( ki ( xi ) j 1 i 1 Tiêu chuẩn tối ưu theo các tham số nêu trên của mô hình TSHA có dạng:
526 ỨNG DỤNG ĐẠI SỐ GIA TỬ TRONG ĐIỀU KHIỂN DỰ BÁO THEO MÔ HÌNH 21 JTSHA = (1 / 21) ( y (k ) yTSHA (k )) 2  min (4.5) i 1 Xây dựng chương trình tính toán tối ưu sử dụng GA trong MATLAB cho hai mô hỉnh TS và mô hình TSHA theo các tiêu chuẩn (4.3), (4.5). Các tham số tối ưu của hai mô hình được trình bày trong Bảng 1 sau đây: Bản 1. Kết quả so sánh các tham số tối ưu và sai số bình phương trung bình (MSE) của hai mô hình TS và TSHA. Các tham số tối ưu theo (4.3) của mô hình TS Các tham số tối ưu theo (4.5) của mô hình TSHA p01 = 0.422 p01HA = - 0.595 p11 = 1.112 p11HA = 1.401 p21 = - 0.080 p21HA = - 0.894 p02 = - 1.044 p02HA = 0.880 p12 = 1.499 p12HA = 1.186 p22 = 1.499 p22HA = 0.993 p03 = - 0.635 p03HA = 0.235 p13 = - 0.310 p13HA = 0.872 p23 = 1.499 p23HA =1.355 p04 = 1.426 p04HA = - 0.253 p14 = 0.238 P14HA = 0.784 p24 = - 0.379 P24HA = 0.647 θ1 = 0.427 α1 = 0.252 θ2 = 0.483 α2 = 0.373 MSETS = 0.0034 MSETSHA = 0.0019 Từ kết quả chỉ ra ở Bảng 1 có thể thấy mô hình TSHA xác định các tham số chính xác hơn so với mô hình TS trong [2]. Từ đó có khả năng nâng cao hiệu quả trong bài toán điều khiển dự báo. Bài toán điều khiển dự báo trong [2] sử dụng mô hình Takagi-Sugeno và Takagi-Sugeno-Hedge Algebras được thực hiện như sau: Cho trước r(k) = 0.5 với mọi k = 1, 2, …; Hp = 5 và Hc = 3 Hàm mục tiêu điều khiển dự báo của mô hình Takagi-Sugeno (TS) có dạng: 5 3 JTS = (r (k i ) y TS (k i )) 2 u (k i ) 2  min (4.6) i 1 i 1 Hàm mục tiêu điều khiển dự báo của mô hình Takagi-Sugeno Hedge Algebras (TSHA) có dạng: 5 3 JTSHA = (r (k i ) y TSHA (k i )) 2 u (k i ) 2  min (4.7) i 1 i 1 Lưu ý khi i =4 và i = 5: u(4) = u(3) và u(5) = u(3) Mô hình TS được nhận dạng ở phần trên đây (Bảng 1) với các phương trình dự báo sau đây: R1: IF u(k) is Small and y(k) is Small THEN yTS(k+1) = 0.422 + 1.112u(k) - 0.080y(k) (TS1) R2: IF u(k) is Small and y(k) is Big THEN yTS(k+1) = - 1.044 + 1.499u(k) + 1.499y(k) (TS2) R3: IF u(k) is Big and y(k) is Small THEN yTS(k+1) = - 0.635 - 0.310u(k) + 1.499y(k) (TS3) R4: IF u(k) is Big and y(k) is Big THEN yTS(k+1) = 1.426 + 0.238u(k) - 0.379y(k) (TS4) Mô hình TSHA được nhận dạng ở phần trên đây (Bảng 1) với các phương trình dự báo sau đây: R1: IF u(k) is Small and y(k) is Small THEN y(k+1) = - 0.595 + 1.401u(k) - 0.894y(k) (TA1) R2: IF u(k) is Small and y(k) is Big THEN y(k+1) = 0.880 + 1.186u(k) + 0.993y(k) (TA2) R3: IF u(k) is Big and y(k) is Small THEN y(k+1) = 0.235 + 0.872u(k) + 1.355y(k) (TA3) R4: IF u(k) is Big and y(k) is Big THEN y(k+1) = - 0.253 + 0.784u(k) + 0.647y(k) (TA4) Giả sử cho trước điều kiện ban đầu r(k); u(k)=u0; y(k)=y0; Hc và Hp , ( Hc ≤ Hp ) Trong đó r(k) là Đầu ra mong muốn; Hc và Hp là Tầm điều khiển và Tầm dự báo; u(k) và y(k) là điều khiển và đầu ra tại thời điểm k. Tại thời điểm k, giả sử có các điều kiện ban đầu u(k) và y(k). Trên cơ sở mô hình dự báo tối ưu của mô hình TS từ (TS1) đến (TS4) và mô hình TSHA từ (TA1) đến (TA4); sử dụng chương trình tính toán tối ưu GA
Vũ Như Lân, Trịnh Thúy Hà, Lại Khắc Lãi, Nguyễn Tiến Duy 527 trong MATLAB giải bài toán điều khiển dự báo tối ưu mô hình TS và TSHA theo các mục tiêu điều khiển (4.6) và (4.7). Kết quả nhận được chuỗi đầu ra dự báo tối ưu yTSop(k+i), và yTSHAop(k+i), i = 1, 2, …., Hp và chuỗi điều khiển dự báo tối ưu uTSop(k+i) và uTSHAop(k+i), i = 1, 2, Hc. Lưu ý rằng u(Hc) = u(Hc+1) =u(Hc+2) = …. = u(Hp). Kết quả tính toán được trình bày trong Bảng 2 với một số điều kiện ban đầu chọn ngẫu nhiên của u(k) và y(k) Bản 2. Giá trị hàm mục tiêu điều khiển dự báo (4.6), (4.7) của mô hình TS và TSHA u(k) - 1.0 - 0.5 - 0.1 0.1 0.3 y(k) 0.0 0.5 0.1 - 0.1 0.4 JTSop 4.47 0.72 0.47 0.44 0.06 JTSHAop 4.43 0.57 0.43 0.39 0.03 Từ kết quả thu được trong Bảng 2, rõ ràng rằng: đối với bài toán điều khiển dự báo trong [2], mô hình TSHA có hiệu quả điều khiển tốt hơn so với mô hình TS. V. KẾT LUẬN Mô hình mờ Takagi-Sugeno được ứng dụng rất rộng rãi trong nhiều lĩnh vực của công nghệ thông tin, viễn thông và đặc biệt trong điều khiển dự báo. Tuy nhiên có thể mở rộng mô hình này khi kết hợp với tiếp cận ĐSGT. Mô hình mờ mở rộng mới này được gọi là mô hình mờ Takagi-Sugeno Hedge Algebras. Hiệu quả ứng dụng mô hình mới trong bài toán điều khiển dự báo được thể hiện qua so sánh với mô hình truyền thống Takagi-Sugeno trên cơ sở bài toán điều khiển dự báo trong [2]. Kết quả thu được cho thấy tính khả thi và ưu việt của mô hình đề xuất. Các nghiên cứu tiếp theo có thể đi theo hướng này để ứng dụng mô hình mờ mới Takagi-Sugeno Hedge Algebras trong nhiều lĩnh vực khác nhau nói chung và điều khiển dự báo nói riêng. VI. TÀI LIỆU THAM KHẢO [1] T. Takagi, M. Sugeno. Fuzzy identification of systems and its applications to modeling and control. IEEE transactions on Systems Man and Cybernetics, (1985) Vol. 15, pp 116-132. [2] M. Boumehra, K. Benmahammed and D. Saigaa. Nonlinear model based predictive control using fuzzy models and genetic algorithms. University of Birskra Repository / Communications / Comunications Internationales. 25-Nov- 2014. [3] J. A. Roubos, S.Mollov, R. Babuska, H. B. Verbruggen. Fuzzy model-based predictive control using Takagi- Sugeno models. International Journal of Approximate Reasoning 22 (1999) 3-30 [4] M. A. Khanesar, O. Kaynak and M. Teshnehlab. Direct Model Reference Takagi-Sugeno Fuzzy Control of SISO Nonlinear Systems. IEEE TRANSACTIONS ON FUZZY SYSTEMS, VOL. 19, NO. 5, OCTOBER (2011), 914- 924 [5] Y. L. Huang, H. H. Lou, J. P. Gong, and T. F. Edgar. Fuzzy Model Predictive Control IEEE TRANSACTIONS ON FUZZY SYSTEMS, VOL. 8, NO. 6, DECEMBER (2000) 665-678. [6] C. H. Nguyen, W. Wechler. Hedge algebra: An algebraic approach to structures of sets of linguistic truth values. Fuzzy Sets Syst (1990) 35:281-293. [7] C. H. Nguyen, W. Wechler. Extended hedge algebras and their application to Fuzzy logic. Fuzzy Sets Syst (1992) 52:259-281. [8] C. H. Nguyen, N. L.Vu, X. V. Le. Optimal hedge-algebra based controller: Design and application. Fuzzy Sets Syst (2008) 159: 968-989. [9] D. Vukadinovi´c, M. Baˇsi´c, C. H. Nguyen, N. L. Vu, T. D. Nguyen. Hedge-Algebra-Based Voltage Controller for a Self- Excited Induction Generator. Control Eng Prac (2014) 30:78-90. [10] H. L. Bui, D. T. Tran, N. L. Vu. Optimal fuzzy control of an inverted pendulum. J. Vib Control (2012) 18(14):2097-2110. [11] N. D. Anh, H. L. Bui, N. L. Vu, D. T. Tran. Application of hedge algebra-based fuzzy controller to active control of a structure against earthquake. Struct Control Health Monit (2013) 20: 483-495. [12] N. D. Duc, N. L. Vu, D. T. Tran, H. L. Bui. A study on the application of hedge algebras to active fuzzy control of a seism-excited structure. J Vib Control (2012) 18(14):2186-2200 [13] H. L. Bui, C. H. Nguyen, N. L. Vu. General design method of hedge-algebras-based fuzzy controllers and an application for structural active control. Applied Intelligence, (2015) Vol 43, N2, 251-275. [14] H. L. Bui, C. H. Nguyen, V. B. Bui, K. N. Le, H. Q. Tran. Vibration Control of Uncertain Structures with Actuator Saturation using Hedge-Algebras-Based Fuzzy Controller, Journal of Vibration and Control, (2015) Vol. 23, No. 12, pp. 1984-2002.
528 ỨNG DỤNG ĐẠI SỐ GIA TỬ TRONG ĐIỀU KHIỂN DỰ BÁO THEO MÔ HÌNH [15] H. L. Bui, T. A. Le, V. B. Bui. Explicit Formula of Hedge-Algebras-Based Fuzzy Controller and Applications in Structural Vibration Control, Applied Soft Computing, (2017) Vol. 60, pp. 150-166. THE APPLICATION OF THE HEDGE ALGEBRAS IN FORECAST CONTROL BASED ON THE MODELS Vu Nhu Lan, Trinh Thuy Ha, Lai Khac Lai, Nguyen Tien Duy ABSTRACT: In model predictive control (MPC), it is particularly important to construct a precise modeling of the control as it is decisive to quality and control accuracy. The paper proposes a combination of the Takagi-Sugeno fuzzy model and the hedge algebra to construct a new fuzzy model called the Takagi-Sugeno-Hedge Algebras. This hybrid model develops the advantages of the Takagi-Sugeno fuzzy modeling approach and the hedge algebra one. In the Takagi-Sugeno fuzzy model, the problem of determining the fuzzy set parameters in the part IF is made before the parameter-determining problem in the THEN section of the fuzzy model. However, in the fuzzy model Takagi - Sugeno- Hedge Algebras, the problem of determining fuzzy set parameters in the part IF is replaced by the one of the hedge algebras. This is performed concurrently with the problem of determining the parameters in the THEN section of the fuzzy model. The application results for the forecast control problem have shown the superiority of the proposed model.