Download luận án tiến sĩ ngành kĩ thuật với đề tài: Nghiên cứu ứng dụng lý thuyết điều khiển hiện đại xây dựng mô hình trong điều khiển dự báo phi tuyến, cho các bạn làm luận án tham khảo

1. BỘ GIÁO DỤC VÀ ĐÀO TẠO
ĐẠI HỌC THÁI NGUYÊN
Lê Thị Huyền Linh
NGHIÊN CỨU ỨNG DỤNG LÝ THUYẾT
ĐIỀU KHIỂN HIỆN ĐẠI XÂY DỰNG MÔ HÌNH
TRONG ĐIỀU KHIỂN DỰ BÁO PHI TUYẾN
LUẬN ÁN TIẾN SĨ KỸ THUẬT
THÁI NGUYÊN – 2015

2. BỘ GIÁO DỤC VÀ ĐÀO TẠO
ĐẠI HỌC THÁI NGUYÊN
Lê Thị Huyền Linh
NGHIÊN CỨU ỨNG DỤNG LÝ THUYẾT ĐIỀU
KHIỂN HIỆN ĐẠI XÂY DỰNG MÔ HÌNH TRONG
ĐIỀU KHIỂN DỰ BÁO PHI TUYẾN
Chuyên ngành: Kỹ thuật điều khiển & Tự động hóa
Mã số: 62. 52. 02. 16
LUẬN ÁN TIẾN SĨ KỸ THUẬT
NGƯỜI HƯỚNG DẪN KHOA HỌC
PGS. TS. Lại Khắc Lãi
THÁI NGUYÊN – 2015

3. BỘ GIÁO DỤC VÀ ĐÀO TẠO
ĐẠI HỌC THÁI NGUYÊN
NGHIÊN CỨU ỨNG DỤNG LÝ THUYẾT
ĐIỀU KHIỂN HIỆN ĐẠI XÂY DỰNG MÔ HÌNH
TRONG ĐIỀU KHIỂN DỰ BÁO PHI TUYẾN
LUẬN ÁN TIẾN SĨ KỸ THUẬT
THÁI NGUYÊN – 2015

4. BỘ GIÁO DỤC VÀ ĐÀO TẠO
ĐẠI HỌC THÁI NGUYÊN
NGHIÊN CỨU ỨNG DỤNG LÝ THUYẾT ĐIỀU
KHIỂN HIỆN ĐẠI XÂY DỰNG MÔ HÌNH TRONG
ĐIỀU KHIỂN DỰ BÁO PHI TUYẾN
Chuyên ngành: Kỹ thuật điều khiển & Tự động hóa
Mã số: 62. 52. 02. 16
LUẬN ÁN TIẾN SĨ KỸ THUẬT
NGƯỜI HƯỚNG DẪN KHOA HỌC
THÁI NGUYÊN – 2015

5. i
LỜI CAM ĐOAN
Tôi tên là Lê thị Huyền Linh, tôi xin cam đoan đây là công trình nghiên
cứu của cá nhân tôi dƣới sự hƣớng dẫn của tập thể các nhà khoa học và các tài
liệu tham khảo đã trích dẫn. Kết quả nghiên cứu là trung thực và chƣa đƣợc công
bố trên bất cứ một công trình nào khác.
Tác giả luận án
Lê Thị Huyền Linh

6. ii
LỜI CẢM ƠN
Trong suốt quá trình làm luận án, thực sự đã có những lúc khó khăn,
tƣởng chừng nhƣ không thể tiếp tục, nhờ nhận đƣợc sự động viên, giúp đỡ của
ngƣời thân, bạn bè đồng nghiệp, thầy giáo hƣớng dẫn và tập thể các nhà khoa
học, tôi đã có đƣợc kết quả hôm nay. Từ sâu thẳm, tôi xin đƣợc trân trọng gửi lời
cảm ơn đến tất cả. Cảm ơn những ngƣời thầy, ngƣời bạn đã đồng hành, giúp đỡ,
chia sẽ cùng tôi trong giai đoạn khó khăn, vất vả nhất của chặng đƣờng luận án.
Qua đây, tôi xin đƣợc bày tỏ lòng biết ơn chân thành đến thầy giáo
hƣớng dẫn PGS. TS. Lại Khắc Lãi đã tận tình, dìu dắt và định hƣớng cho tôi
trong suốt thời gian qua. Tôi cũng xin đƣợc gửi lời cảm ơn sâu sắc và kính trọng
đến các thầy cô giáo, các đồng nghiệp trong Khoa Điện, tập thể các nhà khoa
học, đã đóng góp những ý kiến quý báu về chuyên môn, quan tâm, tạo điều kiện
thuận lợi, giúp đỡ về công việc và thời gian. Cảm ơn Bộ môn Kỹ thuật Điện,
Khoa Điện, các Phòng ban của Trƣờng Đại học Kỹ thuật Công nghiệp, Đại học
Thái Nguyên đã nhiệt tình, tạo điều kiện trong suốt quá trình thực hiện luận án.
Từ sâu tận đáy lòng, tôi muốn đƣợc nói lời cảm tạ đến bố mẹ, chị gái,
chồng và con gái bé bỏng đã luôn luôn bên tôi, hết lòng thƣơng yêu, quan tâm, sẻ
chia, ủng hộ, động viên tinh thần, tình cảm, tạo điều kiện giúp tôi có nghị lực để
hoàn thành quyển luận án này.
Tác giả luận án
Lê Thị Huyền Linh

7. iii
MỤC LỤC
LỜI CAM ĐOAN ................................................................................................... i
LỜI CẢM ƠN ........................................................................................................ ii
MỤC LỤC............................................................................................................. iii
DANH MỤC CÁC KÝ HIỆU, CÁC CHỮ VIẾT TẮT ....................................... vi
DANH MỤC CÁC BẢNG BIỂU......................................................................... ix
DANH MỤC CÁC HÌNH VẼ ................................................................................x
MỞ ĐẦU.................................................................................................................1
1. Tính cấp thiết của đề tài luận án ........................................................................1
2. Phạm vi, đối tƣợng nghiên cứu và phƣơng pháp nghiên cứu ............................3
3. Mục tiêu của luận án..........................................................................................4
4. Những đóng góp mới về lý luận và thực tiễn của luận án .................................4
5. Bố cục của luận án .............................................................................................5
CHƢƠNG 1
TỔNG QUAN VẤN ĐỀ NGHIÊN CỨU 7
1.1. Giới thiệu tổng quan về điều khiển dự báo theo mô hình............................7
1.1.1. Khái niệm.....................................................................................................7
1.1.2. Nguyên lý của điều khiển dự báo theo mô hình ..........................................8
1.1.3. Các thành phần chính trong điều khiển dự báo dựa trên mô hình .............10
1.2. Những vấn đề liên quan về điều khiển dự báo hệ tuyến tính.....................15
1.3. Các ƣu nhƣợc điểm của điều khiển dự báo so với phƣơng pháp khác ......20
1.4. Những vấn đề liên quan về điều khiển dự báo hệ phi tuyến......................21
1.5. Đề xuất hƣớng nghiên cứu giải quyết trong luận án..................................25
1.6. Kết luận Chƣơng 1 .....................................................................................26
CHƢƠNG 2
NHẬN DẠNG NHIỄU VÀ BÙ NHIỄU CHO LỚP HỆ PHI TUYẾN
CÓ TRỄ 27
2.1. Tổng quát chung về nhận dạng và mạng nơron.........................................27
2.1.1 Khái niệm về nhận dạng.............................................................................27
2.1.2 Khái quát về cấu trúc mạng nơron.............................................................28
2.1.3 Giới thiệu mạng nơron RBF.......................................................................30

8. iv
2.1.4 Tóm lƣợc về nhận dạng trực tuyến hệ phi tuyến sử dụng mạng nơron nhân
tạo...............................................................................................................31
2.2. Bài toán nhận dạng nhiễu cho lớp hệ phi tuyến có trễ...............................32
2.3. Thuật toán nhận dạng nhiễu hệ phi tuyến có trễ trên cơ sở sử dụng mạng
nơron RBF khi chỉ có một thành phần nhiễu.............................................33
2.3.1. Xây dựng thuật toán nhận dạng nhiễu .......................................................33
2.3.2. Ví dụ minh họa...........................................................................................41
2.4. Tổng hợp tin hiệu bù nhiễu cho hệ thống có trễ với một kênh điều khiển.......44
2.5. Thuật toán nhận dạng nhiễu hệ phi tuyến có trễ trên cơ sở sử dụng mạng
nơron RBF khi có nhiều thành phần nhiễu ................................................46
2.5.1. Xây dựng thuật toán nhận dạng....................................................................47
2.5.2. Ví dụ minh họa...........................................................................................54
2.6. Xác định điều kiện ứng đối cho việc bù nhiễu trong các hệ thống có trễ với
nhiều thành phần nhiễu tác động................................................................57
2.7. Kết luận Chƣơng 2 .....................................................................................59
CHƢƠNG 3
TỔNG HỢP BỘ ĐIỀU KHIỂN DỰ BÁO DỰA THEO MÔ HÌNH NỘI
CHO ĐỐI TƢỢNG CÓ TRỄ VÀ XÂY DỰNG HỆ THỐNG ĐIỀU
KHIỂN CHO ĐỐI TƢỢNG CSTR 61
3.1. Đặt vấn đề ..................................................................................................61
3.2. Xây dựng tiêu chuẩn tối ƣu cho bài toán điều khiển tối ƣu và điều khiển
dự báo.........................................................................................................62
3.3. Xây dựng thuật toán điều khiển dự báo dựa trên mô hình nội cho lớp đối
tƣợng phi tuyến có trễ trên cơ sở đã nhận dạng và bù nhiễu .....................66
3.4. Xây dựng mô hình toán cho đối tƣợng CSTR ...........................................71
3.4.1. Xây dựng mô hình toán cho đối tƣợng CSTR với một tín hiệu điều khiển76
3.4.2. Xây dựng mô hình toán cho đối tƣợng CSTR với hai tín hiệu điều khiển 79
3.5. Thiết kế mô hình nhận dạng các nhiễu cho đối tƣợng CSTR....................81
3.5.1. Thiết kế mô hình nhận dạng nhiễu trên hai kênh h và Cb với một tín hiệu
điều khiển...................................................................................................82

9. v
3.5.2. Thiết kế mô hình nhận dạng nhiễu trên hai kênh h và Cb với hai tín hiệu
điều khiển..................................................................................................87
3.6. Xây dựng hệ thống điều khiển dự báo dựa trên mô hình nội cho đối tƣợng
CSTR trên cơ sở đã nhận dạng và bù nhiễu...............................................92
3.6.1. Xây dựng bộ IMPC điều khiển một kênh Cb với một tín hiệu điều khiển.......92
3.6.2. Xây dựng bộ IMPC điều khiển đồng thời cả hai kênh Cb và h với hai tín
hiệu điều khiển...........................................................................................94
3.7. So sánh bộ điều khiển PID với bộ điều khiển IMPC đã đƣợc nhận dạng và
bù nhiễu để điều khiển cho đối tƣợng CSTR.............................................96
3.7.1. So sánh bộ điều khiển PID với bộ điều khiển IMPC điều khiển một kênh
Cb với một tín hiệu điều khiển ...................................................................96
3.7.2. So sánh bộ điều khiển PID và bộ điều khiển IMPC điều khiển đồng thời
hai kênh Cb và h với hai tín hiệu điều khiển ............................................100
3.8. Kết luận Chƣơng 3 ...................................................................................105
KẾT LUẬN VÀ KIẾN NGHỊ ............................................................................107
DANH MỤC CÔNG TRÌNH KHOA HỌC CÓ LIÊN QUAN ĐẾN LUẬN ÁN........109
TÀI LIỆU THAM KHẢO ..................................................................................110

10. vi
DANH MỤC CÁC KÝ HIỆU, CÁC CHỮ VIẾT TẮT
Danh mục các ký hiệu
T thời gian trích mẫu
( )ktX trạng thái tại thời điểm tk
1 2( ), ( ),...k kt tX X trạng thái thại thời điểm tk+1, tk+2
( )x t đầu ra của đối tƣợng điều khiển
( )u t , ( )tU tác động điều khiển
τ thời gian trễ
ia các thông số đặc trƣng cho động học của đối tƣợng
( )f  , ( )F X vectơ các tác động nhiễu
ˆ( )f X , ˆ( )F X hàm đánh giá của ( )f X
*
iw ,
*
ijw các trọng số lý tƣởng
ε , εi
sai số xấp xỉ
εM
số nhỏ nhất bất kỳ cho trƣớc
*
ε ,
*
εi
sai số xấp xỉ lý tƣởng
ˆiw , ˆijw các trọng số đánh giá
iw , ijw sai lệch trọng số đánh giá
, ,A B D các ma trận thông số đặc trƣng của đối tƣợng
O ma trận với tất cả các thành phần bằng không
mI ma trận đơn vị
( )i X các hàm cơ sở
Ci , Cij
tâm của hàm cơ sở
i , ij
độ trải rộng của hàm cơ sở
( )e t , ( )tE sai số trạng thái đầu ra
( )f X sai số nhiễu đối tƣợng thực và nhiễu đánh giá
P ,Q ma trận đối xứng xác định dƣơng
min ( )r Q , ax ( )mr Q giá trị riêng nhỏ nhất, lớn nhất của ma trận Q
hệ số dƣơng 0

11. vii
nP , 2n m iP dòng thứ n và 2n m i của ma trận P
( ), ( )dk dku t tU tín hiệu điều khiển
( ), ( )b bu t tU tín hiệu điều khiển bù
( )B , ( )D không gian hạng của ma trận B, D
, các tập Compact
h mức dung dịch
Cb
nồng độ dung dịch
l khoảng cách từ van đến thành bình
T1, T2, T3
các van điện
T hằng số thời gian
mv1, mv2, mv3
lƣu lƣợng của các dung dịch
K hệ số truyền của van điện
 góc mở van
Danh mục các chữ viết tắt
ARMAX Autoregressive Moving Average with Exogenous
CSTR Continuous Stirred Tank Reactor
DMC Dynamic matrix control
DLP Double-Layer Perceptron feedforward neural network
EHAC Extended Horizon Adaptive Control
FIR Finite Impulse Response
HEICON Hierarchical Constraint Control
IMPC Internal Model Predictive Control
GPC Generalized Predictive Control
LS Least Squares
MAC Model Algorithmic Control
MIMO Multiple Input Multiple Output
MPC Model Predictive Control
NAV Nonlinear Absolute Values

12. viii
OPC Optimum Predictive Control
PFC Predictive Functional Control
PID Proportional Integral Derivative
RMPCT Robust MPC Technology
RBF Radial Basic Funtions
SMC Sequential Monte Carlo
SISO Single Input Single Output

13. ix
DANH MỤC CÁC BẢNG BIỂU
Bảng 1.1. Bảng phân loại một số phƣơng pháp sử dụng cho xây dựng mô hình,
giải bài toán tối ƣu cho đối tƣợng tuyến tính, phi tuyến trong MPC................... 14
Bảng 1.2. Bảng tóm lƣợc một số phƣơng pháp nhận dạng mô hình dự báo của
một số phƣơng pháp MPC .................................................................................. 17
Bảng 1.3. Bảng tóm lƣợc một số kỹ thuật MPC của một số hãng trên thế giới .. 17

14. x
DANH MỤC CÁC HÌNH VẼ
Hình 1.1. Hình ảnh về ứng dụng điều khiển trong công nghệ xử lý hóa chất ....... 8
Hình 1.2. Nguyên lý cơ bản của điều khiển dự báo dựa trên mô hình .................. 9
Hình 1.3. Sơ đồ khối hệ thống điều khiển dự báo dựa trên mô hình................... 11
Hình 1.4. Cấu trúc mô hình lớp đối tƣợng phi tuyến có trễ................................. 25
Hình 2.1. Sai số đầu ra của đối tƣợng thực và mô hình....................................... 27
Hình 2.2. Cấu trúc hệ thống phi tuyến................................................................. 28
Hình 2.3. Cấu trúc của một số mạng nơron thƣờng gặp...................................... 29
Hình 2.4. Cấu trúc mạng RBF xấp xỉ hàm ( )f X ................................................. 36
Hình 2.5. Sơ đồ cấu trúc hệ thống nhận dạng nhiễu cho các đối tƣợng có trễ trên
cơ sở mô hình song song và mạng nơron............................................................. 41
Hình 2.6. Mô hình đối tƣợng hệ phi tuyến (2.35) dùng trong mô phỏng............. 42
Hình 2.7. Sơ đồ cấu trúc nhận dạng nhiễu dựa trên cơ sở mạng nơron RBF ...... 43
Hình 2.8. Các đáp ứng tín hiệu đầu ra của hệ (2.35) ........................................... 43
Hình 2.9. So sánh thành phần phi tuyến F(X) của hệ (2.35) và thành phần nhiễu
đƣợc nhận dạng qua RBF..................................................................................... 43
Hình 2.10. Sai lệch giữa nhiễu nhận dạng và nhiễu thực của hệ thống............... 44
Hình 2.11. Sơ đồ kênh tạo tín hiệu bù ................................................................. 45
Hình 2.12. Sơ đồ cấu trúc các mạng nơron xấp xỉ các hàm 1( )f X , 2 ( )f X ,
, 2
( )mf X của hệ (2.44)....................................................................................... 48
Hình 2.13. Sơ đồ cấu trúc nhận dạng các nhiễu cho các lớp đối tƣợng có trễ trong
kênh điều khiển .................................................................................................... 54
Hình 2.14. Sơ đồ cấu trúc nhận dạng các nhiễu dựa trên cơ sở mạng nơron RBF
.............................................................................................................................. 55
Hình 2.15. Các đáp ứng tín hiệu đầu ra của hệ (2.74) ......................................... 55
Hình 2.16. So sánh thành phần phi tuyến F(X) của hệ (2.74) và thành phần các
nhiễu đƣợc nhận dạng qua RBF........................................................................... 56
Hình 2.17. Sai số của mô hình nhận dạng và đối tƣợng thực (2.74) ................... 56
Hình 2.18. Sơ đồ cấu trúc của đối tƣợng có trễ trong kênh điều khiển, có nhiễu
phụ thuộc trạng thái tác động và kênh bù nhiễu trên cơ sở nhận dạng nhiễu...... 59

15. xi
Hình 3.1. Sơ đồ cấu trúc của hệ thống điều khiển dựa trên mô hình dự báo cho
lớp đối tƣợng có trễ.............................................................................................. 68
Hình 3.2. Sơ đồ cấu trúc hệ thống điều khiển dựa trên mô hình dự báo cho đối
tƣợng có trễ dựa trên cơ sở nhận dạng bằng mạng nơron đã có bù nhiễu ........... 70
Hình 3.3. Mô hình bình phản ứng khuấy trộn liên tục CSTR.............................. 72
Hình 3.4. Sơ đồ cấu trúc nhận dạng các nhiễu cho đối tƣợng CSTR dùng mạng
nơron RBF và cơ cấu thích nghi AB với một tín hiệu điều khiển ....................... 82
Hình 3.5. Sơ đồ khối mô tả đối tƣợng thực ......................................................... 83
Hình 3.6. Sơ đồ khối mô tả hàm nhiễu F(X) sử dụng một tín hiệu điều khiển ... 83
Hình 3.7. Tín hiệu hàm nhiễu mức dung dịch f1 và nhiễu nồng độ dung dịch f2
của đối tƣợng thực và sau khi nhận dạng sử dụng một tín hiệu điều khiển với thời
gian trễ 30s  ..................................................................................................... 84
Hình 3.8. Đáp ứng mức dung dịch h và nồng độ dung dịch Cb sử dụng một tín
hiệu điều khiển với thời gian trễ 30s  ............................................................. 85
Hình 3.9. Sơ đồ khối mô tả hàm nhiễu F(X) + hàm sin trong trƣờng hợp sử dụng
một tín hiệu điều khiển ........................................................................................ 86
Hình 3.10. Tín hiệu hàm nhiễu mức dung dịch f1 và nhiễu nồng độ dung dich f2
của đối tƣợng thực và sau khi nhận dạng trong trƣờng hợp nhiễu có thêm hàm sin
sử dụng một tín hiệu điều khiển với thời gian trễ 30s  ................................... 86
Hình 3.11. Đáp ứng mức dung dịch h và nồng độ dung dịch Cb trong trƣờng hợp
nhiễu có thêm hàm sin sử dụng một tín hiệu điều khiển với thời gian trễ 30s 
.............................................................................................................................. 87
Hình 3.12. Sơ đồ cấu trúc nhận dạng các nhiễu cho đối tƣợng CSTR dùng mạng
nơron RBF và cơ cấu thích nghi AB với hai tín hiệu điều khiển......................... 88
Hình 3.13. Sơ đồ khối mô tả hàm nhiễu F(X) sử dụng hai tín hiệu điều khiển... 88
Hình 3.14. Tín hiệu hàm nhiễu mức dung dịch f1 và nhiễu nồng độ dung dịch f2
của đối tƣợng thực và sau khi nhận dạng trong trƣờng hợp sử dụng hai tín hiệu
điều khiển với thời gian trễ 30s  ..................................................................... 89
Hình 3.15. Đáp ứng mức dung dịch và nồng độ dung dịch sử dụng hai tín hiệu
điều khiển với thời gian trễ 30s  ..................................................................... 90

16. xii
Hình 3.16. Sơ đồ khối mô tả hàm nhiễu F(X) + hàm sin sử dụng hai tín hiệu điều
khiển..................................................................................................................... 91
Hình 3.17. Tín hiệu hàm nhiễu mức dung dịch f1 và nhiễu nồng độ dung dịch f2
của đối tƣợng thực và sau khi nhận dạng trong trƣờng hợp nhiễu có thêm hàm sin
sử dụng hai tín hiệu điều khiển với thời gian trễ 30s  .................................... 91
Hình 3.18. Đáp ứng mức dung dịch h và nồng độ dung dịch Cb của đối tƣợng và
sau khi nhận dạng khi có thêm hàm sin sử dụng hai tín hiệu điều khiển với thời
gian trễ 30s  ..................................................................................................... 92
Hình 3.19. Sơ đồ cấu trúc điều khiển một kênh nồng độ dung dịch Cb sử dụng
một tín hiệu điều khiển theo cấu trúc IMPC........................................................ 93
Hình 3.20. Đáp ứng nồng độ dung dịch Cb của bộ điều khiển IMPC sử dụng một
tín hiệu điều khiển cho đối tƣợng có trễ 5s  ................................................... 93
Hình 3.21. Sơ đồ cấu trúc điều khiển hai kênh mức dung dịch h và nồng độ dung
dịch Cb sử dụng hai tín hiệu điều khiển theo cấu trúc IMPC............................... 95
Hình 3.22. Đáp ứng mức dung dịch h và nồng độ dung dịch Cb của bộ điều khiển
IMPC sử dụng hai tín hiệu điều khiển cho đối tƣợng có trễ 5s  ..................... 95
Hình 3.23. Sơ đồ cấu trúc so sánh bộ điều khiển PID chƣa có nhận dạng và bù
nhiễu với bộ điều khiển dự báo theo IMPC điều khiển một kênh nồng độ dung
dịch Cb.................................................................................................................. 97
Hình 3.24. Đáp ứng nồng độ dung dịch Cb của bộ điều khiển PID chƣa có nhận
dạng, bù nhiễu và của bộ điều khiển IMPC sử dụng một tín hiệu điều khiển cho
đối tƣợng khi không có trễ 0s  ........................................................................ 97
Hình 3.25. Đáp ứng nồng độ dung dịch Cb của bộ điều khiển PID chƣa có nhận
dạng, bù nhiễu và của bộ điều khiển IMPC sử dụng một tín hiệu điều khiển cho
đối tƣợng khi có trễ 5s  ................................................................................... 98
Hình 3.26. Sơ đồ cấu trúc so sánh bộ điều khiển IMPC và PID có tích hợp nhận
dạng và bù nhiễu điều khiển một kênh nồng độ dung dịch Cb ............................ 99
Hình 3.27. Đáp ứng nồng độ dung dịch Cb của bộ điều khiển IMPC và PID có
tích hợp nhận dạng và bù nhiễu sử dụng một tín hiệu điều khiển cho đối tƣợng
khi không có trễ 0s  ........................................................................................ 99

17. xiii
Hình 3.28. Đáp ứng nồng độ dung dịch Cb của bộ điều khiển IMPC và PID có
tích hợp nhận dạng và bù nhiễu sử dụng một tín hiệu điều khiển cho đối tƣợng có
trễ 5s  .............................................................................................................. 99
Hình 3.29. Sơ đồ cấu trúc sử dụng bộ PID điều khiển đồng thời hai kênh h và Cb
với hai tín hiệu điều khiển.................................................................................. 101
Hình 3.30. Sơ đồ cấu trúc so sánh bộ PID chƣa nhận dạng và bù nhiễu với bộ
IMPC điều khiển hai kênh mức dung dịch h và nồng độ dung dịch Cb............. 102
Hình 3.31. Đáp ứng tín hiệu mức dung dịch h và nồng độ dung dịch Cb của bộ
điều khiển PID chƣa nhận dạng, bù nhiễu và của bộ IMPC sử dụng hai tín hiệu
điều khiển cho đối tƣợng khi không trễ 0s  .................................................. 102
Hình 3.32. Đáp ứng tín hiệu mức dung dịch h và nồng độ dung dịch Cb của bộ
điều khiển PID chƣa nhận dạng, bù nhiễu và của bộ IMPC sử dụng hai tín hiệu
điều khiển cho đối tƣợng khi có trễ 5s  ........................................................ 103
Hình 3.33. Sơ đồ cấu trúc so sánh bộ điều khiển IMPC và PID có tích hợp nhận
dạng và bù nhiễu điều khiển hai kênh mức dung dịch h và nồng độ dung dịch Cb
............................................................................................................................ 104
Hình 3.34. Đáp ứng tín hiệu mức dung dịch h và nồng độ dung dịch Cb của bộ
điều khiển IMPC và PID có tích hợp nhận dạng và bù nhiễu sử dụng hai tín hiệu
điều khiển cho đối tƣợng khi không trễ 0s  .................................................. 104
Hình 3.35. Đáp ứng tín hiệu mức dung dịch h và nồng độ dung dịch Cb của bộ
điều khiển IMPC và PID có tích hợp nhận dạng và bù nhiễu sử dụng hai tín hiệu
điều khiển cho đối tƣợng có trễ 5s  .............................................................. 105

18. 1
MỞ ĐẦU
1. Tính cấp thiết của đề tài luận án
Hiện nay, trong công nghiệp cũng nhƣ dân dụng có rất nhiều phƣơng pháp
điều khiển khác nhau đƣợc nghiên cứu và áp dụng vào thực tiễn. Trong số đó phải
kể tới những bộ điều khiển nhƣ bộ điều khiển PID kinh điển, bộ điều khiển mờ, bộ
điều khiển nơron và các bộ điều khiển cao cấp khác. Do yêu cầu khắt khe về công
nghệ, chất lƣợng sản phẩm cũng nhƣ dịch vụ và sự cạnh tranh trên thị trƣờng dẫn
tới việc đòi hỏi cần phải có những phƣơng pháp điều khiển đáp ứng đƣợc những
yêu cầu thực tế và cải thiện đƣợc chất lƣợng của hệ thống, đặc biệt là trong các
trƣờng hợp hệ thống phải đối mặt với nhiễu, có trễ, có ràng buộc, các đối tƣợng có
quá trình động học chậm,... Trong số đó phải kể tới phƣơng pháp điều khiển dự báo
theo mô hình (MPC - Model Predictive Control).
Điều khiển dự báo dựa trên mô hình là sự kết hợp của một số lĩnh vực đã
đƣợc ứng dụng trong kỹ thuật điều khiển, điển hình đó là hai lĩnh vực điều khiển tối
ƣu và nhận dạng hệ thống. Ngay nhƣ tên của nó “điều khiển dự báo dựa trên mô
hình” có nghĩa là phƣơng pháp này cần phải sử dụng một mô hình dự báo để ƣớc
lƣợng (hay dự báo) các giá trị của đại lƣợng cần điều khiển, còn gọi là các đầu ra
trong tƣơng lai để phục vụ cho bài toán điều khiển [17], [30], [47], [74].
Phƣơng pháp điều khiển dự báo đã đƣợc ứng dụng rất thành công đối với
các mô hình tuyến tính, và áp dụng thành công trong công nghiệp. Tuy nhiên trong
thực tế để mô tả một cách chính xác cần kể đến các yếu tố ảnh hƣởng thì đa số các
đối tƣợng đều có dạng mô hình phi tuyến. Do đó việc phát triển bộ điều khiển dự
báo cho các mô hình phi tuyến là cần thiết. Trong thực tế bộ điều khiển dự báo theo
mô hình phi tuyến đã đƣợc ứng dụng cho một lớp các đối tƣợng cụ thể và đạt đƣợc
những kết quả nhất định. Đặc biệt, đối với các đối tƣợng có trễ thƣờng gặp rất nhiều
trong công nghiệp lọc dầu, hóa dầu, công nghiệp hóa chất, công nghiệp thực phẩm,
công nghiệp giấy,… Để xây dựng các hệ thống điều khiển cho các đối tƣợng có trễ,
đã có nhiều phƣơng pháp đƣợc đề xuất [5], [6], [17], [30], [70], [74]. Đáng chú ý
trong các phƣơng pháp đó là các phƣơng pháp xây dựng hệ thống điều khiển có mô
hình dự báo. Điều khiển dự báo tỏ rõ tính ƣu việt đối với các đối tƣợng có trễ, các

19. 2
đối tƣợng có động học chậm (slow dynamical plants) và các trƣờng hợp có các ràng
buộc đối với tín hiệu điều khiển và vectơ trạng thái [17], [30], [57], [70]. Tuy nhiên
một trong những khó khăn chính đối với MPC phi tuyến là phải giải một bài toán
tối ƣu hóa trực tuyến phi tuyến, lặp lại. Khó khăn đó sẽ tăng lên nhiều khi có sự tác
động của nhiễu, của các thành phần không mô hình hóa đƣợc hay còn gọi là các
nhiễu bất định [30], [70]. Sự tồn tại của các yếu tố bất định làm cho vấn đề điều
khiển dự báo khó khăn gấp bội, do phải đồng thời xử lý tính phức tạp của bài toán
tối ƣu hóa phi tuyến trực tuyến và xử lý các yếu tố bất định. Trong công trình mang
tính tổng quan tác giả Mayne D. Q. và các cộng sự đã nhấn mạnh mức độ phức tạp
đặt biệt này (extra level of complexity) và nêu rõ: hầu hết các công trình đã được
công bố liên quan đến điều khiển dự báo bền vững với các đối tượng phi tuyến bất
định mới chỉ xem xét các hệ không chứa trễ, không chứa các ràng buộc đối với
vectơ trạng thái, vectơ đầu vào điều khiển và vectơ tín hiệu đầu ra [50]. Đối với các
đối tƣợng phi tuyến bất định có trễ, độ phức tạp nêu trên còn đƣợc cộng thêm phần
trở ngại do hiệu ứng trễ gây ra. Mặt khác, do các đối tƣợng có trễ này rất phổ biến
trong công nghiệp, yêu cầu nâng cao chất lƣợng điều khiển ngày càng cao, dẫn đến
vấn đề xây dựng các phƣơng pháp điều khiển dự báo cho lớp đối tƣợng này càng trở
nên bức thiết. Nhằm góp phần giải quyết vấn đề này, luận án đặt vấn đề nghiên cứu:
điều khiển dự báo cho lớp đối tượng với thành phần phi tuyến bất định, có trễ và
không có các ràng buộc kèm theo.
Luận án đi sâu nghiên cứu, đề xuất phƣơng pháp điều khiển dự báo cho một
lớp đối tƣợng phi tuyến có trễ dựa trên cơ sở nhận dạng nhiễu sử dụng mạng nơron.
Hệ phi tuyến này đƣợc biểu diễn bằng một hệ tuyến tính có trễ cộng thêm thành
phần phi tuyến bất định (uncertain), thành phần phi tuyến này đƣợc hiểu là các
nhiễu bất định hay các nhiễu nội sinh, không đo đƣợc, phụ thuộc vào trạng thái
(state-dependent disturbances) và là các yếu tố không mô hình hóa đƣợc. Trƣớc hết
ta cần nhận dạng đƣợc các nhiễu tác động lên hệ thống bằng luật cập nhật trọng số
trên cơ sở mạng nơron xuyên tâm (RBF - Radial Basic Functions) thực hiện trực
tuyến. Khi đã nhận dạng đƣợc các nhiễu với mức độ chính xác tùy ý thì nếu thỏa
mãn các điều kiện ứng đối ta hoàn toàn có thể bù trừ các tác động của nhiễu. Lúc
này bài toán điều khiển trở nên dễ dàng hơn bởi hệ trở thành tuyến tính có trễ với

20. 3
các tham số xác định, từ đây ta có thể đi đến tổng hợp bộ điều khiển dự báo theo mô
hình nội (IMPC - Internal Model Predictive Control) cho hệ. Ta biết rằng MPC là
một phƣơng pháp điều khiển rất phù hợp cho hệ có trễ, các phƣơng pháp MPC cho
hệ tuyến tính có trễ đƣợc phát triển trong những năm vừa qua đã đạt đƣợc những kết
quả nhất định, tuy nhiên một đặc điểm khó khăn khi thực hiện trong thực tế là bộ
điều khiển luôn luôn phải giải bài toán tối ƣu trực tuyến, tín hiệu điều khiển tối ƣu
chỉ đƣợc tính cho thời điểm kế tiếp, do vậy phần cứng phải thực hiện rất nhiều phép
tính toán, nhiều khi không đảm bảo tính thời gian thực, hoặc cũng có thể không ổn
định nếu bài toán tối ƣu không có nghiệm. Quá trình giải mất nhiều thời gian đặc
biệt khi tồn tại các điều kiện ràng buộc chặt chẽ. Việc tìm ra các phƣơng pháp mới
nhằm khắc phục các khó khăn nêu trên đang là nhiệm vụ cấp bách đặt ra.
2. Phạm vi, đối tƣợng nghiên cứu và phƣơng pháp nghiên cứu
Đối tượng nghiên cứu: Luận án nghiên cứu về nhận dạng và điều khiển một
lớp đối tƣợng phi tuyến có trễ thƣờng gặp trong công nghiệp trên cơ sở mô hình dự
báo và nhận dạng nhiễu trực tuyến sử dụng mạng nơron RBF.
Phạm vi nghiên cứu của luận án: Luận án đi sâu nghiên cứu nghiên cứu
nhận dạng nhiễu, bù trừ nhiễu và điều khiển dự báo theo mô hình cho các đối tƣợng
có trễ trên kênh điều khiển.
Với tính chất đặc thù và những ƣu điểm vốn có, điều khiển dự báo đƣợc ƣu
tiên áp dụng cho các đối tƣợng có trễ, các đối tƣợng có động học biến đổi chậm và
cho các trƣờng hợp có các ràng buộc đối với vectơ trạng thái và/hoặc vectơ điều
khiển. Trong khuôn khổ cho phép, luận án chỉ tập trung nghiên cứu xây dựng
phƣơng pháp nhận dạng nhiễu trực tuyến và phƣơng pháp điều khiển dự báo theo
mô hình cho các đối tƣợng có trễ trong điều khiển. Bài toán điều khiển dự báo cho
các đối tƣợng này khi có ràng buộc đƣợc xem là bƣớc phát triển tiếp theo của luận
án. Tuy nhiên, một khi đã nhận dạng trực tuyến đƣợc nhiễu, vấn đề điều khiển dự
báo có các ràng buộc có thể đƣợc giải quyết bằng các phƣơng pháp hiện có [30].
Phương pháp nghiên cứu: Luận án sử dụng phƣơng pháp phân tích, đánh
giá và tổng hợp. Thông qua nghiên cứu lý thuyết để đề xuất vấn đề cần giải
quyết và xây dựng thuật toán giải quyết vấn đề đó, kiểm chứng các nghiên cứu lý

21. 4
thuyết bằng mô phỏng và cuối cùng là áp dụng thuật toán đề xuất cho một đối
tƣợng cụ thể.
3. Mục tiêu của luận án
Mục tiêu của luận án là xây dựng phƣơng pháp mới để nhận dạng mô hình
trực tuyến cho một lớp đối tƣợng phi tuyến có trễ trong hệ thống điều khiển dự báo
theo mô hình; đồng thời xây dựng cấu trúc điều khiển dự báo theo mô hình nội, áp
dụng các kết quả thu đƣợc cho một đối tƣợng cụ thể trong công nghiệp.
4. Những đóng góp mới về lý luận và thực tiễn của luận án
Luận án đã có những đóng góp mới sau:
1. Đề xuất phƣơng pháp nhận dạng nhiễu cho hệ thống có trễ trong điều khiển
trên cơ sở mô hình song song, trong đó mạng nơron RBF đƣợc sử dụng để xấp
xỉ các hàm nhiễu phi tuyến bất định bởi mạng này có cấu trúc đơn giản và có
khả năng xấp xỉ hầu hết các hàm phi tuyến với độ chính xác tùy ý.
2. Phát biểu và chứng minh đƣợc hai định lý về các điều kiện đủ, đảm bảo quá
trình nhận dạng hội tụ cho hai trƣờng hợp riêng biệt: trƣờng hợp hệ thống có
một nhiễu tác động và trƣờng hợp hệ thống đồng thời chịu nhiều nhiễu tác
động. Đã thu đƣợc luật cập nhật trọng số cho các mạng nơron RBF, vừa đảm
bảo hội tụ vừa có tính khả thi cao bởi tốc độ hiệu chỉnh trọng số chỉ phụ thuộc
vào vectơ sai lệch giữa trạng thái của đối tƣợng điều khiển và vectơ trạng thái
của mô hình.
3. Đề xuất giải pháp bù trừ nhiễu cho lớp đối tƣợng có trễ trên cơ sở các kết quả
nhận dạng. Đã xây dựng đƣợc cấu trúc của kênh bù trừ nhiễu. Đã thu đƣợc
điều kiện ứng đối đảm bảo bù đƣợc các nhiễu tác động đồng thời lên hệ thống.
Các kết quả mới về nhận dạng nhiễu và bù nhiễu có thể đƣợc áp dụng không
những cho các hệ thống IMPC mà còn có thể áp dụng cho các hệ thống với
các luật điều khiển khác nhau.
4. Đề xuất đƣợc phƣơng pháp tổng hợp hệ thống điều khiển IMPC cho lớp đối
tƣợng có trễ trong điều khiển. Đã tích hợp bộ điều khiển IMPC với bộ nhận

22. 5
dạng nhiễu trên cơ sở mạng nơron RBF và kênh bù trừ nhiễu, làm cho hệ
thống vừa đáp ứng tiêu chuẩn tối ƣu, vừa có tính thích nghi, kháng nhiễu.
5. Tổng hợp đƣợc bộ nhận dạng nhiễu và kênh bù nhiễu, xây dựng thành công hệ
thống IMPC vừa tối ƣu vừa có khả năng thích nghi và kháng nhiễu cho tháp
(bình) phản ứng khuấy trộn liên tục CSTR.
Những đóng góp trên đây vừa có ý nghĩa khoa học, vừa có giá trị thực tiễn và có thể
áp dụng cho một lớp rất rộng các đối tƣợng trong các lĩnh vực công nghiệp, đặc biệt
với các đối tƣợng có trễ.
5. Bố cục của luận án
Luận án gồm 03 chƣơng, phần mở đầu và kết luận, đƣợc bố cục nhƣ sau:
Chƣơng 1. Tổng quan về vấn đề nghiên cứu
Chƣơng này nghiên cứu tổng quan về lý thuyết điều khiển dự báo theo mô
hình tuyến tính và phi tuyến, tập trung cho lớp đối tƣợng có trễ. Thống kê một số
thuật toán, phƣơng pháp xây dựng mô hình dự báo và các ứng dụng thực tế thƣơng
mại. Những khó khăn đặc thù của lớp đối tƣợng có trễ và có nhiễu phi tuyến bất
định. Những hạn chế của bài toán tối ƣu và xây dựng mô hình khi phải đối mặt với
lớp đối tƣợng này, từ đó đƣa ra đề xuất mục tiêu của luận án làm sao nhận dạng
đƣợc nhiễu và bù nhiễu, tiếp theo đƣa ra phƣơng pháp điều khiển dự báo dựa trên
cơ sở sử dụng kết quả đã nhận dạng và bù nhiễu.
Chƣơng 2. Nhận dạng nhiễu và bù nhiễu cho lớp hệ phi tuyến có trễ
Xây dựng phƣơng pháp nhận dạng thành phần phi tuyến bất định trên cơ sở
mạng nơron nhân tạo. Chƣơng này đƣa ra phần thứ nhất đề xuất phƣơng pháp nhận
dạng cho lớp đối tƣợng có trễ có một thành phần nhiễu phi tuyến bất định và một tín
hiệu điều khiển đầu vào tác động lên hệ thống, thuật toán này đƣợc thể hiện trong
Định lý 2.1. Tiếp đó luận án mở rộng cho lớp đối tƣợng có trễ với nhiều thành phần
nhiễu và nhiều tín hiệu điều khiển đồng thời tác động, thuật toán này đƣợc thể hiện
ở Định lý 2.2. Với chứng minh chặt chẽ cho phép nhận dạng các thành phần bất định
với mức độ chính xác bất kỳ sử dụng mạng nơron RBF với luật cập nhật trọng số đã

23. 6
đƣợc xây dựng. Trên cơ sở kết quả nhận dạng, đã đề xuất giải pháp bù nhiễu và xây
dựng đƣợc cấu trúc của kênh bù nhiễu.
Chƣơng 3. Tổng hợp bộ điều khiển dự báo dựa theo mô hình nội cho đối tƣợng
có trễ và xây dựng hệ thống điều khiển cho đối tƣợng CSTR
Nhiệm vụ tổng hợp bộ điều khiển IMPC đƣợc thực hiện sau khi đã đƣợc
nhận dạng và bù nhiễu. Trên cơ sở phân tích các tính chất đặc thù của bài toán điều
khiển ổn định phổ biến trong công nghiệp, mà mục tiêu là giữ cho đầu ra của đối
tƣợng ổn định xung quanh điểm đặt của đầu ra mong muốn, từ đó đề xuất phiếm
hàm mục tiêu thích hợp. Đã tổng hợp đƣợc luật điều khiển tối ƣu và cấu trúc hệ
thống điều khiển dự báo theo cấu trúc IMPC cho lớp đối tƣợng có trễ. Ƣu điểm nổi
bật của luật điều khiển tối ƣu với cấu trúc IMPC thu đƣợc là đơn giản, kỹ thuật thực
hiện dễ dàng với tính khả thi cao. Tiếp theo, các kết quả thu đƣợc ở các phần trên
đƣợc áp dụng cho một lớp đối tƣợng cụ thể thƣờng gặp trong công nghiệp là tháp
(bình) khuấy trộn liên tục. Đã xây dựng hệ thống điều khiển dự báo theo cấu trúc
IMPC với bộ nhận dạng và kênh bù nhiễu cho cả hai chế độ làm việc của CSTR.
Kết quả mô phỏng đã chứng minh đầy đủ tính hiệu quả của hệ thống.
Phần kết luận: đã nêu bật những kết quả và những đóng góp mới của luận
án, đồng thời đã chỉ rõ các hƣớng nghiên cứu phát triển tiếp theo.

24. 7
CHƢƠNG 1
TỔNG QUAN VẤN ĐỀ NGHIÊN CỨU
Equation Chapter (Next) Section 1
1.1. Giới thiệu tổng quan về điều khiển dự báo theo mô hình
1.1.1. Khái niệm
Điều khiển dự báo theo mô hình còn gọi là điều khiển dịch dần về tƣơng lai
(Receding Horizon Control) là một xu hƣớng điều khiển đƣợc xuất hiện từ cuối
những năm 1970 [52], [74]. MPC là một trong những phƣơng pháp điều khiển tìm
ra tín hiệu điều khiển một cách lặp lại dựa vào việc giải một bài toán điều khiển tối
ƣu với một hàm mục tiêu cụ thể. So sánh với các phƣơng pháp điều khiển khác,
MPC có một số những ƣu điểm nổi trội khi áp dụng với các hệ thống có trễ, có quá
trình động học chậm và cho phép thỏa mãn các điều kiện có tính chất ràng buộc, các
yêu cầu về điều kiện vận hành với các chỉ tiêu chất lƣợng điều khiển cao. Trong hai
thập kỷ trở lại đây, điều khiển dự báo mô hình đã có những bƣớc phát triển rất đáng
kể, đã đóng góp đƣợc khá nhiều các phƣơng pháp về mặt học thuật cũng nhƣ đẩy
mạnh khả năng ứng dụng của MPC trong thực tế, những điều đó đƣợc thể hiện
trong các tài liệu [15], [17], [31].
Điều khiển dự báo theo mô hình là phƣơng pháp điều khiển hệ thống dựa
trên cơ sở tín hiệu đầu ra của đối tƣợng đƣợc dự báo thông qua một mô hình toán
nào đó. Dựa vào tín hiệu dự báo đầu ra của đối tƣợng, sử dụng thuật toán tối ƣu để
tìm tín hiệu điều khiển tối ƣu cho hệ thống sao cho đầu ra của đối tƣợng ở tƣơng lai
bám theo giá trị mong muốn. Nhƣ vậy tín hiệu điều khiển tối ƣu này sẽ phụ thuộc
vào độ chính xác của tín hiệu dự báo đầu ra của đối tƣợng và thuật toán tìm nghiệm
tối ƣu. Độ chính xác của tín hiệu dự báo phụ thuộc vào mô hình toán của đối tƣợng.
Trong thực tế mô hình toán của đối tƣợng thƣờng đƣợc xây dựng dựa trên cơ sở các
định luật vật lý, rất phức tạp và thƣờng là không chính xác. Do đó việc đƣa ra một
phƣơng pháp để nhận dạng hay xây dựng đƣợc chính xác mô hình đối tƣợng đang là
vấn đề thu hút đƣợc rất nhiều sự quan tâm của các nhà nghiên cứu khoa học.
Tính ƣu việt của MPC đƣợc thể hiện ở các bài toán điều khiển quá trình
thƣờng gặp trong công nghiệp. Ví dụ các quá trình biến thiên chậm, có trễ, cấu trúc

25. 8
hàm truyền thay đổi và có độ phi tuyến lớn, các tham số điều khiển có độ tƣơng tác,
hệ thống có vùng chết. Đó là các quá trình thƣờng thấy trong bài toán điều khiển
nhiệt độ, lƣu lƣợng, áp suất, phản ứng hoá học,… [57]. Với các quá trình trên nếu
chỉ dùng phƣơng pháp điều khiển truyền thống thì chất lƣợng điều khiển không cao,
không giải quyết đƣợc bài toán điều khiển nhƣ mong muốn. Với những lớp đối
tƣợng này đã có rất nhiều các công trình nghiên cứu áp dụng thực hiện bằng phƣơng
pháp điều khiển dự báo.
Hiện nay MPC đã trở thành một sách lƣợc điều khiển cao cấp đƣợc chấp
nhận khá rộng rãi trong một số lĩnh vực công nghiệp. Đã có hơn 3000 ứng dụng của
MPC đƣợc thƣơng mại hóa trong các lĩnh vực khác nhau bao gồm: công nghệ lọc
hóa dầu, công nghệ xử lý thực phẩm, công nghệ ô tô, công nghệ không gian, công
nghệ bột giấy và giấy,...[70], [71].
Hình 1.1. Hình ảnh về ứng dụng điều khiển trong công nghệ xử lý hóa chất
1.1.2. Nguyên lý của điều khiển dự báo theo mô hình
Nguyên lý của điều khiển MPC [49] là dựa vào thông số trạng thái của mô
hình đối tƣợng và trạng thái thực của chúng tại một số thời điểm liên tiếp để xác
định tín hiệu điều khiển tốt nhất có thể (tối ƣu) trong một khoảng thời gian hữu hạn
(a finite time horizon). Tín hiệu điều khiển này đƣợc đƣợc duy trì cho đến khi hệ
thống cập nhật lại trạng thái mới, khi đó tín hiệu điều khiển mới lại đƣợc tính toán
và cập nhật lại trong khoảng thời gian hữu hạn tiếp theo. Điều khiển MPC đƣợc mô
tả theo thuật toán sau, thể hiện thông qua Hình 1.2.

26. 9
Thuật toán điều khiển MPC
Cho một khoảng thời gian dự báo TP (cửa sổ dự báo, tầm dự báo) và khoảng
thời gian trích mẫu T , tại một thời điểm trích mẫu ,kt k T 00,1,2,...k N
1. Đo các trạng thái ( )ktX và tính (dự báo) các trạng thái tiếp theo
1 2( ), ( ),...k kt t X X của hệ thống
2. Giải bài toán điều khiển tối ƣu trong khoảng thời gian ,k k Pt t T
3. Đƣa tín hiệu điều khiển tối ƣu tác động lên hệ thống đến khi đo đƣợc các giá
trị trạng thái mới tại thời điểm trích mẫu tiếp theo 1k kt t T
Hình 1.2. Nguyên lý cơ bản của điều khiển dự báo dựa trên mô hình
Ta có thể minh họa bản chất của điều khiển dự báo dựa trên mô hình thông
qua một ví dụ đó là bài toán đánh cờ giữa hai ngƣời. Giả thiết có ngƣời chơi cờ A
đấu với đối thủ B, hàm mục tiêu của ngƣời A là thắng đƣợc đối thủ B (là hàm mục
tiêu điều khiển). Để làm đƣợc điều này ngƣời A căn cứ vào các nƣớc đi hiện tại và
quá khứ của đối thủ B cũng nhƣ phong cách và trình độ (tính chất đối tƣợng cần
điều khiển) của đối thủ B để ƣớc đoán xem trong những bƣớc đi sắp tới đối thủ B sẽ
đi nhƣ thế nào (chính là nhận dạng đối tƣợng hay xây dựng mô hình dự báo). Sau
đó ngƣời A sẽ căn cứ tiếp vào những nƣớc cờ hiện tại và quá khứ của mình để xác
định các nƣớc cờ sắp tới của mình sao cho đạt đƣợc mục tiêu là chiến thắng đối thủ
(chính là thực hiện khâu điều khiển dự báo).
Quá khứ
tk+TP
Tƣơng lai
tk
Tầm dự báo
t
Quá khứ
tk+1+TP
Tƣơng lai
tk+1
Tầm dự báo
t
tk
TTP TP

27. 10
Bài toán điều khiển dự báo dựa trên mô hình có mức độ phức tạp sẽ phụ
thuộc vào tính chất và đặc điểm của đối tƣợng điều khiển, tùy theo lớp các đối
tƣợng cụ thể mà ngƣời ta sẽ sử dụng các phƣơng pháp xây dựng mô hình dự báo
khác nhau, việc xây dựng mô hình dự báo chính là bài toán nhận dạng mô hình của
đối tƣợng điều khiển.
Mặc dù là một phƣơng pháp điều khiển mạnh mẽ và đã có nhiều ứng dụng
thành công tuy nhiên trong thực tế việc áp dụng điều khiển dự báo đặc biệt là cho
đối tƣợng phi tuyến vẫn còn gặp những hạn chế, khó khăn:
- Thứ nhất, phải xây dựng mô hình toán học để dự báo chính xác trạng thái
của đối tƣợng cần điều khiển trong phạm vi dự báo. Đối với hệ phi tuyến thì xây
dựng đƣợc mô hình chính xác vẫn còn là một bài toán khó vì đặc tính phi tuyến rất
đa dạng.
- Thứ hai, phải giải một bài toán tối ƣu để tính chuỗi tín hiệu điều khiển
trong một khoảng thời gian có hạn, với đối tƣợng đáp ứng nhanh thì thời gian giải
càng cần phải ngắn. Trong khi đó, bài toán tối ƣu ở đây thƣờng là không lồi có
nhiều cực trị địa phƣơng.
Các bƣớc cơ bản khi xây dựng thuật toán điều khiển là:
* Sử dụng một mô hình để dự báo (dự đoán) giá trị đầu ra của quá trình ở
các thời điểm trong tƣơng lai.
* Tính toán lần lƣợt các tín hiệu điều khiển bằng cách tối thiểu hoá một
hàm mục tiêu.
* Mỗi lần (tại thời điểm hiện tại t) các tín hiệu điều khiển đƣợc dự báo thì
chỉ có tín hiệu đầu tiên đƣợc đƣa đến tác động vào quá trình.
1.1.3. Các thành phần chính trong điều khiển dự báo dựa trên mô hình
Từ cấu trúc trên Hình 1.3 ta thấy rằng bộ điều khiển dự báo gồm ba thành phần
cơ bản là mô hình dự báo, hàm mục tiêu và chiến lƣợc tối ƣu hóa [17], [71].

28. 11
Hình 1.3. Sơ đồ khối hệ thống điều khiển dự báo dựa trên mô hình
a. Mô hình dự báo
Là thành phần quan trọng nhất trong điều khiển dự báo. Mô hình dự báo
phải phản ánh đƣợc một cách đầy đủ động học của đối tƣợng điều khiển. Để dự báo
đƣợc đầu ra tƣơng lai của đối tƣợng đƣợc chính xác thì mô hình dự báo phải đƣợc
xác định một cách chính xác. Giả thiết thời điểm hiện tại là ,k
t thì mô hình dự báo
phải xác định đƣợc các giá trị trạng thái tƣơng lai tại các thời điểm Xˆ( ),k j
1 2, ,..j N và ký hiệu là Xˆ( | )k j k . Các mô hình dự báo khác nhau thì khác
nhau ở cách biểu diễn mối quan hệ vào ra của đối tƣợng điều khiển, thông thƣờng
mô hình dự báo sẽ bao gồm hai phần đó là mô hình của đối tƣợng điều khiển và mô
hình nhiễu.
Mô hình động học của đối tƣợng trong không gian trạng thái cho lớp đối
tƣợng có trễ ở dạng tổng quát nhƣ sau:
0 0
1 1
( ) ( ) ( ) ( ) ( )
n n
i i j j
i j
t t t t t 
 
       X A X A X B U B U DF(X) (1.1)
( ) ( )t t h Y CX (1.2)
Trong đó: ( )it X - trễ trạng thái, ( )jt U - trễ đầu vào, ( )t hX - trễ đầu ra.
Đây là một đối tƣợng có độ phức tạp và tổng quát bởi vừa có chứa trễ trạng
thái ( )it X , vừa có trễ tín hiệu điều khiển ( )jt U . A, B là các ma trận biểu diễn
các thông số động học của đối tƣợng. Tùy vào tính chất đặc điểm mỗi đối tƣợng mà
ta có thể kết hợp các thành phần của mô hình tổng quát về dạng đối tƣợng phù hợp
với bài toán ta giả thiết. Có thể đƣa ra các dạng mô hình đối tƣợng nhƣ sau:

29. 12
( ) ( ) ( )t t t   X AX BU DF(X) (1.3)
( ) ( ) ( )t t t    X AX BU DF(X) (1.4)
Các đối tƣợng có trễ rất đa dạng, với động học đƣợc mô tả bằng các phƣơng
trình (1.1), (1.3), (1.4). Lớp các đối tƣợng vừa có trễ trong trạng thái vừa có trễ
trong kênh điều khiển với các khoảng thời gian trễ khác nhau đƣợc mô tả bằng
phƣơng trình (1.1), (1.2). Lớp các đối tƣợng chỉ có trễ trong trạng thái đƣợc mô tả
bởi phƣơng trình (1.3). Lớp các đối tƣợng chỉ có trễ trong kênh điều khiển đƣợc mô
tả bởi phƣơng trình (1.4), đây là lớp rất rộng các đối tƣợng trong lĩnh vực công
nghiệp, mà ở đó hiệu ứng trễ xảy ra do dòng vật chất đầu vào phải vận chuyển với
tốc độ nhất định trên những khoảng cách xác định trƣớc lúc tham gia trực tiếp vào
quá trình công nghệ.
Trong phạm vi luận án nghiên cứu xem xét lớp đối tƣợng phi tuyến có trễ
trong kênh điều khiển ở dạng (1.4).
b. Hàm mục tiêu và các điều kiện ràng buộc
+ Hàm mục tiêu (Objective Function): Các thuật toán MPC khác nhau đặt
ra các phiếm hàm đánh giá khác nhau để đạt đƣợc luật điều khiển, mục tiêu chung
là tín hiệu ra tƣơng lai Xˆ( | )k j k (trong giới hạn dự báo) phải bám theo tín hiệu
đặt nhất định nào đó Xd
, đồng thời phải tìm đƣợc tác động điều khiển Uop
tối ƣu.
Biểu thức tổng quát của phiếm hàm mục tiêu trong trƣờng hợp hệ rời rạc có dạng
tiêu chuẩn bình phƣơng nhƣ sau:
1
[ ( ) ( ) + ( ) ( ) ] min
k N
T T
k k k k
k
J t t t t


  X QX U RU
(1.5)
Trong trƣờng hợp liên tục, phiếm hàm mục tiêu có dạng tổng quát là tích
phân liên tục dạng toàn phƣơng nhƣ sau:
( ) ( ) ( ) ( ) ( ) ( ) min
ft
T T T
f f
t
J t t t t t t dt     X SX X QX U RU (1.6)
Trong đó thành phần thứ nhất trong phiếm hàm mục tiêu J muốn xác định
đƣợc thì phải biết thời điểm cuối là tf . Mà hầu hết các quá trình công nghiệp là các
quá trình liên tục diễn ra trong một khoảng thời gian dài suốt quá trình vận hành của
hệ thống. Do đó việc xác định giá trị tf cũng nhƣ N là giá trị cụ thể sẽ trở thành một

30. 13
hạn chế vì không thể khẳng định đƣợc đã là giá trị phù hợp nhất hay chƣa. Sau đó
tiếp tục ta lại giải quyết bài toán tối ƣu trên cơ sở lựa chọn hàm mục tiêu J trong sự
hạn chế đó. Từ phân tích quá trình thực tế và thấy rõ sự tối ƣu này mới chỉ trong
phạm vi hạn chế nên ta đƣa ra sự lựa chọn phiếm hàm mục tiêu nhƣ (1.7) để đảm
bảo cho diễn biến của quá trình làm việc trong công nghiệp là liên tục đúng nhƣ
trong thực tế ( ft   ).
( ) ( ) ( ) ( ) minT T
t
J t t t t dt

     X QX U RU (1.7)
+ Điều kiện ràng buộc (Constraint): Trên thực tế, tất cả các quá trình công
nghiệp đều khó tránh khỏi các điều kiện ràng buộc (còn gọi là điều kiện biên). Các
cơ cấu chấp hành có phạm vi công tác bị hạn chế cũng nhƣ có tốc độ xác định, các
van bị giới hạn bởi vị trí đóng/mở hoàn toàn và bởi tốc độ đáp ứng,... Các điều kiện
môi trƣờng, lý do an toàn hoặc thậm chí giới hạn đo của sensor cũng có thể tạo ra
các ràng buộc đối với các biến quá trình nhƣ mức chất lỏng trong bể chứa, lƣu
lƣợng dòng chảy trong ống dẫn, hay nhiệt độ và áp suất tối đa. Tất cả các yếu tố này
khiến sự có mặt của điều kiện ràng buộc trong phiếm hàm cực tiểu hóa là cần thiết.
Thông thƣờng, ngƣời ta quan tâm đến các hạn chế biên độ và tốc độ của tín hiệu
điều khiển và các hạn chế đầu ra:
max
max
max
1
min
min
min
( )
( ) ( )
( )
u u t u t
u u t u t u t
x x t x t
(1.8)
Việc đƣa thêm điều kiện ràng buộc vào phiếm hàm mục tiêu làm cho bài
toán tối ƣu hóa trở nên phức tạp hơn và lời giải không thể tƣờng minh nhƣ trong
trƣờng hợp không có điều kiện ràng buộc.
c. Chiến lƣợc tối ƣu hóa
Từ việc xác định đƣợc hàm mục tiêu theo các tiêu chí đặt ra, để tìm đƣợc
các giá trị U( | )t k t ta phải tối thiểu hoá phiếm hàm mục tiêu J trong biểu thức
(1.7). Cụ thể nhƣ sau: dựa vào mô hình của đối tƣợng để tính toán các giá trị đầu ra
dự báo Xˆ( | )t k t theo một hàm của các đầu vào và đầu ra quá khứ và các tín hiệu

31. 14
điều khiển tƣơng lai; thay thế vào phiếm hàm mục tiêu và tối thiểu hoá phiếm hàm
này sẽ tìm đƣợc các giá trị điều khiển mong muốn. Nếu tiêu chuẩn đánh giá là bậc
hai, mô hình tuyến tính và không có điều kiện ràng buộc thì có thể dùng phƣơng
pháp phân tích. Với phạm vi nghiên cứu của luận án, xét trƣờng hợp không có điều
kiện ràng buộc và từ mô hình phi tuyến ta đƣa đƣợc về mô hình tuyến tính khi đã
nhận dạng và loại bỏ nhiễu, vì vậy bài toán tối ƣu luôn có nghiệm xác định là một
hàm giải tích chỉ phụ thuộc vào vectơ trạng thái. Nếu không đạt đƣợc các yêu cầu
trên thì phải dùng đến phƣơng pháp tối ƣu lặp. Dù là phƣơng pháp nào, việc giải bài
toán tối ƣu cũng không hề dễ dàng. Nhƣ vậy bài toán điều khiển dự báo dựa trên mô
hình có mức độ phức tạp sẽ phụ thuộc vào tính chất và đặc điểm của đối tƣợng điều
khiển (tuyến tính, phi tuyến, có tham số bất định, có nhiễu, SISO hay MIMO), tùy
theo lớp các đối tƣợng cụ thể mà ngƣời ta sẽ sử dụng các phƣơng pháp xây dựng
mô hình dự báo khác nhau, hàm mục tiêu khác nhau và bộ điều khiển dự báo khác
nhau [30]. Ta có thể phân loại các phƣơng pháp phụ thuộc này nhƣ sau:
Bảng 1.1. Bảng phân loại một số phương pháp sử dụng cho xây dựng mô hình, giải bài
toán tối ưu cho đối tượng tuyến tính, phi tuyến trong MPC
Phƣơng pháp Đối tƣợng tuyến tính Đối tƣợng phi tuyến
Phụ thuộc vào phƣơng
pháp xây dựng mô hình
dự báo
Sử dụng mô hình không
gian trạng thái, mô hình
hàm truyền, đáp ứng bƣớc
nhảy, đáp ứng xung, mô
hình hồi quy
Sử dụng mô hình phi tuyến
Volterra, Wiener,
Hammerstein, mô hình mờ,
mô hình sử dụng mạng nơron,
mô hình hồi quy phi tuyến
Phụ thuộc vào cách lấy
thông tin về trạng thái hệ
thống
Sử dụng các đầu ra, ƣớc lƣợng hay dự báo các trạng thái
hệ thống, sử dụng các nhiễu đo đƣợc, sử dụng các tham
số mô hình
Phụ thuộc vào việc giải
bài toán tối ƣu
Toàn phƣơng, phƣơng
pháp giá trị tuyệt đối
Phƣơng pháp giá trị tuyệt đối
phi tuyến (NAV)
Xử lý sai lệch mô hình Thích nghi đầu ra, ƣớc lƣợng nhiễu bằng các bộ lọc
Kalmal, Kalman mở rộng v.v

32. 15
Ta thấy rằng nếu các đối tƣợng có nhiều tính chất phức tạp ví dụ nhƣ phi
tuyến, có nhiễu, có trễ, có tham số bất định thì bài toán xây dựng mô hình dự báo sẽ
càng phức tạp, cũng nhƣ vậy việc giải một bài toán tối ƣu để tìm tín hiệu điều khiển
tối ƣu trong trƣờng hợp có quá nhiều điều kiện ràng buộc, việc giới hạn về mặt thời
gian do tính toán online, vấn đề có nhiều biến tính toán sẽ làm cho mức độ phức tạp
của thuật toán tăng lên rất nhiều. Do đó ứng với một lớp đối tƣợng điều khiển cụ
thể, điều khiển dự báo dựa trên mô hình lại có những hƣớng giải quyết khác nhau vì
sử dụng phƣơng pháp xây dựng mô hình dự báo và bộ điều khiển dự báo khác nhau.
1.2. Những vấn đề liên quan về điều khiển dự báo hệ tuyến tính
Điều khiển dự báo cho hệ tuyến tính MPC là bộ điều khiển sử dụng mô
hình tuyến tính hay mô hình đã đƣợc tuyến tính hóa để xác định các đầu ra tƣơng lai
của đối tƣợng. Cho đến nay các thuật toán MPC tuyến tính thƣờng đƣợc sử dụng
nhiều nhất đó là [17], [25], [70]:
 Điều khiển ma trận động học (Dynamic matrix control) – DMC
Vào năm 1978, Cutler và Ramaker ở công ty dầu mỏ Shell đã đƣa ra một
thuật toán điều khiển đa biến không ràng buộc, đƣợc gọi là DMC. Thuật toán
này đƣợc kế thừa từ một kỹ thuật biểu diễn các động học quá trình bằng một
tập các hệ số. Ma trận động học dùng để ánh xạ các đầu ra của hệ trong
tƣơng lai. DMC phù hợp cho các hệ tuyến tính ổn định, và dựa vào mô hình
đáp ứng bƣớc nhảy của hệ. Mục tiêu của bộ điều khiển DMC là điều khiển
đầu ra bám theo giá trị chủ đạo với sai số bình phƣơng cực tiểu, chất lƣợng
điều khiển của DMC không cao, đặc biệt là cho các đối tƣợng đa biến.
 Điều khiển thuật toán mô hình (Model Algorithmic Control) – MAC
MAC ban đầu đƣợc gọi là điều khiển phỏng đoán dự báo mô hình (Model
predictive heuristic control). Vào năm 1978 Richalet đã ứng dụng thành
công phƣơng pháp này. MAC cũng tƣơng tự nhƣ DMC, tuy nhiên có một số
điểm khác nhƣ: thay vì dùng mô hình đáp ứng bƣớc nhảy thì MAC sử dụng
mô hình đáp ứng xung, điều này cho phép nâng cao đƣợc tính bền vững đối

33. 16
với các sai lệch khi nhận dạng và các ảnh hƣởng của việc thay đổi các tham
số. MAC đƣợc ứng dụng cho các quá trình ổn định hệ hở.
 Điều khiển hàm dự báo (Predictive Functional Control) – PFC
PFC đƣợc đƣa ra vào năm 1968 và lần đầu đƣợc ứng dụng vào thực tế những
năm 1970. PFC có thể sử dụng một số loại mô hình, tuy nhiên phụ thuộc vào
các đặc tính bền vững thì PFC thƣờng sử dụng mô hình không gian trạng
thái. Nhƣợc điểm là trong thực tế, việc nhận đƣợc mô hình toán biểu diễn
trên không gian trạng thái một cách chính xác là khó khăn, đặc biệt là hệ có
những thành phần phi tuyến bất định, có thời gian trễ và quá trình có các hệ
số hằng thay đổi theo thời gian.
 Điều khiển tự thích nghi dự báo mở rộng (Extended Prediction Self Adaptive
Control) – EPSAC
Đƣợc đƣa ra vào năm 1953, EPSAC sử dụng hàm truyển rời rạc để mô hình
hóa đối tƣợng, phƣơng pháp đề xuất một tín hiệu điều khiển bắt đầu từ thời
điểm hiện tại trong khi sử dụng một khâu dự báo cận tối ƣu thay cho việc
giải phƣơng trình Diophantine.
 Điều khiển thích nghi theo tầm dự báo mở rộng (Extended Horizon Adaptive
Control) – EHAC
Vào năm 1984, Ydstie B. E đã đƣa ra thuật toán EHAC dùng cho mô hình
quá trình tham số, đặc điểm của thuật toán này là nó cho phép sử dụng một
khoảng thời gian dài hơn để đƣa đầu ra của quá trình bám theo đầu ra mong
muốn thay vì sử dụng một khoảng thời gian trễ cố định.
 Điều khiển thích nghi dự báo tổng quát (Generalized Predictive Control) – GPC
GPC là một trong những thuật toán điều khiển dự báo thông dụng nhất đƣợc
đƣa ra bởi Clarke D. W. vào năm 1987. Sự khác nhau cơ bản giữa GPC và
DMC là mô hình đƣợc sử dụng cho miêu tả đối tƣợng và công thức của ma
trận động học. GPC sử dụng bộ điều khiển đƣợc tích hợp với mô hình hồi
quy trung bình trƣợt.

34. 17
Nhƣ vậy điều khiển dự báo cho hệ tuyến tính đã đƣợc áp dụng khá thành
công cho các hệ thống tuyến tính. Điều này thể hiện ở rất nhiều ngành áp dụng
chiến lƣợc điều khiển này nhƣ công nghiệp hóa chất, công nghiệp thực phẩm, công
nghiệp vũ trụ, công nghiệp giấy. Bảng 1.2 sau đây mô tả tổng quát về các kỹ thuật
MPC đã đƣợc áp dụng trong công nghiệp và các phƣơng pháp áp dụng trong thuật
toán xây dựng mô hình dự báo [70].
Bảng 1.2. Bảng tóm lược một số phương pháp nhận dạng mô hình dự báo của một số
phương pháp MPC
Tên phƣơng
pháp
Mô hình ƣớc
lƣợng trạng thái
Phƣơng pháp ƣớc
lƣợng
Nhiễu bất định
DMC FIR – đáp ứng
xung hữu hạn
LS – Bình phƣơng
cực tiểu
Không
SMC Model FIR, ARX LS, GD – Gradient
giảm dần
Có
OPC FIR, ARMAX LS Có
Bảng 1.3 sau đây đƣa ra một số các thuật toán đƣợc các công ty trên thế giới
sử dụng trong công nghiệp có áp dụng kỹ thuật MPC [70].
Bảng 1.3. Bảng tóm lược một số kỹ thuật MPC của một số hãng trên thế giới
Tên
công ty
DMC
Corp.
Setpoint
Inc
Honeywell
IAC
Adersa Adersa Treiber
Controls
Thuật
toán
DMC SMC-
Idcom
RMPCT HIECON PFC OPC
1
Dạng
mô hình
SR
L, S, I
IR, TF
L, S, I
SR, TF,
ARX,
L, S, I
IR,
L, S, I
SS, TF,
ARX, L,
N, S, I, U
IR,
L, S, I
2
Phản
hồi
CD, ID CD, ID CD, ID CD, ID CD, ID CD, ID

35. 18
3
Loại bỏ
điều
kiện
IMS RCV SVT - - IMS
4
Mục
tiêu tối
ƣu hóa
ổn định
trạng
thái
Li [I,O] Q[O] …
Q[I], R
Q[I, O] - Q[I, O] -
5
Ràng
buộc tối
ƣu hóa
ổn định
trạng
thái
IH, OS IH, OH,
OS, R
IH, OH - IH, OH -
6
Mục
tiêu tối
ƣu hóa
động
Q[I,O,M],
S
Q[I,O] Q[I,O] Q[O],
Q[T]
Q[I,O], S Q[I,O,M], S
7
Ràng
buộc tối
ƣu hóa
động
IH, OS IH, OS IH, OS IH, OH,
OS, R
IC, OH,
OS, R
IH, OS
8
Quỹ
đạo đầu
ra
Se, Z Se, Z,
RT, F
Se, Z, F Se, Z,
RT
Se, Z,
RT
Se, Z
9
Phạm
vi đầu ra
FH FH, MP FH FH FH, MP FH

36. 19
10
Tham
số hóa
đầu vào
MM SM MM SM BF, SM MM
1
Dạng mô hình: (IR) – đáp ứng xung, (SR) – đáp ứng bƣớc, (TF) hàm truyền
Laplace, (SS) – không gian trạng thái, (ARX) – đầu vào hồi quy, (L) – tuyến tính,
(N) – phi tuyến, (S) – trạng thái, (I) – tích phân, (U) – không ổn định.
2
Phản hồi: (CD) – dạng nhiễu hằng số đầu ra, (ID) – dạng nhiễu tích phân đầu ra.
3
Loại bỏ điều kiện: (RCV) – các biến điều khiển phân cấp, (SVT) – giới hạn giá trị
đơn, (IMS) – loại bỏ đầu vào.
4
Mục tiêu tối ƣu hóa ổn định trạng thái: (L) – tuyến tính, (Q) – bậc hai, (I) – đầu
vào, (O) – đầu ra, (…) – các mục tiêu tuần tự, (R) – thứ tự ƣu tiên phân cấp đầu ra.
5
Ràng buộc tối ƣu hóa trạng thái: (IH) – giá trị lớn nhất, nhỏ nhất và mức độ thay
đổi các ràng buộc đầu vào cứng, (OH) – giá trị lớn nhất, nhỏ nhất ràng buộc đầu ra cứng.
6
Mục tiêu tối ƣu hóa động: (Q) – bậc hai, (I) – đầu vào, (O) – đầu ra, (M) – loại bỏ
đầu vào, (S) – giải pháp tối ƣu cục bộ.
7
Ràng buộc tối ƣu hóa động: (IH) – giá trị lớn nhất, nhỏ nhất và mức độ thay đổi
các ràng buộc đầu vào cứng, (OH) – giá trị lớn nhất, nhỏ nhất ràng buộc đầu ra
cứng, (OS) – giá trị lớn nhất, nhỏ nhất ràng buộc đầu ra mềm, (IC) – tối ƣu cục bộ
giá trị lớn nhất, nhỏ nhất và mức độ thay đổi các ràng buộc đầu vào, (R) – thứ tự ƣu
tiên phân cấp ràng buộc.
8
Quỹ đạo đầu ra: (Se) – điểm đặt, (Z) – khoanh vùng, (RT) – quỹ đạo đặt, (F) – ống lọc.
9
Phạm vi đầu ra: (FH) – phạm vi định nghĩa, (MP) – đa điểm
10
Tham số hóa đầu vào: (MS) – loại bỏ một, (MM) – loại bỏ nhiều, (BF) – hàm cơ sở.
Qua Bảng 1.3 ta thấy có rất nhiều các thuật toán MPC đã đƣợc áp dụng rất
thành công và rộng rãi trong các lĩnh vực công nghiệp và các công ty thƣơng mại
ứng dụng vào thực tế.

37. 20
1.3. Các ƣu nhƣợc điểm của điều khiển dự báo so với phƣơng pháp khác
MPC thể hiện một loạt các ƣu điểm so với các phƣơng pháp điều khiển khác, trong
đó nổi bật là [12], [57]:
 Có thể đƣợc sử dụng trong các bài toán điều khiển quá trình, từ những quá
trình có đặc tính động học đơn giản cho tới những quá trình phức tạp hơn, kể
cả những hệ thống có thời gian trễ lớn, động học biến đổi chậm và có ràng buộc.
 Có thể sử dụng các thông tin về đáp ứng bƣớc, đáp ứng xung của đối tƣợng.
 Thích hợp cho điều khiển các hệ nhiều vào nhiều ra (MIMO).
 Có khả năng xử lý các điều kiện ràng buộc đầu vào cũng nhƣ đầu ra.
 Có thể sử dụng đối với các quá trình đa biến.
 Đây là phƣơng pháp điều khiển bền vững.
 Việc thực hiện phƣơng pháp tƣơng đối đơn giản.
 Có thể đƣợc tối ƣu hóa theo một quỹ đạo.
Tuy nhiên, MPC cũng có một số hạn chế nhất định:
 Nhƣợc điểm của mỗi phƣơng pháp trên đòi hỏi khối lƣợng tính toán lớn cùng
một lúc bởi vì có nhiều các ràng buộc hoặc nhiều biến tối ƣu và phải tính bằng
phƣơng pháp lặp.
 Một nhƣợc điểm lớn nữa của phƣơng pháp là phải xác định một mô hình dự
báo chính xác cho đối tƣợng. Điều này trở nên khó khăn hơn khi đối tƣợng có
tham số thay đổi hoặc có nhiễu hoặc phi tuyến. Giải bài toán tối ƣu cho phiếm
hàm mục tiêu lựa chọn luôn khó khăn.
Với những bài toán điều khiển cho những đối tƣợng tuyến tính, tham số là xác định
và không có trễ thì việc sử dụng phƣơng pháp điều khiển dự báo là không cần thiết
bởi quá trình tính toán phức tạp, chất lƣợng điều khiển không cao mà lại tốn kém
nên với những lớp đối tƣợng này phƣơng pháp kinh điển nhất là PID sẽ là một lựa
chọn hợp lý.

38. 21
1.4. Những vấn đề liên quan về điều khiển dự báo hệ phi tuyến
Nhƣ đã phân tích ở trên, điều khiển dự báo dựa trên mô hình cho hệ tuyến
tính đã đƣợc phát triển và ứng dụng tốt trong nhiều lĩnh vực. Tuy nhiên đối với quá
trình phi tuyến (đối tƣợng điều khiển phi tuyến) đặc biệt là vừa phi tuyến, có trễ và
có nhiễu thì các phƣơng pháp MPC áp dụng cho hệ tuyến tính hoàn toàn không sử
dụng đƣợc. Để đảm bảo tính ổn định và nâng cao chất lƣợng điều khiển dự báo theo
mô hình cho hệ phi tuyến, ta cần tập trung giải quyết các vấn đề chính sau:
 Thứ nhất là nâng cao độ chính xác và độ linh hoạt cho mô hình đối tƣợng
trong MPC, đồng thời rút ngắn thời gian nhận dạng hội tụ (đối với mô hình
nhận dạng online). Giải quyết vấn đề này sẽ gặp những khó khăn không nhỏ,
khó khăn này càng tăng lên khi đối tƣợng đó có trễ, có nhiễu và có những
tham số bất định.
 Thứ hai là chúng ta phải giải quyết bài toán tối ƣu online với rất nhiều ràng
buộc để đảm bảo cho hệ thống ổn định, đặc biệt là ổn định trong quá trình
giải bài toán tối ƣu, tức là bài toán tối ƣu luôn luôn phải có nghiệm.
Ngoài ra cần phải quan tâm mở rộng tầm điều khiển dự báo liên tục trong
toàn bộ quá trình làm việc của hệ thống.
 Đối với khó khăn thứ nhất, các tác giả trên thế giới tập trung vào sử dụng mô
hình phi tuyến Wiener, Hammerstein, đây là những phƣơng pháp chỉ sử dụng cho
đối tƣợng phi tuyến có thể phân tích đƣợc dƣới dạng một chuỗi mô hình đáp ứng
xung tuyến tính nhờ việc sử dụng chuỗi Voltera [36]. Tín hiệu điều khiển đƣợc tính
thông qua việc cực tiểu hóa một hàm mục tiêu dạng toàn phƣơng phụ thuộc vào đối
tƣợng điều khiển phi tuyến. Một cách khác để xây dựng mô hình dự báo phi tuyến
là sử dụng các định luật, định lý về năng lƣợng, động năng và khối lƣợng trong hệ
thống. Tuy nhiên trong thực tế, các hành vi động học của hệ rất phức tạp cho nên
không dễ dàng xây dựng đƣợc mô hình từ các định luật này. Cách tiếp cận khác để
xây dựng mô hình dự báo là sử dụng mô hình hộp đen, mô hình này đƣợc xác định
từ tập dữ liệu động học vào ra của hệ thống, trong một số trƣờng hợp ta có thể sử
dụng mô hình mờ để xây dựng mô hình dự báo với đặc điểm là cấu trúc đơn giản,
tuy nhiên khó khăn nảy sinh khi hệ thống có tác động của nhiễu và khi xây dựng mô

39. 22
hình mờ phụ thuộc rất nhiều vào kinh nghiệm khi lựa chọn tập mờ, luật hợp
thành,... [34]. Để giải quyết những khó khăn trên, một số tác giả tập trung vào sử
dụng mạng nơron để xấp xỉ mô hình đối tƣợng phi tuyến, qua đó xây dựng đƣợc mô
hình dự báo với một độ chính xác cần thiết, đây là hƣớng hứa hẹn mang lại thành
công cho các đối tƣợng phi tuyến phức tạp hơn. Công trình [51] xuất bản 2014 mới
đây đã tổng kết lại một số xu hƣớng chính trong MPC sử dụng mạng nơron về việc
xây dựng mô hình dự báo. Trong đó tác giả đề cập đến các thuật toán MPC sử dụng
mạng nơron và chứng minh tính ổn định của hệ thống. Cuốn sách đã tổng kết những
nghiên cứu trong nhiều năm bao gồm cả những đóng góp cơ sở đƣợc lựa chọn từ
một số ấn phẩm đã đƣợc công bố trích dẫn, có thể kể ra một số các thuật toán cơ
bản nhƣ sau:
a) Các thuật toán MPC phi tuyến dựa trên mô hình nơron hai lớp ẩn (DLP - Double
- Layer Perceptron feedforward neural network). Các thuật toán này đều sử dụng
cấu trúc MPC phi tuyến cơ bản. Mô hình mạng nơron tuyến tính xấp xỉ đƣợc cập
nhật online tại các điểm làm việc. Việc dự báo đƣợc thực hiện bằng tính toán dự báo
lặp lại và tuyến tính hóa quỹ đạo tại ngay mỗi lần lấy mẫu. Để đảm bảo đƣợc sự hội
tụ cần phải có các thuật toán tối ƣu MPC đảm bảo đƣợc điều này, tuy nhiên nhiều
công trình liên quan đến các thuật toán MPC dùng để tối ƣu hóa phi tuyến còn có
nhiều nhƣợc điểm, cụ thể là không tính toán hiệu quả và rõ ràng còn gặp hạn chế
khi ứng dụng thực tế.
b) Các thuật toán MPC phi tuyến dựa trên cơ sở các mô hình nơron Hammerstein
và Wiener. Cả hai cấu trúc mô hình này lần lƣợt đƣợc đƣa ra rất thành công và đã áp
dụng cho nhiều mô hình quá trình khác nhau. Bằng cách sử dụng phần nghịch đảo
phần ổn định của mô hình để bù trừ cho phần phi tuyến của đối tƣợng, sau đó sử
dụng thuật toán MPC cho hệ tuyến tính còn lại.
Ngoài ra còn có một số các thuật toán cải tiến từ các thuật toán trên nhƣ: Các thuật
toán MPC phi tuyến dựa trên cơ sở nơron mô hình không gian trạng thái, các thuật
toán MPC phi tuyến dựa trên cơ sở nơron đa mô hình, các thuật toán MPC phi
tuyến dựa trên cơ sở xấp xỉ nơron, các thuật toán MPC phi tuyến dựa trên cơ sở ổn
định bền vững.

40. 23
Nhƣ vậy ta thấy rằng đối với các đối tƣợng phi tuyến phức tạp để xây dựng
mô hình dự báo chính xác ta cần sử dùng mạng nơron động học, với số lƣợng nơron
nhiều và nhiều lớp ẩn, do vậy việc huấn luyện rất phức tạp, khả năng hội tụ online
là vấn đề lớn khi thực hiện bằng phần cứng trong thực tiễn, chƣa kể đến mô hình
này còn tăng thêm tính phức tạp trong việc giải bài toán tối ƣu khi tìm nghiệm điều
khiển [61], [73]. Đối với hệ phi tuyến có trễ, có nhiễu bài toán MPC sẽ phức tạp
hơn rất nhiều ở khía cạnh ổn định hệ thống, một số phƣơng pháp MPC đã đƣợc
nghiên cứu cho đối tƣợng phi tuyến có trễ nhƣ trong các tài liệu [33], [37], [44].
Hầu hết các phƣơng pháp này, tính ổn định của hệ kín đƣợc đảm bảo bởi việc sử
dụng một hàm điều khiển Lyapunov toàn cục hoặc ràng buộc trạng thái điểm cuối
mở rộng (extended zero terminal state constraint) [13], [43]. Các phƣơng pháp này
đều có những nhƣợc điểm nhƣ việc tìm ra hàm điều khiển Lyapunov toàn cục là rất
khó khăn, trong nhiều trƣờng hợp là không thể. Đặc biệt là hệ thống có các ràng
buộc, việc xác định các ràng buộc trạng thái điểm cuối mở rộng phải thông qua tính
toán chính xác từ bài toán tối ƣu với số chiều lớn [72], [77].
Vấn đề nhận dạng nhiễu trên cơ sở sử dụng các mạng nơron để xấp xỉ các
hàm nhiễu phi tuyến đƣợc quan tâm phát triển mạnh trong nhiều năm gần đây. Nội
dung trọng tâm là xây dựng các luật hiệu chỉnh các trọng số của mạng nơron trong
chế độ online [38], [41], [59], [62], [83] đảm bảo độ chính xác xấp xỉ theo yêu cầu,
đồng thời đảm bảo tốc độ hội tụ tốt theo thời gian thực. Tuy nhiên các kết quả đạt
đƣợc vẫn còn hạn chế. Các luật hiệu chỉnh trọng số cho các mạng nơron nhân tạo
đƣợc xây dựng dựa trên phƣơng pháp Gradient là chủ yếu. Theo đó, các luật này
thƣờng có tính hội tụ kém và ổn định của mạch vòng kín không đƣợc đảm bảo tốt
[12]. Một loạt thuật toán hiệu chỉnh trọng số đƣợc xây dựng dựa trên phƣơng pháp
Lyapunov [38], [59], [79], [81]. Hầu hết các luật này đều có chung một nhƣợc điểm
là: tốc độ thay đổi các trọng số của mạng nơron phụ thuộc vào vectơ sai số hoặc
vectơ trạng thái của hệ thống. Điều đó dẫn đến việc hiệu chỉnh các trọng số của
mạng nơron phải thực hiện liên tục bởi vì vectơ sai số và vectơ trạng thái của hệ
thống luôn biến đổi theo thời gian. Vì vậy tính hội tụ bị ảnh hƣởng. Việc sử dụng
mạng nơron RBF để nhận dạng cũng đã đem lại rất nhiều kết quả thành công [45],
[46], [48], [80] bởi ƣu điểm cấu trúc của mạng rất đơn giản và có khả năng xấp xỉ
hầu hết các hàm phi tuyến với sai số nhỏ tùy ý.

41. 24
Ngoài ra ta có thể kể tên đến một loạt các công trình trong nƣớc đã nghiên
cứu liên quan đến lĩnh vực điều khiển dự báo và đối tƣợng có trễ nhƣ sau: [1], [2],
[3], [4], [5], [6], [8], [9], [10], [11],… Trong các tài liệu này đƣa ra một số phƣơng
pháp điều khiển dự báo theo mô hình mạng nơron nhiều lớp MPL, mô hình mờ, mô
hình thích nghi mờ cho hệ tuyến tính, phi tuyến, phi tuyến bất định, phi tuyến pha
không cực tiểu bằng giải thuật di truyền, bằng mô hình nội, mô hình mạng nơron
RBF, phƣơng pháp giới hạn và rẽ nhánh, ổn định hóa hệ song tuyến liên tục, các
phƣơng pháp nhận dạng,... và đã đạt đƣợc những kết quả nhất định. Tuy nhiên, vấn
đề xây dựng cấu trúc hệ thống điều khiển dự báo trên cơ sở sử dụng mạng nơron,
áp dụng cho lớp các đối tượng có trễ vẫn chưa được giải quyết thỏa đáng. Thêm
vào đó, áp lực đối với việc nâng cao chất lượng cho các hệ thống điều khiển các
quá trình có trễ trong công nghiệp đang làm cho các vấn đề trên đây ngày càng trở
nên bức thiết hơn. Đây là vấn đề vừa có ý nghĩa khoa học, vừa có ý nghĩa thực tiễn,
đang thu hút sự quan tâm của các nhà khoa học công nghệ và các nhà kỹ thuật
công nghiệp.
 Đối với khó khăn thứ hai, ta phải giải quyết bài toán tối ƣu phi tuyến trong
trƣờng hợp tối ƣu quy hoạch phi tuyến không lồi (non-convex) [20]. Nhƣ chúng ta
biết rằng để giải đƣợc bài toán tối ƣu phi tuyến này cần phải có những ràng buộc về
mặt thời gian lấy mẫu rất chặt chẽ, khối lƣợng tính toán lớn, tính hội tụ không đƣợc
đảm bảo trong thời gian hữu hạn. Do vậy trong thực tế ngƣời ta thƣờng tránh nó
[42], [50], [52].
 Có thể thấy rằng, bài toán tối ưu hóa cho hệ phi tuyến có trễ trong điều
khiển dự báo vẫn chưa có được lời giải thỏa đáng, đặc biệt là đối với các trường
hợp hệ thống vừa có trễ, vừa có đặc tính phi tuyến bất định. Vì vậy, vấn đề tối ưu
hóa điều khiển cho hệ thống phi tuyến bất định, có trễ thực sự là cấp thiết. Luận án
đặt mục tiêu xây dựng phương pháp tổng hợp hệ điều khiển dự báo cho một lớp đối
tượng có trễ và có đặc tính phi tuyến bất định, nhằm góp phần giải quyết những vấn
đề bức thiết nêu trên.

42. 25
( ) ( ) ( ) ( )t t t τX AX BU DF X
Hệ tuyến tính có trễ
Hệ phi tuyến có trễ
Thành phần phi tuyến
+
1.5. Đề xuất hƣớng nghiên cứu giải quyết trong luận án
Nhằm đạt đƣợc mục đích nêu trên và khắc phục những khó khăn trong điều
khiển dự báo hệ phi tuyến bất định và tận dụng những tính ƣu việt của điều khiển
dự báo hệ tuyến tính, luận án đề xuất phƣơng pháp tiếp cận nhƣ sau:
Thay vì thiết kế bộ điều khiển dự báo cho hệ phi tuyến có trễ thành thiết kế
bộ điều khiển dự báo cho hệ tuyến tính có trễ cộng với thành phần nhiễu (nhiễu phụ
thuộc trạng thái - phi tuyến bất định). Thành phần nhiễu này được nhận dạng trực
tuyến và sẽ được bù trừ để hệ chỉ còn tuyến tính có trễ. Tiếp đó ta sử dụng phương
pháp điều khiển dự báo theo mô hình nội dựa trên cơ sở nhận dạng nhiễu để đảm
bảo tính ổn định của hệ thống, tìm ra tầm dự báo và tầm điều khiển.
Vấn đề tổng hợp hệ điều khiển dự báo cho đối tƣợng phi tuyến bất định và
có trễ đƣợc phân ra thành các nội dung sau đây:
- Tách mô hình đối tƣợng phi tuyến thành 2 phần: hệ tuyến tính có trễ và
phần phi tuyến. Theo quan điểm tuyến tính hóa xung quanh điểm làm việc ta dễ
dàng xác định đƣợc thông số động học của hệ thống qua ma trận A và B dựa vào
điểm làm việc danh định, thành phần phi tuyến còn lại đƣợc coi là nhiễu phụ thuộc
trạng thái hay nhiễu nội sinh của mô hình tuyến tính;
Hình 1.4. Cấu trúc mô hình lớp đối tượng phi tuyến có trễ
- Sử dụng mạng nơron nhân tạo RBF (là mạng đơn giản, dễ huấn luyện) để
nhận dạng trực tuyến thành phần phi tuyến bất định của đối tƣợng;
- Bù trừ nhiễu trên cơ sở sử dụng kết quả nhận dạng;

43. 26
- Xây dựng bộ điều khiển dự báo phản hồi trạng thái theo mô hình nội
(IMPC) với cấu trúc bù nhiễu để điều khiển hệ thống lúc này chỉ còn phần tuyến
tính có trễ.
Cũng cần nhấn mạnh rằng lớp các đối tƣợng chỉ có trễ trong kênh điều
khiển đƣợc mô tả bởi phƣơng trình (1.4) rất đa dạng. Lớp các đối tƣợng này có rất
nhiều trong lĩnh vực công nghiệp. Trễ trên kênh điều khiển đƣợc hiểu là trễ xảy ra
do dòng vật chất đầu vào phải vận chuyển với tốc độ nhất định trên những khoảng
cách xác định trƣớc lúc tham gia trực tiếp vào quá trình công nghệ. Do tính phổ
biến và vai trò quan trọng của lớp các đối tƣợng này, luận án giới hạn trong phạm vi
nghiên cứu là: xây dựng các phương pháp nhận dạng nhiễu và tổng hợp hệ điều
khiển sử dụng mô hình dự báo cho các đối tượng (1.4) có trễ trong kênh điều khiển.
1.6. Kết luận Chƣơng 1
Chƣơng 1 đã trình bày tổng quan về điều khiển dự báo, cấu trúc, các thành
phần cơ bản của một hệ điều khiển dự báo và ảnh hƣởng của chúng đối với việc
thiết kế cũng nhƣ nâng cao chất lƣợng hệ điều khiển dự báo theo mô hình. Điểm lại
một số kỹ thuật MPC tuyến tính, phi tuyến đã công bố trên các tạp chí khoa học
trong nƣớc và ngoài nƣớc cũng nhƣ các ứng dụng MPC trong công nghiệp của một
số hãng trên thế giới. Đã chỉ ra những vấn đề còn tồn tại, những vấn đề chƣa đƣợc
giải quyết một cách thỏa đáng. Đã nêu rõ tính bức thiết của đề tài luận án, xác định
rõ mục tiêu cần đạt, đề xuất phƣơng pháp tiếp cận và những nội dung khoa học cụ
thể cần giải quyết để đạt đƣợc mục tiêu của luận án.

44. 27
CHƢƠNG 2
NHẬN DẠNG NHIỄU VÀ BÙ NHIỄU CHO LỚP
HỆ PHI TUYẾN CÓ TRỄ
Equation Chapter 2 Section 1 Equation Section (Next)
2.1. Tổng quát chung về nhận dạng và mạng nơron
2.1.1 Khái niệm về nhận dạng
Bài toán phân tích hệ thống có thể đƣợc hiểu là: xác định đầu ra và trạng
thái của hệ thống trên cơ sở đã biết đƣợc cấu trúc, tham số của hệ thống và tín hiệu
đầu vào. Với bài toán nhận dạng đƣợc hiểu đơn giản là: dựa vào tín hiệu đầu vào và
đầu ra đã biết của hệ thống để đi tìm đặc tính động học của đối tƣợng hay chính là
cấu trúc và tham số của mô hình sao cho sai lệch giữa mô hình và hệ thống là nhỏ
nhất. Đây là định nghĩa nhận dạng của Zadeh L.A đƣa ra từ 1962. Rõ ràng vì thông
tin ban đầu về đối tƣợng điều khiển còn chƣa đầy đủ, chính vì vậy cần phải nhận
dạng để bổ sung thêm thông tin những thành phần không mô hình hóa đƣợc thành
xác định. Việc giải quyết bài toán nhận dạng có thể xem nhƣ cần phải đƣa ra thuật
toán để xây dựng mô hình sao cho sai số ( )e t Min trên cơ sở quan sát tín hiệu
vào, ra [10], [66].
Hình 2.1. Sai số đầu ra của đối tượng thực và mô hình
Hình 2.1. thể hiện sai lệch đầu ra của đối tƣợng thực với mô hình. Đây là
cách biểu diễn dễ chấp nhận nhất, trực quan, song bị hạn chế do tính phức tạp của
mô hình sai lệch và sự phi tuyến giữa các tham số cần nhận dạng với đại lƣợng sai
lệch e(t). Vì vậy trên cơ sở lý thuyết nhận dạng ta cần phải vận dụng sao cho linh
hoạt để đảm bảo việc nhận dạng là chính xác nhất và đảm bảo sai lệch giữa đối
tƣợng và mô hình nhận dạng là nhỏ nhất trong giới hạn cho phép. Giả sử một hệ

45. 28
điều khiển đƣợc biểu diễn nhƣ Hình 2.2., trong đó biến đƣợc điều khiển là các trạng
thái 1 2[ ]T
nx x xX liên hệ với tín hiệu điều khiển 11 2[ ]T
mu u uU , nhiễu
kiểm soát đƣợc (tải) 1 2[ ]T
mz z zZ và nhiễu không kiểm soát đƣợc
21 2[ ... ]T
mf f fF bởi phƣơng trình vi phân phi tuyến. Để điều khiển đƣợc hệ thống
thì công việc đầu tiên là phải xây dựng mô hình hệ thống (nói cách khác là nhận
dạng hệ thống), mô hình xây dựng càng sát với hệ thống thực thì việc thiết kế điều
khiển càng thuận lợi và chất lƣợng điều khiển càng cao. Tuy nhiên việc xây dựng
mô hình chính xác nhất là với hệ phi tuyến là một thách thức lớn mà cho đến nay
vẫn chƣa có lời giải hoàn chỉnh.
Hình 2.2. Cấu trúc hệ thống phi tuyến
Trong luận án này đề xuất giải pháp sử dụng mạng nơron nhân tạo để nhận
dạng lớp đối tƣợng phi tuyến có trễ thƣờng gặp trong công nghiệp. Hệ thống phi
tuyến này đƣợc chia thành 2 phần: phần tuyến tính đƣợc mô tả bởi phƣơng trình vi
phân tuyến tính ở lân cận điểm làm việc cân bằng, phần phi tuyến và đƣợc coi là
"nhiễu" đối với mô hình tuyến tính hóa. Việc xác định đƣợc mô hình tuyến tính hóa
của hệ thống là đơn giản và ta dễ dàng thực hiện. Vì vậy, trong chƣơng này chỉ đi
sâu phân tích và nhận dạng phần phi tuyến bất định (nhiễu phụ thuộc trạng thái) của
hệ thống và ta sử dụng phƣơng pháp nhận dạng dựa trên cơ sở mạng nơron.
2.1.2 Khái quát về cấu trúc mạng nơron
Mạng nơron có thể thực hiện các bài toán nhận mẫu, tối ƣu, nhận dạng và
điều khiển cho các đối tƣợng tuyến tính và phi tuyến đạt hiệu quả cao hơn so với
các phƣơng pháp truyền thống. Mạng nơron bao gồm sự liên kết của nhiều nơron.
Đầu ra của mỗi nơron kết nối với các nơron khác thông qua các trọng số, hoặc tự
phản hồi trở về đầu vào của chính nó. Cấu trúc của mạng nơron là kiểu kết nối hình
Hệ thống
phi tuyến… …
…
…
U X
Z
F

46. 29
học của mỗi nơron liên kết trong mạng, đây là một đặc điểm quan trọng của từng
mạng nơron, dựa vào đó tiến hành phân loại chúng [3]. Hình 2.3 mô tả một số mạng
nơron thƣờng gặp.
Hình 2.3. Cấu trúc của một số mạng nơron thường gặp
(a). Mạng nơron truyền thẳng một lớp; (b). Mạng nơron truyền thẳng nhiều lớp;
(c). Mạng nơron chỉ có một nơron tự hồi quy; (d). Mạng nơron hồi quy một lớp;
(e). Mạng có cấu trúc ngang – hạn chế; (f). Mạng nơron hồi quy nhiều lớp.
Qua cấu trúc sáu mạng nơron ở trên, ta thấy mạng nơron truyền thẳng một
lớp có cấu trúc đơn giản nhất, còn các mạng nơron có cấu trúc nhiều lớp và có phản

47. 30
hồi thì kỹ thuật thực hiện sẽ phức tạp hơn, số bƣớc tính toán lặp lớn, dẫn đến gia
tăng sai số và thời gian xử lý kéo dài [41], [51]. Đặc biệt với việc sử dụng mạng
nơron RBF ta có đƣợc cấu trúc hệ thống nhận dạng đơn giản (truyền thẳng một lớp)
mà vẫn đảm bảo đƣợc tính ƣu việt là có khả năng xấp xỉ hầu hết các hàm phi tuyến
với độ chính xác bất kỳ nhỏ thua một giá trị cho trƣớc bé tùy ý [35], [64]. Do đó
trong luận án này ta lựa chọn phƣơng pháp sử dụng mạng nơron RBF làm cơ sở
nhận dạng.
2.1.3 Giới thiệu mạng nơron RBF
Mạng nơron RBF đƣợc đề xuất bởi D.S. Bromhead và D. Lowe năm 1988
[40] cho bài toán nội suy và xấp xỉ hàm nhiều biến. Gần đây mạng nơron RBF nhận
đƣợc nhiều sự quan tâm bởi nó có khả năng khái quát tốt và có cấu trúc đơn giản vì
tránh đƣợc việc sử dụng nhiều phép toán không cần thiết của mạng truyền thẳng
nhiều lớp (MLP). Các nghiên cứu đã chỉ ra rằng các hàm phi tuyến thỏa mãn điều
kiện trơn, liên tục, biến đổi chậm, phụ thuộc trạng thái đều có thể đƣợc xấp xỉ bởi
mạng RBF với sai số nhỏ tùy ý [35], [40], [45], [46], [48], [64], [80]. Mạng nơron
RBF có những đặc trƣng sau:
 Các nút ẩn thể hiện một tập các hàm cơ sở xuyên tâm.
 Các nút đầu ra thể hiện các hàm tổng tuyến tính giống nhƣ mạng
truyền thẳng nhiều lớp.
 Huấn luyện mạng đƣợc chia ra làm 2 trạng thái:
+ Bƣớc 1: Xác định “trọng số” từ đầu vào tới lớp ẩn (xác định tâm của
hàm cơ sở Cij, độ trải rộng của hàm cơ sở ij ).
+ Bƣớc 2: Xác định trọng số ijw từ lớp ẩn đến lớp ra.
 Quá trình học diễn ra nhanh.
 Mạng có khả năng nội suy tốt.
Quá trình học của RBF chính là dựa trên luật cập nhật trọng số ijw mà với
mỗi bài toán sẽ xây dựng một luật cập nhật tùy thuộc theo yêu cầu. Biên độ của
nhiễu có thể lớn tùy ý, tuy nhiên nếu biết trƣớc khoảng dao động của nhiễu fmin -

48. 31
fmax sẽ giúp việc lựa chọn số lƣợng nơron ban đầu và độ trải rộng của hàm cơ sở
thuận lợi hơn cho quá trình thiết kế mô phỏng.
2.1.4 Tóm lƣợc về nhận dạng trực tuyến hệ phi tuyến sử dụng mạng nơron
nhân tạo
Trong hơn vài thập niêm trở lại đây mạng nơron nhân tạo đƣợc sử dụng rộng
rãi để nhận dạng và điều khiển các hệ động học [4], [14], [16], [22], [23], [28], [45],
[60], [65], [68], [83]. Nhờ khả năng xấp xỉ với sai số nhỏ tùy ý của các mạng nơron,
chúng đƣợc sử dụng để xấp xỉ hầu hết các hàm phi tuyến. Ta thấy rằng, việc quan
tâm của các nhà khoa học trong vấn đề xây dựng các phƣơng pháp tổng hợp, các hệ
thống nhận dạng, các hệ thống điều khiển thích nghi, các đối tƣợng phi tuyến bất
định trên cơ sở mạng nơron ngày càng tăng [28], [76], [79]. Đáng chú ý hơn cả là
xu hướng tìm kiếm các phương pháp tổng hợp, các hệ nhận dạng và điều khiển dựa
trên xấp xỉ trực tuyến (online approximation) [76], [79]. Theo hƣớng này, vấn đề
sử dụng mạng nơron để nhận dạng và điều khiển thích nghi các đối tƣợng phi tuyến
bất định, hoặc các đối tƣợng với một phần động học phi tuyến bất định, đã và đang
đƣợc phát triển [76]. Tuy nhiên, trong những năm đầu của thập niên 90 của thế kỷ
XX, các kết quả liên quan đến nhận dạng trực tuyến còn bị hạn chế: để có thể thực
hiện đƣợc chế độ online thì trƣớc đó cần phải đòi hỏi có pha huấn luyện mạng ngoại
tuyến (offline training phase) [21], [39]. Cũng trong giai đoạn đó, luật cập nhật
trọng số cho mạng nơron đa phần đƣợc xây dựng dựa trên phƣơng pháp Gradient
[12], [78], [82]. Tuy nhiên, việc áp dụng các luật cập nhật trọng số theo phƣơng
pháp này vào thực tế kém phần hấp dẫn bởi chúng có tính hội tụ chậm. Điều hạn
chế nêu trên một phần không nhỏ cũng do tính hội tụ chậm gây nên [12]. Mạng
nơron với cấu trúc động có sử dụng Wavelets cũng đƣợc đề xuất trong [18], tuy có
một số ƣu điểm, song tốc độ hội tụ vẫn chƣa đƣợc cải thiện nhiều [54]. Hàng loạt
các công trình công bố về sau, đặc biệt là thời gian gần đây, đã xây dựng đƣợc các
luật học cho các mạng, trên cơ sở phƣơng pháp Lyapunov, đảm bảo chế độ nhận
dạng trực tuyến ở chế độ thời gian thực [28], [65], [76], [81], [82]. Tuy nhiên, các
luật học này còn có một nhược điểm chung là: tốc độ thay đổi trọng số trong luật
cập nhật các trọng số của mạng phụ thuộc vào vectơ sai lệch hoặc vectơ trạng thái
của hệ thống điều khiển [76], [81], [82], trong khi đó sai lệch và vectơ trạng thái