Giải pháp bù thời gian trễ biển đổi và nhiễu của mạng các hệ thống điều khiển dựa trên mô hình dự báo smith thích nghi

TẠP CHÍ KHOA HỌC CÔNG NGHỆ GIAO THÔNG VẬN TẢI, SỐ 19 - 05/2016 13 GIẢI PHÁP BÙ THỜI GIAN TRỄ BIỂN ĐỔI VÀ NHIỄU CỦA MẠNG CÁC HỆ THỐNG ĐIỀU KHIỂN DỰA TRÊN MÔ HÌNH DỰ BÁO SMITH THÍCH NGHI COMPENSATION TIME-VARYING DELAYS AND DISTURBANCES SOLUTION OF NETWORKED CONTROL SYSTEM BASED ON ADAPTIVE SMITH PREDICTOR Đặng Xuân Kiên Đại học Giao thông Vận Tải Tp. Hồ Chí Minh Tóm tắt: Vấn đề nghiêm trọng nhất gây giảm hiệu suất điều khiển, mất ổn định của mạng các hệ thống điều khiển (Networked control systems-NCS) chính là ảnh hưởng của thời gian trễ và nhiễu, đặc biệt khi tại mỗi thời điểm chúng biển đổi không xác định. Rõ ràng đó là những thách thức hiện hữu làm cho các phương pháp điều khiển truyền thống khó đáp ứng được yêu cầu ổn định cần thiết của mạng các hệ thống điều khiển. Giải pháp sử dụng mô hình dự đoán Smith thích nghi với cơ chế ước lượng thời gian trễ và bù nhiễu dựa trên mạng thần kinh nhân tạo không chỉ có tính năng của một cấu trúc dự đoán Smith thông thường mà còn thích nghi cao với sự thay đổi liên tục của thời gian trễ và nhiễu làm tăng tính ổn định, đáp ứng điều khiển nhanh. Kết quả mô phỏng thu được bằng cách sử dụng phần mềm chuyên dụng True Time Beta 2.0 trên nền Matlab minh chứng phương pháp này nâng cao hiệu suất của mạng các hệ thống điều khiển một cách đáng kể. Từ khóa: Dự báo Smith, mạng các hệ thống điều khiển, bù nhiễu. Abstract: The most serious problems of networked control systems (NCS) to cause less control performance, instability and even collapse, are the randomly varying time delay and disturbances. These inherent challenges make the conventional control methods more difficult to meet the quality requirements for NCS stability. An adaptive Smith predictor combined time-delay estimation scheme and disturbance observer based on Neural network which has not only the features of simple Smith predict structure, but also the characteristics of adaptively, stability, and fast response. The simulation results via TrueTime Beta2.0 platform demonstrate that our method significantly improves the performance of NCS. Keywords: Adaptive Smith predictor, networked control system, disturbance observer. Các chữ viết tắt LQR: Linear Quadratic Regulator H∞: H infinity 1. Giới thiệu Mạng các hệ thống điều khiển (Networked control systems – viết tắt là NCS) được định nghĩa là hệ thống trong đó các vòng lặp điều khiển được khép kín thông qua mạng thời gian thực. Một mạng các hệ thống điều khiển điển hình được xây dựng dựa trên các phần tử cơ bản: Cảm biến – để lấy thông tin đầu vào, bộ điều khiển – để cung cấp và ra lệnh điều khiển, đối tượng điều khiển – để thực thi các lệnh điều khiển, mạng thời gian thực – nơi các phần tử của hệ trao đổi thông tin, tín hiệu điều khiển, đo lườngtrong các vòng lặp khép kín với nhau qua mạng. Như vậy, lợi thế của mạng các hệ thống điều khiển không chỉ làm tăng tốc độ điều khiển mà còn dễ dàng nâng cấp hệ thống bằng cách tăng số lượng cảm biến, đối tượng điều khiển, bộ điều khiển mà không cần thay đổi cấu trúc của toàn hệ thống, giảm chi phí vận hành khai thác và bảo dưỡng đáng kể. Hơn nữa, tính năng chia sẻ dữ liệu giữa các bộ điều khiển của mạng làm tăng hiệu suất điều khiển, mạng điều khiển có thể dễ dàng tổng hợp thông tin toàn diện để đưa ra các quyết định thông minh hơn đối với những không gian vật lý lớn. Trong vài thập kỷ gần đây, NCS được ứng dụng rất rộng rãi trong công nghiệp cũng như các lĩnh vực phục vụ đời sống xã hội như mạng cảm biến di động, thám hiểm không gian vũ trụ, điều khiển và thu thập dữ liệu trong môi trường nguy hiểm, tự động hóa nhà máy xí nghiệp, chẩn đoán và xử lý từ xa sự cố hệ thống tự động, điều khiển đồng bộ hóa các phương tiện giao thông vận tải. Nhìn chung có hai hướng nghiên cứu hệ 14 Journal of Transportation Science and Technology, Vol 19, May 2016 thống điều khiển sử dụng mạng truyền thông trong đó bao gồm hệ thống điều khiển mạng chia sẻ (Shared-network) và hệ thống điều khiển từ xa. Hướng đầu tiên sử dụng tài nguyên của mạng chia sẻ để chuyển thông tin từ cảm biến tới bộ điều khiển và tín hiệu điều khiển từ bộ điều khiển tới cơ cấu chấp hành, như vậy có thể giảm nhiều sự phức tạp về kết nối. Những bộ điều khiển dựa trên cấu trúc cơ bản của mạng đã được ứng dụng rộng rãi trong điều khiển mạng Robot di động [1] và các ứng dụng trong công nghiệp [2]. Hướng thứ hai với các hệ thống điều khiển từ xa có thể xem là những hệ thống có bộ điều khiển đặt ở khoảng cách xa, điều khiển không dây hoặc có kết nối bằng dây dẫn điện. Hệ thống thu thập dữ liệu [3], hệ thống giám sát và điều khiển từ xa [4] đều có thể xem như là một dạng của hệ thống điều khiển từ xa. Từ đó có thể thấy rằng những ứng dụng toàn diện của NCS ở thời điểm hiện nay giúp chúng ta có một thế giới đầy sáng tạo với công nghệ hiện đại. Trong bài báo này, bắt nguồn từ hướng nghiên cứu NCS đã trình bày trong [5-6] đề cập đến việc bù thời gian trễ của NCS với mô hình dự báo Smith dựa trên các kỹ thuật điều khiển mờ và mạng nơ ron nhân tạo, tác giả mở rộng vấn đề xem xét ảnh hưởng đồng thời của nhiễu ngoài và thời gian trễ lên NCS dựa trên mạng thần kinh nhân tạo. Kết quả là tạo ra một mô hình dự báo Smith thích nghi mới cho mạng các hệ thống điều khiển đã được đề cập. 2. Cấu trúc của NCS dựa trên mô hình dự báo Smith  sGp sC Network  r fby scae  ssce  spe   sGpm spme  pmy py Smith Predictor  u compy d pmyˆ Hình 1. Cấu trúc của NCS dựa trên mô hình dự báo Smith. Cấu trúc của NCS xây dựng dựa trên mô hình dự báo Smith thể hiện trong hình 1, trong đó C(s) là bộ điều khiển, mạng gửi và nhận dữ liệu Network với case  là khoảng thời gian trễ khi dữ liệu truyền từ bộ điều khiển tới đối tượng, scse  là khoảng thời gian trễ khi dữ liệu truyền từ cảm biến phản hồi ngược tới bộ điều khiển qua Network. Đối tượng điều khiển được xem xét là đối tượng có trễ s p pesGsG   )()( với p s e  đặc trưng cho mô hình thời gian trễ của đối tượng. Mô hình dự báo Smith được đưa thêm vào vòng lặp kín của NCS ( ) ( ) pm s m pmG s G s e   trong đó ( ) pm s pmG s e  đặc trưng cho mô hình dự báo của đối tượng ( )G s . Như vậy chúng ta có thể phân tích mô hình NCS trong hình 1 với giả thiết không có nhiễu tác động vào hệ thống tương ứng 0d , ta có: )()( suesGy s pp p (1) Bên cạnh đó, ta có thể dễ dàng suy luận ra được từ mô hình tính toán như sau: )()(ˆ susGy pmpm  (2) s pm s pmpm pmpm eysuesGy    ˆ)()( (3) )()( sueGeGyyy s pm s ppmpfb pmp    (4) Tín hiệu phản hồi có thể được tính toán bởi công thức sau: )()()()(ˆ sueGeGsusGyyy s pm s ppmfbpmcomp pmp    (5) Từ (2), (3), (4), và (5), hàm truyền của NCS )( )( sr sy p được viết lại như trong công thức (6) như sau: ss pm s p s pm s p s p scpmpca pca eesGesGesCsGsC esGesC sr sy       ])()([)()()(1 )()( )( )( (6) Giả thiết mô hình dự đoán được xác định chính xác, đồng nghĩa với ta có pmp   và pmp GG  . Tiếp theo, chúng ta đạt được (7) bằng cách triệt tiêu các thành phần tương đương nhau trong (6). ss pm p pm s p s p pca pca ee sGsC sGsC sGsC esGesC sr sy         )()(1 )()( )()(1 )()( )( )( (7) Công thức (7) chỉ ra rằng mô hình NCS mới dựa trên mô hình dự báo Smith có thể TẠP CHÍ KHOA HỌC CÔNG NGHỆ GIAO THÔNG VẬN TẢI, SỐ 19 - 05/2016 15 triệt tiêu hoàn toàn thời gian trễ của mạng cũng như thời gian trễ của đối tượng. Hình 2. Cấu trúc của NCS dựa trên mô hình dự báo Smith với bộ ước lượng thời gian trễ sử dụng mạng thần kinh nhân tạo [6]. Thời gian trễ khi dữ liệu truyền từ cảm biến tới bộ điều khiển đã bị loại trừ hoàn toàn ra khỏi vòng lặp, còn thời gian trễ khi dữ liệu truyền từ bộ điều khiển tới đối tượng và thời gian trễ của đối tượng suất hiện như một khối Gain ở sau tín hiệu đầu ra. Như vậy, ảnh hưởng của thời gian trễ bị loại trừ ra khỏi vòng lặp kín của NCS giúp cho hiệu suất và chất lượng điều khiển của NCS được nâng cao. Mô hình xây dựng trên hình 2, đáp ứng tốt với sự thay đổi của thời gian trễ nhưng chưa khảo sát sự ảnh hưởng của nhiễu. 3. Giải pháp loại trừ đồng thời ảnh hưởng của thời gian trễ và nhiễu tác động vào NCS 3.1. Giải pháp dùng mô hình Smith thích nghi kết hợp bộ loại trừ nhiễu dựa trên mạng thần kinh nhân tạo Network fby scae  ssce  sk pme )(   u Adaptive Smith Predictor ny pmy Network scae  ssc On-line Calculation Modulator e e pmk)( 1z pm k )1(  d j     skp pesG )( py  n d   1z )1( kvn 1zd    )(sQ v )(sQ nv dv i  1z ny  sGpm 1z 1z  e 1z r  sGpm  1z  sK Robust Controller v p p p j Hình 3. Cấu trúc của NCS dựa trên mô hình dự báo Smith thích nghi với bộ ước lượng thời gian trễ sử dụng mạng thần kinh nhân tạo, bộ giám sát và bù nhiễu NDOB. Chúng ta xem xét NCS với ảnh hưởng của thời gian trễ lẫn nhiễu tác động vào NCS, rõ ràng khi đó một cấu trúc dự báo Smith thông thường không đủ để có thể đảm bảo được chất lượng điều khiển của NCS. Giải pháp xây dựng mô hình Smith kết hợp với bộ bù nhiễu (Nerual-network Disturbance observer –NDOB) dựa trên mạng thần kinh nhân tạo như trên hình 3. Bộ bù nhiễu NDOB lấy tín hiệu đầu vào như trong hình 3, tín hiệu đầu ra được xem là tín hiệu dùng để loại bỏ hoàn toàn nhiễu ra khỏi vòng lặp kín của NCS. Mô hình dự đoán Smith đưa thêm vào bộ nhận dạng đối tượng sử dụng mạng thần kinh nhân tạo được thiết kế như trong [8], khi đó mô hình dự báo Smith trở thành mô hình có khả năng thích nghi tuyệt đối ngay cả khi không xác định được rõ đối tượng lẫn thời gian trễ của đối tượng. 3.2. Kết quả mô phỏng Trong mô hình này, bộ điều khiển Fuzzy PID được thay thế bằng bộ điều khiển bền vững. Bộ điều khiển bền vững được tính toán theo phương pháp McFarlan – Glover thỏa mãn các điều kiện tính toán theo [8]. Đầu tiên giải các bất đẳng thức ma trận tuyến tính LMIs sau đó tính toán được biến vô hướng 0 , ta có được 2154.20  . Sử dụng giải pháp tối ưu bằng Matlab với lựa chọn 4369.21.1 0   và sau đó tính được ma trận R và L như sau:               8367.03408.00114.0 0044.0445.00118.0 1374.05691.85365.0 R (8)  2895.0928.104711.0 L (9) Cuối cùng ta có bộ điều khiển bền vững ) ~ , ~ , ~ , ~ ( ~ cccc DCBAK  với:               0175.10077.6287687.3 01716.6304 5844.04248.163856237.155 ~ cA ,            4248.49 6157.57 4322.1231 ~ cB ,  2895.0928.104711.0~ cC , 0 ~ cD . (4.3) 16 Journal of Transportation Science and Technology, Vol 19, May 2016 Mô hình đối tượng điều khiển được chọn theo hàm truyền như sau: sksk p pp e s s ss esG )( 2 )( 13.0 1 1030 700 5)(       (10) Trong đó, chúng ta lựa chọn 2 hàm danh định của mô hình đối tượng điều khiển tương ứng 13.0 1 ,5 21    s s WW và mô hình danh định của đối tượng điều khiển 1030 700 2   ss G . Lựa chọn hàm của thời gian trễ là dạng tín hiệu sinusoidal [7] với t là dạng phiến hàm tự do nằm trong ngưỡng [0,10]: 2( ) ( ) 0.3sin(3 0.1 )pk t t   (11) Nhiễu có dạng tín hiêu với t là dạng phiến hàm tự do nằm trong ngưỡng [0,10]: ( ) 0.2sin(1.3 )d t t (12) ( ) 0.01sin(0.3 )n t t (13) Sử dụng phần mềm TrueTime2.0 Beta 2 [10] chạy trên nền của Matlab với các tham số lựa chọn tương tự như trong phần trước ta có kết quả sau: Hình 4 và hình 5 hiển thị đáp ứng đầu ra trong 2 trường hợp: NCS có và không có bộ bù nhiễu NDOB. Kết quả cho thấy NCS có bù nhiễu đáp ứng đầu ra dao động với biên độ nhỏ quanh vị trí cân bằng trong khi NCS không bù nhiễu khó điều khiển với biên độ dao động lớn, nếu tín hiệu nhiễu lớn đột ngột NCS có thể hoàn toàn mất ổn định. Hình 4. Đáp ứng của tín hiệu điêu khiển khi không dùng NDOB và dùng NDOB với các bộ điều khiển Fuzzy PID (FC)[5] và bền vững (RC)[6] khi  50t . Hình 5. Đáp ứng tín hiệu đầu ra của NCS khi không dùng NDOB và dùng NDOB với các bộ điều khiển Fuzzy PID (FC) và bền vững (RC) khi  50t . Cấu trúc NCS dựa trên mô hình Smith kết hợp bộ bù nhiễu NDOB cho thấy có thể phù hợp với rất nhiều bộ điều khiển, điển hình là bộ điều khiển Fuzzy và bộ điều khiển bền vững. Ngoài ra, bằng thực nghiệm trên True Time cho thấy hệ thống dưới tình trạng xấu hơn vẫn có khả năng duy trì độ ổn định tuy nhiên cũng chỉ đảm bảo trong một giới hạn vật lý nhất định, khi nhiễu hoặc thời gian trễ quá lớn thì giải pháp dùng mô hình dự báo Smith rất khó để đáp ứng được chất lượng đúng yêu cầu. 4. Kết luận Bài báo đã đưa ra và giải quyết rất nhiều vấn đề gây giảm hiệu suất và chất lượng của NCS. Mỗi vấn đề đều có những hướng giải quyết để tìm ra phương pháp tốt nhất, phù hợp nhất. Trong trường hợp bù thời gian trễ trong mạng điều khiển, giải pháp sử dụng mô hình dự đoán Smith thích nghi với cơ chế ước lượng thời gian sử dụng Logic mờ và mạng thần kinh nhân tạo cho kết quả tốt. Để giải quyết vấn đề bù nhiễu cho NCS, giải pháp sử dụng bộ bù nhiễu sử dụng mạng thần kinh nhân tạo kết hợp bộ lọc Q-filter đã được đưa ra. Cuối cùng, mô hình tổng quát của NCS dựa trên mô hình dự đoán Smith có khả năng loại trừ đồng thời ảnh hưởng của nhiễu lẫn thời gian trễ không xác định đã được xây dựng thành công, kết quả mô phỏng cho thấy tính hiệu quả của phương pháp mới đưa ra. Về phương diện điều khiển, với mô hình NCS đưa ra hoàn toàn làm việc ổn định với cả bộ điều khiển Fuzzy PID lẫn bộ điều khiển bền vững. Trong bài nghiên cứu chúng ta thấy giải pháp ứng dụng mạng TẠP CHÍ KHOA HỌC CÔNG NGHỆ GIAO THÔNG VẬN TẢI, SỐ 19 - 05/2016 17 thần kinh nhân tạo đã được sử dụng rất nhiều, nếu ta sử dụng thuật toán Gen cho công việc này có thể thu được kết quả tốt hơn  Tài liệu tham khảo [1] T. W. Long, “A self-similar neural network for distributed vibration control,” In Proc. The 32nd IEEE Conference on Digital Object Identifier, vol. 4, pp. 3243 – 3248, 1993. [2] P. I. Corkey, P. Ridley, “Steering kinematics for a center-articulated mobile robot,” IEEE transactions on Robotics and Automations, vol. 17, no. 2, pp. 215–218, 2001. [3] F. L. Lian, J. Moyne, D. Tilbury, “Network design consideration for distributed control systems,” In IEEE Transactions on Control Systems Technology, vol. 10, no. 2, pp. 297–307, 2002. [4] I. A. K. Saeed, N. V. Afzulpurkar, “Real time, dynamic target tracking using image motion,” In Proc. IEEE International Conference on Mechatronics, Taipei, Taiwan, pp. 241–246, 2005 [5] X. K. Dang, Z. H. Guan, H. D. Tran and T. Li, “Fuzzy Adaptive Control of Networked Control System with Unknown Time-delay,” Proc. The 30th Chinese Control Conference, Yan tai, China, Jul. 2011, pp. 4622 - 4626. [6] X. K. Dang, Z. H. Guan, T. Li and D. X. Zhang, “Joint Smith Predictor and Neural Network Estimation Scheme for Compensating Randomly Varying Time-delay in Networked Control System,” Proc. The 24th Chinese Control and Decision Conference, Tai Yuan, China, May. 2012. PP. 512-517. [7] X.K. Dang, “Analysis and Design of Networked Control Systems under the Effect of Time-delays and Disturbances,” Ph.D. dissertation, Univ. Huazhong, Wuhan, 2012. [8] Xuan-Kien Dang, Van-Thu Nguyen, Xuan- Phuong Nguyen, “Robust Control of Networked Control Systems with Randomly Varying Time- Delays Based Adaptive Smith Predictor” Rangsit Journal of Arts and Sciences, RJAS, Vol. 5 No. 2, pp.175-186, Dec, 2015. [9] Đặng Xuân Kiên, “Mạng các hệ thống điều khiển: Kiến thức nền tảng và định hướng nghiên cứu”, Tạp chí Khoa học công nghệ giao thông vận tải, Số 17-11/2015, Tr.37-41. [10] C. Anton, H. Dan, and O. Martin, TrueTime 2.0 beta 1 - Reference Manual, 1st ed. Sweden: Department of Automatic Control, Lund University, January, 2009. Ngày nhận bài: 17/03/2016 Ngày hoàn thành sửa bài: 06/04/2016 Ngày chấp nhận đăng: 14/04/2016