ĐẠI HỌC QUỐC GIA TP HỒ CHÍ MINH TRƯỜNG ĐẠI HỌC BÁCH KHOA - TRẦN VIẾT THẮNG ĐIỀU KHIỂN DỰ BÁO BỀN VỮNG HỆ PHI TUYẾN DỰA VÀO MÔ HÌNH MỜ CHUYÊN NGÀNH: ĐIỀU KHIỂN HỌC KỸ THUẬT Mà SỐ NGÀNH: 2.05.01 LUẬN VĂN THẠC SĨ Tp Hồ Chí Minh, tháng 10 năm 2003 LỜI CẢM TẠ à Xin chân thành tỏ lòng biết ơn Thầy: - Giáo sư, Tiến sỹ khoa học Nguyễn Thúc Loan, - Thạc sỹ Huỳnh Thái Hoàng người tận tình hướng dẫn cung cấp kiến thức tài liệu q báu, góp phần lớn vào thành công của luận văn à Xin chân thành cảm ơn toàn thể Thầy cô Khoa Điện-Điện tử Trường Đại học bách khoa Thành phố Hồ Chí Minh, người cung cấp kiến thức cần thiết suốt khóa học à Xin chân thành cảm ơn anh Lương Vinh Quốc Danh, giảng viên Đại học Cần Thơ, nghiên cứu sinh đại học Seul, Hàn quốc báo tạp chí IEEE mà anh cung cấp à Xin chân thành cảm ơn Thầy: - Tiến sỹ Alexander Fink, Viện điều khiển tự động, Trường Đại học kỹ thuật Damstadt, Cộng Hoà Liên Bang Đức, - Giáo sư, Tiến sỹ Yu Tang, Đại học quốc gia Mexico, Mexico, - Tiến sỹ Pascal Grieder, Viện công nghệ Cộng Hòa Thụy Sỹ, Thụy Sỹ người giải đáp thắc mắc cho lời khuyên hữu ích thời gian qua à Xin chân thành cám ơn toàn thể Thầy cô bạn đồng nghiệp Khoa Điện-Điện tử, Trường Đại học dân lập kỹ thuật công nghệ Thành phố Hồ Chí Minh, tạo điều kiện thuận lợi đóng góp ý kiến cho luận văn à Xin chân thành cám ơn bạn bè người thân động viên giúp đỡ suốt thời gian thực luận văn Thành phố Hồ Chí Minh, 29-09-2003 Trần Viết Thắng TÓM TẮT Luận văn trình bày tổng quan phương pháp điều khiển dự báo; giới thiệu số mô hình sử dụng điều khiển dự báo như: mô hình vào tổng quát, mô hình đáp ứng bước, mô hình đáp ứng xung, mô hình đa thức, mô hình mờ; phương pháp giải toán điều khiển dự báo Luận văn trình bày chi tiết mô hình mờ TS (Takagi-Sugeno) hai phương pháp xây dựng cấu trúc mô hình PSC LOLIMOT; giới thiệu số phương pháp giải toán tối ưu hóa không lồi như: phương pháp Branch-andBound, phương pháp tuyến tính hóa mô hình TS phương pháp LevenbergMarquardt; đặc biệt thuật toán điều khiển dự báo bền vững sử dụng mô hình mờ TS giới thiệu, phương pháp điều khiển bền vững xây dựng sở: tham số hệ thống thật mô hình hóa biến ngẫu nhiên Tại thời điểm rời rạc, thuật toán thích nghi trực tuyến áp dụng để cập nhật thông số mô hình thuật toán điều khiển hồi tiếp tối ưu vòng hở sử dụng để xác định tín hiệu điều khiển hệ thống Phương pháp giúp giảm đáng kể sai số mô hình tính chất hệ thống động biến đổi theo thời gian đồng thời tránh việc giải trực tiếp toán tối ưu hóa không lồi kinh điển min-max, rút ngắn thời gian thực thuật toán Cuối cùng, luận văn trình bày kết áp dụng phương pháp điều khiển dự báo hệ phi tuyến sử dụng mô hình mờ TS thuật toán điều khiển dự báo bền vững hệ phi tuyến đối tượng bồn kép (double tank), đồng thời đưa nhận xét tính chất điều khiển dự báo ưu điểm thuật toán điều khiển bền vững ABSTRACT This thesis proposed overview of model predictive control; introducing some kinds of model used in MPC such as: general input output models, step response models, impulse response models, polynomial model and fuzzy models; solving the standard predictive control problem The dissertation also proposed about TS fuzzy models in detail and two construction algorithms for TS fuzzy models are PSC and LOLIMOT as well; to introduce solutions for non-convex optimal problems as Branch-and-Bound, local linearization of a TS fuzzy models, Levenberg-Marquardt method; specially, a robust fuzzy nonlinear model predictive control technique is proposed This solution is constructed based on: parameters of plant are modeled as random variables In every sampling instant, an online adaptive algorithm is applied to update the parameters and using sub-optimal strategies is OLOFC (Open Loop Optimal Feedback Control) to compute control signals This make model error reducing significantly when characteristic of plant is changed and avoid solving directly non-convex optimization problems, so that will reduce performance time of the algorithm Finally, the thesis proposed the solutions of applying normal nonlinear model predictive control algorithm and robust nonlinear control algorithm into the double tank, concurrently refering remarks about properties of model predictive controller and control technique advantages of robust nonlinear model predictive NỘI DUNG CỦA LUẬN VĂN Tóm tắt Lời cảm tạ Chương 1: Tổng quan 1.1 Giới thiệu đề tài 1-1 1.2 Giới hạn đề tài 1-4 1.3 Tóm tắt nội dung luận văn 1-5 Chương 2: Phương pháp điều khiển dự báo 2.1 Tổng quan điều khiển dự báo 2-1 2.2 Moâ hình điều khiển dự báo 2-9 2.2.1 Mô hình vào - 2-9 2.2.2 Mô hình đáp ứng bước mô hình đáp ứng xung - 2-16 2.2.3 Mô hình đa thức 2-18 2.2.4 Mô hình mờ - 2-20 2.3 Giải toán điều khiển dự báo 2-28 2.3.1 Boä dự báo - 2-28 2.3.2 Điều khiển dự báo không ràng buộc 2-29 2.3.3 Điều khiển dự báo với ràng buộc phương trình 2-31 2.3.4 Điều khiển dự báo với đầy đủ ràng buộc - 2-33 Chương 3: Điều khiển dự báo mô hình phi tuyến bền vững 3.1 Mô hình mờ Takagi-Sugeno 3-1 3.1.1 Mô hình mờ TS với hệ luật tuyến tính để xấp xỉ cho hệ thống SISO - 3-3 3.1.2 Các thuật toán xây dựng cấu trúc cho mô hình mờ TS 3-13 3.1.3 Một số ví dụ việc sử dụng mô hình mờ TS - 3-21 3.2 Điều khiển dự báo hệ phi tuyến dùng mô hình mờ TS 3-25 3.2.1 Mô hình dự báo - 3-25 3.2.2 Hàm mục tiêu - 3-26 3.2.3 Giải pháp tối ưu hóa - 3-26 3.2.4 Chiến lược điều khiển dự báo hệ phi tuyến dùng mô hình nội 3-36 3.3 Thuật toán điều khiển dự báo bền vững hệ phi tuyến dùng mô hình mờ TS 3-38 3.3.1 Thuật toán điều khiển bền vững dùng mô hình vào/ra 3-39 3.3.2 Thuật toán điều khiển bền vững dùng mô hình mờ TS - 3-47 Chương 4: p dụng thuật toán điều khiển đối tượng 4.1 Đối tượng điều khiển - 4-1 4.2 Moâ hình hóa đối tượng điều khiển dùng mô hình mờ TS - 4-3 4.3 Xây dựng điều khiển kết mô - 4-10 4.4 Nhận xét thuật toán điều khiển - 4-22 Chương 5: Kết luận 5.1 Kết luận - 5-1 5.2 Hướng phát triển luận văn 5-2 Tài liệu tham khảo 1.1 Giới thiệu đề tài: Lý thuyết điều khiển dự báo đời vào năm 1960, song năm 1980 phương pháp điều khiển bắt đầu phát triển mạnh trở thành lónh vực nghiên cứu quan trọng điều khiển tự động Hiện điều khiển dự báo có nhiều ứng dụng công nghiệp đặc biệt lónh vực lọc dầu hóa dầu [20] Phương pháp điều khiển dự báo dựa mô hình hệ thống thật để dự đoán trước đáp ứng tương lai, sở đó, thuật toán tối ưu hóa hàm mục tiêu sử dụng để tính toán chuỗi tín hiệu điều khiển cho sai lệch đáp ứng dự báo đáp ứng tham chiếu mô hình nhỏ Xem hình 1.1: Hình 1.1:Các tín hiệu điều khiển dự báo Điều khiển dự báo mô hình (Model Predictive Control_MPC) kỹ thuật điều khiển tiên tiến nhiều người ưa chuộng công nghiệp [14], có điều phần lớn khả triển khai điều kiện ràng buộc vào thuật toán điều khiển cách dễ dàng mà phương pháp điều khiển kinh điển khác (chẳng hạn LQG, H ∞ ) Khó khăn lớn áp dụng điều khiển dự báo xây dựng mô hình giải toán tối ưu hóa Đối với hệ thống phi tuyến công việc khó khăn khó xây dựng mô hình tốt mô tả xác tính chất hệ thống thuật toán tối ưu hóa thường phức tạp, số lượng phép tính lớn, thời gian thực kéo dài phải giải toán tối ưu hóa không lồi Chính mà theo thống kê [21], có 2200 ứng dụng thương mại sử dụng kỹ thuật điều khiển dự báo phần lớn số tập trung vào hệ thống tuyến tính, chi tiết theo [19] thể qua hình 1.2: Hình 1.2: Phân phối ứng dụng MPC theo mức độ phi tuyến hệ thống Hình 2.1 cho thấy MPC chưa thâm nhập sâu vào vùng mà hệ thống có tính chất phi tuyến mạnh, lại vùng tạo hội lớn cho việc áp dụng kỹ thuật điều khiển so với phương pháp điều khiển truyền thống Chính mà hướng nghiên cứu hệ thống phi tuyến lónh vực điều khiển dự báo nhận quan tâm hàng đầu năm gần Đối với hệ thống động phi tuyến, mô hình xây dựng theo hai cách sau [22]: - Mô hình vật lý hay mô hình hộp trắng, mô hình xây dựng sở phương trình vi phân phi tuyến - Mô hình hộp đen hộp xám, mô hình sử dụng xấp xỉ tổng quát tập liệu vào hệ thống Mô hình vật lý thích hợp hệ thống đơn giản, mô tả tính chất hệ thống phương trình vi phân, mô hình hộp đen hộp xám thích hợp cho hệ thống phức tạp trường hợp nhiều thông tin hệ thống mô hình hóa Do tính chất phức tạp hệ thống phi tuyến, nên thực tế dạng mô hình hộp đen hộp xám thường sử dụng nhiều hơn, điển hình cho dạng mô hình là: mô hình đa thức, mô hình mạng neural mô hình mờ Trong điều khiển dự báo, tiêu chuẩn quan trọng cho việc áp dụng kỹ thuật mô hình hóa hộp đen là: - Cấu trúc mô hình đơn giản, tin cậy cho phép khai thác triệt để lượng thông tin biết trước hệ thống - Mô hình không phức tạp, tức có lượng tham số không lớn - Dễ dàng áp dụng thuật toán tối ưu hóa trực tuyến (on-line) để hiệu chỉnh thông số mô hình Từ phân tích cho thấy việc chọn đề tài "Điều khiển dự báo bền vững hệ phi tuyến dựa vào mô hình mờ" hoàn toàn phù hợp với xu hướng nghiên cứu điều khiển dự báo nay, mô hình chọn mô hình mờ Takagi-Sugeno, mô hình hai tác giả T Takagi M Sugeno đề xuất vào năm 1985, có cấu trúc hoàn toàn thỏa mãn yêu cầu kỹ thuật mô hình hóa hộp đen 2.1 Giới hạn đề tài Vì thời gian thực đề tài có hạn để phù hợp với khối lượng công việc luận văn thạc sỹ, nên nội dung đề tài tập trung vào công việc sau: - Giới thiệu tổng quan kỹ thuật điều khiển dự báo - Phương pháp điều khiển dự báo hệ phi tuyến, giới thiệu chi tiết mô hình mờ TS (Takagi-Sugeno); giới thiệu số thuật toán xây dựng cấu trúc mô hình mờ TS; phương pháp giải toán tối ưu hóa phi tuyến sử dụng phổ biến - Trình bày thuật toán điều khiển dự báo thích nghi bền vững dùng mô hình vào với tham số mô hình biến ngẫu nhiên - p dụng thuật toán điều khiển đối tượng bồn kép Mục đích luận văn đưa thuật toán điều khiển dự báo bền vững sử dụng mô hình mờ TS nội dung có liên quan đến vấn đề trình bày chi tiết, nội dung khác dừng lại mức giới thiệu nhằm tạo điều kiện cho hướng phát triển luận văn Luận văn không vào phân tích, so sánh ưu khuyết điểm điều khiển dự báo với phương pháp điều khiển truyền thống cho phương pháp có mặt mạnh yếu định áp dụng vào trường hợp cụ thể; đưa khuyến cáo chi tiết việc lựa chọn phương Trang -15 Hình 4.17: Đáp ứng hệ thống với Hp = Các thông số điều khiển trường hợp là: - Thời gian lấy mẫu: giây - Tầm điều khiển Hc = - ρ = 0.05 Thời gian thực thuật toán ứng với tầm điều khiển Hp 5, 10 20 86.6s, 190.8 s 318.3s 4.3.1.1 Trường hợp nhiễu cộng thêm vào ngõ hệ thống Nhiễu chọn cộng thêm vào ngõ hệ thống nhiễu trắng với trị trung bình zero, tốc độ biến đổi chậm Xem hình 4.18 Chương 4: p dụng thuật toán điều khiển đối tượng Trang -16 Hình 4.18: Nhiễu trắng Sơ đồ điều khiển hình 4.19: Hình 4.19: Bộ điều khiển NMPC có cộng nhiễu ngõ Như đề cập trên, mô hình sử dụng điều khiển xây dựng dựa thuật toán nhận dạng off-line, tham số mô hình ước lượng trường hợp lý tưởng hệ thống can nhiễu Vì cộng thêm nhiễu vào ngõ hệ thống làm cho tính chất hệ thống bị thay đổi dẫn đến Chương 4: p dụng thuật toán điều khiển đối tượng Trang -17 mô hình dự báo sai lệch so với đáp ứng hệ thống thật, điều ảnh hưởng đến chất lượng điều khiển Xem kết mô hình 4.20 Các thông số điều khiển: - Thời gian lấy mẫu: giây - Tầm điều khiển Hc = - Tầm dự báo Hp = 10 - ρ = 0.05 Hình 4.20: Đáp ứng điều khiển có nhiễu Để khắc phục sai số mô hình đạt hiệu tốt trình điều khiển, ta xây dựng điều khiển bền vững với thuật toán tối ưu hóa OLOFC cập nhật on-line thông số mô hình thời điểm lấy mẫu để giảm sai số dự báo tính chất hệ thống thay đổi theo thời gian ảnh hưởng nhiễu 4.3.2 p dụng thuật toán điều khiển dự báo bền vững hệ phi tuyến điều Chương 4: p dụng thuật toán điều khiển đối tượng Trang -18 khiển đối tượng Xây dựng điều khiển theo sơ đồ hình 4.21: Hình 4.21: Bộ điều khiển dự báo bền vững Trong hình 4.21, θ(k ) tập thông số mô hình thời điểm thứ k, tập thông số xây dựng sở tập thông số nhận dạng thuật toán off-line xem tập biến ngẫu nhiên Tại thời điểm lấy mẫu tập biến thông số ngẫu nhiên mô hình θ(k ) xây dựng lại cho phù hợp với thay đổi hệ thống thực nhờ thuật toán thích nghi on-line (dựa tiêu chuẩn lọc Kalman): θ j (k ) = θ j (k − 1) + L j (k )e j (k ) e j (k ) = yˆ(k ) − Ξ j (k )θ j (k − 1) L j (k ) = Pj (k − 1)Ξ Tj (k ) Ξ (k )Pj (k − 1)Ξ j (k ) + Q ω T j P(k | k − 1) = P(k − | k − 1) + Q ν Pj (k ) = I − L j (k )Ξ j (k ) Pj (k − 1) [ ] Trong đó: Chương 4: p dụng thuật toán điều khiển đối tượng Trang -19 - j = 10 (mô hình mờ TS gồm 10 luật) - θ j (k ) = [w j, (k ) w j,1 (k ) w j, (k )]T - Ξ j (k ) = [Φ j ([u, h ], c j , σ j ) u (k )Φ j ([u, h ], c j , σ j ) h (k )Φ j ([u, h ], c j , σ j )] , Φ j tính toán theo công thức (4.2) Để đơn giản hóa xây dựng chương trình, ta chọn thành phần Q ω nhiễu trắng Q ν = 0, tức thành phần P(k) số tầm dự báo Trong điều khiển bền vững, thuật toán tối ưu hóa OLOFC sử dụng để cực tiểu hóa hàm mục tiêu bền vững: Hp [ J Robust = ∑ (y(k + λ | k ) − r (k + λ)) λ=1 ]] [ + λ Ξ T (k + λ)P(k + λ | k )Ξ(k + λ) (4.5) Nếu bỏ qua ảnh hưởng h(k) thành phần thứ hai (4.5), ta đưa (4.5) dạng (4.4) sau: J Robust = Hp ∑ (y(k + t | k ) − r(k + t | k ))2 t =1 ρ = λ (P(k ) Φ([u , h ], c, σ )) H c −1 + ρ ∑ u (k + t | k ) t =0 (4.6) Sử dụng thuật toán Levenberg-Marquardt xây dựng 4.3.1 thay cho OLOFC với hàm mục tiêu bền vững (4.6), hệ số trọng số ρ số mà biến thiên theo thay đổi đặc tính hệ thống thực thời điểm lấy mẫu Mô hình nhiễu sử dụng điều khiển có dạng hình 4.18 Kết mô hình 4.22 Các thông số điều khiển: - Tầm điều khiển Hc = - Tầm dự báo Hp = 10 - Thời gian lấy mẫu giây Chương 4: p dụng thuật toán điều khiển đối tượng Trang -20 Hình 4.22: Đáp ứng điều khiển bền vững có nhiễu à Nhận xét 4.3 (Về điều khiển dự báo bền vững): - Giảm sai số mô hình hệ thống có nhiễu ngõ nhờ thuật toán thích nghi trực tuyến cập nhật lại thông số mô hình thời điểm lấy mẫu - Tín hiệu điều khiển đáp ứng kịp thời để kéo trạng thái hệ thống (bị ảnh hưởng nhiễu) gần với tín hiệu tham chiếu, giảm sai số xác lập cho hệ thống - Thời gian thực thuật toán chấp nhận Trong ví dụ thời gian 421.4s so với trường hợp điều khiển không bền vững 262.6s Quan sát đáp ứng hình 4.20 4.22 ta thấy đáp ứng h(k) hệ thống thực cải thiện đáng kể Nếu nhiễu cộng thêm ngõ mô hình biến đổi chậm so với thời gian lấy mẫu điều khiển, công suất nhiễu nhỏ, đáp ứng ngõ hệ thống hoàn toàn ổn định bền vững Xem hình 4.23 4.24 Chương 4: p dụng thuật toán điều khiển đối tượng Trang -21 Hình 4.23: Đáp ứng điều khiển NMPC có nhiễu Hình 4.24: Đáp ứng điều khiển NMPC bền vững có nhiễu Chương 4: p dụng thuật toán điều khiển đối tượng Trang -22 4.4 Nhận xét thuật toán điều khiển 4.4.1 Thuật toán điều khiển dự báo hệ phi tuyến Như trình bày mục 3.2 kết điều khiển hệ thống bồn kép mục 4.3, ta thấy khó khăn lớn xây dựng điều khiển thể ở: - Xác định đặc tính mô hình từ tìm mẫu liệu nhận dạng tốt - Xây dựng cấu trúc mô hình ước lượng thông số mô hình - Giải toán tối ưu hóa phi tuyến Việc sử dụng mô hình mờ theo sở luật Takagi Sugeno luận văn lựa chọn thích hợp, vì: - Xây dựng cấu trúc mô hình đơn giản - Việc ước lượng thông số mô hình chủ yếu dựa tập mẫu nhận dạng tốt mà không cần nhiều kinh nghiệm từ người thiết kế - Việc xây dựng mô hình cho hệ thống phi tuyến SISO luôn thành công, tức thông số mô hình luôn ước lượng - Sai số mô hình chấp nhận Trong điều khiển, thuật toán tối ưu hóa Lenvenberg-Marquart sử dụng để giải toán tối ưu phi tuyến hợp lý thuật toán tối ưu hóa hệ phi tuyến điển hình, ứng thực tế xây dựng thành thuật toán tối ưu phi tuyến ToolBox tối ưu MatLab Với đối tượng phi tuyến có quán tính lớn bồn kép, điều khiển dự báo phi tuyến đạt kết mục 4.3.1 tốt 4.4.2 Thuật toán điều khiển dự báo hệ phi tuyến bền vững Ưu điểm lớn thuật toán bền vững áp dụng luận văn thời gian thực thuật toán nhanh, thuật toán luôn có lời giải, không bị rơi Chương 4: p dụng thuật toán điều khiển đối tượng Trang -23 vào trạng thái phân kì, áp dụng triệt để thuật toán thích nghi on-line để cập nhật thông số mô hình thời điểm lấy mẫu thông số mô hình xem biến ngẫu nhiên không ràng buộc Kết mục 4.3.2 cho thấy thuật toán bền vững cải thiện đáng kể chất lượng điều khiển hệ thống, giữ cho tín hiệu cần điều khiển bám theo tín hiệu đặt, làm giảm sai số xác lập có nhiễu ngõ Chương 4: p dụng thuật toán điều khiển đối tượng Trang 5-1 5.1 Kết luận Qua kết mô thể chương 4, rút số kết luận sau: - Có thể dùng mô hình mờ Takagi-Sugeno để mô hình hóa cho đối tượng phi tuyến với sai số mô hình nhỏ - Phương pháp điều khiển dự báo áp dụng điều khiển tốt đối tượng phi tuyến có quán tính lớn, kết điều khiển đạt với độ vọt lố thấp thời gian xác lập nhanh - Thuật toán điều khiển bền vững với điều kiện giới hạn mềm rút ngắn thời gian thực hiện, kết điều khiển bền vững hệ thống có can nhiễu Ưu điểm lớn thuật toán việc sử dụng thuật toán thích nghi on-line để cập nhật thông số mô hình thời điểm lấy mẫu, điều làm giảm nhanh sai số mô hình đặc tính hệ thống thực biến đổi theo thời gian ảnh hưởng nhiễu, nhiệt, góp phần làm tăng tính bền vững điều khiển - Việc hiệu chỉnh thông số điều khiển dự báo đơn giản - Bộ điều khiển không bị ảnh hưởng nhiều giá trị đặt Bên cạnh ưu điểm trên, xây dựng điều khiển dự báo thường gặp khó khăn sau: - Xây dựng liệu nhận dạng từ hệ thống thực phản ánh toàn tính chất hệ thống - Giải toán tối ưu hóa phải cần đến hỗ trợ máy tính mạnh, cản trở lớn áp dụng thuật toán điều khiển hệ thống nhỏ 5.2 Hướng phát triển luận văn Trong luận văn cố gắng trình bày tổng quan lónh vực điều khiển dự báo song nhiều vấn đề quan trọng chưa đề cập Chương 5: Kết luận Trang 5-2 đến giới hạn khả năng, thời gian, tài liệu tham khảo, giới hạn đề tài nghiên cứu Do đó, có điều kiện thời gian hai vấn đề quan trọng sau cần tiếp tục nghiên cứu phát triển: - Thuật toán nhận dạng mô hình: mô hình mờ TS áp dụng thành công việc nhận dạng đối tượng phi tuyến luận văn, mô hình xây dựng với sở luật tuyến tính, điều hoàn toàn phù hợp áp dụng thuật toán điều khiển bền vững với giới hạn mềm (soft bound) Tuy nhiên triển khai áp dụng thuật toán điều khiển bền vững với giới hạn cứng (hard bound) việc lựa chọn sở luật tuyến tính với tham số mô hình rời rạc gặp nhiều khó khăn việc xác định không gian giới hạn thông số mô hình đồng thời áp dụng thuật toán LMI (Linear Matrix Inequality), thuật toán ứng dụng nhiều điều khiển dự báo bền vững Để áp dụng thuật toán LMI sở luật mô hình mờ TS phải mô tả dạng biến trạng thái áp dụng phương pháp tuyến tính hóa mô trình bày mục 3.2.3.2, hướng phát triển luận văn - Thuật toán giải toán tối ưu hóa phi tuyến: Mặc dù phương pháp Levenberg-Marquart phương pháp điển hình để giải toán tối ưu phi tuyến, phương pháp Branch-and-Bound phương pháp tuyến tính hóa mô hình phi tuyến áp dụng nhiều điều khiển dự báo phi tuyến, có điều kiện nghiên cứu chi tiết triển khai áp dụng thuật toán này, từ đưa nhận xét thực tế ưu khuyết điểm phương pháp tạo điều kiện tốt cho việc áp dụng lónh vực điều khiển dự báo vào thực tế Và cuối hướng phát triển luận văn nghiên cứu áp dụng thuật toán LMI điều khiển dự báo bền vững Chương 5: Kết luận TÀI LIỆU THAM KHẢO [1] Ton J.J van de Boom, Ton C.P.M Backx (2001) Model Predictive Control Lecture Notes [2] Martin Fischer, Oliver Nelles, Alexander Fink (1999) Adaptive Fuzzy Model-Based Control IEEE transaction [3] Yugender Chikkula, Jay H Lee (2000) Robust Adaptive Control of Nonlinear Processes Using Input-Output Models Submitted Industrial and Engineering Chemistry Research [4] Oliver Nelles, Alexander Fink, Rolf Isermann (2000) Local Linear Model Tree ToolBox for Nonlinear System Identification IEEE Transaction, Fuzzy Systems [5] Hao Ying (1998) General SISO Takahi-Sugeno Systems with Linear Rule Consequent Are Universal Approximators IEEE Transaction, Fuzzy Systems [6] Oliver Nelles, Alexander Fink, Robert Babuska, Magne Setnes (1999) Comparison of Two Construction Algorithms for Takagi-Sugeno Fuzzy Models IEEE Transaction, Fuzzy Systems [7] H T Hoang, N T Loan, N T P Ha (2002) Điều khiển dự báo hệ phi tuyến dựa vào mô hình mờ Kỷ yếu hội nghị toàn quốc lần tự động hóa, Hà Nội [8] Alberto Bemporad, Manfred Morari (1999) Robust Model Predictive Control: A Survey IEEE [9] Yu Tang, Daniel Velez -Diaz (6-2003) Robust Fuzzy Control of Mechanical Systems IEEE Transactions, Fuzzy System [10] J.A Roubos, R Babuska, P.M Bruijn, H.B Verbruggen (1999) Predictive Control by Local Linearization of A Takagi-Sugeno Fuzzy Model IEEE [11] Drago Matko (1998) Systematic Approach to Nonlinear Modelling Using Fuzzy Techniques IEEE [12] Wei-Ling Chiang, Li-Teh Lu, Cheng-Gu-Chen, Ken Yeh (2000).Stability Analysis of T-S Fuzzy Models for Nonlinear Multiple Time-Delay Interconnected Systems IEEE Transaction, Fuzzy System [13] J Abonyi, R Babuska, L.F.A Wessels, H.B Verbruggen, F Szeifert (1999) Fuzzy Modelling and Model Based Control With Use of A Priori Knowledge IEEE [14] Eric C Kerrigan (2000) Robust Constraint Satisfaction: Invariant Sets and Predictive Control Thesis PhD [15] J.A Roubos, S Mollov, R Babuska, H.B Verbruggen (1999) Fuzzy Model-Based Predictive Control Using Takagi-Sugeno Models IEEE [16] Pascal Grieder, Pablo A Parrilo, Manfred Morari (07-2003) Robust Receding Horizon Control - Analysis and Sunthesis IEEE [17] Mayuresh V Kothare, V Balakrisknan, Manfred Morari (1995) Robust Constraned Model Predictive Control Using Linear Matrix Inequalities IEEE [18] Rolf Findeisen, Frank Allgower (2001) An Introduction to Nonlinear Model Predictive Control IEEE transaction on Fuzzy Systems [19] S Joe Qin, Thomas A Badgwell (2000) An Overview of Nonlinear Predictive Control Applications IEEE [20] Jonas B Waller, Jinglu Hu, Kotaro Hirasawa (2000) Nonlinear Model Predictive Control IEEE [21] B.A Ogunnaike, R.A Wright (1997) Industrial Applications of Nonlinear Control Fifth International Conference on Chemical Process Control [22] R Babuska, J.M Sousa, H.B Verbruggen (2000) Predictive Control of Nonlinear Systems Based on Fuzzy and Neural Models IEEE TOÙM TẮT LÝ LỊCH TRÍCH NGANG Họ tên: Trần Viết Thắng Ngày, tháng, năm sinh: 30 -1 - 1974 Địa liên lạc: Nơi sinh: Sóc Trăng 402 lô A5 chung cư Nguyễn Đình Chiểu Tp HCM QUÁ TRÌNH ĐÀO TẠO: 1992-1997: Học Đại học trường Đại học Cần Thơ 2001- 2003: Học Cao học Trường Đại học Bách Khoa Tp HCM QUÁ TRÌNH CÔNG TÁC: 1997 – 2000: Giáo viên khoa Công nghệ thông tin trường đại học Cần Thơ 2000 – 2002: Cán nghiên cứu Viện nghiên cứu điện tử tin học tự động hóa 2002 đến nay: Giảng viên trường đại học Dân Lập Kỹ Thuật Công Nghệ thành phố Hồ Chí Minh ... lược điều khiển dự báo hệ phi tuyến dùng mô hình nội 3-36 3.3 Thuật toán điều khiển dự báo bền vững hệ phi tuyến dùng mô hình mờ TS 3-38 3.3.1 Thuật toán điều khiển bền vững dùng mô hình. .. chọn đề tài "Điều khiển dự báo bền vững hệ phi tuyến dựa vào mô hình mờ" hoàn toàn phù hợp với xu hướng nghiên cứu điều khiển dự báo nay, mô hình chọn mô hình mờ Takagi-Sugeno, mô hình hai tác... khiển dự báo; số mô hình sử dụng điều khiển dự báo: mô hình vào tổng quát, mô hình đáp ứng bước, mô hình đáp ứng xung, mô hình đa thức, mô hình mờ; phương pháp giải toán điều khiển dự báo, mô hình