Tên đề tài luận án tiến sĩ: 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 và Tự động hóa

Mã số: 62.52.02.16

Khóa đào tạo: 2009 - 2013

Họ và tên NCS: Lê Thị Huyền Linh

Họ và tên người hướng dẫn khoa học: PGS. TS. Lại Khắc Lãi

Đơn vị đào tạo: Trường Đại học Kỹ thuật Công nghiệp

Cơ sở đào tạo: Đại học Thái Nguyên

NHỮNG KẾT QUẢ MỚI CỦA LUẬN ÁN

Luận án đã có những đóng góp mới sau:

1. Đề xuất phương pháp nhận dạng nhiễu cho hệ thống có trễ trong điều khiển trên cơ sở mô hình song song, trong đó các mạng nơron RBF được 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 được hai định lý về các điều kiện đủ, đảm bảo quá trình nhận dạng hội tụ cho hai trường hợp riêng biệt: trường hợp hệ thống có một nhiễu tác động và trường hợp hệ thống đồng thời chịu nhiều nhiễu tác động. Đã thu được 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 tượng điều khiển và vectơ trạng thái của mô hình.
3. Đề xuất giải pháp bù trừ nhiễu cho lớp đối tượng có trễ trên cơ sở các kết quả nhận dạng. Xây dựng được cấu trúc của kênh bù trừ nhiễu; thu được điều kiện ứng đối đảm bảo bù được các nhiễu tác động đồng thời lên hệ thống. Các kết quả mới về nhận dạng nhiễu và bù nhiễu có thể được 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 được phương pháp tổng hợp hệ thống điều khiển IMPC cho lớp đối tượng có trễ trong điều khiển. Tích hợp bộ điều khiển IMPC với bộ nhận dạng nhiễu trên cơ sở mạng nơron RBF và kênh bù trừ nhiễu, làm cho hệ thống vừa đáp ứng tiêu chuẩn tối ưu, vừa có tính thích nghi, kháng nhiễu.
5. Tổng hợp được bộ nhận dạng nhiễu và kênh bù nhiễu, xây dựng thành công hệ thống IMPC vừa tối ưu vừa có khả năng thích nghi và kháng nhiễu cho tháp (bình) phản ứng khuấy trộn liên tục CSTR.

KHẢ NĂNG ỨNG DỤNG TRONG THỰC TIỄN VÀ NHỮNG VẤN ĐỀ CẦN TIẾP TỤC NGHIÊN CỨU

* Khả năng ứng dụng thực tiễn:

-  Ứng dụng mạng nơron RBF để nhận dạng nhiễu phi tuyến bất định đối với lớp các đối tượng phi tuyến có trễ trên kênh điều khiển, có nhiễu phụ thuộc trạng thái.

-  Mở ra khả năng tích hợp bộ điều khiển IMPC với bộ nhận dạng nhiễu và bù nhiễu đối với lớp các đối tượng có trễ thường gặp nhiều trong công nghệ thực phẩm, hóa chất, lọc dầu....

-  Bổ sung luật cập nhật trọng số mới cho mạng nơron RBF trong toolbox của MATLAB.

* Vấn đề cần tiếp tục nghiên cứu:

-  Nghiên cứu ứng dụng kết quả nghiên cứu vào giải quyết các bài toán điều khiển trong lĩnh vực quá trình sản xuất thực tế...

- Phân tích và tổng hợp hệ thống IMPC cho lớp đối tượng có trễ dưới tác động của các dạng nhiễu khác cho lớp đối tượng phi tuyến có trễ khác và có ràng buộc.

INFORMATION OF DOCTORAL DISSERTATION

Research title: Applied research of modern control theory to establish nonlinear model predictive control

Speciality:  Control Engineering and Automation

Code: 62.52.02.16

Ph.D candidate: Le Thi Huyen Linh

Training course: 2009 - 2013

Scientific supervisor:  Assoc. Prof. Lai Khac Lai, PhD.

Training institution: College of Technology - Thai Nguyen University

THE NEW SCIENTIFIC FINDINGS

The dissertation has the following new contributions:

1. The disturbance identification method for time-delay dependent system in control based on parallel model fundamental has been suggested, where neural networks RBF are employed to approximate uncertain nonlinear disturbance function since these networks have simple structure and ability to be approximated all-around with arbitrary accuracy.
2. Two theorems of the sufficiency conditions are proved to ensure the convergent identification process for 2 different cases: system with single impact of disturbance and multiple disturbances. The updating weight law for RBF neural networks maintains both the convergence and high feasibility since the speed of adjusting weight only depends on the error vector between state of control object and state vector of model.
3. The compensating disturbance method for time-delay dependent object bases on identification results. The structure of compensating disturbance channel is established. The corresponding condition maintains the compensation of multiple disturbances affecting concurrently to system. The new archieved results of indentifying and compensating disturbances might to be applied not only for IMPC systems but also for other systems with different control laws.
4. The method to synthetize IMPC control system for time-delay dependent object class in control has been established. IMPC controller is integrated with identifying disturbance based on RBF neural network and the compensating disturbance channel. That makes the system both satisfying optimal standardization and having adaptive, interference resistance.
5. The identifying disturbance package and compensating disturbance channel are synthesized. IMPC system is successfully established with adaptive ability and interference resistance for continuous stirred tank reaction CSTR

PRACTICAL APPLICATIONS AND THE NEEDS FOR FURTHER STUDIES

* Applicability in practice:

-  Applying neural network RBF to indentify the uncertain nonlinear disturbance of time-delay dependent objects class on control channel which has state dependent disturbance.

- Enabling the ability to integrate IMPC controller with disturbance identification and compensating of class of common time-delay dependent objects in food technology, chemistry, oil filtration...

-  Adding new weight updated law for the neural network RBF in the MATLAB toolbox.

* Issues needing for further studies:

-  Applying study results into solving control problems in practical production process...

Analyzing and synthesizing IMPC system for class of time-delay dependent objects under effects of different disturbances for other class of nonlinear time-delay dependent objects and with constrains.