Điều khiển hệ phi tuyến dùng thuật toán mờ/ nơ rôn thích nghi kết hợp với giải thuật toán tối ưu hóa nâng cao :Báo cáo tổng kết đề tài Khoa học Cấp Trường

BỘ CÔNG THƯƠNG

ĐẠI HỌC CÔNG NGHIỆP THÀNH PHỐ HỒ CHÍ MINH

BÁO CÁO TỔNG KẾT ĐỀ TÀI KHOA HỌC

KẾT QUẢ THỰC HIỆN ĐỀ TÀI

NGHIÊN CỨU KHOA HỌC CẤP TRƯỜNG

Tên đề tài: Điều khiển hệ phi tuyến dùng thuật toán mờ/nơ rôn thích nghi kết

hợp với giải thuật tối ưu hóa nâng cao

Mã số đề tài: 19.3ÐT01

Chủ nhiệm đề tài: ThS. NCS Cao Văn Kiên

Đơn vị thực hiện: Khoa Công nghệ Điện tử

Tp. Hồ Chí Minh, 2020

1

LỜI CÁM ƠN

Nghiên cứu này được tài trợ bởi Trường Đại học Công Nghiêp Tp.HCM với mã số đề tài

19.3ÐT01

Nhóm tác giả trân trọng cảm ơn sự hỗ trợ tạo điều kiện của Phòng Quản lý khoa học và Hợp

tác quốc tế; Cảm ơn sự động viên, hỗ trợ của Lãnh đạo Khoa Công nghệ Điện tử; Cảm ơn

sự giúp đỡ, ủng hộ về tinh thần của quý đồng nghiệp để thực hiện đề tài.

Trân trọng cảm ơn!

Nhóm tác giả

2

PHẦN I. THÔNG TIN CHUNG

I. Thông tin tổng quát

1.1. Tên đề tài: Điều khiển hệ phi tuyến dùng thuật toán mờ/nơ rôn thích nghi kết hợp

với giải thuật tối ưu hóa nâng cao

1.2. Mã số: 19.3ÐT01

1.3. Danh sách chủ trì, thành viên tham gia thực hiện đề tài

TT

Họ và tên

(học hàm, học vị) Đơn vị công tác Vai trò thực hiện đề tài

1 Ths.NCS Cao Văn Kiên Khoa CN Điện tử - ĐH

Công Nghiệp TP Hồ Chí

Minh

Chủ nhiệm đề tài

2 TS Nguyễn Ngọc Sơn Khoa CN Điện tử - ĐH

Công Nghiệp TP Hồ Chí

Minh

Tham gia

1.4. Đơn vị chủ trì: Khoa Công nghệ Điện tử

1.5. Thời gian thực hiện:

1.5.1. Theo hợp đồng: từ tháng 10 năm 2019 đến tháng 10 năm 2020

1.5.2. Gia hạn (nếu có): đến tháng….. năm…..

1.5.3. Thực hiện thực tế: từ tháng 10 năm 2019 đến tháng 08 năm 2020

1.6. Những thay đổi so với thuyết minh ban đầu (nếu có):

(Về mục tiêu, nội dung, phương pháp, kết quả nghiên cứu và tổ chức thực hiện; Nguyên

nhân; Ý kiến của Cơ quan quản lý)

1.7. Tổng kinh phí được phê duyệt của đề tài: 80 triệu đồng.

II. Kết quả nghiên cứu

1. Đặt vấn đề

Bài toán nhận dạng và điều khiển các hệ phi tuyến đa biến dựa trên mô hình toán học

chặt chẽ ngày càng tỏ ra bế tắc, do tính phi tuyến phức tạp của hệ phi tuyến đa biến được

khảo sát, do các yếu tố không ổn định (uncertainties) bên trong và của cả môi trường ngoài

hệ thống. Vì thế ngày càng có nhiều nghiên cứu tập trung vào các mô hình và các bộ ước

lượng và điều khiển ứng dụng tính toán mềm dựa trên mạng nơ rôn hoặc logic mờ.

Phát triển từ các thành tựu gần đây, đề tài này sẽ phát triển và khai thác mô hình mờ

thích nghi ứng dụng trong điều khiển hệ phi tuyến đa biến nhiều ngõ vào, nhiều ngõ ra

(MIMO). Cấu trúc mô hình mờ thích nghi với các thông số được tối ưu bởi giải thuật tính

toán tối ưu mềm, bằng cách cực tiểu hàm chỉ tiêu chất lượng có dạng bình phương sai số

nhỏ nhất (LMSE). Để đảm báo chất lượng, tính ổn định của bộ điều khiển được chứng minh

dựa theo lý thuyết ổn định Lyapunov.

Các hệ phi tuyến đa biến tiêu biểu như robot dạng người, tay máy cơ bắp nhân tạo

(PAM), mô hình phi tuyến có trễ bồn nước liên kết đôi [15] sẽ được lựa chọn làm mô hình

3

phi tuyến đa biến MIMO thực chứng để kiểm chứng thực nghiệm tính ưu việt của các giải

thuật được đề xuất.

a) Tình hình nghiên cứu quốc tế

Từ khi Zadeh đề xuất mô hình mờ Fuzzy năm 1965, đã có rất nhiều nghiên cứu trong

lĩnh vực này. Mô hình Fuzzy được áp dụng trong rất nhiều lĩnh vực như y học, kỹ thuât, tài

chính, thống kê, v.v. [1]. Trong chuyên ngành điều khiển thông minh, giải thuật Fuzzy đã

ứng dụng thành công trong các mảng điều khiên, nhận dạng, phân lớp, phân nhóm,...

Hiện tại, có rất nhiều nghiên cứu về lĩnh vực nhận dạng với đủ các cách tiếp cận từ kinh

điển tới những phương pháp ứng dụng giải thuật thông minh, như mạng thần kinh Neural

[2], [3] hay mô hình Fuzzy [4], [5]. Một trong những bài toán lớn trong lĩnh vực nhận dạng

thông minh chính là nhận dạng mô hình phi tuyến đa biến nhiều ngõ vào, nhiều ngõ ra

(MIMO-Multiple Inputs Multiple Outputs) bởi sự phức tạp và nhiều yếu tố không chắc chắn

(uncertainties) kèm theo.

Mô hình MIMO phi tuyến đa biến rất khó để nhận dạng dựa vào các quan hệ toán học.

Để khắc phục nhược điểm đó cũng như lợi dụng khả năng tính toán của máy tính, các công

cụ tính toán tối ưu tiến hóa như GA, PSO đã được áp dụng trong việc nhận dạng tối ưu các

mô hình nhận dạng thông minh như mạng Neural hay mô hình Fuzzy. Tuy nhiên các giải

thuật GA, PSO đều có những hạn chế như thuật toán PSO tuy đơn giản, dễ lập trình, nhưng

dễ bị rơi vào cực trị cục bộ; thuật toán GA cho kết quả toàn cục tốt, nhưng mất nhiều thời

gian tính toán [17]. Gần đây, giải thuật tiến hoá vi sai (Differential Evolution - DE) [6] đang

trở nên phổ biến trong lĩnh vực tính toán tối ưu. Nó cho kết quả tối ưu toàn cục và có thời

gian tính toán ít hơn so với thuật toán GA [16], [18]. Trong đề tài này, giải thuật DE sẽ được

ứng dụng để tối ưu mô hình mờ thích nghi dùng cho bài toán điều khiển các hệ đa biến

MIMO phi tuyến.

Trong những năm gần đây, mô hình mờ Takagi-Sugeno [7] được ứng dụng rộng rãi

trong nhiều lĩnh vực nhận dạng và điều khiển. Các tác giả trong [8] đã đề xuất một giải thuật

huấn luyện mô hình Fuzzy T-S dùng phương pháp di truyền phân cấp (Hierarchical Genetic

Algorithm - HGA). Các tác giá trong [9] sử dụng GA để huấn luyện mô hình mờ áp dụng

vào bài toán nhận dạng một số mô hình phi tuyến trong môi trường Matlab/Simulink. Các

tác giả trong bài báo [10], [11] sử dụng giải thuật tối ưu bầy đàn PSO để tối ưu cấu trúc mô

hình Fuzzy trong bài toán phân lớp.

Giải thuật Fuzzy đang được sử dụng rộng rãi trong nhận dạng hệ phi tuyến SISO và

MIMO, nhưng đó mới chỉ áp dụng cho mô hình có cấu trúc đơn giản. Đối với các mô hình

phức tạp thực tế, thiết kế mô hình mờ yêu cầu phải có thời gian tính toán lâu hơn do có

nhiều hàm liên thuộc cùng số lượng luật mờ phức tạp. Các tác giả trong [3] sử dụng giải

thuật MGA huấn luyện mô hình Fuzzy NARX dung nhận dạng sợi cơ khí nén nhân tạo ứng

dụng trong robot dịch vụ. Các tác giả trong [12] giới thiệu sơ đồ Fuzzy nhiều lớp như là một

phần của mảng Fuzzy-Neural.

Mô hình Fuzzy nhiều lớp là một trong các phân lớp thuộc mảng Fuzzy-Neural [13],

[14]. Không như mô hình Fuzzy cổ điển, mô hình Fuzzy nhiều lớp rất khó xây dựng dựa

4

trên kinh nghiệm của người thiết kế, nó thường chỉ có thể được tạo ra hoặc được huấn luyện

với các giải thuật tính toán tối ưu mềm. Nó có thể được áp dụng hiệu quả để nhận dạng các

hệ MIMO phức tạp và dễ dàng thay đổi cấu trúc, với độ phức tạp mô hình chỉ tỉ lệ thuận

theo độ phức tạp của đối tượng MIMO phi tuyến. Tác giả của [14] sử dụng mô hình Fuzzy

nhiều lớp trong điều khiển hệ thống con lắc ngược trên xe đẩy qua mô phỏng

Matlab/Simulink.

b) Tình hình nghiên cứu trong nước

Trong nước, cũng có nhiều phòng thí nghiệm nghiên cứu mạnh về lĩnh vực điều khiển

ứng dụng mô hình mờ thích nghi như: V.T. Yen và cộng sự [18], [19] sử dụng mô hình mờ

thích nghi hồi qui và mô hình nơ ron thích nghi điều khiển hệ robot công nghiệp. Nhóm tác

giả Sy Dung Nguyen và cộng sự [20-22] sử dụng mô hình ANFIS trong ứng dụng điều

khiển hệ giảm chấn. Nhóm tác giả Cao Văn Kiên, Nguyễn Ngọc Sơn và Hồ Phạm Huy Ánh

[23-27] cũng đã có những nghiên cứu sơ khởi về hướng đề tài kết hợp giữa các thuật toán

thích nghi và giải thuật tối ưu được công bố trong các năm gần đây như bài báo [23] kết hợp

giải thuật lai giữa thuật toán LQR kết hợp mô hình mờ và giải thuật tối ưu. Bài báo [24] áp

dụng giải thuật điều khiển mờ thích nghi kết hợp thuật toán tối ưu DE. Bài báo [25],[27] áp

dụng giải thuật tối ưu nhận dạng tham số mô hình mờ, nơ ron để mô tả đặc tính toán học của

các mô hình phi tuyến. Bài báo [26] áp dụng kỹ thuật điều khiển nơ ron thích nghi điều

khiển hệ tay máy PAM.

c) Đánh giá kết quả các công trình nghiên cứu đã công bố

Tuy nghiên các công trình nghiên cứu chỉ áp dụng phương pháp điều khiển thích nghi

dựa vào lý thuyết ổn định Lyapunov có cải tiến. Hướng tiếp cận áp dụng cả giải thuật điều

khiển thích nghi kết hợp giải thuật tính toán mềm tối ưu vẫn còn chưa được quan tâm

nghiên cứu mạnh.

Nhóm nghiên cứu cũng đã có cơ sở làm thành công giải thuật điều khiển thích nghi kết

hợp giải thuật tính toán tối ưu điều khiển cho hệ SISO. Đây là cơ sở để nhóm tiếp tục

nghiên cứu nâng cao giải thuật áp dụng cho hệ MIMO sắp tới.

d) Tính cấp thiết tiến hành nghiên cứu

Các hệ phi tuyến đa biến luôn ẩn chứa nhiều yếu tố bất định rất khó nhận dạng và điều

khiển. Vì vậy, các hệ thống điều khiển thông thường được thiết kế dựa trên mô hình toán

học của hệ vật lý truyền thống ngày càng tỏ ra hạn chế khi áp dụng cho các hệ phi tuyến đa

biến nói chung.

Bài toán nhận dạng và điều khiển các hệ phi tuyến đa biến, cho đến nay vẫn đang là bài

toán lớn được nhiều nhà khoa học trong nước và thế giới quan tâm. Đặc biệt những năm gần

đây, các mô hình tính toán mềm (dùng lô gic mờ, mạng nơ rôn, thuật toán tiến hóa DE)

được ứng dụng nhiều để nhận dạng và điều khiển các hệ phi tuyến đa biến. Các kết quả

nghiên cứu vài năm gần đây cho thấy tuy đã có nhiều công trình sử dụng các mô hình mờ

Fuzzy khác nhau để nhận dạng và điều khiển các hệ phi tuyến đa biến MISO và MIMO,

riêng mô hình mờ thích nghi kết hợp giải thuật tính toán mềm tối ưu, cho đến vài năm gần

đây, vẫn chưa được quan tâm nghiên cứu đầy đủ.

5

Từ thực tế đó, đề tài đề xuất mô hình mờ thích nghi với các trọng số được tối ưu bởi giải

thuật tối ưu, mang tính cấp thiết và tính mới rất cao, do vừa đáp ứng tính ứng dụng cho việc

điều khiển chính xác hệ cơ phi tuyến đa biến đang được dùng ngày càng nhiều trong mọi

lãnh vực (kinh tế, sản xuất, khoa học công nghệ,..), mà còn vừa có thể đề xuất, thông qua

các bài báo công bố trên các tạp chí quốc tế ISI (SCI/SCIE), các mô hình, giải thuật và các

phương pháp điều khiển thích nghi nâng cao mới nhất và hiệu quả nhất dựa trên mô hình

mờ. Qua đó có thể sử dụng rộng rãi trong các ứng dụng điều khiển nâng cao bền vững và

chính xác các hệ phi tuyến MIMO đa biến đang ngày càng phổ cập hiện nay.

Tài liệu tham khảo

[1] Zadeh, L. A. (1965). Fuzzy sets. Information and control, 8(3), 338-353.

[2] N. N. Son and H. P. H. Anh, “Adaptive MIMO neural network model optimized by differential

evolution algorithm for manipulator kinematic system identification,” in 2014 International

Conference on Automatic Control Theory and Application (ACTA- 14). Atlantis Press, 2014.

[3] H. P. H. Anh and K. K. Ahn, “Identification of pneumatic artificial muscle manipulators by a

MGA-based nonlinear NARX fuzzy model,” Mechatronics, vol. 19, pp. 106–133, 2009.

[4] O. Nelles, Nonlinear system identification: from classical approaches to neural networks and

fuzzy models. Springer Science & Business Media, 2013.

[5] Y. J. Liu, Y. Gao, S. Tong, and Y. Li, “Fuzzy approximation-based adaptive backstepping

optimal control for a class of nonlinear discrete-time systems with dead-zone,” IEEE

Transactions on Fuzzy Systems, vol. 24, pp. 16–28, Feb 2016.

[6] R. Storn and K. Price, “Differential evolution–a simple and efficient heuristic for global

optimization over continuous spaces,” Journal of global optimization, vol. 11, no. 4, pp. 341–

359, 1997.

[7] T. Takagi and M. Sugeno, “Fuzzy identification of systems and its applications to modeling

and control,” IEEE Transactions on Systems Man and Cybernetics, vol. SMC-15, 01 1985.

[8] J. Mendes, R. Araújo, and F. Souza, “Adaptive fuzzy identification and predictive control for

industrial processes,” Expert Systems with Applications, vol. 40, no. 17, pp. 6964–6975,

2013.

[9] K. Łapa, K. Cpałka, and P. Koprinkova-Hristova, “New Method for Fuzzy Nonlinear

Modelling Based on Genetic Programming,” Springer International Publishing, pp. 432–449,

2016.

[10] T. Chen, Q. Shen, P. Su, and C. Shang, “Fuzzy rule weight modification with particle swarm

optimisation,” Soft Computing, vol. 20, no. 8, pp. 2923–2937, 2016.

[11] V. Jeyalakshmi and P. Subburaj, “PSO-scaled fuzzy logic to load frequency control in

hydrothermal power system,” Soft Computing, vol. 20, no. 7, pp. 2577–2594, 2016.

[12] J. Vieira, F. M. Dias, and A. Mota, “Neuro-fuzzy systems: a survey,” in 5th WSEAS NNA

International Conference, 2004.

6

[13] C.-T. Lin and C. Lee, “Neural fuzzy systems: a neuro-fuzzy synergism to intelligent systems.”

Prentice-Hall, Inc., 1996.

[14] K.-Y. Tu, T.-T. Lee, and W.-J. Wang, “Design of a multi-layer fuzzy logic controller for

multi-input multi-output systems,” Fuzzy Sets and Systems, vol. 111, 2000.

[15] Quanser, “Coupled tanks.” http://www.quanser.com/products/coupled_tanks

[16] Kachitvichyanukul, Voratas. "Comparison of three evolutionary algorithms: GA, PSO, and

DE." Industrial Engineering and Management Systems, Vol. 11, No. 3, pp. 215-223, 2012.

[17] Rania Hassan, Babak Cohanim, Olivier de Weck, and Gerhard Venter. "A Comparison of

Particle Swarm Optimization and the Genetic Algorithm", 46th AIAA/ ASME/ ASCE/ AHS/

ASC Structures, Structural Dynamics and Materials Conference, Structures, Structural

Dynamics, and Materials and Co-located Conferences, http://dx.doi.org/10.2514/6.2005-1897.

[18] Yen, V. T., Nan, W. Y., & Van Cuong, P. (2018). Recurrent fuzzy wavelet neural networks

based on robust adaptive sliding mode control for industrial robot manipulators. Neural

Computing and Applications, 1-14.

[19] Yen, V. T., Nan, W. Y., & Van Cuong, P. (2019). Robust adaptive sliding mode neural

networks control for industrial robot manipulators. International Journal of Control,

Automation and Systems, 17(3), 783-792.

[20] Nguyen, S. D., Choi, S. B., & Nguyen, Q. H. (2018). A new fuzzy-disturbance observer￾enhanced sliding controller for vibration control of a train-car suspension with magneto￾rheological dampers. Mechanical Systems and Signal Processing, 105, 447-466.

[21] Nguyen, S. D., & Seo, T. I. (2018). Establishing ANFIS and the use for predicting sliding

control of active railway suspension systems subjected to uncertainties and disturbances.

International Journal of Machine Learning and Cybernetics, 9(5), 853-865.

[22] Nguyen, S. D., Vo, H. D., & Seo, T. I. (2017). Nonlinear adaptive control based on fuzzy

sliding mode technique and fuzzy-based compensator. ISA transactions, 70, 309-321.

[23] Son, N. N., Kien, C. V., & Anh, H. P. H. (2019). Uncertain nonlinear system control using

hybrid fuzzy LQR-sliding mode technique optimized with evolutionary algorithm.

Engineering Computations.

[24] Van Kien, C., Son, N. N., & Anh, H. P. H. (2019). Adaptive Fuzzy Sliding Mode Control for

Nonlinear Uncertain SISO System Optimized by Differential Evolution Algorithm.

International Journal of Fuzzy Systems, 21(3), 755-768.

[25] Van Kien, C., Anh, H. P. H., & Nam, N. T. (2018). Cascade training multilayer fuzzy model

for nonlinear uncertain system identification optimized by differential evolution algorithm.

International Journal of Fuzzy Systems, 20(5), 1671-1684.

[26] Anh, H. P. H., Son, N. N., & Van Kien, C. (2018). Adaptive neural compliant force-position

control of serial PAM robot. Journal of Intelligent & Robotic Systems, 89(3-4), 351-369.

7

[27] Son, N. N., Anh, H. P. H., & Chau, T. D. (2018). Adaptive neural model optimized by

modified differential evolution for identifying 5-DOF robot manipulator dynamic system. Soft

Computing, 22(3), 979-988.

2. Mục tiêu

a) Mục tiêu tổng quát.

Đề tài nghiên cứu nhằm cố gắng phát triển các mô hình mờ hoặc nơ ron thích nghi kết

hợp giải thuật tính toán mềm tối ưu với các thông số được tối ưu bằng các thuật toán lai tiến

hóa nâng cao (Hybrid Enhanced Evolutionary Algorithms) nhằm giúp điều khiển các hệ phi

tuyến đa biến được khảo sát. Bộ điều khiển đề xuất được chứng minh ổn định dùng lý

thuyết Lyapunov.

b) Mục tiêu cụ thể.

 Khảo sát các nghiên cứu liên quan, đề xuất giải thuật điều khiển dựa vào mô hình mờ

hoặc nơ ron thích nghi kết hợp giải thuật tính toán mềm tối ưu.

 Chứng minh tính ổn định, bền vững của bộ điều khiển đề xuất.

 Mô phỏng kiểm chứng chất lượng bộ điều khiển trên các hệ phi tuyến MIMO thông

dụng; so sánh và thống kê với các nghiên cứu khác để chứng tỏ hiệu quả của bộ điều

khiển đề xuất.

3. Phương pháp nghiên cứu

1.1Nội dung 1: Đề xuất bộ điều khiển thích nghi cho hệ MIMO dựa vào mô hình mờ/nơ rôn

kết hợp giải thuật tối ưu nâng cao.

 Cách tiếp cận: Dựa trên các bài báo quốc tế có hướng nghiên cứu tương tự.

 Phương pháp nghiên cứu, kỹ thuật sử dụng: Tham khảo các bài báo quốc tế tương tự, từ

đó đưa ra được hàm Lyapunov, chứng minh toán học được hệ kín ổn định.

 Kết quả dự kiến: Hoàn thành chứng minh toán học tính ổn định của giải thuật dựa trên lý

thuyết ổn định Lyapunov.

1.2Nội dung 2: Mô phỏng kiểm chứng giải thuật điều khiển đề xuất

 Cách tiếp cận: Mô phỏng trên phần mềm.

 Phương pháp nghiên cứu, kỹ thuật sử dụng: Sử dụng phần mềm Matlab mô phỏng giải

thuật điều khiển áp dụng cho một hệ phi tuyến MIMO phổ biến.

 Kết quả dự kiến: Mô phỏng thành công giải thuật, là tiền đề để áp dụng giải thuật vào

thực nghiệm.

1.3Nội dung 3: Kiểm chứng thực nghiệm

8

 Cách tiếp cận: Tham khảo các mô hình đã có trên thế giới, dựa trên đó xây dựng lại mô

hình thực nghiệm; Áp dụng kết quả mô phỏng từ phần mềm Matlab, áp dụng vào điều

khiển mô hình thực.

 Phương pháp nghiên cứu, kỹ thuật sử dụng: Thiết kế mô hình trên phần mềm, sau đó

làm mô hình với các chi tiết được hoàn thiện.

 Kết quả dự kiến: Hoàn thiện mô hình phần cứng; Kiểm chứng giải thuật điều khiển đề

xuất; phân tích, thống kê, so sánh chất lượng điều khiển với các nghiên cứu khác.

1.4Nội dung 4: Viết báo cáo tổng kết và bài báo khoa học

 Cách tiếp cận: Tiếp cận từ lý thuyết, mô phỏng kiểm chứng, phân tích, so sánh với các

nghiên cứu khác.

 Phương pháp nghiên cứu, kỹ thuật sử dụng: Phân tích, viết báo cáo

 Kết quả dự kiến: Bài báo đăng trong danh mục ISI (SCI/SCIE); Quyển báo cáo tổng kết

các nội dung nghiên cứu của đề tài.

4. Tổng kết về kết quả nghiên cứu

4.1 Mô hình thí nghiệm.

Mô hình thí nghiệm bồn nước đôi được làm dựa trên thiết kế từ hãng Quanser. Tuy nhiên là

phiên bản cấu hình có 4 bồn nước được kết nối như Hình 1.

Hình 1. Mô hình bồn nước đôi

Mô hình thực tế được thi công bằng phương pháp cắt laser với vật liệu là mica dày 0.8cm

(Hình 2).

9

Kích thước mô hình được gia công chính xác đảm bảo các thông số ban đầu khi thiết kế.

Hình 2. Mô hình bồn nước đôi thực tế

4.2 Chương trình Matlab

Chương trình điều khiển trên Matlab chạy Realtime với Realtime Windows targer với

Arduino Due (lõi ARM 32 bit) (Hình 3) Quadrature Tanks

Hình 3. Sơ đồ điều khiển trên Matlab

10

4.3 Kết quả đào tạo

Đề tài có tham gia đào tạo, hướng dẫn 01 nhóm sinh viên làm đề tài khóa luận tốt nghiệp:

1. Nguyễn Hữu Nghĩa

2. Lê Hoàng Toàn Thắng

“Đánh giá các phương án thu thập dữ liệu, điều khiển, giám sát hệ bồn nước đôi”

Đã bảo vệ tháng 1 năm 2020

4.4 Tài liệu phục vụ giảng dạy

Một phần trong nội dung đề tài được chuyển thành tài liệu giảng dạy sinh viên trong môn

Thực hành điều khiển thông minh. Cụ thể là các bài: Bài 1, Bài 2, Bài 3, Bài 4 môn thực

hành điều khiển thông minh đã giảng dạy ở học kỳ 2 năm học 2019-2020

4.5 Bài báo khoa học

Kết quả của đề tài còn được công bố trên tạp chí ISI có điểm IF là 3.050 (2019)

Van Kien, C., Anh, H.P.H. & Son, N.N. “Inverse–adaptive multilayer T–S fuzzy controller

for uncertain nonlinear system optimized by differential evolution algorithm”. Soft

Computing (2020). https://doi.org/10.1007/s00500-020-04782-2, IF: 3.050

https://www.springer.com/journal/500

https://link.springer.com/article/10.1007/s00500-020-04782-2

5. Đánh giá các kết quả đã đạt được và kết luận

Với các kết quả đạt được về mặt khoa học và thực tiễn, tác giả tin rằng đề tài nghiên cứu

đã đáp ứng được tất cả yêu cầu đặt ra ban đầu của đề tài, cũng như đáp ứng đầy đủ tất cả các

nội dung theo hợp đồng đã ký kết của đề tài.

11

6. Tóm tắt kết quả (tiếng Việt và tiếng Anh)

Đề tài đề xuất giải thuật điều khiển kết hợp giữa thuật toán nhận dạng tối ưu và giải

thuật điều khiển thích nghi áp dụng vào điều khiển mực chất lỏng mô hình bồn nước đôi.

Kết đạt được một bài báo đăng tạp chí ISI. Không những thế, một phần nội dung nghiên cứu

được áp dụng vào giảng dạy ở môn thực hành điều khiển thông minh và góp phần đào tạo

được 02 sinh viên bảo vệ thành công khóa luận tốt nghiệp.

The project proposes a novel control algorithm combining optimal identification

algorithm and adaptive control algorithm applied to liquid level control in double water tank

model. The results of project have been published in a ISI journal. Not only that, a part of

the research content is applied to teaching in intelligent control practice and contributes to

the training of 02 students who successfully defend the graduation thesis.