System Control Theories

Chương 1 : Điều khiển tối ưu
Chương 1
ĐIỀU KHIỂN TỐI ƯU
Vài nét lịch sử phát triển lý thuyết điều khiển .

- Phương pháp biến phân cổ điển Euler_Lagrange 1766 .
- Tiêu chuẩn ổn định Lyapunov 1892 .
- Trí tuệ nhân tạo 1950 .
- Hệ thống điều khiển máy bay siêu nhẹ 1955 .
- Nguyên lý cực tiểu Pontryagin 1956 .
- Phương pháp quy hoạch động Belman 1957 .
- Điều khiển tối ưu tuyến tính dạng toàn
phương LQR ( LQR : Linear Quadratic
Regulator ) .
- Điều khiển kép Feldbaum 1960 .
- Thuật toán di truyền 1960 .
- Nhận dạng hệ thống 1965 .
- Logic mờ 1965 .
- Luật điều khiển hệ thống thích nghi mô hình tham chiếu MRAS và bộ tự
chỉnh định STR 1970 ( MRAS : Model-Reference Adaptive System , STR :
Self-Tuning Regulator ) .
- Hệ tự học Tsypkin 1971 .
- Sản phẩm công nghiệp 1982 .
- Lý thuyết bền vững 1985 .
- Công nghệ tính toán mềm và điều khiển tích hợp 1985 .
Học kì 1 năm học 2005-2006

PGS.TS Nguyễn Thị Phương Hà 2
1.1 CHẤT LƯỢNG TỐI ƯU

1.1.1 Đặc điểm của bài toán tối ưu
1. Khái niệm
Một hệ điều khiển được thiết kế ở chế độ làm việc tốt nhất là hệ luôn ở trạng
thái tối ưu theo một tiêu chuẩn chất lượng nào đó ( đạt được giá trị cực trị ) .
Trạng thái tối ưu có đạt được hay không tùy thuộc vào yêu cầu chất lượng
đặt ra , vào sự hiểu biết về đối tượng và các tác động lên đối tượng , vào
điều kiện làm việc của hệ điều khiển …
Một số ký hiệu sử dụng trong chương 1 .
Hình 1.1: Sơ đồ hệ thống điều khiển .
Hệ thống điều khiển như hình trên bao gồm các phần tử chủ yếu : đối tượng
điều khiển ( ĐTĐK ) , cơ cấu điều khiển ( CCĐK ) và vòng hồi tiếp ( K ) .
Với các ký hiệu :
x0 : tín hiệu đầu vào
u : tín hiệu điều khiển
x : tín hiệu đầu ra
ε = x0 – x : tín hiệu sai lệch
f : tín hiệu nhiễu
Chỉ tiêu chất lượng J của một hệ thống có thể được đánh giá theo sai lệch
của đại lượng được điều khiển x so với trị số mong muốn x0 , lượng quá điều
khiển ( trị số cực đại xmax so với trị số xác lập x ( ∞ ) tính theo phần trăm ) ,
thời gian quá độ … hay theo một chỉ tiêu hỗn hợp trong điều kiện làm việc
nhất định như hạn chế về công suất , tốc độ , gia tốc … Do đó việc chọn một
luật điều khiển và cơ cấu điều khiển để đạt được chế độ làm việc tối ưu còn
tùy thuộc vào lượng thông tin ban đầu mà ta có được .
Ở đây chúng ta có thể thấy được sự khác biệt của chất lượng tối ưu khi
lượng thông tin ban đầu thay đổi ( Hình 1.2 ) .
http://www.khvt.com
Hình 1.2 : Tối ưu cục bộ và tối ưu toàn cục .
Khi tín hiệu điều khiển u giới hạn trong miền [u1,u2] , ta có được giá trị tối
ưu cực đại J1∗ của chỉ tiêu chất lượng J ứng với tín hiệu điều khiển u1∗ .
Khi tín hiệu điều khiển u không bị ràng buộc bởi điều kiện u1 ≤ u ≤ u2 , ta
có được giá trị tối ưu J 2∗ > J1∗ ứng với u2∗ . Như vậy giá trị tối ưu thực sự
bây giờ là J 2∗ .
Tổng quát hơn , khi ta xét bài toán trong một miền [um , un ] nào đó và tìm
được giá trị tối ưu J i∗ thì đó là giá trị tối ưu cục bộ . Nhưng khi bài toán
không có điều kiện ràng buộc đối với u thì giá trị tối ưu là
J ∗ = extremum( J i∗ ) với J i∗ là các giá trị tối ưu cục bộ , giá trị J ∗ chính là
giá trị tối ưu toàn cục .
Điều kiện tồn tại cực trị :
• Đạo hàm bậc một của J theo u phải bằng 0 :
∂J
=0
∂u
• Xét giá trị đạo hàm bậc hai của J theo u tại điểm cực trị :
∂2J
> 0 : điểm cực trị là cực tiểu
∂u 2
∂2J
< 0 : điểm cực trị là cực đại
∂u 2
Trang 3
2. Điều kiện thành lập bài toán tối ưu

Để thành lập bài toán tối ưu thì yêu cầu đầu tiên là hệ thống phải có đặc tính
phi tuyến có cực trị .
Bước quan trọng trong việc thành lập một hệ tối ưu là xác định chỉ tiêu chất
lượng J . Nhiệm vụ cơ bản ở đây là bảo đảm cực trị của chỉ tiêu chất lượng
J . Ví dụ như khi xây dựng hệ tối ưu tác động nhanh thì yêu cầu đối với hệ
là nhanh chóng chuyển từ trạng thái này sang trạng thái khác với thời gian
quá độ nhỏ nhất , nghĩa là cực tiểu hóa thời gian quá độ . Hay khi tính toán
động cơ tên lửa thì chỉ tiêu chất lượng là vượt được khoảng cách lớn nhất
với lượng nhiên liệu đã cho .
Chỉ tiêu chất lượng J phụ thuộc vào tín hiệu ra x(t) , tín hiệu điều khiển u(t)
và thời gian t . Bài toán điều khiển tối ưu là xác định tín hiệu điều khiển u(t)
làm cho chỉ tiêu chất lượng J đạt cực trị với những điều kiện hạn chế nhất
định của u và x .
Chỉ tiêu chất lượng J thường có dạng sau :
T
J = ∫ L[ x(t ), u (t ), t ]dt
0
Trong đó L là một phiếm hàm đối với tín hiệu x , tín hiệu điều khiển u và
thời gian t .
Lấy ví dụ về bài toán điều khiển động cơ điện một chiều kích từ độc lập
Φ kt = const với tín hiệu điều khiển u là dòng điện phần ứng iu và tín hiệu ra
x là góc quay ϕ của trục động cơ .
Hình 1.3 : Động cơ điện một chiều kích từ độc lập .
Ta có phương trình cân bằng moment của động cơ :
http://www.khvt.com
dω
kM iu − M c = M q (1)
dt
dϕ
ω= (2)
dt
trong đó kM = CM Φ = const ; Mq là moment quán tính ; ω là tốc độ góc ; ϕ
là góc quay . Giả sử bỏ qua phụ tải trên trục động cơ ( M c = 0 ) thì :
d 2ϕ
kM iu = M q (3)
dt 2
Nếu xét theo thời gian tương đối bằng cách đặt :
τ = t kM / M q
thì (3) có dạng :
d 2ϕ
= iu (4)
dτ 2
Từ đó ta có :
d 2x
=u (5)
dτ 2
Vậy phương trình trạng thái của động cơ điện là một phương trình vi phân
cấp hai .
• Bài toán tối ưu tác động nhanh ( thời gian tối thiểu ) :
Tìm luật điều khiển u(t) với điều kiện hạn chế u ≤ 1 để động cơ quay từ vị
trí ban đầu có góc quay và tốc độ đều bằng 0 đến vị trí cuối cùng có góc
quay bằng ϕ0 và tốc độ bằng 0 với một khoảng thời gian ngắn nhất .
Vì cần thời gian ngắn nhất nên chỉ tiêu chất lượng J sẽ là :
T
J = ∫ L[ x(t ), u (t ), t ]dt = T
0
Rõ ràng từ phương trình trên ta phải có L[ x(t ), u (t ), t ] = 1 .

Như vậy , đối với bài toán tối ưu tác động nhanh thì chỉ tiêu chất lượng J có
dạng :
T
J = ∫ 1dt = T
0
Trang 5
• Bài toán năng suất tối ưu :

Năng suất ở đây được xác định bởi góc quay lớn nhất của động cơ trong thời
gian T nhất định . Khi đó chỉ tiêu chất lượng J có dạng :
T T
J = ∫ L[ x(t ), u (t ), t ]dt = ϕT − ϕ0 = ∫ ϕ (t )dt
0 0
Do đó L[ x(t ), u (t ), t ] = ϕ (t ) = x(t ) và ta sẽ có chỉ tiêu chất lượng J đối với

bài toán năng suất tối ưu như sau :
T
J = ∫ x ( t )dt
0
• Bài toán năng lượng tối thiểu :

Tổn hao năng lượng trong hệ thống :
T
Q = ∫ U u iu dt
0
Dựa vào phương trình cân bằng điện áp :

U u = iu Ru + keω
và phương trình cân bằng moment :
dω
kM iu − M c = M q
dt
Ta tính được :
T T
ke M c
Q = ∫ U u iu dt = (ϕT − ϕ0 ) + ∫ Ru iu2 dt
0
kM 0
Để có được tiêu hao năng lượng tối thiểu , ta chỉ cần tìm cực tiểu của J :
T T
J = ∫ L[ x(t ), u (t ), t ]dt = ∫ iu2 dt
0 0
Mà dòng điện phần ứng iu ở đây chính là tín hiệu điều khiển u . Vì vậy chỉ
tiêu chất lượng J đối với bài toán năng lượng tối thiểu có dạng :
T
J = ∫ u 2 (t )dt
0
http://www.khvt.com
3. Tối ưu hoá tĩnh và động

Chúng ta cần phân biệt hai dạng bài toán tối ưu hoá tĩnh và tối ưu hóa động .
Tối ưu hóa tĩnh là bài toán không phụ thuộc vào thời gian . Còn đối với tối
ưu hóa động thì thời gian cũng là một biến mà chúng ta cần phải xem xét
đến .
1.1.2 Xây dụng bài toán tối ưu

1. Tối ưu hóa không có điều kiện ràng buộc
Một hàm chỉ tiêu chất lượng vô hướng L(u ) = 0 được cho trước là một hàm
của một vector điều khiển hay một vector quyết định u ∈ R m . Chúng ta cần
chọn giá trị của u sao cho L(u) đạt giá trị nhỏ nhất .
Để giải bài toán tối ưu , ta viết chuỗi Taylor mở rộng cho độ biến thiên của
L(u) như sau :
1
dL = LTu du + du T Luu du + O(3) (1.1)
2
Với O(3) có thể coi là số hạng thứ 3 . Grad của L theo u là một vector m cột :
⎡ ∂L / ∂u1 ⎤
⎢ ⎥
Δ ∂ L ⎢ ∂L / ∂u 2 ⎥
Lu = (1.2)
∂u ⎢ ⎥
⎢ ⎥
⎣ ∂L / ∂u m ⎦
và đạo hàm cấp 2 của L theo u là một ma trận m x m ( còn gọi là ma trận
Hessian ) :
Δ ∂ 2 L ⎛⎜ ∂ 2 L ⎞
⎟
Luu = (1.3)
∂u 2 ⎜⎝ ∂u i ∂u j ⎟
⎠
Luu được gọi là ma trận uốn .

Một điểm cực trị hoặc điểm dừng xuất hiện khi sự biến thiên dL với thành
phần thứ nhất tiến về 0 với mọi biến thiên du trong quá trình điều khiển . Vì
vậy , để có điểm cực trị thì :
Lu = 0 (1.4)
Giả sử đang ở tại điểm cực trị , có Lu = 0 như (1.4) . Để điểm cực trị trở
thành điểm cực tiểu , chúng ta cần có :
Trang 7
1 T
dL = du Luu du + O(3) (1.5)
2
là xác định dương với mọi sự biến thiên du . Điều này được đảm bảo nếu ma
trận uốn Luu là xác định dương :
Luu > 0 (1.6)
Nếu Luu là xác định âm thì điểm cực trị chính là điểm cực đại ; còn nếu Luu
là không xác định thì điểm cực trị chính là điểm yên ngựa . Nếu Luu là bán
xác định thì chúng ta sẽ xét đến thành phần bậc cao hơn trong (1.1) để xác
định được loại của điểm cực trị .
Nhắc lại : Luu là xác định dương ( hoặc âm ) nếu như các giá trị riêng của nó
là dương ( hoặc âm ) , không xác định nếu các giá trị riêng của nó vừa có
dương vừa có âm nhưng khác 0 , và sẽ là bán xác định nếu tồn tại giá trị
riêng bằng 0 . Vì thế nếu Luu = 0 , thì thành phần thứ hai sẽ không hoàn
toàn chỉ ra được loại của điểm cực trị .
2. Tối ưu hóa với các điều kiện ràng buộc
Cho hàm chỉ tiêu chất lượng vô hướng L(x, u ) , với vector điều khiển
u ∈ R m và vector trạng thái x ∈ R n . Bài toán đưa ra là chọn u sao cho hàm
chỉ tiêu chất lượng L(x,u) đạt giá trị nhỏ nhất và thỏa mãn đồng thời các
phương trình điều kiện ràng buộc .
f ( x, u ) = 0 (1.7)
Vector trạng thái x được xác định từ một giá trị u cho trước bằng mối quan
hệ (1.7) , vì thế f là một hệ gồm n phương trình vô hướng , f ∈ R n .
Để tìm điều kiện cần và đủ của giá trị cực tiểu , đồng thời thỏa mãn
f ( x, u ) = 0 , ta cần làm chính xác như trong phần trước . Đầu tiên ta khai
triển dL dưới dạng chuỗi Taylor , sau đó xác định số hạng thứ nhất và thứ
hai .
Thừa số Lagrange và hàm Hamilton .
Tại điểm cực trị , dL với giá trị thứ nhất bằng 0 với mọi sự biến thiên của
du khi df bằng 0 . Như vậy chúng ta cần có:
dL = LTu du + LTx dx = 0 (1.8)
và:
df = f u du + f x dx = 0 (1.9)
http://www.khvt.com
Từ (1.7) ta xác định được x từ giá trị u đã có, độ biến thiên dx được xác định
bởi (1.9) từ giá trị biến thiên du đã có . Như vậy , ma trận Jacobi fx không
kỳ dị và :
dx = − f x−1 f u du (1.10)
Thay dx vào (1.8) ta được :
dL = ( LTu − LTx f x−1 f u )du (1.11)
Đạo hàm riêng của L theo u chứa hằng số f được cho bởi phương trình :
∂L
∂u
(
= LTu − LTx f x−1 f u )T
= Lu − f uT f x−T Lx (1.12)
df = 0
( )
với f x−T = f x−1
T
. Lưu ý rằng :
∂L
= Lu (1.13)
∂u dx =0
Để thành phần thứ nhất của dL bằng không với giá trị du tùy ý khi df = 0 ,
ta cần có :
Lu − f uT f x−T L x = 0 (1.14)
Đây là điều kiện cần để có giá trị cực tiểu . Trước khi đi tìm điều kiện đủ ,
chúng ta hãy xem xét thêm một vài phương pháp để có được (1.14) .
Viết (1.8) và (1.9) dưới dạng:
⎡dL ⎤ ⎡ LTx LTu ⎤ ⎡ dx ⎤
⎢ df ⎥ = ⎢ ⎥⎢ ⎥ = 0 (1.15)
⎣ ⎦ ⎣ fx f u ⎦ ⎣du ⎦
Hệ phương trình tuyến tính này xác định một điểm dừng , và phải có một
[ ]
kết quả dx T du T . Điều này chỉ xảy ra nếu ma trận hệ số (n + 1) × (n + m )
T
có hạng nhỏ hơn n+1 . Có nghĩa là các hàng của ma trận tuyến tính với nhau
để tồn tại một vector λ có n số hạng như sau:
[ ⎡ LTx
1 λ .⎢
T
] LTu ⎤
⎥=0 (1.16)
⎣ fx fu ⎦
Hay:
LTx + λT f x = 0 (1.17)
LTu + λT f u = 0 (1.18)
Trang 9
Giải (1.17) ta được λ :

λT = − LTx f x−1 (1.19)
và thay vào (1.18) để có được (1.14) .
Vector λ ∈ R n được gọi là thừa số Lagrange , và nó sẽ là công cụ hữu ích
cho chúng ta sau này . Để hiểu thêm ý nghĩa của thừa số Lagrange ta xét du
= 0 , từ (1.8) và (1.9) ta khử dx để được :
dL = LTx f x−1 df (1.20)
Vì vậy:
∂L
∂f
(
= LTx f x−1 )
T
= −λ (1.21)
du = 0
Do đó -λ là đạo hàm riêng của L với biến điều khiển u là hằng số . Điều này
nói lên tác dụng của hàm chỉ tiêu chất lượng với biến điều khiển không đổi
khi điều kiện thay đổi .
Như là một cách thứ ba để tìm được (1.14) , ta phát triển thêm để sử dụng
cho các phân tích trong những phần sau . Kết hợp điều kiện và hàm chỉ tiêu
chất lượng để tìm ra hàm Hamilton .
H ( x, u, λ ) = L( x, u ) + λT f ( x, u ) (1.22)
Với λ ∈ R n là thừa số Lagrange chưa xác định . Muốn chọn x , u , λ để có
được điểm dừng , ta tiến hành các bước sau .
Độ biến thiên của H theo các độ biến thiên của x , u , λ được viết như sau :
dH = H xT dx + H uT du + H λT dλ (1.23)
Lưu ý rằng :
∂H
Hλ = = f ( x, u ) (1.24)
∂λ
Giả sử chúng ta chọn các giá trị của u thỏa mãn :
Hλ = 0 (1.25)
Sau đó ta xác định x với giá trị của u đã có bằng phương trình điều kiện ràng
buộc f ( x, u ) = 0 . Trong trường hợp này hàm Hamilton tương đương với
hàm chỉ tiêu chất lượng:
http://www.khvt.com
Chương 1 : Điều khiển tối ưu -
H f =0
=L (1.26)
Nhắc lại : nếu f = 0 , ta sẽ tìm được dx theo du từ (1.10) . Ta không nên xét
mối quan hệ giữa du và dx để thuận tiện trong việc chọn λ sao cho :
Hx = 0 (1.27)
Sau đó , từ (1.23) , độ biến thiên dH không chứa thành phần dx. Điều này
mang lại kết quả λ :
∂H
= L x + f xT λ = 0 (1.28)
∂x
hay λT = − LTx f x−1 .
Nếu giữ nguyên (1.25) và (1.27) thì:
dL = dH = H uT du (1.29)
Vì H = L, để có được điểm dừng ta phải áp đặt điều kiện:
Hu = 0 (1.30)
Tóm lại , điều kiện cần để có được điểm cực tiểu của L(x,u) thỏa mãn điều
kiện ràng buộc f(x,u) = 0 gồm có :
∂H
= f =0 (1.31a)
∂λ
∂H
= L x + f xT λ = 0 (1.31b)
∂x
∂H
= Lu + f uT λ = 0 (1.31c)
∂u
Với H (x, u , λ ) xác định bởi (1.22) . Cách thường dùng là từ 3 phương trình
đã cho xác định x , λ , và u theo thứ tự tương ứng . So sánh 2 phương trình
(1.31b) và (1.31c) ta thấy chúng tương ứng với 2 phương trình (1.17) và
(1.18) .
Trong nhiều ứng ụng , chúng ta không quan tâm đến giá trị của λ , tuy nhiên
ta vẫn phải đi tìm giá trị của nó vì đó là một biến trung gian cho phép chúng
ta xác định các đại lượng cần tìm là u , x và giá trị nhỏ nhất của L .
Ưu điểm của thừa số Lagrange có thể tóm tắt như sau : trên thực tế , hai đại
lượng dx và du không phải là hai đại lượng biến thiên độc lập với nhau ,
theo (1.10) . Bằng cách đưa ra một thừa số bất định λ , chúng ta chọn λ sao
cho dx và du có thể được xem là hai đại lượng biến thiên độc lập với nhau .
Trang 11
Lấy đạo hàm riêng của H lần lượt theo các biến như trong (1.31) , như thế ta
sẽ có được điểm dừng .
Khi đưa ra thừa số Lagrange , chúng ta có thể thay thế bài toán tìm giá trị
nhỏ nhất của L(x,u) với điều kiện ràng buộc f(x,u) = 0 , thành bài toán tìm
giá trị nhỏ nhất của hàm Hamilton H(x,u,λ) không có điều kiện ràng buộc .
Điều kiện đã (1.31) xác định một điểm dừng . Ta sẽ tiếp tục chứng minh đây
là điểm cực tiểu như đã thực hiện trong phần trước .
Viết chuỗi Taylor mở rộng cho độ biến thiên của L và f như sau :
[
dL = LTx ] ⎡ dx ⎤ 1
LTu ⎢ ⎥ + dx T [ ]
⎡L
du T ⎢ xx
L xu ⎤ ⎡ dx ⎤
Luu ⎥⎦ ⎢⎣du ⎥⎦
+ O(3) (1.32)
⎣du ⎦ 2 ⎣ Lux
df = [ f x
⎡ dx ⎤ 1
f u ]⎢ ⎥ + dx T [ ]
⎡f
du T ⎢ xx
f xu ⎤ ⎡ dx ⎤
f uu ⎥⎦ ⎢⎣du ⎥⎦
+ O(3) (1.33)
⎣du ⎦ 2 ⎣ f ux
Với:
Δ ∂2 f
f xu =
∂u∂x
Để đưa ra hàm Hamilton , ta sử dụng các phương trình sau :
[1 λT ]⎢
⎡dL ⎤
⎥ = Hx
T
[ ] ⎡ dx ⎤ 1
H uT ⎢ ⎥ + dx T [ ]
⎡H
du T ⎢ xx
H xu ⎤ ⎡ dx ⎤
H uu ⎥⎦ ⎢⎣du ⎥⎦
+ O(3)
df
⎣ ⎦ ⎣du ⎦ 2 ⎣ H ux
(1.34)
Bây giờ , để có được điểm dừng ta cần có f = 0 , và đồng thời thành phần
thứ nhất của dL bằng 0 với mọi sự biến thiên của dx và du . Vì f = 0
nên df = 0 , và điều này đòi hỏi H x = 0 và H u = 0 như trong (1.31) .
Để tìm điều kiện đủ cho điểm cực tiểu , chúng ta xét đến thành phần thứ hai .
Đầu tiên , ta cần xem mối quan hệ giữa dx và du trong (1.34) . Giả sử rằng
chúng ta đang ở điểm cực trị nên H x = 0 , H u = 0 và df = 0 . Sau đó, từ
(1.33) ta có :
dx = − f x−1 f u du + O(2) (1.35)
http://www.khvt.com
Thay vào (1.34) ta được :

H xu ⎤ ⎡− f x−1 f u ⎤
1
[
dL = du T − f uT f x−T
⎡H
]
I ⎢ xx ⎢
H uu ⎥⎦ ⎣ I ⎦
⎥ du + O(3) (1.36)
2 ⎣ H ux
Để đảm bảo đây là điểm cực tiểu , dL trong (1.36) phải dương với mọi sự
biến thiên của du . Điều này được đảm bảo nếu như ma trận uốn với f luôn
bằng 0 là xác định dương .
H xu ⎤ ⎡− f x−1 f u ⎤
[ ]⎡H
Δ
−T
L = Luu
f
= −f f T
I ⎢ xx ⎢ ⎥
H uu ⎥⎦ ⎣ I ⎦
uu u x
⎣ H ux
f
(1.37)
= H uu − f uT f x−T H xu − H ux f x−1 f u + f uT f x−T H xx f x−1 f u
Lưu ý rằng nếu điều kiện ràng buộc f ( x, u ) = 0 với mọi x và u thì (1.37)
được rút lại thành Luu ở phương trình (1.6) .
Nếu (1.37) là xác định âm ( hoặc không xác định ) thì điểm dừng sẽ là điểm
cực đại ( hoặc điểm yên ngựa ) .
1.1.3 Ví dụ
Tối ưu hóa không có điều kiện ràng buộc
Ví dụ 1.1 : Không gian toàn phương .
Cho u ∈ R 2 và :
1 T ⎡ q11 q12 ⎤
L(u ) = u u + [s1 s 2 ]u (1)
2 ⎢⎣q12 q 22 ⎥⎦
Δ 1
= u T Qu + S T u (2)
2
Điểm cực trị được xác định bởi :

Lu = Qu + S = 0 (3)
u ∗ = −Q −1 S (4)
với u* dùng để chỉ biến điều khiển tối ưu.
Loại của điểm cực trị được xác định bằng cách xét ma trận hessian
Luu = Q (5)
Trang 13
Điểm u* là cực tiểu nếu Luu > 0 ( q11 > 0 và q11 q 22 − q122 > 0 ) . Là điểm cực
đại nếu Luu < 0 ( q11 < 0 và q11 q 22 − q122 > 0 ) . Nếu Q < 0 , thì u* là điểm
yên ngựa . Nếu Q = 0 , thì u* là điểm kỳ dị , chúng ta không thể xác định
được đó là cực tiểu hay cực đại từ Luu .
Bằng cách thay (4) vào (2) ta sẽ tìm được giá trị của hàm chỉ tiêu chất lượng
như sau :
Δ 1 T −1
L* = L(u * ) = S Q QQ −1 S − S T Q −1 S
2
1 T −1
=− S Q S (6)
2
Giả sử cho L như sau :

1 T ⎡1 1⎤
L= u u + [0 1]u (7)
2 ⎢⎣1 2⎥⎦
Khi đó giá trị u tối ưu sẽ là :

⎡2 − 1⎤ ⎡0⎤ ⎡ 1 ⎤
u * = −⎢ ⎥⎢ ⎥ = ⎢ ⎥ (8)
⎣1 1 ⎦ ⎣1⎦ ⎣− 1⎦
là một cực tiểu , vì Luu > 0 . Từ (6) ta thấy rằng giá trị nhỏ nhất của L là L* =
-1/2 .
Các đường đồng mức của L(u) trong (7) được vẽ trong Hình 1.4 , với u = [u1
u2]T . Các mũi tên là gradient .
⎡ u + u2 ⎤
Lu = Qu + S = ⎢ 1 ⎥ (9)
⎣u1 + 2u 2 + 1⎦
Lưu ý rằng gradient luôn luôn vuông góc với các đường đồng mức và có
hướng là hướng tăng L(u) .
Chúng ta dùng dấu “*” để chỉ giá trị tối ưu của u và L cần tìm . Tuy nhiên ta
thường bỏ qua dấu “*” .
http://www.khvt.com
Hình 1.4 : Các đường đồng mức và vector gradient .
Ví dụ 1.2 : Tối ưu hóa bằng tính toán vô hướng .

Phần trên chúng ta đã đề cập phương pháp giải bài toán tối ưu bằng cách sử
dụng các vector và gradient . Sau đây ta sẽ tiếp cận bài toán với một cách
nhìn khác , xem chúng như là những đại lượng vô hướng .
Để chứng minh , ta xét :
1 2
L(u1 , u 2 ) = u1 + u1u 2 + u 22 + u 2 (1)
2
Với u1 , u 2 là các đại lượng vô hướng . Điểm cực trị xuất hiện khi đạo hàm
riêng của L theo tất cả các đối số phải bằng 0 :
∂L
= u1 + u 2 = 0 (2a)
∂u1
∂L
= u1 + 2u 2 + 1 = 0 (2b)
∂u 2
Trang 15
Giải hệ phương trình trên ta được :

u1 = 1, u 2 = −1 (3)
Vậy , điểm cực trị là (1 ,-1) .
Biểu thức (1) là một dạng mở rộng của biểu thức (7) trong ví dụ 1.1 , như
vậy chúng ta vừa tìm được một kết quả tương tự bằng một cách khác .
Tối ưu hóa có điều kiện ràng buộc

Ví dụ 1.3 : Không gian toàn phương với điều kiện ràng buộc tuyến tính .
Giả sử hàm chỉ tiêu chất lượng được cho bởi ví dụ 1.1 với các đại lượng vô
hướng u1 , u 2 được thay thế bằng x, u :
[x u ]⎡⎢ ⎤⎥ ⎡⎢ ⎤⎥ + [0 1]⎡⎢ ⎤⎥
1 1 1 x x
L ( x, u ) = (1)
2 ⎣1 2⎦ ⎣u ⎦ ⎣u ⎦
Với điều kiện ràng buộc :
f ( x, u ) = x − 3 = 0 (2)
Hàm Hamilton sẽ là :
1 2
H = L + λT f = x + xu + u 2 + u + λ ( x − 3) (3)
2
với λ là một đại lượng vô hướng . Điều kiện để có điểm dừng theo (1.31) là :
Hλ = x − 3 = 0 (4)
Hx = x +u + λ = 0 (5)
H u = x + 2u + 1 = 0 (6)
Giải (4) , (5) , (6) ta được : x = 3 , u = -2 , λ = -1 . Điểm dừng là :
(x, u )∗ = (3,−2) (7)
Để xác định (7) là điểm cực tiểu , tìm ma trận uốn theo (1.37) :
Luuf = 2 (8)
Luuf >= 0 , vì thế (x, u ) = (3,−2) là điểm cực tiểu .

∗
Các đường đồng mức của L(x,u) và điều kiện ràng buộc (2) được vẽ trong
Hình 1.5 .
Grad của f(x,u) trong hệ tọa độ (x,u) được viết như sau:
http://www.khvt.com
⎡ f x ⎤ ⎡1 ⎤
⎢ f ⎥ = ⎢0 ⎥ (9)
⎣ u⎦ ⎣ ⎦
được vẽ trong Hình 1.4 . Và grad của L(x,u) :
⎡ Lx ⎤ ⎡ x + u ⎤
⎢ L ⎥ = ⎢ x + 2u + 1⎥ (10)
⎣ u⎦ ⎣ ⎦
Tại điểm cực tiểu (3,-2) , grad L(x,u) sẽ có giá trị :
⎡ L x ⎤ ⎡1⎤
⎢ L ⎥ = ⎢0 ⎥ (11)
⎣ u⎦ ⎣ ⎦
Cần lưu ý rằng gradf và gradL tương đương với nhau tại điểm dừng . Có
nghĩa là điểm cực tiểu xuất hiện khi điều kiện ràng buộc (2) là đường tiếp
tuyến của các đường đồng mức của L. Di chuyển hướng dọc theo đường
thẳng f = 0 sẽ làm tăng giá trị của L .
Ta tìm được giá trị của L tại điểm cực tiểu bằng cách thay x = 3, u = -2 vào
(1) , ta được L*=0,5 .
Vì λ = -1 , giữ nguyên giá trị u = -2 , thay đổi điều kiện ràng buộc df ( dịch
chuyển đường thẳng trong Hình 1.5 về phía phải ) sẽ làm tăng L(x,u) với dL
= -λdf = df .
Ví dụ 1.4 : Hàm chỉ tiêu chất lượng dạng toàn phương với điều kiện ràng
buộc tuyến tính - Trường hợp vô hướng .
Xét hàm chỉ tiêu chất lượng dạng toàn phương :
1 ⎛ x2 y2 ⎞
L( x, u ) = ⎜⎜ 2 + 2 ⎟⎟ (1)
2⎝a b ⎠
Với điều kiện ràng buộc tuyến tính :
f ( x, u ) = x + mu − c (2)
Các đường đồng mức của L(x,u) là những ellip ; nếu L(x,u) = F/2 , thì bán
trục chính và bán trục phụ là al và bl . Điều kiện ràng buộc f(x,u) là một họ
các đường thẳng chứa thông số c . Xem Hình 1.6 ( lưu ý rằng u là biến độc
lập , với x được xác định bởi f(x,u) = 0 ) .
Hàm Hamilton là :
1 ⎛ x2 u2 ⎞
H = ⎜⎜ 2 + 2 ⎟⎟ + λ ( x + mu − c) (3)
2⎝a b ⎠
Trang 17
Và điều kiện để có điểm dừng :

H λ = x + mu − c = 0 (4)
x
Hx = +λ =0 (5)
a2
u
Hu = + λm = 0 (6)
b2
Hình 1.5 : Các đường đồng mức của L(x,u) và điều kiện ràng buộc f(x,u) .
Hình 1.6 : Các đường đồng mức của L(x,u) và điều kiện ràng buộc f(x,u).
http://www.khvt.com
Để giải hệ phương trình này , trước hết ta sử dụng phương trình (6) để đưa
ra biến điều khiển tối ưu theo thừa số Lagrange .
u = −b 2 mλ (7)
Bây giờ thay phương trình (7) vào (4) để khử u , kết hợp với (5) và được
viết lại :
⎡1 − b 2 m 2 ⎤ ⎡ x ⎤ ⎡c ⎤
⎢1 ⎥ = (8)
⎢ 2 1 ⎥ ⎢⎣λ ⎥⎦ ⎢⎣0⎥⎦
⎣a ⎦
Giải ra ta được giá trị của điểm dừng :
a 2c
x= (9)
a2 + b2m2
c
λ=− (10)
a + b2m2 2
Thay (9) , (10) vào (7) , ta có được giá trị u tối ưu :

b 2 mc
u= (11)
a2 + b2m2
Để xác định điểm dừng là cực tiểu , dùng (1.37) để tìm ra ma trận uốn :
1 m2
Luuf = + (12)
b2 a2
f
Luu > 0 vì vậy ta tìm được một điểm cực tiểu .
Thay (9) và (11) vào (1) ta được giá trị tối ưu của hàm chỉ tiêu chất lượng :
1 c2
L* = (13)
2 a2 + b2m2
Để kiểm chứng (1.21) , lưu ý rằng:
∂L* ∂L*
= = −λ (14)
∂f du = 0
∂c
Gradf trong miền (u,x) là :

⎡ f u ⎤ ⎡m⎤
⎢ f ⎥ = ⎢1⎥ (15)
⎣ x⎦ ⎣ ⎦
Trang 19
được biểu diễn trong Hình 1.6 . GradL là :

⎡u ⎤
⎡ u ⎤ ⎢b2 ⎥
L
⎢L ⎥ = ⎢ x ⎥ (16)
⎣ x⎦ ⎢ ⎥
⎣a2 ⎦
và tại điểm dừng (11) , (9) sẽ có giá trị :
*
⎡ Lu ⎤ ⎡m⎤ c
⎢L ⎥ = ⎢ 1 ⎥ 2 (17)
⎣ ⎦ a +b m
2 2
⎣ x⎦
Điều này tương ứng với (15) , vì vậy điểm dừng xuất hiện khi f(x,u) = 0 là
đường tiếp tuyến với một đường đồng mức của L(x,u) .
Ví dụ 1.5 : Hàm chỉ tiêu chất lượng dạng toàn phương với điều kiện ràng
buộc tuyến tính .
Bây giờ ta tổng quát hóa ví dụ 1.4 với vector x ∈ R n , u ∈ R m , f ∈ R n ,
λ ∈ Rn .
Xét hàm chỉ tiêu chất lượng dạng toàn phương:
1 T 1
L= x Qx + u T Ru (1)
2 2
với điều kiện ràng buộc tuyến tính :
f = x + Bu + c = 0 (2)
với Q , R và B là các ma trận , c là vector n hàng . Giả sử Q ≥ 0 và R > 0
( với Q , R là ma trận đối xứng ) . Các đường đồng mức của L(x,u) là các
đường ellip trong không gian , và f(x,u)=0 là mặt phẳng cắt ngang qua
chúng . Điểm dừng xuất hiện khi gradf và gradL song song với nhau .
Hàm Hamilton là :
1 T 1
H= x Qx + u T Ru + λT ( x + Bu + c) (3)
2 2
và các điều kiện để có điểm dừng là :
H λ = x + Bu + c = 0 (4)
H x = Qx + λ = 0 (5)
H u = Ru + B T λ = 0 (6)
http://www.khvt.com
Để giải các phương trình trên , đầu tiên ta dùng điều kiện (6) để tìm u theo
λ:
u = − R −1 B T λ (7)
Từ (5) ta có :
λ = −Qx (8)
Kết hợp với (4) ta được :
λ = QBu + Qc (9)
dùng kết quả này thay vào (7) cho ta :
u = − R −1 B T (QBu + Qc) (10)
hay :
(I + R B QB )u = − R B Qc
−1 T −1 T
(R + B QB )u = − B Qc
T T
(11)
Vì R > 0 và BTQB ≥ 0 , chúng ta có thể tìm nghịch đảo của (R + BTQB) và vì
thế giá trị u tối ưu là :
u = −( R + B T QB) −1 B T Qc (12)
So sánh kết quả này với (11) trong ví dụ 1.4 .
Thay (12) vào (4) và (9) cho ta giá trị trạng thái tối ưu và thừa số Lagrange
tối ưu :
(
x = − I − B ( R + BT QB ) BT Q c
−1
) (13)
(
λ = Q − QB ( R + BT QB ) B Q) c
−1 T
(14)
Bằng bổ đề của nghịch đảo ma trận :

λ = (Q −1 + BR −1 B T ) c
−1
(15)
nếu Q ≠ 0 . Các kết quả trên sẽ rút lại thành kết quả của ví dụ 1.4 trong
trường hợp vô hướng .
Để xác định biến điều khiển (12) là một cực tiểu , ta sử dụng (1.37) để xác
định ma trận uốn là xác định dương với giá trị của R và Q được giới hạn .
Luuf = R + B T QB (16)
Sử dụng (12) và (13) thế vào (1) ta có được giá trị tối ưu :
Trang 21
L* =
1 T
2
[ (
c Q − QB R + B T QB )−1
]
BT Q c (17)
1 T
L* = c λ (18)
2
Vì thế :
∂L *
=λ (19)
∂c
Ví dụ 1.6 : Bài toán với nhiều điều kiện ràng buộc .
Tìm khoảng cách nhỏ nhất giữa parabol :
y = ax 2 + bx + d (1)
với đường thẳng :
y = x+c (2)
Xem Hình 1.7 .
Trong bài toán này sẽ có hai điều kiện ràng buộc :
f1 ( x1 , y1 ) = y1 − ax12 − bx1 − d = 0 (3)
Và :
f 2 ( x2 , y 2 ) = y2 − x2 − c = 0 (4)
với (x1 , y1 ) là 1 điểm trên parabol và (x 2 , y 2 ) là 1 điểm trên đường thẳng .
Chúng ta chọn hàm chỉ tiêu chất lượng là một nửa của bình phương khoảng
cách giữa 2 điểm này .
1 1
L( x1 , x 2 , y1 , y 2 ) = ( x1 − x 2 ) 2 + ( y1 − y 2 ) 2 (5)
2 2
Để giải bài toán này , ta xử lý bằng cách đặt :
Δ⎡ f ⎤ Δ⎡x ⎤ Δ⎡y ⎤
f =⎢ 1 ⎥ , x =⎢ 1 ⎥ , u =⎢ 1 ⎥ (6)
⎣ f2 ⎦ ⎣ x2 ⎦ ⎣ y2 ⎦
và sử dụng cách tiếp cận vector ; tuy nhiên , sự kết hợp giữa một điều kiện
ràng buộc tuyến tính và một điều kiện phi tuyến sẽ làm phức tạp thêm bài
toán . Thay vào đó ta sẽ sử dụng các đại lượng vô hướng .
http://www.khvt.com
Hình 1.7 : Bài toán với nhiều điều kiện ràng buộc .
Đưa ra một thừa số Lagrange cho mỗi điều kiện ràng buộc , hàm Hamilton
là :
1 1
H= ( x1 − x 2 ) 2 + ( y1 − y 2 ) 2 + λ1 ( y1 − ax12 − bx1 − d ) + λ 2 ( y 2 − x 2 − c)
2 2
(7)
Khi đó , để có điểm dừng ta cần có :
H x1 = x1 − x 2 − 2aλ1 x1 − bλ1 = 0 (8)
H x2 = − x1 + x2 − λ2 = 0 (9)
H y1 = y1 − y 2 + λ1 = 0 (10)
H y2 = − y1 + y 2 + λ2 = 0 (11)
H λ1 = y1 − ax12 − bx1 − d = 0 (12)

H λ2 = y 2 − x2 − c = 0 (13)
Trang 23
Giải (12) để có được y1 như sau :

y1 = ax12 + bx1 + d (14)
Từ (9) và (11) , ta có :
λ 2 = x 2 − x1 = y1 − y 2 (15)
và sử dụng (14) với y 2 = x 2 + c từ (13) có được kết quả sau :
x 2 − x1 = ax12 + bx1 + d − x 2 − c (16)
Khi đó :
x2 =
1
2
(
ax12 + (b + 1) x1 + d − c ) (17)
Theo (10) và (11) , λ1 = -λ2 , vậy từ (15) và (17) ta có :

λ1 = x1 − x 2
λ1 = −
1
2
(
ax12 + (b − 1) x1 + d − c ) (18)
Cuối cùng , chú ý rằng (8) là :

(2ax1 + (b − 1))λ1 = 0 (19)
hay :
(2ax1 + (b − 1) )(ax12 + (b − 1) x1 + d − c ) = 0 (20)
Phương trình bậc 3 (20) được giải để có giá trị tối ưu x1* từ giá trị a, b, c, d
cho trước . Nếu đường thẳng cắt ngang qua parabol thì giao điểm sẽ là kết
quả tối ưu ( khi đó λ1=λ2=0 ) ; ngược lại , sẽ có chỉ một cặp gần nhau nhất
(x1,x2) , (y1,y2) . Một khi tìm được x1 thì ta sẽ tìm được x2 , y1 và y2 lần lượt
theo các phương trình (17) , (14) và (15) . Thay các giá trị tối ưu này vào (5)
sẽ cho chúng ta khoảng cách ngắn nhất là 2 L * .
http://www.khvt.com
1.2 CÁC PHƯƠNG PHÁP ĐIỀU KHIỂN TỐI ƯU

1.2.1 Phương pháp biến phân cổ điển Euler_Lagrange
1. Giới thiệu
Nhiệm vụ của điều khiển tối ưu là giải bài toán tìm cực trị của phiếm hàm
L[ x(t ), u (t )] bằng cách chọn tín hiệu điều khiển u(t) với những điều kiện
hạn chế của đại lượng điều khiển và tọa độ pha . Một trong những công cụ
toán học để xác định cực trị là phương pháp biến phân cổ điển
Euler_Lagrange .
Đường cực trị là những hàm trơn còn phiếm hàm cùng các điều kiện hạn chế
là những hàm phi tuyến . Do đó phương pháp này không thể áp dụng cho
những trường hợp mà tín hiệu điều khiển có thể là các hàm gián đoạn .
Trường hợp không có điều kiện ràng buộc
Cho u(t) là hàm thuộc lớp hàm có đạo hàm bậc nhất liên tục . Trong mặt
phẳng (u,t) cho hai điểm (t0,u0) và (t1,u1) . Cần tìm quỹ đạo nối hai điểm này
sao cho tích phân theo quỹ đạo u = u (t ) cho bởi :
t1
J (u ) = ∫ L(u, u, t )dt (1.38)

t0
có cực trị .
L là hàm có đạo hàm riêng bậc một và bậc hai liên tục với mọi biến của nó .
Để thống nhất , ở đây ta lấy t0 = 0 và t1 = T .
Biến đổi của J do δu tạo nên là :
ΔJ (u + δu ) = J (u + δu ) − J (u )
T T
= ∫ L(u + δu , u + δu , t )dt − ∫ L(u , u , t )dt
0 0
T
= ∫ [ L(u + δu , u + δu , t ) − L(u , u , t )]dt (1.39)
0
Phân tích (1.39) theo chuỗi Taylor và chỉ khảo sát thành phần bậc một của J
ta được :
T
∂L(u , u , t ) ∂L(u , u , t )
ΔJ (u , δu ) = ∫ [( )δu + ( )δu ]dt (1.40)
0
∂u ∂u
Trang 25
vì δu và δu liên hệ nhau bởi :

T
δu (t ) = ∫ δu (t )dt + δu (0)
0
Xem δu là hàm biến đổi độc lập , biểu thức (1.40) có thể biến đổi để chỉ
chứa δu bằng cách lấy tích phân những thành phần chứa δu :
T
∂L(u , u , t ) T ∂L(u , u , t ) d ∂L(u , u , t )
δJ (u , δu ) = δu 0 + ∫ [ − ]δudt... (1.41)
∂u 0
∂u dt ∂u
Từ điều kiện đã cho δu(0) = δ(T) = 0 , phần đầu của vế phải ở biểu thức
(1.41) bằng 0 .
Nếu gia số δJ của chỉ tiêu chất lượng J tồn tại và nếu J có cực trị đối với u*
thì :
ΔJ (u * , δu ) = 0 (1.42)
Đó là điều kiện cơ bản của phép tính biến phân .
Từ các biểu thức (1.41) , (1.42) ta có :
T
∂L(u * , u * , t ) d ∂L(u * , u * , t )
δJ (u * , δu ) = ∫ [ − ]δudt = 0 (1.43)
0
∂u dt ∂u
Từ đó có thể rút ra phương trình Euler_Lagrange :
∂L(u, u , t ) d ∂L(u, u , t )
− =0 (1.44a)
∂u dt ∂u
Hoặc có thể viết đơn giản :
∂L d ∂L
− =0 (1.44b)
∂u dt ∂u
Trường hợp có điều kiện ràng buộc
Nếu ngoài chỉ tiêu chất lượng (1.38) còn có các điều kiện ràng buộc dạng :
ϕ i (u, u, t ) = 0 t ∈ [0, T ] , i = 1, n (1.45)
thì chỉ tiêu chất lượng J có dạng :
T n
J a (u, λi ) = ∫ [ L(u, u, t ) + ∑ λi (t )ϕ i (u, u, t )]dt (1.46)
0 i =1
http://www.khvt.com
mà λi(t) với i = 1,2,…,n là hàm Lagrange .Vì giới hạn thỏa mãn với mọi t
nên hàm Lagrange phụ thuộc thời gian .
Tương tự như trên ta có phương trình Euler_Lagrange tổng quát :
∂La (u, u, λ , t ) d ∂La (u, u , λ , t )
− =0 (1.47)
∂u dt ∂u
n
mà La (u, u, λ , t ) = L(u , u , t ) + ∑ λi (t )ϕ i (u, u, t ) (1.48)
i =1
Khi điều kiện ràng buộc có dạng :

T
∫ψ
0
i (u , u , t )dt = qi (1.49)
thì phương trình Euler_Lagrange tổng quát (1.47) có phiếm hàm :

n
La (u, u, λ , t ) = L(u , u , t ) + ∑ λiψ (u , u , t ) (1.50)
i =1
Trong trường hợp này , λi là các hệ số không phụ thuộc thời gian .
Khi có điều kiện ràng buộc dạng (1.45) hoặc (1.49) phải giải (n+1) phương
trình để xác định y*(t) và λi*(t) với i=1,2,…,n .
Phương trình Euler_Lagrange với tín hiệu điều khiển bị hạn chế
Trong phần trên ta chỉ đề cập tới bài toán mà trong đó tín hiệu điều khiển
không có giới hạn nào ràng buộc . Trong thực tế , thường gặptín hiệu điều
khiển có ràng buộc dạng u ≤ 1 .
Điều kiện cần để có cực trị : khi u(t) là đường cực trị thì u+δu và u-δu là
những hàm cho phép . Bây giờ ta so sánh trị số phiếm hàm ở đường cực trị
với trị số của nó ở hàm u+δu và u-δu . Nếu miền biến đổi của u(t) là kín và
u(t) ở ngoài biên thì một trong các hàm u+δu hoặc u-δu sẽ ra ngoài miền
cho phép .
Một trong các biện pháp khắc phục khó khăn trên là đường cực trị ở biên và :
u ≥ ϕ (t ) (1.51)
Ví dụ , nếu u ≤ 1 , điều kiện u ≥ ϕ (t ) nghĩa là ϕ (t ) ≥ −1 . Đổi biến ta có :
z2 = u −ϕ (1.52)
Trang 27
thì biến mới z sẽ không có điều kiện hạn chế và biên giới của biến u tương
T
đương với z = 0 . Bây giờ chỉ tiêu chất lượng J (u ) = ∫ L(u , u , t )dt có biến
0
mới u = z + ϕ , từ đó :
2
u = 2 zz + ϕ
và chỉ tiêu chất lượng J có dạng :
T
J = ∫ L[ z 2 + ϕ ,2 zz + ϕ , t ]dt (1.53)
0
Vì không có điều kiện hạn chế nên phương trình Euler_Lagrange có dạng :
∂L d ∂L
− =0 (1.54)
∂z dt ∂z
∂L ∂L ∂u ∂L ∂u ∂L ∂L
Ở đây = + = 2z + 2z
∂z ∂u ∂z ∂u ∂z ∂u ∂u
∂L ∂L ∂u ∂L ∂u ∂L
= + = 2z
∂z ∂u ∂z ∂u ∂z ∂u
d ∂L d ∂L ∂L
= 2z( )+ 2z
dt ∂z dt ∂u ∂u
và (1.54) sẽ có dạng :
∂L ∂L d ∂L ∂L
2z + 2z − 2z − 2z = 0
∂u ∂u dt ∂u ∂u
⎛ ∂L d ∂L ⎞
hay : 2 z⎜ − ⎟=0 (1.55)
⎝ ∂u dt ∂u ⎠
Phương trình trên thỏa mãn với z = 0 , nghĩa là đường cực trị có những giá
trị biên và phương trình Euler_Lagrange vẫn là phiếm hàm xuất phát :
∂L d ∂L
− =0
∂u dt ∂u
2. Ví dụ
Ví dụ 1.7 :
du1
Tìm quá trình tối ưu x* = u2 và u2* = để cực tiểu hóa chỉ tiêu chất lượng
dt
J:
http://www.khvt.com
T
J (u ) = ∫ (u2 ) 2 dt (1)
0
với điều kiện đầu :

T
∫ u (t )dt = θ
0
2 0 (2)
và điều kiện biên :

u2 (0) = u2 (T ) = 0 (3)
Điều kiện đầu có dạng :
T
∫ψ
0
i (u , u , t )dt = qi (4)
Phương trình Euler_Lagrange có dạng tổng quát :

∂L d ∂L
− =0 (5)
∂u2 dt ∂u2
với phiếm hàm :
L(u2 , u2 , λ1 ) = u22 + λ1u2 (6)
Từ 2 phương trình trên ta có :
λ1 − 2u 2 = 0 (7)
Do đó :
λ1
u2 = (8)
2
Lấy tích phân , ta có :
λ1
u2 = x = t + c1
2
λ1
u 2 (t ) = t 2 + c1t + c 2 (9)
4
Để xác định λ1 , c1 , c 2 ta dùng các điều kiện biên :
u 2 ( 0) = 0 ⇒ c 2 = 0
λ1
u 2 (T ) = T 2 + c1T = 0
4
Trang 29
và điều kiện đầu :

T
λ1 c1 2
∫u
0
2 (t )dt =
12
T3 +
2
T = θ0
Từ 2 phương trình trên ta xác định :

24θ 0
λ1 = − (10)
T3
6θ 0
c1 = (11)
T2
Từ đó quá trình tối ưu là :
6θ0 12θ 0
u2∗ (t ) = x∗ (t ) = − 3 t (12)
T2 T
6θ 0 6θ
u2∗ (t ) = 2
t − 30 t 2 (13)
T T
tương ứng với Hình 1.8(a) . Điều khiển tối ưu x * (t ) biến đổi tuyến tính còn
u2∗ là hàm parabol .
Ta thử so sánh tổn hao năng lượng của trường hợp này với trường hợp bài
toán tối ưu tác động nhanh có đặc tính thời gian như Hình 1.8(b) . Cả hai
trường hợp đều có cùng giá trị θ 0 , tương ứng với phần gạch sọc . Ta có thể
xác định ua theo (2) :
T /2
u aT 2
θ 0 = 2 ∫ (ua .t )dt =
0
4
4θ 0
ua = (14)
T2
Như vậy tổn hao năng lượng tương ứng với :
16θ 02
T
J a = ∫ ua2 dt = (15)
0
T3
còn ở ví dụ ta đang xét :
12θ 02
T
J = ∫ ( x∗ ) 2 dt = (16)
0
T3
http://www.khvt.com
J a 16
Nghĩa là chúng khác nhau = = 1.33 lần .
J 12
Hình 1.8 : Đặc tính thời gian của hệ tổn hao năng lượng tối thiểu (a) và hệ
tác động nhanh (b) .
Ví dụ 1.8 :
Xét bài toán tối ưu tác động nhanh với điều kiện đầu :
T
∫ u dt = θ
0
2 0 (1)
∫ (u ) dt = q0
2
2 (2)
0
Điều kiện biên :

u2 (0) = u2 (T ) = 0 (3)
Với bài toán tác động nhanh , từ (1.49) và (1.50) ta có thể viết :
L(u2 , u2 , λ1 , λ2 ) = 1 + λ1u2 + λ2 (u2 ) 2 (4)
Phương trình Euler_Lagrange :
∂L d ∂L
− =0 (5)
∂u2 dt ∂u2
⇒ λ1 − 2λ2u2 = 0 (6)
Trang 31
λ1
⇒ u2 = (7)
2λ2
Lấy tích phân biểu thức trên ta được :
λ1
u2 (t ) = x(t ) = t + c1 (8)
2λ2
λ1 2
u2 (t ) = t + c1t + c2 (9)
4λ2
λ1
Kết hợp (9) với điều kiện u2 (0) = 0 suy ra : c2 = 0 và c1 = − T .
4λ2
2θ 0 λ1
Và điều kiện u2 (T ) = 0 ta có : c1 = − T
T 2 6λ2
λ1 24θ
⇒ = − 30 (10)
λ2 T
6θ 0
⇒ c1 = (11)
T2
Thế vào (8) , (9) được :
6θ0 12θ 0
u2∗ (t ) = x∗ (t ) = − 3 t (12)
T2 T
6θ 0 6θ
u2∗ (t ) = 2
t − 30 t 2 (13)
T T
So sánh với ví dụ trước , ta thấy quá trình tối ưu là hoàn toàn giống nhau .
Ví dụ 1.9 :
Xét đối tượng có mô hình toán học gần đúng như sau :
xi = f i ( x, δ i (t )) + g k ( x )u * i = 1, n; k ∈ [1, n] (1)
Trong đó x = ( x1 , x 2 ,..., x n ) – vector trạng thái ; g k (x ) - hàm phi tuyến

T
tường minh ; f i ( x, δ i (t )) - hàm phi tuyến không tường minh ; δ i (t ) - các

nhiễu ngẫu nhiên ; u - tín hiệu điều khiển .
Chọn hàm chỉ tiêu chất lượng có dạng :
[ ]
∞
J = ∫ Ψ ( x ) + Ψ (x ) dt
2 2
(2)
0
http://www.khvt.com
Trong đó Ψ là hàm số khả vi hoặc tuyến tính từng đoạn và Ψ (0 ) = 0 . Hàm

Ψ được lựa chọn dựa trên các yêu cầu về động học của hệ thống . Luật điều
khiển u đảm bảo cực tiểu hoá chỉ tiêu chất lượng J có thể được xác định
bằng cách giải phương trình Euler :
Ψ+Ψ =0 (3)
Đạo hàm của hàm số Ψ có dạng :
dΨ n
∂Ψ n
∂Ψ
=∑ xi + ∑ δi (4)
dt i =1 dx i i =1 dδ i
Kết hợp (4) và (1) ta có :

dΨ ∂Ψ
( f i (x, δ i ) + g k (x )u ) + ∑ ∂Ψ δ i
n n
=∑
dt i =1 dx i i =1 dδ i
(5)
n
∂Ψ ∂Ψ n
∂Ψ
=∑ f i ( x, δ i ) + g k ( x )u + ∑ δi
i =1 dxi dxi i =1 dδ i
i≠k
Giải phương trình (3) kết hợp với (5) , xác định luật điều u * khiển đảm bảo
cực tiểu hoá hàm mục tiêu J và định hướng động học hệ thống chuyển
động theo xu hướng lim Ψ ( x ) → 0 :
t →∞
−1 ⎡ ⎤
1 ⎡ ∂Ψ ⎤ ⎢ n n
∂Ψ ⎥
u =− ⎥ Ψ + ∑ f i ( x, δ i ) + ∑ δi
*
⎢ (6)
g k ( x ) ⎣ ∂xi ⎦ ⎢ i =1 i =1 ∂δ i
⎥
⎢⎣ i≠k ⎥⎦
∂Ψ
Lưu ý rằng luật điều khiển u * chỉ có nghĩa khi g k ( x ) ≠ 0 và ≠0 .
∂x k
1.2.2 Phương pháp quy hoạch động Belman

1. Giới thiệu
Phương pháp quy hoạch động được dựa trên nguyên lý tối ưu sơ khai của
Belman :
Một chiến lược tối ưu có tính chất không phụ thuộc vào những quyết định
trước đó ( ví dụ như những luật điều khiển ) song các quyết định còn lại phải
cấu thành nên chiến lược tối ưu có liên quan với kết quả của những quyết
định truớc đó .
Trang 33
Nguyên lý tối ưu của Belman : “ Bất kỳ một đoạn cuối cùng nào của quỹ đạo
tối ưu cũng là một quỹ đạo tối ưu ” .
Nguyên lý này giới hạn xem xét trên một số các chỉ tiêu tối ưu . Nó chỉ ra
rằng phương án tối ưu phải được xác định từ trạng thái cuối đi ngược về
trước đó .
Điều kiện áp dụng : nguyên lý tối ưu là một phương pháp số , chỉ áp dụng
được khi hệ thống có phân cấp điều khiển và ta biết trước sơ đồ mắt lưới
được xây dựng bằng thực nghiệm .
Ví dụ đơn giản sau sẽ chỉ ra những vấn đề mấu chốt của phương pháp này .
Bài toán đường bay của máy bay
Một máy bay bay theo hướng từ trái sang phải như Hình 1.9 qua các điểm a,
b, c… tượng trưng cho các thành phố , và mức nhiên liệu cần thiết để hoàn
tất mỗi chặng đường . Chúng ta sẽ dùng nguyên lý tối ưu của Belman để
giải bài toán cực tiểu hóa nhiên liệu tiêu hao .
Liệt kê các trạng thái k từ 0 đến 4 trong quá trình ra quyết định như Hình
1.9 (đầu mũi tên và con số trong khung bước đầu có thể chưa cần quan tâm).
Tại mỗi giá trị k = 0,1,....N − 1 phải có một quyết định , và N là trạng thái
cuối .
Trạng thái hiện tại là nút mà chúng ta đang ra quyết định . Vì thế trạng thái
ban đầu là x0 = a . Tại trạng thái 1 , các khả năng có thể là x1 = b hoặc
x1 = d . Tương tự với x2 = c , e hoặc g ; x3 = f hoặc h và trạng thái cuối
cùng xn = x4 = i .
Điều khiển u k ở trạng thái k đến trạng thái k+1 có hai giá trị u k = ±1 : đi
theo hướng lên thì u k = 1 và u k = −1 nếu đi theo hướng xuống .
Đến đây chúng ta có bài toán tối thiểu hóa năng lượng tiêu hao với trạng
thái cuối cố định , luật điều khiển và các giá trị trạng thái .
Để tìm ra luật điều khiển ứng với mức tiêu hao nhiên liệu tối thiểu , ta sử
dụng nguyên lý tối ưu của Belman , được bắt đầu ở k = N = 4 . Không có
quyết định nào được yêu cầu ở đây do đó ta giảm k = 3 .
Nếu x3 = f thì luật điều khiển tối ưu là u3 = −1 và chi phí là 4 . Điều này
được thể hiện bằng cách đặt (4) phía trên nút f và chiều mũi tên theo chiều
từ f đến i . Nếu x3 = h thì luật điều khiển tối ưu là u3 = 1 và chi phí là 2 ,
được thể hiện như trên hình .
http://www.khvt.com
Bây giờ giảm k xuống 2 . Nếu x2 = c thì u 2 = −1 với tổng chi phí sẽ là 4 +
3 = 7 . Nếu x2 = e chúng ta phải đưa ra một quyết định . Nếu chọn u 2 = 1
để đến được f và sau đó đến i , chi phí sẽ là 4 + 3 = 7 .
Hình 1.9 : Luật điều khiển năng lượng tiêu hao tối thiểu .
Một cách khác , nếu chúng ta chọn u 2 = −1 tại e và đi đến h , chi phí sẽ là 2
+ 2 = 4 . Vì thế , tại e cách lựa chọn tối ưu là u 2 = −1 với chi phí là 4 .
Nếu x2 = g thì chỉ có một sự chọn lựa duy nhất là u 2 = 1 với chi phí di
chuyển là 6 .
Bằng cách lần lượt giảm k và tiếp tục so sánh các phương án điều khiển tối
ưu được cho bởi nguyên lý tối ưu , chúng ta có thể điền vào các lựa chọn
còn lại ( đầu mũi tên ) và chi phí tối ưu được thể hiện trong Hình 1.9 . Dễ
dàng nhận ra rằng chuỗi điều khiển được lựa chọn là chuỗi tối ưu .
Chú ý rằng khi k = 0 , luật điều khiển có thể là u 0 = 1 hoặc u0 = −1 cùng
cho chi phí là 8 ; luật điều khiển khi k = 0 là duy nhất .
Có nhiều điểm cần chú ý trong ví dụ này . Trước hết , ta có hai đường đi từ
a đến i với cùng một chi phí là 8 : a → b → e → h → i ( đường nét đậm ) và
a → d → e → h → i ( đường nét đứt ) . Hiển nhiên giải pháp tối ưu trong
quy hoạch động là không duy nhất . Thứ hai , giả định chúng ta cố gắng xác
định lộ trình tối ưu đi từ a đến i khi không biết nguyên lý tối ưu và đi theo
chiều thuận . Tại a ta sẽ so sánh chi phí khi đi đến b hoặc d , và chúng ta
quyết định đi đến d . Tiếp tục như vậy ta sẽ đi đến g . Ở đó không còn lựa
Trang 35
chọn nào khác là đi đến i qua h . Toàn bộ chi phí cho phương án này là 1 + 2
+ 4 + 2 = 9 và không phải là tối ưu .
Cuối cùng chúng ta chỉ ra rằng nguyên lý tối ưu của Belman giúp giảm số
lượng phép tính toán cần thiết bằng cách giảm số lượng các lựa chọn có thể
thực hiện .
2. Hệ rời rạc
Phương pháp quy hoạch động cũng có thể dễ dàng áp dụng cho hệ phi tuyến
Ngoài ra , nếu có càng nhiều điều kiện ràng buộc đối với tín hiệu điều khiển
và biến trạng thái thì ta có được lời giải càng đơn giản .
Đặt :
xk +1 = f k ( xk , uk ) (1.56)
với số mũ k trên f thể hiện sự thay đổi theo thời gian . Giả định kết hợp với
hàm chỉ tiêu chất lượng :
N −1
J i ( xi ) = φ ( N , xN ) + ∑ Lk ( xk , uk ) (1.57)
k =i
với [i, N ] là thời gian lấy mẫu . Chúng ta cần chỉ ra sự phụ thuộc của J đối
với trạng thái và thời gian đầu .
Giả sử ta đã có được tổn hao tối ưu J k∗+1 ( xk +1 ) từ thời điểm k + 1 đến thời
điểm cuối N ứng với những phương án khả thi xk +1 , và chuỗi các phương
án tối ưu từ thời điểm k + 1 đến N cho mọi xk +1 .
Tại thời điểm k , nếu ta áp dụng một luật điều khiển u k bất kỳ và sử dụng
một chuỗi luật điều khiển tối ưu kể từ vị trí k + 1 , lúc đó tổn hao sẽ là :
J k = Lk ( xk , uk ) + J k∗+1 ( xk +1 ) (1.58)
với xk là trạng thái ở thời điểm k , và xk +1 được cho bởi (1.56) . Theo
nguyên lý Belman thì tổn hao tối ưu từ thời điểm k sẽ là :
(
J k∗ ( xk ) = min Lk ( xk , uk ) + J k∗+1 ( xk +1 )
uk
) (1.59)
và luật điều khiển tối ưu u k* tại thời điểm k là u k làm cho tổn hao đạt cực
tiểu .
Phương trình (1.59) chính là nguyên lý tối ưu cho hệ rời rạc . Vai trò quan
trọng của nó là có thể cho phép chúng ta tối ưu hóa cùng lúc tại thời điểm a
nhiều hơn một vector điều khiển .
http://www.khvt.com
Trong thực tế , ta có thể định rõ các điều kiện ràng buộc được thêm vào
chẳng hạn như yêu cầu luật điều khiển u k thuộc về một bộ các luật điều
khiển được chấp nhận .
Ví dụ 1.10 :
Xét hệ :
x k +1 = x k + u k (1)
có hàm chỉ tiêu chất lượng :
1 N −1 2
J 0 = xN2 + ∑ uk
2 k =0
(2)
với thời điểm cuối cùng N = 2 . Tín hiệu điều khiển bị ràng buộc lấy các giá
trị :
uk = −1, −0.5, 0, 0.5,1 (3)
và biến trạng thái bị ràng buộc lấy các giá trị :
xk = 0, 0.5,1,1.5 (4)
Điều kiện ràng buộc đối với tín hiệu điều khiển không phải là không có lý
do , tín hiệu điều khiển tối ưu thời gian tối thiểu chỉ lấy các giá trị ±1 ( ví dụ
1.12 ), trong khi tín hiệu điều khiển tối ưu nhiên liệu tối thiểu nhận các giá
trị 0 , ±1 . Điều kiện ràng buộc đối với biến trạng thái trong bài toán này
cũng hợp lý , vì nếu trạng thái ban đầu lấy một trong các giá trị chấp nhận
được (4) , thì dưới ảnh hưởng của các tín hiệu điều khiển cho phép (3) các
trạng thái sau đó sẽ lấy các giá trị nguyên và bán nguyên . Điều kiện ràng
buộc (4) có thể viết lại là x0 = 0, 0.5,1,1.5 và
0 ≤ xk ≤ 1.5 (5)
Đây là điều kiện xác thực và ràng buộc biên độ về trạng thái , thường là hợp
lý trong các tình huống vật lý .
Bây giờ , bài toán điều khiển tối ưu là tìm dãy tín hiệu điều khiển chấp nhận
được u0∗ , u1∗ sao cho chỉ tiêu chất lượng J 0 đạt giá trị cực tiểu trong khi tạo
ra quỹ đạo trạng thái chấp nhận được x0∗ , x1∗ , x2∗ . Chúng ta muốn uk∗ được xác
định như là luật điều khiển hồi tiếp trạng thái .
Theo (1.58) ta có :
1
J k = uk2 + J k∗+1 (6)
2
Trang 37
⇒ J k∗ = min ( J k ) (7)
uk
Để tìm uk∗ và J k∗ ứng với mỗi xk . Ta xuất phát từ trạng thái cuối cùng .
k = N = 2 : J 2∗ = x2∗
Ứng với mỗi giá trị xN = 0, 0.5,1,1.5 ta có các giá trị J N∗ = 0, 0.25,1, 2.25 .
k = 1 : J1 = u22 / 2 + J 2∗
- x1 = 1.5 : vì x2 = x1 + u1 và 0 ≤ x2 ≤ 1.5 nên ta chỉ xét các giá trị u1 ≤ 0
u1 = 0 ⇒ x2 = 1.5 + 0 = 1.5 ⇒ J 2∗ = 2.25
⇒ J1 = u22 / 2 + J 2∗ = 02 / 2 + 2.25 = 2.25
u1 = −0.5 ⇒ x2 = 1.5 + ( −0.5 ) = 1 ⇒ J 2∗ = 1
⇒ J1 = ( −0.5 ) / 2 + 1 = 1.125
2
u1 = −1 ⇒ x2 = 1.5 + ( −1) = 0.5 ⇒ J 2∗ = 0.25
⇒ J1 = ( −1) / 2 + 0.25 = 0.75

2
Như vậy , tín hiệu điều khiển tối ưu với x1 = 1.5 là u1∗ = −1 và tổn hao tối
ưu là J1∗ = 0.75 . Ta có được sơ đồ như sau với mũi tên chỉ ra trạng thái tối
ưu .
Tương tự như vậy cho các trường hợp còn lại của x1 . Tiếp tục với trạng
thái k = 0 . Cuối cùng ta sẽ được lưới kết quả như Hình 1.10 .
http://www.khvt.com
Hình 1.10 : Lưới kết quả của bài toán tối ưu giải bằng phương pháp quy
hoạch động .
3. Phương pháp điều khiển số

Chúng ta có thể rời rạc hóa , giải bài toán tối ưu cho hệ rời rạc và sau đó
dùng khâu giữ bậc 0 để tạo ra tín hiệu điều khiển số .
Cho hệ thống :
x = f ( x, u , t ) (1.60)
Với hàm chỉ tiêu chất lượng :
T
J ( 0 ) = φ ( x (T ) , T ) + ∫ L ( x ( t ) , u ( t ) , t ) dt (1.61)
0
Trang 39
Để rời rạc hệ thống với chu kỳ lấy mẫu τ giây, ta có thể sử dụng hàm xấp
xỉ bậc 1 :
x(kτ ) = ( xk +1 − xk ) / τ (1.62)
Viết (1.60) dưới dạng :
xk +1 = xk + τ f ( xk , uk , kτ ) (1.63)
Để cho đơn giản ta định nghĩa : xk x ( kτ ) , uk u ( kτ )

Định nghĩa hàm rời rạc :
f k ( xk , uk ) xk + τ f ( xk , uk , kτ ) (1.64)
Khi đó ta có thể viết :
xk +1 = f k ( xk , uk ) (1.65)
Phương trình này đúng với (1.56) .
Để rời rạc hoá hàm chỉ tiêu , ta có thể viết :
N −1 ( k +1)τ
J ( 0 ) = φ ( x (T ) , T ) + ∑ ∫ L ( x ( t ) , u ( t ) , t ) dt (1.66)
k =0 kτ
T
Trong đó : N= (1.67)
τ
Sử dụng hàm xấp xỉ bậc 1 cho mỗi đại lượng tích phân :
N −1
J ( 0 ) = φ ( x (T ) , T ) + ∑τ L ( xk , uk , kτ ) (1.68)
k =0
Định nghĩa hàm rời rạc :

J0 J (0)
φ S ( N , xN ) φ ( x ( Nτ ) , Nτ )
Lk ( xk , uk ) τ L ( xk , uk , kτ ) (1.69)
Khi đó ta có :
N −1
J ( 0 ) = φ S ( N , xN ) + ∑ Lk ( xk , uk ) (1.70)
k =0
Đây là công thức (1.57) .
http://www.khvt.com
Trong trường hợp hệ thống tuyến tính bất biến theo thời gian với chỉ tiêu
chất lượng dạng toàn phương :
x = Ax + Bu (1.71)
T
1 1
2 20
(
J ( 0 ) = xT (T ) S (T ) x (T ) + ∫ xT Qx + u T Ru dt ) (1.72)
Sử dụng hàm xấp xỉ bậc nhất để rời rạc hoá hệ thống trở thành :
xk +1 = ( I + Aτ ) xk + Bτ uk (1.73)
1 T 1 N −1
J (0) =
2 2 k =0
(
xN S N xN + ∑ xkT Q S xk + ukT R S uk ) (1.74)
Trong đó :
SN S ( Nτ ) (1.75)
Q S = Qτ (1.76)
R S = Rτ (1.77)
Tuy nhiên trong trường hợp này ta có thể làm tốt hơn xầp xỉ Euler (1.73)
bằng cách sử dụng chính xác phương trình trạng thái (1.71) bao gồm bộ lấy
mẫu và khâu giữ bậc 1 :
x k +1 = A S x k + B S u k (1.78)
Trong đó :
A S = e Aτ (1.79)
τ
(
B S = ∫ e Aτ B dt ) (1.80)
0
Khi đó hệ thống này đã được rời rạc hoá , phương pháp quy hoạch động có
thể được áp dụng để tính u k* như trong phần rời rạc . Điều khiển số áp dụng
trong thực tế được thể hiện như sau :
u ( t ) = uk∗ , kτ ≤ t ≤ ( k + 1)τ (1.81)
Để sử dụng phương pháp quy hoạch động , biến trạng thái và giá trị điều
khiển trước hết phải được lượng tử hoá , được giới hạn theo một số tập giá
trị có thể chấp nhận . Mức độ lượng tử càng tốt thì tín hiệu số càng chính
xác ; tuy nhiên khi số lượng có thể chấp nhận được của xk và uk tăng thì
Trang 41
khối lượng tính toán để tìm u k* cũng tăng theo . Vấn đề này có thể nhanh
chóng gây khó khăn kể cả đối với các máy tính lớn .
1.2.3 Nguyên lý cực tiểu Pontryagin _ Hamilton

1. Nguyên lý cực tiểu của Pontryagin.
Cho hệ thống :
x = f ( x, u , t ) (1.82)
Kết hợp hàm chỉ tiêu chất lượng :
T
J (t 0 ) = φ ( x(T ), T ) + ∫ L( x, u, t )dt (1.83)
t0
Trạng thái cuối phải thỏa :

Ψ ( x (T ) , T ) = 0 (1.84)
và x(t0) đã được cho trước .
Điều kiện để bài toán tối ưu là :
∂H
=0 (1.85)
∂u
với H ( x, u , λ , t ) = L ( x , u , t ) + λ T f ( x , u , t ) (1.86)
Giả sử hàm điều khiển u(t) là ràng buộc trong một vùng giới hạn cho phép ,
có nghĩa là giá trị yêu cầu có độ lớn nhỏ hơn giá trị đã cho . Điều kiện
dừng thay bằng điều kiện tổng quát :
H ( x∗ , u ∗ , λ ∗ , t ) ≤ H ( x∗ , u ∗ + ∂u , λ ∗ , t ) Thỏa tất cả giá trị δ u
Dấu * thể hiện chỉ số chất lượng tối ưu . Mà bất kỳ sự biến thiên nào trong
bộ điều khiển tối ưu xảy ra tại thời điểm t ( trong khi trạng thái và biến trạng
thái nếu được duy trì ) sẽ tăng đến giá trị của hàm Hamilton . Điều kiện này
được viết như sau :
H ( x∗ , u ∗ , λ ∗ , t ) ≤ H ( x∗ , u, λ ∗ , t ) Thỏa tất cả giá trị u (1.87)
Yêu cầu tối ưu biểu thức (1.87) được gọi nguyên lý cực tiểu Pontryagin : “
Hàm Hamilton phải được cực tiểu hóa ở tất cả các giá trị u cho giá trị tối
ưu của trạng thái và biến trạng thái ”.
http://www.khvt.com
Chúng ta sẽ thấy nguyên lý cực tiểu hữu dụng như thế nào . Đặc biệt chú ý
không thể nói rằng biểu thức H ( x∗ , u ∗ , λ ∗ ) ≤ H ( x, u, λ , t ) chắc chắn phải
đúng .
Ví dụ 1.11 :
Tối ưu hóa với những ràng buộc
Giả sử chúng ta muốn tối ưu cực tiểu hàm :
1 2
L= u – 2u + 1 (1)
2
Với điều kiện :
u ≤1 (2)
Xem Hình 1.11 .
Nguyên lý cực tiểu :
L(u*) ≤ L(u) thỏa ∀u (3)
Hình 1.11 : Tối ưu hoá với nhiều điều kiện ràng buộc .
Dễ dàng thấy được giá trị tối ưu của u là :

u* = 1 (4)
Giá trị tối ưu của L là :
Trang 43
1
L* = L(1) = - (5)
2
Giá trị nhỏ nhất không ràng buộc tìm được bằng cách giải :
∂L
= u -2 = 0 (6)
∂u
nhận được :
u=2 (7)
và :
L(2) = -1 (8)
nhỏ hơn (5) ; nhưng u=2 thì không nằm trong khoản u ≤ 1 .
2. Điều khiển Bang-Bang

Chúng ta hãy thảo luận bài toán tối thiểu thời gian tuyến tính với ngõ vào
ràng buộc . Cho hệ thống :
x = Ax + Bu (1.88)
với chỉ tiêu chất lượng :
T
J(t0) = ∫ 1dt (1.89)
t0
Với T tự do . Giả sử hàm điều khiển phải thỏa mãn điều kiện sau :
u (t ) ≤ 1 ∀t ∈ [t0 , T ] (1.90)
Bài toán tối ưu đặt ra là tìm tín hiệu điều khiển u(t) để cực tiểu hoá J(t0) ,
thỏa mãn điều kiện (1.90) với ∀t , đi từ trạng thái x(t0) đến trạng thái cuối
cùng x(T) thỏa công thức (1.84) của hàm ψ .
Hàm Hamilton cho vấn đề này là :
H = L + λ T f = 1 + λ T ( Ax + Bu ) (1.91)
điều kiện dừng được tìm thấy là :
∂H
0= = BTλ (1.92)
∂u
Nó không chứa u bởi vì hàm Hamilton tuyến tính đối với u . Rõ ràng , để H
cực tiểu chúng ta nên chọn u(t) sao cho λT(t)Bu(t) càng nhỏ càng tốt ( có
http://www.khvt.com
nghĩa là giá trị càng xa về phía bên trái trên trục tọa độ thực ; λTBu = - ∞ là
giá trị nhỏ nhất ) . Nếu không có sự ràng buộc nào trên u(t) , thì điều này sẽ
cho ra những giá trị vô hạn ( dương hoặc âm ) của những biến điều khiển .
Với kết quả này , bài toán tối ưu đặt ra phải có những điều kiện ràng buộc
đối với tín hiệu điều khiển .
Theo nguyên lý cực tiểu Pontryagin (1.87) , hàm điều khiển tối ưu u*(t) phải
thỏa mãn :
1 + (λ ∗ )T ( Ax∗ + Bu ∗ ) ≤ 1 + (λ ∗ )T ( Ax∗ + Bu )
⇒ (λ ∗ )T Bu ∗ ≤ (λ ∗ )T Bu (1.93)
đối với tất cả giá trị u(t) cho phép . Điều kiện này cho phép chúng ta biểu
diễn u*(t) dưới dạng biến trạng thái . Để thấy điều này , trước tiên chúng ta
thảo luận về trường hợp một ngõ vào .
Đặt u(t) là một đại lượng vô hướng và đặt b tượng trưng cho vector ngõ vào .
Trong trường hợp này dễ dàng chọn u*(t) để tối thiểu λT(t) bu(t) . ( Chú ý :
giá trị nhỏ nhất nghĩa là λT(t)bu(t) nhận một giá trị càng gần - ∞ càng tốt ) .
Nếu λT(t)b là giá trị dương , chúng ta nên chọn u(t) = -1 làm cho λT(t)bu(t)
có giá trị âm nhất . Mặt khác , nếu λT(t)b là giá trị âm , chúng ta nên chọn
u(t) ở giá trị cực đại là giá trị 1 để giá trị λT(t)bu(t) càng âm càng tốt . Nếu
giá trị λT(t)bu(t) bằng zero tại thời điểm t , khi đó u(t) có thể nhận bất cứ giá
trị nào tại thời điểm này .
Quan hệ giữa điều khiển tối ưu và biến trạng thái có thể biểu diễn bằng hàm
sgn(w) :
⎧ 1 w>0
⎪
sgn ( w ) = ⎨( −1,1) w = 0 (1.94)
⎪ −1 w < 0
⎩
Khi đó hàm điều khiển tối ưu được cho bởi :
u ∗ (t ) = − sgn(bT λ (t )) (1.95)
u* được biểu diễn dưới dạng biến trạng thái , với hệ tuyến tính dạng toàn
phương .
Giá trị bTλ(t) được gọi là hàm chuyển đổi . Một hàm chuyển đổi mẫu và bộ
điều khiển tối ưu được diễn tả ở Hình 1.12 . Khi hàm chuyển đổi này đổi
dấu , bộ điều khiển chuyển từ cực trị này đến cực trị khác . Bộ điều khiển
trong hình được chuyển đổi bốn lần . Điều khiển thời gian tối thiểu tuyến
Trang 45
tính tối ưu luôn bão hòa khi nó chuyển đổi tại vị trí giữa các giá trị cực trị ,
cho nên được gọi là điều khiển Bang-bang .
Nếu bộ điều khiển là một vector có m phần tử , theo nguyên lý cực tiểu ta
chọn các thành phần ui(t) bằng 1 , nếu các thành phần biTλ(t) là giá trị âm ;
và bằng -1 nếu biTλ(t) là giá trị dương , với bi là cột thứ i của B . Phương
pháp điều khiển này tạo thành một giá trị :
m
λ T (t ) Bu (t ) = ∑ ui (t )biT λ (t ) (1.96)
i =1
càng nhỏ càng tốt với mọi t ∈ [t 0 , T ] .

Ta có thể viết :
u ∗ (t ) = − sgn( BT λ (t )) (1.97)
nếu chúng ta định nghĩa hàm sgn cho vector w như sau :
v = sgn(w) nếu vi = sgn(w) cho mỗi i (1.98)
vi , wi là những thành phần của v và w .
Thành phần biTλ(t) của hàm chuyển đổi BTλ(t) có thể bằng zero trên một
khoảng thời gian hữu hạn . Nếu điều đó xảy ra , thành phần ui(t) của bộ điều
khiển tối ưu không định nghĩa được bởi biểu thức (1.93) . Đó gọi là điều
kiện kỳ dị . Nếu điều đó không xảy ra , thì bộ điều khiển thời gian tối ưu
được gọi là bình thường .
Nếu hệ thống là bất biến theo thời gian , ta sẽ có được quả đơn giản và bộ
điều khiển thời gian tối ưu là duy nhất .
Hình 1.12 : Hàm chuyển đổi mẫu và bộ điều khiển tối ưu .
Hệ thống bất biến theo thời gian trong biểu thức (1.88) có thể đạt được nếu
chỉ có một ma trận
http://www.khvt.com
U n = ⎡⎣ B AB … An −1 B ⎤⎦ (1.99)
cấp n . Nếu bi là cột thứ i của B∈Rn x n , khi đó hệ thống là bình thường nếu :
U = ⎡⎣b Ab … An −1b ⎤⎦ (1.100)
cấp n cho mỗi giá trị i = 1 , 2 , … , m ; mà khi thành lập cho mỗi giá trị
riêng biệt u , u ∈ Rm .
Giả sử hệ thống bình thường và ta muốn dẫn x(t0) tiến đến trạng thái cuối
cố định x(T) với hàm điều khiển thỏa [u (t )] ≤ 1 . Khi đó :
1. nếu trạng thái cuối x(T) bằng zero , khi đó sẽ tồn tại bộ điều khiển thời
gian tối thiểu nếu hệ thống không có cực với phần thực dương ( ví dụ
không có cực trên mặt phẳng phía bên phải ) .
2. cho bất kỳ giá trị x(T) cố định , nếu tồn tại đáp án cho bài toán tối ưu thời
gian thì nó là duy nhất .
3. cuối cùng , nếu hệ thống có n cực thực và nếu tồn tại bộ điều khiển tối ưu
thời gian thì mỗi thành phần ui(t) của bộ điều khiển tối ưu thời gian thay
đổi n-1 lần .
Ví dụ 1.12 :
Điều khiển Bang-Bang
Cho hệ thống tuân theo định luật Newton :
y=v (1)
v =u (2)
T
với y là vị trí tọa độ và v là vận tốc . Trạng thái là x = [y u] . Cho gia tốc
ngõ vào u ràng buộc bởi :
u (t ) ≤ 1 (3)
Mục đích điều khiển là đưa trạng thái từ điểm ban đầu bất kỳ ( y ( 0 ) , v ( 0 ) )
đến điểm gốc trong thời gian T ngắn nhất . Trạng thái cuối được cố định tại :
⎡ y (T )⎤
ϕ (x(T),T) = ⎢ ⎥ =0 (4)
⎣ v(T ) ⎦
Lập hàm Hamilton (1.91) :
H = 1 + λyv + λvu (5)
λ = [λy λv] là biến trạng thái .
T
Từ hệ phương trình Hamilton ta có :
Trang 47
∂H
λy = − =0 (6)
∂y
∂H
λv = − = −λ y (7)
∂v
Điều kiện tiếp tuyến :
0 = H (T ) = 1 + λ y (T ) v (T ) + λv (T ) u (T ) (8)
hoặc dùng công thức (4) ,
λv (T ) u (T ) = −1 (9)
Nguyên lý cực tiểu Pontryagin cần đến phương trình (1.97) , hoặc :
u ( t ) = − sgn ( λv ( t ) ) (10)
vì thế thành phần biến trạng thái λv(t) là hàm chuyển đổi . Để xác định bộ
điều khiển tối ưu , ta chỉ cần xác định λv(t) .
Giải phương trình (6) và (7) với thời gian cuối T :
λ y ( t ) = const λy (11)
λv ( t ) = λv (T ) + (T − t ) λ y (12)
Dùng công thức (9) và giá trị u ∗ ( t ) bão hòa tại giá trị 1 hoặc –1 , ta được :
u ∗ (T ) = 1 và λv∗ (T ) = −1 (13)
hoặc :
u ∗ (T ) = −1 và λv∗ (T ) = 1 (14)
Có nhiều khả năng cho hàm chuyển đổi λv∗ ( t ) , tuỳ thuộc vào giá trị của
λv∗ (T ) và λy . Vài khả năng của hàm chuyển đổi λv∗ ( t ) được diễn tả trong
Hình 1.13 . Giá trị λv∗ (T ) ∈ (y(0) , v(0)) . Chú ý rằng λv∗ ( t ) là tuyến tính ,
và cắt ngang trục tọa độ .
Ta cần xác định phương pháp chuyển đổi để bộ điều khiển tối ưu luôn đúng ,
đồng thời cũng phải xác định thời điểm chuyển đổi tS ( xem Hình 1.13 ) .
http://www.khvt.com
Hình 1.13 : Các hàm chuyển đổi λv(t) có thể có .
Xét 2 tín hiệu điều khiển chấp nhận được : u ( t ) = 1 với ∀t hoặc u ( t ) = −1
với ∀t . Do cả 2 trường hợp u đều là hằng số nên khi kết hợp phương trình
trạng thái (2) và (1) ta được :
v ( t ) = v ( 0 ) + ut (15)
1
y ( t ) = y ( 0 ) + v ( 0 ) t + ut 2 (16)
2
Để loại bỏ thời gian biến thiên , từ dùng biểu thức (15) ta có được :
t = (v (t ) − v (0)) / u
và sau đó thay vào biểu thức (16) suy ra :
( y ( t ) − y ( 0 ) ) u = v ( 0 ) ( v ( t ) − v ( 0 ) ) + 12 ( v ( t ) − v ( 0 ) )
2
(17)
Đây là một parabol đi qua tọa độ ( y ( 0 ) , v ( 0 ) ) và khi trạng thái ban đầu
biến thiên ta vẽ được một họ parabol . Đồ thị mặt phẳng pha phản ánh trạng
thái biến thiên diễn tả cho trường hợp u = 1 và u = -1 ở Hình 1.14 . Họ quỹ
đạo đi từ dưới lên trên ứng với trường hợp u = 1 , và họ quỹ đạo đi từ trên
xuống dưới ứng với u = -1 . Mũi tên chỉ hướng tăng của thời gian .
Trang 49
Như đã trình bày ở trên , tín hiệu điều khiển tối ưu u ( t ) là một hàm không
đổi từng đoạn , lấy giá trị ±1 và có nhiều nhất là hai đoạn không đổi . Do
đó, nếu ban đầu trong một khoảng thời gian nào đó u ( t ) lấy giá trị +1 và
sau đó là -1 thì họ quỹ đạo pha gồm hai đoạn của các parabol nối tiếp nhau,
trong đó đoạn parabol thứ hai là đường parabol chạy về gốc toạ độ. Như
vậy, đường cong hợp bởi hai nhánh parabol (đường đứt nét trên Hình 1.14)
là quỹ đạo cuối đưa trạng thái về gốc toạ độ , đường cong đó được gọi là
đường chuyển đổi và có phương trình là :
⎧ 1 2 v<0
⎪⎪ v
y=⎨ 2 (18)
⎪− 1 v 2 v>0
⎪⎩ 2
Theo nguyên lý cực tiểu, chỉ có những quỹ đạo trên là tối ưu và từ một điểm
của mặt phẳng pha chỉ có một quỹ đạo tối ưu chạy về gốc tọa độ .
Hình 1.14 : Qui tắc điều khiển hồi tiếp .
http://www.khvt.com
Bây giờ chúng ta sẽ đi tìm thời gian tối thiểu tới đích với trạng thái ban đầu
( y ( 0) , v ( 0)) .
Giả sử rằng trạng thái đầu nằm trên đường cong chuyển ứng với u = -1 , sau
đó chuyển sang u = 1 rồi về gốc tọa độ . Khi đó luật điều khiển u = -1 được
áp dụng đầu tiên để đưa trạng thái từ ( y ( 0 ) , v ( 0 ) ) dọc theo đường parabol
để đến đường cong chuyển đổi . Tại điểm chuyển đổi ( I ) ứng với thời điểm
chuyển đổi tS , tín hiệu điều khiển chuyển thành u = 1 và đưa trạng thái về
gốc toạ độ .
Chúng ta có thể xác định thời điểm chuyển đổi ts khi trạng thái nằm trên
đường cong này . Dùng công thức (15) và (16) với u = -1 suy ra :
t2
y (t ) = y ( 0) + v ( 0) t −
2
v2 (t ) v2 ( 0) t2
= = − v ( 0) t +
2 2 2
v2 ( 0)
⇒ t 2 − 2v ( 0 ) t + − y ( 0) = 0 (19)
2
Thời điểm chuyển đổi sẽ là :
v2 ( 0)
tS = v ( 0 ) + y ( 0 ) + (20)
2
Áp dụng (15) tại điểm chuyển đổi ta có :
v ( tS ) = v ( 0 ) − tS (21)
Cũng sử dụng (15) đối với thời gian còn lại (T − tS ) ( bây giờ u = 1 ) :
0 = v (T ) = v ( tS ) + (T − tS ) (22)
Từ (21) và (22) ta tính được thời gian cực tiểu đến đích :
T = 2tS − v ( 0 )
Hoặc :
v2 ( 0)
T = v ( 0) + 2 y ( 0) + (23)
2
Trang 51
3. Điều khiển Bang-Off-Bang

Ở phần này chúng ta sẽ thảo luận bài toán điều khiển nhiên liệu tối thiểu
tuyến tính với đầu vào bị ràng buộc .
Xét hệ thống :
x = Ax + Bu (1.101)
Giả định rằng nhiên liệu được sử dụng trong mỗi thành phần của đầu vào tỉ
lệ với độ lớn của thành phần ấy , ta định nghĩa hàm đánh giá :
T m
J ( t0 ) = ∫ ∑ ci ui ( t ) dt (1.102)
t0 i =1
Khi đó chúng ta cho phép khả năng tiêu thụ nhiên liệu của m đầu vào ui(t)
bởi trọng số vô hướng ci . Ta định nghĩa trị tuyệt đối của vector :
⎡ u1 ⎤
⎢ ⎥
u =⎢ ⎥ (1.103)
⎢u ⎥
⎣ m ⎦
( định nghĩa này tương tự (1.90) ) và vector C = [c1 c2 … cm]T . Ta có :
T
J ( t0 ) = ∫ C T u ( t ) dt (1.104)
t0
Giả định rằng bài toán thỏa :

u (t ) ≤ 1 (1.105)
Ta muốn tìm luật điều khiển để tối thiểu J(t0) , thỏa (1.105) và đưa x(t0) về
trạng thái cuối thỏa (1.84) với hàm Ψ đã cho . Thời gian cuối T có thể tự do
hoặc ràng buộc . Chúng ta sẽ thảo luận kỹ hơn ở ví dụ . Lưu ý rằng thời gian
T ít nhất phải bằng thời gian tối thiểu để đưa x(t0) về trạng thái cuối x(T)
thỏa (1.84) .
Hàm Hamilton :
H = C T u + λT ( Ax + Bu ) (1.106)
Theo nguyên lý cực tiểu (1.87) , bài toán điều khiển tối ưu phải thỏa :
C T u * + (λ* ) T ( Ax * + Bu * ) ≤ C T u + (λ* ) T ( Ax * + Bu ) (1.107)
với mọi giá trị u(t) . Vì trạng thái tối ưu và biến trạng thái xuất hiện ở cả hai
vế của bất đẳng thức , ta yêu cầu :
http://www.khvt.com
C T u * + (λ* ) T Bu * ≤ C T u + (λ* ) T Bu (1.108)

với mọi u(t) .
Để xác định u*(t) từ biến trạng thái λ(t) thỏa mãn (1.108) , ta giả sử rằng m
thành phần của bộ điều khiển là độc lập lẫn nhau (i=1,…,m) . Tất cả các giá
trị ui(t) phải thỏa bất đẳng thức vô hướng :
(λ ) (λ )
T T
*
bi u * *
bi ui
ui* + ≤ ui + (1.109)
ci ci
Với bi biểu diễn thành phần cột thứ i của ma trận B . Bây giờ ta phải tìm ra
cách thức để chọn giá trị ui*(t) từ λT(t)bi .
Với :
⎧u ui ≥ 0
ui = ⎨ i (1.110)
⎩− u i ui ≤ 0
ta có thể viết lại chỉ tiêu chất lượng theo dạng sau :
⎧⎛ 1 + biT λ ⎞
⎪⎜ ⎟ ui ui ≥ 0
biT λ ui ⎪⎝ ci ⎠
qi ( t ) ui + =⎨ (1.111)
ci ⎪⎛ 1 − bi λ ⎞
T
⎜ ⎟ ui ui ≤ 0
⎪
⎩⎝ ci ⎠
Nếu biTλ/ci bằng 1 , khi đó một vài giá trị không xác định dương của ui(t) sẽ
làm qi trong (1.111) bằng zero ; nếu biTλ/ci bằng -1 , khi đó một vài giá trị
không xác định âm của ui(t) sẽ làm qi bằng zero . Do đó bài toán nhiên liệu
tối thiểu có luật điều khiển giống như một bài toán phi tuyến .
Biến trạng thái hồi tiếp là :
bi λ (t ) / ci < −1
T
⎧ 1
⎪nonnegative
bi λ (t ) / ci = −1
T
⎪⎪
ui ( t ) = ⎨ 0 − 1 < bi λ (t ) / ci < 1
T
(1.112)
⎪ nonpositive bi λ (t ) / ci = 1
T
⎪
⎪⎩ bi λ (t ) / ci > 1
T
-1
Nếu chúng ta định nghĩa hàm vùng chết ( dead zone ) :
Trang 53
⎧ −1 w < −1
⎪ −1; 0
⎪⎪( ) w = −1
dez ( w ) = ⎨ 0 −1 < w < 1 (1.113)
⎪ ( 0;1) w =1
⎪
⎪⎩ 1 w >1
Ta có thể viết lại bài toán nhiên liệu tối thiểu như sau :
⎛ bi T λ (t ) ⎞
u i (t ) = −dez⎜⎜ ⎟
⎟ i = 1,2,..., m (1.114)
⎝ c i ⎠
mỗi thành phần u(t) hoặc bão hòa hoặc bằng zero , ta gọi điều này là luật
điều khiển bang-off-bang .
Nếu biTλ(t)/ci bằng 1 hoặc –1 , giữa 2 trạng thái có một khoảng thời gian
khác zero . Trong trường hợp này , nguyên lý cực tiểu sẽ không xác định
được các thành phần ui(t) . Đây gọi là những khoảng kỳ dị . Nếu biTλ(t)/ci
bằng 1 hoặc –1 chỉ tại một số khoảng thời gian xác định , đây là bài toán
nhiên liệu tối thiểu thông thường .
Bài toán điều khiển nhiên liệu tối thiểu là thông thường nếu A # 0 và nếu hệ
thống là bình thường . Có nghĩa là nếu Ui được định nghĩa bởi (1.100) thì nó
là kỳ dị với i = 1 , … , m .
Nếu bài toán nhiên liệu tối thiểu là bình thường và bộ điều khiển nhiên liệu
tối thiểu tồn tại , khi đó nó là duy nhất .
Ở ví dụ kế ta sẽ xem xét một số vấn đề của bài toán nhiên liệu tối thiểu .
Ví dụ 1.13 :
Điều khiển Bang-off-bang
Hệ thống được mô tả :
y=v (1)
v=u (2)
với x = [ y v ] . Điều kiện ràng buộc của ngõ vào :
T
u (t ) ≤ 1 (3)
Giả sử ta xác định được trạng thái đầu (y(0),v(0)) . Ta được :
⎡ y[T ]⎤
ψ (x(T ), T ) = ⎢ ⎥=0 (4)
⎣ v[T ]⎦
http://www.khvt.com
Chỉ tiêu chất lượng với yêu cầu nhiên liệu tối thiểu :
T
J (0 ) = ∫ u (t )dt (5)
0
Ta chưa chú ý đến trạng thái thời gian cuối T hoặc tự do hoặc ràng buộc,
mặc dù cuối cùng ta cũng sẽ xét đến cả 2 trường hợp .
Hàm Hamilton :
H = u + λ y v + λv u (6)
Trong đó λ = λ y[ λv ]T . Do đó phương trình biến trạng thái là :

λy = 0 (7)
λv = −λ y (8)
Điều kiện tiếp tuyến yêu cầu :
0 = H (T ) = u (T ) + λv (T )u (T ) (9)
Từ (4) , (7) , (8) ta suy ra :
λ y ( t ) = const λy (10)
λv ( t ) = λv (T ) + (T − t ) λ y (11)
Thành phần biến trạng thái λv(t) là tuyến tính . Tùy thuộc vào biến chưa biết
λy và λv(T) ( chúng tuỳ thuộc vào giá trị của trạng thái đầu ) , λv(t) có thể là
hằng số (λy = 0) , có thể tăng (λy < 0) hoặc giảm (λy > 0) . Xem Hình 1.13 .
Nguyên lý cực tiểu Pontryagin yêu cầu :
u (t ) = −dez (λv (t )) (12)
do đó điều khiển tối ưu là :
⎧ 1 λv (t ) < −1
⎪ [0;1] λv (t ) = −1
⎪⎪
u (t ) = ⎨ 0 − 1 < λv (t ) < 1 (13)
⎪[- 1;0] λv (t ) = 1
⎪
⎩⎪ - 1 λv (t ) > 1
Nói về tính tuyến tính của λv(t) , chúng ta thấy rằng u = 1 không thể chuyển
ngay thành u = -1 mà không qua giá trị trung gian u = 0 . Luật điều khiển có
thể chấp nhận là điều khiển tối ưu nếu thỏa những yêu cầu này .
Trang 55
Bây giờ chúng ta sẽ xác định luật điều khiển tối ưu và đi tìm những thời
điểm lúc bộ điều khiển chuyển đổi sang giá trị mới .
Bỏ qua những khoảng thời gian riêng biệt khác , có 3 giá trị của u(t) là : -1 ,
0 , 1 . Hình 1.14 cho ta quỹ đạo mặt phẳng pha khi u = 1 và u = -1 .
Nếu u(t) = 0 ∀t , khi đó trạng thái xác định bởi :
v (t ) = v ( 0) (14)
y (t ) = y ( 0) + v ( 0) t (15)
Những đường nằm ngang của hằng số v trong quỹ đạo mặt phẳng pha được
cho ở Hình 1.15 .
Quỹ đạo mặt phẳng pha trong trường hợp u = 0 là những đường mà việc tiêu
thụ nhiên liệu là zero . Để nhiên liệu sử dụng là tối thiểu , chúng ta sẽ cho hệ
thống di chuyển theo đường u = 1 hoặc –1 , dẫn trạng thái đến một trong
những đường nằm ngang . Sau đó di chuyển dọc theo đường nằm ngang
đến vị trí chuyển đổi qua đường u = -1 hoặc 1 để dẫn trạng thái tiến về zero .
Để thấy được luật điều khiển Bang-off-bang , chúng ta kết hợp quỹ đạo của
hai Hình 1.14 và 1.15 được Hình 1.16 .
Phần tiếp theo chúng ta sẽ thảo luận riêng những tình huống cho hai vấn đề
thời gian cuối tự do và cố định .
Hình 1.15 : Quỹ đạo mặt phẳng pha trong trường hợp u = 0 .
http://www.khvt.com
Hình 1.16 : Luật điều khiển Bang-Off-Bang .
Hình 1.17 : Quỹ đạo trạng thái nhiên liệu tối thiểu .
Thời gian cuối tự do :

Với trường hợp thời gian cuối tự do , khi đó luật điều khiển của bài toán
nhiên liệu tối thiểu sẽ không tồn tại .
Trang 57
Thời gian cuối cố định :

Cho trạng thái đầu như đã mô tả ở Hình 1.17 . Đối với bài toán thời gian tối
thiểu thì thời gian cuối nhỏ nhất là :
v 2 (0)
Tmin = v(0) + y (0) + (16)
2
Giả định rằng thời gian T của bài toán nhiên liệu tối thiểu được cố định tại
giá trị :
T > Tmin (17)
Khi đó luật điều khiển của bài toán nhiên liệu tối thiểu là : -1 , 0 , 1 với thời
gian chuyển đổi t1 và t2 đã được xác định .
Từ 0 < t < t1 , u(t) = -1 , biểu thức (15) và (16) trong ví dụ Bang-bang trở
thành :
v1 = v ( t1 ) = v0 − t1 (18)
t12
y ( t1 ) = y ( 0 ) + v ( 0 ) t1 − (19)
2
Từ t1 < t < t2 , u(t) = 0 , ta có phương trình trạng thái :
v ( t2 ) = v1 (20)
y ( t2 ) = y ( t1 ) + v1 ( t2 − t1 ) (21)
Từ t2 < t < T , u(t) = 1 , ta được :
0 = v (T ) = v ( t2 ) + ( T − t2 ) (22)
(T − t2 )
2
0 = y (T ) = y ( t2 ) + v ( t2 )(T − t2 ) + (23)
2
trong đó ta có sử dụng điều kiện biên (4) .
Thế (18) , (20) vào (22) , ta được :
t 2 = v 0 + T − t1 (24)
Thế (18) , (19) , (20) , (21) , (24) vào (23) và đơn giản hóa , cho ra kết quả :
⎛ v ⎞
2
t1 − (v0 + T )t1 + ⎜⎜ y 0 + v0T + 0 ⎟⎟ = 0

2
(25)
⎝ 2 ⎠
http://www.khvt.com
với nghiệm :
(v0 + T ) ± (v0 + T )2 − (4 y 0 + 2v0 2 )

t= (26)
2
từ (24) và thực tế thì t1 < t2 , ta có :
(v0 + T ) − (v0 + T )2 − (4 y 0 + 2v0 2 )

t1 = (27)
2
và :
(v0 + T ) + (v0 + T )2 − (4 y 0 + 2v0 2 )

t2 = (28)
2
vì T > Tmin nên dấu của biểu thức trong căn là dương .
Chúng ta có thể biểu diễn bài toán nhiên liệu tối thiểu này thành dạng vòng
hở như sau :
⎧− 1 t < t1
⎪
u (t ) = ⎨ 0
*
t1 ≤ t ≤ t 2 (29)
⎪1 t2 < t
⎩
tùy thuộc vào biểu thức (18) và (27) , giá trị nhỏ nhất của v(t) có thể đạt tới
theo sự ảnh hưởng của bộ điều khiển là một số âm .
(v0 − T ) + (v0 − T )2 − (4 y 0 + 2v0 2 )

v1 = (30)
2
1.2.4 Nhận xét

Phương pháp biến phân cổ điển Euler_Lagrange thuận lợi khi giải bài toán
tối ưu mà phiếm hàm có dạng phi tuyến , còn tín hiệu điều khiển là những
hàm trơn mà ta có thể dự đoán trước dựa trên bản chất vật lý của chúng .
Phương pháp này gặp nhiều khó khăn khi áp dụng cho các trường hợp mà
tín hiệu điều khiển có thể là hàm gián đoạn . Trên thực tế ta thường gặp bài
toán tối ưu mà tín hiệu điều khiển lại là hàm liên tục từng đoạn , cho nên
phương pháp biến phân cổ điển bị hạn chế khả năng sử dụng trong thực tế
rất nhiều .
Đối với hệ thống gián đoạn tốt nhất ta nên áp dụng phương pháp quy hoạch
động của Belman . Đặc biệt với các bài toán tối ưu phức tạp dùng máy tính
số tác động nhanh giải quyết bằng phương pháp này rất có hiệu quả . Tuy
Trang 59
nhiên , do hàm mô tả tín hiệu điều khiển tìm được theo bảng số liệu rời rạc
nên biểu thức giải tích của tín hiệu điều khiển chỉ là gần đúng . Phương
pháp quy hoạch động còn gặp hạn chế khi áp dụng đối với hệ thống liên tục
vì rất khó giải phương trình Belman .
Nguyên lý cực tiểu Pontryagin áp dụng tốt cho các bài toán tối ưu có điều
kiện ràng buộc bất kể điều kiện ràng buộc cho theo hàm liên tục hoặc hàm
gián đoạn . Nhưng đối với bài toán tối ưu phi tuyến thì nguyên lý cực tiểu
Pontryagin lại gặp khó khăn , đặc biệt trong việc xác định các hàm phụ
λi (t ) để cho hàm H đạt cực đại .
1.3 ĐIỀU KHIỂN TỐI ƯU CÁC HỆ TUYẾN TÍNH VỚI PHIẾM HÀM
DẠNG TOÀN PHƯƠNG
Trong phần này chúng ta sẽ xem xét phương pháp xây dựng bài toán tổng
hợp các hệ tuyến tính với chỉ tiêu chất lượng dạng toàn phương .
1.3.1 Ổn định Lyapunov đối với hệ thống tuyến tính
Tiêu chuẩn ổn định thứ hai của Lyapunov ( điều kiện đủ )
Xét hệ thống được mô tả bởi phương trình trạng thái :
x = f ( x1 , x 2 ,..., x n )
Nếu tìm được một hàm V(x) với mọi biến trạng thái x1 , x2 ,…, xn là một hàm
dV ( x )
xác định dấu dương , sao cho đạo hàm của nó dựa theo phương
dt
trình vi phân của chuyển động bị nhiễu cũng là hàm xác định dấu , song trái
dấu với hàm V(x) thì chuyển động không bị nhiễu sẽ ổn định tiệm cận .
V ( x).V ( x) < 0 : hệ thống ổn định tiệm cận .
V ( x).V ( x) = 0 : hệ thống ổn định .
V ( x).V ( x) > 0 : hệ thống không ổn định .
Phương trình Lyapunov
Xét hệ tuyến tính mô tả bởi phương trình trạng thái :
x = Ax (1.115)
Yêu cầu cực tiểu hoá chỉ tiêu chất lượng J :
∞
J = ∫ xT Qxdt (1.116)
0
http://www.khvt.com
với Q là ma trận vuông xác định dương .

Chọn hàm năng lượng V(x) xác định dương :
V ( x ) = xT Sx (1.117)
trong đó ma trận S là ma trận vuông xác định dương . V ( x ) có dạng :
V ( x ) = xT Sx + xT Sx + xT Sx
= ( Ax ) Sx + xT S ( Ax ) + xT Sx
T
= xT AT Sx + xT SAx + xT Sx
(
= xT AT S + SA + S x )
Do V(x) xác định dương , nên để hệ thống ổn định thì V ( x) phải là xác định
âm .Ta chọn V ( x) = − xT Qx ( do Q là ma trận xác định dương nên V ( x) sẽ
là xác định âm ) .
⇒ (
Q = − AT S + SA + S ) (1.118)
Điều kiện cần và đủ để trạng thái cân bằng x = 0 ổn định tiệm cận : cho
trước bất kỳ một ma trận xác định dương Q và ma trận A ổn định , tồn tại
một ma trận xác định dương S thoả mãn phương trình :
AT S + SA + S = −Q
⇒ − S = AT S + SA + Q (1.119)
Phương trình (1.119) được gọi là phương trình Lyapunov .
Khi S không thay đổi theo thời gian S = 0 , ta có phương trình đại số
Lyapunov :
0 = AT S + SA + Q (1.120)
Chỉ tiêu chất lượng J được tính như sau :
∞
∞
J = ∫ xT Qxdt = − xT Sx = − xT ( ∞ ) Sx ( ∞ ) + xT ( 0 ) Sx ( 0 )
0
0
Khi tất cả các phần tử của ma trận A âm , ta có x ( ∞ ) → 0 . Do đó :
J = xT ( 0 ) Sx ( 0 ) (1.121)
Trang 61
1.3.2 Điều khiển tối ưu hệ tuyến tính với chỉ tiêu chất lượng dạng toàn
phương _ Phương trình Riccati đối với hệ liên tục
Xét hệ thống :
x = Ax + Bu (1.122)
Chúng ta cần tìm ma trận K của vector điều khiển tối ưu :
u (t ) = − Kx(t ) (1.123)
thỏa mãn chỉ tiêu chất lượng J đạt giá trị cực tiểu :
∞
J = ∫ (x T Qx + u T Ru )dt (1.124)
0
Trong đó Q là ma trận xác định dương ( hoặc bán xác định dương ) , R là ma
trận xác định dương . Chú ý : thành phần thứ hai ở phần bên phải phương
trình (1.124) xác định lượng năng lượng tiêu tốn của tín hiệu điều khiển .
Chúng ta sẽ chứng minh luật điều khiển tuyến tính cho bởi phương trình
(1.123) là luật điều khiển tối ưu . Khi đó , nếu ma trận K được xác định để
tối thiểu hoá chỉ tiêu chất lượng J thì luật điều khiển u(t) sẽ tối ưu với mọi
trạng thái ban đầu x(0) .
Từ (1.122) và (1.123) ta có :
x = Ax − BKx = ( A − BK )x (1.125)
Thay u (t ) = − Kx(t ) vào phương trình (1.124) :
∞
(
J = ∫ x T Qx + x T K T RKx dt )
0
∞
(1.126)
= ∫ x Q + K RK xdt
T
( T
)
0
Bây giờ ta chọn hàm năng lượng :

V ( x) = xT Sx V ( x) ≥ 0, ∀x (1.127)
với S là ma trận vuông xác định dương .
⇒ V ( x) = xT Sx + xT Sx + xT Sx
= xT ( A − BK )T Sx + xT Sx + xT S ( A − BK ) x
= xT ⎡⎣( A − BK )T S + S + S ( A − BK ) ⎤⎦ x (1.128)
http://www.khvt.com
Do V(x) xác định dương , nên để hệ thống ổn định thì V ( x) phải là xác định
âm . Ta đặt :
d T
V ( x) =
dt
( )
x Sx = − xT (Q + K T RK ) x
( do Q và R là ma trận xác định dương nên ma trận Q + K T RK cũng là xác ( )

định dương , từ đó V ( x) sẽ là xác định âm ) .
⇒ ( ⎣ )
xT Q + K T RK x = − xT ⎡( A − BK ) S + S ( A − BK ) + S ⎤ x
T
⎦
Q + K T RK = ( A − BK ) S + S ( A − BK ) + S
T
(1.129)
Theo tiêu chuẩn ổn định thứ hai của Lyapunov , nếu ma trận (A-BK) ổn định
thì sẽ tồn tại một ma trận xác định dương S thoả mãn phương trình (1.129) .
Chỉ tiêu chất lượng bây giờ có thể được xác định như sau :
∞
(
J = ∫ x T Qx + u T Ru dt = − x T Sx ) ∞
0
= − x(∞ ) Sx(∞ ) + x(0 ) Sx(0 )
T T
Lưu ý rằng x(∞ ) = 0

J = x(0) Sx(0)
T
⇒
Đặt R = T T T , phương trình (1.129) trở thành :
(A T
)
− K T B T S + S ( A − BK ) + S + Q + K T T T TK = 0
Phương trình trên có thể viết lại như sau :
[
AT S + SA + TK − T T ( ) −1
][
T
B T S TK − T T ( ) −1
]
B T S − SBR −1 B T S + Q + S = 0
(1.130)
Chỉ tiêu chất lượng J đạt giá trị cực tiểu khi biểu thức :
[
x T TK − T T ( ) −1
][
T
B T S TK − T T ( ) −1
]
BT S x
đạt giá trị cực tiểu . Khi đó :
TK = T T( ) BS −1 T
⇒ K = T −1 (T ) B S = R
T −1 T −1
BT S (1.131)
Trang 63
Phương trình (1.131) cho ta ma trận tối ưu K . Như vậy , luật điều khiển tối
ưu cho bài toán điều khiển tối ưu dạng toàn phương với chỉ tiêu chất lượng
cho bởi phương trình (1.131) là tuyến tính và có dạng :
u (t ) = − Kx(t ) = − R −1 B T Sx(t ) (1.132)
Ma trận S khi đó phải thỏa mãn phương trình (1.130) được viết lại như sau :
AT S + SA − SBR −1 B T S + Q = − S (1.133)
Phương trình (1.133) được gọi là phương trình Riccati .
Khi S không thay đổi theo thời gian S = 0 , ta có phương trình đại số
Riccati ( ARE : Algebraic Riccati Equation ) :
AT S + SA − SBR −1 B T S + Q = 0 (1.134)
1.3.3 Phương trình Riccati đối với hệ rời rạc

Xét hệ rời rạc :
xk +1 = Ak xk + Bk uk (1.135)
với xk ∈ R n và uk ∈ R m .
Chỉ tiêu chất lượng J được định nghĩa trong khoảng [1,N] có dạng :
N −1
(
J i = ∑ xkT Qk xk + ukT Rk uk ) (1.136)
k =i
Khi đó , luật điều khiển tối ưu của tín hiệu điều khiển có dạng :
uk = − K k xk (1.137)
với Kk được xác định như sau :
K k = ( BkT S k +1 Bk + Rk ) −1 BkT S k +1 Ak (1.138)
Trong đó Sk phải thoả mãn phương trình :
(
S k = AkT ⎡ Sk +1 − S k +1 Bk BkT S k +1 Bk + Rk ) BkT Sk +1 ⎤ Ak + Qk
−1
⎢⎣ ⎥⎦ (1.139)
Phương trình (1.139) chính là phương trình Riccati cho hệ rời rạc . Khi
S k ≠ 0 với ∀k , ta có thể dùng bổ đề ma trận nghịch đảo để viết lại phương
trình (1.139) như sau :
( )
S k = AkT Sk−+11 + Bk Rk−1 BkT Ak + Qk (1.140)
http://www.khvt.com
1.3.4 Các bước giải bài toán toàn phương tuyến tính
Bước 1 :
Thành lập hệ phương trình trạng thái :
⎧ x = Ax + Bu
⎨
⎩ c = Dx
Xác định các thông số A , B , D .
Bước 2 :
Xác định ma trận trọng lượng Q , R từ chỉ tiêu chất lượng J cho dưới dạng
toàn phương tuyến tính .
Bước 3 :
Tìm nghiệm S của phương trình Riccati :
- Đối với hệ liên tục : − S = AT S + SA − SBR −1 BT S + Q
- Đối với hệ rời rạc :
(
−1
⎢⎣ ⎥⎦
Bước 4 :
Chỉ tiêu chất lượng tối ưu đối với hệ dừng :
J = xT ( 0 ) Sx ( 0 )
min
Bước 5 :
Luật điều khiển tối ưu :
- Đối với hệ liên tục : u = − R −1 BT Sx
- Đối với hệ rời rạc : uk = − ( BkT S k +1 Bk + Rk ) BkT S k +1 Ak xk

−1
Ví dụ 1.14:
Cho hệ thống như hình vẽ .
Hình 1.18 : Hệ thống điều khiển .

Tìm giá trị ζ > 0 sao cho khi tín hiệu vào r(t) = 1(t) thì chỉ tiêu chất lượng :
Trang 65
∞
J = ∫ (e 2 + μe 2 )dt ( μ > 0 ) (1)
0+
đạt cực tiểu .

Từ hình vẽ ta tìm được :
C (s) 1
= 2 (2)
R( s ) s + 2ζs + 1
hoặc có dạng :
c + 2ζc + c = r (3)
Đối với tín hiệu sai lệch e , ta có :
e + 2ζe + e = r + 2ζr (4)
Với r(t) = 1(t) , ta có r (0+) = 0 , r (0+) = 0 . Do đó , với t ≥ 0 + ta sẽ có :
e + 2ζe + e = 0 , e (0 + ) = 1 , e( 0 + ) = 0 (5)
Bây giờ , chúng ta đặt các biến trạng thái như sau :
x1 = e (6)
x 2 = x1 = e (7)
Khi đó phương trình trạng thái là :
x = Ax (8)
⎡0 1 ⎤
với A=⎢ ⎥
⎣− 1 − 2ζ ⎦
Chỉ tiêu chất lượng J có thể viết lại như sau :
∞ ∞
J = ∫ (e + μe )dt = ∫ ( x12 + μx 22 )dt
2 2
0+ 0+
∞
⎡1 0 ⎤ ⎡ x1 ⎤
= ∫ [x
0+
1 x 2 ]⎢ ⎥ ⎢ ⎥ dt
⎣0 μ ⎦ ⎣ x 2 ⎦
∞
= ∫x
T
Qxdt (9)
0+
Nếu ma trận A ổn định thì chỉ tiêu chất lượng J có thể xác định từ (1.129) :
J = x T (0+ ) Sx(0+ ) (10)
http://www.khvt.com
với S là nghiệm của phương trình Lyapunov :

AT S + SA = −Q (11)
Phương trình được viết lại như sau :
⎡0 − 1 ⎤ ⎡ s11 s12 ⎤ ⎡ s11 s12 ⎤ ⎡ 0 1 ⎤ ⎡− 1 0 ⎤
⎢1 − 2ζ ⎥ ⎢ s + = (12)
⎣ ⎦ ⎣ 21 s 22 ⎥⎦ ⎢⎣ s 21 ⎥
s 22 ⎦ ⎣− 1 − 2ζ ⎥⎦ ⎢⎣ 0 − μ ⎥⎦
⎢
Phương trình trên tương đương với hệ phương trình sau :

− s 21 − s12 = −1 (13)
− s 22 + s11 − 2ζs12 = 0 (14)
s11 − 2ζs 21 − s 22 = 0 (15)
s12 − 2ζs 22 + s 21 − 2ζs 22 = − μ (16)
⎡ 1+ μ 1 ⎤
⎢ζ + 4ζ 2 ⎥
S=⎢ ⎥ (17)
⎢ 1 1+ μ ⎥
⎣⎢ 2 4ζ ⎦⎥
Chỉ tiêu chất lượng J được viết lại :
J = x T (0+) Sx(0+ )
⎛ 1+ μ ⎞ 2 1+ μ 2
= ⎜⎜ ζ + ⎟⎟ x1 (0+ ) + x1 (0+) x 2 (0+) + x 2 (0 + ) (18)
⎝ 4ζ ⎠ 4ζ
Thế các điều kiện đầu x1 (0+ ) = 1 , x 2 (0+ ) = 0 vào (18) ta tìm được :
1+ μ
J =ζ + (19)
4ζ
Để tìm cực trị của J ta cho đạo hàm của J theo ζ bằng 0 :
∂J 1+ μ
= 1− =0 (20)
∂ζ 4ζ 2
1+ μ
ζ = (21)
2
1+ μ
Xét đạo hàm bậc hai của J theo ζ tại ζ = :
2
Trang 67
∂2 J 1+ μ
=
∂ζ 2 2ζ 3
1+ μ 2
= = >0 (22)
⎛ 1+ μ ⎞
3
1+ μ
2⎜ ⎟⎟
⎜ 2
⎝ ⎠
Như vậy, chỉ tiêu chất lượng J sẽ đạt cực tiểu tại giá trị tối ưu ζ = 1 + μ / 2
J min = 1 + μ (23)
Ví dụ 1.15 :
Xác định luật điều khiển tối ưu rời rạc biết hệ thống có đối tượng điều khiển
mô tả bởi phương trình trạng thái sau :
⎡0 1 ⎤ ⎡ 0 ⎤
x (t ) = ⎢ ⎥ x (t ) + ⎢ ⎥ u (t ) (1)
⎣0 −0.1⎦ ⎣0.01⎦
Chỉ tiêu chất lượng :

N −1
(
J = ∑ x12k + 0.001uk2
k =0
) (2)
Chu kỳ lấy mẫu T = 0.5 sec , N = 50 .

Ta dễ dàng xác định được phương trình trạng thái hệ rời rạc từ phương trình
trạng thái hệ liên tục :
xk +1 = Ad xk + Bd uk
yk = Cd xk
⎡1 0.488⎤ ⎡ 0.00123⎤
với : Ad = ⎢ ⎥ , Bd = ⎢ ⎥ , Cd = [1 0]
⎣0 0.951⎦ ⎣0.00488⎦
Nghiệm của bài toán tối ưu được tính theo (1.138) và (1.139) :
K k = ( BkT S k +1 Bk + Rk ) −1 BkT S k +1 Ak (3)
(
−1
(4)
⎢⎣ ⎥⎦
⎡1 0 ⎤
với : Ak = Ad , Bk = Bd , Qk = ⎢ ⎥ , Rk = 0.001
⎣0 0⎦
http://www.khvt.com
Ta tính được K49 = 0 khi biết S50 = 0 . Tiếp theo ta tính giá trị S49 :
⎡1 0 ⎤
S 49 = Q49 = ⎢ ⎥ (5)
⎣0 0⎦
Tiếp tục với K48 và S48 :
−1
⎛ ⎡1 0 ⎤ ⎡ 0.00123⎤ ⎞
K 48 = ⎜ [ 0.00123 0.00488] ⎢ ⎥ ⎢ ⎥ + 0.001⎟ .[ 0.00123 0.00488] .
⎝ ⎣0 0 ⎦ ⎣ 0.00488⎦ ⎠
⎡1 0 ⎤ ⎡1 0.488⎤
⎢ 0 0 ⎥ ⎢0 0.951⎥ = [1.228 0.599] (6)
⎣ ⎦⎣ ⎦
⎡ 1 0 ⎤ ⎪⎧ ⎡1 0 ⎤ ⎡1 0 ⎤ ⎡ 0.00123⎤ ⎛ ⎡1 0 ⎤
S 48 = ⎢ ⎥ ⎨⎢ ⎥ −⎢ ⎥ ⎢ ⎥ ⎜ [ 0.00123 0.00488] ⎢ ⎥.
⎣0.488 0.951⎦ ⎪⎩ ⎣ 0 0 ⎦ ⎣ 0 0⎦ ⎣ 0.00488⎦ ⎝ ⎣0 0⎦
⎡1 0 ⎤ ⎫⎪ ⎡1 0.488⎤ ⎡1 0⎤
−1
⎡ 0.00123⎤ ⎞
⎢ 0.00488⎥ + 0.001 ⎟ [ 0.00123 0.00488 ] ⎢0 0 ⎥ ⎬ ⎢0 0.951⎥ + ⎢ 0 0⎥
⎣ ⎦ ⎠ ⎣ ⎦ ⎪⎭ ⎣ ⎦ ⎣ ⎦
⎡0.9985 0.4873⎤
=⎢ ⎥ (7)
⎣ 0.4873 0.2378⎦
Tiếp tục tính toán nhờ máy tính , ta sẽ xác định được với k = 39 ma trận Kk
sẽ hội tụ về giá trị [25 63] .Vậy điều khiển tối ưu cuối cùng là :
uk = − [ 25 63] xk (8)
1.3.5 Nhận xét

Phương trình Riccati dùng để tổng hợp các hệ tuyến tính với chỉ tiêu chất
lượng dạng toàn phương . Với cách giải quyết này , ta vừa đảm bảo được
tính ổn định của hệ thống ( do cách chọn hàm năng lượng V(x) theo tiêu
chuẩn ổn định thứ hai của Lyapunov ) , vừa cực tiểu hoá được chỉ tiêu chất
lượng J theo yêu cầu bài toán đặt ra .
Tuy nhiên , có vài điểm ta cần chú ý : đối với bài toán áp dụng phương trình
Riccati thì việc chọn ma trận trọng lượng thích hợp ở chỉ tiêu chất lượng rất
quan trọng vì nó ảnh hưởng rất nhiều đến kết quả tính toán . Bên cạnh đó ,
khi xét hệ rời rạc phải đảm bảo sự hội tụ của Kk ; nếu không thì cần phải
tăng số trạng thái , khi đó khối lượng tính toán cũng tăng rất nhiều , chỉ phù
hợp khi giải bằng máy tính .
Trang 69
1.4 ỨNG DỤNG MATLAB GIẢI BÀI TOÁN TỐI ƯU

1.4.1 Tối ưu hoá tĩnh
Bài toán chỉ tiêu chất lượng dạng toàn phương và điều kiện ràng buộc tuyến
tính _ Trường hợp vô hướng ( ví dụ 1.4 )
Cho a = 3 , b = 2 , m = 1 , c = 1 . Với : x(1) = x , x(2) = u . Khi đó bài toán
trở thành tìm giá trị tối thiểu của :
x(1) 2 x(2) 2
f ( x) = +
18 8
với điều kiện ràng buộc :
g ( x) = x(1) + x(2) − 1 = 0
Ở đây ta sẽ sử dụng hàm lsqlin ( Optimization Toolbox ) với kết quả là giá
2 2
trị tối ưu của x để f ( x) = Cx − D đạt giá trị nhỏ nhất ( Cx − D là norm
của ma trận vuông [Cx − D ] ) .
Cùng các điều kiện ràng buộc :
Ax ≤ B
Aeq.x = Beq
Cần lập các thông số C , D , A , B , Aeq , Beq để nhập vào theo cú pháp :
x = lsqlin(C, D, A, B, Aeq, beq)
Chương trình :
C = [1/(18^(1/2)) 0;0 1/(8^(1/2))];
D = [0;0];
Aeq = [1 1];
Beq = [1];
x = lsqlin(C, D, [], [], Aeq, Beq)
Chúng ta sẽ được kết quả :

x=
0.6923
0.3077
http://www.khvt.com
1.4.2 Điều khiển tối ưu cánh tay máy hồi tiếp góc θ
Xét mô hình cánh tay máy hai đoạn như hình :
Vị trí điểm cuối của cánh tay hai đoạn được cho bởi phương trình sau :
x = L1 cos (θ1 ) + L2 cos (θ1 + θ 2 )
y = L1 sin (θ1 ) + L2 sin (θ1 + θ 2 )

Phương trình động lực học :
⎡θ1 ⎤ ⎡ A B ⎤ ⎡ T1 ⎤ ⎡ E ⎤
⎢ ⎥=⎢ ⎥ ⎢T ⎥ + ⎢ F ⎥
θ
⎣ ⎦2 ⎣ C D ⎦⎣ 2⎦ ⎣ ⎦
trong đó T = [T1 T2 ] là tín hiệu điều khiển .
T
Với các trạng thái :

⎧ x1 = θ1
⎪x = x =θ
⎪ 2 1 1
⎨
⎪ x3 = θ 2
⎪⎩ x4 = x3 = θ 2
Trang 71
⎧ x1 = x2
⎪ x = AT + BT − E
⎪
⇒⎨ 2 1 2
⎪ x3 = x4
⎪⎩ x4 = CT1 + DT2 − F
Chọn chỉ tiêu chất lượng J có dạng :

∞
( )
J = ∫ Ψ12 + Ψ12 + Ψ 22 + Ψ 22 dt
0
Với phiếm hàm dạng :

⎧ Ψ1 = e1 + K1e1
⎨
⎩Ψ 2 = e2 + K 2 e2
⎧ e = θ r −θ
với ⎨ 1 1r 1
⎩e2 = θ 2 − θ 2
θ1r ,θ 2r là góc đặt của θ1 ,θ 2
⎧ e = −θ1 = − x2
⇒⎨ 1
⎩e2 = −θ 2 = − x4
⎧ e = −θ1 = − x2
⇒⎨ 1
⎩e2 = −θ 2 = − x4
Để đảm bảo cực tiểu hoá chỉ tiêu chất lượng J thì T1 , T2 là nghiệm của hệ
phương trình sau :
⎧ Ψ 1 + Ψ1 = 0
⎨
⎩Ψ 2 + Ψ 2 = 0
K1 B ⎤ ⎡ e1 + EK1 − x2 ( K1 + 1) ⎤
−1
⎡ T1 ⎤ ⎡ K1 A
⎢T ⎥ = ⎢ K C ⎢ ⎥
K 2 D ⎥⎦ ⎣e2 + FK 2 − x4 ( K 2 + 1) ⎦
⎣ 2⎦ ⎣ 2
Tín hiệu điều khiển T được tính toán bằng chương trình Giai_PT.m
http://www.khvt.com
Chương trình :
Thông số đầu vào cho hệ thống (file thongso.m) :
global m1 m2 L1 L2 a1 a2 I1 I2
m1 = 3.6745;
m2= 1.0184;
L1= 0.6519 ;
L2= 0.6019;
a1= 0.3365 ;
a2= 0.2606;
I1= 0.370 ;
I2= 0.081;
Chương trình tìm tín hiệu điều khiển (file Giai_PT.m) :

function [C]= Giai_PT (theta1, theta2, theta1_dot, theta2_dot, e1, e2)
% Nhap thong so cho canh tay
m1 = 3.6745; m2 = 1.0184;
L1 = 0.6519; L2 = 0.6019;
a1 = 0.3365; a2 = 0.2606;
I1 = 0.370; I2 = 0.081;
K1 = 0.5; K2 = 0.8;
m11 = m1*a1*a1+m2*(L1*L1+2*L1*a2*cos(theta2)+a2*a2)+I1+I2;
m12 = m2*a2*(a2+L1*cos(theta2))+I2;
m22 = m2*a2*a2+I2;
n1 =
-m2*L1*a2*sin(theta2)*(2*theta1_dot*theta2_dot+theta2_dot*theta2_dot);
n2 = m2*L1*a2*sin(theta2)*theta1_dot*theta1_dot;
A = [m11 m12; m12 m22];
B = [n1; n2];
A = inv(A);
B = A*B;
A = [K1*A(1,1) K1*A(1,2); K2*A(2,1) K2*A(2,2)];
Trang 73
B = [e1+B(1,1)*K1-theta1_dot*(K1+1); e2+B(2,1)*K2-theta2_dot*(K2+1)];
C = inv(A)*B;
u1 = C(1,1);
u2 = C(2,1);
Kết quả mô phỏng :
Vị trí đặt thay đổi theo hàm xung với θ1
Vị trí đặt thay đổi theo hàm xung với θ2
http://www.khvt.com
Trang 75
1.4.3 Hệ thống tác động nhanh

Xét ví dụ điều khiển Bang-bang (ví dụ 1.12)
Với điều kiện đầu y (0) = 10 , v(0) = 10 chúng ta sẽ vẽ quỹ đạo trạng thái tối
ưu bằng chương trình ex1.12 .
Chương trình :
function [x,u,t] = ex1.12
a = [0 1;0 0];
b = [0;1];
x0 = [10 10];
T = 0.025;
N = 1200;
x(:,1) = x0;
eps = 1e-4;
t=0:T:T*N;
for k = 1:N
sw = x(1,k) + 0.5 * x(2,k) * abs( x(2,k) );
if ( abs(sw) < eps )
if ( x(1,k) > 0 ) u(k) = 1; end
if ( x(1,k) < 0 ) u(k) = -1; end
else
if ( sw > 0 ) u(k) = -1; end
if ( sw < 0 ) u(k) = 1; end
end
if ( x(1,k)^2 + x(2,k)^2 < eps ) u(k) = 0; end
y = lsim(a,b,eye(2),zeros(2,1),u(k)*ones(1,2),[(k-1)*T, k*T],x(:,k));
x(:,k+1)=y(2,:)';
end
http://www.khvt.com
Quỹ đạo trạng thái tối ưu .
1.4.4 LQR liên tục và rời rạc

1. Hệ liên tục
Xét hệ vô hướng :
x = ax + bu
T
1 1
J = s (T ) x 2 (T ) + ∫ ( qx 2 + ru 2 ) dt
2 2 t0
Với a = 0.05 , b = r =1 , x(0) = 10 , ta sử dụng chương trình ex và fex để vẽ
các quỹ đạo tối ưu ứng với các giá trị q = 0.01 , 0.1 , 1 , 10 , 100 .
Chương trình :
function [x,u,S,tf] = ex
x0 = 10;
a = .05;
b = 1;
r = 1;
Trang 77
[tb,S] = ode45('fex',-10,0,0);
K = -b * flipud(S) / r;
tf = flipud(-tb);
x(1) = x0;
u(1) = K(1) * x(1);
for k = 1 : length(tf)-1
x(k+1) = expm( (a + b * K(k) ) * ( tf(k+1) - tf(k) ) ) * x(k);
u(k+1) = K(k+1) * x(k+1);
end
function sd = fex(t,s)
q = 1; a = .05; b = 1; r = 1;
sd = 2 * a * s(1) - ( b^2 * s(1)^2 ) / r + q;
Quỹ đạo trạng thái x(t)
http://www.khvt.com
Tín hiệu điều khiển tối ưu u(t)
Lời giải phương trình Riccati s(t)
Trang 79
2. Hệ rời rạc
Xét hệ vô hướng :
xk +1 = axk + buk
1 1 N −1
Ji =
2
(
sN xN2 + ∑ qxk2 + ruk2
2 k =i
)
a = 1.05 , b = 0.01 , q = r = 1 , x0 = 10 , N = 100 . Chúng ta sẽ xét hai trường
hợp sN = 5 và sN = 500 bằng chương trình dex để tìm các quỹ đạo tối ưu .
Chương trình :
function [x,u,K,S] = dex
a = 1.05;
b = 0.01;
q = 1;
r = 1;
x0 = 10;
s = 5;
N = 100;
S(N+1) = s;
for k = N:-1:1
K(k) = ( a * b * s ) / ( r + s * b^2 );
s = q + ( r * s * a^2 ) / ( r + s * b^2 );
S(k) = s;
end
x(1) = x0;
for k = 1:N
u(k) = -K(k) * x(k);
x(k+1) = a * x(k) + b * u(k);
end
http://www.khvt.com
Giá trị tuần tự sk (sN = 5)
Độ lợi hồi tiếp tối ưu Kk (sN = 5)
Trang 81
Quỹ đạo trạng thái tối ưu xk* (sN = 5)
Giá trị tuần tự sk (sN = 500)
http://www.khvt.com
Độ lợi hồi tiếp tối ưu Kk (sN = 500)
Quỹ đạo trạng thái tối ưu xk* (sN = 500)
Trang 83
CÂU HỎI ÔN TẬP VÀ BÀI TẬP

1. Trình bày phương pháp biến phân cổ điển Euler_Lagrange cho các
trường hợp : không có điều kiện ràng buộc , có điều kiện ràng buộc và khi
tín hiệu đầu vào bị hạn chế .
2. Chỉ tiêu chất lượng ở ví dụ 1.9 có dạng :
∞
J = ∫ ( Ψ 2 + Ψ 2 ) dt
0
Hãy chứng minh hàm biến số phụ Ψ được xác định từ điều kiện cực tiểu của
J như sau :
Ψ+Ψ =0
3. Phát biểu nguyên lý tối ưu của Belman . Trình bày ý tưởng giải quyết bài
toán tối ưu của phương pháp quy hoạch động .
4. Trình bày nguyên lý cực tiểu của Pontryagin
5. Phát biểu tiêu chuẩn ổn định thứ hai của Lyapunov .
6. Ứng dụng Lyapunov trong bài toán LQR liên tục .
7. Tìm điểm (x,y) thuộc parabol :
y = x 2 + 3x − 6
sao cho khoảng cách từ (x , y) đến điểm có toạ độ (2,2) là ngắn nhất . Tính
khoảng cách đó .
8. a. Tìm hình chữ nhật có diện tích lớn nhất với chu vi p nhỏ nhất . Nghĩa là
tìm x và y thoả mãn cực đại hoá hàm :
L( x, y ) = xy
với điều kiện ràng buộc : f ( x, y ) = 2 x + 2 y − p = 0
b. Tìm hình chữ nhật có chu vi nhỏ nhất với diện tích cho trước là a 2 .
Nghĩa là cực tiểu hoá hàm :
L ( x, y ) = 2 x + 2 y
với điều kiện ràng buộc : f ( x, y ) = xy − a 2 = 0
9. Cho hệ thống :
⎡1⎤ ⎡2 2⎤
x = ⎢ ⎥x+⎢ ⎥u
3
⎣ ⎦ ⎣ 1 0 ⎦
Tìm các giá trị tối ưu x∗ , u ∗ , L∗ thoả mãn cực tiểu chỉ tiêu chất lượng :
http://www.khvt.com
1 T ⎡1 0 ⎤ 1 T ⎡ 2 1⎤
L= x ⎢0 2⎥ x + 2 u ⎢1 1⎥ u
2 ⎣ ⎦ ⎣ ⎦
d2y
=u
dt 2
Tìm tín hiệu điều khiển u thoả mãn cực tiểu chỉ tiêu chất lượng :
1
⎛1 ⎞
J = ∫ ⎜ μ u 2 + ρ u ⎟ dt
−1 ⎝
2 ⎠
với các điều kiện đầu :
y (−1) = y (1) = 0
y (−1) = y (1) = 0
x = −x + u
a. Tìm phương trình trạng thái của hệ thống .
b. Tìm điều khiển tối ưu để cực tiểu chỉ tiêu chất lượng J :
1
J = ∫ u 2 dt
0
với x(0) = 0 và x(1) = 2 .

c. Tìm quỹ đạo trạng thái tối ưu .
xk +1 = xk uk + uk2
với tổn hao :
N −1
J 0 = xN2 + ∑ xk uk
k =0
Cho N = 2 . Tín hiệu điều khiển chỉ nhận các giá trị : uk = 1 hoặc uk = −1 .
xk nhận các giá trị -1, 0, 1, 2 .
a. Sử dụng phương pháp quy hoạch động để tìm luật điều khiển hồi tiếp
trạng thái tối ưu .
b. Với x0 = 2 , hãy tìm tổn hao tối ưu , trình tự điều khiển và quỹ đạo
trạng thái .
Trang 85
13. Xét hệ tác động nhanh có dạng sau :

d 2x
+x=u
dt 2
u ≤1
Tìm quỹ đạo pha tối ưu để đưa hệ về gốc toạ độ từ một điểm bất kỳ .
14. Xét bài toán tác động nhanh :
⎡ 0 1⎤ ⎡0⎤
x=⎢ 2 ⎥ x + ⎢ ⎥u
⎣ −ω 0⎦ ⎣1 ⎦
u (t ) ≤ 1
a. Giải phương trình biến trạng thái. Dùng nguyên lý cực tiểu Pontryagin
để tìm luật điều khiển tối ưu .
b. Vẽ quỹ đạo pha cho trường hợp u = 1 và u = -1 .
c. Tìm phương trình đường chuyển đổi .
x1 = x2
x2 = u
∞
1
J=
2 ∫0
(
x12 + 2vx1 x2 + qx22 + u 2 dt )
( )
với q − v 2 > 0 .
a. Tìm lời giải cho phương trình Riccati đại số .
b. Tìm điều khiển tối ưu và hệ thống vòng kín tối ưu .
c. Vẽ quỹ đạo nghiệm số của hệ thống khi q thay đổi từ 0 đến ∞ . Với
giá trị nào của q thì hệ thống ổn định .
x1 = x2
x2 = − ax1 − 2 x2 + u
và chỉ tiêu chất lượng :
∞
1
(
J = ∫ 2 x12 + x22 + u 2 dt
20
)
http://www.khvt.com
a. Vẽ quỹ đạo nghiệm số của hệ hở khi a thay đổi từ 0 đến ∞ . Với giá
trị nào của a thì hệ thống ổn định .
b. Với a = -8 tìm lời giải cho phương trình đại số Riccati và hệ số K .
17. Xét hệ rời rạc :
xk +1 = 2 xk + uk
a. Tìm lời giải xk với k = 0 ; 5 nếu x0 = 3 .
b. Xác định luật uk tổn hao năng lượng tối thiểu để đưa hệ thống từ x0 = 3
về x5 = 0 . Vẽ quỹ đạo trạng thái tối ưu .
c. Tìm luật hồi tiếp trạng thái Kk tối ưu sao cho chỉ tiêu chất lượng J đạt
cực tiểu :
4
(
J = 5 x52 + 0.5∑ xk2 + uk2 )
k =0
Tính hàm tổn thất J tối ưu với k = 0 ; 5 .

18. Xét hệ rời rạc :
xk +1 = axk + buk
1 1 N −1
J= sN xN3 + ∑ ( qxk3 + ruk3 )
2 3 k =0
với xk , uk là vô hướng .
a. Tìm phương trình trạng thái , phương trình biến trạng thái và điều kiện
tĩnh .
b. Khi nào thì ta có thể tìm được luật điều khiển tối ưu uk . Với điều kiện
đó , hãy khử uk trong phương trình trạng thái .
c. Tìm lời giải bài toán điều khiển vòng hở ( trạng thái cuối xN cố định ,
sN = 0 , q = 0 ) .
Trang 87
ĈLӅXNKLӇQWKtFKQJKL 3*6761JX\ӉQ7Kӏ3KѭѫQJ+j
Chѭѫng 2: ĈIӄU KHIӆN THÍCH NGHI
2.1 Khái niӋm

2.1.1 Ĉӏnh nghƭa
“Thích nghi là quá trình thay ÿәi thông sӕ và cҩu
trúc hay tác ÿӝng ÿiӅu khiӇn trên cѫ sӣ lѭӧng thông
tin có ÿѭӧc trong quá trình làm viӋc vӟi mөc ÿích
ÿҥt ÿѭӧc mӝt trҥng thái nhҩt ÿӏnh, thѭӡng là tӕi ѭu
khi thiӃu lѭӧng thông tin ban ÿҫu cǊng nhѭ khi ÿiӅu
kiӋn làm viӋc thay ÿәi” hay :
http://www.khvt.com Trang 1
“ĈiӅu khiӇn thích nghi là tәng hӧp các kƭ thuұt

nhҵm tӵ ÿӝng chӍnh ÿӏnh các bӝ ÿiӅu chӍnh trong
mҥch ÿiӅu khiӇn nhҵm thӵc hiӋn hay duy trì ӣ mӝt
mӭc ÿӝ nhҩt ÿӏnh chҩt lѭӧng cӫa hӋ khi thông sӕ
cӫa quá trình ÿѭӧc ÿiӅu khiӇn không biӃt trѭӟc hay
thay ÿәi theo thӡi gian”.
H͏ th͙ng ÿ˱ͫc mô t̫ trong hình d˱ͣi ÿây g͛m 2
vòng:
-Vòng h͛i ti͇p thông th˱ͥng
-Vòng h͛i ti͇p ÿi͉u khi͋n thích nghi
KӃt luұn
1. ĈiӅu khiӇn thích nghi

liên quan ÿӃn:
- Sӵ khác nhau vӅ các quá
trình ÿӝng hӑc
- Sӵ khác nhau vӅ các
nhiӉu
2.Các hӋ thӕng thích nghi
là phi tuyӃn
2.1.2 Nhұn dҥng hӋ thӕng

x Làm thӃ nào ÿӇ có ÿѭӧc mô hình?
- Vұt lí (hӝp trҳng)
- Kinh nghiӋm (hӝp ÿen)
- KӃt hӧp ( hӝp xám)
x KӃ hoҥch hoá thӵc nghiӋm
x Chӑn lӵa cҩu trúc mô hình
- Các hàm chuyӇn ÿәi
- Ĉáp ӭng xung
- Các mô hình trҥng thái
x Tham sӕ thích nghi

- Thӕng kê
- Các vҩn ÿӅ nghӏch ÿҧo
x Sӵ hӧp lí
2.1.3 Ѭӟc lѭӧng tham sӕ thích nghi t/gian thӵc
1. Giӟi thiӋu
2. Bình phѭѫng cӵc tiӇu và hӗi qui
3. HӋ thӕng ÿӝng
4. Các ÿiӅu kiӋn thӵc nghiӋm
5. Các ví dө
6. Các kӃt luұn
2.1.4 Phân loҥi
Có thӇ phân loҥi các hӋ thích nghi theo các tiêu

chuҭn sau :
1. HӋ thích nghi mô hình tham chiӃu (MRAS)
2. Bӝ tӵ chӍnh ÿӏnh ( STR )
3. Lӏch trình ÿӝ lӧi
4. HӋ tӵ hӑc
5. HӋ tӵ tә chӭc
2.1.5 Ӭng dөng
x Tӵ chӍnh ÿӏnh Quá trình ÿӝng hӑc
x Lӏch trình ÿӝ lӧi

x Thích nghi liên tөc BiӃn ÿәi Hҵng sӕ
Sӱ dөngbӝbӝÿiӅu
Sӱdөng ÿiӅukhiӇn
khiӇnvӟi
vӟicác
cácthông
thôngsӕsӕ Sӱ
Sӱdөng biӃnÿәi
dөngbӝbӝbiӃn ÿәivӟi
vӟicác
cácthông
thôngsӕsӕ
biӃnÿәi
biӃn ÿәi hҵng
hҵng
Sӵ biӃn thiên Sӵ biӃn thiên

không biӃt trѭӟc biӃt trѭӟc
Sӱ dөng bӝ ÿiӅu khiӇn thích Sӱ dөng lӏch trình ÿӝ lӧi

Sӱ dөng bӝ ÿiӅu khiӇn thích Sӱ dөng lӏch trình ÿӝ lӧi
nghi
nghi
2.2 HӋ thích nghi mô hình tham chiӃu - MRAS

(Model Reference Adaptive Systems)
Mô ym
Môhình
hình
Tham sӕ ÿiӅu khiӇn
Cѫ
Cѫcҩu
cҩuhiӋu
hiӋuchӍnh
chӍnh
uc y
Bӝ ÿiӅu khiӇn u Ĉӕi
Bӝ ÿiӅu khiӇn Ĉӕitѭӧng
tѭӧng
Hình 2.2 S˯ ÿ͛ kh͙i cͯa m͡t h͏ th͙ng thích nghi

mô hình tham chi͇u
2.2.1 Sѫ ÿӗ chӭc năng
HӋ thӕng thích nghi sӱ dөng mô hình chuҭn là mӝt trong
nhӳng phѭѫng pháp chính cӫa ÿiӅu khiӇn thích nghi.
Nguyên lí cѫ bҧn ÿѭӧc trình bày ӣ hình 2.2
Mô hình chuҭn sӁ cho ÿáp ӭng ngõ ra mong muӕn ÿӕi vӟi
tín hiӋu ÿһt (yêu cҫu). HӋ thӕng có mӝt vòng hӗi tiӃp
thông thѭӡng bao gӗm ÿӕi tѭӧng và bӝ ÿiӅu khiӇn. Sai sӕ
e là sai lӋch giӳa ngõ ra cӫa hӋ thӕng và cӫa mô hình
chuҭn e = y - ym. Bӝ ÿiӅu khiӇn có thông sӕ thay ÿәi dӵa
vào sai sӕ này. HӋ thӕng có hai vòng hӗi tiӃp:hӗi tiӃp
trong là vòng hӗi tiӃp thông thѭӡng và vòng hӗi tiӃp bên
ngoài hiӋu chӍnh tham sӕ cho vòng hӗi tiӃp bên trong.
Vòng hӗi tiӃp bên trong ÿѭӧc giҧ sӱ là nhanh hѫn vòng
hӗi tiӃp bên ngoài.
Hình 2.2 là mô hình MRAS ÿҫu tiên ÿѭӧc ÿӅ nghӏ bӣi

Whitaker vào năm 1958 vӟi hai ý tѭӣng mӟi ÿѭӧc ÿѭa ra:
Trѭӟc hӃt sӵ thӵc hiӋn cӫa hӋ thӕng ÿѭӧc xác ÿӏnh bӣi
mӝt mô hình, thӭ hai là sai sӕ cӫa bӝ ÿiӅu khiӇn ÿѭӧc
chӍnh bӣi sai sӕ giӳa mô hình chuҭn và hӋ thӕng. Mô hình
chuҭn sӱ dөng trong hӋ thích nghi bҳt nguӗn tӯ hӋ liên tөc
sau ÿó ÿѭӧc mӣ rӝng sang hӋ rӡi rҥc có nhiӉu ngүu nhiên.
Chѭѫng này tұp trung vào ý tѭӣng cѫ bҧn. ĈӇ vҩn ÿӅ
ÿѭӧc trình bày mӝt cách rõ ràng, ta chӍ tұp trung vào cҩu
hình trong hình 2.2 ÿѭӧc gӑi là hӋ MRAS song song . Ĉây
là mӝt trong nhiӅu cách có thӇ xây dӵng mô hình chuҭn.
Chѭѫng này ÿӅ cұp chính ÿӃn hӋ liên tөc theo phѭѫng
pháp trӵc tiӃp có nghƭa là tham sӕ ÿѭӧc cұp nhұt mӝt cách
trӵc tiӃp.
2.2.2 Luұt MIT (Massachusetts Institude Technology)
Hình 2.3 Mô hình sai s͙
HӋ thӕng thích nghi mô hình tham chiӃu ÿҫu tiên

ÿѭӧc ÿѭa ra ÿӇ giҧi quyӃt vҩn ÿӅ: các ÿһc ÿiӇm cӫa
mӝt mô hình tham chiӃu yêu cҫu ngõ ra là quá trình
lí tѭӣng cҫn có ÿáp ӭng ÿӕi vӟi tín hiӋu ÿiӅu khiӇn
nhѭ thӃ nào. Ĉӗ thӏ minh hӑa trong hình 2.2. Trong
trѭӡng hӧp này, mô hình tham chiӃu mang tính song
song hѫn là nӕi tiӃp, giӕng nhѭ cho SOAS (Self
Oscillating Adaptive Systems). Bӝ ÿiӅu khiӇn có thӇ
ÿѭӧc xem nhѭ bao gӗm hai vòng: mӝt vòng phía
trong gӑi là vòng hӗi tiӃp thông thѭӡng có quá trình
và bӝ ÿiӅu khiӇn. Các thông sӕ cӫa bӝ ÿiӅu khiӇn
ÿѭӧc chӍnh ÿӏnh bӣi vòng ngoài sao cho sai sӕ e giӳa
ngõ ra y và ngõ ra mô hình ym là nhӓ nhҩt.
Vì vұy vòng ngoài còn ÿѭӧc gӑi là vòng chӍnh ÿӏnh.

Vҩn ÿӅ là xác ÿӏnh cѫ cҩu chӍnh ÿӏnh cho hӋ thӕng
әn ÿӏnh, nghƭa là sai sӕ bҵng zero. ĈiӅu này không
thӇ thӵc hiӋn ÿѭӧc. Cѫ cҩu chӍnh ÿӏnh vӟi thông sӕ
sau ÿѭӧc gӑi là luұt MIT, ÿѭӧc sӱ dөng cho hӋ
MRAS ÿҫu tiên:
dT we
J e
dt wT
Trong phѭѫng trình này e là sai sӕ cӫa mô hình

e = y – ym. Các thành phҫn cӫa vector we/wT là ÿҥo
hàm ÿӝ nhҥy cӫa sai sӕ ÿӕi vӟi các thông sӕ chӍnh
ÿӏnh T.Thông sӕ J xác ÿӏnh tӕc ÿӝ thích nghi. Luұt
MIT có thӇ ÿѭӧc giҧi thích nhѭ sau. Giҧ sӱ rҵng các
thông sӕ T thay ÿәi chұm hѫn nhiӅu so vӟi các biӃn
khác cӫa hӋ thӕng. ĈӇ bình phѭѫng sai sӕ là bé nhҩt,
cҫn thay ÿәi các thông sӕ theo hѭӟng gradient âm
cӫa bình phѭѫng sai sӕ e2.
Giҧ sӱ muӕn thay ÿәi thông sӕ cӫa bӝ ÿiӅu khiӇn sao
cho sai sӕ giӳa ngõ ra cӫa ÿӕi tѭӧng và cӫa mô hình
chuҭn tiӃn tӟi zero.
Ĉһt e là sai sӕ và T là thông sӕ hiӋu chӍnh. ChӍ tiêu

chҩt lѭӧng :
1 2
J (T ) e (2.1)
2
ÿӇ làm cho J(T) MIN thì cҫn phҧi thay ÿәi các thông
sӕ theo hѭӟng âm cӫa gradient J, có nghƭa là :
wT wJ we
J Je (2.2)
wt wT wT
Giҧ sӱ rҵng các thông sӕ cҫn thay ÿәi T thay ÿәi

chұm hѫn nhiӅu so vӟi các biӃn khác cӫa hӋ thӕng.
we
Vì vұy ÿҥo hàm wT ÿѭӧc tính vӟi giҧ thiӃt T là hҵng
we
sӕ. BiӇu thӭc ÿҥo hàm wT gӑi là hàm ÿӝ nhҥy cӫa hӋ
thӕng. Luұt ÿiӅu chӍnh theo phѭѫng trình (2.2) vӟi
we
wT
là ÿӝ nhҥy thì có liên hӋ giӕng nhѭ luұt MIT.
Cách chӑn hàm tәn thҩt theo phѭѫng trình (2.1) có
thӇ là tuǤ ý. NӃu chӑn
J(T ) = ~e~ (2.3)
Khi ÿó luұt hiӋu chӍnh sӁ là :
dT we
J sign(e) (2.4)
dt wT
Hoһc
dT § we ·
J sign ¨ ¸ sign (e )
dt © wT ¹
Ĉây gӑi là giҧi thuұt dҩu - dҩu. HӋ rӡi rҥc sӱ dөng
giҧi thuұt này ÿѭӧc ӭng dөng trong viӉn thông nѫi
ÿòi hӓi tính toán nhanh và thӵc hiӋn ÿѫn giҧn.
Phѭѫng trình (2.2) còn ÿѭӧc áp dөng trong trѭӡng
hӧp có nhiӅu thông sӕ hiӋu chӍnh, khi ÿó T trӣ
thành mӝt vector và e/T là gradient cӫa sai sӕ ÿӕi
vӟi các thông sӕ tѭѫng ӭng. Ӭng dөng cӫa luұt
MIT ÿѭӧc biӇu diӉn bҵng hai ví dө sau :
Ví dө 2.1 - HiӋu chӍnh ÿӝ lӧi nuôi tiӃn

Xét vҩn ÿӅ hiӋu chӍnh ÿӝ lӧi nuôi tiӃn vӟi mô hình
và ÿӕi tѭӧng ÿӅu có hàm truyӅn là G(S). Sai sӕ là:
e = y – ym = G(p)T uc – G(p)Tq uc
vӟi uc là tín hiӋu ÿһt, ym là ngõ ra mô hình, y là ngõ
ra ÿӕi tѭӧng, T là thông sӕ hiӋu chӍnh, và p = d/dt là
toán tӱ vi phân. Ĉӝ nhҥy khi ҩy bҵng :
we 0
G( p)uc ym / T
wT
Luұt MIT ÿѭӧc cho : dT 0
y cy m e / T
dt
NӃu dҩu cӫa Tq ÿѭӧc biӃt, khi ҩy ÿѭa ra J = J’/Tq

Sӵ thay ÿәi cӫa tham sӕ T tӍ lӋ vӟi tích sai sӕ e và
ngõ ra cӫa mô hình ym.
Ví dө trên không dùng viӋc xҩp xӍ : Khi luұt MIT
ÿѭӧc áp dөng vào nhӳng vҩn ÿӅ phӭc tҥp hѫn thì cҫn
phҧi có xҩp xӍ ÿӇ tính ÿѭӧc ÿӝ nhҥy.
Ví dө 2.2 MRAS cho hӋ bұc nhҩt
Xét hӋ thӕng ÿѭӧc mô tҧ bӣi phѭѫng trình:
dy
ay bu (2.5)
dt
vӟi u là biӃn ÿiӅu khiӇn, y là ngõ ra ÿѭӧc ÿo lѭӡng.

Giҧ sӱ mong muӕn có ÿѭӧc hӋ vòng kín ÿѭӧc mô tҧ
bӣi:
dy m
a m y m bm u c
dt
Mô hình kèm theo hoàn hҧo có thӇ ÿҥt ÿѭӧc vӟi bӝ
ÿiӅu khiӇn :
u(t) = uc(t) –s0 y(t) (2.6)
vӟi tham sӕ t0 = bm / b ; s0 = (am – a)/b
Chú ý hӗi tiӃp sӁ là dѭѫng nӃu am < a, nghƭa là mô

hình mong muӕn thì chұm hѫn quá trình. ĈӇ áp dөng
luұt MIT , sӱ dөng sai sӕ e = y – ym , vӟi y là ngõ ra
hӋ kín.
Theo phѭѫng trình (2.5) và (2.6) thì:
bt 0
y uc
p a bs 0
vӟi p là toán tӱ vi phân. Ĉӝ nhҥy có thӇ tính ÿѭӧc
bҵng cách lҩy ÿҥo hàm riêng phҫn theo tham sӕ cӫa
bӝ ÿiӅu khiӇn s0 và t0 :
we b
uc
wt 0 p a bs 0
2
we b t0 b
u
2 c
y
ws 0 ( p a bs 0 ) p a bs 0
Các công thӭc này không thӇ dùng vì thông sӕ ÿӕi
tѭӧng a và b chѭa biӃt. Vì vұy cҫn phҧi làm xҩp xӍ
ÿӇ có ÿѭӧc luұt hiӋu chӍnh tham sӕ thӵc tӃ. ĈӇ thӵc
hiӋn ÿiӅu này, ÿҫu tiên cҫn quan sát vӟi giá trӏ tӕi ѭu
cӫa tham sӕ bӝ ÿiӅu khiӇn, ta có :
p + a + bs0 = p + am
Hѫn nӳa cҫn chú ý là b có thӇ ÿѭӧc bao gӗm trong hӋ sӕ

tӕc ÿӝ thích nghi J. Bӣi vì nó xuҩt hiӋn trong tích Jb,
ÿiӅu này ÿòi hӓi dҩu cӫa b phҧi ÿѭӧc biӃt. Sau khi xҩp
xӍ, luұt cұp nhұt các tham sӕ ÿiӅu khiӇn có ÿѭӧc là:
dt 0 § 1 ·
J ¨¨ u c ¸¸e
dt © p am ¹
(2.7)
ds 0 § 1 ·
J ¨¨ y ¸¸e
dt © p am ¹
Ví dө trên chӍ cách sӱ dөng luұt MIT ÿӇ tҥo ÿѭӧc
luұt hiӋu chӍnh thông sӕ.
Bài tұp vӅ nhà (dùng làm bài tұp trong phҫn Câu
hӓi ôn tұp và bài tұp ӣ cuӕi chѭѫng): Mô phӓng
bҵng Matlab hӋ MRAS trong ví dө 2.2 (Ví dө 4.2
TLTK[1]) vӟi a = 1, b = 0.5, am = 2 và bm = 2. Tín
hiӋu vào là sóng vuông vӟi biên ÿӝ bҵng 1 và J = 2.
Vài tính ch̭t sau c̯n chú ý:

1. Không cҫn thiӃt ÿòi hӓi mӝt mô hình kèm theo
hoàn hҧo. Các thӫ tөc có thӇ ÿѭӧc áp dөng cho hӋ
phi tuyӃn. Phѭѫng pháp này cǊng có thӇ ÿѭӧc dùng
ÿӇ ÿiӅu khiӇn cho hӋ biӃt trѭӟc mӝt phҫn.
2. Cҩu trúc nhѭ hình 2.3 có mӝt phép nhân giӳa e và
e/T
Lҩy tích phân phѭѫng trình (2.7) sӁ cho ra các tham
sӕ và ÿѭӧc truyӅn ÿӃn bӝ ÿiӅu khiӇn sӱ dөng phép
nhân thӭ hai.
3. Sӵ xҩp xӍ là cҫn thiӃt ÿӇ có ÿѭӧc luұt ÿiӅu khiӇn
hiӋu chӍnh tham sӕ thӵc tӃ.
Luұt MIT có thӇ thӵc hiӋn tӕt nӃu ÿӝ lӧi thích nghi J
là nhӓ. Ĉӝ lӟn J tuǤ thuӝc vào biên ÿӝ cӫa tín hiӋu
chuҭn và ÿӝ lӧi cӫa ÿӕi tѭӧng. Vì vұy không thӇ có
mӝt giӟi hҥn cӕ ÿӏnh ÿҧm bҧo an toàn do ÿó luұt
MIT có thӇ cho mӝt hӋ vòng kín không an toàn. Luұt
hiӋu chӍnh bә sung có thӇ ÿѭӧc dùng bҵng lí thuyӃt
әn ÿӏnh. Nhӳng luұt này tѭѫng tӵ luұt MIT nhѭng
các hàm ÿӝ nhҥy thì ÿѭѫng nhiên là khác. Ý này
ÿѭӧc trình bày nhiӅu hѫn trong mөc 2.2.4
2.2.3 Nӝi dung, phѭѫng pháp thiӃt kӃ MRAS

Có ba phѭѫng pháp cѫ bҧn ÿӇ phân tích và thiӃt kӃ
hӋ MRAS :
xPhѭѫng pháp tiӃp cұn Gradient
xHàm Lyapunov
xLý thuyӃt bӏ ÿӝng
Phѭѫng pháp gradient ÿѭӧc dùng bӣi Whitaker ÿҫu
tiên cho hӋ MRAS. Phѭѫng pháp này dӵa vào giҧ sӱ
tham sӕ cӫa bӝ hiӋu chӍnh thay ÿәi chұm hѫn các
biӃn khác cӫa hӋ thӕng. Giҧ sӱ này thӯa nhұn có sӵ
әn ÿӏnh giҧ cҫn thiӃt cho viӋc tính toán ÿӝ nhҥy và
cho cѫ cҩu hiӋu chӍnh thích nghi.
Phѭѫng pháp tiӃp cұn gradient không cho kӃt quҧ

cҫn thiӃt cho hӋ thӕng kín әn ÿӏnh. Bӝ quan sát ÿѭӧc
ÿѭa ra ÿӇ áp dөng lý thuyӃt әn ÿӏnh Lyapunov và lí
thuyӃt bӏ ÿӝng ÿѭӧc dùng ÿӇ bә sung cho cѫ cҩu
thích nghi.
Ĉӕi vӟi hӋ thӕng có tham sӕ ÿiӅu chӍnh ÿѭӧc nhѭ
trong hình 2.2, phѭѫng pháp thích nghi sӱ dөng mô
hình chuҭn cho mӝt cách hiӋu chӍnh tham sӕ tәng
quát ÿӇ có ÿѭӧc hàm truyӅn hӋ thӕng vòng kín gҫn
vӟi mô hình. Ĉây gӑi là vҩn ÿӅ mô hình kèm theo.
Mӝt câu hӓi ÿһt ra là chúng ta làm cho sai lӋch nhӓ
nhѭ thӃ nào, ÿiӅu này phө thuӝc bӣi mô hình, hӋ
thӕng và tín hiӋu
ÿһt. NӃu có thӇ làm cho sai sӕ bҵng 0 ÿӕi vӟi mӑi tín
hiӋu yêu cҫu thì gӑi là mô hình kèm theo hoàn hҧo.
Mô hình kèm theo

Vҩn ÿӅ mô hình kèm theo có thӇ ÿѭӧc giҧi quyӃt
bҵng thiӃt kӃ phân sӕ cӵc (miêu tҧ ngҳn gӑn vӅ thiӃt
kӃ phân cӵc ÿѭӧc cho trong phө lөc A (TLTK[1])).
Mô hình kèm theo là cách ÿѫn giҧn ÿӇ thiӃt lұp hay
giҧi mӝt vҩn ÿӅ ÿiӅu khiӇn tuǤ ÿӝng. Mô hình sӱ
dөng có thӇ là tuyӃn tính hay phi tuyӃn. Các tham sӕ
trong hӋ thӕng ÿѭӧc hiӋu chӍnh ÿӇ có ÿѭӧc y càng
gҫn vӟi ym càng tӕt ÿӕi vӟi mӝt tұp các tín hiӋu vào.
Phѭѫng pháp thích nghi là mӝt công cө thiӃt kӃ hӋ

MRAS, vҩn ÿӅ này ÿѭӧc trình bày trong mөc 2.2.4.
Mһc dù mô hình kèm theo hoàn hҧo chӍ có thӇ ÿҥt
ÿѭӧc trong ÿiӅu kiӋn lý tѭӣng nhѭng phân tích
trѭӡng hӧp này sӁ cho hiӇu biӃt sâu sҳc vào vҩn ÿӅ
thiӃt kӃ.
Xét hӋ 1 ÿҫu vào,1 ÿҫu ra có thӇ là liên tөc hay rӡi
rҥc có phѭѫng trình:
B
y (t ) u (t ) (2.8)
A
vӟi u là tín hiӋu ÿiӅu khiӇn, y là ngõ ra. Kí hiӋu A, B

là nhӳng ÿa thӭc theo biӃn S hay Z. Giҧ sӱ bұc cӫa
A t bұc cӫa B nghƭa là hӋ thӕng là hӧp thӭc (ÿӕi vӟi
hӋ liên tөc) và nhân quҧ ÿӕi vӟi hӋ rӡi rҥc. Giҧ sӱ hӋ
sӕ bұc cao nhҩt cӫa A là 1.Tìm bӝ ÿiӅu khiӇn sao
cho quan hӋ giӳa tín hiӋu ÿһt uc và tín hiӋu ra mong
muӕn ym ÿѭӧc cho bӣi :
Bm
ym u c (t ) (2.9)
Am
vӟi Am, Bm cǊng là nhӳng ÿa thӭc theo biӃn S hoһc Z.
Luұt ÿiӅu khiӇn tәng quát ÿѭӧc cho bӣi :
Ru Tu c Sy (2.10)
vӟi R, S, T là các ÿa thӭc. Luұt ÿiӅu khiӇn này ÿѭӧc

xem nhѭ vӯa có thành phҫn hӗi tiӃp âm vӟi hàm
truyӅn –S/R và thành phҫn nuôi tiӃn vӟi hàm truyӅn
T/R. Xem hình 2.4
Khӱ u ӣ 2 phѭѫng trình (2.8) và (2.10) ÿѭӧc

phѭѫng trình sau cho hӋ thӕng vòng kín :
( AR BS ) y BTu c (2.11)
ĈӇ ÿҥt ÿѭӧc ÿáp ӭng vòng kín mong muӕn, thì

AR + BS phҧi chia hӃt cho Am, các zero cӫa ÿӕi
tѭӧng, khi cho B = 0, sӁ là zero cӫa hӋ kín nӃu
không bӏ khӱ bӣi cӵc vòng kín.
Bӣi vì các ÿiӇm zero không әn ÿӏnh không thӇ bӏ
khӱ nên có thӇ phân tích thành B = B+B-, trong ÿó
B+ chӭa nhӳng thành phҫn có thӇ khӱ ÿi, B- là thành
phҫn còn lҥi.
Theo phѭѫng trình (2.11) AR + BS là ÿa thӭc ÿһc
trѭng cӫa hӋ thӕng ÿѭӧc phân tích thành ba thành
phҫn : khӱ zero cӫa ÿӕi tѭӧng B+ ; cӵc mong muӕn
cӫa mô hình ÿѭӧc cho bӣi Am; các cӵc cӫa bӝ quan
sát A0.
Vì thӃ : AR + BS = B+A0Am (2.12)

gӑi là ph˱˯ng trình Diophantine ( hay là ph˱˯ng
trình nh̵n d̩ng Benzout). Vì B+ có thӇ khӱ nên :
R=B+R1 (2.13)
Chia phѭѫng trình (2.12) cho B+ sӁ ÿѭӧc:
A .R1 + B-.S = A0Am (2.14)
Vì yêu cҫu là phҧi giӕng ÿáp ӭng mong muӕn nên tӱ
sӕ (2.11) phҧi chia hӃt cho Bm, nӃu không thì sӁ
không có lӡi giҧi cho bài toán thiӃt kӃ. Vì vұy :
Bm = B -.B’m (2.15)
T = A0B’m
ĈiӅu kiӋn ÿӇ ÿҧm bҧo tӗn tҥi lӡi giҧi là :

bұc( A0) t 2 bұc(A) - bұc( Am) - bұc(B+) - 1
bұc( Am) - bұc (Bm) t bұc( A) - bұc(B)
Nhӳng ÿiӅu kiӋn này ÿѭӧc cho trong phө lөc A
(TLTK[1]).
Giҧ sӱ tҩt cҧ các zero ÿӅu bӏ khӱ, khi ÿó có thӇ viӃt
(2.14) lҥi nhѭ sau :
A0Am = AR1 + b0S
Nhân 2 vӃ cho y và dùng thêm phѭѫng trình (2.8) ta
ÿѭӧc :
A0.Am.y = BR1u + b0Sy =b0(Ru + Sy) (2.16)
Các thông sӕ ӣ vӃ trái ÿã biӃt, vӃ phҧi chѭa biӃt. Ĉa

thӭc T có ÿѭӧc trӵc tiӃp tӯ phѭѫng trình (2.15). Các
tham sӕ mô hình cӫa phѭѫng trình (2.16) bây giӡ có
thӇ ÿѭӧc dùng ÿӇ ѭӟc lѭӧng các tham sӕ chѭa biӃt
cӫa bӝ ÿiӅu khiӇn (chѭѫng 3 TLTK[1]). ĈiӅu này
dүn ÿӃn hӋ MRAS trӵc tiӃp. Lӡi giҧi tәng quát ÿѭӧc
trình bày trong chѭѫng 4 TLTK[1].
HӋ tuyӃn tính tәng quát
HӋ SISO ÿѭӧc mô tҧ bӣi phѭѫng trình sau:
Ay = Bu
Vӟi ÿһc tính hӋ thӕng mong muӕn ÿҥt ÿѭӧc là:
Amym = Bmuc
Bӝ ÿiӅu khiӇn:
Ru = Tuc - Sy (*)
HӋ vòng kín ÿѭӧc mô tҧ:
BT
y uC
AR BS
Thay y vào (*) ta tính ÿѭӧc:
AT
u uC
AR BS
Sai sӕ là: e = y - ym
Bây giӡ cҫn phҧi xác ÿӏnh các ÿҥo hàm riêng cӫa sai
sӕ ÿӕi vӟi tӯng tham sӕ hiӋu chӍnh ÿӇ tìm luұt chӍnh
ÿӏnh thông sӕ các hàm ÿӝ nhҥy.
Ĉһt ri , si , ti là các hӋ sӕ cӫa ÿa thӭc R, S, T. Các
hàm ÿӝ nhҥy ÿѭӧc cho bӣi:
BT Bm u C
e uC
AR BS Am
k i l 1
we BTAp Bp
u
2 C
y
wri ( AR BS ) AR BS
i = 1,…,k
we BTBp l i Bp l i
u
2 C
y i = 1,…,l
wsi ( AR BS ) AR BS
we Bp m i
uC i = 1,…,m
wt i AR BS
Trong ÿó k = b̵c(R), = b̵c(S), m = b̵c(T).

VӃ phҧi các phѭѫng trình trên còn chӭa A, B là các
thông sӕ chѭa biӃt nên không tính ÿѭӧc các hàm ÿӝ
nhҥy. Mӝt cách xҩp xӍ ÿӇ có ÿѭӧc luұt cұp nhұt có
thӵc tӃ là: AR + BS | A0AmB+
Suy ra các hàm ÿӝ nhҥy:

k i
we B p
| u
w ri A0 Am
Tѭѫng tӵ cho si và ti
Tuy nhiên vӃ phҧi vүn còn B- là chѭa biӃt. NӃu tҩt
cҧ các zero ÿӅu ÿѭӧc khӱ, khi ÿó ta có B- = b0.
NӃu dҩu cӫa b0 biӃt ÿѭӧc thì có thӇ thӵc hiӋn ÿѭӧc
luұt cұp nhұt thông sӕ. Thành phҫn b0 có thӇ ÿѭӧc
bao gӗm trong cҧ J. Nên có thӇ suy ra luұt cұp nhұt
hiӋu chӍnh các thông sӕ nhѭ sau:
k i
dri p
Je u i = 1,…, k = b̵c(R )
dt A0 A m
l i
dsi p
Je y i = 0,…,l = b̵c(S)
dt A0 Am
m i
dt i p
Je u C i = 0,…,m = b̵c(T)
dt A0 Am
Nhұn xét:
- Cҫn phҧi xây dӵng 3 trҥng thái cӫa bӝ lӑc 1/A0Am
cho luұt hiӋu chӍnh trên.
- Sӵ thay ÿәi các tham sӕ này tӍ lӋ vӟi tích sai sӕ e
và tín hiӋu bӝ lӑc 1/A0Am
- ĈӇ có ÿѭӧc luұt ÿiӅu chӍnh các tham sӕ trên cҫn
phҧi giҧ sӱ các zero phҧi әn ÿӏnh và dҩu cӫa b0
phҧi ÿѭӧc biӃt.
- Có thӇ tránh ÿѭӧc giҧ sӱ này bҵng cách sӱ dөng
các thuұt toán phӭc tҥp hѫn nhѭ ѭӟc lѭӧng trҥng
thái…
xTiêu chuҭn cӵc tiӇu hoá

- Luұt MIT có thӇ ÿѭӧc sӱ dөng cho các hàm tәn
thҩt khác.
- Luұt hiӋu chӍnh các thams sӕ có thӇ ÿҥt ÿѭӧc bҵng
cách tính gradient hàm tәn thҩt ÿӕi vӟi các tham sӕ
và sӵ thay ÿәi các tham sӕ phҧi ngѭӧc dҩu vӟi
gradient.
- Phѭѫng pháp này cҫn biӃt các tham sӕ cӫa mô hình
ÿӕi tѭӧng ÿӇ tính toán ÿӝ nhҥy. Tuy nhiên ÿiӅu này
là không có thӵc và do ÿó có thӇ sӱ dөng phѭѫng
pháp xҩp xӍ hay bҵng các bӝ ѭӟc lѭӧng thông sӕ.
Sai sӕ và sӵ hӝi tө tham sӕ

HӋ thӕng thích nghi sӱ dөng mô hình chuҭn dӵa vào
ý tѭӣng là làm cho sai sӕ e = y – ym tiӃn tӟi zero.
ĈiӅu này không có nghƭa là các tham sӕ ÿiӅu khiӇn
tiӃn tӟi giá trӏ ÿúng cӫa nó (ví dө nhѭ trѭӡng hӧp tín
hiӋu = 0).
Ví dө 2.3 Hӝi tө sai sӕ

Giҧ sӱ hӋ thӕng có sѫ ÿӗ nhѭ hình 2.5:
Ngõ ra: y = u
Luұt ÿiӅu khiӇn: u = T uc
Mô hình: ym = T0uc
Sai sӕ: e = y – ym = Tuc - T0uc = (T - T0)uc
Luұt hiӋu chӍnh tham sӕ theo phѭѫng pháp gradient:

dT we
Je Ju c2 (T T 0 )
dt wT
Lӡi giҧi cho phѭѫng trình vi phân ӣ trên là:
0 0 JI t (*)
T (t ) T [T (0) T ] e
Trong ÿó: t
2
It ³ u (W )dW
c
0
T (0) là giá trӏ ban ÿҫu cӫa T.
Và vì vұy sai sӕ e trӣ thành:
0 JIt
e(t) uc (t)[T(0) T ] e
Do It >0 nên khi tof thì e(t) o0 ngay cҧ khi tín

hiӋu ÿiӅu khiӇn uc(t) o 0.
Giá trӏ giӟi hҥn cӫa T phө thuӝc vào tính chҩt cӫa
uc(W) (hӝi tө hoһc phân kì) ( do T(t) tính theo biӇu
thӭc (*) ).
Ví dө trên cho biӃt ÿѭӧc sai sӕ e o 0 tuy nhiên tham
sӕ T không tiӃn ÿӃn giá trӏ ÿúng cӫa nó. Ĉây là tính
chҩt cӫa hӋ thӕng thích nghi sӱ dөng mô hình chuҭn.
ĈiӅu kiӋn chính xác ÿӇ hӝi tө tham sӕ là tín hiӋu
kích thích phҧi luôn tӗn tҥi.
Әn ÿӏnh cӫa vòng ÿiӅu khiӇn thích nghi

Ӣ ví dө trên ÿӝ biӃn thiên tham sӕ T tӍ lӋ vӟi bình
phѭѫng tín hiӋu ÿiӅu khiӇn uc. ĈiӅu này hӧp lí trong
mӝt sӕ trѭӡng hӧp là khi tín hiӋu ÿiӅu khiӇn uc càng
lӟn thì càng dӉ phát hiӋn giá trӏ bӏ sai cӫa T.
Tuy nhiên ÿӝ thay ÿәi cӫa tham sӕ ÿiӅu chӍnh phө
thuӝc vào biên ÿӝ cӫa tín hiӋu ÿiӅu khiӇn có thӇ dүn
ÿӃn không әn ÿӏnh. Ví dө sau ÿây cho luұt ÿiӅu
khiӇn không phө thuӝc vào uc:
Ví dө 2.4
Giҧ sӱ hӋ thӕng có mô hình ӣ hình 2.6:
Vҩn ÿӅ là ÿiӅu chӍnh T o T0. Giҧ sӱ hàm truyӅn

ÿѭӧc cho bӣi:
1
G(s) 2
s a1 s a 2
Sai sӕ e = G(p)( T - T0 ) uc
Trong ÿó p biӇu thӏ cho phép lҩy ÿҥo hàm. Vì vұy:
we ym
G ( p)u c
wT T0
ĈiӅu chӍnh tham sӕ theo luұt MIT:
dT we ym Jc
J ce J ce 0 J e ym J
dt wT T T0
HӋ thӕng ÿiӅu khiӇn thích nghi vì vұy biӇu diӉn

ÿѭӧc bӣi các phѭѫng trình vi phân sau
d 2 ym dy m
2
a1 a2 ym T uc 0
(I)
dt dt
2
d y dy
2
a1 a2 y T uc (II)
dt dt
dT
J e ym J ( y y m ) y m (III)
dt
Phѭѫng trình (I) có thӇ giҧi ÿѭӧc nӃu cho sҹn hàm uc
, xem nhѭ biӃn ym biӃt trѭӟc
Ĉҥo hàm (II) ta ÿѭӧc:
d3y d2y dy dT du c
3
a1 2 a 2 u c T (t )
dt dt dt dt dt
Thay (III) vào ta ÿѭӧc:
3 2
dy dy dy duc
a1 a2 J (y ym)ymuc T(t)
dt dt dt dt
2 duc
J ym(t)uc (t)y(t) J y (t)uc T(t)
m
dt
Suy ra:
d3y d2y dy duc

3
a1 2 a2 Juc (t) ym (t) y(t ) T (t) Juc (t) ym2 (t )
dt dt dt dt
Ĉây là phѭѫng trình vi phân tuyӃn tính biӃn thiên

theo thӡi gian. ĈӇ hiӇu ÿѭӧc hӋ thӕng, ta thӵc hiӋn
cách thӱ nhѭ sau:
.
0
- Ĉҫu tiên giҧ sӱ u c là hҵng sӕ u c
0
- Ngõ ra mô hình khi ÿó sӁ có giá trӏ cân bҵng là y m
Giҧ sӱ cѫ cҩu hiӋu chӍnh thích nghi ÿѭӧc nӕi vào khi
ÿҥt ÿӃn ÿiӇm cân bҵng (trҥng thái cân bҵng). Khi ÿó
phѭѫng trình (II) ӣ trên sӁ có các hӋ sӕ hҵng và có
lӡi giҧi trҥng thái cân bҵng là:
0 0 0
y (t ) y m T u / a2
c
0 0 Jc 0 2
әn ÿӏnh nӃu a1 a 2 ! Ju yc m (u )
c
a2
Luұt hiӋu chӍnh bә sung

Nhӳng hiӇu biӃt có ÿѭӧc tӯ viӋc tính toán trong ví
dө 2.3 chӍ ra rҵng cҫn phҧi bә sung cho luұt MIT.
Luұt MIT là phѭѫng pháp gradient cѫ bҧn. Ĉӝ giҧm
có ÿѭӧc bҵng luұt MIT ÿѭӧc quyӃt ÿӏnh bӣi tham sӕ
J, sӕ này là do ngѭӡi dùng chӑn.
Có thӇ ÿҥt ÿѭӧc phѭѫng pháp gradient bә sung mà tӍ
lӋ hiӋu chӍnh không phө thuӝc vào biên ÿӝ cӫa tín
hiӋu (ÿһt) yêu cҫu. Mӝt khҧ năng là làm chuҭn hoá
và thay thӃ luұt MIT bӣi:
we
e
dT wT
J T
dt § we · § we ·
D ¨ ¸ ¨ ¸
© wT ¹ © wT ¹
Tham sӕ D > 0 ÿѭӧc ÿѭa vào ÿӇ tránh trѭӡng hӧp

chia cho 0.
Có thӇ nhұn thҩy rҵng tӍ lӋ hiӋu chӍnh tham sӕ phө
thuӝc vào biên ÿӝ cӫa tín hiӋu yêu cҫu mӝt lѭӧng
nhӓ bӣi vì do nhiӉu ÿo lѭӡng.
2.2.4 ThiӃt kӃ MRAS dùng lý thuyӃt әn ÿӏnh cӫa
Lyapunov
Vӟi luұt hiӋu chӍnh tham sӕ có ÿѭӧc tӯ phѭѫng pháp
Gradient ÿѭӧc trình bày trong mөc 2.2.3 lҩy gҫn
ÿúng là ÿӇ có ÿѭӧc luұt hiӋu chӍnh tham sӕ dӵa vào
kinh nghiӋm có vҿ hӧp lí rӗi chúng ta thӱ chӍ ra rҵng
sai sӕ mô hình sӁ tiӃn ÿӃn 0. Mӝt khҧ năng khác ÿӇ
có ÿѭӧc vòng ngoài cӫa hӋ thӕng thích nghi sӱ dөng
mô hình chuҭn là tìm ra luұt hiӋu chӍnh mà ÿҧm bҧo
sai sӕ tiӃn vӅ 0. Nhӳng nghiên cӭu cho luұt hiӋu
chӍnh nhѭ vұy ÿã ÿѭӧc thӵc hiӋn trong mӝt khoҧng
thӡi gian dài. Ý tѭӣng cѫ bҧn ÿӇ thiӃt kӃ luұt hiӋu
chӍnh dӵa vào lý thuyӃt әn ÿӏnh ÿѭӧc trình bày trong
mөc này và ÿѭӧc thӇ hiӋn theo lӏch sӱ phát triӇn.
ĈӇ tұp trung vào vҩn ÿӅ chính tránh nhӳng chi tiӃt

không cҫn thiӃt, tӵ hiӋu chӍnh ÿӝ lӧi nuôi tiӃn cӫa hӋ
thӕng ÿѭӧc biӃt trѭӟc ÿѭӧc dùng trong mөc này. HӋ
thӕng dùng ӣ ÿây giӕng nhѭ ӣ hình 2.6 nhѭng cѫ cҩu
thích nghi thì khác. Vҩn ÿӅ là tìm luұt hӗi tiӃp ÿӇ
bҧo ÿҧm sai sӕ e = y – ym trong hình 2.6 tiӃn ÿӃn 0,
cҫn biӃt rҵng vҩn ÿӅ ÿiӅu khiӇn hӋ thӕng vӟi ÿһc
tính ÿӝng hӑc biӃt trѭӟc và hӋ sӕ ÿӝ lӧi chѭa biӃt thì
không quá khó. Vҩn ÿӅ riêng biӋt ÿѭӧc chӑn ÿӇ trình
bày ý tѭӣng hѫn là trình bày mӝt vҩn ÿӅ thӵc tӃ. Mӝt
khi ý tѭӣng cѫ bҧn ÿѭӧc phát triӇn, sӵ mӣ rӝng ÿӃn
nhӳng cҩu hình tәng quát thì tѭѫng ÿӕi dӉ hiӇu hѫn,
chi tiӃt ÿѭӧc trình bày trong TLTK[1].
Phѭѫng pháp thӭ hai cӫa Lyapunov
Minh h͕a b̹ng ÿ͛ th͓ ph˱˯ng pháp Lyapunov
Hình 2.7 (a), (b) và (c) biӇu diӉn các trҥng thái cân
bҵng và nhӳng ÿѭӡng cong tiêu biӇu tѭѫng ӭng ÿӕi
vӟi hӋ thӕng әn ÿӏnh, әn ÿӏnh tiӋm cұn và không әn
ÿӏnh. Trong hình 2.7 (a), (b) hoһc (c), vùng S(G) giӟi
hҥn cho trҥng thái ban ÿҫu x0, và vùng S(H) tѭѫng
ӭng vӟi giӟi hҥn cho qǊi ÿҥo xuҩt phát tҥi x0.
Chú ý rҵng nhӳng ÿӏnh nghƭa ÿã ÿѭӧc ÿӅ cұp trѭӟc
ÿây không chӍ ra chính xác vùng cӫa ÿiӅu kiӋn cho
phép ban ÿҫu. Vì vұy các ÿӏnh nghƭa áp dөng cho
vùng lân cұn cӫa trҥng thái cân bҵng (là trҥng thái tҥi
ÿó mӑi ÿҥo hàm ÿӅu triӋt tiêu), trӯ khi S(H) tѭѫng
ӭng vӟi trҥng thái ban ÿҫu cӫa ÿӕi tѭӧng.
Chú ý là trong hình 2.7 (c), ÿѭӡng cong rӡi vùng

S(H) và dүn ÿӃn trҥng thái cân bҵng không әn ÿӏnh.
Tuy nhiên, chúng ta không thӇ nói rҵng ÿѭӡng cong
sӁ ÿi ÿӃn vô tұn bӣi vì nó có thӇ ÿӃn gҫn mӝt vòng
tròn giӟi hҥn phía ngoài vùng S(H). (NӃu mӝt hӋ
thӕng tuyӃn tính bҩt biӃn theo thӡi gian là không әn
ÿӏnh, các ÿѭӡng cong bҳt ÿҫu gҫn vӟi trҥng thái cân
bҵng không әn ÿӏnh ÿi ÿӃn vô cӵc. Nhѭng trong
trѭӡng hӧp cӫa hӋ thӕng phi tuyӃn, ÿiӅu này thұt sӵ
không cҫn thiӃt).
Sӵ hiӇu biӃt vӅ các ÿӏnh nghƭa ÿã nói ӣ trên là yêu

cҫu tӕi thiӇu ÿӇ hiӇu viӋc phân tích әn ÿӏnh cӫa các
hӋ thӕng tuyӃn tính và phi tuyӃn có mһt trong phҫn
này. Chú ý rҵng nhӳng ÿӏnh nghƭa này không chӍ hҥn
chӃ ӣ các khái niӋm vӅ sӵ әn ÿӏnh cӫa mӝt trҥng thái
cân bҵng. Thӵc ra, nhӳng cách ÿӏnh nghƭa khác cǊng
ÿѭӧc sӱ dөng.Chҷng hҥn, trong các lí thuyӃt ÿiӅu
khiӇn thông thѭӡng hoһc kinh ÿiӇn, chӍ có các hӋ
thӕng әn ÿӏnh tiӋm cұn mӟi ÿѭӧc gӑi là hӋ thӕng әn
ÿӏnh, còn các hӋ thӕng khác әn ÿӏnh theo Lyapunov,
nhѭng không әn ÿӏnh tiӋm cұn, ÿѭӧc gӑi là không әn
ÿӏnh.
Ví dө 2.5 Xét hӋ thӕng ÿѭӧc mô tҧ bӣi phѭѫng
trình trҥng thái sau:
x1 x 2 x1 ( x12 x 22 )
2 2
x 2 x1 x 2 ( x x ) 1 2
Trҥng thái cân bҵng (ÿҥo hàm = 0) tҥi gӕc tӑa ÿӝ
(x1= 0, x2 = 0). NӃu chúng ta ÿӏnh nghƭa mӝt hàm vô
hѭӟng V(x) nhѭ sau:
2 2
V ( x) x x
1 2
là hàm xác ÿ͓nh d˱˯ng, sao cho ÿҥo hàm theo thӡi
gian hàm V(x) theo mӝt ÿѭӡng cong bҩt kì
V ( x) 2 x1 x1 2 x 2 x 2 2( x12 x 22 )
là hàm xác ÿ͓nh âm. ĈiӅu này cho thҩy rҵng V(x)
tăng liên tөc theo ÿѭӡng cong bҩt kì; vì vұy V(x) là
hàm Lyapunov. Hàm V(x) trӣ thành vô hҥn vӟi ÿӝ
lӋch vô hҥn tӯ trҥng thái cân bҵng, trҥng thái cân
bҵng ӣ gӕc cӫa hӋ thӕng là әn ÿӏnh tiӋm cұn trong
vùng rӝng.
Chú ý rҵng nӃu chúng ta ÿӇ V(x) nhұn giá trӏ hҵng sӕ
0, C1, C2,. . . (0 < C1 < C2 <. . . ), thì V(x) = 0 tѭѫng
ӭng vӟi gӕc cӫa trҥng thái ÿӕi tѭӧng và V(x)=C1,
V(x) = C2, . . .mô tҧ nhӳng vòng tròn không so sánh
kèm theo gӕc cӫa trҥng thái ÿӕi tѭӧng, nhѭ minh hӑa
ӣ hình 2.8. CǊng cҫn chú ý rҵng V(x) là bán kính vô
tұn, hoһc V(x) o f khi __x__o f.
Khi vòng tròn V(x) = Ck nҵm hoàn toàn trong vòng
tròn V(x) = Ck+1, mӝt ÿѭӡng cong ÿҥi diӋn ÿi qua
vùng biên giӟi cӫa các ÿѭӡng viӅn V tӯ ngoài vào
trong. Tӯ ÿây, biӇu diӉn hình hӑc cӫa hàm Lyapunov
có thӇ ÿѭӧc phát biӇu nhѭ sau: V(x) là thѭӟc ÿo
khoҧng cách cӫa biӃn trҥng thái x tӯ gӕc toҥ ÿӝ cӫa
trҥng thái trung gian. NӃu khoҧng cách giӳa gӕc và
biӃn trҥng thái tӭc thӡi x(t) tăng liên tөc khi t tăng
{V[x(t)] < 0 } thì x(t) o 0.
Quӻ ÿҥo (1) trên hình 2.8 là chuyӇn ÿӝng әn ÿӏnh
tiӋm cұn vӅ gӕc tӑa ÿӝ, song không thoҧ tiêu chuҭn
әn ÿӏnh thӭ 2 cӫa Lyapunov: hàm không phҧi là hàm
xác ÿӏnh âm vӟi mӑi biӃn trҥng thái x.
Tiêu chuҭn әn ÿӏnh thӭ 2 cӫa Lyapunov là ÿiӅu kiӋn
ÿӫ, không phҧi là ÿiӅu kiӋn cҫn ÿӇ ÿánh giá tính әn
ÿӏnh cӫa nghiӋm phѭѫng trình vi phân phi tuyӃn.
NӃu thoҧ tiêu chuҭn thì hӋ әn ÿӏnh. NӃu không thoҧ,
vҩn ÿӅ kӃt luұn vӅ tính әn ÿӏnh còn bӓ ngõ, phө
thuӝc vào:
1.Chӑn hàm V(x)
2.Chӑn biӃn trҥng thái x
Ví dͭ thi͇t k͇ MRAS dùng Lyapunov
Giҧ sӱ tҩt cҧ các biӃn trҥng thái cӫa hӋ thӕng ÿӅu ÿo
lѭӡng ÿѭӧc, ÿӏnh lý vӅ әn ÿӏnh cӫa Lyapunov có thӇ
dùng ÿӇ thiӃt kӃ luұt ÿiӅu khiӇn thích nghi ÿҧm bҧo
sӵ әn ÿӏnh cho hӋ thӕng vòng kín, ví dө sau trình
bày ý tѭӣng này.
Ví dө 2.6 HӋ MRAS bұc nhҩt dӵa vào lý thuyӃt

әn ÿӏnh.
Xét bài toán nhѭ trong ví dө 2.2. Khi tham sӕ cӫa
ÿӕi tѭӧng ÿѭӧc biӃt luұt ÿiӅu khiӇn theo phѭѫng
trình 2.6 cho kӃt quҧ mong muӕn. Mӝt hӋ thích nghi
sӱ dөng mô hình chuҭn mà có thӇ tìm ra các hӋ sӕ t0
và s0 khi tham sӕ a, b không ÿѭӧc biӃt có thӇ ÿҥt
ÿѭӧc nhѭ sau :
Sai sӕ : e = y - ym
Lҩy ÿҥo hàm và sӱ dөng phѭѫng trình 2.5, 2.14 và
mô hình mong muӕn ÿӇ khӱ ÿҥo hàm y và ym , ta
ÿѭӧc :
.
de
a m e (a m a bs 0 ) y (bt 0 bm )u c
dt
Chú ý rҵng sai sӕ e sӁ tiӃn ÿӃn 0 nӃu các tham sӕ này

bҵng vӟi giá trӏ mong muӕn. Bây giӡ ta cҫn cӕ gҳng
xây dӵng mӝt cѫ cҩu hiӋu chӍnh tham sӕ sao cho các
thông sӕ t0 và s0 tiӃn ÿӃn giá trӏ mong muӕn. Sӱ
dөng cho mөc ÿích này, hàm Lyapunov có dҥng :
1 2 1 2 1
V (e, t 0 , s 0 ) [e (bs 0 a a m ) (bt 0 bm ) 2 ]
2 bJ bJ
Hàm này sӁ bҵng 0 khi e = 0 và các tham sӕ bӝ ÿiӅu

khiӇn bҵng vӟi giá trӏ tӕi ѭu. Ĉҥo hàm cӫa V là :
dV de 1 ds 0 1 dt 0
e (bs 0 a a m ) (bt 0 bm )
dt dt J dt J dt
2 1 ds 0 1 dt 0
a m e (bs 0 a a m )( Jye) (bt 0 bm )( Ju c e)
J dt J dt
NӃu các tham sӕ ÿѭӧc cұp nhұp bӣi:
dt 0 ds 0
Ju c e Jye (2.17)
dt dt
Ta ÿѭӧc dV
am e 2
dt
Nhѭ vұy:
Hàm V sӁ giҧm khi e khác 0. Vì vұy có thӇ kӃt luұn
là sai sӕ e sӁ tiӃn vӅ 0. Tuy nhiên cҫn chú ý là các
tham sӕ t0 và s0 sӁ hӝi tө ÿӃn giá trӏ cân bҵng nӃu
không có các ÿiӅu kiӋn khác tác ÿӝng vào. Vì vұy
luұt này tѭѫng tӵ nhѭ luұt MIT nhѭng ÿӝ nhҥy ÿѭӧc
thay ÿәi bӣi tín hiӋu khác.
Luұt hiӋu chӍnh các thông sӕ làm әn ÿӏnh cho hӋ
thӕng mà các biӃn trҥng thái có thӇ ÿo lѭӡng ÿѭӧc
xây dӵng bҵng sӵ tәng quát hoá trӵc tiӃp cӫa kƭ
thuұt dùng trong ví dө sau .
Luұt hiӋu chӍnh theo phѭѫng trình 2.17 ÿҥt ÿѭӧc

bҵng cách áp dөng lý thuyӃt әn ÿӏnh tѭѫng tӵ nhѭ
bҵng luұt MIT ( so sánh vӟi ví dө 2.2) trong cҧ hai
trѭӡng hӧp, luұt hiӋu chӍnh có thӇ viӃt nhѭ sau :
dT
JMe
dt
vӟi T là vector các tham sӕ , M = [-uc y]T khi sӱ
dөng luұt theo Lyapunov và
M = [-uc y]T/(p + am)
NӃu sӱ dөng luұt MIT vector M có thӇ ÿѭӧc giҧi
thích nhѭ là giá trӏ âm cӫa gradient hàm tәn thҩt.
Phѭѫng pháp Lyapunov bây giӡ ÿѭӧc áp dөng cho
viӋc hiӋu chӍnh hӋ ÿӝ lӧi nuôi tiӃn.
Ví dө 2.7
Ӣ ÿây chӍ xét vҩn ÿӅ hiӋu chӍnh ÿӝ lӧi nuôi tiӃn. Sai
sӕ ÿѭӧc cho bӣi
e = G(p)( T - T0 )uc
giӟi thiӋu mӝt không gian trҥng thái biӇu thӏ cho
hàm truyӅn G. Quan hӋ giӳa tham sӕ T và sai sӕ e
ÿѭӧc viӃt bӣi:
dx 0
Ax B (T T )u c
dt
(2.18)
e = Cx
NӃu hӋ ÿӗng nhҩt x Ax là әn ÿӏnh tiӋm cұn và có

tӗn tҥi 2 ma trұn P và Q xác ÿӏnh dѭѫng sao cho:
T
A P PA Q (2.19)
Chӑn hàm Lyapunov nhѭ sau :
1 T 0 2
V [Jx Px (T T ) ]
2
Ĉҥo hàm V và sӱ dөng phѭѫng trình sai phân 2.18
ÿѭӧc:
dV J dx T T dx 0 dT
( Px x P ) (T T )
dt 2 dt dt dt
Sӱ dөng phѭѫng trình 2.18 ta ÿѭӧc :

dV J dT
{[ Ax Bu c (T T 0 )]T Px x T P[ Ax Bu c (T T 0 )]} (T T 0 )
dt 2 dt
J T dT
x Qx (T T )( Ju c B T Px)
0
2 dt
NӃu luұt hiӋu chӍnh tham sӕ ÿѭӧc chӑn là :

dT (2.20)
Ju c B T Px
dt
thì ÿҥo hàm cӫa hàm Lyapunov sӁ âm khi x z 0. Vӟi
luұt hiӋu chӍnh theo phѭѫng trình 2.20 vector trҥng
thái x và cҧ sai sӕ e = Cx vì vұy sӁ tiӃn ÿӃn
không.Tuy nhiên chú ý là sai sӕ tham sӕ T - T0
không cҫn thiӃt là phҧi tiӃn ÿӃn không.
Ví dө hӋ bұc hai MRAS
K
Ví dө 2.8 Xét G(s)
s( s a)
Bm Z2
và mô hình là Gm ( s)
Am s 2 29Zs Z 2
ÿa thӭc A0, R, S và T ÿѭӧc chӑn bӣi :
A0(s) = s + a0
R(s) = s + r1
S(s) = s0s + s1
T(s) = t0s + t1
Phѭѫng trình Diophantine 2.7 cho lӡi giҧi sau :

r1 = 2]Z + a0 - a
s0 = (2]Za0 + Z2 - ar1 )/K
s1 = a0Z 2/ K
t0 = Z 2/ K
t1 = a0Z2/K
ÿӇ ÿѫn giҧn hóa, ta chӑn :
Q(s) = A0(s).Am(s)
P1(s) = Am(s)
P2(s) = A0(s)
hӓi ôn tұp và bài tұp ӣ cuӕi chѭѫng): Mô phӓng
bҵng Matlab hӋ bұc hai MRAS trong ví dө 2.8 (Ví
dө 4.8) vӟi J = 1, ] = 0.7, Z = 1, a0 = 2, a =1 và K=2.
Giҧ sӱ rҵng bˆ 0 b0
HӋ thӕng MRAS rӡi rҥc
HӋ MRAS ÿã ÿѭӧc thӵc hiӋn cho hӋ liên tөc không
có nhiӉu, nhѭng có thӇ thӵc hiӋn ÿѭӧc MRAS cho
hӋ rӡi rҥc. Thuұt giҧi ӣ trên có thӇ ÿѭӧc dùng cho
trѭӡng hӧp hӋ rӡi rҥc. Bӝ ѭӟc lѭӧng có thӇ dӵa vào
chuҭn bình phѭѫng tӕi thiӇu. Phҫn này ÿӇ dành trình
bày trong bӝ ÿiӅu khiӇn tӵ chӍnh ÿӏnh trong phҫn
2.3
MRAS cho hӋ thӕng chӍ biӃt ÿѭӧc tӯng phҫn
Trong phҫn trѭӟc ta ÿã giҧ sӱ tҩt cҧ mô hình cӫa ÿӕi
tѭӧng là chѭa biӃt.Trong mӝt sӕ trѭӡng hӧp ÿһc tính
ÿӝng hӑc cӫa hӋ thӕng ÿѭӧc biӃt mӝt phҫn, còn lҥi là
không biӃt. Sӵ biӃt trѭӟc này có thӇ ÿѭӧc kӃt hӧp
vào hӋ MRAS. ĈiӅu này có thӇ thӵc hiӋn tuǤ thuӝc
chӫ yӃu vào tham sӕ và cҩu trúc cӫa mô hình ÿӕi
tѭӧng. Phѭѫng pháp này ÿѭӧc minh hӑa bҵng ví dө .
ĈiӅu khiӇn thích nghi cho tay máy
Giҧ sӱ các biӃn trҥng thái ÿѭӧc ÿo lѭӡng ÿҫy ÿӫ, có
thӇ tìm ÿѭӧc mӝt biӃn sai sӕ tuyӃn tính ÿӕi vӟi các
tham sӕ, ÿiӅu này làm dӉ dàng trong viӋc xây dӵng
hӋ thích nghi sӱ dөng mô hình chuҭn әn ÿӏnh.
ĈiӅu này ÿѭӧc minh hӑa bҵng viӋc ÿiӅu khiӇn tay
máy khi mà ÿһc tính ÿӝng hӑc là phi tuyӃn.
Mӝt thao tác trӵc tiӃp ÿѭӧc mô tҧ bӣi mô hình :
H ( q ) q C ( q, q ) G ( q ) T (2.21)
vӟi q là vector tӑa ÿӝ tәng quát. H là ma trұn quán
tính, C là ma trұn tҳt, G là vector trӑng trѭӡng. BiӃn
ÿiӅu khiӇn là moment ÿһt vào cѫ cҩu chҩp
hành.Phѭѫng trình mô tҧ tay máy có tính chҩt :
1 d T
(q Hq ) q T H (q )q q T C (q, q )q q T (T G ) (2.21a)
2 dt
ĈiӅu này ÿѭӧc giҧi thích là ÿҥo hàm cӫa ÿӝng năng
T
q Hq bҵng vӟi công suҩt ÿѭӧc cung cҩp bӣi cѫ
cҩu chҩp hành và moment trӑng lӵc.
Ví dө:Tay máy hai khӟp nӕi

Xét tay máy hai khӟp nӕi vӟi tҧi chѭa biӃt trong hình
dѭӟi ÿây. Khӟp nӕi thӭ hai vӟi tҧi chѭa biӃt ÿѭӧc
xem nhѭ là có thêm mӝt khӟp nӕi vӟi 4 tham sӕ
chѭa biӃt: khӕi lѭӧng me, moment quán tính Ie,
khoҧng cách tӯ trӑng tâm ÿӃn khӟp nӕi thӭ hai lce,
góc Ge so vӟi khâu liên kӃt thӭ hai. HӋ thӕng ÿѭӧc
mô tҧ bӣi phѭѫng trình (2.21) vӟi
. §T 1 2T 3 cos q 2 2T 4 sin q 2 T 2 T 3 cos q 2 T 4 sin q 2 ·
H ¨¨ ¸¸
© T 2 T 3 cos q 2 T 4 sin q 2 T2 ¹
§T 3Y1 T 4Y2 (T1 T 2 e1 )e2 cos q1 ·
G ¨¨ ¸¸
© T 3Y3 T 4Y4 ¹
2
Y1 2 sin( q 2 ) q 1 q 2 sin( q 2 ) q 2
2
Y2
2 cos( q 2 ) q 1 q 2 cos( q 2 )
2
Y3 sin( q 2 ) q 1 e 2 cos( q 1 q 2 )
2
Y4
cos( q 2 ) q 1 e 2 sin( q 1 q 2 )
2
e1 m 1 l1 l c1 m l 1 c1
e2 g / l1
vӟi g là gia tӕc thѭӡng và bӕn tham sӕ chѭa biӃt
T1,…,T4 là nhӳng hàm có các tham sӕ vұt lý chѭa
biӃt.
T1 I 1 m1l c21 I e me l ce2 me l12
T2 I 1 me l ce2
T3 me l1l ce cos G e
T4 me l1l ce sin G e
Bӕn tham sӕ chѭa biӃt me, lce, Ie và įe ÿѭӧc xác ÿӏnh
duy nhҩt bӣi T1,…,T4. HӋ thӕng có thӇ ÿѭӧc viӃt lҥi:
T
M (q, q , q)T T
T
vӟi ˳ ÿѭӧc cho bӣi:
§ q1 ec q2 ec 2 cos(q 2 )q1 cos(q 2 )q2 Y1 2 sin( q 2 )q1 sin( q 2 )q2 Y2 ·
¨¨ ¸¸
© 0 q1 q2 cos(q 2 )q1 Y3 sin( q 2 )q1 Y4 ¹
T T1 , T 2 , T 3 , T 4 T
§W 1 e1e2 cos(q1 ) ·
T ¨¨ ¸¸
© W2 ¹
vӟi ec e2 cos(q1 ) và W 1 , W 2 là các moment tác

dөng vào. Ĉһc tính ÿӝng hӑc có thӇ ÿѭӧc viӃt dѭӟi
dҥng tuyӃn tính theo các tham sӕ vӟi giҧ sӱ là tҩt cҧ
các trҥng thái và gia tӕc có thӇ ÿo lѭӡng ÿѭӧc.
Ví dө có thӇ ÿѭӧc tәng quát hoá và phѭѫng trình
(2.21) có thӇ ÿѭӧc viӃt thành:
T 0
T Hc(q)q Cc(q, q)q Gc(q)
M (q, q, q)T
vӟi H c, C c, G c và M là biӃt trѭӟc hay có thӇ ÿo lѭӡng

ÿѭӧc. Dù là mô hình không tuyӃn tính, nó vүn tuyӃn
tính theo các tham sӕ có thӇ thay ÿәi. Mӝt ÿiӅu quan
trӑng là kiӃn thӭc biӃt trѭӟc ÿѭӧc dùng và hӋ thӕng
ÿó không xem nhѭ là mô hình hӝp ÿen vӟi tham sӕ
thay ÿәi theo thӡi gian. Mô hình thì vүn còn chѭa
thoҧ mãn bӣi vì gia tӕc phҧi ÿѭӧc ÿo cùng vӟi vӏ trí
và vұn tӕc.
Ĉһt quƭ ÿҥo tham khҧo cho vӏ trí và vұn tӕc là qm và

q m . Ĉѭa ra phѭѫng trình Lyapunov nhѭ sau:
1 ~ T ~T ~
V
2
~
~ T ~
q H ( q ) q q K p q T *T
~
Trong ÿó: q~ q q m , q~ q q m , T T T 0
Kp và Ƚ là nhӳng ma trұn xác ÿӏnh dѭѫng. Lҩy vi

phân V , sӱ dөng phѭѫng trình (2.21a) cho ta:
. ~ 1 q~ T H q~ q~ T K q~ T~ T *T~
q T H q~
V p
2
q T ( H q H q Cq~ K q~ ) T~ T *T~
~
m p
q T (T G H q Cq K q~ ) T~ T *T~

~
m m p
Ĉѭa ra luұt ÿiӅu khiӇn:

T H c qm C cq m G c K p q~ K d q~ (2.21b)
Luұt ÿiӅu khiӇn bao gӗm thành phҫn nuôi tiӃn tӯ
thành phҫn ÿã biӃt cӫa mô hình và thành phҫn tӍ lӋ
và hӗi tiӃp vұn tӕc, nghƭa là:
~
T ~ ~ ~ ~
~ T ~
V q ( H qm Cq m G K d q ) T *T
Trong ÿó:
~
H (q) H c(q ) H (q )
~
C ( q, q ) C c(q, q ) C (q, q )
~
G (q) G c(q ) G (q )
Ĉһt:
~ ~ ~ T ~
H qm Cq m G M T
m
Ĉһt ÿѭӧc nhѭ vұy là do mô hình tuyӃn tính ÿӕi vӟi

các tham sӕ. Hѫn nӳa M m M m (q, q , q m , qm ) có
nghƭa là chӍ có gia tӕc cӫa mô hình phҧi ÿѭӧc biӃt,
không phҧi là gia tӕc thӵc. Dүn ÿӃn:
~ ~ ~ T ~ T~
` V q K d q T (*T M m q )
T
ÿӅ nghӏ cұp nhұt thông sӕ:
~
T T * 1M mT q~ * 1M mT (q q m ) (2.21c)
Hàm V thoҧ tính chҩt cӫa hàm Lyapunov là xác
ÿӏnh dѭѫng và ÿҥo hàm:
V q~ K d q~
là bán xác ÿ͓nh âm. ĈiӅu này có nghƭa là hӋ vòng
kín әn ÿӏnh và vұn tӕc khi xác lұp bҵng không. Bӝ
ÿiӅu khiӇn cǊng có thӇ ÿѭӧc bә sung ÿӇ ÿҧm bҧo là
sai sӕ vӏ trí bҵng 0.
Luұt ÿiӅu khiӇn theo phѭѫng trình (2.21b) và tham
sӕ ÿѭӧc cұp nhұt theo phѭѫng trình (2.21c) là các
hàm cӫa biӃn và , nhѭng gia tӕc cӫa khӟp nӕi không
cҫn thiӃt phҧi ÿo ÿѭӧc. ĈӇ ý rҵng luұt ÿiӅu khiӇn là
trѭӡng hӧp ÿһc biӋt cӫa hӋ MRA tәng quát vӟi .
2.2.5 KӃt luұn

Các ý tѭӣng cѫ bҧn dӵa trên MRAS ÿã ÿѭӧc trình
bày trong phҫn này bao gӗm :
1. Phѭѫng pháp gradient
2. ThiӃt kӃ theo Lyapunov và siêu әn ÿӏnh
3. Sӕ gia sai sӕ
Trong mӑi trѭӡng hӧp luұt cұp nhұt tham sӕ cho
dѭӟi dҥng :
dT
JMH (2.22)
dt
hay dѭӟi dҥng chuҭn hoá :
dT MH
J T
(2.23)
D M M
dt
Trong phѭѫng pháp gradient, vector M là giá trӏ âm
cӫa gradient sai sӕ theo các tham sӕ. Ѭӟc lѭӧng
thông sӕ hay xҩp xӍ có thӇ ÿѭӧc dùng trong phѭѫng
pháp gradient. Trong nhӳng trѭӡng hӧp khác M là
vector lùi có ÿѭӧc bҵng cách lӑc ngõ vào, ra và tín
hiӋu ÿһt.
Sӕ hҥng H là sӕ gia sai sӕ ÿѭӧc giҧi thích là sai sӕ dӵ
báo cӫa vҩn ÿӅ ѭӟc lѭӧng.Thѭӡng dùng sӕ gia sai sӕ
tuyӃn tính theo các thông sӕ.
Phѭѫng pháp gradient linh hoҥt và ÿѫn giҧn ÿӇ áp
dөng vào mӑi cҩu trúc hӋ thӕng. Cách tính toán ÿòi
hӓi phҧi xác ÿӏnh ÿѭӧc hàm ÿӝ nhҥy bӣi vì luұt hiӋu
chӍnh dӵa vào viӋc tính gradient, có thӇ khҷng ÿӏnh
là phѭѫng pháp sӁ hӝi tө, ÿѭӧc cho bӣi ÿӝ lӧi thích
nghi J ÿѭӧc chӑn là ÿӫ nhӓ. Hѫn nӳa, giá trӏ ban ÿҫu
cӫa tham sӕ phҧi chӑn ÿӇ hӋ thӕng vòng kín là әn
ÿӏnh. Phѭѫng pháp này sӁ gây không әn ÿӏnh nӃu hӋ
sӕ ÿӝ lӧi thích nghi lӟn. Vҩn ÿӅ là khó tìm ÿѭӧc giӟi
hҥn әn ÿӏnh trѭӟc.
HӋ MRAS tәng quát ÿѭӧc ÿѭa ra dӵa vào viӋc thiӃt

kӃ mô hình kèm theo. Thuұt giҧi này bao gӗm nhӳng
trѭӡng hӧp ÿһc biӋt cӫa viӋc thiӃt kӃ MRAS ÿã ÿѭӧc
trình bày trong các phҫn trên. ViӋc ѭӟc lѭӧng tham
sӕ có thӇ ÿѭӧc thӵc hiӋn vӟi nhiӅu cách khác so vӟi
phѭѫng trình 2.22 và 2.23.
2.3 Bӝ tӵ chӍnh ÿӏnh (STR – Self Tuning

Regulator)
2.3.1 Ĉһt vҩn ÿӅ
Sӵ tѭѫng ÿѭѫng chҳc chҳn
Thông sӕ ѭӟc lѭӧng
x Phѭѫng pháp gradient
x Bình phѭѫng cӵc tiӇu
Các phѭѫng pháp thiӃt kӃ bӝ ÿiӅu khiӇn
x PID
x Vӏ trí cӵc
x LQG (Linear Quadratic Gaussian)
Bӝ tӵ chӍnh ÿӏnh (STR) dӵa trên quan ÿiӇm phân

tích, ÿánh giá các thông sӕ chѭa biӃt. Ý tѭӣng cѫ
bҧn ÿѭӧc minh hoҥ trong hình 2.9 . Các thông sӕ
chѭa biӃt ÿѭӧc ÿánh giá trӵc tuyӃn (on-line) bҵng
cách dùng phѭѫng pháp ѭӟc lѭӧng ÿӋ qui. Các thông
sӕ ѭӟc lѭӧng ÿѭӧc xem nhѭ là thông sӕ thӵc, ÿӝ
không tin cұy cӫa các ѭӟc lѭӧng là bӓ qua. Ĉây gӑi
là qui tҳc tѭѫng ÿӗng nhҩt ÿӏnh (certainty
equivalence principle).
NhiӅu phѭѫng pháp ѭӟc lѭӧng khác nhau có thӇ ÿѭӧc
vұn dөng nhѭ xҩp xӍ ѭӟc ÿoán, bình phѭѫng tӕi
thiӇu..... Khӕi ‘design’ ӣ hình 2.9 tѭӧng trѭng cho bài
giҧi trӵc tuyӃn các bài toán thiӃt kӃ hӋ thӕng vӟi các
thông sӕ chѭa biӃt trѭӟc. Ĉây là bài toán thiӃt kӃ cѫ
bҧn. ĈiӇn hình cho phѭѫng pháp này là phѭѫng pháp
khác biӋt cӵc tiӇu, bình phѭѫng tuyӃn tính, ÿһt cӵc,
model – following. Phѭѫng pháp thiӃt kӃ ÿѭӧc lӵa
chӑn phө thuӝc vào ÿһc tính cӫa hӋ thӕng vòng kín.
Mөc tiêu cӫa mөc này là ÿѭa ra quan ÿiӇm cѫ bҧn và
tính chҩt cӫa các bӝ tӵ chӍnh ÿӏnh. Bӝ tӵ chӍnh ÿӏnh
ban ÿҫu chӍ áp dөng cho các hӋ thӕng lҩy mүu dӳ liӋu,
nhѭng các thuұt toán liên tөc và hӛn hӧp (hybrid)
cǊng ÿѭӧc phát triӇn.
Trong mөc này, giҧ sӱ hӋ thӕng là SISO :
A(q)y(t) = B(q)u(t) + C(q)e(t) (2.24)
y : ÿҫu ra
u : ÿҫu vào
{e(t)} : chuӛi phân bӕ Gausse
A, B, C : các ÿa thӭc theo q (toán tӱ sai phân tӟi).
Giҧ thiӃt b̵cA = b̵cC = n và b̵cA - b̵cC = d0.
Quá trình ÿiӅu khiӇn thѭӡng ÿѭӧc mô tҧ ӣ dҥng toán
tӱ q-1. Ĉa thӭc ÿһc tính có dҥng:
* n 1
A ( z) z A( z )

n = bұcA. Khi ÿó mô hình (2.24) ÿѭӧc mô tҧ nhѭ sau:
* 1 * 1 * 1
A ( q ) y (t ) B ( q )u (t d 0 ) C ( q )e(t )
Bӝ tӵ chӍnh ÿӏnh dӵa trên quan ÿiӇm ѭӟc lѭӧng các thông sӕ
cӫa quá trình. Phѭѫng pháp dӉ hiӉu là ѭӟc lѭӧng các thông
sӕ cӫa hàm truyӅn cӫa quá trình và nhiӉu (thuұt toán thích
nghi gián tiӃp). Các thông sӕ cӫa bӝ chӍnh ÿӏnh sӁ không
ÿѭӧc cұp nhұt trӵc tiӃp mà là gián tiӃp thông qua ѭӟc lѭӧng
mô hình cӫa hӋ thӕng. Bӝ ÿiӅu khiӇn thích nghi loҥi này dӵa
trên phѭѫng pháp bình phѭѫng tӕi thiӇu và ÿiӅu khiӇn bám
theo (Kalman 1958). Phѭѫng pháp này không dӵa vào ÿһc
tính vòng kín cӫa hӋ thӕng.
Các thông sӕ cӫa bӝ chӍnh ÿӏnh cǊng có thӇ ѭӟc lѭӧng trӵc
tiӃp gӑi là thuұt toán thích nghi trӵc tiӃp. Cҧ 2 phѭѫng pháp
trӵc tiӃp và gián tiӃp ÿӅu gӑi là ÿiӅu khiӇn tӵ chӍnh ÿӏnh.
2.3.2 Bӝ tӵ chӍnh ÿӏnh gián tiӃp
Trong phҫn này, giҧ sӱ mô hình cӫa hӋ thӕng có
phѭѫng trình 2.24. Cách dӉ dàng nhҩt là tҥo bӝ tӵ
chӍnh ÿӏnh theo nhѭ phҫn 2.3.1 ÿӇ ѭӟc lѭӧng các
thông sӕ cӫa ÿa thӭc A, B, C.
Xét trѭӡng hӧp xác ÿӏnh (e(t) = 0). NhiӅu phѭѫng
pháp ÿӋ qui ÿã ÿӅ cұp có thӇ ÿѭӧc sӱ dөng ÿӇ ѭӟc
lѭӧng các thông sӕ cӫa A, B.
T T = [b0 b1 ... bm a1 ... an ]
MT(t – 1)=[u(t – d0)...u(t – d0 – m) – y(t – 1)...– y(t – n)]
trong ÿó n – m = d0. Khi ÿó bӝ ѭӟc lѭӧng bình
phѭѫng cӵc tiӇu ÿѭӧc cho bӣi:
‘
Tˆ(t ) Tˆ(t 1) K (t )H (t ) (2.25)
H (t ) y(t ) M (t 1)Tˆ(t 1)
T
(2.26)
K (t ) > T
P(t 1)M(t 1) O M (t 1)P(t 1)M(t 1) @ 1
(2.27)
P(t ) >I T
@
K (t )M (t 1) P(t 1) / O (2.28)
Trong trѭӡng hӧp nhiӉu là ngүu nhiên, phѭѫng pháp

bình phѭѫng tӕi thiӇu cho ra các ѭӟc lѭӧng sai lӋch
nӃu C(q) z qn. Lúc này, chúng ta phҧi dùng các
phѭѫng pháp nhѭ cӵc ÿҥi ÿӋ qui, bình phѭѫng cӵc
tiӇu tәng quát.

Tính hӝi tө
NӃu tín hiӋu ÿҫu vào ÿѭӧc kích thích ÿҫy ÿӫ và cҩu trúc
cӫa mô hình cҫn ѭӟc lѭӧng thích hӧp thì các ѭӟc lѭӧng
sӁ hӝi tө ÿӃn mӝt giá trӏ thӵc nӃu hӋ thӕng vòng kín әn
ÿӏnh. ĈiӅu kiӋn hӝi tө cho các phѭѫng pháp khác nhau
là khác nhau.
Trong cҧ 2 trѭӡng hӧp nhiӉu xác ÿӏnh (e(t) = 0) và
nhiӉu ngүu nhiên (e(t) z 0) thì ÿiӅu kiӋn hӝi tө phө
thuӝc tín hiӋu ÿҫu vào, quá trình và nhiӉu cӫa hӋ thӕng.
Tín hiӋu ÿiӅu khiӇn u(t) ÿѭӧc phát ÿi qua khâu hӗi tiӃp.
ĈiӅu này làm phӭc tҥp viӋc phân tích nhѭng nó cҫn thiӃt
ÿӇ yêu cҫu hӋ thӕng vòng kín phҧi әn ÿӏnh. Trong
MRAS viӋc phân biӋt tính hӝi tө sӁ ÿѭӧc ÿӅ cұp rõ hѫn
ӣ chѭѫng 6 (TLTK[1]).
Bài toán thiӃt kӃ nӅn tҧng cho nhӳng hӋ thӕng
biӃt trѭӟc
NhiӅu phѭѫng pháp thiӃt kӃ ÿѭӧc sӱ dөng trong các
bӝ tӵ chӍnh ÿӏnh phө thuӝc vào ÿһc tính cӫa hӋ thӕng
vòng kín. Phѭѫng pháp thiӃt kӃ thѭӡng sӱ dөng là
ÿһt cӵc (pole placement). Phѭѫng pháp dӵa theo mô
hình mүu (mode – following) và phѭѫng pháp ÿһt
cӵc ÿã ÿѭӧc ÿӅ cұp ӣ phҫn 2.2 và phө lөc A
(TLTK[1]).
Xét mô hình cӫa hӋ thӕng có phѭѫng trình 2.24 và
ÿáp ӭng cӫa hӋ thӕng vòng kín mong muӕn là :
Am(q).y(t) = Bm(q).uc(t) (2.29)
Bӝ ÿiӅu khiӇn là:
R (q )u (t ) T (q )u c (t ) S (q ) y (t )
R1 và S là giҧi pháp cho phѭѫng trình Diophantine

AR1 B S A0 Am
trong ÿó B B B (2.32)
Bm B Bmc (2.33)
T A0 Bmc (2.34)
R B R1 (2.35)
Mӝt vài ÿiӅu kiӋn phҧi thoҧ mãn ÿӇ chҳc rҵng bӝ
ÿiӅu khiӇn là nhân quҧ (causal) (xem phө lөc A
TLTK[1] ). Các phѭѫng trình ӣ trên là cѫ bҧn cho
nhiӅu bài toán thiӃt kӃ khác nhau.
Mӝt kiӇu mүu cho mӝt bӝ tӵ chӍnh ÿӏnh gián
tiӃp
Bӝ tӵ chӍnh ÿӏnh gián tiӃp dӵa trên thiӃt kӃ ÿһt cӵc
có thӇ biӇu diӉn trong thuұt toán sau:
Thuұt toán 2.1 - Bӝ tӵ chӍnh ÿӏnh gián tiӃp
Dӳ liӋu : Hàm truyӅn ÿáp ӭng xung vòng kín mong
muӕn Bm/Am và ÿa thӭc quan sát mong muӕn A0
ÿѭӧc cho trѭӟc.
B˱ͣc 1: Ѭӟc lѭӧng các hӋ sӕ cӫa ÿa thӭc A, B, C
trong phѭѫng trình (2.24)
dùng phѭѫng pháp bình phѭѫng tӕi thiӇu tӯ các
phѭѫng trình (2.25) – (2.28)
Bѭӟc 2: Thay A, B, C bҵng các ѭӟc lѭӧng ÿҥt ÿѭӧc ӣ
bѭӟc 1 và giҧi phѭѫng trình (2.31) ÿӇ tìm R1, S. Tính R
bҵng phѭѫng trình (2.35) và T bҵng phѭѫng trình (2.34).
Bѭӟc 3 : Tính tín hiӋu ÿiӅu khiӇn tӯ phѭѫng trình (2.30)
Lһp lҥi bѭӟc 1, 2, 3 ӣ mӛi chu kì lҩy mүu.
Mӝt sӕ vҩn ÿӅ cҫn chú ý vӟi thuұt toán này :
+ Bұc cӫa các ÿa thӭc ӣ phѭѫng trình 2.24 hoһc giӟi
hҥn bұc cao nhҩt phҧi biӃt trѭӟc.
+ Thӯa sӕ chung cӫa các ѭӟc lѭӧng A, B có khҧ năng
giҧi ÿѭӧc phѭѫng trình 2.31
+ Phҧi ÿҧm bҧo hӋ thӕng vòng kín là әn ÿӏnh.
+ Các tín hiӋu nên kích thích liên tөc ÿӇ ÿҧm bҧo sӵ
hӝi tө cӫa các thông sӕ.
Ví dө 2.9 Bӝ sefl-turning gián tiӃp có nhiӉu
Xét hӋ thӕng có hàm truyӅn :
1
G (s)
s ( s 1)
Hàm truyӅn này ÿѭӧc xem nhѭ là mô hình cѫ bҧn
cӫa ÿӝng cѫ. Hàm truyӅn ÿáp ӭng xung vӟi chu kì
lҩy mүu h = 0.5 là :
B 0 . 107 q 0 . 090 0 . 107 ( q 0 . 84 )
H (q )
A q 2 1 . 61 q 0 . 61 ( q 1 )( q 0 . 61 )
HӋ thӕng ÿѭӧc lҩy mүu có 1 zero = -0.84 bên trong
vòng tròn ÿѫn vӏ vӟi hӋ sӕ tҳt nhӓ. Giҧ sӱ hӋ thӕng
vòng kín mong muӕn là :
. Bm 0.18
2
Am q 1.32q 0.50
ĈiӅu này tѭѫng ӭng vӟi hӋ thӕng có tҫn sӕ dao ÿӝng
tӵ nhiên 1 rad/sec và hӋ sӕ tҳt ] = 0.7
Giҧ sӱ ÿa thӭc quan sát là :
A0 = (q – 0.5)2
hӓi ôn tұp và bài tұp ӣ cuӕi chѭѫng) Ӭng dөng
Matlab mô phӓng hӋ thӕng trong ví dө 2.9 (Ví dө
5.1 (TLTK[1]).KӃt quҧ nhұn ÿѭӧc ÿѭӧc mô tҧ ӣ
hình (5.2), (5.3) và (5.4) trong TLTK[1].
Hình 5.2 biӇu diӉn tín hiӋu ÿҫu ra và tín hiӋu ÿiӅu khiӇn
cӫa hӋ thӕng thӵc khi mӝt bӝ tӵ chӍnh ÿӏnh gián tiӃp ÿѭӧc
sӱ dөng vӟi phѭѫng pháp bình phѭѫng cӵc tiӇu và zero
z = - 0.84 cӫa hӋ thӕng thӵc bӏ khӱ.
Hình 5.3 chӍ ra viӋc ѭӟc lѭӧng các thông sӕ cӫa hӋ thӕng
hӝi tө nhanh ÿӃn các thông sӕ cӫa mô hình thӵc.Có sӵ dao
ÿӝng lӟn cӫa tín hiӋu ÿiӅu khiӇn do viӋc khӱ zero. Dao
ÿӝng này là kӃt quҧ cӫa sӵ chӑn lӵa kém trong bài
toán thiӃt kӃ cѫ bҧn chӭ không phҧi phө thuӝc vào bӝ tӵ
chӍnh ÿӏnh. Dao ÿӝng này có thӇ tránh ÿѭӧc bҵng cách
thay ÿәi thiӃt kӃ mà không khӱ zero cӫa hӋ thӕng thӵc
( chҷng hҥn Bm = B). Hình 5.4 chӍ ra kӃt quҧ khi thay ÿәi
thiӃt kӃ không có zero nào bӏ khӱ. Ĉáp ӭng cӫa hӋ thӕng
vòng kín bây giӡ ÿã ÿѭӧc thoҧ mãn.
Ví dө 2.10 Bӝ tӵ chӍnh ÿӏnh vӟi nhiӉu ngүu nhiên
Xét hӋ thӕng ÿѭӧc mô tҧ nhѭ sau :
y(t) + ay(t – 1) = bu(t – 1) + e(t) + ce(t – 1)
vӟi a = - 0.9, b = 3, c = -0.3. Bài toán thiӃt kӃ cѫ bҧn
ÿѭӧc sӱ dөng là ÿiӅu khiӇn sai lӋch cӵc tiӇu. Bӝ ÿiӅu
khiӇn sai lӋch cӵc tiӇu ÿѭӧc cho nhѭ sau :
ca
u (t ) y (t ) 0.2 y (t )
b
ĈiӅu này dүn ÿӃn hӋ thӕng vòng kín : y(t) = e(t)
Phѭѫng pháp cӵc ÿҥi ÿӋ qui ÿѭӧc sӱ dөng ÿӇ ѭӟc
lѭӧng các thông sӕ chѭa biӃt a, b và c.

Các ѭӟc lѭӧng ÿҥt ÿѭӧc tӯ phѭѫng trình 2.25 – 2.28
vӟi:
T
T [b a c]
T
M (t 1) [u (t 1) y (t 1)H (t 1)]
H (t ) y (t ) M (t 1)Tˆ(t 1)
T
Bӝ ÿiӅu khiӇn là:

u (t ) sˆ0 (t ) y (t )
cˆ(t ) aˆ (t )
sˆ0 (t )
bˆ(t )

Bài tұp vӅ nhà (dùng làm bài tұp trong phҫn Câu hӓi ôn
tұp và bài tұp ӣ cuӕi chѭѫng): Ӭng dөng Matlab mô phӓng
bӝ tӵ chӍnh ÿӏnh trong ví dө 2.10 (Ví dө 5.2 TLTK[1]). Xem
kӃt quҧ mô phӓng trong hình (5.5), (5.6) và (5.7) cӫa
TLTK[1].
Hình 5.5 chӍ ra kӃt quҧ cӫa mô phӓng thuұt toán này. Hình
5.6 biӇu diӉn hàm chi phí : t
V (t ) ¦y
i 1
2
(i )
Khi sӱ dөng bӝ ÿiӅu khiӇn sai lӋch cӵc tiӇu tӕi ѭu và bӝ tӵ

chӍnh ÿӏnh gián tiӃp. Ĉѭӡng cong cho tәn hao tích luӻ cӫa
STR gҫn vӟi ÿѭӡng cong tӕi ѭu. ĈiӅu này có nghƭa bӝ tӵ
chӍnh ÿӏnh gҫn nhѭ tӕi ѭu ngoҥi trӯ khoҧng t quá ÿӝ khi
khӣi ÿӝng.Hình 5.7 biӇu diӉn thông sӕ cӫa BĈK sˆ0 (t )
Tóm tҳt
Thuұt toán tӵ chӍnh ÿӏnh gián tiӃp là nhӳng ӭng dөng ÿѫn
giҧn cӫa ý tѭӣng tӵ chӍnh ÿӏnh. Chúng có thӇ ÿѭӧc áp
dөng tӟi nhiӅu phѭѫng pháp thiӃt kӃ bӝ ÿiӅu khiӇn và ѭӟc
lѭӧng thông sӕ. Có 3 khó khăn chính vӟi phѭѫng pháp
này. Phân tích tính әn ÿӏnh là phӭc tҥp bӣi vì các thông sӕ
chӍnh ÿӏnh phө thuӝc vào các thông sӕ ÿã ѭӟc lѭӧng.
Thѭӡng thì cҫn phҧi giҧi các phѭѫng trình tuyӃn tính
trong các thông sӕ bӝ ÿiӅu khiӇn. Lӝ trình tӯ các thông sӕ
quá trình ÿӃn các thông sӕ tӵ chӍnh có thӇ có các ÿiӇm kì
dӏ. ĈiӅu này xҧy ra trong các phѭѫng pháp thiӃt kӃ dӵa
vào phѭѫng pháp ÿһt cӵc, chҷng hҥn, nӃu mô hình ÿã ѭӟc
lѭӧng có chung cӵc và zero. Các cӵc và zero chung cҫn
phҧi loҥi bӓ trѭӟc khi tiӃn hành phѭѫng pháp ÿһt cӵc. Do
ÿó viӋc phân tích tính әn ÿӏnh chӍ thӵc hiӋn trong mӝt sӕ ít
trѭӡng hӧp. ĈӇ ÿҧm bҧo các thông sӕ hӝi tө ÿӃn các giá trӏ
chính xác thì cҩu trúc cӫa mô hình phҧi chính xác và tín
hiӋu ÿҫu vào phҧi kích thích liên tөc.
2.2.3 Bӝ tӵ chӍnh ÿӏnh trӵc tiӃp
Khӕi lѭӧng tính toán cho các thuұt toán ӣ phҫn trѭӟc
tӕn nhiӅu thӡi gian và tính әn ÿӏnh rҩt khó ÿӇ phân tích.
NhiӅu thuұt toán khác ÿѭӧc ÿӅ xuҩt ÿӇ viӋc tính toán
thiӃt kӃ ÿѫn giҧn hѫn. Ý tѭӣng là dùng các ÿһc tính, các
cӵc và zero mong muӕn ÿӇ viӃt lҥi mô hình hӋ thӕng
sao cho các bѭӟc thiӃt kӃ là không ÿáng kӇ. ĈiӅu này
dүn tӟi viӋc thông sӕ hoá lҥi mô hình.
Nhân phѭѫng trình Diophantine (2.31) vӟi y(t) và dùng
mô hình có phѭѫng trình 2.24 thì :
A0 Am y(t ) R1 Ay(t ) B Sy(t )

R1 Bu(t ) B Sy(t ) R1Ce(t ) (2.36)
B >Ru(t ) Sy(t )@ R1Ce(t )
Chú ý rҵng phѭѫng trình 2.36 có thӇ ÿѭӧc xem nhѭ
là mӝt mô hình cӫa hӋ thӕng ÿѭӧc thông sӕ hoá
trong B-, R và S. ViӋc ѭӟc lѭӧng các thông sӕ này
tҥo ra các ÿa thӭc R và S cӫa bӝ chӍnh ÿӏnh mӝt cách
trӵc tiӃp. KӃt hӧp phѭѫng trình 2.34 , tín hiӋu ÿiӅu
khiӇn ÿѭӧc tính tӯ phѭѫng trình 2.30 . Lѭu ý mô
hình ӣ phѭѫng trình 2.36 là phi tuyӃn trӯ phi B- là
hҵng sӕ.
Cách khác ÿӇ thông sӕ hoá là viӃt mô hình ӣ phѭѫng
trình 2.36 nhѭ:
A0 Am y R u S y R1Ce ( 2.37)
trong ÿó R
B R S BS
Chú ý ÿa thӭc R ӣ phѭѫng trình (2.36) là monic (ÿa

thӭc có hӋ sӕ ӣ bұc cao nhҩt bҵng 1) nhѭng R ӣ
phѭѫng trình (2.37) thì không phҧi monic. Các ÿa
thӭc R và S có mӝt thӯa sӕ chung tѭӧng trѭng
cho các zero tҳt kém. Thӯa sӕ chung này nên khӱ bӓ
trѭӟc khi tính toán luұt ÿiӅu khiӇn.

Thuұt toán 2.2 - Bӝ tӵ chӍnh ÿӏnh trӵc tiӃp :
Bѭӟc 1: Ѭӟc lѭӧng các hӋ sӕ cӫa ÿa thӭc và ӣ mô
hình phѭѫng trình (2.37).
Bѭӟc 2: Khӱ các thӯa sӕ chung trong và ÿӇ ÿҥt
ÿѭӧc R và S.
Bѭӟc 3: Tính tín hiӋu ÿiӅu khiӇn tӯ phѭѫng trình
2.30 mà R và S có ÿѭӧc ӣ bѭӟc 2.
Lһp lҥi bѭӟc 1, 2, 3 ӣ mӛi chu kì lҩy mүu.
Thuұt toán này tránh viӋc ѭӟc lѭӧng phi tuyӃn nhѭng
cҫn phҧi ѭӟc lѭӧng nhiӅu thông sӕ hѫn khi dùng
phѭѫng trình 2.36 vì các thông sӕ cӫa ÿa thӭc B-
ÿѭӧc ѭӟc lѭӧng 2 lҫn.Bѭӟc2 do ÿó rҩt khó thӵc hiӋn.
Vì viӋc ѭӟc lѭӧng các thông sӕ ӣ phѭѫng trình 2.36
tѭѫng ÿӕi khó nên ta xét trѭӡng hӧp ÿһc biӋt B- là
hҵng sӕ.Giҧ sӱ tҩt cҧ các zero có thӇ bӏ khӱ (B- = b0)
A0 Am y (t ) b0 >Ru (t ) Sy (t )@ R1Ce(t ) (2.38)
Ĉáp ӭng mong muӕn nhѭ sau:

Am y m (t ) b0Tu c (t )
Trong ÿó: bұc(A) = n và A0 chia hӃt cho T. Sai sӕ

H(t) = y(t) - ym ÿѭӧc cho bӣi:
b0 R1C
H (t ) >Ru(t ) Sy(t ) Tu c (t )@ e(t )
A0 Am A0 Am

Bây giӡ ta xem xét các trѭӡng hӧp khác nhau. Ĉҫu
tiên giҧ sӱ e = 0. Ĉa thӭc quan sát có thӇ ÿѭӧc chӑn
tӵ do, khi dùng mô hình liên tөc theo thӡi gian thì
ÿiӅu cҫn thiӃt phҧi giҧ sӱ b0/(A0Am) là SPR (Strictly
Positive Real = Thӵc dѭѫng chһt) ÿӇ ÿҥt ÿѭӧc mӝt
MRAS әn ÿӏnh. Ta cǊng cҫn lѭu ý rҵng hàm truyӅn
có các hӋ sӕ là sӕ thӵc dѭѫng thoҧ ÿiӅu kiӋn cҫn ÿӇ
әn ÿӏnh ÿѭӧc gӑi là PR (Positive Real). Hàm là SPR
nӃu nó әn ÿӏnh vӟi ÿӝ dӵ trӳ H dѭѫng nhӓ tuǤ ý.
Mӝt ÿiӅu kiӋn tѭѫng tӵ cǊng là cҫn thiӃt cho các mô
hình rӡi rҥc theo thӡi gian. ViӃt lҥi mô hình nhѭ sau:

u (t ) y (t ) uc (t )
H (t ) b0 [ R S T ]
A0 Am A0 Am A0 Am
b0 [ R *u f (t d 0 ) S * y f (t d 0 ) T *ucf (t d 0 )]
Trong ÿó 1
u f (t ) * 1 * 1
u (t )
A0 ( q ) Am (q )
1
y f (t ) * 1 * 1
y (t )
A0 ( q ) Am ( q )
1
u cf (t ) * 1 * 1
u c (t )
A0 (q ) Am (q )
ĈiӅu này tѭѫng ӭng vӟi trѭӡng hӧp P = Q = A0Am ӣ
phҫn 2.2 . Tính hӝi tө bây giӡ sӁ phө thuӝc vào dҩu cӫa
b0. ĈiӅu này chӍ ra mӕi liên hӋ giӳa MRAS và STR.
xThuұt toán 2.3 - Bӝ tӵ chӍnh trӵc tiӃp vӟi nhiӉu

xác ÿӏnh.
Dӳ liӋu : Cho trѭӟc giӟi hҥn thҩp nhҩt cӫa thӡi gian
trӉ d0 và dҩu cӫa b0, ÿáp ӭng xung hàm truyӅn vòng
kín mong muӕn b0/A*m và ÿa thӭc quan sát mong
muӕn A0.
Bѭӟc 1 : Ѭӟc lѭӧng các hӋ sӕ cӫa ÿa thӭc R*, S*, và
T* ӣ phѭѫng trình 2.38 dùng phѭѫng pháp ѭӟc
lѭӧng ÿӋ qui.
Bѭӟc 2 : Tính tín hiӋu ÿiӅu khiӇn tӯ :
R*u(t) = - S*y(t) + T*uc(t)
Lһp lҥi các bѭӟc 1, 2 ӣ mӛi chu kì lҩy mүu.
Thuұt toán này tѭѫng ӭng vӟi bӝ ÿiӅu khiӇn thích nghi dùng
mô hình chuҭn ӣ phҫn 2.2 . Chú ý thuұt toán yêu cҫu b0 phҧi
biӃt trѭӟc. NӃu không biӃt trѭӟc b0 thì cǊng có thӇ ѭӟc
lѭӧng ÿѭӧc bҵng cách thay phѭѫng trình 2.38 bҵng :
A0Amy(t) = Ru(t) + Sy(t) +R1C.e(t)
mà R bây giӡ không phҧi là monic.
xCác bӝ ÿiӅu khiӇn thay ÿәi cӵc tiӇu và mӭc trung bình
di chuyӇn (Minimum – Variance and Moving – average)
Các thuұt toán ÿiӅu khiӃn trong trѭӡng hӧp nhiӉu ngүu
nhiên cho hӋ thӕng ÿѭӧc mô tҧ bӣi phѭѫng trình 2.24 sӁ
ÿѭӧc xem xét. Ĉҫu tiên giҧ sӱ mô hình biӃt trѭӟc, e là mӝt
nhiӉu ngүu nhiên và uc = 0. Ĉa thӭc cӫa bӝ quan sát tӕi ѭu
cho mô hình ӣ phѭѫng trình 2.24 là A0 = C. Tiêu chuҭn thiӃt
kӃ là thay ÿәi cӵc tiӇu hoһc trung bình di chuyӇn.
NӃu quá trình là cӵc tiӇu pha, bӝ chӍnh ÿӏnh thay ÿәi
cӵc tiӇu ÿѭӧc cho bӣi:
R*(q-1)u(t) = - S*(q-1)y(t) (2.39)
Trong ÿó R* và S* là nghiӋm có bұc cӵc tiӇu cӫa
phѭѫng trình Diophantine
A*(q-1)R*(q-1) + q-doB*(q-1)S*(q-1)=B*(q-1)C*(q-1) (2.40)
vӟi d0 = B̵c (A) - B̵c (B). Bӝ ÿiӅu khiӇn thay ÿәi
cӵc tiӇu tѭѫng ӭng vӟi mô hình mong muӕn vӟi mӝt
khoҧng trӉ d0 bѭӟc, A*m = 1. Tӯ phѭѫng trình 2.40
thì R* phҧi chia hӃt cho B* :
R* = R*1.B*

Trong ÿó : B̵c(R1) = d0 – 1. Phѭѫng trình 2.40
ÿѭӧc viӃt lҥi :
A*R*1 + q-doS* = C*
C*y(t) = A*R*1y(t) + S*y(t – d0)
= B*R*1u(t –d0) + S*y(t – d0) + R*1C*e(t)
= R*u(t – d0) + S*y(t – d0) + R*1C*e(t)
phѭѫng trình này có thӇ ÿѭӧc viӃt lҥi :
1 *
y (t d 0 )
[ R u (t ) S y (t )] R1 e(t d 0 ) ( 2.41)
C
vӟi bӝ ÿiӅu khiӇn ӣ phѭѫng trình 2.39 thì ÿҫu ra cӫa
hӋ thӕng vòng kín trӣ thành :
y(t) = R*1(q-1).e(t)
Ngõ ra vì vұy là mӝt trung bình di chuyӇn vӟi bұc
(d0 -1). Trong &ström (1970) chӍ ra rҵng bӝ chӍnh ÿӏnh
sӁ cӵc tiӇu sӵ thay ÿәi ngõ ra. Mӝt ÿһc ÿiӇm quan trӑng
là ngõ ra trӣ thành mӝt trung bình di chuyӇn bұc
(d0 – 1). Chú ý sӕ tӵ nhiên d0 ÿѭӧc diӉn tҧ nhѭ là sӕ
mүu trôi qua ÿӇ ÿҫu ra thay ÿәi khi ÿҫu vào thay ÿәi.
Bӝ ÿiӅu khiӇn thay ÿәi cӵc tiӇu có hҥn chӃ là tҩt cҧ các
zero cӫa quá trình ÿӅu bӏ khӱ. ĈiӅu này có nghƭa sӁ là
khó khăn nӃu B có các zero bên ngoài vòng tròn ÿѫn vӏ.
Các khó khăn này sӁ tránh ÿѭӧc ӣ bӝ ÿiӅu khiӇn trung
bình di chuyӇn. Bӝ ÿiӅu khiӇn này làm cho ngõ ra có
bұc lӟn hѫn (d0 – 1). Bӝ ÿiӅu khiӃn ÿѭӧc ÿӅ xuҩt nhѭ
sau: thӯa sӕ B+ và B- trong B vӟi B+ có các zero tҳt
nhanh ( zero well – damped).
Xác ÿӏnh R và S* tӯ :
*
A*R* + q-doB*S* = B+*C*

Phѭѫng trình 2.41 cho ta:
1 *
y (t d )
[ R u (t ) S y (t )] R1 e(t d ) ( 2.42)
C
* *
Trong ÿó: R R B
1
Vì ngõ ra ÿѭӧc ÿiӅu khiӇn là mӝt quá trình trung

bình di chuyӇn vӟi bұc (d – 1) nên chúng ta gӑi là
ÿiӅu khiӇn trung bình di chuyӇn. Chú ý không có
zero nào bӏ khӱ nӃu B+* = 1,có nghƭa d = b̵c(A)= n

Cҧ 2 luұt ÿiӅu khiӇn thay ÿәi cӵc tiӇu và trung bình
di chuyӇn dүn ÿӃn mô hình tѭѫng ÿѭѫng cӫa phѭѫng
trình 2.41 và 2.42 . Sӵ khác nhau duy nhҩt là ӣ giá
trӏ cӫa d mà sӁ ÿiӅu khiӇn sӕ zero cӫa quá trình bӏ
khӱ. Vӟi d = d0 = Bұc(A) - Bұc(B) : tҩt cҧ zero bӏ
khӱ. Vӟi d = Bұc(A) : không có zero nào bӏ khӱ.
Lӑc vӟi A*0 trong phѭѫng trình 2.38 cǊng có thӇ tҥo
ra mô hình cӫa phѭѫng trình 2.42 :
A0* *
y (t d )
[ R u f (t ) S y f (t )] R1 e(t d ) (2.43)
C
NӃu B+ chӭa tҩt cҧ các zero әn ÿӏnh cӫa hӋ thӕng thì
nó sӁ tѭѫng ӭng nhѭ bӝ ÿiӅu khiӇn thay ÿәi cӵc tiӇu
cұn tӕi ѭu trong &ström (1970)
Bӝ tӵ chӍnh ÿӏnh thay ÿәi cӵc tiӇu và trung bình di
chuyӇn
Thuұt toán 2.4 - Thuұt toán tӵ chӍnh ÿӏnh trӵc tiӃp cѫ bҧn
Dӳ liӋu : Cho trѭӟc khoҧng dӵ báo d. Gӑi k và l tѭѫng ӭng
là sӕ thông sӕ trong R* và S*.
Bѭӟc 1: Ѭӟc lѭӧng các hӋ sӕ cӫa ÿa thӭc R* và S*
y(t + d) = R*(q-1)uf(t) + S*(q-1)yf(t) + H(t + d) (2.44)
trong ÿó : R*(q-1) = r0 + r1q-1 +. . . + rkq–k
S*(q-1) = s0 + s1q-1 + . . . + slq–l
Và 1
u (t ) f u (t )
A 0* ( q 1 )
1
y f (t ) * 1
y (t )
A0 (q )
sӱ dөng các phѭѫng trình 2.25 – 2.28 vӟi
H (t ) y (t ) R *u f (t d ) S * y f (t d ) y (t ) M T (t d )Tˆ(t 1)
T 1
M * 1
[u (t )...u (t k ) y (t )... y (t l )]
A0 (q )
TT [r0 ...rk s 0 ...sl ]
Bѭӟc 2: Tính luұt ÿiӅu khiӇn
R * (q 1 )u (t ) S * (q 1 ) y (t ) (2.45)
Vӟi R* và S* ÿѭӧc thay bҵng các ѭӟc lѭӧng tѭѫng ӭng
trong bѭӟc 1.
Lһp lҥi các bѭӟc 1 và 2 ӣ mӛi chu kì lҩy mүu.
Chú ý: Thông sӕ r0 có thӇ ѭӟc lѭӧng hoһc giҧ sӱ biӃt
trѭӟc.Ӣ các trѭӡng hӧp sau ÿӇ thuұn lӧi ta viӃt R* nhѭ
sau:
‘ R (q ) * 1
r0 (1 r q ' 1 '
... r q )k
1 k
Và sӱ dөng
H (t ) y (t ) r0 u f (t d ) M T (t d )Tˆ(t 1)
T 1
M * 1
[r0 u (t 1)...r0 u (t k ) y (t )... y (t l )]
A0 (q )
TT [r1' ...rk' s 0 ...sl ]
Tính chҩt tiӋm cұn

Mô hình ӣ phѭѫng trình 2.41 và 2.42 ÿѭӧc diӉn tҧ
nhѭ là viӋc thông sӕ hoá lҥi mô hình ӣ phѭѫng trình
2.24. Chúng tѭѫng ÿӗng vӟi mô hình ӣ phѭѫng trình
2.44 trong thuұt toán 2.4 nӃu A0 ÿѭӧc chӑn bҵng C.
Vector hӗi qui không tѭѫng quan vӟi sai sӕ
và phѭѫng pháp ѭӟc lѭӧng bình phѭѫng tӕi thiӇu sӁ
hӝi tө tӟi thông sӕ thұt. Mӝt kӃt quҧ ÿáng kinh ngҥc
là cǊng tӵ chӍnh ÿӏnh chính xác khi A0 z C. KӃt quҧ
sau chӍ ra các thông sӕ tӵ chӍnh ÿӏnh chính xác có
gía trӏ tѭѫng ÿӗng vӟi thuұt toán 2.4 khi A0 z C.
Ĉӏnh lí 2.1 – Tính chҩt tiӋm cұn
Xét thuұt toán 2.4 vӟi A*0 = 1 dùng phѭѫng pháp
ѭӟc lѭӧng bình phѭѫng cӵc tiӇu. Thông sӕ b0 = r0 có
thӇ cӕ ÿӏnh hoһc ÿѭӧc ѭӟc lѭӧng. Giҧ sӱ vector hӗi
qui có giӟi hҥn, và các ѭӟc lѭӧng là hӝi tө. HӋ thӕng
vòng kín ÿҥt ÿѭӧc trong ÿiӅu kiӋn giӟi hҥn có ÿһc
ÿiӇm

‘
y (t W ) y (t ) 0 W d , d 1,..., d l
(2.46)
y (t W )u (t ) 0 W d , d 1,..., d k
trong ÿó dҩu gҥch chӍ giá trӏ trung bình theo thӡi
gian; k, l là sӕ các thông sӕ ѭӟc lѭӧng trong R* và S*.
Chӭng minh: Mô hình cӫa phѭѫng trình 2.44 có thӇ

ÿѭӧc viӃt lҥi:
y(k + d) = MT(k)T + H(k + d)
và luұt ÿiӅu khiӇn trӣ thành:
M (k )Tˆ(k d )
T
0
Tҥi mӝt trҥng thái cân bҵng, các thông sӕ ѭӟc lѭӧng
Tˆ là nhӳng hҵng sӕ. Hѫn nӳa, chúng thoҧ mãn
các phѭѫng trình chuҭn, trong trѭӡng hӧp này ÿѭӧc
viӃt lҥi nhѭ sau:
1 t 1 t ˆ(t d )
¦
tk 1
M (k ) y (k d ) ¦
tk 1
M ( k )M T
( k )T
Sӱ dөng luұt ÿiӅu khiӇn

1 t 1 t
lim ¦ M (k ) y (k d ) lim ¦ M (k )M T (k )[Tˆ(t d ) Tˆ(k d )]
t of t tof t
k 1 k 1
NӃu thông sӕ ѭӟc lѭӧng Tˆ(t ) hӝi tө khi to f , và các

vector hӗi qui bӏ giӟi hҥn thì vӃ phҧi sӁ tiӃn tӟi zero.
Phѭѫng trình 2.46 bây giӡ kéo theo A*0 =1 và xác ÿӏnh
vӅ sӵ hӗi qui vector trong thuұt toán 2.4
Ĉӏnh lí 2.2 – Tính chҩt tiӋm cұn 2

Giҧ sӱ thuұt toán 2.4 vӟi phѭѫng pháp ѭӟc lѭӧng
bình phѭѫng cӵc tiӇu ÿѭӧc áp dөng cho phѭѫng
trình 2.24 và:
min(k, l) t n – 1 (2.47)
Có nghƭa tín hiӋu ra là quá trình có mӭc trung bình
di chuyӇn bұc (d -1).
NӃu các ѭӟc lѭӧng tiӋm cұn cӫa R và S liên quan
vӟi nhau, nghiӋm trҥng thái cân bҵng là:
y (t W ) y (t ) 0 W d , d 1,...... ( 2.48)

Chӭng minh: HӋ thӕng vòng kín ÿѭӧc mô tҧ nhѭ

sau:
R*u(t) = - Sy(t)
A* y(t) = B*u(t – d0) + C*e(t)
Vì vұy
* * d0 * * * *
A R q B S )y R C e
A* R * q d 0 B * S * )u S *C * e
Tín hiӋu Z ÿѭӧc ÿӏnh nghƭa
d0
( A* R * q B * S * )Z C *e (2.49)
Vì vұy:
* *
y RZ và u S Z
ĈiӅu kiӋn cӫa phѭѫng trình 2.46 ÿѭa ÿӃn

RZ (t W ) y (t ) 0 W d , d 1,..., d l
SZ (t W ) y (t ) 0 W d , d 1,..., d k
Ĉһt: CZy (W ) Z (t W ) y (t )
các phѭѫng trình trên có thӇ ÿѭӧc viӃt lҥi:
ªr0 r1 r2 " rk 0 " 0º
«0 r0 r1 r2 " rk »
« »
«# % % % % % »
« » ªCZy (d k l )º
«0 " 0 r0 r1 r2 " rk » « »
« # » 0
«s0 s1 s2 " sl 0 " 0»
« » « C Zy ( d ) »
s2 " ¬ ¼
«0 s0 s1 sl »
«# % % % % % »
« »
«¬0 " 0 s0 s1 s 2 " sl »¼
CZy(W ) = 0 W = d, d+1, . . . , d+k+l

Hàm tѭѫng quan thoҧ mãn phѭѫng trình:
F*(q-1)CZy(W ) = 0 W t 0
HӋ thӕng phѭѫng trình 2.49 có bұc:
n + k = n + max(k,l)
NӃu k + l + 1 t n + max(k, l)
hoһc tѭѫng ÿѭѫng vӟi min(k, l) t n – 1
dүn ÿӃn
CZy(W ) = 0 W = d, d + 1,...
là ÿiӅu cҫn chӭng minh.

2.3.4 KӃt nӕi giӳa MRAS và STR

Các hӋ thӕng thích nghi dùng mô hình chuҭn trӵc
tiӃp ÿã ÿѭӧc ÿӅ cұp trong phҫn 2.2. Trong phө lөc A
(TLTK[1]) cǊng chӍ ra mô hình kèm theo và ÿһt cӵc
là liên quan vӟi nhau. Bây giӡ chúng ta sӁ chӭng tӓ
bӝ chӍnh ÿӏnh trӵc tiӃp dùng phѭѫng pháp ÿһt cӵc ӣ
thuұt toán 2.2 là tѭѫng ÿѭѫng vӟi mӝt MRAS. Trong
trѭӡng hӧp nhiӉu xác ÿӏnh, khi B- là hҵng sӕ, mô
hình cӫa quá trình ÿѭӧc viӃt lҥi nhѭ sau:
y (t ) M Tf (t d 0 )T
Trong thuұt toán gián tiӃp, các thông sӕ ÿѭӧc ѭӟc
lѭӧng bҵng các thông sӕ cӫa bӝ chӍnh ÿӏnh.
Phѭѫng pháp bình phѭѫng cӵc tiӇu ÿѭӧc sӱ dөng

cho viӋc ѭӟc lѭӧng và H(t) ÿѭӧc viӃt lҥi:
H (t ) y (t ) yˆ (t ) y (t ) M Tf (t d 0 )Tˆ (2.50)
Thông sӕ cұp nhұt có thӇ ÿѭӧc viӃt lҥi:
ˆ
T (t ) ˆ T
T (t 1) P(t )M (t d )H (t ) (2.51)
f 0
Chú ý rҵng theo phѭѫng trình 2.50 thì

T
M (t d 0 )
f gradT H (t )
Vector M Tf (t d 0 ) diӉn tҧ nhѭ là ÿҥo hàm cӫa ÿӝ

nhҥy. ViӋc cұp nhұt thông sӕ ӣ phѭѫng trình 2.51 là
mӝt phiên bҧn rӡi rҥc theo thӡi gian cӫa luұt MIT.
Sӵ khác biӋt chính là sai sӕ mô hình e(t)= y(t) - ym(t)

ÿѭӧc thay bҵng giá trӏ thһng dѭ H(t) và ÿӝ lӧi J ӣ
MRAS ÿѭӧc thay bҵng ma trұn P(t) cho ӣ phѭѫng
trình 2.28. P làm thay ÿәi hѭӟng cӫa gradient và tҥo
ra mӝt chiӅu dài bѭӟc thích hӧp. Ngѭӧc lҥi, luұt
MIT cǊng có thӇ xem nhѭ là mӝt thuұt toán gradient
ÿӇ cӵc tiӇu e2, phѭѫng trình 2.51 dѭӧc xem nhѭ là
mӝt phѭѫng pháp Newton ÿӇ cӵc tiӇu H2(t). Giá trӏ
thһng dѭ H ÿѭӧc xem nhѭ sӕ gia sai sӕ.
Chú ý rҵng trong các kƭ thuұt nhұn dҥng nhѭ các bӝ
tӵ chӍnh ÿӏnh chúng ta thѭӡng cӕ gҳng ÿҥt ÿѭӧc mӝt
kiӇu mүu tѭѫng tӵ vӟi: T
y (t ) MfT
Vӟi phѭѫng pháp mô hình chuҭn thì thѭӡng xuyên

T
chӍ có thӇ ÿҥt mӝt mô hình kiӇu y (t ) G ( p )(M fT)
Vӟi G(p) là SPR.
Ví dө 2.11 - Bӝ tӵ chӍnh ÿӏnh trӵc tiӃp vӟi thay ÿәi

cӵc tiӇu.
Mô hình cӫa quá trình ӣ phѭѫng trình 2.44 là :
y (t 1) r0 u (t ) s 0 y (t ) H (t 1)
Giҧ sӱ r0 cӕ ÿӏnh tӟi giá trӏ rˆ0 1 . Chú ý ÿiӅu này

khác vӟi giá trӏ thұt là bҵng 3. Thông sӕ s0 ÿѭӧc ѭӟc
lѭӧng dùng phѭѫng pháp bình phѭѫng cӵc tiӇu. Luұt
ÿiӅu khiӇn trӣ thành:
‘
sˆ0
u (t ) y (t )
rˆ0
hӓi ôn tұp và bài tұp ӣ cuӕi chѭѫng): Dùng Matlab
mô phӓng cho ví dө 2.11 (Ví dө 5.3 TLTK[1]). Xem
kӃt quҧ mô phӓng ӣ hình 5.8 và 5.9 trong TLTK[1].
Hình 5.8 biӇu diӉn tӍ sӕ sˆ0 / rˆ0 , nó nhanh chóng hӝi
tө ÿӃn mӝt giá trӏ cӫa bӝ ÿiӅu khiӇn thay ÿәi cӵc tiӇu
tӕi ѭu thұm chí không bҵng giá trӏ thұt cӫa nó. Hình
5.9 biӇu diӉn hàm tәn hao khi dùng bӝ tӵ chӍnh ÿӏnh
và bӝ ÿiӅu khiӇn thay ÿәi cӵc tiӇu tӕi ѭu.
2.3.5 ĈiӅu khiӇn dӵ báo thích nghi
Thuұt toán 2.4 là cách ÿӇ thӵc hiӋn mӝt bӝ ÿiӅu
khiӇn vӟi tҫm dӵ báo thay ÿәi. Bài toán ÿiӅu khiӇn
cѫ bҧn là bӝ ÿiӅu khiӇn trung bình di chuyӇn. Bӝ
ÿiӅu khiӇn trung bình di chuyӇn cǊng có thӇ áp dөng
ÿѭӧc cho các hӋ thӕng không cӵc tiӇu pha nhѭ ÿѭӧc
minh hӑa ӣ phҫn “Bӝ chӍnh ÿӏnh trӵc tiӃp”. NhiӅu
cách khác ÿӇ có ÿiӅu khiӇn dӵ báo sӁ ÿѭӧc ÿӅ cұp
trong tài liӋu, mӝt vài trong sӕ này sӁ ÿѭӧc thҧo luұn
và phân tích. CǊng nhѭ ÿӕi vӟi các thuұt toán trѭӟc,
xác ÿӏnh bài toán ÿiӅu khiӇn cѫ bҧn là rҩt quan trӑng
ÿӇ hiӇu rõ các tính chҩt tiӋm cұn cӫa thuұt toán.
Trѭӟc tiên ta sӁ phân tích trѭӡng hӧp các thông sӕ là
biӃt trѭӟc.
Thuұt toán ÿiӅu khiӇn dӵ báo dӵa trên mӝt mô hình

cӫa quá trình giҧ thuyӃt và các tín hiӋu ÿiӅu khiӇn ӣ
tѭѫng lai. ĈiӅu này tҥo ra mӝt chuӛi các tín hiӋu
ÿiӅu khiӇn. ChӍ có mӝt tín hiӋu ÿҫu tiên là ÿѭӧc áp
dөng cho quá trình và mӝt chuӛi các tín hiӋu ÿiӅu
khiӇn mӟi ÿѭӧc tính toán khi thӵc hiӋn phép ÿo ÿҥc
mӟi. Ĉây gӑi là bӝ ÿiӅu khiӇn lùi tҫm (receding –
horizon controller).
Dӵ báo ngõ ra
Ý tѭӣng cѫ bҧn trong các thuұt toán ÿiӅu khiӇn dӵ
báo là viӃt lҥi mô hình quá trình ÿӇ có ÿѭӧc mӝt biӇu
thӭc rõ ràng cho ngõ ra ӣ mӝt thӡi ÿiӇm tѭѫng lai.

Xét mô hình :
A*(q-1)y(t) = B*(q-1)u(t – d0) (2.52)
1 = A*(q-1)F*(q-1) + q–dGd*(q-1) (2.53)
trong ÿó:
b̵c( Fd* ) = d – 1
b̵c( Gd*) = n – 1
ChӍ sӕ d là tҫm dӵ báo vӟi d bѭӟc. Giҧ sӱ d t d0.
ViӋc ÿӗng nhҩt ÿa thӭc ӣ phѭѫng trình 2.52 ÿѭӧc sӱ
dөng ÿӇ dӵ báo ngõ ra ӣ d bѭӟc phía trѭӟc. Vì vұy :
y(t + d)=A*Fd*y(t + d)+G*dy(t)=B*F*du(t+d–d0)+G*dy(t)
1 1 1 ( d d 0 1)
*
B (q ) F (q ) d
* *
R (q ) q
d Rd* ( q 1 )
B̵c(R*d) = d – d0
*
B̵c( Rd ) n 2
Các hӋ sӕ cӫa R*d là nhӳng giӟi hҥn d – d0 + 1 ÿҫu
tiên cӫa ÿáp ӭng xung cӫa hӋ thӕng vòng hӣ. ĈiӅu
này có thӇ thҩy nhѭ sau:
d 0 B* d 0 Gd*
q q B* (Fd* q d )
A* A *
* 1 * 1
B (q )G (q ) (d d0 )
q d 0 *
R q
d
1
q ( d 1) * 1
Rd (q ) *
d
1
q (2.54)
A (q )
y(t d ) Rd* (q 1 )u(t d d 0 ) Rd* (q 1 )u(t 1) Gd* (q 1 ) y(t )

Rd* (q 1 )u(t d d 0 ) yd (t ) (2.55)

Rd* ( q 1 )u(t+d–d0) phө thuӝc vào u(t),..., u(t+d–d0),
y d (t ) là hàm cӫa u(t – 1), u(t – 2),... và y(t), y(t-1) ....
BiӃn y d (t ) ÿѭӧc hiӇu nhѭ là ÿiӅu kiӋn dӵ báo cӫa y(t+d)
vӟi giҧ sӱ u(t) và các tín hiӋu ÿiӅu khiӇn tѭѫng lai là
zero. Ngõ ra ӣ thӡi ÿiӇm (t + d) vì vұy phө thuӝc vào
các tín hiӋu ÿiӅu khiӇn tѭѫng lai ( nӃu d > d0), tín hiӋu
ÿiӅu khiӇn, các ngõ vào và ngõ ra ӣ thӡi ÿiӇm trѭӟc.
CǊng có thӇ giҧ sӱ tín hiӋu ÿiӅu khiӇn duy trì hҵng sӕ:
u(t) = u(t + d) = .... = u(t + d – d0) (2.56)
Cách khác ÿӇ xác ÿӏnh luұt ÿiӅu khiӇn là mang y(t+d)
ÿӃn mӝt giá trӏ mong muӕn trong khi cӵc tiӇu mөc tiêu
ÿiӅu khiӇn theo tҫm dӵ báo:
t d
¦ u (k )
k t
2
(2.57)
ĈiӅu khiӇn không thay ÿәi theo thӡi gian:

Chӑn ngõ ra ÿѭӧc dӵ báo bҵng vӟi ngõ ra mong
muӕn ym và giҧ sӱ vүn giӳ phѭѫng trình 2.56 :
* 1 * 1 * 1
[ R (1) q R ( q )]u (t ) G ( q ) y (t )
d d d y m (t d )
Luұt ÿiӅu khiӇn là:
* 1
y m (t d ) G (q ) y (t )
d
u (t ) * * 1 1
(2.58)
Rd (1) Rd (q )q
Tín hiӋu ÿiӅu khiӇn này sӁ ÿѭӧc sӱ dөng cho quá trình. Ӣ
lҫn lҩy mүu kӃ tiӃp, mӝt phép ÿo mӟi ÿҥt ÿѭӧc và luұt ÿiӅu
khiӇn ӣ 2.58 dѭӧc sӱ dөng tiӃp. Chú ý giá trӏ cӫa tín hiӋu
ÿiӅu khiӇn thay ÿәi theo thӡi gian chӭ không phҧi cӕ ÿӏnh.
Ӣ ÿây ta sӱ dөng qui tҳc ÿiӅu khiӇn lùi tҫm. Chú ý luұt ÿiӅu
khiӇn là không ÿәi ngѭӧc vӟi bӝ ÿiӅu khiӇn LQ cӕ ÿӏnh tҫm.
Bây giӡ chúng ta sӁ phân tích hӋ thӕng vòng kín khi

sӱ dөng phѭѫng trình 2.58 ÿӇ ÿiӅu khiӇn quá trình
2.52.ViӋc thӵc hiӋn các phép tính ӣ toán tӱ sai phân
tӟi là cҫn thiӃt ÿӇ có thӇ quan sát các cӵc ban ÿҫu.
Phѭѫng trình 2.53 dѭӧc viӃt lҥi theo toán tӱ sai phân
tӟi nhѭ sau:
qn+d-1 = A(q)Fd(q) + Gd(q) (2.59)
Ĉa thӭc ÿһc tính cӫa hӋ thӕng vòng kín là:
P(q) = A(q)[qn–1Rd(1) + Rd(q)] + Gd(q)B(q)
B̵c(P) = B̵c(A) + n - 1 = 2n – 1
Phѭѫng trình thiӃt kӃ 2.59 có thӇ ÿѭӧc sӱ dөng ÿӇ
viӃt lҥi hàm P(q):
B(q)qn+d-1 = A(q)B(q)Fd(q) + Gd(q)B(q)

= A(q)[qn-1Rd(q) + Rd(q)] + Gd(q)B(q)
Vì vұy :
A(q)Rd(q)+ Gd(q)B(q) = B(q) qn+d-1 - A(q)qn–1Rd(q)
Cho ta :
P(q) = qn–1A(q)Rd(1) + qn–1[qd B(q) - A(q)Rd(q)]
NӃu hӋ thӕng әn ÿӏnh thì các sӕ hҥng phía sau cӫa
2.54 sӁ biӃn mҩt khi d o f. Do ÿó:
limP(q) = qn-1A(q)Rd(1)
d of
nӃu A(z) là mӝt ÿa thӭc әn ÿӏnh.

Ví dө 2.12 - ĈiӅu khiӇn dӵ báo

Xét quá trình :
y(t + 1) = ay(t) + bu(t)
Phѭѫng trình 2.59 cho ta :
qd = (q – a)(qd–1 + f1qd–2 + . . . + fd–1) + g0
Vì vұy:
F(q) = qd–1 + aqd–2 + a2qd–3 +. . . + ad–1
G(q) = ad
Rd(q) = bF(q)
Rd ( q ) 0
và khi ym = 0, luұt ÿiӅu khiӇn trӣ thành:

d d
a a (a 1)
u (t ) d 1
y (t ) d
y (t )
b(1 a ... a ) b(a 1)
Phѭѫng trình ÿһc tính cӫa hӋ thӕng vòng kín là:
a d (a 1)
P(q ) qa
ad 1
có cӵc: ad a
pd d
a 1
Vӏ trí cӫa cӵc ÿѭӧc cho bӣi:

0 d pd < a ~a ~ d 1 (h͏ th͙ng ͝n ÿ͓nh)
0 d pd < 1 ~a ~ > 1 ( h͏ th͙ng không ͝n ÿ͓nh)
Cӵc vòng kín vӟi các giá trӏ khác nhau cӫa a và b
ÿѭӧc chӍ ӣ hình 5.16 (TLTK[1]). Ví dө cǊng cho
thҩy ÿӇ viӋc quan sát là ÿҫy ÿӫ thì tҫm dӵ báo phҧi
tӯ 5 – 10 mүu.
CǊng có thӇ tәng quát hoá kӃt quҧ ӣ ví dө 2.12 cho
các hӋ thӕng bұc cao hѫn. Ĉӕi vӟi các hӋ thӕng thay
ÿәi chұm hoһc không әn ÿӏnh thì ÿáp ӭng vòng kín
cӫa nó sӁ rҩt chұm khi tăng tҫm dӵ báo. Vì vұy giӟi
hҥn ӣ 2.56 khi ÿó sӁ là không hӳu ích.

Nӛ lӵc ÿiӅu khiӇn cӵc tiӇu

Thuұt toán ÿiӅu khiӇn là sӁ mang y(t+d) tӟi ym(t+d)
trong khi cӵc tiӇu phѭѫng trình 2.57 . Phѭѫng trình
2.55 ÿѭӧc viӃt lҥi:
* 1
y (t d ) R (q )u (t d d 0 ) y d (t )
d
rd 0 u (t X ) ... rdX u (t ) y d (t )
X = d – d0. Giӟi thiӋu hàm Lagrange:
2J =u(t)2+...+u(t+X)2+2O[ym(t + d) - y d (t ) - R*d(q-1)u(t + X)]
Cho ÿҥo hàm riêng ÿӕi vӟi các biӃn u(t), ... ,u(t + X)
và O bҵng 0 ta ÿѭӧc:

u(t) = OrdX
.
.
.
u(t + X) = O
ym(t + d) - y d (t ) = u(t + X) + . . . + rdXu(t)
Các phѭѫng trình này cho ta:
y m (t d ) y d (t )
u (t )
P

Q
trong ÿó:
¦ di
r
i 0
2
P
rdQ
Sӱ dөng ÿӏnh nghƭa y d (t ) cho ta:
* *
Pu (t ) y m (t d ) R u (t 1) G y (t )
d d
hoһc
y m (t d ) Gd* y (t ) y m (t d n 1) G d (q ) y (t )
u (t ) (2.60)
P q 1 Rd* n 1
Pq Rd (q )
Sӱ dөng phѭѫng trình 2.60 và mô hình cӫa phѭѫng

trình 2.52 cho ÿa thӭc ÿһc tính vòng kín:
P(q) = A(q)[qn-1P + Rd (q)] + Gd(q)B(q)
Phѭѫng trình này có dҥng nhѭ 2.58 vӟi Rd(1) ÿѭӧc

thay bҵng P. ĈiӅu này có nghƭa các cӵc vòng kín
tiӃn gҫn tӟi zero cӫa qn–1A(q) khi A(q) là әn ÿӏnh và
khi d o f. ĈiӅu gì sӁ xҧy ra khi hӋ thӕng không әn
ÿӏnh Hãy xét ví dө sau ÿây:
Ví dө 2.13 - ĈiӅu khiӇn nӛ lӵc cӵc tiӇu

Xét hӋ thӕng tѭѫng tӵ nhѭ ví dө 2.12 . Bӝ ÿiӅu khiӇn
nӛ lӵc cӵc tiӇu trong trѭӡng hӧp này ÿѭӧc cho bӣi:
2 2 ( d 1) 2d
1 a ... a b(a 1)
P b d 1 d 1 2
a a (a 1)
cho ta ( khi ym = 0)
d 2 d 1 2
a a (a 1)
u (t ) y (t ) 2d
y (t )
P b(a 1)
Cӵc cӫa hӋ thӕng vòng kín là:
2 d 1 2 2 d 1
a (a 1) a a
pd a 2d 2d
a 1 a 1
cho ta:
lim p d a _ a _ d 1 (hӋ thӕng әn ÿӏnh)
d of
lim p d 1/ a _ a _ > 1 (hӋ thӕng không әn ÿӏnh)

d of
Ӣ ví dө này, bӝ ÿiӅu khiӇn nӛ lӵc cӵc tiӇu sӁ tҥo ra mӝt

hӋ thӕng vòng kín tӕt hѫn nӃu ÿiӅu khiӇn tѭѫng lai ÿѭӧc
giҧ sӱ là hҵng sӕ.
ĈiӅu khiӇn dӵ báo tәng quát:

Các bӝ ÿiӅu khiӇn dӵ báo ÿӅ cұp tӯ trѭӟc chӍ xem
xét giá trӏ ngõ ra chӍ ӣ mӝt thӡi ÿiӇm ӣ tѭѫng lai.
NhiӅu tәng quát hoá khác nhau cӫa ÿiӅu khiӇn dӵ
báo ÿѭӧc ÿӅ xuҩt mà trong ÿó hàm tәn hao là cӵc
tiӇu: N N
2 u
J ( N1 , N 2 , N u ) E{ ¦ [ y (t k ) y m (t k )] ¦ U'u (t k 1) 2 } (2.61)
2
k N1 k 1
Trong ÿó ' = 1 – q-1 là toán tӱ vi phân. Sӵ lӵa chӑn các

giá trӏ khác nhau cӫa N1, N2, Nu sӁ ÿѭa ra các phѭѫng pháp
khác nhau.
Phѭѫng pháp ÿiӅu khiӇn dӵ báo tәng quát ÿѭӧc minh hoҥ
bҵng cách dùng hàm tәn hao 2.60 và mô hình quá trình:
A*(q)y(t) = B*(q-1)u(t – d0) + e(t)/' (2.62)

Mô hình này ÿѭӧc gӑi là CARIMA ( Controlled
AutoRegressive Intergrating Moving Average). Nó
có thuұn lӧi là bӝ ÿiӅu khiӇn bҧn thân sӁ chӭa mӝt
khâu tích phân. Giӕng nhѭ phѭѫng trình 2.53 ta có
ÿӗng nhҩt:
1 = A*(q)F*d(q-1)(1 – q-1) + q–dG*d(q–1) (2.63)
Công thӭc này ÿѭӧc sӱ dөng ÿӇ xác ÿӏnh ngõ ra ӣ d
bѭӟc kӃ tiӃp:
y(t+d) = F*dB*'u(t +d–d0) + G*dy(t) + F*de(t+d)

F*d có bұc d-1. Bӝ dӵ báo vӟi sai sӕ quân phѭѫng tӕi

ѭu vӟi ngõ ra ÿѭӧc ÿo ÿҥc ÿӃn thӡi ÿiӇm t và chuӛi
ngõ vào bҩt kì là:
* * *
yˆ (t d ) F B ' u (t d d 0 ) G y (t )
d d ( 2.64)
Giҧ sӱ ÿҫu ra mong muӕn ym(t + k), k = 1, 2, ...là có

sҹn. Hàm tәn hao ӣ 2.61 sӁ ÿѭӧc cӵc tiӇu ÿӇ cho ra mӝt
chuӛi các tín hiӋu ÿiӅu khiӇn ӣ tѭѫng lai. Chú ý giá trӏ
mong ÿӧi ӣ 2.61 sӁ có ÿѭӧc tѭѫng ӭng vӟi dӳ liӋu có
ÿѭӧc tӟi thӡi ÿiӇm t vӟi giҧ sӱ các ÿo ÿҥc ӣ tѭѫng lai
không có sҹn. ĈiӅu này có nghƭa chӍ có thӯa sӕ ÿҫu tiên
cӫa chuӛi ÿiӅu khiӇn là ÿѭӧc sӱ dөng. Các phép toán sӁ
lһp lҥi khi có ÿѭӧc mӝt ÿo ÿҥc mӟi.
Bӝ ÿiӅu khiӇn vӟi kӃt quҧ nhѭ thӃ gӑi là ÿiӅu khiӇn
hӗi tiӃp tӕi ѭu vòng hӣ. Nhѭ tên cӫa nó, giҧ sӱ sӱ
dөng hӗi tiӃp nhѭng nó chӍ ÿѭӧc tính toán chӍ dӵa
vào thông tin có sҹn ӣ thӡi ÿiӇm hiӋn tҥi. Dùng
phѭѫng trình 2.55 :
y(t+1) = R*1(q–1)'u(t+1–d0) + y1 (t ) + F1*e(t+1)
y(t+2) = R2*(q–1)'u(t+2–d0) + y 2 (t ) + F2*e(t+2)
.
.
.
y(t + N) = RN*(q–1)'u(t +N–d0) + y N (t )+ e(t+N)

Mӛi giá trӏ ngõ ra bao gӗm các tín hiӋu ÿiӅu khiӇn ӣ
tѭѫng lai ( nӃu d > d0), ngõ vào ÿo ÿѭӧc và tín hiӋu
nhiӉu ӣ tѭѫng lai. Các phѭѫng trình ӣ trên có thӇ
ÿѭӧc viӃt lҥi:
y = R'u + y + e
trong ÿó:
FN*
y = [y(t + 1) . . . y(t + N)]T

'u = ['u(t + 1 – d0) . . . 'u(t + N – d0)]T
y [ y1 (t )... y N (t )]T
e [ F1* e(t 1)...FN* (t N )]T

Tӯ phѭѫng trình 2.54 ta thҩy các hӋ sӕ cӫa R*d chính

là (d – d0 + 1) sӕ hҥng ÿҫu cӫa ÿáp ӭng xung
q-doB*/(A*') và cǊng giӕng nhѭ (d – d0 +1) sӕ hҥng
ÿҫu cӫa ÿáp ӭng bѭӟc q–doB*/A*. Do ÿó ma trұn R là
ma trұn tam giác dѭӟi:
ªr0 0 ! 0º
«r r " 0 »»
R « 1 0
«# % #»
« »
«¬rN 1 rN 2 " r0 »¼
NӃu hӋ thӕng có thӡi gian trӉ (d0 > 1) thì (d0 – 1)
hàng ÿҫu cӫa R sӁ là zero. Gӑi:
ym = [ym(t + 1) . . . ym(t + N)]T
Giá trӏ mong ÿӧi cӫa hàm tәn hao ÿѭӧc viӃt lҥi:
J (1, N , N ) E{( y y m ) T ( y y m ) U'u T 'u}
( R'u y y m ) T ( R'u y y m ) U'u T 'u
Cӵc tiӇu hoá biӇu thӭc này theo 'u ta ÿѭӧc:
T 1 T
'u ( R R UI ) R ( y m y ) ( 2.65)
Thành phҫn ÿҫu trong 'u là 'u(t) là tín hiӋu ÿiӅu
khiӇn ӭng dөng cho hӋ thӕng. Chú ý bӝ ÿiӅu khiӇn tӵ
ÿӝng có mӝt khâu tích phân. ĈiӅu này là cҫn thiӃt ÿӇ
bù cho sӕ hҥng nhiӉu sai lӋch ӣ phѭѫng trình 2.62.
ViӋc tính toán phѭѫng trình 2.65 liên quan tӟi ma
trұn nghӏch ÿҧo NxN, mà N là tҫm dӵ báo cӫa hàm
tәn hao.
ĈӇ giҧm khӕi lѭӧng tính toán thì ta có thӇ giӟi hҥn

các tín hiӋu ÿiӅu khiӇn ӣ tѭѫng lai. Chҷng hҥn, ta giҧ
sӱ viӋc tăng tín hiӋu ÿiӅu khiӇn là bҵng zero sau Nu
bѭӟc (Nu < N):
'u(t + k – 1) = 0 vͣi k > Nu
ĈiӅu này có nghƭa tín hiӋu ÿiӅu khiӇn sau Nu bѭӟc sӁ
là hҵng sӕ. So sánh vӟi ÿiӅu kiӋn khӕng chӃ ӣ
phѭѫng trình 2.57 . Luұt ÿiӅu khiӇn ( phѭѫng trình
2.65) sӁ thay ÿәi:
T 1 T
'u ( R R1 UI ) R ( y m y )
1 1 ( 2.66)

R1 là ma trұn NxNu ªr0 0 " 0 º

«r r0 " 0 » »
«1
«# % # »
R1 « »
« " r0 »
«# # »
« »
«¬rN 1 rN 2 " rN N u »¼
Ma trұn lҩy nghӏch ÿҧo bây giӡ có bұc NuxNu. Ngõ ra và
các tҫm ÿiӅu khiӇn ÿѭӧc chӑn nhѭ sau:
N1: NӃu thӡi gian trӉ biӃt trѭӟc thì N1 = d0, ngѭӧc lҥi
chӑn N1 = 1.
N2: Tҫm ngõ ra cӵc ÿҥi N2 ÿѭӧc chӑn sao cho N2h có giá
trӏ bҵng vӟi thӡi gian lên cӫa hӋ thӕng, trong ÿó h là thӡi
gian lҩy mүu cӫa bӝ ÿiӅu khiӇn.
Nu: Thѭӡng Nu = 1 sӁ có ÿѭӧc kӃt quҧ tӕt ÿӕi vӟi
nhӳng hӋ thӕng ÿѫn giҧn. Ĉӕi vӟi các hӋ thӕng phӭc
tҥp, Nu ít nhҩt phҧi bҵng vӟi sӕ cӵc không әn ÿӏnh
hoһc sӕ cӵc gây dao ÿӝng tҳt yӃu.
ĈӇ bӝ ÿiӅu khiӇn dӵ báo tәng quát có khҧ năng thích
nghi thì ÿiӅu cҫn thiӃt là phҧi ѭӟc lѭӧng A* và B* ӣ
mӛi bѭӟc thӡi gian. Các giá trӏ dӵ báo ӭng vӟi các
tҫm dӵ báo khác nhau sӁ ÿѭӧc tính toán và tính tín
hiӋu ÿiӅu khiӇn ӣ phѭѫng trình 2.66 . Bӝ ÿiӅu khiӇn
dӵ báo thích nghi vì vұy sӁ là mӝt thuұt toán ÿiӅu
khiӇn gián tiӃp. Phѭѫng trình 2.64 ÿѭӧc tính bҵng
cách ÿӋ qui ÿӇ ÿѫn giҧn khӕi lѭӧng tính toán.Cuӕi
cùng, Nu thѭӡng có giá trӏ nhӓ ÿӇ ma trұn nghӏch ÿҧo
có bұc thҩp.
Tín hiӋu ÿiӅu khiӇn 'u(t) tӯ phѭѫng trình 2.66 là:

T 1 T
'u [1 0 ... 0][ R R1 UI ] R [ y m y ]
1 1
[D 1 ... D N ][ y m y ]
Hѫn nӳa, tӯ phѭѫng trình 2.62 , sӱ dөng phѭѫng

trình 2.54
ª R1* A* ' d 0 1 * º
« q G1 »
ª R1* 'u (t 1) G1* y (t ) º *
« » « B »
y « # » « # » y (t )
« R N* 'u (t 1) G N* y (t )» « * * »
¬ ¼ « RN A ' q d0 1 G * »
N
«¬ B * »¼

HӋ thӕng vòng kín có phѭѫng trình ÿһc tính:

ª R * A* ' q d 0 1 B *G * º
1 1
*
« »
A ' [D 1 ... D N ]« # »
« * * d0 1 * *
»
«¬ R N A ' q B G N »¼
Ĉӗng nhҩt phѭѫng trình 2.63 cho ta:

* * * * d * *
B A 'B F q G B d d
* * ( d d 0 1) * d * *
A '[ R q d R ] q G B
d d
ĈiӅu này cho ta phѭѫng trình ÿһc tính:

ª ( B * A* ' R1* )q º
N
« »
A* ' [D 1 ... D N ]« # » A* ' ¦ D i q i ( B * A* 'Ri* ) (2.67)
i 1
«( B * A * ' R * ) q N »
¬ N ¼
Phѭѫng trình 2.67 cho ra mӝt biӇu thӭc cӫa phѭѫng

trình ÿһc tính vòng kín nhѭng vүn còn khó khăn ÿӇ
ÿѭa ra mӝt kӃt luұn tәng quát vӅ tính chҩt cӫa hӋ
thӕng vòng kín ngay cҧ khi quá trình ÿã biӃt trѭӟc.
NӃu Nu = 1 thì: ri
Di N
U ¦ r j2
j 1
NӃu U ÿӫ lӟn, hӋ thӕng vòng kín sӁ không әn ÿӏnh

khi hӋ thӕng vòng hӣ không әn ÿӏnh. Tuy nhiên nӃu
cҧ 2 tҫm ÿiӅu khiӇn và tҫm dӵ báo ÿӅu tăng thì bài
toán sӁ tѭѫng tӵ nhѭ bài toán ÿiӅu khiӇn LQ vӟi tҫm
cӕ ÿӏnh và do ÿó nó sӁ có ÿһc tính әn ÿӏnh tӕt hѫn.
2.3.6 KӃt luұn
Trong phҫn này chúng ta ÿã xem xét nhiӅu bӝ tӵ
chӍnh ÿӏnh khác nhau. Ý tѭӣng cѫ bҧn là ѭӟc lѭӧng
các thông sӕ chѭa biӃt cӫa hӋ thӕng và thiӃt kӃ bӝ
ÿiӅu khiӇn. Các thông sӕ ѭӟc lѭӧng giҧ sӱ bҵng vӟi
thông sӕ thӵc khi thiӃt kӃ bӝ ÿiӅu khiӇn. ThӍnh
thoҧng cǊng bao gӗm các ѭӟc lѭӧng chѭa chҳc chҳn
vào trong thiӃt kӃ. Bҵng cách kӃt hӧp các phѭѫng
pháp ѭӟc lѭӧng khác nhau và các phѭѫng pháp thiӃt
kӃ khác nhau ta sӁ có ÿѭӧc các bӝ tӵ chӍnh vӟi các
tính chҩt khác nhau. Trong phҫn này ta chӍ ÿӅ cұp ý
tѭӣng cѫ bҧn và các tính chҩt tiӋm cұn. Tính hӝi tө
cӫa ѭӟc lѭӧng và tính әn ÿӏnh cӫa hӋ thӕng sӁ ÿѭӧc
thҧo luұn trong chѭѫng 6 (TLTK[1]).
Khía cҥnh quan trӑng nhҩt cӫa các bӝ tӵ chӍnh ÿӏnh

là ÿѭa ra các thông sӕ hoá. Mӝt thông sӕ hoá lҥi có
thӇ ÿҥt ÿѭӧc bҵng cách sӱ dөng mô hình hӋ thӕng và
ÿáp ӭng vòng kín mong muӕn. Mөc tiêu cӫa viӋc
thông sӕ hoá lҥi là ÿӇ thӵc hiӋn ѭӟc lѭӧng trӵc tiӃp
các thông sӕ cӫa bӝ ÿiӅu khiӇn sao cho mô hình mӟi
tuyӃn tính vӟi các thông sӕ.
ChӍ có vài thuұt toán tӵ chӍnh ÿӏnh ÿѭӧc ÿӅ cұp và
giҧi quyӃt trong phҫn này. ViӋc kӃt hӧp các phѭѫng
pháp ѭӟc lѭӧng khác nhau và vҩn ÿӅ thiӃt kӃ cѫ bҧn
sӁ tҥo ra các thuұt toán vӟi các tính chҩt khác nhau.
Mөc tiêu cӫa phҫn này là ÿѭa ra mӝt cҧm nhұn cách
phát triӇn và phân tích các thuұt toán.
Khi thӵc hiӋn mӝt bӝ tӵ chӍnh thì viӋc lӵa chӑn
bài toán thiӃt kӃ cѫ bҧn là rҩt quan trӑng. Mӝt
phѭѫng pháp thiӃt kӃ mà không phù hӧp cho hӋ
thӕng biӃt trѭӟc thì cǊng sӁ không tӕt hѫn khi hӋ
thӕng chѭa biӃt trѭӟc.
Bӝ tӵ chӍnh ÿӏnh cǊng có khҧ năng áp dөng cho các
hӋ thӕng MIMO. Trѭӡng hӧp MIMO là rҩt khó ÿӇ
phân tích. Khó khăn chính là xác ÿӏnh ÿѭӧc kiӃn
thӭc ÿҫu tiên cҫn thiӃt trong hӋ MIMO là gì.
CǊng tѭѫng ÿӕi ÿѫn giҧn khi ÿѭa ra mӝt thuұt toán
tӵ chӍnh tѭѫng ӭng vӟi bӝ tӵ chӍnh ÿӏnh trӵc tiӃp
tәng quát ӣ các trѭӡng hӧp hҥn chӃ khi các ma trұn
tѭѫng tác cӫa hӋ thӕng ÿã biӃt trѭӟc.

2.4 ChӍnh ÿӏnh tӵ ÿӝng và lӏch trình ÿӝ lӧi

2.4.1 Giӟi thiӋu
1. ChӍnh ÿӏnh và thích nghi
2. KiӃn thӭc ÿҫu tiên
3. Giá trӏ ban ÿҫu cӫa bӝ ÿiӅu khiӇn thích nghi
4. ĈiӅu khiӇn PID
5. Các vҩn ÿӅ vұn hành
6. Giao tiӃp ÿiӅu khiӇn
Mӝt loҥi ÿһc biӋt cӫa thích nghi vòng hӣ hay sӵ thay
ÿәi các tham sӕ bӝ ÿiӅu chӍnh ÿѭӧc ÿӅ cұp trong
phҫn này.
Trong nhiӅu trѭӡng hӧp, có thӇ biӃt ÿѭӧc sӵ thay ÿәi

ÿӝng hӑc cӫa quá trình theo các ÿiӅu kiӋn vұn hành.
Nguӗn gӕc cӫa sӵ thay ÿәi ÿӝng hӑc có thӇ là tính
phi tuyӃn. Có thӇ thay ÿәi tham sӕ cӫa bӝ ÿiӅu khiӇn
bҵng cách giám sát các ÿiӅu kiӋn vұn hành cӫa quá
trình. Khái niӋm này gӑi là lӏch trình ÿӝ lӧi, vì mô
hình ÿҫu tiên ÿѭӧc sӱ dөng chӍ ÿӇ ÿiӅu chӍnh ÿӝ lӧi
cӫa quá trình.
2.4.2 Kӻ thuұt chӍnh ÿӏnh
1. Ph˱˯ng pháp Zeigler – Nichols
Luұt ÿiӅu khiӇn PID: ª t
º
1 de
u (t ) K c «e(t )
¬
³
Ti 0
e( s )ds Td »
dt ¼
2. Ph˱˯ng pháp ÿáp ͱng quá ÿ͡

Mô hình 3 thông sӕ:
k sL
G (s) e
1 sT
Phѭѫng pháp Zeigler – Nichols:
Bӝ ÿiӅu aKc Ti / L Td / L Tp / L
khiӇn
P 1 4
PI 0.9 3 5.7
PID 1.2 2 0.5 3.4

Phѭѫng pháp ÿáp ӭng nҩc

Nhӳng khó khăn ÿӕi vӟi p/pháp Zeigler – Nichols:

- Khó xác ÿӏnh các thông sӕ
- Tҳt quá chұm
- Hai thông sӕ thì không ÿӫ
Phѭѫng pháp diӋn tích:
A0
T L
k
eA1
T
k
3. Ph˱˯ng pháp ÿáp ͱng t̯n s͙

Ý tѭӣng: Cho chҥy bӝ ÿiӅu khiӇn tӍ lӋ, tăng ÿӝ lӧi
cho ÿӃn khi hӋ thӕng bҳt ÿҫu dao ÿӝng. Quan sát
“Ĉӝ lӧi Ku giӟi hҥn” và “Chu kǤ giӟi hҥn Tu ”.
Các thông sӕ bӝ ÿiӅu khiӇn:
Bӝ ÿiӅukhiӇn Kc /Ku Ti / Tu Td / Tu Tp / Tu
P 0.5 1
PI 0.4 0.8 1.4
PID 0.6 0.5 0.12 0.85
Lһp lҥi: xác ÿӏnh ÿһc tính ÿáp ӭng tҫn sӕ

Thӵc nghiӋm:

KӃt quҧ thӵc tӃ

- Thông tin biӃt trѭӟc?
- Bҳt ÿҫu thӵc nghiӋm nhѭ thӃ nào?
- Hӗi tiӃp ÿӃn biên ÿӝ giӟi hҥn cӫa dao ÿӝng.
- HiӋu chӍnh luұt Zeigler – Nichols:
x Thay ÿәi các giá trӏ trong bҧng.
x Sӱ dөng 3 thông sӕ: K-u, Tu và Kp.
- Làm sao ÿӇ ÿѭѫng ÿҫu vӟi nhiӉu ÿѭӧc
x NhiӉu tҧi
x NhiӉu ÿo
x Tӯ trӉ
Sӵ lһp lҥi trӵc tuyӃn

Ý tѭӣng: Tìm các nét ÿһc trѭng cӫa ÿáp ӭng trӵc
tuyӃn ÿӕi vӟi ÿiӇm ÿһt hoһc các nhiӉu tҧi.
HiӋu chӍnh bӝ ÿiӅu khiӇn dӵa trên các ÿһc tính quan
sát ÿѭӧc.
Ĉһc tính: hӋ sӕ tҳt d và ÿӝ vӑt lӕ o
e3 e2 e2
d o
e1 e2 e1
Bӝ ÿiӅu khiӇn hiӋu chӍnh dӵa trên luұt thӱ và sai.
DӉ dàng ÿӕi vӟi PI và khó khăn hѫn ÿӕi vӟi PID.
x Thông tin biӃt trѭӟc
x TiӅn chӍnh ÿӏnh

2.4.3 Lӏch trình ÿӝ lӧi
Ví dө các biӃn lӏch trình
x Tӕc ÿӝ sҧn xuҩt
x Tӕc ÿӝ máy
x Sӕ tӍ lӋ và áp lӵc ÿӝng
ThӍnh thoҧng có thӇ tìm thҩy nhӳng biӃn ÿәi phө có
tѭѫng quan tӕt vӟi nhӳng thay ÿәi cӫa quá trình
ÿӝng hӑc. Vì thӃ có thӇ làm giҧm ҧnh hѭӣng cӫa
tham sӕ biӃn ÿӝng chӍ ÿѫn giҧn bҵng viӋc thay ÿәi
tham sӕ cӫa bӝ ÿiӅu chӍnh nhѭ các hàm cӫa các biӃn
phө (xem hình 2.10). Lӏch trình ÿӝ lӧi có thӇ ÿѭӧc
xem nhѭ hӋ thӕng ÿiӅu khiӇn hӗi tiӃp mà ÿӝ lӧi hӗi
tiӃp ÿѭӧc chӍnh bӣi bӝ bù ÿѭӧc cung cҩp trѭӟc.

Ѭu, khuyӃt ÿiӇm cӫa lӏch trình ÿӝ lӧi
Mһt hҥn chӃ cӫa lӏch trình ÿӝ lӧi là bù vòng hӣ.
Không có hӗi tiӃp ÿӇ bù cho sai sӕ lӏch trình. Hҥn
chӃ khác cӫa lӏch trình ÿӝ lӧi là viӋc thiӃt kӃ tӕn
nhiӅu thӡi gian. Tham sӕ bӝ ÿiӅu chӍnh phҧi ÿѭӧc
chӑn cho nhiӅu ÿiӅu kiӋn vұn hành và ÿһc tính kƭ
thuұt phҧi ÿѭӧc kiӇm tra bҵng nhiӅu quá trình mô
phӓng. Nhӳng khó khăn này tránh ÿѭӧc nӃu lӏch
trình dӵa vào các phép chuyӇn ÿәi phi tuyӃn.
Lӏch trình ÿӝ lӧi có ѭu ÿiӇm là các tham sӕ bӝ ÿiӅu
chӍnh có thӇ ÿáp ӭng rҩt nhanh vӟi sӵ thay ÿәi cӫa
quá trình. Khi không có ѭӟc lѭӧng tham sӕ, nhân tӕ
giӟi hҥn phө thuӝc vào tӕc ÿӝ ÿáp ӭng các phép ÿo
phө vӟi sӵ thay ÿәi cӫa quá trình.
2.4.4 Xây dӵng lӏch trình
x Lӵa chӑn các biӃn lӏch trình
x Hoàn thiӋn viӋc thiӃt kӃ ÿiӅu khiӇn cho nhӳng
ÿiӅu kiӋn vұn hành khác nhau.
x Sӱ dөng viӋc chӍnh ÿӏnh tӵ ÿӝng.
x Sӵ biӃn ÿәi.
Thұt khó ÿӇ tìm luұt chung cho viӋc thiӃt kӃ bӝ ÿiӅu
chӍnh theo lӏch trình ÿӝ lӧi. Vҩn ÿӅ chính là viӋc
quyӃt ÿӏnh các biӃn sӱ dөng làm biӃn lӏch trình. Rõ
ràng các tín hiӋu phө phҧi phҧn ánh ÿiӅu kiӋn vұn
hành cӫa ÿӕi tѭӧng. SӁ có nhӳng trình bày lí tѭӣng
ÿѫn giҧn cho các tham sӕ bӝ ÿiӅu chӍnh liên quan
ÿӃn các biӃn lӏch trình.
Vì thӃ cҫn có kiӃn thӭc tӕt vӅ hӋ ÿӝng hӑc cӫa quá

trình nӃu lӏch trình ÿӝ lӧi ÿѭӧc sӱ dөng. Các khái
niӋm tәng quát sau có thӇ phөc vө cho mөc ÿích này.
- TuyӃn tính hoá cѫ cҩu dүn ÿӝng phi tuyӃn.
- Lұp trình ÿӝ lӧi dӵa vào ÿo ÿҥc các biӃn phө
- Vұn hành dӵa vào hiӋu suҩt
- Các phép biӃn ÿәi phi tuyӃn.
Các khái niӋm này ÿѭӧc minh hoҥ trong ví dө sau.
Ví dө 2.14
Xem hӋ thӕng vӟi 1 valse phi tuyӃn.Tính phi tuyӃn
ÿѭӧc giҧ sӱ là: v = f(u) = u4 ,u t0



Ĉһt fˆ 1
là hàm ngѭӧc xҩp xӍ cӫa ÿһc tính valse. ĈӇ
bù cho tính phi tuyӃn, ngõ ra cӫa bӝ ÿiӅu chӍnh ÿѭӧc
cung cҩp thông qua hàm này trѭӟc khi nó ÿѭӧc áp
vào valse (xem hình (a)). Ta có quan hӋ :
Q f (u ) f [ fˆ 1 (c)]
Vӟi c là ngõ ra cӫa bӝ ÿiӅu chӍnh PI. Hàm
ˆ 1
f [ f (c )] có ÿӝ lӧi ít thay ÿәi hѫn hàm f.
NӃu fˆ 1 chính xác là hàm ngѭӧc cӫa f thì : v = c.
Giҧ sӱ f(u) = u4 ÿѭӧc xҩp xӍ bӣi 2 ÿѭӡng thҷng: mӝt
ÿѭӡng nӕi tӯ ÿiӇm (0 , 0) ÿӃn ÿiӇm (1.3;3) và ÿѭӡng
thҷng thӭ hai nӕi giӳa 2 ÿiӇm (1.3;3) và (2;16), ÿѭӧc
vӁ trong hình (b) . Khi ÿó:
0.433c , 0dcd3
°
fˆ 1 9c) ®
°0.0538c 1.139 , 3 d c d 16
¯


Hình (c) cho thҩy sӵ thay ÿәi trong tín hiӋu chuҭn tҥi 3 ÿiӅu
kiӋn vұn hành khác nhau khi sӱ dөng hàm fˆ 1 nhѭ hình (a)
. So sánh vӟi hӋ thӕng trong hình 2.2 (TLTK[1]) . Ta thҩy
có sӵ cҧi thiӋn trong ÿһc tuyӃn cӫa hӋ thӕng vòng kín. Dùng
hàm ngѭӧc fˆ 1 trong hӋ thӕng sӁ cho ÿáp ӭng bҵng phҷng
hѫn trong các bài toán ÿiӅu khiӇn valse phi tuyӃn.
Ví dө trên ÿã cho thҩy tính ÿѫn giҧn và tiӋn dөng trong viӋc
bù cho hӋ thӕng phi tuyӃn tƭnh biӃt trѭӟc. Trong thӵc tӃ
thѭӡng xҩp xӍ hӋ phi tuyӃn bҵng mӝt vài ÿoҥn thҷng (nhiӅu
hѫn 2). Có nhiӅu bӝ ÿiӅu khiӇn vòng ÿѫn thѭѫng mҥi sӱ
dөng phѭѫng pháp bù này. Trong ví dө trên không có sӵ ÿo
ÿҥc nào cӫa ÿiӅu kiӋn vұn hành ngoài trӯ viӋc ÿiӅu chӍnh
ngõ ra. Trong các trѭӡng hӧp khác, tính phi tuyӃn ÿѭӧc xác
ÿӏnh tӯ sӵ ÿo ÿҥc mӝt vài biӃn sӕ.

2.4.5 Ӭng dөng

Lӏch trình ÿӝ lӧi là phѭѫng pháp rҩt hӳu dөng. Nó
yêu cҫu phҧi có kiӃn thӭc tӕt vӅ quá trình và các
biӃn phө có thӇ ÿѭӧc ÿo ÿҥc. Mӝt thuұn lӧi lӟn cӫa
phѭѫng pháp này là bӝ ÿiӅu chӍnh thích nghi (ÿáp
ӭng) nhanh khi các ÿiӅu kiӋn thay ÿәi. Mӝt sӕ ӭng
dөng nhѭ: ÿӏnh hѭӟng cho tàu, kiӇm soát nӗng ÿӝ
pH, kiӇm soát khí ÿӕt, ÿiӅu khiӇn ÿӝng cѫ và ÿiӅu
khiӇn bay.

Ĉһc ÿiӇm cӫa valse:

Ĉһc tính valse phө thuӝc vào viӋc cài ÿһt

Lӏch trình cho ngõ ra bӝ ÿiӅu khiӇn

Lӏch trình cho biӃn quá trình

Lӏch trình cho biӃn ngoài

2.4.6 KӃt luұn

Lӏch trình ÿӝ lӧi là cách tӕt ÿӇ bù cho ÿһc tính phi
tuyӃn biӃt trѭӟc. Bӝ ÿiӅu chӍnh có thӇ phҧn ӭng
nhanh vӟi sӵ thay ÿәi cӫa các ÿiӅu kiӋn. Mһt hҥn
chӃ cӫa kƭ thuұt này là thiӃt kӃ tӕn nhiӅu thӡi gian
nӃu không dùng phép chuyӇn ÿәi phi tuyӃn và tӵ
ÿӝng chӍnh ÿӏnh. Mһt hҥn chӃ khác là các tham sӕ
ÿiӅu khiӇn ÿѭӧc thay ÿәi trong vòng hӣ, không có
hӗi tiӃp tӯ ÿһc tính làm viӋc cӫa hӋ thӕng. Phѭѫng
pháp này không thӇ dùng ÿѭӧc nӃu ÿһc tính ÿӝng
hӑc cӫa quá trình hoһc nhiӉu không ÿѭӧc biӃt trѭӟc
ÿҫy ÿӫ, chính xác.

2.5 Bài tұp ӭng dөng Matlab
1.Mô hình: HӋ thӕng ga tӵ ÿӝng trên ôtô

Ĉӝng lӵc hӑc cӫa ôtô trên ÿѭӡng:
Ôtô vұn hành trên ÿѭӡng nhӡ moment sinh ra tӯ
ÿӝng cѫ, thông qua hӋ thӕng truyӅn ÿӝng, chuyӇn
thành lӵc kéo tiӃp tuyӃn tҥi các bánh xe chӫ ÿӝng
ÿҭy ôtô dӏch chuyӇn lên phía trѭӟc. Lӵc kéo tiӃp
tuyӃn này luôn cân bҵng vӟi các lӵc cҧn tác ÿӝng
vào ôtô theo ÿӏnh luұt I Newton:
Fkéo=Fc̫n lăn+ Fc̫n khi ÿ͡ng+ Fc̫n leo d͙c + Fc̫n quán tính

Tәng các lӵc cҧn ÿӕi vӟi ôtô không phө thuӝc tuyӃn
tính vào vұn tӕc cӫa ôtô và các thành phҫn lӵc cҧn
này có nhӳng hӋ sӕ phө thuӝc vào ÿiӅu kiӋn làm
viӋc cӫa ôtô nhѭ loҥi ÿѭӡng, ÿӝ mҩp mô, ÿӝ nghiêng
cӫa mһt ÿѭӡng, loҥi lӕp xe, nhiӋt ÿӝ môi trѭӡng, gió,
tҧi trӑng cӫa xe, tình trҥng cӫa ÿӝng cѫ, cӫa hӋ thӕng
truyӅn ÿӝng, ÿӝ mòn cӫa lӕp…Các ÿiӅu kiӋn làm
viӋc này không cӕ ÿӏnh mà thay ÿәi mӛi khi ôtô vұn
hành và trong lúc ôtô vұn hành.


2.Phѭѫng trình trҥng thái:

Ĉӕi tѭӧng vұn hành trên ÿѭӡng là mӝt ÿӕi tѭӧng phi
tuyӃn chӍ bao gӗm mӝt tín hiӋu ÿiӅu khiӇn vào là ÿӝ
mӣ cánh bѭӟm ga cӫa ÿӝng cѫ ( hay vӏ trí bàn ÿҥp
ga trên ôtô), và mӝt ÿҫu ra là vұn tӕc ôtô. Các trҥng
thái cӫa ÿӕi tѭӧng là vұn tӕc và gia tӕc. Ĉһc tính cӫa
ÿӕi tѭӧng này có thӇ ÿѭӧc biӇu diӉn bӣi hӋ phѭѫng
trình vi phân tuyӃn tính bұc 2 ӣ dҥng chính tҳc:
x1 v xe
°x x1
° 2
®
° x 2 f ( x1 , x 2 ) b.D , (b ! 0)
°y x1
¯
vӟi f(x1,x2) là hàm phi tuyӃn chѭa biӃt và b > 0 là giá

trӏ chѭa biӃt, D là ÿӝ mӣ bѭӟm ga cӫa ÿӝng cѫ. Cҧ
f(x1,x2) và b phө thuӝc vào ÿiӅu kiӋn làm viӋc, chӃ
ÿӝ vұn hành, tình trҥng cӫa ÿӝng cѫ, hӋ thӕng truyӅn
ÿӝng cӫa ôtô.
Luұt ÿiӅu khiӇn ÿӕi tѭӧng:
Luұt ÿiӅu khiӇn ÿӕi tѭӧng dӵa trên tuyӃn tính hoá
hӗi tiӃp ÿӇ ngõ ra y cӫa ÿӕi tѭӧng bám sát ngõ ra
mong muӕn ym có dҥng
1
u *
b
>
f ( x) ym( n ) K T E @ (2.68)

- E Rnul là vector sai sӕ:

ª e º
« e »
E « »
« " »
« (n 1) »
«¬e »¼
Trong ÿó, sai sӕ ngõ ra:
e ym y y m x1
- K = (k1,k2,…,kn)T Rnul là vector có các giá trӏ sao

cho phѭѫng trình sn + k1sn-1 +…+ kn = 0 có tҩt cҧ các
nghiӋm nҵm bên trái trөc ҧo cӫa mһt phҷng phӭc.
Vӟi luұt ÿiӅu khiӇn u*, các thành phҫn phi tuyӃn cӫa
ÿӕi tѭӧng bӏ triӋt tiêu. Thành phҫn KTE ÿѭӧc ÿѭa
vào ÿӇ ÿҧm bҧo sai sӕ ngõ ra vүn hӝi tө vӅ 0 trong
trѭӡng hӧp trҥng thái ban ÿҫu cӫa ÿӕi tѭӧng không
làm cho ngõ ra y bám ngay ngõ ra mong muӕn ym.
Do thành ph̯n f(x) và b ch˱a xác ÿ͓nh nên lu̵t ÿi͉u
khi͋n u* cho ÿ͙i t˱ͫng ÿ˱ͫc xem là ch˱a bi͇t. Trong
b͡ ÿi͉u khi͋n mͥ thích nghi tr͹c ti͇p, m͡t h͏ th͙ng
mͥ ÿ˱ͫc s͵ dͭng ÿ͋ tìm ra hay x̭p x͑ lu̵t ÿi͉u
khi͋n mong mu͙n u* ch˱a bi͇t này.
ThiӃt kӃ luұt thích nghi (luұt cұp nhұt, chӍnh ÿӏnh
thông sӕ)

Vӟi bӝ ÿiӅu khiӇn mӡ thích nghi trӵc tiӃp, luұt chӍnh

ÿӏnh thông sӕ ÿӇ vector thông sӕ T hӝi tө vӅ vector
thông sӕ lí tѭӣng T* (nghƭa là uD(X, T) hӝi tө vӅ
uD(X, T*) là xҩp xӍ cӫa u* vӟi sai sӕ xҩp xӍ nhӓ nhҩt
H), ÿѭӧc xác ÿӏnh theo tiêu chuҭn әn ÿӏnh Lyapunov.
Xét biӇu thӭc Lyapunov cho hӋ thӕng mӡ thích nghi
trӵc tiӃp uD(X, T) dùng cho ÿӕi tѭӧng ÿѭӧc mô tҧ
trong phѭѫng trình sau:
1 T b *
V (E) E PE (T T ) T (T * T )
2 2J

Vӟi:
- J > 0 là mӝt hҵng sӕ, ÿѭӧc gӑi là hӋ sӕ cұp
nhұt hay hҵng sӕ hӝi tө.
- P Rnunlà ma trұn thӵc, ÿӕi xӭng, xác ÿӏnh
dѭѫng thoҧ mãn phѭѫng trình:
/T P P/ Q
Trong ÿó,Q Rnun là ma trұn thӵc,dѭѫng,chӑn trѭӟc.
Theo tiêu chuҭn әn ÿӏnh Lyapunov, vӟi V(E) xác
ÿӏnh dѭѫng và V (E ) xác ÿӏnh âm thì sai sӕ E sӁ tiӃn
vӅ 0, hay giá trӏ ngõ ra y sӁ bám theo giá trӏ ngõ ra
ym mong muӕn, khi ÿó xác ÿӏnh ÿѭӧc luұt thích
nghi: T JE T p n [ ( X )
Mô hình ÿӝng lӵc hӑc ôtô trên ÿѭӡng

Ĉһc tính ÿӝng hӑc cӫa ôtô trên ÿѭӡng ÿѭӧc mô tҧ
qua phѭѫng trình sau:
§ m xe · ie
¨¨ J e ¸¸a xe M e ¦ Fload (V xe )
© g ¹ rW
Trong ÿó:
- mxe = G0 + Gt là trӑng lѭӧng toàn bӝ cӫa ôtô,
[N].
- axe là gia tӕc ôtô, [m/s2].
- Vxe là vұn tӕc ôtô, [m/s].
- ne là tӕc ÿӝ ÿӝng cѫ, [rpm] (vòng/phút).
- D là vӏ trí (ÿӝ mӣ) cánh bѭӟm ga, [%].
- ie = i4i0 là tӍ sӕ truyӅn lӵc cӫa hӋ thӕng truyӅn ÿӝng.

- Me là moment xoҳn có ích do ÿӝng cѫ sinh ra, [N.m].
- ¦ Fload Froadload Floss Fslope là tәng các lӵc cҧn ÿӕi
vӟi hӋ thӕng truyӅn ÿӝng cӫa ôtô, [N].
2
F
- roadload F 2 v F1Vv F0
V là tәng các lӵc do chuyӇn
ÿӝng trên ÿѭӡng, bao gӗm lӵc cҧn lăn giӳa lӕp và mһt
ÿѭӡng, lӵc cҧn khí ÿӝng, [N].
- Floss Fl Vv3 Fl Vv2 Fl Vv Fl là lӵc cҧn do tәn thҩt cѫ
3 2 1 0
giӟi trong hӋ thӕng truyӅn ÿӝng, [N].

- Fslope m xe .g . sin(Grade ) là lӵc cҧn leo dӕc, [N].

Hình 2.12 Ĉһc tính moment theo tӕc ÿӝ và ÿӝ mӣ

bѭӟm ga cӫa ÿӝng cѫ
1 Throttle Position
Throttle Position 1
Traction Force -K- 3.6 1
s
Vehicle Velocity Vehicle Velocity
Vehicle Integrator
m/s to km/h
Power Train Model Inertia
Vehicle Velocity Road Load
Road Load Model
Hình 2.13 Mô hình ÿ͡ng l͹c h͕c ôtô trên ÿ˱ͥng

1
0 f(u)
s
Integrator Gain Climbing Load
Lookup Table
1
Road Load
1 1/3.6 f(u)
Vehicle Velocity
Road_Load
km/h to m/s
0 1/3.6
Wind
km/h to m/s2
Hình 2.14 Mô hình l͹c c̫n trên ÿ˱ͥng

( l͹c c̫n lăn, l͹c c̫n khí ÿ͡ng, và l͹c c̫n leo d͙c)

3. Hai bӝ ÿiӅu khiӇn hӋ thӕng ga tӵ ÿӝng trên ô tô

Vұn tӕc ban ÿҫu cӫa ôtô là 40km/h, ôtô sӁ ÿѭӧc ÿiӅu
khiӇn ÿҥt vұn tӕc әn ÿӏnh 60km/h sau 20s bҵng bӝ
ÿiӅu khiӇn PID và bӝ ÿiӅu khiӇn mӡ thích nghi trӵc
tiӃp (DAF – Direct Adaptive Fuzzy).
Cҧ 2 bӝ ÿiӅu khiӇn ÿѭӧc xây dӵng vӟi giҧ thiӃt ÿã có
bӝ ÿiӅu khiӇn ÿӝ mӣ cánh bѭӟm ga lí tѭӣng, ÿiӅu
khiӇn chính xác ÿӝ mӣ cánh bѭӟm ga vӟi thӡi gian
quá ÿӝ rҩt bé.

A. Bӝ ÿiӅu khiӇn PID: KP = 2; KI = 1.2; KD = 5
P Part
1
1 1.2 1
s
Demand Velocity Throttle Position
Integrator I Part Saturation1
2
Actual Velocity
du/dt 5
Derivative D Part
Hình 2.16 B͡ ÿi͉u khi͋n PID

B. Bӝ ÿiӅu khiӇn mӡ thích nghi trӵc tiӃp
Bӝ ÿiӅu khiӇn mӡ thích nghi trӵc tiӃp có nhӳng ÿһc ÿiӇm
sau:
1. Ngõ vào: 2 ngõ vào
a. Actual Velocity
- Tҫm giá trӏ: 0…120km/h
- 5 tұp mӡ nhѭ hình 2.18
b.Acceleration
- Tҫm giá trӏ: -4…4m/s2.
- 5 tұp mӡ nhѭ hình 2.19
2. Ngõ ra: 1 ngõ ra
- Tên biӃn ngôn ngӳ: Trottle Position
- Tҫm giá trӏ: 0…100%
- 25 tұp mӡ dҥng singleton, là các thông sӕ ÿѭӧc ÿiӅu
chӍnh cӫa hӋ thích nghi.
Hình 2.17 B͡ ÿi͉u khi͋n mͥ thích nghi tr͹c ti͇p (DAF)

3.Bҧng luұt hӧp thành vӟi giá trӏ ban ÿҫu cӫa các thông sӕ
Bi͇n ngôn ngͷ ACCELERATION
P12 x 2 P 22 x2 P 23 x2 P 24 x2 P 25 x2
P11 x1 1 1 1 1 1
P12 x1 15 15 15 15 15
Bi͇n ngôn
ngͷ P13 x1 30 30 30 30 30
ACTUAL
VELOCITY P14 x1 48 48 48 48 48
P15 x1 100 100 100 100 100
Bҧng 2.1 B̫ng lu̵t hͫp thành cͯa b͡ ÿi͉u khi͋n mͥ

thích nghi tr͹c ti͇p
ª 0 1º
4. Chӑn ma trұn / « 0.01
¬ 0.1»¼
ª10 0 º
5. Chӑn ma trұn Q «0 10»
¬ ¼
6. Chӑn hӋ sӕ J = 1.

Hình 2.18 5 t̵p mͥ P1i ( x) , i =1..5, cͯa ngõ vào Actual

Velocity
Hình 2.19 5 t̵p mͥ P 2i ( x) , i =1..5, cͯa ngõ vào

Acceleration
100
Engine throttle position (%)
80
60
40
20
0
4
2 120
100
0 80
60
-2 40
20
2
-4 0
Acceleration (m/s ) Vehicle velocity (km/h)
Hình 2.20 Ĉ̿c tính làm vi͏c cͯa b͡ ÿi͉u khi͋n mͥ thích
nghi tr͹c ti͇p khi mͣi ÿ˱ͫc khͧi t̩o
4. So sánh kӃt quҧ ÿiӅu khiӇn
1. Trѭӡng hӧp 1: Age = 100%, Gt = 100kg,
vwind = 0 km/h, ôtô ÿi trên ÿѭӡng bҵng Grade = 0q
(xem hình 2.21).
vwind=0km/h, ôtô ÿi trên ÿѭӡng bҵng Grade = 0q
(xem hình 2.22).
vwind=30km/h, ôtô ÿi trên ÿѭӡng bҵng Grade = 0q.
vwind = 30 km/h, ôtô ÿi trên ÿѭӡng bҵng Grade = 0q.

vwind = 30 km/h, ôtô lên và xuӕng dӕc Grade = 5q.
vwind = 30 km/h, ôtô lên và xuӕng dӕc Grade = 5q.

VEHICLE VELOCITY (km/h) vs. TIME (s)

100
Demand velocity
90 Result with DAF controller
Result with PID controller
80
70
Vehicle velocity (km/h)
60
50
40
30
20
10
0
0 10 20 30 40 50 60 70 80 90 100 110 120
Time (s)
Hình 2.21.a

ENGINE THROTTLE POSITION (%) vs. TIME (s)

110
Result with DAF controller
100
90
80
70
60
50
40
30
20
10
0
0 10 20 30 40 50 60 70 80 90 100 110 120
Time (s)
Hình 2.21.b

VEHICLE VELOCITY (km/h) vs. TIME (s)

100
Demand velocity
90 Result with DAF controller
80
70
60
50
40
30
20
10
0
0 10 20 30 40 50 60 70 80 90 100 110 120
Time (s)
Hình 2.22.a

ENGINE THROTTLE POSITION (%) vs. TIME (s)

110
100
90
80
70
60
50
40
30
20
10
0
0 10 20 30 40 50 60 70 80 90 100 110 120
Time (s)
Hình 2.22.b

100
80
60
40
20
0
4
2 120
100
0 80
60
-2 40
20
-4 0
Acceleration (m/s2) Vehicle velocity (km/h)
Hình 2.21.c

100
80
60
40
20
0
4
2 120
100
0 80
60
-2 40
20
-4 0
Acceleration (m/s2) Vehicle velocity (km/h)
Hình 2.22.c

VEHICLE VELOCITY (km/h) vs. DISTANCE (m)

100
90 Result with PID controller
80
70
60
50
40
30
20
10
0
0 1000 2000 3000 4000 5000 6000 7000
Distance (m)
Hình 2.23.a

ENGINE THROTTLE POSITION (%) vs. DISTANCE (m)

110
100
90
80
70
60
50
40
30
20
10
-10
0 1000 2000 3000 4000 5000 6000 7000
Distance (m)
Hình 2.23.b

Tr˱ͥng hͫp 1 (hình 2.21) và 2 (hình 2.22), v̵n t͙c

ôtô (a), ÿ͡ mͧ b˱ͣm ga (b) và ÿ̿c tính làm vi͏c cͯa
b͡ ÿi͉u khi͋n sau khi xác l̵p
Hình 2.23 V̵n t͙c (a) và ÿ͡ mͧ b˱ͣm ga (b) khi ôtô
lên và xu͙ng d͙c 5q ͧ tr˱ͥng hͫp 9
Nh̵n xét:
- Bӝ ÿiӅu khiӇn DAF vӟi cҩu trúc và nhӳng
thông sӕ ÿѭӧc chӑn thích hӧp ÿã cho kӃt quҧ ÿiӅu
khiӇn tӕt trong các trѭӡng hӧp ÿѭӧc khҧo sát.
Vұn tӕc ôtô ÿѭӧc ÿiӅu khiӇn vӟi sai sӕ xác lұp
bҵng 0, ít vӑt lӕ, không bӏ dao ÿӝng, hӋ thӕng
không bӏ mҩt әn ÿӏnh trong quá trình ÿiӅu khiӇn.
- Vӟi cùng mӝt bӝ giá trӏ ban ÿҫu cӫa các thông sӕ,
dù có sӵ thay ÿәi vӅ tҧi trӑng tác dөng xe, hao mòn
trong hӋ thӕng truyӅn ÿӝng hay ÿӝng cѫ, ҧnh hѭӣng
cӫa gió, sӵ thay ÿәi vӅ ÿӝ dӕc cӫa mһt ÿѭӡng, bӝ ÿiӅu
khiӇn DAF vүn tӵ chӍnh ÿӏnh ÿѭӧc các thông sӕ và
ÿҧm bҧo chҩt lѭӧng ÿiӅu khiӇn tӕt.
- Do luұt chӍnh ÿӏnh thông sӕ ÿѭӧc xây dӵng trên tiêu
chuҭn әn ÿӏnh Lyapunov và vұn tӕc ôtô ÿѭӧc ÿiӅu
chӍnh bám theo hàm dӕc, mөc tiêu ÿһt ra trong các
trѭӡng hӧp khҧo sát này chӍ là luôn duy trì vұn tӕc ôtô
không ÿәi ӣ giá trӏ 60 km/h; và ÿҧm bҧo hӋ thӕng làm
viӋc không bӏ mҩt әn ÿӏnh hay bӏ trҧi qua nhӳng giai
ÿoҥn mҩt әn ÿӏnh. Nhӳng mөc tiêu khác nhѭ ÿӝng cѫ
tiêu hao ít nhiên liӋu nhҩt, hay gia tӕc ôtô phҧi nҵm
trong giӟi hҥn cho phép ÿӇ ÿem lҥi cҧm giác thoҧi mái,
êm dӏu cho ngѭӡi ÿi xe không thӵc hiӋn ÿѭӧc.
CÂU HӒI ÔN TҰP VÀ BÀI TҰP

1. ThӃ nào là ÿiӅu khiӇn thích nghi ?
2. Tҥi sao phҧi ÿiӅu khiӇn thích nghi ?
3. Luұt MIT ?
4. HӋ thích nghi mô hình tham chiӃu MRAS ?
- Sѫ ÿӗ nguyên lý.
- Nӝi dung phѭѫng pháp gradient.
-ThiӃt kӃ MRAS dùng lý thuyӃt әn ÿӏnh
Lyapunov.
5. Bӝ tӵ chӍnh ÿӏnh STR gián tiӃp.
6. Bӝ tӵ chӍnh ÿӏnh STR trӵc tiӃp.
7. ĈiӅu khiӇn dӵ báo thích nghi.
8. So sánh giӳa MRAS và STR.
9. ChӍnh ÿӏnh tӵ ÿӝng.
10. Lӏch trình ÿӝ lӧi.
11.Ӭng dөng Matlab mô phӓng ví dө 2.2 (ví dө 4.2
TLTK[1]).
12. Dùng Matlab mô phӓng ví dө 2.8 (ví dө 4.8 TLTK[1]).
13.Ӭng dөng Matlab mô phӓng ví dө 2.9 (ví dө 5.1
TLTK[1]).
14. Ӭng dөng Matlab mô phӓng ví dө 2.10 (ví dө 5.2
TLTK[1]).
15. Dùng Matlab mô phӓng ví dө 2.11 (ví dө 5.3 TLTK[1]).

Chương 3 : Điều khiển bền vững
Chương 3
ĐIỀU KHIỂN BỀN VỮNG
3.1 Giới thiệu

3.1.1 Khái niệm điều khiển bền vững
Hệ thống điều khiển bền vững làm cho chất lượng của sản phẩm ổn định,
không phụ thuộc vào sự thay đổi của đối tượng cũng như của nhiễu tác động
lên hệ thống.Mục đích của điều khiển bền vững là chất lượng vòng kín được
duy trì mặc dù có những sự thay đổi trong đối tượng.
P0 :Mô hình chuẩn (mô hình danh

định)
PΔ :Mô hình thực tế với sai lệch
Δ so với mô hình chuẩn
Hình 3.1 : Mô hình điều khiển bền vững
Cho tập mô hình có sai số PΔ và một tập các chỉ tiêu chất lượng, giả sử
P0 ∈ PΔ là mô hình danh định dùng để thiết kế bộ điều khiển K.Hệ thống
hồi tiếp vòng kín được gọi là có tính :
- Ổn định danh định: nếu K ổn định nội với mô hình danh định P0
- Ổn định bền vững: nếu K ổn định nội với mọi mô hình thuộc PΔ
- Chất lượng danh định: nếu các mục tiêu chất lượng được thỏa đối với mô
hình danh định P0

PGS.TS Nguyễn Thị Phương Hà Trang 2
- Chất lượng bền vững: nếu các mục tiêu chất lượng được thỏa đối với mọi
mô hình thuộc PΔ
Mục tiêu bài toán ổn định bền vững là tìm bộ điều khiển không chỉ ổn định
mô hình danh định P0 mà còn ổn định một tập các mô hình có sai số PΔ
3.1.2 Chuẩn của tín hiệu
3.1.2.1 Khái niệm chuẩn
Trong điều khiển nói riêng cũng như trong các công việc có liên quan đến
tín hiệu nói chung,thông thường ta không làm việc chỉ riêng với một tín hiệu
hoặc một vài tín hiệu điển hình mà ngược lại phải làm việc với một tập gồm
rất nhiều các tín hiệu khác nhau. Khi phải làm việc với nhiều tín hiệu khác
nhau như vậy chắc chắn ta sẽ gặp bài toán so sánh các tín hiệu để chọn lọc
ra được những tín hiệu phù hợp cho công việc.
Các khái niệm như tín hiệu x1(t) tốt hơn tín hiệu x2(t) chỉ thực sự có nghĩa
nếu như chúng cùng được chiếu theo một tiêu chuẩn so sánh nào đó. Cũng
như vậy nếu ta khẳng định rằng x1(t) lớn hơn x2(t) thì phải chỉ rõ phép so
sánh lớn hơn đó được hiểu theo nghĩa nào, x1(t) có giá trị cực đại lớn hơn ,
có năng lượng lớn hơn hay x1(t) chứa nhiều thông tin hơn x2(t)…..Nói một
cách khác ,trước khi so sánh x1(t) với x2(t) chúng ta phải gắn cho mỗi một
tín hiệu một giá trị đánh giá tín hiệu theo tiêu chuẩn so sánh được lựa chọn .
Định nghĩa: Cho một tín hiệu x(t) và một ánh xạ x(t) →||x(t)|| ∈ R+ chuyển
x(t) thành một số thực dương ||x(t)||.Số thực dương này sẽ được gọi là chuẩn
của x(t) nếu nó thỏa mãn:
a. ||x(t)|| ≥ 0 và ||x(t)|| = 0 khi và chỉ khi x(t) =0 (3.1)
b. ||x(t)+y(t)|| ≤ ||x(t)|| + ||y(t)|| ∀ x(t), y(t) (3.2)
c. ||ax(t)|| = |a|.||x(t)|| ∀ x(t) và ∀a ∈ R . (3.3)
3.1.2.2 Một số chuẩn thường dùng trong điều khiển cho một tín hiệu x(t):
∞
- Chuẩn bậc 1: || x(t ) ||1 = ∫ | x(t ) |dt (3.4)
−∞
∞
|| x(t ) || 2 = ∫ | x(t ) |
2
- Chuẩn bậc 2: dt . (3.5)
−∞
http://www.khvt.com
Bình phương chuẩn bậc hai chính là giá trị đo năng lượng của tín hiệu x(t).
∞
|| x(t ) || p = ∫ | x(t ) | với p ∈ N
p
-Chuẩn bậc p: p dt (3.6)
−∞
- Chuẩn vô cùng: || x(t ) ||∞ = sup | x(t ) | (3.7)

t
đây là biên độ hay đỉnh của tín hiệu

Khái niệm chuẩn trong định nghĩa trên không bị giới hạn là chỉ cho một tín
hiệu x(t) mà còn được áp dụng được cho cả vector tín hiệu gồm nhiều phần
tử và mỗi phần tử lại là một tín hiệu.
Xét một vector tín hiệu:
⎛ x1 (t ) ⎞
⎜ ⎟
x(t) = ⎜# ⎟
⎜ x (t ) ⎟
⎝ n ⎠
- Chuẩn 1 của vector x:
n
x 1 = ∑ xi (3.8)
i =1
- Chuẩn 2 của vector x:

n
∑x
2
x 2
= i (3.9)
i =1
- Chuẩn vô cùng của vector x:

x ∞
= max xi (3.10)
i =1, 2 ,..., n
3.1.2.3 Quan hệ của chuẩn với ảnh Fourier và ảnh Laplace:

Để phục vụ mục đích sử dụng khái niệm chuẩn vào điều khiển ,ta cần quan
tâm tới mối liên quan giữa chuẩn tín hiệu x(t) là ||x(t)|| với ảnh Fourier
X(j ω ) cũng như ảnh Laplace X(s) của nó.
Trang 3
Định lí 3.1: (Parseval) Chuẩn bậc hai của một tín hiệu x(t) và ảnh Fourier
X(j ω ) của nó có quan hệ :
∞ ∞
1
|| x(t ) || 22 = ∫ | x(t ) | 2 dt = ∫ | X ( jω ) |
2
dω (3.11)
−∞
2π −∞
Cho tín hiệu nhân quả causal x(t). Gọi X(s) là ảnh Laplace của nó .Giả sử
rằng X(s) có dạng thực -hữu tỷ với bậc của đa thức tử số không lớn hơn bậc
đa thức mẫu số ,tức là:
B( s ) b0 + b1 s + ..... + bm s m
X ( s) = = với m < n (3.12)
A( s ) a0 + a1 s + ..... + an s n
Định lí 3.2: Xét tín hiệu nhân quả causal x(t) có X(s) dạng (3.12) .Để chuẩn
bậc 1 của x(t) là một số hữu hạn ||x(t)||1= K < ∞ thì điều kiện cần và đủ là tất
cả các điểm cực của X(s) phải nằm bên trái trục ảo (có phần thực âm) .
3.1.3 Đại số ma trận
3.1.3.1 Một số ma trận thường gặp:
- Một ma trận A=(aij) có số hàng bằng số cột được gọi là ma trận vuông.
Đường chéo nối các phần tử aii trong ma trận vuông được gọi là đường chéo
chính .Đường chéo còn lại được gọi là đường chéo phụ.
⎡ a11 a12 " a1n ⎤
⎢a a 22 " a 2 n ⎥⎥
A = ⎢ 21 (3.13)
⎢ # # # # ⎥
⎢ ⎥
⎣a n1 an 2 " a nn ⎦
- Một ma trận vuông A=(aij) có aij = 0 khi i ≠ j ,tức là các phần tử không
nằm trên đường chéo chính đều bằng 0, được gọi là ma trận đường chéo. Ma
trận đường chéo được ký hiệu bởi:
⎡a11 0 " 0 ⎤
⎢0 a 22 " 0 ⎥⎥
A= ⎢ = diag(aij) (3.14)
⎢ # # # # ⎥
⎢ ⎥
⎣0 0 " a nn ⎦
http://www.khvt.com
⎡1 0 " 0⎤
⎢0 1 " 0⎥⎥
- Ma trận đường chéo I = diag(1) = ⎢ gọi là ma trận đơn vị.
⎢# # # #⎥
⎢ ⎥
⎣0 0 " 1⎦
- Ma trận vuông A=(aij) có aij = 0 khi i > j (hoặc i < j) được gọi là ma trận
tam giác
+ Ma trận tam giác dưới
⎡ a11 0 " 0 ⎤
⎢a a 22 " 0 ⎥⎥
A= ⎢ 21 (3.15)
⎢ # # # # ⎥
⎢ ⎥
⎣ a n1 an 2 " a nn ⎦
+ Ma trận tam giác trên

⎡a11 a12 " a1n ⎤
⎢0 a 22 " a 2 n ⎥⎥
A= ⎢ (3.16)
⎢ # # # # ⎥
⎢ ⎥
⎣0 0 " a nn ⎦
3.1.3.2 Các phép tính về ma trận:

- Phép cộng / trừ: Cho hai ma trận A=(aij) và B=(bij) cùng có m hàng và n
cột .Tổng hay hiệu A ± B = C =(cij) của chúng được định nghĩa là một ma
trận cũng có m hàng và n cột với các phần tử
cij = aij + bij i=1,2,…..,m và j=1,2,…..,n.
- Phép nhân với số thực: Cho ma trận A=(aij) có m hàng và n cột và một số
vô hướng thực(phức) x tùy ý .Tích B = xA = Ax = (bij) được hiểu là ma trận
cũng có m hàng và n cột với các phần tử
Bij = x.aij i=1,2,….m và j=1,2,…..,n
- Phép chuyển vị: Ma trận chuyển vị của ma trận A=(aij) với m hàng và n cột
là ma trận AT = (aji) có n hàng và m cột được tạo từ ma trận A qua việc hoán
chuyển hàng thành cột và ngược lại cột thành hàng.
- Phép nhân ma trận: Cho ma trận A=(aik) có m hàng và p cột và ma trận
B=(bkj) có p hàng và n cột ,tức là :
Trang 5
+ A=(aik) i=1,2,....,m và k=1,2,….,p

+ B=(bkj) k=1,2,….,p và j=1,2,…..,n
Tích AB = C =(cij) của chúng là một ma trận có m hàng và n cột với các
phần tử
p
Cij = ∑a
k =1
b
ik kj
Một ma trận vuông A ∈ R n×n được gọi là ma trận trực giao nếu ATA=AAT=I
3.1.3.3 Hạng của ma trận:
Cho n vector vi i=1,2,…,n Chúng sẽ được gọi là độc lập tuyến tính nếu đẳng
thức a1v1+a2v2+…….+anvn=0 trong đó ai là những số thực (hoặc phức) sẽ
đúng khi và chỉ khi a1 = a2 = …..=an = 0
Xét một ma trận A=(aij) bất kì có m hàng và n cột .Nếu trong số m vector
hàng có nhiều nhất p ≤ m vector độc lập tuyến tính và trong số n vector cột
có nhiều nhất q ≤ n vector độc lập tuyến tính thì hạng ma trận đươc hiểu là:
Rank(A) = min{p,q}
Một ma trận vuông A kiểu (n× n) sẽ được gọi là không suy biến nếu
Rank(A)=n .Ngược lại nếu Rank(A) <n thì A được nói là ma trận suy biến
Hạng ma trận có các tính chất sau:
- Rank(A) = min{p,q} (3.17)
- Rank(AB) ≤ rank(A) và rank(AB) ≤ rank(B) (3.18)
- Rank(A + B) ≤ rank(A) + rank(B) (3.19)
- Nếu B không suy biến thì rank(AB) = rank(B) (3.20)
3.1.3.4 Ma trận nghịch đảo:
Cho ma trận A=(aij),i=1,2,…,m ; j=1,2,…,n,trong đó aij là những số thực
(hoặc phức),nói cách khác A ∈ Rm × n(hoặc A ∈ Cm × n ).Nếu tồn tại một ma
trận B thỏa mãn :
AB = BA = I (ma trận đơn vị) (3.21)
Thì ma trận B được gọi là ma trận nghịch đảo của A và ký hiệu là B = A-1.
http://www.khvt.com
Do phải tồn tại cả hai phép nhân AA-1 và A-1A cho ra kết quả có cùng kiểu
nên ma trận A phải là một ma trận vuông,tức là phải có m = n.Hơn nữa do
det(I) = 1 ≠ 0 nên:
det(A)det(A-1) ≠ 0 => det(A) ≠ 0 và det(A-1) ≠ 0. (3.22)
Vậy A phải là ma trận không suy biến.
Ma trận nghịch đảo A-1 của A có tính chất sau:
- Ma trận nghịch đảo A-1 của A là duy nhất (3.23)
- Tập hợp tất cả các ma trận vuông cùng kiểu và không suy biến cùng với
phép nhân ma trận tạo thành một nhóm (không giao hoán). (3.24)
⎡a b ⎤ 1 ⎡ d − b⎤
- Nghịch đảo ma trận kiểu (2× 2): A −1 = ⎢ ⎥ = ⎢ ⎥ (3.25)
⎣ c d ⎦ det( A) ⎣− c a ⎦
- (AB)-1 = B-1A-1 (3.26)
- (A-1)T = (AT)-1 (3.27)
⎡1⎤
- Nếu A = diag(ai) và không suy biến thì A-1 = diag ⎢ ⎥ (3.28)
⎣ ai ⎦
Aadj
- A-1 = (3.29)
det( A)
trong đó Aadj là ma trận có các phần tử a i j = (-1)i+jdet(Aij) với Aij là ma trận
thu được từ A bằng cách bỏ đi hàng thứ j và như cột thứ i.
- Cho ma trận A ∈ Rn × n không suy biến . Nếu U ∈ Rn × m và V ∈ Rn × m là
hai ma trận làm cho (I+VTA-1U) cũng không suy biến thì
(A+UVT)-1 = A-1 – A-1U(I+VTA-1U)-1VTA-1 (3.30)
⎡A A2 ⎤
- Cho ma trận vuông A = ⎢ 1 không suy biến,trong đó A1,A2,A3,A4
⎣ A3 A4 ⎥⎦
cũng là các ma trận.
Nếu A1 không suy biến và B = A4 – A3A1-1A2 cũng không suy biến thì
−1
⎡A
−1
A2 ⎤ ⎡ A1 −1 + A −11 A2 B −1 A3 A1 −1 − A1 A2 B −1 ⎤
−1
A =⎢ 1 =⎢ ⎥ (3.31)
⎣ A3 A4 ⎥⎦ ⎣ − B −1 A3 A1
−1
B −1 ⎦
Trang 7
Nếu A4 không suy biến và C = A1 – A2A4-1A3 cũng không suy biến thì
−1
⎡A
−1
A2 ⎤ ⎡ C −1 − C −1 A2 A4
−1
⎤
A =⎢ 1 =⎢ −1 ⎥
(3.32)
⎣ A3 A4 ⎥⎦ −1
⎣− A4 A3 AC
−1 −1 −1
A4 + A4 A3C −1 A2 A3 ⎦
3.1.3.5 Vết của ma trận:

Cho ma trận vuông A=(aij) ,i,j=1,2,……,n kiểu (nxn).Vết của A được hiểu
là tổng giá trị các phần tử trên đường chéo chính của A và được ký hiệu
bằng trace(A):
m
trace= ∑ aii (3.33)
i =1
Vết của ma trận có các tính chất:

a. trace(AB) = trace(BA) (3.34)
-1
b. trace(S AS) = trace(A) với S là ma trận không suy biến bất kì (3.35)
3.1.3.6 Giá trị riêng và vector riêng:
Số thực λ được gọi là giá trị riêng và vector x được gọi là vector riêng bên
phải ứng với giá trị riêng λ của A thỏa mãn:
Ax = λ x ∀ x (3.36)
⇔ (A - λ I)x = 0 ∀ x (3.37)
Giá trị riêng và vector riêng của ma trận A có những tính chất sau:
a. Hai ma trận tương đương A và S-1AS luôn cùng giá trị riêng, nói cách
khác giá trị riêng của ma trận bất biến với phép biến đổi tương đương:
det(A- λ I)=det(S-1AS- λ I) (3.38)
b. Các giá trị riêng của ma trận bất biến với phép chuyển vị, tức là:
det(A- λ I)=det(AT- λ I) (3.39)
c. Nếu A không suy biến thì AB và BA có cùng các giá trị riêng ,tức là:
det(AB- λ I)=det(BA- λ I) (3.40)
T
d. Nếu A là ma trận đối xứng (A =A) thì các vector riêng ứng với những giá
trị riêng khác nhau sẽ trực giao với nhau
Trong Matlab ,sử dụng hàm eig(A) để tìm ma trận riêng và vector riêng.
http://www.khvt.com
3.1.3.7 Tính toán ma trận:

Cho ma trận X = (xij) ∈ Cm × n là một ma trận thực (hoặc phức) và F(X) ∈ C
là một vô hướng thực hoặc phức của X .Đạo hàm của F(X) đối với X được
định nghĩa
∂ ⎡ ∂ ⎤
F(X ) = ⎢ F ( X )⎥ (3.41)
∂X ⎣⎢ ∂xij ⎦⎥
Cho A và B là những ma trận phức với không gian tương thích .Một số công
thức đạo hàm :
∂
Trace ( AXB ) = AT B T (3.42)
∂X
∂
Trace ( X k
) = k(X k −1 T
) (3.43)
∂X
∂
Trace ( XBX T ) = 2 XB (B = BT ) (3.44)
∂X
∂
( X T AX ) = AX + A T X (3.45)
∂X
∂
Trace ( AX T B ) = BA (3.46)
∂X
3.1.3.8 Chuẩn của ma trận:
Người ta cần đến chuẩn của ma trận là nhằm phục vụ việc khảo sát tính giải
tích của nó.Có nhiều chuẩn khác nhau cho một ma trận A=(aij)
,i=1,2,…,m;j=1,2,…,n.
Những chuẩn thông thường được sử dụng:
- Chuẩn 1 của ma trận A
m
A 1 = max ∑ aij (3.47)
1≤ j ≤ n
i =1
- Chuẩn 2 của ma trận A
A 2
= max λi ( A* A) (3.48)
1≤ i ≤ n
- Chuẩn vô cùng của ma trận A
Trang 9
n
A ∞
= max ∑ a ij (3.49)
1≤i ≤ m
j =1
- Chuẩn Euclide của ma trận A (chuẩn Frobenius)
∑∑ a
2
A F
= ij = trace( AT A) (3.50)
i j
với A* là ma trận chuyển vị và lấy liên hiệp. λi ( A* A) là trị riêng của ma

trận A* A là một số thực không âm.
3.1.4 Trị suy biến của ma trận – độ lợi chính(Principal gain)
Trị suy biến của ma trận A(m x l) được ký hiệu là σ i ( A) được định nghĩa
như sau:
σ i ( A) = λi ( A* A) i = 1,2,...k (3.51)
với k = min{m, l} .
Nếu chúng ta biểu diễn ma trận A dưới dạng A(s) và đặt s = jω
(0 ≤ ω < ∞) , thì trị suy biến của A( jω ) là một hàm của ω và được gọi là
độ lợi chính của A(s). Ở đây chúng ta giả sử rằng σ i được sắp xếp theo thứ
tự sao cho σ i ≥ σ i +1 . Như vậy, σ 1 là trị suy biến lớn nhất và σ k là trị suy
biến nhỏ nhất. Ký hiệu σ là trị suy biến lớn nhất và σ là trị suy biến nhỏ
nhất.
Ta có:
σ ( A) = max σ i ( A) = max λi ( A* A)
= A 2
(3.52)
Ax
với A 2 = sup 2
.
x 2
Độ lợi của hệ đa biến nằm giữa độ lợi chính lớn nhất và nhỏ nhất.
Trong Matlab tìm trị suy biến của ma trận A dùng lệnh svd(A)
Ví dụ: Cho ma trận A:
http://www.khvt.com
⎡9 4⎤
>> A = ⎢⎢6 8 ⎥⎥ ;
⎢⎣2 7 ⎥⎦
>> S =svd(A)
S=
[14.9359
5.1883]
S: vector của các giá trị suy biến của ma trận A
σ ( A) =14.9359
σ (A)=5.1883
3.1.5 Ổn định nội
Ổn định nội là yêu cầu cơ bản đối với một hệ thống hồi tiếp thực. Ý nghĩa
của ổn định nội là khi đầu vào hệ thống bằng không thì tất cả các trạng thái
hệ thống đều phải về không từ mọi giá trị ban đầu. Mọi hệ thống tự động
đều phải bảo đảm ổn định nội mới hoạt động được.
+ e1
w1 G
+
+
K + w2
e2
Hình 3.2 : Sơ đồ hệ thống dùng để phân tích ổn định nội
Định nghĩa :
Hệ hồi tiếp hình 3.2 được gọi là ổn định nội nếu tất cả các hàm truyền đạt từ
w1, w2 đến e1, e2 đều ổn định.
Trang 11
Điều kiện ổn định nội chặt hơn điều kiện ổn định dựa trên hàm truyền vào-
ra thông thường, vì nó tránh việc khử các cực và zero không ổn định giữa
các khâu liên tiếp nhau. Khi thành lập hàm truyền vào-ra, có thể xảy ra hiện
tượng khử cực và zero không ổn định của các khâu liên tiếp nhau. Như vậy,
điều kiện ổn định nội bảo đảm các tín hiệu bên trong hệ thống đều hữu hạn
khi tín hiệu vào là hữu hạn.
Ví dụ, ta khảo sát điều kiện ổn định nội của hệ thống hình 3.2:
e1 = w1 + Ke 2 = w1 + Kw2 + KGe1
⇒ e1 = ( I − KG ) −1 w1 + ( I − KG ) −1 Kw2
e2 = w2 + Ge1 = w2 + Gw1 + GKe 2
⇒ e2 = ( I − GK ) −1 Gw1 + ( I − GK ) −1 w2
Suy ra:
⎡ e1 ⎤ ⎡ ( I − KG ) −1 ( I − KG ) −1 K ⎤ ⎡ w1 ⎤
⎢e ⎥ = ⎢ −1 −1 ⎥ ⎢ ⎥
⎣ 2 ⎦ ⎣( I − GK ) G ( I − GK ) ⎦ ⎣ w2 ⎦
Điều kiện ổn định nội của hệ là các hàm truyền ( I − KG ) −1 , ( I − KG ) −1 K ,
( I − GK ) −1 G , ( I − GK ) −1 đều ổn định.
3.1.6 Định lý độ lợi nhỏ (Small Gain Theorem)

Cho hệ thống được biểu diễn như hình 3.3: Gọi λi là trị riêng của G
r u y
G
-
Hình 3.3 : Hệ thống hồi tiếp vòng kín

Định lý độ lợi nhỏ được phát biểu như sau:
Giả thiết rằng G(s) ổn định, ρ(G(jω)) là bán kính phổ của G(jω). Hệ thống
vòng kín ổn định nếu ρ (G ( jω )) = max( λi ) < 1 , hoặc G ( jω ) < 1, ∀ω
http://www.khvt.com
Đối với hệ SISO thì

ρ (G ( jω )) = G ( jω ) < 1 (3.53)
Định lý độ lợi nhỏ chỉ là điều kiện đủ để xét ổn định của hệ thống. Điểm
mạnh của định lí này là nó không yêu cầu những thông tin chi tiết về hệ
thống.Vì vậy nó không chỉ ứng dụng được cho hệ thống tuyến tính bất biến
theo thời gian mà còn ứng dụng được cho hệ thống phi tuyến, thay đổi theo
thời gian.
3.1.7 Ổn định bền vững
3.1.7.1 Định lý ổn định bền vững

Đây là mô hình cơ bản dùng để phân tích tính ổn định bền vững của một hệ
thống. Nếu hệ danh định ổn định thì M ổn định và Δ là sai số có thể làm
cho hệ thống mất ổn định. Định lý sau thiết lập điều kiện của M để cho hệ
thống vẫn ổn định dưới ảnh hưởng của Δ
v w
Δ
Hình 3.4 : Sơ đồ cấu trúc phân tích ổn định bền vững

Định lý ổn định bền vững:
Giả sử M và Δ ổn định, hệ thống vòng kín hình 3.4 sẽ ổn định khi và chỉ khi
biểu đồ cực của đường cong Nyquist det(I-MΔ) không bao điểm gốc. Khi đó
hệ thống vòng kín sẽ ổn định bền vững với mọi Δ (σ (Δ) ≤ 1) nếu và chỉ nếu
khi một trong các điều kiện sau thỏa mãn:
a. Det ( I − MΔ ( jω )) ≠ 0 ∀ω , ∀Δ (σ ≤ 1) (3.54)
b. ρ ( MΔ( jω )) < 1 ∀ω , ∀Δ (σ ≤ 1) (3.55)
c. M ∞
= σ ( M ( jω )) < 1 ∀ω (3.56)
Trang 13
3.1.7.2 Điều kiện ổn định bền vững đối với sai số cộng:
Với Δ A ( s ) = δ A ( s )Δ( s ), σ (Δ( jω )) ≤ 1 ∀ω , (3.57)
v w
Δ
M
δA
+
K G
-
Hình 3.5 : Sai số cộng
Ta có:
v( s ) = − K ( s )[δ A ( s ) w( s ) + G ( s )v( s )] (3.58)
hay
v( s ) = −[ I + K ( s )G ( s )]−1 K ( s )δ A ( s ) w( s ) (3.59)
vậy
K ( s )δ A ( s )
M ( s) = − (3.60)
[ I + K ( s )G ( s )]
Kết luận: Hệ thống vòng kín hình 3.5 ổn định bền vững khi và chỉ khi:
K ( s )δ A ( s )
σ ( jω ) =||M(s)||∞= <1 (3.61)
[ I + K ( s )G ( s )] ∞
http://www.khvt.com
3.1.7.3 Điều kiện ổn định bền vững đối với sai số nhân ở đầu ra
v w
Δ
M
δ0
+
K G
-
Hình 3.6 : Sai số nhân ở đầu ra
Với Δ O ( s ) = δ O ( s )Δ( s ), σ (Δ( jω )) ≤ 1 ∀ω , (3.62)

Ta có:
v( s) = −G ( s) K ( s)[δ O ( s) w( s ) + v( s )] (3.63)
hay
v( s ) = −[ I + G ( s ) K ( s )]−1 G ( s ) K ( s )δ O ( s ) w( s ) (3.64)
vậy
G ( s ) K ( s )δ O ( s )
M =− (3.65)
I + G ( s) K ( s)
Kết luận: Hệ thống vòng kín hình 3.6 ổn định bền vững khi và chỉ khi:
G ( s ) K ( s )δ O ( s )
<1 (3.66)
I + G ( s) K ( s) ∞
Trang 15
3.2 Phương pháp LQG (Linear Quadratic Gaussian)

3.2.1 Đặt vấn đề
Cho hệ thống
x (t ) = Ax(t ) + Bu (t ) + γw(t )
y (t ) = Cx (t ) + v(t )
(3.67)
z (t ) = Dx(t )
t∈R
Ngõ ra y là ngõ ra hồi tiếp và đo được. Ngõ ra z là điều khiển được. Tín hiệu
nhiễu w là nhiễu hệ thống và v là nhiễu đo .
Tín hiệu v và w là những quá trình nhiễu trắng .Trạng thái ban đầu của x(0)
được giả sử là một vector ngẫu nhiên .
Nhiều sự giả sử khác nhau định nghĩa trạng thái x(t) t ∈ R và ngõ ra điều
khiển được z(t),t ∈ R là những quá trình ngẫu nhiên .Biểu thức sai số toàn
phương :
z T (t )Qz (t ) + u T (t ) Ru (t ) t≥0 (3.68)
là một quá trình ngẫu nhiên.

Vấn đề của điều khiển hệ thống là giá trị mong đợi của tích phân :
T
∫ E [z (t )Qz (t ) + u T (t ) Ru (t )]dt
T
(3.69)
0
là nhỏ. Đây là vấn đề điều khiển tuyến tính nhiễu loạn. Khoảng thời gian [0
T] là xác định nhưng thật sự chúng ta xem xét trường hợp T → ∞ . Tại bất
kỳ thời gian t toàn bộ tín hiệu đo được ở quá khứ y(s) s ≤ t được giả sử có
giá trị cho hồi tiếp. Hình (3.7) làm rõ trường hợp này :
http://www.khvt.com
z
u
SYSTEM
+
+ y
v
CONTROLLER
Hình 3.7 : Hồi tiếp LQG

3.2.2 Bộ quan sát
Xem xét hệ thống quan sát :
x (t ) = Ax(t ) + Bu (t )
y (t ) = Cx (t ) (3.70)
t∈R
Đây là hệ thống (3.67) nhưng không có nhiễu hệ thống w và nhiễu đo v.
Trạng thái x của hệ thống (3.70) không thể sử dụng được trực tiếp bởi vì chỉ
ngõ ra y là đo được. Xây dựng lại trạng thái với sự chính xác tùy ý bởi việc
kết nối một bộ quan sát :
xˆ (t ) = Axˆ (t ) + Bu (t ) + L[ y (t ) − Cxˆ (t )] t ∈ R (3.71)

Tín hiệu xˆ (t ) là một ước lượng của trạng thái x(t).Nó thỏa mãn phương trình
vi phân trạng thái của hệ thống (3.70) với thành phần thêm vào
L [ y (t ) − Cxˆ (t )] .L là ma trận độ lợi quan sát cần được lựa chọn phù hợp. Sai
số quan sát y(t) − Cxˆ (t ) là sự khác nhau giữa ngõ ra đo được thực tế y(t) và
ngõ ra yˆ (t ) = Cxˆ (t ) .Thành phần thêm vào L [ y (t ) − Cxˆ (t )] cung cấp một sự
điều chỉnh chủ động ngay khi sai số của sự quan sát là khác 0.
Trang 17
u z
SYSTEM
y
+
L
-
ŷ
SYSTEM
MODEL x̂
Hình 3.8 : Cấu trúc của một bộ quan sát
Hình (3.8) cho thấy cấu trúc của bộ quan sát .Định nghĩa :
~
x (t ) = x(t ) − xˆ (t ) (3.72)
là sai số ước lượng trạng thái. Phương trình vi phân của ~
x nhận được sau
khi trừ (3.70) cho (3.71) :
~
x (t ) = ( A − LC ) ~
x (t ) t ∈ R (3.73)
Nếu hệ thống (3.70) được tìm thấy thì tồn tại ma trận độ lợi L mà sai số hệ
thống (3.73) là ổn định. Nếu sai số hệ thống là ổn định thì
~
x (t ) → 0 khi t → ∞ cho bất kỳ sai số ~
x (0). Vì vậy
→∞
xˆ (t ) ⎯t⎯
⎯→ x(t ) (3.74)
Trạng thái ước lượng hội tụ về trạng thái thực.
Trong Matlab dùng hai lệnh acker và place để tính ma trận L của khâu
quan sát trạng thái :
L= acker(A’,C’,p)
L= place(A’,C’,p)
A’ : Chuyển vị của ma trận A
C’ : Chuyển vị của ma trận C
p : Khai báo các điểm cực mong muốn
http://www.khvt.com
3.2.3 Bộ lọc Kalman

3.2.3.1 Đặt vấn đề:
Bộ lọc Kalman là một bộ quan sát được sử dụng cho các ứng dụng yêu cầu
xây dựng lại hệ phương trình trạng thái khi tính đến ảnh hưởng của nhiễu đo
được.
Phương trình trạng thái của đối tượng :
x =Ax+Bu+ γ w (3.75)
y=Cx+v (3.76)
với trạng thái x(t) ∈ R n ,ngõ vào điều khiển u(t) ∈ R m , và ngõ ra đo lường
y(t) ∈ R p .Tín hiệu w(t) là nhiễu quá trình chưa biết trước tác động làm nhiễu
hệ thống.Tín hiệu v(t) là một nhiễu đo không xác định được , làm suy giảm
việc đo lường chẳng hạn như nhiễu cảm biến.Giá trị ban đầu x(0), nhiễu
w(t) hoặc v(t) không biết được chính xác.Giả sử x(0), w(t) và v(t) đều trực
giao qua lại với nhau.
w(t) v(t)
u x x y
B ∫ C
A Hệ thống
~
y
L
-
xˆ x̂ ŷ
B ∫ C
A Bộ lọc Kalman
Hình 3.9 : Bộ quan sát trạng thái của Kalman
Trang 19
Gọi xˆ (t ) là ước lượng của x .

Phương trình trạng thái của khâu lọc Kalman :
xˆ = Axˆ + Bu + L( y − yˆ )
(3.77)
yˆ = Cxˆ
Mục tiêu của thiết kế bộ lọc Kalman : Tìm độ lợi ước lượng L để có sự ước
lượng tối ưu trong sự hiện diện của nhiễu w(t) và v(t)
Sai số ước lượng: ~x (t ) = x(t ) − xˆ (t ) (3.78)
Độ lợi L sẽ được chọn sao cho giá trị trung bình của sai số ước lượng toàn
phương là bé nhất .
3.2.3.2 Cơ sở toán học:
Lý thuyết xác suất:
Từ phương trình (3.75) được thêm vào bởi nhiễu quá trình, trạng thái x(t)
bây giờ cũng là một quá trình ngẫu nhiên như là y(t). Để khảo sát những
đặc tính thông thường của quá trình ngẫu nhiên cần nhắc lại một số khái
niệm lý thuyết xác suất (Papoulis 1984). Mặc dù w(t) và v(t) là những đại
lượng ngẫu nhiên không biết được, nhưng cần biết một vài đặc điểm để hổ
trợ việc thiết kế các bộ điều khiển. Chẳng hạn như có thể biết được giá trị
trung bình hoặc tổng năng lượng của chúng.
Cho vector ngẫu nhiên z ∈ R n ,f z ( ξ ) là hàm mật độ xác suất (PDF) của z.
Đại lượng PDF đặc trưng cho xác suất mà z lấy giá trị bên trong vùng vi
phân d ξ đặt giữa ξ .
Giá trị mong muốn của hàm g(z) của vector ngẫu nhiên được xác định như
sau :
∞
E {g ( z )} = ∫ g (ξ ) ƒ( ξ )d ξ (3.79)
−∞
Giá trị trung bình hay mong muốn của z được xác định như sau:
∞
E{z}= ∫ ξ ƒ z ( ξ )d ξ (3.80)
−∞
được ký hiệu bằng z . Chú ý rằng z ∈ R n .
http://www.khvt.com
Hiệp phương sai của z được cho bởi

P z =E {( z − z )( z − z ) T } (3.81)
Chú ý rằng P z là ma trận hằng n×n

Phần quan trọng của vector ngẩu nhiên được đặc trưng bởi Gaussian hoặc
nomal PDF
− −
1 − (ξ − z ) T / 2 P −1 (ξ − z ) / 2
ƒ z ( ξ )= e (3.82)
(2 ∏) n | Pz |
Trong trường hợp vô hướng n = 1 , (3.82) trở thành:

1 2
f z (ξ ) = e − (ξ − z ) / 2 Pz
(3.83)
2ΠPz
được minh họa ở hình 3.10 .Vì vậy những vector ngẫu nhiên lấy giá trị gần
với z có xác suất lớn nhất và xác suất sẽ giảm khi lấy giá trị xa z .Nhiều
biến ngẫu nhiên là Gaussian.
Nếu vector ngẫu nhiên là một hàm của thời gian được gọi là một quá trình
ngẫu nhiên được tượng trưng là z(t). Khi đó PDF có thể thay đổi theo thời
gian và chúng ta viết là ƒ z ( ξ ,t). Điều đó có thể tưởng tượng rằng PDF ở
hình 3.10 thay đổi theo thời gian. Trong tình huống này, giá trị mong đợi và
ma trận hiệp phương sai là những hàm thời gian vì thế chúng có thể biểu
hiện z (t) và P z (t).
Hình 3.10 : Gaussian PDF
Trang 21
Nhiều quá trình ngẫu nhiên z(t) quan trọng là có PDF bất biến theo thời gian
Đó là những quá trình tĩnh, thậm chí chúng là hàm thời gian ngẫu nhiên
chúng vẫn có trị trung bình và hiệp phương sai là hằng số.
Đặc trưng cho liên hệ giữa hai quá trình ngẫu nhiên z(t) và x(t), có thể sử
dụng PDF kết hợp ƒ zx (ς , ξ , t1 , t 2 ) , tượng trưng cho xác xuất mà (z(t1),
x(t2)) ở trong vùng vi phân d ς × d ξ ở giữa ( ς , ξ ). Giả sử rằng các quá trình
z(t) và x(t) là liên kết tĩnh , PDF kết hợp không là hàm của cả hai thời gian
t 1 và t 2 nhưng nó chỉ dựa vào sai biệt (t 1 - t 2 ).
Trong nhiều trường hợp tĩnh, giá trị mong muốn của hàm hai biến g(z,x)
được xác định bởi:
+∞
E {g ( z (t1 ), x(t 2 )) }= ∫ g( ς , ξ )ƒ zx ( ς , ξ ,t 1 - t 2 )d ς d ξ (3.84)
−∞
Ma trận tương quan chéo được xác định bởi

R zx ( τ )=E {z (t + τ ) x T (t )} (3.85)
Do đó, ma trận tương quan chéo của hai quá trình không tĩnh mà được xác
định bởi
R zx (t, τ )=E {z (t ) x T (τ )} (3.86)
Xem như z(t 1 ) và z(t 2 ) như là hai quá trình ngẫu nhiên của quá trình tĩnh,
hàm tự tương quan z(t) được xác định như sau:
R z ( τ )=E {z (t + τ ) z T (t )} (3.87)
Hàm tự tương quan đem đến cho ta vài thông tin quan trọng về quá trình
ngẫu nhiên z(t). Thí dụ như :
[ ]
trace [R z (0)] =trace E {z (t ) z T (t )} =E { z (t ) } (3.88)
tương đương với tổng năng lượng của quá trình z(t).
Nếu
R zx (τ ) = 0 (3.89)
http://www.khvt.com
z(t) và x(t) dược gọi là trực giao với nhau.

Nếu
R z ( τ )=P δ (τ ) (3.90)
trong đó P là ma trận hằng và δ (t) là xung Dirac. z(t) là trực giao với
z(t + τ ) với các giá trị τ ≠ 0. Điều này có nghĩa là giá trị của quá trình z(t)
tại thời điểm t không có sự liên hệ với giá trị tại các thời điểm τ ≠ t.Vì vậy
z(t) là một nhiễu trắng .Ví dụ như nhiễu nhiệt ở mạch điện nguyên nhân vì
sự chuyển động nhiệt ở các electron ở điện trở .
Chú ý rằng Pδ(0) là hiệp phương sai của z(t). P được gọi là ma trận mật độ
phổ.Thỉnh thoảng nó cũng được xem như là ma trận hiệp phương sai
3.2.2.3 Thiết kế bộ lọc Kalman:
Giả sử x(0) có thể được thay thế bằng các đại lượng biết trước x (giá trị
trung bình của x(0)) và hiệp phương sai P 0 ) , có thể biểu diễn nó như sau :
x (0) ≈ (x 0 ,P 0 ) (3.91)
giả sử w(t) và v(t) có trị trung bình bằng 0 và giả sử rằng nhiễu quá trình và
nhiễu đo là nhiễu trắng quá trình để:
R w ( τ )=E {w(t + τ ) wT (t )} = Wδ (τ ) (3.92)
R v ( τ )=E {v(t + τ )v T (t )} = Vδ (τ ) (3.93)
Ma trân mật độ phổ W và V sẽ giả sử đã biết trước.Theo tính chất của hàm
tự tương quan, W và V là bán xác định dương. Giả sử thêm rằng V là không
suy biến.Tóm lại, có thể giả sử rằng :
w(t) ≈ (0,W), W≥0 (3.94)
v(t) ≈ (0,V), V>0 (3.95)
Việc giả sử w(t) và v(t) là nhiễu trắng có thể là xấu trong một vài ứng
dụng.Thí dụ như nhiễu ở tần số thấp. Tuy nhiên, giả sử rằng w(t) không là
nhiễu trắng, có thể xác định được một hệ thống:
Trang 23
.
x 0 =A w x w +B w n (3.96)
w=C w x w +D w n (3.97)
có nhiễu trắng ngõ vào là n(t) và ngõ ra là w(t). Chúng được gọi là các bộ
lọc nắn nhiễu . Những đặc tính động này có thể kết hợp với phương trình
của đối tượng (3.75), (3.76) để có được đặc tính động được hiệu chỉnh như
sau.
⎡ x ⎤ ⎡ A γC w ⎤ ⎡ x ⎤ ⎡ B ⎤ ⎡γDw ⎤
⎢ x ⎥ = ⎢0 A ⎥ ⎢ x ⎥ + ⎢0 ⎥u + ⎢ B ⎥ n (3.98)
⎣ w⎦ ⎣ w ⎦⎣ w ⎦ ⎣ ⎦ ⎣ w⎦
y= [C 0] ⎡ x ⎤ + v (3.99)
⎢⎣ x w ⎥⎦
Đặc tính động có nhiễu trắng quá trình n(t). Một thủ tục tương tự có thể làm
theo các bước như thế nếu v(t) không phải là nhiễu trắng. Do đó, có thể mô
tả một hệ thống không có nhiễu trắng dưới dạng một hệ thống điều chỉnh
với nhiễu trắng và nhiễu đo lường .
Xác định hệ thống (3.96), (3.97) miêu tả nhiễu không phải là nhiễu trắng
w(t) (hoặc v(t)) dựa trên phân tích mật độ phổ của nhiễu w(t). Chi tiết xem
Lewis (1986 )
Bây giờ thiết kế bộ ước lượng cho hệ thống (3.75), (3.76) dưới những giả sử
đã được liệt kê. Cho bộ quan sát có dạng như sau:
xˆ = Axˆ + Bu + L( y − yˆ ) (3.100)
hoặc xˆ = ( A − LC ) xˆ + Bu + Ly (3.101)
Hàm thời gian x̂ (t) là ước lượng trạng thái và

ŷ = E {Cx + v} = C x̂ (3.102)
là ước lượng của ngõ ra y(t).
Độ lợi của bộ ước lượng L phải được chọn để cung cấp ước lượng tối ưu
trong sự hiện diện của nhiễu w(t) và v(t). Để chọn L, chúng ta sẽ phải xác
định sai số ước lượng:
~
x (t)=x(t)- x̂ (t) (3.103)
http://www.khvt.com
Sử dụng( 3.75) và (3.100) sai số hệ thống là :

~
x =(A-LC) ~
x + γ w-Lv
≡A0 ~
x + γ w-Lv (3.104)
chú ý rằng sai số hệ thống xảy ra khi có sự tham gia của nhiễu quá trình và
nhiễu đo lường . Ngõ ra của sai số hệ thống có thể được cho bởi ỹ=y- ŷ để:
ỹ=C ~x (3.105)
Hiệp phương sai của sai số được cho bởi:
{ }
P(t)=E ~
x~xT (3.106)
thay đổi theo thời gian. Do đó, ~ x (t) là quá trình ngẫu nhiên không tĩnh.
Hiệp phương sai của sai số là thước đo sự không chắc chắn trong ước lượng.
Những giá trị càng nhỏ cho P(t) đồng nghĩa với việc ước luợng càng tốt hơn
vì những sai số được phân bố càng gần với trị trung bình bằng 0 nếu P(t) là
nhỏ hơn.
Nếu bộ quan sát là ổn định tiệm cận và w(t) và v(t) là quá trình tĩnh khi đó
sai số ~
x (t) sẽ thực sự tiến đến trạng thái ổn định với trị trung bình và hiệp
phương sai là hằng số. Độ lợi L sẽ được chọn lựa để làm tối thiểu hiệp
phương sai cũa sai số P. Vì vậy, độ lợi tối ưu L sẽ là ma trận hằng của độ lợi
bộ quan sát
Trước khi xác định độ lợi tối ưu L, chúng ta sẽ tính toán giá trị trung bình và
hiệp phương sai của sai số ước lượng của ~ x (t). Sử dụng (3.104) và sự tuyến
tính của phép toán mong muốn:
{}
E ~x = A E{~
0 x } + γE{w} − LE {v} (3.107)
d
Vì thế x }=A 0 E{~
E {~ x} (3.108)
dt
Do đó, E {~
x }là lượng biến đổi theo thời gian tuân theo phương trình vi phân
với ma trận hệ thống A .Nếu A =A-LC là ổn định thì E {~
0 0 x }luôn bền vững
tại giá tri tĩnh zero. Khi đó
E{~x } = E{x}− E{xˆ} = E{x}− xˆ (3.109)
Theo trừơng hợp này ước lượng x̂ (t) tiến tới E{x(t)} .Như vậy ước lượng
này được cho là không lệch. Cũng như theo (3.109), giá trị trung bình của
Trang 25
sai số ban đầu ~ x (0) bằng với giá trị zero nếu như bộ quan sát (3.101) có giá
trị đầu x̂ (0)= x0 với x 0 là giá trị trung bình của x(0)
Nếu như nhiễu quá trình w(t) hoặc nhiễu đo được v(t) có giá trị trung bình
không phải là zero thì theo (3.107) giá trị E {~ x } của trạng thái tĩnh cũng
không bằng zero. Trong trường hợp này x̂ (t) không đến được ổn định tiệm
cận để đạt được trạng thái thật x(t), nhưng có được một khoảng offset bằng
giá trị hằng- E {~
x }. Khi đó trạng thái ước lượng là bị lệch.
Để xác định P, chú ý rằng lời giải phương trình (3.104) được cho :
t t
x(t)=e A0 J x(0)- ∫ e A0 (t −τ ) Lv(τ )dτ + ∫ e A0 (t −τ )γ w(τ )dτ (3.110)
0 0
Tìm ma trận tương quan chéo R v~x (t,t) và R w~x (t,t) sử dụng (3.110) và giả sử
rằng x(0) (và cả ~
x (0) ,w(t) và v(t) là trực giao).Do đó
R v~x (t,t)=E {v(t ) ~

x T (t )}=- ∫ E {v(t )v T (τ )}LT e A0 (t −τ ) dτ
t T
(3.111)
0
Chú ý rằng
R v (t, τ ) =V δ (t − τ ) (3.112)
Nhưng tích phân (3.111) có giá trị giới hạn trên là t. Xung đơn vị có thể
được biểu hiện như sau
1 t
δ (t ) = lim Π( ) (3.113)
T →0 T T
ở đây hàm xung vuông:
⎧ T
⎪ 1, t <
1 t ⎪ 2
Π( ) = ⎨ (3.114)
T T ⎪0, t ≥ T
⎪⎩ 2
được đặt tại trung tâm t = 0.
Vì vậy, ta chỉ xét một nửa vùng δ (t − τ ) tại bên trái τ =t. Do đó từ (3.111)
được suy ra:
1
R v~x (t , t ) = − VLT (3.115)
2
http://www.khvt.com
Tương tự,
{
R w~x (t , t ) = E w(t ) ~ }
x T (t )
t
= ∫ E {w(t ) wT (τ )}γ T e A0 ( t −τ ) dτ
T
hoặc
0
1
R w~x (t , t ) = Wγ T (3.116)
2
Phương trình đạo hàm cho P(t)=E ~
x~xT { }
⎧ d~
x T⎫ ⎧ d~
xT ⎫
P (t)=E ⎨ ~ x ⎬ = E ⎨~
x ⎬ (3.117)
⎩ dt ⎭ ⎩ dt ⎭
Theo (3.104) , (3.115) và (3.116) ta có :
⎧ d~
x T⎫ 1 1
E⎨ ~ x ⎬ = ( A − LC ) P + LVLT + γWγ T (3.118)
⎩ dt ⎭ 2 2
⎧ dx T ⎫ 1 1
⎬ = P ( A − LC ) + LVL + γ W γ
T T T
E ⎨ x (3.119)
⎩ dt ⎭ 2 2
Từ (3.118) và (3.119)
2 P = A0 P + PA0T + LVLT + γWγ T (3.120)
Cho bất kì L để (A-LC) là ổn định ,chúng ta giải (3.120) tìm P(t) sử dụng
điều kiện đầu là P (0) = P0 với P0 là hiệp phương sai của trạng thái đầu mà
nó tượng trưng cho tính không chắc chắn trong ước lượng đầu xˆ (0) = x0
Thực sự những độ lợi cho kết quả P(t) càng nhỏ thì càng tốt vì sai số ~ x (t)
càng gần với trị trung bình bằng 0.Do đó P(t) là thước đo chất lượng của bộ
quan sát ,và ma trận hiệp phương sai càng nhỏ thì bộ quan sát càng tốt hơn
Chúng ta nói rằng P là thước đo sự không chắc chắn trong ước lượng .
P(t) tiến tới giá trị trạng thái bền vững P khi t → ∞ ngay khi A0 là ổn định
tiệm cận.Tại trạng thái bền vững thì P = 0 , (3.121) trở thành phương trình
đại số
0= A0 P + PA0T + LVLT + γWγ T (3.121)
Trang 27
Hiệp phương sai của sai số trạng thái bền vững là ma trận bán xác định
dương được xác định từ (3.121). Để lấy độ lợi của bộ quan sát là hằng số, có
thể chọn lựa L để làm tối thiểu hoá hiệp phương sai của sai số P trạng thái
bền vững.
Ta có chỉ tiêu chất lượng (PI)
1
J= trace( P) (3.122)
2
Do đó nếu P nhỏ thì J sẽ nhỏ. Để chọn L sao cho J đạt được tối thiểu phải
thỏa mãn phương trình (3.121), xác định phương trình Hamiltonian
1 1
H= trace( P) + trace( gS ) (3.123)
2 2
Trong đó
g =A 0 P+PA T0 +LVL T + γ W γ T
(3.124)
Và S là ma trận n×n thừa số Lagrange không xác định

Để làm tối thiểu hoá J và thoả mãn g=0, điều này có thể làm tương đương là
tối thiểu H nhưng không cần điều kiện nào. Điều kiện cần thiết để tối thiểu
hóa được cho bởi
∂H
= A0 P + PA0T + LVLT + γWγ T = 0 (3.125)
∂S
∂H
= A0T S + SA0 + I = 0 (3.126)
∂P
1 ∂H
= SLV − SPC T = 0 (3.127)
2 ∂P
Nếu A 0 =A-LC là ổn định và S là xác định dương .Theo (3.127)
L=PC T V-1 (3.128)

Thay thế giá trị L vào phương trình (3.125)
( A − PC T V −1C ) P + P( A − PC T V −1C ) T + PC T V −1CP + γWγ T =0 (3.129)
hoặc
http://www.khvt.com
AP+PA T + γ W γ T -PC T V −1 CP = 0 (3.130)

Để xác định độ lợi bộ quan sát tối ưu L, chúng ta có thể giải phương trình
(3.130) tìm hiệp phương sai của sai số P và sau đó sử dụng (3.128) để tính
toán L. Phương trình ma trận toàn phương (3.130) được gọi là phương trình
Riccati đại số. Có nhiều cách giải (3.130) để tìm P.Độ lợi tối ưu L xác định
nhờ sử dụng (3.128) gọi là độ lợi Kalman và bộ quan sát được xây dựng gọi
là bộ lọc Kalman .Trạng thái bền vững ở đây chỉ đến một sự thật rằng mặc
dù độ lợi tối uu làm tối thiểu hoá P(t) là biến đổi theo thời gian, chúng ta đã
chọn lựa độ lợi tối ưu mà nó làm tổi thiểu sai số tương quan trạng thái bền
vững để đạt được độ lợi quan sát là hằng số
Bộ lọc Kalman với trạng thái bền vững là bộ ước lượng tốt nhất với các độ
lợi là hằng số. Nếu như nhiễu quá trình w(t) và nhiễu đo được v(t) là nhiễu
Gaussian nó cũng là bộ ước luợng trạng thái bền vững tối ưu cho bất kì hình
thức nào.
Ước lượng ngõ ra:
~
y (t ) = y (t ) − yˆ (t ) = y (t ) − Cxˆ (t ) (3.131)
Giả sử (C,A) là có thể quan sát được và (A, γ W ) là có thể tìm được .Khi
đó ARE tìm được ma trận xác định dương duy nhất P .Hơn nữa,sai số hệ
thống (3.104) sử dụng độ lợi kalman cho bởi (3.128) với P là ma trận xác
định dương duy nhất của ARE là ổn định tiệm cận.
Một cách chắc rằng nhiễu hệ thống sẽ giảm.Tuy nhiên vị trí thực sự rất xa
vời so với thực tế.
Tóm lại ,từ mô hình hệ thống:
x = Ax + Bu (3.132)
y=Cx (3.133)
x(0)~(x 0 ,P 0 ) , w(t) ~(0,W), v(t) ~(0,V)
w(t) và v(t) là nhiễu trắng quá trình trực giao với nhau và với x(0)
Giá trị đầu
x̂ (0)= x 0 (3.134)
Phương trình ARE của hiệp phương sai sai số
Trang 29
AP +PA T +γWγ T − PC T V −1CP = 0 (3.135)

Độ lợi Kalman
L=PC T V −1 (3.136)
Đặc tính động học ước lượng:
xˆ = Axˆ + Bu + L( y − Cxˆ ) (3.137)

Bộ lọc Kalman rất cần thiết giả sử rằng V>0 khi đó nhiễu đo sẽ làm sai lệch
tất cả tín hiệu đo. Nếu có một vài tín hiệu nhiễu tự do và bộ lọc phức tạp
được biết đến như bộ lọc Deyst được sử dụng để giải quyết vấn đề này.Hơn
nữa giả sử rằng (A, γ W ) tìm được có nghĩa là nhiễu quá trình kích thích
tất cả các trạng thái
Trong matlab sử dụng lệnh Kalman tính khâu lọc kalman liên tục từ mô
hình sys của đối tượng:
[kest,L,P] = kalman(sys,W,V[,N,sensor,known])
W,V là các ma trận hiệp phương sai mô tả đặc điểm nhiễu hệ thống và nhiễu
đo lường.
N :mặc định bằng 0
Hai vector sensor,known :chứa chỉ số của các biến ra đo được và các đầu
vào ta biết.
Kết quả tính kest :chính là mô hình trạng thái của khâu lọc Kalman
Ma trận L :ma trận bộ lọc Kalman phản hồi sai lệch quan sát.
P :là ma trận hiệp phương sai của sai lệch tĩnh
3.2.3 Giải thuật thiết kế LQG
Bộ điều chỉnh toàn phương tuyến tính (LQR) và bộ lọc Kalman được sử
dụng với nhau để thiết kế bộ điều chỉnh động. Thủ tục này được gọi là thiết
kế bộ tuyến tính toàn phương Gaussian (LQG). Điều thuận lợi quan trọng
của việc thiết kế LQG là cấu trúc của bộ điều khiển được cho bởi thủ tục.
Điều này làm cho các bộ LQG được thiết kế rất có ích cho việc điều khiển
các hệ thống hiện đại (ví dụ như điều khiển không gian và hàng không ) khi
cấu trúc bộ điều khiển không biết trước được.
http://www.khvt.com
Giả sử phương trình đo lường ngõ ra được cho bởi

x = Ax + Bu + γw (3.138)
y=Cx+v (3.139)
với x(t) ∈ R , u(t) là bộ điều khiển ngõ vào, w(t) là nhiễu quá trình, và v(t) là
nhiễu đo. Giả sử phương trình hồi tiếp trạng thái đầy đủ
u=-Kx+r (3.140)
đã được thiết kế, với r(t) là ngõ vào .Độ lợi trạng thái hồi tiếp là K được
chọn bởi một số kỹ thuật chẳng hạn như kỹ thuật LQR .Nếu phương trình
điều khiển (3.140) được thay vào (3.138) thì hệ thống điều khiển vòng kín
được tìm thấy như sau:
x = ( A − BK ) x + Br + γw (3.141)
Thiết kế hồi tiếp trạng thái đầy đủ rất được quan tâm nếu các điều kiện
được giử thì hệ thống vòng kín đảm bảo ổn định.Hơn nữa,sử dụng hồi tiếp
trạng thái tất cả các nghiệm cực của phương trình (A-BK) có thể đặt tuỳ ý
như mong muốn .Kết quả các phương trình thiết kế của hồi tiếp trạng thái
đơn giản hơn phương trình cho hồi tiếp ngõ ra . Tuy nhiên luật điều khiển
(3.138) không thể thực hiện khi tất cả các trạng thái không thể đo được.
Bây giờ bộ quan sát hoặc bộ lọc Kalman
xˆ = ( A − LC ) xˆ + Bu + Ly (3.142)
đã được thiết kế. Đó là độ lợi L của bộ lọc được tìm ra bằng những kĩ thuật
đã thảo luận cung cấp ước lượng trạng thái.Khi đó tất cả các trạng thái
không thể đo và điều khiển (3.138) không thể thực hiện trong thực tế, giả sử
rằng ước lượng hồi tiếp xˆ (t ) thay thế các trạng thái thực x(t) luật điều khiển
hồi tiếp là
u = -K x̂ +r (3.143)
Nếu K được chọn sử dụng phương trình Riccati LQR và L được chọn bởi sử
dụng phưong trình Ricati của bộ lọc Kalman.Điều này được gọi là thiết kế
LQG
Điều quan trọng của các kết quả này là trạng thái hồi tiếp của K và độ lợi
của bộ quan sát L có thể được thiết kế riêng rẽ.
Trang 31
3.2.4 Ví dụ:
Mô hình con lắc ngược:
Xét hệ thống con lắc ngược như hình sau.Con lắc ngược được gắn vào xe
kéo bởi động cơ điện.Chúng ta chỉ xét bài toán hai chiều,nghĩa là con lắc chỉ
di chuyển trong mặt phẳng.Con lắc ngược không ổn định vì nó luôn ngã
xuống trừ khi có lực tác động thích hợp.Giả sử khối lượng con lắc tập trung
ở đầu thanh như hình vẽ (khối lượng thanh không đáng kể).Lực điều khiển u
tác động vào xe.Yêu cầu của bài toán là điều khiển vị trí của xe và giữ cho
con lắc ngược luôn thẳng đứng. Bài toán điều khiển hệ con lắc ngược chính
là mô hình của bài toán điều khiển định hướng tàu vũ trụ khi được phóng
vào không gian.
y
x lsin θ
m
θ
mg
lcosθ
x
u M
Hình 3.11: Mô hình con lắc ngược

Chú thích :
M: trọng lượng xe (Kg)
l: chiều dài con lắc ngược (m)
g: Gia tốc trọng trường (m/s2)
θ : Góc giữa con lắc ngược và phương thẳng đứng (rad)
m: Trọng lượng con lắc ngược(Kg)
http://www.khvt.com
u: lực tác động vào xe (N)

x: vị trí xe (m)
Trước tiên ta hãy xây dựng mô hình toán học của hệ con lắc ngược
Gọi (xG,yG) là toạ độ của vật nặng ở đầu con lắc,ta có:
xG = x + l.sin θ
yG = l.cos θ
Áp dụng định luật II Newton cho chuyển động theo phương x,ta có:
d 2x d 2 xG
M + m =u
dt 2 dt 2
Thay xG ở biểu thức trên ta có:
d 2x d2
M + m ( x + l sin θ ) = u
dt 2 dt 2
Khai triển các đạo hàm,rút gọn ta được:
•• •2 ••
( M + m) x − ml (sin θ ) θ + ml (cos θ ) θ = u
Mặt khác, áp dụng định luật II Newton cho chuyển động quay của con lắc
quanh trục ta được:
d 2 xG d 2 yG
m l . cos θ − m (l sin θ ) = mgl sin θ
dt 2 dt 2
Thay vào ta có:
⎡ d2 ⎤ ⎡ d2 ⎤
⎢ m 2
( x + l sin θ ) ⎥ l cos θ − ⎢m 2 l cos θ ⎥l sin θ = mgl sin θ
⎣ dt ⎦ ⎣ dt ⎦
Khia triển các đạo hàm ở biểu thức trên và rút gọn ta được:
•• ••
m x cos θ + ml θ = mgl sin θ
•2
u + ml (sin θ ) θ − mg cos θ sin θ
••
⇒x=
M − m − m(cos θ ) 2
•
•• u cos θ − ( M + m) g (sin θ ) + ml (cos θ sin θ ) θ
θ=
ml (cos θ ) 2 − ( M + m)l
Chúng ta sẽ viết chương trình mô phỏng đặc tính động của đối tượng
Chúng ta thấy rằng hệ con lắc ngược là hệ phi tuyến , để có thể điều khiển
hệ con lắc ngược bằng phương pháp LQG chúng ta cần mô hình tuyến
Trang 33
tính.Giả sử góc θ nhỏ để chúng ta có thể xấp xỉ sin θ bằng 0,cos θ bằng 1
•2
và cũng giả sử θ nhỏ để θ θ ≈ 0 .Với các điều kiện trên,chúng ta có thể
tuyến tình hoá các phương trình phi tuyến:
•• ••
( M + m) x + ml θ = u
•• ••
m x + ml θ = mgθ
⎧ x1 = θ
⎪ •
⎪⎪ x 2 = θ
Đặt các biến trạng thái: ⎨ (3.144)
⎪ x 3 = x
⎪ •
⎪⎩ x 4 = x
Kết hợp với hai phương trình trên ta suy ra hệ phương trình biến trạng thái
như sau:
⎧•
⎪ x1 = x 2
⎪• M +m 1
⎪x 2 = gx1 − u
⎪ Ml Ml
⎨• (3.145)
⎪ x 3 = x4
⎪
⎪ x• = − m gx + 1 u
⎪⎩ 4 Ml
1
M
Viết lại dưới dạng ma trận
⎡ D ⎤ ⎡0 1 0 0⎤ ⎡0 ⎤
⎢ x1 ⎥ ⎢ M + m ⎥ ⎡ x1 ⎤ ⎢ 1 ⎥
⎢• ⎥ ⎢ g 0 0 0 ⎥ ⎢ ⎥ ⎢− ⎥
⎢ x 2 ⎥ = ⎢ Ml ⎥ ⎢ x 2 ⎥ + ⎢ Ml ⎥ u (3.146)
⎢• ⎥ ⎢ 0 0 0 1 ⎥ ⎢ x 3 ⎥ ⎢0 ⎥
⎢x3 ⎥ ⎢ ⎥⎢ ⎥ ⎢ ⎥
⎢ • ⎥ ⎢− m g 0 0 0⎥⎥ ⎣ x4 ⎦ ⎢ 1 ⎥
⎢⎣ x 4 ⎥⎦ ⎢⎣ M ⎦ ⎢⎣ M ⎥⎦
Phương trình ở ngõ ra,chúng ta giả sử hai trường hợp:
⎡1 0 0 0 ⎤ ⎡ x1 ⎤
⎢0 ⎢ ⎥
1 0 0 ⎥⎥ ⎢ x 2 ⎥
y=⎢ (3.147)
⎢0 0 1 0 ⎥ ⎢ x3 ⎥
⎢ ⎥⎢ ⎥
⎣0 0 0 1 ⎦ ⎣ x4 ⎦
http://www.khvt.com
Nếu chỉ đo được hai biến trạng thái(vị trí x và góc lệch θ )thì :
⎡ x1 ⎤
⎢ ⎥
⎡1 0 0 0⎤ ⎢ x 2 ⎥
y=⎢ ⎥ (3.148)
⎣0 0 1 0⎦ ⎢ x 3 ⎥
⎢ ⎥
⎣ x4 ⎦
Chúng ta sẽ khảo sát hệ con lắc ngược có các thông số nhưsau:M=1kg,l=1m
Lấy giá trị gia tốc trọng trường g=9.8m/s2
Phương trình (3.146) trở thành:
⎡• ⎤
⎢ x 1 ⎥ ⎡0 1 0 0 ⎤ ⎡ x1 ⎤ ⎡0 ⎤
⎢• ⎥ ⎢ ⎢ ⎥
⎢ x 2 ⎥ = ⎢ 10.78 0 0 0 ⎥⎥ ⎢ x 2 ⎥ ⎢⎢− 1⎥⎥
⎢ • ⎥ ⎢0 + u (3.149)
0 0 1 ⎥ ⎢ x 3 ⎥ ⎢0 ⎥
⎢x3 ⎥ ⎢ ⎥⎢ ⎥ ⎢ ⎥
⎢ • ⎥ ⎣− 0.98 0 0 0 ⎦ ⎣ x 4 ⎦ ⎣1 ⎦
⎢⎣ x 4 ⎥⎦
Thiết kế LQG:
Lọc Kalman:
- Bộ quan sát:
Nếu không có đường phản hồi qua L thì ~ x không tiệm cận về x được vì
~
vậy L được chọn sao cho x ¼x
Bộ quan sát được thiết kế theo giả thuyết
Giả sử ta có hệ thống:
⎧⎪ •
x = Ax + Bu + γω ω ,ν : nhiễu (3.150)
⎨
⎪⎩ y = Cx + ν
v, ω là các nhiễu trắng có phân bố gaussian với

{ }
E ν .ν T = V > 0
E {ω.ω } = W > 0
T
{ }
E ν .ω T = 0 ⇒ ν , ω độc lập nhau
Bộ quan sát có phương trình trạng thái:
⎧ xˆ = Axˆ + Bu + L( y − yˆ )
⎨ (3.151)
⎩ yˆ = Cxˆ
Trang 35
u •
x = Α x + Bu + γω
y
y = Cx + Du + v
- +
+
B
+ ∫ C
+ ∧
y
Hình 3.12 Bộ lọc Kalman
~
x = x − xˆ ⇒ ~x = A~
x + γω − L(Cx + ν − Cxˆ )
⇒~ x = A~x + γω − L(C~x −ν ) (3.152)
⇒~
x = ( A − LC ) ~
x + γω − Lν
Lọc Kalman được xây dựng trên cơ sở:xác định L sao cho kỳ vọng toán
{ }
E x T x cực tiểu.
⇒ L = PC T V −1 (3.153)
Trong đó P là nghiệm của phương trình Riccati
PAT + AP + γWγ T − PC T V −1CP = 0
W = E{w.wT } (3.154)
V = E{v.v }
T
Bộ điều khiển LQG (Linear Quard Gaussian):

Trong bộ điều khiển LQ ta hồi tiếp trạng thái tuy nhiên trong thực tế nhiều
khi ta phải quan sát để lấy được biến trạng thái ước lượng (do không đo
được) và hồi tiếp trạng thái ước lượng => LQG
http://www.khvt.com
•
u x = Ax + Bu + γω y
y = Cx
-
- +
B
+
∫ C
+ -
+
Kc
Hình 3.13: Bộ điều khiển LQG
Điều khiển LQG là kết hợp điều khiển LQR với lọc Kalman .
Bước 1:Thiết kế điều khiển LQR=>KC
Bước 2:Thiết kế bộ lọc Kalman =>L
3.3 Điều khiển bền vững H∞

3.3.1 Biểu Đồ Bode Đa Biến (Multivariable Bode Plot)
Biên độ của ma trận hàm truyền toàn phương H(jω) tại bất kỳ một tần số
jω nào, phụ thuộc vào hướng tín hiệu kích thích đầu vào.Biên độ của ma
trận hàm truyền H( jω ) được bao phía trên bởi giá trị suy biến cực đại, kí
hiệu σ ( H ( jω )) , phía dưới bởi giá trị suy biến cực tiểu của nó, kí hiệu
σ ( H ( jω )) . Chính vì vậy,chúng ta cần tính toán hai giá trị ràng buộc này.
Ví dụ: Biểu Đồ Bode Biên Độ Hệ MIMO:
Giả sử hệ thống đa biến:
Trang 37
⎡− 1 − 2 0 0⎤ ⎡1 0⎤
⎢ 2 −1 0 0⎥⎥ ⎢0 0⎥⎥
x = ⎢ x+⎢ u = Ax + bu
⎢0 0 − 3 − 8⎥ ⎢0 1⎥
⎢ ⎥ ⎢ ⎥
⎣0 0 8 − 3⎦ ⎣0 0⎦ (3.155)
⎡1 0 0 0⎤
y=⎢ ⎥ x = Cx ,
⎣0 0 0 0 ⎦
có hàm truyền hệ MIMO 2 × 2 là:
H ( s ) = C ( sI − A) −1 B = N ( s ) D −1 ( s )
Với: D( s ) = s 4 + 8s 3 + 90s 2 + 176s + 165
⎡1 0⎤ 3 ⎡7 0⎤ 2 ⎡79 0 ⎤ ⎡73 0 ⎤
N ( s) = ⎢ ⎥ s + ⎢0 5⎥ s + ⎢ 0 15⎥ s + ⎢ 0 15⎥ .
⎣ 0 1 ⎦ ⎣ ⎦ ⎣ ⎦ ⎣ ⎦
Hàm H(s) là ma trận 2 × 2 , nó có hai giá trị suy biến. Chú ý rằng giá trị suy
biến là liên tục, ngọai trừ gía trị suy biến cực đại và cực tiểu. Những giá trị
suy biến có thể giao nhau , được minh chứng bằng hình học.
Hình 3.14 Biểu Đồ Bode Biên độ hệ MIMO của giá trị suy biến trong
miền tần số
Trong Malab dùng hàm sigma(H)
http://www.khvt.com
Để minh họa sự khác biệt giữa đồ thị trị suy biến hệ MIMO và giản đồ
Bode hệ SISO riêng biệt, xét hệ thống sau. Hàm truyền của hệ thống này là
ma trận vuông có hạng 2. Hàm truyền hệ SISO riêng biệt trong hệ thống
vòng hở 2 ngõ vào/2 ngõ ra là:
14.8
H11 ( s ) =
s ( s + 0.0163)( s + 3.615)( s + 20.2)
− 36.9 s ( s + 2.237)[( s + 0.55) 2 + 2.49 2 ]
H12 ( s ) =
( s + 0.0163)( s + 1)( s + 3.615)( s + 20.2)[( s + 0.4225) 2 + 3.0632 ]
− 2.65s ( s + 2.573)( s − 2.283)
H 21 ( s) =
s( s + 0.0163)( s + 3.615)( s + 20.2)[(s + 0.4225) 2 + 3.0632 ]
− 0.79[( s + 0.139) 2 + 0.4462 ]
H 22 ( s ) =
( s + 0.0163)( s + 1)( s + 3.615)( s + 20.2)[( s + 0.4225) 2 + 3.0632 ]
Hình 3.15: Biểu đồ Bode Biên Độ hệ thống SISO

Mặc khác, hình 3.14 là các giá trị trị suy biến của hệ đa biến. Chú ý rằng,
theo đồ thị này không thể dễ dàng bằng trực quan tức thời nhận thấy cách
liên kết hệ SISO .Những đường bao bảo đảm sự bền vững đựơc đưa ra trong
hệ thống hệ MIMO dưới dạng giá trị trị suy biến cực tiểu là lớn tại tần số
thấp ( cho chất lượng bền vững) và giá trị trị suy biến cực đại là nhỏ tại tần
số cao (cho ổn định bền vững )..
Trang 39
Hình 3.16:Các giá trị trị suy biến của hệ thống

3.3.2 Hàm nhạy và hàm bù nhạy
Khảo sát đặc tính của hệ thống hồi tiếp điển hình, từ đó đưa ra ý tưởng thiết
kế thỏa hiệp giữa mục tiêu chất lượng và điều khiển bền vững nhằm thỏa
mãn các yêu cầu thiết kế.
Xét hệ thống hồi tiếp âm như hình 3.17, trong đó d i là nhiễu đầu vào, d là
nhiễu đầu ra, n là nhiễu đo.
di d
e u + uG +
r G y
K̂
-
+
n
Hình 3.17: Sơ đồ hệ thống hồi tiếp âm
Lưu ý: Để liên hệ với phần lý thuyết điều khiển kinh điển, trong mục này ta
phân tích sơ đồ điều khiển hồi tiếp âm, với bộ điều khiển là K̂ ( K̂ = -K ở mô
hình hồi tiếp dương)
http://www.khvt.com
Các quan hệ truyền đạt của hệ thống vòng kín được thể hiện qua các biểu
thức sau:
GKˆ GKˆ G 1
y= r− n+ di + d
1 + GKˆ 1 + GKˆ 1 + GKˆ 1 + GKˆ
Kˆ Kˆ GKˆ Kˆ
u= r− n− di − d
1 + GKˆ 1 + GKˆ 1 + GKˆ 1 + GKˆ
Kˆ Kˆ 1 Kˆ
uG = r− n+ di − d
1 + GKˆ 1 + GKˆ 1 + GKˆ 1 + GKˆ
1 1 G 1
e= r− n− di − d
1 + GKˆ 1 + GKˆ 1 + GKˆ 1 + GKˆ
Định nghĩa các hàm nhạy, hàm bù nhạy và độ lợi vòng như sau:
1
- Hàm nhạy : S =
1 + GKˆ
GKˆ
- Hàm bù nhạy : T =
1 + GKˆ
- Độ lợi vòng: L = GKˆ
Các đẳng thức trên được viết gọn lại:
y = Tr − Tn + GSdi + Sd (3.156)
u = Kˆ Sr − Kˆ Sn − Td i − Kˆ Sd (3.157)
ˆ − KSn
uG = KSr ˆ + Sd − KSd
ˆ (3.158)
i
e = Sr − Sn − GSdi − Sd (3.159)
Từ (3.156) – (3.159), ta có thể rút ra các mục tiêu chất lượng của hệ thống
vòng kín.Từ phương trình (3.156) ta thấy rằng:
- Để giảm ảnh hưởng của nhiễu đầu ra d lên đầu ra y, hàm nhạy S cần phải
nhỏ.
Trang 41
- Để giảm ảnh hưởng của nhiễu đo n lên đầu ra y, hàm bù nhạy T cần phải
nhỏ. Tương tự, từ phương trình (3.158), để làm giảm ảnh hưởng của nhiễu
đầu vào di, hàm nhạy S cần phải nhỏ.
Nhưng từ định nghĩa ,hàm nhạy và hàm bù nhạy có quan hệ ràng buộc như
sau:
S+T=1 (3.160)
Do đó, S và T không thể đồng thời nhỏ. Để giải quyết mâu thuẫn này,
người ta dựa vào đặc tính tần số của các tín hiệu nhiễu. Nhiễu tải d, di tập
trung chủ yếu ở vùng tần số thấp, còn nhiễu đo n tập trung chủ yếu ở vùng
tần số cao.
Như vậy, để hệ ít bị ảnh hưởng bởi d, thì S và GS cần phải nhỏ trong
vùng tần số mà d tập trung, cụ thể là vùng tần số thấp. Tương tự, điều kiện
để hệ ít nhạy đối với nhiễu di là |S| và | Kˆ S | nhỏ trong vùng tần số mà di tập
trung, cụ thể là vùng tần số thấp.
Ta có:
| GKˆ | −1 ≤ | 1 + GKˆ | ≤ | GKˆ | +1
Suy ra:
1 1 1
≤ ≤ , nếu | GKˆ |>1
| GKˆ | +1 1 + GKˆ ˆ
| GK | −1
hay:
1 1
≤ S ≤ ,nếu L >1
L +1 L −1
Từ đó, ta thấy:
S <<1 ⇔ L >>1
Hơn nữa, nếu L >> 1, thì:
http://www.khvt.com
G 1
GS = ≈
1 + GKˆ | Kˆ |
Kˆ 1
| Kˆ S | = ≈
1 + GKˆ G
Như vậy, đối với đầu ra y:

- Để giảm thiểu ảnh hưởng của d, độ lợi vòng L phải lớn (nghĩa là |L|>> 1)
trong vùng tần số mà d tập trung;
- Để giảm thiểu ảnh hưởng của di, biên độ bộ điều khiển phải đủ lớn K̂ >> 1
trong vùng tần số mà di tập trung.
Tương tự, đối với đầu vào (u G )
- Để giảm thiểu ảnh hưởng của di, L phải lớn (nghĩa là |L|>> 1) trong vùng
tần số mà di tập trung.
- Để giảm thiểu ảnh hưởng của d, biên độ đối tượng (không thay đổi được
trong thiết kế điều khiển) phải đủ lớn (|G|>> 1) trong vùng tần số mà d tập
trung.
Tóm lại, một trong những mục tiêu thiết kế là độ lợi vòng (và cả độ lợi của
bộ điều khiển, nếu được) phải lớn trong vùng tần số mà d và di tập trung, cụ
thể là vùng tần số thấp.
Sau đây, ta xét ảnh hưởng của sai lệch mô hình lên hệ thống hồi tiếp. Giả
sử mô hình đối tượng có sai số nhân là (I + Δ )G, với Δ ổn định, và hệ
thống kín ổn định danh định (ổn định khi Δ =0). Hệ thống kín có sai số mô
hình sẽ ổn định nếu:
⎡ ⎛ ΔGKˆ ⎞⎤
det (1 + (1 + Δ )GKˆ )=det ⎢(1 + GKˆ )⎜⎜1 + ⎟⎥ =det(1+ GKˆ )det(1+ ΔT )
⎟
⎢⎣ ˆ
⎝ 1 + GK ⎠⎥⎦
không có nghiệm ở nửa phải mặt phẳng phức. Ta thấy rằng, điều này sẽ
được thỏa nếu như ΔT đủ nhỏ, hay |T| phải nhỏ ở vùng tần số mà Δ tập
trung, cụ thể là vùng tần số cao.
Trang 43
Để ý rằng, nếu |L| rất lớn thì |T| ≈ 1 và |S| ≈ 0. Do đó, từ (3.156) ta thấy
nếu như L( jω ) lớn ở trong một dải tần số rộng, thì nhiễu đo n cũng sẽ
truyền qua hệ thống trong vùng tần số đó, nghĩa là:
y= Tr − Tn + GSd i + Sd ≈ (r - n)
vì rằng nhiễu đo n tập trung chủ yếu ở vùng tần số cao. Hơn nữa, nếu độ lợi
vòng lớn ở ngoài vùng băng thông của G, nghĩa là L( jω ) >>1 trong khi
G ( jω ) <<1, thì có thể làm cho tín hiệu điều khiển quá lớn, gây bão hòa ở
cơ cấu chấp hành. Điều này có thể được lý giải từ (3.157) như sau:
1
u= Kˆ S (r − n − d ) − Td i ≈ (r − n − d ) − d i
|G|
Phương trình trên cho thấy nhiễu tải và nhiễu đo sẽ được khuyếch đại lên
khi mà vùng tần số mà nó tập trung vượt ra ngoài phạm vi băng thông của
1
G, vì đối với dải tần số mà G ( jω ) <<1 thì >>1.
G ( jω )
Tương tự, biên độ của bộ điều khiển, | K̂ |, không được quá lớn trong vùng
tần số mà độ lợi vòng nhỏ nhằm tránh làm bão hòa cơ cấu chấp hành. Vì lẽ
khi độ lợi vòng nhỏ ( L( jω ) <<1), thì
u= Kˆ S (r − n − d ) − Ti d i = Kˆ (r − n − d )
Do đó, một điều cần lưu ý khi thiết kế là | K̂ | không được lớn quá khi độ lợi
vòng nhỏ.
Từ những điều trình bày ở trên, ta tổng kết lại các ý tưởng thiết kế sau đây:
- Để đảm bảo mục tiêu chất lượng trong một vùng tần số nào đó, cụ thể là
vùng tần số thấp (0, ω l ), hệ thống cần phải có:
| GKˆ |>> 1 , | Kˆ | >>1

- Để đảm bảo tính bền vững và có khả năng triệt nhiễu đo tốt trong một
vùng tần số nào đó, cụ thể là vùng tần số cao ( ω h , ∞ ),hệ thống cần phải có :
| GKˆ |<< 1 , | Kˆ |≤ M
http://www.khvt.com
trong đó M có trị số không quá lớn.

Những ý tưởng thiết kế này được minh họa trong hình 3.18. Những tần số
ω l , ω h được xác định tùy thuộc vào từng ứng dụng cụ thể, và những thông
tin về đặc tính của nhiễu tải, nhiễu đo, sai lệch mô hình.
L
log ω
ωc
ωl ωh
Hình 3.18: Độ lợi vòng và các ràng buộc tần số thấp và tần số cao.
Những điều phân tích trên đây là cơ sở cho một kỹ thuật thiết kế điều khiển:
đó là nắn dạng vòng (loop shaping). Mục tiêu nắn dạng vòng là tìm ra một
bộ điều khiển sao cho độ lợi vòng |L| tránh được các vùng giới hạn (xem
hình 3.18) chỉ định bởi các điều kiện về chất lượng và bền vững.
3.3.3 Thiết kế bền vững H∞

3.3.3.1 Mô tả không gian H∞ và RH∞
Không gian vector Hardy có chuẩn vô cùng, ký hiệu là H∞, là không gian
các hàm phức G(s) của biến phức s (s ∈C) mà trong nửa hở mặt phẳng phức
bên phải (miền có phần thực của biến s lớn hơn 0) thỏa mãn:
- là hàm giải tích (phân tích được thành chuỗi lũy thừa), và
- bị chặn, tức tồn tại giá trị M dương nào đó để G ( s ) ≤ M có phần thực
dương.
Trang 45
Tập con đặc biệt của H∞ mà trong điều khiển bền vững rất được quan tâm là
tập hợp gồm các hàm G(s) thực - hữu tỷ (real-rational) thuộc H∞, tức là các
hàm hữu tỷ phức G(s)∈ H∞ với các hệ số là những số thực dạng
b0 + b1 s + " + bm s m
G ( s) =
1 + a1 s + " + an s n
trong đó ai,bj ∈ R, ký hiệu là RH∞.
Trong lý thuyết hàm phức, người ta chỉ ra được rằng: một hàm thực – hữu tỷ
G(s) bất kỳ sẽ thuộc RH∞ khi và chỉ khi
- lim G ( s ) < ∞ , hay G (∞) bị chặn (khi m≤n),được gọi là hàm hợp thức và
s →∞
- G(s) không có cực trên nửa kín mặt phẳng phức bên phải. Nói cách khác
G(s) không có điểm cực với Re(s) ≥ 0.Một hàm G(s) có tính chất như vậy
gọi là hàm bền.
Nếu hàm truyền hợp thức G(s) không những ở nửa hở bên phải mặt phẳng
phức bị chặn khi s → ∞ mà còn thỏa mãn (khi m<n)
lim | G ( s ) |= 0
s →∞
Chuẩn H∞ của một hệ thống SISO G(s) ∈ RH∞ được định nghĩa như sau:
G ∞
= sup { G ( jω ) } (3.161)
ω
Như vậy, chuẩn vô cùng G ∞

chính là khoảng cách lớn nhất từ tâm tọa độ
mặt phẳng phức tới một điểm trên đường đặc tính tần biên – pha của G(jω).
3.3.3.2 Sai số mô hình phân tích coprime

Phần này trình bày một số kết quả về phân tích coprime bên trái LCF (Left
Coprime Factorization). Ta cũng có thể suy ra kết quả tương tự đối với
phân tích coprime bên phải nhờ vào tính đối ngẫu.
Định nghĩa 1:
Các ma trận hàm truyền đạt N , M
∈ RH∞ tạo thành một phân tích coprime
bên trái của G nếu và chỉ nếu:
vuông, và det( M
a. M )≠0 (3.162)
http://www.khvt.com
−1 N
b. G = M (3.163)
c.∃ V, U ∈ RH∞ sao cho: + NU
MV =I (3.164)
Định nghĩa 2:
Nếu N , M
là phân tích coprime bên trái của G đồng thời thỏa:
∗ + MM
NN ∗=I (3.165)
thì được gọi là phân tích coprime bên trái chuẩn.
Một đối tượng G có thể có vô số phân tích coprime bên trái, nhưng chỉ có
một phân tích coprime bên trái chuẩn
Xác định phân tích coprime bên trái chuẩn
Phân tích coprime bên trái chuẩn có thể được xác định từ mô hình trạng thái
của G và nghiệm của phương trình Riccati. Giả sử A, B, C, D là mô hình
trạng thái của G, ký hiệu là:
⎡A B⎤
G=⎢ ⎥ (3.166)
⎣C D ⎦
trong đó: G ( s ) = C ( sI − A) −1 B + D . Để xác định phân tích coprime bên trái,
trước tiên ta cần phải tìm nghiệm của phương trình Riccati sau:
( A − BD∗ R −1C ) Z + Z ( A − BD∗ R −1C )∗ − ZC ∗ S −1CZ + B ( I − D∗ R −1 D) B ∗ = 0
(3.167)
trong đó R ≡ I + DD . Phương trình này có tên là Phương trình Riccati lọc
*
tổng quát (GFARE – Generalized Filter Algebraic Riccati Equation). Sau đó

áp dụng định lí 3.3 để tính N , M .
Định lý 3.3:
⎡A B⎤
Cho G = ⎢ ⎥ . Phân tích coprime bên trái chuẩn của G được xác định
⎣C D ⎦
như sau:
⎡ A + HC B + HD ⎤ ⎡ A + HC H ⎤
N = ⎢ −1 2 ⎥ = ⎢ −1 2
; M (3.168)
⎣ R C
−1 2
R D⎦ ⎣ R C R −1 2 ⎥⎦
Trang 47
trong đó Z là nghiệm xác định dương duy nhất của GFARE, R = I + DD∗ ,
và H = −( ZC ∗ + BD∗ ) R −1 .
Sai số mô hình phân tích coprime bên trái
Sau đây, ta định nghĩa sai số mô hình phân tích coprime bên trái. Giả sử G
là mô hình đối tượng, ( N , M
) là một phân tích coprime bên trái của G. Hệ
có sai số mô hình phân tích coprime bên trái chuẩn được định nghĩa như
sau:
+ Δ ) −1 ( N + Δ )
GΔ = ( M (3.169)
M N
trong đó ΔN, ΔM ∈ RH∞ là các hàm truyền chưa biết thể hiện phần sai số
trong mô hình danh định. Họ mô hình có sai số là một tập Gε định nghĩa
như sau:
{ + Δ ) −1 ( N + Δ ) :
Gε = ( M M N [ΔM , Δ N ] ∞
<ε } (3.170)
ΔN ΔM
+ -
N −1
M
+ +
Hình 3.19: Biểu diễn sai số mô hình phân tích coprime bên trái
Mục tiêu của điều khiển bền vững là tìm bộ điều khiển K ổn định hóa không
chỉ mô hình danh định G, mà cả họ mô hình Gε .
Ưu điểm của cách biểu diễn sai số mô hình trên đây so với biểu diễn sai số
cộng và sai số nhân là số cực không ổn định có thể thay đổi do tác động của
sai số mô hình
http://www.khvt.com
3.3.3.3 Bài toán ổn định bền vững H∞:

Xét hệ hồi tiếp hình 3.20
ΔN ΔM
+
u +
w N −1
M
+ +
+
K + d
y
Hình 3.20: Sơ đồ phân tích ổn định bền vững với mô hình có sai số LCF
Định lý 3.4:
G=M −1 N là mô hình danh định; G = ( M + Δ ) −1 ( N + Δ ) là mô hình

Δ M N
có sai số; ( M , N ) là phân tích coprime bên trái của G; M , N , Δ , Δ

M N
∈ RH∞. Hệ ổn định bền vững với mọi Δ [ΔM ΔN ] thỏa

[ΔM ΔN ] ∞
< 1 γ nếu và chỉ nếu:
a.Hệ (G, K) ổn định nội, và
⎡K ⎤ −1
b. ⎢ ⎥ ( I − GK ) −1 M ≤γ (3.171)
⎣I⎦ ∞
Định lý 3.4 có thể phát biểu một cách tương đương dưới dạng một bài toán
tối ưu như sau:
Định lý 3.5:
+ Δ ) −1 ( N + Δ ) , với
Đối tượng GΔ = ( M M N [ΔM ΔN ] ∞
< 1 γ , ổn định
hóa bền vững được nếu và chỉ nếu:
Trang 49
⎡K ⎤ −1
inf ⎢ ⎥ ( I − GK ) −1 M ≤γ (3.172)
K I
⎣ ⎦ ∞
trong đó infimum được thực hiện trong tất cả các bộ điều khiển K ổn định
hóa G.
Bài toán ổn định bền vững

Cho trước giá trị γ, tìm bộ điều khiển K (nếu tồn tại) ổn định hóa đối tượng
danh định G, và thỏa:
⎡K ⎤ −1 −1
⎢ I ⎥ ( I − GK ) M ≤γ (3.173)
⎣ ⎦ ∞
trong đó ( N , M
) là phân tích coprime bên trái của G. Và theo định lý 3.4,
nếu tìm được bộ điều khiển K, thì K sẽ ổn định hóa đối tượng có sai số GΔ,
với Δ = [ Δ M Δ N ] ∞ < 1 γ .
Nếu phát biểu dưới dạng một bài toán tối ưu H∞ (đối với hệ thống hình 3.20)
thì ta có bài toán tối ưu H∞ như sau:
Bài toán tối ưu H∞
Tìm bộ điều khiển K (nếu tồn tại) ổn định hóa đối tượng danh định G và
cực tiểu hóa chuẩn H∞ sau đây:
⎡K ⎤ −1 −1
⎢ I ⎥ ( I − GK ) M (3.174)
⎣ ⎦ ∞
trong đó ( N , M
) là phân tích coprime bên trái của G.
Bài toán tối ưu H∞ phức tạp ở chỗ phải thực hiện cực tiểu hóa chuẩn (3.174)
trong điều kiện tồn tại bộ điều khiển K ổn định hóa hệ thống. Để giải quyết
vấn đề này, thông thường người ta giải bài toán ổn định bền vững với một
giá trị γ cho trước, rồi sau đó thực hiện quá trình lặp γ để tìm giá trị γmin.
Glover và McFarlane đã sử dụng bài toán mở rộng Nehari (Nehari
extension problem), và dạng phân tích coprime chuẩn của mô hình đối
tượng để tìm ra lời giải không gian trạng thái cho bài toán tối ưu H∞ mà
không cần phải thực hiện quá trình lặp γ để tìm γmin. Hơn nữa, từ cách tiếp
http://www.khvt.com
cận này, tác giả có thể tính được độ dự trữ ổn định cực đại εmax ( = 1 γ min )
một cách chính xác.
Phần sau đây chỉ trình bày một số kết quả chính mà Glover và McFarlane đã
thực hiện.
Định lý 3.6: Bộ điều khiển K ổn định hóa hệ thống và thỏa
⎡K ⎤ −1 −1
⎢ I ⎥ ( I − GK ) M ≤γ (3.175)
⎣ ⎦ ∞
nếu và chỉ nếu K có một phân tích coprime bên phải: K = UV −1 với U, V ∈
RH∞ thỏa
⎡ − N ∗ ⎤ ⎡U ⎤
≤ (1 − γ −2 )
12
⎢ ∗ ⎥+⎢ ⎥ (3.176)
⎣ M ⎦ ⎣V ⎦ ∞
Định lý 3.7:
a. Lời giải tối ưu của bài toán ổn định bền vững đối với mô hình phân tích
coprime bên trái chuẩn cho kết quả:
{ }
−1 2
⎡K ⎤ −1
2
inf ⎢ ⎥ ( I − GK ) −1 M = 1 − ⎣⎡ N ⎤
M ⎦ (3.177)
K
⎣I⎦ ∞
H
trong đó infimum được thực hiện trong tất cả các bộ điều khiển ổn định hóa
hệ thống.
b. Độ dự trữ ổn định cực đại là
{ }
2 −1 2
ε max = 1 − ⎡⎣ N ⎤
M ⎦ >0 (3.178)
H
c. Các bộ điều khiển tối ưu đều có dạng: K = UV −1 , với U, V ∈ RH∞ thỏa
⎡ − N ∗ ⎤ ⎡U ⎤
⎢ ∗ ⎥+⎢ ⎥ = ⎡⎣ N ⎤
M ⎦ (3.179)
⎣ M ⎦ ⎣V ⎦ ∞
H
Các định lý trên cho ta những nhận xét sau:

- Độ dự trữ ổn định cực đại có thể được tính trực tiếp từ công thức (3.178)
Trang 51
- Việc xác định bộ điều khiển tối ưu H∞ có thể được thực hiện thông qua bài
toán mở rộng Nehari (Nehari extension).
Bài toán tối ưu con
Độ dự trữ ổn định cực đại cho ta một cận dưới của γ, đó là γmin = 1/εmax.
Việc giải bài toán tối ưu H∞ với γ > γmin cho kết quả là một tập các bộ điều
khiển ổn định hóa K sao cho
⎡K ⎤ −1 −1
⎢ I ⎥ ( I − GK ) M ≤γ (3.180)
⎣ ⎦ ∞
Đây chính là bài toán tối ưu con (suboptimal problem). Lời giải dạng không
gian trạng thái của bài toán này được xác định theo các bước như sau :
Bước 1: Giải hai phương trình Riccati GCARE và GFARE.
Phương trình GCARE (Generalized Control Algebraic Riccati Equation)
có dạng:
( A − BS −1 D∗C )∗ X + X ( A − BS −1 D∗C ) − XBS −1 B ∗ X + C ∗ ( I − DS −1 D∗ )C = 0
(3.181)
trong đó: S = I + D ∗ D .
Phương trình GFARE là phương trình trình bày ở trên.
( A − BD∗ R −1C ) Z + Z ( A − BD∗ R −1C )∗ − ZC ∗ S −1CZ + B ( I − D∗ R −1 D) B ∗ = 0
trong đó R = I + DD ∗ .
Bước 2: Tính giá trị γ nhỏ nhất có thể đạt được.
γ min = (1 + λmax ( ZX ))1 2
trong đó λmax ( • ) là trị riêng lớn nhất, X và Z lần lượt là nghiệm của
GCARE và GFARE.
Bước 3: Chọn γ > γ min . Thông thường, chọn γ lớn hơn γmin một chút; chẳng
hạn, γ = 1.05γ min .
Bước 4: Bộ điều khiển trung tâm có biểu diễn trạng thái được xác định như
sau
http://www.khvt.com
⎡ A + BF + γ 2W1∗−1 ZC ∗ (C + DF ) γ 2W1∗−1 ZC ∗ ⎤
K0 = ⎢ ⎥ (3.182)
⎣⎢ B∗ X − D∗ ⎦⎥
trong đó X và Z là lần lượt là nghiệm của các phương trình GCARE và
GFARE,
F = − S −1 ( D∗C + B ∗ X ) , và W1 = I + ( XZ − γ 2 I ) .
Công thức tính γ min ở bước 2 được dẫn ra từ công thức (3.177) trong định lý
3.7. Nếu ( N , M
) coprime bên trái chuẩn thì ⎡ N M
⎣
⎤
⎦ có thể được
H
xác định từ nghiệm của hai phương trình Riccati GCARE và GFARE như
sau:
= λmax ( XZ ( I + ZX ) −1 )
2
⎡⎣ N ⎤
M ⎦ (3.183)
H
Từ đó ta suy ra giá trị γmin:

γ min = ε max
−1
= (1 + λmax ( ZX ))1 2
Đây chính là công thức tính γ min ở bước 2.

Ta thấy rằng đối với bài toán ổn định bền vững cho mô hình phân tích
coprime bên trái chuẩn, ta chỉ cần tìm nghiệm của các phương trình GFARE
và GCARE là đủ để tính được giá trị γ min mà không cần phải thực hiện thủ
tục lặp γ.
Trong bước 3, ta chọn γ > γ min nhằm để bảo đảm sự tồn tại của bộ điều
khiển có khả năng ổn định hóa hệ thống.
Trong trường hợp bài toán tối ưu, γ = γ min , thì ma trận W1 trong (3.182) suy
biến. Và do đó, (3.182) sẽ không áp dụng được. Tuy nhiên nếu ta chọn γ
gần γ min (ví dụ γ = 1.05 γ min ) thì kết quả bài toán tối ưu con và bài toán tối
ưu sẽ khác nhau không đáng kể.
3.3.4 Nắn dạng vòng H∞

3.3.4.1 Thủ tục thiết kế nắn dạng vòng H ∞ :
(LSDP – Loop Shaping Design Procedure)
Trang 53
Nắn dạng vòng H ∞ ( H ∞ loop shaping) là một kỹ thuật thiết kế do

McFarlane và Glover đề xuất năm 1988. Kỹ thuật thiết kế này kết hợp ý
tưởng nắn dạng vòng (phần hàm nhạy và hàm bù nhạy) và bài toán ổn định
bền vững H ∞ . Nắn dạng vòng thực hiện sự thỏa hiệp giữa mục tiêu chất
lượng và mục tiêu ổn định bền vững, trong khi bài toán tối ưu H ∞ đảm bảo
tính ổn định nội cho hệ vòng kín.
Kỹ thuật thiết kế gồm hai phần chính:
a. Nắn dạng vòng: chỉ định dạng hàm truyền hở của đối tượng danh định.
b. Ổn định bền vững H ∞ : giải bài toán ổn định bền vững H ∞ dạng phân
tích coprime cho đối tượng đã được nắn dạng ở trên.
Thủ tục thiết kế nắn dạng vòng (LSDP)
Giả sử mô hình danh định của đối tượng G, bộ điều khiển cần tìm là K
Bước 1: Chọn các hàm nắn dạng W1,W2. Tính Gs: Gs = W2GW1.
(Lưu ý là chọn W1,W2 sao cho GS không chứa các chế độ ẩn (zero – cực
không ổn định khử nhau))
Bước 2: Tìm nghiệm Xs,Zs của GCARE và GFARE ứng với GS.
Tính γ min = (1 + λ max (Z S X S )) , trong đó λ max (.) là trị riêng lớn nhất
1/ 2
Nếu γ min quá lớn thì trở về bước 1. (Thông thường 1< γ min <5 thì chấp nhận
được)
Bước 3: Chọn γ > γ min , tổng hợp bộ điều khiển K ∞ sao cho
⎡K ∞ ⎤ ~
−1
⎢ I ⎥( I − Gs K ∞ ) M s
−1
≤γ
⎣ ⎦ ∞
(Việc xác định K ∞ đã được trình bày ở phần 3.3)

Bước 4: Bộ điều khiển K cần tìm được tính theo công thức:
K = W1 K ∞ W2
http://www.khvt.com
Thủ tục thiết kế được minh họa trong hình 3.21
W1 G W2
Gs
W1 G W2
K∞
W1 K∞ W2
Hình 3.21: Thủ tục thiết kế H ∞ loop shaping
Nhận xét:
-Khác với phương pháp thiết kế nắn dạng vòng cổ điển (nắn dạng hàm S
và T), ở đây ta không cần quan tâm đến tính ổn định vòng kín, cũng như
thông tin về pha của đối tượng danh định, vì điều kiện ổn định nội đã được
đảm bảo trong bài toán ổn định bền vững H ∞ ở bước 3.
- Thủ tục thiết kế sử dụng thích hợp cho các đối tượng ổn định, không ổn
định, cực tiểu pha, không cực tiểu pha; đối tượng chỉ cần thỏa mãn yêu cầu
tối thiểu cho mọi thiết kế là không có các chế độ ẩn. Cụ thể là nếu đối tượng
Trang 55
không cực tiểu pha thì các hạn chế về chất lượng điều khiển vẫn thể hiện
trong thủ tục thiết kế quả giá trị của γ min .
3.3.4.2 Sơ đồ điều khiển:
Trên đây ta chỉ quan tâm đến vòng điều khiển, không quan tâm đến vị trí
tín hiệu đặt được đưa vào vòng điều khiển như thế nào. Thông thường, tín
hiệu đặt đưa vào vòng điều khiển như hình 3.22 với hồi tiếp đơn vị.
+ y
r K G
-
Hình 3.22: Sơ đồ điều khiển hồi tiếp đơn vị

Nếu bộ điều khiển K đạt được từ thủ tục nắn dạng vòng H ∞ , thì K ∞ và các
hàm nắn dạng W1, W2 có thể được tách ra riêng rẽ, và nhờ đó ta có thể có
các sơ đồ điều khiển khác nhau.
Hình 3.23 là sơ đồ điều khiển với bộ điều khiển thiết kế theo thủ tục LSDP.
Ta có thể thay đổi sơ đồ này một chút như hình 3.24, mà không làm thay đổi
dạng vòng L.
+
r W2 K∞ W1 G
- y
Hình 3.23: Sơ đồ điều khiển hồi tiếp đơn vị với bộ điều khiển đạt được
từ LDSP
http://www.khvt.com
K ∞ (0)W2 (0) W1 G
r y
+
K∞ W2
Hình 3.24: Sơ đồ điều khiển cải tiến với bộ điều khiển đạt được từ
LDSP
Khi tín hiệu đặt được đưa vào hệ thống tại vị trí giữa hai khối K ∞ và W1, ta
cần bổ sung một bộ tiền bổ chính để đảm bảo độ lợi tĩnh bằng 1 (hình 3.24).
Hàm truyền vòng kín từ tín hiệu đặt r đến đầu ra y trở thành:
G ( s )W1 ( s )
y(s)= K ∞ (0)W2 (0)r ( s ) (3.184)
1 − G ( s) K ( s)
trong đó:
K ∞ (0)W2 (0) = lim K ∞ ( s )Ws ( s ) (3.185)
s →0
Theo kinh nghiệm, điều khiển theo sơ đồ hình 3.24 sẽ cho đáp ứng quá độ
tốt hơn; điều khiển theo sơ đồ hồi tiếp đơn vị như hình 3.23 thường cho đáp
ứng quá độ, có độ vọt lố lớn. Nguyên nhân là trong sơ đồ 3.24 tín hiệu đặt
không trực tiếp kích thích đặc tính động của K ∞ . Theo thủ tục thiết kế
LSDP, K ∞ lại được xác định qua lại bài toán ổn định bền vững, trong đó ta
không thể trực tiếp can thiệp vào vị trí điểm cực – zero được, mà mọi đặc
tính mong muốn ta chỉ có thể đưa vào hệ thống thông qua các hàm nắn dạng
W1 và W2.
3.3.4.3 Lựa chọn các hàm nắn dạng W1,W2:
Việc lựa chọn các hàm nắn dạng trong thủ tục thiết kế LSDP nói chung là
dựa vào kinh nghiệm của người thiết kế. Tuy nhiên, đối với từng đối tượng
cụ thể, người ta thường đưa ra các hướng chọn hàm nắn dạng thích hợp.
Trang 57
Thông thường, W2 được chọn có dạng ma trận đường chéo với các phần tử
trên đường chéo là các hằng số nhằm đặt trọng số lên các tín hiệu ra của đối
tượng. W1 thường là tích của hai thành phần: WP và WA; trong đó, WA là bộ
tách kênh (decoupler), WP có dạng đường chéo được chọn sao cho thỏa hiệp
các mục tiêu chất lượng và ổn định bền vững của hệ thống, và thường có
chứa khâu tích phân để đảm bảo sai số xác lập bằng 0.
Đối với hệ SISO, việc lựa chọn các hàm nắn dạng đơn giản hơn: W2 thường
được chọn bằng 1, và W1 được chọn sao cho thỏa hiệp được các mục tiêu
chất lượng và ổn định bền vững của hệ thống.
3.4 Thiết kế tối ưu H2

3.4.1 Đặt vấn đề
Xét hệ thống ổn định
x (t ) = Ax(t ) + Bw(t )
y (t ) = Cx (t ) (3.186)
t∈R
Hệ thống có ma trận hàm truyền H(s) = C(sI-A)-1B. Giả sử rằng tín hiệu w
{ }
là nhiễu trắng với hiệp phương sai E w(t + τ ) wT (t ) = Wδ (τ ) .Ngõ ra y của
hệ thống là một quá trình nhiễu tĩnh với ma trận mật độ phổ.
S (ω ) = H ( jω )WH T (− jω ) (3.187)
Do đó trị trung bình ngõ ra toàn phương :
+∞ +∞
{ }
E y (t ) y (t ) = trace
T 1
∫
2Π −∞
S (ω )dω = trace
1
∫
2Π −∞
~
H ( jω )WH ( jω )dω (3.188)
~
Ở đây ta ký hiệu H ( jω ) =HT(- jω )
Ta có :
+∞
1 ~
H 2
= trace ∫
2Π −∞
H ( jω ) H ( jω )dω (3.189)
Gọi là chuẩn H2 của hệ thống .Nếu nhiễu trắng w có mật độ W = I thì trị
trung bình của ngõ ra toàn phương E{ y T (t ) y (t )} tương đương với bình
phương của chuẩn H2 của hệ thống
http://www.khvt.com
3.4.2 Tối ưu H2
Vấn đề tối ưu H2 được thể hiện dưới dạng ma trận chuyển đổi. Chúng ta giả
sử rằng Q = I, và R = I, phiếm hàm chất lượng LQG là
lim E[ z T (t ) z (t ) + u T (t )u (t )] (3.190)
t →∞
Sự giả sử này không làm mất đi tính tổng quát bởi vì bằng cách biến đổi
thang tỷ lệ các thông số z và u chỉ tiêu chất lượng luôn có thể chuyển thành
hình thức này .
Cho hệ thống vòng hở :
x = Ax + Bu + γw (3.191)
z = Dx (3.192)
y = Cx + v (3.193)
Có ma trận chuyển đổi
z = D( sI − A) −1 γ w + D( sI − A) −1 Bu (3.194)

G11 ( s ) G12 ( s )
y = C ( sI − A) −1 γ w + C ( sI − A) − 1Bu + v (3.195)

G21 ( s ) G22 ( s )
Kết nối hệ thống như hình (3.25) với một bộ điều khiển Ce chúng ta có cân
bằng của tín hiệu :
u w
z
Ce G
-
+ v
y +
Hình 3.25 : Hệ thống hồi tiếp với ngõ vào và ngõ ra nhiễu loạn
u = −C e y = −C e (G21 w + G22 u + v)
u = − ( I + C e G22 ) −1 C e G21 w− ( I + C e G22 ) −1 C e v (3.196)

H 21 ( s ) H 22 ( s )
Từ z = G11 w + G12 u ta có :
Trang 59
z = G11 − G12 ( I + C e G22 ) −1 C e G21 w− G12 ( I + C e G22 ) −1 C e v (3.197)

H11 ( s ) H12 ( s )
Hay
⎡ z ⎤ ⎡ H 11 ( s ) H 12 ( s ) ⎤ ⎡ w⎤
⎢u ⎥ = ⎢ H ( s ) H ( s )⎥ ⎢ v ⎥ (3.198)
⎣ ⎦ ⎣ 21
22
⎦ ⎣ ⎦
H (s)
Từ (3.198) theo ta có :
T
⎡ z (t ) ⎤ ⎡ z (t ) ⎤
lim E ( z (t ) z (t ) + u (t )u (t )) = lim E ( ⎢
T T
⎥ ⎢ ⎥)
t →∞ t →∞
⎣u (t )⎦ ⎣u (t )⎦
+∞
1 ~
= trace
2π ∫ H ( jω )H ( jω )dω
−∞
(3.199)
2
= H 2
Vì vậy giải quyết vấn đề LQG là cực tiểu hoá chuẩn H2 của hệ thống vòng
kín hình (3.25) với (w,v) như ngõ vào và (z,u) như ngõ ra.
Cấu hình của hình (3.25) là trường hợp đặc biệt của cấu hình hình (3.26).Ở
hình (3.26)v là ngõ vào mở rộng (w và v trong hình (3.25)).Tín hiệu z là tín
hiệu sai số (lý tưởng bằng 0)(z và u trong hình (3.25)).Thêm vào đó u là ngõ
vào điều khiển và y là ngõ ra quan sát .G là đối tượng tổng quát và Ce là bộ
điều khiển .
v z
G
u y
Ce
Hình 3.26: Vấn đề chuẩn H2
http://www.khvt.com
3.4.3 Vấn đề chuẩn H2 và lời giải của nó
Vấn đề tối ưu chuẩn H2 là lựa chọn bộ điều khiển K ở hình (3.26) để :

a. Ổn định với hệ thống vòng kín và
b. Cực tiểu hoá chuẩn H2 của hệ thống vòng kín (với v là vào, z là ngõ ra)
Sơ đồ hình 3.26 được mô tả bởi hệ phương trình trang thái sau:
x (t ) = Ax(t ) + B1v(t ) + B2 u (t ) (3.200)
z (t ) = C1 x(t ) + D11v(t ) + D12 u (t ) (3.201)
y (t ) = C 2 x(t ) + D21v(t ) + D22 u (t ) (3.202)

Vấn đề tối ưu H2 có thể được giải quyết bởi việc dẫn tới vấn đề LQG. Giải
quyết vấn đề tối ưu H2 như thể là vấn đề LQG. Đó là , cực tiểu hoá :
{ }
E z T (t ) z (t ) (3.203)
Giả sử rằng v là nhiễu trắng ngõ vào với ma trận mật độ V=I.
Hồi tiếp trạng thái:
Đầu tiên, xem xét lời giải với hồi tiếp trạng thái .Khảo sát hai phương trình :
x (t ) = Ax(t ) + B1v(t ) + B2 u (t ) (3.204)
z (t ) = C1 x(t ) + D11v(t ) + D12 u (t ) (3.205)

Nếu D11 ≠ 0 thì ngõ ra z có thành phần nhiễu trắng . Điều này có thể làm cho
trung bình ngõ ra toàn phương (3.203) không xác định. Vì vậy chúng ta giả
sử rằng D11 = 0 . Dưới sự giả sử này chúng ta có :
⎡C x(t )⎤ ⎡ z (t )⎤
z (t ) = C1 x(t ) + D12 u (t ) = [I D12 ]⎢ 1 ⎥ = [I D12 ]⎢ 0 ⎥ (3.206)
⎣ u (t ) ⎦ ⎣ u (t ) ⎦
với z0(t) = C1x(t). Do đó
Trang 61
⎡ I ⎤ ⎡ z (t ) ⎤
E{z T (t ) z (t )} = E ⎡⎣ z0T (t ) u T (t ) ⎤⎦ ⎢ T ⎥ [ I D12 ] ⎢ 0 ⎥
⎣ D12 ⎦ ⎣ u (t ) ⎦
(3.207)
⎡ I D12 ⎤ ⎡ z0 (t ) ⎤
= E ⎡⎣ z0T (t ) u T (t ) ⎤⎦ ⎢ T T ⎥⎢ ⎥
⎣ D12 D12 D12 ⎦ ⎣ u (t ) ⎦
Đây là vấn đề bộ điều chỉnh tuyến tính với thành phần chéo ở ngõ ra và ngõ
vào .Nó có lời giải nếu hệ thống x (t ) = Ax(t ) + B 2 u (t ) , z 0 (t ) = C1 x(t ) là ổn
định và tìm được, ma trận trọng lượng
⎡ I D12 ⎤
⎢DT (3.208)
⎣ 12 D12T D12 ⎥⎦
Là xác định dương. Điều kiện cần và đủ cho (3.208) là D12T D12 không suy
biến .Lời giải của vấn đề điều chỉnh là luật hồi tiếp trạng thái:
u (t ) = − Kx(t ) (3.209)
Hồi tiếp ngõ ra :
Nếu trạng thái là không có giá trị cho hồi tiếp thì cần được ước lượng với
một bộ lọc Kalman. Xem xét hai phương trình :
x (t ) = Ax(t ) + B1v(t ) + B2 u (t ) (3.210)
y (t ) = C 2 x(t ) + D21v(t ) + D22 u (t ) (3.211)
Phương trình thứ hai có thể trở thành dạng chuẩn cho bộ lọc Kalman nếu
coi y(t) – D22u(t) như là biến quan sát hơn là y(t).Nếu biểu thị nhiễu sự quan
sát là v (t ) = D21v(t ) thì :
x (t ) = Ax(t ) + B1v(t ) + B2 u (t ) (3.212)
y (t ) − D22 u (t ) = C 2 x(t ) + v (t ) (3.213)
Xác định một hệ thống nhiễu với những thành phần nhiễu tương quan chéo
chúng ta có:
⎡ v(t + τ ) ⎤ T
E⎢
v (t + τ ) ⎥[ ] ⎡ I ⎤
v (t ) v T (t ) = E ⎢
D ⎥ v(t + τ )v (t ) I
T
[ T
D21 ]
⎣ ⎦ ⎣ 21 ⎦
(3.214)
⎡ I D21T
⎤
=⎢ T ⎥
δ (τ )
⎣ D21 D21 D21 ⎦
http://www.khvt.com
Giả sử rằng hệ thống x (t ) = Ax(t ) + B1v(t ) , y (t ) = C 2 x(t ) là ổn định và tìm

được , và ma trận mật độ
⎡ I D21T
⎤
⎢ T ⎥
(3.215)
⎣ D21 D21 D21 ⎦
T
xác định dương. Điều kiện cần và đủ cho(3.215) là D21 D21 không suy biến
Khi đó sẽ tồn tại một bộ lọc Kalman :
xˆ (t ) = Axˆ (t ) + B2 u (t ) + L[( y (t ) − C 2 xˆ (t ) − D22 u (t )] (3.216)
Ma trận độ lợi L được tìm từ thủ tục thiết kế bộ lọc Kalman. Vấn đề hồi tiếp
ngõ ra được lấy :
u (t ) = − Kxˆ (t ) (3.217)
K giống như độ lợi hồi tiếp trạng thái ở (3.209)
Xem xét vấn đề tối ưu H2 cho đối tượng tổng quát :
x (t ) = Ax(t ) + B1v(t ) + B2 u (t ) (3.218)
z (t ) = C1 x(t ) + D12 u (t ) (3.219)
y (t ) = C 2 x(t ) + D21v(t ) + D22 u (t ) (3.220)
Giả sử :
• Hệ thống x (t ) = Ax(t ) + B2 u (t ) , y (t ) = C 2 x(t ) là ổn định và tìm được
.
⎡ A − sI B1 ⎤
• Ma trận ⎢ có hạng đầy đủ các hàng ngang cho mọi
⎣ C2 D21 ⎥⎦
s = jω và D21 có hạng đầy đủ các hàng ngang
⎡ A − sI B2 ⎤
• Ma trận ⎢ có hạng đầy đủ các cột cho mọi s = jω và
⎣ C1 D12 ⎥⎦
D12 có hạng đầy đủ các cột
Dưới những giả sử này bộ điều khiển hồi tiếp ngõ ra tối ưu là
xˆ (t ) = Axˆ (t ) + B 2 u (t ) + L[ y (t ) − C 2 xˆ (t ) − D22 u (t )] (3.221)
u (t ) = − Kxˆ (t ) (3.222)
Ma trận độ lợi hồi tiếp trạng thái và bộ quan sát là :
K = ( D12T D12 ) −1 ( B2T X + D12T C1 ) , L = (YC2T + B1 D21 T
)( D21 D21T −1
) (3.223)
Trang 63
Ma trận đối xứng X,Y là nghiệm xác định dương duy nhất của phương trình
đại số Riccati:
AT X + XA + C1T C1 − ( XB2 + C1T D12 )( D12T D12 ) −1 ( B2T X + D12T C1 ) = 0
T −1
AY + AY T + B1 B1T − (YC2T + B1 D21
T
)( D21 D21 ) (C 2Y + D21 B1T ) = 0
(3.224)
3.5 Ứng dụng trong MABLAB

3.5.1 LQG hệ lò xo đệm
Xét hệ thống lò xo đệm như hình vẽ sau:
Với các thông số của hệ thống như sau:
M=1 m=0.1
b=0.0036 k=0.091
Biến trạng thái của hệ thống: x = [d d y y ]T
Phương trình Biến Trạng Thái của hệ liên tục:
⎧ x = Ax + Bu
⎨
⎩ y = Cx + Du
với ma trận Biến Trạng Thái được cho như sau:
http://www.khvt.com
⎡ 0 1 0 0 ⎤
⎢ −k ⎡0⎤
⎢ −b k b ⎥⎥ ⎢0⎥
⎢ ⎥
A = ⎢⎢
m m m m⎥
; B=⎢ 0 ⎥
0 0 0 1 ⎥ ⎢ ⎥
⎢ ⎥
⎢ k b −k −b ⎥ ⎢1⎥
⎢⎣ M ⎣⎢ M ⎦⎥
M M M ⎥⎦
⎡1 0 0 0 ⎤ ⎡0⎤
C = ⎢⎢0 0 1 0 ⎥⎥ ; D = ⎢⎢0 ⎥⎥
⎢⎣0 0 0 0 ⎥⎦ ⎢⎣1 ⎥⎦
Thời gian lấy mẫu: T=0.4(s)
Khảo sát hệ thống trên dùng phương pháp LQG.
Sơ đồ khối của một bộ điều khiển LQG như sau:
Từ sơ đồ khối trên, ta thấy rằng cấu trúc của bộ điều khiển LQG chính là bộ
điều khiển LQR kết hợp với bộ ước lượng Kalman và có xét đến nhiễu quá
trình w(k) và nhiễu đo lường v(k).
Phương trình Biến Trạng Thái của hệ rời rạc khi có xét đến nhiễu như sau:
⎧ x(k + 1) = Φx(k ) + Γu (k ) + w(k )
⎨
⎩ y (k ) = Cx(k ) + Du (k ) + v(k )
với luật điều khiển: u (k ) = − Kxˆ (k )
Trang 65
Sơ đồ mô phỏng hệ thống:
KẾT QUẢ: Đáp ứng của hệ thống
http://www.khvt.com
3.5.3 Thiết kế H∞ cánh tay mềm dẻo

Xét thanh đồng chất, khối lượng phân bố đều, chiều dài là L. Thanh được
chia thành 3 phần tử có độ dài bằng nhau h = L 3 .
y0
y
3
2
x
1
0 θ x0
Hình 3.27 : Thanh mềm dẻo được chia thành 3 phần tử
Trang 67
Chiều dài thanh: l = 0.98 m
Khối lượng thanh: m = 0.35 kg
Độ cứng biến dạng: EI = 72.2 N.m2
Quán tính trục động cơ: IH = 0.025 kg.m2
Dùng phương pháp phần tử hữu hạn và phương trình Euler-Lagrange mô

hình hóa cánh tay mềm dẻo.
Định nghĩa vectơ trạng thái như sau:

T
x = ⎡⎣θ q1 q2 q3 θ q1 q2 q3 ⎤⎦
trong đó:
θ : góc quay của trục motor

dθ
θ =
dt
qi : chuyển vị (độ biến dạng) của nút i
dqi
q i =
dt
Mô hình biểu diễn trạng thái của đối tượng(n=3) có dạng như sau:
⎡0 0 0 0 1 0 0 0⎤ ⎡0⎤
⎢0 0 0 0 0 1 0 0⎥ ⎥ ⎢0⎥
⎢ ⎢ ⎥
⎢0 0 0 0 0 0 1 0⎥ ⎢0⎥
⎢ ⎥ ⎢ ⎥
0 0 0 0 0 0 0 1⎥ 0
x = ⎢ x + ⎢ ⎥T
⎢0 u12 u13 u14 0 0 0 0⎥ ⎢ u11 ⎥
⎢ ⎥ ⎢ ⎥
⎢0 u22 u23 u24 0 0 0 0⎥ ⎢u21 ⎥
⎢0 u32 u33 0 0 0 0⎥ ⎢u ⎥
⎢ 34
⎥ ⎢ 31 ⎥
⎢⎣ 0 u42 u43 u44 0 0 0 0 ⎥⎦ ⎢⎣u41 ⎥⎦
y = [l3 0 0 1 0 0 0 0] x
http://www.khvt.com
Hàm truyền đạt của đối tượng:

G 0 ( s ) = C ( sI − A) −1 B + D
990679.4792 (s+598.2) (s-598.2) (s+167.2) (s-167.2)
G0 ( s ) =
s (s + 1.309e004) (s 2 + 1.215e005) (s 2 + 93.16s + 8.678e005)
2 2
Thông thường ,trước khi đưa mô hình vào sử dụng ,cần phải sửa đổi mô
hình dựa trên biểu đồ Bode.
990679.4792 (s+598.2) (s-598.2) (s+167.2) (s-167.2)
G ( s) = 2 2 2 2
(s+1e-006) (s + 11.44s + 1.309e004) (s + 34.86s + 1.215e005) (s + 93.16s + 8.678e005)
Ta sử dụng G(s) làm mô hình danh định và sử dụng thủ tục LSDP thiết kế
bộ điều khiển
Sơ đồ mô phỏng:
Trang 69
Chú thích các khối trong sơ đồ:

Step Khối tạo tín hiệu đặt là hàm nấc thang đơn vị.
Gain Bộ tiền xử lý, hệ số khuếch đại = - K ∞ (0)W2 (0) .
W1, W2 Các hàm nắn dạng chỉ định trong thủ tục LSDP
Kinf Bộ điều khiển K ∞ đạt được sau bước 3 của thủ tục
LSDP.
Flexible Link Khối giả lập đối tượng điều khiển. Lẽ ra khối này
chỉ có một đầu vào – một đầu ra, nhưng phần hoạt
hình (animation) cần lấy trạng thái của đối tượng
để vẽ, nên khối này còn có các đầu ra phụ q
(chuyển vị nút) và Theta (góc quay của trục).
Disturbance Khối tạo nhiễu tải, phát tín hiệu có dạng hàm nấc
âm.
Noise Khối tạo nhiễu đo.
Load Nạp dữ liệu từ file loaddata.m để mô phỏng.
Design W1 (Raw) Kích hoạt công cụ hỗ trợ thiết kế sơ bộ hàm nắn
dạng W1.
Design W1 (Fine) Kích hoạt công cụ hỗ trợ thiết kế cho phép tinh
chỉnh hàm nắn dạng W1.
Plot G/W1/Gs/L/ST Khi nhấp kép chuột vào những khối này, Matlab sẽ
vẽ biểu đồ Bode các hàm tương ứng.
Info Hiển thị thông tin hệ thống lên Workspace.
http://www.khvt.com
Công cụ hỗ trợ thiết kế

Design W1 (Raw)
Công cụ này được sửa lại từ công cụ shapemag.m của MATLAB cho tiện sử
dụng với phần mô phỏng điều khiển trong luận án này. Design W1 (Raw) có
giao diện như sau:
Sử dụng: Người thiết kế chỉ định các điểm gãy (điểm chỉ định), các điểm
này sẽ tự động được nối với nhau bằng các đoạn thẳng tạo nên dạng chỉ
định, sau đó điền bậc mong muốn của W1 vào ô Bậc của W1, và nhấn nút
Xấp xỉ để MATLAB phát sinh W1. Sau khi có được W1, người thiết kế cần
phải tinh chỉnh lại hàm này bằng công cụ Design W1 (Fine).
Trang 71
Design W1 (Fine)
Công cụ này được xây dựng dựa trên giao diện đồ họa của JF Whidborne và
SJ King. Design W1 (Fine) có thể được sử dụng độc lập, hoặc sử dụng để
tinh chỉnh dạng của W1 đạt được sau khi sử dụng Design W1 (Raw). Design
W1 (Fine) có giao diện như sau:
Sử dụng: Nếu Design W1 (Fine) được sử dụng độc lập, thì lúc khởi động W1
= 1; nếu được sử dụng sau Design W1 (Raw), thì W1 sẽ thừa kế kết quả đạt
được từ Design W1 (Raw). Người thiết kế có thể thêm/bớt cực-zero, dịch
chuyển cực-zero thêm/bớt khâu tích phân, hay thay đổi độ lợi của W1 bằng
các công cụ ở bên phải giao diện. Sau cùng, người thiết kế nhấn nút Tính
Kinf để tổng hợp bộ điều khiển. Hộp thoại xuất hiện sau khi nhấn nút Tính
http://www.khvt.com
Kinf cho biết thông tin về giá trị γ min đạt được, và đưa ra 3 lựa chọn cho
người dùng chọn.
Nhấn nút Trở về để quay lại giao diện Design W1 (Fine) hiệu chỉnh W1.
Nhấn nút Đáp ứng nấc nếu muốn xem đáp ứng với đầu vào hàm nấc thang
đơn vị của đối tượng danh định. Nhấn nút Mô phỏng, kết quả thiết kế (Kinf,
W1) sẽ được chuyển vào Workspace để chạy mô phỏng.
Load
Khi nhấp kép chuột lên khối Load, Simulink sẽ gọi loaddata.m. Tệp này
chứa toàn bộ thông số thiết kế của hệ thống. Người thiết kế có thể đặt hàm
nắn dạng W1 vào tệp này nếu muốn thiết kế “bằng số”
Sau bước thiết kế, Kinf và W1 được nạp vào Workspace dưới dạng mô hình
trạng thái. Để chạy mô phỏng, nhấn nút .
Kết quả mô phỏng:
Chọn hàm nắn dạng:

150.51 (s + 0.9) 2
W1 ( s ) =
s (s + 10) 2 ( s + 2)
Kết quả thiết kế:
Trang 73
Giá trị γ nhỏ nhất: γ min = 3.68.

Chọn γ = 1.05 γ min = 3.86
Bộ điều khiển đạt được:
-131.7524 (s+10.17) (s+9.817) (s+2.146) (s 2 + 1.103s + 0.4046)
K∞ =
(s+35.13) (s+16.61) (s 2 + 1.799s + 0.8091) (s 2 + 11.61s + 96.32)
Đáp ứng của hệ thống:

r(t) là tín hiệu đặt, y(t) vị trí đầu mút, u(t) là điện áp điều khiển, q(t) là
độ dịch chuyển ngang của đầu mút.
Hình 3.28: Đáp ứng quá độ của hệ thống
http://www.khvt.com
1. Khái niệm điều khiển bền vững

2. Chuẩn tín hiệu
3. Chuẩn ma trận
4. Định nghĩa vết ma trận ,tính chất, trị suy biến của ma trận-độ lợi
chính.
5. Khái niệm ổn định nội , ổn định bền vững và định lý độ lợi nhỏ
6. Điều khiển bền vững LQG (Sơ đồ nguyên lý , bộ quan sát,bộ lọc
Kalman , giải thuật thiết kế)
7. Biểu đồ Bode cho hệ đa biến
8. Hàm nhạy và bù nhạy
9. Sai số mô hình phân tích coprime
10. Thiết kế bền vững H ∞
11. Nắn dạng vòng H ∞
12. Thiết kế tối ưu H2
13. Cho hệ thống:
d(t)
s(t) u(t) + z(t)

+ +
K G
r(t)
-
+ n(t)
Đối tượng G(s) được mô tả:
⎡0 1 0 ⎤ ⎡0 0 ⎤
⎢ ⎥ ⎡1 0 0⎤
x = ⎢0 − 3 0⎥ x + ⎢1 0⎥u , z = ⎢ x
⎢ ⎥
⎣ 0 0 1 ⎥⎦
⎢⎣0 0 0⎥⎦ ⎢⎣0 1⎥⎦
Và bộ điều khiển K(s)=2I2
a. Tìm độ lợi vòng đa biến GK(j ω )
b. Tìm hàm nhạy và hàm bù nhạy
c. Tìm hàm truyền vòng kín từ r(t) đến z(t) và các cực của vòng
kín
14. Thiết kế LQG dùng Matlab mô phỏng mô hình con lắc ngược
Trang 75
Chương 4 : Điều khiển mờ
Chương 4
ĐIỀU KHIỂN MỜ
Khái niệm về logic mờ được giáo sư L.A Zadeh đưa ra lần đầu tiên năm
1965, tại trường Đại học Berkeley, bang California - Mỹ. Từ đó lý thuyết
mờ đã được phát triển và ứng dụng rộng rãi.
Năm 1970 tại trường Mary Queen, London – Anh, Ebrahim Mamdani đã
dùng logic mờ để điều khiển một máy hơi nước mà ông không thể điều khiển
được bằng kỹ thuật cổ điển. Tại Đức Hann Zimmermann đã dùng logic mờ
cho các hệ ra quyết định. Tại Nhật logic mờ được ứng dụng vào nhà máy xử
lý nước của Fuji Electronic vào 1983, hệ thống xe điện ngầm của Hitachi
vào 1987.
Lý thuyết mờ ra đời ở Mỹ, ứng dụng đầu tiên ở Anh nhưng phát triển mạnh
mẽ nhất là ở Nhật. Trong lĩnh vực Tự động hoá logic mờ ngày càng được
ứng dụng rộng rãi. Nó thực sự hữu dụng với các đối tượng phức tạp mà ta
chưa biết rõ hàm truyền, logic mờ có thể giải quyết các vấn đề mà điều
khiển kinh điển không làm được.
4.1. Khái niệm cơ bản

Để hiểu rõ khái niệm “MỜ” là gì ta hãy thực hiện phép so sánh sau :
Trong toán học phổ thông ta đã học khá nhiều về tập hợp, ví dụ như tập các
số thực R, tập các số nguyên tố P={2,3,5,...}… Những tập hợp như vậy được
gọi là tập hợp kinh điển hay tập rõ, tính “RÕ” ở đây được hiểu là với một
tập xác định S chứa n phần tử thì ứng với phần tử x ta xác định được một giá
trị y=S(x).
Giờ ta xét phát biểu thông thường về tốc độ một chiếc xe môtô : chậm,
trung bình, hơi nhanh, rất nhanh. Phát biểu “CHẬM” ở đây không được chỉ
rõ là bao nhiêu km/h, như vậy từ “CHẬM” có miền giá trị là một khoảng
nào đó, ví dụ 5km/h – 20km/h chẳng hạn. Tập hợp L={chậm, trung bình, hơi
nhanh, rất nhanh} như vậy được gọi là một tập các biến ngôn ngữ. Với mỗi
thành phần ngôn ngữ xk của phát biểu trên nếu nó nhận được một khả năng
μ(xk) thì tập hợp F gồm các cặp (x, μ(xk)) được gọi là tập mờ.
4.1.1. Định nghĩa tập mờ

Tập mờ F xác định trên tập kinh điển B là một tập mà mỗi phần tử của nó là
một cặp giá trị (x,μF(x)), với x∈ X và μF(x) là một ánh xạ :

PGS.TS Nguyễn Thị Phương Hà
μF(x) : B → [0 1]
trong đó : μF gọi là hàm thuộc , B gọi là tập nền.
4.1.2. Các thuật ngữ trong logic mờ

μ
miền tin cậy
1
MXĐ
Hình 4.1:
• Độ cao tập mờ F là giá trị h = SupμF(x), trong đó supμF(x) chỉ giá trị nhỏ
nhất trong tất cả các chặn trên của hàm μF(x).
• Miền xác định của tập mờ F, ký hiệu là S là tập con thoả mãn :
S = SuppμF(x) = { x∈B | μF(x) > 0 }
• Miền tin cậy của tập mờ F, ký hiệu là T là tập con thoả mãn :
T = { x∈B | μF(x) = 1 }
• Các dạng hàm thuộc (membership function) trong logic mờ
Có rất nhiều dạng hàm thuộc như : Gaussian, PI-shape, S-shape, Sigmoidal,
Z-shape …
trapmf gbellmf trimf gaussmf gauss2mf smf

1
0.8
0.6
0.4
0.2
zmf psigmf dsigmf pimf sigmf

1
0.8
0.6
0.4
0.2
http://www.khvt.com
4.1.3. Biến ngôn ngữ
Biến ngôn ngữ là phần tử chủ đạo trong các hệ thống dùng logic mờ. Ở đây
các thành phần ngôn ngữ của cùng một ngữ cảnh được kết hợp lại với nhau.
Để minh hoạ về hàm thuộc và biến ngôn ngữ ta xét ví dụ sau :
Xét tốc độ của một chiếc xe môtô, ta có thể phát biểu xe đang chạy:
- Rất chậm (VS)
- Chậm (S)
- Trung bình (M)
- Nhanh (F)
- Rất nhanh (VF)
Những phát biểu như vậy gọi là biến ngôn ngữ của tập mờ. Gọi x là giá trị
của biến tốc độ, ví dụ x =10km/h, x = 60km/h … Hàm thuộc tương ứng của
các biến ngôn ngữ trên được ký hiệu là :
μVS(x), μS(x), μM(x), μF(x), μVF(x)
μ
VS S M F VF
1
0.75
0.25
0 20 40 60 65 80 100 tốc độ
Hình 4.2:
Như vậy biến tốc độ có hai miền giá trị :
- Miền các giá trị ngôn ngữ :
N = { rất chậm, chậm, trung bình, nhanh, rất nhanh }
- Miền các giá trị vật lý :
V = { x∈B | x ≥ 0 }
Biến tốc độ được xác định trên miền ngôn ngữ N được gọi là biến ngôn ngữ.
Với mỗi x∈B ta có hàm thuộc :
x → μX = { μVS(x), μS(x), μM(x), μF(x), μVF(x) }
Ví dụ hàm thuộc tại giá trị rõ x=65km/h là :
μX(65) = { 0;0;0.75;0.25;0 }
Trang 3
4.1.4. Các phép toán trên tập mờ

Cho X,Y là hai tập mờ trên không gian nền B, có các hàm thuộc tương ứng
là μX, μY , khi đó :
- Phép hợp hai tập mờ : X∪Y
+ Theo luật Max μX∪Y(b) = Max{ μX(b) , μY(b) }
+ Theo luật Sum μX∪Y(b) = Min{ 1, μX(b) + μY(b) }
+ Tổng trực tiếp μX∪Y(b) = μX(b) + μY(b) - μX(b).μY(b)
- Phép giao hai tập mờ : X∩Y
+ Theo luật Min μX∪Y(b) = Min{ μX(b) , μY(b) }
+ Theo luật Lukasiewicz μX∪Y(b) = Max{0, μX(b)+μY(b)-1}
+ Theo luật Prod μX∪Y(b) = μX(b).μY(b)
- Phép bù tập mờ : μ X (b) = 1- μX(b)
c
4.1.5. Luật hợp thành
1. Mệnh đề hợp thành

Ví dụ điều khiển mực nước trong bồn chứa, ta quan tâm đến 2 yếu tố :
+ Mực nước trong bồn L = {rất thấp, thấp, vừa}
+ Góc mở van ống dẫn G = {đóng, nhỏ, lớn}
Ta có thể suy diễn cách thức điều khiển như thế này :
Nếu mực nước = rất thấp Thì góc mở van = lớn
Nếu mực nước = thấp Thì góc mở van = nhỏ
Nếu mực nước = vừa Thì góc mở van = đóng
Trong ví dụ trên ta thấy có cấu trúc chung là “Nếu A thì B” . Cấu trúc này
gọi là mệnh đề hợp thành, A là mệnh đề điều kiện, C = A⇒B là mệnh đề kết
luận.
Định lý Mamdani :
“Độ phụ thuộc của kết luận không được lớn hơn độ phụ thuộc điều kiện”
Nếu hệ thống có nhiều đầu vào và nhiều đầu ra thì mệnh đề suy diễn có
dạng tổng quát như sau :
If N = ni and M = mi and … Then R = ri and K = ki and ….
2. Luật hợp thành mờ

Luật hợp thành là tên gọi chung của mô hình biểu diễn một hay nhiều hàm
thuộc cho một hay nhiều mệnh đề hợp thành.
http://www.khvt.com
Các luật hợp thành cơ bản

+ Luật Max – Min
+ Luật Max – Prod
+ Luật Sum – Min
+ Luật Sum – Prod
a. Thuật toán xây dựng mệnh đề hợp thành cho hệ SISO

Luật mờ cho hệ SISO có dạng “If A Then B”
Chia hàm thuộc μA(x) thành n điểm xi , i = 1,2,…,n
Chia hàm thuộc μB(y) thành m điểm yj , j = 1,2,…,m
Xây dựng ma trận quan hệ mờ R
⎡ μ R ( x1, y1) ... ... μ R ( x1, ym) ⎤ ⎡ r11 ... ... r1m ⎤
⎢ μ ( x 2, y1) ... ... μ R ( x 2, ym)⎥⎥ ⎢⎢r 21 ... ... r 2m ⎥⎥
R= ⎢ R =
⎢ ... ... ... ... ⎥ ⎢ ... ... ... ... ⎥
⎢ ⎥ ⎢ ⎥
⎣ μ R ( xn, y1) ... ... μ R ( xn, ym) ⎦ ⎣ rn1 ... ... rnm ⎦
Hàm thuộc μB’(y) đầu ra ứng với giá trị rõ đầu vào xk có giá trị
μB’(y) = aT.R , với aT = { 0,0,0,…,0,1,0….,0,0 }. Số 1 ứng với vị trí thứ k.
Trong trường hợp đầu vào là giá trị mờ A’ thì μB’(y) là :
μB’(y) = { l1,l2,l3,…,lm } với lk=maxmin{ai,rik }.
b. Thuật toán xây dựng mệnh đề hợp thành cho hệ MISO

Luật mờ cho hệ MISO có dạng :
“If cd1 = A1 and cd2 = A2 and … Then rs = B”
Các bước xây dựng luật hợp thành R :
• Rời rạc các hàm thuộc μA1(x1), μA2(x2), … , μAn(xn), μB(y)
• Xác định độ thoả mãn H cho từng véctơ giá trị rõ đầu vào x={c1,c2,…,cn}
trong đó ci là một trong các điểm mẫu của μAi(xi). Từ đó suy ra
H = Min{ μA1(c1), μA2(c2), …, μAn(cn) }
• Lập ma trận R gồm các hàm thuộc giá trị mờ đầu ra cho từng véctơ giá trị
mờ đầu vào: μB’(y) = Min{ H, μB(y) } hoặc μB’(y) = H. μB(y)
Trang 5
4.1.6. Giải mờ
Giải mờ là quá trình xác định giá trị rõ ở đầu ra từ hàm thuộc μB’(y) của
tập mờ B’. Có 2 phương pháp giải mờ :
1. Phương pháp cực đại
Các bước thực hiện :
- Xác định miền chứa giá trị y’, y’ là giá trị mà tại đó μB’(y) đạt Max
G = { y∈Y | μB’(y) = H }
- Xác định y’ theo một trong 3 cách sau :
+ Nguyên lý trung bình
+ Nguyên lý cận trái
+ Nguyên lý cận phải
μ
G
y1 y2
Hình 4.3:
y1 + y 2
• Nguyên lý trung bình : y’ =
2
• Nguyên lý cận trái : chọn y’ = y1
• Nguyên lý cận phải : chọn y’ = y2
2. Phương pháp trọng tâm
Điểm y’ được xác định là hoành độ của điểm trọng tâm miền được bao bởi
trục hoành và đường μB’(y).
Công thức xác định :
∫ yμ ( y)dy
S
y’ = trong đó S là miền xác định của tập mờ B’
∫ μ (y)dy
S
http://www.khvt.com
♦Phương pháp trọng tâm cho luật Sum-Min

Giả sử có m luật điều khiển được triển khai, ký hiệu các giá trị mờ đầu ra
của luật điều khiển thứ k là μB’k(y) thì với quy tắc Sum-Min hàm thuộc sẽ là
m
μB’(y) = ∑μ
k =1
B 'k ( y ) , và y’ được xác định :
⎛ m ⎞ m m
∫S ⎜⎝ y∑
k =1
μ B 'k ( y ) ⎟dy
⎠
∑ ( yμ B 'k ( y)dy ) ∑M k
y’ = = k =1
= k =1
(4.1)
m m ⎛ ⎞ m
∫∑μ B 'k ( y )dy ∑ ⎜ ∫ μ B ' y ( y )dy ⎟

⎜ ⎟ ∑A k
S k =1 k =1 ⎝ S ⎠ k =1
trong đó Mi = ∫ yμ
S
B 'k ( y )dy và Ai = ∫ μ B 'k ( y )dy
S
i=1,2,…,m
m1 m2 y
a b
Xét riêng cho trường hợp các hàm thuộc dạng hình thang như hình trên :
H
Mk = (3m22 − 3m12 + b 2 − a 2 + 3m2 b + 3m1 a)
6
H
Ak = (2m2 – 2m1 + a + b)
2
Chú ý hai công thức trên có thể áp dụng cả cho luật Max-Min
♦ Phương pháp độ cao
Từ công thức (4.1), nếu các hàm thuộc có dạng Singleton thì ta được:
m
∑y k Hk
y’ = k =1
m
với Hk = μB’k(yk)
∑H
k =1
k
Đây là công thức giải mờ theo phương pháp độ cao.
Trang 7
4.1.7. Mô hình mờ Tagaki-Sugeno
Mô hình mờ mà ta nói đến trong các phần trước là mô hình Mamdani. Ưu

điểm của mô hình Mamdani là đơn giản, dễ thực hiện nhưng khả năng mô tả
hệ thống không tốt. Trong kỹ thuật điều khiển người ta thường sử dụng mô
hình mờ Tagaki-Sugeno (TS).
Tagaki-Sugeno đưa ra mô hình mờ sử dụng cả không gian trạng thái mờ lẫn
mô tả linh hoạt hệ thống. Theo Tagaki/Sugeno thì một vùng mờ LXk được
mô tả bởi luật :
Rsk : If x = LXk Then x = A( x k ) x + B( x k )u (4.2)
Luật này có nghĩa là: nếu véctơ trạng thái x nằm trong vùng LXk thì hệ thống
được mô tả bởi phương trình vi phân cục bộ x = A( x k ) x + B( x k )u . Nếu
toàn bộ các luật của hệ thống được xây dựng thì có thể mô tả toàn bộ trạng
thái của hệ trong toàn cục. Trong (4.2) ma trận A(xk) và B(xk) là những ma
trận hằng của hệ thống ở trọng tâm của miền LXk được xác định từ các
chương trình nhận dạng. Từ đó rút ra được :
x = ∑ wk ( A( x k ) x + B ( x k )u ) (4.3)
với wk(x) ∈ [0 , 1] là độ thoả mãn đã chuẩn hoá của x* đối với vùng mờ LXk
Luật điều khiển tương ứng với (4.2) sẽ là :
Rck : If x = LXk Then u = K(xk)x
Và luật điều khiển cho toàn bộ không gian trạng thái có dạng:
N
u = ∑ wk K ( x k ) x (4.4)
k =1
Từ (4.2) và (4.3) ta có phương trình động học cho hệ kín:

x = ∑ w k ( x) wl ( x)( A( x k ) + B( x k ) K ( x l )) x
Ví dụ : Một hệ TS gồm hai luật điều khiển với hai đầu vào x1,x2 và đầu ra y.
R1 : If x1 = BIG and x2 = MEDIUM Then y1 = x1-3x2
R2 : If x1 = SMALL and x2 = BIG Then y2 = 4+2x1
Đầu vào rõ đo được là x1* = 4 và x2* = 60. Từ hình bên dưới ta xác định
được :
LXBIG(x1*) = 0.3 và LXBIG(x2*) = 0.35
LXSMALL(x1*) = 0.7 và LXMEDIUM(x2*) = 0.75
http://www.khvt.com
Từ đó xác định được :

Min(0.3 ; 0.75)=0.3 và Min(0.35 ; 0.7)=0.35
y1 = 4-3×60 = -176 và y2 = 4+2×4 = 12
Như vậy hai thành phần R1 và R2 là (0.3 ; -176) và (0.35 ; 12). Theo phương
pháp tổng trọng số trung bình ta có:
0.3 × (−176) + 0.35 × 12
y= = −74.77
0.3 + 0.35
1 1
0.7 0.75
0.3 0.35
0 4 10 0 60 100
4.2. Bộ điều khiển mờ
4.2.1. Cấu trúc một bộ điều khiển mờ

Một bộ điều khiển mờ gồm 3 khâu cơ bản:
+ Khâu mờ hoá
+ Thực hiện luật hợp thành
+ Khâu giải mờ
Xét bộ điều khiển mờ MISO sau, với véctơ đầu vào X = [u1 ... u n ]
T
u2
R1 If … Then…
H1
X y’
Rn If … Then …
Hn
Hình 4.4:
Trang 9
4.2.2. Nguyên lý điều khiển mờ
luật điều khiển
e Giao diện μ Thiết bị B Giao diện y’

đầu vào hợp thành đầu ra
X e u y
BĐK MỜ ĐỐI TƯỢNG
THIẾT BỊ ĐO
Hình 4.5:
♦ Các bước thiết kế hệ thống điều khiển mờ.

+ Giao diện đầu vào gồm các khâu: mờ hóa và các khâu hiệu chỉnh như
tỷ lệ, tích phân, vi phân …
+ Thiếp bị hợp thành : sự triển khai luật hợp thành R
+ Giao diện đầu ra gồm : khâu giải mờ và các khâu giao diện trực tiếp
với đối tượng.
4.2.3. Thiết kế bộ điều khiển mờ
• Các bước thiết kế:

B1 : Định nghĩa tất cả các biến ngôn ngữ vào/ra.
B2 : Xác định các tập mờ cho từng biến vào/ra (mờ hoá).
+ Miền giá trị vật lý của các biến ngôn ngữ.
+ Số lượng tập mờ.
+ Xác định hàm thuộc.
+ Rời rạc hoá tập mờ.
B3 : Xây dựng luật hợp thành.
B4 : Chọn thiết bị hơp thành.
B5 : Giải mờ và tối ưu hoá.
http://www.khvt.com
• Những lưu ý khi thiết kế BĐK mờ

- Không bao giờ dùng điều khiển mờ để giải quyết bài toán mà có thể dễ
dàng thực hiện bằng bộ điều khiển kinh điển.
- Không nên dùng BĐK mờ cho các hệ thống cần độ an toàn cao.
- Thiết kế BĐK mờ phải được thực hiện qua thực nghiệm.
• Phân loại các BĐK mờ
i. Điều khiển Mamdani (MCFC)
ii. Điều khiển mờ trượt (SMFC)
iii. Điều khiển tra bảng (CMFC)
iv. Điều khiển Tagaki/Sugeno (TSFC)
4.2.4. Ví dụ ứng dụng
Dùng điều khiển mờ để điều khiển hệ thống bơm xả nước tự động. Hệ thống
sẽ duy trì độ cao bồn nước ở một giá trị đặt trước như mô hình bên dưới.
♦Mô hình :
Ba bộ điều khiển mờ (control) sẽ điều khiển : bơm, van1, van2 sao cho mực
nước ở 2 bồn đạt giá trị đặt trước (set).
♦Sơ đồ simulink:
Trang 11
♦Sơ đồ khối điều khiển:
http://www.khvt.com
♦Thiết lập hệ thống điều khiển mờ :

•Xác định các ngõ vào/ra :
+ Có 4 ngõ vào gồm : sai lệch e1, e2; đạo hàm sai lệch de1, de2
+ Có 3 ngõ ra gồm : control1, control2, control3
•Xác định biến ngôn ngữ :
Sai lệch E = {âm lớn, âm nhỏ, bằng không, dương nhỏ, dương lớn}
E = {NB, NM, ZR, PM, PB}
Đạo hàm D = {giảm nhanh, giảm vừa, không đổi, tăng vừa, tăng nhanh}
D = {DF, DM, ZR, IM, IP}
Điều khiển C = {đóng nhanh,đóng chậm,không đổi,mở chậm,mở nhanh}
C = {CF, CS, NC, OS, OF}
•Luật điều khiển :
+ Khối “controller1” và “controller2” :
(Hai khối này chỉ khác nhau ở luật hợp thành)
Trang 13
Luật hợp thành mờ Max – Min
DE Khối controller1
ERROR DB DM ZR IM IB
NB OF OF NC
NM OS
ZR OF OS NC CS CF
PM CS
PB NC CF CF
DE Khối controller2
ERROR DB DM ZR IM IB
NB CF CF NC
NM CS
ZR CF CS NC OS OF
PM OS
PB NC OF OF
+ Khối “control3”
Đây là khối điều tiết lưu lượng cho bồn 2, ta đưa ra mức ưu tiên như sau :
Khi sai lệch bồn 1 lớn thì van2 sẽ điều tiết để sai lệch này nhỏ rồi mới đến
bồn 2.
If error1=NB and de1=DB Then control=CF
If error1=NB and de1=DM Then control=CS
If error1=NB and de1=ZR Then control=CS
If error1=NM and de1=DB Then control=CS
http://www.khvt.com
If error1=PB and de1=IB Then control=OF

If error1=PB and de1=IM Then control=OF
If error1=PB and de1=ZR Then control=OF
If error1=PM and de1=IB Then control= OF
If error1≠NB and error2=NB and de1≠DB and de2=DB Then control=OF
If error1≠NB and error2=NB and de1≠DB and de2=DM Then control=OF
If error1≠NB and error2=NB and de1≠DB and de2=ZR Then control=OF
If error1≠NB and error2=NM and de1≠DB and de2=DB Then control=OS
If error1≠NB and error2=NM and de1≠DB and de2=DM Then control=OS
If error1≠PB and error2=PB and de1≠IB and de2=IB Then control=CF
If error1≠PB and error2=PB and de1≠IM and de2=IB Then control=CS
•Kết quả đáp ứng với các thông số hệ thống :

- Chiều cap bồn height=1m
- Diện tích đáy area = 0.125m2
- Lưu lượng max pump maxflow = 1lit/s
- Diện tích ống dẫn pipe area = 0.001m2
mức nước đặt Zdat=[0.5 0.3]

mức nước ban đầu Zinit=[0 0]
z (m)
thời gian (s)
Trang 15
mức nước đặt Zdat=[0.5 0.4]

mức nước ban đầu Zinit=[0.8 0]
z (m)
thời gian (s)
4.3. Thiết kế PID mờ
Có thể nói trong lĩnh vực điều khiển, bộ PID được xem như một giải pháp
đa năng cho các ứng dụng điều khiển Analog cũng như Digital. Việc thiết kế
bộ PID kinh điển thường dựa trên phương pháp Zeigler-Nichols, Offerein,
Reinish … Ngày nay người ta thường dùng kỹ thuật hiệu chỉnh PID mềm
(dựa trên phầm mềm), đây chính là cơ sở của thiết kế PID mờ hay PID thích
nghi.
4.3.1. Sơ đồ điều khiển sử dụng PID mờ :
Hình 4.6:
http://www.khvt.com
BỘ CHỈNH
ĐỊNH MỜ
de
dt THIẾT BỊ
CHỈNH ĐỊNH
x e u y
BĐK PID ĐỐI TƯỢNG
Mô hình toán của bộ PID:

t
u(t) = Kpe(t) + K I ∫ e( x)dx + K D de(t )
0
dt
KI
GPID(s) = K P + + KDs
s
Các tham số KP, KI, KD được chỉnh định theo từng bộ điều khiển mờ riêng
biệt dựa trên sai lệch e(t) và đạo hàm de(t). Có nhiều phương pháp khác
nhau để chỉnh định bộ PID ( xem các phần sau) như là dựa trên phiếm hàm
mục tiêu, chỉnh định trực tiếp, chỉnh định theo Zhao, Tomizuka và Isaka …
Nguyên tắc chung là bắt đầu với các trị KP, KI, KD theo Zeigler-Nichols, sau
đó dựa vào đáp ứng và thay đổi dần để tìm ra hướng chỉnh định thích hợp.
4.3.2. Luật chỉnh định PID:
Tín hiệu ra
c1
đặt d1
b1 b2
a2
Hình 4.7
a1 thời gian
+ Lân cận a1 ta cần luật ĐK mạnh để rút ngắn thời gian lên, do vậy chọn: KP
lớn, KD nhỏ và KI nhỏ.
Trang 17
+ Lân cận b1 ta tránh vọt lố lớn nên chọn: KP nhỏ, KD lớn, KI nhỏ.
+ Lân cận c1 và d1 giống như lân cận a1 và b1.
4.3.3. Ví dụ ứng dụng Matlab

Xây dựng bộ PID mờ để điều khiển lò nhiệt. Hàm truyền lò nhiệt theo
Ke −Ts K
Zeigler-Nichols : G(s) = , tuyến tính hoá G(s)= .
Ls + 1 (Ts + 1)( Ls + 1)
Các bước thiết kế :
1. Xác định biến ngôn ngữ:
• Đầu vào : 2 biến
+ Sai lệch ET = Đo - Đặt
ET (i + 1) − E (i )
+ Tốc độ tăng DET = , với T là chu kỳ lấy mẫu.
T
• Đầu ra : 3 biến
+ KP hệ số tỷ lệ
+ KI hệ số tích phân
+ KD hệ số vi phân
• Số lượng biến ngôn ngữ
ET = {âm nhiều, âm vừa, âm ít, zero, dương ít, dương vừa, dương nhiều}
ET = { N3, N2, N1, ZE, P1, P2, P3 }
DET = { âm nhiều, âm vừa, âm ít, zero, dương ít, dương vừa, dương nhiều}
DET = { N31, N21, N11, ZE1, P11, P21, P31 }
KP/KD = { zero, nhỏ, trung bình, lớn, rất lớn } = {Z, S, M, L,U}
KI = {mức 1,mức 2,mức 3,mức 4, mức 5} = {L1,L2,L3,L4,L5}
μ
N3 N2 N1 ZE P1 P2 P3
ET
0
-12 -8 -4 0 4 8 12 C
http://www.khvt.com
μ
N31 N21 N11 ZE1 P11 P21 P31
DET
0
-0.6 -0.4 -0.2 0 0.2 0.4 0.6 C/s
μ
Z S M L U
KD
0 0.25 0.5 0.75 1 KP
μ
L1 L2 L3 L4 L5
1 1.2 1.4 1.6 1.8 KI
2. Luật hợp thành:
Có tổng cộng là 7x7x3=147 luật IF … THEN

Luật chỉnh định KP
Trang 19
KP DET
N31 N21 N11 ZE1 P11 P21 P31
N3 U U U U U U U
N2 L L L L L L L
N1 M M M M M M M
ET ZE Z Z Z Z Z Z Z
P1 M M M M M M M
P2 L L L L L L L
P3 U U U U U U U
Luật chỉnh định KD:

KD DET
N31 N21 N11 ZE1 P11 P21 P31
N3 U U U U U U U
N2 L L M M M L L
N1 M M M M M M M
ET ZE Z Z Z Z Z Z Z
P1 M M M M M M M
P2 L L M M M L L
P3 U U U U U U U
Luật chỉnh định KI:

KI DET
N31 N21 N11 ZE1 P11 P21 P31
N3 L1 L1 L1 L1 L1 L1 L1
N2 L3 L2 L2 L1 L2 L2 L3
N1 L4 L3 L2 L1 L2 L3 L4
ET ZE L5 L4 L3 L2 L3 L4 L5
P1 L4 L3 L2 L1 L2 L3 L4
P2 L3 L2 L2 L1 L2 L2 L3
P3 L1 L1 L1 L1 L1 L1 L1
http://www.khvt.com
Biểu diễn luật chỉnh định KP trong không gian
3. Chọn luật và giải mờ

+ Chọn luật hợp thành theo quy tắc Max-Min
+ Giải mờ theo phương pháp trọng tâm.
4. Kết quả mô phỏng
Với các thông số : K=1; T=60; L=720
Từ đây theo Zeigler-Nichols ta tìm ra được bộ ba thông số {KP, KI, KD }
Đồ thị dưới đây sẽ cho ta thấy sự khác biệt của điều khiển mờ so với điều
khiển kinh điển.
Tham số theo
T (0C)
Zeigler-Nichols
Tham số
PID mờ
t (s)
Trang 21
4.4. Hệ mờ lai
Hệ mờ lai (Fuzzy Hybrid) là một hệ thống điều khiển tự động trong đó thiết
bị điều khiển bao gồm: phần điều khiển kinh điển và phần hệ mờ
4.4.1. Các dạng hệ mờ lai phổ biến:

1. Hệ mờ lai không thích nghi
Bộ tiền
BỘ ĐK ĐỐI TƯỢNG
Xử lý mờ
Hình 4.8
2. Hệ mờ lai cascade
Δu
BĐK MỜ
x BĐK + u y
KINH ĐIỂN ĐỐI TƯỢNG
Hình 4.9
3. Công tắc mờ
Điều khiển hệ thống theo kiểu chuyển đổi khâu điều khiển có tham số đòi
hỏi thiết bị điều khiển phải chứa đựng tất cả các cấu trúc và tham số khác
nhau cho từng trường hợp. Hệ thống sẽ tự chọn khâu điều khiển có tham số
phù hợp với đối tượng.
Bộ điều khiển n BĐK MỜ
x y
Bộ điều khiển 1 Đối tượng
u
Hình 4.10
http://www.khvt.com
4.4.2. Ví dụ minh hoạ

Hãy xét sự khác biệt khi sử dụng bộ tiền xử lý mờ để điều khiển đối tượng
K
gồm khâu chết nối tiếp với khâu G ( s ) = . Chọn BĐK PI với
s (1 + 0.2 s )
tham số KP = 10, TI = 0.3sec.
Đối tượng
x E + 1 -Δu y
Bộ mờ KR + G(s)
Δx TI s Δu
DE
Sử dụng Simulink kết hợp với toolbox FIS Editor của Matlab để mô phỏng
hệ thống trên.
Đáp ứng hệ thống khi không có bộ mờ:
Trang 23
Thử với các giá trị Δu và K khác nhau cho thấy đặc tính động của hệ sẽ xấu
đi khi vùng chết rộng hoặc hệ số khuếch đại lớn. Để hiệu chỉnh đặc tính
động của hệ thống ta đưa vào bộ lọc mờ như hình vẽ ở trên.
Xây dựng luật điều khiển với 2 đầu vào và một đầu ra như sau:
DE
Δx NB NS ZE PS PB
NB NB NS
NS NS NS NS ZE
E ZE NB NS ZE PS PB
PS PS PS PS PS
PB PB PS PB
Tất cả 18 luật có khuôn dạng như sau:
Nếu E = x1 và DE = x2 Thì Δx = x3
Trong đó x1, x2, x3 ∈ {NB, NS, ZE, PS, PB}
μ μ
NB NS ZE PS PB NB NS ZE PS PB
-1 0 1 E -1 0 1 Δx
-20 0 20 DE
http://www.khvt.com
Từ hai đồ thị trên ta thấy được bộ mờ đã cải thiện rất tốt đặc tính động của
hệ thống. Thử với nhiều Δu khác nhau ta sẽ thấy đáp ứng hầu như không
phụ thuộc vào Δu .
4.5. Hệ mờ mạng nơron và ứng dụng

4.5.1. Mạng nơron nhân tạo
Mạng nơron là sự tái tạo bằng kỹ thuật những chức năng của hệ thần kinh
con người. Mạng nơron gồm vô số các nơron liên kết với nhau như hình sau
Nhân Axon
Khớp nối Hình 4.11
Hai đặc tính cơ bản của mạng nơron là:

+ Quá trình tính toán được tiến hành song song và phân tán trên nhiều
nơron gần như đồng thời.
+ Tính toán thực chất là quá trình học, chứ không phải theo sơ đồ định
sẵn từ trước.
Mô hình toán của mạng nơron nhân tạo : (Artifical Neural Networks)
X Bộ y
tổng
Hàm phi tuyến

Đây là mô hình điều khiển dạng MISO, với đầu vào là n tính hiệu
X={x1,x2,…xn }T, đầu ra là tín hiệu y được xác định:
n
y(t) = f (∑ wk x k (t ) − θ ) ,
k =1
trong đó θ là ngưỡng kích hoạt nơron, wk là các trọng số, f là hàm kích hoạt.
Trang 25
4.5.2. Cấu trúc mạng nơron

Nguyên lý cấu tạo của một mạng nơron là bao gồm nhiều lớp, mỗi lớp bao
gồm nhiều nơron có cùng một chức năng. Sau đây là các dạng liên kết mạng
cơ bản:
a) Mạng truyền thẳng (Feedforward Neural Networks)
x1
y
x2
Lớp vào Lớp bị che Lớp ra

b) Mạng có hồi tiếp:
4.5.3. Một số mạng nơron cơ bản

1. Mạng MLP (Multilayer perceptron)
Có rất nhiều công trình nghiên cứu về mạng MLP và đã cho thấy nhiều ưu
điểm của mạng này. Mạng MLP là cơ sở cho thuật toán lan truyền ngược và
khả năng xấp xỉ liên tục.
Thuật toán lan truyền ngược:
Tập dữ liệu đã cho có n mẫu (xn,dn), với mỗi n, xn là tín hiệu đầu vào, dn là
đầu ra mong muốn. Quá trình học là việc thực hiện cực tiểu hoá hàm G sau:
N
1
∑G ∑
N
G= n , với Gn = q −1
( yq( x n ) − dq( x n )) 2
n =1 N
Q là số nút tại lớp ra của mạng. Còn trọng số liên kết mạng được điều chỉnh
theo phép lặp sau :
http://www.khvt.com
∂G
w(k + 1) = w(k ) − μ , trong đó μ >0 là hằng số tỷ lệ học.
∂ω
Mạng MLP là một giải pháp hữu hiệu cho việc mô hình hoá, đặc biệt với
quá trình phức tạp hoặc cơ chế chưa rõ ràng. Nó không đòi hỏi phải biết
trước dạng hoặc tham số.
2. Mạng RBF (Radial basis functions)
Biểu diễn toán học của RBF
N −1
F ( x ) = C 0 + ∑ C k ϕ ( x − Rk )
k =0
trong đó C : véctơ chứa trọng số RBF

R : véctơ chứa các tâm RBF
ϕ : hàm cơ sở hoặc hàm kích hoạt của mạng
F(x) : hàm nhận được từ đầu ra của mạng
C0 : hệ số chệch
|| || : chuẩn Euclide
Nhờ khả năng xấp xỉ các hàm phi tuyến bất kì với độ chính xác tuỳ ý, mạng
nơron, đặc biệt là mạng RBF là công cụ quan trọng cho mô hình hoá hệ
thống và cho điều khiển thích nghi các hệ thống phi tuyến.
4.5.4. Nhận dạng mô hình và điều khiển sử dụng mạng nơron

1. Nhận dạng thông số mô hình
y(k)
Đối tượng ĐK
u(k) e(k)
Δ Δ
~
y (k )
Mạng nơron
Hình 4.12
Nhận dạng thông số chính là quá trình luyện mạng. Tín hiệu sai số
e= y−~y là cơ sở cho luyện mạng, Δ là thời gian trễ.
2. Điều khiển sử dụng mạng nơron
Ta có nhiều cấu trúc điều khiển sử dụng mạng nơron như:
Trang 27
+ Điều khiển theo vòng hở

+ Điều khiển theo vòng kín
+ Điều khiển với mô hình tham chiếu
+ Điều khiển theo thời gian vượt quá (over time)
+ Bộ điều khiển với quyết định hổ trợ của mạng nơron
Mô hình yd
tham chiếu e
r e BĐK bằng u y
ĐTĐK
mạng nơron
Hình 4.13: Điều khiển với mô hình tham chiếu

và sai số lan truyền qua ĐTĐK
3. Ứng dụng mạng RBF để nhận dạng hệ động lực học phi tuyến
Xét hệ động học phi tuyến của ĐTĐK
x = f ( x) + g ( x)u (4.5)
Giả sử ĐTĐK là ổn định vòng hở, véctơ trạng thái x là quan sát được. Cần
tìm mô hình xấp xỉ (4.5). Chọn A∈Rn x m là ma trận ổn định, ta viết lại (4.5)
dạng :
x = Ax + ( f ( x) − Ax) + g ( x)u
Theo tính chất xấp xỉ của mạng RBF cho hàm phi tuyến: Nếu số lượng các
nút trong lớp ẩn là đủ lớn thì f(x) - Ax và g(x) có thể xấp xỉ bằng các mạng
RBF sau:
f(x)- Ax = W*S(x) và g(x) = V*S(x)
trong đó W* ∈ Rn x N và V* ∈ Rn x N là các ma trận trọng số của các tổ hợp
tuyến tính trên. N xác định số lượng nút trong một lớp RBF của mạng.
S(x) = [ S1, S2, …, SN ]T, véctơ các hàm cơ sở sau:
( )
1
2 −
S k = x − Ck +ρ 2
k
2
, với k = 1, 2, 3,…N
Tâm Ck ∈ Rn và độ rộng ρk ∈ Rn được biết trước. Ta viết lại (4.5) như sau:
x = Ax + W * S ( x) + V * S ( x)u
Vậy mô hình của đối tượng có thể được mô tả bằng phương trình:
http://www.khvt.com
~
x = A~x + WS ( x) + VS ( x)u
trong đó W ∈ R , V ∈ Rn x N là các ma trận ước lượng của W*, V*, ~
nxN
x ∈Rn
là ước lượng trạng thái của x. Gọi
xe = ~ x − x , We = W*-W, Ve = V*-V
Phương trình sai số ước lượng sẽ là :
x e = Axe + We S ( x) + Ve S ( x)u (4.6)
Thuật toán nhận dạng sử dụng hàm Lyapunov:
1 T 1 1
L( x e , We ,Ve ) = xe Pxe + Tr (WeT We ) + Tr (VeT Ve ) (4.7)
2 2 2
với P là ma trận đối xứng xác định dương. Có thể xác định ma trận Q đối
xứng xác định dương thoả phương trình Lyapunov sau:
PA+ATP = - Q.
Thay (4.6) vào (4.7) và lấy đạo hàm ta được:
1 1 1
L = xeT (PA + AT P) xe + S T ( x)WeT Pxe + S T ( x)VeT Pxeu + Tr(WeT We ) + Tr(VeT Ve )
2 2 2
Chọn : Tr (W W ) = − S ( x)W Px
T
e e
T T
e e (4.8)
Tr (V Ve ) = − S ( x)V Pxe u
e
T T
e
T
(4.9)
1
thì : L ( xe ,We , Ve ) = − xeT Qxe (4.10)
2
Do các ma trận W* và V* là ma trận hằng nên từ (4.8), (4.9) ta suy ra thuật
nhận dạng mô hình như sau:
n
W ij = − S j ∑ Pik xek
k =1
n
Vij = − S j ∑ Pik xek u
k =1
với i = 1,2,…,N và j = 1,2,…,N, Pij là phần tử của ma trận Lyapunov P.

Từ (4.7) ta thấy rằng L(xe,We,Ve) ≥ 0
Từ (4.10) nhận được L ( x , W ,V ) ≤ 0
e e e
Vì vậy xe(t)→ 0, We → 0, Ve → 0, hoặc x → x , W→ W*, V→ V* khi t→ ∞.

Để tính toán đơn giản có thể chọn :
A = aI, Q = qI, P = pI, với a > 0, q > 0 và I là ma trận đơn vị
Khi đó thuật toán nhận dạng mô hình đơn giản như sau:
Trang 29
W = − pS x
ij j ei

V = − pS x u
ij j ei
q
Từ phương trình Lyapunov rút ra : p = >0.
2a
Để hội tụ đến trọng số thực, hệ động lực phải có đủ giàu thông tin ở đầu
vào. Vì thế đa số đầu vào được chọn ngẫu nhiên.
4.5.5. Kết hợp mạng nơron và hệ mờ

Qua phân tích ở trên ta có thể thấy được những ưu nhược điểm của mạng
nơron và điều khiển mờ như sau:
Tính chất Mạng Nơron Bộ điều khiển mờ
Thông qua trọng số được Được thể hiện ngay
Thể hiện tri thức thể hiện ẩn trong mạng tại luật hợp thành
Nguồn của tri thức Từ các mẫu học Từ kinh nghiệm
chuyên gia
Xử lý thông tin không Định lượng Định lượng và định
chắc chắn tính
Lưu giữ tri thức Trong nơron và trọng số Trong luật hợp thành
của từng đường ghép nối và hàm thuộc
nơron
Khả năng cập nhật và Thông qua quá trình học Không có
nâng cao kiến thức
Tính nhạy cảm với Thấp Cao
những thay đổi của
mô hình
Từ đó người ta đã đi đến việc kết hợp mạng nơron và điều khiển mờ để hình
thành bộ điều khiển mờ - nơron có ưu điểm vượt trội.
Mạng nơron Bộ điều khiển mờ

Vào • Xử lý tín hiệu nơron vào Ra
• Ước lượng trạng thái • Điều khiển
• Dự báo trạng thái • Ra quyết định
• Nhận dạng hệ thống
Kiến trúc kiểu mẫu của một hệ mờ-nơron
http://www.khvt.com
4.5.6. Thuật toán di truyền (GA)
• Giới thiệu
Thuật toán di truyền là thuật toán tối ưu ngẫu nhiên dựa trên cơ chế chọn lọc
tự nhiên và tiến hóa di truyền. Nguyên lý cơ bản của thuật toán di truyền đã
được Holland giới thiệu vào năm 1962. Cơ sở toán học đã được phát triển từ
cuối những năm 1960 và đã được giới thiệu trong quyển sách đầu tiên của
Holland, Adaptive in Natural and Artificial Systems. Thuật toán di truyền
được ứng dụng đầu tiên trong hai lĩnh vực chính: tối ưu hóa và học tập của
máy. Trong lĩnh vực tối ưu hóa thuật toán di truyền được phát triển nhanh
chóng và ứng dụng trong nhiều lĩnh vực khác nhau như tối ưu hàm, xử lý
ảnh, bài toán hành trình người bán hàng, nhận dạng hệ thống và điều khiển.
Thuật toán di truyền cũng như các thuật toán tiến hóa nói chung, hình thành
dựa trên quan niệm cho rằng, quá trình tiến hóa tự nhiên là quá trình hoàn
hảo nhất, hợp lý nhất và tự nó đã mang tính tối ưu. Quan niệm này có thể
xem như một tiên đề đúng, không chứng minh được, nhưng phù hợp với
thực tế khách quan. Quá trình tiến hóa thể hiện tính tối ưu ở chỗ, thế hệ sau
bao giờ cũng tốt hơn (phát triển hơn, hoàn thiện hơn) thế hệ trước bởi tính
kế thừa và đấu tranh sinh tồn.
• Các phép toán của thuật toán di truyền
1. Tái sinh (Reproduction)

Tái sinh là quá trình chọn quần thể mới thỏa phân bố xác suất dựa trên độ
thích nghi. Độ thích nghi là một hàm gán một giá trị thực cho cá thể trong
quần thể. Các cá thể có độ thích nghi lớn sẽ có nhiều bản sao trong thế hệ
mới. Hàm thích nghi có thể không tuyến tính,không đạo hàm, không liên tục
bởi vì thuật toán di truyền chỉ cần liên kết hàm thích nghi với các chuỗi số.
Quá trình này được thực hiện dựa trên bánh xe quay roulette (bánh xe sổ
xố) với các rãnh được định kích thước theo độ thích nghi. Kỹ thuật này
được gọi là lựa chọn cha mẹ theo bánh xe roulette. Bánh xe roulette được
xây dựng như sau (giả định rằng, các độ thích nghi đều dương, trong trường
hợp ngược lại thì ta có thể dùng một vài phép biến đổi tương ứng để định lại
tỷ lệ sao cho các độ thích nghi đều dương).
Trang 31
- Tính độ thích nghi fi, i=1÷ n của mỗi nhiễm sắc thể trong quần thể hiện
hành,với n là kích thước của quần thể (số nhiễm sắc thể trong quần thể).
n
- Tìm tổng giá trị thích nghi toàn quần thể: F = ∑ f i
i =1
fi
- Tính xác suất chọn pi cho mỗi nhiễm sắc thể: pi =
F
i
- Tính vị trí xác suất qi của mỗi nhiễm sắc thể: qi = ∑ p j
j =1
Tiến trình chọn lọc được thực hiện bằng cách quay bánh xe roulette n lần,
mỗi lần chọn một nhiễm sắc thể từ quần thể hiện hành vào quần thể mới
theo cách sau:
- Phát sinh ngẫu nhiên một số r (quay bánh xe roulette) trong khoảng
[0÷1]
- Nếu r < q1 thì chọn nhiễm sắc thể đầu tiên; ngược lại thì chọn nhiễm
sắc thể thứ i sao cho qi-1 < r ≤ qi
Ví dụ 4.5.6:
Xem xét dân số có 6 nhiễm sắc thể với giá trị tổng thích nghi toàn quần thể
là 50 (bảng 1), bánh xe roulette trong hình 4.14. Bây giờ ta quay bánh xe
roulette 6 lần, mỗi lần chọn một nhiễm sắc thể cho quần thể mới. Giá trị
ngẫu nhiên của 6 số trong khoảng [0÷1] và các nhiễm sắc thể tương ứng
được chọn được cho trong bảng 2.
Chuổi mã Trị thích nghi Xác suất chọn Vị trí xác suất
Nhiễm sắc hóa f(i) pI qi
thể
1 01110 8 0.16 0.16
2 11000 15 0.3 0.46
3 00100 2 0.04 0.5
4 10010 5 0.1 0.6
5 01100 12 0.24 0.84
6 00011 8 0.16 1
Bảng 1: Các nhiễm sắc thể và các giá trị thích nghi
http://www.khvt.com
6 1
5
2
4 3
Hình 4.14: Bánh xe roulette
Số ngẫu nhiên 0.55 0.1 0.95 0.4 0.8 0.7

Nhiễm sắc thể 4 1 6 2 5 5
Bảng 2: Quần thể mới

Qua ví dụ trên ta thấy rằng, có thể sẽ có một số nhiễm sắc thể được chọn
nhiều lần, các nhiễm sắc thể có độ thích nghi cao hơn sẽ có nhiều bản sao
hơn, các nhiễm sắc thể có độ thích nghi kém nhất thi dần dần chết đi.
Sau khi lựa chọn được quần thể mới, bước tiếp theo trong thuật toán di
truyền là thực hiện các phép toán lai ghép và đột biến.
2. Lai ghép (Crossover)

Phép lai là quá trình hình thành nhiễm sắc thể mới trên cơ sở các nhiễm sắc
thể cha - mẹ, bằng cách ghép một hay nhiều đoạn gen của hai (hay nhiều)
nhiễm sắc thể cha - mẹ với nhau. Phép lai xảy ra với xác suất pc, được thực
hiện như sau:
- Đối với mỗi nhiễm sắc thể trong quần thể mới, phát sinh ngẫu nhiên
một số r trong khoảng [0÷1], nếu r < pc thì nhiễm sắc thể đó được chọn
để lai ghép.
Trang 33
- Ghép đôi các nhiễm sắc thể đã chọn được một cách ngẫu nhiên, đối với
mỗi cặp nhiễm sắc thể được ghép đôi, ta phát sinh ngẫu nhiên một số
nguyên pos trong khoảng [0÷m-1] (m là tổng chiều dài của một nhiễm
sắc thể - tổng số gen). Số pos cho biết vị trí của điểm lai. Điều này được
minh họa như sau:
Vị trí lai
b1b2…bposbpos+1…bm
c1c2…cposcpos+1…cm
- Chuyển đổi các gen nằm sau vị trí lai.
b1b2…bposcpos+1…cm
c1c2…cposbpos+1…bm
Như vậy phép lai này tạo ra hai chuỗi mới, mỗi chuổi đều được thừa hưởng
những đặc tính lấy từ cha và mẹ của chúng. Mặc dù phép lai ghép sử dụng
lựa chọn ngẫu nhiên, nhưng nó không được xem như là một lối đi ngẫu
nhiên qua không gian tìm kiếm. Sự kết hợp giữa tái sinh và lai ghép làm cho
thuật toán di truyền hướng việc tìm kiếm đến những vùng tốt hơn.
3. Đột biến (Mutation)

Đột biến là hiện tượng cá thể con mang một (số) tính trạng không có trong
mã di truyền của cha mẹ. Phép đột biến xảy ra với xác suất pm, nhỏ hơn rất
nhiều so với xác suất lai pc. Mỗi gen trong tất cả các nhiễm sắc thể có cơ hội
bị đột biến như nhau, nghĩa là đối với mỗi nhiễm sắc thể trong quần thể hiện
hành (sau khi lai) và đối với mỗi gen trong nhiễm sắc thể, quá trình đột biến
được thực hiện như sau:
- Phát sinh ngẫu nhiên một số r trong khoảng [0÷1]
- Nếu r < pm, thì đột biến gen đó.
Đột biến làm tăng khả năng tìm được lời giải gần tối ưu của thuật toán di
truyền. Đột biến không được sử dụng thường xuyên vì nó là phép toán tìm
http://www.khvt.com
kiếm ngẫu nhiên, với tỷ lệ đột biến cao, thuật toán di truyền sẽ còn xấu hơn
phương pháp tìm kiếm ngẫu nhiên.
Sau quá trình tái sinh, lai và đột biến, quần thể mới tiếp tục được tính toán
các giá trị thích nghi, sự tính toán này được dùng để xây dựng phân bố xác
suất (cho tiến trình tái sinh tiếp theo), nghĩa là, để xây dựng lại bánh xe
roulette với các rãnh được định kích thước theo các giá trị thích nghi hiện
hành. Phần còn lại của thuật toán di truyền chỉ là sự lặp lại chu trình của
những bước trên.
• Cấu trúc của thuật toán di truyền tổng quát

Thuật toán di truyền bao gồm các bước sau:
- Bước 1: Khởi tạo quần thể các nhiễm sắc thể.
- Bước 2: Xác định giá trị thích nghi của từng nhiễm sắc thể.
- Bước 3: Sao chép lại các nhiễm sắc thể dựa vào giá trị thích nghi của
chúng và tạo ra những nhiễm sắc thể mới bằng các phép toán di
truyền.
- Bước 4: Loại bỏ những thành viên không thích nghi trong quần thể.
- Bước 5: Chèn những nhiễm sắc thể mới vào quần thể để hình thành
một quần thể mới.
- Bước 6: Nếu mục tiêu tìm kiếm đạt được thì dừng lại, nếu không trở
lại bước 3.
Trang 35
4.6. Ứng dụng điều khiển mờ trong thiết kế hệ thống
4.6.1 Điều khiển mờ không thích nghi (Nonadaptive Fuzzy Control)

1. Bộ điều khiển mờ tuyến tính ổn định SISO
Phương trình biến trạng thái của hệ SISO
x (t ) = Ax(t ) + bu (t )
y (t ) = cx(t )
u (t ) = − f [ y (t )]
Thay phương trình cuối vào hai phương trình trên ta được hệ mờ vòng kín
như sau:
u x y
b c
Đối tượng ĐK
f(y)
BĐK mờ
Hình 4.15: Cấu trúc hệ SISO
Thiết kế BĐK mờ ổn định SISO

• Bước 1: Giả sử y(t) có miền giá trị là khoảng U=[α β], chia U ra 2N+1
khoảng Ak như hình vẽ bên dưới:
μ
A1 A2 AN AN+1 AN+2 A2N A2N+1
… …
α x1 x2 xN+1 x2N+1 β y
Hình 4.16: Hàm thuộc của BĐK
http://www.khvt.com
• Bước 2: Thành lập 2N+1 luật mờ IF – THEN có khuôn dạng

IF y = Ak THEN u = Bk
trong đó k = 1,2,….,2N+1 và trọng tâm y của khoảng mờ Bk là:
⎧≤ 0 → k = 1,..., N
⎪
y ⎨= 0 → k = N + 1 (4.11)
⎪≥ 0 → k = N + 2,...,2 N + 1
⎩
• Bước 3: Chọn luật hợp thành tích, giải mờ theo phương pháp trung bình
trọng số, ta có luật điều khiển như sau:
∑
2 N +1
yμ Ak ( y )
u = − f ( y) = − k =1
∑
2 N +1
k =1
μ A ( y)
k
với y thoả (4.11) và μ Ak ( y ) được nêu trong Hình 4.16.

2. Bộ ĐK mờ tuyến tính ổn định MIMO
Phương trình biến trạng thái của hệ MIMO:
x (t ) = Ax(t ) + Bu (t )
(4.12)
y (t ) = Cx(t )
Giả sử hệ có m đầu vào và m đầu ra thì u(t) = (u1(t),…,um(t))T có dạng :
uk(t) = - fk[y(t)] (4.13)
với k=1,2,…,m và fk[y(t)] là hệ mờ m đầu vào 1 đầu ra.
Mô hình hệ thống có cấu trúc như Hình 4.15, nhưng thay cho các số b,c bởi
các ma trận B,C, hàm vô hướng f bởi véctơ f = (f1,f2,…,fm)T.
Thiết kế BĐK mờ ổn định MIMO
• Bước 1: Giả sử đầu ra yk(t) có miền giá trị là Uk = [αk βk], với k=1,…,m.
Chia Uk ta 2N+1 khoảng Akli và thiết lập hàm thuộc như Hình F.2
• Bước 2: Thành Lập m nhóm luật mờ IF – THEN, nhóm thứ k chứa
∏i =1 (2 N k + 1) luật dạng:
m
IF y1= A1l1 And …. And ym= Amlm , THEN u= Bkl1 ...lm

Trong đó li=1,2,…,2Nk+1; k=1,2,…,m và trọng số y kl1 ...lm của tập mờ Bkl1 ...lm
đựơc chọn như sau:
Trang 37
⎧≤ 0 → l k = 1,2,..., N k
⎪
⎨= 0 → l k = N k + 1
l1 ...l m
y k (4.14)
⎪≥ 0 → l = N + 2,...,2 N + 1
⎩ k k k
• Bước 3: Chọn luật hợp thành tích, giải mờ theo phương pháp trung bình
trọng số, ta được luật điều khiển:
∑ ...∑l y kl1 ...lm (∏i =1 μ Ali ( y i ))

2 N1 +1 2 N m +1 m
l1 =1 m =1
uk = − f k ( y) = − i
(4.15)
∑ ...∑l =1 ∏i =1 A i
2 N1 +1 m m
l1 =1
( μ l ( yi ))
m i
với k=1,2,…,m.
3. Bộ điều khiển mờ tối ưu

Phương trình trạng thái
x (t ) = Ax(t ) + Bu (t )
(4.16)
x(0) = x0
với x ∈ Rn và u ∈ Rm, và chỉ tiêu chất lượng dạng toàn phương:
[ ]
T
J = x T (T ) Mx(T ) + ∫ x T (t )Qx(t ) + u T (t ) Ru (t ) dt (4.17)
0
n×n n×n
với M ∈ R ,Q∈R , R ∈ Rm × m là các ma trận xác định dương.
Ta xác định u(t) dạng như (4.15), với u(t) = (u1,u2,…,um)T
∑ ...∑l y kl1 ...lm (∏i =1 μ Ali ( xi ))

2 N1 +1 2 N n +1 n
l1 =1 n =1
uk = − f k ( x) = − i
(4.18)
∑ ...∑l (∏i =1 μ Ali ( xi ))
2 N1 +1 2 N n +1 n
l1 =1 n =1 i
Chúng ta cần xác định thông số y kl1 ...ln để cực tiểu J.

Ta định nghĩa hàm mờ cơ sở b(x) = (b1(x), …, bN(x))T với:
∏
n
i =1
μ A ( xi )
li
bl ( x) = i
(4.19)
∑ ...∑ (∏i =1 μ Ali ( xi ))
2 N1 +1 2 N n +1 n
l1 =1 ln =1 i
với li = 1,2,…,2Ni+1; l = 1,2,…,N và N = ∏i =1 (2 N i + 1) . Ta định nghĩa

n
ma trận thông số Θ ∈ Rm × N như sau :
http://www.khvt.com
[
Θ = − Θ1T ,−Θ T2 ,...,−Θ Tm ]T
(4.20)
với Θ Tk ∈ R 1× N chứa N thông số y kl1 ...ln , có bậc giống như bl(x). Ta viết lại tín
hiệu điều khiển mờ dạng u = (u1,u2,..,um)T = (-f1(x),…,-fn(x))T như sau:
u = Θb(x) (4.21)
Giờ ta giả sử Θ = Θ(t). Thay (4.21) vào (4.16) và (4.17) ta được :
x (t ) = Ax(t ) + BΘ(t )b[x(t )] (4.22)
và hàm chỉ tiêu chất lượng là :
[ ]
T
J = x (T ) Mx(T ) + ∫ x T (t )Qx(t ) + b T ( x(t ))Θ T (t ) RΘ(t )b( x(t )) dt
T
(4.23)
0
Vì vậy vấn đề cần giải quyết bây giờ là xác định Θ(t) tối ưu để cự tiểu hoá J.
Xét hàm Hamilton:
H ( x, Θ, p) = x T Qx + b T ( x)Θ T RΘb( x) + p T [ Ax + BΘb( x)] (4.24)
∂H
Ta có: = 2 RΘb( x)b T ( x) + B T pb T ( x) = 0
∂Θ
1
Suy ra : Θ = − R −1 B T pb T ( x)[b( x)b T ( x)]−1 (4.25)
2
Thay (4.25) vào (4.24) ta được:
H ∗ ( x, p ) = x T Qx + p T Ax + [α 2 ( x) − α ( x)] p T BR −1 B T p (4.26)
1 T
trong đó: α ( x) = b ( x)[b( x)b T ( x)]−1 b( x) (4.27)
2
Áp dụng nguyên lý cực tiểu Pontryagin ta được:
∂H ∗
x = = Ax + 2[α 2 ( x) − α ( x)]BR −1 B T p (4.28)
∂p
∂H ∗ ∂α ( x) T
p = − = −2Qx − AT p − [2α ( x) − 1] p BR −1 B T p (4.29)
∂x ∂x
Giải hai phương trình vi phân (4.27) và (4.28) ta sẽ được x*(t) và p*(t), từ đó
ta xác định được:
1
Θ ∗ (t ) = − R −1 B T p ∗ (t )b T ( x ∗ (t ))[b( x ∗ (t ))b T ( x ∗ (t ))]−1 (4.30)
2
Trang 39
Và bộ mờ tối ưu sẽ là:
u ∗ = Θ ∗ (t )b( x) (4.31)
Các bước để thiết kế BĐK mờ tối ưu:
• Bước 1: Xác định hàm thuộc μ Ali ( xi ) , với li = 1,2,…,2Ni+1 và I = 1,…,n.
i
Chọn dạng hàm thuộc là Gaussian.

• Bước 2: Tính hàm mờ cơ sở bl(x) theo (4.19) và tính α(x) theo (4.27), xác
∂α ( x)
định trị đạo hàm : .
∂x
• Bước 3: Giải (4.28) và (4.29) để được x*(t) và p*(t), tính Θ*(t) theo (4.30)
với t∈[0 T].
• Bước 4: Xác định BĐK mờ tối ưu từ (4.31)
Ví dụ ứng dụng:
Hãy thiết kế và mô phỏng hệ thống “Quả bóng và đòn bẩy” như hình vẽ sau:
r u
O θ
Hình 4.17
Thiết kế BĐK mờ để điều khiển quả bóng di chuyển từ điểm gốc O đến mục
tiêu (vị trí đặt) cách O khoảng r. Chọn biến trạng thái như sau:
x = (r , r,θ ,θ) T = ( x , x , x , x ) T và y = r = x1
1 2 3 4
Phương trình biến trạng thái được chọn là:

⎡ x1 ⎤ ⎡ x2 ⎤ ⎡0 ⎤
⎢ x ⎥ ⎢α ( x x 2 − β sin x3 )⎥⎥ ⎢⎢0⎥⎥
⎢ 2⎥ = ⎢ 1 4
+ u
⎢ x 3 ⎥ ⎢ x4 ⎥ ⎢0 ⎥
⎢ ⎥ ⎢ ⎥ ⎢ ⎥
⎣ x 4 ⎦ ⎣ 0 ⎦ ⎣1⎦
Chọn M=0, Q=I, R=I, Ni=2 với i=1,2,3,4. Chọn hàm thuộc dạng:
μ A ( xi ) = exp[−2( xi − xil ) 2 ]
li
i
ip
http://www.khvt.com
Trong đó i=1, 2, 3, 4; li=1, 2, 3, 4, 5 và xili = ai + bi (li − 1) với a1 = a2= - 2,

a3=a4=-1, b1=b2=1, b3=b4=0.5.
Chọn α = 0.7143, β = 9.81. Kết quả mô phỏng với 3 mục tiêu khác nhau:
mục tiêu
điều khiển
4. Điều khiển mờ có hệ thống giám sát
Đối tượng
Bộ ĐK mờ
Bộ ĐK giám sát
Hình 4.18
• Thiết kế bộ giám sát

Xét hệ thống phi tuyến được cho bởi phương trình vi phân:
x ( n ) = f ( x, x ,..., x ( n −1) ) + g ( x, x ,..., x ( n −1) )u (4.32)
trong đó x = ( x, x ,..., x ( n −1) ) T là véctơ trạng thái ra, u ∈ R là tín hiệu điều
khiển, f và g là các hàm chưa biết, giả thiết g > 0.Giả sử ta đã có BĐK mờ:
u = ufuzz(x)
Trang 41
Giả sử |x(t)| ≤ Mx, ∀x với Mx = const. Khi thêm bộ giám sát thì tín hiệu điều
khiển hệ thống sẽ là:
u = ufuzz(x) + I*us(x) (4.33)
trong đó I* = 1 nếu |x(t)| ≥ Mx, I* = 0 nếu |x(t)| < Mx. Ta cần thiết kế bộ
giám sát us(t).
x(n) = f(x) + g(x)ufuzz(x) + g(x)I*us(x) (4.34)
U U
Giả sử ta luôn xác định được hai hàm f (x) và gL(x) sao cho |f(x)| ≤ f (x) và
0 < gL(x) ≤ g(x).
Đặt : u∗ =
1
g ( x)
[
− f ( x) − k T x ] (4.35)
Trong đó k = (kn,kn-1,..,k1)T ∈R. Ta viết lại (4.34) như sau:

[
x ( n ) = − k T x + g u fuzz − u ∗ + I ∗ u s ] (4.36)
⎡ 0 1 0 0 ... 0 0 ⎤
⎢ 0 0 1 0 ... 0 0 ⎥⎥
⎢
Đặt A = ⎢ ... ... ... ... ... ... ... ⎥
⎢ ⎥
⎢ 0 00 0 0 ... 0 1 ⎥
⎢⎣− k n − k n −1 ... ... ... − k 2 − k1 ⎥⎦
⎡0⎤
⎢...⎥
b=⎢ ⎥
⎢0⎥
⎢ ⎥
⎣g ⎦
Viết (4.36) dạng véctơ :
x = Ax + b[u fuzz − u ∗ + I ∗ u s ] (4.37)
1 T
Xét hàm Lyapunov : V = x Px (4.38)
2
Trong đó P là ma trận đối xứng xác định dương thoả phương trình
Lyapunov : AT P + PA = −Q (4.39)
Từ (4.37), (4.39) và xét trường hợp |x| ≥ Mx , ta có:
http://www.khvt.com
1
V = − x T Qx + x T Pb[u fuzz − u ∗ + u s ] ≤ x T Pb ( u fuzz + u ∗ ) + x T Pbu s (4.40)
2
Ta cần tìm us để V ≤ 0 , kết hợp phương trình trên với (4.6.25) ta đựơc:
⎡ 1 ⎤
u s = − sign( x T Pb) ⎢ ( f U + k T x ) + u fuzz ⎥ (4.41)
⎣ gL ⎦
Thay (4.41) vào (4.40) ta sẽ được V ≤ 0 .
• Ví dụ (4.6.1.4)
Thiết kế hệ thống có bộ giám sát để giữ cân bằng cho con lắc ngược.
Mô hình:
θ = x 2
θ=x1
l
mgsinθ
mc u
Hình 4.19
Phương trình trạng thái:

x1 = x 2 (4.42)
mlx 22 cos x1 sin x1 cos x1
g sin x1 −
mc + m mc + m
x 2 = 2
+ u (4.43)
4 m cos x1 4 m cos 2 x1
l( − ) l( − )
3 mc + m 3 mc + m
Thiết kế bộ giám sát
Đầu tiên ta tìm fU và gL, ta có
mlx 22 cos x1 sin x1 0.25 2

g sin x1 − 9.8 + x2
mc + m 1.1
f ( x1 , x 2 ) = ≤ = 15.78 + 0.0366 x 22
4 m cos x1 2
2 0.05
l( − ) −
3 mc + m 3 1.1
Trang 43
chọn f U ( x1 , x 2 ) = 15.78 + 0.0366 x 22

Để con lắc ổn định thì góc x1 = θ ≤ 200. Suy ra Mx = 200.
cos 20 0
g ( x1 , x 2 ) ≥ = 1.1
2 0.05
1.1( + 2 0
cos 20 )
3 1.1
chọn gL(x1,x2) = 1.1
Chọn các thông số thiết kế như sau:
⎡10 0 ⎤
a = π/18, k1 = 2, k2 = 1 , Q = ⎢ ⎥
⎣ 0 10⎦
⎡15 5 ⎤
Giải phương trình Lyapunov (4.39) ta được : P = ⎢ ⎥
⎣ 5 15⎦
Thiết kế BĐK mờ để được ufuzz(x).
Từ (4.41) ta sẽ được BĐK có giám sát hệ con lắc ngược.
Dùng simulink của matlab chạy mô phỏng ta sẽ thấy được tính ưu việt khi
có và không sử dụng bộ giám sát.
5. Điều khiển mờ trượt
1. Nguyên lý điều khiển trượt

Xét hệ thống phi tuyến
x ( n ) = f ( X ) + g ( X )u (4.44)
y(t) = x(t)
trong đó u là tín hiệu điều khiển, x là tín hiệu ra, X = ( x, x ,..., x ( n −1) ) T là
véctơ trạng thái. Trong (G.1) f(X) là hàm chưa biết và bị chặn bởi một hàm
đã biết:
f ( X ) = fˆ ( X ) + Δf ( X ) (4.45)
và Δf ( X ) ≤ F ( X ) (4.46)
0 < g0 < g(X) <g1 (4.47)
trong đó fˆ ( X ), F ( X ) đã biết, g0, g1 là các hằng số dương.
Đối với mục tiêu điều khiển ổn định hệ thống thì chúng ta cần xác định luật
điều khiển hồi tiếp u = u(X) sao cho ngõ ra của hệ thống x → 0 khi t → ∞ .
http://www.khvt.com
Để làm được điều này ta đưa ra hàm trượt sau:

d n −1 x d n−2 x dx
S= n −1
+ a n−2 n−2
+ ... + a1 + a0 x (4.48)
dt dt dt
trong đó n là bậc của đối tượng.
Các hệ số a0, a1, … , an-2 phải được chọn sao cho đa thức đặc trưng của
phương trình vi phân S=0 là đa thức Hurwitz.
Phương trình S=0 mô tả một mặt trong không gian trạng thái n chiều gọi là
mặt trượt ( Sliding surface).
Ta cần xác định luật điều khiển u sao cho S → 0 để có x → 0.
Đối với điều khiển bám mục tiêu, ta cần xác định luật điều khiển u = u(X)
sao cho trạng thái của hệ thống vòng kín sẽ bám theo trạng thái mong muốn
(
X d = x d , x d ,..., x d( n −1) )
T
Gọi e là sai lệch giữa tín hiệu ra và tín hiệu đặt:

(
e = X − X d = e, e,..., e ( n −1) )
T
Mục tiêu điều khiển là triệt tiêu e khi t → ∞.

Định nghĩa hàm trượt :
d n −1e d n−2 e de
S (e) = n −1 + a n − 2 n − 2 + ... + a1 + a0 e (4.49)
dt dt dt
trong đó n là bậc của đối tượng điều khiển, các hệ số a0, a1, … an-2 được
chọn sao cho đa thức đặc trưng của S(e)=0 là đa thức Hurwitz.
Sử dụng phương pháp Lyapunov, chọn hàm V xác định dương như sau:
1 2
V = S (4.50)
2
⇒ V = SS (4.51)
Để V xác định âm ta chọn luật điều khiển u sao cho:
Khi S>0 thì S <0
Khi S<0 thì S >0
Do vậy với hàm trượt S(e) ta xác định luật điều khiển u thoả:
dS
sign( S ) < 0 (4.52)
dt
Trang 45
Với luật điều khiển như vậy, hệ thống sẽ ổn định theo tiêu chuẩn Lyapunov,
lúc này mọi quỹ đạo trạng thái của hệ thống bên ngoài mặt trượt sẽ được
đưa về mặt trượt và duy trì một cách bền vững.
x2= x
S=0
x1
Hình 4.20 Mặt trượt bậc hai
2. Hệ thống điều khiển trượt mờ

Xét hệ thống (4.44), ta cần xác định luật điều khiển u để đưa ngõ ra của hệ
thống bám theo theo giá trị mong muốn cho trước y(t) → yd(t) hay nói cách
( )
khác là e (i ) = y (i ) − y d( i ) → 0 , i = 0,1,…,n-1
Dựa vào đặt tính của bộ điều khiển trượt ta cần thực hiện hai bước sau:
Bước 1: Chọn mặt trượt S
Bước 2: Thiết kế luật điều khiển cho hệ thống rơi vào mặt trượt S = 0 và
duy trì ở chế độ này mãi mãi.
Gọi
T
(
e(t ) = (e1 (t ), e2 (t ),..., en (t ) ) = e(t ), e(t ),..., e ( n −1) (t ) )
T
Chọn hàm trượt:

d n −1e d n−2 e de
S (e) = n −1 + bn − 2 n − 2 + ... + b1 + b0 e (4.53)
dt dt dt
Trong đó b0, b1,…,bn-2 được chọn sao cho nghiệm của đa thức đặc trưng
p n −1 + bn − 2 p n − 2 + ... + b1 p + b0 = 0 đều nằm bên trái mặt phẳng phức.
Mặt trượt S được cho bở phương trình S(e) = 0, luật điều khiển u được chọn
dS
sao cho sign( S ) < 0 .
dt
http://www.khvt.com
3.Thiết kế bộ điều khiển mờ trượt bậc hai

Xét hệ thống phi tuyến bậc hai sau:
x = f ( X ) + g ( X )u (4.54)
y=x (4.55)
trong đó X = (x, x ) là véctơ trạng thái, u là ngõ vào điều khiển y(t) là ngõ
T
ra của hệ thống.
Mục tiêu của điều khiển là xác định luật điều khiển u để ngõ ra của hệ thống
bám theo quỹ đạo mong muốn yd(t) với sai số nhỏ nhất.
Luật điều khiển u gồm 2 thành phần:
u = ueq + us (4.56)
Thành phần ueq được thiết kế như sau:
u eq (t ) =
gˆ
[
1 ˆ
]
− f ( X , t ) + yd (t ) − λe , (λ>0) (4.57)
Thành phần us được chọn là:
u s (t ) ≥
1
gˆ
[α ( F ( X , t ) + η ) + (α − 1) u eq (t ) ] (4.58)
Trong đó fˆ ( X , t ) là giá trị ước lượng của f(X,t)

F(X,t) là cân trên của sai số ước lượng
0 < g0 < g(X) < g1
gˆ = g 0 g1
g1
α=
g0
Luật điều khiển mờ được thiết kế như sau:
⎧⎪u − (t ), → S < 0
u (t ) = ⎨ + (4.59)
⎪⎩u (t ), → S > 0
Trong đó:
[
u − (t ) = u eq (t ) + kgˆ −1 α ( F ( X , t ) + η ) + (α − 1) u eq (t ) ]
u + (t ) = u eq (t ) − kgˆ −1 [α ( F ( X , t ) + η ) + (α − 1) u eq (t ) ] (4.60)
(k ≥ 1)
Trang 47
Hệ qui tắc mờ có khuôn dạng như sau:

R1 : Nếu S<0 Thì u 1 (t ) = u − (t )
R2 : Nếu S>0 Thì u 2 (t ) = u + (t ) (4.61)
Chọn luật hợp thành tích, giải mờ theo phương pháp trọng tâm, luật điều
khiển u được xác định như sau:
r
∑ β (S )u (t )i
i
u (t ) = i =1
r
(4.62)
∑ β (S )
i =1
i
Với r : số luật mờ
n
β i (S ) = ∏ μ A (S ) i
j
j =1
μ A (S ) là hàm thuộc có dạng Gaussian như sau:

i
j
Hình 4.21 : Dạng hàm thuộc để mờ hóa
4. Thiết kế BĐK mờ trượt cho hệ thống nâng vật trong từ trường
Mô hình:
Hình 4.22 minh hoạ một hệ thống nâng vật bằng từ trường, từ trường được
tạo ra từ cuộn dây quấn quanh lõi thép, cuộn dây nhận áp điều khiển u.
http://www.khvt.com
Hình 4.22 : Hệ thống nâng vật trong từ trường
Phương trình toán mô tả hệ thống

⎧ dh
⎪ =v
⎪ dt
⎪ d ( L(h)i )
⎨u = Ri + (4.63)
⎪ dt
⎪ dv ⎛i⎞
2
⎪m = mg − C ⎜ ⎟
⎩ dt ⎝h⎠
Trong đó:
h : vị trí hòn bi (m)
v : vận tốc hòn bi (m/s)
i : dòng điện qua cuộn dây (A)
u : điện áp cung cấp cho cuộn dây (V)
R, L : điện trở và điện cảm cuộn dây (Ω, H)
C : hằng số lực từ (Nm2/A2)
m : khối lượng hòn bi (Kg)
g : gia tốc trọng trường. (m/s2)
Điện cảm của cuộn dây là một hàm phi tuyến phụ thuộc vào vị trí của hòn bi
2C
L(h) = L1 + (4.64)
h
L1 là điện cảm của cuộn dây khi hòn bi ở rất xa.
Chọn biến trạng thái như sau:
Trang 49
x1 = h, x2 = v, x3 = i (4.65)
Véctơ trạng thái của hệ thống X = (x1, x2, x3)T
Từ (4.63), (4.64) và (4.65) ta được phương trình trạng thái:
⎧
⎪
⎪ x1 = x 2
⎪ 2
⎪ C ⎛ x3 ⎞
⎨ x 2 = g − ⎜⎜ ⎟⎟ (4.66)
⎪ m ⎝ x1 ⎠
⎪ ⎛ ⎞
⎪ x 3 = R x3 + 2C ⎜ x 2 x3 ⎟ + 1 u
⎪⎩ L L ⎜⎝ x12 ⎟⎠ L
Điểm cân bằng của hệ thống là nghiệm của hệ (x1 = 0, x 2 = 0, x 3 = 0)
gm
Giải ra được Xb = [x1b, 0, x3b ]T , với x3b = x1b
C
Gọi Xd = [ x1d, x2d, x3d ]T là véctơ trạng thái mong muốn.
Mục tiêu của hệ thống là đưa X tiến về Xd với sai số nhỏ nhất.
Thiết kế BĐK trượt

Thực hiện phép đổi trục như sau:
⎧
⎪
⎪ z1 = x1 − x1d
⎪ (4.67)
⎨ z 2 = x2
⎪ 2
⎪ z = g − C ⎛⎜ x 3 ⎞⎟
⎪ 3
⎩ m ⎜⎝ x1 ⎟⎠
Lúc này ta cần xác định luật điều khiển u sao cho Z = (z1, z2, z3)T tiến về
(0,0,0)T khi t → ∞, khi ấy X → Xd.
Kết hợp (4.66), (4.67) và một số phép biến đổi ta được:
⎧
⎪
⎪ z1 = z 2
⎪ (4.68)
⎨ z 2 = z 3
⎪
⎪ z = 2( g − z )⎡ z 2 ⎛
⎜⎜1 −
2C ⎞ R⎤
⎟⎟ + ⎥ −
2 C
( g − z 3 )u
3 ⎢
⎪ 3 ⎢⎣ z1 + x1d ⎝ L( z1 + x1d ) ⎠ L ⎥⎦ L ( z1 + x1d ) m
⎩
http://www.khvt.com
Đặt
⎧ 2 C
⎪g ( z) = − ( g − z 3 )u
⎪ L( z1 + x1d ) m
⎨ (4.69)
⎪ f ( z ) = 2( g − z ) ⎡ z 2 ⎛⎜1 − 2C ⎞ R⎤
⎟⎟ + ⎥
⎪ 3 ⎢ ⎜
⎩ ⎣ z1 + x1d ⎝ L( z1 + x1d ) ⎠ L ⎦
Từ (4.68) và (4.69) ta được mô hình động học của hệ thống trong hệ toạ độ
mới như sau:
⎧ z 1 = z 2
⎪
⎨ z 2 = z 3 (4.70)
⎪ z = f ( z ) + g ( z )u
⎩ 3
Ngõ ra của hệ thống trong hệ tọa độ mới là:
e = z1 = x1 − x1d (4.71)
Mối quan hệ ngõ vào và ngõ ra:

e (3) = f ( z ) + g ( z )u (4.72)
Hai hàm f(z), g(z) tương ứng trong hệ toạ độ ban đầu là f1(x), g1(x):
⎧ 2C ⎛⎜ x 2 x32 ⎛ 2C ⎞ R ⎛ x3 ⎞
2
⎞
⎪ f1 ( x) = ⎜⎜1 − ⎟⎟ + ⎜⎜ ⎟⎟ ⎟
⎪ m ⎜ x13 ⎝ Lx1 ⎠ L ⎝ x1 ⎠ ⎟
⎨ ⎝ ⎠ (4.73)
⎪ 2Cx3
⎪ g1 ( x) = −
⎩ Lmx12
Ta viết lại (4.72) trong hệ toạ độ ban đầu:
e ( 3) = f 1 ( x) + g1 ( x)u (4.74)
Chọn mặt trượt như sau:
S = e + a1e + a 0 e (4.75)
Với a1, a0 được chọn sao cho đa thức đặt trưng của phương trình S = 0 là
Hurwitz.
Từ (4.75) và (4.70) ta được:
S = z 3 + a1 z 2 + a 0 z1 (4.76)
Lấy đạo hàm của S theo thời gian ta được:
S = z 3 + a1 z 2 + a 0 z1 = f ( z ) + g ( z )u + a1 z 3 + a 0 z 2 (4.77)
Chọn luật điều khiển u như sau:
Trang 51
1
u= [− f ( z ) − a1 z 3 − a0 z 2 − Wsign( z 3 + a1 z 2 + a0 z1 )] (4.78)
g ( z)
S = −Wsign( z 3 + a1 z 2 + a 0 z1 ) = −Wsign( S ) (4.79)
Nếu chọn W là hằng số dương thì ta sẽ được SS < 0 . Do vậy biến trạng thái
Z sẽ hội tụ về zero khi t → ∞ thoả yêu cầu đề ra.
Ta có thể viết lại mặt trượt S dưới dạng hàm của x1, x2, x3 như sau:
2
C⎛x ⎞
S = g − ⎜⎜ 3 ⎟⎟ + a1 x 2 + a 0 ( x1 − x1d ) (4.80)
m ⎝ x1 ⎠
Và luật điều khiển u là:
1⎡ ⎛ C ⎛ x3 ⎞ ⎞⎟ ⎛ ⎞⎤
2 2
C ⎛ x3 ⎞
u = ⎢− f1 − a1 g − ⎜⎜ ⎟⎟ − a0 x2 − Wsign g − ⎜⎜ ⎟⎟ + a1x2 + a0 ( x1 − x1d ) ⎟⎥
⎜ ⎜
g1 ⎢ ⎜ m ⎝ x1 ⎠ ⎟ ⎜ m ⎝ x1 ⎠ ⎟⎥
⎣ ⎝ ⎠ ⎝ ⎠⎦
(4.81)
Các thông số mô phỏng của hệ thống

Khối lượng hòn bi m = 11.87g, bán kính R = 7.14mm, một nam châm điện, điện trở cuộn
dây R = 28.7Ω, điện kháng L1 = 0.65H, hằng số lực từ C=1.4×10- 4Nm2A2.
Kết quả mô phỏng bắng simulink của Matlab như sau:
Hình 4.23: Vị trí và áp điều khiển khi tín hiệu đặt biến thiên
http://www.khvt.com
Hình 4.24: Vị trí và áp điều khiển khi tín hiệu đặt là

ằ
Thiết kế BĐK trượt mờ cho hệ thống nâng vật trong từ trường

Trong phần thiết kế BĐK trượt ta đã biết luật điều khiển u như sau:
1 ⎡ ⎛ C⎛x ⎞ ⎞
2
⎤
u= ⎢− f1 − a1 ⎜ g − ⎜ 3 ⎟ ⎟ − a0 x2 − Wsign(S )⎥
g1 ⎢ ⎜ m ⎜⎝ x1 ⎟⎠ ⎟ ⎥
⎣ ⎝ ⎠ ⎦
với S được xác định từ (4.80), f1 và g1 được xác định từ (4.73).
Do trong luật điều khiển có hàm sign nên gây ra hiện tượng dao động, để
khắc phục nhược điểm này ta thêm khâu xử lý mờ trong bộ điều khiển để
thay thế cho hàm sign.
Chọn luật điều khiển u = ueq + us , với:
1 ⎡ ⎛ C ⎛ x3 ⎞ ⎞⎟ ⎤
2
u eq = ⎜
⎢− f1 − a1 g − ⎜⎜ ⎟⎟ − a0 x 2 ⎥ (4.82)
g1 ⎢ ⎜ m ⎝ x1 ⎠ ⎟ ⎥
⎣ ⎝ ⎠ ⎦
Trang 53
Các bước xây dựng bộ mờ:

Bước 1: Mờ hoá mặt trượt S
Hình 4.25:Hàm thuộc với 5 tập mờ

Bước 2: Xây dựng hệ qui tắc mờ:
R1: If S is zero Then u1 = ueq
R2: If S is pos Then u2 = ueq + C0
R3: If S is lpos Then u3 = ueq + C1
R4: If S is neg Then u4 = ueq – C0
R5: If S is lneg Then u5 = ueq – C1
C0, C1 là các hằng số dương C0 > C1
Bước 3: Giải mờ
Bằng phương pháp giải mờ trọng tâm, luật điều khiển u được xác định:
5
∑β u i
i
u= i =1
5
(4.83)
∑β
i =1
i
Trong đó βi là độ đúng của qui tắc thứ i :

β1 = μ zero ( S )
β 2 = μ pos ( S )
β 3 = μ lpos ( S ) (4.84)
β 4 = μ neg ( S )
β 5 = μ ln eg ( S )
http://www.khvt.com
Kết quả mô phỏng
•Sử dụng 3 tập mờ, chọn C0 = 350.
Hình 4.26: Vị trí và áp ĐK khi tín hiệu đặt là xung vuông
Hình 4.27 Vị trí và áp ĐK khi tín hiệu đặt là hắng số
Trang 55
•Sử dụng 5 tập mờ, chọn C0 =100 và C1 = 350.
Hình 4.28 Vị trí và áp ĐK khi tín hiệu đặt là xung vuông
Hình 4.29: Vị trí và áp ĐK khi tín hiệu đặt là hằng số
http://www.khvt.com
•Sử dụng 7 tập mờ, chọn C0 = 100, C1 = 200 và C2 = 350.
Hình 4.30: Vị trí và áp ĐK khi tín hiệu đặt là xung vuông
Hình 4.31: Vị trí và áp ĐK khi tín hiệu đặt là hằng số
Kết luận
- Việc thêm BĐK mờ đã triệt tiêu hiện tượng dao động.
- Đáp ứng hệ thống tốt hơn.
- Chọn 5 tập mờ là thích hợp nhất khi xây dựng BĐK mờ.
Trang 57
4.6.2. Điều khiển mờ thích nghi (Adaptive Fuzzy Control)

•Mô hình cơ bản của BĐK mờ thích nghi:
ym
Mô hình tham chiếu
r u y
Đối tượng
e
Bộ điều khiển mờ
θ
Luật thích nghi
Hình 4.32 θ = h(θ , e)
•Phân loại các BĐK mò thích nghi:

+BĐK mờ thích nghi gián tiếp
+BĐK mờ thích nghi trực tiếp
+BĐK mờ thích nghi hỗn hợp
1. Thiết kế BĐK mờ thích nghi gián tiếp
ym
Đối tượng
x(n) =f(x)+g(x)u, y=x
BĐK mờ
u I = [− fˆ ( x | θ f ) + y m( n ) + k T e] / gˆ ( x | θ g )
θf, θg
Luật thích nghi
Điều kiện

θ f = −γ 1e T Pbξ
ban đầu
θf(0), θg(0) θ = −γ e T Pbηu
g 2 I
Hình 4.33: Hệ thống ĐK mờ thích nghi gián tiếp
http://www.khvt.com
•Phương trình trạng thái

x ( n ) = f ( x, x ,..., x ( n −1) + g ( x, x ,..., x ( n −1) )u (4.85)
y=x (4.86)
T
trong đó u ∈ R là đầu vào, y ∈ R là đầu ra, x = (x1,x2,…,xn) là véctơ trạng
thái; f(x) và g(x) là hai hàm mô tả chưa biết được diễn tả qua luật mờ:
Nếu x1 = F1r và … và xn = Fnr Thì f(x) = Cr (4.87)
Nếu x1 = G1r và … và xn = Gnr Thì f(x) = Ds (4.88)
•Thiết kế BĐK mờ
Nếu f(x) và g(x) được biết trước thì việc thiết kế khá đơn giản như đã nói ở
các phần trước, ta sẽ được luật điều khiển như sau:
u∗ =
1
g ( x)
[− f ( x) + y m( n ) + k T e ] (4.89)
với e = y m − y = y m − x = (e, e,..., e ( n −1) ) T và k = (k n , k n −1 ,..., k1 ) T

Thay (4.89) vào (4.85) ta được :
e ( n ) + k1e ( n −1) + ... + k n e = 0
Chọn k sao cho e(t) → 0 khi t → ∞, khi ấy y → ym.
Khi f(x) và g(x) chưa biết rõ thì ta thay bởi hệ mờ fˆ ( x) và gˆ ( x) . Để nâng
cao độ chính xác thì ta phải để một số thông số của fˆ ( x) và gˆ ( x) tự do.
M M
Giả sử ta chọn hai thông số θ f ∈ R f và θ g ∈ R g là tự do, ta ký hiệu như
sau : fˆ ( x) = fˆ ( x | θ ) và gˆ ( x) = gˆ ( x | θ ) , thay vào (4.89) ta được:
f g
u = uI =
1
gˆ ( x | θ g )
[− fˆ ( x | θ f ) + y m( n ) + k T e ] (4.90)
Để xây dựng BĐK (4.90) ta phải xác định fˆ ( x | θ f ) và gˆ ( x | θ g ) , điều này

được thực hiện qua 2 bước sau:
Bước 1: Với mỗi biến xi (i=1,2,…,n), định nghĩa pi tập mờ Aili (li=1,…,pi) và
qi tập mờ Bili (li=1,…,qi).
Bước 2: Xác định fˆ ( x | θ f ) từ ∏

n
i =1
pi luật mờ dạng:
Nếu x1 = A1l1 và …. và xn = Anln , Thì fˆ = E l1 ...ln
Trang 59
∏
n
Xác định gˆ ( x | θ g ) từ i =1
q i luật dạng:
Nếu x1 = B1l1 và …. và xn = Bnln , Thì gˆ = H l1 ...ln

Chọn thiết bị hợp thành tích, hàm mờ dạng singleton, giải mờ theo phương
pháp trung bình trọng số, ta được:
∑ ...∑ y (∏
p1 pn n
l1 ...l n
f μ A ( xi ))
li
fˆ ( x | θ f
l1 =1 l n =1 i =1
)= i
(4.91)
∑ ...∑ (∏ μ
p1 pn n
l1 =1 l n =1 i =1 Aili
( xi ))
∑ ...∑ y (∏
q1 qn n
l1 =1 l n =1
l1 ...l n
g i =1
μ B ( xi ))
li
gˆ ( x | θ g )= i
(4.92)
∑ ...∑ (∏ μ
q1 qn n
l1 =1 l n =1 i =1 B li
( xi ))
i
Cho thông số y lf1 ...ln và y gl1 ...ln tự do, vì thế ta có thể dồn vào θf và θg , ta viết
lại (4.91) và (4.92) như sau:
fˆ ( x | θ f ) = θ Tf ξ ( x) (4.93)
gˆ ( x | θ g ) = θ gTη ( x) (4.94)
∏ ∏
n n
trong đó ξ(x) lf véctơ i =1
pi chiều và η(x) là véctơ i =1
q i chiều, với
thành phần l1…ln được cho bởi:
∏ μ (x )
n
i =1 Aili i
ξ l ...l ( x) = (4.95)
∑ ...∑ (∏ μ
1 n p1 pn n
l1 =1 l n =1 i =1 Aili
( xi ))
∏ μ (x )
n
i =1 Bili i
η l ...l ( x) = (4.96)
∑ ...∑ (∏ μ
1 n q1 qn n
l1 =1 l n =1 i =1 Bili
( xi ))
Ta thấy θf và θg được chọn dựa theo (4.87) và (4.88), do θf và θg thay đổi

liên tục, ta cần tìm θf và θg để cực tiểu hóa sai số e.
•Thiết kế luật thích nghi
Thay (4.90) vào (4.85) và sau một vài biến đổi ta được:
[
e ( n ) = −k T e + fˆ ( x |θ ) − f ( x) + gˆ ( x | θ ) − g ( x) u
f ] [ g ] I (4.97)
Đặt :
http://www.khvt.com
⎡ 0 1 0 0 ... 0 0 ⎤
⎢ 0 ⎡0⎤
⎢ 0 1 0 ... 0 0 ⎥⎥ ⎢...⎥
A = ⎢ ... ... ... ... ... ... ... ⎥, , b = ⎢ ⎥ (4.98)
⎢ ⎥ ⎢0⎥
⎢ 0 0 0 0 ... 0 1 ⎥ ⎢ ⎥
⎢⎣− k n ⎥ ⎣1⎦
− k n −1 ... ... ... ... − k1 ⎦
Ta viết lại (4.97) dạng véctơ:
{[ ] [
e = Ae + b fˆ ( x | θ f ) − f ( x) + gˆ ( x | θ g ) − g ( x) u I ] } (4.99)
Định nghĩa các thông số tối ưu như sau:
⎡ ⎤
θ ∗f = arg min ⎢⎢sup fˆ ( x | θ f ) − f ( x) ⎥ (4.100)
θ f ∈R ∏i =1
n
pi ⎣ X ∈R n ⎦⎥
⎡ ⎤
θ g∗ = arg min ⎢⎢sup gˆ ( x | θ g ) − g ( x) ⎥ (4.101)
θ g ∈R ∏i =1
n
qi ⎣ X ∈R n ⎦⎥
Đặt :
[ ] [
w = fˆ ( x | θ ∗f ) − f ( x) + gˆ ( x | θ g∗ ) − g ( x) u I ] (4.102)
Ta viết lại (4.99) như sau:
{[ ] [
e = Ae + b fˆ ( x | θ f ) − fˆ ( x | θ ∗f ) + gˆ ( x | θ g ) − gˆ ( x | θ g∗ ) u I + w ] } (4.103)
Thay (4.93) và (4.94) vào (4.102) ta được phương trình động học vòng kín
diễn tả mối liên hệ giữa sai số e và thông số θf và θg.
[
e = Ae + b (θ f − θ ∗f ) T ξ ( x) + (θ g −θ g∗ ) T η ( x)u I + w ] (4.104)
Ta cần tìm luật thích nghi để chỉnh định θf và θg sao cho cực tiểu hoá e,
θ f − θ ∗f , θ g − θ g∗ . Xét phương trình lyapunov:
1 T 1 1
V = e Pe + (θ f −θ ∗f ) T (θ f −θ ∗f ) + (θ g − θ g∗ ) T (θ g − θ g∗ ) (4.105)
2 2γ 1 2γ 2
với γ1 và γ2 là các hằng số dương, P thoả phương trình:
ATP + PA = - Q
với Q là ma trận n × n , xác định dương.
Lấy đạo hàm V dọc theo quỹ đạo hệ thống ta được:
Trang 61
1
2
1
[
V = − e T Pe + e T Pbw + (θ f − θ ∗f ) T θ f + γ 1e T Pbξ ( x)
γ1
]
+
1
γ2
[
(θ g − θ g∗ ) T θg + γ 2 e T Pbη ( x)u I ] (4.106)
Để cực tiểu hoá e, θ f − θ ∗f , θ g − θ g∗ , tương đương cực tiểu V, ta chọn luật

thích nghi sao cho V < 0 . Dùng phương pháp tổng hợp Lyapunov ta chọn:
θ f = −γ 1e T Pbξ ( x) (4.107)
θg = −γ 2 e T Pbη ( x)u I (4.108)

Hai phương trình (4.107) và (4.108) chính là luật thích nghi cần tìm.
• Ví dụ 4.6.2.1
Làm lại ví dụ (4.6.1.4) điều khiển con lắc ngược có sử dụng phương pháp
mờ thích nghi gián tiếp và so sánh kết quả đạt được.
Nhận xét : Khi không có tín hiệu điều khiển, tức u = 0 thì gia tốc của góc
θ=x1 tương đương f(x1,x2). Vậy ta có nhận xét:
x1 càng lớn thì f(x1,x2) càng lớn
Từ hình vẽ mô hình con lắc ngược ta thấy gia tốc của x1 tỷ lệ với mgsin(x1),
ta có thể chọn f(x1,x2)=αsin(x1). Từ (4.43) ta có thể chọn α = 16. Ta được
luật mờ cho f(x1,x2) như sau:
R 1f : Nếu x1=F13 và x2=F13 Thì f(x1,x2)=0
R 2f : Nếu x1=F11 và x2=F13 Thì f(x1,x2)=-8
R 3f : Nếu x1=F12 và x2=F13 Thì f(x1,x2)=-4
Tiếp theo ta xác định luật mờ cho hàm g(x1,x2), hàm g xác định độ mạnh
của luật điều khiển u, ta có nhận xét sau:
x1 càng nhỏ thì g(x1,x2) càng lớn

Từ các nhận xét trên ta có luật mờ cho hai hàm f và g như sau:
http://www.khvt.com
F11 F12 F13 F14 F15
x2
-π/6 -π/12 0 π/12 π/6 x1
f(x1,x2) g(x1,x2)
x1 F11 F12 F13 F14 F15 x1 F11 F12 F13 F14 F15
x2 x2
F11 -8 -4 0 4 8 F11 1.26 1.36 1.46 1.36 1.26
F12 -8 -4 0 4 8 F12 1.26 1.36 1.46 1.36 1.26
F13 -8 -4 0 4 8 F13 1.26 1.36 1.46 1.36 1.26
F14 -8 -4 0 4 8 F14 1.26 1.36 1.46 1.36 1.26
F15 -8 -4 0 4 8 F15 1.26 1.36 1.46 1.36 1.26
Viết chương trình M-file hay dùng simulink của Matlab để mô phỏng kết
quả ví dụ trên.
2. Thết kế BĐK mờ thích nghi trực tiếp

1.Mô hình
Hình 4.34 ym
u=uD ĐỐI TƯỢNG

x(n) = f(x) + bu, y = x
BĐK MỜ
uD = θ Tξ(x)
θ
Điều kiện đầu LUẬT THÍCH NGHI
θ(0) θ = γe T p nξ (x)
Trang 63
Phương trình trạng thái mô tả đối tượng

x ( n ) = f ( x, x ,..., x ( n −1) ) + bu (4.109)
y=x (4.110)
Trong đó f là hàm đã biết b là hằng số dương chưa biết. Ta cần thiết kế
BĐK u = uD(x|θ) dựa trên hệ mờ và luật thích nghi để chỉnh định thông số
θ. Luật mờ có dạng như sau:
NẾU x1 = P1r và … và xn = Pnr , THÌ u = Qr (4.111)
Trong đó Pi r và Qr là các tập mờ, r = 1,2,…,Lu.
2.Thiết kế BĐK mờ
+ Bước 1: Với mỗi biến xi (i=1,2,…,n) ta định nghĩa mi tập mờ Aili
(li=1,2,…,mi) .
∏
n
+ Bước 2: Xây dựng hệ mờ uD(x|θ) từ i =1
mi luật dạng:
IF x1= A1l1 and … and xn= A1ln , THEN uD = S l1 ...ln (4.112)

Trong đó li = 1,2,…,mi, i = 1,2,..,n. Sử dụng luật hợp thành tích, mờ hoá
singleton, giải mờ theo phương pháp trung bình trọng số, ta được:
∑ ...∑ y [∏
m1 mn n
l1 =1 l n =1
l1 ...l n
u i =1
μ A ( x i )]
li
uD (x | θ ) = i
(4.113)
∑ ...∑ [∏ μ
m1 mn n
l1 =1 l n =1 i =1 Aili
( x i )]
Chọn y ul1 ...ln như thông số có thể chỉnh định và ta đưa y ul1 ...ln vào thành phần
của véctơ thông số θ, từ đó luật điều khiển được xác định:
u D ( x | θ ) = θ T ξ ( x) (4.114)
3.Thiết kế luật thích nghi
Xem u* như là BĐK lý tưởng (4.89) trong phần (4.6.2.1), với g(x) = b, ta
được:
e ( n ) = − k T e + b[u ∗ − u D ( x | θ )] (4.115)
Ma trận A được định nghĩa như (4.98), b = (0,…,0,b)T, ta viết lại (4.115)
dạng véctơ như sau:
e = Ae + b[u ∗ − u D ( x | θ )] (4.116)
Định nghĩa thông số tối ưu θ* :
http://www.khvt.com
θ ∗ = arg minχ ⎡⎢sup u D ( x | θ ) − u ∗ ⎤⎥ (4.117)

θ ∈R ⎣ x∈R n ⎦
với χ = ∏i =1 mi
n
Đặt : w = uD(x|θ*) – u* (4.118)

Từ (4.114) và (4.118) ta viết lại (4.116) như sau:
e = Ae + b(θ ∗ − θ ) T ξ ( x) − bw (4.119)
Xét phương trình Lyapunov
1 T b ∗
V = e Pe + (θ − θ ) T (θ ∗ − θ ) (4.120)
2 2γ
trong đó P là ma trận xác định dương thoả:
AT P + PA = −Q (4.121)
Đạo hàm (4.120) và sử dụng các biểu thức (4.119) và (4.121) ta được:
1 b
V = − e T Qe + e T Pb[(θ ∗ − θ ) T ξ ( x) − w] − (θ ∗ − θ ) T θ (4.122)
2 γ
Xem pn là cột cuối của ma trận P, từ b = (0,…,0,b)T, ta có eTPb = eTpnb. Ta
viết lại (4.122) như sau:
1 b
V = − e T Qe + (θ ∗ − θ ) T [γe T p nξ ( x) − θ] − e T p n bw (4.123)
2 γ
Từ (4.123) để thoả mãn V < 0 ta chọn luật thích nghi như sau:
θ = γe T p ξ (x) n (4.124)
Ví dụ (4.6.2.2)
Cho hệ thống phi tuyến bậc nhất:
1 − e − x (t )
x (t ) = + u (t ) (*)
1 + e − x (t )
Thiết kế BĐK mờ thích nghi trực tiếp dể đưa x(t) hội tụ về zero.
1 − e − x (t ) 1 − e − x (t )
Khi u(t) ≡ 0 thì x (t ) = < 0 khi x<0 và
x (t ) = > 0 khi x>0
1 + e − x (t ) 1 + e − x (t )
nên hệ (*) là không ổn định.
Chọn γ = 1 và định nghĩa các tập mờ như sau:
Trang 65
Xây dựng 2 luật mờ như sau:

NẾU x=N2, THÌ u(x) = PB
NẾU x=P2, THÌ u(x) = NB
Trong đó μPB(u)= exp(-(u-2)2) và μNB(u)= exp(-(u+2)2).
Viết chương trình Matlab hoặc dùng simulink để thấy được đáp ứng trong
hai trường hợp có và không có luật mờ.
Ứng dụng : Xây dựng BĐK tốc độ động cơ DC
MÔ HÌNH BĐK TỐC ĐỘ ĐỘNG CƠ DC
Máy tính Tốc độ mong muốn ym

(Bộ điều khiển mờ
thích nghi trực tiếp)
COM
Vi xử lý PWM
Động cơ DC Encoder
(AT89C52)
Tốc độ thực y
Hình 4.35
http://www.khvt.com
Mô hình gồm có :
1. Động cơ DC 14V, tốc độ Max 2100vòng/phút, làm việc không tải.
2. Cảm biến tốc độ Incremental 200xung/vòng.
3. Vi xử lý AT89C52, tấn số xung clock 11.059MHz, chu kỳ máy
12
TVXL = ( s ) , có nhiệm vụ đo tốc độ động cơ gửi về máy tính
11.059.000
điều khiển áp cấp cho động cơ bằng phương pháp PWM.
4. Chu kỳ PWM = 1024 × TVXL (≈1.1ms), chu kỳ lấy mẫu
46.080×TVXL (≈50ms), tốc độ port nối tiếp 19200Kbps.
ym − y
5. Hệ số thích nghi γ thay đổi tuỳ thuộc vào sai lệch ε = . Khi
ym
sai lệch ε≥1% thì γ = γ0, khi ε<1% thì γ = γ0/10, với γ0 đã chọn trước.
Xây dựng BĐK mờ thích nghi trực tiếp
1. Xác định biến ngôn ngữ

•Hai ngõ vào:
Tốc độ x1 (vòng/phút), có tầm giá trị từ 0…2000vòng/phút, được
chuẩn hoá về [0…1].
Hàm thuộc μ1i ( x1 ) dạng Gaussian, với i=1…m1, m1 là số lượng tập mờ
Gia tốc x2 (vòng/phút/giây), có tầm giá trị từ - 4500…4500(v/p/g),
được chuẩn hoá về [-1…1].
Hàm thuộc μ 2j ( x 2 ) dạng Gaussian,với j=1…m2, m2 là số lượng tập mờ
•Một ngõ ra:
Độ rộng xung PWM (%), ký hiệu là u, có tầm giá trị 0…100%.
Hàm thuộc dạng Singleton θi,j, với i=1…m1, j=1…m2.
Trang 67
Hình 4.36: Các tập mờ μ 2j ( x) của biến ngôn

ngữ gia tốc.
Bảng luật hợp thành:
BIẾN NGÔN NGỮ GIA TỐC
μ12 (x 2 ) μ 22 (x 2 ) μ 32 (x 2 ) … μ 2 2 (x 2 )
m
BIẾN μ11 (x 1 ) θ1,1 θ1,2 θ1,3 … θ1,m2

NGÔN μ12 (x1 ) θ 2,1 θ 2,2 θ 2,3 … θ 2,m2
NGỮ
μ13 (x 1 ) θ 3,1 θ 3,2 θ 3,3 … θ 3,m2
TỐC
… … … … … …
ĐỘ
μ1 1 (x 1 ) θ m1 , j θ m1 ,2 θ m1 ,3 … θ m1 , j
m
2. Luật hợp thành:

Xét luật hợp thành thứ (i,j), với i = 1…m1, j = 1…m2
IF x1 ∈ μ1i ( x1 ) AND x 2 ∈ μ 2i ( x 2 ) THEN u = θ i , j
3. Giải mờ:
Chọn thiết bị hợp thành Max – Product , phương pháp giải mờ độ cao.
Giá trị rõ đầu ra PWM điều khiển động cơ:
http://www.khvt.com
m1 m2
∑∑ θi, j .μ1i (x 1 ).μ 2j (x 2 )
i=1 j=1
u= (4.125)
m1 m2
∑∑ μ1i (x 1 ).μ 2j (x 2 )
i=1 j=1
4. Luật cập nhật thông số:

⎧⎪ Δθ i, j = γ.E T .p 2 .ξ i, j ( x 1 , x 2 )
⎨ (4.126)
⎪⎩θ i, j (k + 1) = θ i, j (k ) + Δθ i
Trong đó:
θi,j : Thông số cần cập nhật ở luật hợp thành thứ (i,j).
E = (e, e) : Véctơ sai số, với sai số e = ym – y , với ym là vận tốc đặt.
p2 : là cột thứ 2 của ma trận P có được từ phương trình Ricatti (4.121).
⎡0 1 ⎤
Với A=⎢ ⎥ , k1, k2 được chọn sao cho phương trình
⎣ k1 k 2 ⎦
s2+k1s+k2=0 có nghiệm nằm bên trái mặt phẳng phức. Các thí nghiệm
trong bài được chọn với s = −0.1 ± j 20 .
γ>0 là hệ số cập nhật
μ1i (x 1 ).μ i2 (x 2 )
ξ i, j (x 1 , x 2 ) = : hệ số xác định từ vế IF của luật
m1 m2
∑ ∑ μ1k (x 1 ).μ l2 (x 2 )
k =1 l=1
hợp thành thứ (i,j).
Kết quả mô phỏng và nhận xét:
Ghi chú : Trong các đồ thị bên dưới, đường liền nét là tốc độ mong muốn
ym đường còn lại là tốc độ thực.
2π
Trường hợp 1: Chọn γ0 = 0.5; y m = 1400 + 500 sin(
t ) , θi,j = 20, với
120
i = 1…m1, j = 1…m2. Các tập mờ cho bởi Hình 4.36 và Hình 4.37
Trang 69
Hình 4.37: Các tập

mờ μ1i ( x) của biến
ngôn ngữ tốc độ.
a. Giá trị PWM b. Sai số ngõ ra
c. Đáp ứng ngõ ra của mô d. Đáp ứng được phóng to
Hình 4.38: Kết quả điều khiển của Trường hợp 1.
http://www.khvt.com
Nhận xét: Từ các đồ thị ở Hình 4.38 ta thấy rằng:

Ở tốc độ thấp, giá trị PWM thay đổi ít nhưng tốc độ thay đổi nhiều; ở
tốc độ cao giá trị PWM thay đổi nhiều nhưng tốc độ thay đổi ít.
Bộ điều khiển mờ ban đầu được thiết kế mà không dựa trên nhiều
thông tin về đối tượng, nhưng chất lượng điều khiển là khá tốt dù đối
tượng là phi tuyến.
a. Đáp ứng trường hợp 2a b. Đáp ứng trường hợp 2b
c. Sai số trường hợp 2a d. Sai số trường hợp 2b
Hình 4.39: Kết quả điều khiển của Trường hợp 2
Trang 71
2π
Trường hợp 2: γ0 = 0.5 ; y m = 1400 + 500 sin( t ) ( trường hợp 2a) và
30
2π
y m = 1400 + 500 sin( t ) (trường hợp 2b); θi,j = 20, với i = 1..5, j = 1..5.
60
Các tập mờ vẫn như trường hợp 1. (Xem kết quả ở Hình 4.39)
Nhận xét: Với cùng hệ số cập nhật và các giá trị ban đầu θI,j, khi tốc độ
mong muốn ym biến thiên nhanh hơn thì tốc độ thức y không bám theo kịp
dẫn đến sai số lớn. Do luật cập nhật phụ thuộc vào ym nên ta cần hiệu chỉnh
lại thông số γ0 cho phù hợp.
a. Đáp ứng khi γ0 = 0.2 b. Đáp ứng khi γ0 = 0.5
c. Đáp ứng khi γ0 = 0.8 d. Đáp ứng khi γ0 = 1.2
Hình 4.40: Kết quả điều khiển Trường hợp 3
http://www.khvt.com
2π
Trường hợp 3: θi,j = 20; với i =1..5, j = 1..5; y m = 1400 + 500 sin( t ) , các
60
tập mờ như Trường hợp 1, γ0 lần lượt là 0.2, 0.5, 0.8, 1.2.
Nhận xét:
Việc tăng γ0 sẽ làm cho luật cập nhật nhạy hơn với sai số, do vậy đáp
ứng hệ thống sẽ tốt hơn.
Tuy vậy ở tốc độ thấp, khi γ0 tăng sẽ làm cho tốc độ động cơ bị dao
động lớn hơn. Sự dao động tỷ lệ thuận với việc tăng γ0 .
Bằng kinh nghiệm qua các trường hợp đã xét ta thấy rằng đáp ứng tốc độ
phụ thuộc vào nhiều yếu tố như: số lượng tập mờ, hệ số γ0, θi,j, tốc độ biến
thiên của tốc độ mong muốn…Từ đó ta đưa ra việc lựa chọn các thông số
cho phù hợp để tối ưu đáp ứng của hệ thống.
2π
Trường hợp 4: γ0 = 2.5; y m = 1400 + 500 sin( t ) ; θi,j được chọn như bảng
60
bên dưới, sử dụng 7 tập mờ cho biến tốc độ và 5 tập mờ cho biến gia tốc.
BIẾN NGÔN NGỮ GIA TỐC

μ 21 (x2 ) μ 22 ( x2 ) μ 23 ( x2 ) μ14 ( x1 ) μ 25 ( x 2 )
μ11 ( x1 ) 10 10 10 10 10
BIẾN μ12 (x1 ) 10 10 10 10 10
NGÔN μ13 (x1 ) 20 20 20 20 20
NGỮ μ14 ( x1 ) 30 30 30 30 30
TỐC μ15 ( x1 ) 45 45 45 45 45
ĐỘ μ16 ( x1 ) 60 60 60 60 60
μ17 ( x1 ) 80 80 80 80 80
Trang 73
c. Áp điều khiển (%PWM) d. Sai số ngõ ra
a. Đáp ứng ngõ ra (0..1200s) b. Đáp ứng được phóng to
Hình 4.41: Kết quả điều khiển trường hợp 4
Kết luận chung

Đối tượng động cơ DC được điều khiển bằng phương pháp PWM là đối
tượng phi tuyến. Một BĐK mờ thích nghi được thiết kế hợp lý sẽ điều khiển
tốc độ của động cơ bám theo nhiều dạng tốc độ mong muốn khác nhau.
Những kinh nghiệm, thông tin đã biết về đối tượng sẽ rất hữu ích trong việc
tìm ra BĐK thích nghi tối ưu.
Các thông số quyết định chất lượng hệ thống là : hệ số γ0, giá trị ban đầu θi,j,
tín hiệu mong muốn ym …Với mỗi thông số có một tác dụng riêng, việc tìm
ra bộ thông số tối ưu cần dựa vào kinh nghiệm và kiến thức về hệ thống điều
khiển.
http://www.khvt.com
4.7. Hệ thống điều khiển tích hợp
Ngành điều khiển học đã ra đời và phát triển từ rất sớm, đặc biệt là trong 2
thập niên gần đây việc ứng dụng Lý thuyết mờ và Mạng nơron đã tạo ra
nhiều phương pháp điều khiển mới với đặc tính “linh hoạt” và “thông
minh” hơn. Công nghệ mờ và công nghệ mạng nơron là hai trụ cột chính để
tạo nên công nghệ tích hợp mới, công nghệ tính toán mềm (Soft computing).
4.7.1. Khái niệm
Một số phương pháp được sử dụng trong ngành điều khiển học:
ĐK Kinh điển & Hiện đại ĐK Thông minh

PID GA
Tối ưu Nơron
Thích nghi Mờ
Bền vững …
Mỗi phương pháp đều có những điểm mạnh và hạn chế nhất định, vì vậy
người ta thường có xu hướng kết hợp chúng lại với nhau để tạo ra một mô
hình điều khiển có khả năng đáp ứng cao với các đòi hỏi thực tế. Việc kết
hợp này đã cho ra một phương pháp điều khiển mới đó là điều khiển tích
hợp.
Điều khiển tích hợp : Điều khiển kết hợp phương pháp kinh điển hoặc hiện
đại với phương pháp điều khiển thông minh.
4.7.2. Một số hệ thống tích hợp

• Điều khiển sử dụng PID mờ
• Điều khiển mờ - thích nghi, mờ - tối ưu.
• Sử dụng hệ mờ - nơron để nhận dạng & tối ưu hệ thống.
• Ứng dụng thuật toán GA trong thiết kế hệ thống điều khiển.
………………..
Ở phần 4.3 ta đã trình bày về cách thiết kế bộ PID mờ, phần 4.6 đã nói
về việc tích hợp công nghệ mờ trong điều khiển. Sau đây ta trình bày về
ứng dụng giải thuật GA trong điều khiển thông qua một ví dụ.
Trang 75
4.7.3. Ứng dụng thuật toán GA thiết kế bộ điều khiển PID tối ưu H2/H∞
1. Mô tả bài toán
Dựa vào hai bài toán cực đại hóa độ dự trữ ổn định và cực tiểu hóa hàm
nhạy của điều khiển tối ưu H∞, bài toán thiết kế bộ điều khiển PID tối ưu
H2/H∞ được mô tả như sau.
Cho hệ thống điều khiển PID như trong hình 4.42. Mô hình P(s) của đối
tượng trong bài toán này được giả thiết là có một sai lệch Δ0(s) được biểu
diễn theo mô hình sai số nhân ở đầu ra.
r + e C(s) u y
[1+Δ0(s)] P0(s)
-
Hình 4.42: Hệ thống điều khiển PID với sai số nhân ở đầu ra
Bộ điều khiển PID có dạng như sau:
C (s ) = k 1 + k 2 / s + k 3 s
(4.127)
Sai số mô hình Δ0(s) được xem như ổn định nhưng không biết rõ ràng.Giả
sử Δ0(s) bị chặn như sau:
Δ 0 ( jω ) < δ 0 ( jω ) , ∀ω ∈ [0, ∞), (4.128)
δ0 (jω) là hàm chặn trên của Δ0(jω), ổn định và biết trước.

Kết quả ổn định bền vững cho thấy rằng nếu bộ điều khiển C(s) được chọn
sao cho hệ thống danh định vòng kín (không tính Δ0(s)) trong hình 4.42 ổn
định tiệm cận và thỏa mãn bất đẳng thức sau:
PO ( s )C ( s )δ O ( s )
<1 (4.129)
I + PO ( s )C ( s ) ∞
http://www.khvt.com
thì hệ thống vòng kín trong hình 4.42 cũng ổn định dưới tác động của sai số
mô hình Δ0(s). Bất đẳng thức (4.129) chính là điều kiện ổn định bền vững
(chuẩn H∞) của hệ thống.
Trong đó chỉ tiêu chất lượng thường được sử dụng kết hợp với điều khiển
tối ưu H∞ là chỉ tiêu tích phân của bình phương sai lệch (ISE) hay còn gọi là
phiếm hàm H2:
∞
min ∫ e 2 (t )dt (4.130)
C
0
với e(t) là sai số điều chỉnh trong hệ thống hình 4.42.

Như vậy, mục tiêu của bài toán tổng hợp bộ điều khiển PID kết hợp với điều
khiển tối ưu H2/H∞ là tìm bộ điều khiển PID sao cho cực tiểu (4.130), đồng
thời thỏa mãn điều kiện ràng buộc ổn định bền vững (4.129).
Tượng tự, đối với bài toán cực tiểu hóa hàm nhạy để giảm ảnh hưởng của
nhiễu đến chất lượng của hệ
1
≤γ (4.131)
1 + P( s )C ( s ) ∞
với γ là một giá trị vô hướng nhỏ hơn 1. γ đặc trưng cho mức độ ảnh hưởng
của nhiễu tác động đến tín hiệu ra của hệ.
Để giảm ảnh hưởng của nhiễu trong dãy tần số mà nhiễu tập trung thì điều
kiện (4.131) trở thành:
W ( s)
≤γ (4.132)
1 + P( s )C ( s ) ∞
với W(s) là hàm trọng để giảm ảnh hưỡng của nhiễu trong dãy tần mà nhiễu
tập trung.
Như vậy, đối với bài toán cực tiểu hóa hàm nhạy, việc xác định BĐK PID
kết hợp với điều khiển tối ưu H2/H∞ là tìm bộ điều khiển PID sao cho cực
tiểu (4.130), đồng thời thỏa mãn ràng buộc ổn định bền vững (4.132).
2. Cơ sở thiết kế
Trang 77
Trong trường hợp bình thường đối với hệ danh định (không xét đến sai số
mô hình của đối tượng cũng như nhiễu d), tín hiệu sai số điều chỉnh E(s),
trong hệ thống hình 4.42 có dạng như sau:
R( s)
E ( s) = (4.133)
1 + P0 ( s )C ( s )
Theo định lý Parseval, chuẩn bậc hai của một tín hiệu x(t) và ảnh Fourier
X(jω) của nó có quan hệ như sau:
∞ ∞ 2
1
= ∫ x(t ) dt = ∫ X ( jω
2 2
x(t ) dω (4.134)
2
−∞
2π −∞
Vì vậy ta có:
∞
J = min ∫ e 2 (t )dt
C
0
∞
1
∫ E ( jω )
2
= dω
2π −∞
thay s = jω ta được:
j∞
1
k1 , k 2 , k3 2πj ∫
J = min E (− s ) E ( s )ds
− j∞
j∞
1 R (− s ) R( s )
= min
k1 , k 2 , k3 2πj ∫
− j∞
[1 + P ( − s )C ( − s )][(1 + P ( s )C ( s )]
ds
j∞
1 B( s ) B(− s )
= min
k1 , k 2 , k3 2πj ∫
− j∞
A( s ) A( − s )
ds (4.135)
m
A(s) và B(s) có thể được biểu diễn như sau: A( s ) = ∑ a k s k ,
k =0
m −1
B( s ) = ∑ bk s k ; phương trình (4.20) được viết lại như sau:
k =0
http://www.khvt.com
⎛ m −1 k ⎞⎛ m −1 k ⎞
j∞ ⎜ ∑ bk s ⎟⎜ ∑ bk ( − s ) ⎟
1 ⎝ k =0 ⎠⎝ k =0 ⎠ ds (4.136)
2πj −∫j∞ ⎛ m
J m ( k1 , k 2 , k 3 ) =
⎞⎛ m
⎞
⎜ ∑ a k s k ⎟⎜ ∑ a k (− s ) k ⎟
⎝ k =0 ⎠⎝ k =0 ⎠
Việc xác định J trong (4.136) có thể được tính một cách đơn giản bằng lý
thuyết thặng dư như sau:
- Xác định tất cả các điểm cực pk của E(s).
- J = ∑ Re s E ( s ) E (− s )
pk
k
Giá trị của Jm(k1, k2, k3) có thể tìm được trong Newton, 1957.
b02
J 1 ( k1 , k 2 , k 3 ) =
2a 0 a1
b12 a0 + b02 a 2
J 2 ( k1 , k 2 , k 3 ) =
2a 0 a1 a 2
b22 a 0 a1 + (b12 − 2b0 b2 )a 0 a3 + b02 a 2 a3

J 3 ( k1 , k 2 , k 3 ) =
2a0 a3 (− a 0 a3 + a1 a 2 )
b32 (−a02a3 + a0a1a2 ) + (b22 − 2b1b3 )a0 a1a4 + (b12 − 2b0b2 )a0 a3a4 + b02 (−a1a42 + a2 a3a4 )
J4 =
2a0 a4 (−a0 a32 − a12 a4 + a1a2a3 )
Phiếm hàm H2 có dạng như sau:

J m = min J m (k1 , k 2 , k 3 ) (4.137)
k1 , k 2 , k 3
với Jm(k1, k2, k3) là hàm số của các thông số PID (k1, k2, k3), và m là bậc của
đối tượng.
Từ định nghĩa chuẩn H∞:
A( s ) ∞
≡ sup A( jω ) (4.138)
ω∈( 0 ,∞ )
Điều kiện ổn định bền vững (4.129) được viết lại như sau:
Trang 79
P0 ( s )C ( s )δ 0 ( s ) P0 (− jω ) P0 ( jω )C (− jω )C ( jω )δ 0 (− jω )δ 0 ( jω )
= sup
1 + P( s) 0 C ( s) ∞
ω∈[ 0 ,∞ ) (1 + P0 (− jω )C (− jω ))(1 + P0 ( jω )C ( jω ))
β (ω ) β (ω )
= sup = sup <1 (4.139)
α (ω ) ω∈[ 0 , ∞ ) α (ω )
ω∈[ 0 ,∞ )
Với β(ω) và α(ω) là những đa thức thích hợp của ω. Ý nghĩa của (4.139) là
nếu giá trị lớn nhất của β(ω)/α(ω) nhỏ hơn 1, thì hệ thống trong hình 4.42
ổn định với mọi Δ 0 ( jω ) < δ 0 ( jω ) .
Việc quét ω trong [0,∞) để tìm giá trị lớn nhất của β(ω)/α(ω) trong (4.139)
không phải là công việc dễ dàng. Thực tế, giá trị lớn nhất của β(ω)/α(ω) chỉ
xảy ra ở những điểm thỏa mãn phương trình sau:
dβ (ω ) dα (ω )
α (ω ) − β (ω )
d β (ω ) dω dω = 0
= (4.1340)
dω α (ω ) α (ω )
2
Do đó, chỉ cần tìm nghiệm λi của phương trình:

dβ (ω ) dα (ω ) n
α (ω ) − β (ω ) = ∏ (ω − λi ) = 0 (4.141)
dω dω i =1
Với kết quả trên, ràng buộc ổn định bền vững (4.129) tương đương với:
β (λ i )
max <1 (4.142)
λi α (λ i )
Từ sự phân tích trên, bài toán thiết kế bộ điều khiển PID, kết hợp H2/H∞ trở
thành bài toán xác định bộ điều khiển PID để cực tiểu (4.137) dưới ràng
buộc ổn định bền vững (4.142).
Tương tự như trên, đối với bài toán cực tiểu hóa hàm nhạy thì ràng buộc
(4.132) được chuyển đổi sang dạng (4.141) như sau:
β (λ i )
max ≤γ (4.143)
λi α (λ i )
http://www.khvt.com
3. Phương pháp thiết kế

Phần này sẽ trình bày phương pháp xác định các thông số (k1, k2, k3) của bộ
điều khiển PID cho hai bài toán trên bằng thuật toán di truyền, sao cho đạt
được giá trị cực tiểu của phiếm hàm H2, đồng thời thỏa mãn ràng buộc ổn
định bền vững H∞.
3.1. Biểu diễn nhiễm sắc thể
Thuật toán di truyền làm việc trên các nhiễm sắc thể (những chuỗi số), chứ
không phải chính bản thân thông số đó. Mỗi tập thông số (k1, k2, k3) của bộ
điều khiển PID sẽ được mã hóa và ghép lại thành một nhiễm sắc thể. Việc
mã hóa có thể được thực hiện bằng những chuổi số nhị phân hoặc thập phân.
Trong luận văn này, sử dụng phương pháp mã hóa thập phân.
3.2. Hàm thích nghi và hàm đánh giá
Hàm đánh giá được định nghĩa như sau:
E (k1 , k 2 , k 3 ) = J m (k1 , k 2 , k 3 ), k1 , k 2 , k 3 ∈ D (4.144)
Vế phải của (4.144) là phiếm hàm H2 mà chúng ta muốn cực tiểu, hàm đánh
giá chỉ được xác định trong miền ổn định (D) của hệ thống.
Mục tiêu của chúng ta là tìm (k1, k2, k3) trong D để cực tiểu (4.144). Tương
ứng với mỗi nhiễm sắc thể ta sẽ có được một giá trị của hàm đánh giá
E(k1,k2, k3). Sau đó giá trị đánh giá được ánh xạ thành giá trị thích nghi
F(k1,k2, k3) để cho phù hợp với thuật toán di truyền (tìm kiếm giá trị cực
đại). Quá trình tìm kiếm giá trị nhỏ nhất của Jm(k1, k2, k3) tương ứng với quá
trình tìm kiếm giá trị lớn nhất của F(k1, k2, k3). Nhiễm sắc thể có Jm(k1, k2,k3)
nhỏ hơn sẽ có giá trị thích nghi lớn hơn. Sau mỗi thế hệ, thuật toán di truyền
sẽ tạo ra những con cháu tốt hơn, cải thiện giá trị thích nghi, do đó nếu độ
thích nghi của thuật toán di truyền tốt hơn thì sẽ tìm được một bộ điều khiển
PID tốt hơn. Vì vậy ta có:
1
F ( k1 , k 2 , k 3 ) ∝ (4.145)
E ( k1 , k 2 , k 3 )
Trang 81
Có một số phương pháp để thực hiện sự liên hệ giữa hàm đánh giá và hàm
thích nghi trong (4.145). Ở đây mối liên hệ giữa hàm thích nghi và hàm
đánh giá được biểu diễn như sau:
⎧ β (λ i )
⎪− E (k1 , k 2 , k 3 ) + b khi max <1
⎪ λi α (λi )
F ( k1 , k 2 , k 3 ) = ⎨ (4.146)
⎪0 β (λ i )
⎪ khi max ≥1
⎩
λi α (λi )
Ở đây dấu trừ được sử dụng để chuyển bài toán cực tiểu thành bài toán cực
đại, giá trị của b được chọn sao cho giá trị của hàm thích nghi luôn luôn
dương. Đối với các nhiễm sắc thể không thỏa mãn điều kiện (4.142) hoặc
(4.143), giá trị của hàm thích nghi sẽ được gán bằng 0 (giá trị nhỏ nhất), vì
vậy các nhiễm sắc thể này sẽ không tồn tại trong thế hệ sau.
3.3. Các bước thực hiện
Từ sự phân tích trên, quá trình thiết kế bao gồm các bước sau:
(1) Bước 1: Áp dụng tiêu chuẩn Routh Hurwitz, xác định điều kiện của các
hệ số PID để hệ thống vòng kín ổn định.
(2) Bước 2: Xác định miền ổn định (D) của ba thông số (k1, k2, k3).
(3) Bước 3: Thiết lập các thông số của thuật toán di truyền: xác suất lai, xác
suất đột biến, kích thước quần thể, số thế hệ tối đa, điều kiện dừng,…
(4) Bước 4: Khởi tạo quần thể, mã hóa nhiễm sắc thể.
(5) Bước 5: Tính λi từ phương trình (4.141).
(6) Bước 6: Tính giá trị thích nghi cho từng cá thể theo biểu thức (4.146).
(7) Bước 7: Thực hiện các phép toán di truyền.
(8) Bước 8: Kiểm tra điều kiện dừng, nếu điều kiện dừng chưa thỏa mãn thì
quay lại bước 5.
3.4. Giải thuật chương trình
Giải thuật chính của chương trình xác định các thông số của bộ điều khiển
PID tối ưu H2/H∞
http://www.khvt.com
Lưu đồ giải thuật chương trình tái sinh
Baét ñaàu
i=1
Taïo ngaãu nhieân moät giaù trò naèm

trong khoaûng 0 ñeán toång giaù trò
thích nghi (pointer)
j=1
total = fitness(1)
Y j = j+1
total<pointer
total = total+fitness(j)
N
Nhieãm saéc theå j ñöôïc choïn
i = i+1
N
i=pop_size?
Keát thuùc
Trang 83
Lưu đồ giải thuật chương trình lai
Baét ñaàu
i=1
Choïn caëp nhieãm saéc theå ngaãu

nhieân trong quaàn theå
Choïn xaùc suaát lai ngaãu nhieân
N
Thoûa xaùc suaát lai?
Choïn vò trí lai ngaãu nhieân

Chuyeån ñoåi caùc gen naèm sau vò trí Giöõ nguyeân
lai
i=i+1
N i=pop_size?
Keát thuùc
http://www.khvt.com
Lưu đồ giải thuật chương trình đột biến
Baét ñaàu
i=1
j=1
Choïn xaùc suaát ñoät bieán ngaãu nhieân
Thoûa xaùc suaát? N
Ñoät bieán
j=j+1
N j=chieàu daøi nhieãm

saéc theå?
i=i+1
N i=pop_size?
Y
Keát thuùc
Trang 85
4. Ví dụ minh hoạ
Để thấy được kết quả của thuật toán thiết kế bộ điều khiển PID kết hợp với
điều khiển tối ưu H2/H∞, trong phần này thủ tục thiết kế được thực hiện
tương ứng với hai trường hợp đối tượng có sai số mô hình và đối tượng bị
ảnh hưởng của nhiễu ngoài.
1. Trường hợp đối tượng có sai số mô hình
Cho hệ thống như hình 4.42, đối tượng P0(s) có hàm truyền như sau:
1.8
P0 ( s ) = 2
s ( s + 2)
Sai lệch mô hình Δ0(s), bị chặn như sau:
0.1
Δ 0 (s) ≤
s + 0.1s + 10
2
Với ngõ vào là hàm nấc, thì

s 2 ( s + 2)
E ( s) =
s 4 + 2 s 3 + 1.8k 3 s 2 + 1.8k1 s + 1.8k 2
Ràng buộc ổn định bền vững:
β (ω )
max <1
ω∈[ 0 , ∞ ) α (ω )
với β (ω ) = 0.0324[(k 2 − k 3 ω 2 ) 2 + k12ω 2 ]

α (ω ) = (ω 4 − 19.99ω 2 + 100)[(ω 4 − 1.8k3ω 2 + 1.8k2 ) 2 + ω 2 (2ω 2 − 1.8k1 ) 2 ]
Trong ví dụ này ta có m = 4, vì vậy phiếm hàm H2 của hệ thống là J4:
b32 (−a02a3 + a0a1a2 ) + (b22 − 2b1b3 )a0a1a4 + (b12 − 2b0b2 )a0a3a4 + b02 (−a1a42 + a2a3a4 )
J4 =
2a0a4 (−a0a32 − a12a4 + a1a2a3 )
1.8k1k3 − 2k2 + 4
J4 =
7.2k1k3 − 3.6k12 − 8k2
Thuật toán di truyền bắt đầu bằng việc tạo ngẫu nhiên một quần thể bao
gồm 200 nhiễm sắc thể, sau 15 thế hệ, tìm được bộ điều khiển PID thích hợp
với các thông số như sau, k1 = 3, k2 = 0.1, k3 = 30.
http://www.khvt.com
Giá trị tốt nhất của ba thông số PID và phiếm hàm H2 sau mỗi thế hệ
K1 k2 K3 J4
Thế hệ 1 3.6651 9.6770 24.5629 0.2808
Thế hệ 2 3.8436 1.7971 29.3725 0.2732
Thế hệ 3 3.0000 0.1000 26.3050 0.2726
Thế hệ 4 3.0000 0.1000 26.3050 0.2726
Thế hệ 5 3.0000 0.1000 30.0000 0.2697
Thế hệ 6 3.0000 0.1000 30.0000 0.2697
Thế hệ 7 3.0000 0.1000 30.0000 0.2697
Thế hệ 8 3.0000 0.1000 30.0000 0.2697
Thế hệ 9 3.0000 0.1000 30.0000 0.2697
Thế hệ 10 3.0000 0.1000 30.0000 0.2697
Thế hệ 11 3.0000 0.1000 30.0000 0.2697
Thế hệ 12 3.0000 0.1000 30.0000 0.2697
Thế hệ 13 3.0000 0.1000 30.0000 0.2697
Thế hệ 14 3.0000 0.1000 30.0000 0.2697
Thế hệ 15 3.0000 0.1000 30.0000 0.2697
Hình 4.43: Chuẩn H2
Trang 87
- Đáp ứng nấc của hệ thống trong thế hệ 1:
1.8
1.6
1.4
1.2
1
Bien do
0.8
0.6
0.4
0.2
0
0 50 100 150 200 250 300
Thoi gian
Hình 4.44: Đáp ứng nấc của hệ thống trong thế hệ thứ nhất
(k1 = 3.8436, k2 = 1.7971, k3 = 24.5629)
1.5
1
Bien do
0.5
0
0 50 100 150 200 250 300
Thoi gian
Hình 4.45: Đáp ứng nấc của hệ thống trong thế hệ thứ hai
(k1 = 3.6651, k2 = 9.677, k3 = 29.3725)
http://www.khvt.com
1.4
1.2
0.8
Bien do
0.6
0.4
0.2
0
0 50 100 150 200 250 300
Thoi gian
Hình 4.46: Đáp ứng nấc của hệ thống trong thế hệ thứ năm (hệ danh định)
1.4
1.2
0.8
Bien do
0.6
0.4
0.2
0
0 50 100 150 200 250 300
Thoi gian
Hình 4.47: Đáp ứng hàm nấc của hệ ở thế hệ thứ năm (có sai số mô hình)
Trang 89
1.4
1.2
0.8
Bien do
0.6
0.4
0.2
0
0 50 100 150 200 250 300
Thoi gian
Hình 4.48: Đáp ứng nấc của hệ thống trong thế hệ thứ năm, vẽ chung cho
hai trường hợp, (k1 = 3, k2 = 0.1, k3 = 30)
Sự hội tụ của phiếm hàm H2 được trình bày trong hình 4.43. Đáp ứng nấc
của hệ thống được trình bày cho hai trường hợp: hệ danh định (hình 4.46) và
hệ thống có sai số mô hình (hình 4.47). Kết quả cho thấy bộ điều khiển được
thiết kế có thể điều khiển thành công hệ thống với mọi Δ0(s).
2. Trường hợp hệ thống chịu ảnh hưởng của nhiễu ngoài
Cho hệ thống điều khiển như hình 4.50, đối tượng P(s) có hàm truyền như
sau:
1.8
P( s) =
s ( s + 2)
2
Nhiễu ngoài d(t) giả sử bằng 0.1sint. Áp dụng bài toán cực tiểu hóa hàm
nhạy với γ = 0.1.
Tương ứng với d(t) trên, hàm trọng W(s) trong (4.132) được chọn như sau:
http://www.khvt.com
1
W (s) =
s +1
Ta được:
s 3 ( s + 2)
≤ 0.1
( s + 1)( s 4 + 2s 3 + 1.8k 3 s 2 + 1.8k1 s + 1.8k 2 ) ∞
Ràng buộc (4.28):

β (ω )
max ≤γ
ω∈[ 0 ,∞ ) α (ω )
với β (ω ) = ω 6 (ω 2 + 4)
α (ω ) = (1 + ω 2 )[(ω 4 − 1.8k 3ω 2 + 1.8k 2 ) 2 + ω 2 (2ω 2 − 1.8k1 ) 2 ]
Tương tự như ví dụ trước, phiếm hàm H2 của hệ thống là J4:
1.8k1k3 − 2k2 + 4
J4 =
7.2k1k3 − 3.6k12 − 8k2
Thuật toán di truyền bắt đầu bằng việc tạo ngẫu nhiên một quần thể bao
gồm 200 nhiễm sắc thể, sau 19 thế hệ, tìm được bộ điều khiển PID thích hợp
với các thông số như sau, k1 = 3, k2 = 0.1, k3 = 30.
0.284
0.282
0.28
0.278
Chuan H2
0.276
0.274
0.272
0.27
0.268
0 2 4 6 8 10 12 14 16 18 20
The he
Hình 4.49: Chuẩn H2
Trang 91
Giá trị tốt nhất của ba thông số PID và phiếm hàm H2 sau mỗi thế hệ
k1 k2 K3 J4
Thế hệ 1 3.6651 9.6770 24.5629 0.2808
Thế hệ 2 3.6651 9.6769 24.5628 0.2808
Thế hệ 3 3.0000 17.6599 27.9843 0.2781
Thế hệ 4 3.6650 9.6768 30.0000 0.2742
Thế hệ 5 3.8635 0.1000 30.0000 0.2724
Thế hệ 6 3.8635 0.1000 30.0000 0.2724
Thế hệ 7 3.8635 0.1000 30.0000 0.2724
Thế hệ 8 3.8630 0.1000 30.0000 0.2724
Thế hệ 9 3.1635 0.1000 30.0000 0.2701
Thế hệ 10 3.1634 0.1000 30.0000 0.2701
Thế hệ 11 3.1634 0.1000 30.0000 0.2701
Thế hệ 12 3.0000 0.1000 30.0000 0.2697
Thế hệ 13 3.0000 0.1000 30.0000 0.2697
Thế hệ 14 3.0000 0.1000 30.0000 0.2697
Thế hệ 15 3.0000 0.1000 30.0000 0.2697
Thế hệ 16 3.0000 0.1000 30.0000 0.2697
Thế hệ 17 3.0000 0.1000 30.0000 0.2697
Thế hệ 18 3.0000 0.1000 30.0000 0.2697
Thế hệ 19 3.0000 0.1000 30.0000 0.2697
e u +
r + + y
C(s) P(s)
-
Hình 4.50 Hệ hồi tiếp với nhiễu đầu ra
http://www.khvt.com
1.8
1.6
1.4
1.2
1
Bien do
0.8
0.6
0.4
0.2
0
0 50 100 150 200 250 300
Thoi gian
Hình 4.51: Đáp ứng nấc của hệ thống trong thế hệ thứ nhất
(k1 = 3.8436, k2 = 9.6768, k3 = 30)
1.8
1.6
1.4
1.2
1
Bien do
0.8
0.6
0.4
0.2
0
0 50 100 150 200 250 300
Thoi gian
Hình 4.52: Đáp ứng nấc của hệ thống trong thế hệ thứ tư
(k1 = 3.6650, k2 = 1.7971, k3 = 24.5629)
Trang 93
1.4
1.2
0.8
Bien do
0.6
0.4
0.2
0
0 50 100 150 200 250 300
Thoi gian
Hình 4.53: Đáp ứng nấc của hệ thống trong thế hệ thứ 12 (hệ danh định)
1.2
0.8
0.6
Bien do
0.4
0.2
-0.2
0 50 100 150 200 250 300
Thoi gian
Hình 4.54: Đáp ứng nấc của hệ thống trong thế hệ thứ 12 (có nhiễu ngoài)
http://www.khvt.com
1.2
0.8
0.6
Bien do
0.4
0.2
-0.2
0 50 100 150 200 250 300
Thoi gian
Hình 4.55: Đáp ứng nấc của hệ thống trong thế hệ thứ 12, vẽ chung cho hai
trường hợp, (k1 = 3, k2 = 0.1, k3 = 30)
Sự hội tụ của phiếm hàm H2 được trình bày trong hình 4.50. Đáp ứng nấc
của hệ thống được trình bày cho hai trường hợp: hệ danh định (hình 4.53) và
hệ thống có ảnh hưởng của nhiễu (hình 4.54). Kết quả cho thấy bộ điều
khiển được thiết kế có thể điều khiển thành công hệ thống với ảnh hưởng
của nhiễu ngoài, đáp ứng trong hai trường hợp gần trùng với nhau.
Trang 95
1. Nêu rõ mô hình điều khiển mờ theo Mamdani và theo Tagaki/Sugeno. So

sánh ưu nhược điểm hai mô hình đó.
2. Các bước thiết kế một bộ điều khiển mờ. Vì sao nói điều khiển mờ là điều
khiển dựa trên kinh nghiệm ?
3. Nguyên lý chỉnh định thông số của bộ PID mờ. Ứng dụng trong điều
khiển nhiệt độ.
4. Thế nào là mạng nơron nhân tạo ? Nêu nội dung của thuật toán lan truyền
ngược.
5. Vì sao phải kết hợp mạng nơron và hệ mờ ? Nêu sơ đồ kiểu mẫu của một
hệ mờ - nơron. Ứng dụng mạng RBF trong nhận dạng hệ thống phi tuyến.
6. Thiết kế một BĐK mờ điều khiển nhiệt độ. Bộ mờ có 2 ngõ vào là sai
lệch e(t) [ET] và đạo hàm sai lệch de(t) [DET], một ngõ ra là đạo hàm công
suất [DP]. Biết rằng:
- Lò nhiệt có công suất là 5KW, tầm đo max là 2000C, sai số là ±5%.
- Tầm thay đổi của DET là - 100C/s → + 100C/s .
- Tầm thay đổi của DP là - 100W/s → + 100W/s .
Hãy tính công suất cần cấp cho lò trong các trường hợp sau:
1. ET = 80C DET = 90C/s
2. ET = 20C DET = 90C/s
3. ET = 70C DET = - 70C/s
Nhận xét kết quả của các trường hợp trên.
7. Để điều khiển tự động máy điều hoà nhiệt độ bằng kỷ thuật logic mờ,
người ta dùng hai cảm biến: Trong phòng là cảm biến nhiệt Ti , bên ngoài là
cảm biến nhiệt To. Việc điều hoà nhiệt độ thông qua điều khiển tốc độ quạt
làm lạnh máy điều hoà. Biết rằng:
- Tầm nhiệt độ quan tâm là [0 500 ]
- Tốc độ quạt là v ∈ [0 600v/p ]
Hãy tính tốc độ quạt trong các trường hợp sau:
1. Ti = 270C T0 = 320C
2. Ti = 300C T0 = 350C
3. Ti = 260C T0 = 330C
http://www.khvt.com
Nhận xét kết quả các trường hợp trên.

8. Cho một đối tượng lò nhiệt có hàm truyền :
4.228
G(S ) =
( S + 0.5)( S + 1.64S + 8.456)
2
a. Tính thông số bộ PID theo Zeigler-Nichols, tính POT, ts .

b. Thiết kế bộ PID mờ thoả mãn các điều kiện sau: POT < 10% và ts < 5
Biết rằng:
- Nhiệt độ đặt Ts = 2000C
- Sai số emax = ± 5%
- DET ∈ [ -10 +10 ] ( 0C/s )
- Công suất của lò nhiệt P = 5KW
Tìm KP, KI, KD trong các trường hợp sau:
1. ET = 80C DET = 90C/s
2. ET = 20C DET = 20C/s
3. ET = 80C DET = - 90C/s
Nhận xét kết quả đạt được.
9. Xét hệ thống phi tuyến bậc hai như sau:
x + α (t ) x 2 cos 3x = u
trong đó α(t) chưa biết và 1 ≤ α(t) ≤ 2.
Thiết kế BĐK trượt u để x bám theo quỹ đạo mong muốn xd.
x1 = sin x 2 + x 2 t + 1
x 2 = α 1 (t ) x14 cos x 2 + α 2 (t )u
Trong đó α1(t) và α2(t) là hai hàm chưa biết và : | α1(t)| ≤ 10, 1 ≤ α2(t) ≤ 2.
Thiết kế BĐK mờ trượt với trạng thái vòng kín x1(t) được cho bởi trạng thái
mong muốn xd(t).
11. Dùng Simulink để mô phỏng các hệ thống “Quả bóng và đòn bẩy”,
“Con lắc ngược”, hệ thống điều khiển nhiệt độ dùng PID mờ.
12. Tham khảo các ví dụ trong phần Help/Fuzzy Control Toolbox của
Matlab.
Trang 97
http://www.khvt.com

System Control Theories

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

System Control Theories

Uploaded by

Copyright:

Available Formats

Chương 1 : Điều khiển tối ưu

ĐIỀU KHIỂN TỐI ƯU

Vài nét lịch sử phát triển lý thuyết điều khiển .

Học kì 1 năm học 2005-2006

1.1 CHẤT LƯỢNG TỐI ƯU

Hình 1.1: Sơ đồ hệ thống điều khiển .

Hình 1.2 : Tối ưu cục bộ và tối ưu toàn cục .

2. Điều kiện thành lập bài toán tối ưu

Hình 1.3 : Động cơ điện một chiều kích từ độc lập .

Ta có phương trình cân bằng moment của động cơ :

Rõ ràng từ phương trình trên ta phải có L[ x(t ), u (t ), t ] = 1 .

• Bài toán năng suất tối ưu :

Do đó L[ x(t ), u (t ), t ] = ϕ (t ) = x(t ) và ta sẽ có chỉ tiêu chất lượng J đối với

• Bài toán năng lượng tối thiểu :

Dựa vào phương trình cân bằng điện áp :

3. Tối ưu hoá tĩnh và động

1.1.2 Xây dụng bài toán tối ưu

Luu được gọi là ma trận uốn .

Giải (1.17) ta được λ :

Thay vào (1.34) ta được :

Điểm cực trị được xác định bởi :

Giả sử cho L như sau :

Khi đó giá trị u tối ưu sẽ là :

Hình 1.4 : Các đường đồng mức và vector gradient .

Ví dụ 1.2 : Tối ưu hóa bằng tính toán vô hướng .

Giải hệ phương trình trên ta được :

Tối ưu hóa có điều kiện ràng buộc

Luuf >= 0 , vì thế (x, u ) = (3,−2) là điểm cực tiểu .

Và điều kiện để có điểm dừng :

Thay (9) , (10) vào (7) , ta có được giá trị u tối ưu :

Gradf trong miền (u,x) là :

được biểu diễn trong Hình 1.6 . GradL là :

Bằng bổ đề của nghịch đảo ma trận :

H λ1 = y1 − ax12 − bx1 − d = 0 (12)

Giải (12) để có được y1 như sau :

Theo (10) và (11) , λ1 = -λ2 , vậy từ (15) và (17) ta có :

Cuối cùng , chú ý rằng (8) là :

1.2 CÁC PHƯƠNG PHÁP ĐIỀU KHIỂN TỐI ƯU

J (u ) = ∫ L(u, u, t )dt (1.38)

vì δu và δu liên hệ nhau bởi :

Khi điều kiện ràng buộc có dạng :

thì phương trình Euler_Lagrange tổng quát (1.47) có phiếm hàm :

với điều kiện đầu :

và điều kiện biên :

Phương trình Euler_Lagrange có dạng tổng quát :

và điều kiện đầu :

Từ 2 phương trình trên ta xác định :

Điều kiện biên :

Trong đó x = ( x1 , x 2 ,..., x n ) – vector trạng thái ; g k (x ) - hàm phi tuyến

tường minh ; f i ( x, δ i (t )) - hàm phi tuyến không tường minh ; δ i (t ) - các

Trong đó Ψ là hàm số khả vi hoặc tuyến tính từng đoạn và Ψ (0 ) = 0 . Hàm

Kết hợp (4) và (1) ta có :

1.2.2 Phương pháp quy hoạch động Belman

u1 = −1 ⇒ x2 = 1.5 + ( −1) = 0.5 ⇒ J 2∗ = 0.25

⇒ J1 = ( −1) / 2 + 0.25 = 0.75

3. Phương pháp điều khiển số

Để cho đơn giản ta định nghĩa : xk x ( kτ ) , uk u ( kτ )

Định nghĩa hàm rời rạc :

Đây là công thức (1.57) .

1.2.3 Nguyên lý cực tiểu Pontryagin _ Hamilton

Trạng thái cuối phải thỏa :

Dễ dàng thấy được giá trị tối ưu của u là :

2. Điều khiển Bang-Bang