See discussions, stats, and author profiles for this publication at: https://www.researchgate.

net/publication/318561415

Nhận dạng hệ bồn nước đôi sử dụng mô hình fuzzy nhiều lớp kết hợp giải
thuật tối ưu tiến hóa vi sai

Article · April 2017

CITATIONS READS

0 3,906

2 authors:

Cao Van Kien Ho Pham Huy Anh

Industrial University of Ho Chi Minh Ho Chi Minh City University of Technology (HCMUT), VNU-HCM
65 PUBLICATIONS 443 CITATIONS 26 PUBLICATIONS 207 CITATIONS

SEE PROFILE SEE PROFILE

All content following this page was uploaded by Cao Van Kien on 20 July 2017.

The user has requested enhancement of the downloaded file.

 Nhận dạng hệ bồn nước đôi sử dụng mô hình fuzzy nhiều lớp kết hợp giải
thuật tối ưu tiến hóa vi sai
Identification of A Double Coupled Tanks System with Multilayer Fuzzy
Logic and Differential Evolution Algorithm
Cao Văn Kiên, Hồ Phạm Huy Ánh
Đại học Bách Khoa Tp.HCM, VNU-HCM, Vietnam
Email: kiencv@hcmut.edu.vn, hphanh@hcmut.edu.vn

Abstract
This paper proposes a new method for identifying a forward and inverse nonlinear coupled tank system based on
the novel NARX multilayer fuzzy model optimized by differential evolution (DE) algorithm. A multilayer fuzzy
system is created by combining several MISO multilayer fuzzy models. Each MISO multilayer Fuzzy model is
implemented through several Fuzzy Takagi-Sugeno sets. Then fuzzy structures and fuzzy rules of proposed
multilayer fuzzy model were optimally trained by DE algorithm. The experiment and simulation results are
presented. It proves a promisingly scalable and simple method to successfully identify nonlinear MIMO system.
The multilayer fuzzy model can be used for predictive control in the future.

Keyworks
Identification, multilayer fuzzy, DE algorithm, double coupled tanks, nonlinear system.

Tóm tắt1 SISO Single Input – Single Output

Bài báo này đề xuất một phương pháp nhận dạng
tham số mô hình thuận và mô hình ngược hệ bồn
nước liên kết sử dụng mô hình Fuzzy nhiều lớp được
đề xuất, phối hợp giải thuật tiến hoá vi sai. Mô hình
Fuzzy nhiều lớp được tạo thành bằng cách kết hợp
nhiều mô hình Fuzzy MISO (Multi-Input, Single-
Output). Mỗi mô hình Fuzzy MISO nhiều lớp được
tạo thành bởi nhiều mô hình Fuzzy Takagi-Sugeno
truyền thống. Cấu trúc và luật mờ của mô hình Fuzzy
nhiều lớp được tính toán tối ưu bằng giải thuật tiến
hoá vi sai (Differential Evolution - DE). Kết quả mô
phỏng và thực nghiệm khẳng định khả năng nhận
dạng hệ MIMO cùng khả năng tuỳ biến linh hoạt của
mô hình fuzzy nhiều lớp. Mô hình nhận dạng fuzzy
nhiều lớp được đề xuất, có thể được sử dụng hiệu quả
trong các giải thuật điều khiển thích nghi và dự báo
sau này.
Ký hiệu
Ký hiệu Đơn vị Ý nghĩa
x cm Mực nước hiện tại ở bể
u volt Điện áp cấp cho động cơ
cr Hệ số lai ghép trong giải
thuật DE
f Hệ số khác biệt trong giải
thuật DE
Chữ viết tắt
1
Đây là phần dành để đưa các thông tin về “ngày
nhận bài, ngày nhận bài sửa lần 1-lần 2, ngày chấp
nhận công bố, danh sách các phản biện”, đề nghị
không sử dụng
MISO Multi Input – Single Output
MIMO Multi Input – Multi Output
DE Differential Evolution
GA Genetic Algorithm
PSO Particle Swarm Optimization
1. GIỚI THIỆU
Từ khi Zadeh đề xuất mô hình Fuzzy năm 1965, đã có
rất nhiều nghiên cứu trong lĩnh vực này. Mô hình
Fuzzy được áp dụng trong rất nhiều lĩnh vực như y
học, kỹ thuât, tài chính, thống kê, v.v. [1]. Trong
chuyên ngành điều khiển thông minh, giải thuật Fuzzy
đã ứng dụng thành công trong các mảng điều khiên,
nhận dạng, phân lớp, phân nhóm,...
Hiện tại, có rất nhiều nghiên cứu về lĩnh vực nhận
dạng với đủ các cách tiếp cận từ kinh điển tới những
phương pháp ứng dụng giải thuật thông minh, như
mạng thần kinh Neural [2], [3] hay mô hình Fuzzy
[4], [5]. Một trong những bài toán lớn trong lĩnh vực
nhận dạng thông minh chính là nhận dạng mô hình
phi tuyến nhiều ngõ vào, nhiều ngõ ra (MIMO) bởi sự
phức tạp và nhiều yếu tố không chắc chắn kèm theo.
Mô hình MIMO phi tuyến rất khó để nhận dạng dựa
vào các quan hệ toán học. Để khắc phục nhược điểm
đó cũng như lợi dụng khả năng tính toán của máy
tính, các công cụ tính toán tối ưu tiến hóa như GA,
PSO đã được áp dụng trong việc nhận dạng tối ưu các
mô hình nhận dạng thông minh như mạng Neural hay
mô hình Fuzzy. Tuy nhiên các giải thuật GA, PSO
đều có những hạn chế như thuật toán PSO tuy đơn
giản, dễ lập trình, nhưng dễ bị rơi vào cực trị cục bộ;
thuật toán GA cho kết quả toàn cục tốt, nhưng mất rất
nhiều thời gian tính toán [17]. Gần đây, giải thuật tiến
hoá vi sai (Differential Evolution - DE) [6] đang trở áp điều khiển động cơ 2), cùng hai hoặc bốn ngõ ra
nên phổ biến trong lĩnh vực tính toán tối ưu. Giải (mực nước các bồn 1, 2, 3, 4) (xem Hình 1). Trong
thuật DE cho kết quả tối ưu toàn cục và có thời gian mô hình bồn nước đôi này, động cơ 1 điều khiển trực
tính toán ít hơn so với thuật toán GA [16], [18]. Trong tiếp mực nước bồn 1, bồn thứ 2 bị tác động bới ngõ ra
bài báo này, giải thuật DE sẽ được ứng dụng để tối ưu của bồn 1. Động cơ thứ 2 điều khiển trực tiếp mực
mô hình Fuzzy dùng cho bài toán nhận dạng mô hình nước bồn 3 và bồn 4 bị tác động bởi ngõ ra bồn 3.
đa biến MIMO phi tuyến. Ngoài ra còn có tác động chéo giữa động cơ 1 với bồn
Trong những năm gần đây, mô hình mờ Takagi- 4 và giữa động cơ 2 với bồn 3, làm tăng thêm tính phi
Sugeno [7] được ứng dụng rộng rãi trong nhiều lĩnh tuyến cùng độ phức tạp cho mô hình.
vực nhận dạng và điều khiển. Các tác giả trong [8] đã Mô hình bồn nước liên kết được xây dựng dựa trên
đề xuất một giải thuật huấn luyện mô hình Fuzzy T-S mô hình bồn nước đôi của Quanser [15] Cảm biến áp
dùng phương pháp di truyền phân cấp (Hierarchical suất MPX10 của hãng Freescale để đo áp suất sau đó
Genetic Algorithm - HGA). Các tác giá trong [9] sử nội suy ra độ cao của mực nước trong bồn chứa. Động
dụng GA để huấn luyện mô hình mờ áp dụng vào bài cơ Orihara 24V lưu lượng 10 lít/phút được sử dụng
toán nhận dạng một số mô hình phi tuyến trong môi làm động cơ bơm 1 và động cơ bơm 2.
trường Matlab/Simulink. Các tác giả trong bài báo Sơ đồ khối mô hình bồn nước được thể hiện như Hình
[10], [11] sử dụng giải thuật tối ưu bầy đàn PSO để 1.
tối ưu cấu trúc mô hình Fuzzy trong bài toán phân
lớp.
Giải thuật Fuzzy đang được sử dụng rộng rãi trong
nhận dạng hệ phi tuyến SISO và MIMO, nhưng đó
mới chỉ áp dụng cho mô hình có cấu trúc đơn giản.
Đối với các mô hình phức tạp thực tế, thiết kế mô
hình mờ yêu cầu phải có thời gian tính toán lâu hơn
do có nhiều hàm liên thuộc cùng số lượng luật mờ
phức tạp. Các tác giả trong [3] sử dụng giải thuật
MGA huấn luyện mô hình Fuzzy NARX dung nhận
dạng sợi cơ khí nén nhân tạo ứng dụng trong robot
dịch vụ. Các tác giả trong [12] giới thiệu sơ đồ Fuzzy
nhiều lớp như là một phần của mảng Fuzzy-Neural.
Mô hình Fuzzy nhiều lớp là một trong các phân lớp
thuộc mảng Fuzzy-Neural [13], [14]. Không như mô
hình Fuzzy cổ điển, mô hình Fuzzy nhiều lớp rất khó
xây dựng dựa trên kinh nghiệm của người thiết kế, nó
thường chỉ có thể được tạo ra hoặc được huấn luyện
với các giải thuật tính toán tối ưu mềm. Nó có thể Hình 1. Cấu trúc mô hình bồn nước liên kết đôi
được áp dụng hiệu quả để nhận dạng các hệ MIMO
Phương trình phi truyến của bồn nước liên kết đôi
phức tạp và dễ dàng thay đổi cấu trúc, với độ phức tạp
được thể hiện qua hệ phương trình biến trạng thái (1)
mô hình chỉ tỉ lệ thuận theo độ phức tạp của đối tượng
MIMO phi tuyến. Tác giả của [14] sử dụng mô hình dx1 K 1u1 (t ) b1C 2 gx1
Fuzzy nhiều lớp trong điều khiển hệ thống con lắc dt A1 A1
ngược trên xe đẩy qua mô phỏng Matlab/Simulink. b1C 2 gx1 b2 C 2 gx2
dx2 K (1 2 )u2 (t )
Phát triển từ các thành tựu trên, bài báo này sẽ khai
thác mô hình Fuzzy nhiều lớp ứng dụng trong nhận hệ dt A2 A2 A2
phi tuyến MIMO. Cấu trúc mô hình Fuzzy nhiều lớp dx3 K u (t )
2 2
b3C 2 gx3
được tối ưu bởi giải thuật tiến hóa vi sai (DE) bằng dt A3 A3
cách cực tiểu hàm chỉ tiêu chất lượng có dạng bình
phương sai số nhỏ nhất LMS. Mô hình bồn nước liên dx4 K (1 1 )u1 (t ) b3C 2 gx3 b4 C 2 gx4
kết đôi được lựa chọn làm mô hình phi tuyến MIMO dt A4 A4 A4
có trễ để kiểm chứng thực nghiệm tính ưu việt của (1)
giải thuật được đề xuất. Trong đó u1, u2 lần lượt là điện áp điều khiên động cơ
bơm 1, 2; x1, x2, x3, x4 lần lượt là mực nước ở các bồn
2. MÔ HÌNH BỒN NƯỚC ĐÔI 1, 2, 3 và 4.
Mô hình bồn nước liên kết đôi là một dạng mô hình Ý nghĩa các thông số và giá trị vật lý thể hiện ở Bảng
MIMO (Multi-input, Multi-Output) phi tuyến có trễ 1. Các giá trị này sẽ được sử dụng ở mô hình thực
với hai ngõ vào (điện áp điều khiển động cơ 1 và điện nghiệm.
 Bảng 1. Ý nghĩa vật lý và thông số mô hình thực nghiệm
Ký hiệu Ý nghĩa vật lý Giá trị [đơn vị]
A1 Đường kính lòng trong của Bể 1 16.619(cm2)
A2 Đường kính lòng trong của Bể 2 16.619(cm2)
A3 Đường kính lòng trong của Bể 3 16.619(cm2)
A4 Đường kính lòng trong của Bể 4 16.619(cm2)
b1 Đường kính ống thoát của Bể 1 0.5027(cm2)
b2 Đường kính ống thoát của Bể 2 0.3318(cm2)
b3 Đường kính ống thoát của Bể 3 0.5027(cm2)
b4 Đường kính ống thoát của Bể 4 0.3318(cm2)
C Hệ số dẫn lưu của ngõ ra 0.8
g Gia tốc trọng trường 981(cm/s2)
K Hằng số bơm 6.94(cm3/(s.V))
1
Tỉ số dòng chảy Bể 1 với dòng chảy Bể 4 70(%)
2
Tỉ số dòng chảy Bể 2 với dòng chảy Bể 3 65(%)
N
wi zi
3. THIẾT KẾ MÔ HÌNH FUZZY NHIỀU i 1
y (3)
LỚP N
wi
3.1. Mô hình Fuzzy trong kỹ thuật nhận dạng i 1
Mô hình Fuzzy đã được áp dụng nhiều trong nhận
Trong đó N là số lượng luật mờ.
dạng hệ thống, tuy nhiên chỉ áp dụng hiệu quả cho các
Đối với bài toán nhận dạng thông minh dùng giải
hệ tương đối đơn giản. Đối với hệ phức tạp, nhiều ngõ
thuật tối ưu kết hợp mô hình mờ kinh điển, chỉ có một
vào, nhiều ngõ ra, cấu trúc mô hình Fuzzy thường
mô hình Fuzzy chung nhất dùng nhận dạng cho mô
được xây dựng rất phức tạp [4]. Cụ thể, mô hình
hình MISO. Khi ngõ vào càng nhiều, mô hình Fuzzy
Fuzzy kinh điển áp dụng để nhận dạng hệ phi tuyến
càng phức tạp, với số lượng luật mờ tăng theo luật
MISO được thể hiện ở Hình 2.
hàm số mũ. Đây là một điểm hạn chế rất lớn của mô
hình Fuzzy truyền thống so với mạng thần kinh
Neural.
Để khắc phục hạn chế đó, trong bài báo này, tác giả
sử dụng mô hình Fuzzy nhiều lớp MISO để nhận dạng
mô hình phi tuyến đa biến MIMO.

3.2. Mô hình Fuzzy nhiều lớp trong kỹ thuật nhận

Hình 2. Mô hình Fuzzy dùng nhận dạng hệ phi tuyến MISO.
Luật mờ trong mô hình Fuzzy T-S có dạng tổng quát
như sau:
If Input_1 = x and Input_2 = y, then Output is z =
f(x,y)
Ngõ ra z = f(x,y) là dạng một hàm số tuỳ ý do người
thiết kế quyết định. Trong bài báo này, ngõ ra của mô
hình Fuzzy T-S được chọn là một hằng số. Các giá trị
của hằng số sẽ được tối ưu với giải thuật DE.
Mỗi luật mờ là một trọng số của ngõ ra z i , wi được
tính bằng phép toán chọn giá trị nhỏ nhất:
wi = Min (F1(x), F2(y)) (2)
Với F1 , F2 là các hàm liên thuộc của ngõ vào 1 và 2
Giá trị ngõ ra của mô hình fuzzy được tính theo
phương pháp trọng tâm (COG):
dạng
Trong bài báo này, mô hình Fuzzy nhiều lớp được áp
dụng để nhận dạng hệ bồn nước liên kết đôi. Mô hình
Fuzzy nhiều lớp nhận dạng mô hình phi tuyến đa biến
MIMO bao gồm nhiều khối mô hình Fuzzy nhiều lớp
MISO kết hợp lại, mỗi mô hình Fuzzy nhiều lớp
MISO thể hiện một ngõ ra của mô hình. Trường hợp
đối tượng cần nhận dạng có 4 ngõ ra, mô hình Fuzzy
nhiều lớp MIMO sẽ bao gồm 4 mô hình Fuzzy nhiều
lớp MISO với cùng hoặc khác biến ngõ vào. Mỗi mô
hình Fuzzy nhiều lớp MISO bao gồm nhiều mô hình
Fuzzy T-S 2 ngõ vào 1 ngõ ra. Cấu trúc của mô hình
Fuzzy phân lớp được đề xuất, dùng nhận dạng mô
hình bồn nước liên kết đôi, được thể hiện như Hình 2-
2. Hình 2-2 cho thấy, cấu trúc mô hình Fuzzy nhiều
lớp MIMO được sử dụng gồm 2 mô hình fuzzy nhiều
lớp MISO phối hợp. Mỗi mô hình Fuzzy nhiều lớp
MISO sẽ bao gồm 3 mô hình Fuzzy T-S 2 vào 1 ra.

Hình 3. Mô hình Fuzzy nhiều lớp áp dụng trong nhận dạng
Ngõ ra của mô hình mờ MISO có dạng sau:
N
w ji z ji
M
i 1
y N
(4)
j 1
w ji
i 1
Với M là số lượng mô hình Fuzzy T-S được dùng
trong khối mô hình Fuzzy nhiều lớp MISO.
Mỗi khối Fuzzy T-S bao gồm 2 ngõ vào, một ngõ ra.
Mỗi ngõ vào có 3 hàm liên thuộc dạng tam giác. Ngõ
ra mô hình Fuzzy T-S là một hằng số (simpleton).
Như vậy, một mô hình Fuzzy T-S bao gồm 9 luật và 6
giá trị để chỉnh cấu trúc hàm liên thuộc, tổng cộng có
15 biến. Từ đó ta có với một mô hình Fuzzy nhiều lớp
MISO sẽ gồm 45 biến và mô hình Fuzzy nhiều lớp
MIMO tổng cộng có 90 biến để chỉnh định mô hình.
Đối với mô hình Fuzzy kinh điển với 4 ngõ vào, 1 ngõ
ra, 3 hàm liên thuộc, thì tổng số luật mờ là 81 và 12
biến để chỉnh định hàm liên thuộc. Như vậy tổng cộng
là 93 biến cho một mô hình MISO và 186 biến cho
mô hình MIMO hoàn chỉnh.
Hàm liên thuộc ngõ vào của mô hình Fuzzy T-S
(Hình 4) có dạng như sau:
Hình 4. Hàm liên thuộc ngõ vào của mô hình Fuzzy T-S
Giá trị chuẩn hoá ngõ vào từ 0 đến 1 hoặc -1 đến 1 tuỳ
theo mô hình. Đối với mô hình bồn nước liên kết đôi,
giá trị ngõ vào sẽ là từ 0 đến 1. Trước mỗi ngõ vào sẽ
có một hệ số để hiệu chỉnh giá trị ngõ vào phù hợp
với giới hạn đã đặt trước từ 0 đến 1. Ví dụ như hệ số
0.033 cho ngõ vào mực nước mô hình (độ cao tối đa
của bồn nước là 30cm). Ta cũng có nhận xét:
var1, var2, var3 tỉ lệ với nhau và var1 + var3 = input
range
Ngõ ra của mô hình Fuzzy T-S là một hằng số trong
vùng từ -1 đến 1. Tương tự như ngõ vào, ngõ ra của
mô hình Fuzzy nhiều lớp cũng qua một khâu tỉ lệ để
phù hợp với mô hình cần nhận dạng.
Việc sử dụng 3 hàm liên thuộc cho ngõ vào để đơn
giản hoá tính toán, đảm bảo tính phi tuyến vừa đủ với
một mô hình Fuzzy T-S. Đối với bài toán phức tạp
hơn, cấu trúc mô hình Fuzzy T-S vẫn được giữ
nguyên, chỉ cần tăng số lượng mô hình Fuzzy T-S
trong cấu trúc Fuzzy nhiều lớp.
4. GIẢI THUẬT TỐI ƯU HUẤN LUYỆN
MÔ HÌNH FUZZY NHIỀU LỚP
Ngày nay, giải thuật tiến hoá vi sai (DE) [6] trở nên
thông dụng trong các giải thuật tối ưu. Nhở khả năng
tối ưu toàn cục và thời gian tính toán nhanh [16], [18]
nên giải thuật DE được áp dụng trong bài báo này,
giải thuật tối ưu DE được sử dụng để nhận dạng mô
hình Fuzzy nhiều lớp, bao gồm các thông số hình
dạng hàm liên thuộc, giá trị ngõ ra mô hình Fuzzy T-
S. Bằng cách tối ưu hoá hàm chi phí (cost function
hay fitness function) là trung bình tổng bình phương
sai số (MSSE) giữa ngõ ra mô hình thực và ngõ ra mô
hình dự báo
1
Hàm mục tiêu: J e2 (5)
N
Trong đó sai số mô hình: e y yˆ (6)
N là số lượng mẫu dữ liệu.
ŷ là ngõ ra của mô hình Fuzzy, y là ngõ ra được thu
thâp từ mô hình thực.
Giải thuật DE [6] gồm các bước sau:
 Khởi tạo
Khởi tạo NP cá thể ngẫu nhiên trong quần thể, mỗi
cá thể mang một lời giải khác nhau, các
cá thể được khởi tạo ngẫu nhiên trong phạm vi tìm
kiếm được chọn trước.
X i ,G [ x1,i ,G , x2,i ,G ,..., xD,i ,G ] (7)
Trong đó G là số lượng vòng lặp (thế hệ), G = 0, 1
…, Gmax và i = 1, 2 …, NP, D là số lượng cá thể
trong quần thể.
 Đột biến
Quá trình đột biến tạo ra các cá thể mới bằng cách
nhân thêm một hệ số giữa sự sai khác hai cá thể
 trong quần thể để tạo ra cá thể mới. Trong giải biến, giải mã thì có thể thấy giải thuật DE được thực
thuật DE, quá trình này được gọi là đột biến. hiện nhanh hơn đáng kể.
Với mỗi cá thể xi ,G (target), cá thể đột biến vi ,G Trong bài báo này, giải thuật DE chỉ kết thúc khi số
(donor) được tạo ra với công thức sau: vòng lặp đạt tới giới hạn cho trước.
vi ,G 1 xr ,G f .( xr ,G xr ,G )
1 2 3
(8) Bắt đầu
Với các giá trị ngẫu nhiên r1 , r2 , r3 1, 2,..., NP . F
là một hệ số dạng số thực f [0, 2] . Hệ số f lớn
Khởi tạo
giúp giải thuật dễ thoát ra khỏi cực trị cục bộ. Tuy
nhiên hệ số f quá lớn sẽ khiến thế hệ sau khác xa
thế hệ trước. Hệ số này được chọn để phù hợp Đột biến
riêng cho từng bài toán.

 Lai ghép
Lai ghép
Sau khi tạo ra các vector giá trị từ khâu đột biến,
khâu lai ghép sẽ thực hiện nhiệm vụ tạo ra tổ hợp N
các cá thể con mới ui ,G (trial) trong quần thể. Cá Chọn lọc
thể con được tạo ra bằng cách lựa chọn chính nó
xi ,G (target) hoặc với cá thể đột biến vi ,G (donor).
Giải thuật lựa chọn này có thể được mô tả như Kết thúc?
sau:
v j ,i ,G If (rand j ,i [0,1] cr)
u j ,i ,G (9) Y
x j ,i ,G otherwise
Kết thúc
Với j =1, 2…D
Hình 5. Lưu đồ giải thuật tối ưu DE
 Chọn lọc
Quá trình chọn lọc quyết định cá thể nào sẽ tiếp 5. KẾT QUẢ
tục tồn tại trong thế hệ G+1 tiếp theo. Cá thể được 5.1. Thiết lập mô hình thực nghiệm
chọn xi ,G (target) sẽ so sánh chất lượng với cá thể Mô hình bồn nước liên kết bao gồm 4 bể chứa nước, 4
con sau quá trình lai ghép ui ,G (trial) cá thể có cảm biến áp suất, 2 động cơ bơm và các van tỉ lệ. Các
chất lượng cao hơn sẽ tồn tại. Quá trình chọn lọc bồn chứa nước được làm từ Mica và các giá trị thông
này có thể được mô tả như sau: số vật lý đo chính xác cho ở Bảng 1. Hình ảnh mô
hình bồn nước liên kết thực nghiệm được thể hiện qua
U i ,G If f (U i ,G ) f ( X i ,G )
X i ,G 1 (10) Hình 6
X i ,G otherwise

 Kết thúc
Đây là điều kiện kết thúc vòng lặp của giải thuật
DE. Vòng lặp chỉ kết thúc khi một trong các điều
kiện sau thoả mãn
- Số vòng lặp đạt tới giới hạn được cho trước.
- Khi giá trị fitness đạt được tốt hơn hoặc bằng
giá trị mong muốn.
- Khi giá trị fitness tốt nhất không thay đổi sau
một số lần lặp cho trước. Hình 6. Mô hình bồn nước liên kết đôi thực tế
Lưu đồ giải thuật DE được thể hiện ở Hình 5. Có thể
thấy lưu đồ giải thuật tối ưu DE giống so với giải Mô hình bồn nước liên kết đôi thực nghiệm được xây
thuật GA, tuy nhiên chỉ là giống nhau về tên gọi các dựng và sử dụng card PCI-6221 nếu sử dụng với máy
khối chức năng, còn cách thực thi thì hoàn toàn khác tính bàn hoặc board Arduino Due nếu sử dụng trên
nhau. Giải thuật DE thực hiện tính toán trong 1 cá thể laptop.
chỉ có 3 phép tính chính là đột biến được thực hiện Với card PCI-6221 được sử dụng như ngoại vi của
theo phương trình (8), và 2 hàm “if”´cho giai đoạn máy tính để điều khiển động cơ bơm, đọc cảm biến và
chọn lọc và lai ghép (9), (10). Nếu so sánh với GA các tính toán được thực hiện bởi máy tính trên chương
với các phép toán mã hoá, chọn lọc, lai ghép, đột trình Matlab/Simulink. Với board Arduino, chương
trình điều khiển được tạo ra bởi Matlab, được nhúng
trực tiếp từ Matlab xuống board, board Arduino Due
đóng vai trò chính trong xử lý dữ liệu, chương trình
Matlab/Simulink đóng vai trò như màn hình, giúp
hiển thị các thông số của bồn nước được truyền lên
qua cổng UART. Quá trình tạo code, nạp xuống và
trao đổi dữ liệu được Matlab thực hiện hoàn toàn.
Chương trình được thực thi ở tốc độ 0.1 giây, và chỉ ở
giai đoạn lấy mẫu dữ liệu nên không có sự khác biệt
khi sử dụng board Arduino Due hay card PCI-6221.
Cảm biến ấp suất MPX 10 của hãng Freescale
Semiconductor có tầm đo từ 0 đến 10kPa. Trong mô
hình thực nghiệm mực nước tối đa đạt tới 30cm, lúc
này áp suất tại đáy bình là 2.942 kPa. Cảm biến áp
suất có độ lợi 3.5mV/kPa, khi mực nước đạt tối đa,
ngõ ra có mức điện áp 10.297mV và 20mV offset.
Mức điện áp này quá nhỏ để vi điều khiển có thể đọc
được. Vì thế, để đọc tốt cảm biến, phải có một mạch
khuếch đại tín hiệu, Đối với mô hình thực nghiệm
này, mạch khuếch đại dạng "instrumentation
amplifier" được sử dụng với độ lợi 67, cho phép cấp
điện áp ứng với mực nước từ 0 đến 30 cm tương ứng
từ 1.34V đến 2.029V.
Hai động cơ bơm 24V lưu lượng 10 lít/phút được sử
dụng và được điều khiển điện áp để thay đổi lưu
lượng nước cung cấp vào bồn.
5.2. Thu thập dữ liệu vào ra
Dữ liệu được thu thập với thời gian lấy mẫu 0.1 giây.
Dữ liệu dùng nhận dạng được thể hiện như ở Hình 7.
Giá trị điện áp ngõ vào có giá trị từ 7.5V đến 15V, các
giá trị ngõ vào thay đổi theo chu kỳ 10 giây. Dữ liệu
bao gồm giá trị điện áp cấp cho động cơ bơm 1, động
cơ bơm 2 và mực nước đo từ các bồn thứ 2 và bồn thứ
4. Dữ liệu từ cảm biến có nhiễu với phương sai lớn,
khi áp dụng thực nghiệm, dữ liệu được qua một bộ lọc
Kalman để lọc nhiễu.
Dữ liệu dùng đánh giá mô hình thể hiện trên Hình 8.
Đó là một tập dữ liệu khác tập dữ liệu dùng trong
huấn luyện, giá trị ngẫu nhiên điện áp ngõ vào từ
7.5V đến 15V.
Hình 7. Dữ liệu huấn luyện mô hình
Hình 8. Dữ liệu đánh giá mô hình
5.3. Huấn luyện mô hình Fuzzy
Sau khi thu thập dữ liệu vào ra của mô hình, giải thuật
tối ưu DE được sử dụng để huấn luyện mô hình Fuzzy
nhiều lớp. Mô hình Fuzzy nhiều lớp gồm 2 mô hình
Fuzzy nhiều lớp MISO, nên việc huấn luyện chia
thành 2 lần giống như mô phỏng. Lần đầu huấn luyện
mô hình MISO nhận dạng ngỏ ra x2, lần thứ hai nhận
dạng mô hình Fuzzy nhiều lớp MISO nhận dạng ngõ
ra x4. Với mỗi mô hình Fuzzy nhiều lớp MISO, bao
gồm 3 mô hình Fuzzy T-S 2 ngõ vào 1 ngõ ra được
chia ra thành 3 lớp, lớp đầu tiên gọi là lớp vào gồm 2
mô hình Fuzzy T-S, một mô hình nhận tín hiệu vào là
x, một mô hình nhận tín hiệu vào là u, mô hình Fuzzy
T-S còn lại thuộc lớp giữa có ngõ vào là ngõ ra của 2
mô hình lớp vào. Cuối cùng lớp ra là tổng của tất cả
các mô hình Fuzzy T-S bên trong khối. Mỗi lớp có ý
nghĩa như sau: lớp vào có nhiệm vụ mô tả sự tác động
của ngõ vào tới ngõ ra, lớp giữa có nhiệm vụ mô tả sự
tác động chéo giữa các ngõ vào, giữa các ngõ ra với
ngõ vào, lớp ra là tổng hợp tất cả các đặc trưng đó lại.
Ứng dụng giải thuật DE nhận dạng lần lượt các mô
hình MISO theo cấu trúc hồi tiếp NARX (Nonlinear
Auto-Regressive eXogenous). Mô hình đầu tiên bao
gồm 4 ngõ vào (u1[n], u2[n], x2[n-1], x2[n-2]) và một
ngõ ra (x2[n]). Mô hình thứ 2 cũng có 4 ngõ vào
(u1[n], u2[n], x4[n-1], x4[n-2]) và có một ngõ ra
(x4[n]).
Việc lựa chọn số lượng và thành phần ngõ vào, số
lượng mô hình Fuzzy T-S để huấn luyện mô hình phụ
thuộc nhiều vào kinh nghiệm của người thiết kế hoặc
qua thử sai, chưa có phương pháp cụ thể nào để chọn
được chính xác số lượng mô hình Fuzzy T-S trong
cấu trúc Fuzzy nhiều lớp.
Sau khi kết thúc quá trình huấn luyên, mô hình được
đánh giá với một tập dữ liệu vào ra khác hoàn toàn so
với tập dữ liệu dùng nhận dạng.
5.4. Kết quả nhận dạng mô hình bồn nước liên kết
5.4.1. Kết quả nhận dạng mô hình Fuzzy nhiều
lớp thuận
Mô hình Fuzzy nhiều lớp áp dụng nhận dạng mô hình
thuận bao gồm 2 mô hình Fuzzy nhiều lớp MISO, mỗi
khối mô hình Fuzzy MISO bao gồm nhiều mô hình
Fuzzy T-S 2 ngõ vào 1 ngõ ra được huấn luyện bằng
giải thuật tiến hóa vi sai tối ưu hàm mục tiêu bình
phương sai số nhỏ nhất. Trong đó ngõ ra của mô hình
Fuzzy nhiều lớp MIMO ứng với giá trị mực nước tại 2
bồn ở vị trí thấp. Ngõ vào mô hình Fuzzy nhiều lớp
gồm các giá trị điện áp và giá trị mực nước trước đó
theo mô hình hồi tiếp NARX.
Giải thuật DE được áp dụng với các thông số sau: 200
cá thể trong quần thể, vận hành với tối đa 750 thế hệ.
Các thông số cr là hệ số lai ghép, được chọn thông
thường là 0.9, hệ số f quyết định sự khác biệt giữa các
thế hệ, f càng nhỏ thì sự thay đổi các thế hệ càng nhỏ,
đối với hệ có nhiều biến, nên chọn f nhỏ, vì vậy trong
mô hình 90 biến này hệ số f được chọn là 0.01. Kết
quả được đánh giá qua phương pháp dự đoán.

Hình 10. Kết quả đánh giá chất lượng nhận dạng ngõ ra
bồn 2

Hình 9. Kết quả huấn luyện nhận dạng ngõ ra bồn 2

Hình 9 cho thấy kết quả của quá trình huấn luyên mô
hình Fuzzy nhiều lớp đạt giá trị hàm chi phí cuôi cùng Hình 11. Giá trị hàm chi phí qua các thế hệ
là 0.0113 với cr = 0.9, f = 0.01 đối với ngõ ra x2.
Hình 10 cho thấy đáp ứng khi đánh giá mô hình với
một tập dữ liệu khác. Kết quả cho thấy khả năng nhận
dạng của mô hình Fuzzy nhiều lớp đạt kết quả tốt khi
nhận dạng mô hình.
Hình 11 cho thấy giá trị hàm chi phí trong quá trình
huấn luyện mô hình. Giá trị hàm chi phí đạt trị tối
thiểu 0.0113 sau 625 thế hệ và giữ nguyên giá trị này
đến khi quần thể đạt tới thế hệ cuối cùng. thời gian
tính toán khoảng 45 phút để chạy hết 750 thế hệ trên
CPU core i5 - 2.5Ghz.
Tương tự như vậy, Hình 12, Hình 13 và Hình 14 cho
thấy kết quả huấn luyện, đánh giá và hàm chi phí đối
với mô hình Fuzzy dùng cho ngõ ra x4

Hình 12. Kết quả nhận dạng mô hình Fuzzy với ngõ ra x4
 theo cấu trúc NARX. Mô hình MISO đầu tiên bao
gồm 4 ngõ vào (x2[n], x2[n-1], u1[n-1], u2[n-1]) và
một ngõ ra (u1[n]). Mô hình MISO thứ 2 cũng có 4
ngõ vào (x4[n], x4[n-1], u1[n-1], u2[n-1]) và có một
ngõ ra (u2[n]). Kết quả được đánh giá bằng phương
pháp dự báo.
Giải thuật DE áp dụng cho nhận dạng mô hình ngược
được chạy tối đa 1000 thế hệ, 200 cá thể trong quần
thể, cr = 0.9, f = 0.1;
Hình 15 cho thấy kết quả huấn luyện của mô hình
Fuzzy nhiều lớp nhận dạng mô hình ngược với ngõ ra
là điện áp cấp cho động cơ bơm 1. Kết quả cho thấy
khi huấn luyện sai số lớn nhất không vượt quá 0.1V
Hình 16 cho thấy kết quả đánh giá của mô hình Fuzzy
nhiều lớp nhận dạng mô hình ngược với ngõ ra là điện
Hình 13. Kết quả đánh giá mô hình Fuzzy với ngõ ra x4 áp cấp cho động cơ bơm 1. Kết quả đánh giá sử dụng
một tập dữ liệu vào ra khác hoàn toàn so với tập dữ
Hình 13 cho thấy kết quả đánh giá với một tập dữ liệu
liệu dùng nhận dạng. Kết quả cho thấy khi đánh giá,
khác trên cùng một mô hình Fuzzy nhiều lớp được
sai số lớn nhất vẫn không quá 0.1V
huấn luyên trước đó cho ngõ ra x4. Ở mẫu thứ 800,
ngõ ra của mô hình nhận dạng không đạt được giá trị
giống như mô hình thật, do quá trình nhận dạng, độ
cao tôi đa của mô hình nhận dạng không có trường
hợp này, cho nên mô hình huấn luyện không thể đạt
tới được. Để khắc phục tình trạng này, tập dữ liệu
nhận dạng phải đủ lớn bao quát được tất cả các tình
huống và trường hợp.
Hình 14 cho thấy giá trị hàm chi phí được tối thiểu
hóa trong quá trình nhận dạng. Giá trị hàm cuối cùng
đạt được là 0.0127 sau 750 thế hệ.

Hình 15. Kết quả huấn luyện mô hình Fuzzy ngõ ra là điện
áp bơm

Hình 14. Giá trị hàm chi phí khi huấn luyện mô hình Fuzzy
cho ngõ ra x4

5.4.2. Kết quả nhận dạng mô hình Fuzzy nhiều

lớp ngược Hình 16. Kết quả đánh giá mô hình Fuzzy ngõ ra là điện áp
Tương tự như mô hình thuận, mô hình Fuzzy nhiều bơm 1
lớp MIMO ngược cũng được tạo thành từ 2 mô hình
Fuzzy MISO, mỗi mô hình Fuzzy nhiều lớp MISO đại
diện cho một ngõ ra, ngõ ra của mô hình ngược ở đây
là giá trị điện áp điều khiển ứng với các giá trị ngõ
vào là giá trị mực nước và các giá trị điện áp trước đó

Hình 17. Giá trị hàm chi phí qua thế hệ huấn luyện mô hình
Fuzzy nhiều lớp cho ngõ ra u1
Hình 17 cho thấy giá trị hàm chi phí khi huấn luyện
mô hình Fuzzy nhiều lớp cho ngõ ra u1 giảm xuống
dưới 10-2 rất nhanh chỉ sau 500 thế hệ huấn luyện.
Hình 18. Kết quả huấn luyện mô hình Fuzzy ngõ ra là điện
áp bơm 2
Hình 18, Hình 19 và Hình 20 thể hiện kết quả nhận
dạng, đánh giá và hàm fitness đối với mô hình ngược
cho ngõ ra u2. Hình 18 cho thấy kết quả huấn luyện
của mô hình Fuzzy nhiều lớp nhận dạng mô hình
ngược với ngõ ra là điện áp cấp cho động cơ bơm 2,
Hình 19 là kết quả đánh giá mô hình với một tập dữ
liệu khác. Kết quả cho thấy khi huấn luyện và khi
đánh giá sai số lớn nhất không vượt quá 0.12V .
Hình 20 cho thấy giá trị hàm chi phí khi huấn luyện
mô hình Fuzzy nhiều lớp cho ngõ ra u2 hội tụ giảm
xuống 10-2 rất nhanh chưa tới 100 thế hệ.
Kết quả ở đây còn cho thấy sự khác biệt khi chọn
f=0.01 và f=0.1 trong nhận dạng mô hình thuận và
mô hình ngược. Với f=0.01 trong nhận dạng mô hình
thuận, hàm chi phí có độ mịn hơn so với f=0.1 ở nhận
dạng mô hình ngược. Tuy nhiên đối với nhận dạng
mô hình thuận, khi f=0.1 thì kết quả huấn luyện mô
hình thuận không đạt vì các giá trị tham số thay đổi
lớn dẫn tới mất khả năng hội tụ.
Hình 19. Kết quả đánh giá mô hình Fuzzy ngõ ra là điện áp
bơm 2
Hình 20. Giá trị hàm chi phí qua các thế hệ huấn luyện mô
hình Fuzzy nhiều lớp cho ngõ ra u2
6. KẾT LUẬN
Bài báo đề xuất mô hình Fuzzy nhiều lớp MIMO ứng
dụng trong nhận dạng mô hình bồn nước liên kết đôi
gồm 2 mô hình Fuzzy nhiều lớp MISO. Mỗi mô hình
MISO được cấu thành từ nhiều mô hình Fuzzy T-S 2
ngõ vào 1 ngõ ra. Các thông số của mô hình Fuzzy
được tối ưu bằng giải thuật tiến hoá vi sai DE qua
hàm chỉ tiêu chất lượng bình phương sai số nhỏ nhất.
Từ những kết quả thực nghiệm trên cho thấy mô hình
Fuzzy nhiều lớp sử dụng trong nhận dạng mô hình phi
tuyến MIMO cho kết quả tốt. Kết quả đánh giá mô
hình đạt kết quả chính xác và bền vững nhờ vào cấu
trúc hồi tiếp NARX. Kết quả chứng minh mô hình
Fuzzy nhiều lớp tuy khá đơn giản nhưng có thể nhận
dạng hiệu quả các mô hình phi tuyến MIMO phức tạp.
Mô hình Fuzzy nhiều lớp với các thông số ít hơn mô
hình Fuzzy truyền thống cho kết quả tính toán nhanh,
có thể ứng dụng vào các giải thuật điều khiển dựa vào
mô hình, điều khiển dự báo, và ứng dụng vào các hệ
thống thực tế.
 ACKNOWLEDGMENT
This research is funded by Vietnam National
Foundation for Science and Technology Development
(NAFOSTED) under grant number 107.01-2015.23
and by Vietnam National University Ho Chi Minh
City (VNU-HCM) under grant number B2016-20-03.
TÀI LIỆU THAM KHẢO
[1] J. Espinosa, J. Vanderwalle, and V. Wertz, Fuzzy
logic, identification and predictive control. 2004.
[2] N. N. Son and H. P. H. Anh, “Adaptive MIMO
neural network model optimized by differential
evolution algorithm for manipulator kinematic
system identification,” in 2014 International
Conference on Automatic Control Theory and
Application (ACTA- 14). Atlantis Press, 2014.
[3] H. P. H. Anh and K. K. Ahn, “Identification of
pneumatic artificial muscle manipulators by a
MGA-based nonlinear NARX fuzzy model,”
Mechatronics, vol. 19, pp. 106–133, 2009.
[4] O. Nelles, Nonlinear system identification: from
classical approaches to neural networks and
fuzzy models. Springer Science & Business
Media, 2013.
[5] Y. J. Liu, Y. Gao, S. Tong, and Y. Li, “Fuzzy
approximation-based adaptive backstepping
optimal control for a class of nonlinear discrete-
time systems with dead-zone,” IEEE
Transactions on Fuzzy Systems, vol. 24, pp. 16–
28, Feb 2016.
[6] R. Storn and K. Price, “Differential evolution–a
simple and efficient heuristic for global
optimization over continuous spaces,” Journal of
global optimization, vol. 11, no. 4, pp. 341–359,
1997.
[7] T. Takagi and M. Sugeno, “Fuzzy identification
of systems and its applications to modeling and
control,” IEEE Transactions on Systems Man
and Cybernetics, vol. SMC-15, 01 1985.
[8] J. Mendes, R. Araújo, and F. Souza, “Adaptive
fuzzy identification and predictive control for
industrial processes,” Expert Systems with
Applications, vol. 40, no. 17, pp. 6964–6975,
2013.
[9] K. Łapa, K. Cpałka, and P. Koprinkova-
Hristova, “New Method for Fuzzy Nonlinear
Modelling Based on Genetic Programming,”
View publication stats
Springer International Publishing, pp. 432–449,
2016.
[10] T. Chen, Q. Shen, P. Su, and C. Shang, “Fuzzy
rule weight modification with particle swarm
optimisation,” Soft Computing, vol. 20, no. 8,
pp. 2923–2937, 2016.
[11] V. Jeyalakshmi and P. Subburaj, “PSO-scaled
fuzzy logic to load frequency control in
hydrothermal power system,” Soft Computing,
vol. 20, no. 7, pp. 2577–2594, 2016.
[12] J. Vieira, F. M. Dias, and A. Mota, “Neuro-fuzzy
systems: a survey,” in 5th WSEAS NNA
International Conference, 2004.
[13] C.-T. Lin and C. Lee, “Neural fuzzy systems: a
neuro-fuzzy synergism to intelligent systems.”
Prentice-Hall, Inc., 1996.
[14] K.-Y. Tu, T.-T. Lee, and W.-J. Wang, “Design
of a multi-layer fuzzy logic controller for multi-
input multi-output systems,” Fuzzy Sets and
Systems, vol. 111, 2000.
[15] Quanser, “Coupled tanks.”
http://www.quanser.com/products/coupled_tanks
[16] Kachitvichyanukul, Voratas. "Comparison of
three evolutionary algorithms: GA, PSO, and
DE." Industrial Engineering and Management
Systems, Vol. 11, No. 3, pp. 215-223, 2012.
[17] Rania Hassan, Babak Cohanim, Olivier de
Weck, and Gerhard Venter. "A Comparison of
Particle Swarm Optimization and the Genetic
Algorithm", 46th AIAA/ ASME/ ASCE/ AHS/
ASC Structures, Structural Dynamics and
Materials Conference, Structures, Structural
Dynamics, and Materials and Co-located
Conferences, http://dx.doi.org/10.2514/6.2005-
1897.
[18] Panduro, Marco A., et al. "A comparison of
genetic algorithms, particle swarm optimization
and the differential evolution method for the
design of scannable circular antenna arrays."
Progress In Electromagnetics Research B Vol.13
pp.171-186, 2009