Bài giảng Hệ thống điều khiển thông minh - Chương 4: Điều khiển dựa vào mô hình - Huỳnh Thái Hoàng

64 trang ngocly 550

Download

Bạn đang xem 20 trang mẫu của tài liệu "Bài giảng Hệ thống điều khiển thông minh - Chương 4: Điều khiển dựa vào mô hình - Huỳnh Thái Hoàng", để tải tài liệu gốc về máy bạn click vào nút DOWNLOAD ở trên

Tài liệu đính kèm:

bai_giang_he_thong_dieu_khien_thong_minh_chuong_4_dieu_khien.pdf

Nội dung text: Bài giảng Hệ thống điều khiển thông minh - Chương 4: Điều khiển dựa vào mô hình - Huỳnh Thái Hoàng

Moân hoïc HEÄ THOÁNG ÑIEÀU KHIEÅN THOÂNG MINH Giaûng vieân: TS. Huyønh Thaùi Hoaøng BäBoä moâ n Ñi ÑiàKhiåTöÑäeàu Khieån Töï Ñoäng Khoa Ñieän – Ñieän Töû Ñaïi hoïc Baùch Khoa TP.HCM Email: hthoang@hcmut . edu. vn Homepage: 28 May 2010 © H. T. Hoàng - ÐHBK TPHCM 1
Noäi dung chöông 3 Giớihii thiệu Nhắc lại về mô hình của hệ phi tuyến Điều khiển dùng mô hình ng ược Điều khiển mô hình nội Điều khiển theo mô hình c hu ẩn Điều khiển dự báo dựa vào mô hình 28 May 2010 © H. T. Hoàng - ÐHBK TPHCM 3
Giới thiệu Điều khiển dựa vàôhìhlàhào mô hình là phương pháp điều khiển trong đó có sử dụng tường minh mô hình của đối tượng để tính toán tín hiệu điều khiển. Các phương pháp điều khiển dựa vào mô hình phổ biến: Điều khiển dùng mô hình ngược (Inverse Control). Điều khiển mô hình nội (Internal Model Control). Điều khiển theo mô hình chuẩn (Model Reference Control). Điều khiển dự báo (P redi cti ve C ont rol) Các phương pháp điều khiển dựa vào mô hình phi tuyến đã áp dụnggg thành công vào nhiều lĩnh vực, nhưng lĩnh vực áp dụng chủ yếu là các quá trình công nghệ hóa học (thí dụ như trong công nghiệp hóa dầu, chế biến thực phẩm, nước giải khát ). 28 May 2010 © H. T. Hoàng - ÐHBK TPHCM 5
Vòng lặp nhận dạng hệ thống Thí nghieäm thu thaäp döõ lieäu öõ, aùc qui gg Xöû lyù sô cc boä döõ lieäu åu ngoân n eä thoáng: Choïn caáu truùc ee hh moâ hình Choïn tieâu chuaån aùc phaùt bi aùc phaùt tröôùc veà tt cc öôöôcùc löônglöôïng Öôùc löôïng thoâng soá ng tin bieá aät vaät lyù, oâoâ lu Th Ñaùnh giaù moâ hình Khoâng toát ⇒ laëp laïi Khoâng toát ⇒ xeùt laïi thoâng tin bieát tröôùc Toát ⇒ chaáp nhaän moâ hình 28 May 2010 © H. T. Hoàng - ÐHBK TPHCM 7
Cấu trúc mô hình phi tuyến Đốiti tượng: y(k) = f0[u(k −1),K,u(k − nu ), y(k −1),K, y(k − ny )]+ v(k) N Dữ liệu: Z = {y(1),u(1); y(2),u(2);K; y(N),u(N)} Mô hình: yˆ(k,θ ) = f (ϕ(k),θ ) yˆ(k,θ ) Bộ dự báo ϕ(k) VhVector hồiii qui θ Vector tham số 28 May 2010 © H. T. Hoàng - ÐHBK TPHCM 8
Phân loại mô hình phi tuyến Phân loạithi theo cá c ph ần tử hồiii qui: Phân loại theo bộ cấu trúc hàm phi tuyến: Mô hìn h mờ: MdiSMamdani, Sugeno Mô hình mạng thần kinh: MLP, RBF Mô hình lai m ạng thầnnkinhm kinh mờ: ANFIS 28 May 2010 © H. T. Hoàng - ÐHBK TPHCM 9
Sơ đồ khối bộ dự báo mờ Qui tắc mờ mô tả đặc tính động học của đối tượng phi tuyến: nr nϕ Bộ dự báo: yˆ(k,θ ) = α . μ (ϕ (k), β ,γ ) ∑ i ∏ Aij j ij ij i=1 j=1 Vector tham số: θ = [α , ,α , β , , β ,γ , ,γ ]T 1 nr 11 nr nϕ 11 nr nϕ 28 May 2010 © H. T. Hoàng - ÐHBK TPHCM 10
Sơ đồ khối bộ dự báo dùng mạng thần kinh l l ⎛ nϕ ⎞ yˆ(k,θ ) = w z (k) = w g ⎜ v ϕ (k)⎟ Bộ dự báo: ∑ i i ∑ i i ⎜∑ ij j ⎟ i=1 i=1 ⎝ j=1 ⎠ T Vector tham s ố: θ = [v11,K,v1r ,K,vl1,K,vllr , w1, , wl ] 28 May 2010 © H. T. Hoàng - ÐHBK TPHCM 11
Ước lượng tham số v(k) u(k) y(k) Đối tượng ε (k,θ ) Mô hình yˆ(k,θ ) Tiêu chuẩn Tối ưu hóa ướclc lượng Tiêu chuẩn ước lượng: 1 N 1 N N 2 ˆ 2 VN (θ, Z ) = ∑ε (k) = ∑[]y(k) − y(k,θ ) N k=1 N k=1 Thuật toán tối ưu hóa: thuật toán Newton, giải thuật di truyền, 28 May 2010 © H. T. Hoàng - ÐHBK TPHCM 12
Điều khiển ngược trực tiếp (Direct Inverse Control) Nguyên t ắc điều khiểnngn ngượctrc trựctic tiếp Phương pháp điều khiển vòng h ở, trong đóób bộ điều khiểnlàmôhìnhn là mô hình ngược của đối tượng. Đối tượng: y(k +1) = f (y(k), , y(k − n +1),u(k), ,u(k − m +1)) Luật điều khiển: u(k) = f −1(r(k +1),r(k), ,r(k − n +1),u(k −1), ,u(k − m +1)) Thựctc tế rất khó rút ra mô hình ng ượccgi giải tích c ủa đốiti tượng, nhấtlàt là trong trường hợp đối tượng phi tuyến 28 May 2010 © H. T. Hoàng - ÐHBK TPHCM 14
Mô hình ngược Mô hình ngược Sử dụng FM/NN để nhận dạng đặc tính động học ngược của đối tượng: uˆ(k,θ ) = fˆ −1(y(k +1), y(k), , y(k − n +1),u(k −1), ,u(k − m +1)) 28 May 2010 © H. T. Hoàng - ÐHBK TPHCM 15
Ước lượng thông số mô hình ngược Sơ đồ ước lượng tham số mô hình ngược offline Ước lượng offline: Thu thập N mẫu dữ liệu vào ra của đối tượng Tiêu chuẩn ước lượng tham số: N J (θ ) = ∑[u(k) − uˆ(k,θ )]2 → min k=1 28 May 2010 © H. T. Hoàng - ÐHBK TPHCM 16
Ước lượng thông số mô hình ngược Sơ đồ ướclc lượng tham s ố mô hình ng ược online Ước lượng online: Thông số mô hình ngược được cập nhật trực tuyến sao cho sai lệch giữa tín hiệu ra của đối tượng và tín hiệu đặt là tối thiểu Tiêu chuẩn ước lượng tham số: J (θ ) = ∑[r(k) − y(k)]2 → min k 28 May 2010 © H. T. Hoàng - ÐHBK TPHCM 17
Điều khiển dùng mô hình ngược trực tiếp Mô hình ngược sau khi nhận dạng sẽ được sử dụng để điều khiển đối tượng 28 May 2010 © H. T. Hoàng - ÐHBK TPHCM 18
Thí dụ: Điều khiển hệ bồn chứa dùng mô hình ngược trực tiếp Phươngtrìnhviphânmôtảđặc tính động họchệ bồnchứa: 1 h&(t) = (ku(t) − C a 2ghh(t)) A(h) D Amax − Amin A(h) = h + Amin hmax 28 May 2010 © H. T. Hoàng - ÐHBK TPHCM 19
Nhận dạng đặc tính động học hệ bồn đơn Mô hìn h thuận của hệ bồn đơn cóthó thể biểu diễn như sau: h(k +1) = f (h(k),u(k)) Mô hình ngược: uˆ(k) = fˆ −1(h(k +1),h(k)) Sử dụng mạng thần kinh để nhận dạng mô hình ngược của hệ bồn chứa. Cấu trúc mạng thần kinh: Tín hiệu vào: h(k +1),h(k) Tín hiệu ra: uˆ(k) Số tế bào thần kinh ở lớp ẩn là 6. Hàm khhkích hoạt ở lớp ẩn lhlà hàm si gmoid ; Hàm kích hoạt ở lớp ra là hàm tuyến tính. 28 May 2010 © H. T. Hoàng - ÐHBK TPHCM 20
Dữ liệu vào ra hệ bồn đơn Sing le tan k inpu t - ou tput d at a 12 9 6 u(t) 3 0 40 30 (t) 20 hh 10 0 0 200 400 600 800 1000 Time 28 May 2010 © H. T. Hoàng - ÐHBK TPHCM 21
Kết quả điều khiển hệ bồn đơn dùng mô hình ngược 40 r(()t) 30 h(t) 20 10 0 0 100 200 300 400 28 May 2010 © H. T. Hoàng - ÐHBK TPHCM 23
Nhận xét Phương pháp điều khiển dùng mô hì nh ngược chỉ cóhó thể ádáp dụng khi đối tượng cần điều khiển là ổn định với pha cực tiểu. Nếumôhìnhngu mô hình ngược không nh ậnnd dạng đúng đặc tính động h ọc ngược của đối tượng thì kết quả điều khiển sẽ có sai số. Giải pháp để loại trừ ảnh hưởng của sai số mô hình: dùng sơ đồ điều khiển thuận (Feed Forward Control) hoặc điều khiển mô hình nội (Internal Model Control). 28 May 2010 © H. T. Hoàng - ÐHBK TPHCM 24
Điều khiển thuận (Feed Forward Control) Sơ đồ điều khi ểnnthu thuận Trong trường hợp mô hình NN/FM không thể nhậndạng hoàn toàn chính xác đặc tính động họcngượccủa đốitượng thể sử dụng thêm bộđiều khiển PID kinh điển để triệt tiêu sai số do mô hình 28 May 2010 © H. T. Hoàng - ÐHBK TPHCM 25
Thí dụ điều khiển thuận hệ bồn đơn Mô hình ngược: mạng NN(đã trình bày ở thí dụ trước) 0.01 Bộ điều khiển PI: GPID (s) =10 + s 28 May 2010 © H. T. Hoàng - ÐHBK TPHCM 26
Kết quả điều khiển 40 r(t) 30 h(t) 20 10 0 0 100 200 300 400 Điều khiển ngược (Inverse Control) 40 r(t) h(t) 30 20 10 0 0 100 200 300 400 Điều khiển thuận (Feed forward Control) 28 May 2010 © H. T. Hoàng - ÐHBK TPHCM 27
Điều khiển mô hình nội tuyến tính Đốiti tượng Mô hình ngược Mô hình thuận Sơ đồ điều khiển mô hình nội tuyến tính Tín hiệu ra của hệ thống: Y (s) = R(s)GR (s) + N(s)GN (s) Y(s) G (s)G (s) G (s) = = C P R ˆ R(s) N (s)=0 1+ GC (s)GP (s) − GC (s)GP (s) Y(s) 1− G (s)Gˆ (s) G (s) = = C P N ˆ N(s) R(s)=0 1+ GC (s)GP (s) − GC (s)GP (s) 28 May 2010 © H. T. Hoàng - ÐHBK TPHCM 29
Điều khiển mô hình nội phi tuyến Sơ đồ điều khiển mô hình nội tuyến tính Nếu đối tượng ổn định, mô hình ngược ổn định và mô hình ngược chính xác bằnggg nghịch đảo đặc tính động học mô hình thuận thì tín hiệu ra đúng bằng tín hiệu vào, bất chấp nhiễu. 28 May 2010 © H. T. Hoàng - ÐHBK TPHCM 30
Dữ liệu vào ra hệ bồn đơn Sing le tan k inpu t - ou tput d at a 12 9 6 u(t) 3 0 40 30 (t) 20 hh 10 0 0 200 400 600 800 1000 Time 28 May 2010 © H. T. Hoàng - ÐHBK TPHCM 32
Nhận dạng đặc tính động học hệ bồn đơn Mô hình thuậnnc củaah hệ bồn đơncóthn có thể biểuudi diễnnnh như sau: h(k +1) = f (h(k),u(k)) ˆ −1 Mô hình ngược: uˆ(k) = f (h(k +1),h(k)) Cấu tútrúc mạng thần kinh nh ận dạng môhìhô hình ngược Tín hiệu vào: h ( k − 1 ), u ( k − 1 ) Tín hiệu ra: hˆ(k) Số tế bào thần kinh ở lớp ẩn là 6. Hàm kích hoạt lớp ẩn là hàm sigmoid; lớp ra là hàm tuyến tính. Cấu trúc mạng thần kinh nh ận dạng môhìhô hình ngược Tín hiệu vào: h ( k + 1 ), h ( k ) Tín hiệu ra: uˆ(k) Số tế bào th ầnnkinh kinh ở lớp ẩnnlà6 là 6. Hàm kích hoạt lớp ẩn là hàm sigmoid; lớp ra là hàm tuyến tính. 28 May 2010 © H. T. Hoàng - ÐHBK TPHCM 33
Kết quả điều khiển 40 40 r()(t) r(t) h(t) 30 30 h(t) 20 20 10 10 0 0 0 100 200 300 400 0 100 200 300 400 Điều khiển mô hình nội Điều khiển ngược 40 r(t) h(t) 30 20 10 0 0 100 200 300 400 Điều khiển thuận 28 May 2010 © H. T. Hoàng - ÐHBK TPHCM 34
Nguyên tắc điều khiển theo mô hình chuẩn 2 Tiêu chuẩn huấn luyện bộ điều khiển: J (θ ) = ∑[ym (k) − y(k)] → min k Mô hình NN/FL: dùng để ước lượng ∂ y ( k ) / ∂ θ khi tìm cực trị J (θ ) 28 May 2010 © H. T. Hoàng - ÐHBK TPHCM 36
Thí dụ: Điều khiển cánh tay máy theo mô hình chuẩn Phương trìhình vi phhân mô tả đặctíhính động học hệ tay máy: φ&&(t) + 2φ&(t) +10sin φ(t) = u(t) Điều khiển cánh tay máy bám tín hiệu đặttheomôhìnhchuẩn: Φm (s) 9 Gm (s) = = R(s) s2 + 6s + 9 28 May 2010 © H. T. Hoàng - ÐHBK TPHCM 37
Cấu trúc các mạng thần kinh Cấutrúcmu trúc mạng thầnnkinhnh kinh nhậndn dạng đặc tính động họctaymáy:c tay máy: Tín hiệu vào:φ(k−1), φ(k−2), u(k−1), u(k−2) Tín hi ệuura: ra: φˆ(k) Số tế bào thần kinh ở lớp ẩn là 10 Cấu trúc mạng thần kinh thực hiện chức năng điều khiển: Tín hiệu vào: φ(k−1), φ(k−2), r(k−1), r(k−2), u(k−1) Tín hiệu ra: u(k) Số tế bào thần kinh ở lớp ẩn là 13. 28 May 2010 © H. T. Hoàng - ÐHBK TPHCM 39
Kết quả điều khiển cánh tay máy theo mô hình chuẩn Chú ý: Chấtlt lượng điều khiểnphn phụ thuộccr rất nhi ềuuvàok vào kếttqu quả huấn luyện các mạng thần kinh. 28 May 2010 © H. T. Hoàng - ÐHBK TPHCM 42
Sơ đồ khối hệ thống điều khiển dự báo Mô hình để dự báo đáp ứng của đốiti tượng trong t ương lai Thuật toán tối ưu hóa: tính toán chuổi tín hiệu điều khiển tương lai bằng cách tối thiểu hóa một hàm mục tiêu. Dời phạm vi dự báo theo thời gian sau mỗi chu kỳ lấy mẫu 28 May 2010 © H. T. Hoàng - ÐHBK TPHCM 44
Nguyên tắc điều khiển dự báo Dùng một môôhìh hình để dự báo đáp ứng của đối tượng tạiái các th ời điểm rời rạc trong tương lai trong một phạm vi dự báo (prediction horizon) nhất định. Tính toán chuổi tín hiệu điều khiển tương lai trong phạm vi điều khiển (control horizon) bằng cách tối thiểu hóa một hàm mục tiêu. Hàm mục tiêu th ường dùng là yê u cầu làm ch o tí n hi ệu dự báo đáp ứng của đối tượng phải càng gần quỹ đạo đáp ứng mong muốn càng tốt, trong điều kiện ràng buộc cho trước. Dời phạm vi dự báo theo thời gian, sao cho tại mỗi thời điểm lấy mẫu quá trình tối ưu hóa được lặp lại với tín hiệu đo vừa thu được, và ch ỉ có tác động điều khi ển đầu tiên trong chu ổiitác tác động điều khiển đã tính toán được xuất ra để điều khiển đối tượng. 28 May 2010 © H. T. Hoàng - ÐHBK TPHCM 45
Trình tự thiết kế hệ thống điều khiển dự báo Nhận dạng môôhìh hình của đối tượng (dùng NN hoặc FM) Chọn phạm vi dự báo HP Chọnphn phạmmvi vi điều khi ển HC, (HC ≤ HP) Chọn hàm mục tiêu: H P HC 2 2 J (u) = ∑σ i[w(k + i) − yˆ(k + i)] + ∑ ρi [u(k + i −1)] i=1 i=1 H P HC 2 2 J (u) = ∑σ i[w(k + i) − yˆ(k + i)] + ∑ ρi [u(k + i) − u(k + i −1)] i=1 i=1 T u = []u(k) u(k +1) K u(k + H C −1) w(k + i) =αw(k) + (1−α)r(k + i) Chọnthun thuậttoántt toán tối ưu hóa: thuật toán Newton , gi ảithui thuậtditruyt di truyền 28 May 2010 © H. T. Hoàng - ÐHBK TPHCM 47
Thuật toán Newton trong điều khiển dự báo H P HC 2 2 Hàm mục tiêu: J (u) = ∑σ i [w(k + i) − yˆ(k + i)] + ∑ ρi[u(k + i −1)] i=1 i=1 ( j+1) ( j) −1 Thuật toán Newton: uˆ = uˆ − [J ′′(uˆ ( j) )] J ′(uˆ ( j) ) H P ′ ˆ ( j) ˆ ( j) ( j) ˆ ( j) J (u ) = −∑ 2σ kψ (k + i, u )ε (k + i) + 2diag(ρ1,K, ρ HC )u i=1 ε ( j) (k + i) = w(k + i) − yˆ(k + i, uˆ ( j) ) ( j) ⎡∂yˆ(k + i)⎤ ψ (k + i, uˆ ) = ⎢ ⎥ ⎣ ∂u ⎦ u=uˆ ( j) H P ( j) ( j) ⎡ ( j) T ( j) ∂ψ (k + i, uˆ ) ( j) ⎤ J ′′(uˆ ) = ∑ 2σ k ⎢ψ (k + i, uˆ )ψ (k + i,uˆ ) − ε (k + i)⎥ + i=1 ⎣ ∂u ⎦ + 2diag(ρ , , ρ ) 1 K HC 28 May 2010 © H. T. Hoàng - ÐHBK TPHCM 48
Thuật toán LevenbergLevenberg MarquardtMarquardt trong điều khiển dự báo H P HC 2 2 Hàm mục tiêu: J (u) = ∑σ i [w(k + i) − yˆ(k + i)] + ∑ ρi[u(k + i −1)] i=1 i=1 Thuật toán Levenberg -Marquardt: ( j+1) ( j) −1 uˆ = uˆ − [J ′′(uˆ ( j) )] J ′(uˆ ( j) ) H P ′ ˆ ( j) ˆ ( j) ( j) ˆ ( j) J (u ) = −∑ 2σ kψ (k + i, u )ε (k + i) + 2diag(ρ1,K, ρ HC )u i=1 ε ( j) (k + i) = w(k + i) − yˆ(k + i, uˆ ( j) ) ( j) ⎡∂yˆ(k + i)⎤ ψ (k + i, uˆ ) = ⎢ ⎥ ⎣ ∂u ⎦ u=uˆ ( j) H P ′′ ( j) ( j) T ( j) ( j) J (uˆ ) = ∑ 2σ k [ψ (k + i,uˆ )ψ (k + i,uˆ )]+ 2diag(ρ0 , ρ2 ,K, ρHC ) + μ I i=1 28 May 2010 © H. T. Hoàng - ÐHBK TPHCM 49
Thí dụ: Điều khiển dự báo hệ bồn phản ứng dùng mô hình NN h(t): độ cao mựcchất lỏng Cb(t): nồng độ sảnphẩm ởđầuracủa quá trình w1(t): lưulượng vào bồncủa dòng sảnphẩmcó nồng độ cao Cb1=24.9 w2(t) = 0.1: lưulượng vào bồncủadòngsản phẩmcónồng độ thấp Cb2=0.1 k1=1; k2=1 Đặc tính động họccủahệ thống mô tả bởi các phương trình sau: dh(t) = w (t) + w (t) − 0.2 h(t) dt 1 2 dC (t) w (t) w (t) k C (t) b (C C (t)) 1 (C C (t)) 2 1 b = b1 − b + b2 − b − 2 dt h(t) h(t) (1+ k2Cb (t)) Bài toán đặtralàđiềukhiểnnồng độ sảnphẩm ởđầuratheogiátrị đặt bằng cáhách điềuchỉnh lưu lượng vào w1(t) 28 May 2010 © H. T. Hoàng - ÐHBK TPHCM 51
Thiết kế bộ điều khiển dự báo Cấutrúcmu trúc mạng thầnnkinhnh kinh nhậndn dạng đặc tính động họchc hệ bồnphn phản ứng: Tín hiệu vào: w1(k−1), w1(k−2), Cb(k−1), Cb(k−2) ˆ Tín hiệu ra: Cb (k) Số tế bào thần kinh ở lớp ẩn là 7 Các tùy chọn của thuật toán điều khiển dự báo: Phạmvim vi điều khiển: HC = 2 Phạm vi dự báo: H P = 7 Trọng số hàm mục tiêu: σ =1 ρ = 0.05 Thuật toán tối ưu hóa: suy giảm độ dốc 28 May 2010 © H. T. Hoàng - ÐHBK TPHCM 53
Thí dụ: Điều khiển dự báo hệ bồn kép dùng mô hình mờ Đặc tính động họccủahệ thống mô tả bởi các phương trình sau: 1 h&1(t) = (ku(t) − sgn(h1(t) − h2(t))CDa1 2g | h1(t) − h2(t) |) A1(h1) 1 h&2(t) = (sgn(h1(t) − h2(t))CDa1 2g | h1(t) − h2(t) | − CDa2 2gh2(t)) A2(h2) Amax − Amin Ai (hi ) = hi + Amin hmax 28 May 2010 © H. T. Hoàng - ÐHBK TPHCM 56
Cấu trúc mô hình mờ TakagiTakagi SugenoSugeno nhận dạng đặc tính động học hệ bồn kép Hệ qui t ắccm mờ: Hàm liên thuộc của các tập mờ: 28 May 2010 © H. T. Hoàng - ÐHBK TPHCM 58
Biểu thức bộ dự báo Bộ dự báo m ờ: yˆ(t,θ ) = μRat _ thap (y(t −1),θ17 ,θ18 )[θ1 y(t −1) + θ2 y(t − 2) +θ3u(t −1) + θ4u(t − 2)] + μThap (y(t −1),θ17 ,θ18 ,θ19 )[θ5 y(t −1) +θ6 y(t − 2) + θ7u(t −1) +θ8u(t − 2)] + μTB (y(t −1),θ18 ,θ19 ,θ20 )[]θ9 y(t −1) + θ10 y(t − 2) + θ11u(t −1) +θ12u(t − 2) + μCao (y(t −1),θ19 ,θ20 )[θ13 y(t −1) +θ14 y(t − 2) +θ15u(t −1) +θ16u(t − 2)] 28 May 2010 © H. T. Hoàng - ÐHBK TPHCM 59
Thiết kế bộ điều khiển dự báo Mô hình d ự báo đáp ứng củaha hệ bồnkép:môhìnhmn kép: mô hình mờ Takagi-Sugeno Các tùy chọn của thuật toán điều khiển dự báo: Phạm vi điều khiển: HC = 3 Phạm vi dự báo: H P =10 Trọng số hàm mục tiêu: σ =1 ρ = 400 Thuật toán tối ưu hóa: Levenberg-Marquadt 28 May 2010 © H. T. Hoàng - ÐHBK TPHCM 63