Luận văn Tóm tắt Ứng dụng Matlab để phát triển công cụ nhận dạng mô hình hộp xám

 
làm công cụ hữu hiệu để tối ưu cho hàm mục tiêu cũng như cho việc 
nhận dạng tham số cho các mô hình có tham số. 
Từ kết quả nhận dạng được các tham số của mô hình hộp xám ở 
các bảng kết quả trên,ta thấy khi dùng hàm tối ưu fmincon khi có 
đạo hàm hàm mục tiêu và không có đạo hàm thì hàm fmincon có 
gradient cho kết quả nhận dạng chính xác cao hơn. 
15 
CHƯƠNG 4 - ỨNG DỤNG NHẬN DẠNG HỘP XÁM PHI 
TUYẾN 
4.1. NHẬN DẠNG THAM SỐ CỦA MÔ HÌNH ĐỘNG CƠ 
KHÔNG ĐỒNG BỘ 
4.1.1. Mô hình toán học của động cơ không đồng bộ 
Sau khi biến đổi ta có mô hình liên tục của động cơ không đồng 
bộ ba pha như sau 

































sq
rrs
r
sdsq
rrs
srrs
sd
rrs
r
sq
rrs
rsq
sd
rrs
r
sqsd
rrs
srrs
sq
rrs
r
sd
rrs
rsd
sqsqs
sq
sdsds
sd
u
LLL
L
ii
LLL
LRLR
LLL
L
LLL
R
dt
di
u
LLL
L
ii
LLL
LRLR
LLL
L
LLL
R
dt
di
uiR
dt
d
uiR
dt
d
2222
2222




Các thành phần d và q của điện áp stator, dòng stator và từ thông 
rotor có thể được viết lại dưới dạng vector với thành phần thực như 
sau: 
Trong đó:  Tsqsdsqsd iix  
 Tsqsd uuu  
 Tsqsd iiy  
Trong mô hình trên, đặt các biến p1 = Rs ; p2 = Rr ; p3 = Ls ; p4 = 
Lr thì ta có mô hình phi tuyến theo p mô tả toán học của động cơ 
không đồng bộ với các ma trận trạng thái như sau : 
16 
   
 
 
   
 
  






























434
4132
434
2
434
4
434
4132
434
4
434
2
1
1
000
000
ppp
pppp
K
ppp
p
ppp
p
K
K
ppp
pppp
ppp
p
K
ppp
p
p
p
A





















)(
0
0
)(
10
01
434
4
434
4
ppp
p
ppp
p
B ; 
T
C













10
01
00
00
4.1.2. Tạo dữ liệu nhận dạng động cơ 
Để kiểm chứng các thuật toán, tạo ra dữ liệu mô phỏng cho dữ 
liệu thu thập được : 
Bảng 4.1. Tên các tập dữ liệu được tạo ra để sử dụng cho nhận dạng 
Tên file Biên độ nhiễu μ Chiều dài dữ liệu N 
Data1 0.01 500 
Data2 0.01 1024 
Data3 0.01 5000 
Data4 0.02 500 
Data5 0.02 1024 
Data6 0.02 5000 
Data7 0.05 500 
Data8 0.05 1024 
Data9 0.05 5000 
17 
Các tập dữ liệu này sẽ sử dụng cho các phương pháp nhận dạng 
của mô hình phi tuyến qua các hàm tối ưu và qua công cụ nhận dạng 
của matlab. 
4.1.3. Dùng hàm tối ưu fmincon để nhận dạng 
 a. Kết quả nhận dạng với số thông tin biết trước. 
 Nhận dạng 1 tham số Rs khi biết 3 tham số còn lại. 
Cho Rr= 10; Rr =3.5; Ls =0.38 ; Lr = 0.3; K =1500*2*pi/60; 
Sử dụng hàm fmincon trong Matlab để nhận dạng các tham số 
chưa biết, tác giả thu được kết quả nhận dạng của mô hình hộp xám 
như sau : 
Bảng 4.2. Kết quả nhận dạng 1 tham số với tập dữ liệu Data2 
Tham số 

p 

p Sai lệch %Sai lệch 
Thời gian 
(s) 
Rs 10.000 10.0013 0.0013 0.0132 2.427140 
 Nhận dạng 4 tham số Rs, Rr ,Ls,Lr 
Bảng 4.5. Kết quả nhận dạng 4 tham số với tập dữ liệu Data2 
Tham số 

p 

p Sai lệch % Sai lệch 
Thời gian 
(s) 
Rs 10.0000 10.0002 0.0002 0.0020 
11.668677 
Rr 3.5000 3.5010 0.0010 0.0273 
Ls 0.3800 0.3795 0.0005 0.1385 
Lr 0.3000 0.2995 0.0005 0.1719 
18 
Nhận xét: 
 Từ kết quả nhận dạng trong 3 bảng trên, ta thấy khi mức độ 
thông tin của mô hình động cơ càng biết nhiều thì kết quả nhận dạng 
các tham số chưa biết có độ chính xác càng cao. Cụ thể là khi nhận 
dạng 1 tham số p1 cho kết quả nhận dạng với phần trăm sai lệch thấp 
nhất là 0.0132%. Khi cả 4 tham số cần nhận dạng thì phần trăm sai 
lệch cao nhất là 0.1719%. Điều này chứng tỏ rằng khi dùng hàm tối 
ưu fmincon để nhận dạng mô hình động cơ không đồng bộ, nếu biết 
được mức độ thông tin càng nhiều để cung cấp cho mô hình nhận 
dạng, thì kết quả nhận dạng các tham số của mô hình hộp xám có độ 
chính xác càng cao. 
b. Kết quả nhận dạng với ảnh hưởng của chiều dài dữ liệu 
 Sử dụng tập dữ liệu data1: biên độ nhiễu =0.01, chiều dài dữ 
liệu N=500 
Bảng 4.6. Kết quả nhận dạng 4 tham số với tập dữ liệu Data1 
Tham số 

p 

p Sai lệch % Sai lệch 
Thời gian 
(s) 
Rs 10.0000 9.9991 -0.0009 -0.0088 
5.699984 
Rr 3.5000 3.5034 0.0034 0.0959 
Ls 0.3800 0.3778 -0.0022 -0.5871 
Lr 0.3000 0.2978 -0.0022 -0.7468 
 Sử dụng tập dữ liệu data3: biên độ nhiễu  = 0.01, chiều dài 
dữ liệu N = 5000 
19 
Bảng 4.8. Kết quả nhận dạng 4 tham số với tập dữ liệu Data3 
Tham số 

p 

p Sai lệch % Sai lệch 
Thời gian 
(s) 
Rs 10.0000 10.0006 0.0006 0.0065 
637.254430 
Rr 3.5000 3.4996 -0.0004 -0.0114 
Ls 0.3800 0.3800 0.0000 0.0000 
Lr 0.3000 0.3000 0.0000 0.0000 
Nhận xét: 
So sánh kết quả của ba bảng trên, ta thấy rằng: với cùng một mô 
hình, cùng biên độ nhiễu, cùng mức độ thông tin được biết trước thì 
khi chiều dài dữ liệu N thay đổi, thì kết quả nhận dạng các tham số 
trong mô hình hộp xám cũng thay đổi tùy thuộc vào chiều dài dữ 
liệu. Cụ thể là khi N=1024 và N=5000 thì kết quả nhận dạng khác 
nhau. Nếu chiều dài dữ liệu càng lớn thì kết quả nhận dạng có sai 
lệch phần trăm càng nhỏ và thời gian nhận dạng càng lớn. Vì khi 
chiều dài dữ liệu càng lớn thì quá trình tính toán được lặp lại càng 
nhiều nên mất nhiều thời gian hơn và kết quả nhận dạng có độ chính 
xác càng cao. 
4.1.4. Dùng công cụ nhận dạng Idnlgrey 
 Sử dụng tập dữ liệu data2: biên độ nhiễu =0.01, chiều dài 
dữ liệu N=1024 
20 
Bảng 4.9. Kết quả nhận dạng 4 tham số với tập dữ liệu Data2 
Tham số 

p 

p Sai lệch % Sai lệch 
Thời gian 
(s) 
Rs 10.0000 10.0012 0.0012 0.0118 
5.399671 
Rr 3.5000 3.4976 -0.0024 -0.0691 
Ls 0.3800 0.3794 -0.0006 -0.1678 
Lr 0.3000 0.2993 -0.0007 -0.2173 
 Sử dụng tập dữ liệu data8: biên độ nhiễu =0.05, chiều dài 
dữ liệu N=1024 
Bảng 4.11. Kết quả nhận dạng 4 tham số với tập dữ liệu Data8 
Tham 
số 

p 

p Sai lệch 
% Sai 
lệch 
Thời gian 
(s) 
Rs 10.0000 10.0081 0.0081 0.0807 
7.625169 
Rr 3.5000 3.5012 0.0012 0.0353 
Ls 0.3800 0.3810 0.0010 0.2575 
Lr 0.3000 0.3010 0.0010 0.3178 
4.2. NHẬN DẠNG THAM SỐ CỦA MÔ HÌNH CÁNH TAY 
MÁY MỘT BẬC TỰ DO 
4.2.1. Mô hình toán học 
Ta được phương trình trạng thái của hệ: 
21 





























)()(
)(
)(
1
)(
)(
)(cos
)(
)(
1
22212
2
txty
tu
mlJ
tx
mlJ
B
tx
mlJ
gMlml
tx
dt
dx
C
Trong đó: 
 l =0.5m; lc=0.2m; m=0.1 kg; J=0.02 kg.m
2
; g=9.81 m/s
2 
, 
M=0.45 kg và B=0.8 
4.2.2. Tạo dữ liệu nhận dạng 
4.2.3. Dùng hàm Idnlgrey để nhận dạng 
 Kết quả nhận dạng với ảnh hưởng của nhiễu 
Bảng 4.21. Kết quả nhận dạng với tập dữ liệu DataM2 khi μ = 0.01 
Tham số 

p 

p Sai lệch % Sai lệch 
M 0.45 0.449971 -0.000029 -0.006 
B 0.8 0.799742 -0.000258 -0.032 
Bảng 4.23. Kết quả nhận dạng với tập dữ liệu DataM8 khi μ = 0.05 
Tham số 

p 

p Sai lệch % Sai lệch 
M 0.45 0.445298 -0.004702 -1.045 
B 0.8 0.798449 -0.001551 -0.194 
4.2.4. Dùng hàm tối ưu fmincon để nhận dạng 
 Kết quả nhận dạng với số thông tin biết trước 
22 
Bảng 4.27. Kết quả nhận dạng 1 tham số với tập dữ liệu DataM2 
Tham số 

p 

p Sai lệch % Sai lệch 
M 0.45 0.450108 0.000108 0.024 
Bảng 4.28. Kết quả nhận dạng 2 tham số với tập dữ liệu DataM2 
Tham số 

p 

p Sai lệch % Sai lệch 
M 0.45 0.450872 -0.000872 0.194 
B 0.8 0.79986 -0.00014 0.018 
Bảng 4.29. Kết quả nhận dạng 3 tham số với tập dữ liệu DataM2 
Tham số 

p 

p Sai lệch % Sai lệch 
M 0.45 0.451353 0.0013530 0.300 
B 0.8 0.799554 -0.000446 0.056 
J 0.02 0.020391 0.000391 1.955 
Nhận xét: 
Sau khi thực hiện nhận dạng 2 hệ thống phi tuyến là động cơ 
không đồng bộ và cánh tay máy một bậc tự do theo hai phương pháp 
khác nhau: dùng hàm tối ưu fmincon và công cụ nhận dạng idnlgrey 
trong Matlab, ta thấy rằng cả 2 phương pháp đều mang lại độ chính 
xác cao. Để kết quả nhận dạng có độ chính xác cao thì chiều dài dữ 
liệu phải dài, ảnh hưởng nhiễu phải thấp nhất và lượng thông tin biết 
trước phải nhiều. 
23 
KẾT LUẬN VÀ KIẾN NGHỊ 
1. CÁC KẾT QUẢ ĐẠT ĐƯỢC 
Qua quá trình nghiên cứu luận văn thạc sĩ với đề tài “Ứng dụng 
Matlab để phát triển công cụ nhận dạng mô hình hộp xám” đã 
giải quyết được một số nội dung cơ bản sau : 
- Xây dựng phương pháp nhận dạng thông số cho mô hình hộp 
xám phi tuyến qua các hàm tối ưu của matlab, 
- Ứng dụng phương pháp nhận dạng thông số mô hình hộp xám 
phi tuyến qua công cụ nhận dạng của matlab 
- Xây dựng phương pháp tạo dữ liệu mô phỏng cho hệ phi tuyến 
phục vụ nhận dạng. 
- Nghiên cứu sử dụng được mô hình nhận dạng OE của đối 
tượng hay phương pháp dựa trên sai lệch tín hiệu ra của mô hình, đã 
xây dựng được hàm mục tiêu phi tuyến theo các tham số cần nhận 
dạng, hàm mục tiêu này làm cơ sở để sử dụng các hàm tối ưu trong 
Matlab, để nhận dạng thông số của mô hình động cơ không đồng bộ. 
- Ứng dụng bài toán nhận dạng mô hình hộp xám, nhận dạng 
được thông số của động cơ không đồng bộ và cánh tay máy hai bậc 
tự do qua hai phương pháp nêu trên, các phương pháp nhận dạng 
được mô phỏng trên mfile của Matlab mang lại kết quả nhận dạng có 
độ chính xác rất cao. Phương pháp nhận dạng mô hình hộp xám này 
có thể được ứng dụng để nhận dạng nhanh một đối tượng hay theo 
dõi sự biến đổi của một thông số nào đó trong mô hình. 
2. HẠN CHẾ CÒN TỒN TẠI 
Tác giả chỉ đưa ra được phương pháp nhận dạng mô hình hộp 
xám phi tuyến qua các hàm tối ưu của Matlab và phương pháp nhận 
dạng mô hình hộp xám phi tuyến qua công cụ nhận dạng của Matlab. 
24 
Các phương pháp nhận dạng này chỉ áp dụng ở mức độ nhận dạng 
chủ động hay nhận dạng không trực tuyến (off-line). Kết quả nhận 
dạng thông số động cơ không đồng bộ và cánh tay máy hai bậc tư do 
qua hai phương pháp vẫn còn sai lệch nhỏ. 
3. HƯỚNG PHÁT TRIỂN CỦA ĐỀ TÀI 
- Xây dựng giao diện nhận dạng hộp xám trong Matlab. 
- Nhận dạng mô hình hộp xám online. 
- Nghiên cứu các phương pháp nhận dạng khác để so sánh kết 
quả