Mạng nơron, lôgic mờ và những ứng dụng của chúng trong điều khiển quá trình

MỞ ĐẦU Những kỹ thuật điều khiển truyền thống như điều khiển Tích phân tỉ lệ(PI) hay điều khiển Vi tích phân tỉ lệ(PID) được ứng dụng thành công trong điều khiển những quá trình tuyến tính. Gần đây, điều khiển tiên đoán mô hình (MPC) cũng thực hiện thành công trong điều khiển những hệ thống tuyến tính. Tuy nhiên, khoảng 90% những quá trình sinh học và hoá học là phi tuyến cao và hầu hết chúng là những hệ MIMO.Khi hệ thống là phi tuyến và/hoặc MIMO, những kỹ thuật truyền thống trên thường mắc phải sai sót khi điều khiển những hệ thống như thế. Ngày nay, những hệ thống được dùng trong công nghiệp đòi hỏi độ tự quản cao và những kỹ thuật trên không có khả năng để đạt được điều này. Cần phải đạt được những đòi hỏi điều khiển tăng nhanh trong những hệ thống điều khiển động phức tạp dưới những thay đổi quan trọng đã làm cho việc dùng những kỹ thuật thông minh như mạng nơron, lôgic mờ và thuật giải di truyền trong những hệ thống điều khiển trở nên hấp dẫn. Những lý do chính đằng sau điều này là khả năng của chúng có thể “học” để xấp xỉ hàm và phân loại mẫu và tiềm năng của chúng trong thực thi phần cứng song song đồ sộ, phương pháp điều khiển thông minh phỏng theo quá trình xử lý thông tin không rõ ràng và ra quyết định điều khiển của con người cũng như bắt chước quá trình tiến hoá sinh học để tạo ra giải pháp tối ưu. Nói cách khác, chúng có khả năng thực thi (cả phần mềm và phần cứng) nhiều chức năng cần thiết để điều khiển hệ thống với độ tự quản cao. Sơ đồ hệ thống điều khiển được mô tả như sau: Hình i. Sơ đồ điều khiển đối tượng phi tuyến Như vậy, ở đây có hai bộ điều khiển: Điều khiển Feedforward : là bộ điều khiển neuro-mờ cung cấp những tín hiệu điều khiển chính để lái đối tượng phi tuyến theo đúng quỹ đạo setpoint. Bộ điều khiển này là bộ điều khiển mờ ứng dụng khả năng học của mạng nơron để tinh chỉnh những thông số của nó. Điều khiển Feedback: bù tín hiệu, nó cung cấp những tín hiệu điều khiển hiệu chỉnh cần thiết để điều chỉnh và loại nhiễu trong những lân cận nhỏ xung quanh quỹ đạo điều khiển. Bộ điều khiển này cũng là bộ điều khiển mờ nhưng ứng dụng thuật giải di truyền để tinh chỉnh thông số của nó. Kết quả mô phỏng cho thấy sơ đồ điều khiển trên đã lái đối tượng phi tuyến đi xuyên suốt khoảng công tác của nó với độ chính xác cao. Phần sau đây sẽ đề cập đến đối tượng phi tuyến và những kỹ thuật điều khiển được thiết lập trong luận văn. Trong bối cảnh hiện thời, việc sản xuất năng lượng đối mặt với rất nhiều vấn đề khó khăn. Trong số đó, điều quan trọng nhất là: tuổi thọ của thiết bị chính tại những tổ hợp năng lượng, đầu tư tài chính không chắc chắn cho những tổ hợp mới, việc cạnh tranh giữa những nhà sản xuất năng lượng độc lập để thoả mãn đòi hỏi năng lượng của người dùng và những áp lực để đạt được những yêu cầu quản lý nghiêm ngặt để sử dụng tối đa nguồn tài nguyên thiên nhiên và tối thiểu ảnh hưởng đến môi trường. Việc vận hành của tổ hợp năng lượng nhiên liệu than (NLNLT), loại tổ hợp được dùng rộng rãi nhất cho việc sản xuất năng lượng, đã bị tác động mạnh. Đầu tiên, một NLNLT phải hổ trợ mục tiêu chính của hệ thống năng lượng là đáp ứng yêu cầu tải cho năng lượng điện ở mọi thời điểm, ở điện áp không đổi và tần số không đổi. Sau đó là việc cạnh tranh giữa tính thiết thực và yêu cầu thị trường khác đã tăng cường việc dùng NLNLT [Armor 1985]. Cuối cùng, những yêu cầu nghiêm ngặt trong việc bảo trì và kéo dài tuổi thọ của thiết bị chính và những luật giảm ảnh hưởng đến môi trường cần phải được tuân thủ. Trong đó: Những yêu cầu vận hành chu kỳ của NLNLT trong khoảng tải rộng mặc dù chúng được thiết kế cho vận hành ở tải không đổi. Những yêu cầu biến đổi tải có thể đến từ những chiến lược kinh tế được tính toán tại những trung tâm năng lượng hay từ những dao động tải hệ thống. Vận hành theo tải tin cậy và hiệu quả sẽ đảm bảo việc thoả mãn hàng ngày, hàng tuần và theo mùa của yêu cầu năng lượng điện và những thay đổi tải ngẫu nhiên không đoán trước cho đến những giới hạn vật lý của tổ hợp. Việc kéo dài tuổi thọ thiết bị là quan trọng vì nó tối đa việc dùng tài sản, giới hạn thời gian chết và tối thiểu những chi phí vận hành và bảo trì. Nguyên nhân chính của vòng đời ngắn của bất kỳ hệ thống nào là vận hành ứng suất cao. Trong NLNLT, những ứng suất nhiệt phụ thuộc vào những dao động áp suất và nhiệt độ hơi là đặc biệt quan trọng. Hầu hết ứng suất nghiêm trọng xảy ra trong suốt quá trình khởi động và những biến đổi tải lớn đột ngột. Một NLNLT có hiệu suất trong khoảng 30 đến 35%, nghĩa là tốc độ nhiệt trong khoảng 11400-9800 Btu/KWh. Tốc độ nhiệt chịu ảnh hưởng bởi nhiều hệ số, chẳng hạn những điều kiện hơi, áp suất bộ ngưng tụ, nhiệt độ nước làm mát, nhiệt độ môi trường, khí áp,…Tốc độ nhiệt tăng khi làm việc tại những tải khác với tải cơ sở. Việc tiêu tốn nhiên liệu và giá cả làm cho việc cải tiến tốc độ nhiệt như là một tiêu chuẩn về mặc kinh tế. Việc trộn không hoàn hảo giữa không khí và nhiên liệu sẽ làm vượt quá lượng không khí để tránh việc nhiên liệu không được đốt hết, mà sẽ dẫn đến việc tạo khói đen và khí CO độc cũng như những lượng nhiên liệu dư khá nguy hiểm. Bên cạnh đó lượng không khí dư sẽ dễ hình thành những chất không mong muốn khác như sunfua dioxit, nitrogen oxit và làm giãm hiệu suất boiler do nhiệt bị tiêu phí trong khí nhiên liệu. Tấ cả những yêu cầu được đề cập ở trên đã dẫn đến việc phát triển những phương pháp điều khiển linh hoạt và toàn diện hơn. Chúng cũng cung cấp những chức năng cần thiết cho việc vận hành theo tải diện rộng chất lượng cao và đồng thời cũng thoả mãn những ràng buộc trong việc bảo quản và kéo dài tuổi thọ của thiết bị chính, giải phóng chất ô nhiễm và tiêu tốn nhiên liệu dưới những thay đổi vật lý và những điều kiện kinh tế. Do đó, ngay cả khi theo tải cũng cần xem xét việc ổn định tần số và điện áp, những hệ thống điều khiển hiệu quả hơn cũng cần được thiết kế để thoả mãn tối ưu những mục tiêu vận hành, những xung đột tổng quát để mà NLNLT có thể vận hành thành công dưới bất kỳ tình huống hoạt động nào. Bên cạnh đó, dưới những đòi hỏi của thị trường hiện thời, một phương pháp toàn bộ cho vận hành và điều khiển những tổ hợp năng lượng là rất quan trọng cho sự tồn tại của bất kỳ hệ thống điện nào. Khi được ứng dụng hoàn hảo, những hệ thống điều khiển và những thiết bị có thể tăng cường hiệu suất vận hành máy, tính ổn định và tin cậy cũng như sự sẵn sàng, vì thế làm giảm việc tiêu tốn nhiên liệu, chi phí vận hành và bảo trì mà hầu như rất tốn kém trong một tổ hợp năng lượng. Vì vậy, thật cần thiết để phát triển những hệ thống tự động hiệu quả và liên quan mật thiết đến toàn bộ chiến lược và hệ thống điều khiển của tổ hợp để giữ chúng vận hành hiệu quả và có lợi. Cũng cần lưu ý rằng việc sử dụng rất nhiều hệ thống điều khiển và thiết bị dựa trên máy tính với những dụng cụ kỹ thuật số xử lý thông tin mạnh mẽ và tin cậy hơn cho phép những nhà thiết kế tập trung nhiều hơn trên việc thực thi những ứng dụng phần mềm đáp ứng những thử thách được đề cập ở phần trên. Vì tính linh hoạt của phần mềm, và những chi phí cho việc phát triển và bảo trì có thể dễ dàng cài đặt vào những phần cứng mà nó chạy trong đó, những nổ lực lớn trong việc thiết kế và phát triển những hệ thống phần mềm toàn diện và tổng quát để dễ dàng kết hợp những ứng dụng vận hành tiện lợi( ví dụ, bảo vệ, điều khiển và tự động hoá) để tăng cường hiệu suất của những tổ hợp năng lượng [Garduno and Sanchez 1995, Garcia and Garduno 1998]. Trong luận văn này tác giả sẽ thiết kế một hệ thống điều khiển toàn bộ. Hệ thống này sẽ kết hợp giữa các lĩnh vực kỹ thuật điều khiển, kỹ thuật phần mềm và kỹ thuật quá trình. Trong đó kỹ thuật phần mềm được xem là rất quan trọng để thiết kế hệ thống điều khiển cho NLNLT. CHƯƠNG I. TỔNG QUAN 1.1 Giới thiệu về mạng nơron và logic mờ Vào cuối thập kỷ 80 công ty Addison Wesley Publishing Company đã gây xôn xao dư luận khi tung ra thị trường Neural Network (Mạng trí tuệ thần kinh) được ví như là một kỹ xảo kỹ thuật gia công các thông tin mới, nhanh và chính xác. Chúng là các máy tính bắt chước cách sống giống hệ thống thần kinh, các máy tính này làm việc khá khác biệt so với các máy tính thông thường. Nơron Network xử lý nhiều dữ liệu song song tại cùng một thời điểm, không phải là xử lý từng dữ liệu một. Chúng xử lý rất nhiều dữ liệu đầu vào cùng một lúc, củng cố tăng cường một vài cái này, thu nhỏ giảm bớt những cái khác. Đa số chúng đều phải làm theo một khuôn mẫu cho trước. Chúng tìm kiếm mẫu trong hàng loạt các thí dụ, nhận dạng mẫu, tìm kiếm các mẫu đầy đủ từ nguồn dữ liệu trong hệ thống, hoặc xây dựng lại mẫu đúng từ cái bị bóp méo. Rất nhiều các ví dụ phải làm với sự am hiểu sáng sưốt và các dữ liệu khách quan như thị giác, thính giác và các tín hiệu khác. Nhìn chung, các ví dụ chứng tỏ cách chạy này có nhiều đặc tính của con người hơn là các máy tính được lập trình sẵn. Ngày nay, trí tuệ nhân tạo đang phát triển mạnh mẽ nhằm tạo ra cơ sở xây dựng các hệ chuyên gia, hệ trợ giúp quyết định. Trí tuệ nhân tạo được xây dựng trên cơ sở mạng nơron nhân tạo và ứng dụng trong thiết kế hệ thống điều khiển thông minh mà trong đó bộ điều khiển có khả năng tư duy như bộ não của con người đang là xu hướng mới trong điều khiển tự động. Mạng nơron là sự tái tạo bằng kỹ thuật những chức năng của hệ thần kinh con người với vô số các nơron được liên kết truyền thông với nhau trong mạng. Điều khiển mờ là một phương pháp điều khiển thông minh phỏng theo quá trình xử lý thông tin không rõ ràng và ra quyết định điều khiển của con người. Phương pháp này rất thích hợp để điều khiển các đối tượng phức tạp, không xác định được mô hình toán và các đối tượng phi tuyến. Tuy nhiên, bộ điều khiển mờ thường được thiết kế bởi quan điểm, cách nhìn riêng của người thiết kế. Người thiết kế biến sự hiểu biết, kinh nghiệm của mình về quá trình cần điều khiển thành các biến ngôn ngữ và các qui tắc mờ mô tả mối quan hệ giữa chúng. Do đó công việc thiết kế thường mang nặng tính “thử sai”, khi gặp các đối tượng phức tạp người thiết kế sẽ mất rất nhiều thời gian mà kết quả có được có thể sẽ không tối ưu. Vấn đề tự chỉnh bộ điều khiển mờ là một trong những vấn đề đã được quan tâm nghiên cứu rất nhiều từ khi điều khiển mờ khẳng định được là một phương pháp hiệu quả để điều khiển các đối tượng phức tạp. Do đó để giảm đi việc tính toán thủ công và rút ngắn thời gian thiết kế,người ta kết hợp logic mờ và mạng nơron tạo ra khả năng tự chỉnh cho các tập mờ. Và hệ thống này được gọi là hệ neuro-mờ. Hầu hết những quá trình công nghiệp là phi tuyến và biến đổi theo thời gian. Nhận dạng hệ thống phi tuyến đang trở thành một công cụ quan trọng mà có thể được dùng để cải tiến quá trình điều khiển và đạt được độ bền vững cao. Có nhiều kỹ thuật nhận dạng phi tuyến khác nhau,trong đó có nhận dạng bằng mạng nơron ,nhận dạng bằng mô hình mờ và những phương pháp dựa trên mô hình neuro-mờ đang dần được thiết lập không những trong giáo trình mà cả trong những ứng dụng công nghiệp. Mô hình neuro-mờ được xem như là một kỹ thuật hộp xám nằm giữa mạng nơron và mô hình mờ định tính. Những công cụ để xây dựng những mô hình neuro-mờ dựa trên sự kết hợp những thuật toán từ lĩnh vực mạng nơron,xác nhận đặc tính và phân tích hồi quy. Phương pháp neuro-mờ cho nhận dạng hệ thống phi tuyến có ưu điểm là cân bằng giữa sự chính xác của mạng nơron và tính diễn giải được. 1.2.Tình hình nghiên cứu mạng nơron và logic mờ trên toàn cầu: Nghiên cứu về mạng Nơron đã được quan tâm từ những năm 40 của thế kỷ 20. Khoảng những năm 90 Nơron được đặc biệt chú ý bởi khả năng ứng dụng rộng lớn của nó. Chương trình nghiên cứu về Nơron tập chung nghiên cứu ở Mỹ (50 tổ chức trong các viện nghiên cứu và trường đại học,riêng California đã có 15 tổ chức nghiên cứu). Ở Anh có 20 tổ chức,Đức (7),Nhật (7), Pháp (6), Thụy sỹ(4),Thụy điển (4),Hà lan (4),Australia (3), Ytalia (3),Canađa (3), Nga(1),Czech (1),Balan(1),Hungary(1), Hàn quốc (1),Singapor (1),Hong kong (1)v.v…Ơ Mỹ, tại bang California,Trường Đại học California San diego có Chương trình tính toán và Hệ thống Nơron của Caltech, Viện tính toán Nơron, Nhóm nghiên cứu khoa học Máy tính Nhận thức,Trung tâm nghiên cứu Ngôn ngữ,Phòng thí nghiệm Kỹ thuật Nơron,Trung tâm Sloan Sinh học Nơron Lý thuyết. Đại học California Santa Cruz có Nhóm Máy Dạy học, Nhóm Sinh học tính toán. Đại học Nam California có Phòng thí nghiệm Tính toán Nơron. Đại học Stanford có nhóm Lập trình Gen. Ở Carlsbad có Động lực học Nơron ứng dụng. Ở Moffett Field có Nhóm Kỹ thuật Nơron NASA. Bang Massachusetts, có Trung tâm Dạy học Tính toán và Sinh học tại Viện Công nghệ Massachusetts -MIT,Nhóm tính toán ở khoa Não và khoa học Nhận thức thuộc MIT,NeuoDyne Ins, Cambridge. Bang Washington có Phòng Thí nghiệm ứng dụng,Trí tuệ Tính toán thuộc Đại học Washington,Nhóm Nghiên cứu Nơron tại Phòng thí nghiệm Xử lý Thông tin. Nhóm nghiên cứu Nơron thuộc Phòng thí nghiệm Pacific Northwest tại Washington. Bang Texas có Phòng thí nghiệm Kỹ thuật Nơron R&D thuộc Đại học Texas ở Austin.Phòng thí nghiệm Tính toán Ứng dụng tại đại học Kỹ thuật Texas. Bang Pensylvania có Trung tâm Cơ sở Nơron của Nhận thức tại Carnegie Melon. Bang Ohio có Phòng Thí nghiệm Hệ thống Nơron Nhân tạo thuộc Đại học Cincinnati. Bang New Mexico có Nhóm Tính toán Thích nghi thuộc Đại học New Mexico. Nhóm Tính toán Thích nghi Phi tuyến thuộc Phòng thí nghiệm Quốc gia Los Alamos. Bang New Jersey có Nhóm Nghiên cứu Nơron Nhân tạo ở Viện nghiên cứu NEC,Princeton. Nhóm Nhận thức,Trí tuệ và Tính toán dựa trên DNA,ở Viện nghiên cứu NEC,Princeton v.v… Anh: có Trung tâm Mạng Nơron tại trường Hoàng gia London. Trung tâm Hệ thống Nơron tại Đại học Edinburgh. Nhóm Nghe,Nhìn và Robot Đại học Cambridge. Nhóm Nghe,Nhìn và Hệ thống Thông minh Đại học Southhampton.Nhóm Nghiên cứu Trí tuệ Nhân tạo thuộc Đại học Nottingham. Nhóm nghiên cứu Hệ thống Thông minh, khoa Khoa Học Máy tính thuộc Đại học London v.v… Nhật: có Phòng Thí nghiệm Robot và Cơ -Điện tử thuộc Đại học Nagoya. Phòng thí nghiệm Okabe và Hirose thuộc Đại học Tokyo. Phòng thí nghiệm Sinh-Điện tử thuộc Đại học Nagoya.Phòng thí nghiệm Nghiên cứu Xử lý Thông tin Người ở Kyoto v.v… Đức: có Viện Tin học Nơron ở Đại học Ruhr,Bochum. Nhóm nghiên cứu Mờ và Tính toán Mềm tại Đại học Braunschweig. Nhóm Nhiên cứu Mờ và Nơron tại Đại học Công nghệ Damstardt. Nhóm Nhìn- Máy tính và Nhận dạng thuộc Đại học Bon. Trung tâm nghiên cứu Trí tuệ Nhân tạo Đức DFKI thuộc Kaiserlautern. Nhóm Nghiên cứu Nơron của GMD FIRST tại Berlin.Viện Logic, Tổ hợp và Hệ thống Suy diễn tại Đại học Karlsruhe. Pháp: có Nhóm nghiên cứu Tin-Sinh học Trường Cao cấp,Pari. Nhóm tính toán Nơron thuộc Phòng Tin học Pari Nord. Nhóm nghiên cứu Nơron ở LEIBNIZ, Grenoble. Nhóm nghiên cứu Laplace,Mô hình gần đúng trong Robot và Trí tuệ Nhân tạo ở LEIBNIZ, Grenoble. Hungary: có Nhóm Xử lý thông tin Nơron thuộc Đại học Eotvos Lorand, Budapest. 1.3.Một số công trình nghiên cứu mạng Nơron đã công bố ở nước ngoài: Đa số các nhà nghiên cứu các Hệ thống Thông minh chấp nhận rằng : Trí tuệ Tính toán (Computational Intelligence) do Hội đồng Mạng Nơron Thế giới đưa ra vào năm 1991 và Tính toán mềm (Soft computing) do Lofti A Zadeh, giáo sư đại học California Berkeley đua ra năm 1990 là đồng nghĩa và được sử dụng thay thế lẫn nhau. Trí tuệ Tính toán được chấp nhận là một thuật ngữ để biểu diễn các kỹ thuật cho việc ra quyết định dựa trên việc xử lý thông tin không chắc chắn. Về cơ bản, Trí tuệ Tính toán bao gồm Logic Mờ, Mạng Nơron , Thuật giải Di truyền, Lập luận Xác xuất,các Phương pháp Học, Lý thuyết Hỗn độn, các Hệ chuyên gia. Một điều quan trọng cần nhấn mạnh là Trí tuệ Nhân tạo không chỉ là một tập hợp các phương pháp luận cho lập luận dựa trên thông tin không chắc chắn mà là sự liên kết các phương pháp trong đó mỗi phương pháp đều có lợi thế riêng để tiến tới đạt mục tiêu chung. Bởi vậy, các thành phần của Trí tuệ Tính toán phải được xem như các phần bổ xung cho nhau chứ không phải tương đương. Tất cả các kỹ thuật đó nhằm mục đích đưa ra một dạng “ Máy Thông minh “nào đó mà nó có thể bắt chước sự sưy nghĩ của con người trong việc ra quyết định. Động cơ chủ yếu cho việc sử dụng Trí tuệ Tính toán là khai thác khả năng xử lý thông tin không chính xác, không chắc chắn, chỉ đúng một phần và kết quả đạt được là tính dễ áp dụng,sự năng động và các giải pháp chi phí thấp cho các vấn đề phức tạp. Đây cũng là mục tiêu do giáo sư Lofti A Zadeh , Đại học California Berkeley (người sáng tạo Lý thuyết Tập Mờ 1965) đưa ra vào đầu những năm 1990 đối với sự phát triển của các Hệ Thông minh. Hai dạng của Mạng Nơron thường được sử dụng trong Kỹ thuật Robot là Mạng Hopfield và Mạng Perceptron nhiều lớp do Hopfied đa ra 1982, Kohonen 1984, Rumelhart 1986. Những mạng khác bao gồm Mạng Cạnh tranh & Hợp tác do Amari &Arbib nghiên cứu năm 1977 và Mạng Thưởng phạt do A.G.Barto&C.W.Anderson 1983. Hệ thống Robot bao gồm 3 hệ thống phụ là : Hệ thống truyền động, Hệ thống Nhận dạng và Hệ thống Điều khiển. Những vấn đề chính của Điều khiển Robot bao gồm Động học, Động lực học, Lập kế hoạch đường đi (Thiết lập quĩ đạo ), Điều khiển, Cảm biến, Lập trình và Trí tuệ (Thông minh). Mạng Nơron có thể giảm tổ hợp tính toán và giải những bài toán robot được đưa ra “yếu”. Lời giải giải tích của động học ngược làm chính xác kết quả số, trong khi lời giải Mạng Nơron nói chung không làm chính xác.Công việc phát triển Động học ngược Nơron được T.Iberall phát triển năm 1987, A.Guez năm1988. Trong Động lực học Robot Nơron , M.Kawato,Furukawa,Sưzuki phát triển năm 1987. Y.Uno &M.Isobe 1988. S.G.Tzafestas1986, M.Kawato,Y.Maeda,Y.Uno &Sưzuki 1990. Mạng Nơron sử dụng nhằm thiết lập quĩ đạo được K.Tsưtsưmi 1988, H.liu1988, R.Ecmiller 1987. Bài toán lập quĩ đạo tránh vật cản sử dụng Mạng Hopfield được H.matsưmoto& K.Tsưtsưmi phát triển. Trường hợp Robot Di động, Thiết lập quĩ đạo với Mạng Nơron được nghiên cứu bởi V.Seshadri1988.Ở đây Mạng Nơron cố gắng cực tiểu hoá độ dài đường đi. Nick Vallidis đã nghiên cứu điều khiển Hexapod di động bằng mạng Nơron , 2000. L.M.Reyneri, M.Chiaberge Khoa điện tử, Đại học Bách khoa Torino- Italy nghiên cứu phần cứng-Mạng Mờ-Nơron điều khiển Hexapod Di động, 1993-2000. Điều khiển Robot bằng Mạng Nơron được gọi là Điều khiển khớp bằng mô hình tiểu não CMAC do Albus 1975 –1979. Giáo s F.L.Lewis,Viện nghiên cứu Robot và Tự động hoá, Đại học Texas –Arlington USA đã ứng dụng CMAC để điều khiển hệ động lực phi tuyến, 1997. Nhận dạng hệ động lực phi tuyến sử dụng mạng Nơron được S.J.Jagannathan, Liên hợp Phân tích Tự động hoá, USA nghiên cứu năm 1996. Y.Pao&D.Sobasic 1987 thực hiện hệ thống điều khiển vị trí robot hai bậc tự do sử dụng Mạng Nơron Perceptron. A.Guez sử dụng mô hình thích nghi (MRAC). W.T. Miler sử dụng kỹ thuật CMAC trong liên kết với phương pháp điều khiển mô men. R.Elsley thực hiện điều khiển Jacobi ngược,sử dụng Mạng Perceptron nhiều lớp. Mạng Nơron Được sử dụng trong cảm biến và điều khiển Robot nhiều lớp, liên tục bởi R.Esley, &Y.Pati 1988. Điều khiển thích nghi hệ động lực học phi tuyến sử dụng mạng Nơron được giáo sư A.M.Annaswamy, Phòng thí nghiệm Điều khiển thích nghi - Khoa Chế tạo Máy – Viện Công nghệ Massachusetts –MIT nghiên cứu, 1997. Ứng dụng Mạng Nơron điều khiển ngược theo vết được giáo sư K. S. Narendra, Trung tâm Khoa học Hệ thống, Đại học Yale,USA nghiên cứu, 1999. Giáo sư Vukobratovic, Trung tâm Robot, Viện Mikhailo Pupin, Nam tư (cũ ), phó chủ tịch Viện Hàn lâm Khoa học, đã nghiên cứu phân loại mô hình động lực học môi trường trên cơ sở Nơron để điều khiển robot,1998. Bộ điều khiển Mờ-Nơron để dẫn huớng Robot Di động và hộ tống đội robot được giáo sư M.M.Trivedi Khoa Kỹ thuật Điện và Máy tính, Đại học California San Diego,USA nghiên cứu,1998. Giáo sư, Viện sĩ, Vámos Tibor, nguyên Viện trưởng Viện Tin học và Tự động hoá- Hungary, - nguyên chủ tịch Hội Máy tính Neyman János (Von Neyman), nguyên chủ tịch Hội Điều khiển Tự động Quốc tế IFAC đã nghiên cứu kỹ thuật Nhận dạng –Trí tuệ Nhân tạo cho robot. Giáo sư,Viện sĩ Hyungsưck Cho, Khoa Chế tạo máy,Viện Khoa