Luận án Nghiên cứu, đề xuất cấu trúc điều khiển hợp lý chế độ khoan nhằm giảm độ rung cho máy khoan xoay cầu trong công nghiệp khai thác mỏ

 van (từ bơm thủy lực) 
 P: Áp suất đầu ra van (vào xi lanh) 
 P: Độ chênh áp suất qua van 
 S: Mật độ dòng chảy. 
 Từ phương trình (3.27) ta thấy lưu lượng Q tỉ lệ với độ mở A của van. Mặt 
khác độ mở của van tỉ lệ với độ dịch chuyển cuộn hút x. Vì vậy Q sẽ tỉ lệ với 
độ dịch chuyển x. 
 Tổng quát lưu lượng Q được biểu diễn như sau: 
 푄 = 퐾푞 (3.28) 
 Trong đó Kq là hệ số tỉ lệ. 
 - Như vậy từ các phương trình 3.25; 3.26 và 3.28 ta có một hệ phương 
trình mô tả toán học cho Van tỷ lệ với đầu vào là biến điều khiển u hoặc i, đầu 
ra là lưu lượng dầu Q: 
 ̈ = 𝑖 − − ̇ − 퐹
 𝑖 
 퐿 = − − 푅𝑖 (3.29) 
 푡 푡
 { 푄 = 퐾푞 
 - Trong đó các hệ số của van như sau: 
 -1
 m = 1 (kg); b = 20 (v.sm ); Kq = 100 
 -1
 R = 100 (); k = 1700 (N.m ); Ff = 10 (N) 
 L = 0,59 (H); C = 120. 
 - Từ hệ phương trình (3.29) ta xây dựng được sơ đồ khối mô tả phương 
trình toán của van như Hình 3.22. 
 82 
 Hình 3.22. Sơ đồ mô tả phương trình toán của van 
 - Kết quả mô phỏng hoạt động của Van bằng phần mềm matlab/simulink 
 Hình 3.23. Kết quả mô phỏng với điện áp điều khiển van là 12V 
 Qua kết quả mô phỏng cho thấy thời gian ổn định là 3s vì vậy cần sử dụng 
bộ điều khiển để thời gian ổn định của van được tốt hơn. 
3.1.3.2. Bộ điều khiển PID dùng cho van tiết lưu điện – thủy lực 
 + Trong mục 3.2.3.1, NCS đã xây dựng được các phương trình toán học 
mô tả Van tiết lưu điện – thủy lực và đã mô hình hóa bằng Matlab/Simulink. 
 Đường đặc tính của van nhận được bằng cách thay đổi bước đầu vào với 
hệ thống hở, ghi lại các giá trị tương ứng đầu ra theo thời gian. Hàm truyền 
nhận được chính là quan hệ giữa lưu lượng dầu đến xi lanh Q và điện áp điều 
khiển U. Thông qua quá trình nhận dạng từ mô hình, NCS đã xác định được 
hàm truyền của van như sau: 
 83 
 푄(푠) 15
 (푠) = = 
 푈(푠) 푠2 + 8,7푠 + 14
 + Tính toán các tham số cho bộ điều khiển PID: 
 - Đối với bộ điều khiển PID có 3 tham số điều chỉnh gồm: Hệ số khuếch 
đại Kp; hệ số tích phân Ki và hệ số vi phân KD. Phương pháp phổ biến được sử 
dụng để xác định các tham số này là Ziegle – Nichol. Ứng dụng phương pháp 
này ta xác định được sơ bộ 3 tham số như sau: 
 Kp = 9.5; Ki = 8,8; Kd = 0,45 
 - Xây dựng sơ đồ mô phỏng điều khiển van tiết lưu bằng phần mềm 
Matlab/simulink như Hình 3.24. 
 Hình 3.24. Sơ đồ mô phỏng điều khiển van tiết lưu 
 - Kết quả mô phỏng như Hình 3.25 
 Hình 3.25. Đáp ứng của Van đối với điện áp đặt là 12v 
 84 
 - Chất lượng điều khiển thông qua kết quả mô phỏng: 
 + Thời gian ổn định 1,5s 
 + Lưu lượng dầu qua van đáp ứng tốt hơn 
3.1.3.3. Xi lanh thủy lực [42] 
 - Lực tác động lên piston F được tính bằng công thức sau: 
 퐹 = (푃 − 푃 ). A (3.30) 
 Ap: diện tích của mặt piston 
 PA, PB là áp suất của 2 buồng xi lanh và được xác định: 
 훽 
 푃 = ∫ (푄 − ) 푡 (3.31) 
 푡
 훽 
 푃 = ∫ (푄 − ) 푡 (3.32) 
 푡
 Đồng thời áp dụng định luật 2 Newton cho phương trình chuyển động của 
 piston: 
 2
 퐹 = 퐹 − + 퐹 (3.33) 
 0 푡2 푠
 xp: Khoảng dịch chuyển của piston 
 Mp: Khối lượng piston 
 Fms: Lực ma sát giữa piston và xi lanh 
 퐹 = 퐹 푠𝑖 푛( ) (3.34) 
 푠 0 푡
 Fco: Hệ số ma sát Coulomb 
 F0: Lực tạo ra ban đầu để piston nằm ở vị trí đáy xi lanh. 
 퐹0 = 푃0( − 푆 ) (3.35) 
 P0: Áp suất do máy bơm tạo ra cố định. 
 Ap, Sc: Là diện tích piston và cán của nó 
 85 
 Kết hợp các phương trình (3.30; 331; 332; 333) ta xây dựng được sơ đồ 
mô phỏng cho xi lanh như hình 3.26. 
 Hình 3.26. Sơ đồ mô phỏng xi lanh thủy lực và khối subsystem 
3.1.3.4. Sơ đồ mạch điều khiển lực ấn ty khoan 
 Từ sơ đồ điều khiển của van điện - thủy lực và nội dung nghiên cứu về 
mối quan hệ giữa lưu lượng và lực tác động lên piston trong mục 3.2.3.3, dùng 
phần mềm Matlab/Simulink ta xây dựng được sơ đồ mạch điều khiển lực ấn ty 
khoan như hình 3.27. 
 Hình 3.27. Sơ đồ mô phỏng mạch điều khiển lực ấn ty khoan 
 86 
 Kết quả mô phỏng 
 - Khi thay đổi Udk_Van = 24v ta có kết quả của lực ấn ty khoan hình 3.28 
 Hình 3.28. Khi thay đổi Udk_Van = 24v 
 - Khi thay đổi Udk_Van = 12v ta có kết quả của lực ấn ty khoan hình 3.29. 
 Hình 3.29. Khi thay đổi Udk_Van = 12v 
 Như vậy khi thay đổi điện áp điều khiển Udk_van từ (0 ÷ 24V) thì lực ấn ty 
khoan sẽ thay đổi theo trong khoảng (0 ÷ 30) tấn. 
3.2. Mô hình toán động lực học của hệ thống điều khiển máy khoan xoay 
cầu 
 Từ việc phân tích, mô hình hóa mạch điều khiển kênh quay ty và mạch 
điều khiển lực ấn ty khoan ta có sơ đồ điều khiển của hệ thống như hình 3.30. 
 87 
 Hình 3.30. Sơ đồ mô phỏng điều khiển của hệ thống máy khoan 
 Cấu trúc các khối Subsystem Controller_F1 và khối Subsystem 
Controller_n được mô tả tại Phụ lục 6 của luận án. Hiện tại thì 2 kênh điều 
khiển của máy khoan xoay cầu được vận hành hoàn toàn độc lập và phụ thuộc 
vào kinh nghiệm của người điều khiển. 
3.3. Nhận xét 
 Với việc nghiên cứu và mô hình hóa hệ thống điều khiển kênh quay ty và 
lực ấn ty khoan của máy khoan xoay cầu cùng với việc áp dụng các thông số 
thực tế trong quá trình mô phỏng bằng phần mềm Matlab. Các kết quả khảo sát 
thông qua mô phỏng, các đặc tính tĩnh và các đặc tính động học cho thấy mô 
hình lý thuyết được đánh giá tương đương với mô hình thực. Điều đó cho phép 
tác giả tiếp tục sử dụng mô hình này làm công cụ nghiên cứu và khảo sát quá 
trình rung động cho máy cũng như tiềm năng ứng dụng những thuật toán điều 
khiển hiện đại, điều khiển thông minh nhằm cải tiến hơn nữa chất lượng công 
tác khoan, giảm rung và nâng cao hiệu quả làm việc của thiết bị trong các điều 
kiện địa chất đặc thù. 
 88 
 Tuy nhiên để lựa chọn được chế độ làm việc hợp lý trong điều kiện mô 
men cản thay đổi đa dạng thì điều kiện cần có ở hệ thống truyền động quay ty 
là dải điều chỉnh tốc độ trong dải rộng, các thông số n và F của hệ thống được 
điều chỉnh phù hợp để đảm bảo tận dụng công suất của động cơ quay ty và giảm 
rung cho hệ thống. 
 Để đạt được mục tiêu của đề tài, tác giả tiếp tục đề xuất giải pháp xây 
dựng một bộ nhận dạng phổ tần số rung động sử dụng mạng nơ ron nhân tạo 
(artificial neural network). Ý tưởng này dựa trên cơ sở khoa học là rung động 
trên máy khoan bị ảnh hưởng bởi môi trường khai thác, tính chất cơ lý và độ 
cứng của đất đá. Chúng sẽ tác động trực tiếp đến thông số quá trình khoan như 
tốc độ, lực ấn của ty khoan ... Như vậy bộ nhận dạng được xây dựng trên số 
liệu tác giả đã thực hiện ở chương 2 và việc áp dụng bộ nhận dạng này làm 
công cụ nghiên cứu khảo sát rung động được thực hiện ở chương 4 của luận án. 
 89 
 Chương 4 
 NGHIÊN CỨU, ĐỀ XUẤT CẤU TRÚC ĐIỀU KHIỂN HỢP LÝ CHẾ ĐỘ 
 KHOAN NHẰM GIẢM ĐỘ RUNG CHO MÁY KHOAN XOAY CẦU 
4.1. Hệ thống điều khiển giảm rung đề xuất cho máy khoan xoay cầu 
 Ở chương 3, NCS đã xây dựng được các phương trình toán học mô tả 
truyền động điện của hệ thống điều khiển tốc độ quay và lực ấn ty khoan cho 
máy khoan xoay cầu, đã nghiên cứu ứng dụng Matlab/Simulink để xây dựng 
các đặc tính tĩnh và động học cho hệ thống. Kết quả nghiên cứu mô hình hóa 
hệ thống trên mô hình lý thuyết được đánh giá tương đương với một mô hình 
máy khoan trong thực tế. Đây là cơ sở cho phép NCS sử dụng mô hình này để 
làm công cụ phục vụ cho công tác nghiên cứu rung động của máy khoan. 
 Rung động trong quá trình khoan đã được NCS khảo sát và thực nghiệm 
việc đo thực tế tại khai trường của Công ty cô phần than Cao Sơn cùng với các 
vị trí đo khác nhau, các cấu tạo địa chất và độ cứng đất đá khác nhau với các 
chế độ khoan khác nhau, độ sâu lỗ khoan khác nhau... Nghiên cứu sinh đã thực 
hiện việc lấy mẫu với số lượng mẫu đủ lớn, bao trùm lên toàn bộ các điều kiện 
vận hành khác nhau của máy. Các kết quả phân tích cụ thể được thể hiện trên 
các bảng số liệu đo cho các trục X, Y, Z như ở chương 2 và Phụ lục 2 của luận 
án. Như vậy để sử dụng mô hình lý thuyết phục vụ cho công tác nghiên cứu 
rung động. NCS đề xuất ý tưởng sử dụng số liệu đo ở chương 2 như một cơ sở 
dữ liệu chuyên gia được nhận dạng bởi một mạng nơron nhân tạo (Thay thế cho 
việc dùng card Myrio-Labview và phân tích chuỗi Furier FFT) làm công cụ 
nghiên cứu phản ánh độ rung của máy. Bảng số liệu này cho phép nhận dạng 
được biên độ và tần số rung động máy khoan trên cơ sở biết được 2 thông số 
bao gồm tốc độ quay ty và lực ấn ty khoan của máy. 
 Mạng nơron nhân tạo được đề xuất dựa trên cơ sở nhận dạng bảng thông 
số ở chương 2. Toàn bộ số liệu được đưa vào mạng huấn luyện và sau khi huấn 
luyện thành công, ta có thể dùng mạng như một bộ nhận dạng biên độ, tần số 
 90 
rung động của máy khoan. Lý do NCS chọn mạng nơron làm công cụ nghiên 
cứu bởi các ưu điểm sau: 
 - Mạng hoạt động như một trí thông minh nhân tạo dựa trên những số liệu, 
tri thức được huấn luyện trong quá trình làm việc ở quá khứ (số liệu đo, số liệu 
chuyên gia). 
 - Là một mô hình phi tuyến xử lý song song nên tốc độ xử lý của mạng rất 
cao. 
 - Khả năng làm việc online (trực tuyến) và khả năng tự update (cập nhật) 
tri thức trong quá trình làm việc nên mạng có khả năng tự huấn luyện, tự nâng 
cao, cải tiến cấu trúc mạng và nâng cao được độ chính xác trong quá trình dự 
báo. 
 - Khống chế được sai lệch của mạng (sai lệch giữa đầu ra của mạng và đầu 
ra mong muốn) dựa trên việc chọn cấu trúc mạng và các phương pháp huấn 
luyện mạng. 
 Như vậy việc xây dựng bộ nhận dạng biên độ và tần số rung động ứng 
dụng mạng nơron có sơ đồ khối được đề xuất như hình 4.1. 
 Tốc độ quay 
 MẠNG NƠRON Tần số rung 
 Lực ấn ty NHÂN TẠO 
 Biên độ rung 
 Hình 4.1. Sơ đồ khối bộ nhận dạng biên độ và tần số rung động ứng dụng 
 mạng nơron 
 Để có được hệ thống điều khiển máy khoan xoay cầu đáp ứng được các 
nội dung và kết quả đã phân tích, mô hình hóa ở chương 2 và chương 3. Với 
mục tiêu điều khiển là giảm rung cho máy khoan xoay cầu. 
Tác giả đề xuất xây dựng hệ thống điều khiển cho máy khoan như hình 4.2. 
91
 Hình 4.2. Hệ thống điều khiển giảm rung đề xuất cho máy khoan xoay cầu 
 92 
4.2. Hệ thống điều khiển tốc độ quay ty khoan của máy khoan xoay cầu 
 Với hệ thống điều khiển đề xuất cho máy khoan xoay cầu như hình 4.2. 
Ta có sơ đồ điều khiển tốc độ quay ty khoan như hình 4.3. Hệ thống điều khiển 
quay ty khoan sẽ được thực hiện thông qua bộ điều khiển bù mờ, với tần số và 
biên độ của tín hiệu rung động được cấp từ bộ nhận dạng bằng mạng nơron 
(thay cho card NI-myRIO-1900). 
 Hình 4.3. Hệ thống điều khiển tốc độ quay ty khoan 
4.2.1. Xây dựng bộ nhận dạng biên độ và tần số rung động ứng dụng mạng 
nơron nhân tạo 
4.2.1.1. Tổng quan về mạng nơron nhân tạo 
 Mạng Nơron nhân tạo Artificial Neural Network (ANN) là tập hợp của 
các mô hình toán học mà ở đó nó được mô phỏng như cấu trúc của các nơron 
thần kinh thực giống như cấu trúc của bộ não. Nói chung, mạng ANN được tạo 
thành từ các liên kết của các tế bào thần kinh gọi là nơron, chúng bố trí trong 
một lớp cấu trúc để tạo thành một mạng lưới có khả năng thực hiện song song 
tính toán. Kiến trúc của một ANN nói chung được minh họa trong hình 4.4. 
 93 
 Mạng ANN có thể thực hiện giống như một con người như lý luận, học 
tập và lưu trữ các mối quan hệ của các quá trình trên cơ sở dữ liệu đặt sẵn. ANN 
thực hiện và vẽ lên một không gian đầu vào và một không gian đầu ra. Tùy 
thuộc vào cấu trúc của mạng, một loạt các kết nối nơron trong đó trọng số được 
điều chỉnh để phù hợp với một loạt các yếu tố đầu vào đến một loạt các kết quả 
đầu ra được biết. 
 Hình 4.4. Cấu trúc một mạng nơron 
 • Các phần tử cơ bản của mạng nơron 
 Một mạng ANN nhiều lớp được tạo thành từ ít nhất ba lớp của các tế bào 
thần kinh được kết nối với nhau. Lớp đầu vào và lớp đầu ra để nhận thông tin 
từ các nguồn lực bên ngoài và gửi kết quả ra. Có nghĩa là hầu hết các quá trình 
tính toán được thực hiện trong lớp ẩn. Mô hình phần tử xử lý nơron thứ i trong 
mô hình mạng nơron nhân tạo do McCulloch và Pitts đề xuất năm 1943. 
 Hình 4.5. Mô hình phần tử xử lý (nơron thứ i) 
 94 
 Phần tử xử lý có dạng nhiều vào, một ra (MISO) như hình 4.5, trong đó 
nó gồm các phần sau đây. 
 • Tín hiệu đầu vào 
 Có m tín hiệu đầu vào, trong đó có (m-1) là tín hiệu kích thích ở đầu vào 
là (x1,,xj,,xm-1) chúng được lấy từ các đầu ra của các nơron đặt phía trước 
các nơron này hoặc được lấy từ các nguồn tín hiệu đầu vào khác. Các tín hiệu 
kích thích đầu vào này được đưa qua một bộ trọng số wij đặc trưng cho mức 
độ liên kết giữa các nơron thứ j (j=1,2,m-1) với nơron thứ i. Trọng số wij 
biểu diễn cường độ kết nối giữa nơron thứ j và nơron thứ i. 
 Riêng thành phần tín hiệu vào thứ m là xm được gọi là ngưỡng (threshold) 
có giá trị xm = -1. Tín hiệu xm được đưa qua thành phần dịch chuyển (bias) bi. 
 wim = bi (4.1) 
 • Tín hiệu ra 
 Có một tín hiệu ra là yi 
 • Bộ cộng 
 Thực hiện phép tính tìm tổng trọng vi (hoặc neti) bằng cách so sánh với 
tổng trọng của (m-1) kích thích đầu vào với giá trị trọng số của ngưỡng, nếu 
tổng trọng (m-1) đầu vào vượt qua trọng lượng của ngưỡng thì nơron ở trạng 
thái bị kích thích để tạo tín hiệu ra yi. 
 −1
 푛푒푡푖 = 푛푖 = ∑ 푤푖푗 푖 + 푖 (4.2) 
 푗=1
 Thành phần bi về cơ bản giống với trọng số wij, nó chỉ khác là luôn liên 
kết với tín hiệu xm = -1. Do đó cũng thể coi bi là trọng số liên kết thứ m là wim 
của nơron thứ i nối với tín hiệu vào thứ m là xm luôn có giá trị là -1. Biểu thức 
(4.2) có thể được viết lại ở dạng sau đây: 
 −1
 푛푒푡푖 = 푛푖 = ∑ 푤푖푗 푖 ; 푣ớ𝑖: 푤푖 = 푖 푣à = −1 (4.3) 
 푗=1
 95 
 Mô hình tổng quát của mạng nơron có thể hiểu một cách đơn giản như 
sau: 
 Hình 4.6. Mô hình toán học tổng quát của mạng nơron 
 Tín hiệu ngõ vào sau khi qua mạng sẽ được tính toán và ngõ ra của mạng 
sẽ được so sánh với tín hiệu đích mong muốn. Mạng sẽ tiếp tục cập nhật, điều 
chỉnh trọng số và ngưỡng đến khi thoả mãn yêu cầu ngõ ra. 
 * Cấu trúc mạng 
 Cấu trúc liên kết của ANN để chỉ cơ cấu bên trong là các tế bào thần kinh 
hoặc làm thế nào được liên kết với nhau. Nói chung, mỗi nơron từ lớp trước là 
nguồn cấp dữ liệu vào tất cả các nơron tế bào thần kinh trong lớp tiếp theo. 
Trong sự phát triển mô hình ANN, các cấu trúc liên kết phải được xác định 
trước, nhưng để lại các giá trị trọng số và sai lệch cho pha huấn luyện tiếp theo. 
Các liên kết bên trong đặc biệt quan trọng để có một kết quả tốt. 
 Cấu trúc khác nhau của một ANN có thể được phân thành ba nhóm do sắp 
xếp của tế bào thần kinh và mô hình liên kết của các lớp. 
 • Mạng truyền thẳng Feedforward (ví dụ như feedforward đa lớp). 
 • Mạng hồi quy (ví dụ như Elman, Hopfield). 
 • Mạng tự tổ chức (ví dụ như Kohonen). 
 Trong thực tế phương pháp dùng rộng rãi nhất cho việc lựa chọn tối ưu 
mối liên kết mạng đó là phương pháp tìm kiếm sai lệch và đã được thử nghiệm. 
 96 
Về cơ bản, điều này được thực hiện bằng cách tăng số nơron từ nhỏ đến số 
lượng lớn đáng kể các nơron ẩn được huấn luyện và sau đó được đánh giá. Tăng 
số lượng nơron ẩn sẽ làm giảm sai lệch. Tuy nhiên, nếu quá nhiều nơron ẩn 
được sử dụng trong mạng sẽ có xu hướng vượt quá mối liên kết cấu trúc mạng, 
tăng quá trình học và quá trình huấn luyện. 
 * Huấn luyện và đánh giá mạng 
 Trong quá trình huấn luyện, bộ mẫu dữ liệu vào - ra được lặp đi lặp lại để 
đưa vào ANN. Từ đó, trọng lượng của tất cả các liên kết bên trong giữa các 
nơron được điều chỉnh cho đến khi đạt được mong muốn đầu ra. Thông qua các 
hoạt động này, ANN được học để đáp ứng đúng các hành vi đầu vào - đầu ra. 
để đánh giá, các ANN tuân theo các mẫu đầu vào trong quá trình huấn luyện, 
được điều chỉnh để làm cho hệ thống tin cậy và ổn định hơn. Như vậy tiêu chí 
để đánh giá có thể là sai lệch bình phương cực tiểu (MSE), mà ở đó người ta 
tính toán giữa giá trị đích và đầu ra của mạng. 
 Có nhiều cách tiếp cận khác nhau để huấn luyện mạng ANN. Trong số tất 
cả các thuật toán huấn luyện, thuật lan truyền ngược BackPropagation (BP) là 
một thuật toán huấn luyện tốt nhất và là sự lựa chọn rộng rãi, phổ biến hiện nay. 
Về bản chất BP là một phương pháp giảm gradient theo từng bước, tìm kiếm 
sai lệch trên bề mặt lỗi, BP bao gồm có hai bước trong mỗi bước lặp 
 1. Tính toán trước tiến trình dựa trên các sai lệch. 
 2. Lan truyền ngược để điều chỉnh trọng số. 
 Lựa chọn dữ liệu để huấn luyện là rất quan trọng vì nó có thể ảnh hưởng 
đến khả năng thích nghi, độ tin cậy của một ANN. Bình thường, dữ liệu bao 
phủ một phạm vi rộng với bề mặt đầy đủ kích thích. Đôi khi, nhiễu ngẫu nhiên 
có thể được đưa tới dữ liệu huấn luyện để nâng cao sự bền vững cho mạng 
ANN. Không có một quy tắc nào để xác định số lượng dữ liệu huấn luyện cho 
mô hình mạng ANN. Một số lượng lớn dữ liệu huấn luyện có thể làm tăng tính 
chính xác cũng như sự thành công của mạng ANN. Tuy nhiên, điều này cũng 
sẽ tăng thời gian cho quá trình học, nên cần có sự cân bằng giữa hai tiêu chí. 
 97 
4.2.1.2. Luật học lan truyền ngược [3],[7],[9],[16] 
 Bryson và Ho đã đề xuất sử dụng luật học lan truyền ngược (back 
propagation learning rule) cho mạng truyền thẳng nhiều lớp vào năm 1969. Đây 
là một trong các giải thuật quan trọng nhất trong lịch sử phát triển của các mạng 
nơron nhân tạo. Giải thuật được sử dụng để huấn luyện các mạng nhiều lớp với 
các phần tử xử lý trong mạng có hàm tác động là hàm phi tuyến. 
 Cấu trúc mạng truyền thẳng nhiều lớp (multilayer feedforward networks) 
có nhiều lớp nơron: một lớp vào, một hoặc nhiều lớp ẩn và một lớp ra. 
 Lớp vào (input layer): gồm m nơron có tín hiệu vào: 
 Các lớp ẩn có thể có một hoặc nhiều lớp ẩn, với đặc điểm là các nơron 
không liên hệ trực tiếp với tín hiệu vào x và tín hiệu ra y. 
 Hình 4.7 mô tả mạng truyền thẳng ba lớp (có một lớp ẩn). Mỗi nơron thứ 
q ở lớp ẩn liên kết với lớp vào bằng trọng số νqj và liên kết với lớp ra bằng trọng 
số wiq; với j = 1,2,m; q = 1,2,, l ; i = 1, 2, , n. 
 Hình 4.7. Mạng nơron truyền thẳng ba lớp 
 98 
 Cho trước bộ cặp mẫu tín hiệu vào – ra: {(x( k ), d( k ))} với k = 1,2,, p, 
luật học lan truyền ngược thực hiện hai giai đoạn trong quá trình học cặp dữ 
liệu mẫu. 
 Ở giai đoạn đầu, bộ mẫu tín hiệu đầu vào x lan truyền theo chiều thuận từ 
lớp vào qua các lớp ẩn đến lớp ra để tạo ra tín hiệu ra y. 
 Giai đoạn thứ hai, sai lệch e=(d-y) được lan truyền theo hướng ngược lại 
từ lớp ra qua các lớp ẩn trở về lớp vào, có nhiệm vụ điều chỉnh lại giá trị trọng 
số giữa các lớp sao cho tín hiệu ra y bám theo tín hiệu mẫu đầu ra d. 
 Xét nơron thứ q của lớp ẩn có tổng trọng là: 
 푛푒푡푞 = ∑ 푣푞푗 푗 (4.4) 
 푗=1
 Tín hiệu ra nơron thứ q của lớp ẩn là: 
 푞 = (푛푒푡푞) = (∑ 푣푞푗 푗) ) (4.5) 
 푗=1
 Xét nơron thứ i của lớp ra có tổng trọng là: 
 푙 푙 
 푛푒푡푖 = ∑ 푤푖푞 푞 = ∑ 푤푖푞 (∑ 푣푞푗 푗) ) (4.6) 
 푞=1 푞=1 푗=1
 Tín hiệu ra của nơron thứ i ở lớp ra là: 
 푙 푙 
 푖 = (푛푒푡푖) = (∑ 푤푖푞 푞) = (∑ 푤푖푞 (∑ 푣푞푗 푗) )) (4.7) 
 푞=1 푞=1 푗=1
Hàm đánh giá để đo sai lệch giữa đầu ra mong muốn và đầu ra thực sự của 
mạng được định nghĩa với dạng: 
 푛
 1
 (푤) = ∑( − )2 (4.8) 
 2 푖 푖
 푖=1
 Sử dụng phương pháp giảm gradient tìm lượng điều chỉnh trọng số kết nối 
giữa lớp nơron ẩn thứ q và lớp nơron đầu ra thứ i: 
 99 
 휕 휕 휕 푖 휕푛푒푡푖
 ∆푤푖푞 = −휂 ( ) = −휂 ( ) ( ) ( ) (4.9) 
 휕푤푖푞 휕 푖 휕푛푒푡푖 휕푤푖푞
 Trong đó: 
 휕 
 ( ) = ( 푖 − 푖) (4.10) 
 휕 푖
 휕 푖 ′
 = (푛푒푡푖) (4.11) 
 휕푛푒푡푖
 휕푛푒푡푖
 = 푞 (4.12) 
 휕푤푖푞
 Do đó ta có: 
 ′
 ∆푤푖푞 = 휂( 푖 − 푖)[ (푛푒푡푖)] 푞 (4.13) 
 Các trọng số kết nối lớp nơron ẩn và lớp nơron đầu ra có thể cập nhật 
bằng: 
 ∆wiq =ηδqizq (4.14) 
 Sử dụng phương pháp giảm gradient tìm lượng điều chỉnh trọng số kết nối 
giữa lớp nơron vào thứ j và lớp nơron ẩn thứ q 
 휕 휕 휕푛푒푡푞
 ∆푣푞푗 = −휂 ( ) = −휂 ( ) ( ) (4.15) 
 휕푣푞푗 휕푛푒푡푞 휕푣푞푗
 휕 휕 휕 푞 휕푛푒푡푞
 : ∆푣푞푗 = −휂 ( ) = −휂 ( ) ( ) ( ) (4.16) 
 휕푣푞푗 휕 푞 휕푛푒푡푞 휕푣푞푗
 휕 휕 휕 푖 휕 푞 휕푛푒푡푞
 : ∆푣푞푗 = −휂 ( ) = −휂 ( ) ( ) ( ) ( ) (4.17) 
 휕푣푞푗 휕 푖 휕 푞 휕푛푒푡푞 휕푣푞푗
 휕 
 표푛 đó: = −( 푖 − 푖) (4.18) 
 휕 푖
 휕 푖 휕 푖 휕푛푒푡푖 ′
 = ( ) ( ) = (푛푒푡푖)푤푖푞 (4.19) 
 휕 푞 휕푛푒푡푖 휕 푞
 휕 푞 ′
 = (푛푒푡푞) (4.20) 
 휕푛푒푡푞
 100 
 휕푛푒푡푞
 = 푗 ℎ표 𝑖 = 1, 2,  , 푛. (4.21) 
 휕푣푞푗
 Do đó ta có: 
 푛
 ′ ′
 ∆푣푞푗 = 휂 ∑[( 푖 − 푖) (푛푒푡푖)푤푖푞] [ 푛푒푡푞 푗] (4.22) 
 푖=1
 푛
 ′
 : ∆푣푞푗 =