Điều khiển dựa trên mô hình dự báo cho một lớp đối tượng có trễ - Lê Thị Huyền Linh

Lê Thị Thu Hà và Đtg Tạp chí KHOA HỌC & CÔNG NGHỆ 128(14): 139 - 147 150 ĐIỀU KHIỂN DỰA TRÊN MÔ HÌNH DỰ BÁO CHO MỘT LỚP ĐỐI TƯỢNG CÓ TRỄ Lê Thị Huyền Linh1*, Lại Khắc Lãi2 1Trường Đại học Kỹ thuật Công nghiệp – ĐH Thái Nguyên, 2Đại học Thái Nguyên TÓM TẮT Lớp đối tượng phi tuyến có trễ thường gặp phổ biến trong công nghiệp, việc thiết kế điều khiển cho lớp đối tượng này gặp nhiều khó khăn. Trong [9] các tác giả đã đưa ra giải pháp sử dụng mạng nơron RBF để nhận dạng và bù thành phần phi tuyến. Nhờ đó đã chuyển lớp đối tượng phi tuyến có trễ thành lớp đối tượng tuyến tính có trễ với ma trận A, B là xác định. Nhằm tiếp tục phát triển các kết quả đã đạt được trong [9], bài báo này đề xuất giải pháp xây dựng bộ điều khiển tối ưu dựa trên mô hình dự báo cho lớp đối tượng phi tuyến có trễ sau khi đã bù thành phần phi tuyến. Thông qua việc lựa chọn phiếm hàm mục tiêu phù hợp cho phép ta tìm được tín hiệu điều khiển tối ưu là một hàm tường minh. Đồng thời tìm ra chính xác tầm dự báo và tầm điều khiển của hệ thống. Từ khoá: Mô hình điều khiển dự báo, có trễ, hàm mục tiêu, điều khiển tối ưu MỞ ĐẦU* Các đối tượng có trễ thường gặp trong nhiều lĩnh vực công nghiệp như công nghiệp hóa chất, công nghiệp lọc dầu và hóa dầu, luyện kim, thực phẩm, Để điều khiển các đối tượng có trễ, các phương pháp điều khiển truyền thống tỏ ra kém hiệu quả [1]. Một số phương pháp điều khiển dựa trên mô hình dành cho các đối tượng có trễ đã được đề xuất trong các công trình [1,2,3,4]. Tuy vậy vấn đề điều khiển dựa trên mô hình dự báo cho lớp đối tượng có trễ vẫn chưa được giải quyết một cách thỏa đáng, đặc biệt là đối với các trường hợp hệ thống chịu tác động của các loại nhiễu phụ thuộc trạng thái. Vấn đề nhận dạng các nhiễu bất định đối với lớp các đối tượng có trễ trong điều khiển đã được đề xuất trong [5,6]. Bài báo này đề cập vấn đề điều khiển tối ưu các đối tượng có trễ trên cơ sở mô hình dự báo. Đối với các đối tượng có trễ chịu tác động của các nhiễu bất định, vấn đề sẽ được giải quyết trên cơ sở kết hợp luật điều khiển tối ưu dựa trên mô hình dự báo với các thuật toán nhận dạng nhiễu đề xuất trong [5,6]. Xét lớp đối tượng được mô tả bởi phương trình: ( ) ( ) ( )t t t X AX BV (1) ( ) ( )t t  V U (2) * Tel: 0918 127781, Email: lethihuyenlinh@gmail.com Trong đó: ;n m X U, V ; x x;n n n m A B ; - thời gian trễ. Vấn đề đặt ra là phải tổng hợp hệ thống điều khiển, đảm bảo tối thiểu hóa phiếm hàm: 0 ( , ) min ft t J H dt  X U (3) Phiếm hàm mục tiêu (3) còn được gọi là tiêu chuẩn tối ưu. Việc lựa chọn tiêu chuẩn tối ưu là một vấn đề khó khăn và phức tạp, bởi một hệ thống tối ưu theo một tiêu chuẩn sẽ chỉ đảm bảo chất lượng tốt nhất theo một chỉ tiêu tương ứng có thể sẽ là không chấp nhận được theo các chỉ tiêu khác. Ví dụ, một hệ thống tối ưu tác động nhanh có thể là không chấp nhận được theo quan điểm kinh tế (tiết kiệm) hoặc không chấp nhận được theo các đặc tính của quá trình quá độ. Hơn thế nữa, trong hàng loạt trường hợp, việc thực hiện kỹ thuật các luật điều khiển tối ưu theo tiêu chuẩn tối ưu được chọn có thể làm cho hệ thống trở nên phức tạp đến mức không thể chấp nhận được. Sự đa dạng của các bài toán thực tế cùng với các yêu cầu kỹ thuật khác nhau đối với các hệ thống điều khiển khác nhau không cho phép chúng ta xây dựng một tiêu chuẩn chất lượng duy nhất – thống nhất chung, phù hợp với tất cả các trường hợp. Vì vậy trong mỗi bài toán đòi hỏi phải xác định một chỉ tiêu chất lượng riêng biệt, một tiêu chuẩn tối ưu riêng đảm bảo chất lượng theo mục tiêu đặt ra. Các tiêu Cao Tiến Huỳnh và Đtg Tạp chí KHOA HỌC & CÔNG NGHỆ 128(14): 149 - 154 151 chuẩn tối ưu khác nhau sẽ dẫn tới các hệ thống điều khiển khác nhau cho cùng một đối tượng, cùng một quá trình, với mức độ hiệu quả khác nhau. Rõ ràng là việc xây dựng các tiêu chuẩn tối ưu, tức là các hàm mục tiêu cho từng đối tượng điều khiển cụ thể có vai trò hết sức quan trọng, đồng thời là bài toán phức tạp đòi hỏi phải tìm được lời giải thỏa đáng, nhằm làm cho hệ thống điều khiển mang lại hiệu quả và lợi ích cao nhất. Trong phần tiếp theo, bài báo đề xuất một cách tiếp cận trong việc xây dựng tiêu chuẩn tối ưu khi giải bài toán điều khiển tối ưu, đặc biệt là khi giải bài toán tổng hợp hệ thống điều khiển dự báo. XÂY DỰNG TIÊU CHUẨN TỐI ƯU CHO BÀI TOÁN ĐIỀU KHIỂN TỐI ƯU VÀ ĐIỀU KHIỂN DỰ BÁO Để giải bài toán tối ưu hóa, trước hết phải xác định được hàm mục tiêu, biểu diễn tiêu chuẩn tối ưu. Xuất phát từ các yêu cầu đặt ra cho quá trình cần điều khiển, chúng ta xác định các mục tiêu cần đạt được theo góc độ bản chất vật lý và xây dựng phiếm hàm mục tiêu phản ánh các mục tiêu cần đạt đó. Trong đại đa số các bài toán điều khiển, hàm mục tiêu là thước đo chất lượng hoạt động của hệ thống điều khiển, được chọn ở dạng bình phương của vectơ sai lệch giữa vectơ trạng thái mong muốn ( ) d tX và vectơ trạng thái thực ( )p tX của đối tượng điều khiển: ( ) ( ) ( )d pt t t X X X 0 ( ) ( ) ( ) ft T t t t t dtX Q X (4) trong đó ( )tQ là ma trận đường chéo với các thành phần ( )ijq t thay đổi theo thời gian và là các giá trị dương; 0 ft t t  - khoảng thời gian điều khiển. Tuy nhiên, nếu chỉ chú ý đến việc tối thiểu hóa phiếm hàm (4) mà không tính đến các yếu tố khác thì để phiếm hàm (4) đạt giá trị cực tiểu có thể phải đòi hỏi hàm điều khiển ( )tU lớn vô cùng, dẫn đến không thể thực hiện trong kỹ thuật được hàm điều khiển đó, và đương nhiên là không có ý nghĩa thực tiễn. Để khắc phục điều này người ta đưa vào phiếm hàm mục tiêu thêm dạng bình phương của vectơ điều khiển: 0 ( ) ( ) ( ) ( ) ( ) ( ) ft T t J t t t t t t dt    TX Q X U R U (5) trong đó ( )tR là ma trận đường chéo có kích thước tương ứng và có các thành phần thay đổi theo thời gian ( ) 0ijr t  , với i=j và ( ) 0ijr t  với mọi i j . Trong trường hợp khi thời điểm cuối tf là cố định thì sai lệch giữa vectơ trạng thái thực của đối tượng tại thời điểm tf có ý nghĩa quan trọng. Vì vậy phiếm hàm mục tiêu trong trường hợp này thường được chọn dưới dạng: 0 ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ft T T T f f t J t t t t t t t t dt    X SX X Q X U R U (6) với S là ma trận đường chéo có các thành phần 0ijs  , với i=j và 0ijs  với mọi i j . Vấn đề tiếp theo có ý nghĩa đặc biệt quan trọng trong việc xây dưng phiếm hàm mục tiêu (5),(6) là xác định các ma trận trọng lượng ( )tQ , ( )tR , S và thời điểm tf như thế nào để phiếm hàm mục tiêu phản ánh được đúng mục tiêu đặt ra đối với quá trình điều khiển đối tượng cụ thể, đồng thời dễ dàng thực hiện trong kỹ thuật mà không yêu cầu trả giá nhiều cho thiết bị điều khiển và đảm bảo được độ tin cậy cần thiết cho hệ thống nhờ có mức độ đơn giản của thiết bị điều khiển. Ma trận ( )tR phải được lựa chọn trong sự so sánh với ma trận ( )tQ . Tác động điều khiển ( )tU nhằm làm giảm sai lệch ( )tX , đồng thời đến lượt mình cũng có thể gây nên những điều không mong muốn và bất lợi. Chọn ma trận ( )tR trong sự so sánh với ma trận ( )tQ để quy đổi đúng mức độ bất lợi của tác động điều khiển ( )tU về độ bất lợi của sai lệch ( )tX . Để làm được điều này, chúng ta cần phải khảo sát bản chất vật lý của quá trình điều khiển với đối tượng cụ thể. Ví dụ trong hệ thống điều khiển đối tượng bay hoặc điều khiển tàu thủy, sai lệch ( )tX (góc hướng, góc dạt cánh,) làm tăng sức cản, tác động Cao Tiến Huỳnh và Đtg Tạp chí KHOA HỌC & CÔNG NGHỆ 128(14): 149 - 154 152 điều khiển ( )tU là góc quay bánh lái đến lượt mình cũng gây ra sức cản. Ma trận R được lựa chọn trên cơ sở các kích thước hình học của bánh lái so với kích thước hình học và dạng khí (thủy) động học của đối tượng điều khiển. Về việc lựa chọn tf nếu thời gian điều khiển kéo dài ta nên chọn ft   . Điều này phản ánh đúng bản chất của quá trình điều khiển, đồng thời làm cho bài toán tổng hợp luật điều khiển tối ưu trở nên đơn giản hơn, hệ thống điều khiển dễ thể hiện kỹ thuật hơn. Để thấy rõ điều này, chúng ta xét trường hợp cho đối tượng tuyến tính: ( ) ( ) ( ) ( ) ( )t t t t t X A X B U (7) 0 0( )t X X , với tiêu chuẩn tối ưu là tối thiểu hóa phiếm hàm mục tiêu (6). Đây là bài toán điều khiển tối ưu rất thường gặp và luật điều khiển tối ưu đã được biết [7,8,12]. * 1( ) ( ) ( ) ( ) ( )Tt t t t tU R B P X (8) trong đó ( )tP là nghiệm của phương trình Riccati: 1 ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) T T t t t t t t t t t t t       P P A A P Q P B R B P (9) với điều kiện biên: ( )ft P S (10) Từ luật điều khiển (8), phương trình vi phân Riccati (9) và điều kiện biên (10) ta thấy rằng hệ thống điều khiển tối ưu theo tiêu chuẩn tối ưu (6) đối với cả đối tượng tuyến tính (7) khá phức tạp, dẫn đến khó khăn trong việc thực hiện kỹ thuật và làm cho thiết bị điều khiển phức tạp và tốn kém. Điều đó vẫn tiếp tục xảy ra ngay cả đối với trường hợp khi A , B , Q và R là các ma trận không thay đổi theo thời gian. Những phức tạp và rắc rối đó sẽ bị loại trừ nếu ft   [8,12]. Khi A , B , Q và R là các ma trận hằng số và ft   điều khiển tối ưu sẽ là [7,8,12]. * 1( ) ( )Tt tU R B PX , (11) trong đó P là nghiệm của phương trình đại số Riccati: 1( ) 0T Tt    PA A P Q PBR B P (12) (6.1) Luật điêu khiển tối ưu (11) dễ dàng thực hiện kỹ thuật ở trong hệ kín và vì vậy thiết bị điều khiển đơn giản không cần trả giá nhiều cho thiết bị điều khiển tính toán,vẫn đảm bảo được độ tin cây tốt. Như vậy việc lựa chọn tf trong bài toán tối ưu và trong bài toán cần phải được thực hiện trên cơ sở phân tích kỹ lưỡng các vần đề có liên quan. TỔNG HỢP LUẬT ĐIỀU KHIỂN DỰA TRÊN MÔ HÌNH DỰ BÁO Từ phiếm hàm biểu thị chỉ tiêu chất lượng của hệ thống (3), ta có: 0 0 0 ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) T T T T T T T J t t t t dt t t t t dt t t dt t t t t dt                            X QX U RU X QX V RV X QX X QX V RV (13) Từ đây ta thấy rằng, thành phần thứ nhất trong vế phải của (13) không phụ thuộc vào tác động điều khiển. Vì vậy, bài toán tổng hợp hệ điều khiển cho đối tượng (1), (2) theo chỉ tiêu chất lượng (3) được quy về bài toán tổng hợp hệ điều khiển theo chỉ tiêu chất lượng 1J . 1 ( ) ( ) ( ) ( ) min T TJ t t t t dt        X QX V RV (14) Cho đối tượng (1) với điều kiện biên 0( )tX 0 0 0( ) ( ) ( ) ( ) ( ) t t t t t t t d         X X BU (15) Với: 0; ( ) ( ); (0) I; ( ) 0, 0t t t t t t         A (16) Luật điều khiển tối ưu theo chỉ tiêu tối ưu (14) cho đối tượng (1), (2) có dạng: ( ) ( ),t t t   V KX (17) Trong đó ma trận xm nK được xác định từ phương trình Riccati [10]: 1 1 0,T T T        PA A P Q PBR B P K R B P (18) Từ (2) và (17) ta thu được: ( ) ( )t t   U KX (19 Cao Tiến Huỳnh và Đtg Tạp chí KHOA HỌC & CÔNG NGHỆ 128(14): 149 - 154 153 Như vậy để tạo được tín hiệu điều khiển ( )tU ở thời điểm t đòi hỏi phải có vectơ trạng thái ở thời điểm t  , nghĩa là phải dự báo được vec tơ trạng thái của hệ thống. Tương tự như (15), từ (1) ta có : ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) t t t t t t t d t t d                             X X BV X BU (20) Thế (20) vào (19) ta thu được luật điều khiển tối ưu theo chỉ tiêu tối ưu (3) cho đối tượng (1), (2): 0 0 ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) t op t t t t t t d t t d t d                                        U K X K BU K X K BU BU (21) Thành phần thứ nhất trong dấu móc chính là vec tơ trạng thái của hệ thống có trễ  , do điều khiển ( )tU tạo ra trong suốt khoảng thời gian từ 0 đến t  : [0, ]t  ; thành phần thứ 2 trong dấu móc chính là trạng thái của hệ thống không chứa trễ, do tác động điều khiển ( )tU tạo ra trong suốt thời gian từ 0 đến t: [0, ]t . Hai thành phần này dễ dàng tạo ra của các mô hình: 1 1 ( ) ( ) ( )M M M M Mt t t   X Α X B U (22) 2 2 ( ) ( ) ( )M M M M Mt t t X Α X B U (23) với ,M M A A B B 1 2 (0) 0; (0) 0;M MX X  ( ) 0 khi 0M t t U Từ (12),(13)và (14) ta thu được: 2 1 (t) ( ) ( ) ( ) K ( )op M Mt t t    U K X KX X (24) Trên Hình 1 là sơ đồ cấu trúc hệ thống sử dụng luật điều khiển tối ưu (24), trong đó bộ điều khiển BĐK thực thi luật điều khiển trên cơ sở của vectơ trạng thái ( )tX của đối tượng, vectơ trạng thái của mô hình M1 có trễ 1 ( )M tX và vec tơ trang thái của mô hình M2 không có chứa trễ 2 ( )M tX Hình 1. Sơ đồ mô hình của hệ thống điều khiển dựa trên mô hình dự báo cho lớp đối tượng có trễ Rõ ràng là mô hình M2 thực hiện việc dự báo véc tơ trạng thái của đối tượng, với thời gian dự báo là  , và trong điều kiện không có nhiễu tác động và với ;M M A A B B , ta có: 2 ( ) ( )M t t  X X (25) Như vậy cửa sổ dự báo của hệ thống là  ,t t  . Cửa sổ này sẽ trượt theo trục thời gian trong suốt quá trình hoạt động. Từ (24) và (25) ta thấy rằng tác động điều khiển tối ưu (24) được tạo ra trên cơ sở kết quả dự báo (25), vec tơ trạng thái của đối tượng điều khiển ( )tX và vec tơ trạng thái của mô hình có trễ M1. Đây là luật điều khiển tối ưu theo chỉ tiêu tối ưu (3) cho đối tượng có trễ (1): ( ) ( ) arg Min (0, )op U t J   U (26) Với (0, )J  là giá trị của phiếm hàm chỉ tiêu tối ưu với thời gian từ 0 đến ∞. Theo nguyên lý tối ưu của Bellman [11] (Bellman Principle of optimality), luật điều khiển (24) đảm bảo tối ưu theo chỉ tiêu (3) với khoảng thời gian từ 0 đến ∞, sẽ đảm bảo tối ưu theo chỉ tiêu này với khoảng thời gian từ t đến ∞:   ( ) ( ) ( ) ( ) arg Min (0, ) arg Min ( , ) arg Min ( ) ( ) ( ) ( ) op U U T T U t t J J t t t t t dt           U X QX U RU (27) với điều kiện ban đầu ( )tX Hàm điều khiển tối ưu (24),(27) thu được trên đây là một hàm giải tích của vec tơ trạng thái của hệ thống ( )tX , vec tơ trạng thái của mô hình M1 có trễ 1 ( )M tX và của vec tơ trạng thái của mô hình dự báo M2 không chứa trễ R Cao Tiến Huỳnh và Đtg Tạp chí KHOA HỌC & CÔNG NGHỆ 128(14): 149 - 154 154 2 ( )M tX tại thời điểm t. Nói cách khác, hàm điều khiển tối ưu thu được (24),(27) biểu diễn sự biến đổi của điều khiển U theo các vec tơ trạng thái cho khoảng thời gian [ , )t  và chỉ tác động lên đối tượng với giá trị ( )tU tại thời điểm t. Cửa sổ [ , )t  trượt theo trục thời gian t cùng với sự tiến triển của quá trình điều khiển. Luật điều khiển dự báo (24),(27) đề xuất trên đây cho đối tượng có trễ trong điều khiển (1) có nhiều ưu điểm. Trước hết, luật này cho phép thực hiện điều khiển dự báo một cách dễ dàng, tránh được các phép tính toán lặp để xác định tác động điều khiển tối ưu liên quan đến giải bài toán điều khiển tối ưu mạch hở (open loop optimal control problem), nhờ vậy hệ thống sẽ đơn giản hơn trong thực hiện kỹ thuật và đi liền với đó là tăng độ tin cậy và giảm giá thành cho hệ thống điều khiển.Một ưu điểm đặc biệt quan trọng nữa của luật điều khiển dự báo đề xuất ((24),(27) trên đây là nó đảm bảo tối ưu theo chỉ tiêu (3) đồng thời đảm bảo được ổn định cho hệ thống. Tuy nhiên luật điều khiển (24),(27) chỉ áp dụng được cho các trường hợp, khi các ma trận A và B có các thành phần không thay đổi và đối tượng điều khiển (1) không chịu tác động của nhiễu. Để có thể áp dụng được luật điều khiển (24),(27) cho trường hợp tồn tại các nhiễu phụ thuộc trạng thái, chúng ta có thể sử dụng các phương pháp nhận dạng nhiễu trên cơ sở mạng Nơron nhân tạo [9]. Như vậy, kết hợp phương pháp tổng hợp luật điều khiển dựa trên mô hình dự báo đề xuất với phương pháp nhận dạng các nhiễu tác động lên đối tượng chúng ta sẽ giải quyết được trọn vẹn bài toán điều khiển dựa trên mô hình dự báo cho một lớp rất rộng các đối tượng có trễ dưới tác động của nhiễu, đặc biệt là nhiễu không đo được. KẾT LUẬN Bài báo đề xuất phương pháp tổng hơp hệ điều khiển dựa trên mô hình dự báo cho các đối tượng có trễ trong kênh điều khiển. Luật điều khiển thu được là một hàm giải tích của vec tơ trạng thái của đối tượng điều khiển, vec tơ trạng thái của mô hình chứa trễ, vừa đảm bảo tính tối ưu vừa đảm bảo tính ổn định cho hệ thống. Hệ thống với luật điều khiển đó đơn giản và dễ dàng trong thực hiện kỹ thuật. TÀI LIỆU THAM KHẢO 1. Qin S.J and Badgwell T.A. An overview of industrial model predictive control technology. In J.C Kantor, C.E. Garcia and B. Carnahan, “Fifth International conference on Chemical Process Control- CPC”, pp. 232 – 256. American Institute of Chemical Engineers, 1996. 2. Morari M. , Lee J. H. Model Predictive control: the good, the bad and the ugly. In Proc. Conf. On Chemical Process Control, CPC –IV. pp.419 – 444. AIChE, New York, 1991 3. Eric Coulibaby, Sandip Maiti and Coleman Brosilow – Internal Model Predictive Control (IMPC). Automatica Vol 31, No. 10, pp. 1471 – 1482, 1995. 4. Camacho, Bordons. Model Predictive Control. Springer Venlag, 2004. 5. Frank Allgower, Rolf Findeisen, Christian Ebenbauer. Nonlinear Model Predictive Control. Stuttgart, 2010. 6. Cao Tiến Huỳnh. Tổng hợp hệ điều khiển thích nghi cho các đối tượng có trễ. Tuyển tập các báo cáo khoa học hội nghị toàn quốc lần thứ 6 về Tự Động Hóa, Hà Nội 2005, trang 288 – 293. 7. Nguyễn Doãn Phước (2009), Lý thuyết điều khiển nâng cao, Nxb Khoa học và Kỹ thuật. 8. Andrew P.Sage, Chelsea C. White (1977), III Optimum Systems Control, Prentice – Hall, Inc. 9. Cao Tiến Huỳnh, Lại Khắc Lãi, Lê Thị Huyền Linh. Một phương pháp nhận dạng nhiễu trên cơ sở mạng Nơ ron cho một lớp hệ thống điều khiển dự báo có trễ. Tạp chí ĐHTN, Tập 120 - số 06/ 2014, ISSN 1859 - 2171 trang 81 – 86. 10. Liuping Wang, Model Predictive Control System Design and Implementation Using MATLAB, Springer Venlag, 2008 11. Moshe Sniedovich, Dynamic Programming: Foundations and Principles, Second Edition, Taylor and Francis Group, 2011. 12. Michael Athans, Peter L. Falb (1966), Optimal Control, McGraw – Hill Book Company. Đặng Danh Hoằng Tạp chí KHOA HỌC & CÔNG NGHỆ 128(14): 155 - 160 155 SUMMARY CONTROLLER ON BASED MODEL PREDICTIVE CONTROL FOR A CLASS SYSTEM WITH DELAY Le Thi Huyen Linh1*, Lai Khac Lai2 1College of Technology – TNU, 2Thai Nguyen University Nonlinear delay system is commonly found in the industry, designing controller for this system is somewhat difficult. In [9] the authors pointed out some solutions by using neural RBF to identify and nonlinear compensation. Thereby, transforming nonlinear delay system to linear delay system with determined matrix A and B. In order to develop further result performed in [9], this paper proposes a solution to design an optimal controller based on predictive control model for a nonlinear delay system after compensating nonlinear components. Through the selection of appropriate objective functions, it allows us to find out the optimal control signal, which is an explicit function. It can also find out the exact forecast range and level control of the system. Key word: Model Predictive Control, delay, object funtion, optimal control Ngày nhận bài:01/10/2014; Ngày phản biện:30/10/2014; Ngày duyệt đăng: 25/11/2014 Phản biện khoa học: PGS.TS Nguyễn Thanh Hà – Đại học Thái Nguyên * Tel: 0918 127781, Email: lethihuyenlinh@gmail.com