Tổng quan về luận án

Trong lý thuyết điều khiển hiện đại và tự động hóa kỹ thuật, bài toán tổng hợp hệ thống điều khiển cho lớp các đối tượng phi tuyến nhiều đầu vào - nhiều đầu ra (MIMO) hoạt động trong môi trường chứa các thành phần bất định tham số và nhiễu ngẫu nhiên không đo được là một trong những thách thức cốt lõi. Công trình nghiên cứu của tác giả Lê Văn Chương (2023) với đề tài "Tổng hợp hệ thống điều khiển cho một lớp đối tượng phi tuyến trên cơ sở nhận dạng các thành phần bất định" tại Viện Khoa học và Công nghệ Quân sự thuộc Bộ Quốc phòng (Mã số chuyên ngành: 9 52 02 16) đã đề xuất một phương pháp tiếp cận đột phá. Nghiên cứu tập trung giải quyết triệt để vấn đề suy giảm chất lượng bám quỹ đạo và nguy cơ mất ổn định hệ thống khi các tham số động học trong kênh điều khiển ($\Delta B$) và trong trạng thái ($\Delta A$) biến đổi chậm không biết trước, đồng thời hệ thống chịu tác động của thành phần phi tuyến $f(x)$ và vector nhiễu ngoài $d(t)$ không đo được.

Khoảng trống nghiên cứu (research gap) trọng yếu được xác định xuất phát từ các giới hạn của các công trình tiền nhiệm. Các phương pháp điều khiển thích nghi truyền thống (A. Maity và cộng sự, 2014) đòi hỏi cấu trúc hai vòng hiệu chỉnh phức tạp sử dụng toán tử phép chiếu $Proj(\cdot)$ nhằm giới hạn ước lượng vào tập lồi nhưng gây bùng nổ khối lượng tính toán. Mặt khác, các phương pháp điều khiển trượt kinh điển (H. Choi, 2002) hay điều khiển trượt thích nghi kinh điển (J. Patton, 2010) bắt buộc phải biết trước giá trị chặn trên (upper bounds) của các thành phần bất định; khi độ bất định lớn, việc tăng hệ số khuếch đại chuyển mạch làm bùng phát hiện tượng rung (chattering), gây tổn hao năng lượng và phá hủy cơ cấu chấp hành cơ khí. Ngoài ra, các kiến trúc điều khiển trượt thích nghi sử dụng mạng nơron Wavelet hoặc RNN (J. Lu và cộng sự, 2013, 2016) thường cập nhật trọng số dựa trên sai số bám của hệ thống, dẫn đến việc mạng nơron phải học liên tục ngay cả khi hệ thống đã ổn định, gây trôi tham số và phụ thuộc tiêu cực vào tần số chuyển mạch trên mặt trượt.

Luận án thiết lập hệ thống câu hỏi nghiên cứu và giả thuyết khoa học chặt chẽ:

  • Câu hỏi nghiên cứu 1 (RQ1): Làm thế nào để ước lượng trực tuyến và chính xác đồng thời ma trận biến thiên tham số kênh điều khiển $\Delta B$, vector hàm phi tuyến $f(x)$ và vector nhiễu ngoài $d(t)$ mà không cần biết trước giá trị chặn trên của chúng?
  • Câu hỏi nghiên cứu 2 (RQ2): Làm thế nào để tách biệt cơ chế học nhận dạng bất định khỏi sai số bám quỹ đạo nhằm triệt tiêu hiện tượng học liên tục và suy giảm rung chattering trong bộ điều khiển trượt?
  • Giả thuyết nghiên cứu 1 (H1): Sử dụng cấu trúc mô hình song song (parallel identification model) kết hợp mạng nơron hàm bán kính cơ sở xuyên tâm (RBFNN) và lý thuyết ổn định Lyapunov cho phép các quy luật thích nghi chỉ kích hoạt khi có sự biến thiên thực sự của các thành phần bất định, bảo đảm sai số nhận dạng hội tụ tiệm cận về lân cận gốc tọa độ.
  • Giả thuyết nghiên cứu 2 (H2): Bằng việc phân tách vector điều khiển tổng thể thành thành phần bù trừ thích nghi $u_C$ (triệt tiêu toàn bộ bất định) và thành phần điều khiển trượt $u_{SMC}$ (điều khiển thành phần động học tuyến tính danh định), hệ thống sẽ đạt được tính bền vững cao và loại bỏ hiện tượng chattering mà không cần sử dụng cơ cấu chuyển mạch biên độ lớn.

Khung lý thuyết của công trình được xây dựng trên sự tích hợp giữa Định lý ổn định Lyapunov trực tiếp, Bất đẳng thức Rayleigh, Lý thuyết xấp xỉ hàm phổ quát của mạng nơron RBF và Nguyên lý điều khiển cấu trúc biến đổi (Sliding Mode Control - SMC). Về phạm vi, nghiên cứu tổng hợp và kiểm chứng thuật toán trên hệ thống phi tuyến MIMO bậc hai tổng quát với ma trận trạng thái Hurwitz $A \in \mathbb{R}^{2 \times 2}$, ma trận điều khiển $B \in \mathbb{R}^{2 \times 2}$, ma trận tham số bất định $\Delta B \in \mathbb{R}^{2 \times 2}$, mạng RBF 3 lớp với 9 nơron ẩn, và ứng dụng thực chứng trên mô hình động lực học của robot công nghiệp 3 bậc tự do (3-DOF) Thermo CRS A465 trong môi trường mô phỏng Matlab-Simulink.

Literature Review và Positioning

Tổng quan tài liệu trong kỹ thuật điều khiển hệ phi tuyến bất định ghi nhận sự phân nhánh rõ rệt giữa các trường phái tiếp cận:

                      ┌──────────────────────────────────────────────────────────┐
                      │    HỆ PHI TUYẾN MIMO BẤT ĐỊNH & NHIỄU KHÔNG ĐO ĐƯỢC      │
                      └────────────────────────────┬─────────────────────────────┘
                                                   │
         ┌─────────────────────────────────────────┼────────────────────────────────────────┐
         │                                         │                                        │
┌────────▼────────┐                      ┌─────────▼────────┐                     ┌─────────▼────────┐
│ĐIỀU KHIỂN       │                      │ĐIỀU KHIỂN TRƯỢT  │                     │MẠNG NƠRON &      │
│THÍCH NGHI (AC)  │                      │KINH ĐIỂN (SMC)   │                     │NEURO-ADAPTIVE    │
├─────────────────┤                      ├──────────────────┤                     ├──────────────────┤
│• Maity (2014):  │                      │• Choi (2002):    │                     │• Lu (2013, 2016):│
│  Toán tử chiếu  │                      │  Bất đẳng thức   │                     │  RNN / Wavelet,  │
│  tập lồi Proj   │                      │  ma trận LMI     │                     │  học theo sai số │
│• 2 vòng lặp hiệu│                      │• Bắt buộc biết   │                     │  bám quỹ đạo     │
│  chỉnh phức tạp,│                      │  chặn trên       │                     │• Dễ trôi tham số,│
│  tốn tài nguyên │                      │• Chattering cao, │                     │  phụ thuộc tần số│
│  tính toán      │                      │  hại cơ cấu cơ   │                     │  mặt trượt       │
└────────┬────────┘                      └─────────┬────────┘                     └─────────┬────────┘
         │                                         │                                        │
         └─────────────────────────────────────────┼────────────────────────────────────────┘
                                                   │
                                ┌──────────────────▼───────────────────┐
                                │       ĐÓNG GÓP CỦA LUẬN ÁN           │
                                │   (LÊ VĂN CHƯƠNG, 2023 - AC-SMC)     │
                                ├──────────────────────────────────────┤
                                │ 1. Mô hình song song nhận dạng độc lập│
                                │    ΔB, f(x), d(t) qua RBFNN          │
                                │ 2. Luật thích nghi theo sai số       │
                                │    mô hình e = x - x_M (Lyapunov)    │
                                │ 3. Phân rã vector điều khiển         │
                                │    u = u_SMC + u_C triệt chattering  │
                                └──────────────────────────────────────┘
  1. Nhóm phương pháp điều khiển thích nghi danh định: Các công trình của A. Maity và cộng sự (2014) giải quyết mô hình $\dot{x} = Ax + B(I_m + \Lambda(t))u + \Delta(x,t)$ bằng cách sử dụng mô hình dự báo và toán tử phép chiếu $Proj(\hat{W}, Z)$ để chặn tham số trong tập lồi. Tuy nhiên, kiến trúc này yêu cầu hai vòng lặp hiệu chỉnh đồng thời, làm gia tăng cấp số mũ về độ phức tạp khi số chiều trạng thái tăng.
  2. Nhóm phương pháp điều khiển trượt bền vững: H. Choi (2002) giải quyết bất định tham số qua việc giải bất đẳng thức ma trận tuyến tính (LMI) để tìm ma trận Lyapunov $P$ và ma trận mặt trượt $C = GC_0$. Tuy nhiên, phương pháp đòi hỏi giả thiết khắt khe về giới hạn chặn trên $|\Delta A| \le a$ và hàm phi tuyến $\Delta(x) = B_0 f(x)$ với $|f(x)| \le b|x| + \gamma(y)$. Tương tự, J. Patton và cộng sự (2010) thiết kế bộ quan sát thích nghi ước lượng chặn trên $\hat{\rho}_s$ phụ thuộc trực tiếp vào hàm trượt $s$. Khi biên độ nhiễu lớn, tần số chuyển mạch của hàm $sgn(s)$ gây ra hiện tượng rung cực mạnh, làm giảm tuổi thọ thiết bị truyền động.
  3. Nhóm phương pháp thích nghi nơron mờ: S. Huang và cộng sự (2004) áp dụng RBFNN để xấp xỉ hàm phi tuyến nhưng cập nhật trọng số theo sai số bám trạng thái $e = x_d - x$, khiến thuật toán học liên tục không ngừng. J. Lu và cộng sự (2013, 2016) mở rộng sang mạng nơron hồi quy (RNN) và toán tử tích vi phân bậc phân số $D^\alpha$, song việc sử dụng thuật toán lan truyền ngược Gradient Descent trên mô hình nhiều lớp dẫn đến nguy cơ kẹt tại cực tiểu địa phương, bùng nổ đạo hàm và phụ thuộc nặng nề vào tham số khởi tạo.
  4. Trường phái nghiên cứu tại Việt Nam: Cao Tiến Huỳnh và cộng sự (2012) đã tiên phong sử dụng mô hình song song để nhận dạng phi tuyến và nhiễu trên hệ SISO với luật điều khiển PID cho phần tuyến tính. Tiếp đó, Ngô Trí Nam Cường (2016, 2018) mở rộng phương pháp nhận dạng thích nghi cho hệ MIMO phi tuyến để cập nhật điều kiện tồn tại chế độ trượt của hệ có cấu trúc biến đổi.

Luận án của Lê Văn Chương định vị chính xác điểm nghẽn của các nghiên cứu trên và tiến hành bước nhảy vọt: Tổng hợp luật điều khiển cho đối tượng MIMO có tham số thay đổi đồng thời trong kênh điều khiển và trạng thái bằng cách kết hợp mô hình song song nhận dạng thích nghi RBFNN (học theo sai lệch giữa đối tượng và mô hình nhận dạng $e = x - x_M$) với bộ điều khiển bù trừ tích cực $u_C$ và bộ điều khiển trượt $u_{SMC}$ cho phần động học tuyến tính danh định.

So sánh đối chuẩn quốc tế:

  • So với A. Maity et al. (2014): Công trình loại bỏ hoàn toàn toán tử chiếu phức tạp và vòng lặp dự báo lồng nhau, giảm thời gian tính toán chu kỳ thực thi của vi xử lý.
  • So với J. Lu et al. (2016): Luận án khắc phục hiện tượng trôi trọng số nơron nhờ cấu trúc RBFNN truyền thẳng một lớp ẩn với luật cập nhật đơn tầng giải tích, không phụ thuộc vào đạo hàm bậc phân số hay hàm trượt chuyển mạch cao tần.

Đóng góp lý thuyết và khung phân tích

Đóng góp cho lý thuyết

Luận án đã mở rộng lý thuyết điều khiển thích nghi phi tuyến và lý thuyết điều khiển cấu trúc biến đổi thông qua việc chứng minh toán học tường minh về tính ổn định tiệm cận của toàn bộ hệ thống kín:

Mô hình đối tượng phi tuyến MIMO có tham số thay đổi trong kênh điều khiển được mô tả bởi phương trình: $$\dot{x} = Ax + (B + \Delta B)u + f(x) + d(t)$$

Trong đó $x \in \mathbb{R}^n$ là vector trạng thái, $u \in \mathbb{R}^m$ là vector điều khiển, $A \in \mathbb{R}^{n \times n}$ là ma trận Hurwitz, $B \in \mathbb{R}^{n \times m}$ là ma trận tham số danh định, $\Delta B \in \mathbb{R}^{n \times m}$ là ma trận tham số biến thiên chậm chưa biết, $f(x) \in \mathbb{R}^n$ là vector phi tuyến trơn, và $d(t) \in \mathbb{R}^n$ là vector nhiễu ngoài bị chặn.

Mô hình nhận dạng song song đề xuất: $$\dot{x}_M = Ax_M + (B + \hat{\Delta B})u + \hat{f}(x) + \hat{d}(t)$$

Vector hàm phi tuyến $f(x) = [f_1(x), f_2(x), \dots, f_n(x)]^T$ được xấp xỉ bởi mạng RBF: $$f_i(x) = \sum_{j=1}^L w_{ij}^* \xi_{ij}(x) + \varepsilon_i$$ $$\hat{f}i(x) = \sum{j=1}^L \hat{w}{ij} \xi{ij}(x)$$ Hàm cơ sở Gauss: $\xi_{ij}(x) = \exp\left(-\frac{|x - c_{ij}|^2}{2\sigma_{ij}^2}\right)$, với $\varepsilon_i \le \varepsilon_{iM}$ là sai số xấp xỉ tối thiểu.

Định nghĩa sai số nhận dạng: $e = x - x_M$, phương trình vi phân sai số có dạng: $$\dot{e} = Ae + \tilde{\Delta B}u + \tilde{f}(x) + \tilde{d}(t)$$ với $\tilde{\Delta B} = \Delta B - \hat{\Delta B}$, $\tilde{w}{ij} = w{ij}^* - \hat{w}_{ij}$, $\tilde{d}(t) = d(t) - \hat{d}(t)$.

Định lý 1 (Chứng minh ổn định Lyapunov): Xét hàm Lyapunov toàn phương mở rộng: $$V = e^T P e + \sum_{i=1}^n \sum_{j=1}^m \tilde{b}{ij}^2 + \sum{i=1}^n \sum_{j=1}^L \tilde{w}{ij}^2 + \sum{i=1}^n \tilde{d}i^2$$ với $P = P^T > 0$ thỏa mãn phương trình Lyapunov $A^T P + PA = -Q$ ($Q > 0$). Đạo hàm theo thời gian của $V$ dọc theo quỹ đạo nghiệm: $$\dot{V} = e^T (A^T P + PA)e + 2e^T P\varepsilon + 2\sum{i=1}^n \sum_{j=1}^m \tilde{b}{ij} (\dot{\tilde{b}}{ij} + u_j P_i e) + 2\sum_{i=1}^n \sum_{j=1}^L \tilde{w}{ij} (\dot{\tilde{w}}{ij} + P_i e \xi_{ij}(x)) + 2\sum_{i=1}^n \tilde{d}_i (\dot{\tilde{d}}_i + P_i e)$$

Để triệt tiêu các thành phần bất định, các luật thích nghi nhận dạng trực tuyến được tổng hợp chính xác: $$\dot{\hat{b}}{ij} = u_j P_i e, \quad \forall i=1,\dots,n; j=1,\dots,m$$ $$\dot{\hat{w}}{ij} = P_i e \xi_{ij}(x), \quad \forall i=1,\dots,n; j=1,\dots,L$$ $$\dot{\hat{d}}_i(t) = P_i e, \quad \forall i=1,\dots,n$$

Khi đó, áp dụng Bất đẳng thức Rayleigh, đạo hàm hàm Lyapunov thỏa mãn: $$\dot{V} = -e^T Q e + 2e^T P\varepsilon \le -r_{min}(Q)|e|^2 + 2\sum_{i=1}^n \varepsilon_i |P_i e| \le 0$$ khi $|e| \ge \frac{2\sum_{i=1}^n \varepsilon_i |P_i|}{r_{min}(Q)}$, chứng minh sai số nhận dạng $e$ hội tụ tiệm cận về lân cận gốc tọa độ có bán kính tỷ lệ thuận với sai số xấp xỉ tối thiểu của mạng RBF.

Khung phân tích độc đáo

Khung phân tích của luận án tích hợp cấu trúc giải mã vector điều khiển $u$: $$u = u_{SMC} + u_C$$

                         ┌────────────────────────────────────────────────────────┐
                         │              VECTOR ĐIỀU KHIỂN TỔNG HỢP                │
                         │                    u = u_SMC + u_C                     │
                         └───────────────────────────┬────────────────────────────┘
                                                     │
                    ┌────────────────────────────────┴────────────────────────────────┐
                    │                                                                 │
       ┌────────────▼────────────┐                                      ┌─────────────▼────────────┐
       │   THÀNH PHẦN BÙ TRỪ u_C │                                      │   THÀNH PHẦN TRƯỢT u_SMC │
       ├─────────────────────────┤                                      ├──────────────────────────┤
       │• Nhận dạng trực tuyến:  │                                      │• Tác động lên mô hình    │
       │  ΔB_hat, f_hat, d_hat   │                                      │  tuyến tính danh định:   │
       │• u_C = -B_hat^+ * f_hat │                                      │  dx_TT/dt = A*x_TT + B*u │
       │• Triệt tiêu hoàn toàn   │                                      │• Siêu mặt trượt:         │
       │  thành phần phi tuyến   │                                      │  s = C*e_s = 0           │
       │  và nhiễu ngoài         │                                      │• Triệt tiêu chattering   │
       └─────────────────────────┘                                      └──────────────────────────┘
  1. Thành phần bù thích nghi $u_C$: Bù trừ chính xác vector tổng các yếu tố bất định $\hat{f}^* = \hat{\Delta B}u + \hat{f}(x) + \hat{d}(t)$ thông qua ma trận giả nghịch đảo: $$u_C = -(B + \hat{\Delta B})^\dagger [\hat{f}(x) + \hat{d}(t)]$$
  2. Thành phần trượt $u_{SMC}$: Thiết kế dựa trên mô hình danh định tuyến tính đã được khử bất định $\dot{x}{TT} = Ax{TT} + Bu_{SMC}$, đảm bảo sai số bám trạng thái $e_s = x_d - x$ trượt trên siêu mặt trượt $s = Ce_s = 0$ với biên độ điều khiển chuyển mạch cực tiểu, triệt tiêu hoàn toàn hiện tượng chattering.

Phương pháp nghiên cứu tiên tiến

Thiết kế nghiên cứu

Nghiên cứu tuân thủ chặt chẽ thế giới quan thực chứng (positivism) và chủ nghĩa duy lý kỹ thuật. Hệ thống được mô hình hóa toán học giải tích dưới dạng không gian trạng thái vi phân phi tuyến liên tục. Mọi thuật toán thích nghi và điều khiển trượt đều được suy diễn giải tích và chứng minh chặt chẽ theo tiêu chuẩn toán học Lyapunov trước khi chuyển giao sang kiểm chứng mô phỏng số thực nghiệm (numerical simulation-based empirical validation).

Quy trình nghiên cứu rigorous

Quy trình nghiên cứu triển khai qua 5 giai đoạn liên hoàn:

  1. Thiết lập mô hình giải tích: Chuẩn hóa hệ phương trình vi phân trạng thái cho hai lớp đối tượng phi tuyến MIMO (bất định trong kênh điều khiển và bất định đồng thời trong trạng thái - kênh điều khiển).
  2. Xây dựng cấu trúc mô hình song song: Tách biệt động lực học nhận dạng khỏi quỹ đạo đặt mong muốn, triệt tiêu sự phụ thuộc của việc học vào sai số điều khiển.
  3. Tổng hợp luật cập nhật thích nghi: Khai triển hàm Lyapunov toàn phương, thiết lập các đạo hàm triệt tiêu theo quy tắc gradient tự nhiên dọc theo mặt phẳng năng lượng.
  4. Chứng minh hội tụ và tính bị chặn: Áp dụng bổ đề Barbalat và bất đẳng thức Rayleigh xác lập tính ổn định tiệm cận của sai số nhận dạng và sai số bám quỹ đạo.
  5. Thực nghiệm mô phỏng đa kịch bản: Thực hiện trên nền tảng phần mềm Matlab - Simulink với bước tích phân cố định Runge-Kutta bậc 4 (ode4), thời gian lấy mẫu $T_s = 0.001s$.

Data và phân tích

Mô hình kiểm chứng số học được thiết lập với các thông số cụ thể:

  • Ma trận hệ thống danh định: $$A = \begin{bmatrix} -3.2501 & 0.067731 \ -2.0448 & -3.6263 \end{bmatrix}, \quad B = \begin{bmatrix} 0.60994 & 0.48945 \ 0.63024 & 0.3949 \end{bmatrix}$$
  • Ma trận tham số biến thiên bất định trong kênh điều khiển: $$\Delta B = \begin{bmatrix} -0.1099 & 0.1099 \ 0.1025 & -0.1025 \end{bmatrix}$$
  • Vector hàm phi tuyến thực tế của hệ thống: $$f(x) = \begin{bmatrix} -0.25\sin(x_1 + x_2) - 0.05\sin(x_2) + 0.05 \ 0.15x_1^2 + 0.075e^{-x_2} - 0.25\sin(x_1 x_2) + 0.05 \end{bmatrix}$$
  • Vector nhiễu ngoài biến thiên theo thời gian tác động lên hệ thống: $$d(t) = \begin{bmatrix} 0.1\sin(0.5t) + 0.02\sin(0.8t) + 2.0 \ 0.15\sin(0.38t) + 0.02\sin(0.9t) + 1.5 \end{bmatrix}$$
  • Cấu hình mạng nơron RBF: 3 lớp, 9 nơron ẩn ($L=9$), vector tâm phân bố đều: $$C_{ij} = \begin{bmatrix} -2.0 & -1.0 & -0.5 & -0.1 & 0 & 0.1 & 0.5 & 1.0 & 2.0 \ -2.0 & -1.0 & -0.5 & -0.1 & 0 & 0.1 & 0.5 & 1.0 & 2.0 \end{bmatrix}$$ Độ trải rộng hàm cơ sở Gauss: $\sigma_{ij} = 5.0$ ($\forall i=1,2; j=1,\dots,9$).
  • Ma trận đối xứng xác định dương $P$ giải từ phương trình Lyapunov: $$P = \begin{bmatrix} 1.5513 & 0.6183 \ 0.6183 & 1.1759 \end{bmatrix}$$

Phát hiện đột phá và implications

Những phát hiện then chốt

      TỔNG HỢP CÁC KẾT QUẢ ĐỘT PHÁ CỦA THUẬT TOÁN ĐIỀU KHIỂN THÍCH NGHI AC-SMC
┌──────────────────────────────────────────────────────────────────────────────────┐
│ [1] NHẬN DẠNG ĐỘC LẬP CHÍNH XÁC CAO:                                             │
│     - Ước lượng hội tụ chính xác ΔB_hat, f_hat(x), d_hat(t)                     │
│     - Sai số nhận dạng sai lệch e = x - x_M tiến về 0 sau t < 0.5s               │
├──────────────────────────────────────────────────────────────────────────────────┤
│ [2] BÙ TRỪ HOÀN TOÀN BẤT ĐỊNH & NHIỄU:                                           │
│     - Vector điều khiển u_C loại bỏ ảnh hưởng phi tuyến và nhiễu ngoài          │
│     - Trạng thái hệ thống bám sát thành phần tuyến tính danh định x_TT           │
├──────────────────────────────────────────────────────────────────────────────────┤
│ [3] TRIỆT TIÊU HIỆN TƯỢNG RUNG CHATTERING:                                       │
│     - u_SMC chỉ cần hệ số khuếch đại nhỏ cho phần danh định                      │
│     - Đáp ứng bám quỹ đạo x_d trơn tru, không dao động cao tần                   │
├──────────────────────────────────────────────────────────────────────────────────┤
│ [4] KHẢ NĂNG KHÁNG NHIỄU VƯỢT TRỘI TRÊN ROBOT CÔNG NGHIỆP:                      │
│     - Ứng dụng thành công trên tay máy 3-DOF Thermo CRS A465                     │
│     - Bám chính xác quỹ đạo góc quay q_d và vận tốc góc dq_d tại cả 3 khớp       │
└──────────────────────────────────────────────────────────────────────────────────┘
  1. Hội tụ nhận dạng đa tham số đồng thời: Thuật toán nhận dạng thích nghi đề xuất cho phép ước lượng chính xác từng phần tử của ma trận tham số $\Delta B$ (các giá trị nhận dạng hội tụ tiệm cận về $-0.1099$ và $0.1025$), nhận dạng trung thực vector phi tuyến $f(x)$ và bù trừ chính xác thành phần nhiễu điều hòa $d(t)$ mang giá trị dịch chuyển DC ($2.0$ và $1.5$).
  2. Khắc phục triệt để hiện tượng học liên tục: Khác với công trình của S. Huang (2004), đồ thị sai số nhận dạng $e = x - x_M$ nhanh chóng tiến về lân cận 0 sau khoảng thời gian quá độ ngắn ($t < 0.5s$), tại đó $\dot{\hat{w}}_{ij} \approx 0$, giúp đóng băng trọng số mạng nơron khi môi trường không có biến động mới.
  3. Triệt tiêu hiện tượng Chattering trong điều khiển trượt: Việc bù trừ trước các thành phần bất định bằng $u_C$ cho phép thành phần điều khiển trượt $u_{SMC}$ hoạt động với hệ số khuếch đại chuyển mạch tối thiểu. Đáp ứng trạng thái $x_1, x_2$ bám sát hoàn hảo tín hiệu đặt mong muốn $x_d$ mà không hề xuất hiện dao động răng cưa cao tần trên tín hiệu điều khiển $u$.
  4. Khả năng mở rộng cho hệ thống Robot công nghiệp thực tế: Áp dụng cấu trúc điều khiển đề xuất (AC-SMC) cho cánh tay máy robot công nghiệp 3 bậc tự do Thermo CRS A465 với mô hình động lực học Lagrange-Euler: $$M(q)\ddot{q} + C(q, \dot{q})\dot{q} + g(q) = \tau + d(t)$$ Kết quả mô phỏng khẳng định thuật toán nhận dạng chính xác các thành phần bất định $f_2, f_4, f_6$, sai số nhận dạng $e_{ND2}, e_{ND4}, e_{ND6}$ xấp xỉ 0, và đáp ứng vị trí góc/vận tốc góc của khớp 1, khớp 2, khớp 3 bám sát tuyệt đối quỹ đạo đặt danh định ngay cả khi tải trọng và ma sát khớp thay đổi đột ngột.

Implications đa chiều

  • Về mặt lý thuyết: Cung cấp một phương pháp luận tổng quát để phân rã bài toán điều khiển phi tuyến phức tạp thành hai bài toán con độc lập: bài toán nhận dạng - bù trừ bất định thích nghi trên mô hình song song và bài toán điều khiển bền vững trên mô hình tuyến tính danh định.
  • Về mặt phương pháp: Tạo ra khung thiết kế bộ điều khiển không phụ thuộc vào tri thức chuyên gia mờ (khắc phục nhược điểm của Fuzzy Control) và không yêu cầu tính toán đạo hàm ma trận phức tạp (khắc phục nhược điểm của LMI và Backstepping bậc cao).
  • Về mặt ứng dụng thực tiễn: Cho phép nâng cao độ chính xác gia công của robot công nghiệp, hệ thống pháo tự hành, thiết bị lặn không người lái (UUV), và hệ thống tay gắp cơ điện tử hoạt động trong môi trường ma sát thay đổi hoặc biến thiên nhiệt độ khắc nghiệt.

Limitations và Future Research

Mặc dù đạt được những kết quả lý thuyết và mô phỏng xuất sắc, công trình vẫn tồn tại một số giới hạn nghiên cứu:

  1. Giả thiết về tốc độ biến thiên tham số: Thuật toán giả định các phần tử của ma trận $\Delta B$ biến thiên chậm theo thời gian ($\dot{b}_{ij} \approx 0$). Đối với các hệ thống có tham số nhảy cấp đột ngột (như hiện tượng gãy vỡ cơ học hoặc va chạm cứng), thuật toán cần thêm thời gian quá độ để tái nhận dạng.
  2. Đo lường đầy đủ vector trạng thái: Phương pháp đòi hỏi toàn bộ vector trạng thái $x$ phải đo được trực tiếp qua cảm biến, chưa tích hợp bộ quan sát trạng thái mở rộng (Extended State Observer - ESO) cho trường hợp khuyết trạng thái.
  3. Thực nghiệm phần cứng phần mềm (Hardware-in-the-loop): Các kết quả mới dừng lại ở mức mô phỏng số chi tiết trên Matlab-Simulink, chưa tiến hành nạp code nhúng trên phần cứng DSP/FPGA điều khiển trực tiếp động cơ servo thực tế.

Hướng nghiên cứu phát triển tiếp theo bao gồm:

  • Tích hợp bộ quan sát trạng thái phi tuyến thích nghi để ước lượng đồng thời vector trạng thái $x$ và các thành phần bất định khi số lượng cảm biến bị hạn chế.
  • Kết hợp kỹ thuật điều khiển trượt thời gian hữu hạn (Finite-time Sliding Mode Control) để đảm bảo thời gian hội tụ xác định trước.
  • Triển khai thuật toán trên nền tảng vi xử lý thời gian thực điều khiển tay máy công nghiệp 6 bậc tự do trong dây chuyền sản xuất tự động.

Tác động và ảnh hưởng

  • Ảnh hưởng học thuật: Luận án đóng góp một công trình nghiên cứu hoàn chỉnh, bổ sung giải pháp cho lớp hệ phi tuyến MIMO bất định, mở ra hướng trích dẫn tiềm năng cho các nghiên cứu sinh chuyên ngành Điều khiển tự động và Robot học.
  • Chuyển dịch công nghiệp: Công nghệ điều khiển tự chỉnh định thích nghi dựa trên RBFNN giúp các nhà máy tự động hóa giảm thiểu chi phí hiệu chuẩn cơ khí định kỳ cho robot lắp ráp và máy công cụ CNC.
  • An ninh - Quốc phòng: Cung cấp cơ sở khoa học tin cậy để làm chủ thuật toán điều khiển các thiết bị quân sự công nghệ cao như đài quan sát quang điện tử ổn định đường ngắm trên tàu hải quân, bệ phóng tên lửa tự hành và hệ thống lái tự động phương tiện không người lái.

Đối tượng hưởng lợi

  • Nghiên cứu sinh và Giảng viên ngành Điều khiển & Tự động hóa: Tiếp cận phương pháp luận thiết lập hàm Lyapunov mở rộng và kỹ thuật phân rã vector điều khiển thích nghi - trượt.
  • Kỹ sư R&D Robot và Cơ điện tử: Ứng dụng trực tiếp thuật toán nhận dạng RBFNN song song để giải quyết bài toán bù sai số ma sát và biến thiên mômen quán tính tải trọng.
  • Các đơn vị kỹ thuật quân sự: Ứng dụng giải pháp điều khiển bền vững vào các hệ thống truyền động bám mục tiêu chịu tác động của nhiễu rung lắc và gió bão môi trường.

Câu hỏi chuyên sâu

1. Đóng góp lý thuyết độc đáo nhất của luận án là gì và đã mở rộng lý thuyết nào? Trả lời: Đóng góp độc đáo nhất là việc mở rộng Lý thuyết Ổn định Lyapunov cho hệ thống nhận dạng thích nghi đa tham số MIMO bằng cách tích hợp mô hình song song và mạng nơron RBF. Luận án đã giải quyết đồng thời việc nhận dạng ma trận tham số kênh điều khiển $\Delta B$, vector hàm phi tuyến $f(x)$ và vector nhiễu ngoài $d(t)$ mà không cần sử dụng toán tử chiếu $Proj$ như trong nghiên cứu của A. Maity (2014) hay phụ thuộc vào biên độ chặn trên của hàm trượt như J. Patton (2010).

2. Điểm cải tiến phương pháp luận so với các nghiên cứu tiền nhiệm quốc tế là gì? Trả lời: So với nghiên cứu của S. Huang (2004) và J. Lu (2016), phương pháp luận của luận án tách biệt hoàn toàn quá trình nhận dạng thích nghi khỏi sai số bám quỹ đạo đặt. Bằng việc sử dụng sai số giữa đối tượng và mô hình nhận dạng $e = x - x_M$, quá trình thích nghi trọng số nơron chỉ kích hoạt khi bản thân đối tượng có sự thay đổi tham số hoặc chịu tác động của nhiễu, loại bỏ triệt để hiện tượng học liên tục gây trôi dạt trọng số khi hệ thống đã đạt trạng thái cân bằng.

3. Phát hiện bất ngờ nhất trong quá trình mô phỏng kiểm chứng là gì? Trả lời: Đó là khả năng bù trừ hoàn hảo thành phần dịch chuyển DC của nhiễu ngoài ($d_1 = 2.0$, $d_2 = 1.5$) kết hợp thành phần sóng điều hòa tần số cao. Bộ điều khiển bù trừ $u_C$ đã triệt tiêu toàn bộ độ lệch tĩnh này, cho phép bộ điều khiển trượt $u_{SMC}$ đưa sai số bám về 0 tuyệt đối mà không cần bổ sung khâu tích phân (I) truyền thống vốn thường gây trễ pha và vọt lố.

4. Quy trình tái lập nghiên cứu (Replication Protocol) có được cung cấp đầy đủ không? Trả lời: Luận án cung cấp tường minh 100% các phương trình trạng thái, giá trị số của các ma trận hệ thống ($A, B, \Delta B$), vector hàm phi tuyến $f(x)$, vector nhiễu $d(t)$, cấu hình mạng RBF (tâm $c_{ij}$, độ rộng $\sigma_{ij} = 5.0$), ma trận Lyapunov $P$, và sơ đồ khối mô phỏng chi tiết trong Simulink (tại Phụ lục PL1), cho phép tái lập kết quả mô phỏng với độ chính xác tuyệt đối.

5. Chương trình nghiên cứu 10 năm tiếp theo được định hình như thế nào? Trả lời: Định hướng nghiên cứu dài hạn tập trung vào 3 trụ cột: (1) Phát triển thuật toán nhận dạng thích nghi thời gian thực trên chip FPGA song song hóa; (2) Mở rộng lý thuyết điều khiển cho hệ thống phi tuyến liên kết mạng (Networked Nonlinear Systems) có trễ truyền thông và mất gói tin; (3) Ứng dụng công nghệ điều khiển thông minh tự học trên các tổ hợp robot tự hành phối hợp đa tác tử (Multi-agent Robotic Systems).

Kết luận

  1. Tổng hợp thành công cấu trúc điều khiển thích nghi AC-SMC đột phá cho lớp đối tượng phi tuyến MIMO có tham số thay đổi trong kênh điều khiển và trạng thái dưới tác động của nhiễu ngoài không đo được.
  2. Chứng minh toán học chặt chẽ Định lý ổn định Lyapunov đảm bảo sai số nhận dạng và sai số bám quỹ đạo hội tụ tiệm cận về lân cận gốc tọa độ xác định.
  3. Giải quyết triệt để vấn đề rung chattering của phương pháp điều khiển trượt truyền thống nhờ cơ chế bù trừ chủ động các thành phần bất định bằng vector điều khiển thích nghi $u_C$.
  4. Loại bỏ hiện tượng học liên tục không mong muốn của mạng nơron RBF thông qua cấu trúc mô hình song song cập nhật trọng số theo sai lệch trạng thái thực - mô hình.
  5. Kiểm chứng thực nghiệm mô phỏng toàn diện trên hệ thống tổng quát bậc hai và mô hình động lực học tay máy robot công nghiệp 3-DOF Thermo CRS A465, khẳng định chất lượng bám quỹ đạo vượt trội và tính khả thi ứng dụng thực tế cao.
  6. Mở ra hướng tiếp cận mới kết hợp giữa lý thuyết điều khiển tự động kinh điển, giải tích Lyapunov hiện đại và trí tuệ nhân tạo nơron xấp xỉ phổ quát cho các hệ thống điều khiển tự động hóa quân sự và dân dụng thế hệ mới.